GMACA ile hareket tespiti yapılan video görüntülerde insan hareketlerinin tanınması

Yıl 2019, , 1025 - 1044, 23.05.2019

Serkan Peldek , Yaşar Becerikli

https://doi.org/10.17341/gazimmfd.460500

Cited By: 3

Öz

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.  

Anahtar Kelimeler

Genelleştirilmiş çoklu cezbedici hücresel otomatlar, Hareket tespiti, Hareket tanıma, Hücresel Otomatlar

Kaynakça

• 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.
• M. A. R. Ahad, Motion History Images for Action Recognition and Understanding, London: Springer, 2013.
• M. A. R. Ahad, Computer Vision and Action Recognition, Atlantis Press, 2011.
• 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. Lecture Notes in Computer Science, Berlin, Springer, 2002, pp. 189-200.
• C. Fanti, Doktora Tezi, California : California Institute of Technology, 2008.
• 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.
• A. Gaidon, Z. Harchaoui and C. Schmid, "Actom sequence models for efficient action detection," in Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on, Colorado, 2011.
• 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.
• 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, vol. 7, no. 1, p. e29740, 2012.
• S. Wolfram, A new kind of science, Champaign: IL: Wolfram Media, 2002.
• S. Das, S. Mukherjee, N. Naskar ve B. K. Sikdar, «Characterization of Single Cycle CA and its Application in Pattern Classification,» Electronic Notes in Theoretical Computer Science, cilt 252, no. 181-203, pp. 181-203, 2009.
• S. Das, Theory and Applications of Nonlinear Cellular Automata In VLSI Design’ Ph. D Thesis,, Bengal: The Bengal Engineering and Science University, 2006.
• N. Ganguly, P. Majı, B. K. Sıkdar and P. P. Chaudhurı, "Generalızed Multıple Attractor Cellular Automata (Gmaca) Model For Assocıatıve Memory," International Journal of Pattern Recognition and Artificial Intelligence, vol. 16, no. 7, pp. 781-793, 2002.
• P. Maji, C. Shaw, N. Ganguly, B. K. Sikdar and P. P. Chaudhuri, "Theory and Application of Cellular Automata For Pattern Classification," Fundamenta Informaticae, vol. 58, pp. 321-354, 2003.
• . Z. Yu and Y. Chen, "A real-time motion detection algorithm for traffic monitoring systems based on consecutive temporal difference," in Asian Control Conference, 2009. ASCC 2009. 7th, Hong Kong, 2009.
• S. Peldek and Y. Becerikli, "GMACA Based Image Segmentation," IET Image Processing, Under Review.
• S. Peldek and Y. Becerikli, "Using Multiple Attractor Cellular Automata as Pattern Generator in Images," in 8. War Technologies Kongres, Ankara, 2016.
• S. Peldek, Face Recognıtıon Usıng Cellular Automata Technıque, Karabük: Karabuk University, 2012.
• S. Peldek and Y. Becerikli, "Disjointing State Transition Diagrams of Cellular Automata with Union/Find and Its Application," Advances in Electrical and Computer Engineering, vol. 17, no. 4, 2017.
• S. Peldek and Y. Becerikli, "Çoklu Cezbedici Hücresel Otomatların Boyut Azaltmada Kullanımı," in Uluslararası Bilgisayar Bilimleri ve Mühendisliği Konferansı (UBMK 2017), Antalya, 2017.
• N. Dalal and B. Triggs, "Histograms of Oriented Gradients for Human Detection," in Computer Vision and Pattern Recognition (CVPR'05), Washington, 2005.
• B. Cerit, S. A. Bölük and M. F. Demirci, "Analysis of the effect of image resolution on automatic face gender and age classification," in Signal Processing and Communication Application Conference (SIU), 2016 24th, Zonguldak, 2016.
• D. Cielen, A. D. B. Meysman and M. Ali, Introducing Data Science, Shelter Island: Manning Publications, 2016.
• A. C. Mueller and S. Guido, Introduction to Machine Learning with Python, Sebastopol: O’Reilly Media, Inc., 2016.
• M. N. Murty and V. S. Devi, Introduction to Pattern Recognition and Machine Learning, Singapore: World Scientific Publishing, 2015.
• G. James, D. Witten, T. Hastie and R. Tibshirani, An Introduction to Statistical Learning with Applications in R, New York: Springer, 2013.
• B. Kuyumcu, OpenCv Görüntü İşleme ve Yapay Öğrenme, Istanbul: Level, 2016.
• K. Schindler and L. v. Gool, "Action snippets: How many frames does human action recognition require?," in Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on, Anchorage, 2008.
• F. Baumann, "Action Recognition with HOG-OF Features," in German Conference on Pattern Recognition, Berlin, 2013.
• I. Laptev, M. Marszalek, C. Schmid and B. Rozenfeld, "Learning realistic human actions from movies," in Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on, Anchorage, 2008.
• S. O'Hara and B. A. Draper, "Scalable action recognition with a subspace forest," in Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on, Providence, 2012.