Show simple item record

dc.contributor.authorUrfalıoğlu, Onayen_US
dc.contributor.authorSoyer, Emin B.en_US
dc.contributor.authorTöreyin, B. Uğuren_US
dc.contributor.authorÇetin, A. Enisen_US
dc.coverage.spatialAydın, Turkey
dc.date.accessioned2016-02-08T11:37:08Z
dc.date.available2016-02-08T11:37:08Z
dc.date.issued2008-04en_US
dc.identifier.urihttp://hdl.handle.net/11693/26831
dc.descriptionDate of Conference: 20-22 April 2008
dc.descriptionConference name: IEEE 16th Signal Processing, Communication and Applications Conference, SIU 2008
dc.description.abstractBu bildiride, tek bir pasif kızılberisi sensörü (PIR) kullanarak beş farklı insan hareketi ve bir hareketsiz arkaplan gürültüsünden oluşan toplam 6 çeşit olay için bir sınıflandırma yöntemi önerilmiştir. Otomatik olay sınıflandırma sistemleri, dinamik süreçler barındıran ortamlar için yeni uygulamalara fırsat vermektedir. Olay sınıflandırması, herhangi bir sensör ya da sensör dizisinden gelen işaretlerin analiz edilerek, belirli bir olaya ait dinamik süreçle eşleştirilmesi olarak tanımlanabilir. Genelde, insan etkinliklerinin izlenmesi uygulamalarında kamera ve mikrofonlar kullanılmaktadır. Bir alternatif veya bir tümleyici yaklaşım olarak, bahsi geçen uygulamalarda PIR sensörleri de kullanılabilir. Bu bildiride, olay sınıflandırılması için Bayes yaklaşımına dayalı olan şartlı Gauss karışım modeli (CGMM) kullanımı önerilmektedir. Deneysel çalışmalarda, bu yaklaşımın başarılı olduğu görülmüştür.
dc.description.abstractIn this paper, we use a modified Passive Infrared Radiation or Pyroelectric InfraRed (PIR) sensor to classify 5 different human motion events with one additional 'no action' event. Event detection enables new applications in environments hosting dynamic processes. Typical event detection applications are based on audio or video sensor data. Given a data stream, often the task is to find or classify specific dynamic processes. Most of the applications for the monitoring of human activities in an environment are based on video sensor data. As an alternative or complementary approach, low cost PIR sensors can be used for such applications. The classification is done by a bayesian approach using Conditional Gaussian Mixture Models (CGMM) trained for each class. We show in experiments that using PIR-sensors, different human motion events in a room can be successfully detected. ©2008 IEEE.
dc.language.isoTurkishen_US
dc.source.titleIEEE 16th Signal Processing, Communication and Applications Conference, SIU 2008en_US
dc.relation.isversionofhttp://dx.doi.org/10.1109/SIU.2008.4632611en_US
dc.subjectBayesian approachesen_US
dc.subjectData streamsen_US
dc.subjectDynamic processesen_US
dc.subjectEvent classificationsen_US
dc.subjectEvent detectionsen_US
dc.subjectGaussian Mixture modelsen_US
dc.subjectHuman activitiesen_US
dc.subjectHuman motionsen_US
dc.subjectLow costsen_US
dc.subjectNew applicationsen_US
dc.subjectPir sensorsen_US
dc.subjectPyroelectric infrared sensorsen_US
dc.subjectVideo sensorsen_US
dc.subjectAnimal cell cultureen_US
dc.subjectApplicationsen_US
dc.subjectBayesian networksen_US
dc.subjectInfrared radiationen_US
dc.subjectSignal processingen_US
dc.subjectSensorsen_US
dc.titleİnsan hareketlerinin PIR-sensör tabanlı bir sistemle sınıflandırılmasıen_US
dc.title.alternativePIR-sensor based human motion event classificationen_US
dc.typeConference Paperen_US
dc.departmentDepartment of Electrical and Electronics Engineeringen_US
dc.citation.spage[1]
dc.citation.epage[4]
dc.identifier.doi10.1109/SIU.2008.4632611en_US
dc.publisherIEEE
dc.contributor.bilkentauthorÇetin, A. Enis


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record