TOPOGRAFİK BİLGİLER VE UYDU GÖRÜNTÜ VERİLERİNİ KULLANARAK 3 BOYUTLU ALAN TANIMA SİSTEMİ

Transkript

1 HAVACILIK VE UZAY TEKNOLOJİLERİ DERGİSİ TEMMUZ 2010 CİLT 4 SAYI 4 (31-40) TOPOGRAFİK BİLGİLER VE UYDU GÖRÜNTÜ VERİLERİNİ KULLANARAK 3 BOYUTLU ALAN TANIMA SİSTEMİ Oğuz KARAN * H. Arsev ERASLAN Sefer KURNAZ Hava Harp Okulu Komutanlığı Havacılık ve Uzay Teknolojileri Enstitüsü. okaran@hho.edu.tr Boğaziçi Üniversitesi Mühendislik Fakültesi Makina Mühendisliği Bölümü arsev.eraslan@boun.edu.tr Hava Harp Okulu Komutanlığı Havacılık ve Uzay Teknolojileri Enstitüsü. skurnaz@hho.edu.tr Geliş Tarihi: 01 MAYIS 2010, Kabul Tarihi: 10 TEMMUZ 2010 ÖZET Bu çalışmada üç boyutlu topografik veriler, iki boyutlu havadan çekilmiş görüntüler ve uydu görüntüleri kullanılarak alan tanıma sistemi geliştirilmiştir. Bu sistem için üç boyutlu Nesne-Bilgileri-Temelli Bileşimsel- Fotogrametri teknolojisi kullanılmıştır. Bu teknoloji alanlarda gerçek veriler kullanılarak ilk kez uygulanmıştır. Böylece tanıma işlemi için gereken güvenilir noktaların seçimi yapılırken alan üzerindeki binalar ve yollar gibi önemli arazi elemanları da kullanılmıştır. Teknolojinin, binalar ve yollar gibi yapıların bulunduğu alanlarda ve insan yapılarının bulunmadığı doğal tepeler ve çukurlar şeklindeki arazi yüzeylerinde uygulanabilirliği kanıtlanmıştır. Anahtar Kelimeler: Alan tanıma, veri birleştirme, alan tanımlama 3 DIMENSIONAL TERRAIN RECOGNITION SYSTEM BY USING TOPOGRAPHIC DATA AND SATELLITE IMAGES ABSTRACT In this study, a terrain recognition system is developed by using three dimensional topographic data, two dimensional aerial images and satellite images. For this system, three dimensional Object Knowledge Based Composite Photogrammetry Technology is used. This technology is applied to terrain areas for the first time by using real data. Thus when selecting the fiducial points, important area elements such as buildings and roads are used. Feasibility of the technology is proven for terrain areas which have structures such as buildings and roads, and have only hills and hollows without human made structures. Keywords: Terrain recognition, data fusion, terrain identification 1. GİRİŞ Günümüzde hava araçları oldukça gelişmiş teknolojilerle donatılmışlardır. Özellikle İnsansız Hava Araçları (İHA)[Unmanned Aerial Vehicles (UAV)] teknolojisi büyük bir hızla gelişmektedir. Bu yüksek teknolojiye sahip hava araçları için konum ve yön bulma işlemleri önem taşımaktadır. Özellikle İHA'lar için üzerinde uçtuğu alanda konum ve yön bilgisi kesinlikle gerekmektedir. Yani, hava aracının nerede olduğunu bilmesi gerekir. İHA'larda uzaktan kumanda ile yönetilen (Drone) araçları kullananlar araçtan uzakta olduklarından bir pilot gibi uçuş durumunu hissedemezler. Özellikle de uçağı göremedikleri durumda her ne kadar o anki görüntüyü alabilseler de gerçek uçuş koşullarıyla aracı yönetmeleri oldukça güçtür. Bununla birlikte uçuş sırasında oluşacak durumların algılanıp çabuk olarak tepki verilmesi de oldukça zor olacaktır. Benzer şekilde yine konum bilgisini örneğin GPS (Global Positioning System) ile elde eden İHA'lar da mevcuttur. Bu araçlar da konumlarını GPS ile alarak yönlerini belirleyebilmektedirler. Uzaktan kumanda ile yönetilen (Drone) veya GPS ile konum bilgisini elde edip yönünü belirleyebilen İHA'lar için uçuş sırasında ya da herhangi bir anda çeşitli sorunların ortaya çıkması olasıdır. Örneğin, uzaktan kumanda ile yönetilen İHA'larda uzaktan kumanda ile aracın bağlantısı kopması ya da görüntü alınamaması veya görüntünün gecikmesi gibi durumlarla karşılaşılabilir. 31

2 Benzer şekilde, GPS ile konumunu elde edip yönünü belirleyen araçlar için de, GPS bağlantısında herhangi bir sorun oluştuğunda araç yerdeyse uçurulamayacak, uçuş esnasında ise konum bilgisini elde edemeyecek dolayısıyla yönünü belirleyemeyecektir. Buna benzer sorunların oluşmaması için hava aracının üzerinde uçtuğu araziyi tanıması ve konum bilgisini alarak yönünü belirlemesi gerekmektedir. Bunun için ilk olarak uydu görüntülerinin kullanılması düşünülebilir. Tepeden bakılan uydu görüntüsünün avantajı afin dönüşüm (affine transform) yapıldığında görüntünün yine aynı kalabilmesidir. Uydu görüntüsü ve afin dönüşüm yapılmış görüntüler Şekil 1 de gösterilmektedir. Aynı bölgeye ait çeşitli açılardan çekilmiş 2B uçuş görüntüleri Şekil 2 ile gösterilmektedir. (a) uçuş görüntüsü (b) uçuş görüntüsü (c) uçuş görüntüsü (d) uçuş görüntüsü Şekil 2. Levent Bölgesine ait çeşitli açılardan çekilmiş 2B uçuş görüntüleri (a) uydu Görüntüsü (c) uydu Görüntüsü (b) afin döndürülmüş görüntü (d) afin döndürülmüş görüntü Şekil 1. Levent Bölgesine ait uydu görüntüsü ve afin dönüşüm yapılmış görüntüler Şekil 1-(a) ile gösterilen 2 (iki) boyutlu uydu görüntüsü GoogleEarth TM programından elde edilen tepeden görüntüdür. Bu görüntüye Şekil 1-(b) ile 45 0 afin dönüşüm uygulanmıştır. Görüldüğü gibi afin dönüşüm uygulandığında alana ilişkin 2B görüntü yükseklik içermediği için fazla değişiklik göstermemektedir. Aynı şekilde Şekil 1-(c) ve (d) ile sırasıyla ve afin dönüşümler uygulanmıştır. Afin dönüşümler ile arazi üzerinde yalnızca x ve y istikametinde değişiklikler olabilmektedir. Fakat burada hava aracı arazi üzerindeyken bu bilgiyi elde ettiği için zaten oraya varmıştır. Bununla birlikte konum belirleme işlemi yapıldığında belki de araç orayı geçmiş olacaktır. Bu yüzden tek başına 2B uydu görüntüsü konum belirleme ve yön bulma işlemleri için yeterli değildir. Dolayısıyla hava aracının alana varmadan önce konum bilgisini elde etmesi ve yönünü belirlemesi gerekmektedir. Bunun için havadan ve belirli uzaklıktan çekilen 2B görüntüler düşünülebilir. Görüldüğü gibi 2B uçuş görüntüleri farklı uzaklıklardan aynı yeri göstermesine rağmen değişik açılardan ve değişik uzaklıklardan çekildiğinden farklı görüntülerdir. Buradaki görüntüler 3(üç) açılı yani havadan ve belirli bir uzaklıktan çekilmiştir. Burada aracın bakılan alandan uzakta olması tanıma işlemi için yeterince zaman olmasını sağlar ancak 2B görüntülerin bütünsel (holistic) bir yaklaşımla piksel piksel incelenmesini gerektirdiğinden çok fazla zaman alan ve kesin sonuçlar vermesi zor olan bir işlemdir. Ayrıca görüntüler farklı ışımalar altında yine birbirlerinden farklıdır. Bu sebeplerden ötürü aynı yeri gösteren 3(üç) açılı farklı 2B görüntülerden konum bilgisi elde edip yön belirleme işlemi oldukça zordur. Dolayısıyla bu görüntüleri kullanarak hava aracı ulaşmak istediği yere varamaz. Konum belirleme ve yön bulma ile hava aracının ulaşmak istediği yere varabilmesi için gereken, havadan çekilmiş 2B uçuş görüntüleri ile bölgeye ait 3B topografik verileri eşleştirme işlemini çabuk ve doğru bir şekilde yapabilmesidir. Bunun için 3B topografik verilerle 2B uydu görüntüleri bir araya getirilerek tanıma işlemi için kullanılacak bilgiler oluşturulmalıdır. Oluşturulan bilgilerden hareketle de 2B görüntülerden belirlenen güvenilir (fiduciary) noktalar ile 3B bilinen (veritabanında bulunan) güvenilir noktalar kullanılarak 3B den 2B ye istatistiksel eşleştirme teknolojisi ile konum belirleme ve yön bulma işlemi doğru ve çabuk bir şekilde gerçekleştirilebilir. Bu işlemler sırasında tanıma işlemi uçuş yüksekliği en fazla 1500m (yaklaşık 5000ft) ile bulutların altında alçak uçuşta yapılabilmektedir. Gerçekten de günümüzde ileri teknolojiyle donatılmış F-16 uçaklarında 1500m (yaklaşık 5000ft) yüksekliğin altındaki uçuşta araziyi daha kesin algılayarak hedefini belirleyebilmektedir [16][17]. Bununla birlikte kullanılan teknoloji de 3B güvenilir (fiduciary) 32

3 noktalar farklı ışımalar altında da görülebilecek noktalar olarak titizlikle seçildiğinden, tanıma işlemi ışımadan doğrudan etkilenmemektedir Literatürde Yapılan Çalışmalar Alan tanımaya ilişkin 1989 yılında eğri tabanlı (curvature based) yaklaşım önerilmiştir. Bu yaklaşımda Gaussian ve Ortalama (mean) eğrileri arazi üzerindeki özel noktaların çıkarılmasında kullanılmıştır. Buradaki algoritma 3B sayısal arazi verilerini kullanarak özel noktaları belirlemektedir [1]. Arazi tanıma (terrain recognition) işlemi de alan tanıma açısından önemlidir. Arazi çıkarma işlemi için 1998 yılında Bileşik Teknikler (Compound Techniques) kullanılarak 3B arazi çıkarma yöntemi geliştirilmiştir Buradaki teknik sayısal hava fotoğrafları ve uydu görüntüleri kullanılarak yüksekliklerin belirlenmesi şeklindedir [2]. Alan işleme (terrain rendering) açısından 2000 yılında doku haritaları (texture maps) ve geçmiş teknikler kullanılarak yeni yöntemler geliştirilmiştir. Buna göre algoritma doku (texture) üzerindeki çözünürlüğü hesaplayarak arazi üzerinde işlem yapmaktadır [3] yılında bilgi tabanlı görüntü analizi açısından 3B yolların hava görüntülerinden çıkartılması için bir yöntem geliştirilmiştir. Bu yöntemde veritabanında bulunan renkli görüntüler ve bilgiler birleştirilerek yollar çıkartılabilmektedir [4]. Coğrafi bilgiler ve veriler kullanılarak nesne çıkarma (object extraction) yöntemi ile 2002 yılında binalar ve yollar gibi arazi üzerinde oldukça önemli olan nesnelerin çıkarılabileceği teknikler önerilmiştir [5]. Yüksek alanların gerçek zamanlı oluşturulmaları için 2003 yılında hızlı bir geomorfik algoritma önerilmiştir. Bu algoritmaya göre dördün ağaç (quad tree) veri yapısı üzerinde işlem yapan yeni bir yöntem geliştirilmiştir [6]. Alçak irtifa görüntülerinden yüksek çözünürlüklü arazilerin eşleştirilmesine ilişkin 2003 yılında Kalman Filtreleri ve hareketli görüntü algılama algoritmaları kullanılarak yeni bir yaklaşım geliştirilmiştir [7] yılında gerçek zamanlı seyir (navigation) sırasında arazi işleme (terrain rendering) ile ilgili TERRAN isimli bir proje kapsamında yöntem geliştirilmiştir. Bu yönteme kısaca IP:Intersection Polygons denmektedir. Bu yönteme varolan geomorfik algoritmaların ilerletilmesi şeklindedir [8]. Geometrik görüntüleri eğme yöntemiyle büyük arazilerin gerçek zamanlı işlenmesi 2004 yılında yeni bir yöntem önerilmiştir [9]. Alan tanımaya ve sınıflandırmaya ilişkin 2005 yılında SAR (Synthetic Aperture Radar) sistemleri kullanılarak otomatik olarak alan sınıflandırması yapılmıştır [10]. Yine alan işlemeye ilişkin uyarlanabilir olarak 2005 yılında çok büyük araziler için serit maskeleri (strip masks) kullanılarak bir yöntem geliştirilmiştir. Bu yöntemde arazi parçalara ayrılarak işlem yapılmaktadır [11]. Yine 2005 yılından konumdan bağımsız (pose independent) otomatik hedef belirleme ve tanıma algoritması geliştirilmiştir. Bu yöntemde 3B laser radar görüntüleri kullanılmıştır. Tanıma işlemi genel olarak geometrik şekiller ve boyutlar kullanılarak yapılmaktadır [12]. İstatistiksel olarak Markov modelleri kullanılarak otonom alan çıkarma ve sınıflandırma yapabilen sistem geliştirilmiştir. Bu sistem mobil robotlar üzerinde kullanılmış ve 3B arazi haritaları çıkartılmıştır [13]. Uzay çalışmalarında da alan tanıma araziyi çıkarma oldukça önemlidir. Bunun için 2007 yılında kayaların modellenmesi ve eşleştirilmesi amacıyla 3B yüzey noktaları kullanılarak bir yöntem geliştirilmiştir [14]. 3B geliştirilmiş (enhanced) arazi sınıflandırması ile harita kayıtlama yöntemi (map registiration) 2008 yılında önerilmiştir. Bu yönteme göre hareketten yapıyı oluşturma algoritmaları kullanılarak elde edilen 3B arazi bilgisi kayıtlama yöntemi önerilmiştir [15]. 2. KULLANILAN TANIMA TEKNOLOJİSİ Alan tanıma için yöntem olarak daha önce yüz tanıma teknolojilerinde uygulanmakta olan 3B Nesne Bilgileri Temelli Bileşimsel Fotogrametri (3D Object Knowledge Based Composite Photogrammetry) teknolojisi kullanılmıştır [18]. Açıklanan ve kullanılan yöntem patentlenmiş bir tanıma sistemidir [19]. Kullanılan yöntem yeryüzü alanlarına ilk defa uygulanmıştır. 2.1 Kullanılan Yöntemin Matematiksel Açıklaması 2B belirlenen güvenilir (fiducial) noktaların 3B bilinen (veritabanında bulunan) noktalarla istatistiksel olarak eşleştirilmesi yöntemi kesin bir teoriye ve matematiğe sahip bir yöntem olarak geliştirilmiştir. Matematiksel formüllerde genel olarak birbirleri yerine kullanılabilen 3B silindirik ve kartezyen koordinat sistemleri kullanılmaktadır. Kullanılan bu koordinat sistemleri arazi bilgilerine göre paralel, meridyen ve yüksekliğe bağlı olduğundan tümüyle boyutlu ve uzaklığa dayalı olarak öçülebilirdir. Burada paralel meridyen ve yükseklikler alanın 3B topografik bilgileridir. 3B alan yüzeyinin çok-yüzlü (polyhedral) yapısı 3 (üç) adet köşe noktası olan 3B panellerin (lsp) birleşimi şeklinde ifade edilebilmektedir. 3B alan yüzeyi ayrıca 3B yüzeynoktaları (surface-vertices)(lsv) ile de temsil edilebilmektedir. Buna göre N sv,3b, 3B alan yüzeyindeki 3B noktaların toplam sayısını göstermek üzere, V 3B;lsv 3B yüzey noktaları için lsv = 1, 2,..., N sv,3b V 3B,lsv = [x 3B;lsv, y 3B;lsv, z 3B;lsv ] T R 3 (1) şeklinde tanımlandığına göre verilen 3B alan yüzeyi [ ] S 3B = V3B, lsv R 9N sv,3b (2) 33

