k - Eskişehir Osmangazi Üniversitesi

Eskiúehir OsmangaziÜniversitesiMühendislikMimarlõkFakültesiDergisiCilt : XXIV, Sayõ : 2, 2011
Journal of Engineeringand Architecture Faculty of Eskiúehir Osmangazi University, Vol : XXIV, No: 2, 2011
Makalenin Geliú Tarihi : 31.05.2011
Makalenin Kabul Tarihi : 05.06.2011
VøDEO DøZøLERøNDE HAREKET TANIMA
Celal Murat KANDEMøR1, Nihat ADAR2
ÖZET: Bu çalõúmada, video dizilerinden insan hareketlerinin tanõnmasõ için yapay sinir a÷õ (YSA) ve
saklõmarkov modelini (SMM) temel alan insan hareket tanõma sistemleri modellenmiútir. Hareket tespit
ve tanõma sistemi üç aúama içermektedir. Birinci aúamada, video çerçevelerinde insan pozu tespit
edilmektedir. økinci aúamada, hareketlere ait poz dizileri elde edilmektedir. Üçüncü aúamada, YSA ve
SMM tabanlõ tanõma modelleri hareket tanõma için kullanõlõr. Önerilen YSA modeli yüksek tanõma
oranlarõna sahiptir.
Bununla birlikte, SMMmodeliiçinyenieylemleröncekie÷itimliSMM’lerdeherhangi
birde÷iúiklikyapmadankolaycaeklenebilir.
ANAHTAR KELøMELER: HareketTanõma, PozSembolü, PozDizisi, YSA, SMM.
ACTION RECOGNITION IN VIDEO SEQUENCE
ABSTRACT:In this study, human activity recognition systems based on Artificial Neural Networks
(ANN) and Hidden Markov Model (HMM) are modeled for recognition of the human activities from video
sequences. The action recognition system models consist of three stages. At the first stage, human pose is
detected in video frames. At the second stage, the pose sequences are obtained. At the third stage, ANN,
and HMM based recognition models are used for action recognition. Sugested ANN model has higher
recognition rate. However, for the HMM models new actions can be easily added without making any
changes in the previous trained HMM.
KEYWORDS: Action Recognition, Pose Symbols, Pose Sequence, ANN, HMM.
1
2
Eskiúehir Osmangazi Üniversitesi, E÷itim Fakültesi, Bilgisayar Ö÷retim Teknolojileri Bölümü, Meúelik Kamp., ESKøùEHøR
Eskiúehir Osmangazi Üniversitesi, Mühendislik Mimarlõk Fakültesi, Bilg.Müh.Böl.,26480 Meúelik Kamp., ESKøùEHøR
102
Celal Murat KANDEMøR, Nihat ADAR I. GøRøù
Günümüzde video görüntülerinden oluúan veri miktarõ güvenlik ve izleme kamera kayõtlarõ gibi yaygõn
kullanõm nedeniyle çok artmõútõr. Bu kadar çok verinin gerçek zamanlõ ve do÷ru olarak
anlamlandõrõlabilmesi ancak bilgisayar tabanlõ aktivite tanõma sistemleri ile mümkün olabilmektedir.
Aktivite tanõma yöntemlerinin zamansal ve yersel küçük de÷iúiklere karúõ gürbüz bir davranõú sergilemesi
için ihtiyaç duydu÷u iki önemli gereksinimi ö÷renme ve tanõma algoritmalarõdõr.
Yapay sinir a÷larõ, zamanla de÷iúen verilerin analizinde sõklõkla kullanõlan bir yöntemdir. Bununla
birlikte a÷larõn e÷itilmesi için genellikle çok büyük veri kümelerine ihtiyaç duyulmaktadõr. Zamangecikme iúlevselli÷inin dahil edilebilmesi amacõyla çalõúmalar yapõlmõútõr.
YangveAhuja zaman-
gecikmeli yapay sinir a÷larõnõ el hareketi tanõmada uygulanmõú ve yüksek tanõma oranlarõ elde etmiútir
[1].
Video dizisindeki imgeler ile ilgilenildi÷inde test ve referans çerçeveler arasõndaki birbiriyle uyuúmayan
zaman ölçe÷inde çalõúõlabilmesi bir avantaj sa÷lamaktadõr. Myersvd. Q uzunlu÷undaki test örüntüsü ve P
úablonun referans örüntüleri verildi÷inde test ve referans örüntüleri arasõnda en iyi eúleúmenin dinamik
programlama ile bulunulabilece÷ini ileri sürmüútür [2]. Raovd. çalõúmasõnda, video dizisindeki hareketli
nesnelere ait yörüngelerin yer-zaman e÷rilerini hesaplamõú ve dinamik zaman e÷ritmesi yöntemi
kullanarak bunlarõ eúleútirmiútir [3]. Genel anlamda dinamik zaman e÷ritmesi, iki farklõ iúaret arasõndaki
örüntü benzerli÷inin, kesin kõsõtlamalar altõnda dinamik eúleúmesi yoluyla hesaplanmasõnda
kullanõlmaktadõr. Bu yöntem ses tanõmadan sonra insan aktivitelerinin tanõnmasõnda uygulanmõútõr [4].
Fourier dönüúümü, temel bileúenler analizindeki gibi veri ayrõútõrmak için kullanõlabilmektedir.
Cunadovd. yürümeyi gösteren imge dizisindeki insan bacak hareketine ait e÷rileri Hough dönüúümü
yardõmõyla çõkarmõútõr. Bu e÷rilerin e÷imi basit bir harmonik hareketi takip etti÷i görülmüú ve bu
harmonik hareketler yürüyüú parametreleri olarak kullanõlmõútõr. E÷rilerdeki kayõp noktalar en küçük
kareler yöntemiyle birleútirilerek bacak e÷rilerinin e÷im de÷iúikliklerini göstermek hareketleri tanõmak
için Fourier dönüúümden yararlanõlmõútõr [5]. Di÷er bir çalõúmada ise insan siluetinin uç noktalarõndan
faydalanõlarak çõkartõlan yõldõz gösterime fourier dönüúüm uygulanmasõyla yürüyüú çevrimlerinin sezimi
ve tanõnmasõ sa÷lanmõútõr [6].
ùablon eúleme tekni÷inde, bir imge dizisi dura÷an úekil örüntülerine dönüútürülür ve bu örüntüler
önceden tanõma için hazõrlanmõú örüntü úablonlarõ ile karúõlaútõrõlarak uygun eúleúmenin bulunmasõ
sa÷lanõr. ùablon eúleme yöntemi, harekete ait dinamik karakteristiklerin kaybolmasõna sebep olabilmekte
ve hareketin süresindeki bir de÷iúime çok hassas olmaktadõr. Bobick vd. insan hareketini tanõmak için
hareket geçmiúi imgeleri ve hareket enerji imgeleri olmak üzere iki zamansal úablon yaratmõútõr. Hareket
Video Dizilerinde Hareket Tanõma
103
enerji imgeleri (HEø), ikilik imgeler olup imge dizisi içinde hareketin oluútu÷u yeri göstermektedir.
Hareket geçmiúi imgeleri (HGø) ise yerel hareket geçmiúinin bir fonksiyonu olarak her bir bölgedeki õúõk
úiddetinin gösterildi÷i skalar imgelerdir [7]. Bazõ durumlarda hareket enerji imgeleri ile ayrõlmasõ kolay
olmayan hareketler için her iki úablonun birlikte de÷erlendirilmesi gerekebilmektedir
Collinsvd. test dizilerinden anahtar çerçeveleri çõkararak döngüsel yürüyüú analizini gerçekleútirmiútir.
Bu çerçeveler, e÷itilmiú çerçevelerle normalleútirilmiú ba÷lõlaúõm yöntemi kullanõlarak karúõlaútõrõlmõú ve
nesne sõnõflandõrmasõ bu karúõlaútõrma sonucunda elde edilen de÷erler üzerinden en yakõn komúuluk
yöntemiyle gerçekleútirilmiútir [8].
Hareketi gösteren imge dizileri gürültülü olabilmektedir. Aktiviteler kõsmen veya tamamen örtülmüú
veya arkaplan iyi bir bölütlemeye imkân tanõmayacak kadar parazitli olabilir. Benzer durumlar için
tanõmda kullanõlmak için olasõlõksal yapõlar geliútirilmiútir.
Bu yapõlarda, tanõma kararõ en yüksek
gerçekleúme olasõlõ÷õna sahip aktivitenin tercih edilmesi temeline dayanmaktadõr. Bu yapõlar içerisinde en
yaygõn kullanõlanõ ve bilineni saklõ markov modelleridir. Saklõ markov modeli, e÷itim tabanlõ tanõma
tekni÷i olarak ses tanõmada baúarõ ile kullanõlmaktadõr. Saklõ markov modeli yardõmõyla hareket tanõma
problemi bir örüntü tanõma problemine dönüútürülmektedir. Yamatovd. saklõ markov modeli kullanõlarak
insan hareketinin tanõnmasõ konusundaki ilk çalõúmalardan birini gerçekleútirmiútir [9]. Bregler, insan
hareketlerini de÷iúik soyutlama seviyelerinde olasõlõksal parçalarõna ayõrmõú ve olasõlõk da÷õlõmõnõn uzay,
zaman ve soyutlama seviyeleri üzerindeki yayõlõmlarõnõn nasõl oldu÷unu göstermiútir [10]. Yürüyüú stili
ve insan aktivitesi tanõma için farklõ saklõ markov modelleri araútõrmalarda kullanõlmõútõr [11].
Bregler’in çalõúmasõnda, beklenti enbüyükleme algoritmasõ ile elde edilen birbiriyle uyumlu hareket
alanlarõnõ, dinamik sistemlerle ifade etmiú ve karmaúõk insan hareketleri saklõ markov modeli ile
gösterilmiútir. Saklõ markov modelinde art arda gelen her bir faz basit hareketleri göstermektedir ve
bunlar “movemes” olarak adlandõrõlmõútõr. IvanovveBobick, tanõma problemini iki seviyeye ayõrdõklarõ
stokastik bir ayõrma yöntemi geliútirmiúlerdir. Birinci seviyede, saklõ markov modelleri gibi ba÷õmsõz
olasõlõksal olay sezicileri yardõmõyla mümkün olan düúük-seviye olay öznitelikleri tahmin edilerek
stokastik ba÷lama-duyarsõz ayrõútõrma mekanizmasõna girdi sa÷lanõyordu. Bu mekanizma ile tanõma
sürecine önsel bilgi ve zamansal kõsõtlarõn aktarõlabilmesine olanak sa÷lamõútõr [12]. Arkaplan çõkarma,
vücut pozu bulma ve hareket tanõma olmak üzere üç adõmdan meydana gelen çalõúmada yer-zaman
boyutunda tanõmlanmõú olan insan pozlarõ “movelet” olarak adlandõrõlmõútõr [13]. Bir movelet, vücudun
ana bölümlerine ba÷lõ imge parçalarõnõn, birbirini izleyen çerçevelerdeki úekli, hareketi ve örtüúmesinden
elde edilmiú bir koleksiyondur. Movelet’lerin bulunmasõ için veri kümesi içindeki kiúilere her bir vücut
parçasõ farklõ renkte olacak úekilde özel kõyafetler giydirilerek farklõ hareketler yaptõrõlmõútõr. Tanõma
iúlemi, video dizisi içinde yaralan en uygun aktivite ve kod kelimeleri dizisinin saklõ markov modeli
kullanõlarak tahmin edilmesiyle gerçekleútirilmektedir. Chenvd. insan pozlarõ için tanõmlayõcõ olarak
104
Celal Murat KANDEMøR, Nihat ADAR yõldõz iskeleti yapõsõnõ kullandõklarõ saklõ markov modeli tabanlõ bir aktivite tanõma sistemi önermiúlerdir
[14].
Hatun ve Duygulu’nun gerçekleútirdi÷i çalõúmada her bir video çerçevesindeki pozlar yönlü gradyanlarõn
histogramõ (histogram of orientedgradients) olarak tanõmlanmaktadõr.
Hareketlerin sõnõflandõrõlõp
tanõnmasõ için çok büyük boyutlu poz uzayõnda poz kelimelerinin kümelenerek hareketleri oluúturan
pozlarõn daha az boyutlu uzaylarda temsil edilmesine yarayan kelime çantasõ (Bag of Words) yöntemi
kullanõlmaktadõr. Bu yöntem pozlarõn hareket içerisindeki dizilimleri yerine hareket içerisinde bulunup
bulunmadõ÷õna göre tanõma gerçekleútirmektedir [15]. Ancak pozlarõn dizilimi hareketi tanõmlamanõn
önemli bir verisidir. Bu çalõúmada önerilen sõralõ poz dizilimi ile çalõúõlan SMM yöntemi, Güçlü ve
Adar’õn yaptõklarõ çalõúmada kelime çantasõ yöntemi ile kõyaslanmõútõr. Kelime çantasõ yöntemi ile
yapõlan çalõúmada %60, sõralõ poz dizilimi ile yapõlan SMM yönteminde %90 baúarõlõ tanõma
gerçekleútirildi÷i gösterilmiútir [16].
ønsan hareketleri, bir dizi pozun zaman düzleminde arka arkaya gelmesiyle gösterilebilmektedir.
Konuúma dilinde seslerin heceleri, hecelerin de birleúerek kelimeleri oluúturmalarõna benzer yapõda insan
pozlarõ da bir araya gelerek insanõn gerçekleútirdi÷i hareketleri oluúturmaktadõr [17].
Bu çalõúmada, hareketi oluúturan pozlarõn tanõmlanmasõnda resimsel yapõ modeli kullanõlmõútõr. Kenartabanlõ biçim de÷iútirir model yaklaúõmlõ algoritma yardõmõyla insan pozlarõna ait öznitelik vektörleri
bulunur. Tüm çerçevelere ait öznitelik vektörlerinden oluúan öznitelik matrisi K-ortalama yöntemi ile
sõnõflandõrõlarak poz kod kitabõ oluúturulur. Video dizisindeki çerçevelerde elde edilen öznitelik vektörleri
kod kitabõndaki kendisine en çok benzeyen (en düúük mesafeye sahip) kod kelimesini ifade eden
sembollere eúlenmesi sonucunda harekete ait poz sembol dizisi elde edilir. Her bir çerçevede bulunan
pozlar ile elde edilmiú olan poz dizileri ile hareketi tanõmak için iki yöntem önerilmiútir. Bu yöntemlerden
saklõ markov modelinde her bir hareket için ayrõ model kullanõlmakta ve bu modellerin sonucuna göre
tanõma kararõ üretilmektedir. Bu yaklaúõmda her bir hareket farklõ alt model ile tanõndõ÷õndan tanõma
iúlemi paralel ve gerçek zamanlõ gerçekleútirilebilir. Çalõúmada, tanõma için önerilen di÷er yöntem olan
Yapay sinir a÷õ modelinde ise poz dizileri ile öncelikle e÷itim uygulanmakta, daha sonra test poz dizileri
ile hareket tanõma baúarõmõ sorgulanmaktadõr. Bu yöntemde, test aúamasõ çok hõzlõ çalõúmakla beraber
yeni hareketlerin sisteme tanõtõlmasõ sürecinde önceki e÷itim setinde yapõlmõú tüm iúlemler baútan tekrar
edilmek zorundadõr.
105
Video Dizilerinde Hareket Tanõma
II. HAREKETE AøT POZ SEMBOL DøZøLERøNøN BULUNMASI
Kenar-tabanlõ biçim-de÷iútirir modelde, insan vücudu her bir parçanõn sabit büyüklükte yönlü dörtgenler
ile gösterildi÷i K parçadan oluúmaktadõr. Temel olasõlõksal model, a÷aç-yapõlõ koúullu rastsal alandõr. Her
bir parça, imgedeki yeri ve yönü cinsinden
li=[xi,yi,Ϊi] olarak gösterilmektedir.
Parçalarõn sabit
büyüklükte en üst noktasõ (xi,yi) verilmiú olan yönlü dörtgenlerden oluútu÷u varsayõlmaktadõr. Buna göre
K parçalõ model L=(l1, l2, …,lk) ile gösterilebilir. K=10 adet parçadan oluúmuú insan modeli ùekil 1 (a)’da
görüldü÷ü gibi ifade edilebilmektedir [18].
lk=[ xi,yi, ui,vi]úeklindeki ifadede (xi,yi) parçalarõn üst son noktasõnõ gösterirken (ui,vi) vücut
içinde yukarõdan aúa÷õ yönü gösteren birim vektördür.
Video dizilerindeki çerçevelerde insan resimsel yapõ modelini elde etmek için bir araç geliútirilmiútir.
Video dizilerinde resimsel yapõyõ oluúturan lk yönlü dörtgenlerinin yerleri ilk çerçevede tespit
edilmektedir. Resimsel yapõyõ oluúturan parçalar, bir sonraki çerçevede daha önce bulundu÷u bölgeden
piksel bazõnda çok uzak mesafede bulunamayaca÷õ için, hareket vektörleri elde etme yaklaúõmlarõnda
kullanõlan üç adõm arama metodu yardõmõyla [19] bu parçalar belli yakõnlõktaki piksel mesafelerinde
aranarak her bir çerçevedeki insan resimsel modeli bulunmaktadõr. Bu araç yardõmõyla resimsel yapõyõ
oluúturan parçalar otomatik olarak bulunmaktadõr.
ùekil 1. ønsan vücut modeli(a) insan vücudunun 10 parça ile ifade edilmesi,
(b) parçalarõn a÷aç yapõsõndaki yönsüz çizgesi.
II.1. Öznitelik Vektörleri
Video dizisini oluúturan çerçevelerde insan pozlarõnõn resimsel yapõ modelleri, öznitelik vektörleri olarak
ifade
edilmektedir.
Farklõ
hareketlere
ait
video
dizilerindeki
tüm
öznitelik
vektörleri
F = f1 , f 2 , f 3 ,....., f T k-ortalamalar kullanõlarak sõnõf merkezleri hesap edilir. Bu sõnõf merkezlerine
106
Celal Murat KANDEMøR, Nihat ADAR P = P1 , P2 , P3 ,....., PN poz sembolleri atanarak poz sembollerinden (kod kelimeleri) oluúmuú bir kod
kitabõ elde edilir.
Resimsel yapõ modelinde l k ,
k. vücut parçasõnõ göstermek üzere her bir parça eúitlik (1) ile ifade
edilmektedir.
l k = [x k , y k , u k , v k , tip k ]; k = 1..10
Buna ba÷lõ olarak
i.
(1)
çerçevedeki poza ait f i , öznitelik vektörü de eúitlik (2)’de belirtildi÷i úekilde
gösterilebilir.
f i = [l1 l2 l3 l4 l5 l6 l7 l8 l9 l10 ]
T
(2)
ønsan figürüne ait resimsel yapõyõ oluúturan parçalarõn ( x, y ) de÷erleri çerçeveden çerçeveye
de÷iúebildi÷i için resimsel yapõda bulunan kafaya ait parçanõn ( x, y ) de÷erleri merkez alõnarak di÷er
parçalarõn ( x, y ) de÷erleri kafaya göre tekrar hesaplanõr. l10 , kafayõ ifade eden resimsel yapõ modeli
parçasõ olmakla birlikte her bir parça için ∆x, ∆y de÷erleri eúitlik (3) ve (4) ile hesaplanõr.
∆xk = x10 − xk
(3)
∆y k = y10 − y k
(4)
Eúitlik (3) ve (4) kullanõlarak gerçekleútirilen normalizasyondan sonra resimsel yapõ modeline ait vücut
parçalarõna ait bileúenler eúitlik (5) ile verilen vektör ile ifade edilebilir.
l k = [∆x k , ∆y k , u k , v k , tip k ]
(5)
II.2. Öznitelik Vektörleri øle Sembol Eúleúmesi
Hareket tanõma için günlük hayattaki beú temel harekete ait videolardan oluúturulmuú bir veritabanõndan
yararlanõlmõútõr. Video veritabanõndaki farklõ hareketlere ait 5000 çerçevede insan pozlarõ tespit edilerek
pozlara ait öznitelik vektörleri çõkarõlmõútõr. Bu öznitelik vektörleri K-ortalama yöntemi kullanõlarak n
adet kod kelimesine sahip kod kitaplarõ oluúturacak úekilde sõnõflandõrõlmõúlardõr. Farklõ kod kelimesi
sayõlarõ belirlenirken kol ve bacak gibi insan vücudunun eklemli bölgelerinin 180o’lik bir yay boyunca
6o’lik, 4,5o’lik ve yaklaúõk olarak 3,6 o’lik bir açõyla çerçeveden çerçeveye de÷iúti÷i varsayõmõna göre Kortalama sõnõflandõrma yöntemi kullanõlarak 30, 40 ve 50 kod kelimesine sahip kod kitaplarõ elde
edilmiútir. Video çerçevelerinde bulunan öz nitelik vektörleri, K-ortalama ile oluúturulan kod kitabõnda
107
Video Dizilerinde Hareket Tanõma
yer alan kod kelimelerinden en çok benzeúenine vektör niceleme tekni÷i kullanõlarak atanarak, karúõlõk
gelen poz sembolleri ile eúleútirilmektedir.
(a)
ùekil 2.
Vektör nicemleme için,
(b)
gj ∈R
n
merkezli n adet kod kelimesine sahip kod kitabõ.
Rn öznitelik uzayõnda sõnõflarõn merkezini temsil eden g j ∈ R n
kod kelimeleri
ùekil 2’ (a)’da görülmektedir. ùekil 2 (b)’de de görülece÷i gibi bir video dizisini oluúturan çerçevelere ait
farklõ öznitelik vektörleri, merkeze olan uzaklõklarõnõn birbirlerine yakõn olmasõndan dolayõ kod kitabõnda
aynõ poz sembolü ile eúleúebilirler.
Video dizilerini oluúturan çerçevelerden elde edilen her bir f i öznitelik vektörü, öznitelik uzayõnda bu
vektöre en yakõn kod kelimesine atanmõú sembole dönüútürülür. Bunun anlamõ, f i öznitelik vektörü e÷er
j = arg min d ( f i , g j ) ise P j poz sembolüne dönüútürülmesidir. d ( f i , g j ) öznitelik vektörü ile sõnõf
j
merkezinde bulunan kod kelimesi arasõndaki mesafedir ve eúitlik (6) ile hesaplanmaktadõr.
(6)
10
d ( f i k , g kj ) = arg min ∑ ( f i k − g kj )
1≤ j ≤ J
k
k =1
Eúitlikte g j kod kelimesi vektörü ve
f i öznitelik vektörleri, insan vücudunun resimsel yapõsõnõ
oluúturan k adet (k=10) alt vektörden oluúmaktadõr.
J :k-ortalama ile elde edilen sõnõf sayõsõnõ gösterir.
108
Celal Murat KANDEMøR, Nihat ADAR Vektör nicemleme sonrasõ her bir harekete ait video dizisi hareket gözlem vektörüne dönüútürülmektedir.
Eúitlik (7)’deki ohareket vektörü bir kiúiye ait gerçekleútirdi÷i hareket için elde dilmiú olan hareket gözlem
vektörüdür.
o hareket = P1 P1 P1 P1 P2 P2 P2 P3 P3 P3 P3 P4 P4 P4 P5 P5 P6 P6 P6 P5 P5 P5 P3 P3 P3 P3 P3 P2 P2 P2
(7)
Elde edilen bu vektörün gerçekleútirdi÷i hangi tip harekete karúõlõk geldi÷inin (yürüme, tempolu yavaú
koúma TYK, koúma, alkõúlama, el sallama) bulunmasõ ise bir sonraki poz dizilerinden anlam çõkarma
bölümünde ele alõnacaktõr.
III. POZ DøZøLERøNDEN ANLAM ÇIKARMA
Önerdi÷imiz tanõma modelinde, hareketlerin tamamõnda elde edilen öznitelik vektörlerinin birlikte
sõnõflandõrõlmasõ ile tek bir hareket kod kitabõ oluúturularak farklõ hareket sõnõflarõnda aynõ cins öznitelik
vektörlerinin kod kelimesi olarak bulunmasõ engellenmektedir. Bu nedenle testlerde tanõma amaçlõ olarak
birbirinden farklõ kod kelimeleri içeren hareketlere ait video dizileri kullanõlmõútõr.
Hareketlere ait gözlem vektörleri boyutlarõnõ normalize etmek amacõyla en büyük boyuta sahip olan
gözlem vektörünün boyutuna eúitlenmektedir. Bu amaçla, gözlem vektörlerine ortak poz ve tekrarlõ poz
gözlem vektörü ekleme olmak üzere iki farklõ yöntem kullanõlmõútõr.
Ortak poz gözlem vektörü ekleme yönteminde P0
eklenmektedir.
poz sembolü gözlem vektörlerinin sonuna
Tekrarlõ poz gözlem vektörü ekleme yönteminde ise hareketin devam etti÷i
varsayõmõndan yola çõkõlarak harekete ait gözlem vektöründeki ilk elemandan itibaren semboller tekrar
girilmektedir.
Her bir hareket için normalize edilmiú poz dizi vektörleri, e÷itim ve test hareket gözlem vektörleri olarak
gruplandõrõlmõúlardõr. E÷itim hareket gözlem vektörleri önerilen SMM ve YSA’na uygulanarak her bir
hareket için modeller e÷itilerek, modeller için hareket tanõmada gerekli olan parametre ve a÷õrlõklar
hesaplanmõútõr.
E÷itimi tamamlanarak oluúturulmuú olan modele test hareket gözlem vektörleri
uygulanarak e÷itimlerin baúarõmõ ölçülmüútür.
III.1. SMM Hareket Tanõma
Gerçekleútirilen saklõ markov modeli tabanlõ hareket tanõma sisteminde yürüme, koúma, TYK, el sallama
ve alkõúlama için ayrõ birer saklõ markov modeli e÷itilmekte ve hareket tanõnacak video dizisindeki insan
pozlarõ hareket gözlem vektörüne dönüútürülerek e÷itilmiú olan saklõ markov modellerine
uygulanmaktadõr. 109
Video Dizilerinde Hareket Tanõma
N durum ( Q = {q1 , q 2 ,..., q N }) ve M çõkõú poz sembollerine ( O = {x1 , x2 ,..., x M }) sahip bir
SMM, üç parametre ( λ k = ( A, B, π ) ) ile tamamen ifade edilebilmektedir. Önerilen SMM modelinde
durum sayõsõ
N = 5 ve M gözlem sembol sayõsõ ise sõrasõyla 30, 40 ve 50 alõnmaktadõr.
A = {amn | amn = Pk ( st +1 = qn | st = qn )}
Eúitlik (8)
(8)
amn , q m durumundan q n durumuna geçiú olasõlõ÷õnõ göstermektedir. b n (m) ,
x m sembolünün q n durumundaki olasõlõ÷õnõ t de video dizisindeki çerçeve anõnõ göstermek B matrisi
aúa÷õdaki eúitlik (9)’da verilmektedir.
B = {bn (m) | bn (m) = Pk (x m | st = q n )}
π ise
ilk kullanõm için baúlangõç durum da÷õlõmõ vektörüdür ve
(9)
π = {π m | π m = Pk ( s1 = q m )}
ifadesiyle tanõmlanmaktadõr.
SMM tabanlõ tanõma iúlemi Pk (λ | O) de÷erinin hesaplandõ÷õ e÷itim iúlemi ve e÷itim sonucu elde edilen
λk
modelinin üretti÷i
O gözlem dizisine ait olasõlõ÷õn hesap edildi÷i tanõma iúleminden meydana
gelmektedir.
Tanõnmasõ istenen K adet hareket için elde edilmiú hareket gözlem vektörlerinin kullanõlmasõyla
( A, B , π ) model parametrelerinin bulunmasõ ileri-geri arama ve Baum-Welch Tahmin algoritmalarõ ile
gerçekleútirilir.
O gözlem dizisinin hangi hareket oldu÷unun tanõnmasõ ve hareketi en iyi temsil eden kod kelimesi
dizisinin ne oldu÷unun bulunmasõ için izleyen SMM çözümü uygulanmõútõr. Her bir hareket k ∈ (1...K )
için en uygun durum (kod kelimesi) dizisini aramak amacõyla eúitlik (10)’daki olasõlõk eúitli÷ini en
büyükleyecekviterbi algoritmasõ uygulanarak sonuç elde edilmektedir.
*
q k*1 , q k* 2 ,..., q kT
=
max
q k 1 , q k 2 ,... q kT
P ( q k 1 , q k 2 ,..., q kT | O k , Ak ) , q kt ∈ ( P1 ,..., Pi )
(10)
110
Celal Murat KANDEMøR, Nihat ADAR ùekil 3.Hareket tanõmada kullanõlan SMM yapõsõ.
Her bir hareket için yukarõda anlatõldõ÷õ úekilde e÷itilen SMM modeli ùekil 3’te görüldü÷ü gibi paralel
kullanõlarak, her bir SMM modelden gelen tanõma olasõlõklarõ hesaplanmakta ve hesaplanan bu de÷er
eúitlik (11)’de verilen karar ölçütü karúõlaútõrõlarak hareketin tanõnmasõ iúlemi gerçekleútirilmektedir.
arg max Log ( P(O | λi )
(11)
SMM ile hareket tanõma sisteminin ilk aúamasõ olan e÷itim aúamasõnda, her bir hareketi gerçekleútiren
125 kiúi-hareketten 75 kiúi-hareket (yaklaúõk 3000 çerçeve) ile e÷itim yapõlarak hareketlere ait ( A, B , π )
model parametreleri hesap edilmektedir. Model parametreleri hesap edilirken saklõ katmanlardaki durum
sayõsõ beú, gözlem sembolleri ise de÷iúik sayõda kod kelimesi içeren kod kitaplarõna ba÷lõ olarak sõrasõyla
30, 40 ve 50 olarak alõnmaktadõr. SMM ile hareket tanõma sisteminin ikinci aúamasõ olan test aúamasõnda
ise her bir hareketi gerçekleútiren 125 kiúi-hareketten e÷itimde kullanõlmayan 50 kiúi-hareket (yaklaúõk
2000 çerçeve) kullanõlarak sistem baúarõmõ incelenmektedir.
III.2. øleri Beslemeli Yapay Sinir A÷õ Modeli øle Hareket Tanõma
Elde etti÷imiz poz dizilerinden, bu dizilerin hangi harekete ait oldu÷unun bulunmasõnda kullandõ÷õmõz
di÷er yöntem de yapay sinir a÷larõdõr. Bu seçimi yapmamõzõn nedenleri arasõnda, e÷itim aúamasõnõn uzun
sürmesine ra÷men test aúamasõnõn oldukça hõzlõ gerçekleúmesi ve hata yüzeyi üzerinde minimum hatayõ
bulmaya çalõúõrken bölgesel minimumlara takõlma oranõnõn çok düúük olmasõ sayõlabilir.
Poz dizilerinden hareket tanõmada kullanõlan ileri besleme YSA modeli bir adet gizli katmandan
oluúmaktadõr.
