REAL-TIME VEHICLE DETECTION BY USING DEEP LEARNING METHODS

Abstract

Thanks to unmanned aerial vehicles’ mobility and high altitude; it has an increasing use in many areas such as area detection, traffic monitoring and traffic control in today. Real time vehicle detection and vehicle count are the one of the important works to be done by using unmanned aerial vehicles. For this purpose, many image processing techniques such as deep learning, machine learning, real-time classification and identification come to the fore. However, the performance of these techniques differs according to the data used and the area processed. Within the scope of this study, the YOLO algorithm, which is one of the deep learning algorithms, has been tried to be improved with the help of a predefined artificial neural network. Firstly, appropriate data sets for the study were collected, then labeled in accordance with the algorithm. After that the algorithm was run in its pure form, and vehicle detection tests were applied over 50m, 75m, 100m and 200m. With the help of a structure designed using convolutional neural networks in parallel, it is aimed to improve the small object detection of the YOLO algorithm. With the help of the designed network, more information about objects are provided. As a result of the study, it was observed that the structure, which was offered as an aid to YOLO, increased the detection rate of the YOLO by 4.3% and reached 60fps at 400x400 input values. Within the scope of the study, a structure that can be used for vehicle detection in real-time applications has been revealed.

Özet

İnsansız hava araçları, sağlamış olduğu hareketlilik ve yüksek irtifa sayesinde günümüzde; alan tespiti, trafik izleme ve trafik kontrol gibi birçok alanda artan bir kullanıma sahiptir. İnsansız hava aracı kullanılarak yapılması hedeflenen önemli işlerden birisi de; alan resimleri yardımıyla gerçek zamanlı araç tespiti ve araç sayımı olarak görülmektedir. Bu amaç doğrultusunda derin öğrenme, makine öğrenmesi, gerçek zamanlı sınıflandırma ve tanımlama gibi birçok görüntü işleme tekniği ön plana çıkmaktadır. Fakat bu tekniklerin performansı, kullanılan veri ve işlenen alan doğrultusunda farklılık göstermektedir. Bu çalışma kapsamında derin öğrenme algoritmalarından YOLO algoritması referans alınarak, algoritmanın küçük obje tespitlerinde gösterdiği düşük performansı, tasarlanan ön tanımlı bir yapay sinir ağı yardımıyla iyileştirilmeye çalışılmıştır. Çalışma için uygun veri setleri toplanmış, algoritmaya uygun halde etiketlenmiş, sonrasında algoritma saf haliyle çalıştırılarak 50m, 75m, 100m ve 200m üzerinde araç tespit testleri uygulanmıştır. Paralelinde konvolüsyonel sinir ağları kullanılarak tasarlanan bir yapı yardımıyla, YOLO algoritmasının küçük obje tespitlerini iyileştirmek hedeflenmiştir. Tasarlanan ağ yardımıyla öğrenme sırasında algoritmanın objeler hakkında daha fazla bilgi sahibi olması sağlanmıştır. Çalışma sonucunda YOLO’ya yardımcı olarak sunulan yapının farklı veri setleri kullanılarak gerçekleştirilen testlerinde, YOLO’nun tespit oranını %4.3 arttırdığı ve 400x400 giriş değerlerinde 60fps değerine ulaşılabildiği görülmüştür. Çalışma kapsamında gerçek zamanlı uygulamalarda araç tespiti için kullanılabilecek bir yapı ortaya konmuştur.