ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA  TRƯƠNG THỊ THẾ QUANG PHÂN TÍCH DÁNG ĐI CỦA NGƯỜI BỊ VẸO CỘT SỐNG SỬ DỤNG ĐẶC TRƯNG HOG Chuyên ngành: Khoa học máy tính Mã số: 60.48.01 TĨM TẮT LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Đà Nẵng – Năm 2018 Cơng trình hồn thành TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học: TS HUỲNH HỮU HƯNG Phản biện 1: TS Phạm Minh Tuấn Phản biện 2: PGS.TS Lê Mạnh Thạnh Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ Khoa học máy tính Trường Đại học Bách khoa vào ngày 08 tháng 12 năm 2018 Có thể tìm hiểu luận văn tại:  Trung tâm Học liệu, Đại học Đà Nẵng Trường Đại học Bách khoa  Thư viện Khoa Công nghệ thông tin, Trường Đại học Bách khoa – ĐHĐN MỞ ĐẦU Lý chọn đề tài Cột sống có vai trò quan trọng hoạt động sống người Nó tạo thành khung nâng đỡ thể, tạo cho người có dáng đứng thẳng, bảo vệ tủy sống quan nội tạng thể Tuy nhiên, tỉ lệ bệnh vẹo cột sống phổ biến, đặc biệt lứa tuổi học đường Ngày nay, nghiên cứu lĩnh vực thị giác máy tính hỗ trợ nhiều công tác y tế, đặc biệt nghiên cứu phân tích dáng giúp quan sát bệnh nhân phát sớm số bệnh tật Ứng dụng phân tích dáng lĩnh vực y tế triển khai từ sớm để chuẩn đoán phát bệnh tiềm ẩn liên quan đến khung xương Từ trạng lý tơi xin đề xuất đề tài: “Phân tích dáng người bị bệnh vẹo cột sống sử dụng đặc trưng HOG” Mục tiêu nội dung nghiên cứu 2.1 Mục tiêu nghiên cứu Mục tiêu đề tài xây dựng giải pháp đề xuất để phân tích dáng người bệnh vẹo cột sống, áp dụng phương pháp trích xuất đặc trưng HoG với xây dựng mơ hình huấn luyện dựa mơ hình SVM để phân tích dáng xem người có bị bệnh vẹo cột sống hay khơng? 2.2 Nội dung nghiên cứu Nội dung nghiên cứu luận văn gồm: - Tìm hiểu biểu lâm sàng dáng người bệnh vẹo cột sống; - Nghiên cứu giải pháp nhận dạng dáng người bị bệnh vẹo cột sống; - Nghiên cứu thiết bị phân tích dáng đi, kỹ thuật trích chọn đặc trưng, mơ hình sử dụng phân tích nhận dạng dáng đi; - Tìm hiểu phương pháp trích chọn đặc trưng HOG; - Xây dựng chương trình demo để kiểm tra, đánh giá kết Đối tượng phạm vi nghiên cứu 3.1 Đối tượng nghiên cứu Luận văn tập trung tìm hiểu vấn đề sau: - Dáng người bị bệnh vẹo cột sống; - Các kỹ thuật nhận dạng dáng đi, phương pháp phân tích dáng đi; - Phương pháp trích chọn đặc trưng HoG 3.2 Phạm vi nghiên cứu Luận văn tập trung phạm vi nghiên cứu phân tích dáng với liệu thu từ camera liệu có sẵn, áp dụng phương pháp trích xuất đặc trưng HoG mơ hình SVM để nhận dạng dáng người bệnh vẹo cột sống Phương pháp nghiên cứu 4.1 Phương pháp nghiên cứu lý thuyết Luận văn tập trung nghiên cứu số lý thuyết sau: - Tìm hiểu kĩ thuật xử lý ảnh; - Tìm hiểu kỹ thuật trích chọn đặc trưng, mơ hình sử dụng nhận dạng dáng đi, thiết bị sử dụng phân tích dáng đi; - Tìm hiểu phương pháp trích chọn đặc trưng HoG; - Nghiên cứu báo liên quan 4.2 Phương pháp nghiên cứu thực nghiệm Luận văn nghiên cứu số vấn đề thực nghiệm sau: - Ghi nhận liệu từ camera sử dụng liệu có sẵn; - Cài đặt thực nghiệm đánh giá kết Ý nghĩa khoa học thực tiễn luận văn 5.1 Ý nghĩa khoa học Kết thu sở để thực nghiên cứu dáng người để phát loại bệnh khớp khác 5.2 Ý nghĩa thực tiễn Góp phần hỗ trợ kịp thời việc phát dáng người bệnh vẹo cột sống CHƯƠNG –BỆNH VẸO CỘT SỐNG 1.1 TỔNG QUAN VỀ BỆNH VẸO CỘT SỐNG 1.1.1 Giới thiệu Vẹo cột sống (Scoliosis) thuật ngữ để tình trạng cong cột sống sang phía bên trục thể vẹo thân đốt sống theo trục mặt phẳng nằm ngang, khơng giữ đoạn cong sinh lý bình thường vốn có Cong cột sống: (b) (a) (b) Hình 1.1 Hình dạng cột sống (a) Cột sống bình thường Vẹo cột sống ngực – thắt lưng hình chữ S nghịch Vẹo cột sống: Các thân đốt sống xoay theo mặt phẳng ngang (a) (b) Hình 1.2 Hình dạng người bệnh vẹo cột sống (a) Cột sống bình thường (b) Vẹo cột sống 1.1.2 Nguyên nhân gây bệnh vẹo cột sống phân loại bệnh vẹo cột sống Cong vẹo cột sống phân thành hai loại cong vẹo không cấu trúc cong vẹo cấu trúc a Cong vẹo không cấu trúc: Cong vẹo không cấu trúc cong vẹo cột sống mà đốt sống khơng có biến dạng giải phẫu Cong vẹo không cấu trúc gặp số nguyên nhân vẹo tư thế; vẹo bù trừ; vẹo cột sống viêm b Cong vẹo cấu trúc Cong vẹo cấu trúc cong vẹo cột sống với đốt sống bị biến dạng đường cong cột sống Trong hầu hết trường hợp cong vẹo cấu trúc xuất trước tuổi xương ngừng lớn kèm theo xoay (vẹo), bao gồm bốn loại: Cong vẹo bẩm sinh (Congentital scoliosis); Cong vẹo tự phát; Cong vẹo bệnh thần kinh (Neuromuscular scoliosis); Cong vẹo số bệnh khác (Miselanous) 1.1.3 Biến chứng cong vẹo cột sống Thay đổi hình dáng thể; Tổn thương phổi tim; Vấn đề lưng; 1.1.4 Phân loại mức độ vẹo cột sống Tình trạng cong vẹo cột sống hay nhiều, từ dẫn đến dị tật mức độ khác nhau, thông thường có cấp độ vẹo cột sống: Cấp độ 1: biểu cột sống lệch phát chuyên gia Cấp độ 2: biểu nhìn từ phía sau thấy cột sống cong vẹo gù xương sườn đốt sống bị xoay Cấp độ 3: biểu nhìn thấy rõ cột sống bị vẹo lệch sang bên gây ảnh hưởng nặng tới chức hơ hấp đồng thời gây biến dạng khung chậu, khớp háng chiều dài lưng - thắt lưng ngắn lại xương sườn ngực bị biến dạng Các phương pháp phát vẹo cột sống y học 1.1.5 Hiện có số phương pháp phát bệnh vẹo cột sống y học, cụ thể sau: Phương pháp khám sàng lọc; Phương pháp khám vẹo cột sống dùng thước đo góc hai cành dùng thước đo Scoliometer: - Dùng thước đo góc hai cành: Hình 1.5 Cách đo góc vẹo cột sống thước đo góc hai cành - Dùng thước Scoliometer: Hình 1.6 Thước đo Scoliometer cách đo góc vẹo cột sống Phương pháp chụp X-quang cột sống: Hình 1.7 Các cách đo góc Cobb 1.1.6 Ảnh hưởng cong vẹo cột sống đến sức khỏe, học tập hoạt động 1.2 CÁC PHƯƠNG PHÁP CÔNG NGHỆ ĐÃ SỬ DỤNG ĐỂ PHÁT HIỆN BỆNH VẸO CỘT SỐNG 1.2.1 Phát bệnh vẹo cột sống camera Kinect Với hỗ trợ Kinect, hình ảnh khung xương Kinect nhận diện bao gồm 20 vị trí khớp thể hình 1.6 đây: Hình 1.9 Vị trí khớp khung xương Kinect Sau thử nghiệm, dựa vào công thức để tính tốn, nhóm tác giả thu thập giá trị xác định camera Kinect.Các giá trị chương trình MATLAB xử lý hiển thị giá trị đối tượng thông qua giao diện đồ họa người dùng (GUI) Hình 1.10 Dữ liệu xương từ camera Kinect 1.2.2 Sử dụng thuật toán K-means để xác định độ cong cột sống từ phim X-quang Xác định góc Cobb thực sau: Hình 1.11 Trình tự thực để xác định góc Cobb 10 CHƯƠNG – TỔNG QUAN VỀ PHÂN TÍCH DÁNG ĐI Phân tích dáng nghiên cứu có hệ thống vận động, cụ thể chuyển động người quan sát nhà nghiên cứu, tăng cường thiết bị cảm biến đo chuyển động thể, camera giám sát… Bên cạnh ứng dụng giám sát, tương tác người – máy, đa phương tiện mô phỏng, việc sử dụng hệ thống thị giác máy tính phục vụ cho mục tiêu chăm sóc y tế nhà Các hệ thống sử dụng camera kết nối với máy tính xử lý chuyên dụng để quan sát đánh giá dáng người 2.1 CÁC ĐẶC TRƯNG ĐƯỢC SỬ DỤNG TRONG NHẬN DẠNG DÁNG ĐI 2.1.1 Biểu diễn đường bao (Silhouette) Hình 2.1 Biểu diễn đường bao (1) Minh họa việc khai thác cạnh biên trình mở rộng biên theo hướng ngược chiều kim đồng hồ, (b) Tín hiệu khoảng cách chuẩn hóa bao gồm tất cá khoảng cách trọng tâm điểm ảnh biên 2.1.2 Đặc trưng PCA biến đổi Hough 2.2 CÁC THIẾT BỊ PHÂN TÍCH DÁNG ĐI Trước đây, việc phân tích dáng thực chuyên gia quan sát dáng bệnh nhân Tuy nhiên, phương pháp đánh giá chủ quan khơng xác Hiện nay, việc phân 11 tích dáng thường thực dựa nhiều phương pháp sử dụng cơng nghệ cảm biến thị giác máy tính sử dụng cảm biến, sử dụng nhiều camera đồng bộ, sử dụng camera có cảm biến, sử dụng camera đơn 2.2 CÁC PHƯƠNG PHÁP HỌC MÁY VỀ NHẬN DẠNG DÁNG ĐI 2.2.1 Máy vector hỗ trợ (Support Vector Machine – SVM) Máy vector hỗ trợ thuật toán học máy tiếng sử dụng để giải toán phân lớp Thuật toán SVM ban đầu tìm Vladimir N Vapnik dạng chuẩn sử dụng lề mềm tìm Vapnik Corinna Cortes năm 1995, phương pháp phân loại dựa lý thuyết học thống kê hàm hạt nhân SVM áp dụng thành công việc giải vấn đề giới thực nhận dạng văn bản, hình ảnh, chữ viết tay… 2.2.2 Mơ hình Markov ẩn (Hidden Markov Model – HMM) Hình 2.9 Tham số xác suất mơ hình Markov ẩn 12 Mạng nơron nhân tạo (Artificial Neural Network – ANN) 2.2.3 Hình 2.10 Mơ hình cấu trúc nơ-ron ANN KẾT CHƯƠNG Chương giới thiệu số thiết bị sử dụng phân tích dáng đi, đồng thời giới thiệu kỹ thuật trích chọn đặc trưng, mơ hình sử dụng phân tích nhận dạng dáng 13 CHƯƠNG – PHÂN TÍCH DÁNG ĐI CỦA NGƯỜI VẸO CỘT SỐNG SỬ DỤNG ĐẶC TRƯNG HOG VÀ BỘ LỌC SVM Mục tiêu chương tiến hành kiểm chứng mơ hình giải pháp đề theo bước sau: đưa nhìn tổng quan hệ thống; thu thập liệu; trích chọn đặc trưng; huấn luyện nhận dạng; sau tiến hành kiểm chứng kết 3.1 TỔNG QUAN VỀ HỆ THỐNG Quá trình xử lý nghiên cứu sử dụng sau: Hình 3.1 Giải pháp đề xuất trình thực 3.2 XÂY DỰNG DỮ LIỆU Dữ liệu huấn luyện liệu thử lấy từ mơ hình 3D mơ người với dáng thiết lập sẵn Mơ hình xây dựng nhờ cơng cụ MakeHuman kết hợp với Blender 3.2.1 Phần mềm thiết kế 3D MakeHuman MakeHuman cơng cụ tạo nhân vật miễn phí mà tác giả biết, bắt đầu công cụ bổ sung cho Blender từ trở thành ứng dụng độc lập Với phần mềm thiết kế 3D 14 MakeHuman thực trò