Video gözetleme sistemlerinde altuzay öğrenmesi yaklaşımı ile şüpheli nesne tespiti

Abstract

İnsanların yoğun olarak bulundukları yerlerde gerçekleşebilecek terör olaylarına karşı artan güvenlik endişeleri sonucunda, akıllı video gözetleme sistemlerine olan talep büyümektedir. Bu çalışmada, şüpheli/sahipsiz/terk edilmiş nesneleri güvenlik kameralarından elde edilen görüntüleri kullanarak otomatik olarak tespit edecek bir video gözetleme algoritması geliştirilmiştir. Kullanılan yöntemde, ikili ön plan modeli uygulanmıştır. Arka plan ve ön plan nesnelerinin bölütlenmesi GoDec olarak adlandırılan matris ayrıştırması yöntemi X = L + S modeli ile hızlı ve gürbüz sonuç verecek şekilde yapılmaktadır. GoDec algoritması ile nesnelerin hatları korunduğundan, sabit duran insan ve bir valiz birbirinden rahatlıkla ayrılabilmektedir. Bu ön plan modelleri kullanılarak, statik ön plan nesneleri tespit edilmektedir. GoDec algoritması ile ön plan nesnelerinin tespiti, geleneksel yöntemlere göre oldukça iyi yapılmakta ve ön plan nesnelerinin hatları korunabilmektedir. Böylece, farklı türde nesneleri birbirinden ayırmak daha kolay olmaktadır. Bu tez çalışması ile altuzay öğrenmesi yönteminin, şüpheli nesne tespiti problemi üzerinde kullanılması için yeni bir yaklaşım/yapı önerilmiştir. Bu yaklaşım, özellikle arka plan başlangıç değeri sorununa karşı oldukça gürbüz sonuç vermektedir.

The result of increasing security concerns for the terrorist activities in public places where people gather densely, there has been a growing interest for the smart video surveillance system. In this thesis, using videos obtained from security cameras, an automatic unattended/abandoned object detection algorithm is designed and implemented. Dual foregrounds method is used to detect temporally static regions. A fast and robust matrix decomposition algorithm, named GoDec, as X = L+S is used for foreground/background separation. An evidence score is inferred at each pixel by applying a set of hypotheses on the foreground images. This provides temporal consistency. Segmentation quality of GoDec algorithm is very good and shapes of the objects are well retained. This provides easy discrimination of different objects such as standing person and a luggage. In this study, we propose a novel framework for abandoned object detection via subspace learning. Proposed approach is robust especially against the background initialization errors.