KALABALIK SAHNELERDE MAKİNE ÖĞRENMESİ ALGORİTMALARIYLA ANOMALİ TESPİTİ

Abstract

Kamera sistemleri, kalabalık ortamlarda güvenliği sağlamada yaygın olarak kullanıldığı için oldukça önemli bir yere sahiptir. Kameralar aracılığıyla kaydedilen video görüntüleri incelenerek tehlikeli veya normalin dışında gerçekleşen davranış olup olmadığının kontrolü yapılmaktadır. Bu kontrolün sonucuna göre uygun tedbirler geliştirilmeye çalışılmaktadır. Anormal davranışların tanım ve tespiti için insan davranışlarının modellenmesi son yıllarda popüler bir araştırma alanı haline gelmiştir. Bu çalışma erişime açık iki adet veri setinde bulunan beş ayrı ortam videosu üzerinde makine öğrenmesi yöntemlerinden biri olan denetimli öğrenme algoritmaları uygulanarak gerçekleştirilmiştir. Veri setlerinde yer alan videolar üzerinde normal ve anormal hareket sahnelerinin tespiti yapılmıştır. Bu iki veri setinde toplam beş farklı ortam incelenmiştir. Bu işlemde denetimli öğrenme algoritmalarından olan Rastgele Orman, Destek Vektör Makineleri ve k En Yakın Komşu algoritmaları kullanılmıştır. Kullanılan algoritmalar, doğruluk, duyarlılık, kesinlik ve F1 skor gibi performans ölçütleri ile karşılaştırılmıştır.

Camera systems have a very important place as they are widely used in providing security in crowded environments. The video images recorded by cameras are examined to check whether there is dangerous or unusual behavior. It is tried to develop appropriate measures according to the result of this control. Modeling human behaviors for the definition and detection of abnormal behavior has become a popular research area in recent years. This study was carried out using supervised learning algorithms, one of the machine learning methods, on five different media videos in two open data sets. Normal and abnormal motion scenes were detected on the videos in the data sets. In these two data sets, abnormal motion was detected in a total of five different locations. Random Forest, Support Vector Machines and k Nearest Neighbor algorithms, which are among the supervised learning algorithms, were used in this process. The algorithms used were compared with performance criteria such as accuracy, sensitivity, precision and F1 score