Tag Archive: پروژه پردازش تصویر

فروش پروژه تشخیص پلاک خودرو در شب و روز برپایه آستانه گذاری اتسو و الگوریتم بهینه سازی کلونی مورچگان با نرم افزار MATLAB

کد پروژه: 2988

عنوان پروژه: فروش پروژه تشخیص پلاک خودرو در شب و روز برپایه آستانه گذاری اتسو و الگوریتم بهینه سازی کلونی مورچگان با نرم افزار MATLAB

قالب بندی: m- داکیومنت کامل

دسته: کامپیوتر – MATLAB

قیمت: 50.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه تشخیص پلاک خودرو در شب و روز برپایه آستانه گذاری اتسو و الگوریتم بهینه سازی کلونی مورچگان با نرم افزار MATLAB

شناسایی و تشخیص پلاک خودرو در سالیان مختلف به عنوان یک چالش مهم در جوامع علمی مورد بحث بوده است که تا به امروز به درازا کشیده شده است. روش مهای متنوعی در این زمینه ارائه شده است که همگی دارای نقاط ضعف و قوتی می باشند. اما تا به حال روشی که بتواند جنبه های مختلف را به درستی در نظر بگیرد و چالش های موجود این مبحث را مرتفع سازد، ارائه نشده است. البته روش هایی در سیستم های کنترل ترافیک با هدف تشخیص پلاک خودروهای افراد متخلف در کشورمان ایران نیز وجود دارد که برای سیستم طرح ترافیک و زوج و فرد مورد استفاده واقع می گردد. همین طور به عنوان تشخیص پلاک خودروهایی که قوانین راهنمایی ر از لحاظ سرعت و کمربند، رعایت نمی کنند. اما پُر هزینه بودن روش های موجود و بالا بودن پیچیدگی محاسباتی بالا و دقت پایین، منجر به کُند بودن و کاهش کارایی این سیستم ها منجر شده است. بر اساس مطالعاتی که صورت گرفت، تشخیص پلاک خودرو به کرّار با روش های مختلف، ارائه شده است. یکی از مهمترین ضعف هایی که اکثر این روش ها داشتند، توانایی شناسایی و تشخیص پلاک خودرو در روز و شب و همین طور انواع حروف و اعداد بود. اما رویکردی که این پژوهش ارائه داد، توانایی تشخیص پلاک خودروهای ایرانی، انگلیسی، هندی و چینی را دارا بود. روش پیش رو دارای چهار مرحله اصلی است، مرحله اول نرمال سازی تصاویر، مرحله دوم آستانه گذاری اُتسو، مرحله سوم قطعه بندی مبتنی بر پردازش ریخت شناسایی و مرحله آخر، استفاده از الگوریتم بهینه سازی کلونی مورچگان با هدف کاهش ابعاد، انتخاب و استخراج ویژگی های پلاک خودرو. روش ارائه شده حاکی از کارایی بالا نسبت به روش های پیشین را نمایش می دهد.

عكس خروجی برنامه

عکس 1

عکس 2

عکس 3

عکس 4

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه تشخیص چهره از تصاویر و تطبیق با رویکرد یادگیری عمیق و نگاشت های خودسازمانده آشوب ناک با نرم افزار MATLAB

کد پروژه: 2987

عنوان پروژه: فروش پروژه تشخیص چهره از تصاویر و تطبیق با رویکرد یادگیری عمیق و نگاشت های خودسازمانده آشوب ناک با نرم افزار MATLAB

قالب بندی: m- داکیومنت کامل

دسته: کامپیوتر – MATLAB

قیمت: 50.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه تشخیص چهره از تصاویر و تطبیق با رویکرد یادگیری عمیق و نگاشت های خودسازمانده آشوب ناک با نرم افزار MATLAB

