선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 걸음걸이 영상으로부터 실루엣 기반의 에너지 영상을 추출한 후 컨투어렛(contourlet)과 퍼지 LDA (Linear Discriminant Ana曲ysis)를 적용한 개인 확인 시스템을 제안한다. 본 논문에서는 적용된 컨투어렛은 2차원 웨이블렛 변환과 같이 다중스케일(multiscale) 개념을 이용하여 영상을 주파수 대역별로 분할한 후, 방향성 필터뱅크 (directional filter bank)를 이용하여 분할된 영역 내에서 대역별 및 방향성분별로 영상을 얻는다.
- 본 논문에서는 컨투어렛 변환을 통한 부대역 영상을 이용한 퍼지 LDA 기반 걸음걸이 인식 시스템을 제안하였다. 제안된 시스템은 컨투어 렛 다해상도 기법을 이용하여 방향별 부대역으로 걸음걸이 에너지 영상을 분해하였으며, 각각의 부대역별 영상에 대하여 퍼지LDA를 이용하여 특징을 추출하였으며, 대역별 유클리디안거리척도로 산출된 매칭 도를 융합하여 최종 인식을 수행하였다.
- 본 논문에서는 퍼지LDA에 의해 산출된 매칭도 외에 컨투어렛에 의해 얻어진 방향별 매칭도를 동시에 고려하여 걸음걸이 인식률을 향상시키는 방법을 제안한다. 이를 위해 퍼지 LDA에 사용된 특징벡터의 수를 결정하는 문제와 컨투어렛에 의해 얻어진 다양한 방향성분을 갖는 부대 역들 중에서 어떤 부대역을 사용할 것인가를 결정해야 한다.
제안 방법
- sum rule)을 적용하였다. 각대역별 매칭 도를 융합하기에 앞서 매칭도 정규화 과정을 필요로 하게 되는데 Z-Score 정규화를 통해 매칭도를 정규화 하였다.
- 각각의 DB에서 대역별로 거의 동일한 패턴의 인식률 변화를 확인할 수 있었으며, 이를 통해 걸음걸이 에너지 영상에서의 컨투어렛을 통한 방향별 부대역 영역에서의 공통적인 특징을 확인할 수 있었다. 따라서 이러한 각각의 부대역 중 인식률이 우수한 2, 6, 7의 부대역 영역을 선택해 융합하여 실험하였다.
- 본 논문에서는 적용된 컨투어렛은 2차원 웨이블렛 변환과 같이 다중스케일(multiscale) 개념을 이용하여 영상을 주파수 대역별로 분할한 후, 방향성 필터뱅크 (directional filter bank)를 이용하여 분할된 영역 내에서 대역별 및 방향성분별로 영상을 얻는다. 이러한 대행상도 및 다중 방향성 정보로 표현되는 컨투어렛은 2차원 웨이블렛에 비하여 자연 영상의 주요 특징인 부드러운 윤곽선(smooth contour)을 효과적으로 표현할 수 있는 장점을 갖는다.
- LDA는 클래스 내의 분산을 나타내는 행렬(within-scatter matrix)과 클래스 간 분산을 나타내는 행렬(between-scatter matrix)의 비율이 최대가 되도록 하는 선형 변환 방법으로 영상 공간에서 저 차원의 특징공간으로의 선형사영을 기초로 하므로 전체 데이터베이스의 모든 걸음걸이 에너지 영상을 최대화하는 사영 방향을 찾아낸다’ 조명 조건과 외부 환경 변화로 생기는 원하지 않는 변화도 포함되게 되므로 주성분 분석기법 (PCA: Principal Component Analysis) 은 저차원의 기저벡터로부터 복원을 하는 관점에서는 최적의 방법이지만 조명이나 외부 환경 변화가 있는 영상의 식별, 인식에서는 LDA기법이 우수한 인식 성능을 나타내고 있다. 본 논문에서는 컨투어렛변환된 걸음걸이 에너지 영상에 대하 여주 성분분석기법을 적용하여 저 차원으로 축소한 후 퍼지 LDA를 이용하여 특징벡터를 추출하는 방법을 사용하였다.
