Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı

Öz

Bu çalışmada yaban hayatında görüntü işleme tabanlı yaban hayvanlarının tür tespiti ve sayımının yapılması hedeflenmiştir.  Korunan alanlarda sabit bir kameradan elde edilen görüntülerden ülke ekonomisine av turizmi ile katma değeri olan yaban hayvanlarının tür tespiti yapılarak sayımının yapılmasına yönelik görüntü işleme tabanlı bir sistem geliştirilmiştir. Bu sistem sayesinde yüksek başarım ile yaban hayvanlarının türlerinin belirlenmesi ve sayımının yapılması amaçlanmıştır. Bunun için ilk olarak gauss karma modelleri (GMM) tekniği ile gerçek zamanlı foto kapan videolarından alınan görüntü sahnelerinden arka plan görüntüsü çıkarılmıştır. Sonra videonun arka plan ve ön plan görüntülerinden yaban hayvanlarının fiziksel ve renksel öznitelikleri çıkarılmıştır. Hareketliliğin çok olduğu doğal yaşamda anlık elde edilen gerçek zamanlı kompleks bir görüntü sahnesinde geliştirilen alan testi, öznitelik testi ve renk testi kriterleri ile hedeflenen yaban hayvanın tespit edilmesi sağlanmıştır. Yapılan deneysel çalışmalarda geyik, tilki, kurt ve yaban atından oluşan 4 adet yaban hayvanı tür tespiti %100 doğruluk oranı ile gerçekleştirilmiştir. Yazılımın video çerçevesi başına düşen işlem süresi 0.242 saniyedir. Geliştirilen yöntemler ile yaban hayvanı envanterine yönelik tür tespitinin %100 başarı oranı ile insan gücüne gerek duymadan, daha düşük maliyetli kamera sistemleri ve bilgisayar yazılımı ile yapılabileceği görülmüştür. Literatürdeki yaban hayvanları sınıflandırma çalışmalarından farkı yaban hayvanı tanıma işleminin nesne tanıma üzerine oluşturulan hazır algoritmaları kullanmadan geliştirilen daha basit matematiksel işlemlerle ve renk faktörü ile hedeflenen %100 tanıma oranının yakalanmasıdır. Çalışmamızda kullandığımız yaban hayvanı tanıma algoritmaları bilgisayarlı görme uygulamalarında dinamik nesne tespiti çalışmalarına altyapı olacağı ve diğer tüm nesne tanıma çalışmalardaki başarım oranını arttıracağı aşikardır.

Anahtar Kelimeler

• Hayvan izleme ve sınıflandırma,Vahşi hayvanlar sınıflandırması,Görüntü işleme,Nesne tanıma,Görüntü sınıflandırma

Detection and counting of wild animals as source value by image processing technique

Abstract

In this study, it is aimed to detect and count wild animals based on image processing in wildlife. From the images obtained from a fixed camera in the protected areas, an image processing based system has been developed for detecting and counting wild animals which are added value with hunting tourism to the country's economy. Through this developed system, it is aimed to both determine and count the wild animal species with high performance. For this, firstly, using gaussian mixed models (GMM) technique, the background images were extracted from the image scenes coming from real-time photocapture videotapes. In a real-time complex image scene that is instantaneous in nature where there is a lot of mobility, developed field test, attribute test and color test criteria are used to determine the targeted wild animal. In the experimental studies, 4 species of wild animals including deer, fox, wolf and wild horses were detected with 100% accuracy. The software's processing time per video frame is 0.242 seconds. With the developed methods, it has been seen that species determination for wild animal inventory can be done with less cost camera systems and computer software without human power with 100% success rate. The difference from the wild animal classification studies in the literature is the catching of the 100% recognition rate targeted by wild animal identification process with simpler mathematical operations and color factor developed without using ready-made algorithms on object recognition. The wild animal recognition algorithms we use in our work are obviously to be the infrastructure for dynamic object detection studies in computer vision applications and all other object recognition will increase the performance ratio in the studies.

Keywords

• Animal monitoring and classification,Wild animal classification,Image processing,Object recognition,Image classification

Kaynakça

1. T.C. Doğa Koruma ve Milli Parklar Genel Müdürlüğü. “Türkiye’deki Korunan Alan Sistemi Hakkında Bilgiler”. http://www.milliparklar.gov.tr/korunanalanlar/korunanalan1.htm (12.06.2017).
2. TMMOB Orman Mühendisleri Odası. “Büyük Memeli Av Hayvanı Sayım Teknikler ve Ülkemizdeki Populasyon Durumu”. http://ormuh.org.tr/arsiv/files/Av%20Hayvanlari%20Envanteri.pdf (15.06.2017).
3. Andreopoulos A, Tsotsos JK. “50 years of object recognition: Directions forward ”. Computer Vision and Image Understanding, 117, 827-891, 2013.
4. Buğday A. Gerçek Zamanlı Videolarda Ön Plan ve Arka Plan Ayrımı. Yüksek Lisans Tezi, Ankara Üniversitesi, Ankara, Türkiye, 2010.
5. Karasulu B. Videolarda Hareketli Nesne Tespiti ve Takibi için Benzetimli Tavlama Tabanlı Bir Başarım Eniyileme Yaklaşımı. Doktora Tezi, Ege Üniversitesi, İzmir, Türkiye, 2010.
6. XU Y, Dong J, Zhang B, Xu D. “Backgraund modeling methods in video analysis: A review and comparative evaluation”. CAAI Transactions on Intelligence Technology, 1, 43-60, 2016
7. Stauffer C, Grimson, WEL. “Adaptive background mixture modelsfor real-time tracking”. IEEE Computer Society Conference on ComputerVision and Pattern Recognition, Fort Collins, CO, USA, 23-25 June 1999.
8. Alparslan N. Gradyan Tabanlı Heterojen Öznitelik Çıkarma Yöntemlerine Yeni Yaklaşımlar. Yüksek Lisans Tezi, İnönü Üniversitesi, Malatya, Türkiye, 2013.

