Görüntü işleme yöntemleri kullanarak araç marka ve modelinin tespit edilmesi

Abstract

Görüntü işleme tabanlı uygulamalar son yıllarda yaygın bir biçimde pek çok alanda kullanılmaktadır. Sınıflandırma, sayım, ölçme, hedef takibi gibi görevleri yerine getiren pek çok uygulama geliştirilmiştir. Bu tez çalışmasının amacı, araçların marka ve modelinin tespitinde etkili ve düşük maliyetli bir yöntem kullanarak farklı uygulamalar için çözüm sunmaktır. Araçların marka ve modelinin tespitinde Faster-RCNN modeli kullanılarak yüksek doğrulukta bir algoritma ve sınıflandırma metodu önerilmiş ve gerçeklemiştir. Önerilen çözüm değişik açılardan çekilmiş ve farklı kaynaklardan edilen çeşitli resimler üzerinde test edilmiştir. Çalışmada marka tespitinde Faster-RCNN metodu kullanılmıştır. Marka tespitinde 20 marka 21 sınıf üzerinde çalışılmıştır. Çalışmada bu metot 10 sınıfta %90'in üzerinde, 8 sınıfta %80 ile %90, 4 sınıfta ise %70-%80 arası doğru sonuç vermiştir. Genel başarıda bu metot %89,76 doğru sonuç vermiştir. Çalışmada araç modelinin tespitinde Faster-RCNN metodu kullanılmıştır. Şekil temeli bir görüş benimsenmiştir. 20 markanın 51 modeli üzerinde çalışılmıştır. 51 modelin farklı açılardan çekilmiş 6160 resmi eğitim gerçekleştirilmiştir. 2639 resim üzerinde sınama yapılmıştır. Genel başarıda bu yöntem %69,72 oranda doğru sonuç vermiştir.

Image processing-based applications have been widely used in many areas in recent years. Many applications have been developed that perform tasks such as classification, counting, measuring and target tracking. The aim of this thesis is to provide solutions for different applications by using an effective and low cost method in determining the brand and model of vehicles. A high accuracy algorithm and classification method has been proposed and implemented by using Faster-RCNN model in determining brand and model of vehicles.The proposed solution was taken from different angles and tested on various images from different sources. In the study, Faster-RCNN method was used for brand identification. In brand determination, 20 brands and 21 classes were studied. In this study, this method yielded over 90% accuracy in 10 classes, 80-90% in 8 classes, and 70-80% in 4 classes. In general success, this method gave 89.76% correct results.In the study, Faster-RCNN method was used to detect the vehicle model. Shape-based vision was adopted. 51 models of 20 brands have been studied. 6160 training images of 51 models were taken from different angles. Tests were performed on 2639 images. In general success, this method yielded correct results at a rate of 69.72%.