[논문]베이지안 네트워크를 이용한 자동 화재 감지 시스템

정광호; 고병철; 남재열

doi:10.3745/kipstb.2008.15-b.2.087

베이지안 네트워크를 이용한 자동 화재 감지 시스템
Automatic fire detection system using Bayesian Networks 원문보기

정보처리학회논문지. The KIPS transactions. Part B. Part B, v.15B no.2, 2008년, pp.87 - 94

정광호 (계명대학교 컴퓨터공학) , 고병철 (계명대학교 컴퓨터공학과) , 남재열 (계명대학교 컴퓨터공학과)

초록
AI-Helper

본 논문에서는 실시간 화재 감지를 위해 비전 기반의 새로운 화재 감지 기법을 제안한다. 기존의 비전기반 화재감지 기법에서는 컬러정보와 픽셀들의 시간적인 변화량 검출을 위해 다수의 휴리스틱한 특징들을 적용함으로써 실험결과가 환경의 변화에 민감한 문제들이 존재했다. 또한 정확한 화재감지를 위해서 많은 연산을 수행함으로써 감지시간 길어지는 단점이 있었다. 이러한 문제점들을 극복하기 위해서 본 논문에서는 시간축 상에서 불규칙하게 변화하는 화재의 특성을 분석하고 이를 토대로 확률 모델을 구성하여 이를 베이지안 네트워크(Bayesian network)에 적용하는 새로운 방법을 제안한다. 우선, 배경 모델링과 컬러 모델을 적용하여 화재 후보 영역을 검출하고, 이 후보 영역에서 명암도에 평준화된 Red 색상의 왜도(skewness)와 웨이블릿 변환을 통하여 얻어진 3가지 고주파 성분의 왜도를 노드로 갖는 베이지안 네트워크를 구성하여 최종 화재를 감별한다. 실생활 환경에서 촬영된 화재 영상에 대한 실험 결과는 빠른 검출 속도와 우수한 화재 검출 성능을 보여주고 있다.

Abstract ▼ AI-Helper

In this paper, we propose a new vision-based fire detection method for a real-life application. Most previous vision-based methods using color information and temporal variation of pixel produce frequent false alarms because they used a lot of heuristic features. Furthermore there is also computation delay for accurate fire detection. To overcome these problems, we first detected candidated fire regions by using background modeling and color model of fire. Then we made probabilistic models of fire by using a fact that fire pixel values of consecutive frames are changed constantly and applied them to a Bayesian Network. In this paper we used two level Bayesian network, which contains the intermediate nodes and uses four skewnesses for evidence at each node. Skewness of R normalized with intensity and skewnesses of three high frequency components obtained through wavelet transform. The proposed system has been successfully applied to many fire detection tasks in real world environment and distinguishes fire from moving objects having fire color.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 이전 방법론들과는 다르게 빠르고 정확하며 경험적 방법이 아닌 확률적 모델을 이용한 화재 검출 알고리즘을 제안한다. 우선 화재 후보 영역에 대해서 명암도로부터 색상정보를 분리한 Red 색상과 웨이블릿 변환을 이용하여 얻어진 3가지 고주파(LH, HL, HH) 성분을 연속된 100프레임으로부터 추출한다.
본 논문에서는 조기감지가 늦고 넓은 장소와 개방된 공간에서는 효율이 떨어지는 기존의 센서 기반 화재 감지기의 단점을 보완할 수 있는 감시카메라를 이용한 비전 기반의 화재 감지 시스템을 제안하였다. 이를 위해 카메라로부터 입력된 영상에 대해 적응적 배경 감산 모델링 방법과 화재 색상 모델을 이용하여 화재 후보 영역을 추출하고, 추출된 후보 영역에 대해서 R채널과 웨이블릿 계수 성분에 대한 왜도로부터 스무드 커널을 적용하여 확률 모델을 추정하였다.
이를 해결하기 위해서 화재 후보 영역에 대한 검증이 필요하다. 화재 후보영역에 대한 검증을 위해 본 논문에서는 불규칙적인 픽셀 변화량을 갖는 화재 영상의 특성을 분석하여 이를 확률적으로 모델링 할 수 있는 방법을 제안하였다.

