Theo dõi đối tượng (object tracking) là quá trình ước lượng vị trí, quỹ đạo chuyển động và trạng thái không gian của một hoặc nhiều mục tiêu xác định liên tục qua các khung hình trong một chuỗi video. Đây là một bài toán cốt lõi trong lĩnh vực thị giác máy tính (computer vision) và xử lý ảnh số, đóng vai trò nền tảng cho nhiều hệ thống tự hành, giám sát an ninh và tương tác người - máy. Mục tiêu chính của việc theo dõi đối tượng là duy trì định danh nhất quán của mục tiêu theo thời gian bất chấp các biến đổi phức tạp về hình dạng, ánh sáng, góc nhìn hoặc sự che khuất tạm thời.
Bản chất và các thách thức cốt lõi trong theo dõi đối tượng
Bản chất toán học của bài toán theo dõi đối tượng là việc tìm kiếm hàm ánh xạ trạng thái của đối tượng từ thời điểm hiện tại sang thời điểm kế tiếp dựa trên các quan sát thu nhận được từ cảm biến hình ảnh. Về mặt lý thuyết, nếu trạng thái của đối tượng tại thời điểm t được biểu diễn bằng vector x_t bao gồm tọa độ vị trí, kích thước hộp bao (bounding box) và vận tốc, thì thuật toán theo dõi cần tối ưu hóa phân phối xác suất p(x_t | y_{1:t}), trong đó y_{1:t} là tập hợp các khung hình quan sát được từ đầu chuỗi video đến thời điểm t.
Trong môi trường thực tế, quá trình này phải đối mặt với hàng loạt thách thức thị giác nghiêm trọng:
- Sự biến dạng hình học (deformation): Đối tượng phi cứng (non-rigid objects) như cơ thể người, động vật liên tục thay đổi hình dạng và tư thế khi chuyển động.
- Sự thay đổi tỷ lệ (scale variation): Khoảng cách từ đối tượng tới máy ảnh thay đổi làm kích thước hộp bao trên mặt phẳng ảnh biến đổi liên tục.
- Hiện tượng che khuất (occlusion): Đối tượng bị che lấp một phần (partial occlusion) hoặc hoàn toàn (full occlusion) bởi các vật thể thể khác trong cảnh hoặc các đối tượng tự che khuất lẫn nhau.
- Biến đổi chiếu sáng (illumination variation): Ánh sáng môi trường thay đổi đột ngột làm thay đổi hoàn toàn phân bố cường độ điểm ảnh và đặc trưng màu sắc.
- Nhiễu nền phức tạp (background clutter): Vùng nền xung quanh có kết cấu, màu sắc hoặc hoa văn tương đồng với đối tượng mục tiêu, gây nhầm lẫn cho bộ phân loại.
- Mờ do chuyển động (motion blur): Chuyển động nhanh của mục tiêu hoặc rung lắc của camera làm mất các chi tiết cạnh sắc nét.
Phân loại các phương pháp theo dõi đối tượng
Dựa trên số lượng đối tượng cần giám sát và cơ chế học đặc trưng, các kỹ thuật theo dõi đối tượng trong thị giác máy tính được phân chia thành các nhóm chính sau đây.
1. Theo dõi đơn đối tượng (Single Object Tracking - SOT) và Đa đối tượng (Multiple Object Tracking - MOT)
Trong bài toán theo dõi đơn đối tượng (SOT), trạng thái khởi tạo của duy nhất một đối tượng được cung cấp ở khung hình đầu tiên (thường dưới dạng một hộp bao chữ nhật), và nhiệm vụ của thuật toán là bám vết đối tượng đó trong toàn bộ các khung hình tiếp theo mà không cần biết trước ngữ nghĩa của lớp đối tượng.
Ngược lại, theo dõi đa đối tượng (MOT) yêu cầu hệ thống phải đồng thời phát hiện, định vị và duy trì định danh (ID) độc lập cho hàng chục hoặc hàng trăm đối tượng xuất hiện đồng thời trong khung cảnh (ví dụ: người đi bộ tại ngã tư, xe cộ trên đường cao tốc). MOT thường áp dụng mô hình liên kết phát hiện (Tracking-by-Detection), kết hợp mô hình chuyển động (như bộ lọc Kalman) với thuật toán ghép cặp đồ thị (như thuật toán Hungarian).
2. Phương pháp sinh (Generative Methods) và Phương pháp phân biệt (Discriminative Methods)
Các phương pháp sinh (generative methods) xây dựng một mô hình đại diện cho vẻ ngoài của đối tượng (appearance model) và tìm kiếm vùng ảnh ở khung hình tiếp theo có độ tương đồng cực đại với mô hình đó. Các kỹ thuật tiêu biểu bao gồm khớp mẫu (template matching), mô hình hỗn hợp Gauss (GMM), và thuật toán dịch chuyển trung bình (Mean Shift / CamShift).
Các phương pháp phân biệt (discriminative methods), còn gọi là theo dõi qua phân loại (Tracking-by-Classification), coi bài toán theo dõi như việc huấn luyện liên tục một bộ phân loại nhị phân trực tuyến (online binary classifier) để phân biệt giữa đối tượng mục tiêu (nhãn dương) và vùng nền xung quanh (nhãn âm). Phương pháp này tỏ ra vượt trội hơn hẳn mô hình sinh trong việc xử lý nhiễu nền phức tạp.
