Đang tải... (xem toàn văn)
Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và WiFi (Tóm tắt LA tiến sĩ)Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và WiFi (Tóm tắt LA tiến sĩ)Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và WiFi (Tóm tắt LA tiến sĩ)Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và WiFi (Tóm tắt LA tiến sĩ)Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và WiFi (Tóm tắt LA tiến sĩ)Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và WiFi (Tóm tắt LA tiến sĩ)Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và WiFi (Tóm tắt LA tiến sĩ)Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và WiFi (Tóm tắt LA tiến sĩ)Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và WiFi (Tóm tắt LA tiến sĩ)Nghiên cứu và phát triển các kỹ thuật định vị và định danh kết hợp thông tin hình ảnh và WiFi (Tóm tắt LA tiến sĩ)
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI PHẠM THỊ THANH THỦY NGHIÊN CỨU VÀ PHÁT TRIỂN CÁC KỸ THUẬT ĐỊNH VỊ VÀ ĐỊNH DANH KẾT HỢP THÔNG TIN HÌNH ẢNH VÀ WIFI Chuyên ngành: Khoa học Máy tính Mã số: 62480101 TÓM TẮT LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH Hà Nội−2017 Công trình hoàn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS TS Lê Thị Lan TS Đào Trung Kiên Phản biện 1: Phản biện 2: Phản biện 3: Luận án bảo vệ trước Hội đồng chấm luận án tiến sĩ cấp Trường họp Trường Đại học Bách khoa Hà Nội: Vào hồi giờ, ngày .tháng .năm Có thể tìm hiểu luận án thư viện: Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội Thư viện Quốc gia Việt Nam MỞ ĐẦU Tính cấp thiết luận án Công nghệ đại làm thay đổi sống người nhiều phương diện khác nhau, đáng ý cách thức người tương tác với sản phẩm công nghệ Tương tác người-máy ngày trở nên tự nhiên thân thiện Một khái niệm hình thành từ thay đổi mang tính cách mạng Môi trường cảm thụ AmI (Ambient Intelligent) Mặc dù AmI đề cập từ mười năm trước ngày có thêm nhiều nghiên cứu chuyên sâu nó, nhiên, việc phát triển thực thi hệ thống ứng dụng AmI mẻ Có nhiều thách thức thực tế cần giải lĩnh vực công nghệ hay ứng dụng cụ thể có liên quan tới AmI [1] Trong nghiên cứu này, quan tâm tới thông tin ngữ cảnh vị trí danh tính người môi trường tòa nhà Vị trí danh tính hai số thuộc tính người dùng quan trọng cần cảm thụ môi trường thông minh Để xác định vị trí người dùng (người dùng đâu môi trường) danh tính người dùng (người dùng ai), cần giải hai toán định vị định danh Để giải hai toán này, sử dụng nhiều loại cảm biến khác nhau, Ultra-Wideband (UWB), ultrasound, Radio-Frequency Identification (RFID), camera, WiFi, etc [15] Tuy nhiên, giải pháp công nghệ đơn lẻ hoàn hảo trường hợp Do đó, bên cạnh việc phát triển giải thuật tối ưu cho công nghệ, sử dụng kết hợp giải pháp trở thành xu hướng việc giải toán định vị định danh người dùng môi trường tòa nhà [19], [3], [14], [16] Mục đích kết hợp nhằm phát huy ưu điểm công nghệ cảm biến đơn lẻ, hạn chế nhược điểm chúng Trong bối cảnh này, nghiên cứu tập trung giải toán định vị định danh người sử dụng kết hợp công nghệ dựa sở hình ảnh WiFi Các đóng góp luận án ❼ Đóng góp thứ 1: Đề xuất mô hình hình suy hao cải tiến cho định vị người dùng dựa WiFi Trong mô hình này, xem xét tới ràng buộc vật cản môi trường tòa nhà Từ đó, mô hình hóa hiệu quan hệ cường độ tín hiệu RSSI với khoảng cách từ thiết bị di động tới AP lân cận Phương pháp lấy dấu vân tay thông dụng áp dụng cho định vị WiFi, với đồ vô tuyến thiết lập nhằm tạo liệu vân tay ổn định tin cậy cho định vị Để đối sánh mẫu thử với liệu vân tay, đề xuất áp dụng phương pháp KNN, có bổ sung thêm tham số λ nhằm phản ánh thay đổi theo thời gian liệu dấu vân tay môi trường Kết định vị dựa WiFi cho phép kích hoạt tiến trình định vị camera thuộc vùng kết định vị trả từ hệ thống WiFi ❼ Đóng góp thứ 2: Đề xuất phương pháp hiệu cho khử bóng phát người nhằm cải thiện kết định vị sử dụng hình ảnh Đối với khử bóng, đề xuất sử dụng kết hợp đặc trưng chromaticity physical với sơ đồ kết hợp số dựa mật độ lân cận phân bố bóng bóng điểm ảnh Bước khử bóng xem bước tiền xử lý nhằm đạt hiệu phát người tốt Trong bước phát người, sử dụng kết hợp hai phương pháp trừ GMM thích nghi mô tả-phân lớp người HOG-SVM Việc kết hợp cho phép phát huy ưu điểm tính toán nhanh GMM thích nghi độ xác phát người HOG-SVM Ngoài ra, phát HOG-SVM, xây dựng mô tả HOG huấn luyện SVM sử dụng sở liệu thu môi trường thực nghiệm, với sở liệu chuẩn INRIA Việc huấn luyện hai sở liệu giúp cải thiện hiệu phát người sử dụng HOG-SVM môi trường xem xét ❼ Đóng góp thứ 3: Áp dụng mô tả người mạnh dựa sở diện mạo cho định danh lại người mạng camera Bộ mô tả xây dựng vùng người phát Ba đặc trưng hướng, màu hình dạng trích chọn mức điểm ảnh, mẩu ảnh toàn ảnh vùng người phát hiện, sau ba hàm nhân đối sánh tạo từ đặc trưng Bộ mô tả đề xuất đặc biệt hiệu ngữ cảnh giám sát người sử dụng nhiều camera, tồn thay đổi đa dạng lớp đối tượng ❼ Đóng góp thứ 4: Đề xuất phương pháp kết hợp cho hệ thống định vị định danh người đa phương thức kết hợp WiFi camera Bằng cách sử dụng bước dự đoán cập nhật trạng thái lọc Kalman, với giải thuật gán tối ưu, phương pháp kết hợp đề xuất cho phép bảo lưu độ xác định vị cao hệ thống định vị người dựa hình ảnh Ngoài phương pháp kết hợp cho phép theo vết người định danh dựa thông tin định danh từ card WiFi thiết bị cầm tay, cho phép thực thi tốt việc định danh lại người camera Ngoài đóng góp nêu trên, luận văn này, đề xuất phương pháp liên kết quỹ đạo người hiệu mạng camera Các camera triển khai tầng tòa nhà có chung trường quan sát mặt sàn nơi đối tượng di chuyển, đó, cặp camera tạo thành thị giác mặt sàn Sử dụng phương pháp hiệu chỉnh camera cho thị giác nổi, quỹ đạo chuyển động đối tượng ảnh thu nhận từ camera khác chuyển đổi thành vị trí hệ tọa độ giới thực tương ứng mặt phẳng sàn Ngoài ra, đề xuất hệ thống giám sát người tự động hoàn toàn môi trường tòa nhà Hệ thống phản ánh bối cảnh giám sát thực tế hầu hết tòa nhà Hướng tới việc xây dựng hệ thống giám sát vậy, thực số thử nghiệm để chứng minh hiệu phương pháp công bố cho toán nhận dạng mặt người, định vị, định danh định danh lại người mạng camera Cấu trúc luận án Trong luận án này, phát triển phương pháp định vị định danh lại người đánh giá chúng hệ thống kết hợp hình ảnh WiFi Luận án gồm chương, với phần giới thiệu mở đầu, phần cuối kết luận định hướng nghiên cứu tiếp theo: ❼ Mở đầu: Giới thiệu chung: tính cấp thiết mục tiêu nghiên cứu luận án; ngữ cảnh, ràng buộc thách thức giải toán đặt luận án; cấu trúc luận án đóng góp luận án ❼ Chương 1: Các công trình có liên quan đến vấn đề nghiên cứu luận án: định vị người dùng sử dụng hệ thống WiFi; định vị người sử dụng camera, định vị người sử dụng kết hợp hệ thống WiFi camera; định danh lại người mạng camera ❼ Chương 2: Giải pháp đề xuất đánh giá thử nghiệm cho định vị người dùng dựa WiFi ❼ Chương 3: Đề xuất hệ thống định vị người sử dụng hình ảnh với pha phát người, theo vết người định vị người Đề xuất số cải tiến cho pha nhằm nâng cao hiệu hệ thống định vị ❼ Chương 4: Trong bối cảnh giám sát đa camera thời gian thực, toán định danh người dựa mặt người định danh lại dựa diện mạo người đề xuất Một mô tả hiệu áp dụng cho định danh lại người mạng camera ❼ Chương 5: Giải pháp kết hợp thông tin WiFi hình ảnh cho định vị, định danh định danh lại người đánh giá thử nghiệm ❼ Kết luận định hướng nghiên cứu luận án CHƯƠNG ĐÁNH GIÁ CHUNG CÁC CÔNG TRÌNH CÓ LIÊN QUAN ĐẾN LUẬN ÁN Trong luận án này, sử dụng kết hợp hệ thống dựa hình ảnh WiFi cho toán định vị định danh người dùng Điều tương đương với việc sử dụng hai loại đặc trưng tín hiệu WiFi hình ảnh cho định vị định danh người môi trường tòa nhà Do đó, phần tiếp theo, đánh giá chung công trình có liên quan đến vấn đề nghiên cứu luận án tập trung vào hệ thống đơn lẻ WiFi, hình ảnh kết hợp chúng cho định vị người dùng môi trường tòa nhà Ngoài ra, đưa đánh giá có liên quan đến toán định danh định danh lại người mạng camera 1.1 Định vị người dùng sử dụng WiFi 1.2 Định vị người dùng sử dụng camera 1.3 Định vị người dùng sử dụng kết hợp WiFi camera 1.4 Định danh lại người dựa hình ảnh CHƯƠNG ĐỊNH VỊ NGƯỜI DÙNG SỬ DỤNG WIFI Trong chương này, tiếp cận mô hình truyền sóng vô tuyến phương pháp dấu vân tay cho định vị WiFi Chúng đề xuất mô hình truyền xác suất cải tiến, với đồ vô tuyến định nghĩa phần sở liệu dấu vân tay Mô hình truyền xác suất đề xuất mô hình cải tiến từ mô hình suy hao (như nêu Chương 1) Mô hình phản ánh chất phức tạp môi trường tòa nhà tính đến yếu tố vật cản, tường sàn nhà để mô hình hóa quan hệ giá trị cường độ tín hiệu RSSI khoảng cách từ thiết bị di động tới điểm tham chiếu Mô hình dựa sở phương trình thực nghiệm cường độ tín hiệu tần số vô tuyến môi trường tòa nhà tính không chắn xem xét đặc trưng xác suất Một tiến trình tối ưu dựa giải thuật sinh áp dụng để hiệu chỉnh tham số hệ thống cho phù hợp với thiết bị sử dụng Trong phương pháp dấu vân tay, áp dụng đối sánh KNN có bổ sung thêm tham số λ nhằm phản ảnh thay đổi theo thời gian liệu dấu vân tay môi trường 2.1 Sơ đồ hệ thống Sơ đồ hệ thống định vị người dùng sử dụng WiFi minh họa Hình 2.1 Có hai pha biểu diễn sơ đồ pha huấn luyện pha thử nghiệm SERVER Offline training phase Radio Map RP Coordinates Fingerprint Database Distance values RSSI PPM Position Matching RSSI values Distance values PPM Online testing phase Mobile User Hình 2.1 Sơ đồ hệ thống định vị người dùng sử dụng WiFi Pha huấn luyện thực off-line với đồ sóng vô tuyến xây dựng theo chu kỳ để tạo sở liệu dấu vân tay Trong pha thử nghiệm, thiết bị di động liên tục quét tín hiệu từ APs lân cận gửi tín hiệu RSSI tương ứng tới máy chủ Các giá trị sau chuyển thành giá trị khoảng cách nhờ mô hình truyền xác suất đề xuất (mô hình PPM) Đối sánh khoảng cách với sở liệu dấu vân tay thực nhờ mô hình KNN để tìm vị trí người dùng 2.2 Mô hình truyền xác suất Với thiết bị thu WiFi thông thường, ta tính khoảng cách từ thiết bị tới AP dựa vào giá trị RSSI thu thiết bị di động mô hình truyền sóng vô tuyến Mô hình xây dựng dựa thực tế cường độ sóng vô tuyến truyền môi trường bị suy giảm Xem xét mô hình thực nghiệm dùng nhiều công bố trước [11][5][12]: r P = P0 − 10nlog( ) r0 (2.1) với P0 cường độ tín hiệu thu khoảng cách tham chiếu biết r0 tính theo đơn vị dBm, P cường độ tín hiệu khoảng cách chưa biết r, n số mũ suy hao biểu diễn tỷ lệ suy hao tăng theo khoảng cách Phương trình 2.1 biểu diễn mối quan hệ RSSI P khoảng cách r từ thiết bị di động tới AP, với tham số P0 , r0 n xác định thực nghiệm Từ tham số này, ta tính khoảng cách dựa vào RSSI Phương trình 2.1 mô hình truyền môi trường vật cản AP thiết bị di động Khi xét vật cản tường trần nhà, cần tính đến suy giảm tín hiệu gây vật cản này, phương trình truyền là: r P = P0 − 10nlog( ) − kd r0 nw i=1 di cosβi (2.2) với nw số lượng tường trần AP thiết bị di động, di độ dày tường/trần thứ i, với i góc tới tương ứng với tường/trần thứ i, k nhân tố suy giảm đơn vị độ dày tường/trần, minh họa hình sau: Hình 2.2 WiFi signal attenuation through walls/floors Nhìn chung, mở rộng kd tùy thuộc vào tường/trần Phương trình 2.2 mô hình tất định, không tính đến thay đổi RSSI khoảng cách định Để khắc phục hạn chế này, đề xuất mô hình truyền xác suất Thực tế, với giá trị RSSI P , khoảng cách r xác giá trị tính toán từ phương trình 2.2, mà thuộc lân cận giá trị này, kí hiệu r¯ Nói cách xác hơn, r¯ giá trị đề cử khoảng cách r với xác suất cực đại Với giá trị RSSI P , phân bố khoảng cách giả thiết tuân theo phân bố chuẩn (phân bố Gauss) với trung bình r¯: −(r−¯ r )2 ρ(r, P ) = Pr (r|P ) = √ e 2σ2 σ 2π (2.3) với σ độ lệch chuẩn, hàm P Để đơn giản, giả thiết σ r¯ có quan hệ tuyến tính sau: σ = kσ r¯ 2.2.1 Ước lượng tham số 2.2.2 Giảm độ phức tạp giải thuật 2.3 (2.4) Cơ sở liệu dấu vân tay đối sánh KNN Thông thường, đồ vô tuyến phương pháp dấu vân tay xác định sau: R {(pi , F(pi )) | i = , , N } (2.5) với pi [px py pz ]T tọa độ giới thực điểm tham chiếu thứ ith F(pi ) [ri (1) , ,ri (n)] ma trận dấu vân tay, với n số mẫu huấn luyện điểm tham chiếu Vector ri (t) [ri1 (t), , riL (t)]T gồm giá trị RSSI thu nhận từ L AP thời điểm t vị trí pi Sử dụng đặc trưng khoảng cách thay đặc trưng RSSI thông thường, đồ môi trường phương trình 2.5 có ma trận vân tay F(pi ) [di (1) , ,di (n)], với vector di (t) [di1 (t), , diL (t)] gồm mẫu khoảng cách di từ điểm tham chiếu thứ ith tới L AP Từ ta xây dựng đồ vô tuyến ổn định tin cậy có số AP bị ngừng hoạt động thời điểm định Hơn nữa, chi phí cho việc xây dựng cập nhật dấu vân tay thấp thông thường Chỉ cần xây dựng lại có thêm AP điểm tham chiếu loại bỏ bớt chúng Trong pha thử nghiệm, giá trị RSSI thiết bị di động thu từ AP lân cận chuyển đổi sang giá trị khoảng cách tương ứng nhờ mô hình suy hao đề cập Chúng so sánh với liệu huấn luyện để tìm mẫu phù hợp Phương pháp đối sánh sử dụng nghiên cứu KNN Trong KNN, mẫu thử dự đoán dựa lân cận gần với liệu huấn luyện Có thành phần phép đo giống (phép đo khoảng cách); số lượng lân cận sử dụng dự đoán; trọng số lân cận Khoảng cách Euclidean Manhattan hai phép đo hình học thông dụng, Euclidean phép đo thông dụng định vị WiFi [13], [4] Trong nghiên cứu này, đánh giá KNN với phép đo Euclidean 2.4 2.4.1 Các kết thử nghiệm Môi trường liệu thử nghiệm Các thử nghiệm thực hai tòa nhà khác nhau, tầng tòa nhà 11 tầng, tầng tòa nhà hai tầng Tất trần nhà tòa nhà có độ cao m với độ dày tường bê tông 0.2 m Để tạo liệu dấu vân tay, xây dựng ứng dụng cho thiết bị di động thu cường độ tín hiệu từ APs lân cận, với chu kỳ thu nhận giây lần thu Thông tin thu nhận tải lên sở liệu MySQL, lưu ngoại tiếp vào file XML Trong trình thu thập liệu dấu vân tay, trước chuyển hướng chuyển động, người dùng phải ấn vào nút Marker ứng dụng để đánh dấu tuyến đường thẳng vừa di chuyển Do tọa độ điểm đánh dấu xác định trước đó, nên tọa độ vị trí thu hai điểm đánh dấu liên tiếp tính nội suy từ điểm Các vị trí với tọa độ chúng lưu lại dạng file nhị phân sở liệu dấu vân tay 2.4.2 Các thử nghiệm cho mô hình truyền 2.4.3 Các thử nghiệm định vị Bảng 2.1 cho thấy lỗi định vị độ tin cậy 90 % sử dụng đặc trưng khoảng cách cao chút so với sử dụng đặc trưng RSSI Thử nghiệm thực với tham số λ Tuy nhiên, không sử dụng λ, độ tin cậy định vị đặc trưng RSSI giảm, thông số ổn định với đặc trưng khoảng cách Các kết biểu diễn Bảng 2.2, với lỗi độ tin cậy 90 % đặc trưng RSSI 3.55 m, nhiên với đặc trưng khoảng cách 2.9 m Bảng 2.1 Các đánh giá cho ngữ cảnh thử nghiệm thứ với đặc trưng khoảng cách RSSI Fingerprint Feature RSSI Distance Maximal error (m) 6.3 6.27 Average error (m) 1.86 1.89 Error at reliability of 90% (m) 2.99 2.98 Bảng 2.2 Kết định vị cho ngữ cảnh thử nghiệm thứ với đặc trưng khoảng cách RSSI không sử dụng tham số λ Fingerprint Feature RSSI Distance 2.5 Maximal error (m) 6.06 6.5 Average error (m) 1.76 1.59 Error at reliability of 90% (m) 3.55 2.9 Kết luận CHƯƠNG ĐỊNH VỊ NGƯỜI DÙNG DỰA TRÊN HÌNH ẢNH 3.1 Giới thiệu Trong nghiên cứu này, xem xét ngữ cảnh giám sát thời gian thực, người di chuyển từ trường quan sát camera tới trường quan sát 3.5.3.2 Liên kết quỹ đạo người mạng camera Liên kết quỹ đạo người mạng camera liên quan tới tiến trình cập nhật vị trí ID tương ứng người dịch chuyển từ trường quan sát camera sang trường quan sát camera khác Dựa giả thiết tất đối tượng di chuyển mặt phẳng sàn có chứa camera quan tâm, cách chuyển vị trí FootPoint tọa độ ảnh sang tọa độ giới thực mặt phẳng sàn 2D, liên kết quỹ đạo người từ camera khác biểu diễn hành trình người mặt phẳng Để thực hiện, đề xuất phương pháp hiệu cho phép kết nối quỹ đạo chuyển động người từ camera khác Phương pháp dựa sở nối nhiều trường quan sát camera kỹ thuật hiệu chỉnh stereo 3.5.3.3 Các kết thử nghiệm Các thử nghiệm thực đánh giá trường quan sát khác Cam (cảnh sảnh tòa nhà), Cam (cảnh hành lang tòa nhà) Cam (cảnh phòng showroom) Dữ liệu MICA2 với cảnh hai người di chuyển qua trường quan sát camera xem xét đánh giá thử nghiệm 3.6 Kết luận Hệ thống định vị người thử nghiệm mặt phẳng sàn nhiều camera Các điều kiện chiếu sáng khác che khuất xem xét Các kết thử nghiệm có triển vọng, nhiên, thời gian tới, tình phức tạp theo vết nhiều người đám đông nên xem xét đánh giá CHƯƠNG ĐỊNH DANH VÀ ĐỊNH DANH LẠI NGƯỜI TRONG MẠNG CAMERA Như trình bày phần Giới thiệu, phương pháp đề xuất cho định vị định danh người xem xét ngữ cảnh hệ thống giám sát người tự động sử dụng nhiều camera Trong hệ thống này, trước người bước vào khỏi khu vực giám sát, người kiểm tra vào/ra nhờ hệ thống nhận dạng mặt người Trong chương 3, việc gán định danh cho vị trí chân người FootPoint thực tiến trình theo vết, ta gọi định danh theo vết Tuy nhiên, tượng gán nhầm định danh cho vết dễ xảy người xuất trở lại trường quan sát camera hay người chuyển từ vùng quan sát sang vùng quan sát khác Để trì người theo quỹ đạo chuyển động tương ứng, toán định danh lại người ngữ cảnh theo vết định danh đề xuất 15 chương Điều có nghĩa vị trí FootPoint, ta thực trích chọn vùng ảnh chứa người ROI mô tả xây dựng cho vùng Ở khu vực kiểm tra đầu vào, người trước di chuyển vào vùng giám sát hệ thống huấn luyện mô tả người dựa diện mạo, trình đối sánh để gán nhãn đối tượng thực với kết phát người thu vùng giám sát Trong Chương 1, đề cập tới nhiều hướng tiếp cận khác cho toán định danh lại người mạng camera, phương pháp dựa diện mạo thông dụng Tuy nhiên, xây dựng mô tả người mạnh nhiều thách thức Trong nghiên cứu này, tiếp cận theo hướng xây dựng mô tả dựa diện mạo, đề xuất áp dụng mô tả hàm nhân KDES cho định danh lại người mạng camera Bộ mô tả giới thiệu lần [7] cho toán nhận dạng đối tượng Sau tác giả [18] thực số cải tiến mô tả gốc chứng minh tính hiệu bàn toán nhận dạng cử tay Bộ mô tả nhân KDES cải tiến áp dụng cho toán định danh lại người nghiên cứu 4.1 Định danh người dựa cở sở mặt người 4.1.1 Sơ đồ 4.1.2 Đánh giá thử nghiệm 4.1.2.1 Các ngữ cảnh thử nghiệm 4.1.2.2 Các phép đo 4.1.2.3 Dữ liệu thử nghiệm kết 4.2 4.2.1 Định danh lại người dựa cở sở diện mạo Sơ đồ Sơ đồ hệ thống định danh lại người dựa hình ảnh đưa Hình 4.1, gồm hai giai đoạn phát định danh lại người Giai đoạn đầu Input Frames Human Detection Person Re-ID BGS with Shadow Detection Removal Feature Descriptor ID Classification Hình 4.1 Sơ đồ hệ thống định danh lại người dựa hình ảnh nêu trước Chương dựa kết phát người, giai đoạn 2, định danh người thực dựa mô tả KDES mạnh phân lớp Bộ mô tả đặc trưng xây dựng dựa đặc trưng trích chọn từ vùng ROI người, sau áp dụng phân lớp để học mô hình người dự đoán ID tương ứng 16 4.2.2 Bộ mô tả nhân cải tiến cho diện mạo người Trong nghiên cứu này, hàm nhân hướng, màu cấu trúc tạo từ thuộc tính pixel khác hướng, màu, cấu trúc Với nhân, trích chọn đặc trưng thực mức: pixel, patch toàn ảnh Vector đặc trưng cuối kết hợp từ vector đặc trưng mức ảnh hướng, màu, cấu trúc Sau tính toán mô tả KDES, áp dụng phân đa lớp SVM để huấn luyện mô hình cho người Đối với mẫu phát hiện, danh sách đối tượng xếp hạng tạo dựa sở xác suất lớp trả phân lớp SVM 4.2.3 Các kết thử nghiệm 4.2.3.1 Các sở liệu thử nghiệm Trong nghiên cứu này, sở liệu chuẩn chọn để đánh giá mô tả KDES đề xuất: CAVIAR4REID, i-LIDS, iLIDS-VID, ETH, RAiD, WARD, HDA Các sở liệu phù hợp cho đánh giá so sánh định danh lại người ngữ cảnh giám sát tự động hoàn toàn thời gian thực Các sở liệu sử dụng nghiên cứu có liên quan [6], [9], [2], [21], [23] [10] Cơ sở liệu MICA1 MICA2 xây dựng sử dụng thử nghiệm định danh lại người √ Bảng 4.1 Các sở liệu sử dụng cho định danh lại người Ký hiệu ( ) cột cuối bảng thể mức độ thay đổi lớp sở liệu Dataset ETHZ 1,2,3 iLIDS CAVIAR4ReID WARD RAiD iLIDS-VID HDA MICA 1, 4.2.3.2 Release time 2007 2009 2011 2012 2014 2014 2014 2015 # identities # cameras Label method Crop size Multi-shot 85,35,28 69 72 70 43 300 78 25, 40 1 13 5, Hand Hand Hand Hand Hand Hand Hand, Auto Hand, Auto Vary 128x64 Vary 128x48 128x64 Vary Vary Vary Yes Yes Yes Yes Yes Yes Yes Yes Tracking sequences Yes Yes No Yes No Yes Yes Yes Intra-class Variation √√ √ √√√ √√√ √√√ √√√ √√√√ √√√√ Các kết bàn luận Bảng 4.2 thể tóm tắt đánh giá so sánh tỷ lệ nhận dạng Rank sở liệu thử nghiệm khác 17 Bảng 4.2 Các đánh giá so sánh định danh lại người Rank (%) với phương pháp sở liệu thử nghiệm khác (Ký hiệu "×" có nghĩa không thực thử nghiệm Với liệu iLIDS, có hai thiết lập thử nghiệm mô tả [6] [2] Datasets CAVIAR4REID iLIDS 37 iLIDS ETHZ1 ETHZ2 ETHZ3 WARD RAiD HDA, MANUALall HDA, MANUALclean HDA, FP ON OCC OFF HDA, FP OFF OCC ON HDA, FP OFF OCC OFF HDA, FP ON OCC ON iLIDS-VID MICA 4.3 AHPE [6] 8.2 42 x x x x x x x x x x x x x x Rank1 recognition rate of different Person Re-ID methods (%) SDALF Direct Stein RDC PLS DVD Method in Original Proposed [9] [2] [2] [21] [23] [10] KDES method x x x x x x 67.7 73.8 37.8 x x x x x 57 64.2 50 44 53.2 x x x 61.7 66.1 x x x 79 x x 80 85 x x x 74 x x 76.7 79.8 x x x 77 x x 75.6 82.3 x x x x x x 43.1 47.3 x x x x x x 50.2 54.1 x x x x x 31.2 31 41.6 x x x x x 18.7 18.6 26.8 x x x x x 62.3 71.9 79.4 x x x x x 5.4 17.8 29.7 x x x x x 5.2 31.7 40.9 x x x x x 66.7 57.6 70.9 x x x x 23.3 x 22.2 24.2 30 x x x x x 67.1 73.1 Kết luận Trong chương này, xem xét toán định danh định danh lại người hệ thống giám sát người tự động hoàn toàn Để kiểm soát người ra/vào vùng giám sát, đề xuất sử dụng hệ thống nhận dạng mặt người Trong vùng giám sát nhiều camera, đoán định danh lại người giải mô tả KDES mạnh Hiệu mô tả diện mạo đánh giá không vùng ROI trích chọn thủ công mà tự động hoàn toàn Chúng kết phát tự động đặt nhiều thách thức cho toán định danh lại người mạng camera Hầu hết sở liệu có cho định danh lại người tập trung vào phát thủ công, đó, sử dụng kết phát người tự động từ liệu MICA2 cho thử nghiệm định danh lại, với ngữ cảnh thực hệ thống giám sát người tự động hoàn toàn CHƯƠNG KẾT HỢP WIFI VÀ CAMERA CHO ĐỊNH VỊ VÀ ĐỊNH DANH NGƯỜI Trong nghiên cứu này, đề xuất hệ thống kết hợp WiFi camera nhằm tăng lượng thông tin giá trị cho định vị định danh lại người Việc kết hợp nhằm đạt mục tiêu sau: ❼ Cải thiện hiệu theo vết định danh lại người mạng camera Chi tiết 18 trình bày phần ❼ Cải thiện chi phí tính toán: Các kết định vị thu từ hệ thống WiFi xem kết thô để kích hoạt tiến trình định vị ảnh camera thuộc vùng kết định vị trả từ hệ thống WiFi Điều giúp giảm chi phí tính toán hệ thống Chỉ có camera vùng định vị trả từ hệ thống WiFi xử lý cho định vị định danh, camera khác không kích hoạt tiến trình 5.1 5.1.1 Hệ thống kết hợp WiFi camera cho định vị định danh lại người Sơ đồ Input sensors WiFi Unimodality Processing WiFi-based localization Multimodality Processing PW , IDW Fusion Camera …… Vision-based localization PC , IDC Detection Tracking Camera n P, ID Localization Identification & Re-ID Hình 5.1 Sơ đồ hệ thống định vị định danh lại người sử dụng kết hợp WiFi camera Hình 5.1 minh họa sơ đồ hệ thống tích hợp WiFi camera cho định vị định danh lại người mạng camera 5.1.2 Phương pháp kết hợp Giải thuật thể phương pháp kết hợp WiFi camera cho định vị định danh người Ở thời điểm t, đồ mặt sàn 2D, tập quan sát vị trí từ hệ c thống WiFi (zw i,t ) hay camera (zj,t ) cho nhiều người đưa Chỉ số i số N đối tượng định vị hệ thống WiFi, số j số M vị trí quan sát hệ thống camera Chúng xem xét đệ quy hai quan sát liên tiếp kết vị trí từ nguồn cảm biến Ở thời điểm t, giả sử có tập quan sát vị trí từ w w w hệ thống WiFi cho N đối tượng, với zw i,t = (Xi,t , Yi,t , IDi,t ) Nếu thời điểm trước c c (t-1) có quan sát zcj,t−1 = (Xj,t−1 , Yj,t−1 ) cho M vị trí từ hệ thống 19 Giải thuật 3: Fusion of position observations from WiFi and camera systems for person localization and Re-ID Input: position observations z from WiFi and camera localization systems Output: position estimations x Parameters initiation: A, H , P , Q, R; for each set of position observations z w w w if zi,t is from WiFi location system [zw i,t = (Xi,t , Yi,t , IDi,t )] then c c if zi,t−1 is from camera location system [zcj,t−1 = (Xi,t−1 , Yi,t−1 )] then c c [xj,t ,Pt ] = KalmanPrediction(A,Q,zj,t−1 ,P t−1 ); Ki,t = Assignment(xcj,t , zw i,t ); w [xi,t , Pt ] = KalmanCorrection(H ,R,Ki,t , xt , P t ); Save xw i,t as a state estimation at time t; end else c c [zcj,t = (Xj,t , Yj,t )] w w w if zi,t−1 is from WiFi localization system [zw i,t−1 = (Xi,t−1 , Yi,t−1 , IDi,t−1 )] then w w [xi,t , P t ] = KalmanPrediction(A,Q,zi,t−1 ,P t−1 ); c Ki,t = Assignment(xw i,t ,zj,t ); [xw i,t , P t ] = KalmanCorrection(H ,R,Ki,t ,xt ,P t ); Save xw i,t as a state estimation at time t; end end end return (xw i,t ); camera Không tính tổng quát, coi quan sát ước lượng trạng thái thời điểm t-1 Bước dự đoán lọc Kalman áp dụng để ước lượng trạng thái xcj,t dựa zcj,t−1 Một giải thuật gán sau sử dụng để tìm mẫu phù hợp tối ưu trạng thái ước lượng xcj,t từ hệ thống camera với quan sát (zw i,t ) từ hệ thống WiFi 5.1.2.1 Bộ lọc Kalman 5.1.2.2 Giải thuật gán tối ưu 5.2 5.2.1 Dữ liệu đánh giá thử nghiệm Dữ liệu thử nghiệm Theo đánh giá chúng tôi, chưa có liệu chuẩn cho định vị định danh kết hợp WiFi camera Để đánh giá giải thuật kết hợp cho định vị định danh lại người sử dụng hệ thống WiFi camera, xây dựng sở liệu đa phương thức cho thử nghiệm 20 5.2.2 Các kết thử nghiệm 5.2.2.1 Các kết thử nghiệm với kịch Bảng 5.1 Các kết so sánh giải thuật kết hợp đề xuất với đánh giá chương với kịch thử nghiệm Evaluations in chapter Hallway (Cam 1) Showroom (Cam 4) The proposed fusion algorithm Hallway (Cam 1) Showroom (Cam 4) FN (%) 17.1 26.4 7.6 12.6 FP (%) 22.7 18.3 3.4 2.1 gID 28.3 11.6 4.9 2.3 GMOTA (%) 31.2 52.6 83.9 85.7 5.2.2.2 Các kết thử nghiệm với kịch Bảng 5.2 Các kết thử nghiệm theo vết người định danh định danh lại người với kịch thử nghiệm GMOTA (%) Rank (%) 5.3 Two people 31.7 12.6 Three people 16.5 8.9 Five people 11.2 5.6 Kết luận KẾT LUẬN VÀ ĐỊNH HƯỚNG NGHIÊN CỨU TIẾP THEO Kết luận Trong luận án, đề xuất hệ thống giám sát người tự động môi trường tòa nhà Mỗi đối tượng hệ thống giám sát vị trí ID xác định từ hai nguồn thông tin cảm biến WiFi hình ảnh Hệ thống kết hợp triển khai ngữ cảnh kiểm soát người vào vùng giám sát, đối tượng giám sát đâu vùng giám sát Hướng tới việc xây dựng hệ thống giám sát tự động hoàn toàn môi trường tòa nhà, số đóng góp đưa luận án sau: ❼ Đối với toán định vị dựa WiFi: Đề xuất mô hình suy hao cải tiến phương pháp dấu vân tay Kết định vị WiFi cho phép kích hoạt tiến trình định vị camera thuộc vùng định vị WiFi ❼ Đối với toán định vị người dựa ảnh: Gồm toán con: phát hiện, theo vết định vị Với toán, đề xuất số cải tiến định nhằm tăng hiệu định vị: 21 – Đối với phát người xem bước tiên cho hệ thống định vị: ✯ Đề xuất mô hình kết hợp HOG-SVM trừ GMM thích nghi Mô hình cho phép tận dụng ưu điểm tính toán nhanh GMM phát xác HOG-SVM ✯ Đề xuất phương pháp hiệu cho khử bóng, xem bước tiền xử lý quan trọng cho phát người Khi áp dụng phương pháp khử bóng đề xuất, hiệu phát định vị cải thiện đáng kể – Với định vị: Đề xuất phương pháp hiệu dựa hiệu chỉnh stereo, cho phép liên kết quỹ đạo chuyển động định vị liên lục đối tượng mạng camera hệ tọa độ giới thực ❼ Với toán định danh lại người dựa hình ảnh: Đề xuất sử dụng mô tả diện mạo người hiệu phù hợp với thay đổi kích thước xoay dịch hình dạng người di chuyển góc nhìn khoảng cách xa gần khác từ camera Bộ mô tả người đề xuất cho phép định danh người vị trí theo vết, từ thực định danh lại người người di chuyển trường quan sát camera hay dịch chuyển từ trường quan sát tới trường quan sát khác ❼ Đề xuất hệ thống kết hợp WiFi camera với phương pháp kết hợp cho định vị định danh lại người Việc kết hợp cho phép giảm chi phí tính toán hệ thống Ngoài ra, phương pháp kết hợp sử dụng lọc Kalman giải thuật gán tối ưu đề xuất để trì kết định vị từ ảnh, đồng thời gán vị trí với đối tượng tương ứng nhờ thông tin ID rõ ràng từ hệ thống WiFi Đóng góp nêu có giá trị cho việc giải toán giám sát người môi trường WiFi đa camera Tuy nhiên, số hạn chế đóng góp này: ❼ Trong định vị WiFi, cần đồ môi trường định nghĩa trước Bản đồ chứa tất tường, sàn, vùng biên, vị trí, địa MAC AP Việc tạo đồ cho môi trường lớn thực thách thức Mặc dù độ xác định vị dựa mô hình đề xuất cải thiện so với kỹ thuật định vị khác hình ảnh, RFID hay UWB kết khiêm tốn ❼ Trong định vị dựa hình ảnh định danh lại mạng camera, phương pháp khử bóng đề xuất chứng minh hiệu cho phát định vị, định danh lại người Tuy nhiên, hạn chế phương pháp cần phải thực huấn luyện vùng bóng Để định vị người hệ tọa độ giới thực, kết theo vết từ hệ tọa độ ảnh chuyển sang hệ tọa độ giới thực Chúng 22 đề xuất phương pháp hiệu chỉnh camera để thực chuyển đổi này, công sức hiệu chỉnh camera độ xác phép chuyển đổi phụ thuộc nhiều vào bước hiệu chỉnh camera Đối với định danh lại người, mô tả người đề xuất mạnh so với số phương pháp khác, hiệu định danh lại người thời gian tính toán mô tả người cần cải thiện thêm, đặc biệt ứng dụng giám sát tự động hoàn toàn ❼ Hướng tiếp cận kết hợp đề xuất WiFi camera cho định vị định danh lại người triển vọng cần có thêm đánh giá với cảnh đông người Định hướng nghiên cứu Các đóng góp nêu luận văn tạo sở cho định hướng nghiên cứu tiếp theo: ❼ Đối với định vị dựa WiFi: – Dấu vân tay phương pháp thông dụng cho độ xác định vị cao Tuy nhiên, lỗi phụ thuộc thiết bị thách thức, cần xây dựng sở liệu vân tay đủ lớn cho loại thiết bị WiFi khác Ngoài ra, cần thực thêm nghiên cứu nhằm hạn chế tác động lỗi phụ thuộc thiết bị – Các cảm biến khác sẵn có điện thoại di động, cảm biến gia tốc, hướng, la bàn nên xem xét để cung cấp thêm nguồn thông tin hữu ích cho định vị – Nên áp dụng thêm phương pháp khác để cải thiện độ xác định vị, giải thuật theo vết, hiệu chỉnh, phương pháp lọc (ví dụ lọc Kalman hay lọc hạt), kết hợp với thông tin đồ thông tin lịch sử vị trí di chuyển ❼ Đối với định vị dựa ảnh: Hiệu định vị phụ thuộc nhiều vào bước phát hiện, theo vết từ chuỗi khung hình việc chuyển đổi từ tọa độ ảnh sang tọa độ giới thực Do đó, cần có thêm cải tiến cho bước này: – Với phát người: Khai thác hướng tiếp cận đa góc nhìn, sử dụng stereo camera, xây dựng mô hình 3D để xử lý tượng che khuất hay phát người với kích thước nhỏ Kết hợp đặc trưng khác nhau, HOG, Haar, dáng điệu, chuyển động mô hình học khác