SavedAdd your journal

Journals / Bayburt Üniversitesi Fen Bilimleri Dergisi / 2026 / Cilt: 3 Sayı: 1

Hareketli Nesne Tespitinin Örüntü Tanıma Yöntemleri ile İyileştirilmesi

Emrah Şimşek(RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ)0000-0002-1652-9553
Gülşah Tümüklü Özyer(ATATÜRK ÜNİVERSİTESİ)0000-0002-0596-0065
Barış Özyer(ATATÜRK ÜNİVERSİTESİ)0000-0003-0117-6983
Pages
9–15
Publication Date
2020-06-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Foto kapan veri seti üzerinde yaptığımız uygulamalarda hareketli nesne tespiti başarısı %11-%16 oranlarında iyileştirilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Arka plan çıkarma ve çerçeve farkı yöntemleri hareketli nesne tespiti çalışmalarında yaygın olarak kullanılmaktadır.
📊
Key Findings & Data:Çalışmamızda öncelikle Değişen Gauss Ortalama ve çerçeve farkı yöntemi ile hareketli nesnelerin olduğu çıktılar elde edilmektedir.
💡
Conclusion & Impact:Foto kapan veri seti üzerinde yaptığımız uygulamalarda hareketli nesne tespiti başarısı %11-%16 oranlarında iyileştirilmiştir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:hareketli nesne tespiti · rastgele orman · lbp

Özet

Arka plan çıkarma ve çerçeve farkı yöntemleri hareketli nesne tespiti çalışmalarında yaygın olarak kullanılmaktadır. Bu iki yöntem uygulanırken arka planın hareketli olması ve ışık şiddeti değişimi gibi iki temel zorluk ile karşılaşılmaktadır. Literatürde bu zorlukların çözümü için histogram eşitleme, eşikleme, görüntü bulanıklaştırma gibi işlemler uygulanmaktadır. Çalışmamızda örüntü tanıma yöntemi ile ardışık görüntülerdeki arka plandaki hareketi veya ışık şiddeti değişimini tespit ederek bu zorluklar çözülmeye çalışılmıştır. Çalışmamızda öncelikle Değişen Gauss Ortalama ve çerçeve farkı yöntemi ile hareketli nesnelerin olduğu çıktılar elde edilmektedir. Devamında elde edilen bu çıktılar uygun, arka plan hareketi veya ışık şiddeti değişimi olarak sınıflandırılmaktadır. Işık şiddeti değişimi olan görüntülerde histogram eşitleme, arka plan hareketi olan görüntülerde Gaussların Karışımı ve medyan filtre uygulanarak elde edilen sonuçlar iyileştirilmektedir. Görüntülerin sınıflandırılmasında Yerel İkili Örüntü (YİÖ) özniteliği ile rastgele orman sınıflandırma algoritması kullanılmıştır. Foto kapan veri seti üzerinde yaptığımız uygulamalarda hareketli nesne tespiti başarısı %11-%16 oranlarında iyileştirilmiştir.

🔖

Cite This Article

Şimşek, E., Özyer, G. T., Özyer, B. (2020). Hareketli Nesne Tespitinin Örüntü Tanıma Yöntemleri ile İyileştirilmesi. Bayburt Üniversitesi Fen Bilimleri Dergisi, Cilt: 3 Sayı: 1, 9–15. https://ajindex.com/articles/1461723

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (9)

  1. Kulchandani, J. S., & Dangarwala, K. J. (2015, January). Moving object detection: Review of recent research trends. In Pervasive Computing (ICPC), 2015 International Conference on (pp. 1-5). IEEE.
  2. Piccardi, M. (2004, October). Background subtraction techniques: a review. In Systems, man and cybernetics, 2004 IEEE international conference on (Vol. 4, pp. 3099-3104). IEEE.
  3. Weiming Hu, Tieniu Tan, Liang Wang, and Steve Maybank, “A Survey on Visual Surveillance of Object Motion and Behaviors,” IEEE Trans. on Systems, Man, and Cybernetics—Part C: Applications and Reviews,vol. 34, no. 3, pp. 334-352, August 2004.
  4. Bahadir Karasulu and Serdar Korukoglu (2013). Performance Evaluation Software: Moving Object Detection and Tracking in Videos.
  5. Şimşek E., Özyer B., Özyer G. T. Animal Detection in Camera-Trap Images, 1. Uluslararası Teknoloji Bilimleri Ve Tasarım Sempozyumu.
  6. Kays, R., Tilak, S., Kranstauber, B., Jansen, P. A., Carbone, C., Rowcliffe, M. J.,. & He, Z. (2010). Monitoring wild animal communities with arrays of motion sensitive camera traps. arXiv preprint arXiv:1009.5718.
  7. Soharab Hossain Shaikh, Khalid Saeed and Nabendu Chaki.(2014). Moving Object Detection Using Background Subtraction.[Online]. Available: http://link.springer.com/book/10.1007%2F978-3-319-07386-6
  8. Jain, R., & Nagel, H. H. (1979). On the analysis of accumulative difference pictures from image sequences of real world scenes. IEEE Transactions on Pattern Analysis and Machine Intelligence, (2), 206-214.
  9. Kays, R., Tilak, S., Kranstauber, B., Jansen, P. A., Carbone, C., Rowcliffe, M. J.,. & He, Z. (2010). Monitoring wild animal communities with arrays of motion sensitive camera traps. arXiv preprint arXiv:1009.5718.