Dergiler / Gümüşhane Üniversitesi Fen Bilimleri Dergisi / 2019 / Cilt: 9 - Sayı: 4

Fotokapan Görüntülerinde Yerel Öznitelikler ile Nesne Tespiti

Object Detection on Camera-Trap Images with Local Features

Sayfa
633–644
Yayın Tarihi
2022-10-18
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çalışmada öznitelik dönüşüm yöntemleri ile elde edilen nesne tespit başarıları, eşleşen öznitelik sayıları, sınırlayıcı kutu büyüklükleri, elenen öznitelik sayıları ve bunların nesne tespit başarısına olan etkileri incelenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Fotokapanlar doğal ortamda yaşayan canlıların davranışlarını izlemek amacıyla yaygın olarak kullanılan cihazlardır.
📊
Temel Bulgular & Veri:Fotoğraf ve video kaydı yapan bu cihazlar ile doğal görüntülerde yapılan nesne (hayvan veya insan) tespiti işlemi, arka planının karmaşık yapıda olması, ışık şiddeti yetersizliği, ışık şiddeti değişimi, nesnenin parçalı bulunması gibi nedenlerden dolayı zor bir problemdir.
💡
Sonuç & Katkı:Çalışmada öznitelik dönüşüm yöntemleri ile elde edilen nesne tespit başarıları, eşleşen öznitelik sayıları, sınırlayıcı kutu büyüklükleri, elenen öznitelik sayıları ve bunların nesne tespit başarısına olan etkileri incelenmiştir.
🔬Tür:Laboratuvar & Saha Deneyi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Fotokapan · Nesne Tespiti · ORB

Özet

Fotokapanlar doğal ortamda yaşayan canlıların davranışlarını izlemek amacıyla yaygın olarak kullanılan cihazlardır. Fotoğraf ve video kaydı yapan bu cihazlar ile doğal görüntülerde yapılan nesne (hayvan veya insan) tespiti işlemi, arka planının karmaşık yapıda olması, ışık şiddeti yetersizliği, ışık şiddeti değişimi, nesnenin parçalı bulunması gibi nedenlerden dolayı zor bir problemdir. Ayrıca nesnenin hareketli olması, görüntü içerisinde bulunduğu konumun tespit edilmesini zorlaştırmaktadır. Son yıllarda kullanılan yerel öznitelikler konum bilgisi içerdiğinden, hem konumlandırma problemine çözüm olmakta hem de yerel öznitelik dönüşüm yöntemlerinin içerdiği ölçek, dönme, afin dönüşümü, aydınlatma değişimi gibi zorluklara karşı değişmezlikler sayesinde daha başarılı tespit işlemi yapılabilmektedir. Bu çalışmada foto-kapan görüntülerinde yerel öznitelik dönüşüm yöntemleri olan Ölçek Değişmez Öznitelik Dönüşümü (Scale Invariant Feature Transform-SIFT), Hızlandırılmış Sağlam Öznitelikler (Speeded Up Robust Features-SURF), İkili Sağlam Bağımsız Temel Öznitelikler (Binary Robust Independent Elementary Features-BRIEF), Yönlendirilmiş Hızlı ve Sağlam Brief Öznitelikleri (Oriented Fast And Robust Brief-ORB), öznitelik eşleştirme yöntemlerinde kullanılarak nesne tespiti gerçekleştirilmiştir. Hatalı yerel öznitelik eşleşmelerinin elenmesi için yüzdelik ve medyan tabanlı aykırılık tespiti ile k-en yakın komşu öznitelik eleme yöntemleri kullanılmıştır. Çalışmada öznitelik dönüşüm yöntemleri ile elde edilen nesne tespit başarıları, eşleşen öznitelik sayıları, sınırlayıcı kutu büyüklükleri, elenen öznitelik sayıları ve bunların nesne tespit başarısına olan etkileri incelenmiştir.

Abstract

Camera-traps are the devices that commonly used to monitor the behavior of living creatures in the natural environment. Object (animal or human) detection in the natural image or video by recorded these devices has difficulties such as cluttered background, inefficient light intensity, light intensity change or partial object presence. Furthermore, the fact that the object is moving makes it difficult to determine the position in the image. Since the local features used in recent years contain location information, it is a solution to the problem of localization as well as more successful detection can be made by the invariance of the scale, rotation, affine transformation, lighting change included in the local feature transformation methods. In this study, local feature description methods are used in camera-trap images, such as Scale Invariant Feature Transform (SIFT), Speeded-Up Robust Features-SURF, Binary Robust Independent Elementary Features (BRIEF), Oriented Fast and Robust Brief-ORB was performed with feature matching methods. Percentile and median based outlier detection methods and k nearest neighboring feature elimination methods were used to eliminate incorrect feature matches. In this study, the effect of feature description methods on object detection accuracies, number of matching features, bounding box sizes, number of eliminated features and their effects on object detection success were analyzed.

🔖

Bu Makaleye Atıf Yap

ÖZYER, G. T., ŞİMŞEK, E., ÖZYER, B. (2022). Fotokapan Görüntülerinde Yerel Öznitelikler ile Nesne Tespiti. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, Cilt: 9 - Sayı: 4, 633–644. https://ajindex.com/articles/526997

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Andavarapu, N., & Vatsavayi, V. K. (2017). Wild-Animal Recognition in Agriculture Farms Using W- COHOG for Agro-Security. International Journal of Computational Intelligence Research, 13(9), 2247-2257.
  2. Bay, H., Tuytelaars, T., & Van Gool, L. (2006, May). Surf: Speeded up robust features. In European conference on computer vision (pp. 404-417).
  3. Springer, Berlin, Heidelberg. Calonder, M., Lepetit, V., Strecha, C., & Fua, P. (2010, September). Brief: Binary robust independent elementary features. In European conference on computer vision (pp. 778-792).
  4. Springer, Berlin, Heidelberg. Chen, Q., Song, Z., Dong, J., Huang, Z., Hua, Y., & Yan, S. (2015). Contextualizing object detection and classification. IEEE transactions on pattern analysis and machine intelligence, 37(1), 13-27.
  5. Karakuş, P., & Karabörk, H. “Surf Algoritması Kullanılarak Uzaktan Algılama Görüntülerinin Geometrik Kaydı”. 5. Uzaktan Algılama-Cbs Sempozyumu (Uzal-Cbs 2014), 14-17 Ekim 2014,
  6. İstanbul.
  7. Karami, E., Prasad, S., & Shehata, M. (2017).
  8. Image matching using SIFT, SURF, BRIEF and ORB: performance comparison for distorted images. arXiv preprint arXiv:1710.02726. Karami, E., Shehata, M., & Smith, A. (2017). Image Identification Using SIFT Algorithm: Performance Analysis against Different Image Deformations. arXiv preprint arXiv:1710.02728. 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. Khorrami, P., Wang, J., & Huang, T. (2012, November). Multiple animal species detection using robust principal component analysis and large displacement optical flow. In Proceedings of the 21st International Conference on Pattern Recognition (ICPR), Workshop on Visual Observation and Analysis of Animal and Insect Behavior (pp. 11-15).
  9. Lisin, D. A., Mattar, M. A., Blaschko, M. B., Learned-Miller, E. G., & Benfield, M. C. (2005, June). Combining local and global image features for object class recognition. In Computer vision and pattern recognition-workshops, 2005. CVPR workshops. IEEE Computer society conference on (pp. 47-47).
  10. IEEE. Lowe, D. G. (1999). Object recognition from local scale-invariant features. In Computer vision, 1999. The proceedings of the seventh IEEE international conference on (Vol. 2, pp. 1150-1157).
  11. Ieee. Lowe, D. G. (2001). Local feature view clustering for 3D object recognition. In Computer Vision and Pattern Recognition