Detection of vehicle on infrared images in road traffic
Başlık çevirisi mevcut değil.
- Tez No: 746020
- Danışmanlar: PROF. DR. GALİP CANSEVER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Bu özgün yüksek lisans tezinin amacı, derin öğrenme tabanlı Evrişimsel Sinir Ağı (CNN) algoritmasını kullanarak kızılötesi görüntülerdeki araçları tespit etmektir. Kızılötesi görüntü verilerinin yerelleştirilmesi, geçiş ücreti kontrolü, trafik durumu analizi ve şüpheli araç takibi gibi alanlarda en yaygın olarak kullanılan gerçek dünya uygulamalarından biri olarak hizmet eder. Araç veri bilgilerinin yanı sıra, genel bir kavrayış elde etmek için aracın bilgileri de büyük rol oynamaktadır ve bağlamsal bilgi, çalışmamızda otomatik derin öğrenme tekniği kullanılarak araçlar arasındaki ilişki olarak tanımlanmaktadır. Araç verilerinin bölgesini ve araçların konumunu aynı anda yerelleştirmek için bir CNN sınıflandırıcı önerdik. Sınıflandırıcı, sınırlayıcı dikdörtgenler yerine sınırlayıcı dörtgenler verir, bu da araç verilerinin yerelleştirilmesi için daha kesin bir gösterge sağlar. Ayarlanan bölgeler, gürültüyü gidermek için ön işleme tabi tutulur ve Evrişimli Sinir Ağı'na (CNN) iletilir. CNN'nin ön işlemesi, bağlı bileşenleri çıkarır, boyutlarına göre filtreler ve kızılötesi görüntü çizgileri halinde gruplandırır. Kullanılan CNN iyi bilinen bir teknolojidir. CNN, en az bir kızılötesi görüntü bölgesi için düşük bir güven puanı bildirdiyse, kullanıcıya verinin o bölümünün yeni bir görüntüsünü alması için sinyal verilir, bu görüntü daha sonra mevcut görüntüyle eşleştirilir ve kızılötesi görüntü işleme adımları yeniden yürütülür. Tüm bölgeler yeterince yüksek puana sahipse veya sabit sayıda yeniden deneme tükenirse işlem tamamlanır. Çıktı, algılanan veri türünden, çıkarılan kızılötesi vii dahil bölgelerin listesinden oluşur. 300 eğitim ve test dönemi ile %98,69 doğrulukla CNN aracılığıyla görüntü ve CNN güvenilirliği. Önerilen sistem, verilerin %70'i üzerinde eğitilmiş, %20'si test için ve kalan %10'u doğrulama için kullanılmıştır. Tasarlanan özellik vektörünün önemini göstermek için, mevcut tüm araç türlerinin bir alt kümesini temsil eden çoklu kızılötesi görüntü sınıflarından oluşan açık kaynaklı bir veri kümesi kullandık. MATLAB programlama dilinde gerçekleştirilen çalışma, bu amaçla çeşitli derin öğrenme araç kutuları kullanılarak yapılmıştır. Tasarımımızda üç fonksiyonel kafa ağı vardır ve bu nedenle uçtan uca ve eşzamanlı eğitim, verilerin %70'inin eğitim için, geri kalan %30'unun ise test ve doğrulama için kullanılmasıyla potansiyel bir eğitim kararlılığına yol açar. Model bir araya gelemezse, hangi kafa tasarımının sorun yarattığını takip etmek oldukça zor. Bu nedenle, tasarım sürecimizde, tek kafa tasarım fikrinin doğru çalıştığından emin olarak her bir işlevsel kafayı adım adım ekledik ve ardından kızılötesi görüntülerle geri kalan işlevsel kafalarla modeli genişlettik.
Özet (Çeviri)
The aim of this novel master's Thesis is to detect the vehicles in infrared images using deep learning based Convolutional Neural Network (CNN) algorithm. Infrared image data localization serves as one of the most widely used real-world applications in fields like toll control, traffic scene analysis, and suspected vehicle tracking. Along with vehicle data information, to obtain overall comprehension, the information of the vehicle also plays a great role, and contextual information is defined as the relationship between the vehicles using automated deep learning technique in in our work. We proposed a CNN classifier for simultaneously localizing the region of vehicle data and vehicles' position. The classifier, rather than bounding rectangles, gives bounding quadrilaterals, which gives a more precise indication for vehicle data localization. The adjusted regions are preprocessed to remove noise and passed to the Convolutional neural network (CNN). The preprocessing of the CNN extracts connected components, filters them by size, and groups them into lines of infrared image. The employed CNN is the well-known technology. If the CNN reported a low confidence score for at least one infrared image region, the user is signaled to acquire a new image of that part of the data, which is then matched to the existing image and the infrared image processing steps are executed again. The process completes, if all regions have a sufficiently high score or a fixed number of retries are exhausted. The output consists of the detected data type, the list of regions including the extracted infrared vii image and the CNN reliability through CNN with an accuracy of 98.69% with 300 epochs of training and testing. The proposed system has been trained on 70% of data while 20% is used for testing and remaining 10% for validation. To show the significance of the designed feature vector, we used an open source dataset consisting of multiple infrared image classes which represented a subset of all existing types of vehicles. The work has performed in MATLAB programming language with several toolboxes of deep learning were being used for this purpose. There are three functional head networks in our design, and thus the end-to-end and simultaneous training leads to a potential training stability with 70% of data was being utilized for training while rest of the 30% data for testing and validation. If the model fails to converge, it is quite hard to trace which head design is raising a problem. Thus, in our design process, we added each the functional head step-by-step, making sure the single head design idea is working correctly and then expanded the model with the rest functional heads with infrared images.
Benzer Tezler
- Multispektral İHA verilerinin obje tabanlı sınıflandırılmasında ndym tabanlı performans artırım yaklaşımları
Ndsm-based potential enhancement approaches in object-based classification of multispectral uav data
İLYAS AYDIN
Yüksek Lisans
Türkçe
2024
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. UMUT GÜNEŞ SEFERCİK
- İnsansız hava aracı ile elde edilen veriler yardımıyla yol tespiti
Automatic road detection from data taken by unmanned aerial vehicles
ABDURAHMAN YASİN YİĞİT
Yüksek Lisans
Türkçe
2020
Jeodezi ve FotogrametriAfyon Kocatepe ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT UYSAL
- Üniversite kampüsündeki araç plaka tanıma ve takibi için matematik ve algoritmik ilkeler
University campus vehicles number plate recognition and following mathematical and algorithmic principles
AHMED AMİR KHAN
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHİT GÜNEŞ
- Effects of atmospheric correction on vehicle classification with single and dual band infrared images
Tek ve çift bant kızılötesi imgelerle araç sınıflandırmaya atmosferik düzeltmenin etkileri
SEÇKİN ÖZSARAÇ
Doktora
İngilizce
2014
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE AKAR
- Derin öğrenme tabanlı kızıl ötesi hedef tespiti
Deep learning-based infrared target detection
KEVSER İREM DANACI
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. ERDEM AKAGÜNDÜZ