Nghiên cứu, phát triển hệ thống cảnh báo để quên người trên xe

Trong bài báo này, nhóm tác giả đã tiến hành phát triển một hệ thống cảnh báo có khả năng nhận biết con người và hành động của con người trong một không gian nhất định, cảnh báo tới chủ xe khi nghi ngờ bỏ quên người trên xe. Việc nhận diện hành vi và con người sẽ được thực hiện bằng máy tính nhúng Raspberry pi 4.

Chủ đề:

zinedinezidane06

Tài liệu AI ứng dụng

CÔNG NGHỆ Tập san SINH VIÊN NGHIÊN CỨU KHOA HỌC ● Số 12.2022

KHOA H

ỌC

NGHIÊN CỨU, PHÁT TRIỂN HỆ THỐNG CẢNH BÁO ĐỂ QUÊN NGƯỜI TRÊN XE

RESEARCH AND DEVELOPMENT OF WARNING SYSTEM FORGET PERSON IN THE VEHICLE Phạm Như Trường1,*, Kiều Bình Giang1, Ngô Dương Khánh1, Nguyễn Trọng Khanh1, Nguyễn Thanh Toàn2, Lê Việt Tiến3 TÓM TẮT Cuộc sống hiện đại, trẻ em được đảm bảo cuộc sống tốt hơn, đư

ợc sử dụng

xe đưa đón đến trường bằng ô tô nhiều hơn. Tuy nhiên có rất nhiều trư

ờng hợp

người lớn đã bỏ quên trẻ em trên xe làm ảnh hư

ởng đến tâm lí, sức khỏe của các

em, thậm chí dẫn đến tử vong. Nhằm góp phần ngăn ngừa những vụ việc th

ương

tâm bỏ quên trẻ em trên xe, nhóm nghiên cứu đã phát triển một hệ thống c

ảnh

báo. Kết quả đạt được là một hệ thống có khả năng nhận biết con người v

à hành

động của con người trong một không gian nhất định, cảnh báo t

ới chủ xe khi

nghi ngờ bỏ quên người trên xe. Việc nhận diện hành vi và con người sẽ đư

ợc

thực hiện bằng máy tính nhúng Raspberry pi 4. Từ khóa: Trẻ em, cảnh báo, bỏ quên trẻ em. ABSTRACT Modern life, children are guaranteed a better life, are using th

e bus to school

by car more. However, there are many cases where adults have forgotten children

in the car, affecting their psychology and health, even leading to death. In order to

contribute to the prevention of tragic cases of leaving children in the ca

r, the

research team has developed an alert system. The result is a system capable of

recognizing people and human actions in a certain space, alerting car owners when

they suspect they have forgotten people in the vehicle. Behavior and person

recognition will be done using an embedded computer Raspberry pi 4. Keywords: Children, warning, forgetting children. 1Lớp Điện tử Truyền thông 03 - K14, Khoa Điện tử, Trư

ờng Đại học Công nghiệp

Hà Nội 2Lớp Điện tử Truyền thông 06- K 15, Khoa Điện tử, Trường Đại h

ọc Công nghiệp

Hà Nội 3Khoa Điện tử, Trường Đại học Công nghiệp Hà Nội *Email: Truongphamnhu@gmail.com 1. GIỚI THIỆU Ô tô là phương tiện giao thông phổ biến nhưng cũng tiềm ẩn nhiều nguy hiểm đặc biệt là với trẻ em bị bỏ quên trên xe hay kể cả người lớn ngủ quên trong ô tô... Những cái chết thương tâm của các em nhỏ bị bỏ quên trên ô tô thường do thiếu không khí, dẫn đến bị ngạt. Số vụ trẻ em thiệt mạng trong những tình huống này nhiều đến mức nhiều nơi trên thế giới đã phải đưa ra các hình phạt, các biện pháp bảo vệ, tuyên truyền xung quanh vấn đề này. Sự cố một bé trai bị bỏ quên trong xe ô tô đưa, đón học sinh của Trường tiểu học Gateway (Hà Nội) là sự cảnh tỉnh cho người lớn về “Hội chứng bỏ quên trẻ em” (FBS) ở nước ta. Hiểu được tính cấp thiết vấn đề này, nhóm tác giả đã tìm hiểu các cách thức nhận diện đối tượng con người và ứng dụng khoa học kỹ thuật vào thực tiễn từ đó đưa ra giải pháp góp phần giải quyết vấn đề này. 2. CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU Hình 1. Cách thức nhận diện ảnh Các lân cận của điểm ảnh (Image Neighbors) [2] Giả sử có điểm ảnh p tại tọa độ (x, y) có 4 điểm lân cận gần nhất theo chiều đứng và ngang (có thể coi như lân cận 4 hướng chính: Đông, Tây, Nam, Bắc). {( x-1,y); (x, y-1); (x+1, y); (x, y+1)}= N4(p) Trong đó, số 1 là giá trị logic; N4(p): tập 4 điểm lân cận của p. Hình 2. Lân cận các điểm ảnh của tọa độ (x, y) - Các lân cận chéo: Các điểm lân cận chéo Np(P) (Có thể coi lân cận chéo là 4 hướng: Đông - Nam, Đông - Bắc, Tây -Nam, Tây - Bắc). Np(P) = {(x+1,y+1); (x+1, y-1); (x-1, y+1); (x-1, y-1)} - Tập kết hợp: N8(p) = N4(p) + Np(p) là tập hợp 8 lân cận của điểm ảnh p. - Chú ý: Nếu (x, y) nằm ở biên (mép) ảnh; một số điểm sẽ nằm ngoài ảnh.

