Локализация человека в кадре видеопотока с использованием алгоритма на основе растущего нейронного газа и нечёткого вывода

Локализация человека в кадре видеопотока с использованием алгоритма на основе растущего нейронного газа и нечёткого вывода

Автор: Амосов Олег Семенович, Иванов Юрий Сергеевич, Жиганов Сергей Викторович

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений: Распознавание образов

Статья в выпуске: 1 т.41, 2017 года.

Бесплатный доступ

Решается задача локализации человека в кадре видеопотока с помощью алгоритма расширяющегося нейронного газа и признакового описания на основе гистограмм ориентированных градиентов. В основе алгоритма используется оригинальная нейро-нечеткая модель растущего нейронного газа для обучения с подкреплением (GNG-FIS). Также предложена модификация алгоритма GNG-FIS с использованием двухпроходного обучения с нечеткой перемаркировкой классов и построением тепловой карты. В результате экспериментов показатель правильных локализаций разработанного классификатора составил от 90,5 % до 93,2 %, в зависимости от условий сцены, что позволяет применять алгоритм в реальных системах ситуационной видеоаналитики.

Еще

Локализация человека, растущий нейронный газ, кластеризация, нечеткий вывод

Короткий адрес: https://sciup.org/14059538

IDR: 14059538   |   DOI: 10.18287/2412-6179-2017-41-1-46-58

Список литературы Локализация человека в кадре видеопотока с использованием алгоритма на основе растущего нейронного газа и нечёткого вывода

