Gerçek zamanlı video görüntülerinde erken suç anomali tespiti
Early detection of criminal anomalies in real-time video streams
- Tez No: 1025582
- Danışmanlar: DR. ÖĞR. ÜYESİ HASAN ALİ AKYÜREK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Anomali tespiti, Derin öğrenme, Erken uyarı sistemleri, Anomaly detection, Deep learning, Early warning systems
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Adli Bilişim Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde güvenlik kamera sistemleri, kamusal alanlarda suçların erken önlenmesi ve suç sonrası zanlıların belirlenmesi amacıyla kritik bir teknolojik altyapı olarak yaygın bir biçimde kullanılmaktadır. Ancak mevcut sistemlerin büyük çoğunluğu, insan operatörlerin sürekli gözetimine dayalı, olay sonrası analiz odaklı ve reaktif bir yapıda çalışmaktadır. İnsan doğası gereği dikkat süresinin kısalığı ve yoğun veri akışının eş zamanlı izlenme zorluğu göz önüne alındığında, mevcut altyapılar şiddet, hırsızlık, kundaklama veya vandallık gibi suç eylemlerini olay anında veya öncesinde otonom olarak tespit etme konusunda çoğu zaman yetersiz kalmaktadır. Bu bağlamda, gerçek zamanlı video görüntülerindeki karmaşık uzamsal ve zamansal veri akışlarının kesintisiz analiz edilmesi, suç davranışlarının yüksek doğruluk oranıyla kriz anından önce saptanması bir gereksinim haline gelmektedir. Bu çalışmanın temel amacı, gerçek zamanlı video görüntülerindeki anormallikleri ve potansiyel suç eylemlerini henüz tam olarak fiiliyata dökülmeden, başlangıç aşamasında yüksek bir doğrulukla tespit edebilen, otonom ve donanımsal açıdan düşük gecikmeli bir erken uyarı sistemi geliştirmektir. Bu hedef doğrultusunda, uç cihaz kapasitesine uygun iki aşamalı bir derin öğrenme mimarisi tasarlanmıştır. İlk aşamada, ardışık video kliplerinden görsel ve harekete dayalı uzamsal-zamansal özniteliklerin çıkarılması için Inflated 3D ConvNets (I3D) ağı kullanılmıştır. İkinci aşamada ise, anomali sınıflandırmasını gerçekleştirmek üzere zayıf etiketli verilerde yüksek başarım gösteren Top-K Multiple Instance Learning (MIL) tabanlı Multi-Layer Perceptron (MLP) yaklaşımı tercih edilmiştir. Modelin karar kararlılığını artırmak ve tahmin sıçramalarını engellemek için kayıp fonksiyonuna 0,2 katsayılı temporal smoothness kısıtı ve Binary Cross Entropy (BCE) temelindeki hata fonksiyonu entegre edilmiştir. Geliştirilen model, UCF-Crime veri seti üzerinden 507 anomali ve 798 normal video dizisi içeren eğitim setiyle eğitilmiş ve test edilmiştir. Eğitim sürecinin ardından, sistemin yanlış alarm oranını asgari düzeye indirmek amacıyla Youden's J istatistiğine dayalı karar eşiği optimizasyonu uygulanmıştır. Ayrıca, sistemin ağır sunucular yerine standart gözetim altyapılarında gecikmesiz çalışabilmesi için model ağırlıkları Open Neural Network Exchange (ONNX) formatına dönüştürülerek çıkarım optimizasyonu sağlanmıştır. Geliştirilen modelin performansı; Receiver Operating Characteristic - Area Under Curve (ROC-AUC), Kesinlik (Precision) ve F1-skoru gibi metriklerin yanı sıra, erken tepki kapasitesini ölçen Time-to-Event (TTE) deltası ile canlı yayın simülasyonlarında analiz edilmiştir. Elde edilen bulgular, önerilen I3D ve MIL tabanlı proaktif mimarinin 0,8667 AUC başarımı yakaladığını, milisaniyeler düzeyinde işleme hızıyla çalıştığını ve suç eylemlerini gerçekleşmeden saniyeler öncesinde tespit edebildiğini kanıtlamaktadır. Çalışma, geleneksel sistemlere kıyasla daha proaktif bir güvenlik yaklaşımına olanak tanıyan etkili bir otonom teknoloji sunmaktadır.
Özet (Çeviri)
Today, security camera systems are widely used in public spaces as a critical technological infrastructure for the early prevention of crimes and post-event suspect identification. However, the vast majority of existing systems operate in a reactive manner, based on continuous monitoring by human operators and focused on post-event analysis. Considering the shortness of human attention span and the difficulty of simultaneously monitoring dense data flows, current infrastructures are often insufficient in autonomously detecting criminal acts such as violence, theft, arson, or vandalism during or before the event. In this context, the continuous analysis of complex spatiotemporal data streams in real-time video and the detection of criminal behaviors before a crisis moment have become a necessity. The main objective of this study is to develop an autonomous and low-latency early warning system capable of detecting anomalies and potential criminal acts in real-time video footage with high accuracy at the incipient stage, before they are fully carried out. In line with this goal, a two-stage deep learning architecture suitable for edge device capacity has been designed. In the first stage, the Inflated 3D ConvNets (I3D) network is used to extract visual and motion-based spatiotemporal features from consecutive video clips. In the second stage, a Top-K Multiple Instance Learning (MIL) based Multi-Layer Perceptron (MLP) approach, which demonstrates high performance on weakly labeled data, is preferred to perform anomaly classification. To increase the decision stability of the model and prevent prediction fluctuations, a temporal smoothness constraint with a coefficient of 0,2 and an error function based on Binary Cross Entropy (BCE) have been integrated into the loss function. The developed model has been trained and tested using a training set containing 507 anomalous and 798 normal video sequences from the UCF-Crime dataset. Following the training process, a decision threshold optimization based on Youden's J statistic has been applied to minimize the false positive rate. Furthermore, to ensure that the system operates without latency on standard surveillance infrastructures instead of heavy servers, inference optimization has been achieved by converting model weights into Open Neural Network Exchange (ONNX) format. The performance of the developed model has been analyzed in live broadcast simulations using metrics such as Receiver Operating Characteristic - Area Under Curve (ROC-AUC), Precision, and F1-score, as well as the Time-to-Event (TTE) delta, which measures early reaction capacity. The findings prove that the proposed I3D and MIL-based proactive architecture achieves an AUC performance of 0,8667, operates at millisecond processing speeds, and detects criminal acts seconds before they occur. The study presents an effective autonomous technology that enables a more proactive security approach compared to traditional systems.
Benzer Tezler
- Makro besin elementlerinin (NPK) İzmir'de Mayıs ayında açığa dikilen 4-6 cm çevre büyüklüğündeki Gladiolus cinsine ait“hunting song”ve“Novalüx”kültür çeşitlerinin yumrularının gelişmeleri üzerine etkileri
Başlık çevirisi yok
TAHA ALİ AMEN
Yüksek Lisans
Türkçe
1985
ZiraatEge ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. ADNAN HATİPOĞLU
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Samsun ve çevresinde tarla sarmaşığı (conuolvulus arvensis L.)'na karşı biyolojik savaşa esas olacak fauna tespiti
Investigations on the insect fauna of the field binweed (Conuolvulus arvensis L.) related to its biological control in Samsun Province
YASEMİN UFUK GERMAN
- İki katlı pamuk ipliklerinden dokunan kumaşlarda örgüye bağlı olarak maksimum atkı sıklığının değişimi üzerinde bir araştırma
Başlık çevirisi yok
MELTEM ASLI NARTER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Ege bölgesi keçi liflerinin bazı önemli fiziksel, kimyasal özellikleri ve değerlendirme imkanları
Başlık çevirisi yok
NİLÜFER ERDEM
Doktora
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLSEREN YAZICIOĞLU