پیش گیری و کشف کلاهبرداری همواره از دغدغه های نظام های مالی و اقتصادی ‏بوده است. کلاهبرداری های الکترونیکی با توجه به گسترش استفاده از خدمات ‏الکترونیکی موسسات مالی، سهم بزرگی را در این میان دارند. سیستم های مالی از یک ‏سو درگیر مسائل مربوط به فراهم نمودن بستر امن ارتباطی می باشند؛ و از سوی دیگر ‏می باید با مشکلات ناشی از استفاده از نرم افزارها در تولید داده های نادرست و غیرواقعی ‏در مقیاس انبوه دست و پنجه نرم کنند. از ملموس ترین انواع کلاهبرداری مالی می توان ‏به عددسازی و حساب سازی اشاره کرد.‏ به صورت کلی داده های با منشأ طبیعی (بدون دست کاری) از نظر توزیع آماری، ‏دارای رفتاری خاص هستند که با استفاده از قانون بنفورد قابل پیش بینی است. در این ‏پژوهش ضمن معرفی بستر کشف کلاهبرداری های مالی، راهکاری جدید مبتنی بر آمار ‏و ترکیب آن با شبکه عصبی جهت کشف سریع و دقیق موارد عددسازی و دست کاری ‏عددی پیشنهاد نموده ایم. چهارچوب کمک تصمیم گیری پیشنهاد شده، با توجه به ‏دقت چشمگیری که در کشف کلاهبرداری نشان داده است، می تواند جایگزینی برای ‏نظر یک حسابرس نه چندان خبره و راهنمای حسابرسان جهت بررسی هدفمند ‏دادگان مالی باشد.‏

برای تهیه یک مدل سه بعدی از تصاویر، مراحلی باید طی شود که هر مرحله به مرحله قبلی خود وابستگی داشته و از نتایج آن استفاده می کند. ابتدایی ترین کار این است که دوربین ما کالیبره شود و پارامترهای دوربین از قبیل فاصله کانونی و ضریب اعوجاج لنز بدست آید. مرحله بعدی استخراج نقاطی در تصاویر است که منحصر به فرد بوده و برای تطبیق دادن تصاویر با یکدیگر استفاده می شود. این نقاط توسط الگوریتم سیفت استخراج می شود و سپس با مقایسه این نقاط در دو تصویر با کمک تابع مقایسه ای، نقاط یکسان در دو تصویر مشخص گشته و بعد از آن محاسبه تغییر زاویه دوربین بین آن ها انجام می گیرد. بعد از پیدا شدن زوایای چرخشی در هر تصویر، نقاط ابری، از تلاقی مثلث گونه زوایا و نقاط دو تصویر ایجاد می شود. در آخر، مدل سه بعدی با استفاده از نقاط ابری و بافت هر نقطه بر روی آن، نگاشت می شود.

شناسایی ساختار و نظم قرارگیری دندان ها یکی از نیازهای اساسی دندان پزشکان برای طرح ریزی فرایندهایی نظیر ایمپلنت و ارتودنسی است. در این خصوص قطعه بندی دقیق تصاویر برش نگاری کامپیوتری (ct) دندان پزشکی از اهمیت ویژه ای برخوردار است. فرایند قطعه بندی دندان ها در تصاویر ct به دلیل ویژگی های خاص ساختارهای دندانی با چالش های اساسی روبرو است و تاکنون روش های گوناگونی برای قطعه بندی دندان ها در تصاویر ct ارائه شده است که هر یک سعی کرده اند تا حدی بر مشکلات قطعه بندی فائق آیند. به هر حال نیاز به یک الگوریتم کارا و سریع که بتواند با اکثر چالش های پیش روی قطعه بندی، مقابله کند و در عین حال نتایج قابل قبولی ارائه دهد همچنان مطرح است. در این مطالعه پس از بررسی روش های قبلی، یک روش چند مرحله ای خودکار برای قطعه بندی دندان ها در تصاویر ct معرفی می شود. روش ارائه شده دارای سه مرحله ی اصلی است که برای هر مرحله یک یا دو الگوریتم پیشنهادی در جهت رفع مشکلات قطعه بندی ارائه شده است. روش پیشنهادی بر روی مجموعه داده های برش نگاری کامپیوتری با دسته اشعه ی مخروطی cbct)) آزمایش گردید و از چندین معیار سنجش کارایی برای ارزیابی کارکرد و دقت این روش استفاده شد. ارزیابی کمّی نشان می دهد که روش ارائه شده نرخ صحت بیش از 79 درصد در تولید نتایج دارد. به علاوه کارایی این روش با روش های متداول قبلی نظیر آستانه گذاری، مرز فعال بدون لبه، مرز فعال کوتاه ترین طول و مرز فعال با قطعه بندی گزینشی سراسری و محلی مقایسه گردید که نتایج، حاکی از بهبود قطعه بندی با استفاده از این روش است.

