Classification of Moving Ground Targets Using Measurement from Accelerometer on Road Surface 9781665450928

Citation preview

2022 30th Signal Processing and Communications Applications Conference (SIU) | 978-1-6654-5092-8/22/$31.00 ©2022 IEEE | DOI: 10.1109/SIU55565.2022.9864775

Yol Yüzeyine Konulmuş İvmeölçerden Alınan Veriler Kullanılarak Hareketli Yer Hedeflerinin Sınıflandırılması Classification of Moving Ground Targets Using Measurement from Accelerometer on Road Surface İSMAİL CAN BÜYÜKTEPE Ar-Ge, Havelsan, İstanbul, Türkiye, [email protected]

Ali Köksal HOCAOĞLU Elektronik Mühendisliği, Gebze Teknik Üniversitesi, Kocaeli, Türkiye, [email protected]

Özetçe— Bu çalışmada, üç farklı zemin üzerine yerleştirilen üç eksenli ivme ölçer sensor istasyonundan elde edilen titreşim sinyalleri kullanılarak insan, araba sınıflandırması yapabilen bir algoritma geliştirilmiştir. Veriler toprak, asfalt ve beton zemin üzerinden toplanmıştır. Sınıflandırıcı olarak k-En Yakın Komşu sınıflandırıcı (k-NN) ve Destek Vektör Makinası (DVM) sınıflandırıcıları kullanılmıştır. Sınıflandırıcıların tek olarak kullanılması sınıflandırma performansını sınırlamıştır. Sınıflandırma performansını arttırmak için iki aşamalı sınıflandırıcı modeli önerilmiştir. İki aşamalı olarak önerilen sınıflandırıcı modeli, ilk aşamada hareketin varlığını tespit etmektedir. İkinci aşamada ise hareketli hedeflerin sınıflandırılması işlemini gerçekleştirmektedir. Yapılan deneysel çalışmalar sonucunda önerilen iki aşamalı sınıflandırıcı modelinin problemin çözümünde performansı arttırdığı gösterilmiştir.

olmayan uygulamalarda yaygın kullanım alanına sahip önemli bir konudur. Yer hedefleri genellikle araç, insan veya hayvan gibi farklı tiplerde olabilmektedir. Bu hedeflerin tespiti için aktif ve pasif tespit yöntemleri kullanılmaktadır. Aktif tespit yöntemlerinde ortama sinyal iletilir ve ortamda bulunan hedeflerden yansıyan sinyal üzerinden tespit ve tanıma yapılır. Sonar ve radar sistemleri aktif tespit sistemlerine örnek verilebilir. Bu sistemler çalışma prensipleri gereği kendi konumlarını her zaman gösterir. Bu durum savunma sistemlerinin gözetleme uygulamalarında zayıflık olarak görülür. Ek olarak maliyetli sistemlerdir. Pasif tespit sistemleri, dağıtılmış sensor ağları ile ortamdaki sismik, akustik veya manyetik bilgilerin dinlenmesi ile elde edilen sinyallerin işlenmesi sonucunda tespit ve tanımlama işlemlerini gerçekleştirir [1].

Anahtar Kelimeler — Hareketli hedef sınıflandırma; zamanfrekans analizi; destek vektör makinası.

Sensor ağları, insan-hayvan sınıflandırılması [2], araç tespiti ve sınıflandırılması [3], kentsel trafik yönetimi ve hız tahmini [4], paletli ve paletsiz askeri araçların tespiti ve sınıflandırılması [5] problemlerinde yaygın olarak kullanılır.

Abstract— In this study, an algorithm that can classify human and car has been developed by using vibration signals obtained from a three-axis accelerometer sensor station placed on three different floors. Data were collected over soil, asphalt and concrete ground. As classifiers, k-Nearest Neighbor classifier (kNN) and Support Vector Machine (SVM) classifiers are used. Using classifiers alone limits classification performance. A twostage classifier model has been proposed to improve the classification performance. The classifier model, which is proposed in two stages, detects the presence of motion in the first stage. In the second stage, it performs the classification of moving targets. As a result of the experimental studies, it has been shown that the proposed two-stage classifier model improves the performance in solving the problem. Keywords — Moving target classification; time-frequency analysis; support vector machine.

