بحث متقدم
ترتيب حسب
فلترة حسب
قمنا في هذا البحث بدراسة خوارزمية من خوارزميات التصنيف غير المراقب تدعى خوارزمية التصنيف باستخدام عدد K من المتوسطات (K-means) فالخطوة الأساسية ليذه الخوارزمية ىي تحديد عدد K من العناقيد ثم حساب المسافة بين مركز كل عنقود و عناصر الصورة ليتم تخصيص هذه العناصر للعناقيد الأقرب بناء على قيمة مسافة مرجعية تدعى مسافة العتبة.
يقدم البحث طريقة مطورة لكشف مكان نموذج الوجه في الصورة, و ذلك بجمع أكثر من تقنية لتحقيق أفضل نسبة كشف. يبنى نموذج لون بشرة باستخدام الفضاء اللوني (RGB) Red, Green, Blue, لكشف مناطق البشرة و ينتج المناطق المرشحة لتكون الوجه في الصورة. و من خلال تقنية الشبكة العصبونية يتم تدريب مجموعة من صور الوجوه و صور لغير الوجوه (الخلفية) ، بعد إسقاطها على حيز جزئي بواسطة تقنية تحليل المعاملات الأولية بهدف تقليل أبعاد صور التدريب و تقليل الزمن الحسابي. يوجد تعديلين للاستخدام التقليدي للشبكة العصبونية و هما: أولاً, تختبر الشبكة العصبونية مناطق الصورة المرشحة لتكون وجوه فقط, بالنتيجة يتم تقليل حيز البحث. ثانياً, يتم تكييف نافذة مسح الشبكة العصبونية لصورة الدخل, بحيث تعتمد على حجم المنطقة المرشحة لتكون وجه مما يمكن نظام الكشف من كشف الوجوه بحجوم متعددة.
يعدّ التعرف الآلي إلى السيارات بواسطة أرقامها المثبتة على لوحتها موضوعاً مهماً, لما لهو من استخدامات متعددة منها التطبيقات الأمنية كمراقبة مداخل مؤسسة حساسة. و مراقبة السيارات على الطرقات و كشف السيارات المسروقة و حتى أنه يمكن أن يفيد في الدراسات ال إحصائية كدراسة الازدحام المروري في منطقة ما وغيرها. يعرض هذا العمل تفاصيل بناء نظام تعرف آلي إلى لوحة السيارة و أيضاً التعرف إلى لون السيارة. جرى التركيز في هذا البحث على مرحلة تحويل الأرقام الموجودة داخل صورة لوحة السيارة إلى أرقام فعلية, لتحسين أداء النظام ككل نظرًا لكثرة الأخطاء التي تحدث في هذه المرحلة و بالتالي فشل التعرف بالكامل. قمنا في هذا البحث باستخدام خوارزمية,تحليل المكونات الأساسية (Principal Component Analysis (PCA لللتعرف على أرقام لوحة المفاتيح الموجودة داخل الصورة,و دمجها مع الخوارزمية المستخدمة عادة و هي خوارزمية التعرف البصري Optical Character Recognition (OCR للتقليل من الأخطاء المرتكبة في عملية التعرف على الأرقام , ومن ثم تحسين أداء نظام التعرف الآلي على لوحات السيارات.كما قمنا بإضافة التّعرف إلى لون السيارة (الذي يعدّ موسطاً مميزًا آخر للسيارة)مما يسمح اعتماداً على قاعدة معطيات بكشف السيارات المسروقة و زيادة موثوقية النظام.
ظهرت تقنية التحسس المضغوط compressive sensing حديثاً كتقنية واعدة من أجل ضغط البيانات الموزع في شبكات الحساسات. من الناحية النظرية، تسمح هذه التقنية بضغط بيانات شبكات الحساسات اللاسلكية بدقة ممتازة، حيث يكفي أن يرسل عدد قليل من الحساسات بشكل عشوائي ق راءاته إلى نقطة تجميع المعطيات حتى يمكننا إعادة بناء الإشارة كاملة ( أي تقدير قيم قراءات جميع الحساسات بما فيها تلك التي لم تقم بإرسال قيمها) و بذلك نكون قد قمنا بضغط الإشارة بنسبة تساوي عدد الحساسات التي قامت بالإرسال إلى العدد الكمي للحساسات. إلا أن الشروط التي تعطي في هذه التقنية الأداء المنشود ليست بالضرورة محققة في الواقع. تحتاج تقنية التحسس المضغوط إلى تحويل يجعل تمثيل الإشارة في الفضاء الجديد تمثيلاً مخخلا sparse أيضاً يجب أن يكون هذا التحويل ذو تماسك ضعيف مع مصفوفة التوجيه ، و هو شيء غير بديهي تحقيقه في شبكة حساسات حقيقية. قمنا في هذا البحث بدراسة مدى فعالية استخدام تقنية التحسس المضغوط مع تقنية تحميل المركبات الأساسية في إعادة بناء إشارات الحساسات من عدد صغير من القراءات، و قمنا باقتراح نظام جديد أطلقنا عليه تسمية CS-PCA يتضمن حلقة تغذية راجعة للتحكم بنسبة الضغط عبر تغير عدد الحساسات التي تقوم بإرسال قراءتها بناءً على قيمة مقدر الخطأ في إعادة بناء الإشارة. طرق استعادة الإشارة المدروسة في نظامنا هي : المسين ثنائي التوفقيات biharmonic Spline , التربيع الحتمي العادي الأقل DOLS , التربيع الاحتمالي العادي الأقل POLS , التحسس المضغوط مع تحليل المركبات الأساسية CS-PCA . و أظهرت النتائج تفوق الطريقة الأخيرة على جميع الطرق الأخرى في حال كانت الإشارة ذات ترابط مكاني و زماني كبير، لكن من أجل الإشارات ذات التغيرات السريعة (ترابط صغير أقل من 0.45 ) كان أداء طريقة POLS أفضل.