الگوریتم scale invariance feature transform (sift) یکی از شناخته شده ترین الگوریتم های استخراج ویژگی از تصویر است. از ویژگی های استخراجی توسط این الگوریتم برای جستجو و تطابق محتوایی تصاویر استفاده می شود. این الگوریتم قابلیت های بالایی در بازیابی محتوایی اطلاعات از تصاویر و ویدئو دارد. در عین حال الگوریتم نیاز زیادی به منابع پردازشی و حافظه ای دارد. به همین دلیل استفاده از این الگوریتم در کاربردهایی که با حجم بالایی از داده ها سروکار دارند محدود شده است. به منظور بهره گیری کامل از این الگوریتم باید راه حل مناسبی برای از بین بردن سدهای موجود در راه استفاده از این الگوریتم ارائه کرد. دو راه کار کلی برای فائق آمدن به محدودیت توان پردازشی و حافظه ای استفاده از پیاده سازی های موازی و توزیع شده می باشند.در این پایان نامه ابتدا یک پیاده سازی موازی از الگوریتم sift بر روی پردازنده های کارت گرافیک ارائه می شود. این پیاده سازی از نظر دقت و افزایش سرعت با یک پیاده سازی بهینه سریال مقایسه شده است. پیاده سازی موازی به افزایش سرعت 4 برابری دست پیدا کرده است. این در حالی است که از یک پردازنده گرافیک سطح پایین در مقابل یک پردازنده قدرتمند استفاده شده است. نتایج ارزیابی نشان می دهند پیاده سازی موازی دقت الگوریتم را کاهش نداده است. طراحی و پیاده سازی معماری توزیع شده ارائه شده برای الگوریتم در ادامه به طور کامل شرح داده می شود. سیستم ساخته شده امکان استفاده هم زمان از پردازنده های گرافیک و پردازنده های چند هسته ای را دارد. توان عملیاتی پیاده سازی توزیع شده به طور کامل مورد بررسی قرار گرفته است. نتایج آزمایش ها نشان می دهند که کارایی سیستم در حدود 95% است. سیستم ساخته شده توان عملیاتی بالایی برای بهره گیری از منابع مختلف و ناهمگن دارد. همچنین معماری ارائه شده امکان اجرای الگوریتم sift بر روی تصاویر بسیار بزرگ را فراهم می کند.

ناشنوایان برای ارتباط با دیگران از زبان اشاره استفاده می کنند. فهم این زبان برای دیگران امری مشکل است و معمولاً نیاز به مترجم دارند. هدف این تحقیق طراحی و ساخت مترجم زبان اشاره فارسی است. داده عمق کینکت به نور محیط وابسته نیست، بنابراین ویژگی های استخراج شده از آن در محیط های مختلف تغییر ناپذیر می باشد. برای به دست آوردن یک سیستم پایدار در این تحقیق تنها از داده های عمق برای استخراج ویژگی استفاده گردیده است. در این پژوهش با استفاده از کینکت بیست و شش علامت از الفبای زبان اشاره فارسی تشخیص داده شده است. ابتدا با استفاده از داده های کینکت اسکلت بدن به دست آمده است. سپس زاویه بازوی دست راست نسبت به خط افق محاسبه شده و بر اساس این زاویه الفبای زبان اشاره به سه گروه تقسیم گردیده اند. آن گاه برای هر گروه یک پنجره مناسب که بتواند دست را از پس زمینه جدا کند در نظر گرفته شده و دست از سایر قسمت های بدن و پس زمینه جدا گردیده است. سپس در قسمت جدا شده نزدیک ترین نقطه به دوربین را محاسبه کرده، و نقاطی که در فاصله دورتر از یک مقدار مشخص از آن نقطه قرار دارند، حذف گردیده اند. مقدار آستانه برای حذف عمق برای هر دسته به صورت متفاوت تعیین شده است تا بهترین جداسازی انجام گیرد. سپس برای حذف اغتشاش، بزرگ ترین قطعه متصل در تصویر پیدا شده و مابقی نقاط حذف گردیده اند. پس از جدا سازی دست از پس زمینه، فیلتر گابور در 6 جهت و 5 مقیاس بر روی تصویر دست اعمال شده است. بدین ترتیب 30 تصویر به دست می آید که انرژی و میانگین هر کدام محاسبه می گردد. پس از این مرحله الگوریتم کاهش بعد lda را بر روی این ویژگی ها اعمال می کنیم. برای دسته بندی از ماشین های بردار پشتیبان و دسته بند بیز استفاده شده است. برای آزمایش روش پیشنهادی پایگاه داده ای به کمک 20 نفر تهیه شده است. دقت به دست آمده برای هر گروه بیش از 91 درصد می باشد. برای مقایسه بهتر دقت روش پیشنهادی برای استخراج ویژگی، این روش بر روی پایگاه داده ای از زبان اشاره آمریکایی آزمایش گردیده است. دقت به دست آمده بر روی این پایگاه داده بیش از 82 درصد بوده است که از نتایجی که تاکنون بر روی این پایگاه داده گزارش شده، بهتر می باشد.

ردیابی هدف متحرک به مفهوم تعقیب هدف متحرک در یک سری تصاویر متوالی است. ردیابی هدف متحرک در تصاویر متوالی شامل دو بخش آشکارسازی هدف متحرک و تعقیب و ردیابی هدف آشکار شده در تصاویر متوالی، می باشد. روش های مختلفی برای ردیابی هدف متحرک در تصاویر متوالی پیشنهاد شده است که از جمله می توان به روش های شار نوری ، روش های تطبیق مشخصه و روش های پیرامون فعال اشاره کرد. در دسته بندی دیگر الگوریتم های ردیابی در دو گروه طبقه بندی می-شوند. این دسته بندی بر اساس مدل ظاهری هدف به صورت الگوریتم های ردیابی مولد ، و تبعیضی انجام می شود. لازم به ذکر است که این الگوریتم ها در زمان اجرا قابل مقایسه با الگوریتم های تطبیق مشخصه نیستند. در این پایان نامه الگوریتم های ردیابی مبتنی بر تطبیق مشخصه مورد بررسی قرار می گیرد. علت استفاده از الگوریتم های تطبیق مشخصه سرعت بالای این الگوریتم ها در ردیابی اهداف متحرک می باشد. استخراج گرهای ویژگی مورد استفاده الگوریتم هریس، sift، affine-sift و الگوریتم ترکیبی klt می باشد. مشکل عمده ی الگوریتم های تطبیق مشخصه ناتوانی در دسته بندی نقاط مشخصه استخراج شده از پیش زمینه و پس زمینه می باشد. در این پایان نامه سعی شده است توسط تابع متمایزکننده ی بیزین نقاطی که توسط استخراج گرهای ویژگی بدست می آیند، در دو کلاس دسته بندی شوند. ابتدا نقاط ویژگی پیرامون هدف به عنوان پیش-زمینه و ناحیه ی اطراف هدف با شعاعی بیش تر به عنوان پس زمینه، به دست می آیند، سپس برای هر یک از این نقاط شش ویژگی استخراج می شود که عبارت اند از: رنگ هر یک از نقاط ویژگی در فضای رنگ hsv و میانگین، واریانس و دامنه ی تغییرات در یک پنجره ی 3×3 پیرامون نقاط ویژگی استخراج شده. در هر مرحله نقاطی که ضریب اطمینان کم تری داشته باشند حذف خواهند شد، هم چنین پارامترهای تابع متمایزکننده در هر 15 فریم به روزرسانی می شود. نتایج آزمایش ها بهبود الگوریتم های ردیابی مبتنی بر تطبیق مشخصه را در کاربردهای عملی نشان می دهد.

