Trafik Video Analiz Verilerinden Anomali Tespit ve Diferansiyel Gelişim Algoritması Uç Öğrenme Makinesi ile Sınıflandırma

Kameralar ile elde edilen videolarda hareketli nesne tespit ve takibi ile nesne hakkında anlamlı ve yorumlanabilir bilgi elde edilmesi süreci, video analizi olarak tanımlanabilir. Karayolu trafik akış videolarının analizi ise hareket eden nesnelerin (taşıt ve yaya) izlenen yol için belirlenen kurallar dışında davranış sergilemeleri (anomali) durumunun tespit ve uyarı sistemi olarak ifade edilebilir. Bu çalışmada karayolu trafik akış videolarında hareket eden nesnelerin anomali davranışlarını tespit ederek verileri makine öğrenmesi yöntemleri ile sınıflandırma yapılmıştır. Çalışma üç aşamadan oluşmaktadır. Birinci aşamada hareketli nesnenin tespiti için arka/ön plan bölütleme yöntemlerinden Gauss Karışım Modeli (GKM) ve nesnenin videoda takibi yapılabilmesi için Kalman Filtre-Macar Algoritması yöntemleri kullanılmıştır. İkinci aşamada tespit edilen nesneye ait koordinat bilgilerini kullanarak konum, süre, hız ve şekil verileri elde edilmiştir. Hazırlanan özgün algoritmaya dayalı özellik çıkarma yazılımı ile nesneler için anomali durumlarını içeren özellikler tablosu oluşturulmuştur. Son aşamada ise özellik tablosundaki veriler; Uç Öğrenme Makine (UÖM) yönteminin, gizli katmandaki nöron sayıları ve aktivasyon fonksiyonları Diferansiyel Gelişim Algoritması (DGA) ile optimize edilerek geliştirilen DGAUÖM yöntemi ile sınıflandırma yapılmıştır. Geliştirilen yöntem ile elde edilen sonuçlar diğer makine öğrenme yöntem (Naive Bayes, Destek Vektör Makinesi ve Yapay Sinir Ağı) sonuçları ile karşılaştırılmış ve başarım %100 ile en yüksek çıkmıştır.

The process of obtaining meaningful and interpretable information about the object by detecting and tracking moving objects in videos obtained by cameras can be defined as video analysis. The analysis of highway traffic flow videos can be expressed as a detection and warning system of the behavior (anomaly) of moving objects (vehicle and pedestrian) outside the rules determined for the road followed. In this study, the anomaly behaviors of moving objects in highway traffic flow videos have been determined and the data has been classified by machine learning methods. The study consists of three stages. In the first stage, Gaussian Mixing Model, one of the background / foreground segmentation methods, and Kalman Filter-Macar Algorithm methods have been used to track the object on video. In the second step, location, time, velocity and shape data have been obtained by using the coordinate information of the detected object. With the unique algorithm-based feature extraction software, a table of properties including anomaly conditions for objects has been created. In the last stage, the data in the feature table; Classification of the Extreme Learning Machine method has been made with the Differential Evolution Algorithm - Extreme Learning Machine method developed by optimizing the number of neurons in the hidden layer and activation functions with the Differential Evolution Algorithm. The results obtained with the developed method have been compared with the results of other machine learning methods (Naive Bayes, Support Vector Machine and Artificial Neural Network) and the performance was the highest with 100%.