Yılmaz, AtınçErkartal, Reşat Buğra2026-01-312026-01-312025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=CtwiQkYvArAb95Ufpfs_vi2zYur9RZIM8s8nyILJJREle7FzbT0BjPQpiSyR63Gchttps://hdl.handle.net/20.500.12662/10126Otonom araç teknolojileri geliştikçe, dinamik trafik ortamlarında güvenliği sağlamak için güvenilir algılama ve yanıt mekanizmalarına duyulan ihtiyaç kritik hale gelmektedir. Bu çalışma, tek kamera girişi kullanarak araç çarpışmalarını gerçek zamanlı olarak tespit ve tahmin etmek için R-CNN, Kalman Filtresi, Gizli Markov Zinciri ve Yapay Sinir Ağı ile geliştirilmiş yeni bir hibrit model sunmaktadır. Sistem, video akışlarında nesne tespiti ve çoklu nesne takibi gerçekleştirmekte, modifiye edilmiş bir Kalman Filtresi aracılığıyla olasılıksal hareket tahmini uygulamakta ve Gizli Markov Zinciri ile Yapay Sinir Ağı'nın hibrit yaklaşımını kullanarak durum geçişlerini iyileştirmektedir. Önerilen mimari, tespit doğruluğunu önemli ölçüde artırmakta ve hızlı hareket altında gecikmeyi azaltmaktadır; bu da geleneksel filtreleme tekniklerinin sınırlamalarını tekrar göz önününe alınması gerekliliğini ortaya koymaktadır. Model CARLA simülasyonu, video görüntüleri ve gerçek zamanlı olarak test edilmiş ve gerçekleştirilen deneyler yüksek etkinlik göstermekte olup video analizinde %94.5 tespit doğruluğu ve gerçek zamanlı uygulamada %91.2 doğruluk sağlamaktadır. ANN entegrasyonu, tespit gecikmesinde 0.5 saniyelik bir azalma sağlamış olup, bu da ortalama insan tepki süreleri göz önüne alındığında kritik bir iyileştirme sağlamaktadır. Bu sonuçlar, derin öğrenmenin olasılıksal modelleme ile birleştirilmesinin zamansal olarak göz ardı edilebilecek bir artışa neden olsa da tespit tutarlılığında daha verimli sonuçlar elde etmektedir.As autonomous vehicle technologies advance, the need for reliable perception and response mechanisms to ensure safety in dynamic traffic environments is becoming critical. This work presents a novel hybrid model, combining R-CNN, a Kalman Filter, a Hidden Markov Model (HMM), and an Artificial Neural Network (ANN), to detect and predict vehicle collisions in real-time using a single camera input. The system performs object detection and multi-object tracking in video streams, applies probabilistic motion prediction via a modified Kalman Filter, and enhances state transitions using a hybrid approach of the HMM and ANN. The proposed architecture significantly increases detection accuracy and reduces latency under rapid motion, addressing the limitations of traditional filtering techniques. The model was tested in the CARLA simulation, on video footage, and in real-time. The conducted experiments demonstrate high efficacy, achieving 94.5% detection accuracy in video analysis and 91.2% accuracy in the real-time application. The ANN integration resulted in a 0.5-second reduction in detection latency, a critical improvement when considering average human reaction times. These results suggest that combining deep learning with probabilistic modeling, despite introducing a negligible temporal overhead, yields more efficient outcomes in terms of detection consistency.trinfo:eu-repo/semantics/openAccessBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolComputer Engineering and Computer Science and ControlDoctoral Thesis771985046