@article { author = {Akbari, Ali and Farsi, Hassan and Mohamadzadeh, Sajad}, title = {Social Groups Detection by Using Support Vector Machine in Video}, journal = {Journal of Soft Computing and Information Technology}, volume = {8}, number = {3}, pages = {1-9}, year = {2019}, publisher = {Babol Noshirvani University of Technology}, issn = {2383-1006}, eissn = {2588-4913}, doi = {}, abstract = {Detecting social groups is one of important and complex problems which has been concerned recently. Detecting social groups and relation between group members will be necessary for human robots in near future. Databases have some information including trajectories and also labels of members. The target is to detect social groups that contains at least two people or detecting individual motion of the persons. In the proposed method, for detecting social groups, physical distance, temporal causality and shape similarity features are used. The required time to extract these features is lower than the other suggested features. In addition to accuracy, the effectiveness of the proposed method in terms of required time for training and testing data is also examined. Lower required time provides greater ability to implement for human robots. The proposed method provides acceptable results in valid databases and is compared to existing methods in terms of statistical results and the required time.}, keywords = {Detecting Social Groups,Physical Distance,Temporal Causality,Shape Similarity,Crowd place}, title_fa = {تشخیص گروه های اجتماعی با استفاده از ماشین بردار پشتیبان در ویدئو}, abstract_fa = {تشخیص گروههای اجتماعی یکی از مسائل مهم و پیچیدهای است که در چند سال اخیر مورد توجه قرار گرفته است. تشخیص گروه‌های اجتماعی و همچنین نحوه ارتباط با اعضای گروه‌های اجتماعی از جمله مسائلی است که ربات‌های انسان‌نما در آینده نزدیک به آن نیاز دارند. پایگاه داده‌ها حاوی اطلاعات مسیر افراد و همچنین شماره افراد می‌باشند. هدف، یافتن گروه‌های اجتماعی با حداقل دو نفر و یا تشخیص انفرادی بودن حرکت افراد است. در روش پیشنهادی برای تشخیص گروه‌های اجتماعی از ویژگی‌های فاصله افراد، شباهت مسیر طی شده و شباهت دو دنباله حرکت بین هر دو نفر استفاده شده است. استخراج این ویژگی‌ها نسبت به ویژگی‌های بکار رفته تاکنون نیاز به زمان کمتری دارد. علاوه بر دقت و صحت، کارایی روش پیشنهادی از نظر زمان مورد نیاز برای آموزش و آزمایش داده نیز بررسی شده است. هر چه زمان مورد نیاز کمتر باشد، قابلیت پیاده سازی برای ربات‌های انسان‌نما بیشتر خواهد شد. روش پیشنهادی در پایگاه داده‌های معتبر نتایج قابل قبولی داشته و در ادامه با روش‌های موجود از نظر نتایج آماری و زمان مورد نیاز، مقایسه شده است.}, keywords_fa = {تشخیص گروه‌های اجتماعی,ویژگی فاصله,ویژگی تشابه تغییرات حرکت افراد,ویژگی تشابه شکل مسیر طی شده,مکان شلوغ}, url = {https://jscit.nit.ac.ir/article_89514.html}, eprint = {https://jscit.nit.ac.ir/article_89514_e371396d974b24e580a895aad6f22a93.pdf} }