SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2019 / Cilt: 34 - Sayı: 2

GMACA ile hareket tespiti yapılan video görüntülerde insan hareketlerinin tanınması

Serkan PELDEK
Yaşar BECERİKLİ
Pages
1025–1044
Publication Date
2019-05-23
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Geliştirdiğimiz hareket tespit yöntemi onluk tabandaki piksel değerlerinin ikilik tabana dönüştürülmesinden sonra uygulanabilir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu makale araştırması kapsamında insan hareketlerinin tanınması, Genelleştirilmiş Çoklu Cezbedici Hücresel Otomatlar (Generalized Multiple Attractor Cellular Automata(GMACA)) ile yapılan hareket tespit görüntüleri kullanılarak gerçekleştirilmiştir.
📊
Key Findings & Data:İnsan hareketlerinin tanınması beş aşamada gerçekleştirilir; insan nesnesinin tespiti ve takibi gerekir, insan nesnesine ait özelliklerin çıkarımı ve bu özellikler kullanılarak harekete ait özelliklerin çıkarımı, basit hareketlerden oluşan etkinliklerin tanınması.
💡
Conclusion & Impact:Geliştirdiğimiz hareket tespit yöntemi onluk tabandaki piksel değerlerinin ikilik tabana dönüştürülmesinden sonra uygulanabilir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Genelleştirilmiş çoklu cezbedici hücresel otomatlar · Hareket tespiti · Hareket tanıma

Özet

Bu makale araştırması kapsamında insan hareketlerinin tanınması, Genelleştirilmiş Çoklu Cezbedici Hücresel Otomatlar (Generalized Multiple Attractor Cellular Automata(GMACA)) ile yapılan hareket tespit görüntüleri kullanılarak gerçekleştirilmiştir. GMACA Hücresel Otomatların birden fazla hücreye uygulanan türüdür. Hücresel otomatların birden fazla hücreye uygulanması kural vektörü kullanılarak gerçekleştirilir. Literatür araştırmasında video görüntülerindeki insan hareketlerini tanıma görevinin; neleri içereceği, önemi, uygulama alanları vb. konular araştırılmıştır. İnsan hareketlerinin tanınması beş aşamada gerçekleştirilir; insan nesnesinin tespiti ve takibi gerekir, insan nesnesine ait özelliklerin çıkarımı ve bu özellikler kullanılarak harekete ait özelliklerin çıkarımı, basit hareketlerden oluşan etkinliklerin tanınması. Geliştirilen hareket tanıma yönteminde ilk önce görüntüler gri renk uzayına dönüştürülür. Daha sonra hareket tespiti için kullanılacak GMACA kural vektörü oluşturulur. GMACA kullanılarak hareket tespiti yapılır. Hareket tespit görüntülerinden HOG özellik vektörü çıkarılır ve elde edilen HOG özellik vektörleri ait oldukları harekete göre etiketlendirilir. Bu şekilde veri seti oluşturulur. Oluşturulan veri seti çapraz-doğrula yöntemi ile eğitim ve test veri setlerine ayrıştırılır. İnsan hareketlerinin tanınması SVM yöntemi ile gerçekleştirilir. Deneysel sonuçlar karışıklık matrisi ile gösterilmiştir. Karışıklık matrisi kullanılarak geliştirilen tanıma yönteminin sınıflandırma performansı ortaya konmuştur. GMACA ile elde edilen hareket tespit görüntüleri ile yapılan hareket tanıma uygulaması mevcut arka plan çıkarma çalışmaları kadar iyi sonuç vermiştir. Elde edilen sonuçlar GMACA’nın hareket tespitinde ve hareket tanıma çalışmalarında kullanılabileceğini göstermektedir. GMACA’nın zayıf yanı ikili örüntüler üzerinde uygulanabiliyor olmasıdır. Geliştirdiğimiz hareket tespit yöntemi onluk tabandaki piksel değerlerinin ikilik tabana dönüştürülmesinden sonra uygulanabilir.

🔖

Cite This Article

PELDEK, S., BECERİKLİ, Y. (2019). GMACA ile hareket tespiti yapılan video görüntülerde insan hareketlerinin tanınması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 34 - Sayı: 2, 1025–1044. https://ajindex.com/articles/19979

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. L. Chen, H. Wei and J. Ferryman, "A survey of human motion analysis using depth imagery," Pattern Recognition Letters, vol. 34, no. 15, pp. 1995-2006, 2013. J. Aggarwal and M. Ryoo, "Human activity analysis: A review," ACM Computing Surveys (CSUR), vol. 43, no. 3, 2011.
  2. M. A. R. Ahad, Motion History Images for Action Recognition and Understanding, London: Springer, 2013.
  3. M. A. R. Ahad, Computer Vision and Action Recognition, Atlantis Press, 2011.
  4. D. Weinland, R. Ronfard and E. Boyer, "A survey of vision-based methods for action representation, segmentation and recognition," Computer Vision and Image Understanding, vol. 115, no. 2, pp. 224-241, 2011. H. Nagel, "From image sequences towards conceptual descriptions," Image and Vision Computing, vol. 6, no. 2, pp. 59-74, 1988. J. Gonzàlez, J. Varona, F. Roca and J. Villanueva, "aSpaces: Action Spaces for Recognition and Synthesis of Human Actions," in Articulated Motion and Deformable Objects. AMDO 2002.
  5. Lecture Notes in Computer Science, Berlin, Springer, 2002, pp. 189-200.
  6. C. Fanti, Doktora Tezi, California: California Institute of Technology, 2008.
  7. V. Krüger, D. Kragic, A. Ude and C. Geib, "The meaning of action: A review on action recognition and mapping," Advanced Robotics, vol. 21, no. 13, pp. 1473-1501, 2007.
  8. A. Gaidon, Z. Harchaoui and C. Schmid, "Actom sequence models for efficient action detection," in Computer Vision and Pattern Recognition (CVPR), 2011
  9. IEEE Conference on, Colorado, 2011.
  10. S.-R. Ke, H. L. U. Thuc, Y.-J. Lee, J.-N. Hwang, J.-H. Yoo and K.-H. Choi, "A Review on Video-Based Human Activity Recognition," Computers, vol. 2, no. 2, pp. 88-131, 2013. M. t. a. w. t. a. Ziaeefard and R. Bergevin, "Semantic human activity recognition: A literature review," Pattern Recognition, vol. 48, no. 8, pp. 2329-2345, 2015. G. Guo and A. Lai, "A survey on still image based human action recognition," Pattern Recognition, vol. 47, no. 10, pp. 3343-3361, 2014. X. Ji and H. Liu, "Advances in View-Invariant Human Motion Analysis: A Review," IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), vol. 40, no. 1, pp. 13 - 24, 2010. R. Gross and J. Shi, "The CMU Motion of Body (MoBo) Database," Robotics Institute, Carnegie Mellon University, Pittsburgh, 2001.
  11. C. Schuldt, I. Laptev and B. Caputo, "Recognizing Human Actions: A Local SVM Approach," in ICPR'04, Cambridge, 2004. C. Kanan and G. W. Cottrell, "Color-to-Grayscale: Does the Method Matter in Image Recognition?," PLoS ONE,