شناسایی اشیاء در تصاویر ویدئویی با استفاده از شبکه فازی-عصبی

تشخیص اشیاء متحرک در دنباله ای از تصاویر ویدئویی، یکی از موارد مورد علاقه ی پژوهشگران علم بینایی ماشین در سال های اخیر بوده است. این مسئله را می توان یکی از شاخه های تشخیص الگو دانست. در سال های اخیر، علاقه به شناسایی کننده های عصبی رو به گسترش بوده و تحقیقات زیادی در این زمینه صورت گرفته است. در طرح حاضر، تشخیص سه کلاس از اشیاء متحرک با استفاده از یک شناسایی کننده ی فازی-عصبی انجام گرفته و نتایج حاصل، با دیگر روش های مرسوم از جمله روش عصبی مقایسه گردید. سه کلاس در نظر گرفته شده در این طرح عبارتند از: اتومبیل(کلاس1)، حیوان خانگی(کلاس2)، و انسان(کلاس3). برای شناسایی و تشخیص این سه کلاس، چهار ویژگی خاص که صرفا از پارامترهای هندسی شکل استخراج می شوند، ارائه گردید. این چهار ویژگی عبارتند از: خروج از مرکز بیضی معادل، ضریب پیچیدگی شکلی، جهت گیری و ضریب سختی. در ادامه، مفید و کافی بودن این چهار ویژگی با استفاده از نتایج، اثبات گردید. برای شناسایی اشیاء، از یک سیستم فازی نوع سوگنو، بهینه سازی شده با الگوریتم آموزش هیبرید در یک شبکه ی پس انتشار، استفاده شد. نتایج حاصل از تصاویر تست، تصاویر نویز دار و تصاویر دارای انسداد، با نتایج مشابه پنج شناسایی کننده ی دیگر مقایسه گردید. شناسایی کننده های مورد مقایسه شامل شناسایی کننده های نزدیک ترین همسایگی، کمترین فاصله ی میانگین، شناسایی کننده ی بیزی، شناسایی کننده ی عصبی و شناسایی کننده ی ساخته شده بر مبنای درخت تصمیم بوده اند. نتایج مقایسه ها حکایت از مطلوب و قابل اعتماد بودن نتایج شناسایی کننده ی فازی-عصبی دارد.