بازشناسی اعمال انسان با بکارگیری الگوریتم زنبور عسل بهبود یافته به عنوان انتخابگر ویژگی در فضای مقادیر ویژه حاصل از هیستوگرام گرادیان جهت دار

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 516

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICEECS01_060

تاریخ نمایه سازی: 8 آذر 1394

چکیده مقاله:

با بکارگیری دوربین های دیجیتال به منظور استفاده در کارهای نظارتی، پردازش و تحلیل رفتار اشیا بخصوص انسان توجه بسیاری را به خود معطوف ساخته است. برخلاف تلاش های وسیع و گوناگون صورت گرفته در این حوزه، نیاز به الگوریتمی هوشمند و خودکار که قادر به تشخیص صحیح اعمال مختلف از یکدیگر باشد، ضروری به نظر می رسد. در این میان ،ر وش های مبتنی بر بسته کلمات به واسطه بکارگیری آشکارسازهای ویژگی، توانایی دربرگیری نواحی حاوی اطلاعات مفید را به منظور طبقه بندی نداشته و مستلزم صرف زمان زیادی می باشند. این در حالی است که به تازگی، روش هایی مبتنی بر نمونه برداری متراکم و پس از آن انتخاب ویژگی عملکرد بهتری را از خود نشان داده اند. در این پژوهش بر آن شدیم تا با نمونه برداری متراکم از تصاویر توسط توصیف گر ویژگی هیستوگرام گرادیان جهت دار و پس از آن، با انتقال این ویژگی ها به حوزه ی تجزیه به مقادیر منفرد، گامی در جهت پدید آوردن فضای جدیدی از ویژگی ها برداریم. در فضای ویژگی جدید، با بکارگیری انتخابگر ویژگی الگوریتم زنبورعسل بهبودیافته، تلاش در انتخاب ویژگی های متمایز از یکدیگر را داریم. نتایج بدست آمده حاکی از برتری این روش نسبت به سایر روش ها است.

کلیدواژه ها:

بازشناسی حرکات ، هیستوگرام گرادیان جهت دار ، تجزیه به مقادیر منفرد ، الگوریتم زنبورعسل بهبود یافته

نویسندگان

سید محمد مکی

دانشجوی کارشناسی ارشد دانشگاه صنعتی نوشیروانی بابل

حسین منتظری کردی

استادیار دانشگاه صنعتی نوشیروانی بابل

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • F. Jurie and B. Triggs, "Creating efficient codebooks for visual ...
  • M. H. Siddiqi, R. Ali, M. S. Rana, E.-K. Hong, ...
  • N. Dalal and B. Triggs, "Histograms of oriented gradients for ...
  • D. G. Lowe, "Object recognition from local scale-invariat features, " ...
  • A. F. Bobick and J W. Davis, "The recognition of ...
  • A. Fathi and G. Mori, "Action recognition by learning mid-level ...
  • I. Laptev, M. Marszalek, C. Schmid, and B. Rozenfeld, "Learning ...
  • L. Liu, L. Shao, and P. Rockett, "Boosted key-frame selection ...
  • T. Serre, L. Wolf, and T. Poggio, "Object recognition with ...
  • H. Jhuang, T. Serre, L. Wolf, and T. Poggio, "A ...
  • S. Ji, W. Xu, M. Yang, and K. Yu, "3D ...
  • S. Liu, J. Liu, T. Zhang, and H. Lu, "Human ...
  • J. Liu, J. Luo, and M. Shah, "Recognizing realistic actions ...
  • J. C. Niebles, H. Wang, and L. Fei-Fei, "Unsupervised learning ...
  • M. E. Wall, A. Rechtsteiner, and L. M. Rocha, "Singular ...
  • D. Karaboga, _ idea based on honey bee SWarm for ...
  • S. Theodoridis, A. Pikrakis, K. Koutroumbas, and D. Cavouras, Introduction ...
  • D. H. Besset, Obje ct-oriented implementation of numerical methods: an ...
  • X. Wu, Y. Jia, and W. Liang, "Incremental discriminant -analysis ...
  • A. Klaser, M. Marszalek, and C. Schmid, "A spatio -temporal ...
  • نمایش کامل مراجع