Yangın ve Güvenlik Dergisi 214. Sayı (Nisan 2020)

yanginguvenlik.com.tr esas alındığında kaçıklıklarıdır ve bunların değeri aşağıdaki içinde olmalıdır: Burada Sb yamanın büyüklüğü ve Lb yapılması gere- ken test sayısı (tanımlayıcının uzunluğu) ve I(.) düzeltilmiş görüntüdeki piksel yoğunluğudur. Çiftlerin her j koordinatı dağıtıcıları örnekleyerek seçilmiştir. ORB (Yerleştirilmiş FAST ve Döndürülmüş BRIEF) Rublee ve çalışma arkadaşlarınca önerilmiştir [59] ve BRIEF’de eksik olan rotasyon değişmezi sıkıntısını ortadan kaldırır. ORB, BRIEF tanımlayıcı üzerine oturan, çok hızlı bir iki elemanlı tanımlayıcıdır ve iyi bilinen özellikli noktaları seçip çıkarma yöntemlerini vurgulayan FAST anahtar noktaları (Featu- res from accelerated segment test-Hızlandırılmış Segment Testinden Çıkarılan Özellikler) üzerine inşa edilmiştir 7 . FAST bir köşe tespit edicisidir ve aday nokta p nin bir köşe olup olmadığını belirlemek için 16 piksellik bir çember kullanır. (yarıçapı 3 olan bir Bresenham çemberi). Çemberdeki her piksel 1 den 16’ya kadar saat yönde bir birim numarası ile eti- ketlenir. Eğer çemberdeki birbirine yakın piksellerin N kümesi aday piksel Ip nin yoğunluğundan artı bir t eşik değeri kadar daha patlaksa veya tümü aday piksel p’ nin yoğunluğundan eksi eşik değer t kadar daha karanlıksa, bu durumda p köşe olarak sınıflandırılır. Bir lokal yönlendirme bir yoğunluk kütle merkezi (centroid) kullanılarak hesaplanır. Bu merkez lokal yamadaki piksel yoğunluklarının ağırlıklı ortalamasıdır ve özelliğin merkeziyle aynı konumda olmadığı var sayılır [60]. Oryantasyon yani yönlendirme işlem yapan merkez (feature location) ile yoğunluk kütle merkezi (centroid) arasındaki vektördür. ORB’de kullanılan örnekleme modeli çift olarak 256 yoğunluk mukayesesi kullanmaktadır. Ancak BRIEF’in aksine, makine öğrenmesi, tanım yapanın sapmasını mak- simize etmek ve çeşitli yönlendirme değişiklikleri altında karşılıklı ilişkiyi minimize etme üzerine inşa edilmiştir. ORB görsel özellikleri gerçek zamanlı anahtar nokta tespiti için PTAM (split tracking and mapping into two separate tasks _ ayrı izleme ve iki ayrı göreve haritalama) kullanarak eşleş- tirir. İzleme ve içine çifte mimariyi haritalamaya dayanan paralel dizi optimizasyonu kullanılmıştır [20]. Çok sayıda döngüsü olan büyük SLAM problemleri poz grafiğini optimize etme algoritmalarıyla bir set göreceli poz kısıtlayıcılarını, poz grafiği optimizasyonunda 6 derecelik bir serbestlik kabul edip, optimize ederek [39] çözülebilmektedir. Mur-Artal ve Tardos’dan [61] esinlenerek ORB-SLAM’ı bir görüntü grafiği oluşturmak ve lokal iz/harita geri kurtarmalarını (tekrar yer belirlemeleri) kolaylaştırmak için adapte ettik. 3.3. Yer tanıma yöntemi Kelime torbası (bag-of-words) yöntemi bir görüntüyü dağıtılmış bir nümerik vektöre dönüştürüp bir ver tabanı haline getirilmiş bir görüntü oluşturmak için görsel bir sözcük dağarcığı kullanır[62,63]. Görsel sözcük dağarcığı geniş bir tanımlayıcı kümesi üzerinde çevrimdışı kademede bir ağaç olarak yapılanmıştır ve eğitim görüntüsü veri setinden elde edilmiştir. Görsel sözcük dağarcığı tanımlayıcı alanını tekrar ziyaret edilen alanları tanımak için farklı görsel sözcüklere ayırır. Başlangıca karşılık gelenler için arama ağacın aynı düğümüne (node) ait olan özellikler arasında derinleme- sine uygulanır. Veri tabanı bir görüntünün elemanlarını bir düğüm içinde depolamak için direk indeks kullanır. BDoW2 kelime torbası FAST ve BRIEF özelliklerini kullanan (ORB özelliği gibi) etkin bir açık kaynaklı, iki elemanlı özelliktir [31]. Bu yinelemeli yöntem gözlemlenen bir veri kümesinden matematiksel modelin parametrelerini tahmin eder [64]. BDoW2’deki BRIEF için varsayılan parametreler 1.2 skala fak- törü olan ve maksimumsuz bastırma olmayan (no non-maxi- mum supression) 8 farklı skalada 500 anahtar noktaya ayar- lanmıştır. ORB özelliklerinin varsayılanları anahtar nokta dağılımını iyileştirmek için maksimumsuz bastırma ile 1000 anahtar noktayı çıkartacak kadar artırılmıştır. Maksimsuz bastırma (non-maximum supression) yöntemi tanımlayıcı eşleşme performansını daha fazla anahtar nokta çıkartma ve daha fazla hesap yapma pahasına azaltır. Anahtar kare (kef- rame) esaslı SLAM haritanın yeniden yapılandırılmasını seçili kareler (keyframes) üzerinden, grup optimizasyon teknikle- rini kullanarak, uygular. Haritalama kare hızına (frame-rate) bağlı olmadığından, gerçek ve simüle edilmiş ortamın tam sonuçların vermektedir. Bu aynı zamanda izlemenin bundan sonra olasılığa dayalı olmayacağı, harita yapım prosedürüne bağlı olacağı şekilde tasarlanmıştır. Bu pürüzlüden inceye (coarse to fine) güvenli tahmin etme yaklaşımı kullanılarak ayrı olarak yapılmıştır [20]. n (7) [58] 7 FAST esas olarak Rosten ve Drummond tarafından öne çıkarılan ve bir görüntüdeki ilgi uyandıran noktaları öne çıkaran bir algoritmadır. Bir görüntüde ilgi uyandıran nokta pozisyonu gayet iyi tanımlanmış bir pikseldir ve yeri sağlam olarak belirlenebilir. İlgi uyandıran noktaların önemli lokal bilgileri vardır ve ideal olarak farklı görüntülerde tekrarlanabilirler. İlgi uyandıran noktalar görüntü eşleştirmesine, nesne tanımaya, izlemeye vb. uygulanabilir (ÇN). Devamı gelecek sayımızda. 46 Yangın ve Güvenlik / Nisan 2020 MAKALE