آشکارسازی انسان و شناسایی وضعیت حرکتی آن به کمک یادگیری عمیق
تکرار نام مولف :
محمد حسن علیائی طرقبه
سال نشر :
1397
صفحه شمار:
72ص
یادداشت
چکیده
به طور معمول در دوربینهای مدار بسته و حفاظت پیرامونی برای تشخیص حرکت، برای صحنه یک مدل حرکتی استخراج میگردد و با مقایسه با سطح آستانه در صورت لزوم اعلام خطر میشود. این روش دارای مشکلاتی مانند اعلام آلارم و هشدار اشتباه، دقت پایین و حساسبودن به میزان نور و روشنایی است. اخیرا تحلیل الگوی حرکتی اهداف جایگزین این روش گردیده و به طور مثال تنها ورود انسان شناسایی و اعلام میگردد و تکان شاخ و برگ درختان و یا حرکت حیوانات حذف میگردد.برای استخراج الگوی حرکتی روشهای مختلفی ارائه شده است که در این پژوهش به بررسی هر کدام از آنها خواهیم پرداخت. سپس به بررسی انواع روشها و الگوریتمهای تشخیص انسان در یک تصویر پرداخته خواهد شد. با تعریف و انتخاب یک معیار مناسب، سه روش از روشهای تشخیص انسان با هم مقایسه شده و قدرتمندترین و با دقتترین روش که یادگیری عمیق میباشد، انتخاب خواهد شد. در نهایت بعد از شناسایی مکان انسان، الگوی حرکتی آن طبق الگوریتمی جدید، از 8 فریم متوالی استخراج شده و به عنوان دادههای آموزشی ذخیره میشوند. مرحله یادگیری شبکه عمیق، برای کلاسبندی 7 فعالیت انسانی از جمله نشستن، راه رفتن (افقی، عمودی و مورب) و دویدن (افقی، عمودی و مورب) انجام میشود و نتایج نشان میدهد بعد از گذشت 1000 گام یادگیری، مقدار خطای شبکه به 0.0019 و دقت شبکه به مقدار 99.92% رسیده است.بعد از اتمام فرآیند یادگیری، تست آفلاین و بلادرنگ شبکه انجام میگیرد. تست آفلاین از مجموعه تصاویر ذخیره شده استفاده میکند و تست بلادرنگ به صورت زنده، تصاویر را از فایل ویدئویی و یا دوربین و وبکم دریافت میکند.شبیهسازی این پژوهش با استفاده از زبان قدرتمند پایتون، نرم افزارAnaconda و محیط Spyder انجام گرفته است. برای پردازش تصاویر، فرآیند استخراج الگوی حرکتی، آمادهسازی و ذخیره دادههای آموزشی نیز از کتابخانه OpenCV استفاده شده است. شبیهسازی مباحث یادگیری عمیق، تشخیص مکان انسان و کلاسبندی تصاویر آموزشی نیز با استفاده از بستر Tensorflow و کتابخانه Keras انجام گرفته است.
کلیدواژهها: آشکارسازی انسان، وضعیت حرکتی، یادگیری عمیق