تاثیر کاهش ابعاد ویژگی ها در دقت بازشناسی فعالیت انسان

امروزه با پیشرفت روشهای جدید در حوزه بینایی ماشین و پردازش تصویر، مطالعه و تحقیقات درزمینه تشخیص فعالیت انسان نیز افزایش پیدا کرده است. یکی از عوامل نخست در تحلیل حرکات انسان، چگونگی حرکت اسکلت بدن انسان میباشد که در محیطهای آزمایشگاهی با استفاده از ابزارهای اندازه گیری، اتصال حسگرها و تهیه تصاویر پشت سرهم از روند حرکت انسان صورت میگیرد. این موضوع به علت کاربردهای گسترده آن در سیستمهای نظارتی مانند سیستمهای امنیتی و انواع سیستمهایی که شامل تعاملات بین اشخاص و دستگاههای الکترونیکی میباشد، توجه زیادی را به خود جلب کرده است. هدف از بازشناسی فعالیت انسان این است که یک سیستم هوشمند بتواند به صورت خودکار فعالیتهای انسان را از یک ویدیو ناشناخته تشخیص دهد.در این مقاله با استفاده از اطلاعات مایکروسافت کینکت، یک سیستم تشخیص فعالیت طراحی و پیاده سازی شده است. در این سیستم از چندین روش مختلف بدون کاهش ابعاد و کاهش ابعاد با (PCA)principal component analysis، خوشهبندی دادهها با (GMMS) Gaussian Mixture Models، K-MEANS و Self Organization Map(SOM) و دستهبندی حالتهای بدن انسان با (SVM) Support vector machines و درنهایت دسته بندی فعالیتها با (HMM) Hidden Markov Model استفاده شده است. دقت تشخیص فعالیت شش رویکرد ذکر شده با مجموعه داده (KARD) Kinect activity recognition dataset آزمایش و با یکدیگر مقایسه شده اند که بهترین دقت سیستم درمجموع 99,05 درصد است.آزمایشهای انجام شده با مجموعه داده KARD به دو صورت Leave-one-out-cross-validation و دیگری بهصورت 70 درصد از مجموعه دادههای آموزشی و 30 درصد از دادههای تست انجام شده است. نتایج حاصل از آزمایش نشان میدهد با استفاده از کاهش ابعاد درصد دقت تشخیص فعالیت انسان، با روشهای GMMS و K-MEANS افزایش و درروش SOM کاهش میدهد.

کلیدواژه ها:

تشخیص فعالیت انسان ، پردازش ویدیو ، استخراج ویژگیها ، خوشه بندی و دسته بندی داده ها