۲-۱-۳- ﺑﺎز ﺷﻨﺎﺳﯽ ﻫﻮﯾﺖ از ﻃﺮﯾﻖ ﭼﻬﺮه
ﯾﮑﯽ از روﺷﻬﺎی ﻣﻮرد ﺑﺮرﺳﯽ ﺑﺮای ﺗﻌﯿﯿﻦ ﻫﻮﯾﺖ اﻧﺴﺎن، ﺑﺎز ﺷﻨﺎﺧﺖ ﭼﻬﺮه ﺗﻮﺳﻂ ﮐﺎﻣﭙﯿﻮﺗﺮ ﻣﯿﺒﺎﺷﺪ، ﮐﻪ ﻣﻌﻤﻮﻻ ﺑﺎ ﻋﻨﻮان ﺷﻨﺎﺳﺎﯾﯽ ﭼﻬﺮه و ﯾﺎ ﺑﺎزﺷﻨﺎﺧﺖ ﭼﻬﺮه ﺑﯿﺎن ﻣﯿﮕﺮدد. همانطور که در شکل ۲-۵ نشان داده شده، در ﺑﺎز ﺷﻨﺎﺧﺖ ﺗﺼﻮﯾﺮ ﯾﮏ ﭼﻬﺮه ﺗﺼﻮﯾﺮ ورودی ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻃﻼﻋﺎت ﻣﻮﺟﻮد در ﺑﺎﻧﮏ اﻃﻼﻋﺎت، ﻣﻮرد ﺷﻨﺎﺳﺎﯾﯽ ﻗﺮار ﻣﯿﮕﯿﺮد. اﯾﻦ ﺑﺎﻧﮏ ﺷﺎﻣﻞ ﻣﺸﺨﺼﺎﺗﯽ از ﺗﺼﻮﯾﺮ ﭼﻬﺮه اﻓﺮاد ﺷﻨﺎﺳﺎﯾﯽ ﺷﺪه می باﺷﺪ. ﺑﺎزﺷﻨﺎﺧﺖ ﭼﻬﺮه اﺳﺘﻔﺎده های ﻓﺮاواﻧﯽ در ﺷﻨﺎﺳﺎﯾﯽ ﺑﺰﻫﮑﺎران، ﮐﺎرﺗﻬﺎی اﻋﺘﺒﺎری، ﺳﯿﺴﺘﻤﻬﺎی اﻣﻨﯿﺘﯽ و ﻣﻮارد ﻣﺘﻌﺪد دﯾﮕﺮ داﺷﺘﻪ و به دلیل ﮐﺎرﺑﺮدﻫﺎی ﻓﺮاوان، در ﺳﺎﻟﻬﺎی اﺧﯿﺮ، ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ.
شکل۲-۵ اسکن چهره
۲-۱-۴- ﺑﺎز ﺷﻨﺎﺳﯽ ﻫﻮﯾﺖ از ﻃﺮﯾﻖ ﮔﻔﺘﺎر
ﺿﺒﻂ ﺻﺪا از ﻃﺮﯾﻖ ﯾﮏ دﺳﺘﮕﺎه ﺿﺒﻂ ﮐﻨﻨﺪه ﺻﺪا اﻧﺠﺎم ﻣﯽﮔﯿﺮد و ﺳﭙﺲ ﺑﺎ ﺳﺨﺖ اﻓﺰار و ﻧﺮم اﻓﺰار ﻣﺮﺑﻮﻃﻪ ﻣﻮرد ﺗﺤﻠﯿﻞ ﻗﺮار ﻣﯽ ﮔﯿﺮد ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻣﮑﺎﻧﺎت در دﺳﺘﺮس ﻣﯿﺘﻮان ﻣﮑﺚ ﻫﺎ و ﺑﺎﻻ و ﭘﺎﯾﯿﻦ رﻓﺘﻦ ﺗﻮن ﺻﺪا را ﺑﻪ ﺻﻮرت ﯾﮏ اﻟﮕﻮی ﺻﻮﺗﯽ درآورد و ﺑﺎ اﻟﮕﻮﻫﺎی ذﺧﯿﺮه ﺷﺪه ﻣﻮرد ﻣﻘﺎﯾﺴﻪ ﻗﺮار داد. ﻧﻤﻮﻧﻪ وﺳﺎﯾﻞ ﺳﺎﺧﺘﻪ ﺷﺪه از اﯾﻦ روش ﻗﻔﻞ دراﺳﺖ ﮐﻪ ﺑﺎ ﭼﮏ ﮐﺮدن ﺻﺪا و ﮐﻠﻤﻪ ﮔﻔﺘﻪ ﺷﺪه و ﻣﻌﻨﯽ ﺟﻤﻠﻪ ﺳﺎﺧﺘﻪ ﺷﺪه ﮐﺎر ﻣﯽ ﮐﻨﺪ. ﺑﻪ اﯾﻦ ﺻﻮرت ﮐﻪ ﮐﻠﻤﻪ ای ﯾﺎ ﺟﻤﻠﻪ ای از ﻗﺒﻞ ﺗﻌﯿﯿﻦ ﺷﺪه و ﺑﻪ ﮐﺎرﺑﺮ ﮔﻔﺘﻪ ﻣﯽ ﺷﻮد.
