Vehicle position estimation and vehicle classification using deep convolutional neural networks
| dc.contributor.advisor | Özok, Yasa Ekşioğlu | |
| dc.contributor.author | Kabeayla, Bashaer Isam Hasan | |
| dc.date.accessioned | 2025-02-07T08:07:02Z | |
| dc.date.available | 2025-02-07T08:07:02Z | |
| dc.date.issued | 2021 | en_US |
| dc.department | Altınbaş Üniversitesi, Lisansüstü Eğitim Enstitüsü, Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Bu yüksek lisans tezinin amacı, Derin Evrişimli Sinir Ağı (DCNN) kullanarak araçların sınıflandırılması ve plaka lokalizasyonu ile konumunun tahmin edilmesidir. Plaka yerelleştirme ile araç poz tahmini, geçiş ücreti kontrolü, trafik durumu analizi ve şüpheli araç takibi gibi alanlarda en yaygın kullanılan gerçek dünya uygulamalarından biri olarak hizmet eder. Plaka bilgilerinin yanı sıra, genel bir kavrayış elde etmek için, araç sahibine ait bilgiler de büyük rol oynamaktadır ve bağlamsal bilgi, çalışmamızda plaka teşkil eden araçlar ile sahibi araç arasındaki ilişki olarak tanımlanmaktadır. Plaka bölgesini ve araçların duruşlarını aynı anda lokalize etmek için tek aşamalı çapasız bir araç sınıflandırıcı önerdik. Sınıflandırıcı, sınırlayıcı dikdörtgenler yerine sınırlayıcı dörtgenler verir, bu da araç poz tahmini için plaka konumlaması ile daha kesin bir gösterge sağlar. Tek ölçekli girdi için, İstihbarat ve Güvenli Otomobil Laboratuvarı (LISA) karşılaştırmalı veri setinde 35.4/82.3 ortalama Hassasiyet Doğruluğu mAP/mAP50'ye ulaştık ve halihazırda mevcut ticari sistemler OpenALPR ve Sighthound'dan daha iyi performans gösterdi. Çok ölçekli giriş için 40.8/90.1'lik en iyi mAP/mAP50'ye ulaştık. Araç pozu (ön-arka) için sınıflandırma doğruluğu %98,8'e, ortalama IoU %71,3'e ulaşarak, uçtan uca araç konumu tahmini ve bağlamsal bilgilerle plaka lokalizasyonu olarak umut verici bir sonuç verdi. Python programlama dilinde gerçekleştirilen çalışma, bu amaçla çeşitli derin öğrenme kütüphaneleri kullanılarak gerçekleştirildi. Tasarımımızda üç fonksiyonel kafa ağı vardır ve bu nedenle uçtan uca ve eşzamanlı eğitim, potansiyel bir eğitim kararsızlığına yol açar. Model bir araya gelemezse, hangi kafa tasarımının sorun yarattığını izlemek oldukça zordur. Böylece, tasarım sürecimizde, tek kafa tasarım fikrinin doğru çalıştığından emin olarak her bir işlevsel kafayı adım adım ekledik ve ardından kalan işlevsel kafalarla modeli genişlettik. DCNN model eğitimimiz, sınıflandırma başlığı olmadan modelde yaklaşık 110000 yineleme için zaten eğittiğimiz bir başlangıç ağırlığından başladı, bu nedenle DCNN'deki transfer öğrenme kısmı da dahil olmak üzere toplam eğitim yinelemeleri 780000 civarında olacaktır. Aktarım öğrenimi, DCNN modelinin akıllı bir noktadan başlamasını sağladı ve tüm işlevsel başlıkların aynı anda optimize edilmesini kolaylaştırdı. | en_US |
| dc.description.abstract | The aim of this master's thesis is to classify the vehicles and estimate the position with license plate localization using Deep Convolutional Neural Network (DCNN). Vehicle pose estimation with license plate localization serves as one of the most widely-used real-world applications in fields like toll control, traffic scene analysis, and suspected vehicle tracking. Along with license plate information, to obtain overall comprehension, the information of the owner vehicle also plays a great role, and contextual information is defined as the relationship between the vehicles pose license plate and the owner vehicle in our work. We proposed a one-stage anchor-free vehicle classifier for simultaneously localizing the region of license plates and vehicles' poses. The classifier, rather than bounding rectangles, gives bounding quadrilaterals, which gives a more precise indication for vehicle pose estimation with license plates localization. For single scale input, we reached mean Precision Accuracy mAP/mAP50 of 35.4/82.3 on the Laboratory for Intelligence and Safe Automobile (LISA) benchmark dataset, already outperformed the existing commercial systems OpenALPR and Sighthound. For multi-scale input, we reached the best mAP/mAP50 of 40.8/90.1. For the vehicle pose (front-rear), classification accuracy reached 98.8%, average IoU reached 71.3%, giving a promising result as an end-to-end vehicle position estimation and license plate localization with contextual information. The work has performed in python programming language with several libraries of deep learning were being used for this purpose. There are three functional head networks in our design, and thus the end-to-end and simultaneous training leads to a potential training instability. If the model fails to converge, it is quite hard to trace which head design is raising a problem. Thus, in our design process, we added each the functional head step-by-step, making sure the single head design idea is working correctly and then expanded the model with the rest functional heads. Our DCNN model training started from an initial weight which we had already trained for about 110000 iterations in the model without classification head, so the total training iterations will be around 780000 including the transfer learning part in DCNN. Transfer learning made the DCNN model start at a smart point and made it easier to optimize all of the functional heads simultaneously. | en_US |
| dc.identifier.endpage | 65 | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=kScA8XnrRb0WogX-qPGFkqsNlEiR7hOSRGqkH7iANw_s_tAzqOxXzVRYOujzFDVy | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12939/5715 | |
| dc.identifier.yoktezid | 733046 | |
| dc.institutionauthor | Kabeayla, Bashaer Isam Hasan | |
| dc.language.iso | en | en_US |
| dc.publisher | Altınbaş Üniversitesi, Lisansüstü Eğitim Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.snmz | KA_TEZ_20250206 | |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | en_US |
| dc.subject | Computer Engineering and Computer Science and Control | en_US |
| dc.subject | Araç sınıflandırması | en_US |
| dc.subject | poz tahmini | en_US |
| dc.subject | optimizasyon | en_US |
| dc.subject | DCNN | en_US |
| dc.subject | transfer öğrenme | en_US |
| dc.subject | plaka | en_US |
| dc.subject | yerelleştirme | en_US |
| dc.subject | derin öğrenme. | en_US |
| dc.subject | Vehicle classification | en_US |
| dc.subject | pose estimation | en_US |
| dc.subject | optimization | en_US |
| dc.subject | DCNN | en_US |
| dc.subject | transfer learning | en_US |
| dc.subject | license plate | en_US |
| dc.subject | localization | en_US |
| dc.subject | deep learning. | en_US |
| dc.title | Vehicle position estimation and vehicle classification using deep convolutional neural networks | |
| dc.title.alternative | Araç konum tahmini ve araç sınıflandırması derin evrimsel sinir ağları kullanarak | |
| dc.type | Master Thesis |
