İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması

Barış GÖKÇE, (Necmettin Erbakan Üniversitesi, Mühendislik ve Mimarlık Fakültesi, Mekatronik Mühendisliği Bölümü, Konya, Türkiye)
Güray SONUGÜR (Afyon Kocatepe Üniversitesi, Teknoloji Fakültesi, Mekatronik Mühendisliği Bölümü, Afyonkarahisar, Türkiye)
Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi
16 4
Yıl: 2018 Cilt: 18 Sayı: 3 Sayfa Aralığı: 1118 - 1129 Metin Dili: Türkçe DOI: 10.5578/fmbd.67513 İndeks Tarihi: 23-09-2019

İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması

Öz:
Bu çalışmada, hareketli platform olarak kullanılan insansız kara araçlarının seyir halindeyken rotalarıüzerindeki bir kısım hareketli nesnelerin tespiti için görüntü işleme tabanlı olarak geliştirilen ikiyardımcı sistemin performans karşılaştırması yapılmıştır. Yardımcı sistemlerin geliştirilmesinde küreselkonumlandırma sisteminden sağlanan coğrafi konum verileri kullanılmıştır. Çalışmada coğrafikonumlarına göre modelleri çıkartılan arka plan görüntüleri referans model ve anlık model olarak ikifarklı şekilde incelenmiştir. Referans modeller varsayılan arka plan (hareketli nesne içermeyen arkaplan) görüntülerinden elde edilirken, anlık modeller ise gerçek zamanlı arka plan görüntülerinden eldeedilmiştir. Karşılaştırma işlemi sonucu belirlenen siluetler yapay sinir ağları kullanılaraksınıflandırılmıştır. Sınıflandırma için 5 giriş ve 3 çıkışlı bir yapay sinir ağı (YSA) mimarisi uygulanmıştır.Mimarinin son katmanında softmax fonksiyonu kullanılmıştır. Yapay sinir ağında her bir çıkış yaya,otomobil ve bisikletli olarak 3 farklı nesne sınıfını temsil etmektedir. İlk yöntemde iki boyutlu görüntüçakıştırma yöntemi kullanılarak referans ve anlık görüntü çerçeveleri hizalanmıştır. Çerçeve farkıyöntemi ile aynı hizaya getirilen çerçevelerin aritmetik farkları alınarak görüntüye giren dinamiknesnelerin siluetleri elde edilmiştir. İkinci yöntemde arka plan görüntüleri bloklara bölünmüştür.Model oluşturmak için ortalama parlaklık değerleri kullanılmıştır. Referans ve anlık modellerinkarşılaştırma işlemi bloklar arasındaki Öklid uzaklıkları hesaplanarak gerçekleştirilmiştir. Yapılandeneysel çalışmalarda; uzaklığa bağlı olarak %94 ile %71 arası doğru sınıflandırma oranları eldeedilmiştir.
Anahtar Kelime:

Konular: Mühendislik, Elektrik ve Elektronik Bilgisayar Bilimleri, Yazılım Mühendisliği Mühendislik, Makine Bilgisayar Bilimleri, Bilgi Sistemleri Bilgisayar Bilimleri, Yapay Zeka

Performance Comparison of Image Processing Based Methods Developed to Classify Moving Objects Captured by Camera from Unmanned Land Vehicles

Öz:
In this study, performance comparison of two assistant systems were developed on the basis of image processing for detecting moving objects along the route of unmanned ground vehicles used as mobile platform. The geographical position data provided from global positioning system was used to develop on the assistance systems. In the study, modeled background images according to their geographical locations are handled in two different ways as reference model and instant model. Reference models are derived from default background (background without moving objects), and instant models are derived from real-time background images. The results of the comparison are classified using artificial neural network techniques. In the first method, the reference and instant frames are aligned using two- dimensional image registration methods. By subtracting aligned frames with the frame differencing method, the silhouettes of the moving objects in the scene are obtained. In the second method, the background images are divided into blocks. The average gray-level values are used to create the model. The comparison of the reference and instant models are performed by calculating the Euclidean distances between the blocks. For the classification of the silhouettes 5-input and 2-output artificial neural network (ANN) architecture is applied. In this artificial neural network, each output represents a different class of objects as pedestrians, cars and bikes. In experimental studies; the farthest distances determined with a success rate of 85% were determined.
Anahtar Kelime:

Konular: Mühendislik, Elektrik ve Elektronik Bilgisayar Bilimleri, Yazılım Mühendisliği Mühendislik, Makine Bilgisayar Bilimleri, Bilgi Sistemleri Bilgisayar Bilimleri, Yapay Zeka
Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • Albekord, K., Watkins, A., Wiens, G., Fitz-Coy, N., and Lin, K. C. ,2004. Multiple-agent surveillance mission with non-stationary obstacles. Proceedings of 2004 Florida Conference on Recent Advances in Robotics, 1-5.
  • Bay, H., Tuytelaars, T. and Van Gool, L., 2006. Surf: Speeded up robust features. Computer vision– ECCV, 404-417.
  • Chen, X., 2008. Application of matlab in moving object detecting algorithm. Future BioMedical Information Engineering, 2008. FBIE'08. International Seminar, 114-117.
  • Cheraghi, S.A.,2012. “Moving Object Detection Using Image Registration for a Moving Camera Platform,” 23–25
  • Foresti, G. L. and Gentili, S.,2000. A vision based system for object detection in underwater images. International Journal of Pattern Recognition and Artificial Intelligence, 14(02), 167-188.
  • Gonzalez, R.C., Woods, R.E. and Eddins, S.L. 2009. Digital Image Processing using Matlab, Gatesmark, USA
  • Gopalakrishnan, A., Greene, S. and Sekmen, A., 2005. Vision-based mobile robot learning and navigation. Robot and Human Interactive Communication, 2005. ROMAN 2005. IEEE International Workshop ,48-53.
  • Harris, C. and Stephens, M. 1988. A combined corner and edge detector. Alvey vision conference , 15(50), 10-5244.
  • Jarraya, S. K., Hammami, M. and Ben-Abdallah, H., 2010. Accurate background modeling for moving object detection in a dynamic scene. Digital Image Computing: Techniques and Applications (DICTA), 2010 International Conference, 52-57.
  • Kim, J., Ye, G. and Kim, D., 2010,. Moving object detection under free-moving camera. Image Processing (ICIP), 2010 17th IEEE International Conference,4669-4672.
  • Kong, H., Audibert, J. Y. and Ponce, J. (2010). Detecting abandoned objects with a moving camera. IEEE Transactions on Image Processing, 19(8), 2201- 2210.
  • Kosuge, K., Sato, M., and Kazamura, N., 2000. Mobile robot helper. Robotics and Automation, 2000. Proceedings. ICRA'00. IEEE International Conference, 1,583-588.
  • Marquez-Gamez, D. A. and Devy, M., 2013. Active vision- based moving objects detection from a Motion Grid. Mobile Robots (ECMR), 2013 European Conference, 373-378.
  • Otsu, N., 1979. A threshold selection method from gray- level histograms. IEEE transactions on systems, man, and cybernetics, 9(1), 62-66
  • Philippsen, R. and Siegwart, R., 2003. Smooth and efficient obstacle avoidance for a tour guide robot. In None (No. LSA-CONF-2003-018).
  • Rosten, E. and Drummond, T. 2006. Machine learning for high-speed corner detection. Computer Vision–ECCV, 430-443.
  • Sappa, A. D., Dornaika, F., Gerónimo, D. and López, A., 2008. Registration-based moving object detection from a moving camera. Proc. on Workshop on Perception, Planning and Navigation for Intelligent Vehicles, Nice, France
  • Shimizu, S., Yamamoto, K., Wang, C., Satoh, Y., Tanahashi, H. and Niwa, Y., 2006. Moving object detection by mobile Stereo Omni-directional System (SOS) using spherical depth image. Pattern analysis and applications,9(2-3), 113-126.
  • Snorrason, M., Norris, J., & Backes, P. ,1999. Vision based obstacle detection and path planning for planetary rovers. Proceedings of SPIE 3693, 13th Annual AeroSense conference, Orlando, FL
  • Spagnolo, P., Leo, M. and Distante, A., 2006. Moving object segmentation by background subtraction and temporal analysis. Image and Vision Computing, 24(5), 411-423.
  • Velasco-Arjona, A., and de Castro, M. L., 1997. Fully robotic method for characterization of toxic residues. Analyst, 122(2), 123-128.
  • Yu, Q. and Medioni, G., 2007. Map-enhanced detection and tracking from a moving platform with local and global data association. Motion and Video Computing, 2007. WMVC'07. IEEE Workshop, 3- 3. Yu, X., Chen, X. and Gao, M.,2012. Motion detection in dynamic scenes based on fuzzy c-means clustering. Communication Systems and Network Technologies (CSNT), 2012 International Conference, 306-310.
  • Weng, M., Huang, G. and Da, X., 2010. A new interframe difference algorithm for moving target detection. Image and Signal Processing (CISP), 2010 3rd International Congress 1, 285-289.
APA GOKCE B, SONUGUR G (2018). İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. , 1118 - 1129. 10.5578/fmbd.67513
Chicago GOKCE BARIS,SONUGUR GURAY İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. (2018): 1118 - 1129. 10.5578/fmbd.67513
MLA GOKCE BARIS,SONUGUR GURAY İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. , 2018, ss.1118 - 1129. 10.5578/fmbd.67513
AMA GOKCE B,SONUGUR G İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. . 2018; 1118 - 1129. 10.5578/fmbd.67513
Vancouver GOKCE B,SONUGUR G İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. . 2018; 1118 - 1129. 10.5578/fmbd.67513
IEEE GOKCE B,SONUGUR G "İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması." , ss.1118 - 1129, 2018. 10.5578/fmbd.67513
ISNAD GOKCE, BARIS - SONUGUR, GURAY. "İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması". (2018), 1118-1129. https://doi.org/10.5578/fmbd.67513
APA GOKCE B, SONUGUR G (2018). İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 18(3), 1118 - 1129. 10.5578/fmbd.67513
Chicago GOKCE BARIS,SONUGUR GURAY İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi 18, no.3 (2018): 1118 - 1129. 10.5578/fmbd.67513
MLA GOKCE BARIS,SONUGUR GURAY İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, vol.18, no.3, 2018, ss.1118 - 1129. 10.5578/fmbd.67513
AMA GOKCE B,SONUGUR G İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. 2018; 18(3): 1118 - 1129. 10.5578/fmbd.67513
Vancouver GOKCE B,SONUGUR G İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. 2018; 18(3): 1118 - 1129. 10.5578/fmbd.67513
IEEE GOKCE B,SONUGUR G "İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması." Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 18, ss.1118 - 1129, 2018. 10.5578/fmbd.67513
ISNAD GOKCE, BARIS - SONUGUR, GURAY. "İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması". Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi 18/3 (2018), 1118-1129. https://doi.org/10.5578/fmbd.67513
Sayfa Oluşturulma Tarihi
23-04-2024 8:48

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları