دانلود پروپوزال شناسایی چهره بدون تغییر حالت در فیلم دوربین های مدار بسته با تکنیک OLPP

این پروپوزال دارای یک مقاله بیس نیز می باشد که در انتهای همین صفحه می توانید به طور رایگان، اقدام به مشاهده و دریافت آن نمایید.

در سال های اخیر، سیستم نظارت ویدئویی در زمینه بینایی کامپیوتر مورد توجه فزاینده ای قرار گرفته است. همچنین، تحقیقات بیشتری در زمینه سیستم های نظارت مبتنی بر اطلاعات به دلیل افزایش تقاضا برای امنیت و ایمنی، انجام گرفته است. علاوه بر این، تماشای افراد در خانه سالمندان، مراکز خرید، موسسات آموزشی، بیمارستان ها، اتاق های انتظار و وسایل نقلیه نظارتی، برخی از برنامه های نظارت تصویری به شمار می روند. امروزه، یک سیستم هوشمند با برنامه ‌های نظارتی ویدیویی ادغام شده است تا از طریق پیش ‌بینی روند فعالیت ‌های انسان، رفتار انسان را به ‌طورخودکار مورد تحلیل قرار دهد. لازم به ذکر است که، پیش‌بینی فعالیت ‌های انسانی برای جلوگیری از وقوع تخلف و فعالیت ‌های خصمانه از اهمیت فزاینده ای برخوردار است. همچنین، پیش بینی فعالیت های انسانی برای سیستم نظارت ویدئویی نیز حائز اهمیت است. شایان ذکر است که با یافتن نسبت احتمالی یک فعالیت خاص به فعالیت‌های کلی در ویدیو یا یافتن رویداد های مرتبط با ارتباط در ویدیو فعالیت انسان پیش ‌بینی می‌شود. همچنین برای یافتن رویداد های نامرتبط یا رویدادهای غیرعادی از رویدادهای عادی که قبلاً در پایگاه داده طبقه‌ بندی و ذخیره شده‌اند، روش‌ های پیش‌بینی فعالیت انسانی در سیستم‌ های نظارت ویدئویی اعمال می شوند. همچنین، بسیاری از تکنیک ‌های پیش ‌بینی فعالیت انسانی برای یافتن فعالیت‌ ها از طریق سیستم های نظارت ویدئویی ارائه شده است. در این پروپوزال، از سیستم های نظارت ویدئویی برای پیش‌بینی فعالیت انسانی و یافتن رویدادهای غیرعادی استفاده می‌شود. همچنین، یک چارچوب جدید برای پیش‌بینی اولیه فعالیت‌های انسانی ارائه شده است. همچنین در این چارچوب، درخت پسوندی احتمال (PST) مطرح می شود که روابط اتفاقی بین اقدامات اصلی را مدلسازی می کند. همچنین، برای مد‌لسازی اطلاعات اشیاء تعاملی از الگو کاوی متوالی (SPM) و برای نمایش قابلیت پیش‌بینی هر نوع فعالیت از تابع تجمعی پیشگویانه (PAF) استفاده شد. علاوه بر این، با توجه به اطلاعات مختلف نظیر همبستگی مکانی، زمانی، و حرکت بین اجسام پیش‌بینی فعالیت انسان توسط این چارچوب بهبود یافت. پس از گردآوری اطلاعات، یک شی کاوی مکرر مکانی-زمانی (STFOM) برای استخراج آیتم ها (فعالیت‌های) مکرر انجام گرفت. همچنین، فعالیت های باقیمانده به عنوان فعالیت های غیر عادی و فعالیت های مکرر به عنوان فعالیت های عادی تعیین شدند. شایان ذکر است که یکی از مهمترین موارد در زمینه سیستم نظارت ویدئویی شناسایی افراد می باشد. همچنین ویژگی های مختلفی نظیر راه رفتن، لباس، وضعیت بدنی اما چهره در زمینه شناسایی یک فرد، همواره قابل اطمینان ترین ویژگی ها محسوب می شوند. در این پژوهش، برای شناسایی افرادی که همگی درگیر فعالیت غیرعادی هستند، تکنیک ‌های تشخیص چهره ارائه شده است. همچنین، برای تشخیص چهره، یک آشکارساز چهره Viola-Jones ارائه شده است که در آن تصویر یکپارچه، Ada Boost و مفاهیم ساختار آبشاری مورد استفاده قرار گرفته است. مفهوم تصویر انتگرالی، ویژگی های مربعی را در زمان ثابت مورد ارزیابی قرار می دهد. الگوریتم یادگیری Ada Boost ویژگی هایی را انتخاب نموده و یک وزن خاص را به تمامی ویژگی های انتخابی تخصیص می دهد. سپس یک طبقه ‌بندی قوی به ‌عنوان ترکیبی خطی از طبقه ‌بندی‌ کننده ‌های ضعیف ایجاد می‌شود. در ساختار آبشاری، طبقه بندی کننده ها به صورت آبشاری ترکیب می شوند. سپس، از تصویر چهره شناسایی ‌شده، ویژگی‌های هیستوگرام گرادیان جهت ‌دار (HOG) و الگوهای باینری محلی وزن‌دار (WLBP) استخراج شده و در تصویر حفظ محل متعامد (OLPP) برای تشخیص چهره مورد استفاده قرار می گیرند. لازم به ذکر است که ویژگی HOG ساختار لبه چهره را نشان داده و ویژگی WLBP اطلاعات بافت محلی را در مورد چهره شناسایی شده ثبت می کند. همچنین، شایان ذکر است که چهره ‌های شناسایی‌ شده ممکن است دارای تغییرات ظاهری باشند.

این پروپوزال برای دوره کارشناسی ارشد رشته مهندسی برق آماده شده و تمامی ساختارهای یک پروپوزال استاندارد نیز در آن رعایت گردیده است. هدف از ارائه این پروپوزال های آماده، آشنایی دانشجویان با این ساختارها بوده است. همچنین می توان به واسطه مطالعه این پروپوزال های آماده، ایده های پژوهشی جدیدی را نیز به دست آورد.

این پروپوزال در محیط ورد (WORD) آماده شده و در ادامه نیز تصویر بخشی از آن و همچنین فایل مقاله بیس مربوط به آن قرار داده شده است: