شناسایی رفتار انسان با استفاده از ساخت کیف ویژگی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 384

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:

KBEI03_148

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

یکی از چالشهای اصلی در مباحث مربوط به شناسایی رفتار انسان شناسایی تعداد رفتارهایی است که از انسان سر می زند چرا که شناسایی رفتارهای گوناگون انسان کاری بسیار سخت و نیاز به داده های اموزشی بسیاری دارد. در این مقاله با استفاده از روش ساخت کیفی ویژگی که مشتمل بر 5 ویژگی ارزشمند مکانی و زمانی بوده و استخراج با ارزشترین ویژگی از مجموع ویژگی ها سعی گردیده است که دقت شناسایی رفتارهای انسان را در ویدیو افزایش دهد. دقت راه حل پیشنهادی در این مقاله، بر روی بانک داده استاندارد دانشگاه فلوریدا برابر با 96% درصد می باشد که نسبت به راه حل های مشابه از توانایی خوبی برخوردار می باشد. همچنین از طبقه بندی نزدیکترین همسایه استفاده شده است که این الگوریتم با توجه به ارزشمند بودن کیف ویژگی ساخته شده از رفتارهای انسان، برای شناسایی کلاسهای تعریف شده کار سختی در پیش ندارد.

کلیدواژه ها:

کاهش بعد ویژگی ، استخراج بردار ویژگی ، شناسایی رفتار انسان ، طبقه بندی K نزدیکترین همسایه ، کیف ویژگی ، ویژگی های مکانی و زمانی

نویسندگان

سهیلا نعمتی

گروه کامپیوتر، واحد کرج، دانشگاه آزاد اسلامیکرج، ایران

اعظم باستان فر د

گروه کامپیوتر، واحد کرج، دانشگاه آزاد اسلامیکرج، ایران

شبنم اسبقی

گروه کامپیوتر، واحد کرج، دانشگاه آزاد اسلامیکرج، ایران

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 :
  • L. Kratz and K. Nishino, *Tracking with local spatio -temporal ...
  • L. Kratz and K. Nishino, *Anomaly detection in extremely crowd- ...
  • Wang, H., Klaser, A., Schmid, C., Cheng-Lin, L., 2011. Action ...
  • S. Fazekas, T. Amiaz, D. Chetverikov, and N. Kiryati, "Dynamic ...
  • G. Zhao, L. Cui, and H. Li, "Gait recognition using ...
  • V. Kellokumpu, G. Zhao, and M. Pietikiainen, "Human activity recognition ...
  • R. Mattivi and L. Shao, "Human Action Recognition Using LBP- ...
  • G. _ Huang and Y. H. Wang, "Human gait recognition ...
  • J. Komulainen, _ Hadid, and M. Pietikainen, "Face Spoofing Detection ...
  • B. Abdolahi, S. Ghasemi, and N. Gheissari, "Human Motion Analysis ...
  • Le, Q.V., Zou, W.Y., Yeung, S.Y., Ng, A.Y., 2011. Learning ...
  • Antoine Monnet Anurag Mittal Nikos Paragio sVisvanathan Ramesh, Background Modeling ...
  • Riccardo Mattivi, Ling Shao, Human Action Recognition Using LBP-TOP as ...
  • Florian B aunann , Action Recognition with HOG-OF Fea- tures ...
  • David G.Lowe, *Object Recognition from Local S cale-Invariant Features.* International ...
  • Berthold K.P.Horn and Brian G.Schunck. Determining Optical Flow, massachusetts institute ...
  • S. Wu, B. E. Moore, and M. Shah, ،4Chaotic invariants ...
  • نمایش کامل مراجع