UAV Detection Model Using Histogram of Oriented Gradients and SVM
| العنوان بلغة أخرى: |
نموذج لاكتشاف الطائرات بدون طيار باستخدام المدرج التكراري لاتجاهات الانحدار ومتجهات الدعم الآلي |
|---|---|
| المؤلف الرئيسي: | أبو جاموس، محمد خليل صلاح (مؤلف) |
| مؤلفين آخرين: | مغارى، أشرف يونس (مشرف) |
| التاريخ الميلادي: |
2019
|
| موقع: | غزة |
| التاريخ الهجري: | 1441 |
| الصفحات: | 1 - 74 |
| رقم MD: | 1031412 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | الجامعة الإسلامية (غزة) |
| الكلية: | كلية تكنولوجيا المعلومات |
| الدولة: | فلسطين |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
30
| المستخلص: |
إن تمييز الأشياء في الصور والفيديو هي مشكلة وتحدي معروف في مجال الرؤية بالحاسوب، هذا التحدي يكون صعباً خاصةً إذا كان الجسم المراد تمييزه صغيراً بالنسبة لإطار الصورة، ويزداد التحدي إذا كان الجسم متحركاً، وعندما تكون حركته في صورة لها خلفيات مشهد معقدة وفيها تنوع واسع للإضاءة. في هذا البحث تم اقتراح نموذج لتمييز الطائرات بدون طيار خاصة الصغيرة منها والمعروفة باسم "درونز"، وذلك باستخدام المدرج التكراري لاتجاهات الانحدار HOG، ومتجهات الدعم الآلي SVM. إن حل مشكلة صعبة كهذه يتطلب خوارزمية تمييز قادرة على الاستجابة للتغير في شكل الهدف نتيجة الدوران والإنتقال وأي تحولات هندسية للشكل. كذلك لا يمكن الاعتماد على التمييز بواسطة الألوان نتيجة التنوع في الإضاءة خاصة في مشاهد الصور الخارجية، وكذلك نتيجة تنوع ألوان الهدف فهي ليست جميعها بنفس اللون، لذلك اقترحنا نموذج تمييز لهذه الطائرات في الصور باستخدام وصف لتجميعات عددية تصف التدرجات المتجهة لحواف الأشكال HOG، ومن ثم تغذيتها لنظام تعلم آلي موجه هو نظام متجهات الدعم الآلي SVM، ليقوم النظام بعد تدريبه باكتشاف الأجسام المشابهة، ولهدف زيادة الدقة في التمييز تم الاستعانة بتقنيات مدمجة هي أهرامات الصور و تقنية تحديد التمييز الأعظم وإلغاء ما عداه في محيط التمييز المحلي. وحيث أن المشكلة حديثة نسبياً، فلا توجد قواعد بيانات قياسية لصور فحص وتدريب النموذج، لذا فإن جزء من جهدنا البحثي كان اختيار قاعدة صور مناسبة، ثم تحديثها من مصادر متنوعة وأبحاث ذات صلة بموضوع البحث، واختيارها لتناسب هدف البحث، بحيث يكون عدد الصور كافياً للتدريب والاختبار، وعلى أن تكون صور حقيقية وواقعية، وأن تعكس هذه الصور طبيعة المشكلة. لقد حقق نموذجنا نتائج جيدة مقارنة بطرق أعقد تعتمد على الشبكات العصبونية الالتفافية متعددة الطبقات، حيث بلغ معدل مقياس F1 score مقدار0.57 عند احتساب النتائج الصحيحة والخاطئة في كل صورة، ومن الجدير ذكره أنه يمكن البناء على نتائجنا وتطوير نموذجنا باستخدام تقنيات فرق تجميع التعلم الآليensemble ، وباستخدام تقنية التعلم الآلي بالأمثلة exemplar SVM، أو Latent SVM. |
|---|
عناصر مشابهة
-
Control of Uavs Flying in Formation
بواسطة: Al Qaan, Hani منشور: (2009) -
Detecting and Estimating the Levels of Crowd Density from UAV Imagery
بواسطة: المقبل، علي منشور: (2019) -
Applications of UAV Imagery with Machine Learning for Precision Agriculture in Jordan
بواسطة: جبارة، ميرا يوسف محمد منشور: (2023) -
A Review of Recent Development of Security Schemes for UAVs Communication
بواسطة: Mazher, Alaa Noori منشور: (2021) -
الطائرات بدون طيار: النشأة والتطور
بواسطة: محمد، مصطفى كمال منشور: (2020)
