Luận án Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và Wifi

ời).
Vị tr½ người tr¶n £nh được x¡c định trong nghi¶n cùu này là trung điểm cõa c¤nh
h¼nh chú nhªt ti¸p xúc với mặt sàn (xem H¼nh 3.2). Điểm này gọi là vị tr½ điºm ch¥n
người FootPoint. Theo v¸t người trong mët chuéi khung h¼nh thu được tø mët trường
quan s¡t camera là qu¡ tr¼nh theo v¸t c¡c điểm ch¥n người. Trong trường hñp có nhi·u
người, méi điểm ch¥n đưñc ph¡t hi»n c¦n được g¡n với định danh tương ùng. Định vị
người được thực hi»n b¬ng c¡ch chuyºn c¡c vị tr½ điểm ch¥n tr¶n tọa độ £nh sang c¡c
vị tr½ trong tọa độ th¸ giới thực tr¶n mặt ph¯ng sàn.
 Khi mët người dịch chuyºn tø mët trường quan s¡t này sang trường quan s¡t
kh¡c, định danh và vị tr½ tương ùng c¦n được cªp nhªt. Qu¡ tr¼nh cªp nhªt này gọi là
định danh l¤i và li¶n k¸t quỹ đạo chuyºn động cõa người.
 - Ph¡t hi»n người: Như đã n¶u ở ph¦n c¡c nghi¶n cùu có li¶n quan, có hai hướng
ti¸p cªn cho ph¡t hi»n người: ph¡t hi»n dựa tr¶n chuyºn động và ph¡t hi»n với bë ph¥n
lớp người. Hướng đầu ti¶n gồm phương ph¡p thông dụng là trø n·n, vèn phù hñp cho
c¡c ùng dụng thời gian thực. Tuy nhi¶n, trong nhi·u trường hñp, c¡c k¸t qu£ ph¡t hi»n
 9
H¼nh 3.2 V½ dụ c¡c quỹ đạo chuyºn động cõa người được t¤o ra tø li¶n k¸t quỹ đạo
cõa c¡c vị tr½ đểm ch¥n FootPoint tương ùng.
không hoàn ch¿nh (hëp bao chú nhªt không bao trọn cơ thº người) g¥y ra bởi nhi¹u
hay bóng. Nó làm gi£m độ ch½nh x¡c định vị. Hướng thù 2 xu§t hi»n ph¡t hi»n sai, hay
không ph¡t hi»n được đối tượng n¸u ta không có c¡c mô h¼nh được hu§n luy»n tèt.
Ngoài ra, c¡c phương ph¡p thuëc hướng ti¸p cªn này y¶u c¦u thời gian t½nh to¡n lớn
hơn, do đó không th½ch hñp với c¡c ti¸n tr¼nh thời gian thực. Ưu điểm cõa nó là c¡c
k¸t qu£ ph¡t hi»n đúng h¦u h¸t là k¸t qu£ hoàn thi»n (hëp chú nhªt bao trọn người)
và có thº ph¡t hi»n người khi không di chuyºn hay người bị che khu§t mët ph¦n.
 Để x¥y dựng mët bë ph¡t hi»n người hi»u qu£ cho định vị trong h» thèng gi¡m
s¡t thời gian thực, chúng tôi đề xu§t mët sè c£i ti¸n sau:
 ˆ K¸t hñp Adaptive GMM [25] với HOG-SVM [8] nh¬m tªn dụng ưu điểm cõa tøng
 phương ph¡p.
 ˆ Đề xu§t mët phương ph¡p khû bóng hi»u qu£ nh¬m c£i thi»n k¸t qu£ ph¡t hi»n
 người, tø đó c£i thi»n hi»u qu£ cõa c¡c bước ti¸p theo trong định vị và định danh
 l¤i người.
 - Theo v¸t người: Theo v¸t được thực hi»n dựa tr¶n c¡c k¸t qu£ ph¡t hi»n. Như
đã n¶u trong ph¦n c¡c công tr¼nh có li¶n quan, méi phương ph¡p theo v¸t có ưu, nhược
điểm ri¶ng. Tuy nhi¶n, đối với c¡c ùng dụng mà môi trường không qu¡ phùc t¤p như
trong trường hñp chúng tôi xem x²t, bë lọc Kalman [24] là lựa chọn phù hñp với mët
sè lñi ½ch sau:
 ˆ D¹ t½nh to¡n và triºn khai.
 ˆ Gi£m nhi¹u t¤o ra bởi c¡c ph¡t hi»n không ch½nh x¡c.
 ˆ Dự đoán vị tr½ cõa đối tượng trong trường hñp không ph¡t hi»n được đối tượng
 ở mët sè khung h¼nh.
 10
 ˆ Cho ph²p g¡n tøng đối tượng với quỹ đạo tương ùng.
Ngoài ra, trong nghi¶n cùu này, chúng tôi đề xu§t sû dụng gi£i thuªt g¡n dú li»u cùng
với bë lọc Kalman nh¬m c£i thi»n hi»u qu£ theo v¸t đối tượng.
 - Định vị và li¶n k¸t c¡c quỹ đạo chuyºn động cõa người: Để định vị người
tr¶n h» tọa độ th¸ giới thực, c¡c bước sau được thực hi»n:
 ˆ Định nghĩa mët b£n đồ 2D cõa mặt sàn nơi người di chuyºn. B£n đồ này chùa
 t§t c£ c¡c trường quan s¡t camera.
 ˆ T½nh to¡n c¡c tọa độ cõa tøng vị tr½ ch¥n người tr¶n b£n đồ 2D dựa tr¶n kỹ
 thuªt hi»u ch¿nh camera và bi¸n đổi hormography.
C¡c quỹ đạo cõa tøng người qua c¡c camera được li¶n k¸t với nhau nhờ nèi nhi·u
trường quan s¡t camera dựa tr¶n kỹ thuªt hi»u ch¿nh stereo.
 - Định danh l¤i người: Trong ngú c£nh cõa h» thèng gi¡m s¡t thời gian thực,
khi mët người xu§t hi»n l¦n đầu trong mët trường quan s¡t camera, c¦n ch¿ ra vị tr½ và
danh t½nh tương ùng cõa người đó. Thông tin này sau đó s³ được cªp nhªt li¶n tục ở
c¡c chuéi khung h¼nh ti¸p theo khi người di chuyºn trong mët trường quan s¡t camera,
hay dịch chuyºn tø mët trường quan s¡t này sang trường quan s¡t kh¡c. Vi»c cªp nhªt
danh t½nh người trong m¤ng camera được gọi là định danh l¤i. Đóng góp cõa luªn ¡n
cho bài to¡n định danh l¤i người trong m¤ng camera được tr¼nh bày ở chương 5.
3.2 C¡c cơ sở dú li»u thû nghi»m
 Để đánh gi¡ hi»u qu£ cõa c¡c phương ph¡p đề xu§t cho định vị và định danh
người trong h» thèng gi¡m s¡t nhi·u camera, mët sè cơ sở dú li»u mới được x¥y dựng
cho mët môi trường táa nhà cụ thº với c¡c ngú c£nh gi¡m s¡t thời gian thực được xem
x²t.
3.3 Khû bóng
 Trong nghi¶n cùu này, chúng tôi đề xu§t mët phương ph¡p khû bóng hi»u qu£.
Phương ph¡p gồm sơ đồ k¸t hñp score dựa tr¶n mªt độ ph¥n bè x¡c su§t, cùng với
phương ph¡p học được ¡p dụng cho khû bóng. Hai kiºu đặc trưng kh¡c nhau trong
vùng bóng đưñc tr½ch chọn. Đó là đặc trưng chromaticity và đặc trưng vªt lý. Hai l¥n
lªn hay score bóng được t½nh to¡n tø c¡c đặc trưng này. Mët tỷ l» l¥n cªn là mët score
bóng hay không bóng được t½nh to¡n. C¡c x¡c su§t cõa bóng và không bóng được ước
lượng dựa tr¶n cơ sở c¡c ph¥n bè x§p x¿ cõa c¡c score bóng sû dụng GMM.
