A video surveillance system architecture that uses network resources efficiently

Son yıllarda video kameraların gelişmesi ve maliyetlerinin azalmasıyla birlikte, video gözetleme sistemleri oldukça yaygın kullanılmaya başlamıştır. Okul, hastane gibi çeşitli kamusal alanlarda, özel mülklerde ve askeri alanlarda çeşitli amaçlarla video gözetleme sistemlerinden yararlanılmaktadır. Bu sistemlerin izlenim ve kontrolünün otomatik olarak yapılması, sistemden amaca yönelik alınan verimi artırmakta, hata ve maliyetleri en aza indirmektedir. Bu tez kapsamında bir video gözetleme sistemi geliştirilirken, ağ kaynağı kullanımını optimize edebilmek amacıyla bir otokontrol mekanizması kullanılmıştır. Bu otokontrol mekanizması sayesinde sistem kendi yanlışlarını tahmin edebilmekte ve bu yanlışların oranına göre video kalitesi ile gözetleme işleminin periyodunu ayarlayabilmektedir. Sistemde nesne tanıma işlemi için YOLOv3 ağ modeli kullanılmıştır. Nesne takip işlemi için ise öklid uzaklığı formülünden yararlanılmıştır. Çalışma kapsamında önerilen sistemin nesne tanıma başarıları hesaplanmış ve otokontrol mekanizması olmaksızın elde edilen sonuçlar ile önerilen sistemin deneysel sonuçları karşılaştırılmıştır. Önerilen sistemin, ağ kaynağı kullanımı ve başarı oranları bakımından optimal sonuçlar verdiği görülmüştür.With the development of video cameras and the decrease in costs in recent years, video surveillance systems have started to be used widely. Video surveillance systems are used for various purposes in various public places such as schools, hospitals, private properties and military areas. Automatic monitoring and control of these systems increases the efficiency of the system for the purpose and minimizes errors and costs. While developing a video surveillance system within the scope of this thesis, an auto-control mechanism has been used in order to optimize network resource usage. Thanks to this auto-control mechanism, the system can predict its own mistakes and adjust the video quality and the period of the surveillance process according to the rate of these mistakes. The YOLOv3 network model is used for object recognition in the system. The Euclidean distance formula was used for object tracking. Within the scope of the study, the object recognition success of the proposed system was calculated and the results obtained without the auto-control mechanism were compared with the experimental results of the proposed system. It has been observed that the proposed system gives optimal results in terms of network resource usage and success rates