چکیده:
در اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺎ ﮐﻤﮏ روشﻫﺎی ﭘﺮدازش ﺗﺼﻮﯾﺮ و ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ رﻗﺎﺑﺘﯽ اﻟﮕﻮرﯾﺘﻤﯽ ﺟﻬﺖ ﺗﺸﺨﯿﺺ روی آب ﯾﺎ داﺧﻞ آب ﺑﻮدن ﺷﻨﺎﮔﺮان از ﻃﺮﯾﻖ دورﺑﯿﻦﻫﺎی ﻧﻈﺎرﺗﯽ، اراﺋﻪ ﻣﯽﺷﻮد. در اﺑﺘﺪا ﺑﺮدارﻫﺎی آﻣﻮزﺷﯽ ﺑﺮای آﻣﻮزش ﺷﺒﮑﻪ ﻣﺘﻨﺎﺳﺐ ﺑﺎ وﺿﻌﯿﺖ-ﻫﺎی ﻣﺨﺘﻠﻒ ﺟﺴﻢ در ﻣﺤﯿﻂ آﺑﯽ و ﭘﺲزﻣﯿﻨﻪ ﺗﻬﯿﻪ و از اﯾﻦ ﺑﺮدارﻫﺎ ﺑﺮای آﻣﻮزش ﺷﺒﮑﻪ اﺳﺘﻔﺎده ﻣﯽﺷﻮد. ورودی ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﺮدار رﻧﮓ ﭘﯿﮑﺴﻞﻫﺎی ﺗﺼﻮﯾﺮ ورودی و ﺧﺮوﺟﯽ آن ﺑﺮدار رﻧﮓ ﭘﯿﮑﺴﻞﻫﺎی ﺗﺼﻮﯾﺮ ﺧﺮوﺟﯽ ﺷﺒﮑﻪ ﻣﯽﺑﺎﺷﺪ. در ﻣﺮﺣﻠﻪ آﻣﻮزش، ﺷﺒﮑﻪ ﻣﯽآﻣﻮزد ﮐﻪ ﺑﻪ ازای ﻫﺮ ﮐﺪام از ﺣﺎﻻت ﭘﯿﮑﺴﻞﻫﺎی ﻣﺘﻌﻠﻖ ﺑﻪ ﺷﻨﺎﮔﺮ زﯾﺮ آب، ﺷﻨﺎﮔﺮ روی آب و ﯾﺎ ﻣﺘﻌﻠﻖ ﺑﻪ ﭘﺲزﻣﯿﻨ ﺑﺮدار رﻧﮓ ﺟﺪاﮔﺎﻧﻪای در ﺧﺮوﺟﯽ اﯾﺠﺎد ﮐﻨﺪ. ﺳﭙﺲ ﺑﺮای ﺑﻬﺒﻮد ﻧﺘﯿﺠﻪ ﭘﺮدازشﻫﺎﯾﯽ ﺑﺮ روی ﺗﺼﻮﯾﺮ ﺧﺮوﺟﯽ ﺻﻮرت ﻣﯽﮔﯿﺮد و وﺿﻌﯿﺖ ﺷﻨﺎﮔﺮ ﺑﻄﻮر دﻗﯿﻖ ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮد.
خلاصه ماشینی:
"در این مقاله نیز بر همین اساس الگوریتمی ارائه میشود که با استفاده از ویدئوی دوربین های نظارتی قادر به تشخیص روی آب و یا داخل آب بودن شناگران و یا اجسام دیگر در محیط های آبی به کمک شبکه عصبی میباشـد.
در ادامه با اعمال تصویر ورودی و بدست آوردن تصویر خروجی شبکه ، بـرای بهبـود عملکـرد الگـوریتم پیشنهادی با استفاده از پردازش هایی محدوده دقیق پیکسل های متصل به هم در تصویر خروجی شبکه را بدست میآوریم و در صورتی که تعداد پیکسلها هر محدوده از آستانه ای بیشتر باشد نتیجه میگیریم محدوده مد نظر متعلق بـه هـدف ، در غیـر ایـن صورت محدوده متعلق به پس زمینه بوده و در اثر عواملی همچون شکست نور به صورت اشتباه در مجموعه پیکسل های متعلـق به هدف قرار گرفته و باید از مجموعه پیکسل های متعلق به شناگران حذف گردد.
٢-١بردارهای آموزشی شبکه در مرحله آموزش شبکه یاد میگیرد که به ازای بردارهای رنگ تصویر ورودی که بیانگر محدوده رنگ های پس زمینه ، شناگر زیر آب و شناگر روی آب میباشند، بردار رنگ مد نظر در خروجی شبکه را تولید کند؛ بنابراین بردارهای مورد استفاده برای آموزش باید تنوع کافی را داشته باشند و بهتر است که از مکان های مختلف استخر و در شرایط نور پردازی گوناگون محیط تهیه گردند.
Lu and Y-P Tan, "A vision-based approach to early detection of drowning incidents in swimming pools,"IEEE Transactions on Circuits and Systems for Video Technology, vol."