۲-۱-۵- ﺑﺎز ﺷﻨﺎﺳﯽ ﻫﻮﯾﺖ از ﻃﺮﯾﻖ اﻣﻀﺎ
ﺑﺮای ﺛﺒﺖ اﻣﻀﺎ از ﯾﮏ اﺳﮑﻨﺮ ﺑﺨﺼﻮص اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد (شکل ۲-۶)، اﯾﻦ اﺳﮑﻨﺮ ﻧﻪ ﺗﻨﻬﺎ ﺷﮑﻞ اﻣﻀﺎء را اﺳﮑﻦ ﻣﯽ ﮐﻨﺪ ﺑﻠﮑﻪ ﻃﺮز اﻣﻀﺎء ﮐﺮدن را ﻫﻢ ﻣﯽ ﺳﻨﺠﺪ، ﺑﻪ اﯾﻦ ﻣﻔﻬﻮم ﮐﻪ ﻣﻨﺎﻃﻘﯽ را ﮐﻪ ﻗﻠﻢ را ﻓﺸﺎر داده شده ﯾﺎ ﺗﻨﺪ ﺣﺮﮐﺖ کرده و ﯾﺎ ﺑﺮﻋﮑﺲ ﻣﻨﺎﻃﻘﯽ از اﻣﻀﺎ را ﮐﻪ ﺧﻂ ﻧﺎزک ﮐﺸﯿﺪه شده ﯾﺎ ﺑﺎ دﻗﺖ و آراﻣﺶ ﺑﯿﺸﺘﺮی ﮐﺸﯿﺪه شده را ﺛﺒﺖ و ﻣﻘﺎﯾﺴﻪ ﻣﯽ ﮐﻨﺪ و ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ روش ﺟﻌﻞ اﻣﻀﺎء ﻏﯿﺮ ﻣﻤﮑﻦ ﻣﯽ ﺷﻮد. اﻟﺒﺘﻪ اﯾﻦ روش ﺑﻬﺘﺮ اﺳﺖ ﮐﻪ در ﻣﻮاردی اﺳﺘﻔﺎده ﺷﻮد ﮐﻪ اﻓﺮاد زﯾﺎد از اﻣﻀﺎء ﺧﻮد اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ در ﻏﯿﺮ اﯾﻦ ﺻﻮرت اﯾﻦ روش ﻧﯿﺰ احتیاج ﺑﻪ، بروز ﺷﺪن ﭘﯿﺪا ﻣﯽ ﮐﻨﺪ. از اﯾﻦ روش در اﻣﻀﺎ ﮐﺮدن ﻗﺮاردادﻫﺎی ﻣﻬﻢ ﮐﻪ در ﻓﻮاﺻﻞ دور اﻧﺠﺎم ﻣﯽ ﮔﯿﺮد و ﻫﻤﭽﻨﯿﻦ در ﺑﺎﻧﮑﻬﺎ ﻣﯿﺘﻮان اﺳﺘﻔﺎده ﮐﺮد.
شکل ۲-۶ اسکن امضا
۲-۲- شناسایی افراد از طریق راه رفتن
امروزه بررسی حرکات انسان بخش مهمی از تحقیقات در زمینه بینایی ماشین را به خود اختصاص داده است. مطالعات نشان داده اند که انسان ها توانایی زیادی در شناسایی آشنایان خود از روی برخی رفتارها، از جمله شیوه راه رفتن آنها دارند. ازاین رو، محققان برآن شدند تا از این قابلیت انسان ها در ساخت سیستمهای شناسایی استفاده نمایند. این روش با امکان شناسایی در فواصل دور، عدم نیاز به اطلاع و یا همکاری فرد و همچنین، عدم امکان پنهان نمودن، کارایی بالایی به ویژه در محیط های عمومی ارائه می دهد.
استفاده از نحوه راه رفتن به عنوان بیومتریکی جهت احراز هویت، یکی از مطالعات مورد توجه در زمینه بینایی ماشین در سال های اخیر می باشد. روش های مطرح شده در این زمینه به دو دسته روش های مبتنی بر مدل و مبتنی بر ظاهر تقسیم می شوند.
۲-۲-۱- روش های مبتنی بر مدل
مقاله [۱] یک سیستم بی سیم پوشیدنی را که برای ارائه تجزیه و تحلیل راه رفتن توسعه یافته بود را در خارج از محدوده آزمایشگاهی توصیف کرد. مجموعه سنسور ها شامل سه شتاب سنج متعامد، سه ژیروسکوپ متعامد، چهار سنسور نیرو، دو سنسور خم دوطرفه، دو سنسور فشار دینامیکی و همچنین سنسور ارتفاع میدان الکتریکی بود. کفش گیت[۱] برای این ساخته شده تا روی هر کفشی بدون ایجاد تداخل در راه رفتن به آسانی پوشیده شود. کفش گیت طوری طراحی شده که در هر محیط و در تمامی مسیر های طولانی اطلاعات قدم ها را جمع آوری کند. خروجی سنسور کالیبره شده، مورد بررسی و آنالیز قرار گرفته و درست بودن نتایج نیز به طور همزمان در بیمارستان عمومی ماچوست در آزمایشگاه شبیه سازی راه رفتن بدست آمده است. کفش گیت توانایی بسیاری دارد، از جمله قادر به تشخیص پاشنه پا، کف پا، انگشتان پا و همچنین قادر به برآورد گرایش و موقعیت قرار گرفتن پا می باشد.
مقاله[۲] سیستم wms[2] یا سیستم راه رفتن نظارت کفش را معرفی میکند که قادر است به طور همزمان دو کار را انجام دهد. اولا میتواند فشار وارد شده به کف پا را اندازه گیری کند. ثانیا قدم های گذاشته شده بر روی زمین را تشخیص می دهد که بر روی افرادی که بر روی تردمیل راه می روند نظارت مستمر دارد. بر اساس اطلاعات آناتومی wms از چهار کرنش سنج کمک می گیرد که داخل پاشنه پای دست ساز قرار میگیرند که دقیقا نیروی تماسی وارد شده از پای انسان بر پد[۳] کفش را اندازه گیری می کند و یک الگوریتم طبقه بندی کار آمد برای شناسایی پنج فاز متفاوت در راه رفتن از الگوهای نیروی کف پا اندازه گیری شده اند.
بدست آوردن صحیح شکلهای راه رفتن معین از توالی های تصویر و تشخیص آنها دو مسئله مهم در تشخیص راه رفتن هستند در [۳]نویسندگان روش وابسته به مدل دو مرحله ای برای تشخیص راه رفتن با بهره گرفتن از مدل انسانی حرکت دو طرفه را مطرح کرده اند ابتدا شکلهای گام را از توالی تصویر با بهره گرفتن از روش Metropolis–Hasting بدست آورده، سپس مدلهای مخفی Markor وابسته به تکرار این شکلها آموزش داده میشوند، که در آن تشخیص انجام می شود. این روش چون کاملاً وابسته به راه رفتن انسان است، برای انواع مختلفی لباسها و پوشش فرد موثر است. علاوه بر این، این روش می تواند اندازه داده های لازم برای تشخیص در مقایسه با الگوریتمهای عاری از مدل را کاهش دهد نویسندگان از روش خود برای هر دو میزان تشخیص بدست آمده از %۶۱ سری داده های مربوط به USF و % ۹۶ سری داده های CMUMOBO استفاده کردند. نتایج نشان می دهند که میزان تشخیص به طور قابل توجهی به فاصله فرد با دوربین منجر و محدود می شود.
در [۴]، الگوریتم تشخیص گام موثر و ساده با بهره گرفتن از تحلیل نیمرخ مطرح می شود. برای هر ترتیب تصویر، انتقال فضای کسر ابتدا برای تفکیک و تعیین نیمرخ های در حال حرکت از شکل در حال پیاده روی به کار برده می شوند. سپس این مدل وابسته به تحلیل ترکیب اصلی (PCA) برای کاهش قابلیت اندازه فضای شکل ورودی به کار برده میشود روش طبقه بندی نمونه نظارتی سرانجام در فضای اندازه برای تشخیص انجام می شود، این روش به وضوح به صورت ویژگیهای ساختمانی و انتقالی گام دریافت می شود نتایج گسترده آزمایشگاهی در ترتیب تصویر بیرونی نشان می دهند که الگوریتم مطرح شده عملکرد تشخیص خوب با هزینه محاسباتی نسبتاً کمتر دارد.
Faezeh tafazzoli,Reza safabakhsh روش وابسته به مدل برای تشخیص راه رفتن انسان را مطرح کردند، که وابسته به تحلیل حرکات دست و پا است. یک مدل اولیه وابسته به بخشهای تشریحی به وجود می آید و مدل قبلی وابسته به حرکات بخشهای مفصل دار بدن ساخته می شود که از مدلهای طراحی فعال و تغییر Hough استفاده می کند، تحلیل فوریه برای توصیف نمونه های حرکتی بخشهای در حال حرکت به کار برده می شود. از قانون مجاور به نزدیکترین K برای مقدار فوریه با مرحله ارزیابی شده از هر طیف برای طبقه بندی به کار برده میشود. در مقایسه با روش های قبلی موجود، تمرکز اصلی این متن افزایش تشخیص توانایی مدل از طریق شکل های تولید شده از حرکت دستها است. نتایج آزمایشگاهی عملکرد خوبی از روش مطرح شده را نشان می دهد.[۵]
مقاله[۶] بیومتریک کاربر را در حال راه رفتن شناسایی می کند. راه رفتن بیومتریکی به سه گروه تقسیم می شوند، که بر این اساس هستند: بینایی ماشین، سنسور کف، سنسور پوشیدنی. در مرور کلی از طرز راه رفتن هر گروه یک نمونه ارائه می شود. علاوه بر این عواملی که ممکن است بیومتریک راه رفتن را تحت تاثیر قرار دهند، نیز معرفی شده اند.
Chan-sulee,ahmed Elgammal می نویسند که تشخیص هویت با بهره گرفتن از راه رفتن یک راهکاری است که با توجه به حرکت و دید دینامیکی از راه رفتن و وجود دلایل مختلف تغییرات مانند زاویه دید وسطح راه رفتن، لباس و به چالش کشیده می شود. در[۷] شناسایی راه رفتن براساس الگوریتمی بررسی می شود که بر اساس تجزیه ، دارای دو خط مستقیم از داده ها است که راه رفتن در زمان ثابت راه رفتن وابسته به زمان می باشند.
در مرجع [۸] روش شناسایی جدیدی مبتنی بر توصیف گرهای بافت پویا ارائه میگردد. بافت های پویا شامل ترکیبی از اطلاعات ظاهری و حرکتی هستند که با بررسی دو بعد مکان و زمان به دست می آیند. از آنجایی که راه رفتن انسان شامل اطلاعات مهمی در دو بعد زمان و مکان است، می تواند با کمک ویژگی های بافت پویا توصیف گردد. برای به دست آوردن این ویژگی ها، نقاط کلیدی مکان-زمان استخراج و با کمک الگوی دودویی محلی با سه صفحه متعامد که نمونه ای از توصیف گرهای بافت پویاست، توصیف میگردند سپس با بهره گرفتن از فرهنگ لغت به دست آمده از دسته بندی ویژگی های، مدل آموزشی از شیوه راه رفتن هر فرد مشخص می شود. کارایی روش پیشنهادی بر روی دو پایگاه داده بررسی شده است. مرجع [۹] نشان دهنده یک چارچوب جدید برای رواج شناسایی راه رفتن با اطلاعات نرم بیومتریکی است. هندسه تجزیه و تحلیل راه رفتن بر اساس تبدیل Radon و انرژی تصاویر راه رفتن است. ارتفاع کاربر و اطلاعات طول گام استخراج شده است و در یک چارچوب احتمالی برای تشخیص ویژگی های نرم بیومتریک که قدرت تبعیض قابل توجهی دارد مورد استفاده قرار گرفته است نشان اعتبار سنجی تجربی که روش ارائه شده برای ادغام ویژگی های نرم بیومتریک به طور قابل توجهی شناسایی و عملکرد احراز هویت در پیشرفت شناخت راه رفتن است . در [۱۰] یک رویکرد جامع هیبرید ارائه شده است تا نشان دهد که چگونه ویژگی رفتاری راه رفتن می تواند برای شناختن افرادی که غیر مجازاند یا افراد مشکوک و یا برای ورود به یک منظقه که تحت نظارت است مورد استفاده قرار می گیرد، در ابتدا پس زمینه ای مدل سازی شد که از روی ویدیو ورودی که توسط دوربین های مستقر برای امنیت گرفته می شود، مدل سازی می شود. سپس راه رفتن با نمایندگی از اجزا مکانی- زمانی خارج می شود و برای آموزش، تست و پشتیبانی از مدل های چند ماشین برداری SVM آماده سازی می شود. سیستم پیشنهادی برای استفاده از فیلم دید جانبی پایگاه داده NLPR و بررسی آن ارائه شده است. نتایج تجربی نشان می دهد که سیستم پیشنهادی به یک میزان شناخت ایجاد می کند و همچنین نشان می دهد که توانایی طبقه بندی با SVM با تابع شعاعی RBF بهتر از توابع هسته دیگر می باشد. L.R Sudha, Dr. R. Bhavani مقاله [۱۱] به بررسی سنسورهای پوشیدنی موجود و تجزیه و تحلیل راه رفتن بر پایه سنسورهای مختلف پوشیدنی می پردازد. پس از معرفی مراحل راه رفتن، اصول و ویژگی های سنسور پوشیدنی مورد استفاده در تجزیه و تحلیل راه رفتن ارائه شده است. در [۱۲] یک رهیافت جدید برای تشخیص هویت افراد از روی راه رفتن ارائه شده است. در روش پیشنهادی، در فاز پیش پردازش به منظور تخمین دقیق پس زمینه و آشکار سازی شی از یک رهیافت جدید مبتنی بر مجموعه های فازی و در فاز تشخیص نیز یک الگوریتم جدید بر مبنای روش [۴]DTW، استفاده شده است که نتایج بدست آمده روی مجموعه آموزشی USF، کارایی این روش را تایید می کند. در [۱۳] مسئله شناسایی رفتار های مختلف راه رفتن در انسان و ربات انسان نما مورد بحث قرار گرفته است. روشی معرفی شده که قادر به شناسایی اشخاص و رفتار راه رفتن فعلی آنها بر اساس داده هایی که از شتاب سنج گرفته می شود است. این یک قابلیت مهم و پیش نیاز برای تمام تقلید های انسان ها- انسان نماها و تعامل کار های آن ها است . در [۱۴] یک نمایش جدید فضا زمانی راه رفتن را برای