 11
3.3.1 Tr½ch chọn đặc trưng Chromaticity và t½nh to¡n score bóng
3.3.2 T½nh to¡n score bóng sû dụng đặc trưng vªt lý
3.3.3 Sơ đồ k¸t hñp score dựa tr¶n hàm mªt độ ph¥n bè x¡c su§t bóng
 Sơ đồ này được x¥y dựng dựa tr¶n sơ đồ k¸t hñp score trong [17]. Coi s = (s1; s2)
là biºu di¹n score hai thành ph¦n s1 và s2 được t½nh to¡n tø 3.3.1 và 3.3.2. Ph²p thû
tèi ưu cho ph²p g¡n mët vector score s cho lớp shadow hay nonshadow là ph²p thû
tỷ l» l¥n cªn fshadow(s)=fnonshadow(s), với fshadow(s) và fnonshadow(s) là c¡c hàm mªt đë
cõa dú li»u hu§n luy»n bóng và không bóng. C¡c ước lượng fshadow(s) và fnonshadow(s)
là c¡c hén hñp Gauss.
Gi£i thuªt 1: Shadow pixel separation
Input: image I and a threshold ζ
Output: shadow pixels SD
Initialize an empty set SD;
for pixel pi in image I with the estimates of fshadow and fnonshadow do
 Calculate fshadow, fnonshadow by Equations 3.3.1 and 3.3.2;
 L = fshadow=fnonshadow;
 if L > ζ then
 SD = SD [ fpig
 end
end
return (SD);
3.3.4 Đánh gi¡ thû nghi»m
 H¼nh 3.3 thº hi»n k¸t qu£ khû bóng khi ¡p dụng phương ph¡p đề xu§t và c¡c
phương ph¡p kh¡c trong [20].
 100
 90
 80
 70
 60
 50
 40
 30
 20
 Shadow Removal Performance (%) Performance Removal Shadow 10
 0
 Physics Chromaticity SR Texture Geometry LR Texture Proposed
 method
 Detection rate Discrimination rate
H¼nh 3.3 C¡c k¸t qu£ khû bóng khi ¡p dụng phương ph¡p đề xu§t và c¡c phương ph¡p
kh¡c trong [20].
 12
3.4 Ph¡t hi»n người
3.4.1 K¸t hñp trø n·n và HOG-SVM
Gi£i thuªt 2: Fusion of adaptive GMM and HOG-SVM for human detection
Input: image I
Output: human ROI
Initialize an empty set ROI
ROIGMM = adaptiveGMM (I );
if ROIGMM 6= ; then
 for ROIi in ROIGMM do
 ROIext = extend(ROIi);
 ROIHOG = HOGSVM (ROIext);
 for ROIj in ROIHOG do
 if ROIj = ; then
 ROI = ROI [ fROIig;
 else
 ROI = ROI [ fROIjg;
 end
 end
 end
else
 ROI = HOGSVM (I );
end
return (ROI );
 Trong nghi¶n cùu này, chúng tôi đề xu§t sû dụng k¸t hñp GMM th½ch nghi [22]
và HOG-SVM [8] cho ph¡t hi»n người. Vi»c k¸t hñp này cho ph²p ph¡t huy được ưu
điểm t½nh to¡n nhanh cõa GMM và kh£ n«ng t¡ch người tèt cõa HOG-SVM. GMM
th½ch nghi phù hñp với c¡c ùng dụng thời gian thực, tuy nhi¶n trong trường hñp có
nhi·u người đùng c¤nh nhau hay bị che khu§t, GMM không thº ph¡t hi»n t¡ch bi»t
tøng người. Chúng ta có thº kh­c phục ph¦n nào h¤n ch¸ này cõa GMM b¬ng c¡ch ¡p
dụng bë ph¡t hi»n người HOG-SVM. Tuy nhi¶n, thời gian t½nh to¡n HOG-SVM nhi·u
hơn so với h¦u h¸t c¡c gi£i ph¡p trø n¶n. Vi»c k¸t hñp hai kỹ thuªt nh¬m đạt đồng
thời hai mục đích cho ph¡t hi»n người là độ ch½nh x¡c và y¶u c¦u thời gian thực.
 Gi£i thuªt 2 thº hi»n k¸t hñp GMM th½ch nghi với HOG-SVM cho ph¡t hi»n người.
3.4.2 Đánh gi¡ thû nghi»m
3.4.2.1 Cở sở dú li»u và c¡c ti¶u ch½ đánh gi¡
 Để sû dụng bë ph¡t hi»n HOG-SVM hi»u qu£ trong môi trường thû nghi»m, chúng
tôi sû dụng cơ sở dú li»u MICA1 và INRIA [8] cho hu§n luy»n bë mô t£ HOG. Dú li»u
 13
MICA2 được dùng cho pha thû nghi»m HOG-SVM. Trong nghi¶n cùu này, chúng tôi
x¡c định giới h¤n cực đại 120×300 pixels và cực tiºu 25×80 cho vùng ROI chùa người.
Bë mô t£ HOG trong thư vi»n OpenCV có độ ph¥n gi£i chu©n hóa cho £nh ROI là
64×128.
3.4.2.2 C¡c k¸t qu£ thû nghi»m
 B£ng 3.1 thº hi»n c¡c k¸t qu£ so s¡nh khi ¡p dụng phương ph¡p HOG-SVM và
k¸t hñp HOG-SVM với GMM th½ch nghi. Hi»u qu£ cõa phương ph¡p khû bóng đề xu§t
(được tr¼nh bày trong 3.3) đối với ph¡t hi»n người cũng được đánh gi¡ trong ph¦n
này. C¡c thû nghi»m được ti¸n hành ở 3 ngú c£nh mët người, hai người và ba người di
chuyºn tr¶n cùng mët hành tr¼nh. Trong trường hñp hai và ba người di chuyºn, xu§t
hi»n c¡c t¼nh huèng th¡ch thùc v· che khu§t giúa người với người và hi»n tượng bóng
phùc t¤p.
B£ng 3.1 Hi»u qu£ ph¡t hi»n người sû dụng HOG-SVM, k¸t hñp HOG-SVM với GMM
th½ch nghi ¡p dụng và không ¡p dụng khû bóng tr¶n dú li»u MICA2.
 Precision (%) Recall (%)
 Methods
 One person Two people Three people One person Two people Three people
HOG-SVM 67.13 58.17 47.97 52.11 44.63 38.92
HOG-SVM+Adaptive GMM without SR 84.49 71.52 64.62 70.05 62.49 51.29
HOG-SVM+Adaptive GMM with SR 92.13 83.27 76.31 82.17 70.04 63.87
3.5 Theo v¸t và định vị người
3.5.1 Bë lọc Kalman
3.5.2 Theo v¸t người và li¶n k¸t dú li»u
3.5.3 Định vị và li¶n k¸t quỹ đạo người trong m¤ng camera
3.5.3.1 Định vị người
 Để định vị người trong h» tọa độ th¸ giới thực, chúng tôi định nghĩa mët b£n
đồ 2D cõa mặt sàn nơi người di chuyºn. B£n đồ này chùa t§t c£ c¡c trường quan s¡t
camera, và c¡c quỹ đạo chuyºn động cõa người trong h» tọa độ th¸ giới thực s³ được
hiºn thị trong b£n đồ này. C¡c bước sau đây được đề xu§t cho định vị tr¶n h» tọa độ
th¸ giới thực:
 ˆ Hi»u ch¿nh camera
 ˆ Chèng m²o khung h¼nh.
 ˆ Chuyºn tọa độ £nh cõa c¡c vị tr½ FootPoint sang c¡c vị tr½ tr¶n h» tọa độ th¸ giới
 thực.
