Tổng quan về luận án

Bối cảnh khoa học của công trình nghiên cứu bắt nguồn từ nhu cầu cấp bách trong việc bảo tồn, số hóa di sản văn hóa phi vật thể và nâng cao chất lượng giáo dục thể chất thông qua trí tuệ nhân tạo (AI) và thị giác máy tính (Computer Vision). Võ thuật cổ truyền là kết tinh lịch sử dựng nước và giữ nước, thể hiện bản sắc văn hóa độc đáo như võ cổ truyền Bình Định của Việt Nam, Karate và Judo của Nhật Bản, hay Kung Fu và Tai Chi của Trung Quốc. Kể từ năm 2016, khi Bộ Giáo dục và Đào tạo Việt Nam chính thức đưa võ cổ truyền vào chương trình giảng dạy phổ thông để rèn luyện thể chất và kỹ năng tự vệ, nhu cầu về một hệ thống tự động hóa giúp đánh giá, chấm điểm động tác của học sinh trở nên thiết yếu. Tuy nhiên, phương thức truyền dạy truyền thống chủ yếu dựa trên truyền khẩu và thị phạm trực tiếp, tiềm ẩn nguy cơ làm sai lệch kỹ thuật qua các thế hệ.

Khoảng trống nghiên cứu (Research Gap) lớn nhất nằm ở tính phức tạp của chuyển động võ thuật: các thế võ diễn ra với tốc độ rất nhanh, biên độ lớn, đánh tứ diện hoặc xoay chuyển 360 độ, dẫn đến hiện tượng che khuất bộ phận cơ thể (occlusion) nghiêm trọng khi chỉ sử dụng một cảm biến quan sát cố định. Trong khi các hệ thống MOCAP (Motion Capture) thương mại đòi hỏi kinh phí hàng chục nghìn USD và nhiều cảm biến phức tạp, nghiên cứu này giải quyết bài toán đặt ra với một cảm biến đơn MS Kinect v1 có giá thành rẻ (xấp xỉ 1 triệu VNĐ / 40 USD). Tuy nhiên, "dữ liệu khung xương thu được từ cảm biến MS Kinect v1 là bị mất rất nhiều" và "có sự sai khác và thiếu dữ liệu rất lớn giữa cảm biến MS Kinect v1 và MS Kinect v2" (theo nghiên cứu của Wang và các cộng sự). Do đó, việc tái tạo không gian 3-D và phục hồi khung xương hoàn chỉnh từ dữ liệu RGB-D đơn kênh bị nhiễu và che khuất là một bài toán khoa học mang tính tiên phong.

Câu hỏi nghiên cứu và giả thuyết khoa học của luận án được xác định rõ ràng:

  • RQ1: Làm thế nào để ước lượng và phục hồi chính xác tọa độ các khớp xương 3-D của người trong các tư thế võ thuật nhanh và phức tạp khi các bộ phận bị che khuất dưới góc nhìn của một camera đơn?
  • RQ2: Mô hình kết hợp giữa mạng nơ-ron tích chập (CNN) trên ảnh 2-D và ánh xạ không gian 3-D có thể tối ưu hóa độ chính xác sai số vị trí khớp (MPJPE) như thế nào so với việc ước lượng trực tiếp trên không gian 3-D thuần túy?
  • RQ3: Dữ liệu khung xương 3-D phục hồi có thể được chuẩn hóa và phân loại tự động để xây dựng hệ thống chấm điểm kỹ thuật và nhận dạng đòn tấn công trong võ thuật cổ truyền trường học hay không?
  • H1: Việc kết hợp bộ ước lượng 2-D được huấn luyện trên tập dữ liệu lớn với mô hình hình học chiếu tham số nội và thư viện tư thế 3-D sẽ khôi phục thành công các điểm khớp bị che khuất mà cảm biến chiều sâu thông thường bỏ sót.
  • H2: Tọa độ khớp xương 3-D được chuẩn hóa theo hệ trục tương đối sẽ cho phép bộ phân loại máy học (Cây quyết định / SVM) phân biệt chính xác các động tác tấn công và chấm điểm bài võ với độ chính xác cao.

Khung lý thuyết của đề tài tích hợp học sâu (Deep Learning), hình học xạ ảnh đa chiều (Projective Geometry) và mô hình biến dạng bộ phận cơ thể (Deformable Part Models). Về phạm vi nghiên cứu (Scope), đề tài xây dựng và công bố bộ cơ sở dữ liệu VNMA gồm 24 cảnh biểu diễn của 24 học viên (12 nam, 12 nữ, độ tuổi 13-20, kinh nghiệm luyện tập 1 tháng) tại võ đường Nguyễn Thanh Vũ (thành phố Quy Nhơn, tỉnh Bình Định) cùng bộ dữ liệu thực nghiệm SVNMA (14 bài thế của võ sinh nam 26 tuổi), thu thập trong không gian hoạt động $3\text{m} \times 3\text{m}$, tầm đo $0.8\text{m} - 4.0\text{m}$. Ý nghĩa của nghiên cứu là tạo nền tảng công nghệ chi phí thấp phục vụ trực tiếp cho công tác số hóa di sản, hỗ trợ giảng dạy thể chất trong ngành giáo dục và mở rộng cho các hệ thống tương tác người - máy (HCI).

Literature Review và Positioning

Lịch sử phát triển của bài toán ước lượng tư thế người (Human Pose Estimation - HPE) trong thị giác máy tính đã trải qua nhiều bước chuyển dịch quan trọng từ các phương pháp cổ điển trích xuất đặc trưng thủ công sang các kiến trúc mạng nơ-ron học sâu phức tạp:

[Mô hình Cổ điển] (DPM, APM, HMM, SE(3) Lie Group)
       │
       ▼ (Hạn chế trích xuất thủ công, dễ gãy vỡ khi che khuất)
[Học sâu 2-D] (CPM, OpenPose, Stacked Hourglass, HRNet)
       │
       ▼ (Thiếu thông tin chiều sâu không gian thực)
[Học sâu 2-D sang 3-D Lifting] (Tome et al., Martinez et al., Pavllo et al.)
       │
       ▼ (Hiện tượng che khuất võ thuật động lực học cao)
[Khung tiếp cận Đề xuất của Luận án]
(RGB-D Kinect v1 + CNN 2-D Lifting + Khử nhiễu PCL + 3-D Pose Matching Library)

Ở dòng nghiên cứu cổ điển, ước lượng tư thế 2-D và nhận dạng hành động chủ yếu dựa trên các bộ phát hiện thành phần. Felzenszwalb và các cộng sự (2010) đã phát triển mô hình biến dạng thành phần (Deformable Part Model - DPM) biểu diễn cơ thể người dưới cấu trúc hình sao và sử dụng bộ phân lớp SVM. Sun và các cộng sự (2012) nâng cấp thành mô hình khớp nối (Articulated Part-based Model - APM) với quan hệ cha - con đa tầng từ thô đến mịn. Vemulapalli và các cộng sự (2014) tiếp cận theo hướng đại số hình học, biểu diễn khung xương 3-D thành các đường cong trên đa tạp Lie $SE(3) \times \dots \times SE(3)$ kết hợp thuật toán Dynamic Time Warping (DTW) và SVM. Trên dữ liệu chiều sâu, Shotton và các cộng sự (2011) tạo bước đột phá khi ứng dụng Random Decision Forests (RDF) để phân loại điểm ảnh bộ phận cơ thể theo thời gian thực trên cảm biến Kinect. Tuy nhiên, các kỹ thuật cổ điển này bộc lộ hạn chế lớn khi người biểu diễn thực hiện các động tác võ thuật xoay 360 độ hoặc thu hẹp chi sát thân mình, khiến việc phân đoạn cục bộ bị thất bại hoàn toàn.

Trong kỷ nguyên học sâu, Wei và các cộng sự (2016) đề xuất mạng Convolutional Pose Machines (CPM) với cơ chế huấn luyện tuần tự đa giai đoạn (multi-stage) để tinh chỉnh bản đồ độ tin cậy (heatmaps). Cao và các cộng sự (2017) phát triển OpenPose dựa trên Part Affinity Fields (PAF) giải quyết xuất sắc bài toán ước lượng nhiều người đồng thời. Sun và các cộng sự (2019) giới thiệu HRNet (High-Resolution Network) duy trì các nhánh biểu diễn độ phân giải cao song song xuyên suốt mạng, đạt hiệu năng vượt trội trên tập dữ liệu COCO Keypoint Benchmark.

Đối với ước lượng khung xương 3-D, hai trường phái đối lập chính xuất hiện:

  • Trường phái 1 - Ước lượng trực tiếp từ ảnh tĩnh/chuỗi ảnh (End-to-End 3-D): Pavlakos và các cộng sự (2017) rời rạc hóa không gian thành các voxel 3-D; Tekin và các cộng sự (2017) kết hợp bản đồ nhiệt 2-D và tín hiệu ảnh 3-D. Hạn chế của hướng đi này là chi phí tính toán đồ họa cực lớn và yêu cầu tập dữ liệu huấn luyện 3-D khổng lồ vốn rất khó thu thập ngoài môi trường thực tế.
  • Trường phái 2 - Phương pháp nâng chiều 2-D sang 3-D (2-D to 3-D Pose Lifting): Martinez và các cộng sự (2017), Tome và các cộng sự (2017), Pavllo và các cộng sự (2019) chứng minh rằng việc dự đoán tọa độ 2-D bằng mạng CNN hiện đại, sau đó ánh xạ vào không gian 3-D kết hợp với cơ sở dữ liệu mẫu tư thế (3-D pose library) cho sai số MPJPE thấp hơn và độ tổng quát hóa cao hơn.

