اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,258 |
| تعداد مقالات | 9,115 |
| تعداد مشاهده مقاله | 8,324,894 |
| تعداد دریافت فایل اصل مقاله | 5,039,838 |
شناسایی اشخاص از فواصل دور با استفاده از تصاویر ویدئوی راه رفتن آن‌ها | ||
| پدافند غیرعامل | ||
| مقاله 3، دوره 12، شماره 2 - شماره پیاپی 46، مرداد 1400، صفحه 33-39 اصل مقاله (482.22 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حسین خالقی* 1؛ علی امینی2 | ||
| 1دانشگاه صنعتی مالک اشت | ||
| 2دانشگاه ازاد واحد دماوند | ||
| تاریخ دریافت: 06 مرداد 1399، تاریخ بازنگری: 14 فروردین 1400، تاریخ پذیرش: 15 فروردین 1400 | ||
| چکیده | ||
| امروزه شناسایی انسان از روی راه رفتن، یکی از روش‌های بیومتریک و مورد علاقه محققین علوم بینایی ماشین و شناسایی الگو است. یکی از بزرگ‌ترین مشکلات این روش شناسایی، تغییرات در حالات راه رفتن مانند سریع یا آهسته رفتن و یا تغییرات در لباس فرد و حمل وسیله‌ای مانند کیف است که در این مقاله سعی شده به این مسئله در سه بخش اساسی پیش‌پردازش، استخراج ویژگی و طبقه‌بندی پرداخته شود. با استفاده از مجموعه داده کاسیا، که یک مجموعه بزرگ با حالات و شرایط حمل مختلف حرکتی است، ابتدا در بخش پیش‌پردازش یک پایگاه داده زمانی-مکانی جدید با پروفایل‌گیری افقی از شبحافراد تشکیل شده است. در بخش دوم، استخراج ویژگی با استفاده از الگوریتم تحلیل مؤلفه‌های اصلی PCA انجام شده و مهم‌ترین مؤلفه‌های تشکیل‌دهنده تصویر جدا و ماتریس ویژگی‌ها استخراج شده است. در نهایت، در بخش سوم به کمک الگوریتم ماشین بردار پشتیبان SVMعمل طبقه‌بندی و شناسایی صورت گرفته است. نتایج شبیه‌سازی نشان‌دهنده کارآمدی الگوریتم پیشنهادی تحت شرایط مختلف بوده و باعث بهبود نرخ‌های شناسایی شده است. | ||
| کلیدواژه‌ها | ||
| کلیدواژه‌ها: شناسایی انسان از روی راه رفتن؛ شبح افراد؛ الگوریتم تحلیل مؤلفه‌های اصلی (PCA)؛ ماشین بردار پشتیبان (SVM) | ||
| عنوان مقاله [English] | ||
| Passive people Identification using video footage of them walking | ||
| نویسندگان [English] | ||
| Hossein Khaleghi1؛ Ali Amini2 | ||
| 2, Islamic Azad University, Damavand | ||
| چکیده [English] | ||
| Now , gait recognition is one of the biometric methods that has received more and more attention researchers in machine vision and pattern recognition. However, one of the main challenges of technology is variations caused by covariate factors such as fast and slow gait, clothing, carrying conditions.this reserch tried is to provide issues in three basic parts: preprocessing, feature extraction, and classification. Using the Cassia data set, which is a large set with different gestures and carrying conditions. First, organized a new Spatio-temporal database with horizontal profiling of the silhouette. next, feature extracting by PCA. Finally, the SVM algorithm is used and classifies and identifies. The test results show the efficiency of the proposed algorithm under different conditions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . | ||
| کلیدواژه‌ها [English] | ||
| Gait Recognition, Silhouette, Principle Component Analysis(PCA), Support Vector Machine(SVM) | ||
| مراجع | ||
|
[1] M. Gomez-Barrero, C. Rathgeb, G. Li, R. Ramachandra, J. Galbally, and C. Busch, “Multi-biometric template protection based on bloom filters,” Information Fusion, vol. 42, no. 1, pp. 37-50, 2018.## [2] P. H. Pisani, N. Poh, A. C. De Carvalho, and A. C. Lorena, “Score normalization applied to adaptive biometric systems,” Computers & Security, vol. 70, no. 1, pp. 565-580, 2017.## [3] S. Wang and A. W. Liew, “Physiological and behavioral lip biometrics: A comprehensive study of their discriminative power,” Pattern Recognition, vol. 45, no. 9, pp. 3328-3335, 2012.