본 논문은 2단계 연속(cascade) 방법을 이용한 향상된 보행자/비보행자 인식 알고리즘을 제안한다. 인식을 위한 분류기로는 약한 분류기를 강한 분류기로 만드는 아다부스트 알고리즘을 적용하였다. 먼저 두 가지 특징벡터를 추출 한다: (i) 기존의 기울기 히스토그램(HOG) 특성과 (ii) 한 점이 가지는 곡률특성 네 가지를 이용한 곡률-HOG를 제안하고 이용하였다. 그 다음 훈련 영상을 통하여 두 가지의 특징 벡터에 대해 약한 분류기로부터 강한 분류기를 얻었으며, 인식은 입력 영상으로부터 하나의 특징을 선택하여 이미 만들어진 강한 분류기를 통하여 1차적인 인식과 오인식을 실시하며, 오인식된 영상에 대해 2차적인 특징을 투입하여 이에 해당하는 강한 분류기를 통하여 2단계 아다부스트 알고리즘을 적용하여 최종적인 인식결과를 얻는다. 두 가지의 서로 다른 특성 벡터를 이용하여 연속 방법에 의한 2단계 아다부스트 알고리즘을 적용한 결과 기존의 실험 방법보다 더 정확한 인식 결과를 얻을 수 있었다.
본 논문은 2단계 연속(cascade) 방법을 이용한 향상된 보행자/비보행자 인식 알고리즘을 제안한다. 인식을 위한 분류기로는 약한 분류기를 강한 분류기로 만드는 아다부스트 알고리즘을 적용하였다. 먼저 두 가지 특징벡터를 추출 한다: (i) 기존의 기울기 히스토그램(HOG) 특성과 (ii) 한 점이 가지는 곡률특성 네 가지를 이용한 곡률-HOG를 제안하고 이용하였다. 그 다음 훈련 영상을 통하여 두 가지의 특징 벡터에 대해 약한 분류기로부터 강한 분류기를 얻었으며, 인식은 입력 영상으로부터 하나의 특징을 선택하여 이미 만들어진 강한 분류기를 통하여 1차적인 인식과 오인식을 실시하며, 오인식된 영상에 대해 2차적인 특징을 투입하여 이에 해당하는 강한 분류기를 통하여 2단계 아다부스트 알고리즘을 적용하여 최종적인 인식결과를 얻는다. 두 가지의 서로 다른 특성 벡터를 이용하여 연속 방법에 의한 2단계 아다부스트 알고리즘을 적용한 결과 기존의 실험 방법보다 더 정확한 인식 결과를 얻을 수 있었다.
In this paper, we suggest an advanced algorithm, to recognize pedestrian/non-pedestrian using second-stage cascade method, which applies Adaboost algorithm to make a strong classification from weak classifications. First, we extract two feature vectors: (i) Histogram of Oriented Gradient (HOG) which...
In this paper, we suggest an advanced algorithm, to recognize pedestrian/non-pedestrian using second-stage cascade method, which applies Adaboost algorithm to make a strong classification from weak classifications. First, we extract two feature vectors: (i) Histogram of Oriented Gradient (HOG) which includes gradient information and differential magnitude; (ii) Curvature-HOG which is based on four different curvature features per pixel. And then, a strong classification needs to be obtained from weak classifications for composite recognition method using both HOG and curvature-HOG. In the proposed method, we use one feature vector and one strong classification for the first stage of recognition. For the recognition-failed image, the other feature and strong classification will be used for the second stage of recognition. Based on our experiment, the proposed algorithm shows higher recognition rate compared to the traditional method.
In this paper, we suggest an advanced algorithm, to recognize pedestrian/non-pedestrian using second-stage cascade method, which applies Adaboost algorithm to make a strong classification from weak classifications. First, we extract two feature vectors: (i) Histogram of Oriented Gradient (HOG) which includes gradient information and differential magnitude; (ii) Curvature-HOG which is based on four different curvature features per pixel. And then, a strong classification needs to be obtained from weak classifications for composite recognition method using both HOG and curvature-HOG. In the proposed method, we use one feature vector and one strong classification for the first stage of recognition. For the recognition-failed image, the other feature and strong classification will be used for the second stage of recognition. Based on our experiment, the proposed algorithm shows higher recognition rate compared to the traditional method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이러한 보행자 검출 연구는 지능형 차량과 감시카메라 등에서 많이 적용되어 연구되고 있다. 특히 지능형 차량에서의 보행자 검출은 날로 늘어나고 있는 차량에 의한 보행자의 사고를 방지하여 보행자가 골목길이나 도로의 가장자리에 있을 경우 안전한 보행을 만드는데 목적이 있다. 영상 기반의 보행자 검출은 쉽지 않지만 특히 차량이 움직일 때 보행자를 검출하는 것은 더욱 간단하지 않다,
본 논문에서는 주 곡률, K 그리고 M의 부호가 아닌 곡률 값 변화 특성을 이용하고자 한다. K 와 A/의 정의식은 위와 같으며 일반 표면 곡률을 k 라 할 때, k 와가우스 곡률(K) 및 평균 곡률(归) 사이의 관계는 식 (17)4 식 (18)과 같다.
본 논문은 앞서 실시한 입력 영상에 대한 보행자의 특징 벡터를 이용하여 보행자를 검출 하기위해 아다부스트 알고리즘을 사용하였다아다부스트의 기본 알고리즘은 약한 분류기(Weak Classifier)를 선형적 결합에 의해 강한 분류기(Strong Classifier)로 생성하고자 한다. 즉 약한 분류기를 학습 시킨 후 올바르게 분류된 데이터에 대해서는 낮은 에러 가중치가 부과되고 올바르지 않게 분류된 데이터에 대해서는 높은 에러 가중치를 부과하는 것이다.
본 논문에서는 아다부스트 알고리즘을 이용한 2단계 연속 방법을 제안한다. 기존의 방법에는 1개 혹은 히든계층에 의해 특징을 추출 한 후 분류기, 즉 아다부스트혹은 SVM 을 이용하여 보행자 및 비보행자를 분류 및 인식하는 방법을 사용하고 있다.
비해 높게 나타나지 못했다. 그래서 본 논문에서는 두 가지의 특성을 연속 방법을 이용한 2단계 아다부스트 알고리즘에 의한 보행자 및 비보행자 검출 방법을 제안하게 되었다. 이는 4절의 그림 3에 나타낸 순서도처럼 먼저 1차적으로 하나의 특성을 이용하여 1단계 아다부스트 알고리즘을 실시한 후 오인식된 영상에 대하여 2차적인 다른 특성을 가진 특징 벡터를 적용하여 2단계아다부스트 알고리즘을 실시하는 것이다.
제안 방법
본 연구에서는 보행자 검출을 위한 특징을 획득하기 위해 기울기(gmdient)의 방향성을 이용한 블록별 히스토그램을 구현하였으며, 빠르고 정확한 분류를 실현하기 위하여 전통적인 방법의 아다부스트 알고리즘을 적용하였다. HOG는 국소 영역에 대한 밝기 분포방향을 히스토그램 화 하여 특징 벡터로 나타내는 것이다, 그리고 각 점에서의 곡률 성분 특징들을 획득하여 이들을 이용한 곡률-HOG 연속 방식을 개발하였으며 보다 향상된 보행자 및 비보행자 검춞을 구현 하였다.
HOG는 국소 영역에 대한 밝기 분포방향을 히스토그램 화 하여 특징 벡터로 나타내는 것이다, 그리고 각 점에서의 곡률 성분 특징들을 획득하여 이들을 이용한 곡률-HOG 연속 방식을 개발하였으며 보다 향상된 보행자 및 비보행자 검춞을 구현 하였다. 2장에서는 특징추출을 위한 HOG 방법과 곡률을 설명하며, 3장에서는 분류에 사용된 아다부스트 알고리즘을 서술하고, 실험 및 결과를 4장에 그리고 5장에 결론을 나타내었다,
변화의 방향성。을 이용하여 8×8 픽셀 크기를 하나의 셀로 하였으며, 이 셀 내부의 밝기의 변화에 대한 방향성에 대해 히스토그램을 작성한다. 셀 표현의 예를 그림 1의 (c)에 나타내었다.
