روش آماري براي بازشناسي افراد از طريق ويژگي هاي هندسي دست آنها
دراين مقاله روشي براي بازشناسي افراد از طريق ويژگي هاي هندسي دست آنها ارائه شده است. دراين روش از ويژگي هاي هندسي دست براي نظير يابي منحني پيرامون دست استفاده شده است. درادامه نشان داده شده است كه چگونه مي توان با استفاده از روشهاي آماري ابعاد بردار ويژگي حاصل از هر منحني پيراموني را به نحو مطلوبي كاهش داد. الگوريتم ارائه شده دراين مقاله به دليل استفاده از يك بازنمايي ساده )فقط منحني پيراموني دست) سرعت قابل توجهي دارد، با اين حال توانسته است نتايج مطلوبي در زمينه بازشناسي افراد باكمك تصوير دست ايجاد نمايد.
روش جديد تناظريابي اتوماتيک در بينائي استريو با استفاده از شبکه هاي عصبي و همبستگي
به منظور انتخاب روش مناسب شناسا ئي عمق ،با تخميني مناسب و در زمان کم الگور يتمهائي ارائه شده است يکي از اين الگوريتم ها ، بينائي استريو مي باشد که به منظور استخراج عمق بکار ميرود .در کل بر اي استخراج د قيق اين داده ها روشه اي متنوعي بصورت مکمل و درکنار هم استفاده مي گردد. در اين مقاله با استفاده از شبکه عصبي ، تصاوير را کلاس بندي و با correlation بيشينه تطابق نقاط متناظر سمت راست و چپ را يافته و در عين حال از يک شبکه عصبي ديگر براي يافتن نقشه عمق استفاده مي کنيم .
روشی جديد و سريع برای تشخيص محل پلاک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی
تشخيص محل پلاک خودرو 1 مهمترين مرحله شناسايی پلاک خودرو 2 در سيستمهای حمل و نقل هوشمند 3 است. در اين مقاله روشی بلادرنگ 4 و سريع برای پيدا کردن پلاک خودروها در تصاوير پيچيده معرفی می شود. در الگوريتم پيشنهادی ابتدا با استفاده از عملگر سوبل 5 اقدام به يافتن لبه های عمودی تصوير می کنيم، سپس با استفاده از تحليل هيستوگرام 6 و ترکيبی از عملگرهای مورفولوژيکی 7 پلاک خودرو را از تصوير استخراج ميکنيم. روش پيشنهادی را روی پايگاه داده ای شامل 300 تصوير مختلف از نظر پس زمينه، اندازه، فاصله، زاويه ديد و شرايط نوری، مورد آزمايش قرار داده و نرخ استخراج صحيح پلاک را 81/ 3% بدست آورديم.
رهگيری اهداف متحرک در تصاوير ويدئويي بر مبنای منطق فازی
اين مقاله به بررسی عملکرد روش انتساب داده 1فازی برای رهگيری اهداف متحرک نسبتا کوچک در تصاوير گرفته شده با دوربين ثابت ميپردازد. روش انتساب داده نزديکترين همسايه و نوع پيشرفته تر آن يعنی روش آزمايش فرضهای چندگانه 2 از ابزارهای آماری جهت انتساب نواحی آشکار شده 3 و اهداف رهگيری شده 4 به يکديگر, بهره مي برند. محدوديت روشهای فوق اين است که هر ناحيه آشکار شده تنها می تواند به يک هدف رهگيری شده منتسب شده و آن را بروز نمايد و نيز هر هدف رهگيری شده تنها ميتواند با يک ناحيه آشکار شده بروز گردد. روشهای جايگزين مناسبي مانند روش pmht و jpda وجود دارند که از تمام نواحی آشکار شده حوالی هدف رهگيری شده جهت بروز کردن آن استفاده کرده و نيز هر ناحيه آشکار شده ميتواند چند هدف رهگيری شده را بروز نمايد. در الگوريتم انتساب داده اين مقاله برخلاف روش jpda هيچ مدل و يا عبارت تحليلی وجود ندارد و از تجربيات موجود در سناريوهای مختلف برای رسيدن به تداوم و دقت مناسب رهگيری سود برده مي شود. انعطافپذيری در تطبيق با سناريوهای مختلف, عملکرد زمان واقعی به همراه حفظ تداوم و دقت رهگيری از مزايای اين روش است
شناسایی و تحلیل رویکردهای مختلف معناشناسی در روشهای تصویرکاوی با بهره گیری از معیارهای کارکردی
تصويركاوي محور پژوهشي نويني در تحقيقات مرتبط با بانكهاي اطلاعاتي تصويري به شمارمي رود.بررسي مجموعه روشهاي ارائه شده در اين زمينه نشانگروجود رويكردهاي متنوع در اين روشها جهت معناشناسي و درك مفاهيم موجود درمجموعه هاي بزرگ تصويري است.وجود چنين تنوعي در رويكردهاي مختلف معناشناسي از يك طرف و فقدان معيارهاي مشخص جهت تحليل و ارزيابي مقوله معناشناسي در روشهاي تصويركاوي از طرف ديگر ، امكان مقايسه و ارزيابي دقيق اين روشها را از پژوهشگران سلب نموده است.براين اساس در اين مقاله علاوه بر شناسايي و معرفي چهار رويكرد اساسي جهت معناشناسي در روشهاي تصويركاوي ، معيارهاي كاركردي مناسبي نيز جهت ارزيابي و تحليل هريك از رويكردهاي مذكور پيشنهاد مي شود.بهره گيري از معيارهاي پيشنهادي در اين مقاله براي تحليل رويكردهاي مختلف معناشناسي در روشهاي تصويركاوي مي تواند به شناخت دقيق تر اين رويكردها و استفاده صحيح و اصولي از آنها منجر شود.
با توجه به اين كه در سيستم هاي آكوستيك نوع موجود زنده شناسايي نمي شود و تنها وجود آن اثبات ميشود، در اين مقاله هدف ما اين است كه با استفاده از روش ممان و با استفاده ازمشخصات آماري تصاوير به تشخيص غواص بودن آن موجود زنده اقدام كنيم. مماني كه در اينجا انتخاب مي كنيم ممان زرنيك مي باشد. اين انتخاب به اين دليل است كه خاصيت عمده ممان زرنيك يعني غيرحساس بودن آن به چرخش در اين کار ، با توجه به حركت دائمي غواص و چرخش آن ، بسيار موثر و پركاربرد است. نتايج شبيه سازي نشان مي دهد كه اين روش با دقت نسبتاً خوبي غواص را از غير غواص تشخيص مي دهد.
شناسايي حالت چهره با استفاده از پايگاه دادة مكاني-زماني itmi و qim
در اين مقاله دو روش جديد پشته سازيِ مكاني- زماني روي تصاوير ويديويي ارائه شده و از آن براي شناسايي حالت چهره استفاده مي شود. اين روشها نوعي پايگاه دادة مكاني-زماني محسوب مي شوند كه اطلاعات زماني و مكانيِ نقاط متحركِ صحنه، روي يك كليشه ذخيره مي شود. روش اولِ پشته سازي، شاملِ زمان رخدادِ هر نقطة متحرك است. در اين روش، زمانهاي رخدادِ هر حركت ذخيره شده و نتيجة نهايي به تعداد تصاوير دنباله، نرماليزه ميشود. از اين پايگاهِ دادة جديد كه شامل اطلاعات مكان و زمان رخدادِ هر حركت است ويژگيهايِ هندسي استخراج مي شود. در روش دوم تكرار رخدادهايِ حركت در هر ناحيه از تصوير بدست مي آيد. در اين روش، تصاوير دريافتي به 30 ناحيه چندي سازي (كوانتيزه) ميشوند و يك بردار ويژگي 30 تايي نتيجة مجموعة فريمهاي دريافتي است. با ويژگيهايِ استخراج شده از اين دو پايگاهِ داده مبتني بر پشته سازي فريمها و يك شبكة عصبي روي مجموعة 150 تايي از حالات چهرة پايگاه دادة كوهن-كاناد، نرخ شناسايي 80 % بدست ميآيد. سهولت استخراج ويژگيهاي پيشنهادي نسبت به ويژگيهاي مورد استفاده در روشهاي موجود، آنرا براي کاربردهاي بلادرنگ مناسب مي سازد.
شناسايي خط و دايره در محيطهاي پيچيده با استفاده از نگاشت تصوير در فضاي مختلط
در اين نوشتار روش جديدي براي شناسايي خطوط و دواير در محيطهاي با تعداد زياد خط و دايره بر اساس نگاشتهاي مختلط ارائه ميگردد. بدين منظور، موقعيت پيکسل هاي تصوير بجاي تابعي از دو متغير مستقل X,Y به صورت تابعي از متغير مستقل مختلط z در نظر گرفته شده و نگاشت مختلط روي تصوير اعمال مي شود. نگاشت مختلط مورد استفاده براي شناسايي خط و دايره، نگاشت انعکاس مي باشد. اعمال روش ارائه شده بر روي مثال عملي، کارايي اين روش را نشان مي دهد.