 14
3.5.3.2 Li¶n k¸t c¡c quỹ đạo người trong m¤ng camera
 Li¶n k¸t quỹ đạo người trong m¤ng camera li¶n quan tới ti¸n tr¼nh cªp nhªt vị tr½
và ID tương ùng khi người dịch chuyºn tø mët trường quan s¡t cõa camera này sang
c¡c trường quan s¡t cõa c¡c camera kh¡c. Dựa tr¶n gi£ thi¸t t§t c£ đối tượng đều di
chuyºn tr¶n mët mặt ph¯ng sàn duy nh§t có chùa c¡c camera quan t¥m, và b¬ng c¡ch
chuyºn c¡c vị tr½ FootPoint tr¶n tọa độ £nh sang tọa độ th¸ giới thực cõa mặt ph¯ng
sàn 2D, chúng ta có thº li¶n k¸t c¡c quỹ đạo người tø c¡c camera kh¡c nhau và biºu
di¹n c¡c hành tr¼nh cõa người tr¶n mët mặt ph¯ng duy nh§t. Để thực hi»n, chúng tôi
đề xu§t mët phương ph¡p hi»u qu£ cho ph²p k¸t nèi c¡c quỹ đạo chuyºn động cõa
người tø c¡c camera kh¡c nhau. Phương ph¡p dựa tr¶n cơ sở nèi nhi·u trường quan
s¡t camera b¬ng kỹ thuªt hi»u ch¿nh stereo.
3.5.3.3 C¡c k¸t qu£ thû nghi»m
 C¡c thû nghi»m được thực hi»n và đ¡nh gi¡ ở 3 trường quan s¡t kh¡c nhau cõa
Cam 1 (c£nh ở s£nh táa nhà), Cam 2 (c£nh hành lang táa nhà) và Cam 4 (c£nh trong
pháng showroom). Dú li»u MICA2 với c¡c c£nh hai người di chuyºn qua c¡c trường
quan s¡t camera được xem x²t trong c¡c đánh gi¡ thû nghi»m.
3.6 K¸t luªn
 H» thèng định vị người được thû nghi»m tr¶n mët mặt ph¯ng sàn nhi·u camera.
C¡c điều ki»n chi¸u s¡ng kh¡c nhau và sự che khu§t được xem x²t. C¡c k¸t qu£ thû
nghi»m là có triºn vọng, tuy nhi¶n, trong thời gian tới, c¡c t¼nh huèng phùc t¤p cõa
theo v¸t nhi·u người trong đám đông n¶n đưñc xem x²t đánh gi¡.
 CHƯƠNG 4
ĐỊNH DANH VÀ ĐỊNH DANH LẠI NGƯỜI TRONG
 MẠNG CAMERA
 Như đã tr¼nh bày trong ph¦n Giới thi»u, c¡c phương ph¡p đề xu§t cho định vị và
định danh người được xem x²t trong ngú c£nh cõa h» thèng gi¡m s¡t người tự động
sû dụng nhi·u camera. Trong h» thèng này, trước khi người bước vào hoặc ra khỏi khu
vực gi¡m s¡t, người đó s³ được kiºm tra vào/ra nhờ h» thèng nhªn d¤ng mặt người.
Trong chương 3, vi»c g¡n định danh cho tøng vị tr½ ch¥n người FootPoint được thực
hi»n bởi ti¸n tr¼nh theo v¸t, và ta gọi đó là định danh b¬ng theo v¸t. Tuy nhi¶n, hi»n
tượng g¡n nh¦m định danh cho v¸t d¹ x£y ra khi người xu§t hi»n trở l¤i trong mët
trường quan s¡t camera hay khi người chuyºn tø mët vùng quan s¡t này sang vùng
quan s¡t kh¡c. Để có thº duy tr¼ đúng người theo quỹ đạo chuyºn động tương ùng, bài
to¡n định danh l¤i người trong ngú c£nh theo v¸t b¬ng định danh được đề xu§t trong
 15
chương này. Điều này có nghĩa là ở tøng vị tr½ FootPoint, ta thực hi»n tr½ch chọn vùng
£nh chùa người ROI và mët bë mô t£ được x¥y dựng cho vùng này. Ð khu vực kiºm
tra đầu vào, méi người trước khi di chuyºn vào vùng gi¡m s¡t s³ được h» thèng hu§n
luy»n b¬ng mët bë mô t£ người dựa tr¶n di»n m¤o, và qu¡ tr¼nh đối s¡nh để g¡n nh¢n
đối tượng được thực hi»n với tøng k¸t qu£ ph¡t hi»n người thu được trong vùng gi¡m
s¡t.
