Trang / 90 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGOẠI NGỮ-TIN HỌC THÀNH PHỐ HỒ CHÍ MINH LÊ THÁI TÚ TIỀN HỆ THỐNG ĐIỂM DANH HỌC SINH THÔNG QUA NHẬN DẠNG ĐẦU HỌC SINH KẾT HỢP THEO VẾT CHUYỂN ĐỘNG TRONG VIDEO LUẬN VĂN THẠC SĨ Ngành: CƠNG NGHỆ THƠNG TIN Mã sớ: 60480201 NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS PHẠM THẾ BẢO TP HỒ CHÍ MINH – THÁNG NĂM 2019 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang / 90 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu thân hướng dẫn PGS.TS Phạm Thế Bảo Các số liệu, kết trình bày luận văn trung thực Những tư liệu sử dụng luận văn có nguồn gốc trích dẫn rõ ràng, đầy đủ Học viên Lê Thái Tú Tiền Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang / 90 Học viên bảo vệ thành công luận văn ngày 04/6/2019, Hội đồng đánh giá luận văn thạc sĩ thành lập theo Quyết định số 115/QĐ-ĐNT ngày 20/5/2019 Hiệu trưởng Trường ĐH Ngoại ngữ-Tin học TP.HCM, với tham gia của: Chủ tịch Hội đồng: PGS.TS Trần Văn Lăng ĐH Lạc Hồng (Đồng Nai) Phản biện 1: TS Nguyễn Đức Cường Phản biện 2: PGS.TS Nguyễn Thanh Bình ĐH Bách Khoa (ĐHQG TP.HCM) Ủy viên: PGS.TS Lê Hoàng Thái ĐH KHTN (ĐHQG TP.HCM) Thư ký: Tiến sĩ Trần Minh Thái ĐH Ngoại ngữ-Tin học TP.HCM Luận văn Thạc sĩ Công nghệ thông tin ĐH Ngoại ngữ-Tin học TP.HCM Lê Thái Tú Tiền 16CH201014 Trang / 90 DANH MỤC CÁC CHỮ VIẾT TẮT TỪ ĐẦY ĐỦ NGHĨA TT TỪ VIẾT TẮT ANN Artificial Neural Network CNN Convolutional Neural Network Mạng nơ-ron tích chập FCNN Full Convolution Neural Network Mạng nơ-ron tích chập đầy đủ HOG Histogram of orientation gradients Lược đồ định hướng gradient LCT Long-term correlation tracking Theo vết tương quan dài hạn MOSSE MLP Mạng nơ-ron nhân tạo Minimum output sum of squared error Bình phương sai số tổng đầu nhỏ Multilayer Perceptron Mạng thần kinh nhân tạo truyền thẳng nhiều lớp R-CNN Region proposals + CNN CNN khu vực SVM Support vector machine Máy vectơ hỗ trợ 10 YOLO You only look once Bạn nhìn lần Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang / 90 DANH MỤC CÁC HÌNH VẼ TT TÊN NỘI DUNG TRANG Hình 1.1 Mơ hình phân cấp phát vùng đầu theo thời gian thực 15 Hình 1.2 So sánh kết entropy giai đoạn 16 Hình 2.1 Cấu trúc mạng thần kinh nhân tạo 24 Hình 2.2 Ma trận cửa sổ trượt 26 Hình 2.3 Cấu trúc lớp CNN 28 Hình 2.4 Trường tiếp nhận cục 30 Hình 2.5 Nơ-ron lớp ẩn 30 Hình 2.6 Nơ-ron lớp ẩn 31 Hình 2.7 Một sơ đồ đặc trưng 31 10 Hình 2.8 Lớp tổng hợp CNN 33 11 Hình 2.9 Sự kết hợp lớp tích chập max-pooling 33 12 Hình 2.10 Các lớp tạo thành CNN cho 10 giá trị 34 13 Hình 2.11 Giai đoạn phân vùng ảnh 37 14 Hình 2.12 Giai đoạn xác định đối tượng 38 15 Hình 2.13 Chín hình dạng mẫu đối tượng 40 16 Hình 3.1 Mơ hình tốn điểm danh học sinh dùng camera 51 17 Hình 4.1 Danh sách video quay lớp học 68 18 Hình 4.2 Danh sách frame hình chọn huấn luyện từ 30 video 69 19 Hình 4.3 Đối tượng bị vật thể che khuất lớp TĐC34A 79 20 Hình 4.4 Phát sai đối tượng lớp TKT33-3N 79 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang / 90 TT TÊN NỘI DUNG TRANG 21 Hình 4.5 Hình frame thứ 76 lớp TCB33-3N 80 22 Hình 4.6 Hình frame thứ 91 lớp TCB33-3N 81 23 Hình 4.7 Hình frame thứ 99 video M06 (lớp TCB333N) 81 24 Hình 4.8 Hình frame thứ 27 lớp TNT34 82 25 Hình 4.9 Hình frame thứ 45 lớp TNT34 82 26 Hình 4.10 Hình frame thứ 99 video M42 (lớp TNT34) 83 27 Hình 4.11 Hình frame thứ 27 lớp TTP34 83 28 Hình 4.12 Hình frame thứ 99 lớp TTP34 84 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang / 90 DANH MỤC CÁC BẢNG BIỂU, SƠ ĐỒ TT TÊN NỘI DUNG Sơ đồ 1.1 Sơ đồ mô tả phát đối tượng chuyển động Bảng 4.1 Danh sách 45 video dùng làm liệu Bảng 4.2 Danh sách 45 video phân nhóm theo buổi 63 Bảng 4.3 Danh sách 45 video phân nhóm theo phịng 64 Bảng 4.4 Danh sách 45 video phân nhóm theo tầng 64 Bảng 4.5 Danh sách 45 video phân nhóm theo ánh sáng 64 Bảng 4.6 Độ xác tốn điểm danh phân nhóm theo buổi 67 Biểu đồ 4.1 Độ xác tốn điểm danh phân nhóm theo buổi 68 Bảng 4.7 Độ xác tốn điểm danh phân nhóm theo phịng 68 10 Biểu đồ 4.2 Độ xác tốn điểm danh phân nhóm theo phịng 69 11 Bảng 4.8 Độ xác tốn điểm danh phân nhóm theo tầng 70 12 Biểu đồ 4.3 Độ xác tốn điểm danh phân nhóm theo tầng 70 13 Bảng 4.9 Độ xác tốn điểm danh phân nhóm theo ánh sáng 71 14 Biểu đồ 4.4 Độ xác tốn điểm danh phân nhóm theo ánh sáng 71 15 Bảng 4.10 Độ xác tốn điểm danh phân nhóm theo lớp học 72 16 Biểu đồ 4.5 Độ xác tốn điểm danh phân nhóm theo lớp học 73 Luận văn Thạc sĩ Cơng nghệ thông tin TRANG 16 61 – 63 Lê Thái Tú Tiền 16CH201014 Trang / 90 MỤC LỤC LỜI CAM ĐOAN DANH MỤC CÁC CHỮ VIẾT TẮT DANH MỤC CÁC HÌNH VẼ DANH MỤC CÁC BẢNG BIỂU, SƠ ĐỒ MỤC LỤC LỜI CẢM ƠN 10 TỔNG QUAN 11 Đặt vấn đề 11 Giới thiệu toán 13 Các hướng tiếp cận 14 1.3.1 Xác định vị trí vùng đầu ảnh 14 1.3.2 Theo vết chuyển động đối tượng 18 Đề xuất hướng giải 21 CƠ SỞ LÝ THUYẾT 23 Mạng nơ-ron nhân tạo 23 Mạng nơ-ron tích chập 26 2.2.1 Tổng quan 26 2.2.2 Mơ hình CNN 27 2.2.3 Xây dựng CNN cho phân loại ảnh 29 Phát đối tượng 34 2.3.1 Tổng quan 34 2.3.2 Phương pháp phát đối tượng 36 Theo vết chuyển động dựa tương quan 42 2.4.1 Giới thiệu 42 2.4.2 Những vấn đề liên quan đến thuật toán 44 2.4.3 Thuật toán theo vết đối tượng dựa đặc trưng tương quan 47 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang / 90 2.4.4 Tổng kết 49 XÂY DỰNG THUẬT TOÁN 50 Phát vùng đầu học sinh ảnh 51 Theo vết chuyển động 57 Tính vị trí tâm trung bình vùng đầu học sinh 60 Điểm danh học sinh lớp học 61 KẾT QUẢ VÀ HƯỚNG PHÁT TRIỂN 64 Môi trường thực nghiệm 64 Xây dựng liệu 64 Kết 69 4.3.1 Kết chi tiết 70 4.3.2 Các trường hợp sai toán điểm danh học sinh 78 Đánh giá 84 4.4.1 Ưu điểm 85 4.4.2 Nhược điểm 85 Hướng phát triển 86 TÀI LIỆU THAM KHẢO 88 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 10 / 90 LỜI CẢM ƠN Trước tiên, xin gửi lời cám ơn chân thành đến quý thầy cô Trường Đại học Ngoại ngữ-Tin học Thành phố Hồ Chí Minh, Q thầy tham gia giảng dạy cho lớp Cao học Công nghệ thông tin khóa 1, người nhiệt tình cung cấp kiến thức, dạy tận tình học quý báu suốt thời gian học tập Trường Tôi xin chân thành cám ơn sâu sắc đến PGS.TS Phạm Thế Bảo, bận rộn với vô số cơng việc vai trị Trưởng mơn Ứng dụng tin học Trường Đại học Khoa học tự nhiên công tác giảng dạy Thầy hướng dẫn tận tình, chu đáo, cung cấp nhiều kiến thức chun mơn kịp thời bổ ích suốt thời gian thực luận văn Tôi xin cảm ơn Quý thầy cô, anh chị cán bộ, nhân viên thuộc