## [4] U. Saeed, “Eye movements during scene understanding for biometric identification,” Pattern Recognition Letters, vol. 82, no. 1, pp. 190-195, 2016.## [5] K. O. Bailey, J. S. Okolica, and G. L. Peterson, “User identification and authentication using multi-modal behavioral biometrics,” Computers & Security, vol. 43, no. 1, pp. 77-89, 2014.## [6] P. Connor and A. Ross, “Biometric recognition by gait: A survey of modalities and features, Computer Vision and Image A survey on gait recognition,” ACM Computing Surveys, vol. 51, no. 5, pp. 1–35, 2018.## [7] C. Wan, L. Wang, and V. V. Phoha, “survey on gait recognition,” ACM Computing Surveys, vol. 51, no. 5, pp. 1–35, 2018.## [8] Z. Wu, Y. Huang, L. Wang, X. Wang, and T. Tan, “A comprehensive study on cross-view gait based human identification with deep CNNs,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 02, pp. 209–226, 2017.## [9] I. Rida, N. Noor Almaadeed, and S. Al-ma'adeed, “Robust gait recognition: a comprehensive survey,” IET Biometrics journal, vol. 8, Issue 1, pp. 14 - 28, 2019.## [10] Y. Hirose, K. Nakamura, N. Nitta, and N. Babaguchi, “Anonymization of Gait Silhouette Video by Perturbing Its Phase and Shape Components,” APSIPA ASC Conference, Lanzhou, China, pp. 1679-1685, 2019.## [11] B. Jawed, O. O. Khalifa, and S. S. Newaj Bhuiyan, “Human Gait Recognition System,” 2018 7th International Conference on Computer and Communication Engineering (ICCCE), Kuala Lumpur, pp. 89-92, 2018.## [12] K. Bashir, T. Xiang, and S. Gong, “Gait recognition using gait entropy image,” in Proc. 3rd Int. Conf. Crime Detect. Prevention, pp. 1–6, 2009.## [13] X. Yang, Y. Zhou, T. Zhang, G. Shu, and J. Yang, “Gait recognition based on dynamic region analysis,” Signal Process, vol. 88, pp. 2350–2356, 2008.## [14] E. Zhang, Y. Zhao, and W. Xiong, “Active energy image plus 2dlpp for gait recognition,” Signal Process, vol. 90, no. 7, pp. 2295–2302, 2010.## [15] K. Bashir, T. Xiang, and S. Gong, “Gait recognition without subject cooperation,” Pattern Recognit. Lett., vol. 31, no. 13, pp. 2052–2060, 2010.## [16] K. Bashir, T. Xiang, and S. Gong, “Gait representation using flow fields,” in Proc. Brit. Mach. Vis. Conf., pp. 1–11, 2009.## [17] P. Chaurasia, P. Yogarajah, J. Condell, and G. S. Prasad, “Fusion of Random Walk and Discrete Fourier Spectrum Methods for Gait Recognition,” IEEE Transactions on Human-Machine Systems, vol. 47 , Issue. 6 , Dec. 2017.## [18] M. Jeevan, N. Jain, M. Hanmandlu, and G. Chetty, “Gait recognition based on gait pal and pal entropy image,” IEEE International Conference on Image Processing, Melbourne, VIC, pp. 4195-4199, 2013.## [19] J. Rouhi and H. Sadoughi, “Presenting a new spatio-temporal database on the gait and using to recognition people from video images,” in Proc. 12th conference of the Iranian Computer Association, 2006. (In Persian)## [20] M. Hu, Y. Wang, Z. Zhang, D. Zhang, and J. J. Little, “Incremental Learning for Video-Based Gait Recognition With LBP Flow,” IEEE Transactions on Cybernetics, vol. 43, no. 1, pp. 77-89, Feb. 2013.## [21] S. Yu, D. Tan, and T. Tan, “A framework for evaluating the effect of view angle, clothing and carrying condition on gait recognition,” in Proc. 18th Int. Conf. Pattern Recog, pp. 441–444, 2006.## Y. Pratheepan, J. Condell, and G. Prasad, “PRWGEI: Poisson random walk based gait recognition,” in Proc. 7th Int. Symp. Image Signal Process. Anal., pp. 662–667, 2011.## | ||
|
آمار تعداد مشاهده مقاله: 2,408 تعداد دریافت فایل اصل مقاله: 1,313 |
||