giám sát hành trình cnn

Cô sau đó rơi vào tình trạng hôn mê, gia đình được nhân viên bệnh viện thông báo rằng cô bị chết não. Mahsa Amini, 22 tuổi, đã tử vong trong bệnh viện ở Iran vài ngày sau khi bị cảnh sát bắt giữ vì cáo buộc không tuân thủ các quy định về khăn trùm đầu. Theo Hrana, một Nhân kỷ niệm 38 năm ngày Nhà giáo Việt Nam (20/11/1982 - 20/11/2020), 15 năm thành lập Trung tâm sát hạch lái xe Quảng Ninh (01/12/2005 - 01/12/2020), Ban Giám đốc, Công đoàn Trung tâm sát hạch lái xe và Giám sát Giao thông vận tải đường bộ tỉnh Quảng Ninh đã tổ chức Hội thi lái xe giỏi, an toàn năm 2020.Đến dự và chúc On 19:04 by Nặc danh in CEO, Giám đốc điều hành, khóa học, khóa học CEO, khóa học giám đốc điều hành 1 comment. Khóa học được thiết kế như một chương trình MBA quốc tế thu gọn, cung cấp những kiến thức quản lý hiện đại của thế giới và kết hợp với những kinh Công ty CÔNG TY CỔ PHẦN TẦM NHÌN CNN VIỆT NAM tuyển Trợ Giảng Tiếng Anh tại Hà Nội, lương 7-10 triệu, kinh nghiệm Dưới 1 năm, kỹ năng giám sát, đôn đốc việc làm bài tập của học sinh; - Được khám sức khỏe định kỳ hàng năm - Có lộ trình thăng tiến rõ ràng theo Thế giới. Argentina chấn động về vụ ám sát Phó Tổng thống. 02/09/2022 17:42:17. Argentina đã náo loạn đêm 1/9 do một vụ ám sát nhằm vào Phó Tổng thống Cristina Fernández de Kirchner, sau khi một người đàn ông đã chĩa súng vào đầu bà Kirchner ở cự ly rất gần tại Buenos Aires Intime Fragen An Männer Zum Kennenlernen. Annually, the number of traffic accidents in Vietnam is more than ten thousand, and the number of deaths due to traffic accidents is up to thousands of people. In 2014, the Government issued Decree 86/2014/ND-CP on business and conditions for transport business by car, which stipulates that all vehicles must be installed with a tracking device. Currently, the number of cars installed with the tracking device and managed up to millions of vehicles, the management by GSHT equipment has brought excellent efficiency in state management and Traffic safety. However, the current management only stops at time, coordinates, and speed parameters. Integrating an inertial sensor into the GSHT device and the combination of processing algorithms will help monitor, detect and warn of traffic accidents automatically in real-time and precisely. It enables the authorities to make early handling decisions, helping to reduce the number of deaths by providing timely first aid to accident victims. In this paper, we propose a solution to use data of inertial sensor combined with GPS and functions of a tracking device to monitor, detect and issue warnings when there is a traffic accident. Experimental results show that the solution works well with a high accuracy detection rate and real-time alerts displayed on the digital map system at the management agency. Discover the world's research25+ million members160+ million publication billion citationsJoin for free NHÀ XUẤT BẢN THÔNG TIN VÀ TRUYỀN THÔNGĐƠN VỊ TÀI TRỢ BẢO TRỢ TRUYỀN THÔNGCƠ QUAN TỔ CHỨCCƠ QUAN BẢO TRỢKỶ YẾU HỘI NGHỊ QUỐC GIA LẦN THỨ XXVKỶ YẾU HỘI NGHỊ QUỐC GIA LẦN THỨ XXV Hà Nội, ngày 17/12/2022VỀ ĐIỆN TỬ, TRUYỀN THÔNG VÀ CÔNG NGHỆ THÔNG TIN REV-ECIT 2022 MỤC LỤC Mục lục………………………………………………………………………………………….i Lời nói đầu…………………………………………………………………………………...viii Ban tổ chức hội nghị…………………………………………………………………………..ix ECIT-1 Kỹ thuật Điện tử và Hệ thống nhúng Nghiên cứu xây dựng mô hình động học và điều khiển cho động cơ SSBM Phạm Thị Lý .................................................................................................................................... 1 Thiết kế mạch Analog Front End 1-kênh trên công nghệ CMOS 180nm Phạm Thế Hùng, Nguyễn Thanh Lộc, Nguyễn Thị Thanh Xuân, Thái Hồng Hải, Lê Đức Hùng ... 7 Phát triển nền tảng Tương tác người - Robot Tay máy đôi dựa trên ROS và Trí tuệ nhân tạo đa thể thức Nguyễn Cảnh Thanh, Nguyễn Bá Phượng, Trần Hồng Quân, Đỗ Ngọc Minh, Đinh Triều Dương, Hoàng Văn Xiêm ........................................................................................................................... 14 Nghiên cứu thiết kế bộ khuếch đại phân bố sử dụng công nghệ MMIC Lê Bá Khánh Duy, Nguyễn Mạnh Hùng, Lương Duy Mạnh, Đỗ Duy Nhất .................................. 20 Nghiên Cứu Thiết Kế Mạch Chia Công Suất Làm Việc Trên 3 Băng Tần và GHz Sử Dụng Thuật Toán Tối Ưu Bầy Đàn Nguyễn Minh Giảng, Trịnh Văn Chiến Dũng, Lê Hồ Mạnh Thắng, Lê Đăng Mạnh, Đỗ Thị Linh Giang, Kiều Khắc Phương ............................................................................................................ 26 Nghiên cứu và chế tạo thiết bị IoT giám sát và thu thập dữ liệu từ xa điều khiển tụ bù hạ áp Trần Trung Hiếu, Nguyễn Xuân Tiến, Nguyễn Phúc Lê Huy, Nguyễn Quang Tiến, Ngô Đình Thanh ............................................................................................................................................. 31 Xây dựng hệ thống định vị và điều hướng trong nhà dựa trên monocular SLAM cho Robot di động. Nguyễn Cảnh Thanh, Đỗ Đức Mạnh, Hoàng Văn Xiêm ............................................................... 36 Giảm bậc mô hình dựa trên cân bằng Gramian Nguyễn Thanh Tùng, Vũ Ngọc Kiên, Đào Huy Du ....................................................................... 42 Xây dựng thuật toán đo nhịp thở cho thiết bị đeo sử dụng cảm biến gia tốc Lê Việt Kháng, Trịnh Huy Tiệp, Hoàng Văn Nhất, Đào Tô Hiệu, Vũ Hoàng Diệu, Trần Đức Tân ................................................................................................................................................. 46 Kỹ Thuật Bù Tần Số Cho Mạch OCL-LDO Đạt Được Thời Gian Khôi Phục Ngắn Nguyễn Thế Quang, Đỗ Thị Hương Giang, Đàm Thị Yến, Vũ Xuân Duy, Nguyễn Đình Như Quỳnh, Lê Thị Luận, Nguyễn Hữu Thọ ...................................................................................................... 52 Theo dõi quỹ đạo Quadrotor sử dụng Linear and Nonlinear Model Predictive Control Nguyễn Cảnh Thanh, Ngô Huy Hoàng, Đặng Anh Việt, Hoàng Văn Xiêm .................................. 56 Bộ khuếch đại tín hiệu hai đường ra ứng dụng trong hệ thống thu phát vô tuyến 5G Lê Trọng Hiếu, Phạm Trọng Hoan, Nguyễn Lê Cường ................................................................ 62 ECIT-2 Truyền thông và Vô tuyến Ăng-ten Mảng Phản Xạ Tái Cấu Hình Một Lớp Băng Rộng Hoàng Đăng Cường, Nguyễn Xuân Sơn, Lê Minh Thùy, Hoàng Đình Thuyên, Nguyễn Quốc Định, Nguyễn Hồng Minh.........................................................................................................................66 Đánh Giá Dung Lượng Đường Xuống Của Hệ Thống Đa Người Dùng Với Sự Kết Hợp Các Phương Pháp Tiền Mã Hóa Và NOMA Kiều Khắc Phương, Phạm Thanh Hiệp ......................................................................................... 72 Mạch khuếch đại công suất với cấu trúc đơn giản, hiệu suất cao cho ứng dụng 5G băng tần 6 GHz Trần Thị Thu Hương, Lương Duy Mạnh ...................................................................................... 78 Khảo sát ảnh hưởng và lựa chọn tham số lượng tử tối ưu cho mô hình mã hóa VCM Võ Gia Khánh, Lê Minh Hoàng, Nguyễn Việt Hà, Hoàng Văn Xiêm ........................................... 84 Nâng cao hiệu năng truyền video trong mạng 5G siêu dày đặc Cung Văn Trang, Lưu Bách Hưng, Lâm Sinh Công ..................................................................... 90 Nghiên cứu đánh giá một số kỹ thuật lọc nhiễu ứng dụng cho tấn công kênh bên không lập mẫu Lê Phú Cường, Lê Văn Nam, Đỗ Ngọc Tuấn, Hoàng Văn Phúc .................................................. 95 ECIT-3 Xử lý tín hiệu Một phương pháp tra cứu ảnh hiệu quả bằng kết hợp đặc trưng mức thấp và đặc trưng học sâu nhúng với đánh hạng đa tạp. Hoàng Văn Quý, Nguyễn Thế Cường, Ngô Hoàng Huy, Trần Văn Huy, Hoàng Xuân Trung, Nguyễn Văn Đoàn, Nguyễn Văn Quyền ...................................................................................... 100 Nghiên cứu về các công cụ hỗ trợ mã hóa trong chuẩn mã hóa với dữ liệu ảnh light field Phí Công Huy, Nguyễn Cảnh Châu ............................................................................................ 107 Ứng dụng phương pháp monte carlo mô phỏng mô hình da hỗ trợ chẩn đoán sức khỏe da Lưu Đinh Đại Đức, Phan Đình Khánh, Nguyễn Thế Nhân, Kiều Thị Phượng, Nguyễn Thanh Thiên, Nguyễn Thanh Minh, Phạm Văn Tuấn, Nguyễn Thị Anh Thư ..................................................... 113 Ước lượng lưu lượng giao thông với mô hình TradeS Vũ Lê Quỳnh Phương, Trần Nguyễn Minh Thư, Phạm Nguyễn Khang ...................................... 119 Cải thiện tốc độ tính toán ma trận cơ sở cho bài toán visual odometry Nguyễn Hữu Hùng, Vũ Anh Đức ................................................................................................. 124 Giải pháp cải thiện chất lượng định vị nguồn âm dùng mảng micro và lưới Fibonacci Phạm Thành Công, Trần Văn Chí, Lê Thanh Bằng, Lương Thị Ngọc Tú, Trịnh Quang Kiên ... 129 ECIT-4 Công nghệ Thông tin và Mạng máy tính DFS-Apriori Khai Thác Nhanh Tập Phổ Biến Áp Dụng Chiến Lược Tìm Kiếm Theo Chiều Sâu Phan Thành Huấn, Đặng Thanh Minh, Nguyễn Như Đồng ........................................................ 135 Xây dựng mô hình Siamese sâu để tăng độ chính xác phát hiện và theo dõi đối tượng đơn cho UAV Phan Đức Huy, Phạm Minh Nghĩa, Phan Trọng Hanh, Nguyễn Tuấn Phong ........................... 141 Đánh Giá Độ Phức Tạp Của Tiền Điện Tử Stablecoin Thuật Toán Trần Quý Ban, Giang Anh Tuấn, Nguyễn Hoàng Hà, Lê Anh Ngọc .......................................... 147 Tăng cường chất lượng trải nghiệm người dùng trong hệ thống video trực tuyến thích nghi sử dụng mô hình ước lượng băng thông LSTM Nguyễn Thị Hương Thảo, Phạm Văn Sự, Vũ Hữu Tiến .............................................................. 152 Nâng cao hiệu quả phân loại điều chế tự động sử dụng mạng CNN đa đầu vào Tạ Thị Kiều Lan, Lê Hà Khánh, Hoàng Văn Phúc, Đoàn Văn Sáng .......................................... 159 Áp dụng phương pháp học máy để phát hiện tấn công DDoS trong môi trường thực nghiệm mạng SDN Cấn Quang Trường, Nguyễn Thanh Tùng, Phạm Minh Bảo, Nguyễn Tiến Đạt, Lâm Xuân Toàn, Đinh Thị Thái Mai ....................................................................................................................... 165 ECIT-5 Tương lai lưới điện thông minh Đánh giá An toàn thông tin của Lưới điện siêu nhỏ thông minh sử dụng Công nghệ viễn thông 5G trước Tấn công dữ liệu xấu Nguyễn Quang Tùng, Nguyễn Sỹ Quân, Võ Bá Linh .................................................................. 170 Xây dựng bộ chỉ số đánh giá mức độ thông minh của lưới điện tại Việt Nam. Đinh Hữu Thuấn, Võ Bá Linh ..................................................................................................... 180 Hệ Thống Thử Nghiệm An Ninh Mạng Trong Hệ Thống Điện Shuvangkar Chandra Das, Tuyen Vu .......................................................................................... 187 Tối Ưu Thứ Tự Các Block Cho Mô Hình AN-BEATS Trong Dự Báo Phụ Tải Điện Ngắn Hạn Ở Việt Nam. Hà Mai Huyền Trang, Nguyễn Anh Tuấn, Nguyễn Thị Thanh Tân, Lê Anh Ngọc, Lương Trung Kiên ............................................................................................................................................. 193 Tổng hợp xu thế và các yêu cầu kỹ thuật hỗ trợ chuyển dịch hệ thống năng lượng điện Trần Thái Trung, Trần Minh Quân, Nguyễn Hữu Thiên Ân, Nguyễn Hồng Phương ................. 197 Mô Hình Giám Sát Thông Minh Lưới Truyền Tải Điện. Nguyễn Tài Hưng, Nguyễn Cao Ninh, Nguyễn Văn Ba, Bùi Việt Hưng ..................................... 203 ECIT-6 Poster Thiết kế cảm biến đeo công suất thấp kết hợp giải thuật học sâu ứng dụng theo dõi hoạt động cá thể bò sữa Trần Minh Nhật, Nguyễn Chí Ngôn, Trần Viết Thắng ................................................................ 210 Đề xuất phương pháp mô phỏng tấm năng lượng mặt trời trong hệ thống chiếu sáng công cộng Lâm Quang Thái, Võ Thiện Lĩnh ................................................................................................. 220 Đánh giá hiệu năng hệ thống UAV hỗ trợ tán xạ ngược gói tin ngắn Chu Tiến Dũng, Vũ Anh Tuấn, Nguyễn Thị Thái Hòa, Trần Mạnh Hoàng ................................ 226 Ảnh hưởng của một số tham số lên chất lượng tạo ảnh siêu âm cắt lớp Trần Quang Huy, Nguyễn Hồng Lịch, Nguyễn Hồng Minh Nguyễn Thị Cúc, Phạm Hùng Anh, Trần Văn Thắng, Lương Thị Thêu, Trần Đức Tân .............................................................................. 231 Giải Pháp Xử Lý Méo LNA trong Máy Thu Lấy Mẫu Trực Tiếp Đa Kênh Sử Dụng Thuật Toán RLS Trần Đình Chí, Phạm Thành Công, Phạm Xuân Nghĩa, Lê Hải Nam, Trần Thị Hồng Thắm, Vũ Ngọc Anh, Trịnh Quang Kiên ...................................................................................................... 238 Phương Pháp Đảm Bảo Độ Trễ Dịch Vụ Trong Mạng Điện Toán Biên Di Động Phân Tầng. Nguyễn Trung Đức, Nguyễn Nam Hoàng ................................................................................... 243 Nâng cao hiệu quả định vị trong nhà sử dụng học máy kết hợp Vũ Văn Hiệu, Ngô Văn Bình ........................................................................................................ 249 Bộ lọc microstrip hai băng sử dụng SIR Đỗ Văn Phương, Phan Văn Hưng and Trần Nguyễn Thị Nhật Lệ .............................................. 256 Mô Hình Định Vị Trong Nhà Sử Dụng Mạng Nơ-ron Kép Và Bộ Lọc Kalman Phạm Đức Thành, Nguyễn Trọng Mạnh, Nguyễn Việt Hưng, Chu Thị Phương Dung, Đinh Thị Thái Mai ...................................................................................................................................... 261 Hiệu quả Thực thi của Giao thức Trao đổi Khóa lượng tử BB84 Lục Như Quỳnh, Võ Khắc Thành Long, Nguyễn Hồng Trường .................................................. 266 Giải Pháp Truyền Thông Trong Bầy UAV Giám Sát Và Cảnh Báo Cháy Rừng Lê Thị Thúy Nga .......................................................................................................................... 272 Xây Dựng Hệ Thống Mô Phỏng Số Nhà Máy Thông Minh Phục Vụ Đào Tạo Và Nghiên Cứu Hà Thị Kim Duyên, Ngô Mạnh Tiến, Lê Thành Khang, Phạm Văn Hiệp, Đặng Tiến Đạt, Phạm Thị Thanh Huyền ............................................................................................................................... 276 Dự Báo Tuổi Thọ Pin Lithium-Ion Xe Ô Tô Điện Dựa Trên Thuật Toán Hồi Quy Tuyến Tính - Machine Learning Võ Thanh Hà, Phạm Thị Giang, Đào Thanh Toản ..................................................................... 281 Thiết kế bộ chia công suất băng X trên công nghệ SIW có độ cách ly cao và phối hợp đầu ra tốt Nguyễn Ngọc Nhật Tân, Bùi Thanh Trà, Lương Duy Mạnh, Nguyễn Thị Anh, Đỗ Duy Nhất .... 287 Tích hợp mật mã khóa công khai RSA-2048 bit trong nhận dạng tiếng nói bảo mật Đỗ Quang Trung, Lục Như Quỳnh, Quách Đức Huy, Vũ Chí Hưng .......................................... 293 Nghiên Cứu Kỹ Thuật Lựa Chọn Ăng-Ten Phát Kết Hợp Tiền Mã Hòa Và San Bằng Để Nâng Cao Chất Lượng Cho Các Hệ Thống MIMO Bùi Quốc Doanh, Phạm Thanh Hiệp, Trần Đình Tấn ................................................................ 299 Điều khiển thiết bị bay không người lái giám sát môi trường thông qua học sâu tăng cường Nguyễn Trọng Bình, Trịnh Văn Chiến, Nguyễn Tiến Hòa .......................................................... 304 Ước lượng Trạng Thái Sạc Của Pin Cho Xe Ô Tô Điện Dựa Trên Phương Pháp Mạng Nơ Ron học sâu-Deep Learning Võ Thanh Hà, Phạm Thi Giang, Trịnh Lương Miên, Đào Thanh Toản ...................................... 310 Thiết kế bộ lọc thông dải hốc cộng hưởng đồng trục cho băng C Nguyễn Xuân Dũng, Nguyễn Ngọc Linh, Tạ Chí Hiếu ................................................................ 316 Giải pháp giám sát, phát hiện và cảnh báo tai nạn giao thông tại Việt Nam sử dụng thiết bị giám sát hành trình kết hợp cảm biến quán tính Ngô Văn Công, Đào Tô Hiệu, Trần Đức Nghĩa, Trần Đức Tân ................................................. 324 Cải thiện thời gian giải mã cho hệ thống MIMO-SCMA trong truyền thông vô tuyến Trần Hữu Tín, Dư Quốc Thành, Đặng Lê Khoa ......................................................................... 330 Hệ Thống Cảnh Báo Tích Hợp Trong Gia Đình Nguyễn Văn Thắng ...................................................................................................................... 336 Nghiên cứu nhận biết độ tươi của cá dựa trên đặc trưng độ cong nhãn cầu cá Trần Thị Nguyệt Hà, Hồ Xuân Đạt, Lê Vũ Hoàng Đức, Ngô Hồng Hoàng, Nguyễn Thanh Liêm, Nguyễn Bá Hoàng, Phạm Văn Tuấn, Nguyễn Thị Anh Thư ........................................................ 341 Nghiên cứu ảnh hưởng của sóng hài từ nguồn điện mặt trời mái nhà đến lưới điện phân phối Nguyễn Kim Ánh, Lê Đình Dương, Nguyễn Quang Linh, Võ Văn Thịnh, Đỗ Hoàng Đức ......... 347 Hiệu quả Thực thi Lược đồ Ký số Hậu Lượng tử FalCon Lục Như Quỳnh, Quách Đức Huy, Vũ Chí Hưng ........................................................................ 353 Thực thi sinh khóa RSA-2048 bit trên lõi ARM của chíp Infineon ứng dụng cho thẻ thông minh Lục Như Quỳnh, Nguyễn Tất Thắng, Đào Thanh Toản, Trần Minh Tiên ................................... 359 Thực hiện mạch tạo số giả ngẫu nhiên PRNG trên công nghệ Skywater 130nm Nguyễn Thị Cẩm Nhung, Lê Đức Hùng ...................................................................................... 364 Thiết Kế, Chế Tạo Nút Cảm Biến Thu Thập Thông Tin Khí Tượng Khu Vực Trồng Rừng Dựa Trên Công Nghệ Truyền Thông LoRa Trương Bảo Long, Phạm Mạnh Toàn ......................................................................................... 370 Phân tích dung lượng kênh MIMO cho hệ thống thông tin điều khiển tàu Đỗ Việt Hà, Trịnh Thị Hương ..................................................................................................... 376 Thiết Kế Và Hoàn Thiện Mô Hình Cửa Thông Minh Sử Dụng Bluetooth và Ứng Dụng Android Võ Văn Ân, Nguyễn Thị Ngọc Thảo, Đinh Thế Mạnh ................................................................. 382 Xây Dựng Hệ Robot Di Động Có Gắn Tay Máy Cộng Tác Cobot 6 Bậc Tự Do Trên Hệ Điều Hành ROS Nguyễn Minh Đông, Đỗ Quang Hiệp, Ngô Mạnh Tiến, Nguyễn Đức Thắng, Nguyễn Minh Dương, Nguyễn Tiến Bắc ......................................................................................................................... 388 Ứng dụng điện toán biên trong thu thập và xử lý video giao thông theo thời gian thực Trần Văn Hưng ............................................................................................................................ 394 Thiết kế và tối ưu mô phỏng số một cấu trúc phân chia 3-dB đồng thời ba mode dựa trên cấu trúc tiếp giáp chữ ψ sử dụng ống dẫn sóng quang tử silic Trương Cao Dũng, Nguyễn Thị Hằng Duy ................................................................................. 399 Nghiên cứu thiết kế bộ khuếch đại tạp âm thấp băng tần S dùng cho đài ra đa ELM-2288ER Nguyễn Xuân Ngọc, Nguyễn Huy Hoàng, Lương Duy Mạnh ..................................................... 404 Khai thác yếu tố tần suất triệu chứng trong chẩn đoán giai đoạn ban đầu bằng các giải thuật học sâu Huỳnh Trung Trụ, Nguyễn Trung Hiếu ....................................................................................... 409 Khảo sát và đánh giá các thuật toán cải thiện chuẩn mã hóa video Versatile Video Coding Bùi Thanh Hương, Nguyễn Quang Sang, Hoàng Văn Xiêm ....................................................... 415 Đề xuất cải tiến lược đồ độ đo trong lý thuyết tập thô Ngô Thị Oanh, Vũ Quang Hưng, Nguyễn Đức Toàn .................................................................. 421 Đánh giá hiệu quả và sai số ước lượng tần số bằng thuật toán tích lũy tương can phổ ứng dụng trong các hệ thống sonar thụ động Nguyễn Thanh Chinh, Nguyễn Ngọc Đông, Phạm Khắc Hoan, Nguyễn Tiến Tài ...................... 423 Phân Tích Âm Thanh Phổi Sử Dụng Phương Pháp Học Máy - Một Bước Tiến Mới Trong Kỹ Thuật Chẩn Đoán Bệnh Hô Hấp Nguyễn Thị Kim Trúc, Trần Thị Minh Dung, Cao Nguyễn Khoa Nam, Nguyễn Hữu Hoàng, Nguyễn Văn Sĩ, Lê Khắc Bảo ................................................................................................................... 429 Nghiên cứu ảnh hưởng của hệ thống pin mặt trời mái nhà đến lưới điện phân phối thông minh Nguyễn Thị Nguyên Phương, Đỗ Tri Thức, Dương Minh Quân, Nguyễn Hoàng Nhân, Đoàn Anh Tuấn ............................................................................................................................................. 435 Thiết kế điều khiển Fuzzy tham số môi trường nhiệt độ, độ ẩm nhằm ứng dụng cho nông nghiệp trong nhà kính Nguyễn Duy Hiếu, Đặng Tuấn Đạt, Phạm Đình Tuân, Hồ Trường Giang ................................. 441 Phương pháp tạo ra văn bản tiếng Việt có đề tài xác định Từ Minh Đăng, Đỗ Ngọc Minh ................................................................................................... 446 Thực hiện thuật toán ChaCha20 - Poly1305 trên phần cứng ứng dụng bảo mật hệ thống IoT Nguyễn Tiến Đạt, Nguyễn Vũ Minh Thành, Đỗ Đức Phú, Nguyễn Văn Nhị, Lê Đức Hùng ....... 453 LỜI NÓI ĐẦU Hội nghị Quốc gia về Điện tử, Truyền thông và Công nghệ Thông tin The National Conference on Electronics, Communications and Information Technology, viết tắt là REV-ECIT là hội nghị khoa học thường niên của Hội Vô tuyến - Điện tử Việt Nam REV, bắt đầu từ năm 1990. REV-ECIT là một trong những diễn đàn khoa học tầm cỡ quốc gia, hội tụ nhiều nhà khoa học hàng đầu cả nước trong các lĩnh vực Điện tử, Viễn thông, Công nghệ thông tin và các lĩnh vực liên quan. Năm 2022, với chủ đề “Hạ tầng số - Chìa khoá tăng tốc chuyển đổi số Việt Nam”, Hội Vô tuyến Điện tử Việt Nam REV tổ chức “Hội thảo Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin” The 25th National Conference on Electronics, Communications and Information Technology, REV-ECIT 2022. Chương trình Hội thảo bao gồm các chủ đề bao phủ toàn bộ các lĩnh vực về điện tử, truyền thông và công nghệ thông tin cùng với phiên đặc biệt về Tương lai lưới điện thông minh. Ngoài các phiên kỹ thuật, Hội thảo REV-ECIT năm 2022 sẽ tổ chức một Diễn đàn trao đổi về Hạ tầng số - Chìa khoá tăng tốc chuyển đổi số Việt Nam với sự tham gia của các diễn giả từ các Tổng công ty, Tập đoàn và các Viện nghiên cứu, Trường Đại học lớn trong cả nước. Hội nghị REV-ECIT 2022 đã nhận được 96 công trình khoa học đến từ hơn 50 trường Đại học, Viện nghiên cứu và các tổ chức nghiên cứu khoa học trên toàn quốc. Sau một quá trình xét duyệt nghiêm túc với sự tham gia của hơn 200 lượt phản biện, Ban Tổ chức hội nghị đã chấp nhận 80 công trình khoa học tiêu biểu chiếm tỉ lệ 83,3% để trình bày và đăng trên Kỷ yếu hội nghị. Trong số đó, có 36 báo cáo được trình bày trong 06 phiên hội thảo và 46 báo cáo được trình bày dưới dạng poster và báo cáo nhanh. Ban Tổ chức hy vọng Hội nghị REV-ECIT 2022 là một diễn đàn khoa học thú vị, đem đến nhiều thông tin bổ ích, cập nhật về khoa học và công nghệ trong lĩnh vực Điện tử, Truyền thông và Công nghệ thông tin cho người tham dự. Ban Tổ chức Hội nghị REV-ECIT 2022 BAN TỔ CHỨC HỘI NGHỊ BAN CHỈ ĐẠO TS. Phạm Đức Long Thứ trưởng Bộ Thông tin và Truyền thông TS. Trần Đức Lai Chủ tịch Hội Vô tuyến - Điện tử Việt Nam Ông Nguyễn Đức Trung guyên Cục trưởng Cục Tần số vô tuyến điện BAN TỔ CHỨC PGS. TS. Nguyễn Hữu Thanh Phó chủ tịch Hội Vô tuyến - Điện tử Việt Nam Trưởng ban TS. Trần Mạnh Tuấn Phó cục trưởng Cục Tần số vô tuyến điện Phó trưởng ban Trần Xuân Tú Trưởng ban Hội thảo và Hợp tác quốc tế, REV Phó Trưởng ban Ông Hoàng Hồng Đức Chánh văn phòng Hội Vô tuyến - Điện tử Việt Nam Thành viên Trần Minh Tuấn Tổng Biên tập, Tạp chí Điện tử và Ứng dụng Thành viên Bà Đặng Thiên Hằng Chánh Văn phòng Cục Tần số vô tuyến điện Thành viên BAN CHƯƠNG TRÌNH TS. Nguyễn Thị Anh Thư Đại học Đà Nẵng Trưởng ban TS. Hoàng Văn Xiêm Trường Đại học công nghệ, ĐHQG Hà Nội Phó Trưởng ban TS. Nguyễn Tiến Hòa Đại học Bách khoa Hà Nội Phó Trưởng ban TS. Đinh Thị Thái Mai Trường Đại học công nghệ, ĐHQG Hà Nội Thành viên TS. Trịnh Quang Kiên Học viện Kỹ thuật Quân sự Thành viên TS. Vũ Hữu Tiến Học Viện Công nghệ Bưu chính Viễn thông Thành viên TS. Lê Anh Ngọc Trường Đại học Điện lực Thành viên PGS. TS. Đào Thanh Toản Trường Đại học Giao thông vận tải Thành viên PGS. TS. Phạm Văn Tuấn Trường Đại học Bách khoa, Đại học Đà nẵng Thành viên TS. Trần Hoàng Vũ Trường Đại học Sư phạm Kỹ thuật, Đại học Đà Nẵng Thành viên PGS. TS. Nguyễn Chí Ngôn Đại học Cần Thơ Thành viên PGS. TS. Hoàng An Quốc Trường Đại học Sư phạm kỹ thuật, TP Hồ Chí Minh. Thành viên Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022GIẢI PHÁP GIÁM SÁT, PHÁT HIỆN VÀ CẢNH BÁO TAI NẠN GIAO THÔNG TẠI VIỆT NAM SỬ DỤNG THIẾT BỊ GIÁM SÁT HÀNH TRÌNH KẾT HỢP CẢM BIẾN QUÁN TÍNH Ngô Văn Công1, Đào Tô Hiệu2, Trần Đức Nghĩa3, Trần Đức Tân2,* 