نام پژوهشگر: رضا لالچینی
رضا لالچینی محمدرضا احمدزاده
آشکارسازی هدف متحرک یکی از مباحث مطرح در چند ساله اخیر در مسائل بینایی کامپیوتر بوده است. دقت و درجه اطمینان الگوریتم های آشکارسازی اهداف متحرک تأثیر مستقیم در مسائلی از جمله ردیابی و موقعیت یابی اهداف متحرک دارد. یکی از مسائلی که مشکلات مختلفی را در آشکارسازی و ردیابی جسم متحرک ایجاد می کند، حرکت دوربین می باشد. در اصطلاح علمی به حرکت دوربین خود حرکتی می گویند و به معنای ایجاد تغییرات دو بعدی در دنباله تصاویر بر اثر حرکت سه بعدی دوربین می باشد. برای تشخیص اشیاء متحرک در این تصاویر باید بتوانیم خود حرکتی و حرکتی که در اثر حرکت شی به وجود آمده است را از یکدیگر متمایز کنیم. در اکثر روش های موجود ابتدا خود حرکتی موجود در دنباله تصاویر را تخمین می زنند، سپس خود حرکتی را از دنباله تصاویر حذف می کنند. آنگاه با استفاده از روش هایی مانند تفاضل زمانی و یا تفریق پس زمینه که برای تشخیص شی متحرک در تصاویر دوربین ثابت توسعه داده شده اند، اشیاء متحرک شناسایی می شوند. در این پژوهش ابتدا مدل ریاضی خود حرکتی را معرفی می کنیم سپس با استفاده از این اطلاعات دسته بندی روش ها را عنوان می نماییم. از بین روش های معرفی شده رویکرد تطبیق ویژگی به دلیل پایین بودن هزینه زمانی و محاسباتی و همچنین عدم وابستگی اش به سخت افزار نسبت به روش های دیگر مورد توجه قرار گرفته است. در رویکرد تطبیق ویژگی، از ویژگی های متفاوتی جهت تخمین خود حرکتی استفاده می شود. در بین این ویژگی ها، ویژگی های یک بعدی به جهت پایین بودن هزینه زمانی و محاسباتی نسبت به سایر ویژگی ها، مورد توجه قرار گرفته اند. در این پژوهش معیاری را معرفی می کنیم که نیاز و یا عدم نیاز به بخش بندی تصویر به نوارهای عمودی و افقی به جهت استخراج ویژگی های یک بعدی را مشخص می کند و با استفاده از این معیار نشان می دهیم نیازی نیست که تصاویر هوایی را به نوارهای افقی و عمودی برای استخراج ویژگی یک بعدی بخش بندی نماییم. از این رو روشی موثر برای تشخیص اشیاء متحرک در تصاویر هوایی توسعه داده ایم که نسبت به سایر روش های موجود، هزینه زمانی و محاسباتی بسیار پایین تری دارد و می تواند به تشخیص شی متحرک در صحنه هایی بپردازد که پس زمینه یکنواختی دارند و همچنین اشیاء متحرک دارای حرکت اندک هستند. با پیاده سازی روش پیشنهادی توسط نرم افزار matlab در سیستمی با پردازشگر core i3 با فرکانس 2.53 گیگا هرتز و حافظه اصلی چهار گیگابایت با سیستم عامل ویندوز 7 و اعمال آن بر تصاویری با دقت (رزولوشن) 640×480 در مدت زمان 6/0 ثانیه اشیاء متحرک شناسایی می شوند.