Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi

Das, Resul; Tuna, Gurkan; Polat, Berna

Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi

Resul DAŞ, (Fırat Üniversitesi, Teknoloji Fakültesi, Yazılım Mühendisliği Bölümü, Elazığ, Türkiye)

Berna POLAT, (Fırat Üniversitesi, Teknoloji Fakültesi, Yazılım Mühendisliği Bölümü, Elazığ, Türkiye)

Gürkan TUNA (Trakya Üniversitesi, Teknik Bilimler Meslek Yüksek Okulu, Bilgisayar Teknolojileri Bölümü, Edirne, Türkiye)

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

50 7

Yıl: 2019 Cilt: 31 Sayı: 2 Sayfa Aralığı: 571 - 581 Metin Dili: Türkçe İndeks Tarihi: 26-01-2021

Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi

Öz:

Görüntü işleme yöntemleri kullanılarak durağan görüntülerin analizleri gerçekleştirilebilir ve söz konusu görüntülerdenanlamlı bilgiler çıkarılabilir. Tespit ve tanıma sonrasında takip edilecek olan nesnenin değişken bir ortam içinde bulunmasızorlaştırıcı unsurlardan birisidir. Bunun gibi zorlaştırıcı unsurlarla başa çıkabilmek ve nesne takibini başarıylagerçekleştirebilmek için farklı yöntemler geliştirilmiştir. Askeri uygulamalarda yaygın olarak kullanılan elektro-optik algılayıcısistemleri hareketli ve sabit hedeflerin belirlenmesini sağlamaktadır. Son yıllarda yapay zekâ tabanlı bileşenlerle güçlendirilenbu sistemler hem daha hızlı hem de daha kesin hedef tespiti yapmayı sağlamaktadır. Öte yandan, derin öğrenme algoritmalarıyapay zekâ alanında bir devrim yaratmıştır. Derin öğrenme algoritmalarının görüntü işlemede kullanılması oldukça başarılısonuçlar alınmasını ve karmaşık görüntü işleme problemlerinin kolaylıkla çözüme kavuşturulabilmesini sağlamaktadır. Buçalışmada derin öğrenme ile hareketli nesne tanıma ve takibi için Google’ın açık kaynak kodlu makine öğrenmesi kütüphanesiolan TensorFlow kullanılmıştır. Nesne takibi için Region Based Convolutional Networks kütüphanesinden Faster R-CNNmodeli ele alınmıştır. Bu kütüphaneler ile durağan görüntüler, video görüntüleri ve webcam görüntüleri üzerinde nesne tanımaişlemi gerçekleştirilmiş ve incelenen kütüphanelerin güçlü ve zayıf yönleri ortaya konmuştur.

Anahtar Kelime:

Recognition and Tracking of Objects in Pictures and Videos Using Deep Learning

Öz:

Analysis of still images using image processing methods can be performed and meaningful information can be extracted from the images. The presence of the object to be followed in a dynamic environment after detection and recognition is one of the factors that make it difficult. Different methods have been developed in order to cope with such challenging factors and to carry out object tracking successfully. Electro-optical sensor systems, which are commonly used in military applications, enable the determination of moving and fixed targets. In recent years, these systems, which are reinforced by artificial intelligence-based components, provide both faster and more precise target detection. On the other hand, deep learning algorithms have revolutionized the field of artificial intelligence. The use of deep learning algorithms in image processing provides very successful results and easy to solve complex image processing problems. In this study, TensorFlow, Google's open source machine learning library, is used for deep learning and moving object recognition and tracking. Faster R-CNN model from the Region Based Convolutional Networks libraries was used for object tracking. With these libraries, object recognition was performed on still images, video images and webcam images, and the strengths and weaknesses of the libraries examined were revealed.

Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

[1] Viola P. and Jones M., Rapid object detection using a boosted cascade of simple features, in Computer Vision and Pattern Recognition, CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on, vol. 1. IEEE, 2001.
[2] Özbaysar E. And Borandağ E., Vehicle plate tracking system, in 2018 26th Signal Processing and Communications Applications Conference (SIU). IEEE, 2018, pp. 1–4.
[3] McCulloch WS. And Pitts W., A logical calculus of the ideas immanent in nervous activity, The bulletin of mathematical biophysics, 1943, 5(4): 115–133.
[4] Haykin SS., Neural networks and learning machines. 3, Pearson Upper Saddle River, 2009.
[5] Ivakhnenko AG. and. Lapa VG., Cybernetic predicting devices. CCM Information Corporation, 1965.
[6] Fukushima K., Neocognitron: A hierarchical neural network capable of visual pattern recognition. Neural networks, 1988, 1(2): 119–130.
[7] Weng J., Cohen P., and Herniou M., Camera calibration with distortion models and accuracy evaluation, IEEE Transactions on Pattern Analysis & Machine Intelligence, 1992, no. 10, pp. 965–980.
[8] Cortes C. and Vapnik V., Support-vector networks, Machine learning,1995, 20(3): 273–297,
[9] Hochreiter S. and Schmidhuber J., Long short-term memory, Neural computation, 1997, 9(8): 735–1780.
[10] Hinton GE., Srivastava N., Krizhevsky A., Sutskever I., and Salakhutdinov RR., Improving neural networks by preventing co-adaptation of feature detectors. july 3, 2012, URL http://arxiv.org/abs/1207.0580, 2016.
[11] Lohr S., The age of big data, New York Times, 2012, 11(2012).
[12] Taigman Y., Yang M., Ranzato M., and Wolf L., Deepface: Closing the gap to human-level performance in face verification, in Proceedings of the IEEE conference on computer vision and pattern recognition, 2014, pp. 1701–1708.
[13] Lee K. and Son M., Deepspotcloud: leveraging cross-region gpu spot instances for deep learning, in Cloud Computing (CLOUD), 2017 IEEE 10th International Conference on. IEEE, 2017, pp. 98–105.
[14] Tokui S., Oono K., Hido S., and Clayton J., Chainer: a next-generation open source framework for deep learning, in Proceedings of workshop on machine learning systems (LearningSys) in the twenty-ninth annual conference on neural information processing systems (NIPS), vol. 5, 2015, pp. 1–6.
[15] Şahin Ö., Kurtoğlu A., and Ercan G., Computer science terminology extraction from parallel corpora, in 2018 26th Signal Processing and Communications Applications Conference (SIU). IEEE, 2018, pp.1–4.
[16] Luo W., Xing J., Milan A., Zhang X., Liu W., Zhao X., and Kim T.-K., Multiple object tracking: A literature review, arXiv preprint arXiv:1409.7618, 2014.
[17] Chen Y., Yang X., Zhong B., Pan S., Chen D., and Zhang H., Cnntracker: Online discriminative object tracking via deep convolutional neural network, Applied Soft Computing, 2016, 38, pp. 1088–1098.
[18] Hardas A., Bade D., and Wali V., Moving object detection using background subtraction shadow removal and post processing, in International Journal of Computer Applications (0975–8887) International Conference on Computer Technology (ICCT 2015), 2015.
[19] Shaikh S.H., Saeed K., and Chaki N., Moving object detection approaches, challenges and object tracking, in Moving Object Detection Using Background Subtraction. Springer, 2014, pp. 5–14.
[20] Aldhaheri A.R. and Edirisinghe E.A., Detection and classification of a moving object in a video stream, in Proc. of the Intl. Conf. on Advances in Computing and Information Technology-ACIT, 2014.
[21] Yilmaz A., Javed O., and Shah M., Object tracking: A survey, Acm computing surveys (CSUR), 2006, 38(4): p. 13.
[22] Trier O.D., Jain A.K., Taxt T. et al., Feature extraction methods for character recognition-a survey, Pattern recognition, 1996, 29(4): pp. 641–662.
[23] Avidan S., Support vector tracking, IEEE transactions on pattern analysis and machine intelligence, 2004, 26(8): 1064- 1072.
[24] Fan L., Wang Z., Cail B., Tao C., Zhang Z., Wang Y., Li S., Huang F., Fu S., and Zhang F., A survey on multiple object tracking algorithm, in Information and Automation (ICIA), 2016 IEEE International Conference on. IEEE, 2016, pp. 1855–1862.
[25] Redmon J., Divvala S., Girshick R., and Farhadi A., You only look once: Unified, real-time object detection, in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp.779–788.
[26] Baykara M and Daş R, Real time face recognition and tracking system, 2013 International Conference on Electronics, Computer and Computation (ICECCO), Ankara, 2013, pp. 159-163. doi: 10.1109/ICECCO.2013.6718253

APA	Das R, Polat B, Tuna G (2019). Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. , 571 - 581.
Chicago	Das Resul,Polat Berna,Tuna Gurkan Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. (2019): 571 - 581.
MLA	Das Resul,Polat Berna,Tuna Gurkan Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. , 2019, ss.571 - 581.
AMA	Das R,Polat B,Tuna G Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. . 2019; 571 - 581.
Vancouver	Das R,Polat B,Tuna G Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. . 2019; 571 - 581.
IEEE	Das R,Polat B,Tuna G "Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi." , ss.571 - 581, 2019.
ISNAD	Das, Resul vd. "Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi". (2019), 571-581.

APA	Das R, Polat B, Tuna G (2019). Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 31(2), 571 - 581.
Chicago	Das Resul,Polat Berna,Tuna Gurkan Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 31, no.2 (2019): 571 - 581.
MLA	Das Resul,Polat Berna,Tuna Gurkan Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, vol.31, no.2, 2019, ss.571 - 581.
AMA	Das R,Polat B,Tuna G Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2019; 31(2): 571 - 581.
Vancouver	Das R,Polat B,Tuna G Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2019; 31(2): 571 - 581.
IEEE	Das R,Polat B,Tuna G "Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi." Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 31, ss.571 - 581, 2019.
ISNAD	Das, Resul vd. "Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi". Fırat Üniversitesi Mühendislik Bilimleri Dergisi 31/2 (2019), 571-581.