Düşük Kaliteli Görüntüleme Koşullarında Derin Öğrenmeye Dayalı Araç Sınıflandırması

Abstract

Günümüzde trafik sıkışıklığının, kazaların ve güvenlik sorunlarının önlenmesi için akıllı ulaşım sistemlerinin (ITS) ve trafik gözetleme sistemlerinin kullanılması çok önemli bir yere sahiptir. Bu tür sistemlerde karayolu taşıtlarının sınıflandırılması önemli kilit zorluklardan biridir. Bu nedenle literatürde araç sınıflandırmasını kolaylaştırmak için şimdiye kadar birçok yöntem önerilmiştir. Çoğunlukla bu yöntemler, yüksek kaliteli kameralardan toplanan yüksek çözünürlüklü görüntüleri kullanır. Ancak, düşük çözünürlüklü görüntüler kullanıldığında araç sınıflandırması kolay bir iş değildir. Buna ek olarak, farklı hava koşulları (yağmurlu, karlı ve puslu) gibi çeşitli çevresel faktörler araç sınıflandırma performansını etkiler. Bu tez, farklı hava koşullarında bir trafik sahnesinden uzağa yerleştirilmiş standart bir güvenlik kamerası tarafından toplanan düşük çözünürlüklü gözetim görüntülerinde araç sınıflandırması için basit bir evrişimsel sinir ağı (CNN) tabanlı bir yöntem önermektedir. Performansını değerlendirmek için önerilen model, çeşitli olup olmadığı koşullarında toplanan küçük ve düşük çözünürlüklü araç görüntülerini (100 × 100 piksel ve 96 dpi) içeren bir veri seti üzerinde test edilmiştir. Bu tezde önerilen model aynı zamanda iyi bilinen VGG19 tabanlı CNN modelleri ile doğruluk ve kayıp açısından karşılaştırılmıştır. Önerilen modelin doğruluk ve kayıp değerleri karşılaştırıldığında iyi bilinen modellerle benzerlik gösterse de karmaşıklık ve enerji kaybı göz önüne alındığında daha iyi performans göstermektedir.

Today, the use of intelligent transportation systems (ITS) and traffic surveillance systems for the prevention of traffic jams, accidents, and security problems has a very important role. In such systems, the classification of road vehicles is one of the important key challenges. For this reason, in the literature, a plenty of methods have been proposed so far to ease vehicle classification. Mostly, these methods use high resolution images collected from high quality cameras. However, vehicle classification is not an easy task when low resolution images are used. In addition to this, several environmental factors affect vehicle classification performance, such as different weather conditions (rainy, snowy, and hazy). This thesis proposes a simple convolutional neural network(CNN)-based method for vehicle classification in low resolution surveillance images collected by a standard security camera installed distant from a traffic scene under different weather conditions. In order to assess its performance, the proposed model is tested on a dataset containing tiny and low resolution vehicle images (100 × 100 pixels and 96 dpi) collected in various whether conditions. The model proposed in this thesis is also compared with well-known VGG19-based CNN models in terms of accuracy and loss. Although, the accuracy and loss values of the proposed model are similar to well-known models, it performs better considering the complexity and energy loss.