Sự tiến hóa của các kiến trúc thuật toán theo dõi
1. Bộ lọc tương quan tương quan (Discriminative Correlation Filters - DCF)
Trước kỷ nguyên học sâu, họ thuật toán DCF chiếm ưu thế tuyệt đối nhờ tốc độ tính toán cực nhanh. Bằng cách áp dụng phép biến đổi Fourier nhanh (FFT), phép tích chập không gian phức tạp được chuyển đổi thành phép nhân từng phần tử trong miền tần số. Các thuật toán tiêu biểu như MOSSE (Minimum Output Sum of Squared Error), KCF (Kernelized Correlation Filters) và ECO (Efficient Convolution Operators) đạt tốc độ hàng trăm khung hình mỗi giây (FPS) trên phần cứng thông thường.
2. Mạng nơ-ron tích chập Siamese (Siamese Networks)
Học sâu mang lại bước nhảy vọt về độ chính xác cho SOT thông qua kiến trúc mạng Siamese hai nhánh. Mô hình như SiamFC (Fully-Convolutional Siamese Networks) và SiamRPN (Siamese Region Proposal Networks) thực hiện so khớp đặc trưng sâu giữa ảnh mẫu ban đầu và vùng tìm kiếm trong khung hình mới thông qua phép tương quan chéo (cross-correlation), cho phép theo dõi thời gian thực với độ chính xác cao mà không cần tinh chỉnh trọng số trực tuyến.
3. Mô hình dựa trên Transformer (Transformer-based Tracking)
Những năm gần đây, kiến trúc Transformer với cơ chế tự chú ý (self-attention) và chú ý chéo (cross-attention) như TransT, MixFormer, SwinTrack đã định hình lại tiêu chuẩn của bài toán theo dõi. Transformer cho phép mô hình hóa mối tương quan không gian - thời gian toàn cục giữa mẫu đối tượng và toàn bộ khung cảnh tìm kiếm, giúp vượt qua các trường hợp che khuất nghiêm trọng và biến dạng góc nhìn lớn.
Bảng so sánh các trường phái thuật toán theo dõi đối tượng
| Tiêu chí so sánh | Bộ lọc tương quan (DCF/KCF) | Mạng Siamese (SiamRPN+) | Mạng Transformer (TransT/MixFormer) | Tracking-by-Detection (DeepSORT) |
|---|---|---|---|---|
| Phạm vi áp dụng chính | Theo dõi đơn đối tượng (SOT) | Theo dõi đơn đối tượng (SOT) | Theo dõi đơn đối tượng (SOT) | Theo dõi đa đối tượng (MOT) |
| Tốc độ xử lý (FPS) | Rất cao (> 150 FPS trên CPU) | Cao (40 - 80 FPS trên GPU) | Trung bình - Cao (30 - 60 FPS trên GPU) | Phụ thuộc vào detector (20 - 40 FPS) |
| Khả năng chống che khuất | Kém, dễ bị trôi mục tiêu (drift) | Khá tốt | Xuất sắc nhờ chú ý toàn cục | Rất tốt nhờ trích xuất Re-ID sâu |
| Chi phí tài nguyên tính toán | Rất thấp, phù hợp vi điều khiển/nhúng | Trung bình | Cao, yêu cầu bộ nhớ GPU lớn | Trung bình - Cao |
| Cơ chế cập nhật mô hình | Cập nhật trực tuyến trong miền tần số | Không cập nhật hoặc cập nhật ngoại tuyến | Học biểu diễn không gian - thời gian | Cập nhật embedding đặc trưng theo thời gian |
Ứng dụng thực tiễn và triển khai tại Việt Nam
Công nghệ theo dõi đối tượng là thành phần không thể thiếu trong nhiều hệ thống thông minh hiện đại:
- Giao thông thông minh (ITS): Tại các đô thị lớn như Hà Nội và Thành phố Hồ Chí Minh, các hệ thống camera giám sát giao thông ứng dụng MOT để đếm lưu lượng phương tiện, phát hiện vi phạm phân làn, vượt đèn đỏ và theo dõi lộ trình của phương tiện diện nghi vấn.
- Xe tự hành và robot di động: Ước lượng liên tục quỹ đạo chuyển động của người đi bộ, xe máy và chướng ngại vật xung quanh để lập quỹ đạo di chuyển an toàn trong môi trường giao thông hỗn hợp đặc thù của Việt Nam.
- An ninh và giám sát công cộng: Tự động phát hiện các hành vi bất thường, bám vết đối tượng xâm nhập khu vực cấm hoặc tìm kiếm trẻ em, người lạc trong các trung tâm thương mại và sân bay.
- Y tế và phẫu thuật hỗ trợ robot: Theo dõi chuyển động của các dụng cụ phẫu thuật vi phẫu và định vị khối u nội tạng theo thời gian thực dưới hướng dẫn hình ảnh.
- Phân tích thể thao và truyền thông: Tự động bám vết cầu thủ và bóng để phân tích chiến thuật, cung cấp dữ liệu thống kê trực tiếp cho các trận thi đấu bóng đá chuyên nghiệp.
Xu hướng phát triển và triển vọng nghiên cứu
Các hướng nghiên cứu hiện đại trong theo dõi đối tượng đang tập trung vào việc tích hợp theo dõi đa phương thức (multimodal tracking), kết hợp dữ liệu từ camera RGB với cảm biến LiDAR, radar sóng milimet hoặc camera sự kiện (event-based cameras). Bên cạnh đó, xu hướng tối ưu hóa các mô hình học sâu thông qua lượng tử hóa (quantization) và chưng cất tri thức (knowledge distillation) đang mở đường cho việc triển khai các thuật toán theo dõi phức tạp trực tiếp trên các thiết bị biên (Edge AI) với mức tiêu thụ năng lượng thấp.