آشکار سازی انسان در تصاویر با استفاده از یادگیری عمیق و مقایسه دقت تشخیص آن در مقابل روش HOG و Haar Cascade مطابق معیار Denon

تا به امروز الگوریتم های مختلفی برای تشخیص و شناسایی اشیاء در تصاویر، ارایه شده است. از مهمترین اینالگوریتم ها می توان به الگوریتم هیستوگرام گرادیان جهت دار و کلاسیفایر Haar اشاره کرد. در سال های اخیر نیز از یادگیری عمیق در مباحث گوناگون، مخصوصا تشخیص اشیاء، فراوان استفاده شده است. هر کدام از این روش ها مزایا ومعایبی دارند. در این مقاله ابتدا به بررسی جزییات یادگیری عمیق پرداخته شده است. سپس برای مقایسه دقت تشخیصدر سه روش پرکاربرد یادگیری عمیق، الگوریتم HOG و Haar Cascade، معیاری به نام Denon تعریف شده است. در نهایت مطابق معیار Denon دقت سه روش ذکر شده در تشخیص یا عدم تشخیص انسان در تصویر بررسی شده اند. شبیه سازی و تعریف شبکه عمیق با استفاده از زبان پایتون و کتابخانه Tensorflow انجام گرفته است. نتایج نشان میدهد که از مجموعه تصاویر انتخابی، شبکه عمیق توانسته است دقت 94.9%، الگوریتم HOG دقت 80% و الگوریتم Haar دقت 2.4% را از خود نشان دهد و این نشان دهنده برتری روش یادگیری عمیق نسبت به دو روش دیگر است.

کلیدواژه ها:

شناسایی اشیاء ، تشخیص انسان ، یادگیری عمیق ، هیستوگرام گرادیان جهت دار ، HOG ، کلاسیفایر Haar ، معیار Denon