برگزاری همایش تشخیص چهره در ویدئو و مورد کاربردی تشخیص اشخاص در فرودگاه ها در دانشگاه صنعتی همدان

همایشی با موضوع تشخیص چهره در ویدئو و مورد کاربردی تشخیص اشخاص در فرودگاه ها با حضور سامان باشباغی دانشجوی دانشگاه مونترال کانادا در دانشگاه صنعتی همدان برگزار شد.
به گزارش روابط عمومی دانشگاه صنعتی همدان، این مراسم با سخنرانی سامان باشباغی دانشجوی دکتری در مرکز تحقیقات بینایی کامیپوتر و تشخیص الگو در دانشگاه مونترال کانادا توسط گروه مهندسی کامپیوتر و فناوری اطلاعات دانشگاه و به منظور تقویت و اشتراک دانش در موضوعات تحقیقات داغ و کاربردی برای دانشجویان و اعضا هیات علمی برگزار شد.
در این همایش سامان باشباغی در خصوص فرایند تشخیص چهره در ویدوهایی که از دوربینهای مدار بسته گرفته می شود و روش هایی که بتوان دقت تشخیص را بالا برد به توضیح پرداخت  و روش هایی که در مرکز تحقیقات بینایی کامپیوتر دانشگاه مونترال برای کنترل افراد در گیتهای ورودی فرودگاههای کانادا طراحی و پیاده سازی شده است را تشریح کرد.
سامان باشباغی در این همایش گفت: با توجه به گسترش رسانه‌های عکس‌برداری و افزایش روز افزون تصاویر دیجیتال بر روی اینترنت و مجموعه تصاویر، ذخیره، سازمان‌دهی و جستجو بر روی تصاویر از اهمیت بالایی برخوردار است.
وی افزود: در این تحقیق، روشی جدید از انتخاب نقاط تصویر و استخراج ویژگی‌ها برای بازیابی مبتنی بر محتوای تصویر معرفی شده است.
دانشجوی دکتری دانشگاه مونترال کانادا تصریح کرد: روش مطرح شده می‌تواند به منظور جستجو و بازیابی تصاویر با شرایط روشنایی مختلف به کار گرفته شود.
وی ادامه داد: راهکار ارائه شده، یک روش بدون ناظر و بر پایه قطعه‌بندی و شاخص‌گذاری خودکارتصاویر است که بر روی انواع تصاویر ناهمگون و بدون برچسب قابل اعمال می‌باشد.
سامان باشباغی گفت: این روش همچنین نسبت به شرایط مختلف تصویر از قبیل هر گونه چرخش و روشنایی مقاوم است که روش ارائه شده شامل دو مرحله آموزش و بازیابی است.
وی ادامه داد: در مرحله آموزش، ابتدا تصویر با استفاده از الگوریتم خوشه‌بندی Mean Shift قطعه‌بندی می‌گردد، سپس نقاطی از قطعه‌ها به منظور استخراج ویژگی انتخاب می‌شوند. این نقاط با استفاده از الگوریتم K-means به K کلاس خوشه-بندی می‌شوند. سپس تعدادی نقطه نیز از کل تصویر انتخاب و ویژگی‌هایی از این نقاط استخراج می‌شود.
وی تصریح کرد: در نهایت، یک دسته‌بند ۱-NN برای ایجاد پایگاه داده شاخص‌گذاری شده و ترکیب این نقاط به کار گرفته می‌شود و در روش دیگری از انتخاب نقاط جذاب توسط توصیف‌کننده SIFT در مرحله آموزش استفاده شده است. برای ارزیابی این روش، از پایگاه داده‌ی تصاویر ZuBuD  و Coil-100 استفاده شده است.
سامان باشباغی گفت: معیار‌های ارزیابی و مقایسه با روش‌های دیگر، نشان از کارایی بالای روش ارائه شده دارند. به طوریکه نرخ بازشناسی برای اولین تصویر بازیابی شده بر روی مجموعه تصاویر ZuBuD 96.43% و Coil-100 98.72% به دست آمده است.

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *