تشخیص هوشمند افتادن فرد در سیستمهای مراقبتینظارتیویدئویی
تکرار نام مولف :
الهام فتاحی
سال نشر :
1395
صفحه شمار:
86ص
یادداشت
چکیده
امروزه جمعیت افراد سالمند، مسألهای رو به رشد در سراسر جهان به خصوص در کشورهای توسعهیافته است بنابراین مراقبت از سالمندانی که به تنهایی در خانه زندگی میکنند بیشتر مورد توجه قرار گرفته است. به دلیل آن که «افتادن» در میان سالمندان یک رویداد شایع و تهدیدکنندهی سلامت آنان بوده، موضوع تشخیص افتادن فرد سالمند از اهمیت خاصی برخوردار گشته است. در نتیجه یک سیستم کارآمد مراقبتیویدئویی تشخیص هوشمند افتادن برای نظارت بر یک فرد مسن ضروری است. به منظور تشخیص فعالیت فرد از جمله افتادن دریک فریم ازدادگانویدئویی،ابتدادر مرحلهی پیشپردازش، سیاههی شخص از فریم ورو دی استخراج میشود.درروشبه کار گرفته شده دراین مرحلهی پایان نامه،ابتدا یک ویژگی منحصر به فرد روش تفریق پسزمینهی کتابکد ارائه و مورد بررسی قرار گرفت.سپس با کمک آن و با پیشنهاد یک پارامتر جدید، سیاههی فرد به طور بهبود یافتهای حاصلشده است. درمرحلهی دوم پردازش سیستم، بایستی ویژگیهای توصیف کنندهی سیاهه از آن استخراج شوند. دراینپایان نامه، سه نوع ویژگیبررسیوسپسشبیهسازی شد که از میان آنها فقط ویژگیهای فضای مقیاس خمیدگی سیاهه با تفسیر بهبود یافتهای در سیستم مورد استفاده قرار گرفت. دو نوع دیگر آن، ویژگیهای بیضی و ویژگی نقاط کلیدی، به عنوان روشهای موازی در نظر گرفته شده اند.در مرحلهی آخر پردازش سیستم، ویژگیهای استخراج شده از سیاهه به یک طبقهبندی کننده داده شده تا فعالیت رخ داده در فریم ورودی را تشخیص دهد، سپس نتیجه به عنوان خروجی سیستم در نظر گرفته شده است. این طبقهبندی کننده از قبل برای آموزش و طبقهبندی ویژگیهای استخراج شده از سیاهه به کار رفته است. در این پایان نامه، از SVMبرای آموزش ویژگیهای فضای مقیاس خمیدگی سیاهه، طبقهبندی و تشخیص آنها استفادهشده است. به این ترتیب نوع فعالیت رخ داده در فریم ورودی تشخیص داده شده است.نتایج حاصل از شبیهسازی روش تفریق پسزمینهی کتابکد با پارامتر پیشنهادی به همراه مقایسه با روشهای دیگر در مقالات، ویژگیهای شبیهسازی شده و نیز نتایج طبقهبندی کننده با نتایج این روشهادربرخی از مقالات بررسی و مقایسه شده که در فصل نتایج شبیهسازی، آورده شده اند. همچنین این نتایجدرفصلنتیجهگیری، تجزیه و تحلیلشده اند. شبیهسازی های انجام شده نشان میدهدکه دقت طبقهبندی کنندهی SVMمورد استفاده نسبت به روش SVM استفاده شده در یکی از مراجع، 10.21درصدوحساسیت درآن، 22.6 درصد بهبودیافته است