  • Амосов, О.С. Модифицированный алгоритм локализации номерных знаков транспортных средств на основе метода Виолы-Джонса/О.С. Амосов, Ю.С. Иванов//Информатика и системы управления. -2014. -Т. 39, № 1. -С. 127-140.
  • Мельников, И.И. Детектор движения на основе импульсных нейронных сетей/И.И. Мельников, К.А. Демиденков, И.А. Емельянов, И.А. Евсеенко//Информационные технологии. -2013. -№ 7. -С. 57-60.
  • Viola, P. Robust real-time face detection/P. Viola, M.J. Jones//International Journal of Computer Vision. -2004. -Vol. 57(2). -P. 137-154. - DOI: 10.1023/B:VISI.0000013087.49260.fb
  • Минаев, Е.Ю. Детектирование и распознавание объектов в системах автомобильной безопасности на основе фрактального анализа/Е.Ю. Минаев, А.В. Никоноров//Компьютерная оптика. -2012. -Т. 36, № 1. -С. 124-130.
  • Viola, P. Detecting Pedestrians Using Patterns of Motion and Appearance/P. Viola, M.J. Jones, D. Snow//International Journal of Computer Vision. -2005. -Vol. 63(2). -P. 153-161. - DOI: 10.1007/s11263-005-6644-8
  • Enzweiler, M. Monocular Pedestrian Detection: Survey and Experiments/M. Enzweiler, G.M. Dariu//IEEE Transactions on Pattern Analysis and Machine Intelligence. -2009. Vol. 31(12). -P. 2179-2195. - DOI: 10.1109/TPAMI.2008.260
  • Dalal, N. Histograms of oriented gradients for human detection/N. Dalal, B. Triggs//IEEE Computer Society Conference on Computer Vision and Pattern Recognition. -2005. -P. 886-893. - DOI: 10.1109/CVPR.2005.177
  • Cristianini, N. An introduction to support Vector Machines and other kernel-based learning methods/N. Cristianini, J. Shawe-Taylor. -Cambridge: Cambridge University Press, 2000. -P. 204. -ISBN: 978-0521780193.
  • Лекции по методу опорных векторов /К.В. Воронцов. -URL: http://www.ccas.ru/vo-ron/download/SVM.pdf (дата обращения 10.06.2016).
  • Казаков, А. Быстрый алгоритм обнаружения пешеходов по видеоданным/А. Казаков, А. Бовырин//Proceedings of the 22nd International Conference on Computer Graphics and Vision. -2012. -С. 144-148.
  • Cho, H. Real-time pedestrian detection with deformable part models/H. Cho, P.E. Rybski, A. Bar-Hillel, W. Zhang//Intelligent Vehicles Symposium (IV), 2012 IEEE, Alcala de Henares. -2012. -P. 1035-1042. - DOI: 10.1109/IVS.2012.6232264
  • Hua, Ch. Pedestrian detection by using spatio temporal histogram of oriented gradients/Ch. Hua, Y. Makihara, Y. Yagi//IEICE Transactions on Information and Systems. -2013. -Vol. E96-D(6). -P. 1376-1386. - DOI: 10.1587/transinf.E96.D.1376
  • Vapnik, V.N. An overview of statistical learning theory/V.N. Vapnik//IEEE Transactions on Neural Networks. -1999. -Vol. 10(5). -P. 988-999. - DOI: 10.1109/72.788640
  • Воронцов, К.В. Математические методы обучения по прецедентам (теория обучения машин) /К.В. Воронцов. -2011. -URL: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf (дата обращения 21.10.16).
  • Cireşan, D. Multi-column deep neural networks for image classification/D. Cireşan, U. Meier, J. Schmidhuber//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. -2012. -P. 3642-3649. - DOI: 10.1109/CVPR.2012.6248110
  • Cireşan, D. Flexible, high performance convolutional neural networks for image classification/D. Cireşan, U. Meier, J. Masci, L.M. Gambardella, J. Schmidhuber//Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence. -2011. -Vol. 2. -P. 1237-1242. - DOI: 10.5591/978-1-57735-516-8/IJCAI11-210
  • Karungaru, S.G. Face recognition in colour images using neural networks and genetic algorithms/S.G. Karungaru, M. Fukumi, N. Akamatsu//International Journal of Computational Intelligence and Applications. -2005. -Vol. 5(1). -P. 55-67. - DOI: 10.1142/S1469026805001477
  • Солдатова, О.П. Применение свёрточной нейронной сети для распознавания рукописных цифр/О.П. Солдатова, А.А. Гаршин//Компьютерная оптика. -2010. -Т. 34, № 2. -С. 252-259.
  • Verma, A. Pedestrian detection via mixture of CNN experts and thresholded aggregated channel features/A. Verma, R. Hebbalaguppe, L. Vig, S. Kumar, E. Hassan//Proceedings of the 2015 IEEE International Conference on Computer Vision Workshop (ICCVW '15), Santiago. -2015. -P. 555-563. - DOI: 10.1109/ICCVW.2015.78
