@article{ 
author = {},  
title = {A POS Tagging System in the Persian Language}, 
abstract ={Abstract: Part-Of-Speech (POS) tagging is essential work for many models and methods in other areas in natural language processing such as machine translation, spell checker, text-to-speech, automatic speech recognition, etc. So far, high accurate POS taggers have been created in many languages. In this paper, we focus on POS tagging in the Persian language. Because of problems in Persian POS tagging, a comprehensive plan is proposed to reach a high efficient POS tagger in this language. Afterward, morphological analysis is investigated in Persian and it is shown that using a morphological analyzer in inflection level, POS tagging has been improved greatly. The results describe the fruitfulness of the proposed method.},  
Keywords = {Part-Of-Speech Tagging, Morphology, Markov Tagger, Memory Based Tagger.},
volume = {6},
Number = {2}, 
pages = {13-26}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {سیستم برچسب گذاری اجزای واژگانی کلام در زبان فارسی},
abstract_fa ={برچسب‌گذاری اجزای واژگانی کلام، موضوع تحقیقاتی مهمی در حوزه ی پردازش زبان طبیعی است و پایه ی بسیاری از دیگر مباحث مطرح در این حوزه است. تاکنون تحقیقات گسترده‌ای با رویکردهای متعدد در زبان‌های دیگر انجام و نتایج چشم‌گیری حاصل شده است. این موضوع سنگ بنای بسیاری از روش‌های مورد استفاده در حوزه‌های دیگر پردازش زبان طبیعی، هم چون ترجمه ی ماشینی، خطایاب، تبدیل متن به گفتار، تشخیص گفتار است، فعّالیت بر روی این موضوع تحقیقاتی می‌تواند راهگشای این مباحث در زبان فارسی باشد. در این مقاله با بیان مسایل پیش رو در برچسب‌گذاری اجزای واژگانی کلام در زبان فارسی، یک طرح کلی برای نیل به یک برچسب‌گذار خودکار با دقت بالا در زبان فارسی پیشنهاد می‌گردد. پس از آن تحلیل ساخت واژی و استفاده از آن را برای پوشش دادن تعداد زیادی از برچسب‌های پیکره با حفظ دقّت بالا در برچسب‌گذاری کلمات مورد بررسی دقیق‌تر قرار داده و تأثیر وجود یک تحلیل‌گر ساخت واژی در سطح تصریف را بر برچسب‌گذاری اجزای واژگانی کلام در زبان فارسی بررسی می کنیم. نتایج به دست آمده نشان از کارآیی بسیار مناسب این روش پیشنهادی در برچسب‌گذاری دارد.},
keywords_fa = {برچسب‌گذاری اجزای واژگانی کلام, ساخت واژه, برچسب‌گذارهای مارکوفی, برچسب‌گذار مبتنی بر حافظه},
url = {http://jsdp.rcisp.ac.ir/article-1-734-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-734-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {},  
title = {Automatic Classification of Lung Tissue Patterns in HRCT Images of Patients Affected with ILD}, 
abstract ={Abstract: The purpose of this study was to apply recurrence plots on event related potentials (ERPs) recorded during memory recognition tests. EEG signals recorded during memory retrieval in four scalp region were used. Two most important ERP’s components corresponding to memory retrieval, FN400 and LPC, were detected in recurrence plots computed for single-trial EEGs. In addition, the RQA was used to quantify changes in signal dynamic structure during memory retrieval, and measures of complexity as RQA variables were computed. Given the stimulus, amplitude of the RQA variables increases around 400ms, corresponding to dimension reduction of system. Furthermore, after 800ms these amplitudes decreased which can be as a consequence of an increase in system dimension and complexity and back to its basic state. The mean amplitude of Old items was more than New one. Furthermore we applied statistical analysis (t-test) to find meaningful difference between features extracted from nonlinear measures. Using this method, we found its ability to detect memory components of EEG signals and to do a distinction between Old/ New items. In contrast with linear techniques, recurrence plots and RQA do not need large number of recorded trials, and they can indicate changes in even single-trial EEGs. RQA can also show differences between old and new events in a memory process.},  
Keywords = {memory, event related potentials (ERP), recurrence quantification analysis, nonlinear analysis, single trial analysis. },
volume = {6},
Number = {2}, 
pages = {27-38}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تشخیص خودکار الگوهای پاتولوژیک ریوی در تصاویر HRCT بیماران مبتلا به ILD},
abstract_fa ={تشخیص خودکار الگوهای پاتولوژیک ریوی در تصاویر HRCT بیماران مبتلا به ناهنجاری های بافت بینابینی ریه (ILDD)، یک مرحله مهم در ایجاد یک سیستم تشخیص به کمک رایانه می باشد. الگوریتم ارائه شده جهت دسته بندی الگوهای بافت ریه شامل سه مرحله می باشد: در مرحله ی اوّل ریه از پس زمینه جدا می شود. در مرحله ی دوم دو بانک فیلتری موجک فوق کامل به نام های فریم های موجک گسسته (DWF) و فریم های موجک دوران یافته (RWF) برای استخراج ویژگی از نواحی مطلوب (ROI) تعریف شده درون بافت ریه استفاده می شوند و در نهایت الگوریتم k- نزدیک ترین همسایه ی فازی برای دسته بندی الگوها اعمال می گردد. در این مطالعه چهار الگوی مرتبط با ILD (شیشه مات، لانه زنبوری، رتیکولار و نرمال) از یک پایگاه داده شامل 340 تصویر HRCT انتخاب شده اند و مورد بازشناسی قرار می گیرند. عملکرد سیستم رایانه ای با عملکرد دو رادیولوژیست مورد ارزیابی قرار می گیرد. ضریب توافق کاپا بین سیستم و دو رادیولوژیست به طور متوسط 6543/0 می باشد، در مقایسه با ضریب توافق 6848/0 بین دو رادیولوژیست. در پایان تحقیق، با انجام تحلیل آماری، رابطه ی میان داده های کمّی حاصل از سیستم رایانه ای و نتایج آزمایش تنفسی ارزیابی شده است. نتایج حاصل از تحلیل آماری نشان می دهد فرآیند ارزیابی کمّی بافت ریه و دستیابی به مقادیر عددی و دقیق به ازای الگوهای موجود در بیماری های بافت بینابینی ریه با استفاده از تصاویر HRCT، با موفقیت انجام شده است و میان نتایج کمّی حاصل از سیستم رایانه ای و نتایج آزمایش تنفسی بیمار، همبستگی وجود دارد. چنین سیستمی می تواند منجر به بهبود تصمیم گیری و کارآیی پزشک به واسطه ی تسهیل در کشف و ارزیابی الگوهای تصویری پیچیده، کاهش تفاوت میان مشاهده گرها و حذف اعمال تکراری و تاحدودی خسته کننده شود.},
keywords_fa = {بخش‌‌بندی ریه؛ تصاویر HRCT؛ بیماری های بافت بینابینی ریه؛ فریم های موجک گسسته؛ فریم های موجک دوران یافته؛ طبقه بندی کننده-ی k‌- نزدیک ترین همسایه ی فازی؛ پارامترهای آزمایش تنفسی.},
url = {http://jsdp.rcisp.ac.ir/article-1-735-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-735-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {},  
title = {TTS speech databases}, 
abstract ={Abstract Speech databases are part of the concatenative text to speech synthesis systems. Phonetic quality of the databases plays a significant role in the naturalness of the synthesized speech. This paper introduces two syllable and diphone speech databases for Persian and investigates the way of their development and their specifications and their advantages to each other.                                   Abstract Speech databases are part of the concatenative text to speech synthesis systems. Phonetic quality of the databases plays a significant role in the naturalness of the synthesized speech. This paper introduces two syllable and diphone speech databases for Persian and investigates the way of their development and their specifications and their advantages to each other.},  
Keywords = {TTS speech databases},
volume = {6},
Number = {2}, 
pages = {35-12}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {مراحل و نحوه ی تهیه ی دادگان های صوتی هجایی و دایفونی برای سامانه ی تبدیل متن به گفتار فارسی},
abstract_fa ={دادگان‌های صوتی بخشی از سامانه‌های تبدیل متن به گفتار به شیوه هم‌گذاری را تشکیل می‌د‌هند. کیفیت دادگان‌ها و نحوه تهیه و آماده‌سازی آنها نقش مهمی در طبیعی‌تر شدن گفتار بازسازی‌شده ایفا می‌کند. در این مقاله ابتدا به معرفی دو دادگان صوتی هجایی و دایفونی فارسی پرداخته و سپس ضمن برشمردن ویژگی های هر کدام از آن ها، مراحل تهیه و آماده سازی آن ها را توضیح می دهیم. درنهایت با به کارگیری این دادگان ها در موتور تبدیل متن به گفتار فارسی "گویا" و نتایج حاصل از انجام آزمون های مختلف، تفاوت ها و برتری های آن ها را نسبت به یکدیگر بیان می کنیم.},
keywords_fa = {دادگان های صوتی, دادگان هجایی, دادگان دایفونی و سامانۀ تبدیل متن به گفتار فارسی},
url = {http://jsdp.rcisp.ac.ir/article-1-727-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-727-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {},  
title = {Applying Recurrence Plots for Identifying Memory Components in Single-Trial EEGs}, 
abstract ={Abstract: The purpose of this study was to apply recurrence plots on event related potentials (ERPs) recorded during memory recognition tests. EEG signals recorded during memory retrieval in four scalp region were used. Two most important ERP’s components corresponding to memory retrieval, FN400 and LPC, were detected in recurrence plots computed for single-trial EEGs. In addition, the RQA was used to quantify changes in signal dynamic structure during memory retrieval, and measures of complexity as RQA variables were computed. Given the stimulus, amplitude of the RQA variables increases around 400ms, corresponding to dimension reduction of system. Furthermore, after 800ms these amplitudes decreased which can be as a consequence of an increase in system dimension and complexity and back to its basic state. The mean amplitude of Old items was more than New one. Furthermore we applied statistical analysis (t-test) to find meaningful difference between features extracted from nonlinear measures. Using this method, we found its ability to detect memory components of EEG signals and to do a distinction between Old/ New items. In contrast with linear techniques, recurrence plots and RQA do not need large number of recorded trials, and they can indicate changes in even single-trial EEGs. RQA can also show differences between old and new events in a memory process.},  
Keywords = {memory, event related potentials (ERP), recurrence quantification analysis, nonlinear analysis, single trial analysis.},
volume = {6},
Number = {2}, 
pages = {39-52}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {به‌کارگیری روش غیرخطی منحنی بازگشتی برای شناسایی مؤلّفه‌های حافظه‌ای برمبنای تک ثبت},
abstract_fa ={هدف از این پژوهش، به‌کارگیری روش‌ پردازشِ غیرخطی منحنی‌های بازگشتی روی پتانسیل‌های وابسته به رخداد فرآیندهای حافظه‌ای است تا توانایی‌های این روش در شناسایی مؤلّفه‌های حافظه‌ای سیگنال‌های مغزی تک ثبت و ایجاد تمایز بین گروه‌های قدیم و جدید، مورد بررسی قرار گیرد. دو مؤلفه ی مهم حافظه‌ای FN400 و LPC است که بایستی مورد شناسایی قرار گیرد. برای این منظور منحنی‌های بازگشتی مربوط به تک‌ ثبت‌های EEG ثبت شده در حین بازیابی حافظه، محاسبه شدند. علاوه بر این تحلیل آنالیز کمّی‌سازی بازگشت برای کمّی‌سازی تغییرات در ساختار دینامیک سیگنال در حین رخداد حافظه، انجام شد. از کمّی‌کننده‌های غیرخطی نظیر RR, DET, ENTR, , Lmax, LAM, TT و Vmax ویژگی‌هایی استخراج شده و میزان معنادار بودن تفاوت این ویژگی‌ها در دو رخداد قدیم و جدید با استفاده از آزمون‌های آماری مشخّص گردید. نتایج نشان می‌دهند که منحنی‌های بازگشتی، توانایی شناسایی گذارهای سیگنال در حوالی 400 میلی ثانیه و 800 میلی ثانیه را، که به مؤلفّه‌های حافظه‌ای مربوط دانسته شده‌اند، دارد. دامنه ی اندازه‌های غیرخطی این منحنی‌ها 400 میلی‌ثانیه پس از شروع تحریک افزایش می‌یابدکه نشان دهنده ی کاهش بُعد سیستم، پس از تحریک است. پس از 800 میلی‌ثانیه این روند افزایش از بین رفته و کاهشی در تمامی اندازه‌ها به وقوع می‌پیوندد که می‌تواند مبین افزایش بعد و پیچیدگی سیستم و بازگشت به وضعیت پایه‌اش ‌باشد. میانگین اندازه‌های مربوط به رخداد قدیم بیشتر از رخداد جدید است. در مقایسه با روش‌های خطی، منحنی‌های بازگشتی نیاز به متوسط‌گیری ندارد و RQA حتی در تک‌ثبت‌های EEG تمایز بین رخدادهای قدیم و جدید را نشان می‌دهد.},
keywords_fa = {حافظه, پتانسیل‌های وابسته به رخداد, کمّی سازی منحنی بازگشتی, تحلیل غیرخطی, تحلیل تک ثبت},
url = {http://jsdp.rcisp.ac.ir/article-1-736-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-736-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {},  
title = {A Neural Network Model of Mapping from}, 
abstract ={Abstract: Medial entorhinal cortex is known to be the hub of a brain system for navigation and spatial representation. These cells increase firing frequency at multiple regions in the environment, arranged in regular triangular grids. Each cell has some properties including spacing, orientation, and phase shift of the nodes of its grid. Entorhinal cortex is commonly perceived to be the major input and output structure of hippocampal formation; grid cells are one synapse upstream of place cells in hippocampus. The problem is how single confined place fields can be generated from the repetitive activity of grid cells. In this article we have proposed an artificial neural network model based on radial basis function, which allows for the single confined place fields of hippocampal pyramidal cells to be emerged from the activities of grid cells. In order to evaluate the performance of the model, it was considered in two steps in a one-dimensional and two-dimensional environment. Simulations were done considering different characteristics of grid cells and the model demonstrated a good performance in generating single spot activity for place fields.},  
Keywords = { Place Cell, Grid Cell, Hippocampus, Entorhinal Cortex.},
volume = {6},
Number = {2}, 
pages = {53-62}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {مدل شبکه ی عصبی از نگاشت سلول‌های شبکه به سلول‌های مکانی},
abstract_fa ={قشر انتورینال، هسته ی اصلی شبکه‌ای است که در مغز به راهبری و حافظه ی مکانی اختصاص دارد. نرون‌های اصلی این بخش دارای الگوی آتش شدن خاصی در محیط هستند؛ نرخ آتش شدن این سلول‌ها در چندین مکان از محیط افزایش می‌یابد. این مکان‌ها تشکیل یک شبکه ی مثلثی تکراری می‌دهند که کلّ محیط را می‌پوشاند. قشر انتورینال، مهم‌ترین ساختار ورودی به هیپوکمپ است و سلول‌های شبکه، یک سیناپس بالاتر از سلول‌های مکانی هیپوکمپ قرار دارند. مسئله ی مهم این است که چگونه فعّالیت واحد و متمرکز سلول‌های مکانی می‌تواند از فعالیت چند‌تایی سلول‌های شبکه ایجاد شود. در این تحقیق، برای توجیه نگاشت از سلول‌های شبکه به سلول‌های مکانی، یک مدل RBF (Radial Basis Function) پیشنهاد شده است. برای بررسی عملکرد این مدل ابتدا یک محیط یک بُعدی (خط به طول 1 متر) و سپس یک محیط دو بعدی (محیط مربعی) در نظر گرفته شده است. مدل سازی با در نظر گرفتن ویژگی‌های سلول‌های شبکه انجام شده و از عملکرد بسیار خوبی در ایجاد میدان‌های مکانی متمرکز برخوردار است.},
keywords_fa = {سلول مکانی, سلول شبکه, هیپوکمپ, قشر انتورینال.},
url = {http://jsdp.rcisp.ac.ir/article-1-737-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-737-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {},  
title = {An Introduction of New DESICA Algorithm for Blind Speech Separation in Dynamic Case}, 
abstract ={Abstract: We consider a new scenario in blind speech separation problem in which the number and the features of active sources change with time in opposite to the previous methods in which all sources are active all the time. Accordingly, we propose the new DESICA algorithm for source separation which is a compound of the ICA and DESPRIT algorithms. In this algorithm, using the ICA, the separation process is performed initially and then using the DESPRIT algorithm, the binary mask of silence intervals is calculated. Finally, by applying the binary mask to the separated signals, the final separation is obtained. Simulation results show that the DESICA algorithm improves the SDR and SIR about 6dB compared to those of the DESPRIT algorithm. Also, the SEN is improved about 11 and 17dB with respect to those of the ICA and DESPRIT algorithms.},  
Keywords = {Blind source separation, Eventual thresholding, Binary mask},
volume = {6},
Number = {2}, 
pages = {63-74}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {معرّفی الگوریتم جدید DESICA برای جداسازی کور سیگنال منابع گفتار در حالت پویا},
