演化式学习模糊影像监控系统的设计与应用-洪集辉.PPT

演化式學習模糊影像監控系統的設計與應用 報告者:洪集輝 國立金門技術學院電子系 Outline 論文摘要 前言 系統設計與實現 模擬結果 結論 論文摘要 本論文結合粒子群最佳化演算法(Particle Swarm Optimization)、逆向學習(Inverse Learning)與模糊推論等方法設計演化式最佳化模糊影像監控系統。 本文建立的模糊影像建模系統每一模糊規則可描述並代表一群聚特徵完成影像資料物體的選取且大小不同的模糊分割區塊可描述輸入與輸出資料間的關係完成影像資料集的辨識。 利用逆向學習理論的學習架構攫取系統中模糊規則資料庫，使建立的影像監控系統達到最高辨識率目標。 本研究將所提方法實際應用於校園內入侵偵測可以實現本方法的優越監控功能 。 前言 利用電腦視覺技術處理高重覆性、枯燥乏味監控工作。 Inverse learning針對未知受控平台系統以時間序列方式學習並架構出整體系統。其可利用離線 (off-line) 或線上 (on-line) 的學習方式求取受控Plant 的逆動態方程式 (Inverse Dynamics of Plant) G，而模仿其建立出來的fuzzy controller逆動態方程式 可用來產生 fuzzy control action 應用於application phase(監控)。 本計畫擬利用影像分割後辨識出的影像特徵資料輸入模糊控制器內並建立智慧型影像監控系統，故利用粒子群最佳化演算法調整以建立最佳化參數集合解 。 系統設計與實現-演化式學習模糊影像監控系統流程圖 系統設計與實現-監控系統設計流程步驟 PSO演算法依據輸入背景影像資料集掘取特徵資料之參數值建立模糊影像建模系統 Inverse Learning 方式重建影像並架構模糊監控資訊系統。 依據模糊影像建模系統與模糊監控資訊系統誤差大小建立監控規則。 實際輸入監視影像與入侵影像資料至模糊監控資訊系統依據監控模糊規則判斷入侵狀況作警告。 建立測試後評估資料分析圖。 系統設計與實現-模糊系統設計(一) 系統設計與實現-模糊系統設計(二) 重心平均推論與單一值解的模糊推理與解模糊化單元模糊系統輸出值(yo) 為 系統設計與實現-PSO 演算法設計模糊系統 PSO演算法基本概念來自於社會行為的模擬每一個個體的行為不但會受到其過去經驗和認知的影響，同時也會受到整體社會行為影響。 每一個生物個體均有其最高適應度的自我最佳經驗，而相對於個體最佳解 ，整個群體的全域最佳參數解的記憶我們稱之為 。 在每一次的迭代過程中，群體中所有個體在搜尋空間中各自擁有其位置(y)和移動速度(v)，並且根據自我過去最佳經驗與群體最佳行為進行機率式的搜尋策略調整。 系統設計與實現-PSO 演算法設計模糊系統 PSO學習公式如下: 速度修正公式 系統設計與實現-PSO 演算法建立模糊系統之步驟 Step1) 隨機產生初始群中所有個體的位置向量 ( )以及移動速度( )，其中位置向量的解為模糊系統參數之解函數。 Step2) 計算每一粒子個體之適應函數值適應函數 設計如下 (6) PSO追求目標為 (7) Step3) Step4) Step5)根據 (4) 和( 5)調整所有個體移動的速度與位置。 Step6) 重覆 Step2)-Step5) 直至達到預設的迭代次數為止。 模擬結果 實驗中首先收集20張測試影像，其中10張含有不同程度雜訊干擾或聚焦不良的無入侵影像，另外10張有外物入侵影像，分別依所提之方法建立無入侵模式的模糊影像建模系統與有外物入侵時的模糊影像建模系統。 經建模重建影像處理後，無入侵影像資料集所重建的影像如圖2與有外物入侵時之重建影像如圖3 。 模糊影像建模之間的MSE(Mean Square Error) 誤差分析狀況如圖4 。 無入侵影像與外物入侵影像之間在與有外物入侵影像比對時之MSE有很大的差距， MSE大小可以輕易判斷有無外物入侵情形 。 圖2. 10張有不同程度雜訊干擾或聚焦不良的無入侵建模重建影像集 圖3. 10張有外物入侵建模重建影像集 結論 本研究利用PSO演算式學習機制去搜尋最佳模糊系統參數，完成模糊影像建模與入侵監控的應用，依據PSO強健的學習方式與模糊推論系統彈性可調整的歸屬函數特性，由校園入侵模擬結果可顯示，我們實驗中所提出演算方法可有效建立一模糊影像建模與監控系統，完成外物入侵的判斷與監控作業。 * * * 原始 影像 模糊 推 論 分析 編碼簿產生 適應 函數 PSO學習法 解碼 影像 重建 碼傳輸 原始 影像 模糊 推 論 分析 編碼簿產生 適應