کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6855065 1437605 2018 56 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Body-movement-based human identification using convolutional neural network
ترجمه فارسی عنوان
شناسایی انسان مبتنی بر بدن بر اساس شبکه عصبی کانولوشن
کلمات کلیدی
راهرو نور کم نمای جلو و عقب بدن، شناسایی بشر، شبکه عصبی متقاطع،
ترجمه چکیده
فناوری بیومتریک بر پایه قدم زدن انسان، انسانها را در فاصله دور تعیین می کند حتی اگر چهره فرد پوشانده شود، مخفی شود یا برای دوربین ها در محیط های تاریک قابل مشاهده نباشد. مطالعات قبلی بر پایه راه رفتن انسان با توجه به محیط های روشن و تاریک برای شناسایی انسان در سیستم های نظارتی انجام شد. مطالعات انجام شده در محیط های کم نور (محیط های تاریک) بر اساس تصاویر دیداری (راه رفتن افقی) افراد است. با این حال، مواردی وجود دارد که در آن مردم تنها در حال مشاهده در جلو و عقب نمایش بدن خود را در حالی که در راهروهای کم نور در حال حرکت هستند. در این دیدگاه، با استفاده از ویژگی های متداول مانند چرخه، قطاری، طول قدم راه رفتن و فاصله بین نقاط (مچ پا، زانو و هیپ)، شناسایی افراد دشوار است. علاوه بر این مواردی از مشکلات مانند افرادی که تلفن همراه و یا وسایل شخصی کوچک (کیف پول، کیسه، لباس و غیره) دارند تاثیرات مهمی بر دقت شناسایی افراد دارند. برای غلبه بر این مشکلات، ما یک تکنیک شناسایی جدید انسان پیشنهاد می کنیم که براساس تصاویر پیشین و عقب یک انسان است که با استفاده از سنسور دوربین حرارتی گرفته شده است. تکنیک ما از حرکات بدن انسان برای شناسایی، به ویژه حرکت سر، شانه ها و پاها استفاده می کند. ما از یک شبکه عصبی کانولوشه ای برای استخراج ویژگی و طبقه بندی در این مطالعه استفاده کرده ایم. پنج مجموعه داده جمع آوری شده توسط جمع آوری داده ها از 80 نفر از جمله مردان و زنان در هر دو محیط روشن و تاریک. نتایج تجربی با داده های جمع آوری شده و پایگاه داده باز، با استفاده از روش ما نسبت به مطالعات قبلی عملکرد بالاتر را نشان داد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
شناسایی انسان مبتنی بر بدن بر اساس شبکه عصبی کانولوشن
چکیده انگلیسی
Biometric technology based on human gait identifies humans at a far distance even if the individual's face is covered, hidden, or not visible to cameras in dark environments. Previous studies based on human gait were conducted considering both bright and dark environments for human identification in surveillance systems. The studies conducted in low-illumination environments (dark environments) are based on side view images (horizontal walking) of subjects. However, there are cases in which people only show the front and back views of their bodies while they are walking in low-illumination corridors. In these views, it is difficult to identify humans by using conventional features such as cycle, cadence, stride length of walking, and distance between points (ankle, knee, and hip). Additionally, the cases of problems such as people carrying cellphones and/or small personal items (a purse, bag, clothes, etc.) have critical effects on the accuracy of human identification. To overcome these problems, we propose a new human identification technique, which is based on the front and back view images of a human, captured by using a thermal camera sensor. Our technique uses movements of the human body for identification, particularly movement of the head, shoulders, and legs. We have used a convolutional neural network for feature extraction and classification in this study. Five datasets were compiled by collecting data of 80 people including men and women in both bright and dark environments. The experimental results with our collected data and open database showed a higher performance by using our method compared to those of previous studies.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 101, 1 July 2018, Pages 56-77
نویسندگان
, , , ,