abstract_fa ={در این مقاله، یک مسئله ی جدید برای جداسازی سیگنال منابع گفتار به روش کور در نظر گرفته می شود که در آن تعداد منابع فعّال و مشخّصات آن ها، متغیر با زمان است؛ برخلاف روش های قبلی که تمام منابع در تمام بازه های زمانی فعّال هستند. در این مقاله برای جداسازی این نوع سیگنال ها الگوریتم جدید DESICA را پیشنهاد می کنیم که ترکیبی از الگوریتم های ICA و DESPRIT است. در الگوریتم پیشنهادی ابتدا با استفاده از ICA جداسازی اوّلیه منابع انجام می شود و سپس با کمک الگوریتم DESPRIT، ماسک باینری بازه های سکوت محاسبه می گردد. درنهایت با اعمال ماسک باینری به سیگنال های جدا شده ی اوّلیه، جداسازی نهایی به دست می آید. نتایج شبیه سازی نشان می دهد که به طور متوسّط الگوریتم پیشنهادی DESICA در مقایسه با الگوریتم DESPRIT، 6dB بهبود در SDR و SIR ایجاد می¬کند و در معیار SEN سبب 11dB بهبود نسبت به الگوریتم ICA و 17dB بهبود نسبت به الگوریتم DESPRIT می¬شود.},
keywords_fa = {جداسازی منابع به روش کور, آستانه گذاری مشروط, ماسک باینری},
url = {http://jsdp.rcisp.ac.ir/article-1-738-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-738-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {},  
title = {Review of JPEG Steganography Methods and Their Security Analysis}, 
abstract ={Abstract: JPEG is the most applicable image format in digital communication. In recent years, various steganography methods have been proposed for it. This paper aims to study and classify JPEG steganography schemes and introduce different methods to improve their security based on cover. Accordingly, the effective factors in security that are related to the cover such as double compression, spatial frequencies and quality factor have been evaluated theoretically and experimentally. Also some well-known steganography algorithms and software tools have been introduced, evaluated and classified based on different criteria. Some of these algorithms have been implemented in Stegotest software and the destruction effects of steganography in different methods have been compared.},  
Keywords = {JPEG images, steganography system, steganalysis, security.},
volume = {6},
Number = {2}, 
pages = {75-98}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {مروری بر روش های نهان‌نگاری در JPEG و بررسی امنیت آن ها},
abstract_fa ={فرمت JPEGG پرکاربرد ترین قالب تصویری در ارتباطات دیجیتال است و در طی سال های اخیر روش های نهان‏نگاری متنوعی برای آن ارائه شده است. هدف از این تحقیق معرّفی و ارائه ی اطّلاعات همه‏جانبه و کاملی در مورد روش‏های نهان‏نگاری در تصاویر JPEG و دسته‏بندی این روش‏ها و ارائه ی راهکارهایی برای بالابردن امنیت آن‏ها با توجه به ساختار پوشانه می‏باشد. در این راستا عوامل تأثیر گذار در امنیت، روش های نهان‏نگاری در JPEG که وابسته به پوشانه می‏باشد، مثل اثر دوبار ‏فشرده‏سازی، فرکانس مکانی، ضریب‏کیفیت و... شناسایی شده و به صورت تئوری و تجربی مورد ارزیابی قرار گرفته است. علاوه بر این کلیه ی الگوریتم‏ها و نرم‏افزار های نهان‏نگاری موجود در این فرمت، معرفی شده و از دیدگاه های مختلف، ارزیابی و دسته بندی شده اند. برخی از این الگوریتم ها در نرم افزار Stegotest پیاده سازی شده است و اثر تخریب ناشی از نهان‏نگاری در روش‏های موجود مقایسه شده است.},
keywords_fa = {تصاویر JPEG, سیستم نهان‌نگاری, نهان‌کاوی, امنیت},
url = {http://jsdp.rcisp.ac.ir/article-1-739-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-739-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {},  
title = {Stress in Persian}, 
abstract ={Abstract: This research has been carried out in the framework of Auto segmental-metrical (AM) phonology to study the stress in Persian. Two types of abstract and concrete prominences were distinguished in which the first one refers to the stress and the second one refers to the pitch accent. Stress is assumed to be a lexical property of the lexemes, but pitch accent is assumed to be an intonational element; therefore, contrary to stress, pitch accent in not fixed and predictable. Pitch accents could appear only on the lexically stressed syllables, if the context necessitates. Using the interface between phonology and morphology, it was concluded that all classes of lexemes are stressed on their final syllables in Persian; of course some grammatical morphemes are exceptions. Stress in inflected forms of words was formalized in which inflectional morphemes are stressed and receive the stress of the word, but clitics are unstressed and do not change the position of word stress if added to the stem. The results of this study could be used in linguistic studies and in different branches of Natural Language Processing (NLP) as well.},  
Keywords = {stress, lexical stress, pitch accent, autosegmental-metrical, phonology, intonation. },
volume = {6},
Number = {1}, 
pages = {3-12}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تکیه در زبان فارسی},
abstract_fa ={این تحقیق در چارچوب نظریۀ واج‌شناسی لایه‌ای (Autosegmental-metricall) به مطالعه تکیه در زبان فارسی می‌پردازد و می‌کوشد با تمایز میان دو مفهوم مجزای ذهنی و عینی از تکیه، جایگاه تکیه در کلمات زبان فارسی را مورد مطالعه قرار دهد. مفهوم ذهنی از تکیه اشاره به دانش زبانی اهل زبان از الگوی برجستگی واژه‌ها در ذهن گویشور زبان دارد که به آن تکیه واژگانی(stress) می‌گویند و مفهوم عینی از تکیه به الگوی برجستگی کلمه در گفتار اطلاق می‌شود که به آن تکیه زیروبمی(pitch accent) می‌گویند. تحقیق حاضر با استناد به اطّلاعات موجود در واژگان ذهنی(mental lexicon) گویشور فارسی نشان می‌دهد (بر خلاف برخی تحقیقات پیشین) که انواع واژه‌های فارسی در ذهن اهل زبان دارای الگوی تکیه واحدی است. میان تکیه واژگانی و تکیه زیروبمی رابطه قابل‌پیش‌بینی و معناداری وجود دارد و از این رابطه علاوه‌بر مطالعات محض زبانی، در تولید خودکار آهنگ(intonation) و نوای گفتار(prosody) نیز می‌توان استفاده کرد. با توجّه به یافته‌های این تحقیق، مباحثی مانند الگوی تکیه در صیغه¬های مختلف فعل یا در صورت‌های گوناگون تصریفی اسم و یا بی‌تکیه بودن برخی از واحدهای واژگانی مانند حروف اضافه و غیره موضوعیت خود را از دست می‌دهند. در اینجا تکیه‌بر بودن و یا نبودن انواع تکواژهای اشتقاقی، تصریفی و واژه‌بست‌ها مورد بررسی قرار گرفته است که حضور آن ها در ساختمان کلمه، جایگاه تکیه کلمه را قابل‌پیش‌بینی می‌کند.},
