اهمیت شناسایی افراد از روی تصاویر ویدیویی و بر اساس نحوه راه رفتن امروزه از مسائل مورد علاقه محققین علوم بینایی ماشین و شناسایی الگو است. این پایاننامه یک روش جدید برای شناسایی افراد از روی نحوه راه رفتن آنها ارائه می کند که با توجه به کلیه روشهای موجود از دقت بالایی برخوردار می باشد. مبنای پردازش در این تحقیق تصویر متحرک انسان بدون وابستگی به رنگ لباس و زمینه پیرامون می باشد که در مقالات و کارهای سایرین از آن به سایه و یا شبح یاد شده است. برای بدست آوردن شبح، ابتدا با استفاده از یک روش مقاوم در برابر نویز، تصویر زمینه از تصویر فرد در حال حرکت حذف می شود. سپس با استفاده از شبح بدست آمده در فریم های گرفته شده، یک الگوی مناسب که دارای اطلاعات مکان و زمان موقعیت تمامی پیکسلهای شبح است، بدست می آید. در ایجاد این الگو از تبدیل رادون بعنوان یک ابزار قدرتمند استفاده می گردد. در این تحقیق مبنای پردازش، پایگاه داده ای متشکل از 10 ویدئو برای هر یک از 10 نفر از اشخاص موجود برای شناسایی می باشد. مبتنی بر روش پیشنهادی و پایگاه داده مذکور الگوی مبنا برای 10 نفر حاصل می شود. سپس با استفاده از تحلیل مولفه های اصلی (pca) الگوها، شبکه های عصبی با استفاده از الگوریتمک ژنتیک، مستقلاً برای الگوهای افراد آموزش می بینند و در نهایت با استفاده از داده های آزمون و این مجموعه شبکه های آموزش داده شده، در مورد کلاسی که شخص مورد نظر به آن تعلق دارد تصمیمگیری می شود. همچنین قابل ذکر است که روش پیشنهادی در این تحقیق بر روی داده های تست که در کل 200 نمونه ویدیویی از حرکت 10 نفر می باشد.

ابتدا بر روی یک پایگاه داده مناسب مراحل پیش پردازش جهت یکسان کردن شدت نور و شدت رنگ و کنتراست و حذف نویز کلیه تصاویر صورت می پذیرد. مرحله ی بعد بخش بندی اجزای مختلف تصویر می باشد. در این مرحله قسمت های مشکوک به شکاف، ترک، خال و غیره شناسایی و از تصویر اصلی جدا می شوند. با توجه به اینکه از نظر فیزیکی نوع بافت ترک و شکاف و به طور کلی عیب از خود کاشی متمایز است می توان آنرا جدا نمود. برای این کار الگوریتم های مختلفی وجود دارد روش هایی چون آستانه گذاری، آستانه گذاری تطبیقی و غیره. در این تحقیق از روش gradient vector flow (gvf) که یک روش بسیار مناسب در بخش بندی تصاویر می باشد استفاده می شود. علت انتخاب این روش نتایج مناسب آن در دیگر تصاویر و همچنین عدم استفاده از آن (بنابر جستجوهای انجام گرفته) در بخش بندی تصاویر مربوط به تشخیص اتوماتیک عیب در خط تولید کاشی بوده است. پس از بخش بندی تصویر، به استخراج ویژگی های مناسب از قسمت بخش بندی شده پرداخته می شود. برای این کار ما دو دسته ویژگی از تصویر را استخراج میکنیم که عبارتند از: 1. ویژگی های مربوط به رنگ 2. ویژگی های مربوط به شکل برای هرکدام از عبارات ذکر شده تعداد زیادی ویژگی استخراج می شود. برخی از ویژگی های مربوط به این خانواده ها عبارتند از؛ 1. برای رنگ: ماکزیمم، مینیمم، میانگین و میانه ی (مولفه های آماری مربوط به آمارگان تصویر) مولفه های قرمز، آبی و سبز 2. برای شکل: شاخص مستطیلی، شاخص مربعی، شاخص دایروی و ضریب گریز از مرکز چون تعداد ویژگی های انتخابی معمولا بسیار زیاد است در مرحله ی کاهش ویژگی تعداد آنها کاهش داده می شود. بدین ترتیب ویژگی های موثر که در تشخیص و طبقه بندی تاثیر بیشتری دارند، انتخاب می شوند. برای این کار نیز روش های مختلفی وجود دارد که بنابه کاربرد و در حین انجام تحقیق روش مناسب جهت کاهش ویژگی انتخاب می شود. مرحله ی آخر انجام پایان نامه مرحله ی تشخیص و طبقه بندی می باشد. در این مرحله با توجه به خروجی های مراحل قبل الگوریتم، وجود عیب مانند خال و غیره بر روی تصویر کاشی تشخیص داده می شود و می توان عیوب مختلف را طبقه بندی نمود. طبقه بندهای مختلفی برای انجام این مرحله از تحقیق وجود دارد که در این جا از طبقه بند شبکه ی عصبی استفاده می شود.