دانلود ترجمه مقاله شناسایی اشخاص با استفاده از داده های تن سنجی و آنالیز حرکتی

1. مقدمه 2. تحقیقات مرتبط 3. روش تحقیق 4. نتایج 5. نتیجه گیری

مقدمه: حوزه سیستم‌های بیومتریک یک از مهم‌ترین کاربرد های عملی به طور کلی هوش مصنوعی و به طور خاص یادگیری ماشین است. با افزایش محبوبیت این سیستم‌ها، با کاربردهای آن‌ها از حوزه نظارت به حوزه سرگرمی گسترش یافت (وانگ، ۲۰۱۲). بنابراین، استفاده بهتر از داده‌های با کیفیت پایینی که از حسگرهای ارزان‌تر بدست می‌آیند، اهمیت بیشتری پیدا می‌کند. یک رویکرد نسبتاً جدید در علم بیومتریک تشخیص افراد با استفاده از خصوصیات کل بدن از جمله اندازه‌گیری تن سنجی اعضای بدن و ویژگی‌های دینامیک راه رفتن با استفاده از الگوهای پیاده‌روی می‌باشد. این کار اغلب با استفاده از دوربین‌های ویدیویی و الگوریتم‌های استخراج ویژگی پیچیده از فیلم‌های ویدئویی انجام می‌شود. دستگاه کینکت مایکروسافت مجموعه‌ای از حسگرها در کنار یک کیت توسعه نرم‌افزاری همراه (SDK) است که قادر به ردیابی حرکات کاربران از طریق استفاده از یک الگوریتم نگاشت اسکلت بدن است. اولین نسخه از این دستگاه قادر است ۴۸ نقطه اسکلتی را در ۳۰ فریم در ثانیه پی‌گیری کند و در کنسول بازی XBox 360 به عنوان ورودی برای یک واسط گرافیکی استفاده می‌شود. این دستگاه در درجه اول کاربرانی که در یک موقعیت مشخص ایستاده‌اند و سپس سوژه‌های متحرک را به منظور استخراج اطلاعات حرکتی شخص ردیابی می‌کند (آروخو، گارنا و اندرسون، 2013). این محصول یک جایگزین ارزان، در دسترس و قابل حمل برای دستگاه های ویدئویی چند بخشی پیچیده است. با این حال، محدودیت‌های مختلف مانند محدوده، روشنایی و نور، دقت داده‌های ارایه شده توسط دستگاه را کاهش داده و چالش‌های قابل‌توجهی را برای کاربرد آن در سیستم بیومتریک ایجاد می‌کند. از این رو، در حالی که استفاده از دستگاه کینکت به شدت جریان ثبت داده‌ها را ساده می‌کند, ممکن است به تکنیک‌های بهبود یافته برای کاهش این محدودیت‌ها نیاز داشته باشیم. در این مقاله، الگوریتم‌های یادگیری ماشین با به کار گیری روی مجموعه بزرگی از داده‌ها متشکل از سوژه‌های متحرک تشخیص داده شده با استفاده از نسخه ۲۰۱۰ دستگاه کینکت، با هدف شناسایی اشخاص مقایسه شدند. در این تحقیق روی الگوریتم K – نزدیک‌ترین همسایه که به طور گسترده ای در پیشینه تحقیقاتی مورد استفاده قرار گرفته است، تمرکز شده است و نتایج بدست آمده با روش‌های پرسپترون چند لایه و ماشین‌های بردار پشتیبان مقایسه شده است.

Introduction: Biometric systems is an important application area for artificial intelligence in general and machine learning in particular. As these systems become more popular, with applications ranging from surveillance to entertainment (Wang 2012), a better handling of lower-quality data from cheaper sensors becomes necessary. A relatively recent trend in biometrics is performing person recognition using full-body characteristics, including anthropometric measurements of body parts and dynamic gait features from walking patterns. This is often performed with the use of video cameras and complex featureextraction algorithms from video footages. The Microsoft Kinect device is a set of sensors with an accompanying Software Development Kit (SDK) that is able to track movements from users by using a skeleton mapping algorithm. The first version of the device is able to track 48 skeletal points at 30 frames per second and is used in the XBox 360 video-game console as an input for a gesture-based interface. While this device is primarily aimed at tracking users that are standing in the same place, it has been used to track walking subjects in order to extract gait information (Araujo, Gra˜na, and Andersson 2013). This use provides a cheaper, off-the-shelf, alternative to complex multi-part video setups. However, several limitations, including range, lighting and occlusions degrade the accuracy of the data provided by the device and impose significant challenges to its use in a biometric system. Hence, while using the Kinect device greatly simplifies the data capturing stage, it may require improved techniques to handle these limitations. In this paper, we provide a comparison of machine learning algorithms applied to a large data set comprised of walking subjects captured using the 2010 version of the Kinect device, aiming at person recognition. We focus on the K-Nearest Neighbors algorithm that is widely used in the literature, but also provide comparisons with Multi-Layer Perceptrons and Support Vector Machines.

بخشی از ترجمه مقاله (صفحه 10 فایل ورد ترجمه)