근래 디지털 카메라의 성능이 급격히 향상되면서도 그 크기가 작아지고 가격이 하락하여 다양한 영역으로 카메라의 활용영역이 확대되고 있다. 특히 지능형 차량의 개발이 가속화되면서 카메라를 차량의 시각 센서로 활용하는 연구가 활발하다. 이 때 차량에 장착된 카메라의 영상에서 사람과 자동차와 같은 움직이는 대상체를 검출하는 것은 중요한 연구 주제이다. 영상 내 동적 객체의 검출은 배경영상차감법을 사용하는 경우가 많지만, 카메라가 움직이게 되는 경우에는 더 이상 적용할 수 없다. 한편 광류는 두 연속 영상에서 동일한 점을 탐색하는 절차에 기반하고 있으므로, 고정된 카메라뿐 만 아니라 이동하는 카메라의 경우에도 적용이 가능하다. 본 논문에서는 자동차에 장착된 카메라의 영상에서 광류에 기반하여 동적 객체를 검출한다. 잘 알려진 광류의 방법인 Lucas-Kanade의 기법을 사용하였는데, 처리의 효율성을 높이기 위하여 영상에서 객체가 출현할 수 있는 관심영역(Region of Interest: ROI)을 먼저 정의하고, ROI를 다시 작은 구성단위인 셀로 나누며, 각 셀마다 이동 객체에 의한 광류 ...
근래 디지털 카메라의 성능이 급격히 향상되면서도 그 크기가 작아지고 가격이 하락하여 다양한 영역으로 카메라의 활용영역이 확대되고 있다. 특히 지능형 차량의 개발이 가속화되면서 카메라를 차량의 시각 센서로 활용하는 연구가 활발하다. 이 때 차량에 장착된 카메라의 영상에서 사람과 자동차와 같은 움직이는 대상체를 검출하는 것은 중요한 연구 주제이다. 영상 내 동적 객체의 검출은 배경영상차감법을 사용하는 경우가 많지만, 카메라가 움직이게 되는 경우에는 더 이상 적용할 수 없다. 한편 광류는 두 연속 영상에서 동일한 점을 탐색하는 절차에 기반하고 있으므로, 고정된 카메라뿐 만 아니라 이동하는 카메라의 경우에도 적용이 가능하다. 본 논문에서는 자동차에 장착된 카메라의 영상에서 광류에 기반하여 동적 객체를 검출한다. 잘 알려진 광류의 방법인 Lucas-Kanade의 기법을 사용하였는데, 처리의 효율성을 높이기 위하여 영상에서 객체가 출현할 수 있는 관심영역(Region of Interest: ROI)을 먼저 정의하고, ROI를 다시 작은 구성단위인 셀로 나누며, 각 셀마다 이동 객체에 의한 광류 벡터를 구분할 수 있는 임계치를 정의한다. 처리할 화소의 숫자를 줄이기 위하여 Harris 코너점 검출기를 사용하여 특징점을 추출하며, 특징점의 광류 벡터가 해당되는 셀의 임계치 이상일 경우에만 이동 객체에 의한 벡터로 추출한다. 추출된 광류 벡터들은 상호 근접도에 따라 K-means 군집화 기법에 의하여 bounding box로 묶는다. Box의 크기가 적절할 경우에만 유효한 검출 결과로 인정하며, 검출된 박스의 가로 대 세로 비율로부터 사람인지 차량인지를 판정한다. 실제 이동하는 차량에 장착된 카메라로부터 얻어지는 다양한 영상을 사용하여 제안된 방법을 실험하였을 때, 약 84%의 이동 객체 검출 성공률을 보였으며, 검출된 객체의 분류 성공률은 74%이었다.
근래 디지털 카메라의 성능이 급격히 향상되면서도 그 크기가 작아지고 가격이 하락하여 다양한 영역으로 카메라의 활용영역이 확대되고 있다. 특히 지능형 차량의 개발이 가속화되면서 카메라를 차량의 시각 센서로 활용하는 연구가 활발하다. 이 때 차량에 장착된 카메라의 영상에서 사람과 자동차와 같은 움직이는 대상체를 검출하는 것은 중요한 연구 주제이다. 영상 내 동적 객체의 검출은 배경영상차감법을 사용하는 경우가 많지만, 카메라가 움직이게 되는 경우에는 더 이상 적용할 수 없다. 한편 광류는 두 연속 영상에서 동일한 점을 탐색하는 절차에 기반하고 있으므로, 고정된 카메라뿐 만 아니라 이동하는 카메라의 경우에도 적용이 가능하다. 본 논문에서는 자동차에 장착된 카메라의 영상에서 광류에 기반하여 동적 객체를 검출한다. 잘 알려진 광류의 방법인 Lucas-Kanade의 기법을 사용하였는데, 처리의 효율성을 높이기 위하여 영상에서 객체가 출현할 수 있는 관심영역(Region of Interest: ROI)을 먼저 정의하고, ROI를 다시 작은 구성단위인 셀로 나누며, 각 셀마다 이동 객체에 의한 광류 벡터를 구분할 수 있는 임계치를 정의한다. 처리할 화소의 숫자를 줄이기 위하여 Harris 코너점 검출기를 사용하여 특징점을 추출하며, 특징점의 광류 벡터가 해당되는 셀의 임계치 이상일 경우에만 이동 객체에 의한 벡터로 추출한다. 추출된 광류 벡터들은 상호 근접도에 따라 K-means 군집화 기법에 의하여 bounding box로 묶는다. Box의 크기가 적절할 경우에만 유효한 검출 결과로 인정하며, 검출된 박스의 가로 대 세로 비율로부터 사람인지 차량인지를 판정한다. 실제 이동하는 차량에 장착된 카메라로부터 얻어지는 다양한 영상을 사용하여 제안된 방법을 실험하였을 때, 약 84%의 이동 객체 검출 성공률을 보였으며, 검출된 객체의 분류 성공률은 74%이었다.
Digital cameras have now diverse applications as the performance of cameras have been rapidly improved while their sizes and costs have been decreased. Particularly, there are active studies in using a camera as a vision sensor for a smart vehicle as the development of smart vehicles is currently ac...
Digital cameras have now diverse applications as the performance of cameras have been rapidly improved while their sizes and costs have been decreased. Particularly, there are active studies in using a camera as a vision sensor for a smart vehicle as the development of smart vehicles is currently accelerated. Detecting moving objects such as human or vehicle from the images of a vehicle camera is an important research topic for the vision sensor of a smart vehicle. Although background subtraction technique is often used to detect moving objects in camera images, this simple method cannot be employed when a camera is moving. Optical flow, on the other hand, is based on finding the same points from two consecutive images, and it can be effectively used for both a fixed camera and a moving camera. In this thesis, we use optical flow technique to detect moving objects from the images of a camera that is attached to a vehicle. In order to increase processing efficiency, a part of image where moving objects can appear is defined as the region of interest (ROI), and the ROI is divided again into multiple small cells. In order to reduce the number of processing pixels, Harris corner detector is used, and Lucas-Kanade method, a well-known optical flow technique, is used to compute the optical flow vectors of the detected corner points. A computed optical flow vector is then compared with a threshold value that is defined differently in different cells. An optical flow vector is regarded as that of a moving object only when the vector magnitude is larger than the threshold value. Closely located flow vectors are grouped by applying K-means clustering algorithm and represented by a bounding box. Optical flows represented by a bounding box are regarded as valid only when the box size is proper. A detected moving object in a bounding box is then classified into human or vehicle based on the aspect ratio of the box. In the experiment using various images obtained from a camera attached to a real moving vehicle, the proposed method resulted in about 84% detection rate and 74% classification rate.
Digital cameras have now diverse applications as the performance of cameras have been rapidly improved while their sizes and costs have been decreased. Particularly, there are active studies in using a camera as a vision sensor for a smart vehicle as the development of smart vehicles is currently accelerated. Detecting moving objects such as human or vehicle from the images of a vehicle camera is an important research topic for the vision sensor of a smart vehicle. Although background subtraction technique is often used to detect moving objects in camera images, this simple method cannot be employed when a camera is moving. Optical flow, on the other hand, is based on finding the same points from two consecutive images, and it can be effectively used for both a fixed camera and a moving camera. In this thesis, we use optical flow technique to detect moving objects from the images of a camera that is attached to a vehicle. In order to increase processing efficiency, a part of image where moving objects can appear is defined as the region of interest (ROI), and the ROI is divided again into multiple small cells. In order to reduce the number of processing pixels, Harris corner detector is used, and Lucas-Kanade method, a well-known optical flow technique, is used to compute the optical flow vectors of the detected corner points. A computed optical flow vector is then compared with a threshold value that is defined differently in different cells. An optical flow vector is regarded as that of a moving object only when the vector magnitude is larger than the threshold value. Closely located flow vectors are grouped by applying K-means clustering algorithm and represented by a bounding box. Optical flows represented by a bounding box are regarded as valid only when the box size is proper. A detected moving object in a bounding box is then classified into human or vehicle based on the aspect ratio of the box. In the experiment using various images obtained from a camera attached to a real moving vehicle, the proposed method resulted in about 84% detection rate and 74% classification rate.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.