1Tổng cục Tiêu chuẩn Đo lường Chất lượng 2Trường Đại học Phenikaa 3Viện Công nghệ thông tin IOIT-VAST e-mail ngovancong nghiatd Abstract— Hàng năm số vụ tai nạn giao thông xảy ta tại Việt Nam lên đến hơn mười nghìn vụ, số ca tử vong vì tai nạn giao thông lên đến hàng nghìn người. Năm 2014, Chỉnh phủ đã ban hành Nghị định 86/2014/NĐ-CP về kinh doanh và điều kiện kinh doanh vận tải bằng xe ô tô, theo đó quy định tất cả các xe kinh doanh vận tải đều phải bắt buộc lắp đặt thiết bị giám sát hành trình GSHT, hiện nay số lượng xe ô tô được lắp đặt GSHT và quản lý lên đến hàng triệu xe, việc quản lý bằng thiết bị GSHT đã mang lại hiệu quả to lớn trong quản lý nhà nước và an toàn giao thông, tuy nhiên việc quản lý hiện tại mới chỉ dừng lại ở các thông số về thời gian, tọa độ, tốc độ. Việc tích hợp một cảm biến quán tính vào thiết bị GSHT và kết hợp các thuật toán xử lý sẽ giúp giám sát, phát hiện và cảnh báo các vụ tai nạn giao thông một cách tự động theo thời gian thực và địa điểm một cách chính xác nhất, từ đó giúp cơ quan chức năng sớm đưa ra các quyết định xử lý, giúp giảm thiểu số ca tử vong bằng việc cấp cứu kịp thời cho các nạn nhân bị tai nạn. Trong bài báo này, chúng tôi đề xuất một giải pháp sử dụng dữ liệu của cảm biến quán tính kết hợp GPS và các chức năng của thiết bị GSHT để giám sát, phát hiện và đưa ra các cảnh báo khi có tai nạn giao thông. Kết quả thực nghiệm cho thấy, giải pháp hoạt động tốt với tỷ lệ phát hiện có độ chính xác cao, các cảnh báo hiển thị theo thời gian thực trên hệ thống bản đồ số tại cơ quan quản lý. Từ khóa Solution, traffic accident, inertial sensor, GPS, accelerometer, velocity, rotation angle, car. I. ĐẶT VẤN ĐỀ Ngày 10/09/2014 Chính phủ đã ban hành Nghị định 86/2014/NĐ-CP về kinh doanh và điều kiện kinh doanh vận tải bằng xe ô tô, theo đó quy định tất cả các xe kinh doanh vận tải đều phải bắt buộc lắp đặt thiết bị giám sát hành trình GSHT. Chức năng thiết bị giám sát hành trình được quy định tại Thông tư 73/2014/TT-BGTVT và phải được chứng nhận hợp quy theo QCVN 312014. Hiện nay số lượng lắp đặt thiết bị GSHT đang được Tổng cục đường bộ Việt Nam quản lý đã lên đến hàng triệu xe, việc quản lý bằng thiết bị GSHT trong các năm qua đã mang lại hiệu quả to lớn trong quản lý nhà nước và an toàn giao thông, các vụ tai nạn giao thông xảy ra thì cơ quan chức năng có thể truy xuất ngược các dữ liệu tọa độ, thời gian, tốc độ để xác định nguyên nhân, tuy nhiên đó chỉ là thực hiện sau khi được thông báo về tai nạn giao thông, việc chậm trễ về thông tin trong một số vụ tai nạn giao thông có thể gây hậu quả là tử vong bởi việc cấp cứu không kịp thời. Trong năm 2021, theo số liệu của ủy ban an toàn giao thông quốc gia, số vụ tai nạn giao thông và các ca tử vong lên đến hàng nghìn người, hình 1 dưới đây là một số vụ tai nạn xảy ra và chỉ được thông báo cho cơ quan chức năng khi có người dân phát hiện. Ngày nay, đối với sự phát triển của công nghệ vi cơ điện tử, cảm biến quán tính ngày càng được sử dụng nhiều trong các ứng dụng thực tế. Việc kích thước nhỏ, điện năng tiêu thụ thấp và chi phí, nó được sử dụng nhiều trong các ứng dụng khác nhau, đặc biệt là các ứng dụng liên quan đến chuyển động [1,2,3]. Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022 Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022Hình 1. Một số hình ảnh tai nạn giao thông [19] Một số giải pháp sử dụng phương pháp phân tích hình ảnh để thực hiện phát hiện tai nạn giao thông [4,5], tuy nhiên đối với các giải pháp này thì tương đối tốn kém về mặt chi phí khi phải lắp đặt đủ số lượng các camera trên cung đường cần giám sát. Các nghiên cứu khác sử dụng cảm biến gia tốc để thực hiện phát hiện có tai nạn [6,7,8], việc chỉ sử dụng cảm biến gia tốc sẽ hạn chế khả năng phát hiện các trường hợp xe tai nạn, và do chỉ sử dụng dữ liệu của cảm biến gia tốc cũng sẽ làm việc phát hiện trở nên thiếu chính xác. Trong nghiên cứu [9] nhóm tác giả sử dụng dữ liệu từ cổng ODB của xe ô tô để phát hiện tai nạn, khi có tai nạn thì túi khí sẽ nổ, từ đó bộ điều khiển trung tâm sẽ tiến hành gửi thông báo về server, giải pháp này chỉ thực hiện được đối với các xe mà có túi khí ở ghế lái và túi khí này phải hoạt động, trường hợp đối với một số loại xe không có túi khí thì sẽ không phát hiện được tai nạn giao thông. Nhóm tác giả khác [10] chỉ sử dụng vận tốc thu được từ hệ thống GPS để ra quyết định cảnh báo về tai nạn giao thông, việc chỉ sử dụng dữ liệu của tốc độ cũng sẽ làm giảm sự chính xác trong cảnh báo. Việt Nam đã thực hiện quy định bắt buộc lắp đặt thiết bị giám sát hành trình đối với tất cả các loại xe kinh doanh vận tải, do đó việc thực hiện giải pháp nhờ tích hợp thêm cảm biến quán tính vào thiết bị đã có này sẽ giảm chi phí đầu tư về mặt thiết bị, hệ thống. II. GIẢI PHÁP THỰC HIỆNVệ tinhMáy tính/ thiết bị di độngServerTrạm BTSThiết bị GSHTThiết bị GSHTThiết bị GSHTHình 2. Sơ đồ khối hệ thống của giải pháp Hệ thống được mô tả như hình 2, bao gồm các thiết bị giám sát hành trình đã được lắp đặt trên các xe ô tô, các thiết bị giám sát hành trình này tiến hành thu thập dữ liệu từ hệ thống định vị vệ tinh để lấy các thông tin về tọa độ, thời gian, tốc độ kết hợp với các dữ liệu từ bộ cảm biến quán tính và truyền dữ liệu về server hệ thống máy chủ tại các đơn vị cung cấp dịch vụ giám sát hành trình và hệ thống máy chủ tại Tổng cục Đường bộ Việt Nam thông qua kết nối 3G/ 4G [11] với các trạm BTS. Máy tính/ thiết bị di động được sử dụng để theo dõi tình hình các xe di chuyển trên bản đồ số hình 3 và các cảnh báo tai nạn, quá tốc độ, thời gian lái xe, dừng đỗ…. Dữ liệu được truyền về máy chủ theo tần suất 10 giây đến 30 giây, việc dữ liệu được truyền liên tục giúp việc giám sát gần như đạt được theo thời gian thực, qua đó giúp cải thiện được các thông tin chậm trễ khi có tai nạn giao thông hoặc sự cố bất ngờ. Hình 3. Hệ thống bản đồ số theo dõi trực tuyến Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022 Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022Trong hình 4 dưới đây thể hiện sơ đồ khối của thiết bị giám sát hành trình tích hợp thêm cảm biến quán tính. Hình 4. Sơ đồ khối và thiết bị giám sát hành trình thực tế - Khối nguồn Sử dụng các IC ổn áp để chuyển đổi điện áp từ 12VDC ắc quy ô tô ra các nguồn điệp áp ổn định 5 VDC, VDC cung cấp cho các module trong thiết bị giám sát hành trình hoạt động. - Khối bộ nhớ Sử dụng các IC nhớ hoặc thẻ nhớ giúp lưu lại thông tin và dữ liệu hoạt động tối thiểu 30 ngày để phù hợp theo QCVN 31 2014. - Khối GPS [12] Thu thông tin dữ liệu về thời gian, tọa độ, tốc độ. Bản tin thu được theo định dạng GPRMC được sử dụng để xử lý do đầy đủ các thông tin cần thiết. - Khối GSM [13] Khối đảm nhiệm vai trò truyền thông với máy chủ và nhận tín hiệu điều khiển thông qua mạng di động. - Cảm biến quán tính [14-18] sử dụng cảm biến quán tính 6 bậc tự do, dữ liệu của cảm biến kết hợp với vận tốc di chuyển để đưa ra các thông báo về tai nạn giao thông. Bảng 1 dưới đây thể hiện dữ liệu thu được từ module GPS và cảm biến quán tính, các dữ liệu này được sử dụng trong phân tích để đưa ra cảnh báo về tai nạn giao thông. Dòng 1 là dữ liệu về thời gian, 3 dòng 2,3,4 tiếp theo là dữ liệu về gia tốc, 3 dòng 5,6,7 là dữ liệu về góc quay, dòng 8,9 là dữ liệu về định vị, dòng 10 là dữ liệu về tốc độ di chuyển của xe. Bảng 1. DỮ LIỆU SỬ DỤNG TRONG GIẢI PHÁP 1 Thời gian 23 acc_y m/s2 4 acc_z m/s2 6 gyro_y độ/s III. MÔPHỎNG,THỰCNGHIỆMBộ thiết bị được lắp đặt trên xe tương ứng với các trục của cảm biến quán tính như trong hình 5. Thiết bị khi hoạt động sẽ truyền dữ liệu về hệ thống máy chủ của các đơn vị cung cấp dịch vụ và Tổng cục đường bộ Việt Nam hiện tại đối với QCVN 312014 chưa quy định về cảm biến quán tính cũng như dữ liệu của nó. Phương pháp mô phỏng trong bài báo này được nhóm tác giả thực hiện với hai tình huống là kết hợp vận tốc xe di chuyển và tác động đồng thời có chủ đích vào thiết bị có gắn cảm biến quán tính để thu được bộ dữ liệu giả cho tình huống xe đâm trực diện và xe bị lật, xoay. Đối với giải pháp này thì có thể thực hiện độc lập trên thiết bị hoặc máy chủ sẽ phân tích dựa trên dữ liệu nhận được từ các thiết bị lắp đặt trên ô tô truyền về hoặc kết hợp cả 2 phương pháp, ở bài báo này nhóm tác giả sử dụng phương pháp phân tích dữ liệu tại máy chủ, việc phân tích dữ liệu trên máy chủ sẽ đơn giản hơn do việc tính toán, xử lý dữ liệu nhanh hơn và giảm các bước làm việc trên các vi điều khiển. Nhóm tác giả đề xuất một phương pháp ra quyết định cảnh báo bằng việc phân tích dữ liệu cảm biến quán tính và dữ liệu về vận tốc di chuyển của xe. Việc kết hợp cả hai loại dữ liệu sẽ đem lại độ chính xác và tin cậy cao hơn so với việc chỉ sử dụng dữ liệu của cảm biến gia tốc, chỉ sử dụng dữ liệu gia tốc có thể gây hiện tượng cảnh báo giả khi xe thực hiện phanh gấp hoặc đi qua những vị trí xóc. Hình 5. Cảm biến quán tính lắp đặt trên xe Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022 Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022A. Phát hiện tai nạn khi xe đâm trực diện Hình 6. Xe đâm trực diện [20] Đối với tình huống xe ô tô khi đâm trực diện Hình 6 thì ta cần xác định giá trị gia tốc của trục Z thay đổi bất thường tương ứng với vận tốc giảm tương ứng, tại hình 7, hình 8 ta có thể thấy dữ liệu mô phỏng tại giây thứ 19 khi giá trị gia tốc vượt ngưỡng bất thường kèm theo đó là giá trị vận tốc giảm đột ngột. Một hàm thể hiện mối quan hệ giữa gia tốc các trục và vận tốc được thiết lập để đưa ra quyết định về một vụ tai nạn giao thông  1 Trong đó Hg,v Hàm quan hệ giữa giá trị gia tốc và vận tốc. 𝐹 Biến thể hiện thay đổi của giá trị gia tốc theo trục Z. 𝑣 Biến thể hiện thay đổi của giá trị vận tốc. Hình 7. Đồ thị gia tốc khi xảy ra va chạm Hình 8. Đồ thị vận tốc khi va chạm B. Phát hiện tai nạn khi xe bị trượt, xoay Hình 9. Xe bị tai nạn mất lái Đối với tình huống xe ô tô khi bị mất lái Hình 9, gây trượt bánh xe và xe xoay nhiều vòng, hoặc xe va chạm mà bị lộn nhiều vòng thì khi đó ta cần xác định các giá trị góc quay của các trục tương ứng và đưa ra quyết định, đối với trường hợp này thì giá trị vận tốc sẽ không tạo ra sự giảm đột ngột như trường hợp xe đâm trực diện Hình 10, 11. Hàm thể hiện giữa các giá trị góc quay và vận tốc  2 Trong đó Hr,v Hàm quan hệ giữa giá trị góc quay và vận tốc 𝑅, Biến thể hiện thay đổi của giá trị góc quay theo 3 trục x,y,z  Biến thể hiện thay đổi của giá trị vận tốc Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022 Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022Hình 10. Đồ thị vận tốc khi xe bị xoay, lật Hình 11. Đồ thị giá trị góc quay của 1 trục khi xe bị xoay, lật Tại máy chủ khi nhận được dữ liệu từ các bộ giám sát hành trình sẽ tiến hành phân tích, xử lý và cập nhật trạng thái di chuyển lên bản đồ số, giúp người dùng theo dõi một cách dễ dàng Hình 12. Hình 12. Hình ảnh cảnh báo trên hệ thống bản đồ số IV. KẾT LUẬNTrong bài báo này nhóm tác giả đã trình bày về giải pháp phát hiện, cảnh báo tai nạn giao thông sử dụng thiết bị giám sát hành trình tích hợp cảm biến quán tính. Việc tích hợp cảm biến quán tính vào hệ thống giám sát hành trình đã có sẽ giúp giảm thiểu việc đầu tư về trang thiết bị, hệ thống máy móc. Kết quả thực nghiệm đối với dữ liệu mô phỏng cho thấy việc cảnh báo trên hệ thống bản đồ số hoạt động tốt, hệ thống cảnh báo đối với các trường hợp mô phỏng trong bài báo này đạt tỷ lệ chính xác đến 99%. Thông qua việc phát hiện cảnh báo trên hệ thống trực tuyến thì bằng nhiều biện pháp, cơ quan quản lý có thể xác định được mức độ tai nạn. Phát hiện sớm tai nạn sẽ giảm thiểu các ca tử vong bởi việc cấp cứu kịp thời cho các nạn nhân, cũng như xử lý sự cố giúp đảm bảo việc di chuyển giao thông cho người dân một cách thuận lợi. Trong tương lai, dữ liệu từ thiết bị có cảm biến quán tính có thể được sử dụng cho sự phân tích, đánh giá tình trạng mặt đường, từ đó đưa ra các cảnh báo về hiện trạng đường giao thông để lái xe một cách an toàn. TÀI LIỆU THAM KHẢO [1].Collin, J., Davidson, P., Kirkko-Jaakkola, M., Leppäkoski, H. 2019. “Inertial Sensors and Their Applications.” In Bhattacharyya, S., Deprettere, E., Leupers, R., Takala, J. eds Handbook of Signal Processing Systems. Springer, Cham. pp 51–85. [2].N. T. Thu, T. Dao, B. Q. Bao, D. Tran, and P. Van Thanh, “Real-Time Wearable-Device Based Activity recognition Using Machine Learning Methods,” Int. J. Comput. Digit. Syst., vol. 11, no. 1, pp. 321–323, 2022. [3].N. C. Minh, T. H. Dao, D. N. Tran, Q. H. Nguyen, T. T. Nguyen, and D. T. Tran, “Evaluation of Smartphone and Smartwatch Accelerometer Data in Activity Classification,” 2021 8th NAFOSTED Conf. Inf. Comput. Sci., pp. 33–38, 2021. [4]. I. J. Lee, "An accident detection system on highway using vehicle tracking trace," ICTC 2011, 2011, doi pp. 716-721. [5]. B. Maaloul, A. Taleb-Ahmed, S. Niar, N. Harb and C. Valderrama, "Adaptive video-based algorithm for accident detection on highways," 2017 12th IEEE International Symposium on Industrial Embedded Systems SIES, 2017, doi pp. 1-6. [6]. R. Rishi, S. Yede, K. Kunal and N. V. Bansode, "Automatic Messaging System for Vehicle Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022 Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022Tracking and Accident Detection," 2020 International Conference on Electronics and Sustainable Communication Systems ICESC, 2020, doi pp. 831-834. [7]. Rani, B. & Sam, R. & Kamatam, Govardhan. 2018, "A Review on Vehicle Tracking and Accident Detection System using Accelerometer," International Journal of Applied Engineering Research. 13. pp. 9215-9217. [8]. Routh, Jayati & das, Arshiya & Kundu, Piyashi & Thakur, Madhubarsha. 2019, "Automatic Vehicle Accident Detection and Messaging System Using GPS and GSM Module," International Journal of Engineering Trends and Technology. 67. 69-72. [9]. Najim Al-Din, Munaf & AL-Baimani, Mahmood, “Vehicle Tracking and Accident Warning System,” Conference 5th National Symposium on Engineering Final Year Projects, University of Nizwa, Oman 2015. [10]. M. Syedul Amin, J. Jalil and M. B. I. Reaz, "Accident detection and reporting system using GPS, GPRS and GSM technology," 2012 International Conference on Informatics, Electronics & Vision ICIEV, 2012, doi pp. 640-643. [11]. E. Ezhilarasan and M. Dinakaran, "A Review on Mobile Technologies 3G, 4G and 5G," 2017 Second International Conference on Recent Trends and Challenges in Computational Models ICRTCCM, 2017, doi pp. 369-373. [12]. Dana, “Global Positioning System GPS Time Dissemination for Real-Time Applications.” Real-Time Systems 12. pp. 9–40 1997. [13]. M. Rahnema, "Overview of the GSM system and protocol architecture," in IEEE Communications Magazine, vol. 31, no. 4, April 1993, doi pp. 92-100. [14]. D. K. Shaeffer, "MEMS inertial sensors A tutorial overview," in IEEE Communications Magazine, vol. 51, no. 4, April 2013, doi pp. 100-109. [15]. Pham, V. T., Le, Q. B., Nguyen, D. A., Dang, N. D., Huynh, H. T., & Tran, D. T. 2019. Multi-sensor data fusion in a real-time support system for on-duty firefighters. Sensors, 1921, 4746. [16]. Van, T. N., Duc, T. C., & Duc-Tan, T. 2015. Application of street tracking algorithm in an INS/GPS integrated navigation system. IETE Journal of Research, 613, 251-258. [17]. Luu, M. H., Tran, D. T., Nguyen, T. L., Nguyen, D. D., & Nguyen, P. T. 2006. Errors determination of the MEMS IMU, Journal of Science, Vietnam National University, Hanoi . [18]. Tan, T. D., Anh, N. T., & Anh, G. Q. 2011, January. Low-cost Structural Health Monitoring scheme using MEMS-based accelerometers. In 2011 Second International Conference on Intelligent Systems, Modelling and Simulation pp. 217-220. [19]. Uỷ ban an toàn giao thông quốc gia, [20]. Howstuffworks, Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT2022 ResearchGate has not been able to resolve any citations for this of activities from body-worn accelerometer data to help monitor and take care of health attracts much attention from the research community. This paper proposed to design a real-time monitoring device that can identify people's actions from the accelerometer's data worn on the waist with five activities, including lying, sitting, standing, walking, and jogging. From the collected acceleration data, it is necessary to extract suitable features for real-time classification with high performance. These features are trained with machine learning algorithms that improve the efficiency of action classification. Consequently, a decision tree algorithm was embedded in the microcontroller. This programmed waist-mounted device was connected to the monitoring system via WiFi protocol. Users could monitor activities and managed data on a computer, a website, or a smartphone. The results were optimistic when the overall accuracy for the activities dataset reached when training and classifying the activities on the computer. When experimenting with real-time wearable devices, the overall accuracy when classifying activities decreased but was still very good, reaching over 90%.While working on fire ground, firefighters risk their well-being in a state where any incident might cause not only injuries, but also fatality. They may be incapacitated by unpredicted falls due to floor cracks, holes, structure failure, gas explosion, exposure to toxic gases, or being stuck in narrow path, etc. Having acknowledged this need, in this study, we focus on developing an efficient portable system to detect firefighter's falls, loss of physical performance, and alert high CO level by using a microcontroller carried by a firefighter with data fusion from a 3-DOF degrees of freedom accelerometer, 3-DOF gyroscope, 3-DOF magnetometer, barometer, and a MQ7 sensor using our proposed fall detection, loss of physical performance detection, and CO monitoring algorithms. By the combination of five sensors and highly efficient data fusion algorithms to observe the fall event, loss of physical performance, and detect high CO level, we can distinguish among falling, loss of physical performance, and the other on-duty activities ODAs such as standing, walking, running, jogging, crawling, climbing up/down stairs, and moving up/down in elevators. Signals from these sensors are sent to the microcontroller to detect fall, loss of physical performance, and alert high CO level. The proposed algorithms can achieve 100% of accuracy, specificity, and sensitivity in our experimental datasets and 100%, and in public datasets in distinguishing between falls and ODAs activities, respectively. Furthermore, the proposed algorithm perfectly distinguishes between loss of physical performance and up/down movement in the elevator based on barometric data fusion. If a firefighter is unconscious following the fall or loss of physical performance, an alert message will be sent to their incident commander IC via the nRF224L01 inertial navigation system/global positioning system INS/GPS navigation systems for vehicles estimate position, velocity, and heading information from the GPS, and dead reckoning such as INS using a Kalman filter. However, it may suffer from INS noise, GPS noise and, especially, GPS outage. Map-matching is an additional facility to reduce errors caused by GPS outage. Usually, it has to trade-off between the performance and the complexity. In this paper, we have proposed a new map-matching algorithm called street tracking algorithm STA to not only correct the position error, but also estimate the velocity and the heading of the navigation system. When the GPS signal is lost, the Kalman filter is put in prediction mode and the STA is enabled. The raw acceleration of inertial measurement unit measured in body frame is also brought directly to STA as an input. The experimental result has shown that when GPS signal is lost, we can control the position error at around m, and the velocity error at around m/s. The proposed map-matching algorithm STA can be applied in various kinds of environment due to its simplicity and to the universal presence of motion, vibration, and shock, inertial motion sensors can be applied in various contexts. Development of the microelectromechanical MEMS technology opens up many new consumer and industrial applications for accelerometers and gyroscopes. The multiformity of applications creates different requirements to inertial sensors in terms of accuracy, size, power consumption and cost. This makes it challenging to choose sensors that are suited best for the particular application. In addition, development of signal processing algorithms for inertial sensor data require understanding on the physical principles of both motion generated and sensor operation principles. This chapter aims to aid the system designer to understand and manage these challenges. The principles of operation of accelerometers and gyroscopes are explained with examples of different applications using inertial sensors data as input. Especially, detailed examples of signal processing algorithms for pedestrian navigation and motion classification are given. © Springer International Publishing AG, part of Springer Nature Jung LeeWe consider the video image detector systems using tracking techniques overcoming shadows, occlusions and no lighting at night. We have derived the traffic information, volume count, speeds and occupancy time, under kaleidoscopic environments. And we propose an accident detection system using vehicle tracing stream. In which we install a monitoring system of vehicle stream each lane, when accident occurs, any lane has no stream at long interval, the monitoring system detects any is one of the basic reasons for vehicle accident. Many lives could have been saved if emergency service could get accident information and reach in time. Nowadays, GPS has become an integral part of a vehicle system. This paper proposes to utilize the capability of a GPS receiver to monitor speed of a vehicle and detect accident basing on monitored speed and send accident location to an Alert Service Center. The GPS will monitor speed of a vehicle and compare with the previous speed in every second through a Microcontroller Unit. Whenever the speed will be below the specified speed, it will assume that an accident has occurred. The system will then send the accident location acquired from the GPS along with the time and the speed by utilizing the GSM network. This will help to reach the rescue service in time and save the valuable human life. VIETMAP MTP9 thiết bị GPS nhỏ gọn và di động, theo dõi thời gian thực. Với ưu thế nhỏ gọn rất lý tưởng để trong Balo hoặc mang theo bên mình; thuận tiện cho việc theo dõi xe, trẻ em, người cao tuổi, tài sản, Vali du lịch... Với tính năng vượt trội bảo vệ xe cùng cơ chế hoạt động đơn giản và nhanh chóng, thiết bị định vị GPS MTP9 trở thành sự lựa chọn hàng đầu của những người đang sở hữu xe máy. Đặc biệt, sản phẩm này còn có thể tương thích với hầu hết mọi dòng xe số và xe ga trên thị trường hiện nay. SẢN PHẨM ÁP DỤNG BẢO HIỂM TRÁCH NHIỆM SẢN PHẨM Phụ kiện mua cùng Sản phẩm tương tự VIETMAP H720 Sản phẩm camera giám sát trực tuyến H720 quản lý từ xa, giúp đáp ứng đồng thời hai tiêu chuẩn kỹ thuật quan trọng, phù hợp yêu cầu Nghị định 10/2020/NĐ-CP. Liên hệ VIETMAP VT380 VIETMAP VT380 - giải pháp giám sát hành trình hợp chuẩn QCVN 312014/BGTVT Liên hệ VIETMAP AT38L VIETMAP AT38L - Giải pháp giám sát phương tiện dành cho doanh nghiệp vận tải Liên hệ VIETMAP MT4G Thiết bị định vị chống trộm thông minh Giá VIETMAP MTP9 Thiết bị định vị cá nhân Liên hệ VIETMAP VM300 Giải pháp giám sát trự tuyến quản lý từ xa hợp chuẩn Nghị định 10/2020/NĐ-CP, giúp doanh nghiệp giám sát phương tiện giao thông hiệu quả, tối ưu chi phí. Giá VIETMAP VM350 Giải pháp giám sát và quản lý chuyên dụng dành cho doanh nghiệp vận tải, là camera giám sát hành trình trực tuyến hợp chuẩn Nghị Định 10/2020/NĐ-CP. Giá VIETMAP DA250 Camera giám sát hành trình trực tuyến theo Nghị Định 10/2020/NĐ-CP. Giá VIETMAP MDVR Hỗ trợ ghi và phát lại video và âm thanh, truyền tải dữ liệu về máy chủ qua mạng 3G / 4G, GPS và Wi-Fi, giúp người dùng có thể giám sát trên nhiều thiết bị. Liên hệ VIETMAP AT38 4G MIFI VIETMAP AT38 4G MIFI - Thiết bị giám sát hành trình cao cấp Liên hệ Tính năng nổi bật Thông số kỹ thuật Trong hộp có gì Video sản phẩm Tính năng nổi bật THIẾT KẾ NHỎ GỌN KHÔNG CẦN LẮP ĐẶT MTP9 với thiết kế nhỏ gọn. Với ưu thế nhỏ gọn rất lý tưởng để trong Balo hoặc mang theo bên mình; thuận tiện cho việc theo dõi xe, trẻ em, người cao tuổi, tài sản, Vali du lịch. ỨNG DỤNG GIÁM SÁT VIETMAP MOTRAK Ứng dụng & Hệ thống máy chủ giám sát VIETMAP MOTRAK, thiết bị giám sát hành trình thông minh được phát triển bởi chính VietMap hỗ trợ kiểm soát xe mọi lúc, mọi nơi. ĐỊNH VỊ CHÍNH XÁC Sự kết hợp công nghệ GPS và LBS sẽ giúp định vị chính xác người thân và tài sản. THIẾT KẾ NAM CHÂM Thiết kế nam châm thông minh, dễ dàng lắp đặt theo xe và giấu kín. QUẢN LÝ TRẠM Bằng cách đặt điểm, vùng đường giới hạn, ...người dùng có thể tự thiết lập để cảnh báo xe ra vào theo thời gian thực. PIN DUNG LƯỢNG CAO Pin dung lượng cao mAh tích hợp trong giúp kéo dài thời gian hoạt động thiết bị. Thông số kỹ thuật Kích thước sản phẩm Kích thước 86mm x 62mm x 30mm Trọng lượng 158g Cổng sạc USB Điện áp DC 5V Nhiệt độ hoạt động -20℃ ~ 75℃ GSM Băng tần 2G/900/1800 MHz Điện năng tiêu thụ Khi di chuyển 46mA-4V Dừng 70mA-4V Pin trong 10000mAh/ công nghệ pin Li-polymer Tốc độ bản ghi Tùy chọn 10 phút – 120 phút/ lần Chống nước Không Đế hích nam châm Có Giám sát từ xa PC App VietMap Motrak Kích thước 86mm x 62mm x 30mm Thông tin hướng dẫn sử dụng Tham khảo tại đây Sản phẩm đã xem ĐẠI HỌC ĐÀ NẴNGTRƯỜNG ĐẠI HỌC BÁCH KHOALÊ CÔNG HIẾUNHẬN DẠNG HÀNH ĐỘNG NGƯỜIBẰNG KỸ THUẬT HỌC SÂU 3D-CNNChuyên ngành Khoa học máy tínhMã số 8480101LUẬN VĂN THẠC SĨ KỸ THUẬTNgười hướng dẫn khoa học TS. HOÀNG VĂN DŨNGĐà Nẵng - Năm 2018LỜI CAM ĐOANMỤC LỤCTRANG BÌALỜI CAM ĐOANMỤC LỤCTRANG TÓM TẮT LUẬN VĂNDANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮTDANH MỤC CÁC HÌNHMỞ ĐẦU ......................................................................................................................... 11. Lý do chọn đề tài .................................................................................................. 12. Mục đích nghiên cứu ............................................................................................ 13. Tổng quan về các nghiên cứu liên quan ............................................................... 24. Đối tượng và phạm vi nghiên cứu ........................................................................ 25. Phương pháp nghiên cứu ...................................................................................... 26. Ý nghĩa khoa học và ý nghĩa thực tiễn ................................................................. 37. Cấu trúc luận văn .................................................................................................. 3CHƯƠNG 1. TỔNG QUAN ........................................................................................... Tổng quan về các hệ thống thông minh ................................................................... Khái niệm ........................................................................................................ Hệ thống tương tác người - máy robot ......................................................... Hệ thống tương tác thực ảo ............................................................................. Hệ thống hỗ trợ chăm sóc bệnh nhân, người già ............................................ Trí tuệ nhân tạo và ứng dụng .................................................................................... Một số khái niệm chung.................................................................................. Một số ứng dụng của trí tuệ nhân tạo ............................................................. Học máy .......................................................................................................... Phân loại phương pháp học máy..................................................................... Mạng neural nhân tạo ..................................................................................... Trích chọn và biểu diễn đặc trưng hình ảnh ........................................................... Đặc trưng ảnh ................................................................................................ Một số phương pháp trích chọn đặc trưng đơn giản ..................................... Mô tả đặc trưng Haar .................................................................................... Mô tả đặc trưng HOG ................................................................................... Mô tả đặc trưng SIFT .................................................................................... Một số ứng dụng trong nhận dạng đối tượng ............................................... Kỹ thuật học sâu ..................................................................................................... Một số khái niệm .......................................................................................... Một lĩnh vực ứng dụng của kỹ thuật học sâu ................................................ Mạng neural học sâu ..................................................................................... 24CHƯƠNG 2. KỸ THUẬT MẠNG TÍCH CHẬP TRONG NHẬN DẠNG HÀNHĐỘNG ............................................................................................................................ Mạng neural tích chập ............................................................................................ Giới thiệu mạng tích chập ............................................................................. Cấu trúc của mạng tích chập CNN ............................................................... Một số mạng neural học sâu sử dụng trong nhận dạng .......................................... Mạng LeNet .................................................................................................. Mạng AlexNet ............................................................................................... Mạng ZFNet .................................................................................................. Mạng GoogLeNet ......................................................................................... Mạng neural tích chập 3D-CNN............................................................................. Phép tích chập 3D ......................................................................................... Kiến trúc 3D- CNN ....................................................................................... Giải pháp nhận dạng hành động bằng mạng tích chập ........................................... Bài toán nhận dạng hành động ...................................................................... Thiết kế mô hình nhận dạng hành động........................................................ Thiết kế mạng neural tích chập nhận dạng hành động ................................. 41CHƯƠNG 3. THỰC NGHIỆM VÀ ĐÁNH GIÁ ......................................................... Môi trường và các công cụ sử dụng thực nghiệm .................................................. Dữ liệu thực nghiệm nhận dạng hành động............................................................ Thiết lập các tham số thực nghiệm hệ thống .......................................................... Tiền xử lý video ........................................................................................... Tạo các lớp ................................................................................................... Quá trình huấn luyện vào đánh giá .............................................................. Phân tích, đánh giá kết quả thực nghiệm ................................................................ Xử lý tăng cường dữ liệu ........................................................................................ Kết quả thực nghiệm............................................................................................... 50KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .................................................................... 56TÀI LIỆU THAM KHẢO ............................................................................................. 57QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN ................................................................ 59BẢN SAO KẾT LUẬN CỦA HỘI ĐỒNG, BẢN SAO NHẬN XÉT CỦA CÁCPHẢN TÓM TẮT LUẬN VĂNNHẬN DẠNG HÀNH ĐỘNG NGƯỜI BẰNG KỸ THUẬT HỌC SÂU 3D-CNNHọc viên Lê Công Hiếu Chuyên ngành Ngành Khoa Học Máy TínhMã số 8480101 Khóa 34 Trường Đại học Bách khoa - ĐHĐNTóm tắt – Nhận dạng hành động đống một vai trò quan trọng trong hệ thống giám sát,tương tác robot-con người và hệ thống tự vận hành. Tuy nhiên, có rất nhiều thử thách vấn đềdo các hình dạng, điều kiện chiếu sáng và sự phức tạp của hành động. Thời gian tính toán vàđộ chính xác thường là những thách thức chính đối với hệ thống nhận dạng hành động. Kỹthuật mạng nơ-ron học sâu như một kỹ thuật của nghệ thuật trong xử lý hình ảnh. Khả nănghọc sâu cao về hành động theo chiều thời gian từ phân tích video đã bị cản trở vì không đồngnhất trong phân lớp, sự giống nhau về hành động. Trong luận văn này trình bày cách tiếp cậnmới dựa trên mạng nơ-ron học sâu liên tục và tăng cường dữ liệu để cải thiện độ chính tiên, mạng nơ-ron học sâu được xây dựng bằng cách sử dụng một số inceptions được sửdụng phép tích chập song song khác nhau nhằm rút ngắn thời gian xử lý. Thứ hai, tăng cườnghình ảnh từ tập dữ liệu huấn luyện tạo ra dữ liệu lớn hơn đủ cho mạng nơ-ron học sâu thựchiện huấn luyện. Mục đích của nó là tránh vấn đề dữ liệu nhỏ trong huấn luyện, dễ dẫn tới kếtquả lỗi lớn, đồng nghĩa là dữ liệu học lớn mạng học sâu tăng cường khả năng học tốt giá kết quả dựa trên một vài tập dữ liệu chuẩn đề xuất. Kết quả đánh giá thử nghiệm vềtập dữ liệu điểm chuẩn cho thấy cách tiếp cận được đề xuất nâng cao hiệu suất lên độ chínhxác 89,53%. So sánh kết quả khác cho thấy rằng phương pháp đề xuất của tôi trong luận vănnày đạt cao hơn hiệu suất hơn hầu hết các phương pháp khóa – Nhận dạng hành động, mạng học sâu, hệ thống giám HUMAN ACTIONS WITH 3D-CNN DEEP LEARNING NETWORKAbstract – Action recognition plays an important task insurveillance systems, robot-humaninteraction and autonomous, systems. However, there are many challenging problems due tovarieties of shape, illumination conditions, and complex of actions. Consuming time andprecision are typicallythe main challenges for action recognition systems. Deep neuralnetwork techniques have dramatically become the state of the art in image processing. Thehigh capacity deep learning on the temporal action from video analysis has been impededbecause of varieties of classes, similarity of actions. This thesis presents a new approachbased on sequential deep neuralnetwork and data augmentation for improving deep neural network is constructed using several inceptions with different parallelconvolutional operations which support reducing consuming time. Second, imageaugmentation of training dataset generates a larger data enough for deep neural networklearning. This proposed task is aimed to address the small data problem. It is utilized forenhancing capabilities of deep learning. The proposed approach was evaluated on somebenchmark datasets. Experimental evaluation on public benchmark dataset shows that theproposed approach enhances performance to accuracy. Comparison results illustratedthat our proposed method reaches higher performance than almost state- of- the- art words - Action recognition, deep learning, surveillance MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮTKý hiệuDiễn giảiTiếng AnhTrí tuệ nhân tạoTiếng ViệtTrí tuệ nhân tạoAIANNArtificial intelligenceTrí tuệ nhân tạoArtificial Neural NetworkMạng nơ-ron nhân tạoCNNConvolution Neural NetworkMạng nơ-ron tích chậpDNNDeep Neural NetworkMạng neural sâuGPUNNGraphics Processing UnitĐơn vị xử lý đồ họaNeural NetworkMạng nơ-ronReLURectified Linear UnitHiệu chỉnh đơn vị tuyến tínhSIFTScale-Invariant FeatureTransformBiến đổi đặc trưng tỉ lệ khôngthay đổiSOMSelf Organizing MapsSupport Vetor MachinesMạng nơ-ron tự tổ chứcMáy vector hỗ trợTTNTSVMDANH MỤC CÁC HÌNHHình Các yếu tố trong tương tác người máy. ........................................................... 5Hình Mô hình mạng neural..................................................................................... 10Hình Quá trình xử lý của một ANN. ...................................................................... 10Hình Ảnh minh họa vector liên kết hệ số góc và liên kết giữa các biên cạnh........ 13Hình Các mẫu đặc trưng cơ bản của Haar. ............................................................. 14Hình 1. . Tính nhanh tổng giá trị pixel trong vùng chữ nhật bất kỳ ............................ 15Hình Quá trình trích đặc trưng HOG ...................................................................... 16Hình Mẫu ảnh đầu vào được chia thành các cell và block để tính đặc trưng HOG......................................................................................................................... 16Hình Tính hướng và độ lớn gradient ...................................................................... 17Hình Tính gradient ảnh a ảnh đa mức xám, b giá trị gradient theo các chiều Xvà Y, c hướng và độ lớn gradient ................................................................. 17Hình Chia hướng theo các bin của lược đồ hướng gradient ................................. 18Hình Sơ đồ tổng quan về trích rút đặc trưng HOG. ............................................. 19Hình Đối tượng trong vùng cửa sổ thay đổi khi co giãn ảnh ............................... 20Hình Tính DoG theo các mức tỷ lệ tạo thành hình chóp ...................................... 21Hình Xác định điểm cực trị dựa vào các mức giá trị DoG ................................... 21Hình Kết quả minh họa tính DoG và tính xác điểm cực trị.................................. 22Hình Mô tả đặc trưng keypoint bằng lược đồ hướng gradient ............................. 22Hình Mô hình mạng neural tích chập nguồn internet .......................................... 25Hình Phép tích chập với bộ lọc nguồn internet .................................................. 26Hình Phép MaxPooling 2x2, stride=2 nguồn internet ..................................... 27Hình Kiến trúc mạng LeNet-5 ................................................................................ 28Hình Kiến trúc 8 lớp của mô hình AlexNet ........................................................... 29Hình Kiến trúc 8 lớp của mô hình FZNet. .............................................................. 31Hình 2. . Một dạng cụ thể của kiến trúc mạng GoogLeNet. ........................................ 32Hình 2. . Module Inception........................................................................................... 33Hình 2. . Mạng neural học sâu đơn giản gồm 3 inception............................................ 34Hình . Ph p tích chập khối 3D-CNN ................................................................... 34Hình a Tích chập 2D, b Tích chập 3D ........................................................... 36Hình Kiến trúc 3D CNN cho nhận dạng hành động, bao gồm 1 lớp hardwired, 3lớp tích chập, 2 lớp subsampling và 1 vàtrích chọn các đặc trưng từ tập dữ liệu lớn và đã đem lại kết quả chính xác cao tronggiải quyết các bài toán TTNT. Cụ thể là nó đã tập trung giải quyết các vấn đề liên quanđến mạng neural về thị giác máy tính, xử lý ngôn ngữ tự nhiên, xử lý giọng nói…Hiện nay, cũng có nhiều nghiên cứu về nhận diện hành động con người thôngqua video để xác định hành vi của con người. Tuy nhiên đây là lĩnh vực này tương đốirộng và hiện có nhiều kỹ thuật khác nhau để giải quyết bài toán này. Vì vậy, trongphạm vi luận văn này tập trung nghiên cứu lý thuyết và sử dụng các kỹ thuật mạng họcsâu 3D CNN vào việc giải quyết bài toán nhận diện hành động con người trong tươngtác người–máy, tập trung hướng đến các hành động bất thường của con người tronglĩnh vực xác định hành động đáng ngờ. Thông qua đó nghiên cứu đề xuất cải tiến cáctham số đầu vào và các thuật toán để tăng hiệu quả về thời gian xử lý và độ chính xácnhận dạng, so sánh kết quả thực hiện với một số cơ sở dữ liệu chuẩn đã có nhằm đánhgiá tính hiệu quả của các kỹ thuật mới được áp Mục đích nghiên cứuMục tiêu chính của đề tài là nghiên cứu nhận dạng hành động người, tập trungvào các hành động bất thường dựa trên các kỹ thuật học sâu mạng tích chập 3D-CNNtrong lĩnh vực thị giác máy tính, các nguyên lý hệ thống tương tác người nghiệm áp dụng kỹ thuật mạng tích chập 3D-CNN trong trích xuất đặctrưng hình ảnh từ video để dự đoán hành động con người phục vụ các hệ thống tươngtác người máy. Từ đó phân tích, đánh giá hiệu quả và độ chính xác trên các thư việnchuẩn có dựng tập dữ liệu và thực nghiệm đoán nhận một số hành động bất thườngtrong hệ thống camera giám sát an Tổng quan về các nghiên cứu liên quanTrong những năm gần đây, lĩnh vực trí tuệ nhân tạo đã được các nhà khoa học,giớ chuyên gia và các công ty công nghệ quan tâm và đầu tư nghiên cứu ứng dụng vàothực tiển nhiều như Google, Baidu,Apple,… . Các cuộc hội thảo về các lĩnh vực trítuệ nhân tạo cũng được tổ chức thường xuyên để giải quyết các bài toán về thị giácmáy tính Computer Vision, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên…Songsong với đó, kỹ thuật học sâu sử dụng trong lĩnh vực thị giác máy tính ngày càng phổbiến nhận diện hình ảnh, các lĩnh vực khác và phát triển nhờ vào tính ưu việt và hỗtrợ của thiết bị phần cứng để tăng tốc độ xử lý GPU/ GPGPU. Đối với bài toán nhậndạng hành động cũng là một lĩnh vực không mới, có rất nhiều bài báo [2] [4][15][16][17][18] tại các hội thảo trình bày này đã được trình bày. Có nhiều giải pháp, kiếntrúc mạng học sâu được đề xuất và đưa ra với các kết quả khác nhau như phương pháp“Two-stream model fusion by SVM” của nhóm tác giả Karen Simonyan, KarenSimonyan [16] cho ra kết quả độ chính xác 88% trên tập UCF101, trên tậpHMDB-51; phương pháp ResNeXt-101 [17] cho ra kết quả độ chính xác trêntập UCF101, trên tập HMDB-51; TDD and iDT [18] cho ra kết quả độ chínhxác trên tập UCF101, trên tập HMDB-51…Ở Việt Nam, việc nghiên cứu về thị giác máy tính Computer Vision và các kỹthuật xử lý ảnh, trí tuệ nhân tạo AI để áp dụng giải quyết các bài toán tự động nhậndạng hành động, nhận diện khuôn mặt …chưa được nghiên cứu nhiều. Các sản phẩmthực tế ứng dụng từ các kỹ thuật và công nghệ này chưa phổ biến. Vì thế trong luậnvăn này, tôi nghiên cứu các kỹ thuật học sâu ứng dụng nhận dạng hành động đáng ngờnhằm hỗ trợ các hệ thống giám sát dựa trên đề xuất kiến trúc mới nhằm cải tiến và tốiưu hóa để cho ra kết quả khả quan hơn các phương pháp trên về độ chính xác, hiệunăng chương Đối tượng và phạm vi nghiên cứuNghiên cứu về các phương pháp học máy Machine Learning, các lĩnh vực họcmáy và thị giác máy tính trong nhận dạng hành động con người trong tương tác ngườimáy, đặc biệt là các hành động đáng ngờ phục vụ cảnh báo giám sát an ninh thông quahệ thống camera giám Hệ thống tương tác người máy và các hệ thống thông Lý thuyết về trí tuệ nhân tạo, mạng neural và mạng học sâu [12], [13].- Đánh giá trên một số cơ sở dữ liệu chuẩn như UCF1 1[5], HMDB51[ ]- Công cụ lập trình Mathlab [15], Python 3. , các thư viện [14]…5. Phương pháp nghiên cứu- Nghiên cứu lý thuyết Tổng hợp thu thập và nghiên cứu các tài liệu có liênquan đến đề tài như đã nêu trong mục 3 bao gồm lý thuyết về xử lý ảnh, trích xuất đặc3trưng ảnh. Lý thuyết về học máy, mạng neural tích chập, kỹ thuật học sâu trong mạng3D-CNN trong nhận dạng hành động con người để phân loại, nhận Phương pháp thực nghiệm Đánh giá một số kỹ thuật thị giác máy tính trongnhận dạng hành động con người, phân tích thiết kế hệ thống nhận dạng hành độngbằng kỹ thuật học sâu 3D-CNN. Lựa chọn công cụ đã có để cài đặt, đề xuất mô hìnhvà thể hiện cụ thể những kết quả đã nghiên cứu, kết quả thực nghiệm so với các cơ sởdữ liệu chuẩn để so sánh đánh Ý nghĩa khoa học và ý nghĩa thực tiễnVới việc nghiên cứu và thực nghiệm kỹ thuật học sâu trong kiến trúc mạng 3DCNN để nhận dạng hành động con người cho ra kết quả mong muốn, sử dụng tập dữliệu huấn luyện lớn đóng vai trò quan trọng trong việc xây dựng mô hình để dự đoánkết quả đầu ra chính xác hơn. Với các tập/bộ dữ liệu lớn bao gồm nhiều hành động thìcó thể áp dụng vào xây dựng các hệ thống trong thực tế mang tính thực tiển cao nhưcác hành động bất thường trong hệ thống tương tác người máy như hỗ trợ giám sát anninh, chăm sóc y tế, người già,…7. Cấu trúc luận vănLuận văn được chia làm 3 chương- Chương Mở Chương 1 Cơ sở lý thuyếtTrình bày được các cơ sở lý thuyết sau+ Tổng quan các hệ thống thông minh.+ Trí tuệ nhân tạo và ứng dụng các khái niệm về học máy, các phương pháphọc máy, mạng neuron nhân tạo.+ Lý thuyết về xử lý ảnh tìm hiểu các phương pháp trích chọn và biểu diễn đặctrưng ảnh.+ Kỹ thuật học sâu Deep Learning khái niệm, mạng neuron học sâu, mạngneuron tích Chương 2 Mạng tích chập 3D-CNN trong nhận dạng phát hiện hànhđộngTrình bày về các nội dung+ Tích chập 3D.+ Kiến trúc 3D CNN trong nhận dạng.+ Thiết kế mô hình nhận dạng hành động.+ Phân tích các thành phần hệ thống.+ Phát biểu bài Chương 3 Thực nghiệm và đánh Kết luận và hướng phát Tài liệu tham 1. TỔNG Tổng quan về các hệ thống thông Khái niệmHệ thống thông minh Intelligent Systems – IS là một hệ thống thực thi mộtmục đích hoạt động xã hội nào đó, nó được xem như một máy tính được kết nối vớicác máy tính khác qua hệ thống mạng internet, có khả năng thu thập và phân tích dữliệu và giao tiếp các hệ thống khác. Các tiêu chí của hệ thống thông minh bao gồm khảnăng học hỏi từ kinh nghiệm, bảo mật, kết nối, khả năng thích ứng theo dữ liệu hiện tạivà khả năng giám sát và quản lý từ ngành công nghệ thông tin, một hệ thống thông minh được định nghĩa làmột tập hợp các phần tử elements hoặc các thành phần components tạo nên một hệthống thực hiện một mục đích chung. Như vậy, ngoài việc nó cấu thành từ các thiết bịthông minh, nó còn bao gồm các hệ thống kết nối các thiết bị lại với nhau bao gồmmạng và các hệ loại hệ thống lớn hơn, các hệ thống phần mềm thông minh AI nhưchatbots, hệ chuyên gia và những loại phần mềm vậy hệ thống thông minh có các đặc điểm sau- Cung cấp cách tiếp cận về mặt phương pháp luận chuẩn để giải quyết nhữngvấn đề quan trọng, phức tạp và nhận được các kết quả nhất quán, đáng tin cậy qua Có khả năng kết nối, giao tiếp với các hệ thống khác, quản lý từ Có Trí tuệ bao gồm khả năng lĩnh hội, khả năng hiểu, khả năng rút kinhnghiệm, khả năng thu lượm và duy trì tri thức, khả năng đáp ứng nhanh và thành côngvới các tình huống mới…- Trí tuệ nhân tạo là một cơ sở cốt yếu để xây dựng các hệ thống thông hệ thống thông minh hiện nay được ứng dụng rất rộng rãi trong tất cả cáclĩnh vực như y tế hệ thống chẫn đoán bệnh, giáo dục trường học thông minh, sảnxuất Công nghiệp Công nghệ in 3D, robot thông minh nổi bật nhất là thành tựu vềrobot Sophia được cấp quyền công dân đầu tiên trên thế giới vào ngày 25-10-2017 tạiẢ Rập Saudi, hệ thống xe tự hành, thành phố thông minh... là các hệ thống thôngminh phổ biến hiện nay ở các nước phát Hệ thống tương tác người - máy robotTương tác người - máy Human-computerinteraction HCI nghiên cứu về việcthiết kế công nghệ máy tính, đặc biệt tập trung tương tác giữa con người người dùngvà máy tính. Theo Các yếu tố trong tương tác người vấn đề nghiên cứu về lĩnh vực HCI Human-Computer-Interaction đều dựatrên cách thức quan sát tương tác con người với máy tính và thiết kế các kỹ thuật màcho ph p con người tương tác với máy tính theo các cách thức mới Hệ thống tương tác thực ảoThực tế ảo virtual reality- VR là một hệ thống giao diện cao cấp giữa người sửdụng và máy tính. Hệ thống này mô phỏng các sự vật và hiện tượng theo thời gianthực và tương tác với người sử dụng qua tổng hợp các kênh cảm giác thị giác, thínhgiác, xúc giác, khứu giác và vị giác Grigore C. Burda, Philippe Coiffet- Đặc tính cơ bản của hệ thống thực tế ảo là+ Tương tác thời gian thực real-time interactitity.+ Cảm giác đắm chìm immersion+ Tính tưởng tượng imagination.- Hệ thống VR gồm 5 thành phần+ Phần mềm.+ Phần cứng.+ Mạng liên kết.+ Người dùng.+ Các ứng Một số ứng dụng chính của VR6+ Công nghiệp ôtô dùng cho công đoạn thiết kế, thử nghiệm an toàn và bánhàng. Các chuyên gia thiết kế có thể xem hình dạng, cũng như chức năng xe mà khôngcần sản xuất ra một mẩu thử nghiệm.+ Quân sự trong lĩnh vực quân sự như trãi nghiệm các môi trường chiến đấu, vũkhí.+ Y học phẩu thuật nội soi trên môi trường ảo.+ Giáo dục các lớp học ảo từ các chuyên gia Hệ thống hỗ trợ chăm sóc bệnh nhân, người giàCùng với sự phát triển của trí tuệ nhân tạo, hệ thống robot chăm sóc sức khỏe chongười già ra đời và phát triển mạnh ở các nước phát triển như Nhật Bản, rô-bôt có thểthay thế con người trong một số nhiệm vụ chăm sóc người già như tập thể dục, rô-bôtđiều dưỡng chăm sốc người già, tuy nhiên nó vẫn là mang tính hỗ trợ, giải phóng cáclao động giãn đơn của y tá và chưa hoàn toàn thay thế con người trong tất cả các dịchvụ chăm sóc y tế cho người Trí tuệ nhân tạo và ứng Một số khái niệm chungCó rất nhiều khái niệm về trí tuệ nhân tạo, trong đó chúng ta có thể hiểu theocách cơ bản như sau“Trí tuệ nhân tạo hay trí thông minh nhân tạo là khoa học nghiên cứu các hànhvi thông minh nhằm giải quyết các vấn đề được đặt ra đối với chương trình máytính”Wikipedia - theo Học viện kỹ thuật quân sự.Hay “Trí tuệ nhận tạo nghiên cứu các mô hình máy tính có thể nhận thức, lậpluận và hành động”Winston, 1992.Ở đây khái niệm về “hành vi thông minh” của một đối tượng thường biểu hiệnqua các hoạt động+ Sự hiểu biết và nhận thức được tri thức.+ Sự suy luận tạo ra các giá trị tri thức mới dựa trên lượng tri thức đã có.+ Quyết định/hành động theo kết quả dựa trên các suy luận.+ Tạo ra các kỹ năng qua quá trình học những tri thức mới.“Tri thức” là được hiểu là bao gồm+ Các khái niệm cơ bản mang tính quy ước hay khái niệm phát triển được hìnhthành từ các khái niệm cơ bản tạo thành phức hợp phức tạp hơn.+ Các phương pháp nhận thức các qui luật, các thủ tục, phương pháp suy diễnhay lý tuệ nhân tạo được chia thành hai lĩnh vực đó là TTNT truyền thống và Trí tuệtính Đối với TTNT truyền thống hầu hết bao gồm các phương pháp hiện được phânloại là phương pháp học máy machine learning, các phương pháp phổ biến như hệchuyên gia, lập luận theo tình huống hay mạng Bayes.+ Trí tuệ tính toán nghiên cứu việc học hoặc phát triển lặp, quá trình học dựa trêndữ liệu kinh nghiệm, các phương pháp chính gồm như mạng Neural, hệ mờ, tính toántiến Một số ứng dụng của trí tuệ nhân tạoNgày nay, TTNT ngày càng được ứng dụng nhiều trong các lĩnh vực khác nhau,từ việc phục vụ đời sống hàng ngày của con người cho đến giáo dục, tài chính ngânhàng, y học, rô-bôt, ôtô tự hành… và thực tế chứng minh rằng việc ứng dụng trí tuệnhân tạo giúp nâng cao hiệu suất lao động, cải thiện chất lượng cuộc sống của conngười, phát triển kinh doanh cho các doanh nghiệp và nó cũng sẽ là nền tảng của rấtnhiều các ứng dụng và dịch vụ mới khác của tương sự phát triển khoa học vật lý lượng tử giúp cho việc tính toán và xử lý songsong của các hệ thống nhanh hơn đáng kể, vì thế việc áp dụng các phương pháp họcmáy vào xử lý các bài toán thực tế ngày một thuận lợi hơn. Trong đó, gần đây kỹ thuậthọc sâu deep learning đã được quan tâm và phát triển mạnh giúp cho máy tính giảiquyết các bài toán trong lĩnh vực học máy ngày càng tốt hơn, mà cụ thể đó là các bàitoán tương tác người – máy trong lĩnh vực thị giác máy tính, nhận thức sự vật, gợi ýtrong các hệ thống lớn, chẩn đoán các bệnh hiếm gặp...Một số ứng dụng phổ biến hiện nay như+ Lĩnh vực giáo dục mô hình trường học thông minh hay học trực tuyến ngàymột phát triển nhờ ứng dụng TTNT vào quá trình tương tác học tập giữa nhà trường vàhọc sinh/sinh viên tạo ra một hệ sinh thái về giáo dục mà ở đó nhà trường và học sinhtương tác với nhau một cách thuận lợi và nhanh chóng thông qua hệ sinh thái này.+ Lĩnh vực y tế chẩn đoán, điều trị và theo dõi bệnh giúp nâng cao chăm sócsức khỏe con người, giảm chi phí chữa bệnh cho người dân, trong đó kể cả các dự ánnhư điều trị ưng thư bằng TTNT Microsoft đang theo đuổi nghiên cứu. Rô-bôt chămsóc y tế…+ Lĩnh vực y tế Nhận dạng hình ảnh, giọng nói, rô-bôt thông minh, xe tự hành,hệ thống tương tác thực ảo…đã phát triển mạnh mẽ nhờ sự phát triển của mạng Neuralhọc sâu/hệ thống xử lý phân tán song song Parallel Distributed processing. Học máy“Học máy hay máy họcmachine learning là một lĩnh vực của TTNT liên quanđến việc nghiên cứu và xây dựng các kỹ thuật cho phép các hệ thống “học” tự động từdữ liệu để giải quyết những vấn đề cụ thể nào đó”Theo wikipedia.Để hiểu gần gũi hơn chúng ta có thể nói học máy là một ngành khoa học giúpmáy tính dự đoán được các dữ liệu mới hay tri thức mới từ các dữ liệu đã biếtTraining Dataset thông qua các giải thuật học dụ như các máy có học cách phân loại thư điện tử xem có phải thư rác spamhay không và tự động xếp thư vào thư mục tương ứng; dạy máy tính rô-bôt cáchbăng qua đường thì theo cách truyền thống bạn sẽ đưa cho nó một loạt quy tắc hướngdẫn cách nhìn trái phải hay đợi xe và người đi qua,… Tuy nhiên nếu dùng học máychúng ta sẽ cho máy tính xem hàng nghìn video quay cảnh người ta băng qua đườngan toàn và hàng nghìn video quay cảnh con người đó bị xe đâm để nó tự học. Từ đómáy tính có thể nhận thức và phân tích nhiều đặc trưng tốt hơn thông minh hơn từcác video để nhận biết được các sự vật hiện tượng mới xung quanh thông qua kho dữliệu đã huấn lĩnh vực nhận dạng hình ảnh, ví dụ như đưa cho máy học nhiều dữ liệu – ảnh mô tả con vật chó, mèo… và mong muốn chương trình của bạn thể đoán1 bức ảnh chưa gặp bao giờ là con vật nào chó, mèo, …. Do vậy, yêu cầu đặt ra làmỗi lần xem qua một ảnh, học máy sẽ phải “ghi nhớ” đặc trưng của con vật nào màulông, vóc dáng, kích thước… Đồng thời học máy phải có khả năng tổng quáthóa những ảnh nó đã xem để có thể dự đoán cho những bức ảnh chưa bao giờ Phân loại phương pháp học máyTheo phân nhóm dựa trên phương thức học thì học máy có 4 nhóm sau+ Học có giám sát Supervised learning là học với tập dữ liệu huấn luyệnban đầu hoàn toàn được gán nhãn từ trước. Học có giám sát là phương pháp học sửdụng cho lớp bài toán phân lớp, phân loại Classification.Đối với bài toán học có giám sát chúng ta thực hiện 3 bước như sau1. Thực hiện phân lớp chuẩn bị một tập dữ liệu huấn luyện trainning dataset,sau đó thực hiện gán nhãn cho tập dữ liệu này để có tập dữ liệu huấn Dùng một số thuật toán phân lớp ví dụ như là thuật toán SVM SupportVector Machine, K láng giềng gần nhất K Nearest Neighbours – KNN; tiếp cận xácsuất thống kê Naïve Bayes; Cây quyết định Decision Tree; sử dụng mạng neuralNeural Network;… để xây dựng bộ phân lớp để học tập dữ liệu huấn luyện. Quátrình này sẽ dung tập dữ liệu huấn luyện để huấn luyện bộ phân Sử dụng một tập dữ liệu kiểm tra Test Dataset đã được gán nhãn trước, đểkiểm tra tính đúng đắn của bộ phân lớp. Sau đó, có thể dùng bộ phân lớp để phân lớpcho các dữ liệu mới.+ Học không có giám sát unsupervised learning là học với tập dữ liệu huấnluyện ban đầu hoàn toàn chưa được gán nhãn, là phương pháp học sử dụng cho các lớpbài toán gom cụm, phân cụm clustering.Đối với bài toán học không có giám sát chúng ta thực hiện các bước như sau1. Phân cụm để thực hiện phân cụm trước tiên cần một tập dữ liệu huấn luyệnTraining dataset – là một tập các mẫu dữ liệu học Training examples. Trong đó,mỗi mẫu dữ liệu học chỉ chứa thông tin biểu diễn mà không có bất kỳ thông tin gì vềnhãn lớp hoặc giá trị dữ liệu đầu ra mong Áp dụng một thuật toán học không có giám sát để học hàm/mô hình mục tiêutrong trường hợp này là hàm phân cụm ứng với thuật toán được chọn. Việc lựa chọnsử dụng thuật toán nào tùy thuộc vào dữ liệu và mục đích của các bài toán yêu cầu, tuynhiên các thuật toán phổ biến thường hay được sử dụng là k-means, HACHiearchical Agglomerative Clustering, SOM Self-Organizing Map, DBSCAN,FCM,...3. Sử dụng một phương pháp thử nghiệm có thể kết hợp với một tập dữ liệu cógán nhãn để đánh giá độ chính xác của hàm mục tiêu học được.+ Học bán giám sát semi-supervised learning là quá trình học với tập dữ liệuhuấn luyện bao gồm cả dữ liệu đã được gán nhãn và dữ liệu chưa được gán nhãn đểhuấn luyện, thường là dữ liệu gán nhãn là lượng dữ liệu nhỏ và dữ liệu chưa gán nhãnlà tập dữ liệu lớn. Tuỳ vào từng mục đích cụ thể, học bán giám sát có thể được áp dụngcho bài toán phân lớp hoặc phân với bài toán học không có giám sát chúng ta thực hiện các bước như sau1. Tập dữ liệu ban đầu là tập huấn luyện training set tập có nhãn thường là sốlượng ít, tập học chưa có nhãn thường là số lượng nhiều.2. Sử dụng các thuật toán học bán giám sát như self-training, Co-training, SVMtruyền dẫn TSVM- Transductive Support Vector Machine sẽ học các ví dụ có nhãn,sau đó tiến hành gán nhãn có lựa chọn cho các ví dụ không có nhãn một cách hợp lý,có đánh giá chất lượng công việc hay độ chính xác. Tiếp theo, chọn các ví dụ vừa đượcgán nhãn có độ tin cậy cao vượt trên một ngưỡng chọn trước đưa vào kết hợp tập dữliệu có nhãn, tạo thành một tập dữ liệu huấn luyện Áp dụng một phương pháp kiểm thử Test Dataset để đánh giá độ chính xáccủa mô hình/bài toán.+ Học tăng cường/cũng cố reinforcement learning là tổ hợp của cả hai môhình học có giám sát và không giám sát. Cụ thể là với vector đầu vào, quan sát vectorđầu ra do mạng tính được. Nếu kết quả được xem là “tốt” thì mạng sẽ được thưởngbằng cách tăng các trọng số kết nối lên; ngược lại mạng sẽ bị phạt, các trọng số kết nốikhông thích hợp sẽ được giảm xuống. Điều này có nghĩa là với cách học này sẽ giúpcho một hệ thống tự động xác định hành vi dựa trên hoàn cảnh để đạt được lợi ích caonhất maximizing the performance. Mạng neural nhân tạoMạng neural nhân tạo Artificial Neural Network - ANN, hay thường gọi ngắngọn là mạng neural, là mô hình xử lý thông tin được mô phỏng theo cách thức xử lýthông tin của các hệ neural sinh học. Nó bao gồm có một nhóm các neural nhântạo mỗi neural là một nút kết nối với nhau qua các liên kết biểu diễn bằng các trọngsố w, và xử lý thông tin bằng cách truyền theo các kết nối như một thể thống nhất đểgiải quyết một vấn đề nào đó. Một mạng neural nhân tạo được xây dựng cho một ứngdụng cụ thể nhận dạng mẫu, phân loại,... thông qua một quá trình học từ tập các mẫu10huấn luyện. Trong nhiều trường hợp, mạng neural nhân tạo là một hệ thống thíchứng adaptive system tự thay đổi cấu trúc của mình dựa trên các thông tin bên ngoàihay bên trong chảy qua mạng trong quá trình học. Về mặt bản chất học ở đây chính làquá trình điều chỉnh giá trị trọng số w liên kết giữa các neural sao cho giá trị hàm lỗilà nhỏ trúc ANN là tập hợp các neural được kết nối, các đầu ra của một số neuralcó thể trở thành đầu vào của các neural layerxnInput layerHidden layerHình Mô hình mạng ANN gồm 3 thành phần đó là Input Layer, Hidden Layer và Output đó, lớp ẩn Hidden Layer gồm các neural, nhận dữ liệu input từ các neural ởlớp trước đó và chuyển đổi các input này cho các lớp xử tin sự sắp xếp về mặt không gian của màu sắc và cường độ củamột Đặc trưng hình dạng Hình dạng của một ảnh hay một vùng là một đặc trưngquan trong trong việc xác định và phân biệt ảnh trong nhận dạng mẫu. Mục tiêu chínhcủa biểu diễn hình dạng trong nhận dạng mẫu là đo thuộc tính hình học của một đốitượng được dùng trong phân lớp, so sánh và nhận dạng đối Một số phương pháp trích chọn đặc trưng đơn Trích chọn đặc trưng ảnh dựa trên màu sắc- Lược đồ màu Histogram Là đại lượng đặc trưng cho phân bố màu cục bộcủa ảnh. Độ đo tính tương tự về màu sắc được tính bằng phần giao của 2 lược đồ màuảnh truy vấn HIQ và ảnh trong cơ sở dữ liệu ảnh HID. Kết quả sẽ là một lược đồmàu thể hiện độ giống nhau giữa 2 ảnh trên. Tuy nhiên vì lược đồ màu chỉ thể hiệntính phân bố màu toàn cục của ảnh mà không x t đến tính phân bố cục bộ của điểmảnh nên có thể có 2 ảnh trông rất khác nhau nhưng lại có cùng lược đồ Vector liên kết màu Color Coherence Vector Là lược đồ tinh chế lược đồmàu, chia mỗi ô màu thành 2 nhóm điểm ảnh nhóm liên kết màu coherence pixelsvà nhóm không liên kết màu noncoherence pixels. Vector liên kết màu còn giúp giảiquyết khuyết điểm về tính không duy nhất của lược đồ màu đối với ảnh. Hai ảnh có thểcó chung lược đồ màu nhưng khác nhau hoàn toàn, đây là khuyết điểm của lược đồmàu. Nhưng với tìm kiếm theo đặc trưng vector liên kết màu thì nó sẽ giải quyết đượckhuyết điểm không duy nhất Trích chọn đặc trưng ảnh dựa trên kết cấuKết cấu hay còn gọi là vân texture, là một đối tượng dùng để phân hoạch ảnh rathành những vùng được quan tâm và để phân lớp những vùng đó. Vân cung cấp thôngtin sự sắp xếp về mặt không gian của màu sắc và cường độ của một ảnh. Ví dụ cấu trúccủa vân của một số loại lá trận đồng hiện Co-occurence Matrix Ma trận đồng hiện là ma trận lưutrữ số lần xuất hiện của những cặp điểm ảnh trên một vùng đang x t. Các cặp điểm nàyđược tính theo những quy luật cho dụ với ảnh f như sauf=ta có ma trận đồng hiện P1,0 vớiP1,0=- Phép biến đổi WaveletVân thu được từ biến đối wavelet được hầu hết các nghiên cứu công nhận là đặctrưng về vân tốt nhất cho việc phân đoạn ảnh. 14 Thuật toán tính ra các đặc trưng vântheo biến đổi Wavelet1. Tính biến đổi Wavelet trên toàn Ứng với mỗi vùng cần tính, ta tính được 3 thành phần ứng với các miền HL,LH và Khi áp dụng biến đổi wavelet ở những mức sâu hơn, ta sẽ có tương ứng 3xVthành phần ứng với V là chiều sâu của biến đổi Các đặc trưng lọc Gabor Lọc Gabor được sử dụng rộng rãi để trích rút cácđặc trưng ảnh, đặc biệt là các đặc trưng kết cấu. Nó tối ưu về mặt cực tiểu hoá sựkhông chắc chắn chung trong miền không gian và miền tần số, và thường được sửdụng như một hướng và tỷ lệ biên điều hướng và phát hiện đường. Có nhiều cách tiếpcận đã được đề xuất để mô tả các kết cấu của các ảnh dựa trên các lọc Các đặc trưng biến đổi sóng Tương tự với lọc Gabor, biến đổi sóng cung cấpmột cách tiếp cận đa độ phân giải đối với phân tích kết cấu và phân lớp. Các biến đổisóng phân rã một tín hiệu với một họ các hàm cơ sở ѱ mnx thu được thông qua dịchchuyển sự có giãn của song ѱ xѱ x = 2-1/2 ѱ 2-mx - nHơn nữa, theo so sánh của các đặc trưng biến đổi sóng khác nhau, chọn riêng lọcsóng không là then chốt cho phân tích kết Trích chọn đặc trưng ảnh dựa trên hình dạng- Trích chọn đặc trưng theo biên+ Lược đồ hệ số góc Lược đồ gồm 73 phần tử trong đó 2 phần tử đầu chứa sốđiểm ảnh có hệ số gốc từ 0 – 355 độ, các hệ số góc này cách nhau 5 độ. Phần tử cuốichứa số phần tử không nằm trên biên cạnh.+ Vector liên kết hệ số góc Edge Direction Coherence VectorLà lược đồ tinh chế lược đồ hệ số góc, chia mỗi ô chứa thành 2 nhóm điển ảnhNhóm điểm liên kết hệ số góc coherent pixels và nhóm điểm không liên kết hệ sốgóc non-coherence pixels. Một pixel trong một ô chứa được gọi là điểm liên kết hệsố góc coherent nếu nó thụôc vùng gồm các điểm thuộc cạnh có hệ số góc tương tựvới kích thướt lớn thường vào khoảng .1% kích thước ảnh.Hình Ảnh minh họa vector liên kết hệ số goc và liên kết giữa các biên cạnhnguồn internetTrích chọn đặc trưng theo vùng Ảnh gồm tập hợp các vùng hay còn gọi làđoạn. Đây là đặc trưng đặc biệt của ảnh. Với đặc trưng vùng sẽ giúp cho chúng ta cóthể giải quyết được một vấn đề lớn đang cản trở bước phát triển việc truy tìm ảnh dựavào nội dung là dữ liệu nhập được mô phỏng gần gũi hơn với suy nghĩ của con ngườivà ảnh tìm được có thể mang nội dung ngữ nghĩa rất khác so với ảnh truy Mô tả đặc trưng Đặc trưng HaarPhương pháp biểu diễn đặc trưng Haar-like feature gọi tắt là phương pháp Haarđược giới thiệu bởi Viola và Jones [31] tại hội nghị quốc tế về thị giác máy tính vànhận dạng mẫu năm 2 1. Phương pháp Haar phát triển dựa trên nguyên lý Haarwavelet, dùng các đáp ứng cải thiện từ ba bậc đầu tiên của sóng Haar-wavelet như làtập đặc trưng1 11 11 1,,.111 11 1Nguyên lý cơ bản phương pháp Haar là tính độ sai khác về tổng giá trị mức xámgiữa các vùng với nhau. Phương pháp Haar lần đầu tiên được giới thiệu và áp dụngthành công cho nhận dạng mặt người theo thời gian thực nhờ kết hợp phương pháptính nhanh theo tích phân ảnh intergral image. Ban đầu, bộ mô tả Haar chỉ sử dụng 4loại mẫu đặc trưng cơ bản là sự kết hợp của hai, ba hoặc bốn vùng phân phối theo cácdạng tương ứng như minh xI i, j I i, j i , j white regions i , j black regionsabHình Các mẫu đặc trưng cơ bản của Haar a các khối và phân phối của nótheo đề xuất của Viola, b ứng dụng trong nhận dạng mặt vậy, mỗi đặc trưng Haar chính là giá trị khác biệt giữa tổng giá trị mức xámđiểm ảnh trong vùng đen và vùng trắng tương ứng theo từng loại mẫu và từng kíchthước vùng khác nhau. Trong thực nghiệm và ứng dụng thực tế, kích thước của mỗihình chữ nhật đen và trắng được thay đổi tương ứng từ ngưỡng dưới đến ngưỡng trên,mỗi lần thay đổi theo hệ số tỷ lệ nào đó để trích ra tập nhiều đặc trưng và được ghépkết hợp lại với nhau theo một thứ tự nhất định thành một vector đặc Trích xuất đặc trưng HaarĐể tính các giá trị của đặc trưng Haar, ta phải tính tổng giá trị pixel trong cácvùng trên ảnh. Việc này được thực hiện lặp đi lặp lại toàn bộ vị trí trên ảnh mẫu quétqua toàn bộ ảnh và thực hiện với các kích thước vùng khác nhau. Một hạn chế trongtính đặc trưng Haar là tuy giá trị mức xám pixel không đổi nhưng việc tính tổng đượclặp đi lặp lại nhiều lần dẫn đến chi phí tính toán lớn, không đáp ứng được đòi hỏi xử lýthời gian thực real time. Do đó, tác giả Viola và Jones đã đề xuất giải pháp tínhnhanh đặc trưng mà không cần thực hiện lặp lại cho mỗi mức scale ảnh và mỗi kíchthước vùng đen/ trắng bằng cách sử dụng phương pháp tích phân ảnh integralimage. Phương pháp này sử dụng một mảng hai chiều có kích thước bằng với kích15của ảnh để lưu trữ tổng giá trị cộng dồn pixel từ trái qua phải, từ trên xuống là mỗi phần tử của mảng này được tính bằng tổng tích lũy của toàn bộ điểm ảnhtừ đầu tiên đến vị trí phần tử hiện tại theo công thứcy x y jCS x, yI i, j j 1Để kế thừa những phần tử đã được tính trước đó, ta có thể viết lại công thức tínhtổng tích lũyCS x, y CS x, y 1 CS x 1, y CS x 1, y 1 I x, y Tính nhanh tổng giá trị pixel trong vùng chữ nhật bất tổng tích lũy CS được sử dụng để tính tổng giá trị các pixel trong vùng chữnhật bất kỳ với chỉ cần 4 phép truy xuất. Trong hình minh họa, cần tính tổng giá trịpixel trong vùng chữ nhật ABCD của ảnh I bằng cách sử dụng bảng CS để thực hiệntheo công thứcSum ABCD CS C CS B CS D CS A phép toán cần thiết để tính mỗi đặc trưng Haar phụ thuộc vào số vùng chữnhật ta muốn tính tổng nhân với 4 phép truy xuất. Ví dụ đặc trưng là sự sai khác giữa 2vùng đen trắng thì cần 2×4- 2= 6 phép truy xuất. Nếu đặc trưng Haar là sự khác biệtgiữa 2 vùng đen và 1 vùng trắng hoặc ngược lại giữa 2 vùng trắng và 1 vùng đen thì sốphép truy xuất là 4×3- 4= Mô tả đặc trưng Đặc trưng HOGĐặc trưng HOG Histograms of Oriented Gradients được đề xuất bởi nhóm tácgiả Dalal và Trigg, trình bày lần đầu tại hội thảo quốc tế chuyên ngành thị giác máytính và nhận dạng mẫu năm 2 5. Bộ mô tả đặc trưng HOG được dùng phổ biến trongnhiều bài toán nhận dạng mẫu như nhận dạng người, nhận dạng xe, biển báo giaothông và nhiều loại đối tượng khác. Đặc trưng HOG có thể mô tả hình dáng và tư thếcủa đối tượng theo sự phân bố về hướng của gradient mức xám ảnh. HOG thuộc nhómphương pháp mô tả đặc trưng toàn vùng ảnh về đối tượng, đặc trưng được biểu diễndưới dạng một vector. Ví dụ, để mô tả hình dáng người, bộ mô tả HOG là một tập đặctrưng toàn cục mô tả về phân phối hình dáng của đối tượng người trong mẫu hay còngọi trong một window. Qua việc trích rút đặc trưng trên mẫu ảnh cho trước, ta thuđược một vector đặc trưng của đối tượng trong ảnh đó. Tương tự như các phương pháp16biểu diễn đặc trưng khác, HOG biến đổi không gian ảnh sang không gian vector đặctrưng để có thể xử lý đơn giản hơn và đạt độ chính xác cao hơn trên ảnh thô bằng cáccông cụ trí tuệ nhân tạo trong lĩnh vực nhận dạng Quá trình trích rút đặc trưng HOGQuá trình xử lý liên quan đến cách chia mẫu ảnh đầu vào thành lưới các cell vàtính vector đặc trưng HOG theo phương pháp thông dụng nhất áp dụng cho bài toánnhận dạng người. Để phù hợp với các bài toán nhận dạng đối tượng khác nhau, cần cónhững biến đổi phù hợp nhằm đạt kết quả chính xác cao và thời gian tính toán tối ưunhất. Quá trình trích rút đặc trưng HOG được thực hiện theo các bước như sauMẫuảnhvàoTiềnxử lýTínhgradientChia hướng,nhóm theo cellTính đặc trưngvà chuẩn hóatheo blockTrích xuất đặctrưng trên toànmẫu ảnhHình Quá trình trích đặc trưng HOGQuá trình chia mẫu ảnh đầu vào phục vụ tính đặc trưng HOG được thực hiện nhưsau Mỗi mẫu ảnh đầu vào window được xác định kích thước chuẩn hóa là 128×64pixels, mẫu được chia thành các cell kích thước 8×8 pixels có thể chia cell dạng hìnhtròn, mỗi block gồm 2×2 cells tương ứng 16×16 pixels xếp chồng lên nhau, mỗiblock chồng lên 50% block láng giềng. Do đó, với kích thước mẫu đầu vào là 128×64được chia thành 7×15 blocks =105 blocks. Mỗi cell xây dựng lược đồ 9 bin dựa vàohướng gradient vector 9 phần tử, mỗi block hình thành nên 36 phần tử 4 cell× 9phần tử/cell. Cuối cùng, liên kết tập vector đặc trưng theo block hình thành nên vectorđặc trưng HOG của mỗi mẫu Mỗi cell chứa 8x8 pixels- Số cell theo chiều ngang 64pixel/8pixel =8- Số cell theo chiều dọc 128pixel/8pixel =16- Có 105 block với 7 block theo chiều ngang và 15 blocktheo chiều Mẫu ảnh đầu vào được chia thành các cell và block để tính đặc trình trích rút đặc trưng HOG như sau- Bước 1 Tiền xử lý thực hiện chuẩn hóa màu, lọc nhiễu, chuyển ảnh màu quaảnh đa mức xám, ...Việc trích rút đặc trưng HOG thường được thực hiện trên ảnh đamức xám, nếu ảnh đầu vào là ảnh màu sẽ được chuyển thành ảnh đa mức xám. Tuynhiên, HOG cũng có thể trích rút trên ảnh màu theo từng kênh màu. Sau đó chuẩn hóagamma trên ảnh đa mức xám để giảm đi ảnh hưởng của sự thay đổi ánh sáng. Theo tác17giả Dalal and Triggs đã chỉ ra rằng việc chuẩn hóa này có thể được bỏ qua mà khônglàm ảnh hưởng lớn đến độ chính xác của Bước 2 Tính gradient ảnh trên tất cả các pixel của ảnh. Phương pháp phổ biếnnhất để tính gradient ảnh là sử dụng mặt nạ lọc một chiều theo các hướng X ngang vàY dọc như sau• 1, 0,1] và [ 1,0,1]Tính độ lớn biên độ và hướng gradient. Tùy thuộc vào từng bài toán cụ thể tacó nhiều cách xác định hướng khác nhau, như sử dụng hướng theo 3 độ hoặc 180độ, gradient tính có dấu hoặc không có dấu. Không tính dấu có nghĩa là gradient ngượcchiều nhau được xem là như nhau, không phân biệt từ đen qua trắng hoặc trắng quađen. Tính độ lớn gradient có thể không cần thiết nếu như việc tính lược đồ gradient chỉdựa vào hướng. Trong trường hợp độ lớn gradient được sử dụng như là trọng số đểtính giá trị các bin thì cần đến giá trị độ lớn gradient. Giá trị độ lớn và hướng được tínhđơn giản theo công thứcGG x2G y2 vàtan 1 Gy / Gx Tính hướng và độ lớn gradientabcHình Tính gradient ảnh a ảnh đa mức xám, b giá trị gradient theo cácchiều X và Y, c hướng và độ lớn gradient- Bước 3 Chia hướng theo các bin của lược đồ hướng gradient Mỗi pixel trongcác cell đóng góp một trọng số cho mỗi kênh bin của lược đồ dựa vào hướnggradient của nó. Như đã phân tích ở trên, các cell có thể là lưới hình vuông hoặc hìnhquạt và các kênh của lược đồ gradient có thể nằm trong phạm vi [0, 180] gradientkhông tính dấu hoặc [0, 360] gradient tính dấu tùy thuộc vào từng ứng dụng. Cụ thể, HƯỚNG DẪN THỰC HÀNH COMPUTER VISIONMục tiêu-Làm quen với công cụ Google quen với thư viện hành các bước xây dựng và huấn luyện mô hình nhậndạng/phân loại ảnh sử dụng mạng nơ-ron học sâu dụng bài toán phân loại ảnh trong thực Giới thiệu và cài đặt công cụ Google ColaboratoryGiới thiệu về Google Colab-Google Colab Google Colaboratory là một dịch vụ đám mây miễn phí củaGoogle nhằm hỗ trợ cộng đồng nghiên cứu AI phát triển các ứng dụng họcsâu deep learning bằng việc cung cấp GPU và TPU miễn phí. -Google Colab được cài đặt sẵn những thư viện rất phổ biến trong nghiên cứuDeep Learning như PyTorch, TensorFlow, Keras và đặt Google Colab-Đăng nhập Gmail, truy cập vào Drive-Kích chọn My Drive/ chọn More/ chọn Connect more apps/ tại ô tìm kiếm gõColaboratory/ kích chọn biểu tượng Colaboratory/ chọn Install và cài đặttheo hướng Giới thiệu thư viện Tensorflow-Tensorflow là thư viện mã nguồn mở hỗ trợ học máy và học sâu nổi tiếngnhất thế giới, được phát triển bởi các nhà nghiên cứu của Google. Việc hỗ Giám sát hành trình hợp chuẩn TCT4G Thiết bị giám sát hành trình TCT4G-01 là thiết bị định vị ô tô hoạt động trên băng tần 4G nhằm đem đến băng thông tốc độ cao cho các phương tiện cần truyền dữ liệu media, đáp ứng theo quy chuẩn QCVN312014/BGTVT, thích hợp với nhiều dòng xe và các hình thức vận tải khác nhau. Bộ phụ kiện tiêu chuẩn Thiết bị TCT4G-01, angten GPS, thẻ lái xe, SIM điện thoại. Bộ phụ kiện tích hợp tuỳ chọn ✔️ Hình ảnh Tích hợp thêm camera chụp ảnh, chụp hình 1 phút/ảnh ✔️ Cảm biến nhiên liệu RS232 Chính sách bảo hành bảo hành Bảo hành 1 đổi 1* Phạm vi bảo hành Toàn quốc Thời gian bảo hành 12 tháng Gói bảo hành dài hạn ưu đãi ĐƯỜNG TRUYỀN 4G TỐC ĐỘ CAO Băng thông lớn, truyền tải dữ liệu tốc độ cao 1 tháng chi tiết thông tin vận tốc từng giây, thông tin tọa độ, hành trình theo chuẩn QCVN312014/BGTVT BÁO CÁO ĐA DẠNG Báo cáo chuẩn QCVN312014/BGTVT, báo cáo tổng hợp, chi tiết hoạt động,… tuỳ chỉnh báo cáo theo nhu cầu khách hàng HỖ TRỢ TÍCH HỢP Dễ dàng tích hợp cảm biến nhiên liệu và thiết bị camera giám sát,.. CÁCH BÁO TỨC THỜI Phát tín hiệu cảnh báo khi tài xế quá tốc độ, vi phạm thời gian lái xe, lái xe khi không đăng nhập,… TIỆN ÍCH KHÁC Tích hợp đầu đọc thẻ lái xe trong thiết bị hỗ trợ đọc và ghi thẻ lái xe theo tiêu chuẩn của BGTVT LÝ DO LỰA CHỌN TCT4G-01 Thiết bị giám sát hành trình TCT4G-01 là thiết bị sử dụng băng tần 4G tốc độ cao, hợp chuẩn QCVN312014/BGTVT phù hợp với mọi dòng xe & hình thức vận tải TIẾT KIỆM chi phí đầu tư lâu dài PHÙ HỢP với mọi loại xe & hình thức vận tải QUẢN LÝ 24/7 trên Website & ứng dụng di động LOẠI BỎ LO LẮNG việc cắt sóng 2G trong tương lai PHÙ HỢP đáp ứng mọi yêu cầu nâng cấp của BGTVT Phương án nào cho doanh nghiệp, cá nhân kinh doanh vận tải? Các doanh nghiệp vận tải cũng như các chủ xe cần nhanh chóng có phương án thay thế thiết bị định vị cũ bằng thiết bị giám sát hành trình thế hệ mới sử dụng băng tần 3G, 4G tốc độ cao. Một trong những phương án hiệu quả nhất là sử dụng thiết bị giám sát hành trình TCT4G hợp chuẩn cao cấp công nghệ 4G được nghiên cứu và phát triển bởi công ty TCT Toàn Cầu và phân phối độc quyền bởi công ty CNN Việt Nam để không phải thay thế thiết bị trong tương lai. TẢI ỨNG DỤNG Quản lý phương tiện của bạn đơn giản, tiện dụng, mọi lúc mọi nơi ngay trên thiết bị di động cầm tay. Tìm ứng dụng “TCT GPS 2” trên chợ ứng dụng Google Play & App Store

giám sát hành trình cnn