Free AI web copilot to create summaries, insights and extended knowledge, download it at here

Abstract

v2/resize:fit:800/1*U75CqJfk-7r7_N0J_7g4Sg.png"><figcaption></figcaption></figure><h2 id="2efb">b)Gait Sequence Alignment(GSA)</h2><figure id="7d8b"><img src="https://cdn-images-1.readmedium.com/v2/resize:fit:800/1*pZsJedG_ppFmckaQrG9XVQ.png"><figcaption></figcaption></figure>c) IDR (Incremental Dimension Reduction)<figure id="97f1"><img src="https://cdn-images-1.readmedium.com/v2/resize:fit:800/1*64LHy5YEm_GsYLyj5Oagvg.png"><figcaption></figcaption></figure>d)VI-MGR AlgoritmasıBilinmesi Gerekenler: Gait Energy Image (GEI)T Reference SGEI (Rf-SGEI) SGEI(Similar GEI)Tr-SGEI(Transpoze SGEI)Principal Components Analysis (PCA)Yöntem 1Giriş: Galerideki bir GEI’nin farklı bilinen görünüşleri ve bilinmeyen bir görünüme sahip bir GEI probu. Çıktı: GEI sondaının eşleşen galeri görünümü.1: Sentetik galeri görüntüleri oluşturun. Yani R-GEI’ler, galeri GEI’lerin mevcut görünümlerinin yansıtma yansımasını hesaplayarak.2: Galeri GEls bacak bölgesini kırparak parçalı SGEIs hesaplayın.3: Sonda GE’lerin bacak bölümünü kırparak hedef SGEI’leri, yani Tr-SGEI’leri hesaplayın.4: Referansa bölünmüş yürüyüş bütünlüğü görüntüsü, yani Rf-SGEnI ve hedef bölünmüş yürüyüş bütünlüğü görüntüsü oluşturun. Tr-SGEnI, sırasıyla Rf-SGEI ve Tr-SGEL’nin entropisini hesaplayarak.5: Veri ilişkisizleştirme ve boyut azaltma için Rf-SGEnls’ın 2D PCA’sını gerçekleştirin.6: Sondanın eşleşen galeri görünümü, Öklid mesafe sınıflandırıcısına dayalı olarak tespit edilir. Yöntem 2Giriş: GE’lerin galeri sınıfları, sondayla ve GE’li Sondayı eşleşen görünümü algılar. Çıktı: Sonda konusunun sınıflandırılması.1: Bulanık Ge’leri oluşturmak için bir GEI’ye üç ölçekte Gauss filtresi uygulayın. 2: MGL’yi oluşturmak için bulanık GE’leri bitiştir3: boyutsallık azaltma ve özdeneyle ilgili veri sadeleştirmesi için MGI’lere 2D PCA uygulayın. 4: Prob konusunu WRSL kullanarak sınıflandırın<h2 id="7b66">e)General Tensor Discriminant Analysis (GTDA)</h2><figure id="8edd"><img src="https://cdn-images-1.readmedium.com/v2/resize:fit:800/1*afAdidJZdFztElTRAppuNg.png"><figcaption></figcaption></figure><h2 id="3776">e)LVQ (Learning Vector Quantization)</h2>1. örneklerin belirlenmesi2. ağ yapısının belirlenmesi (girdi-çıktı sayılarının belirlenmesi, referans vektörü sayısının belirlenmesi)3. ağın öğrenme parametrelerinin (öğrenme katsayısınınve gerekli sabit değerlerin) belirlenmesi<p

Options

id="403a">4. ağırlıkların başlangıç değerlerinin atanması5. öğrenme kümesinden bir örneğin ağa verilmesi6. kazanan elemanın bulunması7. ağırlıkların güncellenmesi8. beklenen doğru sınıflandırma oranı yakalanıncaya kadar 5., 6. ve 7. adımların tekrar edilmesig)Diğer Özellik Çıkarma Algoritmaları Dynamıc Tıme Warpıng(Dtw)Lınear Tıme Normalızatıon(Ltn) Structural MatchıngPrincipal Components Analysis (Pca) Differential Scatter Discriminant Criterion(Dsdc) Hidden Markov Model(Hmm)Image Euclidean Distance(Imed) Frequency-Domaın Dıstance(Fdd) Linear Discriminant Analysis (Lda) Undersample Problem (Usp)Özellik çıkarımında isteğe göre izlenecek yollar ve kullanılacak algoritmalar:<figure id="db5f"><img src="https://cdn-images-1.readmedium.com/v2/resize:fit:800/1*6VuhefKVmLKFV8Z0W0VR0w.png"><figcaption></figcaption></figure>Bir başka deneyde ise daha karmaşık denemeler yapılmıştır.Kişiler karma yapıların bulunduğu ortamlara sokulmuştur ve bu ortamlarda algoritmaların başarımları test edilmiştir.Bir kişinin uyluk bölgesinin en önemli etkenlerden biri olduğu tespit edilen sonuçlardandır.<figure id="4b31"><img src="https://cdn-images-1.readmedium.com/v2/resize:fit:800/1*Ejt17LKa3v8nSxL8BECo4w.png"><figcaption></figcaption></figure>A,B,…. Şeklinde ID’lendirilen ortam tipleri aşağıda verilmiştir.<figure id="8b13"><img src="https://cdn-images-1.readmedium.com/v2/resize:fit:800/1*HS8IBm4t83l8McHOu091WQ.png"><figcaption></figcaption></figure>Tüm filtrelerin belirli yapılarda önceden bahsedilen A,B,C,D,E,F,G,H,I,J,K,L yapılarına uygulanmasının ardından alınan sonuçlar aşağıdaki tabloda verilmiştir.<figure id="3299"><img src="https://cdn-images-1.readmedium.com/v2/resize:fit:800/1*yI9OidK-6S6LiI9b_hOt6A.png"><figcaption></figcaption></figure>rafik ile gösterilmesi gerekirse tablodaki sırayla HMM 1 ve GaborDS+GTDA+LDA(H) 12 olmak üzere aşağıda her filtreleme tipi üzerine uygulanan özellik çıkarma yöntemi başarımları verilmiştir.<figure id="d93b"><img src="https://cdn-images-1.readmedium.com/v2/resize:fit:800/1*o8jb6Rl4xeY36dp6XwHX_Q.png"><figcaption></figcaption></figure>Serinin devamında kendi yazdığım python ve matlab tabanlı yürüyüş tanımada algoritmalarının uygulaması ve sonuçları incelenecektir: “<a href="https://medium.com/@baybarshanekiz/y%C3%BCr%C3%BCy%C3%BC%C5%9F-tan%C4%B1ma-serisi-5-y%C3%BCr%C3%BCy%C3%BC%C5%9F-tan%C4%B1ma-algoritmalar%C4%B1n%C4%B1n-geli%C5%9Ftirimi-9679a75b54b8">Yürüyüş Tanıma Serisi-5: Yürüyüş Tanıma Algoritmalarının Geliştirimi</a> ”</article></body>

Yürüyüş Tanıma Serisi-4: Yürüyüş Tanıma için Kullanılabilecek Görüntü İşleme Algoritmaları ve Performansları

Mevcut yazı Yürüyüş Tanımanın yanı sıra Görüntü İşlemede sıkça kullanılan algoritmaları da içerektir. Ön işleme aşamasında gerekli olması muhtemel algoritmalar olduğu için bu alana da girmeyi uygun buldum.

Mean ve Median Filtreleme

Görüntüden kişilerin tam olarak çıkarılabilmesi için iki metodda uygulanıp hangisinden daha çok verim alınabildiği tespit edilebilmektedir.Standart bir yapı yoktur ortama göre değişmektedir.Hatta videonun her karesi için filtrelerin başarımları değişkenlik göstermektedir.Sonuçlar aşağıda görülmektedir.Üstte mean filtreleme altta ise median filtreleme uygulanmıştır.İki filtre sonucu ise benzerlik ölçütüyle kıyaslanmıştır.

Gabor Filtreleme Yapısı

Gabor filterinin yatay ve dikey alanlara kullanımları aracılığıyla daha kaliteli görüntüler elde edilmektedir.Bu sebeple gabor filtresi uygulanırken her gabor filtre çeşidi en verimli sonuçları döndürecek şekilde uygulanmalıdır.Yatayda GaborD filtresi Dikeyde GaborS filtresi uygulanılmış field’lar vardır ve Gabor SD adlı filtre tüm alana uygulanılmıştır.

Bu formüllerin uygulanmasının ardından görüntü işlemede oluşan zaman ve alan karmaşıklığı aşağıda görülmektedir.

Gabor filtre çeşitlerinin uygulandığı alanlar aşağıda görülmektedir.

Gabor filtresinin farklı kullanım şekilleri vardır aşağıda 13 adet filtrelenen satır vardır sırasıyla A,B,C,D,E,F,G,H,I,J,K,L olarak tanımlanmaktadırlar.Gaborun farklı kullanımlar şekillerinden 0–4 arasındaki satırlar Gabor D ile filtrelenmiştir.0–7 arası GaborS İle filtrelenmiştir ve geriye kalanlar ise GaborSD ile filtrelenmiştir.

