تشخیص عابر پیاده یک کار ضروری و مهم در هر سیستم نظارت تصویری هوشمند است، زیرا اطلاعات اساسی برای درک معنایی فیلم های ویدئویی را فراهم می کند که به دلیل داشتن پتانسیل برای بهبود سیستم های ایمنی، گسترش آشکاری در برنامه های کاربردی خودرو دارد. بسیاری از تولیدکنندگان خودرو ( به طور مثال ولوو، فورد، جنرال موتورز و نیسان ) این را به عنوان یک گزینه سیستم پیشرفته کمک راننده در سال 2017 ارائه کردند.
• سبک های مختلف لباس ها در ظاهر
• فصل بندی های مختلف ممکن
• وجود لوازم مسدود کننده
• انسداد های مکرر بین عابرین پیاده
علیرغم چالش ها، تشخیص عابر پیاده هنوز در سال های اخیر یه عنوان یک حوزه تحقیقاتی فعال در بینایی کامپیوتری مانده و رویکرد های بسیاری پیشنهاد شده است.
آشکارساز ها تعلیم داده شدند تا با اسکن کل یک فریم ویدئویی عابرین پیاده را جستجو کنند. اگر ویژگی های داخل تصویر محلی با معیار های خاصی مطابقت داده شوند به اصلاح "شلیک" میکنند. بعضی از روش ها از ویژگی های سراسری مانند الگوی لبه استفاده میکنند، بعضی دیگر هم از ویژگی های محلی مانند هیستوگرام توصیفگر های گرادیانی استفاده میکنند. مشکلی که این روش دارد این است که عملکرد را میتوان به راحتی با آشفتگی پس زمینه یا انسداد تحت تاثیر قرار داد.
عابرین پیاده به عنوان مجموعه ای از قطعات مدل میشوند که ابتدا با یادگیری ویژگی های محلی که شامل ویژگی های لبه و جهت گیری است افراض میشوند. سپس این بخش ها به همدیگر ملحق میشوند تا بهترین مجموعه از فرایض عابر پیاده تشکیل شود. اگرچه به نظر میرسد این روش جذاب باشد اما تشخیص قطعه به خودی خود کار سخت و دشواریست. اجرای این رویکرد از یک روش استاندارد برای پردازش داده های تصویر پیروی میکند که ابتدا شامل ایجاد یک هرم تصویری با نمونه برداری متراکم، محاسبه ویژگی ها در هر سطحی، طبقه بندی در همه مکان های ممکن و در نهایت حدف غیر حداکثری برای ایجاد مجموعه بسته های محدودکننده نهایی.
در سال 2005، لیبه و همکاران، روشی را پیشنهاد دادند که هم تشخیص و هم تقسیم بندی را با نام مدل شکل ضمنی ( ISM ) ترکیب میکند. یک کتاب کد از ظاهر ظواهر محلی در طول یادگیری آموزش داده میشود. در پروسه تشخیص از ویژگی های محلی استخراج شده برای تطبیق با ورودی های کتاب کد استفاده میشود و هر تطابق یک رای به فرض عابرپیاده اضافه میکند. با اصلاح بیشتر این فرض ها میتوان نتیجه تشخیص نهایی را بدست آورد. از مزایای این روش میتوان به نیاز کم تصاویر آموزشی اشاره کرد.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلف• سبک های مختلف لباس ها در ظاهر
• فصل بندی های مختلف ممکن
• وجود لوازم مسدود کننده
• انسداد های مکرر بین عابرین پیاده
علیرغم چالش ها، تشخیص عابر پیاده هنوز در سال های اخیر یه عنوان یک حوزه تحقیقاتی فعال در بینایی کامپیوتری مانده و رویکرد های بسیاری پیشنهاد شده است.
آشکارساز ها تعلیم داده شدند تا با اسکن کل یک فریم ویدئویی عابرین پیاده را جستجو کنند. اگر ویژگی های داخل تصویر محلی با معیار های خاصی مطابقت داده شوند به اصلاح "شلیک" میکنند. بعضی از روش ها از ویژگی های سراسری مانند الگوی لبه استفاده میکنند، بعضی دیگر هم از ویژگی های محلی مانند هیستوگرام توصیفگر های گرادیانی استفاده میکنند. مشکلی که این روش دارد این است که عملکرد را میتوان به راحتی با آشفتگی پس زمینه یا انسداد تحت تاثیر قرار داد.
عابرین پیاده به عنوان مجموعه ای از قطعات مدل میشوند که ابتدا با یادگیری ویژگی های محلی که شامل ویژگی های لبه و جهت گیری است افراض میشوند. سپس این بخش ها به همدیگر ملحق میشوند تا بهترین مجموعه از فرایض عابر پیاده تشکیل شود. اگرچه به نظر میرسد این روش جذاب باشد اما تشخیص قطعه به خودی خود کار سخت و دشواریست. اجرای این رویکرد از یک روش استاندارد برای پردازش داده های تصویر پیروی میکند که ابتدا شامل ایجاد یک هرم تصویری با نمونه برداری متراکم، محاسبه ویژگی ها در هر سطحی، طبقه بندی در همه مکان های ممکن و در نهایت حدف غیر حداکثری برای ایجاد مجموعه بسته های محدودکننده نهایی.
در سال 2005، لیبه و همکاران، روشی را پیشنهاد دادند که هم تشخیص و هم تقسیم بندی را با نام مدل شکل ضمنی ( ISM ) ترکیب میکند. یک کتاب کد از ظاهر ظواهر محلی در طول یادگیری آموزش داده میشود. در پروسه تشخیص از ویژگی های محلی استخراج شده برای تطبیق با ورودی های کتاب کد استفاده میشود و هر تطابق یک رای به فرض عابرپیاده اضافه میکند. با اصلاح بیشتر این فرض ها میتوان نتیجه تشخیص نهایی را بدست آورد. از مزایای این روش میتوان به نیاز کم تصاویر آموزشی اشاره کرد.
wiki: تشخیص عابر پیاده