nhau, Boosting, Multiple Kernel Learning, R-CNN hay DPM hướng nghiên cứu khả thi cho phát người Ngoài ra, để cải thiện hiệu phát người, cải tiến cho khử bóng cần xem xét Các kỹ thuật học online với hướng tiếp cận đa đặc trưng áp dụng để cải tiến hiệu 23 phương pháp khử bóng đề xuất – Đối với theo vết định danh lại người: Theo vết định danh nghiên cứu khả thi Nó không cải thiện hiệu theo vết, mà định danh định danh lại người mạng camera Định danh lại người dùng hình ảnh trích chọn vị trí điểm chân người cho phép theo vết định danh, nhiên tốn thời gian xử lý Để cải thiện, ràng buộc thời gian không gian quỹ đạo chuyển động người nên tính đến mô hình dịch chuyển học từ vùng vào trường quan sát camera Dựa mô hình này, định danh lại người thực thời điểm vị trí cần thiết định Ngoài ra, tích hợp cảm biến hình ảnh với cảm biến khác, WiFi, RFID, UWB, , để cung cấp thông tin định danh rõ ràng cho định danh lại người ❼ Đối với định vị định danh người đa phương thức: kỹ thuật lọc hạt phương pháp mở rộng áp dụng giải thuật kết hợp đề xuất để giải toán theo vết phi tuyến Ngoài ra, giải thuật kết hợp mở rộng cho cảm biến tích hợp khác WiFi camera ❼ Xây dựng ứng dụng kiểm soát truy cập, dịch vụ giám sát người thời gian thực dịch vụ thông minh dựa kết định vị định danh người 24 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ [1] Thi Thanh Thuy Pham, Thi-Lan Le, Hai Vu, Trung Kien Dao and Van Toi Nguyen (2016) Fully-Automated Person Re-Identification in Multi-Camera Surveillance System with a Robust Kernel Descriptor and Effective Shadow Removal Method, Journal of Image and Vision Computing (ISI), ISSN: 0262-8856, 2016 [2] Thi Thanh Thuy Pham, Thi-Lan Le and Trung Kien Dao (2016) A Person Re-Identification for Non-overlapping Cameras in Multimodal Person Localization, International Journal On Advances in Systems and Measurements, ISSN: 1942-261x, vol 9, nr 1&2, pp 102-111 (Extended version of UBICOMM paper) [3] Thi Thanh Thuy Pham, Thi-Lan Le and Trung-Kien Dao (2016) Fusion of wifi and visual signals for person tracking, The Seventh International Symposium on Information and Communication Technology, SoICT, Ho Chi Minh, Vietnam, ISBN: 978-1-4503-4815-7, pp 345-351 [4] Thi Thanh Thuy Pham, Trung Kien Dao, Thi Lan Le, Anh Duc Nguyen and Thi Ngoc Yen Pham (2016) A Device-Independent Method for Object Localization based on WiFi RSSI Fingerprinting, Journal of Science and Technology, Technical Universities, ISSN: 2354-1083, vol 114, pp 20-25 [5] Thi Thanh Thuy Pham, Thi-Lan Le, Trung-Kien Dao, Van Toi Nguyen and Duy Hung Le (2015) A Robust Model for Person Re-identification in Multi-modal Localization, The Ninth International Conference on Mobile Ubiquitous Computing, Systems, Services and Technologies, UBICOMM, Nice, France, ISBN: 978-1-61208418-3, pp 38-43 [6] Thanh-Thuy Pham, Hai Vu and Anh Tuan Pham (2015) A Robust Shadow Removal Technique Applying For Person Localization in a Surveillance Environment, The Sixth International Symposium on Information and Communication Technology, SoICT, Hue, Vietnam, ISBN: 978-1-4503-3843-1, pp 268-275 [7] Thanh-Thuy Pham, Hai Vu and Anh Tuan Pham (2015) A New Technique for Linking Person Trajectories in Surveillance Camera Network, The Eighth National Conference on Fundamental and Applied IT Research, FAIR, Hanoi, Vietnam, ISBN: 978-604-913-397-8, pp 8-15 [8] Thanh-Thuy Pham, Viet Cuong Ta, Thi-Lan Le, Trung-Kien Dao, Ngoc-Yen Pham (2015) Dataset Construction for Multi-modal Indoor Person Localization and Identification Evaluation, Journal of Science and Technology, Technical Universities, ISSN: 2354-1083, vol 107C, pp 112-117 [9] Thanh-Thuy Pham, Thi-Lan Le, Trung-Kien Dao, Ngoc-Yen Pham (2014) Access control using human face recognition, Journal of Science and Technology Technical Universities, ISSN: 0868-3980, vol 101C, pp 159-164 [10] Thi Thanh Thuy Pham, Thi-Lan Le, Trung-Kien Dao and Thi Ngoc Yen Pham (2014) Vision-based people detection, tracking and localization in indoor environments, National Conference on Electronics, Communications and Information Technology, REV-ECIT, Nha Trang, Vietnam, ISBN: 978-604-67-0349-5, pp 147152 [11] Trung-Kien Dao, Hung-Long Nguyen, Thanh-Thuy Pham, Eric Castelli,VietTung Nguyen and Dinh-Van Nguyen (2014) User Localization in Complex Environments by Multimodal Combination of GPS, WiFi, RFID, and Pedometer Technologies, The Scientific World Journal, ISSN: 2356-6140, vol 2014, no 814538, DOI: 10.1155/2014/814538 [12] Trung-Kien Dao, Thanh-Thuy Pham, Eric Castelli (2013) A Robust WLAN Positioning System based on Probabilistic Propagation Model, The Ninth International Conference on Intelligent Environments, IE, Athens, Greece, ISBN: 978-07695-5038-1, pp 24-29, DOI: 10.1109/IE.2013.8 BIBLIOGRAPHY [1] Aarts E et al (2006) Into ambient intelligence Springer [2] Alavi A., Yang Y., Harandi M., and Sanderson C (2013) Multi-shot person reidentification via relational stein divergence In 2013 20th IEEE International Conference on Image Processing (ICIP), pp 3542–3546 IEEE [3] Anne M., Crowley J.L., Devin V., and Privat G (2005) Localisation intrabâtiment multi-technologies: Rfid, wifi et vision In Proceedings of the 2nd Frenchspeaking conference on Mobility and ubiquity computing, pp 29–35 ACM [4] Arsham Farshad Jiwei Li M.K.M.F.J.G (2013) A Microscopic Look at WiFi Fingerprinting for Indoor Mobile Phone Localization in Diverse Environments 2013 International Conference on Indoor Positioning and Indoor Navigation [5] Bahl P and Padmanabhan V.N (2000) Radar: An in-building rf-based user location and tracking system In INFOCOM 2000 Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies Proceedings IEEE , volume 2, pp 775–784 Ieee [6] Bazzani L., Cristani M., Perina A., and Murino V (2012) Multiple-shot person re-identification by chromatic and epitomic analyses Pattern Recognition Letters, 33(7):pp 898–903 [7] Bo L., Ren X., and Fox D (2010) Kernel descriptors for visual recognition In Advances in neural information processing systems (NIPS), pp 244–252 [8] Dalal N and Triggs B (2005) Histograms of oriented gradients for human detection In IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), volume 1, pp 886–893 IEEE [9] Farenzena M., Bazzani L., Perina A., Murino V., and Cristani M (2010) Person re-identification by symmetry-driven accumulation of local features In 2010 IEEE Conference on Computer Vision and Pattern Recognition (CVPR’10), pp 2360– 2367 IEEE [10] Figueira D and Bernardino A (2011) Re-identification of visual targets in camera networks: a comparison of techniques In Image Analysis and Recognition, pp 294–303 Springer [11] Figueiras J and Frattasi S (2011) Mobile positioning and tracking: from conventional to cooperative techniques John Wiley & Sons [12] Harley P (1989) Short distance attenuation measurements at 900 mhz and 1.8 ghz using low antenna heights for microcells Selected Areas in Communications, IEEE Journal on, 7(1):pp 5–11 [13] Jungmin So Joo-Yub Lee C.H.Y.H.P (2013) An Improved Location Estimation Method for Wifi Fingerprint-based Indoor Localization International Journal of Software Engineering and Its Applications [14] Martin E., Vinyals O., Friedland G., and Bajcsy R (2010) Precise indoor localization using smart phones In Proceedings of the international conference on Multimedia, pp 787–790 ACM [15] Mautz R (2012) Indoor positioning technologies Ph.D thesis, Habilitationsschrift ETH Z¨ urich, 2012 [16] Mirowski P., Ho T.K., Yi S., and MacDonald M (2013) Signalslam: Simultaneous localization and mapping with mixed wifi, bluetooth, lte and magnetic signals In Indoor Positioning and Indoor Navigation (IPIN), 2013 International Conference on, pp 1–10 IEEE [17] Nandakumar K., Chen Y., Dass S.C., and Jain A (2008) Likelihood ratio-based biometric score fusion IEEE transactions on pattern analysis and machine intelligence, 30(2):pp 342–347 [18] NGUYEN V.T., LE T.L., TRAN T.H., MULLOT R., and COURBOULAY V (2015) A new hand representation based on kernels for hand posture recognition In The Eleventh IEEE International Conference on Automatic Face and Gesture Recognition (FG 2015) [19] Pfeifer T (2005) Redundant positioning architecture Computer Communications, 28(13):pp 1575–1585 [20] Sanin A., Sanderson C., and Lovell B.C (2012) Shadow detection: A survey and comparative evaluation of recent methods Pattern recognition, 45(4):pp 1684– 1695 [21] Schwartz W.R and Davis L.S (2009) Learning discriminative appearance-based models using partial least squares In 2009 XXII Brazilian Symposium on Computer Graphics and Image Processing (SIBGRAPI), pp 322–329 IEEE [22] Stauffer C and Grimson W.E.L (1999) Adaptive background mixture models for real-time tracking In Computer Vision and Pattern Recognition, 1999 IEEE Computer Society Conference on., volume IEEE [23] Wang T., Gong S., Zhu X., and Wang S (2014) Person re-identification by video ranking In Computer Vision–ECCV 2014 , pp 688–703 Springer [24] Welch G., Bishop G., Vicci L., Brumback S., Keller K., and Colucci D (2001) High-performance wide-area optical tracking: The hiball tracking system presence: teleoperators and virtual environments, 10(1):pp 1–21 [25] Zivkovic Z (2004) Improved adaptive gaussian mixture model for background subtraction In Proceedings of the 17th International Conference on Pattern Recognition (ICPR), volume 2, pp 28–31 IEEE ... CHƯƠNG KẾT HỢP WIFI VÀ CAMERA CHO ĐỊNH VỊ VÀ ĐỊNH DANH NGƯỜI Trong nghiên cứu này, đề xuất hệ thống kết hợp WiFi camera nhằm tăng lượng thông tin giá trị cho định vị định danh lại người Việc kết hợp. .. Chương 5: Giải pháp kết hợp thông tin WiFi hình ảnh cho định vị, định danh định danh lại người đánh giá thử nghiệm ❼ Kết luận định hướng nghiên cứu luận án CHƯƠNG ĐÁNH GIÁ CHUNG CÁC CÔNG TRÌNH CÓ... với kỹ thuật định vị khác hình ảnh, RFID hay UWB kết khiêm tốn ❼ Trong định vị dựa hình ảnh định danh lại mạng camera, phương pháp khử bóng đề xuất chứng minh hiệu cho phát định vị, định danh