  • Ouyang, W. Joint Deep Learning for Pedestrian Detection/W. Ouyang, X. Wang//Proceedings of the 2013 IEEE International Conference on Computer Vision. -2013. -P. 2056-2063. - DOI: 10.1109/ICCV.2013.257
  • Хайкин, С. Нейронные сети: Полный курс: Пер. с англ./С. Хайкин.; пер. с англ. -М.: Вильямс, 2008. -1103 с. -ISBN: 5-8459-0890-6.
  • Кохонен, Т. Самоорганизующиеся карты/Т. Кохонен; пер. с англ. -М.: БИНОМ. Лаборатория знаний, 2008. -655 с. -ISBN: 5-94774-352-3.
  • Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика/Ф. Уоссермен; пер. с англ. -М.: Мир. 1992. -240 с.
  • Martinetz, T.M. "Neural-gas" network for vector quantization and its application to time series prediction/T.M. Martinetz, S.G. Berkovich, K.J. Schulten//IEEE Transactions on Neural Networks. -1993. -Vol. 4(4). -P. 558-569. - DOI: 10.1109/72.238311
  • Fawcett, T. An introduction to ROC analysis/T. Fawcett//Pattern Recognition Letters -Special Issue: ROC Analysis in Pattern Recognition. -2006. -Vol. 27(8). -P. 861-874. - DOI: 10.1016/j.patrec.2005.10.010
  • Goto, Y. CS-HOG: Color similarity-based HOG/Yuhi Goto, Y. Yamauchi, H. Fujiyoshi//Proceedings of 19th Korea-Japan Joint Workshop on Frontiers of Computer Vision. -2013. -P. 266-271. - DOI: 10.1109/FCV.2013.6485502
  • Agoston, M.K. Computer graphics and geometric modeling: Implementation and algorithms//M.K. Agoston. -London: Springer, 2005. -P. 300-306. -ISBN: 978-1-85233-818-3. - DOI: 10.1007/b138805
  • Pizer, S.M. Adaptive histogram equalization and its variations/S.M. Pizer, E.P. Amburn, J.D. Austin, R. Cromartie, A. Geselowitz, T. Greer, B.T.H. Romeny, J.B. Zimmerman//Computer Vision, Graphics, and Image Processing. -1987. -Vol. 39(3). -P. 355-368. - DOI: 10.1016/S0734-189X(87)80186-X
  • Библиотека компьютерного зрения OpenCV . -URL: http://docs.opencv.org/(дата обращения: 10.07.2016).
  • Beyer, O. Online semi-supervised growing neural gas/O. Beyer, Ph. Cimiano//International Journal of Neural Systems. -2012. -P. 425-435. - DOI: 10.1142/S0129065712500232
  • Qin, A.K. Robust growing neural gas algorithm with application in cluster analysis/A.K. Qin, P.K. Suganthan//Neural Networks. -2004. -Vol. 17(8). -P. 1135-1148. - DOI: 10.1016/j.neunet.2004.06.013
  • Beyer, O. Online labelling strategies for growing neural gas/O. Beyer, P. Cimiano//Proceedings of 12th International Conference on Intelligent Data Engineering and Automated Learning. -2011. -P. 76-83. - DOI: 10.1007/978-3-642-23878-9_10
  • Муравьёв, А.С. Модифицированный алгоритм растущего нейронного газа применительно к задаче классификации/А.С. Муравьёв, А.А. Белоусов//Вестник науки Сибири. -2014. -Т. 14, № 4. -С. 105-111.
  • Айвазян, С.А. Прикладная статистика: Классификация и снижение размерности/С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин. -М.: Финансы и статистика, 1989. -607 с. -ISBN: 5-279-00054-X.
  • INRIA Person Dataset . -URL: http://pascal.inrialpes.fr/data/human/(дата обращения 10.07.2016).
  • Caltech Pedestrian Detection Benchmark . -URL: http://www.vision.caltech.edu/Image_Da-tasets/CaltechPedestrians/(дата обращения 10.07.2016).
  • Amosov, O.S. High-speed neurofuzzy algorithms for filtering the mobile object trajectory parameters/O.S. Amosov, E.A. Malashevskaya, S.G. Baena//23rd Saint Petersburg International Conference on Integrated Navigation Systems, ICINS 2016. -2016. -P. 389-392.
  • Park, Y.M. A self-organizing fuzzy logic controller for dynamic systems using a fuzzy auto-regressive moving average model/Y.M. Park, U.C. Moon, K.Y. Lee//IEEE Transactions on Fuzzy Systems. -1995. -Vol. 3(1). -P. 75-82. - DOI: 10.1109/91.366563
  • Jang, J.-S.R. ANFIS: adaptive-network-based fuzzy inference system/J.-S.R. Jang//IEEE Transactions on Systems, Man and Cybernetics. -1993. -Vol. 23(3) -P. 665-685. - DOI: 10.1109/21.256541
  • Dollar P. Pedestrian detection: An evaluation of the state of the art/P. Dollar, C. Wojek, B. Schiele, P. Perona//IEEE Transactions on Pattern Analysis and Machine Intelligence. -2012. -Vol. 34(4). -P. 743-761. - DOI: 10.1109/TPAMI.2011.155
Еще
Статья научная
SciUp 2024 © 2024 ©