GİRİŞ Hareketli yer hedeflerinin tespiti ve sınıflandırılması, gözetleme noktalarının güvenliği, sınır güvenliğinde izinsiz girişlerin tespit edilmesi, akıllı trafik sistemlerinin ve trafik yoğunluğunun takip edilmesi gibi birçok askeri ve askeri

Hareketli kara hedeflerinin tespiti ve sınıflandırılması için birçok çalışma yapılmıştır. Bu çalışmalardan, sınıflandırma problemini ele alan çalışmalar yeni öznitelik çıkarmayı veya iyi bilinen öznitelikleri kullanarak, farklı senaryolar üzerinde sınıflandırma algoritmalarını uygulamaktadırlar [6]. Öznitelik çıkartımı için frekans uzayı, zaman uzayı ve zaman-frekans uzayı yöntemleri önerilmiştir. Literatürde frekans uzayı ve zaman-frekans uzayı analizleri baskındır. İnsan, hafif araç ve hayvanların hareketlerini izlemek ve sınıflandırmak için sembolik dinamik filtreleme yöntemiyle birlikte dalgacık dönüşümü kullanarak hedef tespiti ve sınıflandırması yapmıştır [7]. Otobüs, traktör ve gürültü sınıflandırma probleminde, Empirical Dalgacık Dönüşümü (EWD) kullanılmış ve elde edilen zaman-frekans uzayı analizi ile öznitelik çıkarma işlemi gerçekleştirilmiştir [8]. Bazı çalışmalar ise farklı sınıflandırıcıların kullanılan yöntem üzerindeki etkinliğini göstermek istemiştir. Paletli araçların sınıflandırılması probleminde Fisher ayrımcılık sözlüğü öğrenimi (FDDL) önerilmiş ve bu yöntemin az sayıda eğitim verisi için destek

978-1-6654-5092-8/22/$31.00 ©2022 IEEE

Authorized licensed use limited to: Gebze Technical University. Downloaded on June 09,2023 at 23:29:03 UTC from IEEE Xplore. Restrictions apply.

vektör makinesinden gösterilmiştir [9].

