SmartEye Multi-Cam Tracker

Proje Türü: Güvenlik Teknolojileri / Bilgisayarlı Görü Ar-Ge Projesi
Rol: Sistem Mimarı ve Geliştirici
Teknolojiler: Derin Öğrenme (FaceNet/ArcFace, YOLOv8/MediaPipe), Vektör Veritabanları, Dağıtık Sistemler, Gerçek Zamanlı Video Analizi, Python/C++, Kafka/Redis, WebRTC/RTSP

Proje Özeti

Günümüz güvenlik senaryolarında, alışveriş merkezleri, hastaneler, havalimanları ve kamu binaları gibi kritik tesislerde, belirli bir kişinin hareketlerinin izlenmesi ve analiz edilmesi büyük önem taşımaktadır. Bu proje kapsamında, bir kişiye ait yüz veya beden görselinin sisteme yüklenmesiyle; o kişiyi tüm bağlı kameralar üzerinden gerçek zamanlı olarak tespit eden, bölüm değiştirse dahi sürekli takip edebilen ve geçmiş video kayıtları üzerinde detaylı hareket analizi yapabilen kapsamlı bir görüntü işleme ve yapay zeka sistemi geliştirdim.

Projenin temel amacı, güvenlik personelinin manuel olarak saatler süren kayıt izleme sürecini tamamen otomatize ederek, anlık tehdit tespiti ve adli analiz yeteneklerini bir araya getirmektir.

1. Problemin Tanımı ve Proje Motivasyonu

Geleneksel güvenlik izleme sistemleri, insan operatörlerin çoklu ekranları sürekli izlemesine dayanır. Bu yaklaşım:

• Yüksek oranda insan hatasına açıktır,

• Operatör yorgunluğu nedeniyle kritik anların kaçırılmasına neden olur,

• Geçmiş kayıtlarda belirli bir kişiyi bulmak saatler süren manuel tarama gerektirir,

• Birden fazla kamera arasında kişi takibi yapmak neredeyse imkansızdır.

Bu projede, bu sorunları ortadan kaldıran, yapay zeka ve bilgisayarlı görü teknolojilerini bir araya getiren uçtan uca bir izleme ve analiz platformu geliştirdim.

2. Sistem Mimarisi ve Teknik Yaklaşım

Geliştirdiğim sistem, dört ana katmandan oluşmaktadır:

a) Veri Toplama ve Enjeksiyon Katmanı
Sisteme bağlı tüm IP kameralardan (RTSP/WebRTC protokolleri ile) gerçek zamanlı video akışları alınır. Bu akışlar, merkezi bir mesaj kuyruğu (Apache Kafka) üzerinden işleme katmanına iletilir. Aynı zamanda, tüm kamera kayıtları merkezi bir depolama havuzuna (NAS/SAN) arşivlenir.

b) Yapay Zeka Tespit ve Tanıma Katmanı
Video akışı üzerinde iki aşamalı bir işleme gerçekleştirilir:

• Ön Tespit (Detection): YOLOv8 tabanlı bir model ile video karelerinde insan varlığı tespit edilir. Tespit edilen her bir kişi için bounding box (çerçeve) çıkarılır.

• Yüz Tanıma (Recognition): Tespit edilen yüz bölgeleri, ArcFace/FaceNet tabanlı bir derin öğrenme modeli ile 512 boyutlu bir vektör (embedding) uzayına haritalanır. Bu vektörler, kişiye özgü bir "yüz imzası" olarak kabul edilir.

c) Veritabanı ve Eşleştirme Katmanı
Elde edilen yüz imzaları, iki farklı amaçla kullanılır:

• Gerçek Zamanlı Eşleştirme: Aranan kişiye ait görsel, sistem yüklendiğinde aynı embedding modeli ile vektöre dönüştürülür. Bu vektör, tüm kameralardan gelen canlı akıştaki yüz vektörleri ile miliseconds seviyesinde karşılaştırılır (kNN / FAISS tabanlı vektör benzerlik araması).

• Geçmiş Analiz: Tüm tarihsel kayıtlardan çıkarılan yüz vektörleri, bir vektör veritabanında (ör. Milvus/Pinecone) indekslenir. Aranan kişi vektörü, bu veritabanında taranarak geçmişte hangi kameralarda, hangi zaman dilimlerinde göründüğü tespit edilir.

d) Takip ve Raporlama Katmanı
Eşleşme başarılı olduğunda:

• Gerçek Zamanlı Takip: Çoklu kamera senkronizasyonu ile kişi, bulunduğu bölümden çıkıp başka bir alana geçse dahi sistem tarafından otomatik olarak takip edilir. Bu, kameranın görüş alanından çıkan kişinin, başka bir kamerada yeniden tespit edildiğinde aynı kişi olduğunun anlaşılması ve izlemenin kesintisiz devam etmesi ile sağlanır.

• Zaman Haritası: Geçmiş analizler sonucunda kişinin hangi saatlerde hangi noktalarda bulunduğunu gösteren interaktif bir zaman-mekan haritası oluşturulur.

• Anlık Uyarı: Güvenlik personeline masaüstü/mobil bildirim ile anlık olarak "Kişi X, A Bölgesi, Kamera 3'te tespit edildi" şeklinde uyarı gönderilir.

3. Geliştirilen Temel Özellikler

Proje kapsamında aşağıdaki işlevsellikler sıfırdan tasarlanıp geliştirilmiştir:

4. Teknik Zorluklar ve Çözümleri

Proje boyunca karşılaşılan başlıca teknik zorluklar ve geliştirdiğim çözümler:

a) Değişken Işık ve Açı Koşulları
Kameralar farklı aydınlatma ve açılarda çalıştığından yüz tanıma başarısı düşebilmektedir. Bu sorunu aşmak için, eğitim setini çeşitlendiren ve ışık/poz varyasyonlarına dayanıklı bir embedding modeli fine-tune ettim. Ayrıca, yüz ön işlemede histogram eşitleme ve gama düzeltmesi gibi ön işleme teknikleri entegre ettim.

b) Yüksek Hızlı Eşleştirme İhtiyacı
On binlerce kameradan gelen akışta, saniyede milyonlarca yüz vektörünün karşılaştırılması gerekir. Bu problemi, vektörleri FAISS (Facebook AI Similarity Search) ile yüksek hızlı indeksleyerek ve GPU tabanlı paralel hesaplama kullanarak milisaniye seviyesinde yanıt sürelerine indirdim.

c) Aynı Kişinin Farklı Zamanlardaki Görünüm Farklılıkları
Kişinin sakal, saç, gözlük gibi görsel değişkenlikleri tanımayı zorlaştırabilir. Bu durumu yönetmek için, zaman içinde aynı kişiye ait birden fazla embedding vektörünü saklayan ve dinamik olarak güncelleyen bir "kişi profili" yönetimi geliştirdim.

d) Veri Gizliliği ve Güvenlik
Hassas kişisel verilerin işlenmesi nedeniyle, sistemde uçtan uca şifreleme, rol tabanlı erişim kontrolü (RBAC) ve GDPR/KVKK uyumlu veri anonimizasyonu politikaları hayata geçirdim. Tüm yüz vektörleri, hash'lenmiş ve tersine mühendislik ile orijinal görüntüye dönüştürülemeyecek şekilde saklanmaktadır.

5. Kullanım Senaryoları ve İş Akışları

Geliştirdiğim sistem, aşağıdaki gerçek dünya senaryolarında kullanılabilecek şekilde tasarlanmıştır:

6. Performans ve Test Sonuçları

Proje kapsamında yapılan testlerde elde edilen kritik metrikler:

7. Gelecek Geliştirme Hedefleri

Projenin mevcut başarısının ardından, aşağıdaki ileri teknolojileri entegre etmeyi planlıyorum:

• Beden ve Yürüyüş Analizi Entegrasyonu: Yüzün görülmediği durumlar için vücut yapısı ve yürüyüş biyometrisi ile eşleştirme yeteneği.

• Davranış Anomalisi Tespiti: Sadece kişiyi bulmak değil, aynı zamanda şüpheli davranış kalıplarını (durma, koşma, etrafı izleme) otomatik olarak algılama.

• Yapay Zeka ile Rota Tahmini: Kişinin mevcut rotasına göre bir sonraki olası konumunu tahmin eden öngörücü model.

• Mobil Uyum: Güvenlik personelinin saha içinde mobil cihazlarından sisteme erişebilmesi ve anlık uyarılar alabilmesi.

Proje Sonucu ve Değerlendirme

Bu proje, güvenlik alanında görüntü işleme teknolojilerinin nasıl dönüştürücü bir güç olabileceğini gösteren somut bir çalışma olmuştur. Geliştirdiğim çoklu kamera izleme ve analiz sistemi:

• Güvenlik personelinin iş yükünü önemli ölçüde azaltmakta,

• İnsan hatasını minimize ederek kritik tespitlerin kaçırılmasını engellemekte,

• Geçmişe yönelik adli analizleri saatlerden saniyelere indirmekte,

• Tüm kameraları tek bir akıllı göz haline getirmektedir.

Geleceğin güvenlik sistemleri, yalnızca kaydeden değil; anlayan, analiz eden ve karar veren sistemler olacaktır. Bu proje, bu vizyonun güçlü bir adımıdır.

Proje Teknik Detayları (Hızlı Bakış)