با توجه به این که سیستم های تشخیص هوشمند امروزه به عنوان یک مسئله مهم در بخش های گوناگون به خصوص امنیت، سیستم های تجاری، اداری، اقتصادی، نظامی، عمومی و غیره، به کار گرفته می شوند و دامنه وسیعی را پوشش می دهند، لذا ارائه راهکارهای جدید با رفع چالش های قبلی، یک مسئله مهم و حیاتی تلقی می شود. یکی از این سیستم های تشخیص هوشمند، سیستم شناسایی چهره از روی تصاویر یا ویدئوها می باشد که کاربر آن از سرگرمی های عامیانه در گوشی های همراه تا سیستم های فوق امنیتی، کاربرد خود را نشان می دهد. سیستم های شناسایی چهره به عنوان یک سیستم بیومتریک برشمرده می شوند، زیرا با خاصیت ها و ویژگی های چهره در ارتباط مستقیم هستند. همین طور این سیستم ها مبتنی بر اصول پردازش تصویر، بینایی ماشین و بعضا یادگیری ماشین هستند. می بایست یک مرز و تعریف مشخص از سیستم شناسایی چهره نیز ارائه کرد که این تحقیق به دنبال آن است. در واقع شناسایی چهره با تشخیص چهره متفاوت است. در شناسایی چهره، وجود یک یا چند چهره در تصویر یا ویدئو مورد نظر است و همین طور شناسایی دقیق ناحیه چهره، اما در سیستم های تشخیص چهره، بعد از شناسایی چهره، تطبیق چهره با سایر تصاویر از یک مجموعه داده انجام می شود. سیستم های شناسایی چهره که به عنوان حوزه کاری این تحقیق نیز به شمار می روند، دارای چالش های فراوانی می باشند. از جمله این چالش ها می توان به وجود چندین شخص در یک تصویر یا ویدئو اشاره نمود. هدف این است که تمامی تصاویر شناخته و شناسایی گردند. همین طور وجود پشت زمینه یا پس زمینه با ترکیب های مختلف رنگی و یا وجود اشیا، الگویی پیچیده در تصویر ایجاد می نماید که یک چالش جدید در شناسایی چهره را ایجاد می کند. در نظر گرفتن ناحیه چهره افراد و شناسایی آن ها، نیاز به یک سری ویژگی ها دارد که بر اساس سیستم های پردازش تصویر، حاصل می گردند. برای این منظور عملیات تقطیع تصویر، امری لازم است تا ویژگی ها، خود را بیشتر نمایش بدهند. در واقع با تقطیع تصویر، می توان یک تصویر را به ویژگی ها و اجزای تشکیل دهنده آن، تقسیم بندی نمود. از جمله این مولفه های لازم و ضروری در سیستم های شناسایی تصویر در فاز تقطیع، شدت روشنایی و لبه ها هستند. شناسایی ویژگی های اصلی برای شناسایی دقیق ناحیه چهره، نیازمند شناسایی یک سری ویژگی ها مانند ناحیه صورت، چشم، بینی، لب، گونه ها، گوش، ابرو، داشتن سبیل یا ریش، داشتن موهای بلند یا تاس بودن، پیشانی و نواحی دیگر چهره است. همین طور یک سری چالش های دیگر از جمله پوشیده بودن صورت و یا داشتن عینک بر روی چشم، کار شناسایی چهره را کمی دشوارتر می کند. وجود دوربین در زوایای مخلف و عکس برداری، یک مسئله پُرچالش دیگر در سیستم های شناسایی چهره به شمار می رود. اکثر روش های شناسایی چهره، دارای دقت نسبتا نامناسب در شناسایی ناحیه چهره هستند که منجر می شوند در مراحل بعدی مانند تشخیص و تطبیق تصویر و یا سیستم های تشخیص احساسات از تصویر، اشتباهاتی رخ بدهد. همین طور پیچیدگی محاسباتی بالا، می تواند زمان اجرا و کارایی این سیستم ها را تحت تاثیر قرار بدهد. رویکردی که این تحقیق ارائه می دهد، سعی در برطرف سازی مشکلات و چالش های نام برده را دارد. این رویکرد که به صورت سه گام انجام می شود، شامل مرحله پیش پردازش، تقطیع و استخراج ویژگی به همراه شناسایی ناحیه چهره است. در فاز پیش پردازش، کاهش نویز با فیلتر میانه انجام می شود و سپس متعادل سازی هیستوگرام برای بهسازی تصویر صورت می پذیرد. سپس جهت شناسایی ویژگی ها از تقطیع مبتنی بر الگوریتم شبکه عصبی نگاشت خودسازمانده به صورت آشوب ناک استفاده می شود. در فاز تقطیع تصویر، ویژگی ها مشخص می شوند و در این مرحله از مولفه های شدت روشنایی و لبه در تصویر استفاده می گردد. سپس نیاز به آموزش ویژگی هایی است که نمایان شده اند که با استفاده از عملیات یادگیری ماشین مبتنی بر یادگیری عمیق انجام می شود. مدل فرکتال برای مشخص کردن ناحیه چهره به صورت دقیق بعد از تقطیع با هدف استخراج ویژگی ها و سپس آموزش برای شناسایی دقیق چهره در تصویر با شبکه عصبی کانولوشن انجام می گیرد. رویکرد پیشنهادی بر روی مجموعه داده های مختلف شامل LFW، JAFFE، UCCSFace و BioID، مورد سنجش واقع شده است که در هر کدام از این مجموعه داده ها، با مقایسه با روش های پیشین در شرایط یکسان، بهبود نسبی را نشان می دهد.