So sánh với các nghiên cứu quốc tế:

  1. Nghiên cứu của Pavllo và các cộng sự (2019): Ứng dụng mô hình tích chập theo thời gian (Temporal CNN) trên tập dữ liệu Human3.6M (Ionescu et al.) đạt MPJPE $51.4\text{mm}$, nhưng dựa vào chuỗi khung hình camera chuẩn phòng lab, không có cảm biến độ sâu thực tế hỗ trợ để khử nhiễu che khuất vật lý.
  2. Nghiên cứu của Timm và các cộng sự (2019): Sử dụng ResNet-50 để phục hồi tư thế 3-D khi bị che khuất nhân tạo trên Human3.6M, nhưng che khuất trong tập này là các hình khối nhân tạo chèn vào ảnh màu chứ không phải là che khuất tự nhiên do tương tác động học của chính cơ thể khi vận động võ thuật.

Luận án định vị nghiên cứu của mình vào điểm giao thoa: Tận dụng sức mạnh của mạng CNN 2-D kết hợp với dữ liệu đám mây điểm 3-D thực từ cảm biến RGB-D giá rẻ, sử dụng phép chiếu hình học quang học và bộ thư viện hàng triệu tư thế động học để khôi phục toàn diện các khớp xương bị che khuất trong các bài quyền võ thuật truyền thống.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và làm sâu sắc thêm các lý thuyết nền tảng trong lĩnh vực trí tuệ nhân tạo và xử lý ảnh:

  • Lý thuyết học máy (Machine Learning Theory): Kế thừa và hiện thực hóa định nghĩa kinh điển của Arthur Samuel (1959): "Máy học là ngành học cung cấp cho máy tính khả năng học hỏi mà không cần được lập trình một cách rõ ràng" và khung chuẩn hóa của Giáo sư Tom Mitchell (Carnegie Mellon University): "Học máy là 1 chương trình máy tính được nói là học hỏi từ kinh nghiệm E từ các tác vụ T và với độ đo hiệu suất P. Nếu hiệu suất của nó áp dụng trên tác vụ T và được đo lường bởi độ đo P tăng từ kinh nghiệm E". Trong đề tài, $T$ là tác vụ ước lượng 17 khớp xương 3-D và chấm điểm bài võ; $E$ là tập dữ liệu huấn luyện COCO, Human3.6M và dữ liệu võ cổ truyền VNMA; $P$ là sai số trung bình vị trí khớp MPJPE (Mean Per Joint Position Error tính bằng mm) và độ chính xác phân loại động tác (%).
  • Lý thuyết biểu diễn hình học xạ ảnh và nhóm Lie động học cơ thể: Mở rộng mô hình động học thuận nghịch (Forward/Inverse Kinematics) bằng cách thiết lập liên kết không gian Euclid giữa hệ tọa độ cảm biến $O_C(X_C, Y_C, Z_C)$ và hệ tọa độ cơ thể người chuẩn hóa $O_B(X_B, Y_B, Z_B)$ lấy tâm gốc tại vị trí "Giữa Hông" (Hip Center), loại bỏ hoàn toàn sự phụ thuộc vào cự ly và góc quay của thiết bị thu nhận.
  • Lý thuyết bản đồ độ tin cậy không gian (Spatial Confidence Heatmaps): Đóng góp cơ chế tích hợp hàm tổn thất MSE trên các giai đoạn CNN nhằm duy trì thông tin phân bố xác suất của các điểm mốc (keypoints), ngăn chặn hiện tượng mất mát đặc trưng vị trí khi chuyển giao qua các tầng tích chập sâu.
+-------------------------------------------------------------------------+
|                  KHUNG PHÂN TÍCH 3 PHA TỔNG THỂ (3-STAGE FRAMEWORK)      |
+-------------------------------------------------------------------------+
| [Pha 1: Chuẩn bị & Tiền xử lý Dữ liệu RGB-D]                            |
|  - Cảm biến MS Kinect v1 -> Thu nhận luồng RGB (640x480) & Depth (640x480) |
|  - Hiệu chỉnh quang sai & đồng bộ tâm quang học (MICA calibration SDK)   |
|  - Tái tạo dữ liệu Đám mây điểm 3-D (Point Cloud) qua thư viện PCL       |
+-------------------------------------------------------------------------+
                                     │
                                     ▼
+-------------------------------------------------------------------------+
| [Pha 2: Ước lượng Đa Không gian & Phục hồi Che khuất]                   |
|  - Nhánh 2-D: Mạng CNN đa giai đoạn (CPM / OpenPose) trích xuất         |
|    25 điểm đại diện trên ảnh màu (Heatmaps + Part Affinity Fields)      |
|  - Chiếu Xạ ảnh: Ánh xạ tọa độ 2-D (x, y) sang không gian 3-D thực      |
|    kết hợp giá trị chiều sâu thực tế Zp từ ma trận độ sâu               |
|  - Khôi phục Che khuất: So khớp (Pose Matching) với Thư viện 3-D Pose   |
|    kinh điển (Human3.6M) chứa hàng triệu tư thế chuẩn động học          |
+-------------------------------------------------------------------------+
                                     │
                                     ▼
+-------------------------------------------------------------------------+
| [Pha 3: Chuẩn hóa Tọa độ & Ứng dụng Chấm điểm - Nhận dạng Tấn công]     |
|  - Chuẩn hóa 17 khớp xương gốc (Gốc tọa độ tại Cổ & Giữa hông)          |
|  - Trích xuất đặc trưng góc khớp động học và vận tốc vector             |
|  - Bộ phân loại Cây quyết định (Decision Tree) & SVM nhận dạng đòn đánh |
|  - Module thuật toán so khớp quỹ đạo chấm điểm kỹ thuật bài võ          |
+-------------------------------------------------------------------------+

Khung phân tích độc đáo

Khung phân tích của luận án kết hợp hài hòa ba lý thuyết: (1) Lý thuyết học sâu tích chập không gian (Deep CNNs); (2) Lý thuyết hình học xạ ảnh camera (Pinhole Camera Model & Intrinsic Calibration); (3) Lý thuyết không gian mẫu động học người (Kinematic Prior Space).

Các đóng góp khái niệm và điều kiện biên (Boundary Conditions):

  • Khái niệm "Khôi phục khớp che khuất dựa trên mẫu hình học không gian": Định nghĩa quá trình ước tính vị trí không gian của các chi bị che khuất không chỉ dựa vào tín hiệu thị giác 2-D mà dựa trên ràng buộc chiều dài xương cố định (bone length invariance) và tư thế đối xứng động học từ thư viện không gian 3-D.
  • Điều kiện biên xác lập: Vùng vận động của võ sinh giới hạn trong $3\text{m} \times 3\text{m}$; khoảng cách từ cảm biến tới người trong dải $0.8\text{m} - 4.0\text{m}$; góc nghiêng cảm biến $\le 30^\circ$; đối tượng mặc trang phục võ thuật vải thô tối màu, tuyệt đối không sử dụng chất liệu nilon bóng nhằm tránh hiện tượng triệt tiêu sóng hồng ngoại phát xạ từ đầu phát của cảm biến Kinect v1.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được thiết kế theo trường phái thực chứng (Positivism) kết hợp phương pháp định lượng thực nghiệm nghiêm ngặt. Hệ thống tích hợp đa cấp độ từ tầng phần cứng cảm biến, tầng tiền xử lý tín hiệu đám mây điểm, tầng học sâu thị giác máy tính đến tầng phân loại hành động.

Chi tiết phần cứng và công cụ phát triển:

  • Thiết bị thu nhận: Một cảm biến Microsoft Kinect v1 (gồm 1 camera RGB, 1 đầu phát hồng ngoại, 1 cảm biến CMOS thu hồng ngoại), giao tiếp máy tính Laptop qua cổng USB 2.0.
  • Hạ tầng tính toán: Máy chủ máy tính trang bị CPU Intel(R) Xeon(R) E5-2420 v2 @ 2.20GHz, bộ nhớ trong 16GB RAM, card xử lý đồ họa chuyên dụng NVIDIA GeForce GTX 1080 Ti (12GB VRAM).
  • Môi trường phần mềm: Hệ điều hành Ubuntu 16.04 LTS / Windows x64; Môi trường phát triển Microsoft Visual Studio (từ bản 2010 trở lên); Ngôn ngữ lập trình C++, Python và Matlab; Thư viện thị giác máy tính OpenCV, Thư viện xử lý đám mây điểm PCL (Point Cloud Library), Microsoft Kinect SDK 1.8 (Nui Library), framework học sâu Caffe và TensorFlow (v1.x).

Quy trình nghiên cứu rigorous

Quy trình thu thập và tiền xử lý dữ liệu trải qua các bước chuẩn hóa nghiêm ngặt:

  1. Thu thập dữ liệu: Đặt cảm biến cố định trên giá đỡ chuyên dụng, hướng trực diện vào trung tâm thảm tập võ $3\text{m} \times 3\text{m}$. Thu nhận đồng thời luồng ảnh màu RGB và ảnh độ sâu Depth với tốc độ từ 10 đến 30 khung hình/giây, độ phân giải cố định $640 \times 480$ pixels.
  2. Hiệu chỉnh quang học (Camera Calibration): Áp dụng bộ tham số của Nicolas để triệt tiêu độ lệch tâm giữa cảm biến ảnh màu và cảm biến độ sâu, đồng bộ hệ tọa độ điểm ảnh $(u, v)$ với ma trận điểm thực thế giới $(X_w, Y_w, Z_w)$ theo phương trình xạ ảnh: $$X_p = \frac{(x_i - c_x) \cdot Z_p}{f_x}, \quad Y_p = \frac{(y_i - c_y) \cdot Z_p}{f_y}$$ Trong đó $(c_x, c_y)$ là tọa độ tâm quang học và $(f_x, f_y)$ là tiêu cự của cảm biến.
  3. Gán nhãn dữ liệu chuẩn (Ground Truth Annotation): Xây dựng phần mềm chuyên dụng trên nền tảng C++/PCL cho phép các chuyên gia thị giác máy tính đánh dấu trực tiếp 17 điểm mốc khớp xương trong không gian đám mây điểm 3-D thực tế. 17 khớp được chuẩn hóa gồm: (1) Đầu, (2) Cổ, (3) Vai phải, (4) Khuỷu tay phải, (5) Cổ tay phải, (6) Vai trái, (7) Khuỷu tay trái, (8) Cổ tay trái, (9) Giữa hông, (10) Hông phải, (11) Đầu gối phải, (12) Cổ chân phải, (13) Ngón chân cái phải, (14) Hông trái, (15) Đầu gối trái, (16) Cổ chân trái, (17) Ngón chân cái trái. Việc lược bỏ các khớp giữa cột sống được chứng minh bằng thực nghiệm do khoảng cách trượt của cột sống so với trục nối Cổ - Giữa hông là không đáng kể trong các đòn thế cơ bản.
                      (1) Đầu
                         │
                      (2) Cổ
        ┌────────────────┼────────────────┐
 (3) Vai phải                     (6) Vai trái
        │                                 │
 (4) Khuỷu tay phải               (7) Khuỷu tay trái
        │                                 │
 (5) Cổ tay phải                  (8) Cổ tay trái
                         │
                   (9) Giữa hông
        ┌────────────────┴────────────────┐
 (10) Hông phải                    (14) Hông trái
        │                                 │
 (11) Đầu gối phải                 (15) Đầu gối trái
        │                                 │
 (12) Cổ chân phải                 (16) Cổ chân trái
        │                                 │
 (13) Ngón chân phải               (17) Ngón chân trái

Data và phân tích

Đặc tính thống kê của các bộ dữ liệu trong nghiên cứu:

  • Tập dữ liệu VNMA (VietNam Martial Arts): Gồm 24 video tương ứng với 24 cảnh biểu diễn võ thuật cổ truyền. Tổng số khung hình ghi nhận dao động từ 50 đến 131 khung hình/video (ví dụ: Video 1: 50 frames; Video 2: 89 frames; Video 5: 98 frames; Video 6: 109 frames; Video 13: 131 frames; Video 18: 117 frames; Video 24: 105 frames). Dữ liệu bao trùm 24 đối tượng cân bằng giới tính (50% Nam, 50% Nữ), độ tuổi từ 13 đến 20, chiều cao dao động trong khoảng từ $1.45\text{m}$ đến $1.75\text{m}$.
  • Tập dữ liệu SVNMA (Small VietNam Martial Arts): Gồm 14 video ngắn ghi lại 14 thế võ đặc trưng của 1 võ sinh nam (26 tuổi), trang phục chuẩn võ thuật màu tối, đóng vai trò tập kiểm thử nâng cao cho các đòn thế phức tạp.
  • Tập dữ liệu chuẩn quốc tế: COCO Keypoint Dataset (hơn 150.000 người với 1.7 triệu nhãn điểm mốc) và Human3.6M (hơn 3.6 triệu trạng thái tư thế 3-D).

Mô hình học sâu sử dụng kiến trúc mạng tích chập CPM gồm 5 lớp tích chập ở nhánh ước lượng điểm mốc và các tầng nhân chập kích thước $9 \times 9$, $5 \times 5$, $2 \times 2$. Quá trình huấn luyện sử dụng kích thước ảnh đầu vào $368 \times 368 \times 3$, batch size bằng 16, số giai đoạn tuần tự là 6 stages, sử dụng thuật toán tối ưu hóa ngẫu nhiên với hàm mất mát MSE.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu quả vượt trội của mô hình 2-D to 3-D Lifting so với mô hình ước lượng trực tiếp: Kết quả thực nghiệm chứng minh việc sử dụng mạng CPM huấn luyện trên tập dữ liệu lớn COCO (Method 1) để trích xuất 25 điểm mốc 2-D, sau đó ánh xạ hình học sang không gian 3-D cho sai số vị trí khớp trung bình (MPJPE) nhỏ hơn rõ rệt so với việc cố gắng hồi quy 3-D trực tiếp từ ảnh độ sâu nhiễu của Kinect v1. Cảm biến Kinect v1 giá 40 USD khi được bù đắp bằng mô hình mạng học sâu đã đạt độ chính xác xấp xỉ các hệ thống đắt tiền.
  2. Khả năng phục hồi khớp xương bị che khuất hoàn toàn trong các tư thế xoay 360 độ: Khi võ sinh thực hiện các động tác quay lưng hoặc co chân sát thân, dữ liệu chiều sâu từ Kinect bị mất hoàn toàn thông tin chi bị che. Bằng cách tích hợp bộ thư viện tư thế 3-D (chứa hàng triệu mẫu chuyển động chuẩn), hệ thống đã nội suy và phục hồi chính xác vị trí của $100%$ các khớp bị che khuất với sai số khoảng cách nằm trong ngưỡng dung sai giải phẫu cho phép.
  3. Phát hiện bất đối xứng trong độ chính xác nhận dạng các khớp chi: Dữ liệu thực nghiệm chỉ ra rằng các khớp gốc như Cổ, Đầu và Giữa hông luôn đạt độ ổn định và chính xác cao nhất ($>98%$), trong khi các khớp xa trục (cổ tay, ngón chân) có độ lệch phương sai lớn hơn do vận tốc góc cực đại của đòn đánh võ thuật gây ra hiện tượng nhòe chuyển động (motion blur) trên khung hình RGB 30 fps.
  4. Hiệu năng vượt trội của bộ phân loại trong nhận dạng đòn tấn công: Từ 17 tọa độ khớp 3-D đã được chuẩn hóa, mô hình Cây quyết định (Decision Tree) và SVM phân loại thành công các đòn thế tấn công (đấm, đá, gạt, thế tấn) với độ chính xác cao, tạo cơ sở định lượng hóa các tiêu chí chấm điểm kỹ thuật.

Implications đa chiều

  • Về mặt lý thuyết: Công trình cung cấp bằng chứng thực nghiệm vững chắc chứng minh tính khả thi của lý thuyết ánh xạ không gian xạ ảnh kết hợp không gian mẫu tiền định (Kinematic Prior) trong việc giải quyết bài toán thị giác máy tính bị khuyết dữ liệu quan sát một phía.
  • Về mặt phương pháp luận: Đề xuất một quy trình nghiên cứu khép kín từ thu thập dữ liệu RGB-D thực địa, tiền xử lý đám mây điểm, huấn luyện mạng nơ-ron đa tầng đến chuẩn hóa hệ tọa độ động học người. Phương pháp này có thể chuyển giao cho các bài toán phân tích dáng đi y tế, phục hồi chức năng và tương tác thực tế ảo (VR/AR).
  • Về ứng dụng thực tiễn: Cung cấp giải pháp phần mềm chấm điểm tự động cho các trường phổ thông tại Việt Nam, giúp học sinh tự rèn luyện võ cổ truyền mà không bắt buộc phải có sự hiện diện liên tục của võ sư, giảm thiểu chi phí đào tạo và nguy cơ chấn thương do sai tư thế.
  • Về chính sách và bảo tồn di sản: Cung cấp công cụ số hóa 3-D chuẩn xác cho các nhà quản lý văn hóa thể thao nhằm lưu trữ vĩnh viễn các bài quyền cổ truyền của các đại võ sư Bình Định dưới định dạng dữ liệu số hóa 3 chiều, loại bỏ nguy cơ mai một hoặc tam sao thất bản qua thời gian.

Limitations và Future Research

Nghiên cứu thẳng thắn thừa nhận một số hạn chế mang tính kỹ thuật và điều kiện biên:

  • Hạn chế phần cứng cảm biến: Việc sử dụng cảm biến đơn MS Kinect v1 thế hệ cũ với độ phân giải giới hạn ($640 \times 480$) và tốc độ khung hình 30 fps dẫn đến hiện tượng nhiễu hạt quang học khi điều kiện ánh sáng phòng tập thay đổi, đồng thời gây trượt khung hình ở các đòn đánh tốc độ cao.
  • Hạn chế về kịch bản quan sát: Hệ thống mới chỉ tập trung xử lý cho các video biểu diễn đơn lẻ (single-person), chưa mở rộng cho kịch bản đối kháng trực tiếp (sparring/combat) giữa hai hoặc nhiều võ sinh với sự va chạm và che khuất lẫn nhau phức tạp.
  • Quy trình gán nhãn Ground Truth 3-D: Việc đánh dấu 17 khớp trên đám mây điểm 3-D vẫn phải thực hiện bán thủ công trên dữ liệu quan sát một phía, thiếu hệ thống MOCAP quang học đa camera chuyên dụng để kiểm chứng chéo độc lập tuyệt đối.

Chương trình nghiên cứu tiếp theo (Future Research Agenda):

  1. Nâng cấp phần cứng thu nhận lên hệ thống đa cảm biến (Multi-camera RGB-D) như Azure Kinect hoặc RealSense D435 kết hợp kiến trúc mạng HRNet chạy song song trên cụm nhiều GPU.
  2. Ứng dụng mạng mạng nơ-ron hồi quy chuỗi thời gian như LSTM (Long Short-Term Memory) hoặc Transformer không gian - thời gian (Spatio-Temporal Graph CNN - ST-GCN) để tận dụng mối tương quan liên khung hình, loại bỏ triệt để sai số tích lũy thời gian.
  3. Mở rộng cơ sở dữ liệu võ thuật sang các môn võ phái khác (Vovinam, Nhất Nam, Cổ truyền Bắc Hà) và xây dựng hệ thống phân tích lực tác động sinh học (Biomechanics force estimation) phục vụ huấn luyện vận động viên chuyên nghiệp.

Tác động và ảnh hưởng

  • Tác động học thuật: Đóng góp bài báo khoa học chất lượng cao trên các tạp chí và kỷ yếu hội nghị quốc tế uy tín (như IEEE ATC, ISCIT, JAEC, Tạp chí Khoa học và Công nghệ). Mở ra hướng nghiên cứu mới về ứng dụng thị giác máy tính trong bảo tồn thể thao truyền thống bản địa.
  • Tác động chuyển đổi ngành (Industry/EdTech): Cung cấp giải pháp phần mềm giá rẻ có khả năng thương mại hóa thành ứng dụng EdTech hỗ trợ giảng dạy thể chất thông minh cho hàng triệu học sinh phổ thông.
  • Tác động văn hóa - xã hội: Đóng góp thiết thực vào chương trình bảo tồn di sản văn hóa phi vật thể quốc gia, giúp các thế hệ tương lai tiếp cận võ thuật cổ truyền chuẩn xác, trực quan hóa trên không gian số 3-D.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học Thị giác máy tính: Tiếp cận bộ cơ sở dữ liệu VNMA được gán nhãn 3-D chuẩn cùng khung thuật toán xử lý che khuất bằng phương pháp nâng chiều 2-D sang 3-D.
  • Võ sư, Huấn luyện viên & Vận động viên: Sở hữu công cụ định lượng hóa góc độ, quỹ đạo đòn đánh, phân tích điểm mạnh - điểm yếu của các tư thế tấn công và phòng thủ.
  • Ngành giáo dục & Học sinh phổ thông: Tiếp cận hệ thống tự đánh giá, tự luyện tập võ thuật tại trường hoặc tại nhà với chi phí trang thiết bị tối thiểu (khoảng 40 USD).
  • Cơ quan Quản lý Văn hóa - Thể thao: Có trong tay kho lưu trữ dữ liệu số hóa 3-D vĩnh viễn các bài quyền di sản phục vụ công tác trưng bày bảo tàng ảo và giao lưu quốc tế.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc thiết lập mô hình kết hợp giữa mạng nơ-ron học sâu 2-D và lý thuyết không gian mẫu động học 3-D (Kinematic Prior Space) để khôi phục các khớp cơ thể bị che khuất vật lý hoàn toàn. Nghiên cứu mở rộng lý thuyết mô hình biến dạng bộ phận (Deformable Part Models) của Felzenszwalb và APM của Sun bằng cách nâng cấp từ cấu trúc 2 chiều phẳng sang không gian xạ ảnh 3 chiều thực tế, khắc phục triệt để sự suy giảm thông tin hình học của các phương pháp cổ điển.

2. Đổi mới phương pháp luận (Methodology Innovation) khi so sánh với các nghiên cứu trước đây?

So với nghiên cứu của Pavllo và các cộng sự (2019) (chỉ ước lượng từ ảnh 2-D nâng chiều trên dữ liệu chuẩn Human3.6M không có cảm biến độ sâu thực tế) và nghiên cứu của Shotton và các cộng sự (2011) (sử dụng RDF trực tiếp trên ảnh độ sâu Kinect nhưng bị vỡ khung xương khi mất dấu chi), luận án đã tạo ra phương pháp luận lai (Hybrid Methodology): Dùng mạng CNN CPM đa giai đoạn để trích xuất 25 điểm mốc trên ảnh màu RGB có độ nhạy cao, sau đó dùng ma trận nội tham số camera để chiếu sang đám mây điểm 3-D và so khớp với thư viện hàng triệu tư thế động học. Điều này cho phép hệ thống vận hành tin cậy ngay cả trên cảm biến Kinect v1 giá rẻ bị nhiễu độ sâu nặng.

3. Phát hiện bất ngờ nhất (Surprising Finding) có bằng chứng dữ liệu hỗ trợ là gì?

Phát hiện bất ngờ nhất là việc các thuật toán học sâu 2-D hiện đại khi kết hợp với mô hình hình học chiếu lại cho kết quả ước lượng 3-D ổn định và ít sai số hơn việc cố gắng huấn luyện một mô hình học sâu 3-D đầu-cuối (End-to-End 3-D CNN) trực tiếp từ dữ liệu chiều sâu của Kinect v1. Bằng chứng là dữ liệu chiều sâu thô của Kinect v1 bị nhiễu do hấp thụ tia hồng ngoại và che khuất làm mô hình 3-D trực tiếp bị phân kỳ, trong khi thông tin ảnh màu RGB qua mạng CPM giúp "khóa" chặt vị trí các điểm mốc 2-D với độ tin cậy cực cao trước khi nâng chiều.

4. Giao thức tái lặp (Replication Protocol) có được cung cấp chi tiết không?

Giao thức tái lặp được cung cấp đầy đủ và chi tiết: Toàn bộ cấu hình mạng CPM (kích thước ảnh $368 \times 368 \times 3$, batch size 16, 6 stages), thông số phần cứng (GTX 1080 Ti, Xeon E5-2420 v2), thư viện môi trường (Ubuntu 16.04, Kinect SDK 1.8, OpenCV, PCL), bộ tham số hiệu chỉnh quang học Nicolas, cùng liên kết công khai tải về bộ cơ sở dữ liệu VNMA (24 video) và SVNMA (14 video) được nêu rõ trong phụ lục của luận án.

5. Chương trình nghiên cứu 10 năm (10-Year Research Agenda) được vạch ra như thế nào?

Lộ trình 10 năm gồm 3 giai đoạn chiến lược:

  • Giai đoạn 1 (1-3 năm): Mở rộng hệ thống lên kiến trúc đa camera RGB-D và tích hợp mô hình Graph Neural Networks (ST-GCN) phân tích chuỗi chuyển động thời gian thực.
  • Giai đoạn 2 (4-6 năm): Xây dựng nền tảng đám mây (Cloud AI) chấm điểm võ thuật tự động tích hợp công nghệ tương tác thực tế ảo (VR/AR) cho toàn bộ hệ thống trường phổ thông quốc gia.
  • Giai đoạn 3 (7-10 năm): Phát triển hệ thống AI mô phỏng sinh học và động lực học cơ khớp (Musculoskeletal Biomechanics AI) nhằm đánh giá nội lực, tốc độ phát lực và phòng ngừa chấn thương cho các môn thể thao đối kháng đỉnh cao tầm cỡ quốc tế.

Kết luận

  1. Xây dựng thành công quy trình công nghệ toàn diện cho phép ước lượng, khôi phục khung xương người trong không gian 3-D và tái tạo môi trường thực tế từ video biểu diễn võ thuật cổ truyền sử dụng duy nhất một cảm biến MS Kinect v1 chi phí thấp.
  2. Đề xuất mô hình lai 2-D to 3-D Lifting đột phá, kết hợp mạng nơ-ron tích chập CPM đa giai đoạn trên ảnh màu với mô hình chiếu hình học và thư viện tư thế 3-D, giải quyết triệt để bài toán khôi phục 17 khớp xương bị che khuất trong các động tác võ thuật xoay chuyển 360 độ.
  3. Công bố hai bộ cơ sở dữ liệu võ thuật cổ truyền Việt Nam chuẩn mực (VNMA và SVNMA) với 38 video được đánh nhãn tọa độ khớp 3-D thực nghiệm trên dữ liệu đám mây điểm, đóng góp nguồn tài nguyên quý giá cho cộng đồng thị giác máy tính quốc tế.
  4. Hiện thực hóa mô hình chấm điểm kỹ thuật và nhận dạng đòn thế tấn công dựa trên phân loại vector khớp xương chuẩn hóa, chứng minh tính ứng dụng cao trong việc tự đánh giá bài tập của học sinh phổ thông.
  5. Mở ra 3 nhánh nghiên cứu mới: (a) Số hóa và bảo tồn di sản văn hóa phi vật thể bằng công nghệ 3-D AI; (b) Giảng dạy thể chất thông minh chi phí thấp trong trường học; (c) Phân tích động lực học thể thao đối kháng tốc độ cao trên thiết bị biên.
  6. Đặt nền móng khoa học vững chắc khẳng định năng lực ứng dụng các kỹ thuật trí tuệ nhân tạo tiên tiến nhất vào giải quyết các bài toán thực tiễn đặc thù của văn hóa và giáo dục Việt Nam, hướng tới hội nhập chuẩn mực học thuật toàn cầu.