توصیف خواص راه رفتن انسان برای شناختن فرد توسط راه رفتن ارائه شده است که، راه رفتن انرژی و تصویر [۵](GEI) نامیده می شود. برای پرداختن به مسئله عدم قالب آموزش یک روش جدید برای تشخیص هویت انسان با ترکیب ویژگی های راه رفتن آماری از قالب واقعی و مصنوعی معرفی شده است. از روش های آماری برای یادگیری ویژگی های موثر از قالب واقعی و مصنوعی GEI بر اساس شناسایی راه رفتن ارائه شده مقایسه شده است. نتایج تجربی نشان می دهد که GEI پیشنهاد یک نمایش راه رفتن موثر و کار آمد برای شناخت فرد است. در [۱۵] یک رهیافت جدید برای شناسایی افراد از روی راه رفتن مبتنی بر خوشه بندی مبتنی بر الگوریتم ژنتیکی ارائه شده است. در استخراج ویژگی یک تغییر اساسی نسبت به الگوریتم های قبلی انجام شده است. ابتدا با سه روش مختلف بردار ویژگی اولیه استخراج شده است. از خوشه بندی بر مبنای الگوریتم های ژنتیکی برای دسته بندی بردار های ویژگی اولیه متشابه استفاده شده است و سپس با میانگین گیری از خوشه ها بردار ویژگی اصلی استخراج شده است. در فاز تشخیص یک الگوریتم جدید مبتنی بر DTW ارائه شده است. نتایج آزمایشات کارایی رهیافت پیشنهادی را تایید می کنند. در [۱۶] یک روش بر اساس هیستوگرام تصویر رنگی برای ایجاد شبه تصویر ارائه می شود. هیستوگرام هر رنگ برای تصمیم گیری از طیف وسیعی از شدت ها که از پس زمینه گرفته می شود پیاده سازی می شود و بعد این سه سایه برای گرفتن شبه نهایی قطع می گردند. در مقاله [۱۷] شناسایی هویت افراد بر اساس ویژگیهای حوزه زمان و فرکانس راه رفتن بررسی میگردد. این ویژگیها از رشته تصاویر دو بعدی مربوط به راه رفتن افراد استخراج میگردد ابتدا مدل ساده ای از بدن فرد در هر فریم یک ویدئو ساخته شده و سپس ویژگیهای بخشهای مختلف این مدل استخراج میگردد. ویژگیهایی به دسته ویژگیهای بکار رفته در روش های مشابه اضافه شده تا تمایز بین افراد با ویژگیهای کارا ایجاد شود. ویژگیهای استخراج شده را در حوزه زمان و فرکانس آنالیز نموده و به کمک آن روش و کارآیی روش پیشنهادی بررسی می شود. ویژگیهای استخراج شده را به حوزه فرکانس برده شده و مولفه کار اصلی این ویژگیها در ANOVA حاصل از تحلیل فرکانس اصلی راه رفتن فرد شناسایی میشود. در مرحله بعد، ویژگیهای حوزه زمان و فرکانس به یک کلاسه بند وزن دار داده میشود تا فرد را از روی رشته ویدئویی داده شده، تشخیص دهد. نتایج تجربی نشان می دهد ویژگیهای پیشنهاد شده در این مقاله روش های قبلی را بهبود میبخشد همچنین وزن دار کردن ویژگیها در مرحله کلاسه بندی نرخ شناسایی را افزایش میدهد. ۲-۲-۲- روش های مبتنی بر ظاهر شناسایی افراد در دنباله تصاویر ویدیویی از روی شیوه راه رفتن آنها، اخیرا بسیار مورد توجه قرارگرفته است. چالشهای متعددی از قبیل پیچیدگی مساله، حجم بالای عملیات وغیره پیش روی این موضوع می باشند. در [۱۸] با رویکرد کاربردی شدن موضوع، ابتدا عملیات پیش پردازشی به منظور ارتقاء سطح کیفی تصاویر انجام داده و سپس با بهره گرفتن از یک تکنیک ساده، پیکر افراد از دنباله تصاویر استخراج می شود. مطابق با دانش حرکتی و نگاشت های فیزیکی پیکر انسان در دستگاه مختصات اختصاصی، عمل ناحیه بندی پیکر انسان صورت گرفته و بر اساس تقسیمات انجام شده به منظور تسریع استخراج ویژگی ها و عملیات دسته بندی، مشخصه های راه رفتن افراد استخراج می