تشخیص انسان از روی راه رفتن با استفاده از الگوریتم بهینه سازی شیرمورچه

در این پژوهش یک رویکرد کاربردی با هدف تشخیص انسان از روی راه رفتن پیشنهاد گردید. این پژوهش با شبیه سازی و تجزیه و تحلیل در محیط نرم افزاری متلب انجام گرفت. مراحل کار در روش پیشنهادی بدین صورت بود که در ابتدا دنباله های ویدئویی برای یک حالت خاص از بدن و برای یک شخص فراخوانی شد و پس از انجام عملیات پیش پردازش و حذف ناحیه های اضافی از فریم های ویدئویی، ویژگی های محلی الگوهای دودویی گرادیان از تصاویر استخراج گردید. این ویژگی ها نسخه بهبود یافته از الگوهای دودویی باینری هستند که نسبت به تغییرات شدت روشنایی مقاوم بوده و قادرند با دقت خوبی شیء مورد نظر را مدل سازی کنند. پس از انجام عملیات استخراج ویژگی برای اشخاص مختلف، عملیات دسته بندی با استفاده یک الگوریتم طبقه بند ترکیبی انجام خواهد شد.تمرکز روش پیشنهادی بر یک الگوریتم ترکیبی بود که در آن ماشین بردار پشتیبان توسط الگوریتم بهینه سازی شیرمورچه با رویکرد انتخاب ویژگی ترکیب شده است. در روش پیشنهادی با استفاده از الگوریتم بهینه سازی شیرمورچه زیرمجموعه بهینه ای از ویژگیهای استخراج شده برای هر نمونه از دیتاست انتخاب و به ماشین بردار پشتیبان ارسال گردید تا طبقه بند طی فرآیند آموزش با مجموعه داده جدید به یک الگوی مناسب برای تشخیص انسان از روی راه رفتن دست یابد. بررسی آزمایش ها بر روی روش پیشنهادی نشان داد که:روش پیشنهادی با فاکتور انتخاب ویژگی در معیار دقت 13 درصد، در معیار صحت 11 درصد، در معیار یادآوری 8 درصد و در معیار میانگین هارمونیک 10 درصد نسبت به رویکرد بدون انتخاب ویژگی بهبود داشته است. نمودار 4-9 نتایج این بررسی را نشان می دهد.روش پیشنهادی در کرنل خطی بهترین کارایی را در تشخیص انسان از روی راه رفتن دارد. دقت روش پیشنهادی در مقایسه با روش CNN؛2D به میزان 1/7 درصد، در مقایسه با CNN؛3D به میزان 2/7 درصد، در مقایسه باRSM به میزان 7/4 درصد، در مقایسه با 14/7 درصد، در مقایسه با GVI به میزان 19 درصد و در مقایسه باTGLSTM به میزان 1 درصد بهبود داشته است.