keywords_fa = {تکیه, تکیه واژگانی, تکیه زیروبمی, واج‌شناسی لایه‌ای, آهنگ},
url = {http://jsdp.rcisp.ac.ir/article-1-740-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-740-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2009}  
}

@article{ 
author = {},  
title = {Semantic Role Labeling of Persian Sentences with Memory-Based Learning Approach}, 
abstract ={Abstract Extracting semantic roles is one of the major steps in representing text meaning. It refers to finding the semantic relations between a predicate and syntactic constituents in a sentence. In this paper we present a semantic role labeling system for Persian, using memory-based learning model and standard features. Our proposed system implements a two-phase architecture to first identify the arguments by a shallow syntactic parser or chunker, and then to label them with appropriate semantic role, with respect to the predicate of the sentence. We show that good semantic parsing results, can be achieved with a small 1300-sentence training set. In order to extract features, we developed a shallow syntactic parser which divides the sentence into segments with certain syntactic units. The input data for both systems is drawn from RCISP corpus which is hand-labeled with required syntactic and semantic information. The results show an F-score of 81.6% on argument boundary detection task and an F-score of 87.4% on semantic role labeling task using Gold-standard parses. an overall system performance shows an F-score of 73.8% on complete semantic role labeling system i.e. boundary plus classification.},  
Keywords = {Semantic Role Labeling, Shallow Semantic Parsing, Shallow Syntactic Parsing, Memory- Based Learning.},
volume = {6},
Number = {1}, 
pages = {13-22}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {برچسب‌زنی نقش معنایی جملات فارسی با رویکرد یادگیری مبتنی بر حافظه},
abstract_fa ={استخراج نقش های معنایی یکی از گام های اصلی در بازنمایی معنی متن است. نقش های معنایی، ارتباط معنایی بین فعل و آرگومان های آن در جمله را مشخص می‌کنند. در این مقاله یک سیستم برچسب‌زنی خودکار نقش معنایی برای متون فارسی با رویکرد یادگیری ماشین ارائه شده است. مجموعه داده¬های مورد نیاز سیستم بخشی از پیکرۀ متنی زبان فارسی است که توسط پژوهشکدۀ پردازش هوشمند علائم تهیّه و برچسب‌گذاری شده است. سیستم پیشنهادی از دو مرحلۀ تشکیل شده؛ در مرحلۀ اوّل با تجزیۀ نحوی جمله، حد و مرز سازه و همچنین نوع گروه نحوی این اجزا در جمله مشخص می‌شود. این اطّلاعات به عنوان ورودی در مرحلۀ دوم مورد استفاده قرار می‌گیرد. مرحلۀ دوم سیستم مربوط به تخصیص نقش های معنایی مناسب به سازه‌های مشخص شده در مرحلۀ قبل می‌باشد. برای این منظور از ویژگی های نحوی و ساختاری هر سازه، بهره گرفته می شود. نتایج به دست آمده نشان‌دهندۀ 81.6% F1= برای زیر سیستم تجزیۀ نحوی، و 87.4% F1= برای زیرسیستم برچسب‌زنی معنایی درحالتی که ورودی های سیستم به¬صورت دستی تصحیح شده باشند. همچنین کارآیی کل سیستم 73.8%F1= را برای سیستم کامل برچسب‌زنی معنایی، یعنی تجزیۀ نحوی و تخصیص نقش نشان می‌دهد. نتایج به دست آمده حاکی از آن است که می‌توان از یک پیکرۀ آموزشی کوچک 1300 کلمه¬ای نتایج قابل قبولی به¬دست آورد.},
keywords_fa = {پردازش زبان طبیعی, برچسب‌زنی معنایی, تجزیۀ سطحی معنایی, تجزیۀ سطحی نحوی, یادگیری مبتنی بر حافظه.},
url = {http://jsdp.rcisp.ac.ir/article-1-741-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-741-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2009}  
}

@article{ 
author = {},  
title = {Using Reaction Time, P300 and Multimodal Information to Assess "Guilty Knowledge"}, 
abstract ={Abstract: Current lie detection methods, based on the polygraph technique, rely upon the measurement of several physiological characteristics to discriminate whether a truth or a lie is expressed. P300-based GKT (guilty knowledge test) has been suggested as an alternative approach for conventional polygraph technique. The purpose of this study is to evaluate RT (response time) analysis and combination of RT and ERP to identify participants possessing specific guilty knowledge. For the analysis, several previous methods were implemented and results of RT analysis and fusion ERP and RT analysis were compared which other. The accuracy of RT analysis (bootstrapped analysis of reaction time method) is 81% and AUC (area under curve) of correct detection in guilty and innocent subjects is 0.85 which are comparable to 80% accuracy of ERP analysis (Wavelet classifier method) and AUC=0.86 in previous study. Between the many fusion methods, fusion of BART and BAD method has the better accuracy and best AUC, this is superior result compared to results of previous methods from McNemar’s test point of view. These results show that brain response and behavioral response have complement information. The Fusion of BART and BAD method is combination of brain and behavioral response, therefore this proposed as best approach for Assess "Guilty Knowledge".},  
Keywords = {Reaction Time, Guilty Knowledge Test, Event Related Potential, Multimodal Analysis. },
