تشخیص خودکار حرکات غیرعادی افراد بر اساس نحوه راه رفتن

شناسایی و تحلیل الگوهای مختلف حرکتی انسان از روی دنباله تصاویر ویدئویی از مواردی است که در دهه های اخیر به شکل فزاینده ای مورد توجه بسیاری از محققان بینایی ماشین قرار گرفته است. یکی از مهم ترین کاربرد های مقوله تحلیل حرکات انسان، در سیستم های نظارتی بصری هوشمند می باشد که هدف آن تشخیص، بازشناسایی و ردگیری اشیاء مشخصی از دنباله تصاویر و به شکل کلی تر فهم و توصیف رفتار آن ها می باشد. چنین سیستم هایی دارای قابلیت های فراوانی می باشند و به شکل گسترده در مواردی نظیر کنترل دسترسی در نواحی خاص مانند پایگاه های نظامی و نهادهای مهم دولتی، تشخیص هویت اشخاص جهت شناسایی افراد مظنون، تحلیل تراکم و بررسی سیل جمعیت در مراکز تجاری و تفریحی و همچنین تشخیص حالات غیرمتعارف مورد استفاده قرار می گیرند. تحلیل فعالیت های فرد حاضر در صحنه به منظور شناسایی و دسته بندی رفتارهای عادی و غیرعادی وی از اهداف مهم سیستم های نظارتی بصری هوشمند می باشد. واضح است که ارائه تعریفی جامع و صریح از حرکت غیرعادی، وابسته به بستر و همچنین موقعیت و شرایطی است که فعالیت ها در آن رخ می دهند؛ اما در حالت کلی می توان حرکت غیرعادی را "حرکتی که از لحاظ زیبایی شناسی غیرمعمول باشد" تعریف نمود. به عنوان مثال حرکاتی شبیه بالا رفتن از نرده در مناطق مسکونی، افتادن بر روی زمین در آسایشگاههای سالمندان و تلوتلو خوردن در مراکز نظامی همگی به نوعی غیرعادی محسوب می گردند. به بیان دیگر هر نوع انحراف در همواری، تقارن و یا تطابق راه رفتن؛ باعث ایجاد یک حرکت غیر معمول خواهد شد. علیرغم تحقیقات گسترده در زمینه تحلیل حرکات انسان، تاکنون بررسی های بسیار محدودی در زمینه تشخیص حرکات غیرعادی انجام شده است. هدف اصلی این پایان نامه، تحلیل و طراحی سیستمی است که با استفاده از تکنیک های بینایی ماشین، عملیات بازشناسایی حرکات انسان، دسته بندی حرکات عادی و غیرعادی و شناخت انواع ناهنجاری های حرکتی را به درستی انجام دهد. بدیهی است که سیستم پیشنهادی این پایان نامه، زیرمجموع های از سیستمهای تحلیل حرکات انسان محسوب می گردد. چنین سیستم هایی شامل چندین گام اصلی میباشند. به منظور تحلیل حرکت رخ داده در پنجره زمانی، در نخستین گام عملیات تقطیع اشیاء متحرک صحنه صورت می پذیرد. درطی این گام، نواحی متناظر با اشیاء متحرک موجود در صحنه تشخیص داده می شوند. سپس درطی گام استخراج ویژگی، شاخص ترین ویژگی هایی که تمایز کافی را بین الگوهای متفاوت حرکتی ایجاد می نماید و علاوه براین در مقابل شرایط عملیاتی مختلف نیز مقاوم می باشند، از دنباله نیم رخ های باینری تشکیل شده، استخراج می گردند. درحالی که اکثر سیستم های تشخیص حرکات غیرعادی، به استخراج یک ویژگی کفایت می نمایند، در سیستم پیشنهادی از ویژگیهای متنوعی استفاده شده است که این امر سبب می شود که اولاً معایب ویژگی ها توسط یکدیگر پوشانده شود، ثانیاً نتایج حاصل از بازشناسایی قابلیت اعتماد بیشتری داشته باشند و ثالثاً مشکلات احتمالی ایجاد شده حین عمل ردگیری مانند تغییرات نور، خطاهای حاصل از تقطیع حرکت بهتر مرتفع گردند. بدین منظور در سیستم پیشنهادی از ویژگی هایی مانند هیستوگرام تصاویر افقی و عمودی بدن، بیضی محاط کننده بدن، مرکزثقل و رأس بدن و همچنین الگوهای زمانی- مکانی استفاده شده است. نهایتاً جهت تشخیص نوع فعالیت صورت گرفته بردارهای ویژگی استخراج شده در گام پیشین، به عنوان ورودی به کلاس بند داده می شوند و بدین ترتیب الگوی حرکتی فرد و همچنین عادی/غیرعادی بودن آن مشخص می گردد. در سیستم پیشنهادی از چهار کلاس بند شبکه عصبی، ova svm، ovo svm و fuzzy weighted svm (که توسط مولف طراحی گردیده است) بهره گرفته شده است. کلاس بند fwsvm جهت تعامل با پایگاه داده های حجیم و حل مشکل پیچیدگی زمانی و فضایی گام تعلیم svm معمول، طراحی شده است. نتایج حاصل از دسته بندی، کارایی مناسب و قابل قبول سیستم را نشان می دهند. همچنین مشاهده شده است که با استفاده از کلاس بند fwsvm نرخ بازشناسایی و همچنین کارایی سیستم، به شکل محسوسی افزایش می یابد. نتایج نشان داده اند که روش fwsvm در مقایسه با روشهای کلاسیک ova svm و ovo svm همواره به نتایج بهتری دست می یابد. با توجه به اینکه یکی از مشکلات شایع سیستم های بازشناسایی حرکات غیرعادی عدم توانایی در ایجاد تمایز بین حرکات ظاهراً مشابه مانند "افتادن واقعی" و "حرکت تعمدی به سمت زمین" می باشد، به نظر می رسد که با استفاده از ویژگیهای مناسب استخراج شده و همچنین کلاس بند قدرتمند طراحی شده، این مشکل به خوبی مرتفع گشته است. نکته آخر اینکه، اکثر پایگاه داده های موجود، دربرگیرنده الگوهای حرکتی محدود و غالباً همسانی می باشند و معمولاٌ ناهنجاری های حرکتی را به خوبی پوشش نمی دهند. همچنین عواملی همانند کم بودن تعداد اشخاص شرکت کننده و ثابت بودن شرایط تصویربرداری از اعتبار چنین مجموعه هایی می کاهد. لذا به منظور رفع کاستی های پایگاه داده های موجود، در این تحقیق تلاش شده است که با در نظر گرفتن مجموعه ای گسترده و متنوع از حرکات انسان و همچنین با همکاری تعداد نفرات قابل قبول با سن، قد، وزن و جنسیت متفاوت مجموعه مناسبی تهیه گردد.