Özellik Çıkarma Algoritmaları

a).Two-Dimensional LDA (2DLDA)

b)Gait Sequence Alignment(GSA)

c) IDR (Incremental Dimension Reduction)

d)VI-MGR Algoritması

Bilinmesi Gerekenler: Gait Energy Image (GEI)

T Reference SGEI (Rf-SGEI) SGEI(Similar GEI)

Tr-SGEI(Transpoze SGEI)

Principal Components Analysis (PCA)

Yöntem 1

Giriş: Galerideki bir GEI’nin farklı bilinen görünüşleri ve bilinmeyen bir görünüme sahip bir GEI probu. Çıktı: GEI sondaının eşleşen galeri görünümü.

1: Sentetik galeri görüntüleri oluşturun. Yani R-GEI’ler, galeri GEI’lerin mevcut görünümlerinin yansıtma yansımasını hesaplayarak.

2: Galeri GEls bacak bölgesini kırparak parçalı SGEIs hesaplayın.

3: Sonda GE’lerin bacak bölümünü kırparak hedef SGEI’leri, yani Tr-SGEI’leri hesaplayın.

4: Referansa bölünmüş yürüyüş bütünlüğü görüntüsü, yani Rf-SGEnI ve hedef bölünmüş yürüyüş bütünlüğü görüntüsü oluşturun. Tr-SGEnI, sırasıyla Rf-SGEI ve Tr-SGEL’nin entropisini hesaplayarak.

5: Veri ilişkisizleştirme ve boyut azaltma için Rf-SGEnls’ın 2D PCA’sını gerçekleştirin.

6: Sondanın eşleşen galeri görünümü, Öklid mesafe sınıflandırıcısına dayalı olarak tespit edilir. Yöntem 2

Giriş: GE’lerin galeri sınıfları, sondayla ve GE’li Sondayı eşleşen görünümü algılar. Çıktı: Sonda konusunun sınıflandırılması.

1: Bulanık Ge’leri oluşturmak için bir GEI’ye üç ölçekte Gauss filtresi uygulayın. 2: MGL’yi oluşturmak için bulanık GE’leri bitiştir

3: boyutsallık azaltma ve özdeneyle ilgili veri sadeleştirmesi için MGI’lere 2D PCA uygulayın. 4: Prob konusunu WRSL kullanarak sınıflandırın

e)General Tensor Discriminant Analysis (GTDA)

e)LVQ (Learning Vector Quantization)

1. örneklerin belirlenmesi

2. ağ yapısının belirlenmesi (girdi-çıktı sayılarının belirlenmesi, referans vektörü sayısının belirlenmesi)

3. ağın öğrenme parametrelerinin (öğrenme katsayısının

ve gerekli sabit değerlerin) belirlenmesi

4. ağırlıkların başlangıç değerlerinin atanması

5. öğrenme kümesinden bir örneğin ağa verilmesi

6. kazanan elemanın bulunması

7. ağırlıkların güncellenmesi

8. beklenen doğru sınıflandırma oranı yakalanıncaya kadar 5., 6. ve 7. adımların tekrar edilmesi

g)Diğer Özellik Çıkarma Algoritmaları Dynamıc Tıme Warpıng(Dtw)

Lınear Tıme Normalızatıon(Ltn) Structural Matchıng

Principal Components Analysis (Pca) Differential Scatter Discriminant Criterion(Dsdc) Hidden Markov Model(Hmm)

Image Euclidean Distance(Imed) Frequency-Domaın Dıstance(Fdd) Linear Discriminant Analysis (Lda) Undersample Problem (Usp)

Özellik çıkarımında isteğe göre izlenecek yollar ve kullanılacak algoritmalar:

Bir başka deneyde ise daha karmaşık denemeler yapılmıştır.Kişiler karma yapıların bulunduğu ortamlara sokulmuştur ve bu ortamlarda algoritmaların başarımları test edilmiştir.Bir kişinin uyluk bölgesinin en önemli etkenlerden biri olduğu tespit edilen sonuçlardandır.

A,B,…. Şeklinde ID’lendirilen ortam tipleri aşağıda verilmiştir.

Tüm filtrelerin belirli yapılarda önceden bahsedilen A,B,C,D,E,F,G,H,I,J,K,L yapılarına uygulanmasının ardından alınan sonuçlar aşağıdaki tabloda verilmiştir.

rafik ile gösterilmesi gerekirse tablodaki sırayla HMM 1 ve GaborDS+GTDA+LDA(H) 12 olmak üzere aşağıda her filtreleme tipi üzerine uygulanan özellik çıkarma yöntemi başarımları verilmiştir.

Serinin devamında kendi yazdığım python ve matlab tabanlı yürüyüş tanımada algoritmalarının uygulaması ve sonuçları incelenecektir: “Yürüyüş Tanıma Serisi-5: Yürüyüş Tanıma Algoritmalarının Geliştirimi ”