[논문]임베디드 시스템을 위한 영상객체의 검출방법

김연일; 노승용

doi:10.5302/j.icros.2009.15.4.420

문제 정의

본 연구에서 제안한 방법의 구현을 위해 Intel 사에서 오픈 소스 형식으로 제공하는 영상 처리 라이브러리 [9] 인 OpenCV b5(open source computer vision library beta 5)를 사용하였으며, 영상 실험은 임베디드 시스템과의 교차 개발 환경을 고려하여 Linux Fedora Core 4 환경에서 GNU C++ Compiler를 가지고 구현을 하였다. 또한 windows GUI 환경에서도 결과물이 동작되고 실험결과들을 확인할 수 있도록 구현하였다. 실험에 사용 된 호스트 컴퓨터는 Intel Dual Core 2.
본 논문은 기억 용량과 연산 능력이 제한된 임베디드 시스템에서 최소의 연산으로 객체를 검출하여 판별하는 패턴인식과 검출 방법을 제안하였다. 낮은 전력과 실시간 응답 특성이 요구되는 임베디드 시스템의 자율 주행 운반체 (carrier)에 이용하기 위해서는 그 특성에 맞게 연산량이 작은 수정된 알고리즘 개발이 필요하였다.
저전력과 실시간 응답특성이 요구되는 임베디드시스템을 위해서는 그 특성에 맞게 수정 보완된 알고리즘 개발이 필요하다. 임베디드 시스템에 적용되어 사용될 수 있는 적은 연산량으로 정확한 객체 인식이 가능한 고속의 객체 인식이 가능한 알고리즘을 제안하고자 한다. 영상에서 객체를 검출하는 방법은 템플릿 매칭과 같은 단순한 기법이 있지만, 크기 변화와 배경 영상 노이즈에 취약하다.

제안 방법

1000개의 Haar 분류기를 사용한다고 했을 때도 한 번에 1000개 모두를 비교하는 것이 아니라 처음엔 1개, 그 다음 10개, 25개, 25개 50개 등 그 개수를 증가시키면서 차례로 비교하는 방법을 사용한다. 이렇게 단계를 나누어서 비교하는 것을 cascade 라고 하며 사물의 속도를 가속화시킬 수 있다.
따라서 최종적으로 나온 유사도를 비교하여 객체 인식을 한다. CBCH 를 통해서 검출된 영상은 다양한 크기를 갖는다.
템플릿을 목표 영상의 전 영역에 대해서 이동하면서 템플릿 영상과 비교를 한다. 또한 이 영상 검출에서는 총 20번의 템플릿 매칭이 이루어지며, 유사도 배열은 시각화를 위해서 비교 값을 0에서 255 사이의 값으로 다시 스케일링하여 흑백 영상화하였다. 따라서 가장 밝게 나타나는 부분이 찾고자하는 객체의 좌 상단 위치가 된다.
따라서 주행하는 운반 시스템에서 실시간으로 영상 객체의 검출과 인식이용이 하도록 삼성의 ARM 프로세서인 S3C₂₄40 프로세서가 장착된 임베디드 보드에 표준형 Qplus를 porting하여 실험한다. 또한 타깃 보드인 SMDK-2440 보드에서 제안된 알고리즘과 기존의 알고리즘들에 대하여 검출율과 실시간 처리성능을 비교 분석한다.
크기는 비전의 아직 안 풀린 문제 중 하나인데 같은 모양이라도 화면에서 나타나는 크기가 모두 다를 수 있으며, 이것을 어떻게 처리하느냐가 객체 검출의 주요 연구 대상이다. 본 논문에서는 기억 용량과 연산 능력이 제한된 임베디드 시스템에서 최소의 연산으로 객체를 검출하고 인식할 수 있도록 CBCH 기법을 통해 객체의 위치와 크기를 알아내고 다시 그의 정보를 템플릿 매칭에 의해 유사도를 비교하여 객체를 판별하는 방법을 제안한다. 따라서 주행하는 운반 시스템에서 실시간으로 영상 객체의 검출과 인식이용이 하도록 삼성의 ARM 프로세서인 S3C₂₄40 프로세서가 장착된 임베디드 보드에 표준형 Qplus를 porting하여 실험한다.
본 논문의 실험은 고정된 카메라를 장착한 임베디드 시스템에서 배경 영상의 변회를 일정하게 유지한 환경으로 제약하고, 입력 영상을 실시간으로 받아들여 객체의 위치를 검출하고, 인식하는 것을 실험하였다. 본 연구에서 제안한 방법의 구현을 위해 Intel 사에서 오픈 소스 형식으로 제공하는 영상 처리 라이브러리 [9] 인 OpenCV b5(open source computer vision library beta 5)를 사용하였으며, 영상 실험은 임베디드 시스템과의 교차 개발 환경을 고려하여 Linux Fedora Core 4 환경에서 GNU C++ Compiler를 가지고 구현을 하였다.
또한 템플릿 매칭을 통해서 영상의 유사도를 구할 수 있다. 본 연구에서 제안 하는 방법은 그림 4(b)와 같은 과정을 거치게 되는데 CBCH 기법을 통해 객체의 위치와 크기를 알아내고 다시그 정보를 받아 객체를 판별하기 위해서 템플릿 매칭을 사용하여 유사도를 비교한다.
인식하는 것을 실험하였다. 본 연구에서 제안한 방법의 구현을 위해 Intel 사에서 오픈 소스 형식으로 제공하는 영상 처리 라이브러리 [9] 인 OpenCV b5(open source computer vision library beta 5)를 사용하였으며, 영상 실험은 임베디드 시스템과의 교차 개발 환경을 고려하여 Linux Fedora Core 4 환경에서 GNU C++ Compiler를 가지고 구현을 하였다. 또한 windows GUI 환경에서도 결과물이 동작되고 실험결과들을 확인할 수 있도록 구현하였다.
수정 보완된 인식방법은 ARM920T 프로세서로 구동하는 Embedded System에 적용되어 실험을 하였다. 320 x 240 픽셀 크기의 QVGA영상에 대해서 제안된 방법은 1.
차이를 비교하였다. 응답시간은 호스트 컴퓨터와 타깃 보드에서 각각 실험하였으며, 오차를 줄이기 위해서 각 크기의 영상에 대해서 10번 수행하여 나온 결과의 평균을 취하였다. 그림 8을 통해서 입력 영상의 크기가 좌우로 2배 증가함에 따라 응답시간도 약 4배씩 증가함을 알 수 있다.
기존의 알고리즘들은 인식률에 비례하여 연산량이 증가하는 경향을 보였으나 제안된 알고리즘은 적은 연산량으로 높은 인식률을 보여주었다. 제안된 알고리즘은 인텔사에서 제공되는 open source computer vision library 영상처리 라이브러리[9]를 사용하여 구현되었으며, ARM 크로스 컴파일러를 통해서 임베디드시스템에서 실행 가능하도록 설계하였다.
일반적인 USB PC 카메라로부터 받아들이는 배경영상과 입력 영상의 크기는 QVGA 표준을 맞추기 위해 320 X 240 pixel의 24bit 의 컬러 영상을 이용하였다. 초기과정에서는 알고리즘 동작의 구현과 확인을 위해서 정지영상만을 가지고 실험하였으며, 구현을 마치고 성능 평가 부분에서 성능 측정을 위해서 실시간으로 들어오는 동영상 데이터에서 프레임을 capture하여 처리 할 수 있도록 하였다. 알고리즘을 테스트하기 위해서 범용적인 목적을 갖는 삼성 제품 ARM920T프로세서인 S3C₂₄40으로 동작하는 SM DK2440보드 상에서 동작을 검증하였다.
그림 2에서는 7 X 5 픽셀의 영상에서 3 X 2 픽셀의 템플릿을 검출하는 과정을 보였고 5 X 4의 유사도 배열 결과를 나타내는 예를 보여주고 있다. 템플릿을 목표 영상의 전 영역에 대해서 이동하면서 템플릿 영상과 비교를 한다. 또한 이 영상 검출에서는 총 20번의 템플릿 매칭이 이루어지며, 유사도 배열은 시각화를 위해서 비교 값을 0에서 255 사이의 값으로 다시 스케일링하여 흑백 영상화하였다.

대상 데이터

본 논문에서는 기억 용량과 연산 능력이 제한된 임베디드 시스템에서 최소의 연산으로 객체를 검출하고 인식할 수 있도록 CBCH 기법을 통해 객체의 위치와 크기를 알아내고 다시 그의 정보를 템플릿 매칭에 의해 유사도를 비교하여 객체를 판별하는 방법을 제안한다. 따라서 주행하는 운반 시스템에서 실시간으로 영상 객체의 검출과 인식이용이 하도록 삼성의 ARM 프로세서인 S3C₂₄40 프로세서가 장착된 임베디드 보드에 표준형 Qplus를 porting하여 실험한다. 또한 타깃 보드인 SMDK-2440 보드에서 제안된 알고리즘과 기존의 알고리즘들에 대하여 검출율과 실시간 처리성능을 비교 분석한다.
CBCH 기법을 적용하여도 정확한 객체 검출을 위해서는 많은 연산을 필요로 한다. 실험에서는 임베디드 시스템을 타깃으로 하였기에 가장 보편적이고 단순한 형태의 Haar-Like 필터들을 사용하였다. 이 필터들은 덧셈과 뺄셈 그리고 단순한 로직 연산만을 사용하였으므로 빠른 성능을 보장 할 수 있었다.
실험에서는 총 100여장의 5가지 표식 촬영 사진들을 가지고 방향 표시 검출을 위한 분류기를 생성 하였다. 검출 과정에서 조명, 주변 배경화면등과 같은 요소가 고정된다면 CBCH 역시 거의 완벽한 검출 성능 보여 주었다.
초기과정에서는 알고리즘 동작의 구현과 확인을 위해서 정지영상만을 가지고 실험하였으며, 구현을 마치고 성능 평가 부분에서 성능 측정을 위해서 실시간으로 들어오는 동영상 데이터에서 프레임을 capture하여 처리 할 수 있도록 하였다. 알고리즘을 테스트하기 위해서 범용적인 목적을 갖는 삼성 제품 ARM920T프로세서인 S3C₂₄40으로 동작하는 SM DK2440보드 상에서 동작을 검증하였다. 그림 5는 본 연구의 실험에서 객체로 정의되어 사용되는 방향 표식들이다.
66 GHz, 2GB RAM에서 Microsoft Windows XP SP4 운영체제하에서 운영되었다. 일반적인 USB PC 카메라로부터 받아들이는 배경영상과 입력 영상의 크기는 QVGA 표준을 맞추기 위해 320 X 240 pixel의 24bit 의 컬러 영상을 이용하였다. 초기과정에서는 알고리즘 동작의 구현과 확인을 위해서 정지영상만을 가지고 실험하였으며, 구현을 마치고 성능 평가 부분에서 성능 측정을 위해서 실시간으로 들어오는 동영상 데이터에서 프레임을 capture하여 처리 할 수 있도록 하였다.
그림 6. 학습 데이터에 사용된 영상들.

