A machine learning-based approach for automatic theft detection
Otomatik hırsızlık tespiti için makine öğrenimi tabanlı bir yaklaşım
- Tez No: 927953
- Danışmanlar: DOÇ. BARIŞ ETHEM SÜZEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Hırsızlık Tespiti, Makine Öğrenimi, Eylem Tanıma, Video'da Otomatik Hırsızlık Tespiti, Video Gözetimi, Theft Detection, Machine Learning, Action Recognition, Automatic Theft Detection in Video, Video Surveillance
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
Hırsızlık, küresel olarak artan yaygın bir suçtur. Hırsızlığı önlemek için sıklıkla video gözetim sistemleri kullanılsa da bu sistemlerde hırsızlığın tespiti, sıkıcı ve tutarsız olabilen manuel izlemeye bağlıdır. Bu, otomatik hırsızlık tespit sistemlerine olan ihtiyacı ortaya koymaktadır. Bu çalışmada, derin öğrenme tabanlı önceden eğitilmiş insan eylemi tanıma modelleri kullanarak otomatik hırsızlık tespit sistemi için makine öğrenimi tabanlı bir yaklaşım geliştirmeyi amaçladık. Yaklaşımımız dört temel adımdan oluşuyordu: veri seti hazırlama, özellik vektörü oluşturma, hırsızlık tespiti için model eğitimi ve performans değerlendirmesi. Central Florida Üniversitesi-Suç kamu veri setinden türettiğimiz veri setlerini kullandık. İlk veri setinde stealing ve normal videolar, ikinci veri setinde shoplifting, stealing ve normal videolar ve üçüncü veri setinde ise shoplifting, stealing, robbery ve normal videolar yer alıyordu. Hırsızlıkla ilgili kategorileri içeren videolar“theft”olarak etiketlenirken, normal videolar“normal”olarak etiketlendi. Her videodan 400 özelliğe sahip öznitelik vektörleri oluşturmak için önceden eğitilmiş dört insan eylem tanıma modeli kullandık. Bu, adım üç verisetinden türetilen 12 ayrı veri seti ile sonuçlandı. Sonra farklı veri kümeleri arasında hırsızlığı normal videolardan ayırt etmek için ikili sınıflandırma yapıldı. Eğitim verilerine Support Vector Machine, Decision Tree, Neural Network, Random Forest, K-Nearest Neighbors, Gaussian Naive Bayes ve Gradient Boosting olmak üzere çeşitli makine öğrenimi algoritmaları hiperparametre ayarlaması ile uygulandı. Model performansı, test kümesine göre değerlendirildi. En iyi performans gösteren, 0,90'lık AUC, 0,90'lık doğruluk, 0,91'lık duyarlılık, 0,90'lık kesinlik ve 0,90'lık F1 score ile Neural Network modelidir. Bu yaklaşım, hırsızlık önlemede gerçek video gözetim verilerine uygulanabilir ve insan güvenliğini artırabilir. Bu çalışma, insan müdahalesini azaltarak, doğruluğu artırma ve video gözetimi işleme sürecinde tutarlılığı koruma potansiyeli sunmaktadır.
Özet (Çeviri)
Theft, a common crime, is increasing globally. Although video surveillance systems are frequently employed to prevent theft, the detection of theft in these systems depends on manual monitoring, which can be tedious and inconsistent. This reveals the need for automatic theft detection systems. In this study, we aimed to develop a machine learning-based approach for automatic theft detection systems using deep learning-based pre-trained human action recognition models. Our approach consisted of four key steps: dataset preparation, feature vector generation, model training for theft detection, and performance evaluation. We used datasets derived from the University of Central Florida-Crime public dataset. The first dataset contained stealing and normal videos, the second included shoplifting, stealing, and normal videos, and the third dataset had shoplifting, stealing, robbery, and normal videos. Videos involving theft-related categories were labeled as“theft,”while normal videos were labeled as“normal”. We utilized four pre-trained human action recognition models to generate feature vectors with 400 features from each video. This resulted in 12 distinct datasets derived from three datasets. Binary classification was then performed to distinguish theft from normal videos across the different datasets. Machine learning algorithms were applied to the training data, including Support Vector Machine, Decision Tree, Neural Network, Random Forest, K-Nearest Neighbors, Gaussian Naive Bayes, and Gradient Boosting, with hyperparameter tuning. Model performance was evaluated based on the test set. The best-performing model was the Neural Network, achieving an AUC of 0.90, accuracy of 0.90, recall of 0.91, precision of 0.90, and an F1 score of 0.90. This approach can be applied to real video surveillance data in theft prevention and increase human safety. Here, by lowering human involvement, there will be the potential to increase accuracy and maintain consistency in video surveillance processing.
Benzer Tezler
- A novel method for automatic fish counting based on machine learning using morphological features
Başlık çevirisi yok
AHAD AGHAPOUR
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. HASAN FATİH UĞURDAĞ
- Lifelong learning for auditory scene analysis
İşitsel sahne analizi için hayat boyu öğrenme
BARIŞ BAYRAM
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Automated query-biased and structure-preserving document summarization for web search tasks
Arama motorları için bilgi isteğine ve metin yapısına dayalı olarak otomatik doküman özetlenmesi
FATMA CANAN PEMBE
Doktora
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUNGA GÜNGÖR
- Building of Turkish propbank and semantic role labeling of Turkish
Türkçe önerme veri tabanının oluşturulması ve Türkçenin anlamsal görev çözümlemesi
GÖZDE GÜL ŞAHİN
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EŞREF ADALI
- Bilgisayarlı görme temelli yaklaşım ile tehlikeli nesnelerin otomatik tanınması
A computer vision based approach for automatic recognition of dangerous objects
KÜBRA TİRYAKİ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZAFER İŞCAN