[논문]HOG 특징 및 영상분할을 이용한 부스팅분류 기반 자동차 검출 기법

최미순; 이정환; 노태문; 심재창

HOG 특징 및 영상분할을 이용한 부스팅분류 기반 자동차 검출 기법
Vehicle Detection Scheme Based on a Boosting Classifier with Histogram of Oriented Gradient (HOG) Features and Image Segmentation] 원문보기

정보과학회논문지. Journal of KIISE. 컴퓨팅의 실제 및 레터, v.16 no.10, 2010년, pp.955 - 961

최미순 (안동대학교 컴퓨터공학과) , 이정환 (안동대학교 전자공학과) , 노태문 (한국전자통신연구원) , 심재창 (안동대학교 컴퓨터공학과)

초록
AI-Helper

본 논문에서는 HOG 특정벡터와 영상분할을 이용한 부스팅 분류기반의 자동차영역 검출 알고리즘의 연구에 대해서 기술한다. 입력된 영상으로부터 차량을 검출하기위해 먼저 분할 후 합병(split-merge) 방법을 적용하여 영상을 분할한다. 그리고 가장 큰 두 영역을 검색 영역에서 제외하여 처리 속도를 향상 시킨다. 각 영역에 대해 HOG(histogram of oriented gradient) 특정을 추출한다. 분류기는 두 개의 모집단을 분류하는데 많이 사용되고 있는 AdaBoost 방법을 사용한다. 제안방법의 성능 평가를 위해 537개의 영상을 사용하여 분류기를 학습하였으며, 또한 학습에 사용하지 않은 비학습영상 500개를 사용하여 인식률을 구하였다. 실험결과 비학습영상에 대해 98.34%의 인식률을 얻었다. 결론적으로 제안된 방법이 지능형 자동차 제어 시스템에서 차량의 위치를 찾는 방법으로 활용될 수 있다.

Abstract ▼ AI-Helper

In this paper, we describe a study of a vehicle detection method based on a Boosting Classifier which uses Histogram of Oriented Gradient (HOG) features and Image Segmentation techniques. An input image is segmented by means of a split and merge algorithm. Then, the two largest segmented regions are removed in order to reduce the search region and speed up processing time. The HOG features are then calculated for each pixel in the search region. In order to detect the vehicle region we used the AdaBoost (adaptive boost) method, which is well known for classifying samples with two classes. To evaluate the performance of the proposed method, 537 training images were used to train and learn the classifier, followed by 500 non-training images to provide the recognition rate. From these experiments we were able to detect the proper image 98.34% of the time for the 500 non-training images. In conclusion, the proposed method can be used for detecting the location of a vehicle in an intelligent vehicle control system.

주제어

AI 본문요약
AI-Helper

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

문제 정의

차량검출을 위한 특징으로 HOG(histogram of gradient), 가버 (Gabor)필 터, Haar-like변환, 웨이브렛변환, 칼라, 텍스춰, 스테레 오 등이 사용될 수 있으나 응용에 따라 특징을 선택할 수 있다[1,8,14]. 본 논문에서는 얼굴인식에 주로 많이 사용되어 성능이 우수한 것으로 알려진 HOG특징을 사용하여 차량 영역을 검출하고자 한다.
본 논문에서는 입력영상에 대하여 HOG특징벡터 및 영상분할을 적용하여 부스팅기반의 자동차 검출방법을 연구하였다. 입력영상을 분할후 합병기법을 사용하여 분 할하고 차량이 존재하지 않을 영역(주로 도로 및 하늘 등)을 사전에 제외하고 나머지 영역만 집중적으로 탐색 하여 차량을 검출하는 방법을 제안하였다.
본 논문은 도로를 주행할 때 전방에 달리는 차량이나 노 견에 주차된 차량을 검출하는 알고리즘을 개발하고자• 한다. 이를 위해 차량의 전면과 후면영상을 이용하여 앞에서 달려오는 차량과 앞에서 달려가는 차량을 검출하는 방법을 주로 연구한다.

가설 설정

그림 6怎)는 그림 5의 영상에 대하여 각 영역에 대한분 할영역의 화소수를 표시한 것으로, 즉 가로축인 영역번호 에 따른 영역 화소수의 분포도이다. 본 논문에서는 화소 수가 가장 큰 두 영역은 차량이 포함되지 않은 영역(도로 혹은 하늘 등)으로 가정하여 이를 제외한 나머지 영역을 탐색하여 차량영역을 구한다. 그림 6(b)는 탐색할 영역의 화소수와 탐색제외 영역의 화소수의 비율을 표시한 것이다.

제안 방법

AdaBoost 분류기의 학습은 학습영상 537개 각각에 대하여 앞에서 설명한 HOG특징벡터를 계산하여 AdaBoost 의 강한분류기 모델변수 由*)를 구하였다. 또한 분류기 의 분류성능을 알아보기 위해 학습에 사용된 영상 537 개와 학습에 사용되지 않은 영상(비학습영상) 500개로 실험하였다.
를 계산하기 위해 소벨(Sobel)연산자를 사용하고, 応j)은 기울기 크기의 방향성만을 고려하면 0°~180° 를 20。간격으로 나누어 하나의 셀당 9개의 방향성 히스 토그램 빈(bin)을 갖도록 구성한다. 그리고 각 히스토그 램 빈에 기울기 크기값을 누적하여 분포도를 구한다. 또한 한 개의 블록(block)은 3×3개의 셀을 포함하고 있으며 각 블록은 정규화하였다.
그림 1에서 숫자는 분할하는 순서대로 부여한 블록의 인덱스를 나타내는데, 예를 들면 312는 계층적으로 맨 윗 층에서는 3번째 블록, 다음 층에서는 1번째 블록, 마 지막 층에서는 2번째 블록을 나타내고 있다. 또한 분할 후 합병 알고리즘은 최소영역의 단위를 2x2까지 계충적 으로 나누고 이를 합병하기 때문에 하드웨어로 구현하기 쉬운 장점이 있어 본 논문에서는 향후 SoC칩 구현 을 고려하여 이 방법을 사용하였다. 그림 1(b)는 그림 1(a)의 경우를 나무구조로 표시한 것으로 분할후 합병시 이웃블록을 쉽게 찾도록 하기 위한 자료구조이다.
본 논문에서는 각 블록을 분할후 합병하기 위한 척도 로는 평균 및 분산을 사용하였다. 도로영상의 경우 뒤에서 달리는 차량이 앞 차량을 추적하는 경우와 전방에서 달려오는 차량이 대부분이기 때문에 입력영상의 중앙부 분은 아스팔트 위의 차량, 중앙선 등이 있으며, 좌우에는 나무, 숲, 가드레일 등이 있고 위쪽에는 하늘이 있을 수 있다.
여기서 北는 블록내의 특징 수(본 논문에서는 81개)이 고 ee 분모가 0가 되었을 때 계산 불능을 방지하기 위한 값으로 1이다. 이 특징을 사용하여 AdaBoost분류기 를 학습하여 강한분류기의 모델변수를 구한다.
먼저 입력된 영상에서 자동차가 존재할 영역을 미리 찾 고, 이 영역을 집중적으로 탐색하면 검출시간을 보다 빠 르게 할 수 있다. 이를 위해 본 논문에서는 자동차영역 검출을 위한 전처리과정으로 분할후 합병 방법을 적용하여 입력영상을 분할한다H3］. 분할후 합병 방법의 구조도 는 그림 1■과 같다.
본 논문에서는 입력영상에 대하여 HOG특징벡터 및 영상분할을 적용하여 부스팅기반의 자동차 검출방법을 연구하였다. 입력영상을 분할후 합병기법을 사용하여 분 할하고 차량이 존재하지 않을 영역(주로 도로 및 하늘 등)을 사전에 제외하고 나머지 영역만 집중적으로 탐색 하여 차량을 검출하는 방법을 제안하였다. 탐색영역의 각 화소에 대하여 HOG특징을 추출하였으며 이를 AdaBoost 분류기에 적용하여 영역을 차량 혹은 비차량영역 으로 분류하였다.
제안한 알고리즘의 성능을 평가하기 위해 도로주행하고 있는 차량영상과 주차된 차량의 전•후면영상을 사용하여 컴퓨터 모의실험을 수행하였다. AdaBoost 분류기 의 학습에 사용된 영상은 전면영상 137개와 후면영상 100개를 포함하여 모두 237개의 차량영상과 300개의 비 차량영상을 포함하여 전체 537개이다.
입력영상을 분할후 합병기법을 사용하여 분 할하고 차량이 존재하지 않을 영역(주로 도로 및 하늘 등)을 사전에 제외하고 나머지 영역만 집중적으로 탐색 하여 차량을 검출하는 방법을 제안하였다. 탐색영역의 각 화소에 대하여 HOG특징을 추출하였으며 이를 AdaBoost 분류기에 적용하여 영역을 차량 혹은 비차량영역 으로 분류하였다. 컴퓨터 모의실험은 일반도로 및 주차 장에서 획득한 영상을 사용하여 실험을 하였다.
특히 차량검출시간을 감소시키기 위해 입력영상을 분 할후 합병 (split-merge) 방법을 적용하여 먼저 영상을 분할하고, 분할된 영역중에서 차량이 존재하지 않을 영역을 제외하고 나머지 영역만 스캔하면서 차량을 검출 하는 방법을 연구한다. 즉 입력영상에 대해 스캔모드를 선택하는데 시내도로 혹은 건물과 가로수 둥 주변 환경 이 복잡할 경우에는 영역분할을 좀 더 세밀하게 할 필요가 있으므로 미시적 모드를 선택한다.

대상 데이터

AdaBoost 분류기의 학습은 학습영상 537개 각각에 대하여 앞에서 설명한 HOG특징벡터를 계산하여 AdaBoost 의 강한분류기 모델변수 由*)를 구하였다. 또한 분류기 의 분류성능을 알아보기 위해 학습에 사용된 영상 537 개와 학습에 사용되지 않은 영상(비학습영상) 500개로 실험하였다. 그러므로 분류기 성능평가를 위해 사용한 영상은 모두 1037개이다’
탐색영역의 각 화소에 대하여 HOG특징을 추출하였으며 이를 AdaBoost 분류기에 적용하여 영역을 차량 혹은 비차량영역 으로 분류하였다. 컴퓨터 모의실험은 일반도로 및 주차 장에서 획득한 영상을 사용하여 실험을 하였다.

데이터처리

그림 7 및 그림 8은 도로주행중인 차량영상에 대한 실험결과이다. 본 논문에서는 분할 후 합병알고리즘에서 이웃블록의 분할 및 합병을 위한 변수로는 평균 및 표 준편차를 사용하였는데 각각 10으로 설정하였다.

이론/모형

이를 위해 차량의 전면과 후면영상을 이용하여 앞에서 달려오는 차량과 앞에서 달려가는 차량을 검출하는 방법을 주로 연구한다. 본 연구에서 사용한 특징은 얼굴인식분 야에 주로 많이 사용되는 HOG［8］를 사용하고, 분류기로는 적응적 부스팅기법인 AdaBoost［6,9-12］를 사용한다.
즉 약한 부류기를 학습 시 킨 후 올바르게 분류된 데이터에 대해서는 낮은 에러 가 중치가 부과되고 올바르지 않게 분류된 데이터에 대해서 는 높은 에러 가중치를 부과하여 조건이 만족될 때까지 반복적으로 가중치의 값을 갱신한다. 본 연구에서는 사용한 AdaBoost알고리즘을 아래 표 1에 요약하였다.
차량영상을 검출하기 위해 Freund와 Schapire[10,ll]에 의해 제안된 AdaBoost 알고리즘을 사용하였다. AdaBoost 알고리즘은 약한 분류기 (weak classifier)와 강한 분류기 (strong classifier)를 사용하는 것으로 강한분류 기는 약한 분류기의 선형결합으로 구성되는데 일반적으로 두 종류의 클래스를 분류하기 위한 분류기로 사용된다.

성능/효과

그리고 각 블록에 대한 특징값은 스캔방향에 대하여 한 셀씩 이동(sliding) 하 면서 계산된다. 본 논문에서는 학습을 위한 영상의 크기는 64><8화소가 하나의 셀이므로 64개의 셀이 있고, 한 블록이 3*3셀로 구성되고 중복을 허 용하여 이동하므로 블록의 수는 36개이다. 따라서 한 블 록의 특징 수는 81이므로 HOG특징 수는 매 입력영상 마다 15876 (=81邓6)개가 구해진다.
영역의 수가 많을수록 탐색화소수도 증가하고, 반대 로 영역의 수가 적을수록 탐색화소수가 감소함을 알 수 있는데 이는 크기가 큰 영역의 수가 증가함을 의미한다. 시간 및 공간 복잡도(time and space complexilG를 O 표기 형태로 분석해 볼 때, 기존의 방식은 O(n)의 복잡도 를 가지며’ 제안된 방법은 0(063 X n)으로 약 37% 정도의 시간 및 공간 복잡도의 향상이 이루어진다.
실험결과 학습영상을 사용하여 분류한 결과는 진양성 (true positive) 및 진음성 (true negative) 모두 100% 인식률을 얻었다. 표 2는 비학습영상을 입력영상으로 하여 분류한 결과이다.

후속연구

향후 연구과제는 SVM, 신경망분류기와 비교할 필요가 있으며, 아울러 다양한 특징을 사용하여 성능을 비교 평가하기 위한 연구가 필요하다.

참고문헌 (15)

Zehang, "On-road vehicle detection a Review," IEEE Transactions on Pattern analysis and machine intelligence, vol.28, pp.694-711, 2006.

상세보기
J. M. Collado, C. Hilario, A. de la Escalera, J. M armingol, "Model based vehicle detection for intelligent vehicles," IEEE Intelligent Vehicles Symposium, pp.572-577, June, 2004.
Xin Li, XiaoCao Yao etc, "A real-time vehicle detection and tracking system in outdoor traffic scenes," Proc. of the 17th International conference on Pattern recognition (ICPR'04), 2004.
D. Gavrila and V. Phlomin, "Real-time object detection for "smart" vehicles," In CVPR, pp.87-93, USA, 1999.
G. Wang, E. Xiao, "Review on vehicle detection based on video for traffic surveillance," IEEE Intelligent Conference on Automation and Logistics, 2008.
P. Sakrapee, S. Chunhua, and Jian Zhang, "Fast pedestrian detection using a cascade of boosted covariance features," IEEE Trans. Circuit and System for Video Technology, vol.18, no.8, August 2008.
Zehang Sun, George Bebis, and Ronald Miller, "Monocular precrash vehicle detection: features and classifiers," IEEE Transactions on Image Processing, vol.15. no.7, pp.2019-2034, July 2006.

상세보기
N. Dalal and B. Triggs, Histogram of oriented gradients for human detection," CVPR2005, vol.1, pp.886-893, 2005.
P. Viola, M. Jones, "Rapid object detection using a boosted cascade of simple features," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol.1, pp.511-518, 2001.
Yoav Freund Robert E. Shapire, "A short introduction to boosting," Journal of Japanese Society for Artificial Intelligence, vol.14, no.5, pp.771-780, 1999.
Yoav Freund and Robert E. Schapire, "A decision theoretic generalization of on-line learning and an application to boosting," In Computational Learning Theory: Eurocolt '95, pp.23-37, Springer Verlag, 1995.
J. H. Lee, M. S. Choi, J. W. Seo, Y. G. Lee, T. M. Roh, and J. C. Shim, "Vehicle detection based on the boosting classifier and image segmentation," Proc. of the 12th conference on the Korea Multimedia Society, Nov. 2009 (in Korea).
R. O. Duda, P. E. Hart, and D. G. Stork, "Pattern recognition(2nd)," John Wiley & Sons, Inc., 2001.
I, Autio and T. Elomaa, "Flexible view recognition for indoor navigation based on Gabor filters and support vector machines," Pattern Recognition, 36, pp.2769-2779, 2003.

상세보기
B. K. Kim, Y. H. Lee, and T. S. Kim, "3D face recognition using curvature histogram of oriented gradients(HOG) for face contour line," Journal of Korean Institute of Information Technology, vol.7, no.6, pp.105-114, Dec. 2009 (in Korea).

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