عكس خروجی برنامه

عکس 1

عکس 2

عکس 3

عکس 4

عکس 5

 

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه دسته بندی پیکسل مبتنی بر قطعه بندی رنگی تصویر با Quaternion Exponent Moments با نرم افزار MATLAB

کد پروژه: 2983

عنوان پروژه: فروش پروژه دسته بندی پیکسل مبتنی بر قطعه بندی رنگی تصویر با Quaternion Exponent Moments با نرم افزار MATLAB

قالب بندی: m – داکیومنت کامل

دسته: کامپیوتر – MATLAB

قیمت: 70.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه دسته بندی پیکسل مبتنی بر قطعه بندی رنگی تصویر با Quaternion Exponent Moments با نرم افزار MATLAB

قطعه بندی تصویر یک مساله مهم اما همچنان دشوار برای حل باقی مانده است زیرا این مساله وابسته به برنامه بوده که معمولا اطلاعات در دسترس مرتبط در خصوص ساختار تصویر وجود ندارد. در سال های اخیر، الگوریتم های قطعه بندی تصویر بسیاری توسعه یافته اند، اما این الگوریتم ها اغلب بسیار پیچیده هستند و اغلب نتایج نامطلوبی می دهند. در این پروژه، ما قطعه بندی تصویر رنگی مبتنی بر دسته بندی پیکسل با استفاده از لحظات نمایی چهارگانه  (quaternion exponent moments) ارائه می دهیم. در مرحله اول، ویژگی تصویر پیکسل-سطح مبتنی بر لحظات چهارگانه نمایی (QEMs) استخراج شده است که به طور موثر می تواند بافت پیکسل تصویر را با توجه به ارتباط بین کانال های رنگی مختلف ثبت کند. سپس، ویژگی تصویر پیکسل-سطح به عنوان ورودی دسته بندی ماشین بردار پشتیبانی دو قلو (TSVM) استفاده می شود، و مدل TSVM با انتخاب نمونه های آموزشی با آستانه آنتروپی Arimoto آموزش داده می شود. در نهایت، تصویر رنگی با مدل TSVM آموزش داده شده دسته بندی شده است. این طرح پیشنهادی دارای مزایای زیر است: (1) QEMs کارا برای توصیف بافت پیکسل تصویر رنگی معرفی شده است که همبستگی بین کانال های رنگی مختلف را در نظر می گیرد، (2) بهترین دسته بندی TSVM استفاده شده است که دارای زمان محاسباتی کمتر و دقت دسته بندی بالاتری است. نتایج تجربی نشان می دهد که روش پیشنهادی ما عملکرد قطعه بندی بسیار امید بخشی در مقایسه با پیشرفته ترین روش های قطعه بندی که اخیرا در ادبیات تحقیق ارائه شده دارد.