Ban Khoa học-Hợp tác Đào tạo sau đại học Trường Đại học Ngoại ngữ-Tin học Thành phố Hồ Chí Minh tạo điều kiện thuận lợi cho chúng tơi hồn thành khóa học Mặc dù cố gắng để hoàn thành tốt luận văn chắn khơng tránh khỏi thiếu sót, mong nhận bảo Quý thầy cô Thành phố Hồ Chí Minh, tháng năm 2019 Học viên thực Lê Thái Tú Tiền Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 76 / 90 - Bài toán điểm danh học sinh phân nhóm theo lớp học có kết bảng 4.10 thể qua biểu đồ 4.5 Bảng 4.10 Độ xác tốn điểm danh học sinh phân theo lớp ĐỘ CHÍNH XÁC (%) TT TÊN LỚP SỐ VIDEO PHÁT HIỆN THEO VẾT ĐIỂM DANH TKT33 03 94,44 100 97,22 TTP33-3N 03 100 100 100 TTP33 03 100 100 100 TCB33-3N 03 100 95 97,5 TĐC33 03 100 100 100 TĐC33-3N 03 100 100 100 TĐC34A 03 88,88 100 94,44 TĐC34B 03 100 100 100 TKT33-3N 03 100 100 100 10 TKT34 03 96,77 100 98,39 11 TNT33 03 100 94,11 97,06 12 TBN34B 03 100 100 100 13 TBN34A 03 96 100 98 14 TNT34 03 100 100 100 15 TTP34 03 100 100 100 98,41 99,27 98,84 TRUNG BÌNH Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 77 / 90 Biểu đồ 4.5 Độ xác tốn điểm danh phân nhóm theo lớp 102 100 98 96 94 92 90 88 86 84 82 TKT33 TTP33-3N TTP33 TCB33-3N TĐC33 TĐC33-3N TĐC34A PHÁT HIỆN Luận văn Thạc sĩ Công nghệ thông tin TĐC34B TKT33-3N THEO VẾT TKT34 TNT33 TBN34B ĐIỂM DANH Lê Thái Tú Tiền 16CH201014 TBN34A TNT34 TTP34 Trang 78 / 90 4.3.2 Các trường hợp sai bài toán điểm danh học sinh Bài toán điểm danh học sinh có số trường hợp điểm danh cho kết sai bao gồm sai hai giai đoạn: sai trình phát vùng đầu học sinh lớp học sai theo vết chuyển động vùng đầu học sinh lớp học 4.3.2.1 Giai đoạn phát vùng đầu học sinh Giai đoạn phát vùng đầu học sinh lớp học có trường hợp sai sau: - Trường hợp sai thứ đối tượng bị vật thể che khuất Trong hình 4.3, học sinh ngồi đầu bàn thứ hai dãy bên trái lớp học cuối đầu xuống mặt bàn bị học sinh ngồi phía che khuất nên hệ thống điểm danh không nhận dạng đối tượng Học sinh ngồi cuối đầu xuống mặt bàn liên tục thời gian lâu (khả ngủ gục lười nghe giảng bài) nên dẫn đến hệ thống điểm danh dù chuyển qua nhiều frame ảnh khác kết phát vùng đầu nhận vùng đầu bạn - Trường hợp sai thứ hai hệ thống điểm danh phát sai đối tượng Trường hợp thể qua kết hình 4.4, phịng học khu vực dãy bàn thứ bên trái lớp học khơng có đủ ánh sáng bị rèm cửa che chắn (để giáo viên dùng máy chiếu) với việc học sinh ngồi gần để thảo luận liên tục (trong nhiều frame ảnh) nên hệ thống phát sai Cả hai trường hợp phát sai nêu trên, tăng cường ánh sáng tăng thời lượng video liệu điểm danh lên (tránh trường hợp học sinh thảo luận, ngủ gục ngồi gần nói chuyện lâu) khắc phục trường hợp phát sai hệ thống Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 79 / 90 Hình 4.3 Đối tượng bị vật thể che khuất lớp TĐC34A Hình 4.4 Phát sai đối tượng lớp TKT33-3N (phịng 301) Luận văn Thạc sĩ Cơng nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 80 / 90 4.3.2.2 Giai đoạn theo vết chuyển động Trong giai đoạn theo vết chuyển động vùng đầu học sinh lớp có trường hợp theo vết sai thơng tin bị thay đổi Các trường hợp sai cụ thể mơ tả frame hình sau đây: - Trong hình 4.5 frame thứ 76 (video quay lớp TCB33-3N), hình chữ nhật đánh dấu bao gồm