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
- 최근 들어 다중에 카메라를 이용하여 다수의 사람을 트래킹하는 연구도 되고 있으며, 정보를 이용하여 위험인지 등의 보안 사항으로 적용하기에 적합하다. 따라서 본 고에서는 이러한 기능을 수행하기 위해 배경 영상을 생성하여 차분영상을 통해 오브젝트 영역을 검출하고, 오메가 윤곽선을 기반으로 하여 사람객체를 추출한 후, 윤곽선으로 추출되지 않은 영역에 대해 히스토그램 기반의 기하학적 모델을 적용하여, 통계학적 얼굴 인증 기술을 통해 정면의 중복 문제를 해결하고자 하였다. 이에 전체적으로 얼굴 영역을 검출하거나 학습기반의 알고리즘에 비해 학습 데이터의 수집 등의 어려움을 다소 해결 할 수 있었으며, 오브젝트 검줄 시 발생하는 오류 등에서도 사람 객체를 주줄 할 수 있도록 하였다.
- 사람 영역을 모델링하여 검출하는 방법이 있지만, 크기를 정규화하여야 한다. 따라서 본 논문에서는 효과적인 사람의 후보 영역을 검출하기 위해 배경 영상을 생성하여 위해 캐스케이드 검출 방법을 제안한다. 이전 프레임과의 차영상을 이용하여 검출할 수 있으나, 이는 움직임이 많지 않을 경우에 오브젝트 영역을 검출하기 어려우므로, 배경 영상과의 차를 이용한다.
- 본 고에서 제안하는 방법으로 수직으로 중복된 영상에 대해 베이지안 검출기에 의한 얼굴 검출 방법을 제안힌-다. 동영상에서 인위적으로 검출한 얼굴 이미지와 FERET 얼굴 이미지를 기반으로 하여 학습하였으며.
- 본 고에서는 동영상으로 입력받아 오브젝트를 검출하고, 사람의 헤드 영역을 추정함으로써 사람 객체를 검출하는 방법에 대해서 논의한다. 다중의 사람 객체를 검출하며, 크기, 포즈에 강인한 알고리즘을 제안하며, 중복된 정면 영상에 대하여도 각 사람의 객체를 검출한다.
제안 방법
- 옆모습 및 작은 영상에 대한 검출을 위하여 적용한다. 검출된 오브젝트 영역에 대해 가로 세로 비율을 적용하여 겹친 영상에 대하여 얼굴 인증 알고리즘을 수행한다. 이는 미리 얼굴데이터로 학습된 베이지안 얼굴 인증기를 적용한다.
- 기본적으로 얼굴 영역의 shape 는 오메가 영역을 검출하며, 다른 오브젝트 영역과 비교하여 정확한 검출을 위하여 히스토그램 기반의 기하학적 모양을 검출한다. 그리고 작은 오브젝트 영역에서의 얼굴 검증을 위하여 기하하적 모델을 기반으로 하여 검출한다. 제안하는 시스템의 구조는 그림 1과 같다.
- 다중의 검출기와 캐스케이드 방식을 적용함으로써 오브젝트 영역 검출의 오류로 인한 사람 객체 검출의 성능을 향상시키고, 중복된 부분에 대한 얼굴 검출, 윤곽선 검출에 따른 오브젝트 정규화 등의 문제를 해결함으로써 실시간 환경에서의 수행 속도를 향상시키며, 적응적으로 수행할 수 있도록 한다.
- 방법에 대해서 논의한다. 다중의 사람 객체를 검출하며, 크기, 포즈에 강인한 알고리즘을 제안하며, 중복된 정면 영상에 대하여도 각 사람의 객체를 검출한다. 이를 위하여 캐스케이드 방식의 사람 객체 검출 방법을 적용하며, 크게 두 단계로 이루어진다.
