کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
10359872 | 869428 | 2001 | 14 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Monitoring human behavior from video taken in an office environment
ترجمه فارسی عنوان
نظارت بر رفتار انسان با فیلم ضبط شده در محیط اداری
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ویدئو - تشخیص اکشن - فریم های کلیدی - متن
فهرست مطالب مقاله
چکیده
کلیدواژهها
1.مقدمه
2. آثار مرتبط
3. دانش قبلی
4. سیستم
4.1. تشخیص پوست
4.2 ردیابی
4.3. تشخیص تغییر صحنه
جدول 1. لیست اعمال و شرایط تشخیص
4.4. تشخیص عمل
شکل 1. مدلهای وضعیت، برای اتاق نمونه، که شامل تلفن، کابینت، و ترمینال کامپوتر است.
شکل 2. مدلهای وضعیت، برای اتاق نمونه که شامل تلفن، کابینت، و ترمینال کامپوتر است.
شکل 3. پنج نمونه از تنظیمات صحنه.
4.5 تعیین فریمهای کلیدی
شکل 4. فرد کابینتی را باز میکند، در حالی که فرد دیگری مینشیند (350 فریم، 8 فریم کلیدی).
5. نتایج
شکل 5. فرد تلفن را برمیدارد، با آن صحبت میکند و سپس تلفن را بر میدارد (199 فریم، 4 فریم کلیدی).
شکل 6. فرد جعبه را برمیدارد و آن را جای دیگری میگذارد (199 فریم، 4 فریم کلیدی).
شکل 7. فرد مینشیند تا از ترمینال استفاده کند، سپس برمیخیزد و میرود (399 فریم، 5 فریم کلیدی).
شکل 8. فرد وارد اتاق میشود، فلاسک را برمیدارد و از اتاق خارج میشود (170 فریم، 3 فریم کلیدی).
شکل 9. فرد وارد اتاق میشود، فلاسکی را برمیدارد، اما الگوریتم ردیابی فلاسک را رها میکند، بنابراین خطای خروجی رخ میدهد، در نهایت فرد از اتاق خارج میشود (170 فریم، 4 فریم کلیدی)
6. محدودیتها
شکل 10. فرد وارد اتاق میشود، تلفنی را برمیدارد، اما الگوریتم ردیابی فلاسک را رها میکند، بنابراین خطای خروجی رخ میدهد، در نهایت فرد از اتاق خارج میشود (325 فریم، 4 فریم کلیدی).
7. نتیجهگیری و آثار آینده
کلیدواژهها
1.مقدمه
2. آثار مرتبط
3. دانش قبلی
4. سیستم
4.1. تشخیص پوست
4.2 ردیابی
4.3. تشخیص تغییر صحنه
جدول 1. لیست اعمال و شرایط تشخیص
4.4. تشخیص عمل
شکل 1. مدلهای وضعیت، برای اتاق نمونه، که شامل تلفن، کابینت، و ترمینال کامپوتر است.
شکل 2. مدلهای وضعیت، برای اتاق نمونه که شامل تلفن، کابینت، و ترمینال کامپوتر است.
شکل 3. پنج نمونه از تنظیمات صحنه.
4.5 تعیین فریمهای کلیدی
شکل 4. فرد کابینتی را باز میکند، در حالی که فرد دیگری مینشیند (350 فریم، 8 فریم کلیدی).
5. نتایج
شکل 5. فرد تلفن را برمیدارد، با آن صحبت میکند و سپس تلفن را بر میدارد (199 فریم، 4 فریم کلیدی).
شکل 6. فرد جعبه را برمیدارد و آن را جای دیگری میگذارد (199 فریم، 4 فریم کلیدی).
شکل 7. فرد مینشیند تا از ترمینال استفاده کند، سپس برمیخیزد و میرود (399 فریم، 5 فریم کلیدی).
شکل 8. فرد وارد اتاق میشود، فلاسک را برمیدارد و از اتاق خارج میشود (170 فریم، 3 فریم کلیدی).
شکل 9. فرد وارد اتاق میشود، فلاسکی را برمیدارد، اما الگوریتم ردیابی فلاسک را رها میکند، بنابراین خطای خروجی رخ میدهد، در نهایت فرد از اتاق خارج میشود (170 فریم، 4 فریم کلیدی)
6. محدودیتها
شکل 10. فرد وارد اتاق میشود، تلفنی را برمیدارد، اما الگوریتم ردیابی فلاسک را رها میکند، بنابراین خطای خروجی رخ میدهد، در نهایت فرد از اتاق خارج میشود (325 فریم، 4 فریم کلیدی).
7. نتیجهگیری و آثار آینده
ترجمه چکیده
در این مقاله، سیستمی را توصیف میکنیم که به طور خودکار اعمال انسان را از ویدئوی ضبط شده از یک اتاق تشخیص میدهد. این اقدامات شامل ورود به اتاق، استفاده از ترمینال کامپیوتر، باز کردن کابینت، برداشتن تلفن، و غیره هستند. سیستم ما این اقدامات را با استفاده از دانش قبلی در مورد طرح اتاق تشخیص میدهد. در سیستم ما، تشخیص عمل توسط ماشین وضعیت مدلسازی میشود، که متشکل از «حالات» و «انتقالهای» بین حالات است. انتقالها از حالات مختلف را میتوان بر اساس موقعیت فرد، تشخیص تغییر صحنه، و یا شی در حال ردیابی انجام داد. سیستم علاوه بر ایجاد توصیف متنی اعمال شناسایی شده، قادر به ایجاد فریمهای کلیدی از توالی ویدئو است، که در اصل ویدئوی فشردهی مبتنی بر ویدئو است. سیستم در چند توالی ویدئو تست شده و خوب عمل کرده است. نمونه مجموعهی نتایج در این مقاله ارائه شده است. ایدههای ارائه شده در این سیستم در امنیت خودکار قابل اجرا هستند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
In this paper, we describe a system which automatically recognizes human actions from video sequences taken of a room. These actions include entering a room, using a computer terminal, opening a cabinet, picking up a phone, etc. Our system recognizes these actions by using prior knowledge about the layout of the room. In our system, action recognition is modeled by a state machine, which consists of ‘states’ and ‘transitions’ between states. The transitions from different states can be made based on a position of a person, scene change detection, or an object being tracked. In addition to generating textual description of recognized actions, the system is able to generate a set of key frames from video sequences, which is essentially content-based video compression. The system has been tested on several video sequences and has performed well. A representative set of results is presented in this paper. The ideas presented in this system are applicable to automated security.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Image and Vision Computing - Volume 19, Issue 12, 1 October 2001, Pages 833–846
Journal: Image and Vision Computing - Volume 19, Issue 12, 1 October 2001, Pages 833–846
نویسندگان
Douglas Ayers, Mubarak Shah,