daha

iyi

performans

sergilediği

𝑁𝑁

1 𝑚𝑚 = � 𝑥𝑥𝑛𝑛 [𝑘𝑘] 𝑁𝑁

Bu çalışmada hareketli yer hedeflerinin insan, hafif araç ve gürültü sınıflandırması için 3 eksen ivme ölçer sinyalleri gerçek zamanlı olarak toplanmış ve etiketlenmiştir. Sonrasında sinyallerin belirli bir zaman dilimindeki güç spektral yoğunluk kestirimi Welch yöntemi ile hesaplanmıştır. Her küçük zaman dilimi için zaman uzayında üç adet, frekans uzayında iki adet olmak üzere öznitelik çıkarımı işlemi gerçekleştirilmiştir. Elde edilen öznitelikler üzerinde ön işleme süreci uygulanmıştır. İki aşamalı sınıflandırıcı model tasarımı önerilmiştir. İlk aşamada kullanılan sınıflandırıcı ile hareketin var olup olmadığı tespit edilmeye çalışılmıştır. İkinci aşamada kullanılan sınıflandırıcı ile eğer hareket varsa bu hareketin kaynağının insan mı araba mı olduğu tespit edilmeye çalışılmıştır. Sınıflandırıcı olarak DVM ve k-NN sınıflandırıcıları kullanılarak probleme çözüm sunulmuştur. Bu çalışmanın devamı şu şekilde organize edilmiştir: Bölüm 2’de önerilen algoritma açıklanmıştır. Bölüm 3’te yapılan testler ve sonuçlar sunulmuştur. Bölüm 4’te yapılan çalışma özetlenmiştir. ÖNERİLEN YÖNTEM Bu bölümde çalışmada kullanılan veri seti özellikleri ve kullanılan yöntem tanımlanmıştır. Yol yüzeyi üzerindeki titreşimleri algılamak için 3 eksenli ivme ölçer sensör istasyonu kullanılarak toprak, beton ve asfalt zemin üzerinden veri toplama işlemi gerçekleştirilmiştir. Hedefler ile sensor istasyonu arasında 1 metre mesafe bulunmaktadır. Hedefler yaklaşık 20 metrelik bir yol üzerinde gidip gelmektedir. İnsan verileri yürüme ve koşma olarak toplanmıştır. Araç verileri ise 20km/s ve 40km/s olacak şekilde farklı hızlar kullanılarak toplanmıştır. Veri toplama işlemi sırasında Dacia marka otomobil kullanılmıştır. Veri toplamı işlemi sırasında sahnede tek bir hedef bulunmaktadır. Veriler 200 Hertz örnekleme frekansı ile örneklenerek toplanmıştır. Toplanan veriler üzerinde etiketleme işlemi yapılmıştır. Etiketlenen veriler üzerinden 100 noktalı kayan pencere geçirilerek elde edilen yarım saniyelik sinyal diliminden zaman uzayında ortalama değer, standart sapma, enerji ve kurtosis öznitelikleri çıkartılmıştır. Frekans uzayı özniteliği olarak, pencerelenmiş olan sinyalin güç spektral yoğunluğu Welch yöntemi ile hesaplanmıştır. Buradan ortalama değer ve standart sapma öznitelikleri çıkartılmıştır. Öznitelikler, maksimum-minimum normalizasyonu yapılarak normalize edilmiştir. Elde edilen öznitelikler 2 aşamalı sınıflandırıcı modeline verilerek işlem gerçekleştirilmiştir. Şekil 1’de önerilen algoritmanın akış diyagramı görülmektedir. A. Öznitelik Çıkarımı Öznitelik çıkarımı, makine öğrenmesi algoritması içeren sistemlerin önemli bir parçasıdır [10]. Önerilen teknikte sinyal önce N = 100 noktalı Hamming penceresi ile (1)’ deki denklem kullanılarak pencerelenir. Elde edilen zaman uzayı işareti üzerinden ortalama (2), standart sapma (3) ve kurtosis (4) istatistiksel öznitelikleri sırasıyla çıkartılır. 𝑥𝑥𝑛𝑛 [𝑘𝑘] = 𝑥𝑥𝑖𝑖 [𝑘𝑘]. ℎ[𝑘𝑘]

𝑘𝑘 = 1,2, … , 𝑁𝑁

(1)

𝑘𝑘=1

(2)

Şekil 1- Önerilen Algoritmanın Akış diyagramı 𝑁𝑁

1 𝑠𝑠 = � � |𝑥𝑥𝑛𝑛 [𝑘𝑘] − 𝑚𝑚|2 𝑁𝑁 − 1

(3)

𝑘𝑘=1

𝐸𝐸(𝑥𝑥𝑛𝑛 − 𝑚𝑚)4 (4) 𝑠𝑠 4 Pencereleme işlemi ile elde edilmiş 𝑥𝑥𝑛𝑛 sinyalinin güç spektral yoğunluğu Welch metodu ile hesaplanır. Güç spektral yoğunluğu bir sinyalin frekans uzayında enerji dağılımını tanımlar. Matematiksel olarak güç spektral yoğunluğu zaman uzayındaki bir sinyalin öz ilintisinin Fourier dönüşümü ile tanımlanır. Güç spektral yoğunluğu sinyalin kuvvetli frekans bileşenlerini göstermektedir [11]. Güç spektral dağılımı bir sinyal için karakteristiktir ve öznitelik çıkartımı için kullanılmaktadır. 100 noktalı olarak elde edilen 𝑥𝑥𝑛𝑛 sinyali L=50 noktalı dikdörtgen pencere ile pencerelenir. Eşitlik (7) uygulanarak 4096 noktalı güç spektral yoğunluğu hesaplanır. 𝑘𝑘 =

