Luận Văn nghiên cứu cách thức theo dõi một đối tượng bằng phương pháp sử dụng Partcle Filter sau đó xây dựng

LỜI MỞ ĐẦU
Đề tài luận văn của chúng tôi là theo vết đối tượng dùng Particle Filter, trong đó chúng tôi sẽ nghiên cứu cách thức theo dõi một đối tượng bằng phương pháp sử dụng Partcle Filter sau đó xây dựng một ứng dụng thực nghiệm.
Các phương pháp theo vết đối tượng trong công nghệ cảm quan máy tính (computer vision) đã được nghiên cứu trong nhiều năm, nhưng cho tới nay nó vẫn được xem là một vấn đề mở. Tuy nhiên, hiện nay đã có một phương pháp theo vết đối tượng mà tính hiệu quả của nó đã được chứng minh trong nhiều nghiên cứu trên thế giới, nó được công nhận là một “State of the art” – đó chính là Particle Filter. Vì vậy, chúng tôi đã tiến hành nghiên cứu đề tài thú vị này dựa trên sự hướng dẫn của thầy cô và các tài liệu của các trường đại học, các hội nghị chuyên đề về đề tài này.
Trong khóa luận này, chúng tôi giới hạn trong việc giới thiệu cơ sở lý thuyết của Particle Filter, dựa trên cơ sở mã nguồn mở cải tiến một số điểm làm tăng độ chính xác của thuật toán, sau đó dựa trên cơ sở dữ liệu thực nghiệm xây dựng các bảng đánh giá kết quả để chứng minh tính hiệu quả của các cải tiến trong thuật toán so với mã nguồn gốc.




MỤC LỤC
LỜI MỞ ĐẦU
Chương 1. GIỚI THIỆU. 1
Chương 2. BÀI TOÁN THEO VẾT ĐỐI TƯỢNG. 11
2.1. Tổng quan về bài toán theo vết đối tượng. 11
2.2. Cách tiếp cận chung của bài toán theo vết đối tượng. 12
2.2.1. Mô hình tham chiếu (Reference model). 13
2.2.2. Hàm thực thi sự so sánh (similarity measure). 14
2.3. Cơ sở toán học. 14
2.3.1. Ước lượng Bayes. 14
2.3.2. Phương pháp Monte Carlo. 17
2.3.3. Yếu tố lấy mẫu. 19
2.3.4. Các vấn đề trong việc chọn mẫu. 19
2.3.5. Phương pháp tái chọn mẫu (Sequential Importance Resampling). 20
2.4. Particle Filter. 21
2.4.1. Định nghĩa. 21
2.4.2. Mô hình động (Dynamics Model): 23
2.4.3. Mô hình quan sát (Observation model). 24
2.4.4. Thuật toán tái chọn mẫu: 25
2.4.5. Các bước thực hiện. 26
Chương 3. PHÁT HIỆN ĐỐI TƯỢNG (DETECTOR). 29
3.1. Bài toán phát hiện đối tượng. 29
3.2. Đặc trưng Haar-like. 29
3.3. Giới thiệu về AdaBoost. 32
3.4. Thuật toán phát hiện đối tượng. 33
Chương 4. CÁC THƯ VIỆN TÍCH HỢP TRONG ỨNG DỤNG. 35
4.1. Thư viện OpenCV. 35
4.2. Thư viện GSL. 37
Chương 5. ỨNG DỤNG THỰC NGHIỆM. 38
5.1. Xây dựng ứng dụng theo vết đối tượng bằng thuật toán Particle Filter. 38
5.1.1. Mô tả mã nguồn tham khảo. 38
5.1.2. Xây dựng ứng dụng theo vết đối tượng dựa trên mã nguồn tham khảo. 39
5.1.3. Kết hợp nhận dạng và theo vết đối tượng. 40
5.2. Chương trình demo. 41
5.2.1. Bảng điều khiển. 42
5.2.2. Màn hình thực thi. 44
Chương 6. ĐÁNH GIÁ THỰC NGHIỆM. 49
6.1. Công thức đánh giá thực nghiệm. 49
6.2. Cơ sở dữ liệu thực nghiệm. 52
6.2.1. YouTube action dataset. 52
6.2.2. UCF Sports Action Dataset. 53
6.2.3. Face dataset. 54
6.3. Kết quả định lượng. 56
6.3.1. Cấu hình máy dùng để đánh giá thực nghiệm. 56
6.3.2. Đánh giá thực nghiệm chức năng theo dõi vật thể chọn bởi người dùng. 56
6.3.3. Đánh giá thực nghiệm chức năng theo dõi khuôn mặt. 58
6.3.4. Đánh giá thực nghiệm chức năng theo dõi người đi bộ. 59
KẾT LUẬN. 60
DANH MỤC TÀI LIỆU THAM KHẢO. 62