가설 설정

우선 각 색상 RGB 색상 채널의 분포는 서로 독립적이고 가우시안 분포를 보인다고 가정하고, 100개의 학습용 화재 프레임으로부터 다음 수식을 이용하여 확률 모델을 생성한다.

제안 방법

우선 화재 후보 영역에 대해서 명암도로부터 색상정보를 분리한 Red 색상과 웨이블릿 변환을 이용하여 얻어진 3가지 고주파(LH, HL, HH) 성분을 연속된 100프레임으로부터 추출한다. 그런 뒤에, 각각 큐에 저장된 연속적인 픽셀들로부터 왜도(Skewness)를 추정하여 확률모델을 구성하고 이 확률모델을 베이지안 추론을 위한 확률 값으로 적용하여 계산 시간을 감소시키고 검출 성능을 향상 시키는 새로운 알고리즘을 소개한다. (그림 1)은 전체 시스템에 대한 계략도이다.
하지만 이 방법은 3가지 조건에 대한 경험적 임계값들을 요구함으로 범용적인 화재영역 검출을 위해서 적합하지 않다. 따라서 본 논문에서는 Celik[2]의 알고리즘을 응용하여 RGB채널에 대한 확률적 모델을 구성하고 이로부터 화재 후보영역을 결정하는 방법을 사용한다.
확률 밀도를 추정하기 위해 특징을 선택해야 하는데, 본 논문에서는 실험과 분석을 통해 색상성분에서 RGB 채널 중 Red 채널과 웨이블릿 변화에 의한 고주파(LH, HL, HH) 계수값의 변화에 가장 민감하게 반응하는 것을 발견하였다. 따라서 학습 집합에 대해 Red 성분과 3가지 웨이블릿 고주파 성분에 대한 왜도 값을 추출하고 각각의 특징값은 수식 (8)의 최대-최소 평준화[9] 방법에 의해 정규화 된 후 스무드 커널을 이용하여 확률밀도를 추정하게 된다. (그림 5)는 Red 성분과 웨이블릿 고주파 성분에 대한 최종 확률 밀도를 보여주고 있다.
은 N개의 표본 중 n번째 표본을 의미한다. 본 논문에서는 가우시안 커널의 완만함 정도를 나타내는 파라미터 h의 값을 실험을 통해 성능이 가장 좋은 0.3으로 결정하였다.
적응적 배경 감산 모델과 컬러정보를 이용하여 추출된 화재 후보 영역에 대해 불확실성에 강인한 확률 모델인 베이지안 추론(Bayesian inference)을 이용하여 최종적으로 화재를 검증한다. 본 논문에서의 베이지안 네트워크는 (그림 7)과 같이 화재와 비화재의 가설(hypotheses)과 명암도로 평준화된 R의 왜도와 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수의 왜도를 노드(node)로 갖도록 설계되었다.
본 논문에서는 이전 방법론들과는 다르게 빠르고 정확하며 경험적 방법이 아닌 확률적 모델을 이용한 화재 검출 알고리즘을 제안한다. 우선 화재 후보 영역에 대해서 명암도로부터 색상정보를 분리한 Red 색상과 웨이블릿 변환을 이용하여 얻어진 3가지 고주파(LH, HL, HH) 성분을 연속된 100프레임으로부터 추출한다. 그런 뒤에, 각각 큐에 저장된 연속적인 픽셀들로부터 왜도(Skewness)를 추정하여 확률모델을 구성하고 이 확률모델을 베이지안 추론을 위한 확률 값으로 적용하여 계산 시간을 감소시키고 검출 성능을 향상 시키는 새로운 알고리즘을 소개한다.
또한 바람 등의 영향으로 인해서 그 형태가 끊임없이 변화한다. 이러한 화재의 특성을 이용하여 카메라로부터 입력되는 영상 내에서 움직임이 있는 영역을 감지하고 그 영역에 대해서 화재 색상 모델을 적용하여 화재 후보 영역을 도출한다.
화재영역은 그 특성상 영역이 끊임없이 변화하므로 이를 물체의 움직임으로 인한 오검출과 구분할 수 있는 새로운 모델을 만들 수 있다. 이를 위해 본 논문에서는 후보 화재 영역에 대해 100개의 이전 프레임을 큐에 저장하고 각각의 픽셀에 대해 동일한 위치의 이전 100프레임에 대해 시간축상의 움직임 변화량을 분석해 보았다. (그림 4)와 (그림 5)에서 보는 것과 같이 화재 영역은 픽셀의 변화량이 연속적이며 불규칙적이지만 물체의 움직임의 경우 실제 움직임이 발생한 시간적 구간에서만 변화량이 발생함을 알 수 있다.
본 논문에서는 조기감지가 늦고 넓은 장소와 개방된 공간에서는 효율이 떨어지는 기존의 센서 기반 화재 감지기의 단점을 보완할 수 있는 감시카메라를 이용한 비전 기반의 화재 감지 시스템을 제안하였다. 이를 위해 카메라로부터 입력된 영상에 대해 적응적 배경 감산 모델링 방법과 화재 색상 모델을 이용하여 화재 후보 영역을 추출하고, 추출된 후보 영역에 대해서 R채널과 웨이블릿 계수 성분에 대한 왜도로부터 스무드 커널을 적용하여 확률 모델을 추정하였다. 각 특징들의 확률 분포는 베이지안 네트워크의 각 단계별 노드에 적용되어 추론에 사용되었고 그 결과값에 따라 최종 화재영역과 비-화재 영역을 검증하였다.
제안한 알고리즘을 사용한 방식을 Method 1로, Töreyin의 알고리즘을 이용하여 실험한 방식을 Method 2로 나타내었다.
하지만 이렇게 불규칙적으로 변화하는 픽셀의 특성을 모두 반영하기에는 특징벡터의 차원이 너무 큼으로 본 논문에서는 각 픽셀의 변화량 가장 잘 표현해 줄 수 있는 왜도(Skewness)를 수식 (6)을 이용하여 측정하였다. 수식 (6)에서 #는 평균을 의미하고 σ는 표준편차를 의미한다.

대상 데이터

실험에 사용된 비디오 영상은 Töreyin의 실험에서 사용된 비디오 6개와 추가적으로 웹사이트에서 얻은 3개의 비디오 영상으로 실험을 했으며 그 결과를 Table 2에 정리하였다.

데이터처리

이를 위해 카메라로부터 입력된 영상에 대해 적응적 배경 감산 모델링 방법과 화재 색상 모델을 이용하여 화재 후보 영역을 추출하고, 추출된 후보 영역에 대해서 R채널과 웨이블릿 계수 성분에 대한 왜도로부터 스무드 커널을 적용하여 확률 모델을 추정하였다. 각 특징들의 확률 분포는 베이지안 네트워크의 각 단계별 노드에 적용되어 추론에 사용되었고 그 결과값에 따라 최종 화재영역과 비-화재 영역을 검증하였다. 본 논문에서 제안한 방법은 다양한 화재 영역에 대해 빠르고 정확한 성능을 보여줌을 실험결과를 통해 알 수 있었다.
제안한 알고리즘의 성능을 평가하기 위해서 본 논문에서는 가장 최근의 관련 연구인 Töreyin[1]의 알고리즘을 이용한 실험결과와 비교하였다.

이론/모형

하지만 본 연구에서는 정밀한 전경-배경이 분리가 필요치 않고 실시간 처리를 위해 적은 메모리와 빠른 검출 시간을 보여 알고리즘이 필요하다. 따라서 본 논문에서는 Dedeoglu[6]이 제안한 배경 초기화 및 업데이트 방식을 이용한다. 이 방법에서는 우선 첫 프레임의 그레이 영상을 초기 배경으로 초기화(B₀ = I₀)설정하고 이후에 들어오는 영상에 대해서 식 (2)와 (3)을 적용하여 초기 배경을 업데이트하도록 한다.
일반적으로 확률 밀도 함수 추정을 위해 확률분포가 가우시안 분포를 보인다고 가정[8]하지만 화재 영역은 시간축상에서 불규칙한 특성을 가짐으로 데이터의 분포 형태를 가우시안 분포로 가정할 수 없다[8]. 따라서 측정된 왜도 성분에 대해 비 모수적 밀도 측정 방법 중 일반적으로 많이 사용되는 Parzen 창의 불연속성의 문제점을 해결하고 보다 자연스러운 확률 밀도를 추정하기 위해 수식 (7)의 스무드 커널(Smooth-Kernel)을 사용하였고 그 결과는 (그림 6)과 같다.
적응적 배경 감산 모델과 컬러정보를 이용하여 추출된 화재 후보 영역에 대해 불확실성에 강인한 확률 모델인 베이지안 추론(Bayesian inference)을 이용하여 최종적으로 화재를 검증한다. 본 논문에서의 베이지안 네트워크는 (그림 7)과 같이 화재와 비화재의 가설(hypotheses)과 명암도로 평준화된 R의 왜도와 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수의 왜도를 노드(node)로 갖도록 설계되었다.

성능/효과

각 특징들의 확률 분포는 베이지안 네트워크의 각 단계별 노드에 적용되어 추론에 사용되었고 그 결과값에 따라 최종 화재영역과 비-화재 영역을 검증하였다. 본 논문에서 제안한 방법은 다양한 화재 영역에 대해 빠르고 정확한 성능을 보여줌을 실험결과를 통해 알 수 있었다. 차후에는 본 논문에서 제안한 알고리즘을 전방향 카메라에 적용시켜 한대의 카메라를 통해 넓은 범위의 공간에서 동시에 화재 감지가 가능하도록 연구를 확대할 것이다.
표 2에서 Movie 1부터 Movie 5는 화재 영상이고, Movie 6부터 Movie 9는 움직임이 포함된 비-화재 영상이다. 실험결과에서 평균 검출율 (Detection rate)은 제안된 Method 1의 경우 94.1%로써 Method 2의 68.9%보다 뛰어나다. 평균 오검출율(False Positive rate)과 미검출율(Missing rate)의 경우도 Method 1은 5.
화재 영상에서 적응적 배경 감산 모델과 화재 색상 픽셀을 적용하여 검출된 화재 후보 영역은 대부분 정확한 검출 결과를 보이는 반면에 비-화재 영상에서는 많은 영역들이 제거되었지만 화재와 유사한 색상의 움직임 객체를 화재로 오인하는 등의 부정확한 검출 결과를 나타낸다. 이를 해결하기 위해서 화재 후보 영역에 대한 검증이 필요하다.
확률 밀도를 추정하기 위해 특징을 선택해야 하는데, 본 논문에서는 실험과 분석을 통해 색상성분에서 RGB 채널 중 Red 채널과 웨이블릿 변화에 의한 고주파(LH, HL, HH) 계수값의 변화에 가장 민감하게 반응하는 것을 발견하였다. 따라서 학습 집합에 대해 Red 성분과 3가지 웨이블릿 고주파 성분에 대한 왜도 값을 추출하고 각각의 특징값은 수식 (8)의 최대-최소 평준화[9] 방법에 의해 정규화 된 후 스무드 커널을 이용하여 확률밀도를 추정하게 된다.

후속연구

본 논문에서 제안한 방법은 다양한 화재 영역에 대해 빠르고 정확한 성능을 보여줌을 실험결과를 통해 알 수 있었다. 차후에는 본 논문에서 제안한 알고리즘을 전방향 카메라에 적용시켜 한대의 카메라를 통해 넓은 범위의 공간에서 동시에 화재 감지가 가능하도록 연구를 확대할 것이다.
대표적으로 Stauffer[11]등은 가우시안 혼합 모델을 사용하여 배경을 모델링 하는 방법을 제안하였고, Kim[12]등은 코드북(codebook) 모델을 이용한 전경-배경 알고리즘을 제안하였다. 하지만 본 연구에서는 정밀한 전경-배경이 분리가 필요치 않고 실시간 처리를 위해 적은 메모리와 빠른 검출 시간을 보여 알고리즘이 필요하다. 따라서 본 논문에서는 Dedeoglu[6]이 제안한 배경 초기화 및 업데이트 방식을 이용한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	카메라를 이용한 화재 감지 시스템의 장점은 무엇인가?	이러한 방식들은 조기에 화재를 감지하지 못하는 문제점과 넓은 장소와 개방된 공간에서는 그 성능이 떨어지는 단점이 있다[1]. 이에 반하여 카메라를 이용한 화재 감지 시스템은 건물 내외에 설치되어있는 감시카메라를 이용하여 구현이 가능하므로 추가적인 비용이 들지 않고, 화재나 연기가 발생할 경우 열이나 연기의 확산을 기다릴 필요 없이 카메라를 통해 원격지에서 즉각적인 감지가 가능한 장점 등이 있다.
	컬러정보와 픽셀들의 시간적인 변화량을 이용하는 대부분 비전 기반 방식들은 어떤 문제점을 갖고 있는가?	컬러정보와 픽셀들의 시간적인 변화량을 이용하는 대부분 비전 기반 방식들은 휴리스틱한 특성으로 인해서 제한적인 환경에서는 좋은 결과를 보이지만 일반적인 화재 환경에 대해서는 오검출율이 높아지는 문제점이 있다. 이를 해결하기 위해 K.
	센서기반 감지기의 단점은 무엇인가?	현재의 화재 경보 시스템은 열, 연기 등의 센서기반 감지기들이 대부분이며, 이들 감지기는 화재가 발생한 후 일정시간이 지나 열이나 연기가 확산되어 센서에 도달해야 비로소 감지가 가능하다. 이러한 방식들은 조기에 화재를 감지하지 못하는 문제점과 넓은 장소와 개방된 공간에서는 그 성능이 떨어지는 단점이 있다[1]. 이에 반하여 카메라를 이용한 화재 감지 시스템은 건물 내외에 설치되어있는 감시카메라를 이용하여 구현이 가능하므로 추가적인 비용이 들지 않고, 화재나 연기가 발생할 경우 열이나 연기의 확산을 기다릴 필요 없이 카메라를 통해 원격지에서 즉각적인 감지가 가능한 장점 등이 있다.

참고문헌 (12)

B. U. Toreyin, Y. Dedeoglu, U Gudukbay, A. E. Cetin, “Computer vision based method for real-time fire and flame detection”, Pattern Recognition Letters, Vol.27, pp.49-58, Jan. 2006

상세보기
T. Celik, H. Demirel, H. Ozkaramanli, M. Uyguroglu, “Fire detection using statistical color model in video sequences”, Journal of Visual Communication and Image Representation, Vol.18, pp.176-185, Apr. 2007

상세보기
W. Phillips, III, M. Shah, and N. da Vitoria Lobo, “Flame recognition in video”, Fifth IEEE Workshop on Applications of Computer Vision, Vol.23, pp.224-229, Jan. 2000
T. Chen, P. Wu, Y. Chiou, “An early fire-detection method based on image processing”, ICIP, Vol.3, pp.1707-1710, Oct. 2004
K. Cheong, B. Ko and J. Nam, “Vision sensor-based fire monitoring system for smart home”, The first Int. Conference on Ubiquitous Information & Applications, Vol.1, pp.1453-1462, Feb. 2007
Y. Dedeoglu, “Moving object detection, tracking and classification for smart video surveillance”, Master's Thesis, Dept. of Computer Eng. Bilkent University, Ankara, 2004
I. Kopilovic, B. Vagvolgyi, T. Sziranyi, “Application of Panoramic Annular Lens for Motion Analysis Tasks: Surveillance and Smoke Detection”, In IEEE International Conference on Pattern Recognition, Vol.4, pp.14-717, 2000
R. O. Duda, P. E. Hart and D. G. Stork, “Pattern Classification”, Willey-Interscience, Second Edition, 2001
H. Byun, B. Ko, “Robust Face Detection and Tracking For Real-Life Applications”, International Journal of Pattern Recognition and Artificial Intelligence, Vol.17, No.6, pp.1035-1055, Feb. 2003

상세보기
T. Celik, H. Demirel, H. Ozkaramanli and M. Uyguroglu, “Fire detection using statistical color model in video sequences”, Journal of Visual Communication and Image Representation, Vol.18, pp.176-185, 2007

상세보기
C. Stauffer and W. Grimson, “Adaptive background mixture models for real-time tracking”, IEEE International Conference on Computer Vision and Pattern Recognition, Vol.2, pp.246-252, 1999
K. Kim, T.H. Chalidabhongse, D. Harwood and L. Davis, “Real-time foreground-background segmentation using codebook model”, Real-time imaging, Vol.11, Issue 3, pp.167-256, 2005

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증