در این پایان نامه، روش جدیدی جهت تشخیص حالت های احساسی ظریف چهره ارائه می گردد. برای نمایان ساختن حرکات ظریف چهره از روش بزرگنمایی ویدئویی اولر استفاده شده است. روش بزرگنمایی ویدئویی اولر حرکات ظریف سیگنال ها (تغییر رنگ یا حرکت انتقالی) را با پردازش زمانی و مکانی تقویت می کند. ورودی این روش، ویدئوهایی از چهره اشخاص می باشد و نتیجه حاصل از آن به صورت دنباله تصاویر بزرگنمایی شده است. سپس نوع حالت احساسی دنباله تصاویر بزرگنمایی شده را با استفاده از چهره های ویژه بررسی نموده ایم. در این پژوهش، آزمایش بر روی 164 ویدئو از 16 شخص در پایگاه داده احساسات ظریف غیرارادی انجام گرفت. در ابتدا تشخیص تغییر در چهره به هنگام بروز حالات احساسی ظریف را بررسی کرده ایم. تغییر در چهره به طور میانگین به میزان %19/65 به هنگام بروز حالت منفی، %29/68 به هنگام بروز حالت مثبت و %75/69 به هنگام بروز حالت تعجب تشخیص داده شده است. همچنین تشخیص و تفکیک دو حالت مثبت و منفی در دنباله تصاویر مورد ارزیابی قرار داده ایم. همانطور که نتایج نشان می دهند دقت تشخیص کلی بین دو حالت منفی و مثبت با به کارگیری بزرگنمایی ویدئویی اولر برابر با % 66/66 می باشد. در حالی که بدون استفاده از این روش بزرگنمایی، تشخیص کلی به %00/50 کاهش می یابد. بنابراین استفاده از بزرگنمایی ویدئویی اولر در بازیابی حرکات نامحسوس چهره به هنگام بروز احساس، عملکرد روش تشخیص حالات احساسی ظریف مبتنی بر چهره های ویژه و همچنین تشخیص تغییر را بالا می برد.

هدف از این پایان نامه، بررسی کارآیی فواصل متفاوت در بازیابی و طبقه بندی تصویر بر اساس ویژگی های مبتنی بر رنگ و بافت می باشد. این ویژگی ها در دو کلاسه بندیk همسایه نزدیکتر و ماشین بردار پشتیبان مورد ارزیابی قرار می گیرند. بازیابی تصویر بر اساس محتوا یکی از حوزه های تحقیقاتی بسیار مهم در زمینه ی پردازش تصویر و پایگاه داده ی چند رسانه ا ی است. هدف محققان در بازیابی تصویر بر اساس محتوا پیدا کردن ویژگی ها و تمایزهایی در تصاویر است که بتوان در تشخیص شباهت تصاویر از آن بهره برد و به نحو مناسب پرس وجوی تصویر را هدایت کرد. در یک سیستم بازیابی تصویر بر اساس محتوا،کاربر تصویر مورد نظر خود موسوم به تصویر پرس وجو را انتخاب نموده و سیستم کلیه تصاویر مشابه با آن را ازپایگاه تصاویر، شناسایی و بازیابی می کند.کلاسه بندی ماشین بردار پشتیبان یک سیستم یادگیری است و در هر سیستم یادگیری احتمال بروز خطا وجود دارد. بنابراین در این پژوهش روشی در تعامل با کاربر پیشنهاد شده است تا در صورتی که در اولین اجرای کلاسه بندی خطایی رخ دهد و یا تصویر نادرستی نمایش داده شود، در اجراهای بعدی یا تصاویر مشابه را به او نشان دهد و یا اینکه او را از عدم وجود تصویر در پایگاه داده مطمئن سازد. نتایج ارزیابی بر روی پایگاه داده کورل با دو هزار تصویر نشان می دهند بالاترین کارایی بازیابی تصویربر اساس رنگ در ماشین بردار پشتیبان به ترتیب متعلق به ویژگی های هیستوگرام رنگ، ممان رنگ و همبستگی نگار- رنگ می باشد. بهترین نتایج در بازیابی تصویر بر اساس بافت به ترتیب به ویژگی گابور، عملگرlbp و ویژگی تبدیل موجک تعلق دارد. همچنین بالاترین کارایی بر اساس رنگ در k همسایه نزدیکتر به ترتیب متعلق به ویژگی ممان رنگ، هیستوگرام رنگ و همبستگی نگار رنگ می باشد و نتایج بهتر برای بازیابی تصویر بر اساس بافت به ترتیب متعلق به عملگر lbp، ویژگی گابور و ویژگی تبدیل موجک می باشد. در نهایت با نتایج آزمایش ها می توان چنین استنباط کرد، زمانی که همه ویژگی های رنگ و بافت در تعیین شباهت تصاویر موثر بوده، سیستم قوی تر عمل کرده و نتایج بهتری را به دنبال داشته است. همچنین نتایج نشان می دهند کلاسه بندی ماشین بردار پشتیبان دارای کارایی بالاتری از k همسایه نزدیکتر است.

بسیاری از روش های طبقه بندی ترکیبی به دلیل استفاده از چندین طبقه بند پایه، که بعضا شامل طبقه بند پایه کند هستند، در مواجهه با مجموعه داده های بزرگ پیچیدگی محاسباتی بالایی دارند. در این پژوهش روشی برای ترکیب نتایج طبقه بندها پیشنهاد شده است که با استفاده از خوشه بندی بخشی از مجموعه داده ی آموزش، علاوه بر کاهش پیچیدگی محاسباتی طبقه بندی ترکیبی دقت قابل قبولی را نیز ارائه دهد. در این روش ابتدا طبقه بندهای پایه بوسیله ی بخشی از مجموعه داده ورودی آموزش داده می شوند و سپس با استفاده از برچسب تعیین شده توسط طبقه بندهای پایه برای بخش دیگری از مجموعه داده ورودی، خوشه ها ایجاد می شوند. درنهایت نمونه های موجود در خوشه ها، خوشه ای که هر نمونه به آن تعلق دارد به همراه فاصله هر نمونه تا مرکز تمام خوشه ها به عنوان ورودی به یک شبکه عصبی مصنوعی داده می شوند و برچسب کلاس نهایی داده تست توسط این شبکه عصبی تعیین می شود. مقایسه کارایی روش پیشنهادی با چند روش طبقه بندی ترکیبی دیگر نشان می دهد که روش پیشنهادی زمان اجرای فاز تست کمتری نسبت به سایر روش ها دارد و همچنین در مجموع دقت قابل قبولی را ارائه داد.

کیفیت زندگی محصول شرایط و متغیرهای مختلفی است که همین عوامل در واقع عناصر تاثیرگذار در فضا – مکان جغرافیایی است. بنابراین فضای شهری و کیفیت زندگی روابط متقابلی را با یکدیگر برقرار می کنند. چنانچه که اگر مدیران و تصمیم سازان شهری و سیاست گذاران بخواهند کیفیت زندگی شهروندان را به سمت "مطلوبیت و زیست بهتر و توسعه یافته تر" برنامه ریزی کنند ناگزیر از توجه به ابژه فضای عمومی است که مکان شکل گیری روابط اجتماعی جمعی، یاس ها و امیدها، نیازها و توانمندیها، استعارات و اشارات، استبداد و دموکراسی، ایده شهروندی و ... است. بلوار خیام یکی از بلوارهای محدوده میانی غربی شهر مشهد می باشد و در واقع یکی از مهمترین شریانهای اصلی محدوده غرب میانی می باشد. این بلوار از جنوب به خیابان احمد آباد و ملک آباد و از جنوب شرقی به کوهسنگی محدود می شود. ساختار کالبدی و اجتماعی – اقتصادی این بلوار تنوع فزاینده ای از کیفیت بصری و نیز شاخص های هر یک از متغیرها را ارائه می کند. این پایان نامه به روش توصیفی – تحلیلی با حجم نمونه 300 نفر در بلوار خیام انتخاب شده اند. تحقیق حاضر از نوع تجربی – کاربردی است، برای تجزیه و تحلیل داده ها از مدلهای کمی، آمار استنباطی لازم به ذکر است پردازش داده ها در محیط نرم افزار arc-gis انجام گرفته است. در این تحقیق از آزمون همبستگی پیرسون و آزمون رگرسیون چند متغیره برای همبستگی و تحلیل مشارکت جمعی و فردی متغییرها استفاده شده است. نتایج تحقیق حاکی از آن است که بین شرایط کالبدی و بصری با کیفیتی زندگی رابطه معنی داری وجود دارد همچنین شرایط اجتماعی – اقتصادی ساکنین همبستگی معنی داری با کیفیت زندگی برقرار می کند.

