یادگیری تکاملی نظارت شده: هیستوگرام گرادیان و الگوریتم ازدحام ذرات جهت ردیابی عابران پیاده در توالی تصاویر مادون قرمز

استفاده از روشهای مبتنی بر یادگیری تکاملی که جهت بهبود عملکرد طبقه بندهای مختلف کارایی دارند، میتواند تا حد زیادی بر پاسخ مناسب اثرگذار باشد. از مقوله هایی که مورد توجه حوزه یادگیری ماشین قرار گرفته، ردیابی و شناسایی عابران پیاده ای است که در هر قسمت از شهر میتوانند تردد نمایند . در این زمینه چالشهایی به چشم میخورد که از آن جمله، دقت کم تشخیص، زمان زیاد پردازش و نیز عدم قطعیت در دستیابی به پاسخ سبب شده تا محققان به دنبال مدلهای پردازشی باشند که بتواند با دقت بالا موقعیت فرد را در حین حرکت رصد کند. در این تحقیق، الگوریتمی ترکیبی در جهت تشخیص خودکار موقعیت عابران ارائه شده که بر خلاف تحلیل تصاویر مرئی افراد از بررسی تصاویر حرارتی و مادون قرمز آنان در حین راه رفتن استفاده میکند و مرکب از شبکه عصبی با امکان یادگیری حداکثری، کرنل موجک و الگوریتم ازدحام ذرات جهت یافتن پارامترهای تنظیمی مدل یادگیرنده میباشد. هیستوگرام گرادیان در تصاویر مادون قرمز استخراج ویژگی را انجام میدهد و سپس در الگوریتم شبکه عصبی با امکان یادگیری حداکثری به دنبال تشخیص عابر و نیز ردیابی خواهیم بود. روش پیشنهادی با وجود شبکه عصبی با امکان یادگیری حداکثری دارای سرعت بالایی در آموزش است و مجموعه داده های مختلفی در این زمینه تحلیل شدهاند که خروجی بدست آمده حاکی از بروز خطای ناچیز در رصد توالی مادون قرمز از حرکات عابران پیاده می باشد.

Keywords:

شناسایی عابران پیاده , تصاویر مادون قرمز , شبکه عصبی یادگیری حداکثری , هیستوگرام گرادیان و الگوریتم ازدحام ذرات