여기서 작성된 방향성분은 0-360°로 나타나지만 본 논문에서는 0-180°를 기준으로 나타내었다. 20°씩 분할하여 9개의 방향성에 대한 히스토그램을 작성하였다. 그림 1(a)는 입력 영상이며, 그림 1(c)에서 하나의 셀은 8×8 픽셀로 구성되어있는 것을 나타내며, 그림 1(d)은 3×3 셀의 크기를 하나의 블록으로 사용한 것을 나타내고 있다.
각 셀에서 작성된 밝기에 대한 방향성 히스토그램을 3×3 셀을 하나의 블록으로 하는 정규화를 실시한다. [행 j열의 셀(i, j)의 특징량(9차원)을 名, 广仇』, .
본 논문에서는 물체의 표면을 작은 조각들로 분할 (segment仪tion)을 한 후 조각을 2차원으로 변환하여 근사화 시키는 방법을 사용하였다. 물체의 표면은 영상의 한 점& y)에서 거리 값 沧勇)로 근사화할 수 있다.
기존의 방법에는 1개 혹은 히든계층에 의해 특징을 추출 한 후 분류기, 즉 아다부스트혹은 SVM 을 이용하여 보행자 및 비보행자를 분류 및 인식하는 방법을 사용하고 있다. 본 논문이 제안하고 있는 방법은 2차적 분류 방법과 각각의 분류에서 전혀 다른 특징 벡터를 이용하는 것이다. 이는 인식률을 향상시킬 수 있었으며, 오인식에 의한 인식률 저하를 서로 보완적인 역할에 의해 높은 인식률을 끌어 올렸다.
그리고 실험을 위한 입력 영상은 보행자 전체 영상 개수와 비보행자 전체 영상 개수 가운데서 훈련 영상으로 사용한 나머지 영상 650개씩, 60) 개씩 그리고 40。개씩을 각각 이용하였다. 보행자/비보 행자 검출을 위한 특징을 추출하기위해 앞 절에서 설명한 HOG 방법을 이용하여 1장의 영상으로부터 6, 804개의 특징을 추출하였다 그리고 곡률-HOG의 경우는 1장의 영상으로부터 4가지 곡률 성분인 최소곡률(K1), 최대곡률(K2), 가우스곡률(K) 그리고 평균곡률(M)을 각각 추출하여 HOG 과정을 거쳐 각각 6罷)4개의 특징을 추출하였다. 각 곡률 특징에 대한 예를 그림 6에 나타내었으며, 이는 특징 값이 0 이상인 경우에 대한 것이다.
논문에서는 두 가지의 특징 벡터를 연속으로 적용하는 방법에 의한 2단계 아다부스트 알고리즘을 적용하여 기존의 보행자/비보행자 인식률보다 높은 인식률을 획득할 수 있었다. 이전에 사용된 특징 외에 논문에서 제안한 특징 벡터는 각각의 픽셀이 가지는 네 가지 곡률 성분을 이용한 새로운 형태의 곡률-HOG 특징 벡터를 제안하였다. 제안된 방법의 실험을 위해 훈련 영상을 이용하여 두 가지의 특징 벡터를 각각 추출한 후 아다부스트 알고리즘을 이용하여 강한 분류기를.
이전에 사용된 특징 외에 논문에서 제안한 특징 벡터는 각각의 픽셀이 가지는 네 가지 곡률 성분을 이용한 새로운 형태의 곡률-HOG 특징 벡터를 제안하였다. 제안된 방법의 실험을 위해 훈련 영상을 이용하여 두 가지의 특징 벡터를 각각 추출한 후 아다부스트 알고리즘을 이용하여 강한 분류기를.각각 획득한다.
각각 획득한다. 그리고 입력 영상으로부터 하나의 특징 벡터 추출한 후 1단계에서 강한 분류기를 이용하여 인식과 오인식을 분류한다. 2단계에서는 1단계에서 오인식된 영상에 대해서 곡률-HOG 특징 벡터와 이에 대한 강한 분류기를 이용하여 최종적으로 인식 여부를 판단하는 실험을 하였다.
그리고 입력 영상으로부터 하나의 특징 벡터 추출한 후 1단계에서 강한 분류기를 이용하여 인식과 오인식을 분류한다. 2단계에서는 1단계에서 오인식된 영상에 대해서 곡률-HOG 특징 벡터와 이에 대한 강한 분류기를 이용하여 최종적으로 인식 여부를 판단하는 실험을 하였다. 제안된 알고리즘을 이용한 결과 기존의 1단계만을 이용했을 때 보다 상당히 높은 인식 결과를 나타내었으며, 동일 데이터에 대한 비교 실험에서도 인식 능력이 높다는 것을 확인할 수 있었다.
물체의 표면 특성을 이용하면 물체 인식을 위한 새로운 특성들을 얻을 수 있다口4丄 본 논문에서는 표면 특성의 성질을 잘 나타내는 표면 곡률 성분을 구하여 이를 HOG 방법에 의해 새로운 곡률-HOG 특성을 얻는다. 표면 특성은 표면 함수와 같은 수학적 형태로 정의되며, 임의의 평활 표면은 매개 변수공간에서 제1기 본형과 제2기본형으로 정의가 가능하다.
대상 데이터
본 논문에서는 펜티엄 3.1Ghz의 일반 사용자 컴퓨터 환경을 실험하였다. 사용된 데이터는 MIT공대에서 제공하고 있는 BMP 파일 형태로 된 보행자 사진 924 장중 900장의 명암도 영상으로 변환된 영상과 보행자가 포함되지 않은 임의의 명암도 영상에서 추출된 비보 행자 사진 900장을 사용하였으며, 영상의 크기는 128x64 를 적용하였다.
1Ghz의 일반 사용자 컴퓨터 환경을 실험하였다. 사용된 데이터는 MIT공대에서 제공하고 있는 BMP 파일 형태로 된 보행자 사진 924 장중 900장의 명암도 영상으로 변환된 영상과 보행자가 포함되지 않은 임의의 명암도 영상에서 추출된 비보 행자 사진 900장을 사용하였으며, 영상의 크기는 128x64 를 적용하였다. 보행자 영상 30장과 비보행자 영상 30장의 예를 그림 4에 나타냈고, 또한 그림 5에 보행자/비보 행자 오인식 영상의 예를 나타내었다.
보행자 영상 30장과 비보행자 영상 30장의 예를 그림 4에 나타냈고, 또한 그림 5에 보행자/비보 행자 오인식 영상의 예를 나타내었다. 본 논문에서는 3 가지 종류의 강한 분류기의 아다부스트를 생성하였다. 첫 번째 강한 분류기는 보행자 영상 250개와 비보 행자 영상 2#)개를 이용하였으며, 전체 50Q개의 훈련 영상이다.
본 논문에서는 3 가지 종류의 강한 분류기의 아다부스트를 생성하였다. 첫 번째 강한 분류기는 보행자 영상 250개와 비보 행자 영상 2#)개를 이용하였으며, 전체 50Q개의 훈련 영상이다. 두 번째 강한 분류기는 보행자 영상 300개와 비보 행자 영상 300개를 이용하였으며, 전체 畝)개의 훈련 영상이다.
첫 번째 강한 분류기는 보행자 영상 250개와 비보 행자 영상 2#)개를 이용하였으며, 전체 50Q개의 훈련 영상이다. 두 번째 강한 분류기는 보행자 영상 300개와 비보 행자 영상 300개를 이용하였으며, 전체 畝)개의 훈련 영상이다. 그리고 세 번째 강한 분류기는 보행자 영상 500 개와 비보행자 영상 500개를 이용하였으며, 전체 1000 개의 훈련 영상이다.
두 번째 강한 분류기는 보행자 영상 300개와 비보 행자 영상 300개를 이용하였으며, 전체 畝)개의 훈련 영상이다. 그리고 세 번째 강한 분류기는 보행자 영상 500 개와 비보행자 영상 500개를 이용하였으며, 전체 1000 개의 훈련 영상이다. 그리고 실험을 위한 입력 영상은 보행자 전체 영상 개수와 비보행자 전체 영상 개수 가운데서 훈련 영상으로 사용한 나머지 영상 650개씩, 60) 개씩 그리고 40。개씩을 각각 이용하였다.