شوند. داده های استخراجی در چند مرحله و با بهره گرفتن از نسبت های موجود در میان اندام های بدن و قوانین حرکتی انسان، معتبر سازی شده و به منظور آموزش سیستم استفاده می شوند. در فاز بازشناسی از دو دسته بندی به طور مستقل استفاده شده و نتایج این دو به روشی با یکدیگر مجتمع شده اند. نتایج آزمایش های صورت گرفته با بهره گرفتن از بانک داده کاسیا موفقیت ۹۳٫۵% و برای بانک جی تی نرخ ۹۰٫۳% را نشان داده است. تشخیص انسان وابسته به دید در فاصله اخیراً علاقه زیادی از محققان کامپیوتری کسب کرده است. [۱۹] الگوریتم تشخیص انسان را با بیومتریکهای ثابت و متحرک بدن توصیف می کند. برای هر توالی شامل پیاده روی کننده، تغییرات زمینی نیمرخ های در حال حرکت به صورت توالی مرتبط با شکل بردار پیچیده نشان داده می شوند و سپس با بهره گرفتن از روش تحلیل شکل Procruster برای بدست آوردن نمایش ظاهر فشرده تحلیل می شوند که داده های ثابت بدن نامیده می شوند. علاوه بر این، روش وابسته به مدل تحت قانون انقباض برای مسیر پیاده روی کننده و جبران بیشتر مسیرهای زاویه مفصل پاهای تحتانی مطرح می شود، که داده های دینامیکی راه رفتن نامیده می شود. هر دو راهنمای ثابت و متحرک بدست آمده از تصویر راه رفتن ممکن است به طور مستقل برای تشخیص با بهره گرفتن از نزدیکترین طبقه بندی کننده به کاربرده شود آنها در سطح تعمیم با بهره گرفتن از ترکیبات مختلف قوانین برای توسعه عملکرد هر دو تشخیص و تایید ترکیب می شوند نتایج آزمایشگاهی سری داده ها شامل ۲۰ فرد تغییر پذیری الگوریتم مطرح شده را نشان میدهند. مقاله [۲۰] یک رویکرد جدید را پیشنهاد می کند که شناسایی از طریق راه رفتن به عنوان یک مسئله دسته بندی دو قسمتی و نمونه های آموزشی از کلاس های مختلف / مردم و حتی از مجموعه داده های مختلف است و این کار باعث می شود که رویکرد مقاله برای شناسایی مناسب باشد. در [۲۱] هر دو روش برای تعیین ویژگی جهت شناسایی استفاده می گردد. در ابتدا جهت شناسایی از سایه های بدست آمده از توالی های ویدیویی راه رفتن استفاده می شود. این تصاویر دارای بعد بالایی هستند که باعث پیچیدگی در محاسبات می گردد. بنابراین بعد ذاتی تصویر که همان کمینه تعداد پارامتر های مورد نیاز برای شناسایی تصویر است محاسبه می گردد و از الگوریتم LLE برای کاهش بعد تصویر و فرونشاندن تصاویر با بعد ذاتی استفاده می شود. از آنجایی که حرکت دست ها به دلیل حمل اشیا و یا تکان خوردن در حین صحبت کردن، نسبت به حرکت پاها غیر قابل پیش بینی است در این مقاله نوعی ماسک رقومی برای جدا سازی بخش پایینی بدن (پاها) از سایه های بدست آمده از توالی های ویدیویی در نظر گرفته می شود و مجددا شناسایی به کمک کلاسه بندی های مختلف انجام می گردد. روش پیشنهادی بر پایگاه داده اوساکا اعمال شده و در هر دو حالت نرخ قابل قبولی از شناسایی را ارائه می کند . مرجع [۲۲] اثر رد پا در مورد بیماران دیابتی هم به کار رفته است. اساس کار به این صورت است که پای فرد توسط سنسور های رنگی و همچنین اسکنر های پیشرفته اسکن و بررسی شده و توسط سنسور فشار نیز فشار وارده به کف پا مورد بررسی قرار گرفته، این فشار بر نقاط زیادی از کف پا وارد می شود ولی نقاطی هستند که فشار بیشتری را متحمل می شوند، بیومتریک پا قادر است این نقاط را شناسایی و مشخص کند که به کدام نقطه از کف پا فشار بیشتری وارد می شود، با این کار مشکل اکثر افراد دیابتی که دچار زگیل و یا تاول و … شده اند بر طرف می شود زیرا اکثر این بیماریها از طریق فشار آوردن به نقاط مختلف پا به وجود می آیند. تجزیه و تحلیل مشخصه های رفتاری و روانی افراد مانند راه رفتن(گیت) یا حالت ویژه راه رفتن، به فرایند تشخیص هویت اجازه می دهد تا بتواند از فاصله دور از یک توالی ویدیویی از راه رفتن افراد مختلف، اطلاعات و مشخصه های نوع راه رفتن آن ها را استخراج کرده و توانایی شناسایی فرد خاصی را داشته باشد. در [۲۳] یک الگوریتم سریع تشخیص هویت انسان بر اساس میانگین تصاویر از بغل، از نوع راه رفتن انسان پیشنهاد شده است. سه ایده مهم در این الگوریتم باعث شده که نسبت به روش های قبلی موجود هم از لحاظ سرعت و هم از لحاظ نرخ شناسایی برتری داشته باشد: روش نمونه برداری از فریم ها است که باعث شده که بدون تغییر در نرخ شناسایی زمان محاسباتی الگوریتم را به نصف کاهش دهد. روش جدیدی برای تخمین پس زمینه است که تخمین خوب و قابل قبولی را به ما می دهد. روش آستانه گذاری منطقه ای است که باعث شده تصاویر باینری حاصل، کامل تر و دقیق تر باشند. نتایج بدست آمده از الگوریتم پیشنهادی، کارایی بالای این الگوریتم را نسبت به روش های قبلی به اثبات می رساند. در[۲۴]گزارش نرخ شناسایی را به عنوان تابعی از اندازه نمونه برای چند سیستم تشخیص راه رفتن که منتشر شده اند مقایسه می کند. راه رفتن یک پدیده فضا – زمانی از ویژگی حرکت یک فرد است، در [۲۰] یک روش را بر اساس نمایش برای شناسایی افراد از روی راه رفتنشان پیشنهاد می شود. عرض مسیر بیرونی نشان دهنده یک فرد است که در حال پیاده روی است که به عنوان یک ویژگی تصویر انتخاب شده است. مجموعه ای از مواضع و یا فریم های کلیدی که در طول چرخه راه رفتن یک فرد رخ می دهد انتخاب شده است. فاصله ای که از یک تصویر داده شده از این مجموعه موضوع محاسبه شده و بردار مشاهدات بعدی پایین تر تولید می گردد. یک HMM پیوسته با بهره گرفتن از چند جمله توالی برداری پایین تر که از ویدئو استخراج می شوند آموزش داده می شود. این روش برای ضبط ویژگی های ساختاری و انتقالی تعیین شده است که این ویژگی ها برای هر فرد منحصر به فرد می باشند. عملکرد شناسایی بشر برای ارائه این طرح وقتی که در شرایط راه رفتن طبیعی آن را آزمایش می شود دارای جواب کامل و خوب است . مقاله [۲۵] نشان دهنده یک سیستم تشخیص راه رفتن یک فرد، به صورت خودکار است، تایید راه رفتن بر اساس شمارنده اطلاعات عرض سایه به دست آمده است، با بهره گرفتن از این اطلاعات آماری، می توان ویژگی ساختاری جمع و جور و پویا از الگوی راه رفتن بدست آورد. به عنوان خروجی ویژگی شمارنده عرض خروجی بزرگتر است، تجزیه و تحلیل نیز برای کاهش ابعاد مجموعه ای از ویژگی ها استفاده می شود. هنگامی که تصاویر راه رفتن را با زوایای گوناگون ترکیب می شود نتایج رضایت بخشی بدست می آید در هدف شناسایی چرخه کامل راه رفتن هر یک از افراد است. هر شخص قدم های مختلفی را در طی راه رفتن بر می دارد و در نتیجه تعداد مختلف اندازه قاب مورد نیاز برای ثبت الگوی راه رفتن بدست می آید. به این ترتیب اگر تعداد ثابتی از فریم ویدیو را به روند راه رفتن توالی برای همه افراد محاسبه شود، عملی نیست، لذا تلاش شد تا یک روش کارآمد برای شناسایی چرخه کامل هر فرد پیدا شود. |