با پیشرفت اتوماسیون، توسعه ی سیستم های صنعتی جدید و همچنین افزایش نیاز به وجود امنیت در کاربرد های مختلف شخصی و سازمانی، تکنیک های شناسایی و احراز هویت بیومتریک در زندگی روزمره ی افراد بسیار اهمیت پیدا کرده است. سیستم های بیومتریک مبتنی بر هندسه ی دست، نقش مهمی در نرم افزار های احراز هویت دارند. روش های سنتی احراز هویت مبتنی بر هندسه ی دست کارائی محدودی داشتند و برای کاربرد هایی با کاربران محدود مناسب بودند. در روش پیشنهادی، روشی مبتنی بر هندسه ی دو بعدی و سه بعدی انگشتان و کف دست برای احراز هویت کاربران ارائه شده است. در این روش، ویژگی های دو بعدی و سه بعدی انگشتان و کف دست برای تأیید هویت کاربران مورد استفاده قرار گرفته است. در این روش ویژگی های دو بعدی کف دست و انگشتان از تصاویر دو بعدی استخراج شده اند. ویژگی های سه بعدی از داده-های سه بعدی سطوح دست استخراج شده و سپس این ویژگی ها و ویژگی های دو بعدی با استفاده از پارامتر های ارائه شده تطبیق داده می شوند. این روش بر روی پایگاه داده تصاویر بدون تماس دو بعدی و سه بعدی دانشگاه پلی تکنیک هنگ کنگ با 177 کاربر ارزیابی شده است. این پایگاه داده شامل ده تصویر از دست راست هر کدام از کاربران است که در حالتی آزاد و بدون تماس در دو بازه ی زمانی تصویر برداری شده اند. نتایج به دست آمده از پیاده سازی روش پیشنهادی برای ترکیب ویژگی های کف دست با ویژگی های انگشتان، دقت بیش از %97 را برای سیستم احراز هویت نشان داده است، که در مقایسه با سایر روش های هندسه ی دست تا حدودی بهبود یافته است.

با گسترش روزافزون داده های ویدئویی، نیاز به الگوریتم های هوشمند به منظور تحلیل و تفسیر این اطلاعات نیز افزایش یافته است. بازشناسی خودکار کنش های انسانی در حال رخداد در یک دنباله ویدئویی، کاربردهای فراوانی در حوزه های مختلف از جمله سیستم های نظارت هوشمند، نمایه گذاری و بازیابی ویدئو بر مبنای محتوا و طراحی واسط های پیشرفته کاربر-رایانه دارد. همین امر توجه بسیاری از پژوهش گران فعال در حوزه بینایی ماشین را به این زمینه جلب کرده است. در این پایان نامه دو رویکرد برای بازشناسی کنش های انسانی بر مبنای ترکیب ویژگی های محلی با ویژگی های سراسری ارائه می شود. به منظور استخراج ویژگی های سراسری، از ممان های هفت گانه lr{hu} و هیستوگرام کد زنجیری برای توصیف تصویر سیاه نما در هر فریم استفاده شد. در نهایت با استفاده از مدل کیسه واژگان یک بازنمایی نهایی از ویدئو بر مبنای ویژگی های سراسری به دست می آید. هم چنین با استفاده از آشکارساز نقاط کلیدی lr{harris3d} و توصیف گر lr{hog/hof} و مدل کیسه واژگان یک بازنمایی نهایی بر مبنای ویژگی های محلی ساخته می شود. در پایان دو بردار ویژگی حاصل با هم الحاق شده و از یک ماشین بردار پشتیبان برای طبقه بندی بردار ویژگی نهایی استفاده می شود. در رویکرد دوم سعی شد تا با استفاده از هیستوگرام های محلی، ضعف مدل کیسه واژگان در ضبط اطلاعات هندسی بین ویژگی ها تا حدودی پوشش داده شود. ابتدا حول هر نقطه ویژگی یک هیستوگرام محلی محاسبه شده و سپس با استفاده از این هیستوگرام ها و مدل کیسه واژگان یک بازنمایی جدید از ویدئو ساخته می شود. در پایان بردار ویژگی حاصل با بردار ویژگی حاصل از رویکرد قبل الحاق می شود تا یک بردار ویژگی با قدرت متمایزکنندگی بالاتر به دست آید. به منظور ارزیابی روش پیشنهادی از دو پایگاه داده lr{kth} و lr{weizmann} استفاده شده است. دقت طبقه بندی برای این دو پایگاه داده به ترتیب 92.1 و 95.2 بدست آمد که قابل مقایسه با نتایج گزارش شده توسط سایر مقالات ارائه شده در زمینه بازشناسی کنش است.

