چکیده فارسی :

طبقه­بندی شیء، کاربردی مهم در نظارت ویدئویی مثل شناسایی اتوماتیک وسیله نقلیه و شناسایی عابر است که هزاران وسیله نقلیه و فرد را نمایش می­دهد. در این تحقیق، الگوریتم طبقه­بندی جسم جهت طبقه­بندی اشیاء به طبقات افراد و وسایل نقلیه مطرح می­شود که بعلاوه حضور سایه و انسداد جزئی در ویدئو میان میدانی می باشد و از تصویر حرکت بازگشتی (RMI) مشخصه­های اسکلتی استفاده می نماید. در این چارچوب، کاهش بک گراند با استفاده از مدل ترکیب گاوسی به دنبال حذف سایه براساس فیلتر گابور است تا سایه موجود در تصویر را حذف کند. الگوریتم استخوانبندی استار برروی اشیاء قطعه قطعه شده اجرا می­شود تا مشخصه­های استخوان بندی حاصل شود سپس RMI محاسبه می­شود. و به دو بخش مثلاً بالا و پایین تقسیم­بندی می­شود. براساس امضاهای بخش پائین RMI قطعه بندی شده با استفاده از مشخصه ­های اسکلتی، شیء به افراد و وسایل نقلیه طبقه­بندی می­شود.

چکیده انگلیسی :

Object classification is a major application in video surveillance such as automatic vehicle detection and pedestrian detection, which is to monitor thousands of vehicles and people. In this study, an object classification algorithm is proposed to classify the objects into persons and vehicles despite the presence of shadow and partial occlusion in mid-field video using recurrent motion image (RMI) of skeleton features. In this framework, the background subtraction using a Gaussian mixture model is followed by Gabor filter based shadow removal in order to remove the shadow in the image. The star skeletonisation algorithm is performed on the segmented objects to obtain skeleton features. Then the RMI is computed and it is partitioned into two sections such as top and bottom. Based on the signatures derived from the bottom section of the partitioned RMI using skeleton features, the object is classified into people and vehicles.