Search

Bu çalışmada, hareketli platform olarak kullanılan insansız kara araçlarının seyir halindeyken rotalarıüzerindeki bir kısım hareketli nesnelerin tespiti için görüntü işleme tabanlı olarak geliştirilen ikiyardımcı sistemin performans karşılaştırması yapılmıştır. Yardımcı sistemlerin geliştirilmesinde küreselkonumlandırma sisteminden sağlanan coğrafi konum verileri kullanılmıştır. Çalışmada coğrafikonumlarına göre modelleri çıkartılan arka plan görüntüleri referans model ve anlık model olarak ikifarklı şekilde incelenmiştir. Referans modeller varsayılan arka plan (hareketli nesne içermeyen arkaplan) görüntülerinden elde edilirken, anlık modeller ise gerçek zamanlı arka plan görüntülerinden eldeedilmiştir. Karşılaştırma işlemi sonucu belirlenen siluetler yapay sinir ağları kullanılaraksınıflandırılmıştır. Sınıflandırma için 5 giriş ve 3 çıkışlı bir yapay sinir ağı (YSA) mimarisi uygulanmıştır.Mimarinin son katmanında softmax fonksiyonu kullanılmıştır. Yapay sinir ağında her bir çıkış yaya,otomobil ve bisikletli olarak 3 farklı nesne sınıfını temsil etmektedir. İlk yöntemde iki boyutlu görüntüçakıştırma yöntemi kullanılarak referans ve anlık görüntü çerçeveleri hizalanmıştır. Çerçeve farkıyöntemi ile aynı hizaya getirilen çerçevelerin aritmetik farkları alınarak görüntüye giren dinamiknesnelerin siluetleri elde edilmiştir. İkinci yöntemde arka plan görüntüleri bloklara bölünmüştür.Model oluşturmak için ortalama parlaklık değerleri kullanılmıştır. Referans ve anlık modellerinkarşılaştırma işlemi bloklar arasındaki Öklid uzaklıkları hesaplanarak gerçekleştirilmiştir. Yapılandeneysel çalışmalarda; uzaklığa bağlı olarak %94 ile %71 arası doğru sınıflandırma oranları eldeedilmiştir., In this study, performance comparison of two assistant systems were developed on the basis of imageprocessing for detecting moving objects along the route of unmanned ground vehicles used as mobileplatform. The geographical position data provided from global positioning system was used to developon the assistance systems. In the study, modeled background images according to their geographicallocations are handled in two different ways as reference model and instant model. Reference modelsare derived from default background (background without moving objects), and instant models arederived from real-time background images. The results of the comparison are classified using artificialneural network techniques. In the first method, the reference and instant frames are aligned using two-dimensional image registration methods. By subtracting aligned frames with the frame differencingmethod, the silhouettes of the moving objects in the scene are obtained. In the second method, thebackground images are divided into blocks. The average gray-level values are used to create the model.The comparison of the reference and instant models are performed by calculating the Euclideandistances between the blocks. For the classification of the silhouettes 5-input and 2-output artificial neural network (ANN) architecture is applied. In this artificial neural network, each output represents adifferent class of objects as pedestrians, cars and bikes. In experimental studies; the farthest distancesdetermined with a success rate of 85% were determined.