4 şeklinde ifade edilmektedir. 3B tüm alan 3B alan parçalarına (terrain area parts) ayrılmaktadır (tp). Örneğin, Bağcılar semtine ilişkin ölçülmüş veriler 6000m x 5000m'lik bölge içerisinde 1000mx1000m lik alanlara ayrılmaktadır. Yani yöntemde tüm 3B alan değil, alana ait ayrılan 3B alan parçaları kullanılmaktadır. Algısal olarak, tüm alan yerine alan parçalarının kullanılması yapılan tanımlama, sınıflandırma ve tanıma bakımından önemli olmaktadır. S tp,3b,p, alan parçasının yüzeyi olduğuna göre, tüm alana ilişkin 3B yüzey S 3B, için p = 1, 2,..., N tp,3b Ntp,3B S3 B Stp,3B, p, Stp,3B, p S3B = p= 1 (3) şeklinde ifade edilmektedir. S tp,3b,p 3B alan parçalarına ilişkin yüzey V tp,3b,lsv 3B yüzey noktaları cinsinden, için p = 1, 2,..., N tp,3b lsv = 1, 2,..., N sv,tp,3b,p < N sv,3b V 3B,lsv = [x tp, 3B;p,lsv, y tp, 3B;p,lsv, z tp, 3B;p,lsv ] T R 3 (4) olmak üzere [ Vtp,3B,p, ] Stp,3B, p = lsv R 3N sv,tp,3b,p (5) şeklinde ifade edilebilmektedir B Alan Parçası Yüzeylerinin İzdüşürülmüş 2/3B Güvenilir Noktaları Uygun (θ x,tp,2/3b,p, θ y,tp,2/3b,p, θ z,tp,2/3b,p) pozisyon açılarının kümesinde 3B alan parçası yüzeyi S tp, 3B,p nin 3B güvenilir noktaları deseni p tpfp,3b,p nin izdüşümleri, ilgili 3B alan parçasının yüzeyinde 2/3B güvenilir noktaların şablonları p tpfp,2/3b,p şeklinde ifade edilmektedirler. Bununla birlikte (θ x,tp,2/3b,p, θ y,tp,2/3b,p, θ z,tp,2/3b,p) kümesindeki açılara göre yapılan döndürme dönüşümlerine (rotational transformations) göre belirlenen 2/3B güvenilir noktalar V tpfp,2/3b,p,n(p) cinsinden p = 1, 2,..., N tp,3b n(p) = 1, 2,..., N tpfp,3b,p p tpfp,2/3b,p = [V tpfp,2/3b,p,n(p) ] T R 3 (7) şeklinde ifade edilmektedir. 2.3 İzdüşürülmüş 2/3B Güvenilir Noktaların 2B Güvenilir Noktalar ile Eşleştirilmesi Yöntemi Yöntemde, Belirlenmiş 2B güvenilir nokta ile izdüşürülmüş 2/3B güvenilir nokta arasındaki farkın mutlak değeri olarak tanımlanan özgün hata (individual error) Ortalama hata (average error) Ortalama karesel hata (Mean Square Error) kullanılmaktadır. Buna göre tüm hata bulma işlemleri ölçülebilir 2B uzaklıklar kullanılarak yapılmaktadır. 3. KULLANILAN TEKNOLOJİNİN ALANLARA UYGULANMASI Tanıma teknolojisi Levent semti, Bağcılar semti ve Cudi Dağı bölgesi olmak üzere 3 (üç) farklı alan için uygulanmıştır. 3.1 Levent Semti için Teknolojinin Uygulanması Elde bulunan Levent Semti'ne ilişkin 3B veriler tek bir alan parçasını temsil ettiğinden, teknolojinin uygulanabilirliğinin kanıtlanması amacıyla seçilen 3B güvenilir noktalar Bağcılar semti için oluşturulan veritabanına 67 numaralı alan parçası olarak dahil edilmiştir. Levent semti'ne ait elde bulunan 2B havadan çekilmiş görüntü üzerindeki güvenilir noktalar 2B piksel koordinatları olarak belirlenmiştir. Burada 2B güvenilir noktalar 3B güvenilir noktalardaki gibi sıraya dizilmiştir. Hava aracı yaklaşık olarak hangi yöne doğru gittiğini bilebildiğinden 2B güvenilir noktalar için bu sıraya dizme işlemini yapabilecektir. Bu işlemlerden sonra 2B görüntü üzerindeki piksel koordinatları ile tanıma teknolojisine ilişkin yazılım çalıştırılmış ve sonuç elde edilmiştir. Levent Semti ne ait 2B görüntü üzerindeki belirlenmiş güvenilir noktaların işaretlenmiş olduğu görüntü, bu güvenilir noktalara ilişkin 2B güvenilir noktalar şablonu, tanıma teknolojisi uygulandığında 3B'nin 2B üstüne oturtulmuş olduğu izdüşürülmüş 2/3B güvenilir noktalar şablonu (projected 2/3D fiducial points template) ve 2B görüntüye ilişkin alanın 3B görünüşü Şekil 3 ile gösterilmektedir. için V tpfp,2/3b,p,n(p) = [T (R) 2/3B,x, T (R) 2/3B,y, T (R) 2/3B,z] T R 3 (6) olmak üzere, 34

5 (a) 2B görüntüsü (b) 2B güvenilir noktalar şablonu sonrasında tüm alan parçaları için ayrı ayrı elde edilen ortalama karesel hatalar Tablo 1 ile gösterilmiştir. (c) 2/3B güvenilir noktalar şablonu (d) 3B alan yüzeyi görünüşü Şekil 3. Levent semtine ait bir 2B görüntü ile teknolojinin uygulanması Şekil 3-(a)'da bulunan 2B görüntü üzerinde 2B piksel koordinatları şeklinde belirlenen ve işaretlenmiş 2B güvenilir noktalara ilişkin 2B güvenilir noktalar şablonu (2D fiducial points pattern) Şekil 3-(b)'de gösterilmektedir. Belirlenen güvenilir noktalar için yazılım çalıştırıldığında 3B'den 2B'ye istatistiksel eşleştirme sonucunda 2/3B izdüşürülmüş güvenilir noktalar şablonu Şekil 3-(c) ile gösterilmiştir. Burada yeşil halkalar ile belirlenmiş noktalar 3B güvenilir noktaları, kırmızı halkalar ile belirtilen noktalar ise 2B güvenilir noktaları temsil etmektedir. Tanıma teknolojisine ilişkin yazılım çalıştırıldığında, Şekil 3- (a)'daki 2B görüntüden