فایل ورد کامل تشخیص شی در حال حرکت در زمینه پویا

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 تشخیص شی در حال حرکت در زمینه پویا،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۲ صفحه

در زندگی واقعی اغلب استفاده از تشخیص هدف در حال حرکت نیاز به در نظر گرفتن تغییر پس زمینه یعنی پس زمینه پویا دارد . الگوریتم آستانه هریس در این مقاله ارائه شده است  و درنتیجه پینهاد تجربی نشان می دهد که این روش در تشخیص گوشه موثر تر بوده و ترکیب با الگوریتم غربال کردن باعث می شود این الگوریتم کارآمد تر شود . پس زمینه پویا با حداقل تضمین ها در کارایی الگوریتم به روز رسانی می شود . نتیجه تجربی نشان می دهد که روش مورد استفاده در بین مقاله بهتر می تواند پارامتر های حرکت را به دست آورده و در نهایت نتیجه تشخیص حرکت هدف تحت پس زمینه پویای مناسب است .

عنوان انگلیسی:Moving Object Detection in Dynamic Background~~en~~

in computer vision. At present, the main methods of moving object detection in dynamic background are optical flow and motion compensation. In addition, there are methods like motion segmentation proposed in [1][2] , movement region integration, and another type of method based on the difference between the feature points of the moving object and the ones of the background, which usually classify these two kind of points with related algorithm of pattern recognition, mentioned in [3][4]. The disadvantage of optical flow method is large calculation and high requirements for hardware. Motion compensation is widely used, such as in [5][6][7], and there are also various methods of obtaining the motion model parameters, such as gray projection algorithm, feature algorithm, the classic block-matching algorithm and the bit-plane matching algorithm. In this paper, we mainly focus on feature algorithm. Gray, area, edge, feature point or corner are the commonly used feature space. The earlier corner extraction method is Moravec algorithm [8], proposed by Moravec in 1979. It is simple, but it does not have rotational invariance and is sensitive to noise, which lead to rarely used now. One of the most widely used corner detection algorithm is Harris algorithm, proposed in [9]. Though it spends more time in computing than Moravec algorithm, it solves the existing problems of the former. While Harris algorithm has its own limitations: fixed threshold and no scale invariance. For the fixed threshold problem, reference [10] proposes to set the threshold to be 0.01 times the maxima of the corner responseand reference [11] improves the 0.01 to be a variable P. A dual threshold method is proposed in [12]. The above methods only utilize the maxima of the corner response function. In this paper, we make full use of the local maxima of corner response function, and propose to set the threshold to be k times the mean of the local maxima of corner response function, here k is a constant. Compared with the traditional Harris algorithm, experimental results This work is supported by the Fundamental Research Funds for the Central Universities HEUCF0414 show that this method improves the accuracy of detection. Weighing the detection accuracy and the real-time property, we detect the corners with adaptive threshold Harris algorithm mentioned above and use SIFT algorithm to describe these corners. When using background subtraction to extract moving object, the key step is background updating. The method we used in this paper improves the extraction efficiency.

$$en!!