عكس خروجی برنامه

عکس 1

عکس 2

عکس 3

عکس 3

عکس 4

 

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه تشخیص احساسات از متون فارسی با شبکه عصبی المن بازگشتی با نرم افزار MATLAB

کد پروژه: 2982

عنوان پروژه: فروش پروژه تشخیص کمربند رانندگان از تصاویر گرفته شده در اتوبان ها برپایه ریخت شناسی تصویر با نرم افزار MATLAB

قالب بندی: m – داکیومنت کامل

دسته: کامپیوتر – MATLAB

قیمت: 125.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه تشخیص احساسات از متون فارسی با شبکه عصبی المن بازگشتی با نرم افزار MATLAB

بی شک مهمترین مولفه انسان، حالات و احساسات اوست که با برقراری ارتباط با محیط پیرامون در تعامل است. احساسات یک فرد را می توان از رفتارهای خروجی او مانند حالات چهره، حرکت اعضای بدن، لحن سخن گفتن و نوشتن متن، تشخیص داد. تشخیص احساسات از روی متون فارسی نوشته شده، یک روش علمی – روان شناسانه جهت ارزیابی و درک شخصیت افراد تلقی می گردد که کمک شایانی به شناخت روحیات افراد در زمان نوشتن می کند. روش ارائه شده در این تحقیق بر پایه روش شبکه عصبی المن به صورت بازگشتی (Recurrent Elman Neural Network) است که نمونه ها را آموزش می بیند. سپس از رگرسیون لاجیستیک به منظور تشخیص احساس متون فارسی و از معیارهای ارزیابی هم چون دقت، میانگین مربعات خطا به منظور ارزیابی و تضمین روش پیشنهادی، استفاده شده است. بهترین نرخ تشخیص احساسات، با استفاده از ترکیب همه ویژگی ها، قابل دست یابی است.

عكس خروجی برنامه

عکس 1

عکس 2

عکس 3

عکس 4

عکس 5

عکس 6

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه تشخیص کمربند رانندگان از تصاویر گرفته شده در اتوبان ها برپایه ریخت شناسی تصویر با نرم افزار MATLAB

کد پروژه: 2981

عنوان پروژه: فروش پروژه تشخیص کمربند رانندگان از تصاویر گرفته شده در اتوبان ها برپایه ریخت شناسی تصویر با نرم افزار MATLAB

قالب بندی: m – داکیومنت کامل

دسته: کامپیوتر – MATLAB

قیمت: 100.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه تشخیص کمربند رانندگان از تصاویر گرفته شده در اتوبان ها برپایه ریخت شناسی تصویر با نرم افزار MATLAB

امروزه با توجه به رشد حمل و نقل و خودروهای در تردد در جاده ای شهری و بین شهری، شناسایی عواملی که ممکن است بر جان رانندگان تاثیر بگذارید و به آن ها با جریمه گوشزد گردد، امری حیاتی و مهم به شمار می رود. زیرا کاهش تصادفات جاده ای نشان دهنده آگاه بودن رانندگان از قوانین موجود است. امروزه دوربین های نظارتی مختلفی در سطح شهر و اتوبان های بین شهری قرار گرفته است که رانندگان متخلف را با شناسایی پلاک هایشان جریمه می کند. اما یکی از بخش هایی که به شدت بر سلامت رانندگان و نفر سرنشین کنار راننده تاثیر دارد، بستن کمربند ایمنی است. از این رو، تحقیق پیش رو سعی در ارائه یک روش موثر در تشخیص کمربند رانندگان از تصاویر را دارد. روش پیشنهادی جهت برطرف سازی روش های پیشین شامل کاهش پیچیدگی محاسباتی، افزایش دقت و سرعت بیشتر، ارائه گردیده است. رویکرد این تحقیق مبتنی بر عملیات پردازش تصویر است، بدین صورت که شامل پنج مرحله اساسی می باشد، یعنی پیش پردازش، تشخیص ناحیه پلاک خودرو، تشخیص ناحیه پنجره جلویی، تشخیص فرد در خودرو و یافتن موقعیت کمربند در راننده. این عملیات مبتنی بر تقطیع بوده و از روش لبه یابی مبتنی بر عملگر کانی بهبود یافته مبتنی بر روش اتوماتای یادگیر سلولی با یک مرحله بزرگ نمایی بعد از قطعه بندی و در نهایت استفاده از پردازش ریخت شناسی مبتنی بر منطق فازی جهت تشخیص بسته بودن یا نبودن کمربند ایمنی، انجام می شود. افزایش دقت و حساسیت، از مهمترین معیارهای ارزیابی این تحقیق به شمار می رود.

عكس خروجی برنامه

عکس 1

عکس 2

عکس 3

عکس 4

عکس 5

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه تشخیص و تصحیص قرمزی چشم در تصاویر مبتنی بر منطق فازی و اصول پردازش تصویر با نرم افزار MATLAB

کد پروژه: 2980

عنوان پروژه: فروش پروژه تشخیص و تصحیص قرمزی چشم در تصاویر مبتنی بر منطق فازی و اصول پردازش تصویر با نرم افزار MATLAB

قالب بندی: m – داکیومنت کامل

دسته: کامپیوتر – MATLAB

قیمت: 100.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه تشخیص و تصحیص قرمزی چشم در تصاویر مبتنی بر منطق فازی و اصول پردازش تصویر با نرم افزار MATLAB

وجود نواحی قرمز رنگ در ناحیه شبکه در زمان عکس برداری، یکی از مشکلات و چالش های قابل توجه می باشد. با توجه به این که دلیل این قرمزی چشم، تشدید نور و ناگهانی بودن برخرود آن با چشم است و انعکاس قرمزی رگ‌ های خونی در ناحیه شبکیه چشم را منجر می شود، نیاز است تا در تصاویر، تا جای ممکن کاسته و یا حذف شود. تشخیص و حذف قرمزی چشم یکی از مسائل جالب توجه سالیان اخیر در حوزه پردازش تصویر بوده است. تا جایی که روش های متنوعی برای آن ارائه و تدوین شده اند، اما هم چنان نقاط ضعف مختلفی در آن باقی مانده است. شناسایی الگوهای چشم شامل بافت، رنگ و شدت نور، می تواند ویژگی های اصلی سیستم های تشخیص و حذف قرمزی تلقی شود. در این تحقیق از عملگرهای ریخت شناسانه برای تقطیع تصاویر و مشخص کردن ویژگی ها مبتنی بر منطق فازی استفاده شده است و در مرحله بعدی، از رشد ناحیه ای برای تصحیح کردن نواحی قرمز استفاده گردیده است. در این سیستم، ابتدا شناسایی وجود چهره در تصویر نیز شکل گرفته است که در فاز تقطیع، ویژگی های چهره مدنظر قرار گرفته است. دقت رویکرد پیشنهادی برای تصحیح و حذف قرمزی چشم 98.52 % بوده است که عملکردی بهتری نسبت به روش های مشابه پیشین را نشان می دهد.

عكس خروجی برنامه

عکس 1

عکس 2

عکس 3

عکس 4

عکس 5

عکس 6

عکس 7

عکس 8

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه حذف نویز از تصاویر سی تی اسکن با استفاده از تبدیل موجک بهینه با نرم افزار MATLAB

کد پروژه: 2978

عنوان پروژه: فروش پروژه حذف نویز از تصاویر سی تی اسکن با استفاده از تبدیل موجک بهینه با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 150.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه حذف نویز از تصاویر سی تی اسکن با استفاده از تبدیل موجک بهینه با نرم افزار MATLAB

حذف نویز از تصاویر مختلف می تواند ابعاد جدیدی از تصویر را نمایان سازد. در حوزه پزشکی نیز این قضیه می تواند تحلیل یک دکتر از تصویر گرفته شده را بهبود بدهد تا اشتباهات پزشکی را کاهش دهد. حذف نویز در تصاویر سی تی اسکن، از جمله رویکردهایی است که در سالیان اخیر، محققان فراوانی را به سمت خود جلب کرده است. به دلیل وجود نویز بعد از نویز زدایی، هم چنان کاهش و حذف نویز در تصاویر سی تی اسکن در مجامع علمی به عنوان یک موضوع داغ و حیاتی، مورد بررسی و تحقیق است. این پژوهش نیز سعی بر ارائه یک روش نوین و جدید با هدف حذف نویز از تصاویر سی تی اسکن با بالاترین دقت و نرخ حساسیت با در نظر گرفتن معیارهایی چون اوج نسبت سیگنال به نویز و نسبت سیگنال به نویز و معیارهای دیگر، بنیان شده است. روش ارائه شده مبتنی بر ترکیب تبدیل موجک و منطق فازی است تا با قوانین فازی بتوان در حذف نویزها، گامی جدید را برداشت و چالش های موجود در این حوزه را مرتفع ساخت.

عكس خروجی برنامه

عكس 1

عكس 2

عکس 3

عكس 4

عکس 5

عکس 6

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه تشخیص رنگ پوست با شبکه عصبی MLP مبتنی بر PSO با نرم افزار MATLAB

کد پروژه: 2977

عنوان پروژه: فروش پروژه تشخیص رنگ پوست با شبکه عصبی MLP مبتنی بر PSO با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 150.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه تشخیص رنگ پوست با شبکه عصبی MLP مبتنی بر PSO با نرم افزار MATLAB

تشخیص رنگ پوست انسان، یک چالش جدید در دنیای پردازش تصویر و بینایی ماشین تلقی می شود که به عنوان یک پیش پردازش اولیه برای اهداف بزرگتری چون سیستم های تشخیص چهره و هویت از پوست، می تواند مورد استفاده تجاری و صنعتی واقع شود. همین طور سیستم های تشخیص رنگ پوست، می توانند برای شناسایی و تشخیص بیماری های پوستی از جمله سرطان پوست و یا تغییر شکل دادن پوست و رنگ آن، مورد استفاده قرار بگیرند. در این پژوهش، به رویکردی جدید از عملیات تقطیع رنگ پوست پرداخته می شود. ورودی چنین سیستم هایی اصولا تصاویر می باشد. هر تصویر وارد شده به چنین سیستمی، دارای یک فضای رنگی است که بعضا دارای سطح خاکستری، RGB، YCbCr، HSV و غیره است. رویکرد پیش رو به پردازش در فضای رنگی LAB تاکید دارد. ضمن معرفی و نحوه تبدیل از فضای RGB به فضای LAB، استفاده از روش ترکیبی شبکه عصبی و الگوریتم ازدحام ذرات بهینه نیز پیشنهاد شده است. نوع شبکه عصبی از نوع پرسپترون چند لایه است که هدف آن، ناحیه بندی و تقطیع رنگ پوست است. الگوریتم ازدحام ذرات بهینه نیز با هدف بهبود ناحیه بندی یا تقطیع و ایجاد کلاس های بهینه در تصویر و استخراج ناحیه پوست از سایر بخش ها، مورد استفاده واقع می شود. رویکرد ارائه شده دارای معیارهای ارزیابی ای چون میانگین مربعا خطا، اوج نسبت سیگنال به نویز، نسبت سیگنال به نویز، دقت، حساسیت و نرخ ویژگی است که نتایج قابل قبولی از روش ارائه شده برای هر معیار، به دست آمده است.

عكس خروجی برنامه

عكس 1

عكس 2

عکس 3

عكس 4

عکس 5

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه پیدا کردن متن در تصویر با ریخت شناسی با نرم افزار MATLAB

کد پروژه: 2924

عنوان پروژه: فروش پروژه پیدا کردن متن در تصویر با ریخت شناسی با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 20.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه پیدا کردن متن در تصویر با ریخت شناسی با نرم افزار MATLAB

عكس خروجی برنامه

عکس 1

عکس 2

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

فروش پروژه تشخیص و ردیابی حرکت از ویدئو با الگوریتم SLKCF با نرم افزار MATLAB

کد پروژه: 2909

عنوان پروژه: فروش پروژه تشخیص و ردیابی حرکت از ویدئو با الگوریتم SLKCF با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 45.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه تشخیص و ردیابی حرکت از ویدئو با الگوریتم SLKCF با نرم افزار MATLAB

شبیه سازی در محیط MATLAB و در یک سیستم با پردازنده 7 هسته ای و پردازنده 3.4 گیگاهرتزی اینتل به همراه 6 مگابایت کَش و همین طور 6 گیگابایت حافظه، شبیه سازی و اجرا گرفته شده است. رویکرد پیشنهادی با استفاده از مجموعه داده های http://cvlab.hanyang.ac.kr/tracker_benchmark/datasets.html انجام گرفته است. به صورت پیش فرض از سه داده آن با 16 تصویر به عنوان آزمون اولیه استفاده شده است که می توان تعداد فریم ها را بیشتر نمود. در بعضی داده ها، گراند تراث وجود دارد و در بعضی نیز وجود ندارد. تعریف موقعیت اولیه برای شناسایی، تشخیص و ردیابی هرگونه تحرک در فریم های ویدئویی به صورت یک موقعیت شناخته شده با ایجاد یک ماتریس موقعیت به برنامه داده شده است.

رخ AUC به عنوان یک معیار ارزیابی که ناحیه زیر منحنی در ROC است، 0.8592 را نشان می دهد. همین طور حداکثر نرخ حساسیت 194، حداکثر نرخ ویژگی ها 107 و نرخ بهره وری هزینه 148 و حداکثر نرخ کارایی 160 می باشد. به طور میانگین برای کل این مجموعه داده، ضریب باتاچاریا برابر 0.9948 و همین طور نرخ ارزیابی CLE برابر 0.9949 بوده است. نرخ دقت در تشخیص نیز 91 % بوده است. لازم به ذکر است که ضریب باتاچاریا، به اندازه گیری مقدار همپوشانی بین دو نمونه آماری یا جمعیتی از آن ها را نشان می دهد. ضریب می تواند برای تعیین نزدیک بودن نسبی دو نمونه مورد نظر استفاده شود. از آن برای اندازه گیری جدایی کلاس ها در طبقه بندی استفاده می شود و از نظر فاصله زمانی Mahalanobis قابل اعتمادتر است، زیرا فاصله Mahalanobis یک مورد خاص از فاصله باتاچاریا است، زمانی که انحراف استاندارد دو کلاس یکسان باشد. در نتیجه، زمانی که دو کلاس دارای معنی مشابه، اما انحرافات استاندارد مختلف، فاصله Mahalanobis به صفر می رسد، در حالی که فاصله باتاچاریا بسته به تفاوت بین انحراف استاندارد افزایش می یابد. زمان اجرا برای تشخیص و ردیابی تحرک با الگوریتم SLKCF در داده اول، 3.7 ثانیه بوده است.

عكس خروجی برنامه

عکس 1

عکس 2

عکس 3

عکس 4

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.