دانلود ترجمه مقاله شناخت فعالیت انسان با دینامیک عمل (ساینس دایرکت – الزویر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۱۴ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۳۱ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۶
تعداد صفحات مقاله انگلیسی	۱۴ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	هوش مصنوعی، مهندسی نرم افزار و مهندسی الگوریتم ها و محاسبات
مجله	سیستم های خودمختار و روباتیک – Robotics and Autonomous Systems
دانشگاه	گروه الکترونیک و ارتباطات مهندسی، دانشگاه فنی Delhi، هند
کلمات کلیدی	تشخیص حرکت انسان، تصویر ثابت تک، مدل منطق فازی، نمایش حالت مبتنی بر لبه، ویژگی چرخشی
شناسه شاپا یا ISSN	ISSN ۰۹۲۱-۸۸۹۰
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

نکات مهم
چکیده
۱٫ مقدمه
۲٫ انگیزه و کمک های این تحقیق
۳٫ ۲-۲: رهیافت های کلی
۲٫کارهای مرتبط
۲-۱: رهیافت های مبتنی بر تصاویر ثابت
۲-۲: رهیافت های کلی
۲-۳: رهیافت های محلی
۳٫روش پیشنهادی
۳-۱: بررسی اجمالی چارچوب
۳-۱-۱: استخراج فریم کلیدی منفرد
۳-۲: محاسبه SDEG
۳-۳: محاسبه جهت شبح انسان
۳-۳-۱: استخراج شبح انسان
۳-۳-۲: محاسبه ویژگی چرخش
۳-۴: محاسبه بردار ویژگی نهایی
۴٫نتایج تجربی و مباحثه
۴-۱: ارزیابی عملکرد در پایگاه داده
۴-۲: مقایسه نتایج
۵٫نتایج

• بخشی از ترجمه:

۴٫ نتایج
در این مقاله شناخت فعالیت انسان برپایه ادغام SDEG ژست های انسان و جهت ژست های کلیدی شبح انسان ارائه شد، که به طور جداگانه، اما ترتیبی اجراشد. SDEG با استفاده از نمایش فریم منفرد حالت ۲D حرکت محاسبه شد، درحالی که تبدیل R برای محاسبه ویژگی های جهت که اطلاعات زمانی شبح انسان را فراهم می کند، بکار می روند. فریم منفرد از فعالیت سکانس ویدیویی با استفاده از فواصل هیستوگرام بین فریم های کلیدی استخراج می شود. SDEG در سطوح و جهت های مختلف از بین ها (bin) محاسبه شد. وقتی تعداد سطوح افزایش می یابد، کیفیت بهتری از توزیع فضایی حاصل می شود، اما پیچیدگی سیستم به دلیل افزایش در تعداد بردارها افزایش می یابد. همچنین نتیجه می شود که با افزایش در سطوح، بزرگی شیب فضایی بردارها نسبت به درجه های آن ها کاهش می یابد، که اهمیت تمییز خواص بردارهای ویژگی ناشی از مقادیر کمتر را بیشتر کاهش می دهد. تبدیل R ویژگی فعالیت جهت انسان را ارائه می دهد، که در حرکات شبح محاسبه می شود و شبح ها با استفاده از روش بخش بندی مبتنی بر بافت استخراج می شوند. جهت، اطلاعات لازم درباره گردش حرکت مربوط به زمان و تغییر کلی در هدف را فراهم می کند. همچنین نتیجه می شود که افزایش در تعداد فریم ها نه تنها قدرت را افزایش می دهد، بلکه زمان محاسباتی را نیز به طور چشمگیری افزایش می دهد. مزیت این رهیافت ادغام ارائه بردار ویژگی متمایز بزرگ است، که منجربه مدل سازی قوی حرکت بدون نویز می شود.

• بخشی از مقاله انگلیسی:

۵٫ Conclusion

In this paper, human activity recognition based upon the fusion of SDEG of human poses and orientation of key poses of human silhouettes is presented, which is executed separately but sequentially. SDEG is computed using a single frame representing the 2D posture of the activity while R-transform is used for the computation of orientation features providing the temporal information of human silhouettes. A single frame of the activity is extracted from a video sequence using histogram distances between the key frames. The SDEG is computed at different levels and orientations of bins. As the number of levels increases, a better quality of spatial distribution is achieved, but the complexity of the system increases because of the increase in the number of vectors. It is also inferred that with an increase in the levels, the magnitude of the spatial gradient vectors across the degrees decreases, which further diminishes the significance of discriminating characteristics of features vectors due to lower values. R-transform gives the orientation feature of human activity, which is computed on the silhouettes of the activities and silhouettes are extracted using texture-based segmentation method. The orientation provides the knowledge about the flow of action relating to time and the global change in the object. It is also inferred that increasing the number of frames not only increases the robustness, but also increases the computation time significantly. The advantage of this fusion approach is to offer a numerous distinctive feature vector, which leads us to robust and noise free action modelling.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله