Trafik Video Analiz Verilerinden Anomali Tespit ve Diferansiyel Gelişim Algoritması Uç Öğrenme Makinesi ile Sınıflandırma

Year 2021, Volume: 5 Issue: 2, 115 - 124, 31.12.2021

Derya Avcı , Yasin Sönmez

https://doi.org/10.46460/ijiea.900251

Abstract

Kameralar ile elde edilen videolarda hareketli nesne tespit ve takibi ile nesne hakkında anlamlı ve yorumlanabilir bilgi elde edilmesi süreci, video analizi olarak tanımlanabilir. Karayolu trafik akış videolarının analizi ise hareket eden nesnelerin (taşıt ve yaya) izlenen yol için belirlenen kurallar dışında davranış sergilemeleri (anomali) durumunun tespit ve uyarı sistemi olarak ifade edilebilir. Bu çalışmada karayolu trafik akış videolarında hareket eden nesnelerin anomali davranışlarını tespit ederek verileri makine öğrenmesi yöntemleri ile sınıflandırma yapılmıştır. Çalışma üç aşamadan oluşmaktadır. Birinci aşamada hareketli nesnenin tespiti için arka/ön plan bölütleme yöntemlerinden Gauss Karışım Modeli (GKM) ve nesnenin videoda takibi yapılabilmesi için Kalman Filtre-Macar Algoritması yöntemleri kullanılmıştır. İkinci aşamada tespit edilen nesneye ait koordinat bilgilerini kullanarak konum, süre, hız ve şekil verileri elde edilmiştir. Hazırlanan özgün algoritmaya dayalı özellik çıkarma yazılımı ile nesneler için anomali durumlarını içeren özellikler tablosu oluşturulmuştur. Son aşamada ise özellik tablosundaki veriler; Uç Öğrenme Makine (UÖM) yönteminin, gizli katmandaki nöron sayıları ve aktivasyon fonksiyonları Diferansiyel Gelişim Algoritması (DGA) ile optimize edilerek geliştirilen DGAUÖM yöntemi ile sınıflandırma yapılmıştır. Geliştirilen yöntem ile elde edilen sonuçlar diğer makine öğrenme yöntem (Naive Bayes, Destek Vektör Makinesi ve Yapay Sinir Ağı) sonuçları ile karşılaştırılmış ve başarım %100 ile en yüksek çıkmıştır.

Keywords

Akıllı Trafik İzleme Sistemi,, Anomali Durum Tespit, Diferansiyel Gelişim Algoritması

Anomaly Detection from Traffic Video Analysis Data and Classification with Differential Evolution Algorithm Extreme Learning Machine

Abstract

The process of obtaining meaningful and interpretable information about the object by detecting and tracking moving objects in videos obtained by cameras can be defined as video analysis. The analysis of highway traffic flow videos can be expressed as a detection and warning system of the behavior (anomaly) of moving objects (vehicle and pedestrian) outside the rules determined for the road followed. In this study, the anomaly behaviors of moving objects in highway traffic flow videos have been determined and the data has been classified by machine learning methods. The study consists of three stages. In the first stage, Gaussian Mixing Model, one of the background / foreground segmentation methods, and Kalman Filter-Macar Algorithm methods have been used to track the object on video. In the second step, location, time, velocity and shape data have been obtained by using the coordinate information of the detected object. With the unique algorithm-based feature extraction software, a table of properties including anomaly conditions for objects has been created. In the last stage, the data in the feature table; Classification of the Extreme Learning Machine method has been made with the Differential Evolution Algorithm - Extreme Learning Machine method developed by optimizing the number of neurons in the hidden layer and activation functions with the Differential Evolution Algorithm. The results obtained with the developed method have been compared with the results of other machine learning methods (Naive Bayes, Support Vector Machine and Artificial Neural Network) and the performance was the highest with 100%.

Keywords

Intelligent traffic monitoring system, anomaly detection, differential evolution algorithm, optimization, extreme learning machine, classification

References

• [1] Peker, M., & Zengin, A. 2011. Gerçek zamanlı harekete duyarlı bir görüntü tanıma sistemi. In 6th International Advanced Technologies Symposium.
• [2]Hsia, C. H., & Guo, J. M. 2014. Efficient modified directional lifting-based discrete wavelet transform for moving object detection. Signal Processing, 96, 138–152.
• [3] Oral, M., & Deniz, U. Ardışık görüntülerde hareket analizi motion detection in moving pictures.
• [4] www.nuuo.com/enews/201210_enews/images/2012010_Flyer_IVS_V1.0_A4_en.pdf 15 Ocak 2018.
• [5] Borji, A., Cheng, M. M., Jiang, H., & Li, J. 2014. Salient Object Detection : A Survey. Eprint arXiv, 1–26.
• [6] Cheung, S. C. S., & Kamath, C. 2004. Robust techniques for background subtraction in urban traffic video. SPIE (Vol. 5308, No. 1, pp. 881-892).
• [7] Mahamuni, P. D., Patil, R. P., & Thakar, H. S. 2014. Moving object detection using background subtraction algorithm using Simulink. International Journal of Research in Engineering and Technology (IJRET), 3(6), 594-598..
• [8] Umut Orhan “Makine Öğrenmesi ders notları” , Çukurova Üniversitesi http://bmb.cu.edu.tr/uorhan/MLearn.htm 02.08.2015.
• [9] Jodoin, J. P., Bilodeau, G. A., & Saunier, N. 2014. Urban Tracker: Multiple object tracking in urban mixed traffic. In 2014 IEEE Winter Conference on Applications of Computer Vision, WACV 2014 (pp. 885–892).
• [10] Mohan, A. S., & Resmi, R. 2014. Video image processing for moving object detection and segmentation using background subtraction. In Computational Systems and Communications (ICCSC), 2014 First International Conference on (pp. 288-292). IEEE.
• [11] Zhu, Y., Nayak, N. M., & Roy-Chowdhury, a K. 2013. Context-Aware Activity Recognition and Anomaly Detection in Video. Selected Topics in Signal Processing, IEEE Journal of, 7(1), 91–101.
• [12] Bas, E., Tekalp, a. M., & Salman, F. S. 2007. Automatic Vehicle Counting from Video for Traffic Flow Analysis. 2007 IEEE Intelligent Vehicles Symposium, 392–397.
• [13] Buch, N., Velastin, S. A., & Orwell, J. 2011. A review of computer vision techniques for the analysis of urban traffic. IEEE Transactions on Intelligent Transportation Systems.
• [14] Morris, B. T., & Trivedi, M. M. 2008. Learning, modeling, and classification of vehicle track patterns from live video. IEEE Transactions on Intelligent Transportation Systems, 9(3), 425–437.
• [15] Öz, K., Görgünoğlu, S., 2016 “Video Gözetim Sistemlerinde Anomali Tespiti Üzerine Bir Derleme” El-Cezerî Fen ve Mühendislik Dergisi, 3(3);506-512.
• [16] Çandar, C., & Gerek, Ö. N. Yol üzerinde trafik ve araç durumunun video analiz yöntemleri ile incelenmesi.
• [17] Nandhini, K., Pavithra, M., Revathi, K., & Rajiv, A. 2017. Anamoly detection for safety monitoring. In Signal Processing, Communication and Networking (ICSCN), 2017 Fourth International Conference on (pp. 1-6).
• [18] Batapati, P., Tran, D., Sheng, W., Liu, M., & Zeng, R. 2014. Video analysis for traffic anomaly detection using support vector machines. In Intelligent Control and Automation (WCICA), 2014 11th World Congress on (pp. 5500-5505).
• [19] Cheung, S. C. S., & Kamath, C. 2005. Robust background subtraction with foreground validation for urban traffic video. Eurasip Journal on Applied Signal Processing, 2005(14), 2330–2340.
• [20] Panchal, P., Prajapati, G., Patel, S., Shah, H., & Nasriwala, J. 2015. A review on object detection and tracking methods. International Journal for Research in Emerging Science and Technology, 2(1), 7-12.
• [21] Yilmaz, A., Javed, O., & Shah, M. 2006. Object tracking: A survey. Acm computing surveys (CSUR), 38(4), 13.
• [22] Singh Sekhon, G. 2012. Path Estimation and Motion Detection of Moving Object in Videos. IOSR Journal of Computer Engineering, 2(4), 2278–661.
• [23] Ergezer., H., 2007. Vısual detection and tracking of moving objects, Yüksek Lisans Tezi, O.D.T.Ü. Fen Bilimleri Enstitüsü, Ankara.
• [24] Stauffer, C., & Grimson, W. E. L. 1999. Adaptive background mixture models for real-time tracking. Proceedings. 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition .
• [25] Hayman, E., & Eklundh, J.-O. 2003. Statistical background subtraction for a mobile observer. IEEE International Conference on Computer Vision, (Iccv), 67–74 .
• [26] Talu., M., F.,, 2010. İnsan hareketlerinin takibinde karşılaşılan problemlerin çözümüne yeni yaklaşımlar, Doktora Tezi, F.Ü. Fen Bilimleri Enstitüsü, Elazığ.
• [27] Aydemir., M.S., 2012. Gerçek zamanli güvenlik kamerasi videolarinin insan tabanli özetlenmesi, Yüksek Lisans Tezi, Yıldız.T.Ü. Fen Bilimleri Enstitüsü, İstanbul.
• [28] Kartal E., Özen Z., Gezer M., Saylan S., 2017 Mühendislikte yapay zekâ ve uygulamaları Sakarya Üniversitesi Kütüphanesi Yayınevi-Sakarya.
• [29] Ertam., F., 2016. Kurumsal bilgisayar ağlarındaki trafik bilgisinin akıllı sistemler ile sınıflandırılması, Doktora Tezi, F.Ü. Fen Bilimleri Enstitüsü, Elazığ.
• [30] Ertuğrul, Ö. F., Tağluk, M. E., Kaya, Y., & Teki̇n, R. 2013. EMG signal classification by extreme learning machine. In Signal Processing and Communications Applications Conference (SIU), 2013 21st (pp. 1-4). IEEE.
• [31] Kaya, Y., & Tekin, R. 2012. Epileptik Nöbetlerin Tespiti için Aşırı Öğrenme Makinesi Tabanlı Uzman Bir Sistem. International Journal of Informatics Technologies, 5(2).
• [32] Wang, G., & Li, P. 2010. Dynamic Adaboost ensemble extreme learning machine. In Advanced Computer Theory and Engineering (ICACTE), (Vol. 3, pp. V3-54).
• [33] Kaya, Y., Ertuğrul, Ö. F., & Tekin, R. 2014. An expert spam detection system based on extreme learning machine. Computer Science and Applications, 132-137.
• [34] Ertuğrul, Ö. F. 2016. Aşırı Öğrenme Makineleri ile biyolojik sinyallerin gizli kaynaklarına ayrıştırılması. D.Ü. Mühendislik Dergisi Cilt: 7, 1, 3-9 .
• [35] Tağluk, M. E., Mamiş, M. S., Arkan, M., & Ertuğrul, Ö. F. 2015 Aşırı Öğrenme Makineleri ile Enerji İletim Hatları Arıza Tipi ve Yerinin Tespiti In Signal Processing and Communications Applications Conference (SIU), (pp. 1-4).
• [36] Faruk Ertuğrul, Ö., & Kaya, Y. 2014. A detailed analysis on extreme learning machine and novel approaches based on ELM. American Journal of Computer Science and Engineering, 1(5), 43–50.
• [37] Ertugrul, Ö. F. 2016. Forecasting electricity load by a novel recurrent extreme learning machines approach. International Journal of Electrical Power and Energy Systems, 78, 429–435.
• [38] Ertugrul, Ö. F. 2016. Determining the order of risk factors in diagnosing heart disease by Extreme Learning Machine International Conference on Natural Science and Engineering (ICNASE’16), pp.389-396.
• [39] Huang, G.-B., Zhu, Q., Siew, C., Ã, G. H., Zhu, Q 2006. Extreme learning machine: Theory and applications. Neurocomputing, 70(1–3), 489–501.
• [40] Keskintürk, T. 2006. Diferansiyel gelişim algoritması. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 5(9), 85-99.
• [41] Aydın, S., & zeybek, M. S. 2015. Diferansiyel gelişim algoritması ile problem çözme üzerine bir değerlendirme. Soma Meslek Yüksekokulu Teknik Bilimler Dergisi Yıl: 2015 Sayı:20 49-55.
• [42] Yılmaz., A.R., 2014. Genel amaçlı yapay sinir ağlarinin diferansiyel gelişim algoritması ile eğitiminin fpga üzerinde gerçeklenmesi, Yüksek Lisans Tezi, Yıldız.T.Ü. Fen Bilimleri Enstitüsü, İstanbul.
• [43] Karaboğa, D. 2014. Yapay Zeka Optimizasyon Algoritmalari.
• [44] Storn, R., & Price, K. 1997. Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces. Journal of Global Optimization, 11(4), 341–359.
• [45] Takma, Ç., Atıl, H., & Aksakal, V. 2012. Çoklu doğrusal regresyon ve yapay sinir ağı modellerinin laktasyon süt verimlerine uyum yeteneklerinin karşılaştırılması. Kafkas Üniversitesi, Veterinerlik Fakültesi Dergisi, 18(6), 941-944.
• [46] Ertugrul, Ö. F., & Kaya, Y. 2016. Smart city planning by estimating energy efficiency of buildings by extreme learning machine. In Smart Grid Congress and Fair (ICSG), 2016 4th International Istanbul (pp. 1-5).