Bu tez çalışmasında, derin sinir ağları kullanarak, iç ortamda elde edilmiş derinlik
imgelerinden, her türlü pozisyonda bulunabilen insanların baş-omuz bölgelerinin
algılanması hedeflenmiştir. Aday baş-omuz bölgelerini doğrulayacak ya da eleyecek şekilde
kurgulanmış iki sınıflı derin mimariler tasarlanmıştır. Bu mimarilerin eğitilmesi ve test
edilmesi için Kinect Takip Hassasiyeti Veri Kümesi, RGB-D İnsan Veri Kümesi ve UR
Düşme Algılama Veri Kümesi’ndeki derinlik imgelerinden baş-omuz bölgelerini içeren
kutucuklar işaretlenip kesilmiştir. Aynı şekilde, baş-omuz bölgesine benzeyen negatif
kutucuklar da bu derinlik imgelerinden elde edilmiştir. Pozitif ve negatif örnekleri doğru bir
şekilde sınıflandırmak üzere çeşitli derin sinir ağı mimarileri tasarlanmıştır. Sinir ağlarının
eğitiminde katman arttırımının ve sinir ağlarına özel parametrelerin değişiminin
sınıflandırma başarımı üzerindeki etkileri incelenmiştir
The objective of this work is to detect humans in arbitrary poses from depth images
acquired in indoor environment through recognition of head-shoulder regions with deep
neural networks. In order to train and test deep neural networks, rectangular boxes containing
head-shoulder regions were extracted from depth images in Kinect Tracking Precision
Dataset, UR Fall Detection Dataset and RGB-D People Dataset. Rectangular regions
containing negative examples resembling head-shoulder shape were also extracted. Several
network architectures were designed to correctly classify positive and negative examples.
Effects of increasing number of layers in neural networks and effects of changing special
parameters on the classification performance were examined