Ứng dụng xử lý ảnh để giám sát an ninh

Nội dung text: Ứng dụng xử lý ảnh để giám sát an ninh

1. ỨNG DỤNG XỬ LÝ ẢNH ĐỂ GIÁM SÁT AN NINH SECURITY SURVEILLANCE USING IMAGE PROCESSING (1)Đoàn Chánh Tín,(2)Lê Chí Thông (1)Khoa Điện – Điện Tử, Trường Cao Đẳng Công Nghệ Thủ Đức (2)Khoa Điện – Điện Tử, Trường Đại Học Bách Khoa Thành Phố Hồ Chí Minh TÓM TẮT Hiện nay, hầu hết các công ty, xí nghiệp đều có hệ thống camera giám sát hoạt động 24/7, đồng nghĩa với việc phải có nhân viên túc trực để giám sát camera, điều này dẫn đến hao phí tài nguyên con người, và đôi khi do mệt mỏi hay sơ ý người nhân viên không quan sát camera thì có thể bỏ sót tội phạm. Điển hình là hàng loạt các vụ đột nhập vào hộ gia đình, cửa hàng, văn phòng tuy được camera ghi nhận lại hình ảnh nhưng không có người phát hiện kịp thời, nên những tên tội phạm vẫn có thể ung dung hoạt động và trở ra an toàn. Đây chính là mặt hạn chế của hệ thống giám sát hiện nay. Xuất phát từ thực tiễn đó, luận văn này nghiên cứu phát triển một hệ thống giám sát cảnh báo hoạt động hiệu quả hơn, chính xác hơn mà không cần có sự can thiệp của con người. Hệ thống hoạt động trên thời gian thực, giám sát liên tục và đồng thời phát hiện, nhận dạng nhiều đối tượng dựa trên những cơ sỡ dữ liệu có sẵn. Sau đó phát cảnh báo cho người sử dụng thông qua mạng GSM. Đề tài áp dụng những thành tựu khoa học kỹ thuật sẵn có như camera giám sát an ninh, hệ thống mạng GSM kết hợp với kỹ thuật xử lý ảnh bằng thư viện thị giác máy tính mã nguồn mở OpenCV để xử lý hình ảnh thu nhận. Đề tài là sự kết hợp của những kiến thức cơ bản về xử lý ảnh số, lập trình Visual C++ với thư viện OpenCV , lập trình nhúng và lập trình tập lệnh AT điều khiển module GSM. Từ khóa:Xử lý ảnh, OpenCV, lập trình nhúng, module GSM, ABSTRACT Today, almost all companies, enterprises have surveillance security camera system that monitoring their business 24/7. The surveillance security camera system that was used by many companies and enterprise today is not sophisticate enough; it requires human intervention. This is leading to the wastage of human resources, and sometime if the person who was monitoring the camera was tire or careless then the crime might be overlook. Typically, there were many crimes that the thieves break into household and office that have surveillance security camera system, but they were able to flee freely from the crime scene because no one was there to reports the crime. The surveillance camera only recorded the image and without an actual person to monitoring the camera, it will become useless. The surveillance camera alerting side is very limited in the security monitoring system today because it cannot be automatic and it requires human intervation. This is the limited side of the security monitoring system today Stemming for this limit of the surveillance security camera system today, my dissertation research is to developed a monitoring and alerting security camera system that is more efficient and it doesn’t need human intervention. The security camera system that I am developed can operate the system on real-time, it can continuously and simultaneously monitoring and detecting object, and the recognition of the object is based on multiple databases available. After the camera recognized an object, then it alerts the user through GSM network. This thesis applies the scientific and technical achievements of security surveillance camera that are available today; the GSM networks combined with image processing techniques in computer vision library open source OpenCV to process the images that obtained. My thesis is a combination of the basic knowledge of digital image processing, Visual C + + programming with OpenCV libraries, embedded programming and programming control module AT command set GSM. Key words: Image processing, OpenCV, embedded programming, module GSM
2. I. GIỚI THIỆU Điều khiển vào ra: Văn phòng, công ty, trụ Trước sự phát triển như vũ bão của sở, máy tính , kết hợp thêm vân tay và khoa học kỹ thuật, ngành điều khiển học và móng mắt. Cho phép nhân viên được vào ra tự động hóa đã có những bước tiến lớn. nơi cần thiết, hay mỗi người sẽ đăng nhập Điều khiển học và tự động hóa ngày càng máy tính cá nhân của mình mà không cần đóng vai trò quan trọng trong việc tăng nhớ tên đăng nhập cũng như mật khẩu mà năng xuất lao động, giảm giá thành, tăng sự chỉ cần xác định thông qua khuôn mặt [1]. ổn định chất lượng của sản phẩm. Thêm Tìm kiếm dữ liệu liên quan đến con người vào đó, môi trường làm việc được cải thiện thông qua khuôn mặt người trên nhìu hệ cơ đặt biệt trong một số ngành nghề có tính sở dữ liệu lưu trữ thật lớn như internet, các chất độc hại nguy hiểm cho tính mạng con hãng truyền hình. người: dò bom mìn, thao tác trong các nhà Phát hiện gương mặt có thể là một đề tài máy điện hạt nhân hoặc các khu vực có độ phổ biến nhưng sự kết hợp giữa phát hiện phóng xạ cao, thám hiểm mặt trăng sao hỏa, gương mặt và xử lý trên kit nhúng là một đề thám hiểm đáy biển sâu Trong xã hội tài mới và khá khó. Điều này đặt ra nhiều khó công nghiệp ngày nay, việc ứng dụng các khăn và thách thức trong việc xây dựng, phát robot tự hành, các cánh tay máy, có khả triển và hoàn thiện đề tài. năng hoạt động độc lập ngày càng phổ biến. Để có khả năng thông minh đó, chúng phải Để phát hiện, nhận diện và cảnh báo, đảm có khả năng nhìn, nhận dạng các tình huống, bảo tính chính xác thì hệ thống cần phải có tốc xử lý tình huống như con người. Đáp ứng độ xử lý nhanh, hoạt động như một hệ thống nhu cầu đó, xử lý ảnh đã tham gia vào điều thời gian thực.Một sản phẩm tốt thì không bao khiển học và tự động hóa. Dữ liệu về hình giờ có những sai xót, nếu hệ thống phát hiện ảnh có lượng thông tin lớn và chính xác hơn có chuyển động và nhận dạng mà hệ thống các loại dữ liệu từ các cảm biến khác.Điều cảnh báo vẫn không hoạt động thì đó là việc này giúp cho việc giải quyết các vấn đề không thể chấp nhận được.Vì vậy tốc độ trong lĩnh vực điều khiển tự động dễ dàng nhanh và tính chính xác là 2 yếu tố quan trọng hơn. Một trong những bài toán về xử lý ảnh nhất trong việc xây dựng và thưc hiện hệ phổ biến hiện nay là “phát hiện khuôn mặt thống. người”. Và đã được ứng dụng rộng rãi vào Vì vậy, bài báo trình bày về phương pháp cuộc sống hiện nay như: xây dựng một hệ thống nhúng có thể phát hiện khuôn mặt người trong thời gian thực dựa trên Hệ thống tương tác giữa người và máy: thuật toán Adaboost kết hợp mô hình phân Giúp những người bị tật hoặc khuyết tầng Casscade Classifier [2]để phát hiện khuôn điểm có thể trao đổi. Những người dùng mặt người bằng các đặc trưng Harr-like. ngôn ngữ tay có thể giao tiếp với người bình thường. Những người bị bại liệt Bài báo được chia làm bốn phần như sau: thông qua một số ký hiệu nháy mắt có phần 2 giới thiệu về thuật toán máy học thể biểu lộ những gì họ muốn. Đó là các Adaboost và quá trình phát hiện mặt người . bài toán điệu bộ của bàn tay (hand Phần 3 trình bày về thiết kế hệ thống nhúng