𝑖𝑖 (𝑓𝑓) 𝑃𝑃�𝑥𝑥𝑥𝑥

2

𝐿𝐿

1 �� 𝑥𝑥𝑛𝑛 [𝑖𝑖]. 𝑤𝑤[𝑖𝑖]. 𝑒𝑒 −𝑗𝑗2𝜋𝜋𝜋𝜋𝜋𝜋 � = 𝐿𝐿𝐿𝐿

(5)

𝑖𝑖=1

Burada U normalleştirme faktörüdür ve eşitlik (6)’da ki gibi hesaplanır. 𝐿𝐿

1 𝑈𝑈 = � 𝑤𝑤 2 [𝑖𝑖] , 𝑖𝑖 = 1,2, … , 𝐿𝐿 𝐿𝐿 𝑖𝑖=0

𝑤𝑤𝑤𝑤𝑤𝑤𝑤𝑤ℎ (𝑓𝑓) 𝑃𝑃𝑥𝑥𝑥𝑥

𝑀𝑀−1

1 𝑖𝑖 (𝑓𝑓) � 𝑃𝑃�𝑥𝑥𝑥𝑥 = 𝑀𝑀 𝑖𝑖=0

(6) (7)

Hesaplanan güç spektral yoğunluğu üzerinde her 5 Hz’lik bölge pencerelenir. Bu bölgelerin ortalama değer ve standart sapmaları öznitelik olarak kullanır. Hesaplanan özniteliklere maksimum minimum normalizasyonu uygulanmıştır. Öznitelikler 0-1 arasına, (8)’deki denklem kullanılarak ölçeklenmiştir [12].

Authorized licensed use limited to: Gebze Technical University. Downloaded on June 09,2023 at 23:29:03 UTC from IEEE Xplore. Restrictions apply.

𝑥𝑥𝑖𝑖 − 𝑚𝑚𝑚𝑚𝑚𝑚 (8) 𝑚𝑚𝑚𝑚𝑚𝑚 − 𝑚𝑚𝑚𝑚𝑚𝑚 Burada 𝑥𝑥 ′ normalize edilmiş özniteliği, 𝑚𝑚𝑚𝑚𝑚𝑚 öznitelik örnekleri arasındaki en küçük değeri, 𝑚𝑚𝑚𝑚𝑚𝑚 ise en büyük değeri temsil etmektedir. 𝑥𝑥 ′ =

B. Sınıflandırıcı Sınıflandırma problemi için literatürde kullanılan çok farklı makine öğrenmesi algoritmaları mevcuttur. Bu çalışmada kNN ve DVM sınıflandırıcıları kullanılmıştır. Sınıflandırma işlemi için iki aşamalı bir sınıflandırıcı modeli önerilirmiştir. Modelin ilk katmanında hareketli hedefin varlığı tespit edilmeye çalışılmıştır. Gelen öznitelik gürültü ise sonuç direkt olarak çıkış katmanına gönderilmiştir. Eğer gelen öznitelik gürültü değil ise ikinci sınıflandırıcıya gönderilmiştir. İkinci sınıflandırıcı da insan ile araba ayrımı yapılmıştır. Buradan elde edilen sonuç çıkış katmanına gönderilmiştir. Şekil 2’de sınıflandırıcı modeli gösterilmiştir.

DVM – DVM sınıflandırıcılarından oluşturulmuştur. Bu modellerin problemin çözümü üzerindeki performansları da ek olarak karşılaştırılmıştır. Sınıflandırıcıların parametreleri yapılan tekrarlı deneyler sonucunda belirlenmiştir. Çalışmada kullanılan veri setine ait bilgi Tablo I ’de verilmiştir. Tablo Ⅱ ‘de eğitim aşamasında kullanılan veri setine ilişkin bilgiler ve Tablo Ⅲ’ te ise test veri setine ait bilgiler verilmiştir. TABLO I. İnsan (saniye)

TOPLAM VERİ SETİ ÖZELLİKLERİ

Araba (saniye)

4500

Gürültü (saniye)

3921,5 TABLO II.

