فیلتر ذره ای و جابجایی میانگین دو روش موفق برای ردیابی اشیاء در رشته های تصویری هستند و هردو روش نقاط ضعف و قوتی دارند. مزیت های هر دو روش عبارتند از سرعت ردیابی در روش جابجایی میانگین و دقت ردیابی در روش فیلتر ذره ای. در این پایان نامه قصد داریم به منظور استفاده از مزیت های این دو روش، تلفیقی از هر دو روش فیلتر ذره ای و جابجایی میانگین را پیشنهاد کنیم. این روش تلفیقی که با بکار بردن روش جابجایی میانگین در داخل فیلتر ذره ای باعث حرکت دادن ذره ها به سمت قله های محلی موجود در سطح احتمال می شود، امکان استفاده از ذره های کمتری برای ردیابی دست بصورت دقیق، مقاوم و سریع تر را فراهم می سازد زیرا جابجایی میانگین بکار رفته در فیلتر ذره ای بازده و کارایی نمونه برداری از سطح احتمال را افزایش می دهد. نتایج حاصل از ردیابی دست به روش تلفیقی نشان می دهد که این روش با استفاده از فقط 20% تعداد ذره های مورد نیاز در فیلتر ذره ای و با دو برابر سرعت نسبت به فیلتر ذره ای می تواند دست را با همان دقت و مقاومت فیلتر ذره ای ردیابی کند. هدف ما در نهایت از ردیابی دست با استفاده از روش تلفیقی، تشخیص اشاره دست در زبان اشاره است که این مهم به کمک استخراج مسیر حرکت دست در رشته های تصویری مربوط به دیتابیس زبان اشاره مورد استفاده حاصل می شود.

در این پایان نامه یک الگوریتم وفقی مبتنی بر جمعیت اجتماع ذرات (pso) برای حذف اکوی ایجاد شده در خط تلفن ثابت ارائه شده است. الگوریتم پیشنهادی بر روی مدل مسیر اکو معرفی شده اعمال شده است. از این الگوریتم جهت بهینه سازی پارامترهای موجود در مدل مسیر اکو که در این حالت ضرایب یک فیلتر fir است، استفاده کرده ایم. تا بتوان با ایجاد یک فیلتر تطبیقی مناسب به تولید نسخه ی عینی و المثنی اکوی مختلط دست یافت. و نهایتا" با کم کردن آن از اصل اکو مقدار آن را به حداقل رساند. نتایج بدست آمده از این الگوریتم کاهشdb70 مقدار اکو را نشان می دهد. با بکارگیری این الگوریتم به میزان زیادی از پیچیدگی محاسباتی الگوریتم های سنتی موجود کاسته شده و همچنین از به دام افتادن الگوریتم در نقاط بهینه محلی نیز جلوگیری می شود .جهت افزایش سرعت همگرایی الگوریتم تغییراتی در ساختار الگوریتم استاندارد pso ایجاد کرده ایم. به این منظور بعد از تعداد تکرار مشخصی، تابع معیار ذرات بررسی می شود و به آن گروه از ذراتی که رشد قابل ملاحظه ای در تابع معیار آنها رخ نداده است، شانس مجدد برای جستجوی فضای جواب مسئله داده می شود. همچنین در صورتی که بعد از ایجاد همگرایی تغییراتی در مدل مسیر اکو ایجاد شود، الگوریتم پیشنهادی قادر است این تغییرات را با سرعت خوبی دنبال کند و به همگرایی مجدد دست یابد.

در این تحقیق روشی برای تشخیص دستنوشته برخط فارسی مبتنی بر قطعه بندی زیر-کلمه به حروف و شناسایی حروف قطعه بندی شده با استفاده از مدل مخفی مارکوف گسسته ارائه شده است. تصویر متن تایپی یا دستنوشته به دلیل این که به صورت یکجا و بعد از نوشتن کامل آن در دسترس است برون خط نامیده می شود در حالی که دستنوشته دریافت شده توسط وسایل دیجیتال نظیر تبلت و تلفن همراه با صفحه لمسی به دلیل در دسترس بودن اطلاعات نوشته همزمان با عمل نوشتن، برخط نامیده می شود. برای تشخیص دستنوشته برون خط لازم است برای استخراج ویژگی از روش های پردازش تصویر استفاده شود ولی ویژگی های دستنوشته برخط مستقیماً از اطلاعات آن که شامل مختصات افقی و عمودی نقاط نوشته است استخراج می شود. استخراج حروف در زیر-کلمه با قطعه بندی اضافی بر اساس زاویه نوشته با محور افقی انجام شده است و سپس با حذف موارد اشتباه طی چند مرحله، نقاط قطعه بندی نهایی مشخص می شوند. به دلیل وجود نقاط قطعه بندی اضافی، ترکیب های مختلف قطعات امتیازبندی می شوند که این امتیازبندی بر حسب میانگین احتمال نرمالیزه شده رخداد توالی مشاهده قطعات آن ها در مدل مخفی مارکوف است. سپس ترکیب های دارای بالاترین امتیاز به عنوان کاندیدهای نهایی تشخیص گروه حروف معرفی می شوند، با استفاده از فرهنگ لغت متنی، گزینه های با گروه حروف مشابه پیدا می شود و گزینه هایی که در فرهنگ لغت موجود نیستند حذف می شوند. در مرحله بعد گزینه هایی که از نظر وجود علامت در بالا و پایین زیر-کلمه با زیر-کلمه ورودی منطبق نیستند حذف می شوند و در مرحله نهایی گزینه هایی که تعداد حرکت های زیر-کلمه در بالا و پایین آن ها با زیر-کلمه ورودی مساوی نیست حذف می شوند. صحت قطعه بندی با روش این تحقیق با استفاده از ground truth ساخته شده آزمایش شده است که 85/47 درصد نقاط قطعه بندی به درستی شناسایی شده اند و 60/1 درصد نقاط اشتباه پیدا شده است. تشخیص زیر-کلمه با دقت 37/85 درصد انجام شده است که برای 10 گزینه اول بازشناسی به 73/34 درصد می رسد. این مقدار نسبت به کارهایی که با روش کلی نگر که کل زیر-کلمه را به عنوان الگوی شناسایی در نظر می گیرند و روی پایگاه داده تحقیق انجام شده اند خیلی کمتر است که به دلیل ماهیت روش مبتنی بر قطعه بندی است که نیاز به قطعه بندی دقیق دارد اما کار مشابهی با همین پایگاه داده مبتنی بر تشخیص حروف وجود ندارد تا مقایسه انجام شود. مزیت روش مبتنی بر قطعه بندی که در این تحقیق از آن استفاده شده، نسبت به روش کلی نگر در این است که برای شناختن زیر-کلمات جدید کافی است که متن آن ها به سیستم اضافه شود در حالی که روش کلی نگر نیاز به نمونه های جدید دستنوشته دارد. مهم ترین محدودیت این روش، عدم کارایی الگوریتم های قطعه بندی است که خطای آن به مرحله تشخیص منتقل می شود و منجر به کاهش چشمگیر در نرخ شناسایی می شود.