TARIFNAME ç0K YÜKSEK ÇÖZÜNÜRLÜKLÜ ARDISIK SAYISAL GÖRÜNTÜLERDE ç0K SAYIDA HAREKETLI NESNENIN GERÇEK ZAMANLI TESPITI, IZLENMESI, TANIMLANMASI VE SINIFLANDIRILMASI TEKNIK ALAN Bulus; görüntü isleme, bilgisayarla görü alaninda yapilmis bir bulustur. Bu bulus kapsaminda, çok yüksek çözünürlüklerdeki ardisik sayisal görüntülerde gerçek zamanli hareketli nesnelerin tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi için zamanla kendini gelistirebilme yetenegi olan derin yapay sinir aglari gibi Yapay Zeka teknolojilerini kullanan yeni bir teknik gelistirilmistir. Gelistirilen teknik ile çok yüksek çözünürlüklü renkli, renksiz her türlü ardisik sayisal görüntüler gerçek zamanli olarak islenebilmekte, görüntülerdeki birden çok hareketli nesne tespit edilebilmekte, izlenebilmekte, tanimlanabilmekte ve siniflandirilabilmektedir. Gelistirilen teknik ile sayisal görüntülerdeki hareketli olan bölgeyi Kalman filtresini kullanarak tüm ayrintilari tespit edip ana görüntüden tüm detaylari ile ayristirir, bu hareketli bölgeler zamanla kendisini gelistirebilme yetenegi olan derin yapay sinir aglari gibi Yapay Zeka teknolojilerini kullanarak hareketli bölgeleri analiz eder. Görüntülerde hareket olmayan bölgeleri isleme almayarak sistem gereksinimlerini azaltirken islem hizini arttirir. Bu nedenle gelistirilen teknik ile hareketli nesnelerin tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi etkin bir sekilde, yüksek dogruluk orani ile gerçek zamanli olarak yapilir. Yapay Zeka teknolojilerini kullanilarak gelistirilen bu teknik sayesinde çok yüksek çözünürlüklü renkli, renksiz her türlü ardisik sayisal görüntüler tüm ayrintilari ile gerçek zamanli olarak islenebilmekte, görüntülerdeki birden çok hareketli nesne tespit edilebilmekte, izlenebilmekte, tanimlanabilmekte ve siniflandirilabilmektedir. ÖNCEKI TEKNIK CN109614906 numarali patent dokümaninda derin ögrenmeyle güvenlik ve koruma alarm teknigine dayali güvenlik ve koruma sistemi patentinde derin ögrenme algoritmalarini kullanir. Görüntülerdeki her kare agirlikli ortalama degeri kullanarak arka plan modellemesi gerçeklestirerek görüntü bilgisinden hareketli nesneyi tespit yapar. Nesneleri tanimlar, hareketli nesne listedeki nesne ise alarm üretir. CN numarali patent dokümaninda Hareketli nesne bilgi etiketleme teknigi ve cihazi, elektronik ekipman ve depolama ortami adli patentte bir görüntü karesindeki hareketli nesneleri etiketlemek için bir hareketli nesne bilgisi etiketleme teknigi olup, asagidakileri içerir: her hareket noktasinda her hareketli nesnenin her konumlandirma cihazi tarafindan gönderilen hareket bilgisinin, nesne tanimlama kodu ve cografya Konum bilgisini içeren hareket bilgisinin alinmasi; zaman yakalayan ve çekim konum bilgisi olan bir görüntü elde etmek; çekim süresi elde edildiginde hareketli nesnenin (Ol) nesne tanimlama kodunun, çekim konumu bilgisinin önceden belirlenmis bir mesafe içinde elde edilmesi; hareketli nesne 01`e göre nesne tanimlama kodunun elde edilmesi Hareketli nesne Ol'i'n bilgi notu; görüntünün hareketli nesnenin 01 ek açiklama bilgisi ile bir iliskisinin kurulmasidir. CN numarali patent dokümaninda bir araç ve yaya tanimlama teknigi patenti, asagidakilerle karakterize edilen bir araç ve yaya tanimlama teknigini açiklar: yöntem, asagidaki adimlari içerir: üç boyutlu bir kamera, bir alandaki hareketli nesnelerin görüntülerini sürekli olarak toplar; Adim 2: Görüntü ön isleme modülü, toplanan hareketli nesne görüntüsünü dengeler; görüntü isleme modülü bu hareketli nesne görüntüsünde özellik çikarma islemini gerçeklestirir ve özellikleri özellik vektörlerine birlestirir; görüntü analizi ve eslestirme modülü, özellik vektörüne göre analiz etme ve eslestirme yapar; bu görüntü tanima modülünün analiz sonucuna göre tanima gerçeklestirdigini; Adim 6: Ekran modülü, görüntü tanima sonucunu sezgisel olarak isaretler. Bulus tarafindan saglanan araç ve yaya tanimlama teknigi, hareketli hedefin dogru bir sekilde konumlandirilmasi yoluyla aracin ve yayanin tanimlanmasini otomatik ve net bir sekilde tamamlayabilir, tasitin dogrulugunu etkili bir sekilde arttirir ve karmasik ortamdaki yaya tanimlamasini büyük ölçüde azaltir. CN109478333 patent dokümaninda Bir hedef tespit teknigi ve cihazi ve görüntü isleme aparati. Hedef tespit teknigi asagidakileri içerir: ilk karede bir izleme hedefi elde etmek için bir ilk karede görüntüye dayali hedef tanimlamanin gerçeklestirilmesi; izleme hedefini ikinci bir çerçevede izlemek; ikinci karede hareketli nesne algilamasinin gerçeklestirilmesi ve hareket eden nesne tespitinin ve hedef izlemenin sonuçlarina göre, ikinci çerçevedeki hedeflerin izlenmesinin belirlenmesi. Bu sekilde, mevcut bulus, hedef tanimlamanin dogrulugunu saglar ve Video islemede hedef tanimlamanin hesaplama yükünü azaltir, böylece yüksek islem hizi gereksinimine sahip gerçek zamanli görüntü isleme için uygulanabilir. 2015 04906 tescil numarali Türk patent dokümaninda Bir kameradan alinan sayisal görüntülerden görüntü alanindaki hareketli nesne ya da nesneleri zeminden ve diger nesnelerden ayirt ederek tespit ve takip eder. Tespit edilen nesne ya da nesnelerin koordinatlarini ve agirlik merkezlerini belirler. Tespit edilen, koordinatlari ve agirlik merkezleri belirlenen nesneleri kullanici ekrandaki görüntü üzerinde birer çerçeve içine alarak merkez noktalarini isaretleyerek belirtir. Böylelikle tespit edilen nesnenin kullanici açisindan fark edilebilirligi ve takibini kolaylastirir. Tespit ettigi nesne ya da nesnelerin koordinatlarini ve agirlik merkezleri bilgilerini bilgisayar ortaminda kayit defterine kayit eder. Nesne hareketlerinin kayit edilmesi tespit ve takip edilen nesne ya da nesnelerin rota bilgisinin çikartilmasini saglar. Tespit ve takip edilen nesnenin geçmis hareket bilgisinin kayit etmesi sayesinde nesne olagan hareketi disinda bir hareket yaptiginda tespit edilmesine olanak saglar. Ayrica geçmis rota bilgisinin bilinmesiyle hareketli nesnenin gelecek konum tespiti yapilmasina imkan saglar. Hareketli nesnenin gelecek konum tespitinde tahmin algoritmalarinin kullanilmasina olanak tanir. Hareketi tespit edilen ve takibe alinan nesnenin koordinatlari ve agirlik merkezi bilgilerini denetleyiciye kablolu veya kablosuz iletim yollari ile aktarir. Denetleyici kendisine özgü yazilimi ile hareketli nesne tespiti ve takibi yazilimindan gelen koordinat ve agirlik merkezi bilgilerini isleyerek bir sistemin çalistirilmasi ve denetlemesini yapar. durum edinim ünitesi, fark yöntemine dayali tespit ünitesi ile dalgalarin periyodik degisiminin ortalamasinin alinmasiyla bir arka plan görüntüsü olusturulur ve ortalama görüntünü her piksel ile en son görüntü arasindaki farkin mutlak degeri üzerinde esik isleme gerçeklestirir. Siluet alti durum tespit ünitesi, doymus bir parlakliga sahip arka planda büyük ölçüde koyu bir parlakliga sahip olan bir nesneyi gösteren bir görüntüden ilgilenilen bir bölge olarak karanlik bir bölgeyi tespit eder. Böyle bir görüntü, günes isiginin dogrudan geldigi veya deniz yüzeyine yansitildigi ve Özellikle günesin pozisyonunun oldugu bir zamanda bir kameraya rastlandigi bir durumunda yakalanir. Karakteristik miktar bazli tespit ünitesi, sonuçlari entegre ederek izleyen birim ve tehdit degerlendirme birimi vardir. U sistemini kullanir. RML, nesnenin görüntülerde hareket ettigi algilanacak sekilde görüntü hareket modelinin tahminini saglamak için yapilandirilmis bir birinci alt sistemi içerir. Ek olarak, RML, görüntü verilerinde bulunan sahnede zaman içindeki degisikliklerin tahmin edilebilecegi sekilde, görüntülerdeki hareket modelinin tahminini saglamak için yapilandirilmis ikinci bir alt sistemi içerir. Yapilan bulus MovA olarak isimlendirilmistir. MovA, zaman içinde hareket modelini artan NLDR ögrenmesi için kullanilabilir. Ögrenme yöntemleri olarak Difüzyon Haritalari, Isomap ve Yerel Dogrusal Gömme (LLE) tekniklerini kullanmistir. enkazi veya hasari tespit etmek için, bir veya daha fazla kamera tarafindan yakalanan görüntülerden, havaalanindaki yabanci cismi veya hasari tespit etmek için gözetleme sistemidir. Gözetim sistemi, yakalanan görüntülerde yabanci bir nesne, döküntü veya hasar olabilen bir bölgeyi tespit etmek için bölge bazli bir detektör ve yakalanan görüntülerdeki tüm nesnelerin kenarlarini algilamak için kenar bazli bir detektör olup, burada görüntülerde kenar bazli detektör tarafindan tespit edilen kenarlarla üst üste binen bölge bazli detektör tarafindan tespit edilen bölge saklanir. Bir veya daha fazla kamera tarafindan yakalanan görüntüler birbiri ile birlestirilir ve daha önce yakalanan birlestirilmis görüntüler ile daha sonra yakalanan birlestirilmis görüntüler arasindaki farklar, belirlenir. Görüntülerde yabanci bir nesne, enkaz veya hasar olabilen bir bölgeyi tespit etmek için bölge bazli bir tespit; yakalanan görüntülerdeki tüm nesnelerin kenarlarini algilamak için kenar tespit algoritmalari tarafindan görüntülerde kenarlar tespit edilir. Bölge bazli detektör tarafindan tespit edilen bölgeler saklanir. Bir veya daha fazla kamera tarafindan yakalanan görüntüler birbiri ile birlestirilir ve daha önce yakalanan birlestirilmis görüntüler ile daha sonra yakalanan birlestirilmis görüntüler arasindaki farklar tespit edilir. Silah çarpma gözetleme sistemi, silah etkisini tespit ettiginde görsel veya sesli bir uyariyi tetikleyecek sekilde yapilandirilabilir. Bulus arka plani çikartarak belirli araliklarla güncelleyerek sahneye giren nesneleri tespit eder, arka plan ögrenimi için kenar haritasini kullanir. BULUSUN AMACI Bu bulusun amaci, herhangi bir sayisal kameradan daha önceden alinmis kayit edilmis ya da gerçek zamanli olarak alinmakta olan çok yüksek çözünürlüklü ardisik sayisal görüntülerden (101), Kalman filtresi ve zamanla kendisini gelistirebilme yetenegi olan derin yapay sinir aglari gibi Yapay Zeka teknolojilerini kullanan yazilim ve donanimdan olusan sistem (100) ile ayni anda birden çok hareketli nesnelerin gerçek zamanli tespitini (102) Kalman filtresi ileü, hareketli nesnelerin bulundugu yerlerden çözünürlügü degistirmeden küçük görüntülerin alinmasini (103), hareketli nesnelerin tanimlanmasini (104) ve çok sayida hareketli nesnenin, izlenmesinin, tanimlanmasinin ve siniflandirilmasinin kullanici arabirimi ile (105) gösterilmesidir. Bulusta, bahsedilen çok yüksek çözünürlüklü görüntüler, miyarlarca piksel içeren birden fazla kanaldan olusan çok yüksek çözünürlüklü ardisik sayisal görüntülerdir (101). SEKILLERIN AYRINTILI AÇIKLANMASI Bu bulusta çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi için bir teknik gelistirilmistir. Gelistirilen teknikte hareketli nesneleri hareketsiz nesnelerden ayristirmasi ve tanimlamasi teknigi sekillerle gösterilmistir. Sekil 1. Çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi tekniginin blok diyagrami verilmistir. Sekil 2. Çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi tekniginin, çok yüksek çözünürlüklü sayisal görüntülerde çok sayida hareketli nesneleri hareketsiz nesnelerden ayristirdigi görüntü görülmektedir. Sekillerdeki Referans Numaralarinin Açiklanmasi 100 Çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi sistem ve tekniginin genel sematik gösterimi 101 Çok yüksek çözünürlüklü ardisik sayisal görüntüler 102 Çok yüksek çözünürlüklü ardisik sayisal görüntülerdeki hareketli nesnelerin Kalman filtresi 103 Çok yüksek çözünürlüklü sayisal görüntülerden, tespit edilen hareketli nesnelerin bulundugu yerlerden çözünürlügü degistirmeden hareketli nesnelerin görüntülerinin alinmasi 104 Hareketli nesnelerin, derin yapay sinir aglari ile tanimlanmasi 105 Çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin, izlendigi, tanimlandigi ve siniflandirildigi ve gösterildigi kullanici arabirimi 201 Hareket eden bulut 202 Uçmakta olan uçak 203 Günes 204 Uçmakta olan helikopter 205 Uçan kus 206 Agaç 207 Ev 208 Hareket halinde otlamakta olan koyun 209 Hareket halinde otlamakta olan inek 210 Hareketsiz duran yoldan geçenleri izleyen inek 211 Hareket halinde gezen hindi 212 Hareket halinde gezen horoz 213 Hareket halinde gezen kaz 214 Karsidan karsiya geçen yaya 215 Kosan at 216 Yaya geçidinde yayalari bekleyen kamyon 217 Yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil 218 Bisikletçi 219 Paletli araç BULUSUN AÇIKLAMASI Bu bulusun amaci, herhangi bir sayisal kameradan daha önceden alinmis kayit edilmis ya da gerçek zamanli olarak alinmakta olan çok yüksek çözünürlüklü ardisik sayisal görüntülerden (101), Kalman filtresi ve zamanla kendisini gelistirebilme yetenegi olan derin yapay sinir aglari gibi Yapay Zeka teknolojilerini kullanan yazilim ve donanimdan olusan sistem (100) ile ayni anda birden çok hareketli nesnelerin gerçek zamanli tespitini (102), hareketli nesnelerin bulundugu yerlerden çözünürlügü degistirmeden küçük görüntülerin alinmasini (103), hareketli nesnelerin tanimlanmasini (104) ve çok sayida hareketli nesnenin, izlenmesini, tanimlanmasini ve siniflandirilmasinin kullanici arabirimi ile (105) gösterilmesi hakkindadir. Bulusta, bahsedilen çok yüksek çözünürlüklü görüntüler, miyarlarca piksel içeren birden fazla kanaldan olusan çok yüksek çözünürlüklü ardisik sayisal görüntülerdir (101). Mevcut yöntemlerde, sayisal kameradan alinan çok yüksek çözünürlüklü ardisik sayisal görüntülerin (101) gerçek zamanli islenmesi gerekiyorsa; bu görüntüler çok büyük (Sekil 2) oldugu için islemcilerin hiz ve kapasiteleri yetmemekte, faydali bilgilerin çikartilmasi uzun zaman almakta, dolayisi ile görüntülerin küçültülmesi gerekmektedir. Hatta bazen birkaç defa üst üste küçültme islemi uygulanmaktadir. Bu