Elde edilen sonuçlar, araç takibi işleminde GPU programlamanın kullanılmasının yüksek performans kazanımı getirdiğini göstermiştir.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Bu çalı ş mada, Grafik İşlemci Birimi (GPU) Programlaması kullanılarak yüksek performanslı bir araç takip uygulaması geli ş tirilmiştir.
📊
Key Findings & Data:Uygulama, GeForce GT 630 ve GeForce GTX 550Ti isimli iki farklı ekran kartı üzerinde test edilmiş ve farklı GPU’lara sahip ekran kartlarının uygulamanın performansına olan etkisi incelenmiştir.
💡
Conclusion & Impact:Elde edilen sonuçlar, araç takibi işleminde GPU programlamanın kullanılmasının yüksek performans kazanımı getirdiğini göstermiştir.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:Grafik işlemci birimi · CUDA · araç takip
Özet
Bu çalı ş mada, Grafik İşlemci Birimi (GPU) Programlaması kullanılarak yüksek performanslı bir araç takip uygulaması geli ş tirilmiştir. GPU programlama ortamı olarak Birleşik Hesap Cihazı Mimarisi (CUDA) kullanılmıştır. Uygulama, GeForce GT 630 ve GeForce GTX 550Ti isimli iki farklı ekran kartı üzerinde test edilmiş ve farklı GPU’lara sahip ekran kartlarının uygulamanın performansına olan etkisi incelenmiştir. Ayrıca uygulama MATLAB ortamında Merkezi İşlemci Birimi (CPU) üzerinde de gerçeklenerek, CPU-GPU karşılaştırılması yapılmış ve ayrıntılı sonuçlar sunulmuştur . Elde edilen sonuçlar, araç takibi işleminde GPU programlamanın kullanılmasının yüksek performans kazanımı getirdiğini göstermiştir.
Coifman, B., Beymer, D., McLauchlan, P., & Malik, J. (1998). A real-time computer vision system for vehicle tracking and traffic surveillance. Transportation Research, Part C, 6, 271-288
Betke, M. T., Haritaoglu, E., & Davis, L. S. (2000). Real-time multiple vehicle detection and tracking from a moving vehicle. Machine Vision and Applications, 12, 69–83
Derek, M. R. (2004). Tracking multiple vehicles using foreground, background and motion models. Image and Vision Computing 22, 143–155
Rad, R., & Jamzad, M. (2005). Real time classification and tracking of multiple vehicles in highways. Pattern Recognition Letters, 26, 1597–1607
Haag, M., & Nagel, H. H. (1999). Combination of edge element and optical flow estimates for 3D-model-based vehicle tracking in traffic image sequences. International Journal of Computer Vision, 35, 3, 295–319
Kim, Z., & Malik, J. (2003). Fast vehicle detection with probabilistic feature grouping and its application to vehicle tracking. Proceedings of the Ninth IEEE International Conference on Computer Vision, 524–531
Hu, W., Xiao, X., Xie, D., Tan, T., & Maybank, S. (2001,4). Traffic accident prediction using 3D model-based vehicle tracking. IEEE Transactions on Vehicular Technology, 53, 3, 677 - 694
J.-W. Hsieh, S.-H. Yu, Y.-S. Chen, W.-F. Hu, Automatic Traffic Surveillance System for Vehicle Tracking and Classification, IEEE Transactions on Intelligent Transportation Systems, Vol. 7, No. 2, Haziran 2006
Kastrinaki, V., Zervakis, M., & Kalaitzakis, K. (2003). A survey of video processing techniques for traffic applications. Image and Vision Computing, 21, 359–381
Sivaraman, S., & Manubhai, M. (2013). Integrated lane and vehicle detection, localization, and tracking: a synergistic approach. IEEE Transactions on Transportation Systems, 14, 2, 906 - 917
Do, V. D., & Woo, D.M. (2016). Optical flow on vehicle tracking under unpredictable environments. Advanced Science and Technology Letters, 126, 32-36
Zhao, X., Dawson, D., Sarasua, W. A., & Birchfield, S.T. (2016). Automated traffic surveillance system with aerial camera arrays imagery: macroscopic data collection with vehicle tracking, American Society of Civil Engineers, 10.1061/(ASCE)CP.1943-5487.0000646
Lee, G., Mallipeddi, R., & Lee, M. (2017). trajectory-based vehicle tracking at low frame rates. Expert Systems With Applications, 10.1016/j.eswa.2017.03.023
Saxena, S., & Sharma, N. (2016). Parallel image processing techniques, benefits and limitations. Research Journal of Applied Sciences, Engineering and Technology, 12, 2, 223-238
Güler, E., & Geçer, B. (2013). People Counting.
El-Azim, S. A., Ismail I., & El-Lati, H. A. (2002). An efficient object tracking technique using block-matching algorithm. Proc. Of the Nineteenth National, Radio Science Conf., 427-433
Wren, C., Azarhayejani, A. Darrell, T., & Pentland, A.P. (1997). Pfinder: real-time tracking of the human body. IEEE Trans. on Pattern Analysis. And Machine Intelligence, 19, 7, 780-785
Lo, B.P.L., & Velastin, S.A. (2001). Automatic congestion detection system for underground platforms. Proc. Of Int. Symposium on Intelligent Multimedia, Video and Speech Processing, 158-161
Stauffer, C., & Grimson, W. E. L. (1999). Adaptive background mixture models for real-time tracking. Proceedings of conference on Computer Vision and Pattern Recognition, 2, 246-25
Elgammal, A., Hanvood, D., & Davis, L.S. (2000). Nonparametric model for background subtraction. Proc. Of European Conf. on Computer Vision, 751-767
Koller, D., Weber, J., Huang, T., Malik, J., Ogasawara, G., Rao, B., & Russell, S. (1994). Towards robust automatic traffic scene analysis in real-time, Proc. Of Int. Conf. on Pattern Recognition, 126-131
Leoch, D. (2007). Real-time people counting system using video camera, Yüksek Lisans Tezi, Gjvik University College, 2007
Gutchess, D., Trajkonic, M., Cohen-Solal, E., Lyons, D., & Jain, A. K. (2001). A background model initialization algorithm for video surveillance. The 8th IEEE Int. Conf. on Computer Vision, 733-740.