volume = {6},
Number = {1}, 
pages = {23-32}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {استفاده از زمان پاسخ، مؤلفّۀ شناختی P300 و تلفیق دو مد به منظور تشخیص},
abstract_fa ={روش های موجود تشخیص دروغ که بر اساس پلی گرافی کلاسیک عمل می کنند، سعی می کنند با استفاده از مشخصّات چندین سیگنال فیزیولوژیک، به تفکیک فرد راستگو یا دروغ گو بپردازند. رویکرد دیگری که در کنار روش کلاسیک مطرح گردیده است، استفاده از مؤلفۀ شناختی P300 سیگنال های مغزی برای کشف دانش فرد خطاکار است؛ در ادامۀ توسعۀ این روش ها، موضوعی که در این تحقیق به آن پرداخته شده است، بحث ارزیابی تشخیص دانش فرد خطاکار از تحلیل زمان پاسخ فرد و تلفیق تحلیل زمان پاسخ و مؤلفّۀ شناختی P300 مغز است. به همین منظور چندین روش قبلی، تحلیل مغزی و تحلیل زمان پاسخ پیاده سازی و توسعه داده شد و ترکیب حالات مختلفی از روش ها مورد بررسی قرار گرفت. نتیجۀ روش تحلیل زمان پاسخ توسعه یافته در این تحقیق، به صحّت 81% و سطح زیر منحنی 0.85 رسیده است که با بهترین نتیجۀ تحلیل مغزی در کارهای قبل (استفاده از طبقه بندی کننده با ویژگی های مبتنی بر تبدیل موجک که صحّت 80% و سطح زیر منحنی 0.86 داشت به طورکامل قابل مقایسه است. از بین حالات مختلف تلفیق روش های تحلیل مغزی و زمان پاسخ، بهترین نتیجه، مربوط به روش تحلیل زمان پاسخ بوت استرپ شده و تشخیصP300 به روش اختلاف دامنه بوت استرپ شده بود. این تلفیق صحّت تفکیک بین افراد خطاکار و بی گناه را تا 88% بهبود داد که این بهبود با استفاده از آزمون مک نمار در مقایسه با نتیجۀ روش اختلاف دامنۀ بوت استرپ شده به¬عنوان بهترین نتیجۀ تحقیقات قبل به طور کامل معنی دار (0.01 ) بود.},
keywords_fa = {آزمون دانش فرد خطاکار , پتانسیل برانگیختۀ بینایی, تحلیل چند مد},
url = {http://jsdp.rcisp.ac.ir/article-1-742-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-742-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2009}  
}

@article{ 
author = {},  
title = {Emotion Classification Using Brain and Peripheral Signals}, 
abstract ={Abstract Emotions play a powerful and significant role in human beings everyday life. They motivate us, impact our beliefs and decision making and would affect some cognitive processes like creativity, attention, and memory. Nowadays the use of emotion in computers is an increasingly in vogue field. In many ways emotions are one of the last and least explored frontiers of intuitive human-computer interactions. This can perhaps be explained by the fact that computers are traditionally viewed as logical and rational tools which is incompatible with the often irrational and seeming illogical nature of emotions. It is apparent that we as humans, in spite of having extremely good abilities at felling and expressing emotions, still cannot agree on how they should best be defined. until now, there are a bunch of good reasons which supports that emotion is a fitting topic for Human-Computer Interaction research. Human beings who are emotional creatures should theoretically be able to interact more effectively with computers which can account for these emotions. So Emotions assessed would make some improvement in HCI. The goal of our research is to perform a multimodal fusion between EEG’s and peripheral physiological signals for emotion detection. The input signals were electroencephalogram, galvanic skin resistance, blood pressure and respiration, which can reflect the influence of emotion on the central nervous system and autonomic nervous system respectively. The acquisition protocol is based on a subset of pictures which correspond to three specific areas of valance-arousal emotional space(positively excited, negatively excited, and calm). The features extracted from input signals, and to improve the results of brain signals, nonlinear features as correlation dimension, largest lyapunov exponent and fractal dimension is used. The performance of four classifiers: LDA, QDA, KNN, SVM has been evaluated on different feature sets: peripheral signals, EEG’s, and both. Synchronization likelihood is used as a channel selection algorithm and the performance of two feature selection algorithms; Genetic Algorithm and Mutual information is evaluated. The best result of accuracy in EEG signals is 63.3% with QDA as classifier, the best result of peripheral signals is 61.67% and the best of both is 63.3% with QDA. In comparison among the results of different feature sets, EEG signals seem to perform better than other physiological signals, and the results presented showed that EEG’s can be used to assess emotional states of a user. Also, fusion provides more robust results since some participants had better scores with peripheral signals than with EEG’s and vice-versa.},  
Keywords = {Emotion, EEG, peripheral signals, feature extraction, classification, channel selection, nonlinear features.},
volume = {6},
Number = {1}, 
pages = {33-52}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {طبقه بندی احساس افراد با استفاده از سیگنال های مغزی و محیطی},
abstract_fa ={تحقیقات نشان می دهد که احساس، یک فرآیند ذهنی و متوجه مغز انسان می باشد و روی فرآیند های مهمّی چون حافظه، تمرکز، تفکّر و تصمیم گیری اثر دارد. به همین، دلیل مطاله مکانیزم و عملکرد آن مورد توجّه محققان علوم شناختی قرار گرفته است. مطالعه‌ احساس از طریق پردازش سیگنال های بیولوژیکی، علاوه بر کاربردهای کلینیکی که در زمینه تشخیص و درمان به موقع ناهنجاری های روانی می تواند داشته باشد، در علوم مبتنی بر تعاملات انسان و رایانه نیز نقش مهمی بازی می کند و باعث پیشرفت های زیادی در این زمینه می گردد. هدف اصلی در این تحقیق، طبقه بندی احساس افراد با استفاده از سیگنال های مغزی و محیطی است. دادگان مورد استفاده، از مجموعه دادگان eNTERFACE است که در سال 2006 جمع آوری شده، سه حالت احساسی برانگیختگی مثبت، برانگیختگی منفی و حالت آرام یا استراحت را مورد مطالعه قرار داده است. سیگنال مغزی به¬صورت همزمان با چهار سیگنال محیطی: تنفس، میزان هدایت پوست، فشار خون و دما از پنج نفر ثبت شده است. ویژگی های مرتبط با حالات مختلف احساسی از سیگنال ها استخراج شده، که در مورد سیگنال های محیطی ویژگی های حوزه زمان و حوزه فرکانس مورد نظر می باشد و در مورد سیگنال مغزی، علاوه بر ویژگی های حوزه زمان و فرکانس، ویژگی های غیرخطی بعد همبستگی، نمای لیاپانوف و بعد فرکتال نیز استفاده شده است و در مورد سیگنال های مغزی از روش Synchronization Likelihood به منظور انتخاب الکترود استفاده شده است. ساختارهای چهارطبقه بندی کننده KNN,QDA,LDA,SVM مورد استفاده قرار گرفته است و نتایج سیگنال‌های مغزی و محیطی به صورت جداگانه و نیز در ترکیب با یکدیگر مقایسه شده اند. بیشترین میزان صحت،63.3% در طبقه بندی سیگنال های مغزی ، 61.67% در طبقه بندی سیگنال های محیطی و 61.67% در طبقه بندی ترکیب سیگنال های مغزی و محیطی، به دست آمده است. نتایج نشان می دهد که استفاده از سیگنال مغزی نسبت به سیگنال محیطی و نیز ترکیب مغزی و محیطی در ایجاد تمایز بین حالات مختلف احساسی مورد مطالعه، موفق تر است؛ ولی نتایج به دست آمده از ترکیب سیگنال مغزی و محیطی، نتایج مقاوم تری نسبت به تغییر افراد و تغییر روش ها محسوب می شود.},
keywords_fa = {سیستم های بازشناخت احساس, سیگنال مغزی, سیگنال های محیطی, استخراج ویژگی, طبقه بندی},
url = {http://jsdp.rcisp.ac.ir/article-1-743-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-743-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2009}  
}

@article{ 
author = {},  
title = {JPEG Image Steganalysis Based on Classification of Statistical Features and Two Stage Decision Making}, 
abstract ={Abstract In this paper, we propose a comprehensive steganalysis scheme for JPEG images. In this method, the optimized features which can interpret high distinction between cover and stego images are extracted from images. These features have been selected after a careful study on modifications caused by different steganography algorithms on statistical characteristics of images. Furthermore, using a hierarchical decision making, we have considerably improved the detection accuracy. It has been shown that the first-order statistics of DCT coefficients (e.g. histogram) are often more successful than second-order statistics (e.g. different types of correlations) in detection of LSB flipping methods such as JSteg, OutGuess, JPHide&Seek and StegHide. On the other hand, the second order statistical characteristics have better performance in some other steganography methods (especially for LSB Matching, MB1, SSIS and PQ). The proposed Method reveals the weakness of the different steganography algorithms by thorough view on them. The results of our experiments indicate that the accuracy of proposed approach is better than some other state of the art steganalysis methods in the term of detection accuracy. Besides, it is more generalized and comprehensive. A database including 2000 JPEG images with different quality factors has been used for these experiments. The new scheme can detect six common steganography methods: JSteg, OutGuess, F5, MB1, Sequential and Random LSB Matching, with accuracies higher than 80% for the payload of more than 20%. We have used SVM for our classification scheme.},  
Keywords = {Blind JPEG Steganalysis, data hiding attack, LSB flipping, LSB matching, feature categorization},
volume = {6},
Number = {1}, 
pages = {53-70}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {نهان‌کاوی در تصاویر JPEG بر مبنای دسته‌بندی ویژگی‌های آماری و تصمیم‌گیری دو مرحله‌ای},
abstract_fa ={در این مقاله روش جامعی برای نهان‌¬کاوی در تصاویر JPEGG معرّفی می‌شود. در این روش پس از بررسی دقیق اثر فرآیندهای پنهان‌نگاری گوناگون بر مشخصّات آماری تصویر، ویژگی‌های بهینه‌ای از تصویر استخراج می‌شود که توانایی بالایی در ایجاد تمایز بین دو گروه تصاویر طبیعی و پنهان‌نگار دارند. علاوه بر استخراج ویژگی‌های بهینه، در یک تصمیم‌گیری سلسله مراتبی دقّت تشخیص به شکل قابل توجهی افزایش یافته است. در این مقاله نشان می‌دهیم که آمارگان مرتبه اوّل ضرایب DCT (مانند هیستوگرام) بیشتر در حمله به روش‌های پنهان‌نگاری جای-گذاری در LSB (مانند JSTEG، OUTGUESS، JPHide&Seek و StegHide) موفق‌تر از آمارگان مرتبه دوم (مانند انواع همبستگی‌ها) عمل می‌کنند. همچنین مشخصات آماری مرتبه دوم در تشخیص سایر روش‌های پنهان‌نگاری در حوزه ضرایب DCT (بالاخص روش‌های تطبیق LSB، روش MB1، SSIS و روش مبتنی بر کوانتیزیشن) عملکرد بهتری از مشخصّات آماری مرتبه اوّل دارند. علاوه بر آن، روش نهان‌ کاوی معرفی شده با نگاه جامع به انواع روش‌های پنهان‌نگاری موجود، مشخّص می‌کند که نقاط ضعف هر یک در مقابل حملات آماری گوناگون چیست و چگونه می‌توان به روش‌های جاسازی امن‌تر دست پیدا کرد. نتایج تجربی نشان می‌دهد که دقّت این روش در مقایسه با روش‌های رقیب، بهتر بوده و در عین حال از جامعیت و تعمیم‌پذیری بالاتری برخوردار است. آزمایش ها روی مجموعه دوهزارتایی از تصاویر JPEG با ضرایب کیفیت متنوع انجام شده و روش معرفی شده، قادر بوده است که شش روش پنهان‌نگاری معمول (JSteg، OutGuess، F5، MB1، Sequential LSB matching و Random LSB Matching) را با دقّت بیش از 80% در نرخ های جاسازی بیش از 20% تشخیص دهد. طبقه‌بندی‌کننده‌های مورد استفاده برای طبقه‌بندی از نوع SVM هستند.},
keywords_fa = {نهان‌کاوی تصاویر JPEG, حمله به پنهان‌نگاری, جای گذاری در LSB, تطبیق LSB. دسته‌بندی ویژگی‌ها.},
url = {http://jsdp.rcisp.ac.ir/article-1-744-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-744-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2009}  
}

@article{ 
author = {},  
title = {Single Trial P300 Recognition in Auditory Event Related Potential Using Genetic Algorithm and Neural Network Classifier}, 
abstract ={Abstract P300 is known as the most prominent component between cognitive components in electrical brain activity. According to done research, when brain encounters an inconsistent stimulation during processing a series of usual stimulation, a P300 component appears in recorded brain signal which could distinguishes from usual ones. Amplitude of P300 decreases after a short during act of auditory simulation; so that we face difficulty in recognition of component features. In the research we considered reduction of the amplitude of P300 with five auditory stimulations and its reasons in three separate record blocks as well as recognition of the component with Neural Network and Genetic Algorithm. Finally single-trial recordings containing P300 component from single-trial recordings without P300 component have been discriminated by six optimum features as Neural Network classifier input in Pz channel with accuracy of 80.55% in learning data and 50% in test data in the first block.},  
Keywords = {Electroencephalography (EEG), Event Related Potential (ERP), P300, Neural Network, Genetic Algorithm},
volume = {6},
Number = {1}, 
pages = {71-78}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تشخیص و بررسی کاهش دامنۀ P300 در پتانسیل‌های وابسته به رویداد شنوایی تک‌ثبت با استفاده از الگوریتم ژنتیک و طبقه بندی‌کنندۀ شبکۀ عصبی},
abstract_fa ={P3000 را برجسته‌ترین مؤلّفۀ در بین مؤلّفه‌های شناختی مختلف موجود در سیگنال الکتریکی مغز می‌دانند. طبق تحقیقات انجام شده، هنگامی که مغز در حین پردازش یک سری از تحریکات معمول، به یک تحریک جدید (تحریک غیرمعمول) برمی‌‌خورد، در سیگنال مغزی ثبت‌‌شده، یک موج P300 ظاهر می‌‌شود که با تشخیص این مؤلّفه می‌توان تحریکات جدید را از تحریکات معمول جداسازی کرد. دامنۀ مؤلّفۀ P300 در هنگام اعمال تحریکات صوتی، پس از گذشت مدّت زمانی از شروع آزمایش کاهش می‌یابد؛ به نحوی که در تشخیص دامنۀ این مؤلّفه با مشکل روبرو می‌شویم. در این تحقیق با استفاده از پنج تحریک صوتی، به بررسی کاهش دامنۀ این مؤلّفه و علل آن در سه بلوک ثبت مجزّا و همچنین تشخیص این مؤلّفۀ شناختی، به وسیلۀ شبکۀ عصبی و الگوریتم ژنتیک پرداخته‌ایم. در نهایت با استفاده از ده ویژگی بهینه، به عنوان ورودی طبقه بندی کنندۀ شبکۀ عصبی در کانال Pz با صحّت 47/61% در دادگان آموزش و 60% در دادگان آزمون در بلوک اوّل، تک‌ثبت‌های حاوی موج P300 از تک‌ثبت‌های فاقد این موج جداسازی شده‌اند.},
keywords_fa = {الکترو انسفالوگرافی( EEG ), پتانسیل‌های وابسته به رویداد, P300, شبکۀ عصبی, الگوریتم ژنتیک},
url = {http://jsdp.rcisp.ac.ir/article-1-745-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-745-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2009}  
}

@article{ 
author = {},  
title = {Pedestrian Detection in Infrared Image Sequences Using SVM and Histogram Classifiers}, 
abstract ={Abstract In dark environments and foggy or smoky conditions where it is not possible to use eyesight and usual binoculars to detect human from other objects, the best solution is to use infrared images. This paper presents a robust method to recognize pedestrians in infrared image sequences. For this purpose, combination of SVM and histogram classifiers has been used. A pre-processing phase extracts image patterns similar to human patterns and delivers them to histogram and SVM classifiers. For training and testing phases of the presented algorithm thermal data base of OSU pedestrian video sequences has been utilized. Results of the algorithm present its good accuracy and performance.},  
Keywords = {Pedestrian detection, Infrared images, Support Vector Machine, Histogram classifie},
volume = {6},
Number = {1}, 
pages = {79-90}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تشخیص عابر پیاده با استفاده از کلاس بندهای SVM و هیستوگرام در توالی تصاویر مادون قرمز},
abstract_fa ={در محیط‌هایی که نمی‌توان از چشم غیر مسلح و دوربین‌های معمولی برای تشخیص انسان از غیر انسان استفاده کرد ( مانند محیط‌های تاریک، مه و دود)، بهترین راه حل استفاده از تصاویر مادون قرمز است. این مقاله یک روش مقاوم برای تشخیص انسان در توالی تصاویر مادون قرمز ارایه می‌دهد. برای این منظور از ترکیب کلاس‌بند SVM و کلاس‌بند مبتنی بر هیستوگرام استفاده شده است؛ به این ترتیب که الگوهایی از تصویر که احتمال حضور انسان در آن‌ها موجود می‌‌باشد، پس از فرآیندپیش پردازش استخراج شده و به کلاس‌بندهای هیستوگرام و SVM داده می‌شوند. برای یادگیری و تست الگوریتم ارایه شده از پایگاه دادۀ گرمایی عابرپیادۀ OSU استفاده شده است. نتایج اجرای الگوریتم ارایه شده روی این پایگاه داده، کارآیی و دقّت آن را نشان می‌دهد.},
keywords_fa = {تشخیص عابر پیاده, تصاویر مادون قرمز, ماشین بردار پشتیبان, هیستوگرام},
url = {http://jsdp.rcisp.ac.ir/article-1-746-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-746-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2009}  
}