Hareket veritabanõnda bulunan beú temel harekete ait video dizilerinde hareketlerin
Video Dizilerinde Hareket Tanõma
111
baúlangõç ve bitiúleri arasõnda en fazla 38 çerçeve (tempolu yavaú koúu) bulunmaktadõr. Her çerçevede
bulunan insan resimsel yapõ modeline ait öznitelik vektörü boyutu 50 olmaktadõr. Bu yüzden giriú ve
gizli katmandaki yapay nöron sayõsõ 38 x 50 = 1900adet olarak alõnmaktadõr. Transfer fonksiyonu olarak
Tan-sigmoit transfer fonksiyonu kullanõlmõútõr. Veri setinin büyüklü÷ü ve yavaú bir ö÷renme hõzõ
olmasõna ra÷men daha az bellek isteyen ölçekli-eúlenik gradyan yöntemi (Scaled Conjugate Gradient) ile
e÷itim gerçekleútirilmiútir [20]. Çõkõú katmanõ ise 5 adet nörondan oluúmakta olup her biri e÷itim ve
testlerde kullanõlacak olan hareketlere karúõlõk gelmektedir. E÷itim esnasõnda e÷itimi yapõlan harekete ait
çõkõú vektör satõrõ 1 di÷er satõrlar 0 olarak e÷itilmiútir. Test aúamasõnda uygulanan poz dizisine ba÷lõ
olarak elde edilen çõkõú vektörü satõrõnda 1’e en yakõn de÷eri veren satõr, poz dizisinin hangi harekete ait
oldu÷unu göstermektedir.
IV. TEST SONUÇLARI
Yapõlan test sonuçlarõ Çizelge 1 – 4 ‘te verilmiútir. Çizelge 1-3 ‘te farklõ kod kelime sayõsõ için; 5
hareketin Ortak poz (O), Tekrarlõ poz (T), SMM ve YSA baúarõm yüzdeleri verilmiútir. Örne÷in Çizelge
1 satõr 1 de test edilen yürüme poz dizimleri hem Ortak pozlu SMM yöntemi ile hem de Tekrarlõ poz
SMM yöntemi ile %80 do÷rulukla yürüme olarak tanõnmõútõr. Test için kullanõlan yürüme poz dizimleri
di÷er hareketlerden sadece TYK için Ortak poz SMM ve Tekrarlõ poz SMM yöntemlerinde %20 oranõnda
hatalõ olarak tanõnmõútõr. “-” iúareti ile verilen yüzdeler ise testlerde ilgili seçenekte tanõma
gerçekleúmedi÷ini gösterir.
Çizelgelerden de görüldü÷ü gibi, normalizasyon yöntemi olarak ortak veya tekrarlõ poz ekleme
yöntemlerinden hangisi kullanõlõrsa kullanõlsõn, YSA modelleri yüzde olarak en iyi tanõma oranlarõnõ
vermiúlerdir. E÷itim ve testlerin yapõldõ÷õ model bazõnda sonuçlar incelendi÷inde ise ortak poz kullanõlan
modellerdeki hareket tanõma iúlemlerinin baúarõmlarõ, tekrarlõ poz kullanõlan modellerdekine göre daha
baúarõlõ oldu÷u görülmektedir. Kod kelimeleri kullanma yöntemi sayesinde (yeterli sayõda poz kelimesi
oluúturulmasõ halinde, tüm hareketlerdeki tüm pozlar sõnõrlõ sayõda olacaktõr) yeni hareketlerin her iki
yönteme göre tanõma sistemine eklenmesinde sadece ilave e÷itim süreçlerinin çalõúõlmasõ yeterli olacaktõr.
Yeni hareketi YSA tanõma yöntemine eklemek için tüm e÷itim setini tekrar uygulamak gerekecektir.
SMM tanõma yönteminde ise di÷er e÷itilmiú hareketlerde herhangi yenileme yapmaksõzõn sadece yeni
hareketin SMM parametrelerini oluúturarak sisteme eklemek yeterli olacaktõr. Bu özelli÷i sayesinde genel
kod kelimeleri tanõmlanmõú SMM yönteminin gömülü sistem olarak, gerçek zamanlõ ve geniúletilebilir
yapõsõ ile tanõma aracõ olarak geliútirilmesinin daha uygun olaca÷õ de÷erlendirilmektedir.
112
Celal Murat KANDEMøR, Nihat ADAR Çizelge 1. Kod kelime sayõsõ n=30 için model baúarõmlarõ.
Yürüme
Koúma
TYK
El
Sallama
Alkõú
SMM
YSA
SMM
YSA
SMM
YSA
SMM
YSA
SMM
YSA
Yürüme
(%)
O
T
80
80
90
90
10
20
10
-
Koúma
(%)
O
T
10
10
80
70
100
90
40
50
10
-
TYK
(%)
O
20
10
40
100
-
T
20
30
10
40
90
-
El Sallama
(%)
O
T
100
100
90
80
10
-
Alkõú
(%)
O
10
100
100
T
20
90
100
Çizelge 2. Kod kelime sayõsõ n=40 için model baúarõmlarõ.
Yürüme
Koúma
TYK
El
Sallama
Alkõú
SMM
YSA
SMM
YSA
SMM
YSA
SMM
YSA
SMM
YSA
Yürüme
(%)
O
T
90
90
90
90
10
10
-
Koúma
(%)
O
T
10
10
80
80
100
90
30
40
20
-
TYK
(%)
O
10
10
70
100
-
T
10
10
10
60
80
-
El Sallama
(%)
O
T
100
100
90
90
10
-
Alkõú
(%)
O
10
100
100
T
10
90
100
113
Video Dizilerinde Hareket Tanõma
Çizelge 3. Kod kelime sayõsõ n=50 için model baúarõmlarõ.
Yürüme
Koúma
TYK
El
Sallama
Alkõú
SMM
YSA
SMM
YSA
SMM
YSA
SMM
YSA
SMM
YSA
Yürüme
(%)
O
T
90
90
100
90
-
Koúma
(%)
O
T
10
100
90
100
80
20
20
30
-
TYK
(%)
O
10
80
100
-
T
10
10
20
80
70
-
El Sallama
(%)
O
T
100
100
90
90
-
Alkõú
(%)
O
10
100
100
T
10
100
100
Birbirine uzak olan hareketlerde tekrarlõ poz kullanõmõ ortak poz kullanõmõna göre bir olumsuzluk
yaratmazken; birbirine yakõn hareketlerde özellikle tekrar eklenen pozlar içinde yakõn olan hareketteki
pozlarla benzer olan pozlarõn çoklu÷u tanõmayõ olumsuz yönde etkilemektedir. Kod kitabõnõn büyüklü÷ü
ise tanõma oranlarõyla do÷ru orantõlõdõr ve kod kelime sayõsõ arttõkça poz dizilerindeki benzer poz sayõsõ
azaldõ÷õndan hatalõ hareket tanõma oranlarõ, do÷ru tanõnma yönünde iyileúmeye sebep olmaktadõr.
