شناسایی خودکار مکان مورد توجه به کمک توزیع غیر پارامتری مبتنی بر ریسک بیزی

در این مقاله روش جدیدی برای شناسایی خودکار مکان‌‌های مورد توجه افراد با استفاده از دوربین‌‌های نظارتی در فروشگاه‌‌های بزرگ ارائه شده‌‌است. منظور از مکان مورد توجه، ناحیه‌ای در تصویر است که افراد بیشتری رفت و آمد داشته‌‌اند.بدین منظور ابتدا با استفاده از روش‌‌ تشخیص افراد مبتنی بر توصیف‌‌گرهای hog، انسان از دیگر اشیاء موجود در تصویر متمایز می‌‌شود و هر فرد تشخیص داده شده به عنوان یک رخداد در تصویر تلقی می‌‌شود. سپس مورد توجه‌‌ترین مکان‌‌ با استفاده از توزیع غیر پارامتری مبتنی بر ریسک بیزی بر روی موقعیت مکانی افراد تشخیص داده شده، بدست می‌‌آید. در توزیع پیشنهادی هسته جدیدی تعریف شده‌‌است که از کارایی بالایی برخوردار است. در ریسک پیشنهادی نیز تابع ضرر جدیدی تعریف شده‌‌است که صحت بالاتری نسبت به تابع ضرر مربعی در محاسبه مراکز توجه دارد و  در توزیع‌‌های مختلف در محاسبه قله‌‌های توزیع بهتر عمل می‌‌کند. برای ارزیابی روش از فریم‌‌های ویدئویی که از دوربین‌‌های زنده نظارتی در فروشگاه‌‌های مختلف گرفته شده، استفاده شده‌‌است. در ارزیابی هسته پیشنهادی کارایی آن 85% بدست آمده است و در ارزیابی صحت تابع ضرر پیشنهادی به طور میانگین بر روی داده‌‌های مصنوعی 93.5% و بر روی داده‌‌های واقعی 90% بدست آمده است که در مقایسه با روش‌‌های موجود  بهتر است.

Automated Detection of Region of Interest using NonParametric Distribution Based on Bayesian Risk

In this paper, a new method for automated detection of a human region of interest is provided that makes use of camera surveillance in department stores. In this work, a region of interest is an area in the image where more people commute. For this purpose, first humans are distinguished from other objects in the image utilizing a histogram of oriented gradients (HOG) descriptors. Every detected individual is considered as an event in the image. Then, a nonparametric distribution based on Bayesian risk is applied to obtain the most interested regions from the position of detected humans. In the proposed distribution, a new highefficiency kernel is provided. In Bayesian risk, a novel loss function is proposed that has a higher accuracy in compared with square loss function and performs better in finding peaks of a distribution function. For the evaluation, data from live surveillance cameras located in different parts of some stores are used. For the proposed kernel, on average, an accuracy of 85% and for the loss function, an accuracy of 93.5% on artificial data and 90% on real data are acquired which are better results in compared with other similar works.