gesture), điệu bộ của khuôn mặt. phát hiện mặt người. Phần 4 trình bày kết quả Nhận dạng người A có phải là tội phạm đạt được. Cuối cùng, kết luận được trình bày truy nã hay không, giúp cơ quan an ninh trong phần 5. quản lý tốt con người. Công việc nhận II. ADABOOST dạng có thể có thể ở trong môi trường bình thường cũng như trong bóng tối. Như đã biết, AdaBoost( Adaptive Boost ) Thẻ căn cước, chứng minh nhân dân [3], là một bộ phân loại mạnh phi tuyến phức (Face identification) dựa trên hướng tiếp cận boosting được Freund An ninh sân bay, xuất nhập cảnh ( hiện và Schapire đưa ra vào năm 1995 [4]. nay cơ quan an ninh xuất nhập cảnh Mỹ Adaboost hoạt động trên nguyên tắc kết hợp đã áp dụng). Dùng để xác thực người tuyến tính các weak classifier dựa trên các đặc xuất nhập cảnh và kiểm tra có phải là trưng Haar- Like để hình thành một strong nhân vật khủng bố hay không. classifier.Để có thể kết hợp các bộ phân loại
3. yếu, adaboost sử dụng một trọng số 1 1 − 휀푗 ∝푡= ln (2.5) (weight) để đánh dấu các mẫu khó nhận 2 휀푗 dạng. Trong quá trình huấn luyện, cứ mỗi weak classifier được xây dựng, thuật toán 푍푡 : Hệ số dùng để đưa 푊푡+1 về đoạn sẽ tiến hành cập nhật lại trọng số để chuẩn [0,1] (normalization factor) bị cho việc xây dựng weak classifier tiếp 4. Strong classifier được xây dựng : theo: tăng trọng số của các mẫu bị nhận dạng sai và giảm trọng số của các mẫu được = 푡=1 ∝푡 ℎ푡 ( ) (2.6) nhận dạng đúng bởi weak classifier vừa xây dựng. Bằng cách này, các weak classifier sau có thể tập trung vào các mẫu mà các weak classifier trước đó chưa thực hiện tốt. Sau cùng các weak classifier sẽ được kết hợp tùy theo mức độ „tốt‟ của chúng để tạo nên một strong classifier. Thuật toán AdaBoost: 1. Cho một tập gồm n mẫu có đánh dấu (x1,y1), (x2,y2), (xn,yn) với xk ∈ (xk1, xk2, , xkm) là vector đặc trưng và yk ∈ (-1, 1) là nhãn của mẫu (1 ứng với object, -1 ứng với background). 2. Khởi tạo trọng số ban đầu cho tất cả các mẫu: với m là số mẫu đúng (ứng với object và y = 1) và l là số mẫu sai (ứng với background và y = -1). 1 1 푤 = , (2.1) 1, 2 2푙 3. Xây dựng T weak classifiers Lặp t = 1, , T Với mỗi đặc trưng trong vector đặc trưng, xây dựng một weak classifier hj với ngưỡng θj và lỗi εj. Hình 2.7 Sơ đồ khối của thuật toán Adaboost 푛 휀푗 = 푤푡, |ℎ푗 Quá trình phát hiện mặt người Từ ảnh gốc ban đầu tính được Integral − | (2.2) Image - là mảng 2 chiều với phần tử (x, y), mục đích là để tính nhanh tổng của các giá trị Chọn ra hj với εj nhỏ nhất, ta được mức xám của một vùng hình chữ nhật bất kỳ ht: trên ảnh gốc. Các vùng ảnh con này sẽ được ℎ푡 : → 1, −1 2.3 đưa qua các hàm Haar cơ bản để ước lượng đặc trưng, kết quả ước lượng sẽ được đưa qua bộ điều chỉnh AdaBoost để loại bỏ nhanh các Cập nhật lại trọng số: đặc trưng không có khả năng là đặc trưng của 푒−훼푡 , ℎ = đối tượng. Chỉ có một tập nhỏ các đặc trưng 푤푡, 푡 푤푡+1, = × 푡 (2.4) mà bộ điều chỉnh AdaBoost cho là có khả năng 푍 푒훼 , ℎ ≠ 푡 푡 là đặc trưng của khuôn mặt người mới được Trong đó: chuyển sang cho bộ quyết định kết quả (là tập các bộ phân loại yếu). Bộ quyết định sẽ xác
4. nhận đây là đối tượng cần xác định nếu kết quả của các bộ phân loại yếu xác nhận đây là đối tượng cần xác định. Mỗi bộ phân loại yếu sẽ quyết định kết quả cho một đặc trưng Haar-like, được xác Vùng ảnh xét định ngưỡng đủ nhỏ sao cho có thể vượt được tất cả các bộ dữ liệu mẫu trong tập dữ liệu huấn luyện. Trong quá trình xác định đối tượng, mỗi vùng ảnh con sẽ được kiểm tra với các đặc trưng trong chuỗi các đặc trưng Haar-like, nếu có một đặc trưng Haar-like nào xác nhận là đối tượng cần xác Hình 2. 3 Vùng ảnh con định thì các đặc trưng khác không cần xét nữa. Thứ tự xét các đặc trưng trong chuỗi Từ đây ta tính toán Integral Image để có thể các đặc trưng Haar-like sẽ được dựa vào tính toán nhanh các đặc trưng của ảnh.Tính trọng số (weight) của đặc trưng đó do integral image theo công thức: AdaBoost quyết định dựa vào số lần và thứ ′ tự xuất hiện của các đặc trưng Haar-like. , = 푖( , ′) (2.7) ′ ≤ , ′≤ Sau khi tính integral image ta có thể tính nhanh tổng mức xám của 1 vùng để có thể tính toán đặc trưng haar-like cho vùng ảnh này. Các vùng ảnh con này sẽ được đưa qua các hàm Haar cơ bản để ước lượng đặc trưng, kết quả ước lượng sẽ được đưa qua bộ điều chỉnh AdaBoost để loại bỏ nhanh các đặc trưng không có khả năng là đặc trưng của khuôn mặt người. Chỉ có một tập nhỏ các đặc trưng mà bộ Hình 2.1 Ảnh gốc. điều chỉnh AdaBoost cho là có khả năng là đặc Ảnh gốc đưa vào là một ma trận trưng của khuôn mặt người mới được chuyển 480x640x3, ta chuyển ảnh gốc này thành sang cho bộ quyết định kết quả. Bộ quyết định ảnh xám để giảm số chiều ma trận, ta được sẽ tổng hợp kết quả là khuôn mặt người nếu một ảnh xám là một ma trận 480x640 kết quả của các bộ phân loại yếu trả về là khuôn mặt người. Hình 2.2 Ảnh xám Sau khi chuyển thành ảnh xám, ta bắt đầu xét từng vùng ảnh từ nhỏ đến lớn của Hình 2.4 Sơ đồ nhận biết khuôn mặt theo từng ảnh để dò tìm khuôn mặt trên ảnh ban đầu. hàm Haar Mỗi bộ phân loại yếu sẽ quyết định kết quả cho một đặc trưng Haar-like, được xác định
5. ngưỡng đủ nhỏ sao cho có thể vượt được tất cả các bộ dữ liệu mẫu trong tập dữ liệu huấn luyện (số lượng ảnh khuôn mặt trong tập huấn luyện có thể rất lớn). Trong quá trình xác định khuôn mặt người, mỗi vùng ảnh con sẽ được kiểm tra với các đặc trưng trong chuỗi các đặc trưng Haar-like, nếu có một đặc trưng Haar-like nào cho ra kết quả là khuôn mặt người thì các đặc trưng khác không cần xét nữa. Thứ tự xét các đặc trưng trong chuỗi các đặc trưng Haar-like sẽ được dựa vào trọng số (weight) của đặc trưng đó Hình 2. 6 Các ảnh con tìm thấy khuôn mặt do AdaBoost quyết định dựa vào số lần và thứ tự xuất hiện của các đặc trưng Sau cùng chương trình hiển thị một khung Haar-like. tại vị trí có nhiều vùng ảnh con phát hiện ra khuôn mặt: Vùng ảnh sau khi được xử lý sẽ được đánh dấu nếu được cho đó là khuôn mặt người.Chương trình sẽ tiếp tục xử lý với một vùng ảnh có kích thước như vậy nhưng dịch chuyển dần cho đến hết toàn bộ ảnh. Vùng ảnh xét tiếp theo Hình 2. 7 Khuôn mặt được phát hiện III. THIẾT KẾ THỰC HIỆN HỆ THỐNG Hệ thống gồm 3 khối cơ bản chính : khối camera thu nhận ảnh đầu vào, khối xử lý trung Hình 2. 5 Vùng ảnh con tiếp theo tâm và khối phát ra cảnh báo. Sau đó tăng kích thước vùng ảnh con lên và dò tìm lại với kích thước vùng ảnh con Khối thu Khối xử lý mới. nhận hình trung tâm ảnh Các vùng ảnh con được xác định là khuôn mặt người sẽ được đánh dấu và sau khi chạy hết đến kích thước vùng ảnh con lớn nhất, nơi tập trung nhiều vùng ảnh con được đánh dấu là khuôn mặt sẽ được đóng Khối nhận Khối phát khung lại.Hình bên dưới biểu diễn những cảnh báo cảnh báo vùng ảnh được xác định là khuôn mặt nằm chồng lên nhau. Hình 3. 1 Sơ đồ khối hệ thống giám sát Khối thu nhận hình ảnh : Sử dụng Camera dành cho Raspberry Pi có độ phân giải 5MP, quay video ở chất lượng HD 1080p với 30fps. Có chức năng tiếp nhận hình ảnh từ môi trường xung quanh và đưa về bộ xử lý trung tâm để xử lý.
6. Hình 3. 2 Camera thu nhận hình ảnh Khối xử lý trung tâm : Sử dụng kit nhúng Raspberry PI phiên bản B,sử dụng bộ xử lý ARM11, tốc độ xử lý 700Mhz, Hình 3. 5 Mô hình tổng quát của hệ thống Ram 512Mb, 1 cổng ethernet, 2 cổng usb, 26 chân GPIO (General Purpose I/O). Hình 3. 3 Kit nhúng Raspberry PI B và các khối cơ bản trên kit Khối phát cảnh báo : Có thể sử dụng các điện thoại có sẵn hoặc module GSM. Để thuận lợi cho việc thiết kế nên đề tài sử dụng Module GSM Sim900 của SIMCOM để nhắn tin SMS hoặc gọi điện tới người Hình 3. 6 Mạch thi công phần cứng dùng thông qua mạng GSM, giao tiIV.ếp với IV. KẾT QUẢ máy tính qua chuẩn RS232. Khối nhắn tin SMS sử dụng Module Sim900 của Để đánh giá độ phát hiện chính xác chương SIMCOM. Hoạt động trên băng tần 850, trình được ứng dụng chạy thử nghiệm trên 5 900, 1800, 1900 MHz, GPRS. hình có 60 gương mặt, 10000 khung cửa sổ con và đạt được tỷ lệ phát hiện chính xác khoảng 92%: - 57 mặt nhận đúng: ntp (true positive) - 3 không nhận thấy mặt, bỏ sót: nfn (false negative) - 1 mặt nhận sai: nfp (false positive) - 9939 nhận đúng là không có mặt: ntn (true Hình 3. 4 Module SIM900 negative)
7. Hình 4.1Tỷ lệ phát hiện trên đường ROC Chạy thực nghiệm chương trình trong nhiều điều kiện ánh sáng khác nhau, từ môi Hình 4.4 Phát hiện mặt người nghiên ở xa trường có ánh sáng yếu cho đến môi trường đủ sáng ở các khoảng cách khác nhau, khi phát hiện khuôn mặt người sẽ đóng khung hình vuông trên khuôn mặt được phát hiện, và đạt được các kết quả như sau: Kết quả đạt được trong môi trường đủ sáng Trong môi trường đủ sáng hệ thống hoạt động khá ổn định, phát hiện được một hay nhiều khuôn mặt người ở các góc độ khác Hình 4.5 Phát hiện chính diện ở khoảng cách nhau và ở các khoảng cách khác nhau gần trong điều kiện đủ sáng (không quá 2m). Tuy nhiên, ở phần phát hiện mặt nghiên chương trình chạy khá chậm, khoảng cách phát hiện ngắn do giới hạn phần cứng và độ phân giải của camera. Hình 4.6 Phát hiện chính diện ở khoảng cách xa trong điều kiện đủ sáng Kết quả đạt được trong môi trường thiếu Hình 4.2 Phát hiện mặt người chính diện sáng hoặc chói sáng. Trong điều kiện thiếu sáng thì hệ thống chỉ phát hiện được các khuôn mặt ở gần, còn các khuôn mặt ở xa thì hầu như hệ thống không phát hiện được. Tốc độ xử lý của chương trình chậm hơn trong môi trường đủ sáng. Hình 4.3 Phát hiện mặt người nghiên
8. Hình 4.9 Phát hiện chính diện khi đeo mắt kiến Hình 4.7 Phát hiện chính diện ở khoảng cách gần trong điều kiện chói sáng Hình 4.10 Phát hiện chính diện khi đeo khẩu trang Hình 4.8 Phát hiện chính diện ở khoảng Hình 4.11 Phát hiện chính diện khi đeo mắt cách gần trong điều kiện thiếu sáng kiến và khẩu trang Kết quả đạt được khi khuôn mặt bị che phủ Kết quả đạt được khi có nhìu khuôn mặt xuất một phần. hiện cùng lúc. Hệ thống phát hiện được khuôn mặt bị Hệ thống có thể phát hiện được cùng lúc che phủ một phần như: đeo mắt kiếng, đeo nhìu người, tỷ lệ phát hiện những người nhìn khẩu trang, đeo mắt kiếng và khẩu trang. thẳng cao hơn nhưng người nhìn nghiên hoặc Tuy nhiên hệ thống không thể phát hiện người có gương mặt bị che phủ, khi có 5 người khuôn mặt bị che phân nửa theo chiều dọc, trở lên xuất hiện thì hệ thống không phát hiện không phát hiện được khuôn mặt đeo mặt đầy đủ. nạ không phải hình mặt người.
9. nên tốc độ xử lý chưa cao ( khoảng 2 khung hình/ giây), nhưng vẫn đáp ứng được ứng dụng phát hiện và cảnh báo theo thời gian thực. Đây là bước đầu để phát triển bài toán nhận dạng mặt người (face recognition) sau này. Bên cạnh đó, trong quá trình xây dựng chương trình ,tôi đã tìm hiểu về thư viện mã nguồn mở OpenCV, qua đó biết cách sử dụng các hàm trong thư viện OpenCV để xây dựng chương trình phát hiện mặt người trên kit nhúng sau Hình 4.12 Phát hiện 2 mặt người này. Về chương trình demo, sau khi thử nghiệm với webcam trong các điều kiện môi trường khác nhau thì chương trình đạt kết quả tốt, thời gian phát hiện nhanh đối với các mặt người nhìn chính diện, tuy nhiên đối với các mặt nghiên hay môi trường quá tối thì chương trình gần như không thể phát hiện được khuôn mặt. Hiệu xuất của chương trình còn tùy theo chất lượng của loại webcam được sử dụng, chương trình sẽ không thể phát hiện mặt người trong điều kiện độ sáng quá yếu. Hình 5. 13 Phát hiện 3 mặt người Hình 4.14 Phát hiện 4 mặt người V. KẾT LUẬN Trên cơ sở nghiên cứu về bài toán phát hiện mặt người trong thời gian thực. Đặc biệt là thuật toán Adaboost, các đặc trưng haar-like và mô hình Cascade of Classifier kết hợp với kỹ thuật lập trình nhúng. Tôi đã áp dụng thành công mô hình Cascade of Classifier vào bài toán phát hiện mặt người trong thời gian thực. Xây dựng thành công mô hình hệ thống cảnh báo phát hiện sự xâm nhập của một người vào một khu vực có camera quan sát. Đặc biệt chương trình xử lý ảnh được xử lý hoàn toàn trên kít nhúng và không phụ thuộc vào máy tính, hệ thống phát hiện chính xác khi có người xuất hiện. Tuy nhiên do xử lý trên kit nhúng
10. TÀI LIỆU THAM KHẢO TIẾNG VIỆT [1]. Nguyễn Hoàng Vũ, Nguyễn Xuân Tường Huy, Tìm hiểu kỹ thuật phát hiện người trong video để giám sát lớp học, 2010 [2]. PGS.TS Nguyễn Quang Hoan, Xử Lý Ảnh, Học Viện Công Nghệ Bưu Chính Viễn Thông, 2006. [3]. TS. Đỗ Năng Toàn và TS. Phạm Việt Bình, Giáo trình xử lý ảnh, Đại Học Thái Nguyên, 2008 [4]. Trần Quốc Đăng, Tổng Quan Về Thị Giác Máy Tính, 2008 Thông tin liên hệ: Họ và tên: Đoàn Chánh Tín Đơn vị: Khoa Điện-Điện Tử, Trường CĐ. Công Nghệ Thủ Đức Điện thoại: 0909208064 Email: doanchanhtin1@gmail.com
11. BÀI BÁO KHOA HỌC THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ Bài báo khoa học của học viên có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam. Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN! Thực hiện theo MTCL & KHTHMTCL Năm học 2016-2017 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.