تشخیص شلوغی انسان در ویدیو با استفاده از کلاس بندی ماشین بردارپشتیبان با کرنل های مختلف جهت ایجاد آسایش حرارتی

هدف: هدف از انجام این تحقیق دستیابی به دقت طبقه بندی بهتر در تشخیص میزان حضور افراد در مکانهای عمومی است. این عمل با ترکیب شیوه های مختلف انتخاب ویژگی مبتنی بر طبقه بندی به روش همجوشی (فیوژن)، کمینه سازی /ویژگی های انتخاب شده از داده های مختلف تصویر براساس مدل طراحی شده جهت آسایش افراد میباشد.روش شناسی پژوهش: این مطالعه یک رویکرد ترکیبی متکی بر تکنیکهای یادگیری ماشینی و پردازش تصویر را پیشنهاد میدهد. در مرحله اول، بر ردیابی افراد در محیطهای مسقف تمرکز دارد و برای انجام طبقهبندی رفتار اولیه حرکت افراد به جریان نوری متکی است. پس از ردیابی، ویژگیهای مختلفی استخراج میشود که کلیدی ترین آن مطابق ویژگیهای بافتی تصویر بهدست آمده است. در کنار همجوشی سخت سه روش طبقهبندی ماشین بردار پشتیبان با کرنلهای متفاوت (روش رای گیری حداکثری)، امکان بررسی وضعیت آسایش حرارتی را فراهم میکند.یافته ها: جهت اپتیکهای مشخص شده در مجموعه فریمها میتواند بهنوعی برای بررسی حالات حرکتی افراد با تغییرپذیری آنی نیز موثر واقع شود. این مسئله اصلی ترین تفاوت روش ردیابی مبتنی بر جریان نوری با سایر شیوه های مشابهی چون مدل گوسی مخلوط و یا فیلتر کالمن است.نتیجه گیری: روش پیشنهادی این پژوهش توانسته با دقت بیش از % ۹۶ شناسایی با آسایش حرارتی را آشکار کند. در مقایسه با روشهای قبلی در زمینه تشخیص رفت وآمد انسان، رویکرد پیشنهادی در این مطالعه دارای توانایی قابل قبولی برای طبقه بندی وضعیت افراد در محیط های مسقف است و میتواند وضعیت نیاز به آسایش حرارتی را با سطح خطای ناچیزی ارزیابی کند. برخلاف رویکردهایی مانند شبکه های عصبی و محاسباتی k نزدیکترین همسایگی، روش همجوشی در طبقه بندی میتواند خروجی مطلوبی را در شرایط خاصی چون پیچیدگی بیش از حد پیش زمینه فریم های ویدیویی ایجاد کند، با پیچیدگی محاسباتی کمی پردازش شود، زمان آموزش کوتاه تری دربرداشته باشد.