این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۷، شماره ۱، صفحات ۱۳-۲۸
عنوان فارسی بازشناسایی فعالیت‌های انسان در ویدیو با استفاده از ویژگی‌های FREAK-HOG و ماشین بردار پشتیبان آبشاری
چکیده فارسی مقاله در سال‌های اخیر، بازشناسایی خودکار فعالیت‌های انسان در ویدیو تبدیل به یکی از حوزه‌های مهم تحقیقاتی شده است. دامنه کاربرد این تحقیقات گسترده بوده و در سامانه‌هایی نظیر سامانه‌های نظارتی و امنیتی، رابط‌های کاربریِ واکنش‌گرا، آموزش و مراقبت‎های بهداشتی، استخراج اطلاعات حرکتی-رفتاری مورد استفاده و بهره برداری قرار گرفته است. اما چالش‌هایی نظیر تغییرات شدت روشنایی تصاویر، متحرک بودن پس زمینه و دوربین، شلوغی و ازدحام، پیچیدگی و تنوع فعالیت انجام شونده باعث شده‌اند توسعه‌ سامانه‌هایی که از نظر دقت بازشناسایی مورد اطمینان بوده و در عین حال سرعت عمل قابل قبولی داشته باشند، با مشکل مواجه شود. یکی از روش‌های مرسوم در این حوزه، استفاده از اطلاعات حرکتی نقاط ویژگی استخراج شده در توالی فریم‌ها و توصیف حرکت‌های انجام گرفته در آن و متعاقبا بازشناسایی فعالیت است. در این مقاله با هدف افزایش دقت بازشناسایی فعالیت‌ها، استفاده از یک توصیف‌گر بافتی الهام گرفته شده از شبکیه چشم انسان و ترکیب آن با یک توصیف‌گر ظاهری-حرکتی برای توصیف نقاطِ ویژگی استخراج شده در توالی فریم‌ها پیشنهاد می‌شود. همچنین برای افزایش سرعت ساخت مدل و کاهش هزینه‌های بالاسری ناشی از ترکیب ویژگی‌های پیشنهاد شده، یک رویکرد آبشاری برای ساخت مدل طبقه‌بندی کننده ارائه می‌شود. نتایج آزمایشات انجام گرفته بر روی پایگاه‌داده‌ی بزرگ UCF101 نشان می‌دهد که روش پیشنهادی دقت و سرعت عملکرد بسیار خوبی دارد و کارایی آن قابل مقایسه با آخرین دستاورد‌ها در این حوزه است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Human Action Recognition using FREAK-HOG and CSVM
چکیده انگلیسی مقاله Recently, human action recognition in videos has become an interesting area of research due to its variety of important applications such as intelligent security supervisions, smart environments, education, health-care monitoring systems, data mining, etc. There are, however, number of challenges that makes the development of these systems a bit harder than the common machine vision systems, both in accuracy and efficiency: changes in illumination, moving background, cluttered backgrounds, camera motions, complexity of the actions, to name a few. One of the commonly used methods for automatic human action recognition is to, firstly, extract some feature points within the video frames, then describe those points locally, and finally, code (cluster) them to feed a learning algorithm to build the action recognition model. In this paper, we aim to increase the accuracy of these methods by introducing the use of texture information extracted using a human retina-inspired algorithm (FREAK) together with the appearance-based information of the moving objects. In order to increase the efficacy and eliminate the overhead of furthered texture information in model building phase and, of course, in hope of increasing the accuracy as well, we propose to use a cascade approach to build the desired model. Experiments on a publicly available large dataset namely UCF101, confirm that the proposed method achieves a very comparable results with the state-of-the-art methods.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله ناصر فرج‌زاده |
دانشگاه شهید مدنی آذربایجان، دانشکده فناوری اطلاعات و مهندسی کامپیوتر

مهدی هاشم زاده |
دانشگاه شهید مدنی آذربایجان، دانشکده فناوری اطلاعات و مهندسی کامپیوتر

نشانی اینترنتی http://jscit.nit.ac.ir/article_75694_82979b3eb601b270a4044398b9aab549.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/834/article-834-1102504.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات