این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۵، شماره ۳، صفحات ۷۵-۸۸
عنوان فارسی استفاده از نمایش پراکنده و همکاری دوربین‌ها برای کاربردهای نظارت بینایی
چکیده فارسی مقاله مسأله آشکارسازی رفتارهای غیرمعمول براساس ویدئو، در‌‌حقیقت شناسایی الگوها در داده‌هایی است که با رفتارهای مورد انتظار مطابقت ندارند. درهمین‌اواخر برای خوشه­بندی رفتارها و آشکارسازی رفتارهای غیرمعمول، از روش‌های بازسازی پراکنده استفاده می‌شود. در این مقاله از نمایش پراکنده ویژگی‌ها و همکاری دوربین‌ها، برای شناسایی رفتارها و آشکارسازی رفتارهای غیرمعمول استفاده می‌شود. ابتدا برای هر محل در فریم تصویر، یک ویژگی که دارای استقلال هندسی است، استخراج می‌شود؛ سپس برای یک دوربین، ماتریس دیکشنری A محاسبه و به‌عنوان یک مجموعه از مدل رفتاری در نظر گرفته می‌شود. حال، تحت عنوان مسأله همکاری دوربین‌ها، ماتریس دیکشنری یادگرفته‌شده به دوربین دیگر منتقل می‌شود و در دوربین جدید برای آشکارسازی غیرمعمول‌ها مورد استفاده قرار می‌گیرد. برای یادگیری ماتریس دیکشنری، یک روش سلسله‌مراتبی با استفاده از خوشه­بندی طیفی پیشنهاد و یک معیار اندازه‌گیری با استفاده از نمایش پراکنده برای آشکارسازی رفتارهای غیرمعمول ارائه می‌شود. نتایج آزمایشی، مؤثر‌بودن ره‌یافت پیشنهادی در استفاده از همکاری دوربین­ها برای آشکارسازی رفتارهای غیرمعمول را نشان  می­دهد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Application of Sparse Representation and Camera Collaboration in Visual Surveillance Systems
چکیده انگلیسی مقاله With the growth of demand for security and safety, video-based surveillance systems have been employed in a large number of rural and urban areas. The problem of such systems lies in the detection of patterns of behaviors in a dataset that do not conform to normal behaviors. Recently, for behavior classification and abnormal behavior detection, the sparse representation approach is used. In this paper, feature sparse representation in a multi-view network is used for the purpose of behavior classification and abnormal behavior detection. To serve this purpose, a geometrically independent feature is first extracted for each location in the image. Then, for each camera view, the matrix for the dictionary A is calculated, which is considered as a set of behavior models. In order to share information and make use of the trained models, the learned dictionary matrix from the experienced camera is transferred to inexperienced cameras. The transferred matrix in the new camera is subsequently used to detect abnormal behaviors. A hierarchical method on the basis of spectral clustering is proposed for learning the dictionary matrix. After sparse feature representation, a measurement criterion, which makes use of the representation, is presented for abnormal behavior detection. The merit of the method proposed in this paper is that the method does not require correspondence across cameras. The direct use of the dictionary matrix and transfer of the learned dictionary matrix from the experienced camera to inexperienced ones, are tested on several real-world video datasets. In both cases, desirable improvements in abnormal behavior detection are obtained. The experimental results point to the efficacy of the proposed method for camera cooperation in order to detect abnormal behaviors.  
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله اصغر فیضی | Asghar Feizi
Damghan University
دانشگاه دامغان

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1046-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-1128499.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش تصویر
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات