1. ردیابی شی در تصاویر ویدیویی
با استفاده از ویژگی های رنگ و بافت و شبکه های توابع اساسی شعاعی
استاد راهنما: دکتر کرمی
استاد مشاور: دکتر بالغی
ارائه دهنده: علیرضا اسودی
دانشگاه صنعتی نوشیروانی بابل
شهریور 91

2. فهرست مطالب:
مقدمه
مروری بر پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات

3. تخمین مسیر حرکت یک شی وقتی که شی در صحنه حرکت می کند.
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
ردیابی شی:
تخمین مسیر حرکت یک شی وقتی که شی در صحنه حرکت می کند.
کاربردها:
بازشناسی براساس حرکت
نظارت خودکار
نمایه گذاری فایل های ویدیویی
ارتباطات متقابل انسان و رایانه
نظارت ترافیکی
هدایت وسایل نقلیه …

4. طبقه بندی روش های ردیابی:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
طبقه بندی روش های ردیابی:

5. ردیابی نقاط ردیابی براساس هسته روش تفریق زمینه ردیابی سیاه نما مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
ردیابی نقاط
J. Yan, M. Pollefeys, A factorization
approach to articulated motion recovery,CVPR, 2005.
ردیابی براساس هسته
روش تفریق زمینه
ردیابی سیاه نما

6. مدل کردن اشیا غیرصلب و اشیا با شکل های پیچیده، یافتن ناحیه ی دقیق شی
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
تفریق زمینه:
مزایا:
سادگی و سرعت بالا
ضعف ها:
ناکارآمدی در ردیابی با دوربین متحرک، وجود حرکات در زمینه و تغییرات روشنایی در تصویر
ردیابی سیاه نما:
مزایا:
مدل کردن اشیا غیرصلب و اشیا با شکل های پیچیده، یافتن ناحیه ی دقیق شی
ضعف ها:
کاهش عملکرد در حضور پس زمينه شلوغ، وجود لبه هاي قوي در پس زمينه و پوشیدگی توسط زمینه
ردیابی براساس هسته:
مزایا:
مقاومت و قدرت نسبتا زیاد در مدل کردن اشیا و عملکرد مناسب در برابر پوشیدگی های جزیی
ضعف ها:
وارد شدن اطلاعات زمینه در مدل شی و ناتوانی در یافتن ناحیه ی دقیق شی در اغلب روش ها ی این دسته
ردیابی نقاط:
مزایا:
مورد استفاده در کاربردهای جنبش شناسی و یافتن وضعیت هندسی شی
ضعف ها:
پیچیدگی تطبیق نقاط در فریم های متوالی بخصوص در هنگام پوشیدگی و ناتوانی در یافتن ناحیه ی دقیق شی

7. بررسی روش های ردیابی مرتبط:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
بررسی روش های ردیابی مرتبط:
تطابق قالب یک رویکرد جستجوی سراسری در تصویر برای یافتن یک ناحیه ی مشابه با قالب شی است.
سه نمونه از معیارهای شباهت متداول عبارتند از:
مجموع قدرمطلق تفاضلات (SAD)
مجموع مربعات تفاضلات (SSD)
همبستگی تقاطعی نرمالیزه شده (NCC) normxcorr2
مزایا:
در بر داشتن اطلاعات مکانی پیکسل های شی.
ضعف ها:
ناکارآمدی بعلت تغییر زاویه ی شی.
بروز رسانی قالب (مشکل لغزش).
ناتوانی در مدل کردن دقیق شی و وارد شدن اطلاعات زمینه در مدل شی.

8. حذف جستجوی سراسری کل تصویر. ضعف ها:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
مزایا:
حذف جستجوی سراسری کل تصویر.
ضعف ها:
نیاز دارد که در فریم بعدی حداقل قسمتی از شی درون ناحیه ی اولیه باشد.
ناتوانی در مدل کردن دقیق شی و وارد شدن اطلاعات زمینه در مدل شی در اغلب روش های این دسته.
استفاده از ویژگی رنگ به تنهایی باعث می شود که ردیاب به آسانی به اشیا مجاور شی اصلی که همرنگ با آن هستند منحرف شود.
محدودیت های استفاده از هیستوگرام ها در روش هایی که از هیستوگرام استفاده می کنند مانند محدودیت در تعداد ویژگی ها بعلت بروز مشکل نحوست ابعاد.
بجای قالب می توان از ویژگی ها مستقیم پیکسل ها (مانند رنگ) برای مدل کردن و ردیابی شی استفاده کرد. در اغلب رویکردهای این دسته تنها از ویژگی رنگ برای ردیابی استفاده شده است و بجای انجام جستجوی سراسری از پروسه ی جابجایی میانگین برای مکان یابی شی استفاده می شود.

9. حذف مشکل روش ردیابی قالب در مدل کردن شی تنها ازیک زاویه ی دید.
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
یکی از مشکلات استفاده از قالب شی این است که اطلاعات ظاهر شی را تنها از یک زاویه ی دید در خود دارد برای غلبه بر این مشکل نماهای مختلف شی از قبل می تواند بصورت آفلاین به یک شبکه آموزش پذیر یاد داده شود و برای ردیابی مورد استفاده قرار گیرد.
مزایا:
حذف مشکل روش ردیابی قالب در مدل کردن شی تنها ازیک زاویه ی دید.
ضعف ها:
نیاز به پروسه ی یادگیری بصورت آفلاین.
محدود بودن به ردیابی هدف از پیش آموزش داده شده.

10. انتخاب نواحی شی و زمینه:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
انتخاب نواحی شی و زمینه:
طول موج
درجه اشباع
درجه روشنايي
میانگین
واریانس
دامنه تغییرات

11. آموزش شبکه عصبی توابع اساسی شعاعی بروش ماتریس شبه معکوس:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات Σ
جدا سازی شی از زمینه:
آموزش شبکه عصبی توابع اساسی شعاعی بروش ماتریس شبه معکوس:
، امین خروجی شبکه عصبی تابع اساسی شعاعی است.
وزن بین نرون خروجی و امین نرون گوسی است.
ماتریس خروجی لایه ی نهان

12. آموزش شبکه عصبی مقدمه پیشینه ی تحقیق روش پیشنهادی نتایج و پیشنهادات Σ

13. مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
آزمایش شبکه عصبی Σ

14. مرز تصمیم حاصل از شبکه عصبی اول: مقدمه پیشینه ی تحقیق روش پیشنهادی
نتایج و پیشنهادات
ویژگی های شی و زمینه:
ویژگی های تشخیص داده شده بعنوان شی با رنگ سبز و ویژگی های تشخیص داده شده بعنوان زمینه با رنگ قرمز نمایش داده شده اند.
مرز تصمیم حاصل
از شبکه عصبی اول:

15. نتیجه ردیابی بدون گسترش زمینه برای شی نمونه:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
نتیجه ردیابی بدون گسترش زمینه برای شی نمونه:

16. گسترش زمینه: الگوریتم گسترش زمینه: مقدمه پیشینه ی تحقیق روش پیشنهادی
نتایج و پیشنهادات
گسترش زمینه:
ویژگی های تشخیص داده شده بعنوان شی با رنگ سبز و ویژگی های تشخیص داده شده بعنوان زمینه با رنگ قرمز نمایش داده شده اند.
گسترش زمینه
1. شروع: برای از 1 تا تعداد نیمی از ویژگی های زمینه عملیات زیر را تکرار کن.
2. یک عدد طبیعی بطور تصادفی با مقداری بین 1 تا اندازه ی بردار ویژگی انتخاب کن.
3. این عدد را با اعداد دیگر مقایسه کن:
اگر عدد تکراری بود پرچم را صفر کن.
اگر عدد تکراری نبود پرچم را یک کن.
4. تا هنگامی که پرچم یک است و بردار هدف متناظر با آن عدد یک است عمل زیر را انجام بده:
یک عدد طبیعی دیگر بطور تصادفی با مقداری بین 1 تا اندازه ی بردار ویژگی انتخاب کن.
این عدد را با اعداد دیگر مقایسه کن:
گام چهارم را تا زمانی انجام بده که پرچم صفر گردد.
5. این عدد را بعنوان عدد تصادفی غیر تکراری ام در نظر بگیر و برای محاسبه ی عددی بعدی ( ) به گام 1 برو.
الگوریتم گسترش زمینه:

17. مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات Σ Σ Σ

18. مقدمه پیشینه ی تحقیق روش پیشنهادی نتایج و پیشنهادات همه ی نقاطΣ
همه ی نقاط
فضای ویژگی
ویژگی های شی و زمینه
مرز تصمیم شبکه عصبی اول
مرز تصمیم شبکه عصبی دوم

