Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011

VCCA-2011

Một phương pháp sử dụng bộ lọc Kalman kết hợp với thuật toán bám ảnh

Camshift nhằm nâng cao chất lượng bám trong các hệ thống robot tự động

tìm kiếm và bám bắt mục tiêu

A Method using Kalman Filter combining with Image Tracking Camshift

Algorithm to bring higher tracking Quality in automatically searching and

tracking target Robot System

Ngô Mạnh Tiến

Viện Vật Lý, Viện KH&CN Việt Nam

Email: nmtien@iop.vast.ac.vn

Phan Xuân Minh

Đại Học Bách Khoa Hà Nội

Email : minhxp-ac@mail.hut.edu.vn

Hà Thị Kim Duyên

Đại Học Công Nghiệp Hà Nội

Email : hkduyen@haui.edu.vn

Tóm tắt: Nhận biết chính xác mục tiêu là một vấn

đề rất quan trọng trong bài toán điều khiển Robot

bám đối tượng chuyển động. Bài báo đề xuất một

phương pháp mới nhằm đảm bảo phát hiện chính

xác mục tiêu trong môi trường có nhiễu tác động.

Phương pháp đề xuất là sự kết hợp giữa bộ lọc

Kalman và thuật toán bám ảnh Camshift. Các kết

quả thực nghiệm cho thấy chất lượng bám của

phương pháp đề xuất tốt hơn khi sử dụng đơn thuần

thuật toán bám ảnh Camshifft.

Abstract: To find exactly object is very important

in the control problem of automatic image tracking

Robot for moving object. The paper presents a new

method to guarantee searching the object exactly in

random invironment. the proposed method is the

compiling beetween Kalman filter and image

tracking Camshift algorithm. The experimental

results show the tracking quality of the system is

better than using only the image tracking Camshift

algorithm.

Keywords: Camshift, OpenCV, Kalman

Tracking, ATmega128, Computer Vision.

Ký hiệu Ký hiệu Đơn vị Ý nghĩa

x,y pixel tọa độ điểm ảnh

ijM Moment bậc i,j

kP Tâm của khung bám

R , P , Y rad góc quay Roll, Pitch, Yaw

Chữ viết tắt FOV Field of View

LOS Line of Sight

W Window

1. Mở Đầu

Môc tiªu

Camera èng kÝnh

vµ ®Õ quay

M¸y tÝnh xö lý

vµ ®iÒu khiÓn

H. 1 Cấu tạo cơ bản của một hệ bám ảnh tự động

Hệ thống tổng quan [3] bao gồm có 3 bộ phận chính

H. 2: (1) bộ cảm biến hình ảnh (camera), (2) bộ chấp

hành là các trục khớp quay (gimbal) và bánh xe có

gắn động cơ điện 1 chiều, và (3) máy tính PC và vi

điều khiển (bộ vi xử lý). Một vòng điều khiển phản

hồi, được gọi là vòng bám, liên tục hiệu chỉnh bộ

chấp hành để giữ trọng tâm của mục tiêu vào tâm

của trường nhìn viết tắt là FOV (Field Of View) của

bộ cảm biến. Bộ vi xử lý sẽ khép kín vòng này bằng

cách tính toán độ lệch để điều khiển cơ cấu chấp

hành. Các thành phần hoạt động theo thứ tự: (1) bộ

vi xử lý định vị tín hiệu mục tiêu trong các dòng

hình ảnh từ bộ cảm biến, (2) bộ vi xử lý ước lượng

trạng thái mục tiêu và tạo ra các lệnh điều khiển cơ

cấu chấp hành trên cơ sở các thông tin trạng thái, (3)

lệnh điều khiển được áp dụng vào LOS cảm biến, (4)

bộ cảm biến tạo ra một vòng video mới, và (5) quá

trình được lặp lại.

H. 2 Sơ đồ tổng quan của hệ thống

Cảm biến

Đế pan/tilt

Tầng bám ảnh

Xác định vị trí

mục tiêuTính toán LOS

Tầng điều khiển

Tạo luật

điều khiển

Vị trí

mục tiêu

Dự đoán vị trí mục tiêu

Trạng thái mục tiêu

Pixels

Các đo lường khácĐộng cơ xe

513

Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011

VCCA-2011

Trong bài báo này sẽ đi sâu vào phần xử lý ảnh bám

bắt đối tượng cần theo dõi [1,2]. Dùng các thuật toán

bám bắt ảnh để ước lượng vị trí mục tiêu, vị trí mục

tiêu thường được tính trên một ảnh con nhỏ được gọi

là cửa sổ mục tiêu. H. 3 mô tả cửa sổ mục tiêu

thường bao quanh mục tiêu. Khi đã xác định cửa sổ

mục tiêu ta sẽ chỉ xử lý một phần của trường nhìn

nằm bên trong cửa sổ này, khi đó các ảnh hưởng của

nhiễu loạn và ồn trong quá trình bám là bị triệt tiêu

lớn, làm cho hệ thống bám ổn định hơn. Tận dụng

ảnh trong cửa sổ để ước lượng ví trị mục tiêu cũng

tránh được hạn chế về số lượng cần xử lý. Như một

quy tắc, cửa sổ (thường là hình chữ nhật hoặc hình

vuông) nên có kích thước nhỏ nhất cần thiết để chắc

chắn hoàn thành mục tiêu.

Cửa sổ mục tiêu

H. 3 Cửa sổ mục tiêu

Dãy detector và

số liệu điện tử

Hiệu chỉnh pixel

và định dạng ảnh

Đế cảm biến có

khớp các-đăng

Bộ điều khiển

khớp các-đăng

servo

Xác định cửa

mục tiêu

Ước lượng vị trí

mục tiêu

Tìm breaklock

Ước lượng trạng

thái mục tiêu

Dự đoán vị

trí mục tiêu

Tạo luật điều

khiển vòng bám

Cảm biến ảnh có khớp các-đăngCác

pixel

Lệnh

khớp

các-

đăng

H. 4 Kiến trúc tổng thể của một vòng bám

Khi đã dùng các thuật toán bám ảnh và xác định

được vị trí mục tiêu, giá trị vị trí mục tiêu sẽ được

gửi sang phần điều khiển đế xoay nhằm mục đích

duy trì LOS hay là duy trì vị trí cửa sổ mục tiêu trên

tâm màn hình chính.

Các thuật toán bám đối tượng trong ảnh (Target

Tracking) rất đa dạng, phải kể đến một số thuật toán

như: Thuật toán KLT, Correlation-base template

matching, thuật toán Meanshift, thuật toán Camshift.

Trong bài báo này chúng tôi dùng thuật toán

Camshift để bám đối tượng dựa trên màu sắc ảnh.

2. Thuật toán bám ảnh Camshift Thuật toán Camshift [4,7,8] được phát triển trên cơ

sở thuật toán Meanshift. Camshift viết tắt của

“Continuously Adaptive Meanshift”. Nó bao gồm

thuật toán cơ sở Meanshift với thích ứng các bước

thay đổi kích cỡ của vùng. Các bước thực thi thuật

toán:

Các bước tiến hành thuật toán Camshift:

1. Kích chọn kích thước khung bám

2. Chọn vị trí khởi tạo của khung bám (cửa sổ bám)

3. Tính giá trị trung bình bên trong khung bám

4. Đặt tâm khung bám ở vị trí trung bình đã tính

trong bước 3

5. Lặp lại bước 3 và bước 4 cho đến khi hội tụ (hoặc

cho đên khi độ dịch chuyển vị trí tâm nhỏ hơn một

ngưỡng đặt trước)

Chứng minh hội tụ:

Giả sử trong không gian euclid có một phân bố f ,

ta sẽ chứng minh từng bước:

1 Chọn khung bám W có kích thước là s

2. Tâm của khung bám ở điểm Pk

3. Tính giá trị trung bình bên trong khung bám

1ˆ ( ) .k

j W

p W p jW

(1)

sự thay đổi là gradien của ( )kf p

( )ˆ ( )( )

kk k

k

f pp W p

f p

(2)

4. Tâm của khung bám:

ˆ ( )kp W (3)

5. Lặp lại bước 3 và bước 4 cho đến khi hội tụ

hoặc ( ) 0f p do đó thuật toán Camshift là hội tụ

Đối với ảnh 2D rời rạc thì vị trí tâm của khung bám

được tính như sau:

tìm Moment bậc không

00 ( , )x y

M I x y (4)

sau đó tính moment bậc 1 cho x và y:

00 01( , ); ( , )x y x y

M xI x y M yI x y (5)

và vị trí tâm của khung bám là:

10 01

00 00

; c c

M Mx y

M M (6)

ở đây ( , )I x y là giá trị điểm ảnh (xác suất phân bố)

tại vị trí (x,y) và x, y nằm trong khung bám.