- 동영상에서 사람을 검출하기 위하여 CCTV 가 설치되어 있는 움직 임이 없는 부분을 검출하기 위하여 배경 영상을 추출하였다. 지하철이 오고 가지 않을 때의 영상으로써, 움직임이 많이 발생하게 되는 배경 영역을 masking 함으로써 다음과 같은 배경 영상을 생성하였다.
- 동영상에서 인위적으로 검출한 얼굴 이미지와 FERET 얼굴 이미지를 기반으로 하여 학습하였으며. 40 * 40 영상을 기준으로 2*2, 3*3, 4*4, 5*5 의 크기로 벡터화하여 평균값을 추출하여 특징 벡터로 사용하였다.
- 두 영상과 다른 프레임을 비교하여 비교적 많은 변화가 일어난 지하철 부분을 검은색 필터로 masking 하였다.
- 검출기로 넘긴다. 두번째 검출기에서는 어깨와 헤드 영역에 대한 기하학적 모델을 기반으로 검출한다. 옆모습 및 작은 영상에 대한 검출을 위하여 적용한다.
- 얼굴이라는 대상을 제외한 모든 것이 비얼굴이기 때문에, 이 모든 것들의 특징을 뽑아서 비얼굴의 모델을 만들기는 어려운 일이다. 따라서 여기서는 얼굴 표본에 대한 마할라노비스 거리를 기준으로 얼굴과 유사한 비얼굴을 모델링 한다. 이런 비 얼굴을 선택하는 방법은 아래의 과정으로 이루어진다.
- 그러나 가방 손잡이 등과 같이 유사한 모양을 가진 오브젝트도 존재할 수 있다. 따라서 히스토그램 기반의 사람의 기하학적 모델을 평가하여 헤드 영역을 검증한다.
- 2 운영체제에서 개발되었으며, 동영상에서 처리된 프레임은 총 5472개의 영상이다. 또한, 첫번째 이중의 경계 값을 적용하여 shape를 검출할 경우와, 기하학적 모델을 적용할 경우 경계값을 다르게 조정하여 검출하였다. 다음 그림은 배경 영상과 프레임간의 차분 영상을 추출한 결과이다.
- 다음 그림은 배경 영상과 프레임간의 차분 영상을 추출한 결과이다. 배경 영상은 앞서 설명한 masking과 지하철 영역이 표시된 배경을 적용하여 수행하였다. 사용한 영상이 전반적으로 밝고 조명 빛이나 지하철 내부에서의 빛의 반사 등이 심한 편이다.
- 분류된 조명 상황에 따라 베이지안 검출기를 구성한다. 실시간 반영을 위하여 3개의 조명 상황으로 분류된 영상들을 통해 다음과 같은 방법으로 검출기를 구성한다.
- 사람 영역 검출 및 헤드 영역을 검출하기 위하여 object 추적을 위한 오메가 shape를 검출한다. 수행하는 방법은 다음과 같다.
- 얼굴의 정면 영상과 측면 영상을 위하여 라벨링된 영상을 기준으로 하여 기하학적 모양을 기준으로 context 를 판단한다. 일반적인 정면의 사람 기준을 라벨링된 영역에서 가로 비율이 세로 비율보다 30% 이하로 판정하며, 가로 비율에 비해 세로 비율이 일정 비율 이상이 되면, 중복된 얼굴이 포함되어 있는 현상으로 판단하여, 얼굴 검출 및 shaper 검출을 수행한다.
- c. 얼굴이 없는 이미지를 얼굴 검출기로 테스트를 한다. 얼굴로 잘못 인식하는 비얼굴 데이터를 수집한다,
- 사용되는 영상은 실시간에서 수집된 밝은 영상은 다음과 같으며. 이러한 영상을 기준으로 하여 분류하였다. 밝은 영상 보통 사무실 환경에서의 일반 영상, 어두운 영상을 기준으로 분류하였다.
- 차분 영상을 구하는 과정에서 발생하는 노이즈를 제거하고, 라벨링 시 발생되는 오브젝트 내의 홀을 축소시키기 위해 일차적으로 차분 그레이 영상을 생성하여 가우시안 필터링을 수행하였다. 이후, 경계값을 조정하여 이진화하고, 모폴로지를 수행하여 라벨링을 수행한다. 수행한 영역에서 오메가 shape를 검출함으로써 성능을 강화시킬 수 있었다.
- 효과적이다. 정확한 shape를 검출하기 위하여 그레이 차분 영상에서 가우시안 필터링을 통해 일차적으로 잡음을 제거하여 shape 영역의 검출을 부드럽게 수행하였다.
- 조명 상황이 계속하여 변화하고, 밝은 영상이어서 사람 전체 영역보다 얼굴 부분의 경계를 찾는 것에 어려움 있어, 추출된 오브젝트 영역에서 얼굴 영역을 검출하여 검증하도록 하였다.
- 각 r, g, b 값들의 차의 평균으로 그레이 차분 영상을 구한다. 차분 영상을 구하는 과정에서 발생하는 노이즈를 제거하고, 라벨링 시 발생되는 오브젝트 내의 홀을 축소시키기 위해 일차적으로 차분 그레이 영상을 생성하여 가우시안 필터링을 수행하였다. 이후, 경계값을 조정하여 이진화하고, 모폴로지를 수행하여 라벨링을 수행한다.
- 첫번째 검출기에서 검출되지 않은 오브젝트 영역에 대해 두번째 검줄기에서 검줄하도록 한다. 다음의 그림 10은 한 프레임에서 두 개의 오브젝트 박스를 검출하고, 왼쪽의 영역에서는 오메가 shape로 검출된 영상이고, 오른쪽 영역에서는 두번째 검줄기에서 검줄된 영역이다.
- 이를 위하여 캐스케이드 방식의 사람 객체 검출 방법을 적용하며, 크게 두 단계로 이루어진다. 첫번째 단계는 사람 객체를 추출하고, 헤드 영역을 검출하기 위하여 오메가 shape를 검출한다. 이는 얼굴의 정면, 뒷면, 45도 정도의 오브젝트에서 헤드 영역의 윤곽석 Q 모양을 검출한다.
- 클러스터링 시 다음의 방법을 이용하여 클러스터 간의 중심에 따른 상황을 판별하도록 하였다.
- 헤드 영역 검출 시 다른 영상과의 오류를 예방하기 위하여 히스토그램의 변화량을 기준으로 한다. 변화가 심하게 분포되는 경우는 헤드 영역이 아닌 부분으로 인식 한다.
- 이 방법은 haar 웨이블릿이나, 학습기를 통해 사람 객체 패턴 자체를 이용하는 경우로서, 몸통 부분과 헤드 영역의 상관관계를 이용하여 사람을 객체를 검출한다. 히스토그램 기반으로 기하학적 헤드 영역을 검출하며, 몸통과 헤드영역은 세로 방향의 히스토그램 변화량을 기반으로 하여 검출한다.
대상 데이터
- 동영상의 앞 부분의 300개의 프레임에서 평균 영상을 검출함으로써 배경 영상을 생성하였다. 프레임의 뒤로 갈수록 사람의 움직임 등이 불규칙적으로 움직이기 때문에 앞의 프레임만으로 배경 영상을 생성하였다.
- 본 고에서 제안한 시스템은 리눅스 레드헷 10.2 운영체제에서 개발되었으며, 동영상에서 처리된 프레임은 총 5472개의 영상이다. 또한, 첫번째 이중의 경계 값을 적용하여 shape를 검출할 경우와, 기하학적 모델을 적용할 경우 경계값을 다르게 조정하여 검출하였다.
- 얼굴이 없는 이미지를 얼굴 검출기로 테스트를 한다. 얼굴로 잘못 인식하는 비얼굴 데이터를 수집한다,
데이터처리
- 검출된 영상을 기반으로 하여 라벨리을 수행한다’ 라벨링은 8-이웃 경계선을 검출하였으며. 라벨링된 영상은 사람 오브젝트의 비율을 추정하여 분리한다.
이론/모형
- CCTV 영상에서의 움직임을 검출하고, 움직임 영역을 기반으로 하여 오브젝트를 검출하고, 사람임을 인증하기 위하여 기하학적 방법과 오메가 모양 검출과 학습기반의 얼굴인증 알고리즘을 적용한다. 7*5726 0 크기의 프레임에서 전체 영역을 기반으로 하여 얼굴 영역을 검출하는 것은 실시간, 동영상 시스템에서의 검출에는 적합하지 못하다.
- K-means 알고리즘을 이용하여 3개의 영역으로 분류한다. 사용되는 영상은 실시간에서 수집된 밝은 영상은 다음과 같으며.
- 다중의 사람 객체를 검출하며, 크기, 포즈에 강인한 알고리즘을 제안하며, 중복된 정면 영상에 대하여도 각 사람의 객체를 검출한다. 이를 위하여 캐스케이드 방식의 사람 객체 검출 방법을 적용하며, 크게 두 단계로 이루어진다. 첫번째 단계는 사람 객체를 추출하고, 헤드 영역을 검출하기 위하여 오메가 shape를 검출한다.
- 이전 프레임과의 차영상을 이용하여 검출할 수 있으나, 이는 움직임이 많지 않을 경우에 오브젝트 영역을 검출하기 어려우므로, 배경 영상과의 차를 이용한다. 중복된 영역은 하나의 영역으로 검출이 될 가능성이 있으므로, 가로 길이 및 세로길이의 비율을 이용하여 중복될 가능성이 있는 영역은 외형기반 학습 모델인 베이지안 얼굴 인증기를 적용하며. 기본적으로 얼굴 영역의 shape 는 오메가 영역을 검출하며, 다른 오브젝트 영역과 비교하여 정확한 검출을 위하여 히스토그램 기반의 기하학적 모양을 검출한다.
성능/효과
- 다음과 같다. 5472개의 프레임에서 검출하였으며, 48개의 프레임에서 중복된 정면 얼굴 영상이 존재하며, context based Bayesian 얼굴 검출기를 이용하여 검출하였을 경우, 정면 얼굴이 포함된 32개의 프레임에서 얼굴 검출이 가능하였다. 총 5472개의 프레임 중 false \alarm의 수는 10개이다.
- 사람 객체의 헤드 영역의 추출을 위하여 베이지안 검출기를 적용하였더니 CCTV 저해상도 영상에서 성능 및 속도가" 저하되있다. 따라서, 나중의 오브젝트 검출, 주적을 위하여 다중의 검줄기를 캐스케이드 방식으로 적용함으로써 검출성능을 높일 수 있었다.
- 이후, 경계값을 조정하여 이진화하고, 모폴로지를 수행하여 라벨링을 수행한다. 수행한 영역에서 오메가 shape를 검출함으로써 성능을 강화시킬 수 있었다.
- 따라서 본 고에서는 이러한 기능을 수행하기 위해 배경 영상을 생성하여 차분영상을 통해 오브젝트 영역을 검출하고, 오메가 윤곽선을 기반으로 하여 사람객체를 추출한 후, 윤곽선으로 추출되지 않은 영역에 대해 히스토그램 기반의 기하학적 모델을 적용하여, 통계학적 얼굴 인증 기술을 통해 정면의 중복 문제를 해결하고자 하였다. 이에 전체적으로 얼굴 영역을 검출하거나 학습기반의 알고리즘에 비해 학습 데이터의 수집 등의 어려움을 다소 해결 할 수 있었으며, 오브젝트 검줄 시 발생하는 오류 등에서도 사람 객체를 주줄 할 수 있도록 하였다.
후속연구
- 향후, 실시간 추적이 좀 더 자연스러울 수 있도록 속도 및 알고리즘 개선의 노력이 필요하며, 조명 등의 빛에 대한 영상의 왜곡에 대한 문제를 해결할 수 있도록 전처리 및 모델링에 대한 연구가 필요할 것으로 보인다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.