İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması

Year 2018, Volume: 18 Issue: 3, 1118 - 1129, 30.12.2018

Barış Gökçe Güray Sonugür

Abstract

Bu çalışmada, hareketli platform olarak kullanılan insansız kara araçlarının seyir halindeyken rotaları üzerindeki bir kısım hareketli nesnelerin tespiti için görüntü işleme tabanlı olarak geliştirilen iki yardımcı sistemin performans karşılaştırması yapılmıştır. Yardımcı sistemlerin geliştirilmesinde küresel konumlandırma sisteminden sağlanan coğrafi konum verileri kullanılmıştır. Çalışmada coğrafi konumlarına göre modelleri çıkartılan arka plan görüntüleri referans model ve anlık model olarak iki farklı şekilde incelenmiştir. Referans modeller varsayılan arka plan (hareketli nesne içermeyen arka plan) görüntülerinden elde edilirken, anlık modeller ise gerçek zamanlı arka plan görüntülerinden elde edilmiştir. Karşılaştırma işlemi sonucu belirlenen siluetler yapay sinir ağları kullanılarak sınıflandırılmıştır. Sınıflandırma için 5 giriş ve 3 çıkışlı bir yapay sinir ağı (YSA) mimarisi uygulanmıştır. Mimarinin son katmanında softmax fonksiyonu kullanılmıştır. Yapay sinir ağında her bir çıkış yaya, otomobil ve bisikletli olarak 3 farklı nesne sınıfını temsil etmektedir. İlk yöntemde iki boyutlu görüntü çakıştırma yöntemi kullanılarak referans ve anlık görüntü çerçeveleri hizalanmıştır. Çerçeve farkı yöntemi ile aynı hizaya getirilen çerçevelerin aritmetik farkları alınarak görüntüye giren dinamik nesnelerin siluetleri elde edilmiştir. İkinci yöntemde arka plan görüntüleri bloklara bölünmüştür. Model oluşturmak için ortalama parlaklık değerleri kullanılmıştır. Referans ve anlık modellerin karşılaştırma işlemi bloklar arasındaki Öklid uzaklıkları hesaplanarak gerçekleştirilmiştir. Yapılan deneysel çalışmalarda; uzaklığa bağlı olarak %94 ile %71 arası doğru sınıflandırma oranları elde edilmiştir.

Keywords

İnsansız kara Araçları; Görüntü İşleme; Nesne Tespit, Nesne Sınıflandırma

References

• Albekord, K., Watkins, A., Wiens, G., Fitz-Coy, N., and Lin, K. C. ,2004. Multiple-agent surveillance mission with non-stationary obstacles. Proceedings of 2004 Florida Conference on Recent Advances in Robotics, 1-5.
• Bay, H., Tuytelaars, T. and Van Gool, L., 2006. Surf: Speeded up robust features. Computer vision–ECCV, 404-417.
• Chen, X., 2008. Application of matlab in moving object detecting algorithm. Future BioMedical Information Engineering, 2008. FBIE'08. International Seminar, 114-117.
• Cheraghi, S.A.,2012. “Moving Object Detection Using Image Registration for a Moving Camera Platform,” 23–25
• Foresti, G. L. and Gentili, S.,2000. A vision based system for object detection in underwater images. International Journal of Pattern Recognition and Artificial Intelligence, 14(02), 167-188.
• Gonzalez, R.C., Woods, R.E. and Eddins, S.L. 2009. Digital Image Processing using Matlab, Gatesmark, USA Gopalakrishnan, A., Greene, S. and Sekmen, A., 2005. Vision-based mobile robot learning and navigation. Robot and Human Interactive Communication, 2005. ROMAN 2005. IEEE International Workshop ,48-53.
• Harris, C. and Stephens, M. 1988. A combined corner and edge detector. Alvey vision conference , 15(50), 10-5244.
• Jarraya, S. K., Hammami, M. and Ben-Abdallah, H., 2010. Accurate background modeling for moving object detection in a dynamic scene. Digital Image Computing: Techniques and Applications (DICTA), 2010 International Conference, 52-57.
• Kim, J., Ye, G. and Kim, D., 2010,. Moving object detection under free-moving camera. Image Processing (ICIP), 2010 17th IEEE International Conference,4669-4672.
• Kong, H., Audibert, J. Y. and Ponce, J. (2010). Detecting abandoned objects with a moving camera. IEEE Transactions on Image Processing, 19(8), 2201-2210
• . Kosuge, K., Sato, M., and Kazamura, N., 2000. Mobile robot helper. Robotics and Automation, 2000. Proceedings. ICRA'00. IEEE International Conference, 1,583-588.
• Marquez-Gamez, D. A. and Devy, M., 2013. Active vision-based moving objects detection from a Motion Grid. Mobile Robots (ECMR), 2013 European Conference, 373-378.
• Otsu, N., 1979. A threshold selection method from gray-level histograms. IEEE transactions on systems, man, and cybernetics, 9(1), 62-66
• Philippsen, R. and Siegwart, R., 2003. Smooth and efficient obstacle avoidance for a tour guide robot. In None (No. LSA-CONF-2003-018). Rosten, E. and Drummond, T. 2006. Machine learning for high-speed corner detection. Computer Vision–ECCV, 430-443.
• Sappa, A. D., Dornaika, F., Gerónimo, D. and López, A., 2008. Registration-based moving object detection from a moving camera. Proc. on Workshop on Perception, Planning and Navigation for Intelligent Vehicles, Nice, France Shimizu, S., Yamamoto, K., Wang, C., Satoh, Y., Tanahashi, H. and Niwa, Y., 2006. Moving object detection by mobile Stereo Omni-directional System (SOS) using spherical depth image. Pattern analysis and applications,9(2-3), 113-126.
• Snorrason, M., Norris, J., & Backes, P. ,1999. Vision based obstacle detection and path planning for planetary rovers. Proceedings of SPIE 3693, 13th Annual AeroSense conference, Orlando, FL Spagnolo, P., Leo, M. and Distante, A., 2006. Moving object segmentation by background subtraction and temporal analysis. Image and Vision Computing, 24(5), 411-423.
• Velasco-Arjona, A., and de Castro, M. L., 1997. Fully robotic method for characterization of toxic residues. Analyst, 122(2), 123-128.
• Yu, Q. and Medioni, G., 2007. Map-enhanced detection and tracking from a moving platform with local and global data association. Motion and Video Computing, 2007. WMVC'07. IEEE Workshop, 3-3.
• Yu, X., Chen, X. and Gao, M.,2012. Motion detection in dynamic scenes based on fuzzy c-means clustering. Communication Systems and Network Technologies (CSNT), 2012 International Conference, 306-310.
• Weng, M., Huang, G. and Da, X., 2010. A new interframe difference algorithm for moving target detection. Image and Signal Processing (CISP), 2010 3rd International Congress 1, 285-289.