Özet:
Son yıllarda teknolojinin hızla gelişmesiyle beraber, kamera kullanım
alanları ve video görüntüsü üretimi de aynı hızla artmaktadır. Dolayısıyla görüntü
işleme tekniklerinin, hız, performans ve kaynak kullanımı açısından maksimum
oranda geliştirilmesi ve iyileştirilmesine büyük bir ihtiyaç vardır. Özellikle
kalabalık ve hareketli alanlarda anomalileri doğru olarak tespit edebilmek, yanlış
tespitleri (false positive) en aza indirerek, başarım oranını artırmak zorlayıcı bir
durumdur. Bundan dolayı çalışmamızda, birden fazla makine öğrenmesi
algoritması ile Piksel bazlı video anomali tespiti (Piksel Based Video Anomaly
Detection (PBVAD) ) ve Frame bazlı video anomali tespiti (Frame Based Video
Anomaly Detection (FBVAD)) modelleri birleştirilerek, hibrit bir video anomali
tespiti modelinin kullanılması önerilmiştir. PBVAD modelinde ile Spatio Temporal (ST)’ı referans alan “Motion Influence Map (MIM)” algoritması,
FBVAD modelinde ise k-Nearest Neighbor (kNN) ve Support Vector Machine
(SVM)” makine öğrenmesi algoritmaları hibrit bir şekilde kullanılmıştır.
Çalışmamızın diğer bir önemli özelliği, önceden üzerinde çok fazla çalışma
yapılmamış olan, gerçek dünyaya dair 128 saatlik orijinal görüntüler içeren, UCF Crime veri seti üzerinde, hibrit algoritmalarla başarımı yüksek anomali tespiti
yapılmış olmasıdır. Çalışmamızın başarım oranı, FBVAD-kNN modeli algoritması
ile yapılan testlerde ortalama olarak 98.0 %’dir. Bununla beraber, PBVAD-MIM
modeli algoritması ile yapılan testlerde ortalama olarak 80.7%’dir. PBVAD-MIM
algoritmasıyla yapılan piksel bazlı anomali tespiti çalışmalarımızda, pikseller
arasındaki hız ve değişim farkı büyük olan video görüntülerinde, başarım
oranlarının daha yüksek, pikseller arasındaki hız ve değişim farkı küçük olan video
görüntülerinde ise, başarım oranlarının daha düşük olduğu gözlemlenmiştir.
Çalışmamızın, video görüntülerinde, gerçek zamanlıya yakın bir şekilde anomali
durumların tespit edilerek, olası zararlı etkilerinin önlenmesine, önemli düzeyde
katkı sağlayacağı öngörülmektedir
