استفاده از نمایش اسپارس و یادگیری دیکشنری برای کاربردهای شناسایی رفتارها در شبکه های نظارتی
Publish place: Conference on Signal Processing and Intelligent Systems
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 767
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
SPIS02_033
Index date: 1 July 2017
استفاده از نمایش اسپارس و یادگیری دیکشنری برای کاربردهای شناسایی رفتارها در شبکه های نظارتی abstract
w is امروزه با افزایش تقاضا برای ایمنی و امنیت، در بسیاری از محیط های شهری و روستایی، سیستم های نظارتی براساس ویدیو به کار گرفته شده اند. مسیله آشکارسازی رفتارهای غیرمعمول براساس ویدیو، در حقیقت شناسایی الگوها در داده هایی می باشد که با رفتارهای مورد انتظار مطابقت ندارند. اخیرا برای دسته بندی رفتارها و آشکارسازی رفتارهای غیرمعمول، از روش های بازسازی اسپارس استفاده می گردد. در این مقاله یک روش نمایش اسپارس برای شناسایی رفتارها و آشکارسازی رفتارهای غیرمعمول ارایه میگردد. در این مقاله ابتدا برا هر هدف متحرک ویژگی خط سیر هدف استخراج میگردد و به عنوان مدل رفتاری برای هر هدف در نظر گرفته می شود. ماتریس دیکشنری اسپارس یکی از مهم ترین مولفه ها در نمایش اسپارس میباشد. این مقاله یک روش سلسله مراتبی با استفاده از روش خوشه بندی طیفی برای یادگیری ماتریس دیکشنری پیشنهاد کرده است. در این مقاله با توجه به این فرض که هر خط سیر جدید میتواند بر اساس ترکیب خطی خط سیرهای موجود در ماتریس دیکشنری بیان شود، یک معیار اندازه گیری با استفاده از نمایش اسپارس برای آشکارسازی رفتارهای غیرمعمول ارایه می گردد. نتایج آزمایشی به دست آمده تنومند بودن روش پیشنهادی نسبت به نویز، مسیله انسداد هدف و خراب بودن داده ها را نشان می دهد
استفاده از نمایش اسپارس و یادگیری دیکشنری برای کاربردهای شناسایی رفتارها در شبکه های نظارتی Keywords:
شبکه های نظارتی نمایش اسپارس یادگیری دیکشنری رفتار غیرمعمول
استفاده از نمایش اسپارس و یادگیری دیکشنری برای کاربردهای شناسایی رفتارها در شبکه های نظارتی authors
اصغر فیضی
عضو هیات علمی گروه مهندسی برق دانشگاه دامغان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :