[논문]동적 확률 모델 네트워크 기반 휴먼 상호 행동 인식

석흥일; 이성환

문제 정의

본 논문에서는 상호 행동을 작은 단위의 부-상호 행동들의 시퀀스로 표현한다. 이로 인해 상호 행동 인식은 상호 행동에 포함되어 있는 부-상호 행동들의 시작점과 끝점을 찾는 것과 각 부-상호 행동들의 레이블을 분류하는 문제로 정의될 수 있다.
본 논문에서는 이동 궤적 정보를 기반으로 두 명의 휴먼 객체 사이에서 발생 가능한 5가지 상호 행동에 대해, 이를 효율적으로 모델링하고 인식하는 방법을 제안하였다. 상호 행동의 동적 패턴 전체를 하나의 모델로 표현하기 보다는, 여러 상호 행동들이 공유하는 작은 단위의 부-상호 행동들을 자동으로 분할하여, 이들 부-상호 행동 모델들의 순차적 연결 또는 네트워크로 표현하였다.
이 절에서는 두 명의 휴먼 객체 사이에서 발생하는 상호 행동 인식 및 분석에 대해, 본 논문에서 제안하는 방법의 효율성을 실험을 통해 살펴본다.

가설 설정

이 식에서는 부-상호 행동 모델들에서의 상태 전이에 대해 left-to-right' 위상을 가정하였다,

제안 방법

상호 행동을 표현하기 위해 Liu와 Chua가제안한 휴먼의 이동 방위와 위치 변화에 강인한 특징[2] 을 이용한다. 그러나 양자화에 따른 에러를 피하기 위 해연 속값을 이용하며, 가우시안으로 모델링한다. 테스트 비디오 시퀀스로부터 추출된 특징 벡터 시퀀스 丫가 주어졌을 때, 이에 대한 우도값을 최대로 하는 부-상호 행동 모델 시퀀스는 식 (8)을 이용하여 검출한다.
또한, 상호 행동 패턴 전체를 하나의 모델로 표현할 경우, 상태수의 증가에 따라 모델의 복잡도는 기하급수적으로 증가한다. 복잡한 상호 행동을 작은 단위의 부-상호 행동으로 나누어서 모델링한 후, 원래의 상호 행동들을 이들 부-상호 행동 모델들의 네트워크로 표현하는 방법과 네트워크에서의 확률 추론 알고리즘에 대해 살펴보자.
본 논문에서는 의미 있는 작은 단위의 상호 행동을 '부-상호 행동'이라 정의하고, 휴먼 객체들의 이동 궤적을 관측값으로 한다. 복잡한 휴먼 상호 행동을 부-상호행동으로 분할 모델링 한 뒤, 이들 모델들을 네트워크로 구성하여 휴먼 상호 행동을 인식하는 방법을 제안한다. 새로운 상호 행동 패턴을 인식할 필요가 있을 경우, Hake血과 Shah의 방법은 모든 학습 데이터를 이용하여 새로이 종속 그래프를 생성해야 하는 반면, 제안하는 방법은 기존에 모델에 포함되어 있지 않은 부-상호 행동에 대해서만 학습을 하고, 네트워크에 추가하기만 하면 된다는 장점을 가진다.
부-상호 행동들의 표현은 기존의 여러 논문에서 이용된 동적 확률 모델을 이용한다. 본 논문에서는 Multiple Observation HMMs(M0HMMs)[6], Parallel HMMs(PaHMMs)[8], Coupled HMMs(CHMMs)[l], Factorial HMMs(FH-MMs)[9], Observation Decomposed HMMs(ODHMMs) [2]를 이용한다. 부-상호 행동 모델의 학습 데이터 셋은 HMM[기을 이용하여 상호 행동 시퀀스를 자동으로 분할하여 생성한다.
이미지의 크기는 320x240이고, 색상은 24비트 컬러이다. 본 논문에서는 두 명의 휴먼 객체 사이에서 일어나는 상호 행동을 모델링하는 것에 초점을 두고 있으므로, 휴먼 객체의 검출과 추적은 수동으로 하였다. 부-상호 행동들의 표현은 기존의 여러 논문에서 이용된 동적 확률 모델을 이용한다.
본 논문의 실험에서는 다음의 5가지 상호 행동들올 고려한다: '따라가기十만나기+함께가기' (상호 행동 1), '따라가기+만나기+따로 가기' (상호 행동 2), '접근하기+만나기+함께 가기' (상호 행동 3), '접근하기+만나기+따로가기' 상호 행동 4), '접근하기+지나치기' (상호 행동 5).
부-상호 행동 모델들의 네트워크로 상호 행동을 모델링하는 방법이 잘 동작하는지의 여부를 확인하기 위해 입력 특징 벡터 시퀀스에 대한 각 부-상호 행동 모델에서의 우도 변화 및 부-상호 행동 시퀀스 디코딩 결과를 확인한다. '접근하기+만나기+따로가기' 상호 행동의 입력 시퀀스에 대한 부-상호 행동 모델들에서의 우도값 변화 및 상호 행동 인식 결과가 그림 2에 나타나 있다.
상호 행동의 동적 패턴 전체를 하나의 모델로 표현하기 보다는, 여러 상호 행동들이 공유하는 작은 단위의 부-상호 행동들을 자동으로 분할하여, 이들 부-상호 행동 모델들의 순차적 연결 또는 네트워크로 표현하였다. 복잡한 상호 행동을 상대적으로 단순한 부-상호행동 모델로 분할하여 모델링함으로써 계산 복잡도를 줄이고, 적은 양의 데이터로도 학습이 가능함을 실험을 통해 확인하였다.
이 실험에서는 제안하는 방법과 하나의 동적 확률 모델로 하나의 상호 행동 패턴 전체를 모델링하는 기존방법과의 인식 성능을 비교한다. 제안하는 방법은 복잡한 상호 행동을 작은 단위의 부-상호 행동으로 분할하여 모델링하였으므로 상태수를 2~3개로 설정하였고, 기존 방법에 대한 모델에서는 상태수를 5~9개로 설정하였다.
인식 성능을 비교한다. 제안하는 방법은 복잡한 상호 행동을 작은 단위의 부-상호 행동으로 분할하여 모델링하였으므로 상태수를 2~3개로 설정하였고, 기존 방법에 대한 모델에서는 상태수를 5~9개로 설정하였다.

대상 데이터

75개의 데이터 셋에서 임의로 선택한 20개의 상호 행동 데이터 셋으로 모델들을 학습하고, 나머지 55개로 학습된 모델의 인식 성능을 테스트를 하였다. 데이터 셋이 부족하기 때문에 인식 성능은 교차 검증 기법을 이용하여 평균값을 인식 성능으로 결정하였다.
각 상호 행동마다 15개의 비디오 시퀀스를 캡쳐하여총 75개의 시퀀스를 실험 데이터로 사용하였다. 실험에 사용된 비디오 시퀀스는 건물 2층에 설치된 JAI CV-S3300 카메라를 이용하여 30 fps의 속도로 캡쳐하였다.
실험에 사용된 비디오 시퀀스는 건물 2층에 설치된 JAI CV-S3300 카메라를 이용하여 30 fps의 속도로 캡쳐하였다. 이미지의 크기는 320x240이고, 색상은 24비트 컬러이다.
실험에 사용된 비디오 시퀀스는 건물 2층에 설치된 JAI CV-S3300 카메라를 이용하여 30 fps의 속도로 캡쳐하였다. 이미지의 크기는 320x240이고, 색상은 24비트 컬러이다. 본 논문에서는 두 명의 휴먼 객체 사이에서 일어나는 상호 행동을 모델링하는 것에 초점을 두고 있으므로, 휴먼 객체의 검출과 추적은 수동으로 하였다.

데이터처리

모델의 인식 성능을 테스트를 하였다. 데이터 셋이 부족하기 때문에 인식 성능은 교차 검증 기법을 이용하여 평균값을 인식 성능으로 결정하였다. 표 1은 제안한 방법과 기존의 방법과의 인식 성능을 보여준다.

이론/모형

본 논문에서는 두 명의 휴먼 객체 사이에서 일어나는 상호 행동을 모델링하는 것에 초점을 두고 있으므로, 휴먼 객체의 검출과 추적은 수동으로 하였다. 부-상호 행동들의 표현은 기존의 여러 논문에서 이용된 동적 확률 모델을 이용한다. 본 논문에서는 Multiple Observation HMMs(M0HMMs)[6], Parallel HMMs(PaHMMs)[8], Coupled HMMs(CHMMs)[l], Factorial HMMs(FH-MMs)[9], Observation Decomposed HMMs(ODHMMs) [2]를 이용한다.
있다. 상호 행동을 표현하기 위해 Liu와 Chua가제안한 휴먼의 이동 방위와 위치 변화에 강인한 특징[2] 을 이용한다. 그러나 양자화에 따른 에러를 피하기 위 해연 속값을 이용하며, 가우시안으로 모델링한다.

