Yangın ve Güvenlik Dergisi 184. Sayı (Temmuz-Ağustos 2016)

YANGIN ve GÜVENL ø K SAYI 184 81 GÜVENL ø K - MAKALE yen bir alt s × n × r de ù eri belirlememiz ge- reklidir. Ancak bu de ù erin gerçek ya ü am ortam × na yerle ü tirilmesi çok zordur ve kendi içerisinde ayr × bir ara ü t × rma konu- sudur. Burada, e ù er bir ki ü inin sadece tek bir görüntüsünü al × rsak, o zaman test gö- rüntüsünün galeri görüntüsü ile ayn × aç × , ayn × parlakl × k ve × ü × kland × rma ile birlikte ayn × lokasyona sahip olmas × gereklidir. Aksi taktirde, bu görüntüleri çöpe atacak ve alt s × n × r geçemeyecektir. Bu veri setine PCA uygular × z ve ü u a ü a- ù × daki yöntemi kullanarak özgün özellik vektörlerini elde ederiz. Burada ki ü i ba ü × - na sadece bir görüntü vard × r. û üpheli listesindeki ki ü ilerin veri taban × bir kenara ayr × l × r ve her bir görüntü bir yüz vektörü olarak temsil edilir. Burada bir görüntü için sekiz öz yöney ald × k ve yüz boyutlar × 120x90’d × r. Bir sonraki ad × m ortalama görüntüyü he- saplamakt × r En Yak × n Kom ü u (NN) Bu s × n × fland × r × c × , bütün mevcut e ù itim ve- rilerini saklayan ve yeni e ù itim verilerini benzerlik ölçütü temelinde s × n × fland × ran basit bir algoritma ile çal × ü × r. Her bir test görüntüsü için, e ù itim veri setinin ‘k’ en yak × n üyelerinin (k-NN) yerini belirleyin. Genel olarak, k=1 olarak al × n × r. Daha büyük k de ù erlerinin s × n × fland × rma a ü a- mas × nda bir gürültünün etkilerini azaltt × ù × test edilmi ü tir ancak s × n × flar aras × s × n × rlar daha az belirgin hale gelir. Daha küçük k de ù eri daha iyi sonuç verir. Bunun ar- d × ndan basit ü ekilde NN görevi görür. Önerdi ù imiz yakla ü × mda, kümelendirme tekni ù ini kullanmam × z gerekir çünkü za- ten ü üpheli listemizde az say × da ki ü i var- d × r. Öklid mesafesi biti ü ik test görüntüsü ve veri setimizden gelen her bir e ù itilmi ü görüntü aras × ndaki mesafeyi ölçmek için kullan × l × r. NN’yi video ile görüntülemede alg × la- ma oran × n × artt × rmak için kullan × r × z ve çok faydal × d × r. E ù er NN’yi sabit bir görüntüde s × n × fland × r × c × olarak kullan × rsak, s × n × fland × r- ma biraz vakit almaktad × r. Verilerin yük- sek boyutsall × ù × sebebi ile NN’de yava ü s × n × fland × rma problemi görülebilmekte- dir. Bu problemi çözmek amac × yla bo- yutsall × ù × azaltmak için PCA kullan × yoruz ve yapt × ù × m × z deneylerde canl × video- larda alg × lama oranlar × n × n çok yüksek oldu ù unu gördük ve sadece tek bir gö- rüntünün yard × m × ile, iyi do ù ruluk oran × ile kolayca alg × lama yapabilmektedir ve h × zl × çal × ü maktad × r. Güvenilirlik de ù eri -1 ila 1 aras × nda bir say × sal de ù er sa ù lar. Ve bu bir test gö- rüntüsünün ne ölçüde bir hedef galeri görüntüsü ile alakal × oldu ù unu belirler. Bu güvenilirlik de ù erini hesaplaman × n pek çok yolu vard × r. Ancak baz × deneyler sonras × nda bu formülün faydal × oldu ù u- nu tespit ettik. Ve bu formülü en yak × n kom ü u yöntemi ile birlikte kullanabiliriz. Gerçek zamanl × alg × lama video güve- nilirlik de ù eri ki ü i ismi ile birlikte gösteril- mekle birlikte, e ù er bu güvenilirlik de ù eri karar verme s × n × rlar × içerisinde kal × yorsa o zaman sistem her hangi bir yüzün tespit Algoritma 1. û üpheli listesi izleme güvenlik sistemi için önerilen algoritma Ortalama görüntüyü hesaplad × ktan son- ra, bu ortalama yüzü her bir normal yüz vektörümüzden (xi) ç × kart × r × z, ve daha sonra geriye normalize olmu ü yüz vektör- leri kal × r ( I i). (1) (2) (3) (4) Transformasyon matrisi (A) normalize edilmi ü yüz vektörleri ile olu ü turulur ve ko- varyans matrisi (C) hesaplan × r. Bu süreçten sonra özellik vektörü olu ü tu- rulur. Her bir yüz vektörü bir yüz görüntüsü temsil eder. Test görüntüsü ile bütün galeri görüntüleri aras × ndaki Öklid mesafesi hesaplan × r ve bu formülde X=...... ve Y=....’dir. Bir kamera görüntüsünden gelen test gö- rüntüleri ile en az mesafeye sahip her bir galeri görüntüsü bir hedef ki ü i olarak etiket- lenir. G ú RD ú : Kamera Görüntüsü OUTPUT: E ù er ki ü i û üpheli Listesinde mevcut ise güvenilirlik de ù eri ile birlikte aday ismi Ba ü lat 1. Ad × m: Ba ü latma 2. Ad × m : Kademeli s × n × fland × r × c × kullanarak biti ü ik görüntü karelerinden en büyük (en iyi uyan) yüzün tespit edilmesi 3. Ad × m: Ön i ü lem 3.1 Görüntünün k × rp × lmas × 3.2 Görüntünün yeniden boyutland × r × lmas × 3.3 karakter görüntüsüne dönü ü türülmesi 3.4 Histogram e ü itlemesi 4. Ad × m: PCA uygulanmas × 5. Ad × m: Bütün öz yöney yüzler için ü unu yap × n Sonland × r SIRALA(d(x, y)); // Test görüntüsünün bütün galeri görüntülerinden olan mesafesini hesaplay × n ve artan s × rada s × ralay × n Sonland × r En az mesafeyi seçin 6. Ad × m : E ù er C önceden tan × mlanm × ü de ù er s × n × rlar × içerisindeyse, o zaman yüz etraf × nda bir kutu olu ü turun. ú sim ve güvenilirlik de ù eri ile birlikte etiket olu ü turun. 7. Ad × m: Üçüncü ad × ma gidin. 8. Ad × m: Son Burada nT = e ù itim yüzleri say × s × & nE = öz yöney yüzlerinin say × s ×