Tez No	İndirme	Tez Künye	Durumu
595432		GPU ile hızlandırılmış gerçek/yarı gerçek zamanlı nesne takibi / GPU accelerated real / semi-real time object tracking Yazar:ZAFER GÜLER Danışman: DR. ÖĞR. ÜYESİ AHMET ÇINAR Yer Bilgisi: Fırat Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Nesne izleme = Object tracking ; Sayısal görüntü işleme = Digital image processing ; Öznitelik = Feature extraction	Onaylandı Doktora Türkçe 2019 118 s.
Özellik tespiti için kullanılan en yaygın yöntemler, nokta tabanlı özellik tespit yöntemleridir ve SIFT yöntemi bunlardan en tanınmış olanıdır. Tez çalışmasında SIFT ve SURF yöntemleri kullanılmıştır. Ayrıca özellik çıkarımını hızlandırmak için GPU tabanlı SURF yöntemi de kullanılmıştır. Çalışmada ilk olarak, klasik SIFT, SURF ve GPU-SURF algoritmaları imge eşleştirme ve nesne izleme uygulamalarında test edilmiştir. Yapılan testlerde bu yöntemlerin ölçeklendirme, döndürme, ışık değişim, bulanıklık ve afin dönüşümü gibi imge değişimlerine karşı iyi sonuçlar verdiği ve nesneyi doğru bir şekilde tespit edebildiği görülmüştür. Fakat bu yöntemlerin başarısına rağmen, nesne izleme uygulamalarında başarı oranının düşük olması bir problem olarak karşımıza çıkmaktadır. Bu probleme çözüm olarak tez çalışmasında, SIFT, SURF ve GPU-SURF yöntemleri gibi nokta tabanlı özellik çıkarım algoritmaları için yeni bir nesne izleme altyapısı geliştirilmiştir. Önerilen yöntemde özellik çıkarım algoritması herhangi bir değişiklik yapılmadan kullanılmaktadır. Elde edilen özellikler kullanılarak üç adımda nesne izleme işlemini gerçekleştirmektedir. Bu adımlar; hatalı özellik tespiti, nesne modelleme ve nesne izleme adımlarıdır. Hatalı özellik tespiti adımında, özellik çıkarım algoritması kullanılarak ayırt edici noktalar tespit edilir ve daha sonra DBScan algoritması kullanılarak hatalı özellik eşleştirmeleri tespit edilmektedir. İkinci adımda nesne modeli kutu şeklinde tanımlanmıştır. Kutu modeli altı değerden oluşmaktadır ve her bir değer için Gauss modeli kullanılmıştır. DBScan ve Gauss yöntemlerinin birleşmesi ile nesne özellik noktalarının az ve hatalı olduğu durumlarda bile nesne pozisyonu doğru bir şekilde tahmin edilebilmektedir. Son adımda, Gauss yumuşatma işlemi uygulanarak nesne izleme işlemi gerçekleştirilmiştir. Geliştirilen nokta tabanlı nesne izleme uygulaması, SIFT ve varyantları ile uyumlu bir şekilde çalışmaktadır. Ayrıca diğer nokta tabanlı özellik çıkarım algoritmaları kısa bir entegrasyon işlemi sonucu nesne izleme altyapısına dahil edilebilir. Bilgisayar ortamında yapılan deney sonuçlarına göre önerilen izleme uygulaması çalışma zamanını etkilemeksizin nesne izleme başarısını önemli derecede iyileştirmiştir.
One of the most common methods used for feature detection is the point based feature extraction methods and the SIFT method is the most well-known. In this thesis, SIFT and SURF methods are used. Also the GPU-based SURF method are used to accelerate feature extraction. In this study firstly, SIFT, SURF and GPU based SURF algorithms are used for image matching and object tracking. Experiments show that, these methods give good results against image changes such as scaling, rotation, illumination, blur and affine transformation and can detect the object accurately. However, despite the stated success of these methods, the low success rate in object tracking applications is a problem. Against this problem, we present a novel object tracking framework for interest point based feature extracting algorithm such as SIFT, SURF and GPU-SURF methods. The proposed framework uses the feature extraction algorithm without making any changes. In the proposed system, it performs object tracking in three steps using the obtained features. These steps are outlier detection, object modeling, and object tracking. In the outlier detection step, after the keypoints are extracted by using a feature extraction algorithm, incorrect keypoint matches are detected by using the DBScan algorithm. In the second step, the object model is defined as a bounding box. The box model has six values and each of these values have its own Gaussian model. With the combination of DBScan and Gauss methods, object position can be accurately predicted even when the object feature points are few and inaccurate. Finally, the Gaussian smoothing process is performed for object tracking. The developed point based object tracking application works in harmony with SIFT and its variants. In addition, other point based feature extraction algorithms can be added to the object tracking framework with a short integration process. According to the results of experiments carried out in computer environment show that the proposed tracker improves the success rate of the object tracking significantly without affecting the execution time.