Anomali tespiti ve gözetim, özellik çıkarımı, eğitim ve öğrenme, modelleme ve sınıflandırma algoritmaları üzerinde durulmuştur.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Günümüzde yaygın olarak kullanılan kameralar otomatik gözetim sistemlerinin gelişmesine katkıda bulunmuştur.
📊
Key Findings & Data:Gözetim sistemleri ile birlikte video görüntülerinde olağandışı durumların tespiti çalışmalarına olan ilgi artmıştır.
💡
Conclusion & Impact:Anomali tespiti ve gözetim, özellik çıkarımı, eğitim ve öğrenme, modelleme ve sınıflandırma algoritmaları üzerinde durulmuştur.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Video analizi · anomali tespiti · video gözetim sistemleri
Özet
Günümüzde yaygın olarak kullanılan kameralar otomatik gözetim sistemlerinin gelişmesine katkıda bulunmuştur. Gözetim sistemleri ile birlikte video görüntülerinde olağandışı durumların tespiti çalışmalarına olan ilgi artmıştır. Anomali olarak da isimlendirilebilen bu durumlar başta güvenlik olmak üzere pek çok alanda kullanılmaktadır. Bu çalışmada video görüntülerinde anomali tespiti ve ilgili çalışmalar incelenmiştir. Anomali tespiti ve gözetim, özellik çıkarımı, eğitim ve öğrenme, modelleme ve sınıflandırma algoritmaları üzerinde durulmuştur.
ÖZ, K., GÖRGÜNOĞLU, S. (2016). Video Gözetim Sistemlerinde Anomali Tespiti Üzerine Bir Derleme. El-Cezeri, Cilt: 3 - Sayı: 3, 0–0. https://ajindex.com/articles/252657
V. Chandola, A. Banerjee, V. Kumar, Anomaly detection: A survey, ACM Comput. Surv. 41 (2009) 1–58.
A. a. Sodemann, M.P. Ross, B.J. Borghetti, A review of anomaly detection in automated surveillance, IEEE Trans. Syst. Man Cybern. Part C Appl. Rev. 42 (2012) 1257–1272.
O.P. Popoola, K. Wang, Video-Based Abnormal Human Behavior Recognition: A Review, Syst. Man, Cybern. Part C Appl. Rev. IEEE Trans. 42 (2012) 865–878.
V.J. Hodge, J. Austin, A Survey of Outlier Detection Methodoligies, Artif. Intell. Rev. 22 (2004) 85–126.
T. Li, H. Chang, M. Wang, B. Ni, R. Hong, Crowded Scene Analysis: A Survey, 25 (2015) 367–386.
T. V Duong, H.H. Bui, D.Q. Phung, S. Venkatesh, Activity Recognition and Abnormality Detection with the Switching Hidden Semi-Markov Model, in: Proc. 2005 IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., 2005. H. Foroughi, a. Rezvanian, a. Paziraee, Robust Fall Detection Using Human Shape and Multi-class Support Vector Machine, 2008
Sixth Indian Conf. Comput. Vision, Graph. Image Process. (2008).
Y. Wang, K. Huang, T. Tan, Abnormal Actıvıty Recognıtıon In Offıce Based On R Transform, IEEE Int. Conf. Image Process. (2007) 209–212.
U. ER, Video Görüntülerinden Trafik Kazası Riskini Gerçek Zamanlı Belirleyen Bir Sistem Tasarımı, Yıldız Teknik Üniversitesi, 2012.
X. Mo, V. Monga, R. Bala, Simultaneous sparsity model for multi-perspective video anomaly detection, ICIP. (2014) 2314–2318.
M.M.L. Elahi, R. Yasir, M.A. Syrus, S.Q.Z. Nine, I. Hossain, N. Ahmed, Computer Vison Based Road Traffic Accident and Anomaly Detection in the Context of Bangladesh, in: 2014.
W. Lin, Y. Zhang, J. Lu, B. Zhou, J. Wang, Y. Zhou, Summarizing surveillance videos with local-patch-learning-based abnormality detection, blob sequence optimization, and type-based synopsis, Neurocomputing. 155 (2015) 84–98.
R. Mehran, A. Oyama, M. Shah, Abnormal crowd behavior detection using social force model, 2009 IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. Work. CVPR Work. 2009. (2009) 935–942.
C. Ongun, A. Temizel, T. Taşkaya Temizel, Local Anomaly Detection in Crowded Scenes Using Finite - Time Lyapunov Exponent Based Clustering, 11th IEEE Int. Conf. Adv. Video Signal Based Surveill. (2014) 331–336.
X. Zhu, J. Liu, J. Wang, C. Li, H. Lu, Sparse representation for robust abnormality detection in crowded scenes, Pattern Recognit. 47 (2014) 1791–1799.