YAPAY ZEKÂ İLE AKILLI ŞEHİRLERDE ÇEVRESEL GÖRÜNTÜ VE VİDEO ANALİZİ

Abstract

Bu tez çalışması, akıllı şehirlerde yaşam kalitesini yükseltmek ve güvenlik sistemlerini güçlendirmek amacıyla, yapay zeka temelli gelişmiş görüntü ve video analiz yöntemleri geliştirmeyi hedeflemiştir. Çalışma, üç temel problem üzerinde yoğunlaşarak, yangın algılama, anomali tespiti ve kalabalık analizine yönelik özgün çözümler sunmaktadır. Yangın algılama alanında, görüntülerin renk bilgilerini insan görsel algısına daha uygun şekilde temsil eden HSV (Hue, Saturation, Value) renk uzayına dayalı yenilikçi bir histogram tabanlı yöntem geliştirilmiştir. FLAME veri seti üzerinde gerçekleştirilen kapsamlı deneyler, önerilen yöntemin yangın ve yangın dışı sahneler arasındaki farkları başarıyla tespit ettiğini ve yüksek doğruluk oranlarıyla sınıflandırma performansı sergilediğini göstermiştir. Bu süreçte SVM, Karar Ağacı ve K-Nearest Neighbors gibi farklı makine öğrenmesi algoritmaları kullanılarak elde edilen sonuçlar karşılaştırılmıştır. Anomali tespiti çalışmasında, video akışlarından elde edilen görüntülerdeki hareket ve renk özellikleri, Histogram of Oriented Gradients (HOG) ve renk histogramları gibi etkili öznitelik çıkarım teknikleriyle analiz edilmiştir. Çeşitli makine öğrenmesi modelleriyle gerçekleştirilen sınıflandırmalar sayesinde, güvenlik kameralarından alınan görüntülerde meydana gelen anormal durumların yüksek hassasiyetle tespit edilmesi sağlanmıştır. Kalabalık analizi kısmında ise, derin öğrenme temelli CSRNet ve MCNN modelleri kullanılarak, ShanghaiTech ve Mall veri setleri üzerinde yoğunluk haritaları oluşturulmuş ve kişi sayımı yapılmıştır. Elde edilen deneysel sonuçlar, CSRNet modelinin yüksek yoğunluklu ve karmaşık sahnelerde daha doğru ve detaylı tahminler sunduğunu ortaya koyarken, MCNN modeli ise hesaplama verimliliği ve hızlı tahmin kabiliyetiyle özellikle sınırlı kaynaklara sahip uygulamalarda tercih edilebilir bir alternatif olduğunu göstermiştir. Gerçekleştirilen deneyler ve analizler, önerilen yöntemlerin farklı gerçek dünya senaryolarında güvenilirlik, yüksek doğruluk ve uygulama pratikliği sağladığını ortaya koymuştur. Böylece, bu tez çalışması, akıllı şehirlerde güvenlik, acil durum yönetimi ve toplumsal düzenin izlenmesine yönelik yapay zekâ destekli görüntü işleme tekniklerinin geliştirilmesi ve uygulanmasına önemli katkılar sunmaktadır. Sonuç olarak, elde edilen bulgular ve geliştirilen modeller, akıllı şehir teknolojilerinin gelişimine yön veren kritik adımlardan biri olarak değerlendirilebilir ve gelecekteki araştırmalar için sağlam bir temel teşkil etmektedir.This thesis aims to develop advanced artificial intelligence (AI)-based image and video analysis methods to enhance the quality of life and strengthen smart city security systems. The study focuses on three core problems: fire detection, anomaly detection, and crowd analysis, offering original solutions for each.In the fire detection domain, an innovative histogram-based method grounded in the hue, saturation, value (HSV) color space — which better represents human visual perception of color — has been developed. Extensive experiments on the FLAME dataset demonstrate that the proposed method effectively distinguishes between fire and non-fire scenes, achieving high classification accuracy. Various ML algorithms, including SVM, Decision Tree, and K-Nearest Neighbors, were employed, and their results were compared. We analyzed the motion and color features extracted from the video streams using effective feature extraction techniques, such as the histogram of oriented gradients and color histograms for anomaly detection. Classification using multiple ML models enabled the precise identification of high-sensitivity abnormal events captured by security cameras. Two DL architectures, CSRNet and MCNN, were used to generate density maps and perform crowd counting on the ShanghaiTech and Mall datasets. The experimental results reveal that the CSRNet model provides more accurate and detailed predictions, especially in highly congested and complex scenes, whereas the MCNN model offers computational efficiency and faster inference, making it a viable option for resource-constrained applications. Experiments and analyses demonstrate the reliability, high accuracy, and practical applicability of the proposed methods across various real-world scenarios. This thesis makes significant contributions to the development and implementation of artificial intelligence (AI)-driven image processing techniques to improve security, emergency management, and public monitoring within smart city frameworks. The findings and developed models presented here represent a crucial advancement in smart city technologies and provide a solid foundation for future research in this field.