امیر عزیزی

جلسه دفاعیه از پایان نامه کارشناسی ارشد

چکیده

شناسایی و ردیابی اشیا در صحنه‌های واقعی، با سختی‌هایی مانند تغییر اندازه و زاویه دید، تغییرات روشنایی، استتار و شلوغی پس‌زمینه، روبرو می‌باشد. استفاده از ویژگی‌های محلی در کارهای بینایی ربات و کامپیوتر، می‌تواند این مشکلات را کاهش دهد. هدف این پروژه این است که اشیایی که از پیش آموزش داده شدهاند، در تصاویر ویدئویی شناخته شوند و سپس ردیابی شوند. برای این منظور، در مرحله شناسایی، از روش درخت واژگان که بر اساس ویژگی‌های محلی عمل می‌کند، استفاده می‌شود. یک ترکیب از دو کلاسه‌بند SVM و kNN به عنوان کلاسه‌بند روش درخت واژگان ارائه شده و اثبات می‌شود که این کلاسه‌بند، دقت شناسایی روش درخت واژگان را افزایش می‌دهد. بخش‌بندی در این کار اجتناب ناپذیر است. در مرحله ردیابی، مکان ویژگی‌های محلی برای اشیا و پس‌زمینه روی یک فریم مشخص می‌باشد. این دانشی است که در این پروژه برای اولین بار از آن برای اجرای بخش‌بندی در مرحله ردیابی استفاده شده است. نشان داده می‌شود که این بخش‌بندی که در مرحله ردیابی اجرا می‌شود، یعنی بخش‌بندی مبتنی بر ویژگی‌های محلی، خیلی سریع‌تر از بخش‌بندی مرحله شناسایی اجرا می‌شود. برش نرمالیزه، روشی است که برای بخش‌بندی مرحله شناسایی، از آن استفاده شده است. روش‌های بخش‌بندی تعاملی، مانند روش برش گراف و روش آب پخشان کنترل شده توسط علامت‌گذار، می‌توانند برای بخش‌بندی مبتنی بر ویژگی‌های محلی استفاده شوند. ارزیابی این روش‌ها و روش پیشنهادی برای بخش‌بندی مبتنی بر ویژگی‌های محلی، نشان می‌دهد که خطای بخش‌بندی روش پیشنهادی کمتر از دو روش مذکور می‌باشد.

تاریخ دفاع:      شنبه 8/11/90     ساعت:  15
   محل:  کلاس 305 دانشکده برق