chơi trẻ để tạo tệp 3D người, phần mềm mơ hình 3D cho phép bạn thao tác gọi “lưới sở” – tệp 3D dạng 3D vô tri vơ tính Hình 3.2 Giao diện cơng cụ MakeHuman 3.2.2 Phần mềm Blender Blender phần mềm đồ họa 3D miễn phí nguồn mở, sử dụng để làm phim hoạt hình, kỹ xảo, ảnh nghệ thuật, mẫu in 3D, phần mềm tương tác 3D video game Các tính Blender bao gồm tạo mẫu 3D, áp vân bề mặt, mơ khói, chất lỏng, hạt chuyển động thể, điêu khắc, phối hợp chuyển động, theo dõi camera, dựng hình, chỉnh sửa video… Hình 3.3 Giao diện phần mềm Blender 15 Sau xây dựng nhân vật thêm dáng cho nhân vật Tiến hành lưu khung ảnh chụp từ diện vào sở liệu huấn luyện Hình 3.4 Một số khung ảnh lưu vào sở liệu 3.2.3 Trích xuất đặc trưng HOG Bản chất HOG thơng tin hình dáng vẻ bề đối tượng cục ảnh mơ tả cách sử dụng thông tin phân bố cường độ gradient hướng biên Các toán tử HoG cài đặt cách chia nhỏ ảnh thành vùng gọi “tế bào” (cells) với cell biểu đồ hướng gradient tính cho điểm nằm cell Ghép biểu đồ lại ta có biểu diễn cho ảnh đầu Để tăng cường hiệu nhận dạng, biểu đồ cục chuẩn hóa độ tương phản cách tính ngưỡng cường độ vùng lớn ảnh, gọi khối (blocks) sử dụng giá trị ngưỡng để chuẩn hóa tất cell khối Kết bước chuẩn hóa vec-to đặc trưng có tính bất biến cao thay đổi điều kiện ánh sáng Đặc trưng HoG gồm số loại R-HOG, R2-HOG, C- 16 HOG, toán nhận dạng thông thường người sử dụng đặc trưng R-HOG (mỗi có hình dạng hình chữ nhật) Bài tốn tính tốn HOG thường gồm bước: - Chuẩn hóa hình ảnh trước xử lý; - Tính tốn gradient theo hướng x y; - Tính vecto đặc trưng cho cell block; - Chuẩn hóa block; - Thu thập tất biểu đồ cường độ gradient định hướng từ block để tạo vecto đặc trưng cuối 3.3 HUẤN LUYỆN 3.3.1 Xây dựng mơ hình phân lớp sử dụng SVM để nhận dạng dáng a Bài toán phân lớp Phân lớp q trình nhóm đối tượng “giống” vào “một lớp” dựa đặc trưng liệu chúng Tuy nhiên, phân lớp hoạt động tiềm ẩn tư người nhận dạng giới thực, đóng vai trò quan trọng làm sở đưa dự báo, định Phân lớp cách mô tả lớp giúp cho tri thức định dạng lưu trữ Kỹ thuật phân lớp liệu tiến hành bao gồm bước: Bước 1: Xây dựng mơ hình Bước 2: Sử dụng mơ hình Bài tốn phân lớp (Classification) dự đoán (Prediction) hai toán có nhiều ứng dụng tất lĩnh vực như: học máy, nhận dạng, trí tuệ nhân tạo,… Trong luận văn này, sâu nghiên cứu phương pháp Support Vector Machines (SVM), phương pháp hiệu 17 b Ý tưởng phương pháp SVM Cho trước tập huấn luyện, biểu diễn khơng gian vector, tài liệu điểm, phương pháp tìm siêu phẳng f định tốt chia điểm không gian thành hai lớp riêng biệt tương ứng lớp + lớp - Chất lượng siêu phẳng định khoảng cách (gọi biên) điểm liệu gần lớp đến mặt phẳng Khi đó, khoảng cách biên lớn mặt phẳng định tốt, đồng thời việc phân loại xác Phương pháp SVM cho tốn phân lớp mơ tả thơng qua ví dụ sau: Xét khơng gian chiều (n=2), điểm tập mẫu cho hình 3.5 Hình 3.6 Minh họa tốn phân hai lớp với phương pháp SVM Hình 3.6 thể trường hợp tìm siêu phẳng phân tách, liệu trường hợp gọi phân tách tuyến tính Bây ta xét trường hợp liệu phân tách không tuyến tính minh họa hình 3.7 sau: 18 Hình 3.7 Bài tốn SVM trường hợp liệu mẫu khơng phân tách tuyến tính Ta thấy hình 3.7 có mẫu có nhãn +1, lại bị “rơi” vào phía mẫu có nhãn -1 ngược lại c Các bước thực Phương pháp SVM yêu cầu liệu diễn tả vecto số thực Như đầu vào chưa phải số ta cần phải tìm cách chuyển chúng dạng số SVM Tiền xử lý liệu: Thực biến đổi liệu phù hợp cho q trình tính tốn, tránh số q lớn mơ tả thuộc tính Thường nên co giãn (scaling) liệu để chuyển đoạn [-1, 1] [0, 1] Chọn hàm hạt nhân: Lựa chọn hàm hạt nhân phù hợp tương ứng cho tốn cụ thể để đạt độ xác cao trình phân lớp Thực việc kiểm tra chéo: để xác định tham số cho ứng dụng Điều định đến tính xác trình phân lớp Sử dụng tham số cho việc huấn luyện với tập mẫu: Trong trình huấn luyện sử dụng thuật tốn tối ưu hóa khoảng cách siêu phẳng q trình phân lớp, xác định hàm phân lớp không gian đặc trưng nhờ việc ánh xạ liệu vào không gian 19 đặc trưng cách mô tả hạt nhân, giải cho hai trường hợp liệu phân tách khơng phân tách tuyến tính khơng gian đặc trưng, sau tiến hành kiểm thử tập liệu Test 3.3.2 Phát vẹo cột sống Các video dùng để huấn luyện cắt thành nhiều khung ảnh, cắt cho ảnh bao sát thể người đưa kích thước 100*100px, sau khung đưa dạng ảnh nhị phân Sau tiền xử lý, tiến hành lấy đặc trưng HoG khung ảnh Các vec-to đặc trưng thu đưa vào mơ hình SVM để huấn luyện Dữ liệu phân thành lớp với nhãn là: Bình thường Vẹo cột sống Sau huấn luyện, quy định ngưỡng để tiến hành nhận dạng phát dáng vẹo cột sống Đối với khung ảnh lấy từ video đầu vào, tỉ lệ phù hợp khung ảnh thuộc lớp cao kết luận thuộc lớp đó, ví dụ tỷ lệ khung ảnh thuộc lớp Vẹo cột sống 70% kết luận người mắc bệnh vẹo cột sống Để nhận dạng chuẩn xác nhất, chọn ngưỡng 70% kiến thức sinh trắc học trình nghiên cứu thực nghiệm Quá trình thực nghiệm kết trình bày phần 3.4 KẾT QUẢ THỰC NGHIỆM 3.4.1 Dữ liệu thử nghiệm Dữ liệu thử nghiệm xậy dựng gồm nhân vật với giới tính độ tuổi khác nhau, trình bình thường lệch vai, nhân vật lấy 150 khung hình suốt chu kì dáng Tập liệu chia làm phần: huấn luyện thử nghiệm Số lượng chu kỳ tương ứng với người thể bảng 3.1 20 Bảng 3.1 Số chu người Các khung hình thu từ nhân vật 1, 2, 3, đưa vào huấn luyện, khung hình thu từ nhân vật 4, 5, dùng cho thử nghiệm (a) (b) Hình 3.8 Chuỗi ảnh thể dáng (a) Dáng bình thường (b) Dáng vẹo cột sống Hệ thống thử nghiệm xây dựng ngôn ngữ lập trình Python thư viện Keras a Ngơn ngữ Python Python ngơn ngữ lập trình thông dịch Guido van Rossum tạo năm 1990 Python hoàn toàn tạo kiểu động dùng chế cấp phát nhớ tự động; tương tự Perl, Ruby, Scheme, Smalltalk Tcl Python phát triển 21 dự án mã mở, tổ chức phi lợi nhuận Python Software Foundation quản lý b Thư viện Keras Keras thư viện nguồn mở viết Python dùng để xây dựng Neural Networks cấp độ cao cấp giao diện Thư viện đơn giản có khả mở rộng cao Keras sử dụng backend Theano TensorFlow, gần Microsoft cố gắng tích hợp CNTK (Cognitive Toolkit Microsoft) thành backend 3.4.2 Quá trình thực Quá trình thực chương trình bao gồm bước sau: Bước 1: Xây dựng sở liệu từ công cụ MakeHuman Blender Bước 2: Xử lý liệu huấn luyện, phát đối tượng khung hình, chuấn hóa hình ảnh kích thước 100*100px, chuyển ảnh thành ảnh nhị phân Bước 3: Trích xuất đặc trưng HoG (a) (b) Hình 3.9 Ảnh trước sau trích xuất đặc trưng HoG: (a) Ảnh đầu vào (b) Ảnh sau trích xuất đặc trưng HoG 22 Bước 4: Đưa liệu huấn luyện vào mơ hình SVM Bước 5: Nhận dạng 3.4.3 Kết thử nghiệm Để thực phân lớp dáng đi, chia tập liệu thành tập tập huấn luyện (train) tập kiểm thử (test) Tập huấn luyện gồm có 670 khung hình dáng bình thường 700 khung hình dáng lệch vai Tập kiểm thử video thể dáng nhân vật gồm 550 khung hình dáng bình thường 500 khung hình dáng lệch vai Kết nhận dạng sau xuất hình thể hình 3.10 với liệu đầu vào video (a) (b) Hình 3.10 Hình ảnh kết nhận dạng xuất hình (a) Kết nhận dạng người bình thường (b) Kết nhận dạng người bệnh vẹo cột sống 23 Kết nhận dạng thể bảng sau: Bảng 3.2 Kết nhận dạng dáng Dựa vào kết thực nghiệm nhận dạng dáng đi, ta thấy độ xác giải pháp 92 5% nhận dạng dựa khung hình 93.8% nhận dạng dựa video Nhận xét kết thử nghiệm trên, ta thấy chu kỳ dáng bình thường vẹo cột sống phân tách rõ ràng dựa ngưỡng xác định trình huấn luyện Tuy nhiên mơ hình SVM xác hiệu phụ thuộc nhiều vào tập liệu huấn luyện Tập liệu phải thu thập đủ lớn khách quan KẾT CHƯƠNG Chương mô tả giải pháp đề xuất phương pháp phân tích dáng sử dụng đặc trưng HoG bao gồm: trích xuất đặc trưng HOG, xây dựng mơ hình dáng dựa mơ hình máy vec-tơ hỗ trợ (SVM), tính ngưỡng xác xuất để nhận biết dáng người vẹo cột sống, trình bày kết thực nghiệm giải pháp đề xuất 24 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết thực nghiệm cho thấy chu kỳ dáng bình thường vẹo cột sống phân tách rõ ràng dựa ngưỡng xác định trình huấn luyện Với việc không phân loại nhầm lẫn chu kỳ nào, giải pháp đề xuất kì vọng mang lại hiệu cao ứng dụng thực tế Tuy nhiên mơ hình SVM xác hiệu phụ thuộc nhiều vào tập liệu huấn luyện Tập liệu phải thu thập đủ lớn khách quan Hướng phát triển Trong tương lai, giải pháp đề xuất cải tiến để xây dựng thêm nhiều mơ hình dáng người để ứng dụng cho việc nhận dạng nhận biết số bệnh liên quan đến dáng Parkinson, bệnh hệ thống, di chứng đột quỵ, bệnh lão hóa…dựa vào đặc trưng cụ thể loại bệnh khác ... thiết bị sử dụng phân tích dáng đi, đồng thời giới thiệu kỹ thuật trích chọn đặc trưng, mơ hình sử dụng phân tích nhận dạng dáng 13 CHƯƠNG – PHÂN TÍCH DÁNG ĐI CỦA NGƯỜI VẸO CỘT SỐNG SỬ DỤNG ĐẶC TRƯNG... sàng dáng người bệnh vẹo cột sống; - Nghiên cứu giải pháp nhận dạng dáng người bị bệnh vẹo cột sống; - Nghiên cứu thiết bị phân tích dáng đi, kỹ thuật trích chọn đặc trưng, mơ hình sử dụng phân tích. .. pháp phân tích dáng sử dụng đặc trưng HoG bao gồm: trích xuất đặc trưng HOG, xây dựng mơ hình dáng dựa mơ hình máy vec-tơ hỗ trợ (SVM), tính ngưỡng xác xuất để nhận biết dáng người vẹo cột sống,