19. مکان یابی شی در فریم های بعدی: مقدمه پیشینه ی تحقیق روش پیشنهادی
نتایج و پیشنهادات
مکان یابی شی
در فریم های بعدی:

20. جبران سازی تغییرات در اندازه ی شی:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
جبران سازی تغییرات در اندازه ی شی:

21. جبران سازی تغییرات در مدل شی:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
جبران سازی تغییرات در مدل شی:

22. پایگاه های داده ی مورد استفاده شامل:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
مسیر حرکت بدست آمده از روش پیشنهادی با روش های تطابق قالب (بروش NCC) و جابجایی میانگین مقایسه شد.
پایگاه های داده ی مورد استفاده شامل:
پایگاه داده ی PETS 2000 که شامل سناریو هایی از حرکات انسان ها و اتومبیل ها با دوربین ثابت است.
پایگاه داده ی PETS 2001که شامل سناریو هایی از حرکات انسان ها و اتومبیل ها با دوربین ثابت است.
پایگاه داده ی CAVIAR شامل حرکات انسان ها در مکان های عمومی با دوربین ثابت است.
پایگاه داده ی VIVID شامل سناریو هایی از حرکات اتومبیل ها است که بصورت هوایی و با دوربین متحرک
در حالت های رنگی یا مادون قرمز فیلمبرداری شده است.
روش پیشنهادی توسط مستطیل صلب با رنگ قرمز، روش تطابق قالب توسط مستطیل سبز خط- نقطه، روش جابجایی میانگین با مستطیل صورتی خط چین نمایش داده شده است.

23. میانگین خطا در طول ردیابی
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
تغییرات زمینه ی اطراف شی و پوشیدگی جزیی:
روش پیشنهادی توسط مستطیل صلب با رنگ قرمز
روش تطابق قالب توسط مستطیل سبز خط- نقطه
روش جابجایی میانگین با مستطیل صورتی خط چین
نمایش داده شده است.
نام روش
میانگین خطا در طول ردیابی
(به پیکسل)
روش پیشنهادی
10.01
تطابق قالب
10.06
جابجایی میانگین
70.31
نمایش دقت ردیابی
روش پیشنهادی (خط صلب با رنگ قرمز)
روش تطابق قالب (خط- نقطه با رنگ سبز)
جابجایی میانگین (خط چین صورتی)

24. میانگین خطا در طول ردیابی (به پیکسل)
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
تغییرات در اندازه ی شی:
روش پیشنهادی توسط مستطیل صلب با رنگ قرمز
روش تطابق قالب توسط مستطیل سبز خط- نقطه
روش جابجایی میانگین با مستطیل صورتی خط چین
نمایش داده شده است.
نام روش
میانگین خطا در طول ردیابی (به پیکسل)
روش پیشنهادی
8.00
تطابق قالب
159.79
جابجایی میانگین
21.15
نمایش دقت ردیابی
روش پیشنهادی (خط صلب با رنگ قرمز)
روش تطابق قالب (خط- نقطه با رنگ سبز)
جابجایی میانگین (خط چین صورتی)

25. میانگین خطا در طول ردیابی (به پیکسل)
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
بروز رسانی مدل شی و زمینه:
روش پیشنهادی توسط مستطیل صلب با رنگ قرمز
روش تطابق قالب توسط مستطیل سبز خط- نقطه
روش جابجایی میانگین با مستطیل صورتی خط چین
نمایش داده شده است.
نام روش
میانگین خطا در طول ردیابی (به پیکسل)
روش پیشنهادی
11.84
تطابق قالب
116.12
جابجایی میانگین
98.34
نمایش دقت ردیابی
روش پیشنهادی (خط صلب با رنگ قرمز)
روش تطابق قالب (خط- نقطه با رنگ سبز)
جابجایی میانگین (خط چین صورتی)

26. میانگین خطا در طول ردیابی (به پیکسل)
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
شباهت زیاد رنگ شی و زمینه:
روش پیشنهادی توسط مستطیل صلب با رنگ قرمز
روش تطابق قالب توسط مستطیل سبز خط- نقطه
روش جابجایی میانگین با مستطیل صورتی خط چین
نمایش داده شده است.
نام روش
میانگین خطا در طول ردیابی (به پیکسل)
روش پیشنهادی
15.14
تطابق قالب
107.07
جابجایی میانگین
70.79
نمایش دقت ردیابی
روش پیشنهادی (خط صلب با رنگ قرمز)
روش تطابق قالب (خط- نقطه با رنگ سبز)
جابجایی میانگین (خط چین صورتی)

27. میانگین خطا در طول ردیابی (به پیکسل)
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
دوربین متحرک:
روش پیشنهادی توسط مستطیل صلب با رنگ قرمز
روش تطابق قالب توسط مستطیل سبز خط- نقطه
روش جابجایی میانگین با مستطیل صورتی خط چین
نمایش داده شده است.
نام روش
میانگین خطا در طول ردیابی (به پیکسل)
روش پیشنهادی
5.92
تطابق قالب
58.62
جابجایی میانگین
3.65
نمایش دقت ردیابی
روش پیشنهادی (خط صلب با رنگ قرمز)
روش تطابق قالب (خط- نقطه با رنگ سبز)
جابجایی میانگین (خط چین صورتی)

28. میانگین خطا در طول ردیابی (به پیکسل)
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
دوربین متحرک همراه با تغییرات روشنایی:
روش پیشنهادی توسط مستطیل صلب با رنگ قرمز
روش تطابق قالب توسط مستطیل سبز خط- نقطه
روش جابجایی میانگین با مستطیل صورتی خط چین
نمایش داده شده است.
نام روش
میانگین خطا در طول ردیابی (به پیکسل)
روش پیشنهادی
4.94
تطابق قالب
127.15
جابجایی میانگین
38.04
نمایش دقت ردیابی
روش پیشنهادی (خط صلب با رنگ قرمز)
روش تطابق قالب (خط- نقطه با رنگ سبز)
جابجایی میانگین (خط چین صورتی)

29. میانگین خطا در طول ردیابی (به پیکسل)
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
دوربین مادون قرمز متحرک همراه با
تغییرات روشنایی:
روش پیشنهادی توسط مستطیل صلب با رنگ قرمز
روش تطابق قالب توسط مستطیل سبز خط- نقطه
روش جابجایی میانگین با مستطیل صورتی خط چین
نمایش داده شده است.
نام روش
میانگین خطا در طول ردیابی (به پیکسل)
روش پیشنهادی
7.21
تطابق قالب
90.49
جابجایی میانگین
95.48
نمایش دقت ردیابی
روش پیشنهادی (خط صلب با رنگ قرمز)
روش تطابق قالب (خط- نقطه با رنگ سبز)
جابجایی میانگین (خط چین صورتی)

30. ردیابی در دنباله تصاویر نویزی:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
ردیابی در دنباله تصاویر نویزی:
روش پیشنهادی توسط مستطیل صلب با رنگ قرمز، روش تطابق قالب توسط مستطیل سبز خط- نقطه و روش جابجایی میانگین با مستطیل صورتی خط چین نمایش داده شده است.
نام روش
میانگین خطا
برای نویز گوسین
برای نویز فلفل نمکی
روش پیشنهادی
6.89
6.44
تطابق قالب
10.21
24.37
جابجایی میانگین
193.75
177.62

31. مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات

32. بررسی و مقایسه ی سرعت الگوریتم:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
بررسی و مقایسه ی سرعت الگوریتم:
سرعت الگوریتم بسیار وابسته به نحوه ی پیاده سازی الگوریتم
زمان لازم برای یک شی انتخاب شده با ابعاد 40* 25 که آزمایشات توسط یک کامپیوتر با پردازشگر دو هسته ای GHz 2
با حافظه GB 1 و تحت b2008 MATLAB انجام گرفت.
با فرض استفاده از ساختار موازی برای پیاده سازی شبکه عصبی زمان لازم برای پردازش فریم اول 1.14 ثانیه است.
زمان لازم برای فریم های بعدی (با فرض 4 تکرار برای جابجایی میانگین) برابر 1.56 ثانیه خواهد بود.
بخش های الگوریتم / فریم
فریم اول (ثانیه)
فریم های بعدی (ثانیه)
استخراج ویژگی
0.32
آموزش و آزمایش شبکه عصبی اول (هر نرون)
0.08 -
گسترش زمینه
0.64
آموزش شبکه عصبی دوم (هر نرون)
0.10
آزمایش شبکه عصبی دوم (هر نرون)
0.07
زمان پردازش بدست آمده برای هر فریم برای روش پیشنهادی، روش تطابق قالب و جابجایی میانگین.
نام روش
زمان پردازش هر فریم (به ثانیه)
روش پیشنهادی
1.56
تطابق قالب (بروش NCC)
0.52
جابجایی میانگین
0.61

