تشخیص پس زمینه فریم های ویدئویی به کمک شبکه عصبی و پردازش تصویر در متلب
پروژه ۴۸۶: شبیه سازی در متلب + توضیحات کامل وورد + فیلم اجرای شبیه سازی
خلاصه ای از کار:
در این شبیه سازی ابتدا کاملا به روش های تشخیص پس زمینه پرداخته و سپس به رویکرد شبکه عصبی مصنوعی برای تشخیص پس زمینه فریم ویدئویی می پردازیم. سه برنامه مجزا که بصورت بهنگام فراخوانی می شوند در متلب پیاده سازی شده است. یک برنامه وظیفه : دریافت تصویر، تقسیم فریم ها و کلیه اطلاعات مربوط به ویدئو دریافتی و تشخیص نهایی پس زمینه ، یک برنامه: محاسبه فاکتور شدت روشنایی برای محاسبه پس زمینه با شبکه عصبی و برنامه دیگر: محاسبه آستانه برای هر فریم تصویری.
در ام فایل برنامه اصلی یعنی دریافت تصویر و تجزیه و تحلیل فریم ها، ارتفاع و عرض تصاویر حاصل از فریم های فیلم بدست می آید. با توجه به کنتراست و شدت روشنایی تصاویر حاصل از فریم های ویدئویی، میزان حد آستانه برای تشخیص پس زمینه تصویر به برنامه برده تا با رویکرد شبکه های عصبی مصنوعی این مقدار تخمین زده شود. برنامه شبکه عصبی مصنوعی در یک ساختار وورکر جداگانه در سیمولینک طراحی گردیده است.
- شبیه سازی برای یک ویدئو ۷ ثانیه ای با پسوند AVI
- شدت روشنایی در این فیلم در فریم های میانی و انتهایی کم و زیاد می شود
- استراتژی ارباب و برده با به کار گیری شبکه عصبی مصنوعی به عنوان برده به کار رفته است
- پس زمینه و همچنین تشخیص شی در هر فریم قابل مشاهده می باشد
- داده های آموزشی برای شبکه عصبی مصنوعی ، ۴۰۰ داده شامل ورودی و خروجی می باشد.
- از شبکه عصبی مصنوعی پرسپترون چندلایه با خطایابی backpropagation به این منظور استفاده شده است
این فیلم دارای ۷ ثانیه و ۱۲۰ فریم تصویری می باشد.
مراحل کامل چگونگی استفاده از شبکه عصبی مصنوعی در فایل ضمیمه کاملا توضیح داده شده است.
۴۰۰ دیتای آموزشی به عنوان ورودی و خروجی برای آموزش در نظر می گیریم. داده های ورودی آستانه هر فریم تصویری بوده و در خروجی شدت کاهش و یا افزایش روشنایی می باشد. سطح آستانه هر فریم و همچنین شدت روشنایی بین ۰ تا ۱ در نظر گرفته شده است. با ۵۰ لایه پنهان به کمترین خطا رسیده ایم. لذا مراحله بعدی یعنی تست شبکه را با استفاده از ۵۰ لایه پنهان اعمال می نماییم.
برخی نتایج:
در زیر فقط برخی از نتایج ارائه شده. نتایج کامل در فایل وورد و فیلم آموزشی ضمیمه گردیده است.
دو روش مهم تشخیص پس زمینه میانه و میانگین نیز در شبیه سازی ها مورد ارزیابی قرار گرفته است.
از شبکه عصبی پرسپترون چند لایه با الگوریتم پس انتشار خطا استفاده شده است.
در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید.
دیگر پروژه های قابل دانلود:
مجموعه: پردازش تصویر, شبکه عصبی, مهندسی کامپیوتر