دانلود ترجمه مقاله شناسایی هویت براساس ویژگی های حرکتی و فاصله نسبی

1. مقدمه 2. روش پیشنهادی 2.1. استخراج ویژگی 2.1.1. ویژگی های آنتروپومتریک 2.1.2. ویژگی های فاصله نسبی 2.1.3. ویژگی های حرکتی 2.2. طبقه بندی توالی 3. ارزیابی آزمایشی 4. نتیجه گیری

چکیده – در این مقاله، یک سیستم شناسایی هویت، از روی نحوه راه رفتن انسان را برای شناسایی انسان، در توالی های ویدئوای ارائه می کنیم. این روش از رویکرد ساختاری استفاده می کند (یعنی برآورد حالت، برای استخراج ویژگی ها از توالی). سه نوع ویژگی، مورد استفاده قرار می گیرند: ویژگی های آنتروپومتریک برپایه طول بخش های اسکلتی، ویژگی های فاصله نسبس برپایه فواصل نسبی میان مفاصل اسکلتی و ویژگی های حرکتی بر پایه حرکت یک مفصل میان دو چارچوب. دو نسخه الگوریتم ارائه می شود: نسخه اول از داده عمق، در کنار مجموعه تصاویر استفاده می کند در حالی که الگوریتم دوم، تنها از توالی ویدئویی بهره می جوید. آموزش و ارزیابی را در دو مجموعه داده انجام داده و نتایج آزمایشگاهی ارائه شد. مقدمه: امر شناسایی هویت، از روی نحوه راه رفتن، زیرمجموعه ای از شناسایی هویت بیومتریک انسان است. شناسایی هویت انسان، در ویدئو را می توان در زمینه های فراوانی مورد استفاده قرار داد (همانند ایجاد مجموعه داده های اتوماتیک و امنیتی، برای یادگیری های بیشتر ماشینی). با این وجود، تمامی روش های موجود، محدودیت هایی دارند که این محدودیت ها، مانع کاربردشان در زمینه های خاص می شود (برای مثال معروف ترین روش شناسایی هویت انسان، شناسایی چهره است اما نمی توان هنگامی که چهره، پوشیده است یا در صورتی که شخص، از دوربین، روی برگردانده است، این روش را استفاده کرد). شناسایی هویت، از روی نحوه رفتن، به معنای شناسایی بر پایه ویژگی های به دست آمده از تحلیل حرکت راه رفتن مورد مدنظر است که می توان حتی در ویدئوهایی با کیفیت ضعیف انجام داد و تنها لازمه، پدیدار بودن سیَه نما است. روش های شناسایی هویت، از روی راه رفتن، از دو رویکرد عمده متمایز استفاده می کند : رویکرد سیَه نما و رویکرد ساختاری. سیه نما، یک ماسک دودوئی است که شامل پیکسل هایی می شود که متعلق به یک شخص هستند. روش هایی که از سیه نما، به عنوان یک منبع اطلاعات اصلی استفاده می کند، اغلب، پیچیدگی محاسباتی کمی دارد (صریح هستند) اما در برابر تغییر این سیه نما، حساسیت بالایی دارند. بنابراین در صورتی که سیه نما، توسط یک کیسه یا حتی یک کت بلند، تغییر کند، بر نتایج شناسایی هویت تاثیر فاحشی را خواهیم دید.

In this paper we present a human gait recognition system for human identification in video sequences. It uses the structural approach, i.e. pose estimation to extract features from the sequence. Three kinds of features are used: anthropometric features, based on the length of the skeleton segments; relative distance features, based on relative distances between the skeleton joints; and motion features, based on the movement of a joint between two frames. Two versions of the algorithm are presented: the first one uses the depth data alongside with the images while the other one uses only the video sequence. We performed training and evaluation on two datasets, experimental results are presented. INTRODUCTION: Gait recognition task is a subset of the biometric human recognition task. Human recognition in video can be applied in many different areas, such as security and automatic dataset markup for further machine learning tasks. However, all existing methods have limitations, preventing them from being used in certain cases. For example, the most popular method of human recognition is the face recognition, but it cannot be performed when the face is covered or if the person is facing away from the camera. Gait recognition, i.e. recognition based on features acquired from analyzing the walking subject’s movement, can be performed even on bad quality video, and the only requirement is the visibility of a silhouette. Gait recognition methods use two main distinct approaches to the task: the silhouette approach and the structural approach. The silhouette is a binary mask which contains pixels that belong to the person. Methods that use the silhouette as a main information source typically have low computational complexity (and, therefore, are fast), but they are very sensitive to the silhouette change, so if the silhouette is changed by a bag or even a long coat, it can seriously affect the recognition result.