islemden sonra elde edilen görüntülerin çözünürlügü düstügü için pek çok önemli bilgiler yitirilmekte, nesneleri ifade eden piksel sayilari ya çok azalmakta ya da tamamen kaybolmakta, dolayisi ile faydali bilginin çikartilmasi mümkün olmamaktadir. Bunun sonucu olarak tespiti, izlenmesi, tanimlanmasi ve siniflanmasi gereken hareketli nesneler ya hiç tespit edilememekte, ya da tespit edilirseler de görüntülerde barindirdiklari özellikleri kayip oldugundan yanlis olarak tanimlanmakta ve siniflandirilmaktadir. Mevcut yöntemlerde, bu sakincayi giderebilmek için gerçek zamanli olmayan (off-line) yöntemler kullanilmaktadir. Bu yöntemler de çok yüksek çözünürlüklü ardisik sayisal görüntüler (101) kaydedilerek çok güçlü ama bir o kadar da pahali sistemler çalistirilarak sonuçlar alinmaktadir. Ancak olaylarin gerçeklesmesinden çok sonra sonuçlarin alinmasi bazen anlamsiz olabilmekte, bazen de bir ise yaramamaktadir. Bu bulus kapsaminda, çok yüksek çözünürlüklerdeki ardisik sayisal görüntülerde gerçek zamanli hareketli nesnelerin tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi için zamanla kendisini gelistirebilme yetenegi olan derin yapay sinir aglari gibi Yapay Zeka teknolojilerini kullanan yeni bir teknik gelistirilmistir. Gelistirilen bu teknik ile çok yüksek çözünürlüklü ardisik sayisal görüntüler sayisal kameradan alinan görüntüleri veya veri tabani üzerine kaydedilmis çok yüksek çözünürlüklü sayisal görüntülerden (101), hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil plandan ve hareketsiz duran nesneler, günes (203), agaç (206), ev (207), hareketsiz duran yoldan geçenleri izleyen inek (210) ve yaya geçidinde yayalari bekleyen kamyon (216) gibi hareketsiz nesneleri çok yüksek çözünürlüklü ardisik sayisal görüntüleri kullanarak çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi teknigi (100) gelistirilmistir. Bulus kapsaminda gelistirilen çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi teknigiyle (100), çok yüksek çözünürlüklü ardisik sayisal görüntüler sayisal kameradan alinan görüntüleri veya veri tabani üzerine kaydedilmis çok yüksek çözünürlüklü sayisal görüntülerden (101), hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219), paletli araç (219) gibi hareketli nesnelerin, gerçek zamanli olarak çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi yapilmaktadir. Gelistirilen çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi teknigiyle (100), çok yüksek çözünürlüklü ardisik sayisal görüntüler sayisal kameradan alinan görüntüleri veya veri tabani üzerine kaydedilmis çok yüksek çözünürlüklü sayisal görüntüler (101) islenirken tüm görüntü ile ugrasilmaz. Zamanla kendisini gelistirebilme yetenegi olan derin yapay sinir aglari gibi Yapay Zeka teknolojilerini kullanarak, çok yüksek çözünürlüklü ardisik sayisal görüntüler sayisal kameradan alinan görüntüleri veya veri tabani üzerine kaydedilmis çok yüksek çözünürlüklü sayisal görüntüleri (101) bir önceki görüntü karesi ile mukayese ederek hareket eden bulut otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere agaç (206), ev (207), hareketsiz duran yoldan geçenleri izleyen inek (210) ve yaya geçidinde yayalari bekleyen kamyon (216) gibi hareketsiz nesnelerden ve arka plandan gerçek zamanli olarak ayristirilir. Islemci üzerinde çok yüksek çözünürlüklü ardisik sayisal görüntüler derin yapay sinir aglari ile hareketli nesnelerin tespiti (103) islem adiminda, ardisik görüntülerdeki hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelerin büyük, küçük sinirlamasi olmaksizin, çok yüksek çözünürlüklü ardisik sayisal görüntüler sayisal kameradan alinan görüntüleri veya veri tabani üzerine kaydedilmis çok yüksek çözünürlüklü sayisal görüntüler (101) var olan tüm hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otla ma kta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesneleri islemcide yürütülen Kalman filtresi ile tespit eder ve hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesneleri takibe alir. Islemci üzerinde çok yüksek çözünürlüklü ardisik sayisal görüntülerden hareketli nesnelerin derin yapay sinir aglari kullanilarak tanimlanmasi (104) islem adiminda, takip ettigi hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelere ait küçük görüntülerin hepsinin görüntüdeki tüm özellikleri ile alip tanimlamasini islemci üzerinde yürütülen derin yapay sinir aglari ile yapar ve tanimladigi nesneleri siniflandirir. Çok yüksek çözünürlüklü ardisik sayisal görüntülerden tespit edilen hareketli nesnelerin isaretlenerek elektronik cihaz üzerinde yürütülen bir ara yüz vasitasiyla kullaniciya gösterilmesi (105) islem adiminda da, tespitini, takibini ve tanimlamasini yaptigi hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesneleri isaretleyerek çerçeve içine alarak herhangi bir elektronik cihaz üzerinde yer alan ara yüz vasitasiyla kullaniciya gösterir. Tüm bu islemleri, çok yüksek çözünürlüklü ardisik sayisal görüntüler sayisal kameradan alinan görüntüleri veya veri tabani üzerine kaydedilmis çok yüksek çözünürlüklü sayisal görüntülerin (101) görüntü kalitesini degistirmeden sayisal kameradan alinan gerçek boyutlarini degistirmeden bulus kapsaminda gelistirilen teknik ile gerçek zamanli olarak gerçeklestirir. Böylelikle hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelerin tanimlanmasi ve siniflandirilmasinda yüksek dogruluk orani ile gerçeklestirilir. Hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelerin hareketli veya sabit kamera üzerinden alinan görüntüleri islemci üzerinde Kalman filtresi ve derin yapay sinir aglari ile islenerek tespit edilmektedir. Çok yüksek çözünürlüklü ardisik sayisal görüntüler sayisal kameradan alinan görüntüleri veya veri tabani üzerine kaydedilmis çok yüksek çözünürlüklü sayisal görüntülerin (101) islenmesi ve faydali bilginin çikartilmasi için kullanilan yöntemler tüm görüntü ile çalistiklari için sistem gereksinimleri yüksek, kurulum maliyetleri ve is yükü yüksektir. Bulusta gelistirilen teknikte, islemci üzerinde yürütülen derin yapay sinir aglari ile bütün görüntü yerine hareket eden bulut otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelere ait küçük görüntülerle çalisildigi için gerekli sistem gereksinimleri düsüktür, kurulum maliyetleri düsüktür, is yükü düsüktür. Hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelerin tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi islemci tarafindan Kalman filtresi ve derin yapay sinir aglari ile yapilarak gerçek zamanli ve sürekli olarak devam eder. geçidinde yayalari bekleyen kamyon (216) gibi hareketsiz nesneler ve arka plan dikkate alinmayacagi için gerçek zamanli olarak hassas bir sekilde hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelerin tanimlamasi yapilmaktadir. Hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelerin tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi gerçek zamanli ve sürekli olarak devam eder. Günes (203), agaç (206), ev (207), hareketsiz duran yoldan geçenleri izleyen inek (210) ve yaya geçidinde yayalari bekleyen kamyon (216) gibi hareketsiz nesneler dikkate alinmayacagi için gerçek zamanli hassas, hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelerin tanimlamasi ve siniflandirilmasi yapilmaktadir. Bulus konusu çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi tekniginde (100), hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelerin sayisinda sinir yoktur. Ardisik sayisal görüntülere sigabilen maksimim sayidaki hareket eden her türlü canli cansiz nesne örnegin (sekil 2) bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), hareketsiz duran yoldan geçenleri izleyen inek (210) ve yaya geçidinde yayalari bekleyen kamyon (216) gibi hareketsiz nesnelerden ve arka plandan gerçek zamanli olarak ayristirir. Çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi tekniginde (100), çok yüksek çözünürlüklü ardisik sayisal görüntüler sayisal kameradan alinan görüntüleri veya veri tabani üzerine kaydedilmis çok yüksek çözünürlüklü sayisal görüntülerdeki (101), küçük nesnelerin hareketlerini tespit edip ayristirarak küçük hareketli hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi nesnelerin de tespit edilmesini saglar. Çok yüksek çözünürlüklü ardisik sayisal görüntüler sayisal kameradan alinan görüntüleri veya veri tabani üzerine kaydedilmis çok yüksek çözünürlüklü sayisal görüntülerdeki (101) hareket eden bulut otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi nesnelere ait görüntüleri elde ederek hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otlamakta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelere ait bu görüntülerin tanimlama Islemi yaptigi için çok yüksek çözünürlüklü ardisik sayisal görüntüleri yüksek dogruluk orani ile yapar. Çok yüksek çözünürlüklü ardisik sayisal görüntülerde çok sayida hareketli nesnenin gerçek zamanli tespiti, izlenmesi, tanimlanmasi ve siniflandirilmasi teknigi (100), gerçek zamanli olarak görüntüye ait 0 bölgeyi, sayisal kameradan veya daha önceden kayit edilmis veri tabani üzerinde yer alan video görüntüsünden oldugu gibi tüm ayrintilari ile ayristirip alarak analiz ettigi için yüksek dogruluk oraninda islem yapar. Sadece hareket eden bulut (201), uçmakta olan uçak (202), uçmakta olan helikopter (204), uçan kus (205), hareket halinde otla ma kta olan koyun (208), hareket halinde otlamakta olan inek (209), hareket halinde gezen hindi (211), hareket halinde gezen horoz (212), hareket halinde gezen kaz (213), karsidan karsiya geçen yaya (214), kosan at (215), yaya geçidine yavas yavas ilerleyen durmak üzere olan otomobil (217), bisikletçi (218), paletli araç (219) gibi hareketli nesnelerin bulundugu görüntüye ait bölgeyi ayristirip görüntü küçültme islemi yapmadan sadece hareketli alana ait görüntüyü analiz ettigi için çok az sayidaki piksellerdeki degisimlere yani nesnelerin küçük hareketlerine de duyarlidir. Gelistirilen teknik görüntü küçültme islemi yapmadigi için veri kaybina neden olmaz yüksek dogruluk orani ile çalisir. TR TR TR DESCRIPTION REAL-TIME DETECTION, TRACKING, IDENTIFICATION AND CLASSIFICATION OF MANY MOVING OBJECTS IN HIGH RESOLUTION SEQUENTIAL DIGITAL IMAGES TECHNICAL FIELD Invention; Image processing is an invention made in the field of computer vision. Within the scope of this invention, a new technique that uses Artificial Intelligence technologies such as deep artificial neural networks with the ability to improve itself over time has been developed for real-time detection, tracking, identification and classification of moving objects in sequential digital images at very high resolutions. With the developed technique, all kinds of very high resolution colored and colorless consecutive digital images can be processed in real time, and multiple moving objects in the images can be detected, monitored, identified and classified. With the developed technique, it detects all the details of the moving region in the digital images using the Kalman filter and separates it from the main image with all the details. These moving regions are analyzed using Artificial Intelligence technologies such as deep artificial neural networks that have the ability to improve themselves over time. It increases processing speed while reducing system requirements by not processing areas where there is no movement in the images. Therefore, with the developed technique, detection, tracking, identification and classification of moving objects are done effectively in real time with a high accuracy rate. Thanks to this technique developed using Artificial Intelligence technologies, all kinds of very high resolution colored and colorless consecutive digital images can be processed in real time with all their details, and multiple moving objects in the images can be detected, monitored, identified and classified. PRIOR ART In the patent document numbered CN109614906, deep learning algorithms are used in the security and protection system patent based on security and protection alarm technique with deep learning. It detects moving objects from image information by performing background modeling using the weighted average value of each frame in the images. It identifies objects and generates an alarm if the moving object is the object in the list. In the patent document numbered CN, Moving object information labeling technique and device, electronic equipment and storage medium is a moving object information labeling technique for labeling moving objects in an image frame, and includes the following: the motion information sent by each positioning device of each moving object at each motion point. Receiving movement information including object identification code and geographic location information; obtaining an image with time capture and shooting location information; When the shooting time is obtained, obtaining the object identification code of the moving object (OL) and shooting position information within a predetermined distance; Obtaining object identification code according to moving object 01 Information note of moving object; It is the establishment of a relationship between the image and the 01 annotation information of the moving object. A vehicle and pedestrian identification technique patent in patent document number CN discloses a vehicle and pedestrian identification technique characterized by: the method comprising the following steps: a three-dimensional camera continuously collects images of moving objects in an area; Step 2: Image preprocessing module stabilizes the collected moving object image; the image processing module performs feature extraction on this