Tez No	İndirme	Tez Künye	Durumu
296904		Kısmi araç yörüngeleri kullanımı ile kavşaklardaki trafik olaylarının görüntü tabanlı çözümlenmesi / Video-based traffic events analysis at intersections using partial vehicle trajectories Yazar:ÖMER AKÖZ Danışman: YRD. DOÇ. DR. M. ELİF KARSLIGİL Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Bilim ve Teknoloji = Science and Technology Dizin:	Onaylandı Doktora Türkçe 2011 141 s.
Araç sürücüleri, trafikte bulundukları süre boyunca daha önceden belirlenmiş trafik kurallarına uygun hareket etmek zorundadırlar. Trafik kuralları ile sürücü davranışları kontrol altında tutulmaya çalışılsa da, kural dışı davranan sürücüler, yol güvenliğine aykırı davranan yayalar veya araçlardaki donanımsal arızalar kazalara sebep olabilmektedir.Trafik takip ve gözlem araştırmalarının ana hedefi, izlenilen sahne üzerindeki trafik hareketlerinin kurallara uygunluğunu değerlendirmektir. Günümüzde, trafik akışının kameralarla izlenmesi çok yaygın olmakla birlikte, olağandışı olayları gerçek zamanlı algılayan bilgisayar sistemlerinin kullanımı henüz çok yetersizdir. Kamera tarafından izlenilen sahne üzerinde normal olmayan bir durum ile karşılaşıldığında olağandışı durumun belirlenmesi, gerekiyorsa acil müdahale edilmesinin sağlanması ve ileriye yönelik tedbirler alınması trafik kazalarının yol açtığı yaralanma ve ölümlerin azalması için önemli bir fayda sağlayacaktır.Bu tez çalışmasında, doğal ortam trafik videosu görüntülerinde kavşaklardaki olağandışı trafik olaylarını yakalayan ve bu olayları şiddet karakteristiklerini değerlendirerek sınıflandıran özgün bir sistem tasarlanmış ve gerçeklenmiştir.Olağandışı trafik olaylarını algılayabilmek için, önce araçların olağan durumlardaki hareket karakteristiklerinin öğrenilmesi gerekir. Bunun için, video görüntülerindeki olağan araç hareketlerine ait yörüngeler Sürekli Saklı Markov Model kümeleme yöntemi ile kümelenerek olağan yol modelleri öğrenilmiştir. Olağan yol modelleri, kavşak üzerinde gözlemlenen araç hareketlerinin göstermiş olduğu en tipik trafik akışını temsil etmektedir.İkinci aşamada, kısmi araç yörüngeleri ve hareket karakteristikleri Maksimum Olabilirlik yöntemi ile gözlemlenerek olağandışı araç hareketleri yakalanmaya çalışılmıştır. Olağandışı davranan araçların öğrenilen yol modellerine olasılıksal olarak uzaklığı, araçların yapmış olduğu anormalliğin seviyesini ortaya çıkartır. Araçların gösterdiği anormallik, olağandışı sapma olarak nitelendirilir. Bu çalışmada, aracın normal hareket akışından sapma şiddeti Değişim Katsayısı ve Çok Fazlı Doğrusal Regresyon Fonksiyonları yöntemleri ile ölçülmüştür.Üçüncü aşamada, olağandışı davrandığı belirlenen araçların sapma şiddetlerinin tanımlanması ve sınıflandırılması işlemleri gerçekleştirilir. Bunun için, önce, kaza yapmış araçlara ait görüntülerden bir eğitim kümesi oluşturulmuştur. Kaza görüntülerinden elde edilen özellik vektörleri şiddetlerine göre düşük ve yüksek şiddetli olmak üzere 2 sınıfa yerleştirilerek sınıflandırma sisteminin eğitilmesi sağlanmıştır. Sınıflandırma için k-en yakın komşuluk ve Destek Vektör Makineleri yöntemleri kullanılmıştır. Sahne üzerinde izlenen araçların olağandışı davrandığı belirlendiğinde, sınıflandırma işleminden geçirilerek olayın şiddet derecesi belirlenmiştir.Geliştirilen sistemin başarısını değerlendirmek için, deneysel ve doğal ortamdan elde edilen görüntüler ile yapılan olağandışı olay belirleme değerlendirmeleri sonucunda %83 ve %89 doğru belirleme başarısı elde edilmiştir. Olağandışı olayların şiddetlerine göre sınıflandırılması testleri ile deney görüntülerinde %83, doğal ortam görüntülerinde %75 doğru sınıflandırma başarısı elde edilmiştir. Elde edilen sonuçlar, olağandışı araç hareketlerinin olasılıksal olarak belirlenebileceğini ve olağandışı olayların bu olasılıklara bağlı olarak şiddet analizlerinin başarıyla yapılabileceğini göstermektedir.
Vehicle drivers must follow the predefined traffic rules in the traffic scene. Traffic rules are defined to control driving behaviors of the drivers. However, drivers, pedestrians or mechanic failures of vehicles may cause dangerous situations in the traffic.The main objective of the traffic monitoring and surveillance systems is basically to evaluate the behaviors of the drivers on the traffic movements. Today, it is very common to monitor the traffic flow by surveillance cameras, however, the use of computer systems that detect unusual events in real time is very insufficient. During surveillance period, when an abnormality event is encountered in the scene, it will be vital to determine the abnormality as it will provide a significant benefit to reduce traffic accidents and deaths caused by injury.In this thesis, a novel real-time approach is designed to detect abnormality and evaluate the severity characteristics of real-world traffic events by classifying into two severity classes.In order to detect abnormal traffic events, first, normal vehicle flow patterns in the traffic scene are learned to differentiate with usual and unusual motions. In order to that, the vehicle trajectories are used to extract common route models by clustering trajectories with Continuous Hidden Markov Model. The route models represent the common motion behaviors of vehicles which move most likely on these routes.In the second part of the thesis, partial vehicle motion is observed by Maximum Likelihood method and compared with the learned route models in order to detect unusual vehicle motions. The magnitude of probabilistic distance of abnormal vehicle behavior to the route models indicates the severity of the abnormality. The abnormality of vehicle behaviors are named as vehicle deviation. In this work, the deviation magnitude is measured using Coefficient of Variances and Multiphase Linear Regression Functions techniques.In the third part, the severity definition and classification is done for abnormal vehicle motions. In order to do that, accident training set is formed by extracting severity feature vectors from accident videos. Using these features, accident events are labeled as low and high severe events. In the classification part, k-Nearest Neighborhood and Support Vector Machines techniques are used. In the testing part, when abnormality is detected for new motion observation, it is evaluated and the severity class of the event is determined.In order to evaluate the proposed system, the experimental and real traffic videos are used. The abnormality detection results indicate that the proposed system reaches up to 85% correct detection rate. The correct classification rate of severity of abnormal experimental events is 83 % and with the real world events, the success rate goes up to 75%. The results indicate that abnormal events can be detected and represented by likelihood probabilities, and depending on these probabilities, severity analysis of the events can be done successfuly.