İnsan (saniye)

7500

Gürültü (saniye)

2752,5

TABLO III. İnsan (saniye)

1340

15921,5

EĞİTİM VERİ SETİ ÖZELLİKLERİ

Araba (saniye)

3160

Toplam (saniye)

5232,5

Toplam (saniye)

11145

TEST VERİ SETİ ÖZELLİKLERİ

Araba (saniye)

Gürültü (saniye)

1169

2267,5

Toplam (saniye)

4776,5

Kullanılan toplam veri setinin %70 ‘i eğitim veri seti, %30 ‘u ise test veri seti olarak kullanılmıştır. İki aşamalı olarak önerilen sınıflandırıcı bloğu, iki farklı sınıflandırma modeli ile test edilmiş ve sonuçları sunulmuştur.

Şekil 2- Önerilen sınıflandırıcı modeli

Birinci ve ikinci sınıflandırıcılar sırasıyla k-NN – k-NN ve DVM – DVM olarak seçilmiş ve sonuçlar elde edilmiştir. C. Değerlendirme ölçütler Sınıflandırma sonuçlarının değerlendirilmesi aşamasında; kesinlik, duyarlılık ve f1 skor ölçütleri kullanılmıştır. Bu ölçütler hesaplanan karmaşıklık matrislerinden elde edilmiştir ve denklemleri sırasıyla Eşitlik (8), Eşitlik (9), Eşitlik (10)’ da verilmiştir. Bu eşitliklerde; Gerçek Pozitif (GP), Gerçek Negatif (GN), Yanlış Pozitif (YP) ve Yanlış Negatif (YN) olmak üzere 4 farklı değer kullanılmıştır. 𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾 = (𝐺𝐺𝐺𝐺) / (𝐺𝐺𝐺𝐺 + 𝑌𝑌𝑌𝑌)

𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 = (𝐺𝐺𝐺𝐺) / (𝐺𝐺𝐺𝐺 + 𝑌𝑌𝑌𝑌)

𝐹𝐹1 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 = 2 ∗

(8)

(𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾 ∗ 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷) 𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾 + 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷

TESTLER VE ANALİZ

(9)

(10)

Bu bölümde, elde edilen özniteliklere önerilen iki aşamalı sınıflandırıcı modeli ile DVM ve k-NN sınıflandırıcıları tekil olarak uygulanmıştır. Önerilen iki aşamalı sınıflandırıcı modeli ile DVM ve k-NN sınıflandırıcılarının sınıflandırma performansları hesaplanmış ve karşılaştırılmıştır. Ek olarak, önerilen yöntem için iki ayrı model önerilmiştir. Model-1 kNN – k-NN sınıflandırıcılarından oluşturulmuştur. Model-2

D. Model-1 Model-1’de gelen ölçümün hareketli bir hedef mi yoksa gürültü mü olduğunu tespit etmek için k=51 noktalı k-NN sınıflandırıcısı kullanılmıştır. Gelen ölçüm eğer hareketli hedefe ait ise bu hedefin tipini belirleyebilmek için ikinci bir sınıflandırıcı kullanılmıştır. İkinci sınıflandırıcı k=15 noktalı k-NN sınıflandırıcısı olarak seçilmiştir. Sınıflandırıcı parametreleri tekrarlı deneyler sonucunda belirlenmiştir. Birinci sınıflandırıcı karmaşıklık matrisi Tablo Ⅳ ’te gösterilmiştir. TABLO IV.

MODEL-1 HAREKETLİ HEDEF TESPİT SONUCU (BİRİNCİ SINIFLANDIRICI SONUCU)

Örnek sayısı 9553 Gerçek Hareket Gerçek Gürültü

Tahmin Hareket 4754 717

Tahmin Gürültü 264 3818

Model-1 ile hareket tespiti işlemi %94,7 kesinlik oranı ve %86,8 duyarlılık oranı ile tespit edilmiştir. Model-1’ in çıkış katmanında gözlemlenen karmaşıklık matrisi Tablo Ⅴ’ de sunulmuştur. TABLO V.

MODEL-1 ÇIKIŞ KATMANI KARMAŞIKLIK MATRİSİ

Örnek sayısı 9553 Gerçek İnsan Gerçek Araba Gerçek Gürültü

Tahmin İnsan 2218 1424 441

Tahmin Araba 458 654 276

Tahmin Gürültü 4 260 3818

Mode-1 ile Araba sınıfının iyi bir şekilde sınıflandırılamadığı gözlemlenmiştir. Görülen performans problemini çözmek için DVM-DVM sınıflandırıcılarından oluşturulan Model-2 kullanılmıştır.

Authorized licensed use limited to: Gebze Technical University. Downloaded on June 09,2023 at 23:29:03 UTC from IEEE Xplore. Restrictions apply.

E. Model-2 Model-2’de ise birinci sınıflandırıcı, polinom çekirdek fonksiyonuna sahip Destek Vektör Makinası sınıflandırıcısıdır. İkinci sınıflandırıcı, radyal çekirdek fonksiyonuna sahip Destek Vektör Makinasıdır. Birinci sınıflandırıcının karmaşıklık matrisi sonucu Tablo Ⅵ’ da verilmiştir. TABLO VI.

MODEL-2 HAREKETLİ HEDEF TESPİT SONUCU (BİRİNCİ SINIFLANDIRICI SONUCU)

Örnek sayısı 9553 Gerçek Hareket Gerçek Gürültü

Tahmin Hareket 4961 111

Tahmin Gürültü 57 4424

Model-2 hareket tespit işlemini %98,8 kesinlik oranı ve %97,8 duyarlılık oranı ile tespit etmiştir. Hareketli hedef tespiti Model-2’de yükseltilmiş ve bununla beraber çıkış katmanın da görülen hata oranında azalma gözlemlenmiştir. Çıkış katmanında gözlemlenen sonuç karmaşıklık matrisi Tablo Ⅶ’ de verilmiştir. TABLO VII. MODEL-2 ÇIKIŞ KATMANI KARMAŞIKLIK MATRİSİ Örnek sayısı 9553 Gerçek İnsan Gerçek Araba Gerçek Gürültü

Tahmin İnsan 2319 668 9

Tahmin Araba 361 1613 102

Tahmin Gürültü 0 57 4424

Kesinlik (%) 86,5 68,9 97,5

Sonuçlar incelendiğinde Model-2 ile Model-1’e göre araba sınıfının performans yüzdesi arttırılmış ve insan hedefinin tespit yüzdesi yükseltilmiştir. Kullanılan veri seti üzerinde DVM ve k-NN sınıflandırıcıları ayrı ayrı uygulandığında elde edilen sonuçlar ile önerilen sınıflandırıcı modelinin çıkış katmanında görülen sonuçlar, her sınıf için Tablo Ⅷ’ de gösterilmiştir. TABLO VIII. BİRİNCİ SINIFLANDIRICI SONUÇLARI (HAREKETLİ HEDEF TESPİTİ) Sınıflandırıcı k-NN

DVM

Model-1

Model-2

Sınıflar

Kesinlik

Duyarlılık

F-1 skor

İnsan

%94

%53,6

%68,2

Araba

%23

%56,3

%32,6

Gürültü

%93

%85,4

%89,0

İnsan

%89,5

%69,4

%78,1

Araba

%51,1

%74,7

%60,6

Gürültü

%97,2

%98,3

%97,7

İnsan

%82,7

%54,3

%65,5

Araba

%27,9

%50,4

%35,9

Gürültü

%84,1

%93,5

%88,5

İnsan

%86,5

%77,4

%81,6

Araba

%68,9

%77,6

%72,9

Gürültü

%97,5

%98,7

%98,0

Performans metriği olarak F-1 skoru, Model-2 sınıflandırıcısı kullanıldığında her sınıf üzerinde performansın arttığını göstermektedir. SONUÇ 3 farklı zemin üzerine yerleştirilen 3 eksen ivme ölçer sensör istasyonundan elde edilen titreşim sinyalleri kullanılarak insan ve araba sınıflandırması yapabilen bir algoritma geliştirilmiştir. Elde edilen sinyallere öznitelik çıkartımı ve veri ön işleme adımları uygulanmıştır. Sınıflandırma işlemi için, k-NN ve DVM sınıflandırıcıları kullanılmış ve performansın sınırlı kaldığı gözlemlenmiştir. Sınıflandırma performansını arttırmak için 2 aşamalı sınıflandırıcı modeli tasarımı yapılmıştır. İlk aşamada hareketin varlığı tespit edilmiştir. İkinci aşamada ise hareketli nesnelerin sınıflandırılması yapılmıştır. Yapılan testler sonucunda, duyarlılık ve kesinlik skorlarının harmonik ortalaması olan F1- skoru bazında her sınıf için sınıflandırma performansının Model-2 ile arttırıldığı gösterilmiştir. KAYNAKLAR [1]

E. Köse, and A. K. Hocaoğlu, “A new spectral estimation-based feature extraction method for vehicle classification in distributed sensor network'', in 2019, Turkish Journal of Electrical Engineering & Computer Sciences, pp. 1120-1131. [2] R. Narayanaswami, A. Gandhe, A. Tyurina and RK. Mehra, “Sensor fusion and feature-based human/animal classification for unattended ground sensors”, in 2010, IEEE International Conference on Technologies for Homeland Security (HST); Waltham, MA, USA, pp. 344-350. [3] D. Obertov, and B. Andrievsky, “Vehicle classification using measurements from accelerometers mounted on the road surface”, in 2014, 19th International Conference on Methods and Models in Automation and Robotics (MMAR), pp. 413-417. [4] B. Yang and Y. Lei, “Vehicle detection and classification for low-speed congested traffic with anisotropic magnetoresistive sensor”, in 2015, IEEE Sensors Journal, pp. 1132-1138. [5] S. Küçükbay, M. Sert and A. Yazıcı, “Use of Acoustic and Vibration Sensor Data to Detect Objects in Surveillance Wireless Sensor Networks”, in 2017, International Conference on Control Systems and Computer Science, pp. 207-212. [6] B. Mukhopadhyay, S. Anchal, and S. Kar, “Detection of an Intruder and Prediction of His State of Motion by Using Seismic Sensor,” IEEE Sensor Journal, vol. 18, no. 2, pp. 703–712, Jan. 15, 2018. [7] M. Kalra, S. Kumar, and B. Das, "Seismic Signal Analysis Using Empirical Wavelet Transform for Moving Ground Target Detection and Classification", in 2020, IEEE Sensors Journal, pp. 7886-7895 [8] X. Jin, S. Sarkar, A. Ray, S. Gupta, and T. Damarla, “Target detection and classification using seismic and PIR sensors,” IEEE Senors. Journal., vol. 12, no. 6, pp. 1709–1718, June 2012. [9] R. Wang, S. Guo, Y. Li, and Y. Zhang, “Fisher discriminative dictionary learning for vehicle classification in acoustic sensor networks”, in 2017, Journal of Signal Processing Systes, pp. 99-107. [10] Q. Xiong, X. Zhang, W. F. Wang, Y. Gu, “A Parallel Algorithm Framework for Feature Extraction of EEG Signals on MPI”, in 2020, Computational and Mathematical Methods in Medicine, pp. 1-10. [11] S. Ntalampiras “Moving Vehicle Classification Using Wireless Acoustic Sensor Newtorks”, in 2018, IEEE Transactions on Emerging Topics in Computational Intelligence, pp. 129-138. [12] R. Ghosh, A. Vajpeyi, A. Akula, V. Shaw, S. Kumar, H. K. Sardana “Performance Evaluation of Real-Time Seismic Detection System Based on CFAR Detectors” in 2020, IEEE Sensors Journal, p 3678-3686.

Authorized licensed use limited to: Gebze Technical University. Downloaded on June 09,2023 at 23:29:03 UTC from IEEE Xplore. Restrictions apply.