تشخیص خودرو به وسیله استخراج ویژگی هیستوگرام گرادیان های جهت دار (HOG) و آموزش شبکه های عصبی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 تشخیص خودرو به وسیله استخراج ویژگی هیستوگرام گرادیان های جهت دار (HOG) و آموزش شبکه های عصبی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد تشخیص خودرو به وسیله استخراج ویژگی هیستوگرام گرادیان های جهت دار (HOG) و آموزش شبکه های عصبی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی تشخیص خودرو به وسیله استخراج ویژگی هیستوگرام گرادیان های جهت دار (HOG) و آموزش شبکه های عصبی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن تشخیص خودرو به وسیله استخراج ویژگی هیستوگرام گرادیان های جهت دار (HOG) و آموزش شبکه های عصبی :

تعداد صفحات :۸

چکیده مقاله:

امروزه از سیستم های پردازش تصویر در کاربردهای متنوعی استفاده می شود. یکی از پرکاربردترین و گسترده ترین کاربردهای پردازش تصویر در حمل و نقل، استفاده از آن در سیستم های هوشمندنظارت ترافیکی و پیاده سازی قوانین راهنمایی و رانندگی است. بخش بندی تصاویر برای تشخیص خودرو به علت طبیعت پیچیده صحنه کار بسیار مشکلی است. در این بین محدودیت هایی از جمله تغییرات روشنایی، انسداد، آلودگی هوا، شرایط آب و هوایی و تحریفات اضافی از جمله حرکت اشیاء و تغییرات ناگهانی که اغلب در سیستم واقعی رخ می دهد، وجود دارد. برای غلبه بر این مشکلات ما از ویژگی HOG که در مقابل تغییرات روشنایی، حالت و اندازه خودرو مقاوم است، استفاده خواهیم کرد. به دلیل اینکه نیازمند سیستمی هستیم که به صورت بلادرنگ بتواند خودرو را تشخیص دهد انتخاب شبکه های عصبی می تواند بسیار مفید باشد. در این مقاله ما قصد داریم کمک کتابخانه های متن باز بینایی ماشین یا همان OpenCV و با استفاده از ویژگی هیستوگرام گرادیان های جهت دار (HOG) و به کمک شبکه های عصبی پرسپترون چندلایه، خودروها را تشخیص دهیم. نتایج حاصل از این الگوریتم نشان دهنده نتایج بسیار خوبی گردید. از ۴۰۰ نمونه اولیه ۲۰۰ نمونه شامل خودرو و بقیه بدون خودرو بودند، برای آزمودن سیستم استفاده گردید که این سیستم ۹۸.۵% نمونه ها را به درستی تشخیص داد.