 Trong Chương 1, chúng tôi cũng đề cªp tới nhi·u hướng ti¸p cªn kh¡c nhau cho
bài to¡n định danh l¤i người trong m¤ng camera, trong đó c¡c phương ph¡p dựa tr¶n
di»n m¤o là thông dụng nh§t. Tuy nhi¶n, x¥y dựng được mët bë mô t£ người m¤nh
v¨n cán nhi·u th¡ch thùc. Trong nghi¶n cùu này, chúng tôi ti¸p cªn theo hướng x¥y
dựng bë mô t£ dựa tr¶n di»n m¤o, và đề xu§t ¡p dụng bë mô t£ hàm nh¥n KDES cho
định danh l¤i người trong m¤ng camera. Bë mô t£ này được giới thi»u l¦n đầu ti¶n bởi
[7] cho bài to¡n nhªn d¤ng đối tượng. Sau đó c¡c t¡c gi£ trong [18] đã thực hi»n mët
sè c£i ti¸n tr¶n bë mô t£ gèc và chùng minh t½nh hi»u qu£ cõa nó đối với bàn to¡n
nhªn d¤ng cû ch¿ tay. Bë mô t£ nh¥n KDES c£i ti¸n này s³ được ¡p dụng cho bài to¡n
định danh l¤i người trong nghi¶n cùu cõa chúng tôi.
4.1 Định danh người dựa tr¶n cở sở mặt người
4.1.1 Sơ đồ
4.1.2 Đánh gi¡ thû nghi»m
4.1.2.1 C¡c ngú c£nh thû nghi»m
4.1.2.2 C¡c ph²p đo
4.1.2.3 Dú li»u thû nghi»m và c¡c k¸t qu£
4.2 Định danh l¤i người dựa tr¶n cở sở di»n m¤o
4.2.1 Sơ đồ
 Sơ đồ h» thèng định danh l¤i người dựa tr¶n h¼nh £nh được đưa ra trong H¼nh 4.1,
gồm hai giai đoạn ch½nh là ph¡t hi»n và định danh l¤i người. Giai đoạn đầu đã được
 Human Detection Person Re-ID
 Input 
 ID
 Frames BGS with Shadow Feature 
 Detection Classification
 Removal Descriptor
 H¼nh 4.1 Sơ đồ h» thèng định danh l¤i người dựa tr¶n h¼nh £nh.
n¶u trước đó ở Chương 3 và dựa tr¶n c¡c k¸t qu£ ph¡t hi»n người, ở giai đoạn 2, định
danh người được thực hi»n dựa tr¶n bë mô t£ KDES m¤nh và mët bë ph¥n lớp. Bë
mô t£ đặc trưng được x¥y dựng dựa tr¶n c¡c đặc trưng được tr½ch chọn tø vùng ROI
người, sau đó ¡p dụng bë ph¥n lớp để học mô h¼nh người và dự đoán ID tương ùng.
 16
4.2.2 Bë mô t£ nh¥n c£i ti¸n cho di»n m¤o người
 Trong nghi¶n cùu này, 3 hàm nh¥n hướng, màu và c§u trúc được t¤o ra tø c¡c
thuëc t½nh pixel kh¡c nhau cõa hướng, màu, và c§u trúc. Với tøng nh¥n, tr½ch chọn
đặc trưng được thực hi»n ở 3 mùc: pixel, patch và toàn bë £nh. Vector đặc trưng cuèi
cùng được k¸t hñp tø 3 vector đặc trưng mùc £nh cõa hướng, màu, và c§u trúc.
 Sau khi t½nh to¡n bë mô t£ KDES, ¡p dụng bë ph¥n đa lớp SVM để hu§n luy»n
mô h¼nh cho tøng người. Đối với tøng m¨u ph¡t hi»n, mët danh s¡ch c¡c đối tượng
x¸p h¤ng được t¤o ra dựa tr¶n cơ sở c¡c x¡c su§t cõa lớp tr£ v· bởi ph¥n lớp SVM.
4.2.3 C¡c k¸t qu£ thû nghi»m
4.2.3.1 C¡c cơ sở dú li»u thû nghi»m
 Trong nghi¶n cùu này, 7 cơ sở dú li»u chu©n được chọn để đánh gi¡ bë mô t£
KDES đề xu§t: CAVIAR4REID, i-LIDS, iLIDS-VID, ETH, RAiD, WARD, và HDA.
C¡c bë cơ sở dú li»u này phù hñp cho c¡c đánh gi¡ so s¡nh cõa định danh l¤i người
trong ngú c£nh gi¡m s¡t tự động hoàn toàn thời gian thực. C¡c bë cơ sở dú li»u này
đã được sû dụng trong c¡c nghi¶n cùu có li¶n quan [6], [9], [2], [21], [23] và [10]. Cơ
sở dú li»u MICA1 và MICA2 do chúng tôi x¥y dựng cũng được sû dụng trong c¡c thû
nghi»m định danh l¤i người.
 p
B£ng 4.1 C¡c cơ sở dú li»u sû dụng cho định danh l¤i người. Ký hi»u ( ) ở cët cuèi
b£ng thº hi»n mùc độ thay đổi trong mët lớp cõa c¡c cơ sở dú li»u.
 Release Tracking Intra-class
 Dataset # identities # cameras Label method Crop size Multi-shot
 time sequences Variation
 pp
ETHZ 1,2,3 2007 85,35,28 1 Hand Vary Yes Yes
 p
iLIDS 2009 69 1 Hand 128x64 Yes Yes
 ppp
CAVIAR4ReID 2011 72 2 Hand Vary Yes No
 ppp
WARD 2012 70 3 Hand 128x48 Yes Yes
 ppp
RAiD 2014 43 4 Hand 128x64 Yes No
 ppp
iLIDS-VID 2014 300 2 Hand Vary Yes Yes
 pppp
HDA 2014 78 13 Hand, Auto Vary Yes Yes
 pppp
MICA 1, 2 2015 25, 40 5, 3 Hand, Auto Vary Yes Yes
4.2.3.2 C¡c k¸t qu£ và bàn luªn
 B£ng 4.2 thº hi»n tóm t­t c¡c đánh gi¡ so s¡nh v· tỷ l» nhªn d¤ng Rank 1 tr¶n
c¡c bë cơ sở dú li»u thû nghi»m kh¡c nhau.
 17
B£ng 4.2 C¡c đánh gi¡ so s¡nh định danh l¤i người tr¶n Rank 1 (%) với c¡c phương
ph¡p và cơ sở dú li»u thû nghi»m kh¡c nhau (Ký hi»u "×" có nghĩa là không thực hi»n
thû nghi»m. Với dú li»u iLIDS, có hai thi¸t lªp thû nghi»m như mô t£ trong [6] và trong
[2].
 Rank1 recognition rate of different Person Re-ID methods (%)
 AHPE SDALF Direct Stein RDC PLS DVD Method in Original Proposed
 Datasets
 [6] [9] [2] [2] [21] [23] [10] KDES method
 CAVIAR4REID 8.2 x x x x x x 67.7 73.8
 iLIDS 37 42 37.8 x x x x x 57 64.2
 iLIDS 2 x 50 44 53.2 x x x 61.7 66.1
 ETHZ1 x x x x 79 x x 80 85
 ETHZ2 x x x x 74 x x 76.7 79.8
 ETHZ3 x x x x 77 x x 75.6 82.3
 WARD x x x x x x x 43.1 47.3
 RAiD x x x x x x x 50.2 54.1
 HDA, MANUALall x x x x x x 31.2 31 41.6
 HDA, MANUALclean x x x x x x 18.7 18.6 26.8
 HDA, FP ON OCC OFF x x x x x x 62.3 71.9 79.4
 HDA, FP OFF OCC ON x x x x x x 5.4 17.8 29.7
HDA, FP OFF OCC OFF x x x x x x 5.2 31.7 40.9
 HDA, FP ON OCC ON x x x x x x 66.7 57.6 70.9
 iLIDS-VID x x x x x 23.3 x 22.2 24.2
 MICA 1 x 30 x x x x x 67.1 73.1
4.3 K¸t luªn
 Trong chương này, chúng tôi xem x²t c¡c bài to¡n định danh và định danh l¤i
người trong h» thèng gi¡m s¡t người tự động hoàn toàn. Để kiºm so¡t người ra/vào
vùng gi¡m s¡t, chúng tôi đề xu§t sû dụng h» thèng nhªn d¤ng mặt người. Trong vùng
gi¡m s¡t nhi·u camera, bài đoán định danh l¤i người được gi£i quy¸t b¬ng mët bë mô
t£ KDES m¤nh. Hi»u qu£ cõa bë mô t£ di»n m¤o này được đánh gi¡ không ch¿ tr¶n
vùng ROI được tr½ch chọn thõ công mà c£ tự động hoàn toàn. Chúng tôi ch¿ ra r¬ng
c¡c k¸t qu£ ph¡t hi»n tự động đặt ra nhi·u th¡ch thùc hơn cho bài to¡n định danh l¤i
người trong m¤ng camera. H¦u h¸t c¡c cơ sở dú li»u đã có cho định danh l¤i người tªp
trung vào ph¡t hi»n thõ công, do đó, chúng tôi sû dụng k¸t qu£ ph¡t hi»n người tự
động tø dú li»u MICA2 cho c¡c thû nghi»m định danh l¤i, với c¡c ngú c£nh thực cõa
h» thèng gi¡m s¡t người tự động hoàn toàn.
 CHƯƠNG 5
 KẾT HỢP WIFI VÀ CAMERA CHO ĐỊNH VỊ VÀ
 ĐỊNH DANH NGƯỜI
 Trong nghi¶n cùu này, chúng tôi đề xu§t mët h» thèng k¸t hñp WiFi và camera
nh¬m t«ng lượng thông tin gi¡ trị cho định vị và định danh l¤i người. Vi»c k¸t hñp
nh¬m đạt được c¡c mục ti¶u sau:
 ˆ C£i thi»n hi»u qu£ theo v¸t và định danh l¤i người trong m¤ng camera. Chi ti¸t
 18
 s³ được tr¼nh bày ở c¡c ph¦n ti¸p theo.
 ˆ C£i thi»n chi ph½ t½nh to¡n: C¡c k¸t qu£ định vị thu được tø h» thèng WiFi được
 xem như k¸t qu£ thô đº k½ch ho¤t ti¸n tr¼nh định vị £nh ở c¡c camera thuëc vùng
 k¸t qu£ định vị tr£ v· tø h» thèng WiFi. Điều này giúp gi£m chi ph½ t½nh to¡n
 cõa h» thèng. Ch¿ có c¡c camera trong c¡c vùng định vị tr£ v· tø h» thèng WiFi
 s³ được xû lý cho định vị và định danh, c¡c camera kh¡c s³ không được k½ch ho¤t
 c¡c ti¸n tr¼nh này.
5.1 H» thèng k¸t hñp WiFi và camera cho định vị và định danh
 l¤i người
5.1.1 Sơ đồ
 Input sensors Unimodality Processing Multimodality Processing
 WiFi WiFi-based localization PW , ID W
 Fusion P, ID
 Camera 1 Vision-based localization
 PC , ID C
 Detection
 Tracking Identification
 Camera n &
 Localization Re-ID
H¼nh 5.1 Sơ đồ h» thèng định vị và định danh l¤i người sû dụng k¸t hñp WiFi và
camera.
 H¼nh 5.1 minh họa sơ đồ h» thèng t½ch hñp WiFi và camera cho định vị và định
danh l¤i người trong m¤ng camera.
5.1.2 Phương ph¡p k¸t hñp
 Gi£i thuªt 3 thº hi»n phương ph¡p k¸t hñp WiFi và camera cho định vị và định
danh người. Ð thời điểm t, tr¶n b£n đồ mặt sàn 2D, mët tªp c¡c quan s¡t vị tr½ tø h»
 w c
thèng WiFi (zi;t) hay camera (zj;t) cho nhi·u người được đưa ra. Ch¿ sè i là mët trong
sè N đối tượng đượ