Çizelgelerde izlendi÷i gibi; test amaçlõ kullanõlan video dizilerindeki 5 temel hareketin tanõnma oranlarõna
göre kendi içinde de gruplandõ÷õ görülmüútür. Birbirine yakõn olan, yürüme, koúma ve TKY bir grupken,
el sallama ve alkõúlama di÷er bir grubu oluúturmaktadõr. Bu yüzden de hatalõ tespit edilen hareket dizileri
sadece ilgili bulunduklarõ grup içinde hatalõ tanõnmaktadõrlar. Örne÷in videoda gerçekleúen hareket
yürüme ise bu hareket e÷er do÷ru tanõnmadõ ise koúma veya TKY hareketlerinden biri olarak hatalõ
tanõnmõútõr. Benzer durum el sallama ve alkõúlama hareketleri için de geçerlidir.
Çalõúmada önerilen SMM yönteminin bir di÷er uygulama avantajõ da modele uygulanan hareket
vektörlerinin YSA modellerde oldu÷u gibi aynõ uzunlukta olmalarõ gerekmemektedir. Bu yüzden test
hareket videolarõndan elde edilen poz dizileri herhangi bir normalizasyona gerek kalmadan da SMM
modellere uygulanabilmektedir. Çizelge 4’te test pos dizilerinin normalizasyon yapõlmadan SMM modele
uygulanmasõnõn sonuçlarõ verilmiútir. Bu testlerde hareketlerin tanõnmasõ için kullanõlan SMM
modellerinden en düúük tanõma oranlarõ, normalize edilmemiú poz dizileri ile e÷itimi ve testleri yapõlmõú
olan SMM modeli ile elde edilmektedir. El sallama ve alkõúlama hareketlerinde ortak ve tekrarlõ poz
eklenerek e÷itim ve testlerin yapõldõ÷õ SMM modelleri ile yaklaúõk aynõ do÷ru tanõma sayõlarõna sahipken,
yürüme, koúma ve TYK hareketlerinde tanõma oranlarõ ortak ve tekrarlõ poz eklenerek e÷itim ve testlerin
yapõldõ÷õ SMM modellerine göre daha kötüdür.
114
Celal Murat KANDEMøR, Nihat ADAR Kod kelime sayõsõnõn artmasõ, ortak poz ve tekrarlõ poz eklenerek e÷itim ve testlerin yapõldõ÷õ SMM
modellerinde tanõma oranlarõnõ iyileútirici yönde katkõ sa÷larken, normalizasyon yapõlmadan poz
dizilerinin uygulanarak e÷itim ve testlerinin yapõldõ÷õ SMM modelinde tanõma oranlarõ arasõndaki fark,
özellikle birbirine yakõn hareketler arasõnda azaldõ÷õ için hareketlerin hatalõ algõlanmasõ yönünde olumsuz
katkõda bulunmaktadõr.
Çizelge 4.Poz dizilerinin normalizasyon yapõlmadan SMM modele uygulanmasõ.
Yürüme
(%)
Kod Kitabõ
Büyüklü÷ü
Yürüme
Koúma
TYK
El Sallama
Alkõúlama
Koúma
(%)
TYK
(%)
El Sallama
(%)
Alkõúlama
(%)
30
40
50
30
40
50
30
40
50
30
40
50
30
40
50
100
10
-
100
-
80
-
90
40
-
80
40
-
70
40
-
10
50
-
20
60
-
20
30
60
-
100
-
100
-
100
-
100
100
100
V. SONUÇ VE ÖNERøLER
Önerilen YSA ve SMM modellerinde öznitelik vektörü olarak insan resimsel yapõ ifadesindeki vücut
parçalarõnõn birbirlerine olan uzaklõklarõ ve vücut parçalarõnõn yönleri kullanõlmaktadõr. Her bir hareket
için ayrõ kod kitabõ oluúturarak bu kod kitaplarõnõn bir arada kullanõlmasõyla model e÷itimi ve testlerinin
yapõldõ÷õ çalõúmalarda yeni bir hareketin model tarafõndan tanõnabilmesi için o hareketin kod kelimeleri
elde edilerek model kod kitabõna eklenmesi gerekmektedir. Kod kelimelerinin hareket temelli üretilmesi
farklõ hareketlere ait kod kitaplarõnda aynõ kod kelimelerinin bulunmasõna sebep olabilmektedir.
Önerdi÷imiz tanõma modelinde, hareketlerin tamamõna ait pozlar sõnõflandõrõlmak suretiyle kod kitabõ
oluúturuldu÷undan, yeni bir hareket modele uygulandõ÷õnda mevcut kod kitabõna ba÷lõ olarak yeni bir poz
dizisi elde edilip, modelin e÷itimi bu yeni poz dizisiyle yapõlarak yeni hareketlerin de tanõnmasõna olanak
sa÷lanmaktadõr. Yeni hareketlere ait pozlar elde edildi÷inde e÷er pozlara ait öznitelik vektörleri kod
kitabõnda bulunan kod kelimelerinden tolerans dõúõnda bir mesafede ise yeni kod kelimesi model kod
kitabõna eklenmektedir. Böylelikle kod kitabõnõn dinamik bir úekilde güncellenmesi sa÷lanmaktadõr.
Hareketlerin video içerisindeki gerçekleúme süreleri farklõlõk göstermektedir. Bu yüzden bu hareketlere
ait poz dizi vektörlerinin tüm hareketlerde aynõ uzunlukta olabilmesi için girdi vektör boyutlarõnõn
normalize edilmesi gerekmektedir. Çalõúmalarõmõzda ortak poz ekleme ve tekrarlõ poz ekleme olmak
üzere iki farklõ yöntem önerilmiú ve kullanõlmõútõr.
YSA e÷itimlerinde ortak poz ekleme yöntemiyle e÷itim verileri oluúturulmuú olan model, tekrarlõ poz
ekleme yöntemiyle e÷itim verileri oluúturulmuú olan modele göre daha hõzlõ bir úekilde e÷itilebilmektedir.
