Geri Dön

Video görüntülerinden trafik kazası riskini gerçek zamanlı belirleyen bir sistem tasarımı

A system design for determining traffic accident risk from real-time video images

  1. Tez No: 322680
  2. Yazar: UYGAR ER
  3. Danışmanlar: YRD. DOÇ. DR. M. ELİF KARSLIGİL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Trafik, Ulaşım, Computer Engineering and Computer Science and Control, Traffic, Transportation
  6. Anahtar Kelimeler: Trafik kazası risk analizi, anomali tespiti, hareket yörüngesi kümeleme ve sınıflandırma, trafik görüntülerinde araç tespiti ve takib
  7. Yıl: 2012
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 109

Özet

Trafikteki can ve mal güvenliğini tehlikeye atan davranışların gözlemlenmesi, nedenlerinin anlaşılması ve bununla ilgili gerekli önlemlerin alınması günümüzde önemli araştırma konularından biridir. Trafik akışının düzenli bir şekilde sağlanması, sürücü davranışlarının caydırıcı önlemler geliştirilerek kontrol altına alınması ile mümkündür. Trafik düzeninin sağlanması trafiği oluşturan tüm unsurlar için psikolojik, zamansal ve maddi kazancı beraberinde getirir. Ancak bu durumun belki de en büyük getirisi hiç kuşkusuz insan hayatının korunması ile ilgilidir. Bu çalışmanın ana amaçlarından biri araç davranışlarının analizinde bir otomasyon sağlayarak trafik akışının ve düzeninin kontrol altına alınmasını kolaylaştırmaktır.Bu çalışmada trafik görüntülerini kullanarak takip edilen araçların hareket yörüngelerini inceleyen, bu yörüngelerden trafik kamerasının görüntü alanındaki yol modellerini öğrenebilen, öğrenilen bu yol modelleri yardımıyla araçların olağandışı davranışlarını tespit eden ve birbirleri ile ilişkilerine göre de kaza olasılıklarını tahmin eden bir sistem tasarlanmış ve gerçekleştirilmiştir. Bu amaçla öncelikle, trafik kamerasının görüş açısındaki yolda hareket eden araçların davranışlarının öğrenilmesi sağlanmıştır. Video görüntüleri çeşitli ön işlemlerden geçirildikten sonra, Adaptif Gauss Karışım Modeli yöntemi ile ön plan, arka plandan ayrıştırılır. Sonrasında tüm araçların merkez noktası tespit edilir ve Lucas-Kanade Optik Akış yöntemi kullanılarak takip edilir. Araçların takibi sonucu üretilen hareket yörüngeleri kullanılarak kamera açısı dahilindeki yolun, araçların hareketlerine göre modellenmesi sağlanır. Bu amaçla üretilen tüm hareket yörüngeleri kümelendikten sonra her kümeyi temsil eden ve Gauss Karışımı destekli Saklı Markov Modeli olarak ifade edilen genel yol modelleri bulunur. Sistemin uygulama aşamasında ise takip edilen araçların üretilen genel yol modellerine göre davranışları incelenir ve bu incelemelerin sonuçlarına göre anomali trafik durumları kolaylıkla tespit edilir. Bu işlemlerin ardından uygulama sürecinde takip edilen araç için üretilen kısmi yörüngelerin genel yol modelleri ile yaptığı açı ve uzaklık bilgileri kullanılarak sınıflandırma işlemi yapılır. Araçların sınıflandırıldığı yol modelindeki durumuna ve diğer araçlarla olan ilişkilerine göre anlık hız, konum, ve hareket doğrultusu parametrelerinin değerlendirilmesi sonucunda bir kaza risk faktörü değeri elde edilir. Kaza risk faktörü düşük, orta ve yüksek risk olmak üzere 3 kategoride değerlendirilir. Kaza risk faktörünün zamana göre değişimine göre de kaza riskini belirten bir alarm üretilir. Genel yol modelinin öğrenilmesi sonucu kaza risk faktörü sadece kaza yapma olasılığı bulunan yol modellerinde hareket eden araçlar arasında incelenerek sistemin çalışma performansı artırılır.Çalışma kapsamında elde edilen deneysel sonuçlara göre sistemin %80 doğruluk ve %68 hassasiyet oranı ile kaza riskini belirlediği sonucuna ulaşılmıştır. Testlerde kazaların 2.9 ile 1 saniye öncesinden tahmin edilebildiği sonucuna ulaşılmıştır. Sistemin başarımının kamera görüş açısı, trafik yoğunluğu, hareket eden araçların doğru tespit ve takip edilmesi gibi parametrelere göre değişebildiği gözlemlenmiştir.Araç trafiğini oluşturan unsurların otomatik olarak incelenmesi ve kaza risk faktörlerinin üretilmesi ile trafik koordinasyon merkezlerinde operatör bağımlı yapıdan daha esnek ve geliştirilebilir bir yapıya geçilebilecektir. Sistemin en önemli özelliklerinden biri yol modelinin otomatik olarak öğretilebilir olmasıdır. Bu sayede mevcut trafik kameraları kullanılarak anomali durumlarının ve kaza riskinin oluştuğu anlarda ilgili noktalara odaklanma sağlanabilecektir. Bu da kamera ağının insan kaynağına minimum ölçüde bağımlı hale gelmesini sağlayacak ve genişletilmesine yardımcı olacaktır. Ayrıca anomali yaratan durumların belirlenmesi ve kazaların tahmini sonrasında ihtiyaca göre polis ekiplerinin veya sağlık ekiplerinin bölgeye sevkedilmesi süreci hızlandırılabilecektir. Hali hazırda birçok büyük şehirde trafik kameralarının kurulu olması da bu sistemin uygulanabilirliği açısından büyük bir avantaj oluşturmaktadır.

Özet (Çeviri)

Observation of behaviors that endanger the safety of life and goods in traffic, understanding its causes and take the necessary precautions associated with it is one of the important research topics nowadays. Provision of traffic flow on a regular basis may be possible with controlling driver behaviors by improved deterrent precautions. Provision of traffic flow also brings psychological, temporal and material gain for all the elements that make up traffic. However, perhaps the greatest yield of this condition is undoubtedly related to the protection of human life. One of the main goals of this study is to facilitate the control of the traffic flow and scheme by providing an automated analysis of the vehicle behaviors.In this study, a system is designed and implemented for examining the motion trajectories of the vehicles that are tracked by using the traffic videos, learning road models of these trajectories lead to traffic camera field of view, detecting abnormal behaviors of the vehicles with the help of road models and also estimating the probabilities of accidents according to relations with each other. For this purpose, firstly, behaviors of the vehicles that are moving on traffic camera viewing angle are learned. After application of various pre-processing methods to the video frames, foreground segmented from the background by using Adaptive Gaussian Mixture Model. Then, the central point of all the vehicles are detected and tracked by using Lucas-Kanade optical flow method. The road is modelled by using trajectories of vehicles that are produced after tracking process. For this purpose after clustering all motion trajectories, common road models that are representing each cluster and expressed as Hidden Markov Model with Gaussian Mixture are found. In the implementation phase of the system, the behavior of the vehicles is examined according to produced common road models and, according to the result of these examining, anomaly traffic conditions are easily detected. Therefore, angle and distance information between partial trajectories of vehicles that are tracking, and common road models, are used for classification process. Following this process, an accident risk factor value is obtained in consequence of assessment of current speed, position, movement direction parameters of vehicles and detected anomalies of vehicles. Then accident risk faktor is evaluated in three categories consisting of low, medium and high risk level. According to the variation of accident risk factor over time, an alarm indicating the risk of an accident is generated. As a result of learning common road models, working performance of the system is increased by examining accident risk factor only in the road models that an accident can possibly happen.According to experimental results within the scope of this study, %80 accuracy and %68 precision rates were obtained for determining traffic accident risk. The tests concluded that accidents can be estimated 2.9 to 1 second before. It?s observed that the performance of the system can be changed according to camera viewing angle, traffic density, correctly detection and tracking of moving vehicles.As a result of the implementation of the proposed process, operator-dependent structure can be replaced by a structure that is more flexible and improved with an automatic analysis of the elements that make the traffic and production of risk factors in the traffic co-ordination centers. One of the most important features of this model is that road model is automatically trainable. In this way, by using traffic cameras installed presently, it will be possible to focus on the relevant points when only abnormal situations and the risk of accidents are formed. This helps the camera network to become dependent on minimum human resources and also will help to extend. In addition, after the identification of situations that create anomalies and prediction of accidents, dispatching police teams and medical teams to the region may accelerate the process. Currently, in many metropolitans, installed traffic cameras are a great advantage in terms of the applicability of this system.

Benzer Tezler

  1. Video görüntülerinden araç takibi

    Moving vehicle tracking in video

    AYDOĞAN AKÇAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ABDULLAH BAL

  2. Video görüntülerinden hareketli nesnelerin çıkarılması ve hareket yörüngelerinin belirlenmesi

    Extraction of moving objects from video sequences and determination of the object trajectories

    MAHİR SERHAN TEMİZ

    Doktora

    Türkçe

    Türkçe

    2011

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Jeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı

    PROF. DR. SITKI KÜLÜR

  3. Derin öğrenme kullanılarak göz, yüz ve esneme özelliklerine dayalı melez bir yorgunluk tanıma sistemi geliştirilmesi

    Development of hybrid fatigue recognition system based on eye, face and yaw features using deep learning

    RABİA KÖK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYBARS UĞUR

  4. Düşük çözünürlüklü yüz görüntülerinin yerel zernike momentleri yöntemi ile sınıflandırılması

    Classification of the low resolution face images by local zernike moments method

    TOLGA ALASAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUHİTTİN GÖKMEN

    DOÇ. DR. MUSTAFA ERSEL KAMAŞAK

    YRD. DOÇ. DR. SERAP KIRBIZ

  5. Sert negatif öğrenme ile yayaların yürüyüş rotalarının belirlenmesi

    Walking path detection of pedestrians by using hard negative learning

    CİHANGİR KOLCU

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Mühendislik BilimleriYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BÜLENT BOLAT