چکیده مقاله
امروزه با پیشرفت روشهای جدید در حوزه بینایی ماشین و پردازش تصویر، مطالعه و تحقیقات درزمینه تشخیص فعالیت انسان نیز افزایش پیدا کرده است یکی از عوامل نخست در تحلیل حرکات انسان، چگونگی حرکت اسکلت بدن انسان میباشد که در محیطهای آزمایشگاهی با استفاده از ابزارهای اندازه گیری، اتصال حسگرها و تهیه تصاویر پشت سرهم از روند حرکت انسان صورت میگیرد این موضوع به علت کاربردهای گسترده آن در سیستمهای نظارتی مانند سیستمهای امنیتی و انواع سیستمهایی که شامل تعاملات بین اشخاص و دستگاههای الکترونیکی میباشد، توجه زیادی را به خود جلب کرده است هدف از بازشناسی فعالیت انسان این است که یک سیستم هوشمند بتواند به صورت خودکار فعالیتهای انسان را از یک ویدیو ناشناخته تشخیص دهد در این مقاله با استفاده از اطلاعات مایکروسافت کینکت، یک سیستم تشخیص فعالیت طراحی و پیاده سازی شده است در این سیستم از چندین روش مختلف بدون کاهش ابعاد و کاهش ابعاد با PCA principal component analysis، خوشهبندی دادهها با GMMS Gaussian Mixture Models، K MEANS و Self Organization Map SOM و دستهبندی حالتهای بدن انسان با SVM Support vector machines و درنهایت دسته بندی فعالیتها با HMM Hidden Markov Model استفاده شده است دقت تشخیص فعالیت شش رویکرد ذکر شده با مجموعه داده KARD Kinect activity recognition dataset آزمایش و با یکدیگر مقایسه شده اند که بهترین دقت سیستم درمجموع 99,05 درصد است آزمایشهای انجام شده با مجموعه داده KARD به دو صورت Leave one out cross validation و دیگری بهصورت 70 درصد از مجموعه دادههای آموزشی و 30 درصد از دادههای تست انجام شده است نتایج حاصل از آزمایش نشان میدهد با استفاده از کاهش ابعاد درصد دقت تشخیص فعالیت انسان، با روشهای GMMS و K MEANS افزایش و درروش SOM کاهش میدهد
کلیدواژهها
نویسندگان
شیوه ارجاع
�یبانی، سرور و امنیان مدرس، امیرفرید،1396،تاثیر کاهش ابعاد ویژگی ها در دقت بازشناسی فعالیت انسان،پنجمین کنفرانس بین المللی مهندسی برق و کامپیوتر با تاکید بر دانش بومی،تهران
ارائهشده در
مجموعه مقالات پنجمین کنفرانس بین المللی مهندسی برق و کامپیوتر با تاکید بر دانش بومی19 بهمن 1396 · تهران