Lưu đồ thuật toán Camshift:

H. 5 Lưu đồ thuật toán Camshift

ảnh HSV

Tính Histogram

của vùng tính toán

Xác xuất phân bố mầu

Tính trọng tâm

đối tượng

Đặt tâm khung bám vào tâm đối

tượng và tính diện

tích lại

Hội tụ

kích chọn khởi tạo

vị trí và kích thước

khung bám

thiết lập vùng tính

tại tâm khung bám

nhưng kích thước lớn hơn khung

bám

Sử dụng (X,Y) là tâm của khung bám, diện

tích khung là kích thước

của khung bám

Kết quả X, Y, Z và

Roll

514

Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011

VCCA-2011

Đầu tiên là một Histogram được tạo ra, Histogram

này chứa các thuộc tinh liên quan đến màu sắc và

tiếp theo tâm và kích cỡ của mục tiêu được tinh toán

để theo dõi mục tiêu khi hình dạng và kích cỡ của nó

thay đổi. Tính xác suất phân bố mục tiêu căn cứ và

Histogram nhận được. Dịch chuyển đến vị trí mới

với mỗi khung hình vừa nhận được từ video.

Camshift sẽ dịch chuyển đến vị trí mà nó ước lượng

trên đối tượng nó mà nó tập trung nhiều điểm sáng

nhất trong bức ảnh xác suất. nó tìm vị trí mới bắt

đầu từ vị trí trước đó và tính toán giá trị trọng tâm

vừa tìm được.

Trong bài báo này chúng tôi lập trình xử lý ảnh bám

bắt mục tiêu tự động trên nền Visual C 6.0 và có sử

dụng thư viện OpenCV của Intel có hỗ trợ

cvCamshift() để thực hiện thuật toán bám Camshift.

3. Kết hợp bộ lọc Kalman với thuật

toán bám ảnh Camshift Trong thuật toán bám đối tượng trong ảnh Camshift

được giới thiệu ở phần trên có thể thấy đối tượng

được bám tốt khi nền ảnh không ảnh hưởng đến đối

tượng, như lẫn màu hay che khuất đối tượng. Khi

đối tượng bám bị che khuất hay lẫn màu với nền

ảnh, sẽ gây ra hiện tượng mất bám. Để khắc phục

nhược điểm này và nâng cao chất lượng bám, bộ lọc

Kalman được sử dụng [3,6,7].

Sau khi tiến hành thuật toán Camshift ta sẽ có đượng

trạng thái hệ thống xk,, yk, vị trí x và y của đối tượng

tại thời điểm k. Sự đánh giá được đề cập phía trên ta

có thể sử dụng bộ lọc Kalman để tạo ra phương pháp

giới hạn vị trí của đối tượng hiệu quả hơn, điều đó là

để nói thay vì tìm kiếm đối tượng trong toàn bộ mặt

ph ng ảnh ta sẽ định nghĩa một cửa sổ tìm kiếm (hay

cửa sổ mục tiêu được dề cập trong phần 1) tập trung

vào giá trị dự đoán x k

của bộ lọc.

H. 6 Sơ đồ kết hợp bộ lọc Kalman và Camshift

Các bước sử dụng bộ lọc Kalman cho việc bám đối

tượng là:

ư c Kh i tạo k Trong bước này nó sẽ tìm

kiếm đối tượng trong toàn bộ bức ảnh do chúng ta

không biết vị trí trước của bức ảnh. Theo cách này ta

nhận được x0. Tương tự ta có thể đánh giá một lượng

dung sai lớn ban đầu (P0).

ư c ự đoán k 0). Trong giai đoạn này sử

dụng bộ lọc Kalman ta dự đoán vị trí tương đối của

đối tượng, như vậy vị trí x k

được coi như trung tâm

tìm kiếm để tìm kiếm đối tượng.

ư c iệu ch nh k Trong phần này ta đặt đối

tượng (là một chuỗi điểm được dự đoán trong trạng

thái tiên nghiệm x k

) và ta sử dụng vị trí thực của nó

(đo đạc) để thực hiện việc hiệu chỉnh trạng thái bằng

cách sử dụng bộ lọc kalman tìm kiếm x k

Bước 2 và 3 được thực hiện trong khi việc bám đối

tượng vẫn đang tiến hành.

Để minh họa những kết quả của việc dùng bộ lọc

kalman trong việc bám đối tượng, chúng tôi lựa

chọn cho bám theo một quả bóng và xem xét các

trường hợp sau:

a) Trong bài thử nghiệm này ta thực hiện bám theo

một quả bóng, quả bóng sẽ di chuyển tương đương

với một đường th ng tuyến tính, được miêu tả bởi hệ

thống các phương trình sau:

1 1,x x wk k k k kF (7)

1

1

1

1

1010

0101

0010

0001

k k

k k

k

k k

k k

x x

y yw

x x

y y

(8)

y xk k k kH v (9)

1000

0100

k

k k

k

k k

k

x

xm yv

ym x

y

(10)

H. 7 Sơ đồ tóm tắt của bộ lọc Kalman

Trong H. 8 là kết quả mô phỏng cho thấy vị trí ước

lượng bám rất sát với vị trí thực của đối tượng bám.

Camsifht Kalman

Dữ liệu ảnh mô hình

chuyển động

Vector đo lường và tín hiệu

không chắc chắn

ước lượng trạng

thái và phương sai

Ước lượng

với hiệu

chỉnh đo

Ước lượng

trạng thái

Khởi tạo 0 0

0 0 0 0 0

[x ]

[(x [x ])(x [x ] )]T

x E

P E E E

, 1 1ˆ ˆ

k k k kx F x

, 1 1 , 1

T

k k k k k k kP F P F Q

T

k kk T

k k k k

P HG

H P H R

ˆ ˆ ˆx x (y x )k k k k k kG H

( )k k k kP I G H P

515

Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011

VCCA-2011

H. 8 Kết quả dự đoán vị trí v i bộ lọc Kalman

b) Một lợi thế của bộ lọc Kalman cho việc bám bắt

đối tượng là nó có thể ước lượng được vị trí đối

tượng ngay cả khi bị che khuất nhỏ. Cách để thực

hiện việc này là xem xét hai giai đoạn của bộ lọc: dự

đoán và hiệu chỉnh. Có nghĩa là nếu việc giới hạn vị

trí của đối tượng là không trong một chuỗi của trạng

thái dự đoán của bộ lọc (trong thời điểm k), ta có thể

coi rằng đối tượng bị che khuất bởi một vài đối

tượng khác, do đó ta sẽ không thể dùng hiệu chỉnh

đo và sẽ chỉ lấy giá trị lọc tiên nghiệm vị trí của đối

tượng. H. 9 chỉ ra hoạt động của bộ lọc khi đối

tượng bị che khuất. Hệ thống này được mô hình với

những biểu thức tượng tự được dùng trong trường

hợp a).

H. 9 ộ lọc Kalman khi bị che khuất

c) Hầu hết các qu đạo chuyển động của đối tượng

là thay đổi phức tạp (thay đổi cả vân tốc và gia tốc)

không thể mô hình hóa bởi các hệ thống tuyến tính,

khi đó chúng ta phải dùng các phương trình phi

tuyến, do đó trong những trường hợp này ta sẽ dùng

bộ lọc kalman mở rộng EKF (Extended Kalman

Filter). H. 11 cho thấy rõ chất lượng bám sử dụng bộ

lọc Kalman mở rộng cho việc bám đối tượng với

qu đạo phức tạp tốt hơn h n của bộ lọc Kalman

thông thường. Với bộ lọc Kalman mở rộng được mô

hình hóa sử dụng các phương trình không giới hạn

chuyển động của Brownian:

1x ( ,x ) wk k kf k (11)

1

1

1

1

1exp( ( 1.5 ))

4

1exp( ( 1.5 ))

4w

1exp( )

4

1exp( )

4

k k

k

k kk

k

kk

k

k

x x

xy y

y

xx

y

x

(12)

( , )k k ky h k x v (13)

1000

0100

k

k k

k

k k

k

x

xm yv

ym x

y

(14)