phần đầu phần tay học sinh áo xám ngồi dãy bàn thứ hai bên trái lớp học Ở hình 4.6 frame thứ 91 video lớp này, học sinh áo xám nâng tay lên, hình chữ nhật mở rộng theo đặc trưng màu xám, làm ảnh hưởng phần đến đặc trưng để theo dõi Qua đến frame hình thứ 99 (hình 4.7), học sinh áo xám lại giơ tay lên ngang, lúc hình chữ nhật mở rộng lớn, nên đặc trưng vùng đầu học sinh hình chữ nhật bao quanh khơng còn, dẫn đến kết theo vết vùng đầu học sinh bị sai Hình 4.5 Hình frame thứ 76 lớp TCB33-3N Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 81 / 90 Hình 4.6 Hình frame thứ 91 lớp TCB33-3N Hình 4.7 Hình frame thứ 99 lớp TCB33-3N - Video lớp TNT33, hình 4.8 frame thứ 27, bắt đầu trình theo vết chuyển động vùng đầu học sinh ngồi phía dãy bàn thứ bên trái Đến frame thứ 45 (hình 4.9), kích thước hình chữ nhật bao quanh vùng đầu học sinh (ngồi phía bàn thứ dãy bàn bên trái) Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 82 / 90 lớn lên, nhiên đến kích thướclại giữ nguyên cho frame tiếp theo, hình 4.10 Nghĩa q trình theo vết khơng ghi nhận chuyển động vùng đầu học sinh này, kết theo vết trường hợp bị sai Hình 4.8 Hình frame thứ 27 lớp TNT34 Hình 4.9 Hình frame thứ 45 lớp TNT34 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 83 / 90 Hình 4.10 Hình frame thứ 99 video M42 (lớp TNT34) Hệ thống điểm danh học sinh ghi nhận số trường hợp theo vết không sai, nhiên xét đến việc theo vết vùng đầu học sinh hình chữ nhật bao quanh vùng đầu bỏ qua Trường hợp cụ thể mơ tả frame hình video lớp TTP34 - Hình 4.11 frame bước theo vết, hình chữ nhật bao quanh khởi tạo vật thể màu đen Hình 4.11 Hình frame thứ 27 lớp TTP34 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 84 / 90 - Hình 4.12 frame cuối bước theo vết, học sinh ngước đầu lên hình chữ nhật bao quanh vùng đầu học sinh dịch chuyển lên Hình 4.12 Hình frame thứ 99 lớp TTP34 Đánh giá Bài toán điểm danh học sinh với theo vết chuyển động kết hợp nhận dạng vùng đầu học sinh qua camera cho kết giai đoạn phát 98,41% kết giai đoạn theo vết 99,27% Kết trung bình tốn điểm danh 98,84% với tổng thời gian thực 2,8 giây Có kết hệ thống điểm danh có cải tiến thuật tốn với việc xác định đối tượng cần theo dõi (điểm danh) từ frame hình (n frame đầu tiên) Vì đối tượng, góc độ frame thứ khơng phát được, góc độ khác frame thứ n cung cấp đủ thơng tin để hệ thống phát Đây giai đoạn quan trọng giúp cho kết toán đạt độ xác Luận văn Thạc sĩ Cơng nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 85 / 90 4.4.1 Ưu điểm Bài toán điểm danh học sinh có ưu điểm thực nghiệm mơi trường lớp học nghề, có sĩ số lớp ổn định Lớp có sĩ số 16 học sinh lớp cao có sĩ số 32 học sinh (trung bình 25 học sinh/lớp) Bên cạnh khơng gian lớp học rộng, có độ cao vừa đủ nên dễ dàng lắp đặt camera để ghi hình lớp học từ cao, điều thuận lợi cho việc nhận dạng vùng đầu theo vết chuyển động vùng đầu toàn học sinh từ dãy đầu đến dãy cuối lớp học Sự phát triển công nghệ với thiết bị camera ghi hình tốt, đem lại chất lượng hình ảnh rõ nét giúp cho việc phân tích liệu frame ảnh dễ dàng cho kết xác toán điểm danh học sinh lớp học Thuật tốn có cải tiến việc xác định nhiều frame ảnh thời điểm khác để phát theo vết chuyển động vùng đầu học sinh kết điểm danh xác Ví dụ, frame ảnh bất kỳ, phát đối tượng có khả vùng đầu học sinh, đến frame sau cho kết khơng phải vùng đầu không khớp với liệu tập huấn luyện vùng đầu, kết hợp thêm vài frame ảnh để thuật toán kết luận vùng khả nghi đầu học sinh khơng tính vào kết điểm danh Hoặc thời điểm frame ảnh, khơng có vùng đầu học sinh, frame lại có vùng đầu học sinh, kết điểm danh có vùng đầu học sinh vùng thuật tốn giúp trộn dữ liệu n frame ảnh khác để tính tâm trung bình vùng đầu học sinh nên kết với vị trí ngồi học sinh lớp học 4.4.2 Nhược điểm Tập liệu video lớp học chưa quay nhiều lớp nhiều ngày khác nhau, hay nói cách khác liệu video quay lớp học chưa lớn Nếu liệu video quay phim lớp học nhiều hơn, quay nhiều ngày đa dạng phong phú cho tập huấn luyện vùng đầu học sinh, Luận văn Thạc sĩ Cơng nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 86 / 90 kết độ xác tốn khả nâng cao Đồng thời với nhiều liệu tập video huấn luyện khả giúp khắc phục số lỗi phát sai theo vết sai trình bày Một số lớp học, vị trí ngồi học học sinh lộn xôn, chưa theo thứ tự không ổn định theo quy định Nên toán điểm danh cho kết điểm danh số lượng học sinh, khả xác định xác học sinh vắng khơng cao có số trường hợp em học đổi chổ ngồi Bài toán điểm danh học sinh thực liệu video quay sẵn Hệ thống chưa cài đặt để lấy liệu trực tiếp từ video quay từ lớp truyền qua mạng xuống hệ thống để điểm danh trực thời gian thực Hướng phát triển Để tăng độ xác cho bước theo vết, thay cập nhật liên tục, ta thực nhảy frame để đối tượng thay đổi hình dạng theo vết Bên cạnh phát theo vết chuyển động vùng đầu học sinh, kết hợp thêm phương pháp nhận dạng đặc trưng khác để tăng thêm độ xác tốn có trường hợp phát sai Bài toán điểm danh học sinh cần kết nối trực tiếp với camera quay trực tiếp lớp học điểm danh trực tiếp thông qua hệ thống mạng theo thời gian thực Ngoài ra, để phát triển hệ thống điểm danh học sinh cần tính thời gian di chuyển học sinh học, để phát học sinh đổi chổ, bỏ tiết, vệ sinh lâu (có thể bị tai nạn) Hệ thống kết hợp thêm camera hành lang để theo vết chuyển động học sinh từ đánh giá cho kết vi phạm học sinh Bên cạnh hệ thống phát trường hợp học sinh tụ tập đơng (có thể quậy phá, đánh nhau), phát trường hợp học sinh té ngã…Hệ thống giúp nâng cao khả giám sát học sinh, giúp cho môi trường giáo dục Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 87 / 90 cải thiện Điều quan trọng cần thiết thời buổi công nghệ phát triển Ngoài ra, phát triển hệ thống điểm danh học sinh tự động phù hợp với đề án xây dựng thị thơng minh thành phố nói riêng xã hội nói chung cách mạng công nghiệp 4.0 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 88 / 90 TÀI LIỆU THAM KHẢO Việt ngữ: [1] Nguyễn Văn Căn, “Theo dõi phân loại đối tượng dựa biên toán giám sát đối tượng chuyển động”, Đại học Kỹ thuật – Hậu cần CAND, 2013 [2] Nguyễn Khắc Hiếu, Nguyễn Thị Vân Anh, Dự báo lạm phát Việt Nam mơ hình mạng thần kinh nhân tạo, Đại học sư phạm kỹ thuật, TP.HCM [3] Nguyễn Văn Hùng, Nguyễn Văn Xuất, Lê Mạnh Cường; Một phương pháp phát đối tượng ứng dụng hệ thống tự động bám mục tiêu, Kỷ yếu Hội nghị Quốc gia lần thứ VIII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 9-10/7/2015 [4] Jackie Pham, “Những ứng dụng bất ngờ công nghệ nhận dạng khuôn mặt”, Tech enthusiast Art lover, 06/07/2018, [5] PGS TS Ngô Văn Quận, TS Đỗ Phương Thảo, Nghiên cứu ứng dụng mạng thần kinh nhân tạo (ANN) dự báo lưu lượng nước đến hồ chứa Cửa Đạt, Trường Đại học Thủy Lợi [6] Minh Thư, “Đề án xây dựng thành phố thông minh”, Cổng thông tin điện tử Ủy ban nhân dân Thành phố Hồ Chí Minh, 05/07/2018, [7] Trần Thanh Việt, “Một kỹ thuật phát hiện, bám sát đối tượng ứng dụng”, Tạp chí khoa học, Đại học Lạc Hồng, Đồng Nai, 2011 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 89 / 90 Anh ngữ: [8] A A Shafie, Fadhlan Hafiz and M H Ali, Motion Detection Techniques Using Optical Flow, World Academy of Science, Engineering and Technology International Journal of Electrical and Computer Engineering Vol:3, No:8, 2009 [9] Adam Geitgey, Deep Learning and Convolutional Neural Networks, SelfEmployed, Lynda.com, 2016 [10] A M a N Paragios, "Motion Based Background Subtraction using Adaptive Kernel Density Estimation", pp 302-309, IEEE, 2004 [11] Amar Toor, This Frech school is using facial recognition to find out when students aren’t paying attention, The Verge, Vox Media Inc, 19/06/2018: [12] Belongie, S., Malik, J., Puzicha, J Shape matching anh object recognition using shape context Pattern Analysis and Machine Intelligence, IEEE Transactions, vol 24, pp.509-522, 2002 [13] C a W.Grimson, "Adaptive Background mixture models for Real-time tracking", IEEE, 2009 [14] Chao Ma1, Xiaokang Yang, Chongyang Zhang and Ming-Hsuan Yang, Long-term Correlation Tracking, IEEE, 2015 [15] C.Stauffer and W.Grimson, "Adaptive Background mixture models for Real-time tracking" pp 750-755, IEEE, 2009 [16] Eike Rehder, Horst Kloeden and Christoph Stiller, Head Detection and Orientation Estimation for Pedestrian Safety, IEEE Int Conf Inttelligent Transportation Systems, 2014, pp 2292-2297 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014 Trang 90 / 90 [17] HEXUS Community, “ECS will present new solutions at Computex 2018”, 06/07/2018, [18] Highlight Manufacturing Corp.,Limited, Bus passenger counter and Camera people counting, China, 06/07/2018, [19] M C Le, S.L Phung, A Bouzerdoum, Lane Detection in Unstructured Environments for Autonomous Navigation Systems, in Proceedings of the Assian Conference on Computer Vision, pp.414-429, 2014 [20] N Dalal and B Triggs, “Histograms of oriented gradients for human detection”, vol 1, Jun 2005, pp 886 –893 vol [21] Open Source Computer Vision Library – Reference Manual, 22/05/2018, [22] Pedro Felzenszwalb , Efficient Graph-Based Image Segmentation, International Journal of Computer Vision 59(2), 167–181, 2004 [23] P Felzenszwalb, D McAllester, and D Ramanan, “A discriminatively trained, multiscale, deformable part model”, in IEEE Conference on Computer Vision and Pattern Recognition, 2008 CVPR 2008, Jun 2008, pp 1–8 [24] Tales Lima Fonseca, Optical flow estimation, What’s happening inside the Convolutional Neural Network? The answer is Convolution, Federal University of Juiz de Fora, 2017 Luận văn Thạc sĩ Công nghệ thông tin Lê Thái Tú Tiền 16CH201014