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

YANGIN ve GÜVENL ø K SAYI 184 82 GÜVENL ø K - MAKALE edilmesi durumunda yüzü bir çerçeve içerisine alacak ve ki ü inin ismini bu gü- venilirlik de ù eri ile gösterir, aksi taktirde göstermeyecektir. û üpheli listesinin ka- mera ile aranmas × s × ras × nda sürat önemli bir problemdir çünkü ismi veri taban × nda olan bir ki ü inin görüntüsü videoda yaka- land × ù × anda bir alarm verilmesi gerek- lidir. 6. Deneyler ve Sonuçlar Canl × videolar üzerinde bir deney ger- çekle ü tirdik. Her bir video 1 saat uzunlu- ù undad × r ve gerçek ya ü am ortam × ndan görüntüler içerir ve önerilen yakla ü × m × m × z da gerçek ya ü am senaryosu içindir. Bu sebeple burada deneylerimizi Mathura GLA Üniversitesinin güvenlik kamera gö- rüntüleri üzerinde gerçekle ü tirdik. Burada bir laptop kameras × ndan gelen görüntü- lerde alg × lama yapmak için bir düzenek kurduk. Sistem Intel Open Source Com- puter Vision Library (OpenCV) taraf × ndan sa ù lanan Haar kademeli s × n × fland × r × c × kullanarak yüzleri tespit etmektedir. Sonra gözlerin yeri belirlenir ve ard × ndan yüzü tespit eder. Daha sonra ön görüntüden uzak olan bütün yüz görüntü sekanslar × at × l × r. Haar kademeli s × n × fland × r × c × sadece her iki gözün de görülebilece ù i ön gö- rüntü ile ilgilenmektedir. Sistemin kampüsün ana kap × s × na ta ü × n- mas × ile canl × test gerçekle ü tirilmi ü tir ( û ekil 4 ). Test d × ü ar × da gerçekle ü tirilmi ü tir, × ü × klan- d × rma durumu ise gün × ü × ù × n × n farkl × za- manlar × nda oldukça farkl × olmu ü tur. Top- lamda (bir ü üpheli listesindeki 8 ki ü i dahil olmak üzere) 115 ki ü i canl × testlerde yer alm × ü t × r ve sistemimiz hatas × z çal × ü mak- tad × r. Test, farkl × günlerde ve ko ü ullarda kaydedilen yakla ü × k 1 saatlik video ile gerçekle ü tirilmi ü tir. Buradaki yakla ü × m × m × z sadece bir ü üpheli listesinde olan ki ü ile- ri tespit etmek ve di ù er kitleleri göz ard × etmektir. Do ù ru pozitif de ù er hedef ki ü inin do ù ru ü ekilde alg × land × ù × n × belirtirken, hedef ol- mayan ki ü inin do ù ru ü ekilde sistemden at × ld × ù × n × göstermektedir. Do ù ru negatif ise hedef ki ü inin sistem taraf × ndan hatal × ü ekilde tespit edildi ù ini ve yanl × ü pozitif sistem taraf × ndan bilinmeyen bir ki ü inin tespit edildi ù ini ve de yanl × ü negatif he- def ki ü inin sistem taraf × ndan kaç × r × ld × ù × n × belirtmektedir. olacakt × r. Ve e ù er bir ki ü i bir kameradan kaçm × ü ise di ù er taraf × ndan alg × lanacak- t × r. 6. Sonuç Bizim yakla ü × m × m × z × n temel motivasyo- nu herhangi bir ki ü iyi o ki ü inin biyomet- rik bilgilerine, yani Yüz gibi, dayanarak, tespit edip alg × lamakt × r. Sistemimiz bir ki ü inin sadece tek bir yüz görüntüsünü kullanarak gerçek ya ü am ko ü ullar × nda çal × ü abilmektedir. û u a ü amada, hem sabit görüntülerden hem de video gö- rüntüsünden yüz alg × lama alan × nda pek çok çal × ü ma yap × lm × ü t × r. PCA’n × n bir video ya da canl × videodan yüzleri alg × lama konusunda iyi bir yakla ü × m olarak görül- medi ù ini görmü ü bulunmaktay × z. PCA sadece sabit görüntüden yüz alg × lama alan × nda en iyi boyutsall × k azaltma yak- la ü × mlar × ndan bir tanesidir. Bu sebeple bu konudan motive olarak, bir ki ü iyi bu ki ü inin tek bir görüntüsünden tespit etmeyi bir hedef olarak kabul ettik. Bu süreci gerçekle ü tirmek için bu alanda biraz ara ü t × rma yapt × k. Ilk olarak ü unu gör- dük ki, PCA sürecinde, PCA algoritmas × - n × n bütün a ü amalar × ndan sonra, alt s × n × r de ù eri herhangi bir ki ü iyi do ù ru ü ekilde tespit etmek için do ù ru ü ekilde ayarlan- maktad × r. Bunun ard × ndan, PCA’daki alt s × n × r de ù eri yerine En Yak × n Kom ü u (NN) algoritmas × n × uygulad × k ve bunun sonu- cunda alg × lama h × zland × ve ilave olarak test görüntülerinin galeri görüntüsü ile uyumlu olma olas × l × ù × n × ortaya ç × kartan bir güvenilirlik de ù eri belirledik. Bizim yakla ü × m × m × z bir ü üpheli listesin- den ki ü ileri alg × layabilmek. Bu sebeple bir ü üpheli listesindeki ki ü iyi alg × lamam × - za yard × mc × olan bir güvenilirlik de ù eri belirliyoruz ve sistem taraf × ndan elenen di ù er ki ü ileri d × ü ar × da b × rak × yoruz. Son ola- û ekil 4. (a) Hedef olmayan ki ü i do ù ru ü ekilde at × lm × ü t × r, (b) ve (c) hedef ki ü i sistem taraf × ndan do ù ru ü ekilde tespit edilmi ü tir. Tablo 1. Pozitif ve negatif veri gruplar × için konfüzyon matrisi Pozitif Negatif Do ù ru 68 15 Yanl × ü 15 09 Tablo 3. Di ù er baz × video temelli alg × lama yöntemleri ile kar ü × la ü t × rma Yöntemler Do ù ruluk oran × Ö ù reneme temelli olas × l × k 12 %68 Görüntü kümeleri hizalama 13 74.6±0.03 Önerilen yakla ü × m %77.5 Tablo 2. Farkl × yöntemlerin alg × lama do ù ru- lu ù u, burada N= e ù itim görüntüsü say × s × d × r. Teknikler N=2 N=4 N=8 N=16 Asym_ shrp 10 N.A. %67.5 %67.6 %70.5 Gabour_ asym 11 N.A. %75.4 %71.4 %74.5 DFFS 9 N.A. %74.7 %70.3 %74.6 Önerilen yakla ü × m %77.57 N.A N.A. N.A. Testleri gerçekle ü tirdikten ve videolar × de- tayl × olarak inceledikten sonra sistemin performans × n × ölçmek için gerekli olan bütün pozitif ve negatif de ù erleri hesap- lad × k. Sistem %77.57 do ù ruluk oran × ve %81.98 kesinlik oran × vermektedir. Can- l × testimizde, hedef ki ü iyi tespit ettik ve ard × ndan sistem di ù er tüm kat × l × mc × lar × tespit edip elemi ü tir. Bazen sistem de ù i- ü en poz ve × ü × kland × rma sebebi ile yüksek do ù ruluk oran × verememektedir. Ancak tabii ki gerçek ya ü amdaki biyometrik güvenlik uygulamalar × nda, iyi menzil ve kaliteye sahip pek çok kamera kurulu