تشخیص عابرپیاده به وسیله ترکیب دوربین های نظارتی حرارتی و مرئی با استفاده از روش های یادگیری عمیق

تشخیص اشیاء با استفاده از روش های پردازش تصویر همیشه به عنوان یک موضوع چالش برانگیز مطرح بوده است. از میان آنها تشخیص عابرپیاده به علت تغییرات ناخواسته پیچیدگی های خاص خود را دارد. در دهه اخیر موضوع اتومبیل های خودران بار دیگر اهمیت این موضوع را بیشتر کرد. تشخیص عابرین پیاده تحت تاثیر شدید تغییرات صحنه، حرکات بدنی و موقعیت مکانی عابرپیاده می باشد. از طرفی افزایش توان پردازشی سخت افزارها، زمینه را برای پردازش داده های در حجم زیاد فراهم کرده است. در این مقاله اطلاعات دریافتی از حسگرها با به کارگیری یادگیری عمیق بهبود داده شده است. مد ل ها و معماری های گوناگونی که از شبکه های عمیق وجود دارد، این امکان را فراهم کرده است که شبکه را با تعداد بسیار بیشتر، در زمان کمتری و با استفاده از یادگیری انتقالی آموزش داده شود تا از نتایج به دست آمده آن بتوان برای تشخیص عابرپیاده استفاده کرد. مدل Mask R-CNN به علت دقت بالای آن، برای شبکه پیشنهادی تنظیم دقیق شده است و تصاویر ترکیب شده به عنوان ورودی به شبکه تزریق شده است. نتایج به دست آمده از بهبود بسیار چشمگیر آن حکایت دارد، به طوری که از افزایش میزان صحت و دقت تشخیص عابرپیاده حکایت دارد.

Keywords:

ترکیب تصویر , یادگیری عمیق , تشخیص عابرپیاده , Mask R-CNN , یادگیری انتقالی