이론/모형
이는 실시간 검출에 았어서 기존의 방법에 비해 뛰어난 성능을 보이며, 복잡하고 다양한 배경에서 강인하게 보행자를 주출할 수 있는 장점을 가지고 있다. 이러한 점을 고려하여 본 연구에서는 보행자를 검출하기 위해 아다부스트 알고리즘을 사용하였으며, 과정을 요약해보면 다음과 같다.
성능/효과
실험 결과보행자의 경우 98% 이상의 검출 능력을 보였으며, 비보 행자의 경우는 훈련 영상 개수가 4(X)개일 경우 약 84% 을 보였으나 훈련 영상 개수가 많을수록 96% 이상이 검출되었다. 보행자/ 비보행자의 오인식 결과 예를 그림 5에 나타내었다.
다음으로, 이러한 곡률 성분을 이용하여 새로운 곡률-HOG 특성을 얻은 후, 이들 성분 값을 이용한 곡률-HOG 방법 예 대한 아다부스트 분류 결과를 그림 8에 나타내었다. 실험 결과 보행자 검출인 경우는 평균 곡률이 훈련 영상 500개인 경우가 가장 높게(97.7%, 15개 오인식) 나타났으며, 비보행자인 경우는 가우스 곡률이 훈련 영상 600개인 경우가 가장 높은(94%, 24개 오인식) 결과를 보였다. 가장 낮은 인식률을 나타낸 보행자 실험 결과는 훈련 영상 600개의 K2(그림 8에서 P_K2 선분)인 경우로서, 91.
7%, 15개 오인식) 나타났으며, 비보행자인 경우는 가우스 곡률이 훈련 영상 600개인 경우가 가장 높은(94%, 24개 오인식) 결과를 보였다. 가장 낮은 인식률을 나타낸 보행자 실험 결과는 훈련 영상 600개의 K2(그림 8에서 P_K2 선분)인 경우로서, 91.7%(50개 오인식)을 나타내었으며, 그리고 가장 낮은 인식률을 보인 비보행자 실험 결과는 훈련 영상 600개의 K2(그림 8에서 NP_K2 선분)인 경우이며 69% (186개 오인식)의 인식률을 나타내었다.
본 논문에서 제안한 방법의 실험결과를 표 1과 그림 9에 나타내었다. 보행자의 경우는 최소 곡률과 가우스 곡률은 100% 의 인식 결과를 보였으며, 최대 곡률은 훈련 영상 개수가 500개와 1000개인 경우 99.8% 이상(1개 오인식) 의인식률을 보였으며, 훈련 영상 개수 600개인 경우는 100% 에 의한 보행자/비보행자 인식 결과(단위 %)의 인식률을 나타내었다. 평균 곡률의 경우는 훈련 영상 개수 1, 000개인 경우 99.
곡률의 측면에서는 가우스 곡률이 보행자와 비보 행자에 대해 각각 가장 높게 나타났으며, 최대곡률인 경우가 전체적으로 타 곡률에 비해 조금 낮은 인식률을 나타내었다. 또한 이 곡률-HOG의 연속 방법에 의한 보행자/ 비보행자의 인식률은 앞에서 실시한 이전 방식의 HOG 보다는 보행자와 비보행자에 대해 향상된 인식률을 나타내었으며, 곡률-HOG보다는 훨씬 높은 인식 결과를 나타내었다.
또한 이 곡률-HOG의 연속 방법에 의한 보행자/ 비보행자의 인식률은 앞에서 실시한 이전 방식의 HOG 보다는 보행자와 비보행자에 대해 향상된 인식률을 나타내었으며, 곡률-HOG보다는 훨씬 높은 인식 결과를 나타내었다. 훈련 영상 개수는 그림 9에 나타낸 것처럼 1, 000개인 경우가 평균적으로 높게 나타났으며, 이는 훈련 개수를 높임으로써 보다 높고 안정된 인식률을 얻을 수 있다는 것을 암시한다.
지금까지의 연구에서는 하나의 특징을 추출하여 보행자/비보행자를 검출하는 방법을 많이 사용하여왔다. 논문에서는 두 가지의 특징 벡터를 연속으로 적용하는 방법에 의한 2단계 아다부스트 알고리즘을 적용하여 기존의 보행자/비보행자 인식률보다 높은 인식률을 획득할 수 있었다. 이전에 사용된 특징 외에 논문에서 제안한 특징 벡터는 각각의 픽셀이 가지는 네 가지 곡률 성분을 이용한 새로운 형태의 곡률-HOG 특징 벡터를 제안하였다.
2단계에서는 1단계에서 오인식된 영상에 대해서 곡률-HOG 특징 벡터와 이에 대한 강한 분류기를 이용하여 최종적으로 인식 여부를 판단하는 실험을 하였다. 제안된 알고리즘을 이용한 결과 기존의 1단계만을 이용했을 때 보다 상당히 높은 인식 결과를 나타내었으며, 동일 데이터에 대한 비교 실험에서도 인식 능력이 높다는 것을 확인할 수 있었다. 향후 과제로는 다른 특징 벡터의 고려와 셀 및 블록의 크기에 따른 변화도 조사해야 할 것 같다"
참고문헌 (16)
Paisitkriangkrai, S., Shen, C. and Zhang J., "Fast Fedestrian Detection Using a Cascade of Boosted Covariance Features," IEEE Trans. Circuit and System for Video Technology, vol.18, no.8, pp.1140-1151, 2008.
Enzweiler, M. and Gavrila, D., "Monocular Pedestrian Detection: Survey and Experiments," IEEE Transactions on Pattern Analysis and Machine Intelligence (available online: IEEE Computer Society Digital Library, http://doi.ieeecomputersociety.org/10.1109/TPAMI.2008.260), 2009.
Lim, J. S., and Kim, W. H., "Multiple Pedestrians Detection and Tracking using Color Information from a Moving Camera," Journal of KIPS : Korea Information and Applications B, vol.11-B, no.3, pp.317-326, 2004. (in Korean)
Broggi, A., Bertozzi, M. and Fascioli, A., "Shapebased Pedestrian Detection," Proc. of the IEEE Intelligent Vehicles Symposium 2000, pp.215-220, 2000.
Mahlisch, M., Oberlander, M., Lohlein, O., Gavrila, D. and Ritter W., "A multiple detector approach to low-resolution for pedestrian recognition," In Procs. IEEE Intelligent Vehicles Symposium 2005, pp.23-28, 2005.
Gavrila, D. M., "Pedestrian Detection from a Moving Vehicle," In Procs. of European Conference on Computer Vision, vol.2, pp.37-49, 2000.
Curio, C., Edelbrunner, J., Kalinke, T., Tzomakas, C. and von Seelen, W., "Walking Pedestrian Recognition," IEEE Trans. on Intelligent Transportation Systems, vol.1, no.3, pp.155-163, 2000.
Papageorgiou, C. and Poggio, T., "A trainable system for object detection," International Journal of Computer Vision, vol.38, no.1, pp.15-33, 2000.
Fransens, R., Depoortere, V. and Prins, J. D., "Boundary based feature selection," Technical report, KU. Leuven, 2002.
Gavrila, D. and Philomin, V., "Real-time object detection for "smart" vehicles," In IEEE International Conference on Computer Vision, pp.87-93, 1999.
Viola, P., Jones, M. and Snow, D., "Detecting pedestrians using patterns of motion and appearance," International Journal of Computer Vision, vol.63, no.2, pp.153-161, 2005.
Peet, F. G. and Sahota, T. S., "Surface Curvature as a Measure of Image Texture," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 7, no. 6, pp.734-738, 1985.
Pedersoli, M., Gonzalez, J., Chakraborty, B. and Villanueva, J. J., "Enhancing Real-Time Human Detection Based on Histograms of Oriented Gradients," Advances in Soft Computing, vol.45/2008, pp.739-746, 2008.
Sabzmeydani, P. and Mori, G., "Detecting Pedestrians by Learning Shapelet Features," IEEE Computer Vision and Pattern Recognition, pp.1-8, 2007.
이 논문을 인용한 문헌
저자의 다른 논문 :
연구과제 타임라인
LOADING...
LOADING...
LOADING...
LOADING...
LOADING...
활용도 분석정보
상세보기
다운로드
내보내기
활용도 Top5 논문
해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다. 더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.