moving object image and combines the features into feature vectors; image analysis and matching module analyzes and matches based on feature vector; This image recognition module performs recognition according to the analysis result; Step 6: The display module intuitively marks the image recognition result. The vehicle and pedestrian identification technique provided by the invention can automatically and clearly complete the identification of vehicle and pedestrian through accurate positioning of the moving target, effectively improving the accuracy of the vehicle and greatly reducing pedestrian identification in the complex environment. Patent document CN109478333 A target detection technique and device and image processing apparatus. The target detection technique includes: performing a first frame image-based target identification to obtain a tracking target in the first frame; tracking the tracking target in a second frame; performing moving object detection in the second frame and determining the tracking of targets in the second frame according to the results of moving object detection and target tracking. In this way, the present invention ensures the accuracy of target identification and reduces the computational burden of target identification in video processing, so that it can be applied for real-time image processing with high processing speed requirement. In the Turkish patent document with registration number 2015 04906, it detects and tracks the moving object or objects in the image field by distinguishing them from the ground and other objects from the digital images taken from a camera. It determines the coordinates and centers of gravity of the detected object or objects. The user indicates the detected objects, whose coordinates and centers of gravity are determined, by placing them in a frame on the image on the screen and marking their center points. Thus, it facilitates the detection and tracking of the detected object for the user. It records the coordinates and center of gravity information of the object or objects it detects in the computerized logbook. Recording object movements enables the route information of the detected and tracked object or objects to be extracted. By recording the past movement information of the detected and tracked object, it allows detection of the object when it moves outside its normal movement. It also allows determining the future location of the moving object by knowing the past route information. It allows the use of prediction algorithms in determining the future position of a moving object. It transfers the coordinates and center of gravity information of the object whose movement is detected and tracked to the controller via wired or wireless transmission. The controller operates and controls a system by processing the coordinates and center of gravity information coming from the moving object detection and tracking software with its unique software. The state acquisition unit creates a background image by averaging the periodic variation of the waves with the detection unit based on the difference method, and performs threshold processing on the absolute value of the difference between each pixel of the average image and the last image. The sub-silhouette detection unit detects a dark region as a region of interest from an image showing an object with a substantially dark luminance against a background of saturated brightness. Such an image is captured in a situation where sunlight is coming directly or is reflected on the sea surface and is encountered by a camera at a time when the position of the sun is particular. There is a characteristic quantity-based detection unit, a unit that integrates and monitors the results, and a threat assessment unit. It uses the U system. RML includes a first subsystem configured to provide estimation of the image motion pattern such that the object is detected as moving in the images. Additionally, RML includes a second subsystem configured to provide estimation of the motion pattern in images such that changes over time in the scene contained in the image data can be predicted. The invention was named MovA. MovA can be used to learn NLDR that increases the movement pattern over time. He used Diffusion Maps, Isomap and Local Linear Embedding (LLE) techniques as learning methods. It is a surveillance system to detect foreign objects or damage at the airport, from images captured by one or more cameras, to detect debris or damage. The surveillance system consists of a region-based detector to detect a region in the captured images that may be a foreign object, debris, or damage, and an edge-based detector to detect the edges of all objects in the captured images, where the edges in the images overlap with the edges detected by the edge-based detector. The region detected by the detector is stored. Images captured by one or more cameras are combined with each other, and the differences between previously captured composite images and later captured composite images are determined. A region-based detection to detect an area in the images that may contain a foreign object, debris or damage; Edges are detected in images by edge detection algorithms to detect edges of all objects in captured images. The regions detected by the region-based detector are stored. Images captured by one or more cameras are combined with each other, and differences between previously captured composite images and later captured composite images are detected. The gun impact surveillance system can be configured to trigger a visual or audible alert when it detects gun impact. The invention detects objects entering the scene by removing the background and updating it at regular intervals, and uses the edge map for background learning. PURPOSE OF THE INVENTION The purpose of this invention is to create software that uses Artificial Intelligence technologies such as Kalman filter and deep artificial neural networks that have the ability to improve itself over time, from very high resolution sequential digital images (101) that have been previously recorded or received in real time from any digital camera. With the system (100) consisting of and hardware, real-time detection of multiple moving objects at the same time (102), the Kalman filter, taking small images from places where moving objects are located without changing the resolution (103), identification of moving objects (104) and tracking of many moving objects. , its definition and classification is displayed via the user interface (105). In the invention, the very high resolution images mentioned are very high resolution sequential digital images (101) consisting of multiple channels containing billions of pixels. DETAILED DESCRIPTION OF THE FIGURES In this invention, a technique has been developed for real-time detection, tracking, identification and classification of many moving objects in very high resolution sequential digital images. In the developed technique, the technique of separating and identifying moving objects from immobile objects is shown in figures. Figure 1. The block diagram of the technique for real-time detection, tracking, identification and classification of large numbers of moving objects in very high resolution sequential digital images is given. Figure 2. It is seen that the technique of real-time detection, tracking, identification and classification of many moving objects in very high resolution sequential digital images distinguishes many moving objects from stationary objects in very high resolution digital images. Explanation of Reference Numbers in Figures 100 General schematic representation of the system and technique of real-time detection, tracking, identification and classification of large numbers of moving objects in very high resolution sequential digital images 101 Very high resolution sequential digital images 102 Kalman filter of moving objects in very high resolution sequential digital images 103 Many Taking images of moving objects from high-resolution digital images, without changing the resolution, from the locations where the detected moving objects are located 104 Identification of moving objects with deep artificial neural networks 105 User interface where many moving objects are tracked, identified, classified and displayed in very high-resolution sequential digital images 201 Motion flying cloud 202 airplane flying 203 sun 204 helicopter flying 205 bird flying 206 tree 207 house 208 sheep grazing in motion 209 cow grazing in motion 210 cow standing still watching passersby 211 turkey walking in motion 212 rooster in motion 213 movement Goose walking 214 Pedestrian crossing the street 215 Running horse 216 Truck waiting for pedestrians at the pedestrian crossing 217 Car slowly approaching the pedestrian crossing and about to stop 218 Cyclist 219 Crawler vehicle DESCRIPTION OF THE INVENTION The purpose of this invention is to use any digital camera that has been previously recorded or real. Real-time detection of multiple moving objects at the same time (with the system (100) consisting of very high-resolution sequential digital images (101) that are taken in time), software and hardware that use Artificial Intelligence technologies such as Kalman filter and deep artificial neural networks that have the ability to improve themselves over time (100). 102), taking small images from places where moving objects are located without changing the resolution (103), identifying moving objects (104), and displaying the monitoring, identification and classification of many moving objects with the user interface (105). In the invention, the very high resolution images mentioned are very high resolution sequential digital images (101) consisting of multiple channels containing billions of pixels. In current methods, if very high resolution sequential digital images (101) taken from a digital camera need to be processed in real time; Since these images are very large (Figure 2), the speed and capacity of the processors are not sufficient, it takes a long time to extract useful information, therefore the images need to be reduced. Sometimes, the reduction process is even applied several times in a row. Since the resolution of the images obtained after this process decreases, many important information is lost, the number of pixels representing the objects either decreases greatly or disappears completely, therefore it is not possible to extract useful information. As a result, moving objects that need to be detected, monitored, identified and classified are either not detected at all, or if they are detected, they are identified and classified incorrectly because the features they contain in the images are lost. In existing methods, non-real-time (off-line) methods are used to overcome this drawback. In these methods, results are obtained by recording very high resolution sequential digital images (101) and operating very powerful but expensive systems. However, obtaining results long after the events have occurred can sometimes be meaningless and sometimes serve no purpose. Within the scope of this invention, a new technique that uses Artificial Intelligence technologies such as deep artificial neural networks, which has the ability to improve itself over time, has been developed for real-time detection, tracking, identification and classification of moving objects in sequential digital images at very high resolutions. With this developed technique, very high resolution sequential digital images are composed of images taken from a digital camera or very high resolution digital images recorded on the database (101), moving cloud (201), flying airplane (202), flying helicopter (204), flying bird (205), sheep grazing on the move (208), cow grazing on the move (209), turkey on the move (211), rooster on the move (212), goose on the move (213), crossing the street pedestrian (214), running horse (215), car slowly moving towards the pedestrian crossing, about to stop, objects standing still and in plan, sun (203), tree (206), house (207), cow standing still and watching passers-by (210). A technique (100) has been developed for real-time detection, monitoring, identification and classification of many moving objects using very high resolution sequential digital images of stationary objects such as trucks (216) and trucks waiting for pedestrians at the pedestrian crossing. With the real-time detection, tracking, identification and classification technique of many moving objects in very high resolution sequential digital images developed within the scope of the invention (100), very high resolution sequential digital images can be obtained from images taken from a digital camera or very high resolution digital images recorded on the database (101). , moving cloud (201), flying plane (202), flying helicopter (204), flying bird (205), moving grazing sheep (208), moving grazing cow (209), moving turkey wandering Moving objects such as (211), a car about to stop (217), a cyclist (218), a tracked vehicle (219), and a tracked vehicle (219) moving slowly towards the moving rooster passage are displayed in very high resolution sequential digital images in real time. Real-time detection, tracking, identification and classification of a large number of moving objects is performed. With the developed technique of real-time detection, tracking, identification and classification of many moving objects in very high resolution sequential digital images (100), very high resolution sequential digital images are processed while processing images taken from a digital camera or very high resolution digital images recorded on the database (101). The image is not messed with. By using Artificial Intelligence technologies such as deep artificial neural networks that have the ability to improve itself over time, sequential very high resolution digital images are obtained by comparing the images taken from the digital camera or the very high resolution digital images (101) recorded on the database with the previous image frame. sheep (208), cow grazing in motion (209), turkey in motion (211), rooster in motion (212), goose in motion (213), pedestrian crossing the road (214), horse running (215). ) is separated in real time from the background and motionless objects such as a tree (206) about to stop moving slowly towards the crosswalk, a house (207), a cow (210) standing still watching passersby, and a truck (216) waiting for pedestrians at the crosswalk. In the process step (103) of detecting moving objects with very high resolution sequential digital images and deep artificial neural networks on the processor, moving cloud (201), flying airplane (202), flying helicopter (204), flying bird (205) in the sequential images are detected. , sheep grazing in motion (208), cow grazing in motion (209), turkey in motion (211), rooster in motion (212), goose in motion (213), pedestrian crossing the road (214). Very high resolution sequential digital images of moving objects such as , running horse (215), car slowly moving towards the pedestrian crossing (217), cyclist (218), tracked vehicle (219), without any large or small limitation, are taken from the digital camera or Very high resolution digital images recorded on the database (101), all existing moving clouds (201), flying plane (202), flying helicopter (204), flying bird (205), grazing sheep in motion ( 208), grazing cow in motion (209), turkey in motion (211), rooster in motion (212), goose in motion (213), pedestrian crossing the road (214), horse running (215), It detects moving objects such as a car that is about to stop (217), a cyclist (218), a tracked vehicle (219) slowly advancing towards the pedestrian crossing, with the Kalman filter implemented in the processor, and a moving cloud (201), a flying plane (202), a flying helicopter (204), flying bird (205), sheep grazing in motion (208), cow grazing in motion (209), turkey wandering in motion (211), car about to stop slowly moving towards the passage of the rooster in motion ( It tracks moving objects such as 217), cyclists (218), and tracked vehicles (219). In the process step (104) of identifying moving objects from very high resolution sequential digital images on the processor using deep artificial neural networks, the following moving cloud (201), flying plane (202), flying helicopter (204), flying bird (205) are identified. , sheep grazing in motion (208), cow grazing in motion (209), turkey in motion (211), rooster in motion (212), goose in motion (213), pedestrian crossing the road (214). Deep artificial neural networks run on the processor capture and define small images of moving objects such as a running horse (215), a car slowly moving towards a pedestrian crossing, about to stop (217), a cyclist (218), and a tracked vehicle (219) with all the features in the image. It does this with and classifies the objects it defines. In the process step (105), where moving objects detected from very high-resolution sequential digital images are marked and displayed to the user through an interface implemented on the electronic device, the moving cloud (201), the flying airplane (202), the flying object is detected, tracked and identified. helicopter (204), bird flying (205), sheep grazing in motion (208), cow grazing in motion (209), turkey wandering in motion (211), rooster wandering in motion (212), goose wandering in motion ( 213), a pedestrian crossing the street (214), a running horse (215), a car about to stop moving slowly towards the pedestrian crossing (217), a cyclist (218), a tracked vehicle (219), etc., by marking and framing moving objects such as any electronic device. It is displayed to the user through the interface on the device. All these operations are carried out in real time with the technique developed within the scope of the invention, without changing the image quality of the very high resolution sequential digital images taken from the digital camera or the image quality of the very high resolution digital images (101) recorded on the database, without changing the actual dimensions taken from the digital camera. Thus, the moving cloud (201), the flying airplane (202), the flying helicopter (204), the flying bird (205), the moving sheep grazing (208), the moving cow grazing (209), the moving turkey wandering. (211), a rooster in motion (212), a goose in motion (213), a pedestrian crossing the street (214), a running horse (215), a car about to stop moving slowly towards the pedestrian crossing (217), a cyclist (218). ) is achieved with a high accuracy rate in the identification and classification of moving objects such as tracked vehicles (219). Moving cloud (201), flying plane (202), flying helicopter (204), flying bird (205), moving grazing sheep (208), moving grazing cow (209), moving turkey walking ( 211), a rooster in motion (212), a goose in motion (213), a pedestrian crossing the street (214), a running horse (215), a car about to stop moving slowly towards the pedestrian crossing (217), a cyclist (218). Images of moving objects such as tracked vehicles (219) taken from a moving or fixed camera are detected by processing them with a Kalman filter and deep artificial neural networks on the processor. Since the methods used to process very high-resolution sequential digital images, images taken from a digital camera or very high-resolution digital images (101) recorded on the database, and extract useful information work with the entire image, system requirements, installation costs and workload are high. In the technique developed in the invention, with the deep artificial neural networks carried out on the processor, a moving cloud instead of the whole image includes a grazing sheep (208), a moving cow (209), a moving turkey (211), a moving rooster (212), Small pictures of moving objects such as a moving goose (213), a pedestrian crossing the street (214), a running horse (215), a car about to stop moving slowly towards the pedestrian crossing (217), a cyclist (218), a tracked vehicle (219) Since it works with images, the necessary system requirements are low, installation costs are low, and workload is low. Moving cloud (201), flying plane (202), flying helicopter (204), flying bird (205), moving grazing sheep (208), moving grazing cow (209), moving turkey walking ( 211), a rooster in motion (212), a goose in motion (213), a pedestrian crossing the street (214), a running horse (215), a car about to stop moving slowly towards the pedestrian crossing (217), a cyclist (218). Detection, tracking, identification and classification of moving objects such as tracked vehicles (219) are carried out by the processor with the Kalman filter and deep artificial neural networks and continue in real time and continuously. Stationary objects such as a truck (216) waiting for pedestrians at the crossing, and a cloud (201) that moves precisely in real time since the background is not taken into account, a flying airplane (202), a flying helicopter (204), a flying bird (205), a moving bird (205), sheep grazing in motion (208), cow grazing in motion (209), turkey in motion (211), rooster in motion (212), goose in motion (213), pedestrian crossing the road (214), running Moving objects such as a horse (215), a car slowly moving towards a pedestrian crossing (217), a cyclist (218), and a tracked vehicle (219) are identified. Moving cloud (201), flying plane (202), flying helicopter (204), flying bird (205), moving grazing sheep (208), moving grazing cow (209), moving turkey walking ( 211), a rooster in motion (212), a goose in motion (213), a pedestrian crossing the street (214), a running horse (215), a car about to stop moving slowly towards the pedestrian crossing (217), a cyclist (218). Detection, tracking, identification and classification of moving objects such as tracked vehicles (219) continues in real time and continuously. Real-time sensitive, moving cloud (201), as immovable objects such as the sun (203), tree (206), house (207), motionless cow watching passers-by (210) and truck waiting for pedestrians at the crosswalk (216) are not taken into account. airplane flying (202), helicopter flying (204), bird flying (205), sheep grazing in motion (208), cow grazing in motion (209), turkey wandering in motion (211), rooster wandering in motion (212), a moving goose (213), a pedestrian crossing the street (214), a running horse (215), a car slowly approaching the pedestrian crossing and about to stop (217), a cyclist (218), a tracked vehicle (219). Moving objects are identified and classified. The subject of the invention is the real-time detection, tracking, identification and classification of many moving objects in very high resolution sequential digital images (100), moving cloud (201), flying airplane (202), flying helicopter (204), flying bird (204). 205), sheep grazing in motion (208), cow grazing in motion (209), turkey in motion (211), rooster in motion (212), goose in motion (213), pedestrian crossing the road ( There is no limit to the number of moving objects such as 214), a running horse (215), a car about to stop moving slowly towards a pedestrian crossing (217), a cyclist (218), a tracked vehicle (219). Maximum number of moving animate and inanimate objects that can fit into consecutive digital images, for example (Figure 2), cloud (201), flying plane (202), flying helicopter (204), flying bird (205), moving grazing sheep (208). ), grazing cow in motion (209), turkey in motion (211), rooster in motion (212), goose in motion (213), pedestrian crossing the road (214), horse running (215), pedestrian It separates in real time from the background and motionless objects such as a car that is about to stop (217) slowly moving towards the crossing, a cow (210) that is standing still watching passers-by, and a truck (216) waiting for pedestrians at the crosswalk. In the technique of real-time detection, tracking, identification and classification of many moving objects in very high resolution sequential digital images (100), very high resolution sequential digital images are used to capture images taken from a digital camera or small objects in very high resolution digital images recorded on the database (101). by detecting and separating its movements, small moving cloud (201), flying plane (202), flying helicopter (204), flying bird (205), moving sheep grazing (208), moving grazing cow (209). , turkey in motion (211), rooster in motion (212), goose in motion (213), pedestrian crossing the road (214), horse running (215), car slowly approaching the pedestrian crossing and about to stop (217). ), it also allows objects such as cyclists (218) and tracked vehicles (219) to be detected. Very high resolution sequential digital images are images taken from a digital camera or a moving cloud in very high resolution digital images recorded on the database (101), a grazing sheep (208), a grazing cow in motion (209), a moving turkey (211), rooster in motion (212), goose in motion (213), pedestrian crossing the street (214), horse running (215), car slowly approaching the pedestrian crossing and about to stop (217), cyclist (218), tracked vehicle By obtaining images of objects such as (219), moving cloud (201), flying plane (202), flying helicopter (204), flying bird (205), moving sheep grazing (208), moving grazing cow (209), turkey on the move (211), rooster on the move (212), goose on the move (213), pedestrian crossing the street (214), horse running (215), slowly moving towards the pedestrian crossing and about to stop Since it performs the identification process of these images of moving objects such as automobiles (217), cyclists (218), tracked vehicles (219), it produces very high resolution sequential digital images with a high accuracy rate. The technique of real-time detection, monitoring, identification and classification of many moving objects in very high-resolution sequential digital images (100), is the 0 region of the image in real time, all the details such as from the digital camera or the video image in the previously recorded database. It performs operations with a high accuracy rate because it analyzes by separating and receiving with . Only moving cloud (201), flying plane (202), flying helicopter (204), flying bird (205), moving grazing sheep (208), moving grazing cow (209), moving walking turkey (211), moving rooster (212), moving goose (213), pedestrian crossing the street (214), running horse (215), car slowly approaching the pedestrian crossing and about to stop (217), cyclist (218) is sensitive to changes in a very small number of pixels, that is, small movements of objects, as it separates the region of the image containing moving objects such as a crawler vehicle (219) and analyzes only the image of the moving area without performing image reduction. Since the developed technique does not perform image reduction, it does not cause data loss and works with a high accuracy rate. TR TR TR