The interactions between humans and unmanned aerial vehicles (UAVs), whose applications are increasing in the civilian field rather than for military purposes, are a popular future research area. Human–UAV interactions are a challenging problem because UAVs move in a three-dimensional space. In this paper, we present an intelligent human–UAV interaction approach in real time based on machine learning using wearable gloves. The proposed approach offers scientific contributions such as a multi-mode command structure, machine-learning-based recognition, task scheduling algorithms, real-time usage, robust and effective use, and high accuracy rates. For this purpose, two wearable smart gloves working in real time were designed. The signal data obtained from the gloves were processed with machine-learning-based methods and classified multi-mode commands were included in the human–UAV interaction process via the interface according to the task scheduling algorithm to facilitate sequential and fast operation. The performance of the proposed approach was verified on a data set created using 25 different hand gestures from 20 different people. In a test using the proposed approach on 49,000 datapoints, process time performance of a few milliseconds was achieved with approximately 98 percent accuracy.

Özet-Görüntü iĢleme, dijital ortamdaki görüntüler üzerinde bir amaç doğrultusunda gerekli analizler veya değiĢikliklerin yapılmasına yönelik çalıĢmaları kapsamaktadır. Son zamanlarda görüntü iĢleme tekniklerinden en çok kullanılanlardan biri de ortak sahneleri içeren resimler üzerinde iĢlem yapan ve bunları çakıĢtırarak birleĢtiren görüntü mozaikleme iĢlemidir. Bu çalıĢmada kendi kameramızdan elde ettiğimiz görüntüler üzerinde MATLAB ortamında görüntü mozaikleme iĢlemi gerçekleĢtirilmiĢtir. Görüntü mozaikleme için, özellik tabanlı görüntü mozaiklemenin temel adımları olan anahtar noktaların tespiti, bu noktaların eĢleĢtirilmesi, hatalı eĢleĢmelerin elenmesi ve homografi tahmini uygulanmıĢtır. Uygulamada özellik çıkarımı için SIFT algoritması seçilmiĢ, elde edilen homografi matrisi yardımı ile gerekli dönüĢüm iĢlemleri uygulanarak görüntü mozaikleme iĢlemi gerçekleĢtirilmiĢtir. Mozaikleme iĢleminin kalitesini artırmak adına optimizasyon yöntemi olan genetik algoritmadan yararlanılmıĢtır. Uygulamada giriĢ görüntü sayıları ve mozaikleme parametreleri farklı seçilerek çeĢitli karĢılaĢtırma iĢlemleri yapılmıĢtır.Anahtar Kelimeler-Genetik algoritma, Görüntü iĢleme, Görüntü mozaikleme, Optimizasyon. Optimization Based Adaptive Image Mosaicing AlgorithmAbstract-Image processing involves studies to make necessary analyzes or changes in an image aimed at digital images. One of the most recent use of image processing techniques is image mosaicking, which processes and combines images containing common scenes. In this study, we performed image mosaicing in the MATLAB environment on the images we acquired from our own camera. The key steps for feature-based image mosaicking which are detection of key points, matching of these points, elimination of mismatches and homography estimation are applied for image mosaicing. In the application, the SIFT algorithm was selected for feature extraction and image transformation was performed with the help of the obtained homography matrix. In order to increase the quality of the mosaic process, genetic algorithm, which is an optimization method, has been used. Various comparisons were performed by taking different input counts and by choosing different image mosaicing parameters.

Öz: Günlük hayatta kullanılan teknolojilere olan ihtiyaçların artmasıyla birlikte bu teknolojilerden biri olan İnsansız Hava Araçları (İHA) kullanımı da oldukça yaygınlaşmaktadır. İHA'lar üzerindeki teknolojik gelişme ve yenilikler İnsan-İHA etkileşimi konusunu ön plana çıkarmıştır. Bu çalışmada İnsan-İHA etkileşimi ve kontrolü sağlamak için giyilebilir akıllı bir eldiven tasarımı önerilmiştir. Gerçekleştirilen eldiven tasarımının temel yapısında; esneklik sensörleri(İvme Ölçer, Gyro, Pusula ve Yükseklik Sensörü) içeren IMU sensör ünitesi ve Arduino Uno gibi donanımlar kullanılarak el hareketlerini tanıma işlemi gerçekleştirilmiştir. Geliştirilen uygulama çatısı, el hareketlerine karşılık gelen değerlerin hangi eksen yönünde hareket olduğunu tespit etmekte ve hareketlere karşı oluşan sinyallerin tespiti noktasında kolaylık sağlamıştır. El hareketinin tespiti için 20 farklı kişiden örnekler alınarak bir veri seti oluşturulmuştur. Oluşturulan veri seti üzerinden sınıflandırma işlemi yapılarak el hareketi türleri belirlenmiştir. Sınıflandırmanın doğruluk oranı %96,8 olarak tespit edilmiştir. Elde edilen hareket sinyallerinin, Unity ortamında tasarladığımız İHA simülasyonu üzerinden test işlemi başarıyla gerçekleştirilmiştir. Sensörlerden alınan sinyaller ve geliştirdiğimiz uygulama çatısı ile hesaplamalar sonucunda elde edilen hareket verileri gerçek zamanlı olarak İHA simülasyonuna gönderilmiş ve İHA kontrol hareketlerinin, el hareketlerince belirlenen komutlara doğru cevaplar verdiği gözlemlenmiştir.