ارائه یک الگوریتم ترکیبی مبتنی بر یادگیری عمیق و ماشین بولتزمان محدود با هدف قطعه‌بندی معنایی خودرو از تصاویر مادون‌قرمز حرارتی پهپاد

امروزه پایش وسایل نقلیه زمینی با استفاده از روش‌های پردازش تصویر، یکی از حیطه‌های کاربردی در کنترل ترافیک هوشمند به شمار می‌آید. در این زمینه، به‌کارگیری تصاویر مادون‌قرمز حرارتی پهپاد به دلیل قدرت تفکیک مکانی مناسب، مقرون ‌به ‌صرفه بودن و حجم کمتر تصاویر، یکی از گزینه‌های مطلوب برای هدف پایش وسایل نقلیه است. روش‌هایی که تا به حال برای استخراج وسایل نقلیه از تصاویر حرارتی ارائه شده‌اند، اغلب دارای مشکلاتی نظیر دقت پایین در شناسایی و قطعه‌بندی (مانند روش hog+svm) و نیاز به کلان داده‌های آموزشی (مانند روش‌های یادگیری عمیق) است. در تحقیق حاضر، یک مدل جدید با نام segrbmnet بر اساس یادگیری عمیق و ماشین بولتزمان محدود ارائه شده است. از جمله ویژگی‌های مدل segrbmnet، افزایش دقت شناسایی و قطعه‌بندی وسایل نقلیه از تصاویر حرارتی با استفاده توام از لایه‌های کانوولوشنی و ویژگی‌های ماشین بولتزمان محدود گوسین برنولی می‌باشد. این ساختار موجب شده است تا الگوریتم، هدف را با سرعت و دقت بیشتری نسبت به سایر روش‌های یادگیری عمیق پیدا کند. به‌منظور ارزیابی کارایی و دقت روش پیشنهادی، از چهار مجموعه داده مادون‌قرمز حرارتی پهپاد با ویژگی‌هایی نظیر تراکم بالای وسایل نقلیه در صحنه و زاویه دید متنوع استفاده شده است. بر اساس نتایج این تحقیق، مدل segrbmnet با دقت میانگین 99 درصد و بهبود سرعت پردازش، نسبت به روش‌های مشابه دارای کارایی مناسبی می‌باشد.

A Hybrid Algorithm based on Deep Learning and Restricted Boltzmann Machine for Car Semantic Segmentation from Unmanned Aerial Vehicles (UAVs)-based Thermal Infrared Images

Nowadays, ground vehicle monitoring (GVM) is one of the areas of application in the intelligent traffic control system using image processing methods. In this context, the use of unmanned aerial vehicles based on thermal infrared (UAVTIR) images is one of the optimal options for GVM due to the suitable spatial resolution, costeffective and low volume of images. The methods that have been proposed for vehicle extraction from thermal infrared imaging often experience problems such as low accuracy in detection, segmentation (e.g. HOG+SVM) and also the need for big data training (e.g. deep learning methods). In the present study, a new model, called SegRBMNet, based on deep learning (DL) and the restricted Boltzmann machine (RBM) is being presented. One of the features of the SegRBMNet model is the improving accuracy of vehicle detection and segmentation from thermal infrared images by using both convolutional layers and the features of the GaussianBernoulli restricted Boltzmann machine. This structure has led the algorithm to find the target faster and more accurately than other DL methods. To examine the performance of the proposed method, we performed a controlled benchmark (e.g. high density of vehicles scene, and difference in viewing angle) of SegRBMNet and other DL models on four UAVTIR image datasets.The results showed that the SegRBMNet model with a mean accuracy of 99% and improved processing speed compared with similar methods have a good performance.