33. نیاز دارد که در فریم بعدی حداقل قسمتی از شی درون ناحیه ی اولیه باشد
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
ضعف ها:
نیاز دارد که در فریم بعدی حداقل قسمتی از شی درون ناحیه ی اولیه باشد
ناتوانی در ردیابی شی در پوشیدگی های کلی
عدم استفاده از اطلاعات مکانی پیکسل های شی
ناتوانی در یافتن ناحیه ی دقیق شی در حضور پس زمينه شلوغ
دارای حجم محاسباتی نسبتا بالاتر و کندتر بودن بعلت استفاده از ویژگی های بافت
مزایا:
امکان استفاده از ویژگی های متعدد و کنار گذاشتن محدودیت های روش های براساس هیستوگرام ها
جداسازی شی از زمینه و مدل کردن دقیق شی و حذف اطلاعات زمینه از مدل شی
یافتن ناحیه ی نسبتا دقیق شی با وجود متحرک بودن دوربین در زمينه های ساده
عدم نیاز به پروسه ی یادگیری بصورت آفلاین
عدم نیاز به جستجوی سراسری کل تصویر
توانایی جبران سازی تغییرات در اندازه ی شی
توانایی جبران سازی تغییرات در زمینه و شی و تغییرات در روشنایی تصویر
توانایی ردیابی شی با وجود حرکات دوربین
عملکرد مناسب در برابر پوشیدگی های جزیی
عملکرد مناسب در دنباله ی تصاویر مادون قرمز
عملکرد مناسب در دنباله ی تصاویر نویزی

34. 2. بکارگیری اطلاعات مکانی پیکسل های شی
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
پیشنهادات:
1. ترکیب روش پیشنهادی با یک روش پیش بینی مانند فیلتر کالمن یا فیلترهای ذره ای برای توانایی ردیابی شی در پوشیدگی های کلی و حذف نیاز به اینکه در فریم بعدی حداقل قسمتی از شی درون ناحیه ی اولیه باشد.
2. بکارگیری اطلاعات مکانی پیکسل های شی
3. ساخت شبکه عصبی که بسته به اندازه ی شی ورودی و تعداد و توزیع رنگ و بافت های آن بطور خودکار تعداد نرون بهینه را برای آن شی تعیین کند.
4. استفاده از ساختارهایی از شبکه عصبی با رویکرد یادگیری افزایشی تا مدل های مختلف شی را بصورت افزایشی در طول ردیابی بیاموزد.

35. مقالات استخراج شده از پایان نامه:
مقالات مجله:
A. Asvadi, M. Karami-Mollaie, Y. Baleghi, “Efficient Object Tracking Using Optimized K-means Segmentation and Radial Basis Function Neural Networks,” International Journal of Information and Communication Technology (IJICT Journal), June 2012.
مقالات کنفرانسی:
2. A. Asvadi, M. Karami-Mollaie, Y. Baleghi, “Object Tracking Using Adaptive Object Color Modeling,” in: Proceedings of 4th conference on information and knowledge technology (IKT2012), May 2012.
3. A. Asvadi, M. Karami-Mollaie, Y. Baleghi, H. Seyyedi-Andi, “Improved Object Tracking Using Radial Basis Function Neural Networks,” in: Proceedings of 7th Iranian Machine Vision and Image Processing (MVIP2011), November 2011, IEEE indexed. (Selected as a top 16 English papers of MVIP2011)

36. با تشکر از توجه شما

37. پارامتر های شبکه عصبی توابع اساسی شعاعی اول:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
پارامتر های شبکه عصبی توابع اساسی شعاعی اول:
وزن های بین لایه ی میانی و لایه ی خروجی
نوع تابع فعالساز
مراکز توابع فعالساز
شعاع مراکز توابع فعالساز
تعداد نرون های لایه ی میانی
نرون/پنجره
3* 3
5* 5
7* 7
9* 9
11* 11
13* 13
15* 15 2
0.8168
0.7954
0.7707
0.7648
0.7727
0.7317
0.6997 3
0.8183
0.7892
0.8037
0.7905
0.7646
0.7476
0.7366 4
0.8291
0.8148
0.8065
0.7856
0.7818
0.7577
0.7495 5
0.8467
0.8254
0.8119
0.7959
0.7799
0.7652
0.7517 6
0.8433
0.8274
0.8160
0.8005
0.7845
0.7668
0.7580 7
0.8446
0.8259
0.8007
0.7832
0.7698
0.7588 8
0.8414
0.8283
0.8152
0.8012
0.7841
0.7726
0.7596 9
0.8398
0.8265
0.8155
0.7997
0.7844
0.7743 10
0.8333
0.8255
0.8137
0.7985
0.7824
0.7710
0.7587

38. ویژگی ها و تابع هدف بکار رفته در آموزش شبکه عصبی:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
ویژگی ها و تابع هدف بکار رفته
در آموزش شبکه عصبی:
ویژگی های متناظر با مقادیر یک در تابع هدف با رنگ سبز و ویژگی های متناظر با مقادیر صفر در تابع هدف با رنگ قرمز نمایش داده شده اند.

39. نتیجه ی بدست آمده از آزمایش شبکه عصبی: مقدمه پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
نتیجه ی بدست آمده از
آزمایش شبکه عصبی:
ویژگی های متناظر با مقادیر یک در تابع هدف با رنگ سبز و ویژگی های متناظر با مقادیر صفر در تابع هدف با رنگ قرمز نمایش داده شده اند.

40. پارامتر های شبکه عصبی توابع اساسی شعاعی دوم:
مقدمه
پیشینه ی تحقیق
روش پیشنهادی
نتایج و پیشنهادات
پارامتر های شبکه عصبی توابع اساسی شعاعی دوم:
وزن های بین لایه ی میانی و لایه ی خروجی
نوع تابع فعالساز
مراکز توابع فعالساز
شعاع مراکز توابع فعالساز
تعداد نرون های لایه ی میانی
شی/زمینه 2 4 6 8 10 12 14 16 18
0.7451
0.7621
0.7744
0.7874
0.7972
0.7982
0.8002
0.8028
0.8049
0.7581
0.7702
0.7770
0.7891
0.8027
0.8048
0.8067
0.8063
0.7852
0.7910
0.7958
0.7976
0.8078
0.8085
0.8083
0.8092
0.7974
0.7992
0.8012
0.8081
0.8082
0.8087
0.8096
0.8105
0.8010
0.8016
0.8035
0.8058
0.8077
0.8094
0.8119
0.8114
0.8029
0.8047
0.8106
0.8118
0.8116
0.8121
0.8137
0.8074
0.8070
0.8100
0.8123
0.8131
0.8146
0.8129
0.8135
0.8101
0.8136
0.8139
0.8154
0.8160
0.8102
0.8120
0.8132
0.8145
0.8147
0.8152

41. مقدمه پیشینه ی تحقیق روش پیشنهادی نتایج و پیشنهادات
1. نقطه غیر تکراری از فضای ویژگی را بعنوان مراکز اولیه برای خوشه انتخاب کن. (نقاط ویژگی با { } بیان شده اند که هر نقطه دارای 6 بعد است)
2. فاصله ی تمام نقاط ( ) را با هر مرکز خوشه ( ) محاسبه کن و نزدیکترین نقاط به هر مرکز را به آن مرکز خوشه تخصیص بده.
به بیان اگر آنگاه نقطه ی را به خوشه ی ام اختصاص بده که در عبارت بالا مرکز خوشه ی ام و مرکز خوشه ی ام است.
3. از نقاط متعلق به هر خوشه میانگین گیری کن و آنرا بعنوان مرکز خوشه ی جدید در نظر بگیر.
به بیان دیگر هر مرکز خوشه ی جدید از رابطه ی زیر بدست می آید:
در عبارت بالا نقاط مربوط به خوشه ی ام است و تعداد نقاط متعلق به خوشه ی ام است و مرکز خوشه ی ام جدید است و تعداد خوشه ها یا مراکز خوشه ها است.
اگر برای آن مرکز عضوی پیدا نکردی یا اگر مرکزی در بین مراکز تکراری بود یک نقطه از فضای
ویژگی را بطور تصادفی انتخاب کن و جایگزین آن مرکز کن.
4. اگر مراکز تغییر نکرد متوقف شو در غیر اینصورت به گام دوم برو.

42. موارد ردیابی اشتباه: مقدمه پیشینه ی تحقیق روش پیشنهادی
نتایج و پیشنهادات
موارد ردیابی اشتباه:
تاثیر انتخاب اندازه پنجره برای ردیابی شی
استفاده از تنها چهارچوب شی (و نه چهارچوب زمینه) برای محاسبه ی مرکز ثقل شی در ترکیب با روش های پیش بینی مکان شی.
استفاده از هسته ی فاصله ای