SCIENCE - TECHNOLOGY Số 12.2022 ● Tập san SINH VIÊN NGHIÊN CỨU KHOA HỌC

Thuật toán PCA và Ứng dụng trong bài toán nhận dạng vector đặc điểm tư thế. Hình 3. Các điểm mốc trên cơ thể cần xác định Trong bài toán nhận dạng tư thế người, PCA là thuật toán nhận dạng ảnh dựa trên những nét tổng thể của cơ thể, ta sẽ áp dụng thuật toán này để thực hiện công việc tìm một đối tượng giống với con người, các điểm khớp và kẻ vector tư thế [3]. Đặc trưng PCA: Mục tiêu của phương pháp PCA là “giảm số chiều” của một tập vector sao cho vẫn đảm bảo được “tối đa thông tin quan trọng nhất”. Phương pháp PCA sẽ giữ lại K thuộc tính mới (Feature extraction) từ N các thuộc tính ban đầu (feature selection) (K < N) [4]. Mục tiêu của phương pháp PCA đó là tìm phép biến đổi tuyến tính T thỏa mãn: y = T.x sao cho trung bình bình phương lỗi (MSE) là nhỏ nhất (sai số nhỏ nhất do giảm số chiều). Hình 4. Mục tiêu của phương pháp PCA Sơ đồ huấn luyện và nhận dạng Hình 5. Sơ đồ huấn luyện và nhận dạng ảnh Thiết kế hệ thống Với các chức năng nêu trên, chương trình được chia thành 4 phần chính: 1. Xử lý ảnh đầu vào. 2. Phát hiện đối tượng con người. 3. Xử lý đầu ra. (Ảnh đầu ra dùng để nhận dạng, hay lưu vào CSDL hay cả hai). 4. Cảnh báo. Hình 6. Lưu đồ thuật toán

CÔNG NGHỆ Tập san SINH VIÊN NGHIÊN CỨU KHOA HỌC ● Số 12.2022

KHOA H

ỌC

Từ những dữ liệu được huấn luyện hệ thống có khả năng nhận diện được đối tượng con người, hành động từ đó xác định được đối tượng bỏ quên trên xe thực hiện cảnh báo để có những hành động kịp thời [5]. 3. KẾT QUẢ NGHIÊN CỨU Một số kết quả mô phỏng Phát hiện và kẻ vector người đồng thời in cảnh báo lên cửa sổ terminal. Hình 7. Phát hiện và kẻ vecto người Kết quả thực nghiệm trên không gian xe sử dụng máy tính nhúng Rasberry PI. Hình 8. Thử nghiệm thực tế Bảng 1. Kết quả thử nghiệm thực tế bằng máy tính nhúng trên xe 16 chỗ STT

Vị trí Số lần thử nghiệm Số lần phát hiện chính xác Số lần phát hiện không chính xác Kết quả đạt được Vị trí đặt camera chính diện từ trên xuống 1 Ghế 1 - 8 50 50 0 100 % 2 Ghế 9 - 12 50 47 3 94 % 3 Ghế 13 - 16 50 42 8 84 % Vị trí đặt camera bên trái từ trên xuống 4 Ghế 1 - 8 50 49 1 100 % 5 Ghế 9 - 12 50 46 4 92 % 6 Ghế 13 - 16 50 41 9 82 % Vị trí đặt camera bên phải từ trên xuống 7 Ghế 1 - 8 50 49 1 100 % 8 Ghế 9 - 12 50 45 5 90 % 9 Ghế 13 - 16 50 40 10 80 4. KẾT LUẬN Từ kết quả thực nghiệm cho thấy, độ chính xác của chương trình tương đối cao khoảng 80% nhận dạng đúng, khả năng cảnh báo qua Telegram. Tuy nhiên, do thời hạn thời gian hạn chế nên chương trình vẫn còn nhiều nhược điểm và nhiều ý tưởng chưa được thực hiện. Khi chương trình được nhúng vào máy tính nhúng Rasberrypi 4 đang còn độ trễ khá cao. Để chương trình có thể được sử dụng vào trong thực tế, cần giải quyết những nhược điểm mà phần mềm còn gặp phải, thực hiện các ý tưởng mới nhằm năng cao tốc độ, hiệu suất và độ chính xác của chương trình. TÀI LIỆU THAM KHẢO [1]. IOTMaker, Internet of Things (IoT). https://iotmakervn.github.io/iot-starter-book/, pp. 1-24. [2]. T. M. Phương, 2014. Nhập môn trí tuệ nhân tạo. Học viện Bưu chính Viễn thông. [3]. T. Q. Trang, 2019. Tự động hóa là gì? [4]. Probabilistic Graphical Models, 2009. Principles and Techniques. MIT Press. [5]. Đinh Mạnh Tường, 2022. Trí tuệ nhân tạo. NXB Khoa học và Kỹ thuật. [6]. Vũ Thị Thu Hương, 2011. Đo lường điều khiển bằng máy tính. Trường Đại học Công nghiệp Hà Nội.