# مقدمه تشخیص اشیا در تصویر یک عمل پر چالش است که بسیاری از محققین در حال حاضر به آن می پردازند. تشخیص و نام گذاری[^1] اشیا در عکس بسیار پر چالش است، زیرا تصاویری که داریم می تواند در شرایط بسیار متونعی باشد. به عنوان مثال برای تشخیص خودرو در تصویر چالش هایی که در پیش رو هستند عبارتند از : + تصاویر بسیار متونع از زوایای متفاوت از خودرو + گوناگونی در خودروها به عنوان مثال خودرو سواری ، اتوبوس و … + رنگ ها و طرح های متفاوت خودرو ها + تصاویر در شب یا روز + تصاویر در شرایط جوی متفاوت مانند برفی، بارانی یا آفتابی یا ابری فایق آمدن بر چنین مشکلاتی در حالت کلی بسیار مفید خواهد بود و در زمینه هایی مانند ایمنی خودروها[^2]، فهرست گذاری ویدو[^3]، دنبال کردن اشیا در تصویر[^4] ، روباتیک و … بسیار سودمند خواهد بود. اما تشخیص خودرو در تصویر چه سودمندی خواهد داشت؟ برای پاسخ به این سوال بد نیست به چند نمونه از کاربرد هایی که هم اکنون شاهد آن هستیم اشاره کنیم. به عنوان مثال دوربین های کنترل سرعت راهنمایی و رانندگی که در سطح شهر هستند با تشخیص جسم با سرعت بالاتر از حد مجاز عکسی میگیرند که ابتدا در آن عکس خودرو را تشخیص می دهند و سپس پلاک آن. #کارهای مرتبط رویکردهایی برای تشخیص اشیا در تصویر وجود دارد مانند: شناسایی با اجزا[^5] ، شناسایی بر اساس ظاهر[^6] و شناسایی بر اساس ویژگی ها[^7]. ## شناسایی بر اساس ویژگی ها + درخت ترجمه[^8] + نظریه و اثبات[^9] + ثبات وضعیت [^10] + خوشه بندی وضعیت [^11] + … با توجه به افزایش داده ها و میل روز افزون به دستیابی به اطلاعات موجود ، کاهش بعد ها به وسیله ی انتخاب ویژگی ها (Feature Selection) مهم شدند. روش های زیر بخشی از روش هایی هستند که به این منظور به کار گرفته شدند. + روش شاخه و حد توسط Narendra و Fukunaga برای دوری از جست و جو های کامل همه زیر مجموعه های ویژگی ها استفاده شد. Liu et al. هم روشی برای دوری از جست و جوی کامل توسعه داده است. + در سال ۲۰۱۱ Pedrycz و Ahmad از روش انتخاب ویژگی (Feature Selection) با رویکرد تصادفی ، الگوریتم ژنتیک و بهینه سازی اجتماع ذرات استفاده کردند. + در سال ۱۹۹۶ Bala et al. از الگوریتم ژنتیک و درخت های تصمیم گیری برای انتخاب ویژگی های مفاهیم بصری استفاده کرد. Dollar et al. ابعاد مجموعه تصادفی آغازین را با استفاده از روش Ada Boost کاهش داد. ## شناسایی بر اساس ظاهر + روش تقسیم و حال + تطابق لبه + هیستوگرام + … #روش پیشنهادی روش پیشنهادی برای تشخیص خودرو در تصویر، روش ژنتیک الگوریتم است. زیرا این روش بدون نیاز به دانش اولیه و مداخله انسان قابل پیاده سازی است. همچنین در زمینه هایی مانند شناسایی خودرو، شناسایی صورت و شناسایی هواپیما در تصویر این روش به دقت ۱۰۰٪ رسیده است. البته سعی خواهد شد از الگوریتم ECO feature که بر اساس الگوریتم ژنتیک است استفاده گردد. این الگوریتم بسیار قوی و جدید است به طوری که برای شناسایی اشیا به صورت عمومی در تصاور استفاده می گردد. <img src="http://news.byu.edu/releases/archive14/Jan/objectrecognition/ID_2.jpg" style="width:600px;-webkit-border-radius:20px;-moz-border-radius: 20px;border-radius: 20px; box-shadow: 0px 0px 7px 1px #202020;-webkit-box-shadow: 0px 0px 7px 1px #202020;-moz-box-shadow: 0px 0px 7px 1px #202020;" /> توضیحات تفضیلی در مورد این روش در مقاله مربوطه که در بخش مراجع آمده قابل مشاهده است. البته ما در استفاده از این روش اولویت را بر تشخیص خودرو خواهیم نهاد. #مراجع + [A feature construction method for general object recognition](http://www.sciencedirect.com/science/article/pii/S0031320313002549) + [Wikipedia, Outline of object recognition](http://en.wikipedia.org/wiki/Outline_of_object_recognition) + Computational method of feature selection, Edited by Huan Liu & Hiroshi Motoda + OpenCV + [Feature selection based on rough sets and particle swarm optimization ](http://www.scopus.com/record/display.url?eid=2-s2.0-33845523839&origin=inward&txGid=24D567DAA799B13300ED99B87C6F6C5A.kqQeWtawXauCyC8ghhRGJg%3a12) [^1]:Labeling [^2]:Automotive Safety [^3]:Video Indexing [^4]:Tracking [^5]:Recognition by part [^6]:Appearance-based method [^7]:Feature-based method [^8]:Interpretation trees [^9]:Hypothesize and test [^10]:Pose consistency [^11]:Pose clustering