هدف از این تحقیق استفاده از پتانسیل های اطلاعاتی تصاویر هوایی برای کمک به تصمیم-گیری ها در مدیریت بحران زلزله است. در این راستا سعی شده نوع تخریب ساختمان ها از تصاویر هوایی استخراج شود. طبق تجارب گروه های امداد و نجات نوع تخریب می تواند معیاری برای تخمین شانس زنده ماندن افراد به دام افتاده در آوار، تجهیزات و نیروی متخصص مورد نیاز برای عملیات امداد و نجات باشد. همچنین با تشخیص آوار در مسیرها، وجود یا عدم وجود دسترسی به ساختمان ها را از دو سر مسیر واقع در آن به دست می آوریم. بدین منظور شش ویژگی آماری و ده ویژگی الگوی دودویی محلی یکنواخت مستقل از دوران، از داخل مرز ساختمان ها و بلاک-های مسیرها، با هدف توصیف بافت تخریب ناشی از زلزله استخراج می شود. برای دسته بندی از یک سیستم دسته بند مبتنی بر قواعد فازی استفاده می کنیم. از خروجی های کار می توان سودمندی ویژگی های الگوی دودویی محلی را در متمایز کردن دسته های انواع تخریب مشاهده کرد. همچنین بهترین روش دسته بندی فازی آزمایش شده که مبتنی بر رأی گیری از تمام قواعد است، دقت 76% درصد برای دسته بندی نوع تخریب و 81% درصد برای شناسایی آوار در مسیر داشت.

امروزه برای کسب اطلاعات دقیق و صحیح از عکس برداری هوایی استفاده می شود. عکس های هوایی همه ی عوارض و پدیده های طبیعی را آن گونه که هستند نشان می دهند. از هر نقطه در روی زمین، از بالای ارتفاعات و قلّه-های پوشیده از برف، از کویر و اقیانوس های بزرگ در هر زمان می توان عکس برداری نمود. در نتیجه،داده ها و اطلاعات حاصله کاملاً جدید و تازه خواهند بود. یکی از مهم ترین کاربردهای تصاویر هوایی در مدیریت فضای سبز شهری است. در مدیریت فضای شهری تعداد درختان و شناسنامه ی آن ها معمولاً از زمره ی اطلاعات پایه به شمار می رود. شمارش تعداد درختان به صورت دستی علاوه بر نیاز به نیرو، هزینه و زمان بالا؛ احتمال خطای بالایی نیز دارد. جداسازی مؤثر درختان از ساختمان ها نیز یک چالش عمده در تشخیص خودکار درختان در تصاویر هوایی است و معمولاً تشخیص بین دو کلاس درخت و ساختمان کار دشواری است. در این پایان نامه روشی برای آشکارسازی درختان در تصاویر هوایی با استفاده از ویژگی های رنگ و بافت ارائه شده است. درمرحله¬ی اول با استفاده از چند تصویر رنگی هوایی تکسچرهایی ایجاد شده است. سپس ویژگی های ممان رنگ و تامورا از تکسچرها استخراج شده و در پایگاه داده ذخیره شده است. برای آزمون تصاویر ابتدا خوشه بندی k-means بر روی آن ها اعمال شده است. ویژگی های ممان رنگ و تامورا از قطعات حاصل از این خوشه بندی نیز استخراج شده و در پایگاه داده ذخیره می شود. از طبقه بند ماشین بردار پشتیبان (svm) برای آموزش و تشخیص استفاده شده است. برای ارزیابی روش پیشنهادی از 40 تصویر رنگی هوایی استفاده شده است. نتایج ارزیابی نشان دهنده ی مؤثرتر بودن روش پیشنهادی نسبت به روش های مشابه است. میزان صحت این روش 91 درصد است.