Görüntü işleme tekniği ile korunan alanlarda kaynak değeri oluşturan yaban hayvanlarının envanterine yönelik tür ve sayı tespiti yapılması

Abstract

Bu araştırmada, 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. Gerçek zamanlı fotokapan videolarından alınan görüntü sahnelerinden önce gauss karma modelleri (GMM) tekniği kullanılarak 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. Yaban hayvanı tür tespitinde %100 doğruluk oranı elde edilmiştir. Yüksek başarım oranının yakalanması için destek vektör makineleri (DVM) ve yapay sinir ağı (YSA) tekniği ile karşılaştırmalı olarak sınıflandırma yapılmıştır. Son olarak anlık görüntüde etiketlendirilen hayvanın takibi ve sayımı yapılmıştır. 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.

In this study, an image processing based assistant system was developed for the detection of wild animals which are added value with hunting tourism to the country's economy from the images obtained from a fixed camera in the protected areas. A background image was extracted using gaussian hybrid models (GMM) technique before image scenes taken from real-time photocapane videotapes. Then, from the background and foreground images of the video, physical and color attributes of wild animals were extracted. In a real-time complex image scene that is instantaneous in nature, where there is a lot of movement, developed field test, feature test and color test criteria are used to determine the targeted wild animal. 100% accuracy rate was obtained for wild animal species detection. In order to capture the high throughput rate, classification was made with support vector machines (DVM) and artificial neural network (YSA) technique. Finally, the snapshot was tagged and counted. With the developed methods, it has been seen that species determination for wild animal inventory can be done with lower cost camera systems and computer software without the need of human power with 100% success rate.