성능/효과

또한 부-상호 행동간의 전이확률을 미리 학습된 값을 따르는 것이 아니라, 현재 시간에 관측된 특징값에 기반하여 결정한다. Xiang과 Gong의 방법은 입력 패턴에 대한 확률값을 계산한 뒤, 스펙트럴 클러스터링 방법을 이용하여 인식을 수행하기 때문에 두 단계를 거쳐야 하나, 제안하는 방법은 마지막 입력 관측값에 대한 확률 계산과 동시에 인식 결과를 출력하여 인식 속도면에서 우수하다.
상호 행동의 동적 패턴 전체를 하나의 모델로 표현하기 보다는, 여러 상호 행동들이 공유하는 작은 단위의 부-상호 행동들을 자동으로 분할하여, 이들 부-상호 행동 모델들의 순차적 연결 또는 네트워크로 표현하였다. 복잡한 상호 행동을 상대적으로 단순한 부-상호행동 모델로 분할하여 모델링함으로써 계산 복잡도를 줄이고, 적은 양의 데이터로도 학습이 가능함을 실험을 통해 확인하였다.
복잡한 휴먼 상호 행동을 부-상호행동으로 분할 모델링 한 뒤, 이들 모델들을 네트워크로 구성하여 휴먼 상호 행동을 인식하는 방법을 제안한다. 새로운 상호 행동 패턴을 인식할 필요가 있을 경우, Hake血과 Shah의 방법은 모든 학습 데이터를 이용하여 새로이 종속 그래프를 생성해야 하는 반면, 제안하는 방법은 기존에 모델에 포함되어 있지 않은 부-상호 행동에 대해서만 학습을 하고, 네트워크에 추가하기만 하면 된다는 장점을 가진다. 또한 부-상호 행동간의 전이확률을 미리 학습된 값을 따르는 것이 아니라, 현재 시간에 관측된 특징값에 기반하여 결정한다.
사실, 검증 단계는 네트워크에서의 추론에 직접적으로 적용될 수 있다. 즉, 네트워크 노드에 연결된 부-상호 행동 모델로 우도값을 전파할 때, 이 우도값을 생성한 이전 부-상호 행동 모델에서 다음 부-상호행동 모델로의 이동 경로가 정의되어 있지 않은 경우, 무한히 작은 값을 전파함으로써 이 경로가 최종적으로 선택되는 것을 피할 수 있다.
그러나, 이는 동일한 학습데이터를 이용하여 더 높은 성능을 보인 제안한 방법의 우수성을 역으로 보여준다고 할 수 있다. 즉, 복잡한 상호 행동을 작은 단위의 부-상호 행동으로 분할하여 모델링함으로써 모멜의 복잡도를 줄일 수 있으며, 부-상호행동 모델들올 결합하여 복잡한 상호 행동을 표현할 수 있다는 것은 제안한 방법의 장점이다,
표 1은 제안한 방법과 기존의 방법과의 인식 성능을 보여준다. 표에 보여진 바와 같이 상호 행동을 부-상호 행동 모델들의 네트워크로 구성하여 인식한 방법이 기존의 상호 행동 전체를 모델링하는 방법보다 성능이 우수함을 알 수 있다. 기존 방법에서의 성능이 떨어진 것은 학습 데이터가 부족한 것이 원인일 수 있다.

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

동적 확률 모델 네트워크 기반 휴먼 상호 행동 인식
Hunan Interaction Recognition with a Network of Dynamic Probabilistic Models 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

동적 확률 모델 네트워크 기반 휴먼 상호 행동 인식 Hunan Interaction Recognition with a Network of Dynamic Probabilistic Models 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

석흥일 (4) 이성환 (36)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

동적 확률 모델 네트워크 기반 휴먼 상호 행동 인식
Hunan Interaction Recognition with a Network of Dynamic Probabilistic Models 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper