فایل ورد کامل آشکارسازی و دسته‌بندی اشیا متحرک با استفاده از روش عصبی – فازی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل آشکارسازی و دسته‌بندی اشیا متحرک با استفاده از روش عصبی – فازی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۰ صفحه

فرابینی مراقبت عمومی به سرعت به سمت بهره‌گیری از سیستم مراقبت هوشمند به پیش می‌رود. جرایم خیابانی در سال‌ها اخیر رو به افزایش است که این امر نیاز به استفاده از یک سیستم مراقبت عمومی هوشمند و مطمئن‌تر را مقتضی ساخته است. در این مقاله، توانایی و دقت یک سیستم استنتاج عصبی – فازی سازگار (ANFIS) جهت دسته‌بندی اشیا متحرک برای استفاده در صحنه‌های خیابان مورد بررسی قرار گرفته است. در این مقاله سعی می‌شود دسته‌بندی اشیا متحرک قبل از ارائه ویژگی‌های گروهی آن‌ها صورت گیرد که این ویژگی‌ها نیز بر سه فرآیند عمده شامل آشکارسازی اشیا، استخراج ویژگی متمایز کننده و دسته‌بندی هدف مورد نظر تأکید می‌نماید. برنامه کاربردی مراقبتی مورد نظر بر صحنه خیابانی متمرکز خواهد بود، از این رو، دسته‌های هدف مورد نظر را عابر پیاده، موتورسوار و خودرو تشکیل می‌دهند. شبکه سازگار مبتنی بر سیستم عصبی – فازی به طور جداگانه برای سه پارامتر خروجی طراحی گردیده است که هر یک از آن‌ها از ۳ ورودی و ۲۷ قاعده سوگنو تشکیل می‌شوند. علاوه بر این، آزمایش وسیعی روی ویژگی‌های مهم انجام شده است و تجزیه و تحلیل عملکرد ارزیابی به لحاظ کمی در سه پایگاه داده صحنه‌های خیابانی اجرا شده است که بر حسب پیچیدگی پس‌زمینه فرق می‌کند. نتایج آزمایشی مربوط به پایگا‌ه داده‌های عمومی و پایگاه داده‌های شخصی ما اثبات می‌نماید که روش پیشنهادی در مقایسه با روش‌های شبکه عصبی یا فازی صرف به عملکرد ۱/۹۳ درصدی در دسته‌بندی صحیح صحنه خیابانی با اشیا متحرک دست می‌یابد.

واژگان کلیدی: آشکارسازی اشیا متحرک | سیستم‌های عصبی – فازی | دسته‌بندی اشیا | جرایم خیابانی | مراقبت بصری

عنوان انگلیسی:

Moving Object Detection and Classification Using Neuro-Fuzzy Approach

~~en~~ writers :

M. Mustafah. 1. , A. A. Shafie. 1. , N. A. Zainuddin

Public surveillance monitoring is rapidly finding its way into Intelligent Surveillance
System. Street crime is increasing in recent years, which has demanded more reliable and
intelligent public surveillance system. In this paper, the ability and the accuracy of an
Adaptive Neuro-Fuzzy Inference System (ANFIS) was investigated for the classification of
moving objects for street scene applications. The goal of this paper is to classify the
moving objects prior to its communal attributes that emphasize on three major processes
which are object detection, discriminative feature extraction, and classification of the
target. The intended surveillance application would focus on street scene, therefore the
target classes of interest are pedestrian, motorcyclist, and car. The adaptive network
based on Neuro-fuzzy was independently developed for three output parameters, each of
which constitute of three inputs and 27 Sugeno-rules. Extensive experimentation on
significant features has been performed and the evaluation performance analysis has
been quantitatively conducted on three street scene dataset, which differ in terms of
background complexity. Experimental results over a public dataset and our own dataset
demonstrate that the proposed technique achieves the performance of 93.1% correct
classification for street scene with moving objects, with compared to the solely
approaches of neural network or fuzzy.

Keywords: Moving object detection | neural fuzzy systems | object classification | street crime | visual surveillance

$$en!!