Today, public areas, such as airports, hospitals, city centers are monitored by surveillance systems. The widespread use of surveillance systems reduces security concerns while creating an amount of video data that cannot be examined by people in real-time. Therefore, the concept of automatic understanding of video activities has raised the standards of security camera systems. In this thesis, a framework (OF-ConvAE-LSTM) is proposed to detect anomalies using Convolutional Autoencoder and Convolutional Long Short-Term Memory in an unsupervised manner. Besides the deep learning model, the feature extraction stage based on dense optical flow is applied in the framework to obtain the velocity and direction information of foreground objects. The experiments were carried out on three popular public datasets consisting of Avenue, UCSD Ped1, and UCSD Ped2. The experimental results have shown that the proposed framework models the complex distribution of the pattern of regular motion changes with high accuracy. Besides, this method was observed to outperform in terms of Area Under The Curve (AUC) values against state-of-the-art approaches based on unsupervised and semi-supervised deep learning models.

Günümüzde havaalanları, hastaneler, şehir merkezleri gibi kamuya açık alanlar gözetim sistemleri tarafından görüntülenmektedir. Gözetim sistemlerinin yaygın kullanımı ise güvenlik kaygılarını azaltırken, bununla birlikte gerçek zamanlı olarak insanlar tarafından incelenemeyecek boyutlarda video verisi oluşturmaktadır. Bu sebeple videolarda yer alan eylemlerin otomatik olarak analiz edilmesi güvenlik kamera sistemlerinin standartlarını yükseltmektedir. Tez çalışmasında, videolarda gözetimsiz bir şekilde normal olmayan eylem tespiti yapabilmek için Evrişimsel otokodlayıcı (Convolutional Autoencoder) ve Evrişimsel uzun-kısa süreli bellek (Convolutional Long Short-Term Memory) kullanan bir çerçeve (OF-ConvAE-LSTM) geliştirilmiştir. Derin öğrenme modelinin yanı sıra çerçevede optik akış yöntemi video ön plan nesnelerinin hareket ve hız bilgilerinin elde edilmesi için uygulanmıştır. Deneyler iyi bilinen üç veri kümesi olan Avenue, UCSD Ped1 ve UCSD Ped2 üzerinde gerçekleştirilmiştir. Deneysel sonuçlar, önerilen çerçevenin düzenli hareket değişimlerinin karmaşık dağılımını yüksek doğrulukla modellediğini göstermiştir. Ayrıca, önerilen yöntemin gözetimsiz ve yarı gözetimli derin öğrenme modellerine dayanan son teknoloji yaklaşımlardan eğri altındaki alan (EAA) metriğine göre daha iyi performans gösterdiği gözlemlenmiştir.