شناسايي دنباله زيرحروف متون چاپي فارسي با استفاده از قابليت پردازش زماني-مکاني شبكه عصبي با انتشار هدايت يافته
در زبان فارسي اتصال حروف به هم باعث ميشود که کلمات به شکل دنبالهاي از حروف درآيند. بنابراين استفاده از روشي که بتواند دنباله زيرحروف فارسي را شناسايي کند ميتواند منجر به بازشناسي بهتر کلمات فارسي شود. در اين مقاله، از شبكه عصبي با انتشار هدايت يافته براي شناسايي دنباله ها استفاده شده است. زيركلمات بدون نقطه، با استفاده از روشي به زيرحروف شكسته ميشوند. هر زيرحرف با زيرحرفهاي به دست آمده از فونت لوتوس مقايسه شده و ميزان شباهت آن با استفاده از معيار فاصله اقليدسي و ويژگي گشتاور مركزي نرمالشده سنجيده ميشود. سپس اين مقادير براي شناخت دنباله زيرحروف به شبكه داده مي شود. شبكه با انتشار هدايت يافته با استفاده از اين داده ها و همچنين اطلاعات آماري که از ساختار زيرکلمات فارسي و تعداد تکرار آنها دارد به شناسايي دنباله ميپردازد. اين شبکه يک ساختار درختي دارد و به صورت بدون ناظر عمل ميكند و براي هر زيركلمه ممكن است چندين پيشنهاد با درجه شباهت گوناگون ارايه كند. پايگاه داده، زيركلمات متداول روزنامه هاي فارسي بودند که در معرض نوعي از اعوجاج قرار گرفتند. نتايج شناسايي پس از اعمال شبكه در مقايسه با معيار فاصله اقليدسي بهبود چشمگيري يافت.
شناسايي متون چاپی فارسی با دقت بالا با استفاده همزمان از مدل مخفی مارکف, برنامه ريزی پويا و ماشين بردار پشتيبان
اين مقاله به توصيف سامانه شناسايي متون چاپی فارسی اختصاص دارد که با هدف دست يابی به دقت بالا طراحی و پياده سازی شده است . بدنه اصلی سامانه با الهام از برخی پژوهش های پيشين در حوزه شناسايي متون (انگليسی و عربی( و مبتنی بر مدل مخفی مارکف 1 ايجاد شده که به نوع کاربرد آن در شناسايي گفتار پيوسته بسيار نزديک است . با اين حال برای افزايش دقت سامانه , بسته به نوع خطا , دو پيشنهاد جديد ارائه شده است . علاوه بر استفاده از يک گرامر مناسب منتج از ويژگی های حروف فارسی برای کاهش خطای جايگزينی, طرحی برای مشارکت ماشين بردار پشتيبان 2 در حذف خطاهای حذف و درج ارائه شده که عليرغم کاهش سرعت شناسايي , اين نوع از خطا را به صورت چشمگير کاهش ميدهد. اين نکته بخصوص از آن جهت اهميت دارد که خطاهای درج و حذف )نسبت به خطای جايگزينی م تداول در اين سامانه که عمدتا به اشتباه در تشخيص تعداد نقاط مربوط است(, باعث کاهش يشتر خوانايي متن به دست آمده شده و بنابراين نامطلوب ترند. عملکرد ماشين بردار پشتيبان , بر اساس ارزيابی 3 نتايج دو سامانه مبتنی بر مدل مخفی مارکف با همبستگی کم در محل وقوع خطا , استوار است . به اين منظور از برنامه ريزی پويا 4 برای ترازبندی 5 جواب های دو سامانه استفاده شده و با استفاده از آن, به ازای هر کلمه , جواب يکی از سامانه ها توسط ماشين بردار پشتيبان انتخاب شده است . همچنين از برنامه ريزی پويا برای برچسب گذاری داده های آموزش برای اين مرحله استفاده شده است . نوع استخراج ويژگيها به گونه ای است که عليرغم تعريف آنها در سطح کلمه, باعث وابستگی سامانه به تعداد محدودی کلمه نشده و همچنان مقاومت سامانه نسبت به تغيير نوع متن و ظهور کلمات خارج از لغتنامه, محفوظ ميماند.