9. Yılboğa H. Büyük Veri Tabanlarında Özniteliklerin Etiketlere İndirgenmesine Dayalı İçerik ve Metin Tabanlı Görüntü Erişimi. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, İstanbul, Türkiye, 2015.
10. Kocaman Ç. Yapay Us Yöntemleri Kullanarak Enerji Kalitesi Bozucularının Belirlenmesi. Doktora Tezi, 19 Mayıs Üniversitesi, Samsun, Türkiye, 2010.
11. Matuska S, Hudec R, Kamencay P, Benco M, Zachariasova M. “Classification of Wild Animals Based on DVM and Local Descriptors”. AASRI Procedia , 9, 25-30, 2014 .
12. Yu X, Wang J,Kays R, Jansen PA, Wang T, Huang T. “Automated identification of animalspecies in camera trap images”. EURASI Journal on Image and Video Processing, 52, 2-10, 2013.
13. Alli MN, Viriri S. Animal Identification Based on Footprint Recognition”. IEEE Computer Society, Pretoria, South Africa, 25-27 November 2013.
14. Boniecki P, Koszela K, Piekarska H, Weres J,Zaborowicz M, Kujawa S, Majeswski A, Raba B.“Neural identification of selected apple pests”. Computers and Electronics in Agriculture. 110, 9-16, 2015.
15. Risse B, Mangan M, Barbara W. “Visual Tracking of Small Animals in Cluttered Natural Environments Using a Freely Moving Camera”. 2017 IEEE International Conference on Computer Vision Workshop, Venice, Italy, 22-27 October 2017.
16. Jasko G, Giosan L, Nedevschi S. “Animal detection from traffic scenarios based on monocular color vision”. 13th IEEE International Conference on Intelligent Computer Communication and Processing (ICCP), Cluj-Napoca, Romania, 7-9 September 2017.
17. Nguyen H, Maclagan SJ, Nguyen TD, Nguyen. “Animal Recognition and Identification with Deep Convolutional Neural Networks for Automated Wildlife Monitoring”. International Conference on Data Science and Advanced Analytics (DSAA), Tokyo, Japan, 19-21 October 2017.
18. Villa AG, Salazar A. Vargas F. “Towards automatic wild animal monotoring: Identification of animal species in camera-trap images using very deep convolutional neural networks”. Ecological Informatics, 4, 24-32, 2017.
19. Bacham S. Editorial Introduction. Editors: Graves M, Batchelor M. Machine Vision for the Inspection of Natural Products, 35-85, UK, Springer Science & Business Media, 2006.
20. Sonugör G. İnsansız Kara Araçları için Dinamik Nesnelerin Tanınması amacıyla Görüntü İşleme Tabanlı Bir Sistem Geliştirilmesi. Doktora Tezi, Kocatepe Üniversitesi, Afyonkarahisar, Türkiye, 2016.
21. Savaş K. Kontrol Sistemleri için Matlab’ta Gui Uygulamaları Tasarımı. Yüksek Lisans Tezi, Marmara Üniversitesi, İstanbul, Türkiye, 2007.
22. Xiong Y, Zhang Z, Chen F. “Comparison of ANN and SVM Methods for Urban Land Use/Cover Classifications from Remote Sensing Images”. International Conference on Computer and System Modeling (ICCASM 2010), Taiyuan, China, 22-24 October 2010.
23. Moraes R, Valiatı JF, Neto WPG. “Document-Level Sentiment Classification: An Empirical Comparison Between SVM and ANN”. Expert Systems with Application, 40, 621-633, 2013.
24. Ren J. “ANN vs. SVM: Which one performs “better in Classification of MCCs in mammogram imaginig”. Knowledge-Based Systems, 26, 144-153,2012.
25. You Tube. “Deer, Fox, Rabbit Bushnell Trophy Cam HD Aggressor”. https://www.youtube.com/watch?v=rvOagfFM6Cg (12.04.2017).
26. You Tube. “Cam Two Active Buck Scrape”. https://www.youtube.com/watch?v=Ka2WH_22D5s(12.04.2017).
27. You Tube. “Buck Battling the Raccoons”. https://www.youtube.com/watch?v=6DnZgU3fpA (12.05.2017)
28. You Tube. “red-fox-on-trail-camera”. https://www.youtube.com/watch?v=xMLUAgEaC0w (12.05.2017).