Video Dizilerinde Hareket Tanõma
115
E÷itim ve testlerin yapõldõ÷õ model bazõnda sonuçlar incelendi÷inde görüldü÷ü gibi, normalizasyon
yöntemi olarak ortak veya tekrarlõ poz ekleme yöntemlerinden hangisi kullanõlõrsa kullanõlsõn, YSA
modelleri yüzde olarak en iyi tanõma oranlarõnõ vermiúlerdir. Ayrõca, ortak poz kullanõlan modellerdeki
hareket tanõma iúlemlerinin baúarõmlarõ, tekrarlõ poz kullanõlan modellerdekine göre daha baúarõlõ oldu÷u
görülmektedir. Her iki yöntem kullanõlarak yapõlan tanõma iúlemlerinde hatalõ olarak tanõnan hareketlerin
birbirine yakõn hareket grubu içinde hatalõ tanõndõ÷õnõ göstermiútir.
Önerilen SMM tanõma yöntemi gerçek zamanlõ tanõma yapabilen, kolayca geniúletilebilir gömülü sistem
olarak gerçekleútirmek mümkündür. Yeni bir hareket tanõtmak için önceki e÷itilmiú hareketlerde
de÷iúiklik yapmaya gerek kalmadan sadece yeni hareket için yeni bir SMM eklenebilmesi kolayca
geniúletilebilir olmasõnõ sa÷lamaktadõr. Gerçek zamanlõ hareket tanõma için ise her bir hareket farklõ bir
gömülü sistem ile gerçekleyerek tanõma kararõ tüm hareketler için paralel olarak üretilmiú sonuçlara göre
verilebilir. Bu avantajlarõ nedeniyle gerçek zamanlõ tanõma yapabilen geniúleyebilir, paralel sistem
mimarisinde gömülü mimarili SMM tanõma makinesi geliútirilmesi gelecek çalõúma olarak
planlanmaktadõr.
VI. KAYNAKLAR
[1]
M. H. Yangand, N. Ahuja, “Recognizing hand gesture using motion trajectories”, Proceedings
of the IEEE Conference on Computer Vision and Image Understanding, Fort Collins, Colorado,
June 1999, pp. 468-472.
[2]
C. Myers, L. Rabinierand A. Rosenberg, ‘Performance tradeoffs in dynamic time warping
algorithms for isolated word recognition’, IEEE Trans. on Audio Speech Lang. Process., pp.623635, 1980.
[3]
C. Rao, A. Yilmazand M. Shah, “View-invariant representation and recognition of actions”, Int.
J.. of Computer Vision, Vol. 50, No.2, pp. 203-226, 2002.
[4]
N. Cuntoor, A. Kale and R. Chellappa, ‘Combining multiple evidences for gait recognition’,
Proceedings of International Conference on Acoustics, Speech and Signal Processing, 2003,
Vol. 3, pp. 113-116.
[5]
D. Cunado, M. S. Nixonand J. N. Carter, ‘Using gait as a biometric, via phase-weighted
magnitude spectra,’ Proceedings of 1st International Conference on Audio and Video Based
Biometric Person Authentication, 1997, pp. 95-102.
[6]
H. Fujiyoshi, A. J. Liptonand T. Kanade, “Real time human motion analysis by õmage
skeletonization”, IEICE Trans Inf Sys, pp. 113-120, Vol. E87-D, No.1, 2004.
116
[7]
Celal Murat KANDEMøR, Nihat ADAR A. F. Bobickand J. W. Davis, “The recognition of human movementusing temporal templates”,
IEEE Trans. on Pattern Anal. Mach. Intell., Vol. 23 (3), pp. 257-267, 2001.
[8]
R. T. Collins, R. Grossand J. Shi, ‘Silhouette based human identification from body shapeand
gait’, 5th International Conference on Automatic Face and Gesture Recognition, May 2002.
[9]
J. Yamato, J. Ohyaand K. Ishii, “Recognizing human action in time sequential images using
hidden markov models”, Proceedings Computer Vision and Pattern Recognition, 1992, pp. 379385.
[10]
C. Bregler, “Learning and Recognizing Human Dynamics in Video Sequences’, Proceedings of
the IEEE Conference on Computer Vision and Pattern Recognition, June 1997, pp. 568-574.
[11]
A. Kale, A.N. Rajagopalan, N. Cuntoorand V. Krueger, ‘Gait based Recognition of Humans
Using Continuous HMMs’, Proceedings of the IEEE International Conference on Automatic
Face and Gesture Recognition, May 2002, pp. 336-341.
[12]
Y. A Ivanovand A. F. Bobick, “Recognition of visual activities and õnteractions by stochastic
parsing”, IEEE Trans. on Pattern Anal. Mach. Intell.,Vol.22, No.8, pp.852-872, 2000.
[13]
X. Feng and P. Perona,“Human action recognition by sequence of movelet code words”,
Proceedings of 1th International Symposium on 3D Data Processing Visualization and
Transmission, 2002, pp. 717–721.
[14]
H. S. Chen, H. T. Chen, Y. W. Chen, and S. Y. Lee, “Human action recognition using star
skeleton”, Proc. of 4th ACM International Workshop on Video Surveillanceand Sensor Networks
2006 (VSSN-2006) ,in conjunction with ACM Multimedia 2006, Santa Barbara, CA, USA,
October 27, 2006.
[15]
K. Hatun, P. Duygulu, “A new representation for action recognition using sequence of
posewords”, 19th International Conference on Pattern Recognition, 2008.
[16]
Güçlü T., Adar N., “Recognizing human actions by using visual posewords”, Int. Symposium on
Innovations in Inteligent Systems and Applications (INISTA 2010), Haziran 2010 Kayseri.
[17]
Kandemir C.M., “Yüksek Baúarõmlõ, Bilgisayarla Görü Uygulamalarõ Programlamasõ”, Doktora
Tezi, Eskiúehir Osmangazi Üniversitesi Fen Bilimleri Enstitüsü, 125s., 2009.
[18]
D. Ramanan, C. Sminchisescu, “Training deformable models for localization”, IEEE Conference
on Computer Vision and Pattern Recognition, 2006, Vol. 1, 206–213.
[19]
T. Koga, K. Iinuma, A. Hirano, Y. Iijima, and T.Ishiguro, “Motion compensated interframe
coding for video conferencing,” Proc. Nat. Telecommun. Conf., New Orleans, LA, Nov. 29–
Dec. 3 1981, pp. G5.3.1–G5.3.5.
[20]
H. Demuth, M. Beale, Neural Network Toolbox for use with MATLAB, 2002.