Sürücü destek sistemleri için termal kamera görüntülerinde derin öğrenme tabanlı yaya tespiti

Son yıllarda şehirlerdeki nüfus yoğunluğu, araç ve trafik yoğunluğunun artmasıyla sürüş güvenliği uygulamaları daha fazla önem kazanmıştır. Sürücülerin düşük ışık ve olumsuz hava koşullarında yoluna çıkan yayaları fark edememesi yaşanan trafik kazalarını yaya, sürücü ve yolcular için ölümcül hale getirmektedir. Gündüz saatlerinde iki kat daha fazla yaralanmalı trafik kazası yaşanırken, gece saatlerinde gerçekleşen kazalardaki ölüm oranının %44 daha fazla olduğu bilinmektedir. Literatürde görünür ışık görüntüleriyle gerçekleştirilen birçok yaya tespit çalışması mevcuttur fakat bu sistemler, ışığın yetersiz olduğu gece ve alacakaranlık şartlarında yeterli verimle işlev sağlayamamaktadır. Termal kameralar, görünür spektrum bandında çalışan kameraların etkisiz kaldığı durumlarda yaya tespit sisteminin etkin olmasını sağlamaktadır. İleri Sürücü Destek Sistemleri kapsamında termal görüntüler kullanılarak gerçekleştirilen yaya tespit çalışmalarının kısıtlılığı, güvenli sürüş için bu teknolojiden faydalanılarak geliştirilen yaya tespit sistemlerine ihtiyaç doğurmaktadır. Bu çalışmada; termal görüntüler kullanılarak tasarlanan tespit sistemiyle düşük ışık ve olumsuz hava koşullarında yaşanan yaya-araç trafik kazalarının önüne geçilmesi ve insan hayatının korunması hedeflenmektedir. Bu motivasyonla, Yönlü Gradyanlar Histogramı tanımlayıcısı ile Destek Vektör Makineleri sınıflandırma yöntemlerinin kullanıldığı bir metodun yanında, son yıllarda görüntülerde nesne tespiti için popüler olarak kullanılan Evrişimli Sinir Ağları mimarisine dayalı AlexNet, Darknet-53 ve ResNet-101 derin öğrenme ağları kullanılarak yaya tespiti gerçekleştirilmiştir. Sürüş esnasında alınan termal görüntüler içeren ve literatürde sıklıkla kullanılan FLIR ADAS ve TarDAL veri setlerinden rasgele seçilerek etiketlenen örnekler, eğitim ve test gruplarına ayrılmış ve modeller eğitilerek tespitler gerçekleştirilmiştir. Elde edilen sonuçlardan modellerin başarı oranları hesaplanmıştır. ResNet-101 mimarisiyle; %98 duyarlılık, %98 hassasiyet ve %95'e ulaşan F1-skor oranları elde edilmiştir. Sonuçlar, bu tezde önerilen yöntemin geçerliliğini kanıtlar niteliktedir.