H. 10 Sơ đồ tóm tắt của bộ lọc Kalman m rộng

H. 11 iệc theo d i các chu ển động ph c tạp sử dụng

bộ lọc Kalman m rộng

0 0

0 0 0 0 0

x [x ]

[(x [x ])(x [x ] )]T

E

P E E E

1

1,

x f(k,x ]

f(k,x) (k,x)

xx x

k k

k k

x t x t

hF H

x

, 1 1 , 1

T

k k k k k k kP F P F Q

T

k kk T

k k k k

P HG

H P H R

ˆ ˆ ˆx x y ( ,x )k k k k kG h k

( )k k k kP I G H P

Ước

lượng

trạng thái

Ước lượng với

hiệu chỉnh đo

Khởi

tạo

Tuyến

tính hóa

516

Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011

VCCA-2011

Trong khi bộ lọc Kalman thông thường, mô hình hệ

thống được sử dụng các phương trình của trường

hợp a).

4. Chạy thử nghiệm hệ thống Hệ thống để chạy thử nghiệm bao gồm một đế xoay

có gắn camera, một hộp điều khiển được thiết kế dựa

trên vi điều khiển AVR và một máy tính trung tâm

chứa phần mềm được lập trình các thuật toán bám

ảnh kết hợp với bộ lọc Kalman được viết trên nền

Visual C kết hợp sử dụng thư viện OpenCV của

Intel.

Để đáp ứng đủ yêu cầu về khả năng điều khiển cơ

cấu chấp hành và vừa có khả năng xử lý, chống

nhiễu tốt tôi chọn và sử dụng vi điều khiển AVR,

ATmega128 vì nó có đầy đủ tính năng và có khả

năng chống nhiễu tốt. Để sử dụng điều khiển các cơ

cấu chấp hành và kiểm soát tốc độ và góc quay

chúng tôi đã sử dụng một số linh kiện chuyên dụng

điều khiển cầu động cơ đó là dòng MC của Freescale

và DVR của Texas Intrument.

H. 12 Ảnh chụp hệ thống thử nghiệm

H. 13 Cấu trúc phần c ng của hệ thống

H. 14 Lưu đồ thuật toán

Cấu trúc của hệ bám gồm hai phần chính:

- Phần 1: xử lý ảnh dựa vào chuỗi hình ảnh thu được

từ camera để nhận dạng và tính toán vị trí của đối

tượng mục tiêu.

- Phần 2: là phần điều khiển, dựa vào thông số vị trí

đối tượng nhận được trong mặt ph ng ảnh, tính toán

tín hiệu điều khiển robot sao cho đối tượng di

chuyển được duy trì ở một vị trí nhất định trên mặt

ph ng ảnh và ở một khoảng cách nhất định.

Các kết quả chạy thử nghiệm khi dùng đơn thuần

Camshift (H. 15) và khi kết hợp thêm bộ lọc Kalman

(H. 16). Có thể thấy rõ khi kết hợp thêm bộ lọc

Kalman thì đã khắc phục được hiện tượng mất bám

mục tiêu khi mục tiêu bị lẫn vào nền ảnh.

5. Kết luận Bài báo trình bày về một phương pháp kết hợp bộ

lọc Kalman với thuật toán bám ảnh Camshift: lý

thuyết, phân các trường hợp mô phỏng và chạy thử

nghiệm so sánh kết quả trước khi và sau khi thêm bộ

lọc Kalman. Các kết quả cho thấy khi kết hợp thêm

bộ lọc Kalman chất lượng bám của hệ thống tốt hơn,

khi đối tượng bị che khất hệ vẫn duy trì bám tốt.

Một hạn chế của việc kết hợp thêm bộ lọc kalman

vào thuật toán bám đó là khối lượng tính toán lớn

hơn do đó thời gian xử lý lâu hơn, dẫn đến tốc độ

bám chậm: khi không có bộ lọc Kalman tốc độ bám

tầm 15÷20 frame/s, khi có bộ lọc Kalman tốc độ là

7÷10 frame/s. Tuy nhiên hạn chế này có thể khắc

phục bằng cách tăng tốc độ xử ý của CPU máy tính

hoặc nhúng thuật toán trên các DSP, hay FPGA

chuyên dụng.

Một hạn chế khác là khi đối tượng bị che khuất với

thời gian đủ lâu (trên 3s), hoặc khi có đối tượng

khác chuyển động cùng chiều che khuất dần cũng

dẫn đến hiện tượng mất bám. Điều này cũng mở ra

hướng phát triển tiếp theo là kết hợp thêm thuật toán

Correlation-base template matching sẽ có thể khắc

phục được hạn chế này.

Tài liệu tham khảo [1]. Giáo trình “Nhập môn xử lý ảnh số”, ĐH Bách

Khoa Hà Nội.

[2]. Nguyễn Văn Ngọ, “Xử lý ảnh dịch từ qu ển

Two Dimensional Signal and Image Processing

của tác giả Jae S Lim ”, 2002

[3]. Nathan Funk,: A Study of the Kalman Filter

applied to Visual Tracking, Project for CMPUT

652, 7- 2003

[4]. Gary Bradski and Adrian Kaehler: Learning

OpenCV Computer Vision with the OpenCV

Library; O’Reilly; 2008

[5]. David A. Forsyth & Jean Ponce, “Computer

vision a moderm approach”, Prentic Hall PTR,

2003

[6]. Erik Cuevas, Daniel Zaldivar, Raul Rojas:

Kalman filter for vision tracking, Technical

Report B 05-12, 2005

[7]. JYoung Min Kim: Object Tracking in a Video

Sequence, CS 229 Final Project Report, 2006

[8]. Ahmad Ali, Sikander Mirza: Object Tracking

using Correlation, Kalman Filter and Fast

Means Shift Algorithms, IEEE-ICET, 2008

Start

Chụp ảnh

Lấy mẫu

Histogram

Lọc nhiễu

Camshift+Kalman

Tính tọa độ

tâm, hướng

Giao tiếp

RS232,RF

Điều kiện

dừng

Khởi tạo

Dừng

Camera Xử lý ảnh

frame RF

RS232

ATmega128

RF

RS232

Driver ĐK

ĐC Công tác

hành trình

Cảm biến

Động cơ

Mạch VĐK Máy tính và lưu trữ

517

Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011

VCCA-2011

H. 15 Chụp các frame chạ thực nghiệm v i thuật toán bám Camshift không có bộ lọc Kalman

H. 16 Chụp các frame chạ thực nghiệm v i thuật toán bám Camshift có bộ lọc Kalman

Ngô Mạnh Tiến: Học Đại học

Bách Khoa Hà Nội, chuyên ngành

Điều khiển tự động từ năm 1996-

2001. Bảo vệ Thạc s năm 2004

và hiện nay đang theo học Tiến s

tại Đại Học Bách Khoa Hà Nội.

Hiện tại công tác tại phòng Quang

điện tử - Viện Vật Lý-Viện Khoa

Học và Công Nghệ Việt Nam.

Hướng nghiên cứu chính: Điều khiển quá trình, điều

khiển thông minh và thích nghi, hệ Mờ và mạng

Neuron, điều khiển Robot, Robot tự hành,hệ thống

quang điện tử nhìn đêm, xử lý ảnh.

Phan Xuân Minh: Nhận bằng

Thạc sĩ k thuật (1976) và Tiến sĩ

k thuật (1989) - chuyên nghành:

Điều khiển học tại trường Ilmenau

University of Technology –

Ilmenau, Đức.

Hiện là Phó Giáo sư, công tác và

giảng dạy tại Bộ môn Điều khiển

tự động – Viện Điện - Trường Đại học Bách Khoa

Hà Nội.

Hướng nghiên cứu chính: Điều khiển tối ưu và bền

vững, điều khiển thích nghi, hệ mờ và mạng Nơron,

điều khiển quá trình.

Hà Thị Kim Duyên: Học Đại

Học Bách khoa Hà Nội, chuyên

ngành điều khiển tự động từ năm

1996-2001, Bảo vệ Thạc s tại

Học Viện k Thuật quân sự 2007.

Hiện công tác và giảng dạy tại

Khoa Điện tử - trường Đại Học Công Nghiệp Hà

Nội.

Chuyên môn nghiên cứu chính: Điều khiển quá

trình, Các bộ điều khiển khả trình PLC và mạng

truyền thông công nghiệp, Bộ điều khiển thông minh

và thích nghi, Mờ và mạng Neuron, Xử lý ảnh.

518