Πλοήγηση ανά Συγγραφέας "Pipeli, Eleni"

Τώρα δείχνει 1 - 1 of 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Ανίχνευση πτώσης μέσω ανάλυσης βίντεο.
    (Τ.Ε.Ι. Κρήτης, Τεχνολογικών Εφαρμογών (Σ.Τ.Εφ), Τμήμα Μηχανικών Πληροφορικής Τ.Ε., 2015-10-30T13:59:14Z) Γιάννη, Σταυρούλα-Νίκη; Πιπέλη, Ελένη; Gianni, Stavroula-Niki; Pipeli, Eleni
    Οι πτώσεις είναι μία από τις μεγαλύτερες αιτίες ατυχημάτων για τους ηλικιωμένους ανθρώπους που μπορεί να οδηγήσουν σε περιορισμένη κινητική δραστηριότητα ή ακόμη και θάνατο. Ο σκοπός αυτής της πτυχιακής είναι η ανάπτυξη ενός συστήματος ανίχνευσης πτώσης μέσω βίντεο. Για το σκοπό αυτό, χρησιμοποιήθηκε ένα ελεύθερα διαθέσιμο σύνολο δεδομένων βίντεο, το οποίο περιέχει καθημερινές δραστηριότητες διαβίωσης και προσομοιώσεις διαφορετικών ειδών πτώσεων (π.χ. πλάγια πτώση, εμπρόσθια πτώση, κλπ). Για το σκοπό της αποτελεσματικότερης χρήσης των χαρακτηριστικών γνωρισμάτων που εξάγαμε, τέσσερις από τις οκτώ κάμερες επιλέχθηκαν από το ελεύθερο σύνολο δεδομένων των βίντεο. Το πρώτο βήμα για την ανίχνευση πτώσεων αποτελεί την ανίχνευση του κινούμενου ατόμου μέσα στην ακολουθία του κάθε βίντεο. Έτσι θα πρέπει να γίνει διαχωρισμός του στατικού φόντου από το μη-στατικό. Για την επίτευξη αυτού του βήματος, μπορεί να χρησιμοποιηθεί μία απλή μέθοδος, η οποία θεωρεί ότι η πρώτη εικόνα του βίντεο είναι και το στατικό φόντο και έπειτα να γίνει μία απλή αφαίρεση των τιμών των εικονοστοιχείων των επόμενων εικόνων της ακολουθίας του βίντεο με την πρώτη εικόνα, όπου αν το αποτέλεσμα της αφαίρεσης μεταξύ των τιμών αυτών δεν είναι ίσο με το 0, τότε θεωρεί ότι το κινούμενο άτομο έχει ανιχνευθεί. Η συγκεκριμένη προσέγγιση έχει πολύ φτωχά αποτελέσματα στις δυναμικές σκηνές και για αυτό το λόγο στην πτυχιακή αυτή χρησιμοποιήθηκε μία πιο προηγμένη τεχνική που είναι βασισμένη σε μίγμα από Gaussians. Έπειτα, το επόμενο βήμα είναι η παρακολούθηση του εντοπισμένου πλέον κινούμενου αντικειμένου (δηλαδή του ατόμου), η οποία επιτυγχάνεται με την χρήση δύο διαφορετικών μεθόδων, με διαφορετικά αποτελέσματα η καθεμία. Η πρώτη μέθοδος που χρησιμοποιήθηκε ήταν το φίλτρο Kalman, για την παρακολούθηση του κέντρου μάζας του κινούμενου αντικειμένου και την εξαγωγή των διανυσμάτων ταχύτητας του. Η δεύτερη μέθοδος ήταν η dense optical flow, από την οποία υπολογίστηκαν τα διανύσματα ταχύτητας ολόκληρης της μάζας του κινούμενου αντικειμένου. Έπειτα από την επεξεργασία των επιλεγμένων βίντεο, ώστε να ταιριάζουν στις απαιτήσεις μας, χρησιμοποιήθηκε ένα εργαλείο επισήμανσης για την εποπτευόμενη, μη-αυτοματοποιημένη επισήμανση των καρέ του κάθε βίντεο, το οποίο αντιπροσωπεύει την πραγματικότητα, ώστε να μπορέσει να πραγματοποιηθεί η σωστή αξιολόγηση του συστήματος της πτυχιακής. Για την αξιολόγηση του συστήματος αυτού, χρησιμοποιήθηκε η τεχνική 10-Fold Cross Validation, καθώς και μία μέθοδος διάσπασης ποσοστού (percentage split). Η μέθοδος διάσπασης ποσοστού αποτελείται με την σειρά της από δύο σενάρια, το 33% σετ εκπαίδευσης και 66% σετ δοκιμής και το 66% σετ εκπαίδευσης και 33% σετ δοκιμής. Τα αποτελέσματα της πτυχιακής έδειξαν ότι η μέθοδος με Optical Flow αποδίδει καλύτερα αποτελέσματα από την μέθοδο με το φίλτρο Kalman. Επίσης, το σενάριο της διάσπασης ποσοστού με 66% σετ εκπαίδευσης και 33% σετ δοκιμής, παρουσιάζει πιο βέλτιστα αποτελέσματα και από την 10-Fold Cross Validation μέθοδο, καθώς και από την περίπτωση διάσπασης ποσοστού με 33% σετ εκπαίδευσης και 66% σετ δοκιμής. Ο αλγόριθμος κατηγοριοποίησης που παράγει αυτά τα βέλτιστα αποτελέσματα είναι ο Sequential Minimal Optimization (SMO).