{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK581",
        "title": "شناسایی رفتارهای ناهنجار در تصاویر ویدئویی",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1396",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TK581",
        "title": "شناسایی رفتارهای ناهنجار در تصاویر ویدئویی",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1396,
        "authors": [
            {
                "name": "بهنام سبزعلیان",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "حسین مروی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "شناسایی رفتارهای ناهنجار در تصاویر ویدئویی",
            "شبکه‌های عصبی کانولوشنی",
            "بینایی ماشین",
            "ویژگی‌های زمان-مکانی CNN",
            "اوزان تکرارشونده در تجزیه ماتریس‌های نامنفی (IW-NMF)",
            "تجزیه ماتریس‌های نامنفی NMF"
        ],
        "abstract": "شناسایی رفتار ناهنجار ازلحاظ اهمیت به یک ضرورت در سامانه‌های نظارت بصری و همچنین به‌عنوان یک چالش در تحقیقات بینایی ماشین بدل شده است. گرچه تلاش‌های بسیاری به‌منظور رفع این مشکل انجام‌شده است، اما شناسایی رفتار در یک محیط واقعی و غیرقابل‌کنترل فاصله معناداری تا رسیدن به حد نهایی خود دارد. مشکل اصلی ابهام در تفاوت خصوصیات رفتار عادی و غیر عادی نظیر درگیری، وجود اشیا مشکوک و ... است که تعریف آن معمولاً با توجه به زمینه پیشین تصاویر می‌تواند متفاوت باشد. در این پایان‌نامه یک سیستم شناسایی و موقعیت‌یابی رفتارهای ناهنجار در سکانس‌های ویدئویی ارائه‌شده است. جنبه کلیدی این روش درواقع ترکیب ویژگی های شبکه عصبی کانولوشنی زمان-مکانی با مجموعه ویژگی‌های دستی مانند Histograms of Optical Flow (HOF) و Histogram of Oriented Gradients (HOG) به‌منظور شناسایی رفتار ناهنجار در فریم‌های متوالی ویدئویی است. ویژگی های دستی مذکور توسط روش نوین اوزان تکرارشونده در تجزیه ماتریس‌های نامنفی  Iterative Weighted Non-negative Matrix Factorization (IW-NMF)  که بر مبنای روش معمول تجزیه ماتریس‌های نامنفی (NMF) است، تنک می شوند. این ویژگی‌ها تنها از حجم پیکسل‌های دارای حرکت استخراج می‌شوند تا بتوانند هزینه محاسبه را کاهش دهند. ساختار مدل شبکه عصبی کانولوشنی به ما اجازه استخراج ویژگی‌های زمان-مکانی را می‌دهد و از ویژگی‌های دستی به‌منظور اطمینان از مقاومت روش ارائه‌شده در برابر نویزهای محلی و افزایش دقت شناسایی بهره گرفته‌شده است.\r\nسیستم ارائه‌شده را توسط مجموعه داده‌های متداول که شامل رفتارها و اعمال ناهنجار متفاوت انسانی در موقعیت‌های گوناگون است، مورد آزمایش و ارزیابی قراردادیم. نتایج به‌دست‌آمده از آزمایش‌های مربوطه نمایانگر این است که سیستم ارائه‌شده در مقایسه با بسیاری از روش‌های متداول پیشین، عملکرد بهتری را دارد و کارایی آن در شناسایی رفتار غیر عادی در مقایسه با روش‌های قبلی بسیار رقابتی است.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TK581.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}