belirlenen güvenilir noktalar ile tüm alan parçalarına ilişkin güvenilir noktaları test ettikten sonra 2.62 ortalama karesel hata ile en uygun 67 numaralı yani Levent semti'ne ilişkin alan parçasını tespit etmiştir. Burada dikkat edilmesi gereken, 2B güvenilir noktalar görüntü üzerindeki piksel koordinatları, 3B alan parçalarına ait güvenilir noktalar ise alan parçasının 3B topografik noktalarıdır. Yani tanıma sistemi tamamen noktalar arasındaki metrik uzaklıklarla işlem yapmaktadır. Ayrıca, Şekil 3-(d) ile tespit ettiği alan parçasına ilişkin 3B alan görünüşü gösterilmektedir. Görüldüğü gibi Şekil 3 ile gösterilen tüm şekiller birbiriyle uyumludur. Tanıma teknolojisine ilişkin yazılımın ikinci en küçük hata ile belirlediği 15 numaralı alan parçasına ilişkin 2/3B izdüşürülmüş güvenilir noktalar şablonu Şekil 4 ile gösterilmektedir. Tablo 1. Levent Semti ne ait 2B görüntü ile tanıma teknolojisinin uygulanması sonucunda elde edilen ortalama karesel hatalar Alan Parçası Ortalama Karesel Hata Aynı şekilde bu hataların dağılımına ilişkin grafik Şekil 5 ile gösterilmiştir. Şekil 4. 2B güvenilir noktalar ile uyumsuz 15 numaralı alan parçasına ait 2/3B izdüşürülmüş güvenilir noktalar şablonu Görüldüğü gibi 2B güvenilir noktaları temsil eden kırmızı halkalar ve 3B güvenilir noktaları temsil eden yeşil halkalar farklı farklı yerlerdedir. 15 numaralı alan parçasının 3B'den 2B'ye istatistiksel eşleştirilmesi sırasında elde edilen ortalama karesel hata ile 67 numaralı Levent semti'nin testi sonucunda elde edilen ortalama karesel hatadan oldukça büyüktür. Uygulama Şekil 5. Levent Semti ne ait 2B görüntü ile tanıma teknolojisinin uygulanması sonucunda her alan parçası için elde edilen ortalama karesel hataların dağılımı 35

6 3.2 Bağcılar Semti için Teknolojinin Uygulanması Tanıma teknolojisi 6000mx5000m'lik her biri 1km 2 lik alanlara ayrılmış Bağcılar bölgesi için de uygulanmıştır. Bağcılar bölgesi'ne ait 2B havadan çekilmiş görüntüler bulunmadığından bölgenin düzenlenen 3B verilerinden hareketle 2/3B izdüşümler alınarak farklı ışımalar altında 2B görüntüleri oluşturulmuştur. Elde edilen görüntüler üzerindeki 2B güvenilir noktalar 2B piksel koordinatları şeklinde belirlenmiş ve teknoloji uygulanmıştır. Bağcılar bölgesi'ne ait bir 2B görüntü üzerindeki belirlenmiş güvenilir noktaların işaretlenmiş olduğu görüntü, bu güvenilir noktalara ilişkin 2B güvenilir noktalar şablonu, tanıma teknolojisi uygulandığında 3B'nin 2B üstüne oturtulmuş olduğu izdüşürülmüş 2/3B güvenilir noktalar şablonu ve 2B görüntüye ilişkin alanın 3B görünüşü Şekil 6 ile gösterilmektedir. etmektedir. Yazılım, 2.43 ortalama karesel hata ile en uygun 11 numaralı alan parçasını tespit etmiştir. Ayrıca, Şekil 6-(d) ile tespit ettiği alan parçasına ilişkin 3B alan yüzeyi görünüşü gösterilmektedir. Görüldüğü gibi Şekil 6 ile gösterilen tüm şekiller birbiriyle uyumludur. Tanıma teknolojisine ilişkin yazılımın ikinci en küçük hata ile belirlediği 67 numaralı alan parçasına ilişkin 2/3B izdüşürülmüş güvenilir noktalar şablonu Şekil 7 ile gösterilmektedir. Şekil 7. 2B güvenilir noktalar ile uyumsuz 67 numaralı alan parçasına ait 2/3B izdüşürülmüş güvenilir noktalar şablonu Görüldüğü gibi 2B güvenilir noktaları temsil eden kırmızı halkalar ve 3B güvenilir noktaları temsil eden yeşil halkalar farklı farklı yerlerdedir. Uygulama sonrasında tüm alan parçaları için ayrı ayrı elde edilen ortalama karesel hatalar Tablo2 ile gösterilmiştir. (a) 2B görüntüsü (b) 2B güvenilir noktalar şablonu (c) 2/3B güvenilir noktalar şablonu (d) 3B alan yüzeyi görünüşü Şekil 6. Bağcılar semtine ait bir 2B görüntü ile teknolojinin uygulanması Şekil 6-(a)'da bulunan 2B görüntü üzerinde 2B piksel koordinatları şeklinde belirlenen ve işaretlenmiş 2B güvenilir noktalara ilişkin 2B güvenilir noktalar şablonu Şekil 6-(b)'de gösterilmektedir. Belirlenen güvenilir noktalar için yazılım çalıştırıldığında 3B'den 2B'ye istatistiksel eşleştirme sonucunda 2/3B izdüşürülmüş güvenilir noktalar şablonu Şekil 6-(c) ile gösterilmiştir. Burada yeşil halkalar ile belirlenmiş noktalar 3B güvenilir noktaları, kırmızı halkalar ile belirtilen noktalar ise 2B güvenilir noktaları temsil 36 Tablo 2. Bağcılar Semti ne ait 2B görüntü ile tanıma teknolojisinin uygulanması sonucunda elde edilen ortalama karesel hatalar Alan Parçası Ortalama Karesel Hata

7 Bu hataların dağılımına ilişkin grafik Şekil 8 ile gösterilmiştir. (a) 2B görüntüsü (b) 2B güvenilir noktalar şablonu (c) 2/3B güvenilir noktalar şablonu (d) 3B alan yüzeyi görünüşü Şekil 8. Bağcılar Semti ne ait 2B görüntü ile tanıma teknolojisinin uygulanması sonucunda her alan parçası için elde edilen ortalama karesel hataların dağılımı Buradaki 2B görüntü dışında test amaçlı olarak Bağcılar semti ne ait 7(altı) adet 2B görüntü için de teknoloji uygulanmıştır. 3.3 Cudi Dağı için Teknolojinin Uygulanması Tanıma teknolojisi son olarak, binalar ve yollar gibi yapıların bulunduğu alanların yanısıra üzerinde sadece tepeler ve çukurların bulunduğu alanlar üzerinde de çalışabildiğinin kanıtlanması için Cudi Dağı'na ait alan üzerinde de uygulanmıştır. Toplamda 5760mx5760m'lik olan ve her biri yaklaşık 4km 2 lik alan parçalarına ayrılmış Cudi Dağı bölgesi'ne ait 2B havadan görüntüler bulunmadığından, bölgenin 3B verilerinden 2/3B izdüşümler alınarak farklı ışımalar altında 2B görüntüleri oluşturulmuştur. Oluşturulan görüntüler üzerinde 2B güvenilir noktalar belirlenmiştir. Cudi dağı'na ait 2B görüntü üzerindeki belirlenmiş güvenilir noktaların işaretlenmiş olduğu görüntü, bu güvenilir noktalara ilişkin 2B güvenilir noktalar şablonu, tanıma teknolojisi uygulandığında 3B'nin 2B üstüne oturtulmuş olduğu izdüşürülmüş 2/3B güvenilir noktalar şablonu ve 2B görüntüye ilişkin alanın 3B görünüşü Şekil 9 ile gösterilmektedir. Şekil 9. Cudi Dağı na ait bir 2B görüntü ile teknolojinin uygulanması Şekil 9-(a)'da bulunan 2B görüntü üzerinde 2B piksel koordinatları şeklinde belirlenen ve işaretlenmiş 2B güvenilir noktalara ilişkin 2B güvenilir noktalar şablonu (2D fiducial points pattern) Şekil 9-(b)'de gösterilmektedir. Belirlenen güvenilir noktalar için 3B'den 2B'ye istatistiksel eşleştirme sonucunda 2/3B izdüşürülmüş güvenilir noktalar şablonu Şekil 9-(c) ile gösterilmiştir. Yazılım, Şekil 9-(a)'daki 2B görüntüden belirlenen güvenilir noktalar ile tüm alan parçalarına ilişkin güvenilir noktaları ile test ettikten sonra 4.15 ortalama karesel hata ile en uygun 21 numaralı alan parçasını tespit etmiştir. Ayrıca, Şekil 9-(d) ile tespit ettiği alan parçasına ilişkin 3B alan görünüşü gösterilmektedir. Görüldüğü gibi Şekil 9 ile gösterilen tüm şekiller birbiriyle uyumludur. Tanıma teknolojisine ilişkin yazılımın ikinci en küçük hata ile belirlediği 12 numaralı alan parçasına ilişkin 2/3B izdüşürülmüş güvenilir noktalar şablonu Şekil 10 ile gösterilmektedir. Şekil 10. 2B güvenilir noktalar ile uyumsuz 12 numaralı alan parçasına ait 2/3B izdüşürülmüş güvenilir noktalar şablonu 12 numaralı alan parçasının 3B'den 2B'ye istatistiksel eşleştirilmesi sırasında elde edilen ortalama karesel hata ile 21 numaralı alan parçasının testi sonucunda elde edilen ortalama karesel hatadan oldukça büyüktür. Bu nedenle en az hatayla 21 numaralı alan parçası en iyi eşleşen parça olarak yazılım tarafından tespit edilmiştir. Uygulama sonrasında tüm alan parçaları için ortalama karesel hatalar Tablo 3 ile gösterilmektedir. 37

8 Tablo 3. Cudi Dağı na ait 2B görüntü ile tanıma teknolojisinin uygulanması sonucunda elde edilen ortalama karesel hatalar Alan Parçası Ortalama Karesel Hata Tabloda belirtilen ortalama karesel hataların dağılımına ilişkin grafik Şekil 11 ile gösterilmektedir. Burada 1 deney numaralı görüntü Levent semti'ne, 2 ile 9 deney numaraları arasındaki görüntüler ise Bağcılar semti'ne ait 2B görüntülerdir. 10, 11 ve 12 numaralı görüntüler ise Cudi dağı'na ait 2B görüntülerdir. Uygulama sonrasında ortalama karesel hataların düzensiz bir şekilde dağıldığı görülmektedir. Burada dikkat edilirse test amaçlı kullanılan 2B görüntülerin her biri için elde edilen en küçük hata ile ikinci en küçük hata arasındaki sayısal fark oldukça fazladır. Yeryüzü alanlarının, ister binalar ve yollar gibi insan yapılarından oluşsun isterse tepeler ve çukurlar gibi doğal yapılardan oluşsun, birbirlerine benzememesinden dolayı bu iki hatanın arasındaki sayısal fark büyük olmakta ve dolayısıyla tanıma rahatlıkla yapılabilmektedir. Bu alan farklılıkları hataların da düzensiz bir şekilde dağılmasına yol açmaktadır. Ayrıca, görüldüğü gibi elde edilen her dağılım birbirlerinden oldukça farklıdır. 4. SONUÇ Bu çalışma ile topografik bilgiler, uydu görüntüleri ve 2B havadan çekilmiş görüntüler kullanılarak bir alan tanıma sistemi gerçekleştirilmiştir. Önceden 2B havadan çekilen görüntülerden belirlenen güvenilir noktalar kullanılarak her açıdan, her yükseklikte ve her uzaklıktan tanıma yapılabilmektedir. Şekil 11. Cudi Dağı na ait 2B görüntü ile tanıma teknolojisinin uygulanması sonucunda her alan parçası için elde edilen ortalama karesel hataların dağılımı Buradaki 2B görüntü dışında test amaçlı olarak Cudi Dağı na ait 2(iki) adet 2B görüntü için de teknoloji uygulanmıştır. 3.4 Uygulama Sonucunda Elde Edilen Bulgular Tanıma teknolojisinin test amaçlı olarak 13 adet 2B görüntü ile deneylenmesinde her biri için elde edilen ortalama karesel hatalara ilişkin grafik Şekil 12 ile gösterilmiştir. Geliştirilen sistemde geniş bir arazi parçası söz konusu olduğunda 3B arazi verilerinin tümü yerine, bölünmüş alan parçalarından titizlikle seçilen güvenilir noktalar kullanılmaktadır. Bu noktalar alana ait topografik verilere göre oldukça az sayıda olduğundan tanıma işlemi hızlı bir şekilde gerçekleşebilmektedir. Binalar ve yollar gibi yapıların bulunduğu alanlarda güvenilir noktalar seçmek nispeten kolaydır. Ancak tezde insan yapılarının bulunmadığı doğal tepeler ve çukurlar şeklindeki arazi yüzeyleri için de tanıma teknolojisinin uygulanabildiği gösterilmiştir. Geliştirilen tüm yazılımların özgün olması İHA lara uyarlanması açısından da oldukça önemlidir. Tanıma teknolojisine ilişkin yöntemler ve yazılımlar ilerideki çalışmalarda İHA lara özgü olarak geliştirildiğinde diğer navigasyon cihazlarının (GPS, INS vb.) desteği olmadan da İHA ların yönlendirilmesinde kullanılabilecektir. Şekil 12. Tanıma teknolojisi uygulandığında elde edilen ortalama karesel hataların dağılımı 5. KAYNAKLAR [1] Goldolf, D.B and Huang, T.S and Lee,H A Curvature-Based Approach to Terrain Recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(11);

9 [2] Yihui L. and Kubik, K. and Bennamoun, M Image segmentation and image matching for 3D terrain reconstruction. Pattern Recognition, Proceedings. Fourteenth International Conference on. 2; [3] Blow, J Terrain Rendering at High Levels of Details. Bolt Action Software, March 11. [4] Zhang,C and Baltsavias, E. and Gruen.A Knowledge-Based Image Analysis for 3D Road Construction. Asian Journal of Geoinformatics.1(4);3-14. [5] Baltsavias, E.P Object Extraction and Revision by Image Analysis Using Existing Geospatial Data and Knowledge: State-of-the-Art and Steps towards Operational Systems. IAPRS. XXXIV(2); [6] Roettger, S. and Heidrich, W. and Slusallek, P. and Seidel, H.P Real-Time Generation of Continuous Levels of Detail for Height Fields. In V. Skala, editor, Proc. WSCG 98; [7] Jung, I.K and Lacroix,S High resolution terrain mapping using low altitude aerial stereo imagery. Proceedings of the Ninth IEEE International Conference on Computer Vision.2; 946. [8] Kim, S.H. and Wohn, K TERRAN:out-ofcore Terrain Rendering for Real-time Navigation.22(3). [9] Dachsbacher, C. and Stamminger,M Rendering Procedural Terrain by Geometry Image Warping. Eurographics Association. Proc. Rendering Techniques; [10] Lee, K.S. and Grunes,M.R. and Pottier, E. and Ferro-Famil, L Automated Terrain Classification Using Polarimetric Synthetic Aperture Radar. NRL-Review; [11] Pouderoux, J and Marvie, J.E Adaptive Streaming and rendering of Large Terrains using Strip Masks. Proceedings of ACM GRAPHITE; [12] Vasile, A.N. and Marino, R.M. Lincoln Laboratory Journal. 15(1); [13] Wolf, D.F. and Sukhatme, G.S. and Fox, D. and Burgard, W Autonomous Terrain Mapping and Classification Using Hidden Markov Models.Proceedings of the 2005 IEEE International Conference on Robotics and Automation; [14] Kaichang Di, R.L. and Wang, J. and He, S Rock Modeling and Matching for Autonomous Long Range Mars Rover Localization. Journal of Field Robotics.24(3); [15] Tidey, E. and Harris, C. and Revell, J. and Claxton, C Map Registiration with 3D Enhanced Terrain Classification. 3rd SEAS DTC Technical Conference-Edinburgh;A9 [16] Eds Jachtvliegtuigen, [17] Top gun:the next generation, National Guard, Government Industry, Jan 1999, McCrone, James, Seidenman, Paul [18] A. H. Eraslan: United States Patent: Three- Dimensional Face Identification System. U.S. Patent No. US 6,381,346 B1. Preliminary application date: Dec Date of patent: April 30, [19] A. H. Eraslan, ILEFIS (Integrated Law- Enforcement Face-Identification System. National Technology Transfer Center-Office of Law Enforcement Technology Commercialization, March 7, ÖZGEÇMİŞLER Oğuz KARAN 10 Eylül 1976 yılında Zonguldak ta doğdu. İlkokulu yılları arasında Zonguldak Bahçelievler İlkokulunda okuduktan sonra yine aynı yıl T.E.D. Zonguldak Koleji Vakfı Özel Lisesinde öğrenimine başladı. Ortaokulu ve liseyi burada okuyup öğrenimini tamamladıktan sonra 1994 yılında İstanbul Üniversitesi Fen Fakültesi Matematik Bölümü'nde üniversite öğrenimine başladı. Üniversite öğrenimini tamamladıktan sonra 2 Ekim 2000 yılında Haliç Üniversitesi İşletme Fakültesinde Araştıma Görevlisi olarak göreve başladı. 2 Ekim 2002 tarihinde Haliç Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümüne Araştırma Görevlisi olarak atandı Ocak ayında Haliç Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Yüksek Lisans Programını tamamladı Güz Döneminde Haliç Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü'ne Öğretim Görevlisi olarak atandı Bahar döneminde doktora öğrenimine başladığı Hava Harp Okulu Komutanlığı Havacılık ve Uzay Teknolojileri Enstitüsü Bilgisayar Mühendisliği A.B.D. Yazılım Mühendisliği Doktora Programı'nı Şubat 2010'da tamamladı. İyi derecede İngilizce bilmektedir. Prof.Dr. H. Arsev ERASLAN 1958 yılında Robert College (Boğaziçi Universitesi) Makine Mühendisliği bölümünde Lisans eğitimini tamamladı yılında aynı üniversitede Yüksek Lisans eğitimini bitirdi yılında North Carolina 39

10 State University, Raleigh, North Carolina, USA de Hava-Uzay Mühendisliği ve Uygulamalı Matematik Doktora öğrenimini bitirdi. Öğretim Görevlisi olarak sırası ile; North Carolina State University, Tennessee Technological University, University of Tennessee Space Institute, University of Tennessee (Full Professor with tenure) olarak (Seçkin Profesör ödülü alarak) ve Clarkson University de bulundu. İlgili Profesör (Adjunct Professor) olarak sırası ile Georgia Institute of Technology ve Rice University de bulundu. Davetli özel ders konuşmacısı olarak ABD, Türkiye, ve Taiwan üniversitelerinde sayısal matematik ve fizik (computational mathematics and physics) konuları üzerinde bulundu. Ikiyüz-elli üzerinde bilimsel ve teknik raporlar, bildiriler (yılın en iyi bilimsel bildirisi ödülü) ve sunumlar gerçekleştirmiştir. Kırk sene üstünde bir sürede, ve sürekli olarak, en ileri bilimsel düzeyde sayısal modelleme ve yazılım teknolojileri geliştirme Ar-Ge projelerinin yöneticiliğini yapmıştır. Bu AR-Ge projeleri ABD Federal Devlet (U.S. Federal Government) projeleri olarak, U.S. Department of Defense (Air Force, Navy, Army), NASA (National Aeronautics and Space Administration), U.S. Department of Energy, U.S. Nuclear Regulatory Commission, U.S. Environmental Protection Agency, U.S. Department of Interior, and U.S. Department of Justice tarafından desteklenmiştir. Aynı sürede, bilimsel uzman danışman olarak, ABD Federal Devlet kurumlarına ve özel-sektör AR-GE kurumlarına, U.S. Air Force, Arnold Engineering and Development Center, Oak Ridge National Laboratory (DOE), International Atomic Energy Agency (Vienna, Austria), HDR, Inc. (Vice-President), ve Black and Veatch, Inc. ile çalışmıştır. U.S. Government, U.S. House of Representatives Expert Witness (Uzman Tanık) olarak seçilmiş, ve U.S. Nuclear Regulatory Commission, ve U.S. Federal Power Commission tarafından ABD kongresine Nuclear Plant Environmental Impact and Safety konuları ile ilgili bilimsel bilgiler vermek için çağrılmıştır. Mühendisliği Bölümünden yüksek lisans, İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümünden doktora derecesi aldı. Halen Hava Harp Okulu Havacılık ve Uzay Teknolojileri Enstitüsü Müdürü olarak görev yapmaktadır yıllarında, NASA National Technology Transfer Center (NTTC) Baş Bilim Adamı (Chief Scientist) olarak görev yapmıştır. Aynı sürede U.S. Department of Justice (DOJ), National Institute of Justice (NIJ), Office of Science and Technology (OS&T), Office of Law Enforcement Technology Commercialization Center (OLETC) Baş Bilim Adamı (Chief Scientist) olarak da görevlendirilmiştir yılında ABD de emekli olmuştur. TAI, STM (SSM), DPT, ASELSAN gibi firma ve kurumlarda Türkiye de danışman olarak görev almıştır. Yrd. Doç. Dr. Müh.Alb. Sefer KURNAZ Hava Harp Okulu Elektronik Mühendisliği Bölümünden lisans, Ege Üniversitesi Bilgisayar 40