이론/모형

그러나 이 방법은 확률적 접근 방법이기 때문에 정확한 객체 인식은 불가능하다. 따라서 이를 보완하기 위해 검출된 객체 영상을 다시 템플릿 매칭기법을 적용하여 객체 인식을 가능하게 하였다. 이를 통해 영상에서 적은 연산량으로 정확한 객체의 검출과 인식이 가능하게 하였다.
특히 연산량이 많다는 것은 곧 많은 컴퓨팅 파워를 소모하여 저전력 설계의 장애 요인이 될 수 있다. 이를 극복하기 위해서 본 논문에서는 특징 해석 기법 중의 하나인 CBCH알고리즘[5]을 사용하였다. CBCH기법은정확한 객체 검출과 적은 연산량을 특징으로 한다.
또한, 이 Haar 분류기의 특징 값은 누적된 밝기 값을 갖는 영상(integral image)을 이용하기 때문에 검정색 영역의 합과횐색 영역의 합의 차는 몇 번의 덧셈 뺄셈으로 이뤄질 수 있어서 다른 패턴 인식 방법에 비해 계산 속도가 매우 빠르다. 종래에 사물의 검출에 적절한 Haar 분류기의 조합을 찾기 위해서는 아다부스트(Adaboost)라는 알고리즘을 사용하였다. CBCH의 Boosted는 바로 아다부스트 알고리즘과 같이 여러 개의 분류기를 조합해서 사용하는 부스트(Boost) 알고리즘을 사용하기 때문이다{5].

성능/효과

System에 적용되어 실험을 하였다. 320 x 240 픽셀 크기의 QVGA영상에 대해서 제안된 방법은 1.6sec의 평균 응답 시간을 나타내었으며, 95%의 인식률로 자율 주행운반체를 원활하게 조정 할 수 있었다. 활용 분야로는 구조적으로 잘 설계된 물류 창고의 간단한 물류 운반체에 적용되어 보다 경제적이고 편리한 운전 환경을 제공할 것이다.
낮은 전력과 실시간 응답 특성이 요구되는 임베디드 시스템의 자율 주행 운반체 (carrier)에 이용하기 위해서는 그 특성에 맞게 연산량이 작은 수정된 알고리즘 개발이 필요하였다. 기존의 알고리즘들은 인식률에 비례하여 연산량이 증가하는 경향을 보였으나 제안된 알고리즘은 적은 연산량으로 높은 인식률을 보여주었다. 제안된 알고리즘은 인텔사에서 제공되는 open source computer vision library 영상처리 라이브러리[9]를 사용하여 구현되었으며, ARM 크로스 컴파일러를 통해서 임베디드시스템에서 실행 가능하도록 설계하였다.
표 2에서는 CBCH 기법을 이용할 때와 제안된 방법을 적용하였을 경우 응답시간이 현저히 줄어드는 것을 확인할 수 있다. 호스트 환경에서는 동영상 입력에 대해서 거의 실시간 처리가 가능했으며 타깃 보드에서도 구동부의 제어를 충분히 만족시키는 응답시간을 보여주고 있다.

후속연구

활용 분야로는 구조적으로 잘 설계된 물류 창고의 간단한 물류 운반체에 적용되어 보다 경제적이고 편리한 운전 환경을 제공할 것이다. 만약 입력영상과 배경영상이 움직임이 있을 때와 객체의 이동이 있을 때에는 자가 학습할 수 있는 검출기를 부가하고 다중 객체 처리 방법을 보완하면 인식오류의 문제를 어느 정도 개선할 수 있을 것으로 기대한다.

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

임베디드 시스템을 위한 영상객체의 검출방법
Image Objects Detection Method for the Embedded System 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

임베디드 시스템을 위한 영상객체의 검출방법 Image Objects Detection Method for the Embedded System 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

김연일 (1) 노승용 (10)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

임베디드 시스템을 위한 영상객체의 검출방법
Image Objects Detection Method for the Embedded System 원문보기

AI 본문요약
AI-Helper