- 실루엣 영상은 동일한 사람, 동일한 환경일지라도 촬영된 거리에 따라 다른 크기를 가지게 되는데 이러한 거리에 따른 변화를 줄이기 위해 세로의 길이가 128이 되도록 영상의 크기를 재조정하였다. 또한 걸음걸이 에너지 영상을 얻기 위해서는 보폭의 주기를 필요로 하게 되는데, 보폭 정보는 실루엣 하반신 영역의 실루엣 가로폭에 의해 결정되며, , 한 주기는 보폭의 크기가 최대일 때부터 다음 최대일 때까지를 의미한다.
- 정규화는 노멀라이즈(normalize), 또는 카노니컬라이즈 (canonicalize)라고도하는 전 분야에서 사용되고 있는 용어 각 시스템에서 나오는 매칭값들을 정규화하기 위해서 각 매칭값 분포들을 분석하여 여러 가지의 정규화 방법 중에 가장 적합한 방법을 적용하여 매칭값 수준에서의 결합방식의 시스템의 신뢰성을 높이고자 한다.
- 그림 5. 제안 된 걸음걸이 인식 알고리즘.
- 제안된 방법의 우수성을 보이기 위해 취득된 4set의 걸음걸이 영상을 3set는 학습용, Iset는 검증용으로 하여 실험 set의 순서를 변경하면서 총 4회 실험을 하였다. 표 1에서는 CBNU DB와 NLPR DB에 대한 실험 결과를 나타냈다.
- 이러한 대행상도 및 다중 방향성 정보로 표현되는 컨투어렛은 2차원 웨이블렛에 비하여 자연 영상의 주요 특징인 부드러운 윤곽선(smooth contour)을 효과적으로 표현할 수 있는 장점을 갖는다. 제안된 시스템은 우선적으로 걸음걸이 주기분석을 통해 실루엣 영상의 에너지를 얻는다. 다음 단계로 컨투어렛에 의해 걸음걸이 영상을 방향성분별로 분할한 후, 퍼지 LDA기법을이용하여 방향 성분별로 분할된 부영상에서 특징벡터를 각각 산출한다.
- 제안하였다. 제안된 시스템은 컨투어 렛 다해상도 기법을 이용하여 방향별 부대역으로 걸음걸이 에너지 영상을 분해하였으며, 각각의 부대역별 영상에 대하여 퍼지LDA를 이용하여 특징을 추출하였으며, 대역별 유클리디안거리척도로 산출된 매칭 도를 융합하여 최종 인식을 수행하였다.
- 하나의 영상 패턴으로 표현된 걸음걸이 특징을 컨투어렛변환한 후 이러한 각각의 방향성 분별 대역에서 퍼지 LDA 를 이용하여 특징벡터를 획득하는 방법을 사용하였다.
대상 데이터
- CBNU DB는 20명에 대해서 걸음걸이 영상을 취득하였으며, 한 사람당 0。, 45。방향에서 각각 네 번씩 촬영된 4set의 걸음걸이 영상으로 구성되어 있다. NLPR DB 또한 총 20명에 대해서 0。, 45° 방향에서 각기 다른 시간에서 촬영된 4set의 걸음걸이 영상으로 구성되어 있다. 그림 10에서는 실험에 사용된 일부 영상을 나타냈다.
- 이 중에서 한 사람당 3set은 학습용으로 사용하였고 나머지 Iset은 검증용으로 사용하였다. NLPR DB의 경우 사용된 걸음걸이 영상은 총 20명으로부터 취득한 4set으로부터 한 걸음에 해당하는 걸음걸이 에너지 영상을 취득한 결과 총 728개의 영상을 취득하였다. 이 중에서 한 사람당 3set은 학습용으로 사용하였고 나머지 Iset은 검증용으로 사용하였다.
- 0。, 45。방향에서 각각 네 번씩 촬영된 4set의 걸음걸이 영상으로 구성되어 있다. NLPR DB 또한 총 20명에 대해서 0。, 45° 방향에서 각기 다른 시간에서 촬영된 4set의 걸음걸이 영상으로 구성되어 있다.
- 걸음걸이는 사람의 체형, 다리 길이 등과 같이 신체 모양과 관련된 정적인 단서와 걷는 습관이나 속도 등과 같이 신체운동과 관련된 동적인 단서에 의해 결정된다. 본 논문에서 사용한 걸음걸이 특징 영상은 정적인 모양과 동적인 움직임을 효과적으로 표현할 수 있는 비모델 기반 걸음걸이 에너지 영상 (GEI)을 사용하였다 [16]. 여기서 걸음걸이 에너지 영상은 그림 l 과 같이 걸음걸이한 주기 동안의 실루엣 영상의 평균을 통해 얻어진다.
- 본 논문에서 사용한 방향성 필터 뱅크는 Z = 3이며, 2, =8 개의 실제 쐐기 모양의 주파수 대역이 존재한다. 그림 9는컨투어렛 변환에 의해 분해된 걸음걸이 에너지 영상의 한 예를 보여준다.
- 그림 11에 나타냈다. 실험에 사용된 CBNU DB의 경우 사용된 걸음걸이 영상은 총 20명으로부터 취득한 4set 으로부터 한 걸음에 해당하는 걸음걸이 에너지 영상을 취득한 결과 총 1342개의 영상을 취득하였다. 이 중에서 한 사람당 3set은 학습용으로 사용하였고 나머지 Iset은 검증용으로 사용하였다.
- 그림 12는 각각의 DB에 대하여 컨투어렛 변환을 통해 방향별 부대역으로 영상을 분해한 후각각의 분해 영상에 대한 퍼지LDA를 통한 인식률을 나타낸다. 실험에서 사용한 방향성 필터 뱅크는 Z = 3 으로 총 23=8개의 대역으로 영상을 분해하였다. 각각의 DB에서 대역별로 거의 동일한 패턴의 인식률 변화를 확인할 수 있었으며, 이를 통해 걸음걸이 에너지 영상에서의 컨투어렛을 통한 방향별 부대역 영역에서의 공통적인 특징을 확인할 수 있었다.
- 실험에 사용된 CBNU DB의 경우 사용된 걸음걸이 영상은 총 20명으로부터 취득한 4set 으로부터 한 걸음에 해당하는 걸음걸이 에너지 영상을 취득한 결과 총 1342개의 영상을 취득하였다. 이 중에서 한 사람당 3set은 학습용으로 사용하였고 나머지 Iset은 검증용으로 사용하였다. NLPR DB의 경우 사용된 걸음걸이 영상은 총 20명으로부터 취득한 4set으로부터 한 걸음에 해당하는 걸음걸이 에너지 영상을 취득한 결과 총 728개의 영상을 취득하였다.
이론/모형
- 걸음걸이 에너지영상 (GEI)의 특징을 추출하기 위해 본 논문에서 적용된 퍼지 LDA 알고리즘은 주성분 분석기법에 의해 GEI의 입력 차원을 축소한 후, 축소된 특징벡터와 퍼지소속도 함수를 이용하여 GEI의 특징을 추출한대 23]. 영상이 각각의 화소값을 갖는 2차원 배열(nxn) 이라고 가정하자.
- 제안된 시스템은 우선적으로 걸음걸이 주기분석을 통해 실루엣 영상의 에너지를 얻는다. 다음 단계로 컨투어렛에 의해 걸음걸이 영상을 방향성분별로 분할한 후, 퍼지 LDA기법을이용하여 방향 성분별로 분할된 부영상에서 특징벡터를 각각 산출한다. 최종 단계에서는 각각의 대역별로 산출된 매칭 도를 효과적으로 융합할 수 있는 융합기법을 이용하여 개인 확인이 이루어진다.
- 본 논문에서 제안한 걸음걸이 알고리즘의 성능을 평가하기 위하여 직접 구축한 CBNU DB와 걸음걸이의 대표적인 CASIA 걸음걸이 DB (NLPR DB)[22]를 사용하였다. CBNU DB는 20명에 대해서 걸음걸이 영상을 취득하였으며, 한 사람당 0。, 45。방향에서 각각 네 번씩 촬영된 4set의 걸음걸이 영상으로 구성되어 있다.
- 본 논문에서는 컨투어렛 변환에 의해 걸음걸이 에너지 영상을 대역별로 분해한 후 퍼지LDA를 이용하여 대역별로 유사도를 산출하였으며, 대역별 최종 융합방법으로는 가중치합기법(weight sum rule)을 적용하였다. 각대역별 매칭 도를 융합하기에 앞서 매칭도 정규화 과정을 필요로 하게 되는데 Z-Score 정규화를 통해 매칭도를 정규화 하였다.
성능/효과
- 실험에서 사용한 방향성 필터 뱅크는 Z = 3 으로 총 23=8개의 대역으로 영상을 분해하였다. 각각의 DB에서 대역별로 거의 동일한 패턴의 인식률 변화를 확인할 수 있었으며, 이를 통해 걸음걸이 에너지 영상에서의 컨투어렛을 통한 방향별 부대역 영역에서의 공통적인 특징을 확인할 수 있었다. 따라서 이러한 각각의 부대역 중 인식률이 우수한 2, 6, 7의 부대역 영역을 선택해 융합하여 실험하였다.
- 특징을 확인할 수 있었다. 또한 대역별 융합을 통한 최종 인식 결과 걸음걸이 에너지 영상의 인식에 있어서컨투어렛 변환을 통한 방향성분이 인식률을 향상 시키는데 기여한다는 것을 확인하였다.
- 표 1에서는 CBNU DB와 NLPR DB에 대한 실험 결과를 나타냈다. 표 1에서 보는 바와 같이 CBNU DB의 경우 0。에서 촬영된 걸음걸이 영상은 PCA을 적용한 결과 96.66[%], 퍼지 LDA 를 적용한 결과 99.85[%], 제안된 방법을 적용한 결과 100[%]의 인식률을 나타냈다. 45。에서 촬영된 걸음걸이 영상은 PCA을 적용한 결과 97.
- 85[%], 제안된 방법을 적용한 결과 100[%]의 인식률을 나타냈다. 45。에서 촬영된 걸음걸이 영상은 PCA을 적용한 결과 97.55[%], 퍼지LDA를 적용한 결과 99.09[%], 제안된 방법을 적용한 결과 99.23[%] 의 인식률을 나타냈다. NLPR DB를 대상으로 실험한 결과 0。에서 촬영된 걸음걸이 영상은 PCA을 적용한 결과 89.
- 이러한 결과로부터 제안된 방법이 기존의 방법들에 비하여 우수한 것으로 나타났다. 또한, 방향별 부대역 영역의 인식률에서는 전체적으로 45。에서 획득된 경우 0。에서 획득된 영상에 비해 더 낮은 인식률을 보이는 것으로 확인 되었지만, 융합 결과 인식률의 향상 면에서는 45。인 경우 0° 보다 높은 인식률의 향상을 가져다주는 것을 확인할 수 있었다
- 제안된 걸음걸이 인식 시스템을 NLPR 데이터베이스와 CBNU 걸음걸이 데이터베이스에 적용 실험한 결과 각각의 데이터베이스에서 대역별로 거의 동일한 패턴의 인식률 변화를 확인할 수 있었으며, 이를 통해 걸음걸이 에너지 영상에서의 컨투어렛 변환을 통한 방향별 부대역 영역에서의 공통적인 특징을 확인할 수 있었다. 또한 대역별 융합을 통한 최종 인식 결과 걸음걸이 에너지 영상의 인식에 있어서컨투어렛 변환을 통한 방향성분이 인식률을 향상 시키는데 기여한다는 것을 확인하였다.
후속연구
- 따라서 제안된 방법은 감시용 로봇에 있어서 원격에서 개인을 확인하고 인식하는 다양한 응용분야에 효과적으로 사용될 수 있으리라 생각된다.
- 본 논문에서 특징으로 표현된 걸음걸이 에너지 영상은 매우 고 차원의 패턴으로 표현되기 때문에 특징 추출과 분류를 위해서는 저 차원의 데이터로 표현되는 것이 요구된다. LDA는 클래스 내의 분산을 나타내는 행렬(within-scatter matrix)과 클래스 간 분산을 나타내는 행렬(between-scatter matrix)의 비율이 최대가 되도록 하는 선형 변환 방법으로 영상 공간에서 저 차원의 특징공간으로의 선형사영을 기초로 하므로 전체 데이터베이스의 모든 걸음걸이 에너지 영상을 최대화하는 사영 방향을 찾아낸다’ 조명 조건과 외부 환경 변화로 생기는 원하지 않는 변화도 포함되게 되므로 주성분 분석기법 (PCA: Principal Component Analysis) 은 저차원의 기저벡터로부터 복원을 하는 관점에서는 최적의 방법이지만 조명이나 외부 환경 변화가 있는 영상의 식별, 인식에서는 LDA기법이 우수한 인식 성능을 나타내고 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.