Visual object tracking in videos from low-altitude flying uavs under occlusion

Uçan insansız hava araçlarından elde edilen hava görüntüleri; uydu uzaktan algılama, nesne tespiti ve takibi gibi birçok uygulama için önemli olmuştur. İHA'lardan alınan videolarda karşılaşılan görsel problemler, yere sabitlenmiş kaynaklardan alınan videolara kıyasla daha karmaşıktır. Ayrıca, videolar alçak irtifadan çekilmişse, görsel problemler daha da belirginleşmekte ve bu tür videoların işlenmesini daha zor hale getirmektedir. Bu tez, bu zorlu probleme odaklanmakta ve özellikle bir hedefin, hareketli veya sabit nesneler tarafından engellenmesi sonucu görünmez hale gelmesiyle oluşan örtüşme durumlarında hedef takibine yoğunlaşmaktadır. İlk olarak, örtüşme harici görsel problemlere karşı araç takibi yapabilen yeni bir yöntem olan PFCNN geliştirilmiştir. PFCNN, parçacık filtrelerini konvolüsyonel sinir ağlarıyla birleştirerek, görsel problemlere karşı güçlü bir takip yöntemi oluşturmuştur. Bilgisayar simülasyonları, PFCNN'in derin öğrenme tabanlı güncel yöntemlere kıyasla üstün performansa sahip olduğunu doğrulamaktadır. Daha sonra, kısa ve/veya uzun süreli kısmi ya da tam örtüşmelere karşı dayanıklı hedef takibi gerçekleştirmek amacıyla PFCNNOcc ve nihai PFCNNOcc isimli iki yeni yöntem geliştirilmiştir. PFCNNOcc mimarileri, konvolüsyonel sinir ağı modellerini parçacık filtreleriyle birleştirerek optik akışı, örtüşme haritalarını, segmentasyon maskelerini, sınıflandırma skorlarını ve örtüşme derecesini tahmin edebilmektedir. Bu mimariler, tez kapsamında önerilen şu işlevleri kullanmaktadır: 1.Yeniden Tanımlama, 2.Örtüşme Tespit Edici ve Hesaplayıcı, 3.Tam Örtüşme Yoğun Arama, 4.Birleşik Hedef Tespiti. Bilgisayar simülasyonu, bu işlevlerin nihai PFCNNOcc yöntemini, son teknoloji Siyam ağı tabanlı yöntemler arasında en üst seviyeye taşıdığını göstermektedir. Önerilen mimarilerin eğitimi ve testi için S-UAV adlı yeni bir sentetik veri kümesi oluşturularak literatürde bu tür bir veri kümesine duyulan ihtiyaç karşılanmıştır.