تحلیل پایداری الگوریتم HOG در تشخیص اشیاء انسانی در تصاویر شهری با شرایط نوری متغیر

الگوریتم Histogram of Oriented Gradients (HOG) یکی از روش های موثر در استخراج ویژگی های ساختاری تصویر است که به ویژه در تشخیص اشیاء انسانی در محیط های شهری کاربرد دارد. این الگوریتم با تحلیل جهت گیری گرادیان های شدت در نواحی محلی، قادر است الگوهای لبه ای را با دقت بالا مدل سازی کند. با وجود مزایای متعدد از جمله سادگی، سرعت بالا و قابلیت پیاده سازی در سیستم های بلادرنگ، عملکرد HOG در مواجهه با شرایط نوری متغیر دچار نوسان می شود. این مقاله با رویکرد توصیفی تحلیلی و مرور سیستماتیک منابع علمی، به بررسی دقیق تاثیر عوامل نوری مانند نور کم، اشباع شدگی، سایه های متحرک و بازتاب های سطحی بر دقت و پایداری الگوریتم HOG پرداخته است. همچنین، راهکارهایی برای بهبود عملکرد الگوریتم از جمله استفاده از تکنیک های پیش پردازش، ترکیب با ویژگی های مکمل مانند رنگ و بافت، و بهره گیری از طبقه بندهای هوشمند ارائه شده است. نتایج بدست آمده نشان می دهد که تلفیق HOG با روش های یادگیری عمیق و تنظیمات تطبیقی می تواند مسیر موثری برای افزایش دقت در محیط های واقعی فراهم سازد.

کلیدواژه ها:

بینایی ماشین ، الگوریتم HOG ، تشخیص انسان ، تصاویر شهری ، تغییرات نوری.