GPU ile hızlandırılmış gerçek/yarı gerçek zamanlı nesne takibi

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.