Güvenlik kameralarından araç hız tespiti için yeni bir derin öğrenme mimarisi önerisi
A new deep learning architecture proposal for vehicle speed detection from surveillance cameras
- Tez No: 960713
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET KILIÇARSLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Yazılımı Bilim Dalı
- Sayfa Sayısı: 60
Özet
Bu araştırma, akıllı ulaşım sistemlerinde doğru ve verimli araç hız tahmini için yeni bir derin öğrenme tabanlı yöntem sunmaktadır. Geleneksel nesne tespiti ve takibi odaklı yaklaşımların aksine, önerilen yöntem, video verilerinden uzamsal-zamansal bilgileri birleştirerek araç hızını doğrudan öğrenen birleşik bir yöntem önermektedir. Araç hareketi, uzamsal-zamansal alandaki izler olarak temsil edilir ve bu izlerin eğimi araç hızını doğrudan belirler. Sistemin tasarımı, uzamsal-zamansal bilgiyi bütünleştirerek tahmin doğruluğunu ve modelin sağlamlığını artırır. Bu bağlamda geliştirilen model, popüler YOLOv8 nesne tespit modeli baz alınarak uyarlanmıştır. Çeşitli trafik senaryolarında araç hız tahminine yönelik olarak uçtan uca eğitilmiştir. Model, geniş çaplı güvenlik kamerası video verileri üzerinde eğitilerek, görsel özellikler ve araç hızları arasındaki karmaşık ilişkileri etkili bir şekilde öğrenmiştir. Deneysel sonuçlar, geliştirilen yöntemin üstün performansını ortaya koymaktadır: %99 değerinde Ortalama Kesinlik Ortalaması (mAP), 1,34 km/sa değerinde ortalama mutlak hata, %2,50 değerinde ortalama mutlak yüzdelik hata ve 1,80 km/sa ortalama karekök hata değerleri elde edilmiştir. Ayrıca, geliştirilen model, saniyede 150 kare işleme hızına ulaşarak gerçek zamanlı trafik analiz uygulamaları için uygun bir çözüm sunmaktadır. Bu çalışma, araç hız tahmini için doğrudan uzamsal-zamansal verilerden öğrenen bir derin öğrenme yaklaşımının etkinliğini ortaya koyarak, trafik izleme ve sıkışıklığı yönetimi gibi alanlarda yenilikçi bir çözüm sunmaktadır. Önerilen model hem doğruluğu hem de işlem hızını optimize ederek yeni bir yaklaşım sunmaktadır.
Özet (Çeviri)
This research presents a novel deep learning-based method for accurate and efficient vehicle speed prediction in intelligent transportation systems. Unlike traditional approaches focused on object detection and tracking, the proposed method employs a unified method that directly learns vehicle speed by integrating spatio-temporal information from video data. Vehicle motion is represented as trajectories in the spatio-temporal domain, where the slope of these trajectories directly determines the vehicle's speed. The framework's design enhances prediction accuracy and model robustness by integrating spatial and temporal cues seamlessly. In this context, the model has been developed as an extension of the popular YOLOv8 object detection framework and optimized for vehicle speed prediction in various traffic scenarios. The model is trained on extensive surveillance video data, effectively learning the complex relationships between visual features and vehicle speeds. Experimental results demonstrate the superior performance of our method, achieving a mean average precision of 99%, a low mean absolute error of 1.34 km/h, a mean absolute percentage error of 2.50%, and a root mean square error of 1.80 km/h. Additionally, proposed model achieves an inference speed of 150 frames per second, making it a suitable solution for real-time traffic analysis applications. This study highlights the effectiveness of a deep learning approach that directly learns speed from spatiotemporal data, offering an innovative solution for vehicle speed prediction. The proposed model provides a new approach by optimizing both accuracy and processing speed, contributing to advancements in traffic monitoring and congestion management.
Benzer Tezler
- Monodepth-based object detection and depth sensing for autonomous vehicle vision systems
Monodepth tabanlı otonom araç görüş sistemleri için nesne tespiti ve derinlik algılama
EMRE ÇETİN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN SEÇİNTİ
- Hava durumuna göre değişen araç hız sınırı uygulaması
Vehicle speed limit application according to weather conditions
EMİR MUSTAFA EFE
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VEYSEL GÖKHAN BÖCEKÇİ
- Hareketli görüntülerde gerçek zaman yüz tanıma yaklaşımları
Real time face recognition aproach at moving images
GÖKHAN SAĞLAM
Yüksek Lisans
Türkçe
2008
Elektrik ve Elektronik MühendisliğiZonguldak Karaelmas ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
YRD. DOÇ. DR. RIFAT HACIOĞLU
- Biişim araçları vasıtasıyla elde edilen delillerin hukuka uygunluğu
The legal aspect of evidences obtained by information technologies
RUKİYE CAN YALÇIN
Yüksek Lisans
Türkçe
2007
HukukKara Harp Okulu KomutanlığıGüvenlik Bilimleri Ana Bilim Dalı
DOÇ. DR. ALİ KARAGÜLMEZ
- Deep learning-based vehicle classification under low-quality imagining conditions
Düşük kaliteli görüntüleme koşullarında derin öğrenmeye dayalı araç sınıflandırması
ÖZGEN SARI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASER DALVEREN
PROF. ALİ KARA