فروشگاهی مرجع برای ارائه فایلهای نایاب در زمینه معماری، کامپیوتر، گرافیک و غیره

,وبلاگ مورد نظر در جهت ارائه فایلهای نایاب و کمیاب در زمینه های مختلف کامپیوتر، معماری، کتاب و غیره و با هدف افزایش آگاهی عزیزان و دسترسی راحت تر آنها به این محصولات، فعالیت می کند.

فروشگاهی مرجع برای ارائه فایلهای نایاب در زمینه معماری، کامپیوتر، گرافیک و غیره

یک روش ترکیبی با استفاده از SVM و HOG برای تشخیص عابر پیاده

دراین بخش از فروشگاه متادانلود به ارائه نمونه پروپوزال مهندسی کامپیوتر با موضوع یک روش ترکیبی با استفاده از SVM و HOG برای تشخیص عابر پیاده می پردازیم .

یک روش ترکیبی با استفاده از SVM و HOG برای تشخیص عابر پیاده

دانش پردازش تصویر، برای تشخیص عابرین پیاده از الگوریتم های مختلف با ویژگی های متفاوتی استفاده می کند که هر کدام از آن الگوریتم ها ویژگی های منحصر به فرد خود را دارند. مشکلات تحقیقات انجام شده در زمینه تشخیص عابر پیاده، تفاوت در ظاهر عابرین شامل اندازه، لباس، شکل و طبیعت دینامیک سیستم های روی برد، ساختار بی شکل و در حال حرکت محیط زیست می باشد. پارامترهای مورد نظر در سیستم های تشخیص عابر، زمان لازم برای انجام محاسبات، داشتن سرعت بالا و دقت مطلوب می باشد. توانایی برای بازشناسی انسان ها و فعالیت های آنها توسط بینایی برای عکس العمل هوشمندانه یک ماشین، امری کلیدی است. طی سال های اخیر این حوزه کاربردی در ارتباط با آنالیز تصاویر شامل انسان، پیشرفت زیادی کرده است.

تشخیص عابر پیاده یکی از مهمترین مسائلی است که در سال های اخیر به طور گسترده ای در کاربردهای بینایی ماشین و سیستم های هوشمند مورد توجه قرار گرفته است. هدف چنین سیستم هایی اداره رفتار انسان از روی توالی تصاویر می باشد]1[ . تشخیص افراد در حال حرکت (عابر) نیز در توالی تصاویر ویدویی دوربین های نظارتی، یکی از مهم ترین نیازهای سیستم های نظارتی می باشد.

ماشین بردار پشتیبان در سال 1992 توسط Vapnik پیشنهاد شد.این مدل برای حل مسائل زیادی به کار رفته است. از آن جمله می توان به کاربرد SVM در بحث شناسایی الگو، دسته بندی متون و کلاس بندی تصاویر اشاره کرد. در اینجا از سیستم یادگیری برای تشخیص عابرین پیاده در توالی تصاویر استفاده خواهد شد]2[.

تشخیص عابر پیاده از دو مرحله مهم استخراج ویژگی ها و طبقه بندی کننده تشکیل شده است. دلیل زیادی برای استفاده از ویژگی ها به جای استفاده مستقیم از پیکسل های خام تصاویر وجود دارد. یکی از دلایل این است که سیستم هایی که مبتنی بر ویژگی ها کار می کنند خیلی سریعتر از سیستم هایی هستند که بر اساس پیکسل های خام کار می کنند. عملکرد و کارآیی طبقه بندی به شدت به ویژگی های پذیرفته شده وابسته است. همچنین انتخاب مناسب روش استخراج ویژگی و طبقه بندی موجب بهبود نرخ تشخیص می شود. شبه هار از تعدادی نواحی سیاه و سفید تشکیل شده است. شدت مقادیر پیکسل های نواحی سیاه و سفید به طور جداگانه محاسبه می شوند. سپس مقدار ویژگی، با یک ترکیب وزنی برای این دو مقدار به دست می آید....