[논문]지능형 휠체어 적용을 위한 기울기 히스토그램의 상관계수를 이용한 도로위의 이륜차 인식

김범국; 박상희; 이영학; 이강화

doi:10.9718/jber.2011.32.4.336

문제 정의

하는 것이다. 그래서 본 논문에서는 휠체어 앞에 이륜차가 있을 경우에 카메라 센서를 이용하여 휠체어가 보행자를 인지하기 위해 단일 입력 영상에서 특징을 추출하여 실시간으로 이륜차를 추출하는 새로운 알고리즘을 개발을 목표로 한다. 이륜차 및 보행자 검출을 위한 특징 추출 방법으로 Harr 웨이블릿(Wavelet) 기반 방법, 기울기의 히스토그램(Histogram of Oriented Gradient (HOG))을 이용한 방법, 그리고 LRF (Local receptive field) 방법 등이 주로 연구되고 있으며, 분류 방법으로는 SVM(Support Vector Machine), 신경망, 아다부스트 알고리즘이 많이 적용되고 있다[7].
본 논문에서는 이륜차 검출을 위한 특징을 획득하기위해 기존의 기울기 히스토그램 특징이 갖고 있는 제한된 물리적 구조에서 발생되는 많은 양의 특징 개수와 보다 높은 인식률을 얻기 위해 새로운 형태의 상관계수 계산에 의한 HOG 특징을 적용한 알고리즘을 제안한다. 제안된 방법은 기존의 제안된 일반적인 방법의 기울기 히스토그램보다 많은 이륜차 및 비 이륜차의 검출 능력을 향상시켰다.
그리고 기존의 HOG의 경우는 계산량은 줄어들지만 낮은 인식률을 나타내었다. 본 논문에서는 인식율 향상을 위해 상관계수를 이용한 새로운 특징 벡터에 의한 이륜차 검출 시스템을 제안하였다. 상관계수는 국부적인 셀과 셀의 상관관계를 이용하여 특징 벡터를 추출하였다.

제안 방법

예를 들면 원의 일부를 찾아서 이륜차로 인식하는 알고리즘 등의 캐스케이드 혹은 복합적인 뉴럴방법등이 고려되어져야 할 것 같다. 그리고 이륜차의 분류를 위하여 아다부스트 방법을 이용하였으며, 기존의 방법과 비교해서 보다 높은 시스템 성능을 나타내었다. 실제의 시스템에 적용되어서도 다른 방법들 보다 높은 정확도를 나타내었다.
이륜차 영상은 자동차 안에서 여러 가지의 각도로 나타날 수 있다. 본 논문에서는 수평기준으로 정면(약 90도), 약간 기울어진각도(약 60도) 그리고 복합 (90도 +60도)에 대해서 각각 실험 하였다. 이는 이륜차가 자동차 앞에서 달리고 있는 경우(뒷모습)와 자동차를 향하여 달려오는 경우(앞모습) 에 해당하는 것이다.
본 논문에서는 인식율 향상을 위해 상관계수를 이용한 새로운 특징 벡터에 의한 이륜차 검출 시스템을 제안하였다. 상관계수는 국부적인 셀과 셀의 상관관계를 이용하여 특징 벡터를 추출하였다. 실험대상으로는 수평기준으로 90도 ±60도의 영상에 대해 실험하였으며, 그 외의 각도에 대해서는 다른 해석이 추가되어져야할 것 같다.
실험 결과의 분석을 위해 각각의 방법 및 각도에 대해 혼돈행렬(confusion matrix)의 참 긍정률(true positive rate) 과 거짓 긍정률(fhlse positive rate)을 이용한 ROC 곡선을 적 용하였으며, 결과를 그림 8, 그림 9 그리고 그림 10에 나타내었다. 여기서 판별을 위해 적용된 문턱치 값의 범위는 -20~ 20이다.
그러므로 각 셀의 가로 방향의 상관관계와 세로 방향의 상관관계를 구하면 기울기 히스토그램 값의 새로운 특징 벡터를 구할 수 있는 것이다. 실험에서의 적용은 영상의 가로 셀과 세로 셀의 상관관계를 계산하며(파랑색 영역) 이를 미분하여 상관 계수의 절대값 구하여 역수를 취한 값을 이용한다. 이 결과 값을 각 셀의 기울기 히스토그램의 무게 값으로 사용하여 새로운 특징 량을 구하였다.
실험은 기본적인 인식 방법인 HOG실험과 Haar-like 실험을 실시하였으며, 그리고 상관계수를 이용한 제안된 방법을 실시하였다. 실험 결과의 분석을 위해 각각의 방법 및 각도에 대해 혼돈행렬(confusion matrix)의 참 긍정률(true positive rate) 과 거짓 긍정률(fhlse positive rate)을 이용한 ROC 곡선을 적 용하였으며, 결과를 그림 8, 그림 9 그리고 그림 10에 나타내었다.
그래서 본 논문에서는 이륜차를 검출 하기위해 아다부스트 알고리즘을 사용하였다. 아다부스트의 기본 알고리즘은 약한 분류기를 선형적 결합에 의해 강한 분류기로 생성하고자 한다. 즉 약한 분류기를 학습 시킨 후 올바르게 분류된 데이터에 대해서는 낮은 에러 가중치가 부과되고 올바르지 않게 분류된 데이터에 대해서는 높은 에러 가중치를 부과 하는 것이다.
실험에서의 적용은 영상의 가로 셀과 세로 셀의 상관관계를 계산하며(파랑색 영역) 이를 미분하여 상관 계수의 절대값 구하여 역수를 취한 값을 이용한다. 이 결과 값을 각 셀의 기울기 히스토그램의 무게 값으로 사용하여 새로운 특징 량을 구하였다.
입력된 영상으로부터 8×8 픽셀 크기를 하나의 셀로 하였으며, 밝기영상분포의 크기 값 m과 방향성 성분°을 이용하여각 셀에 대한 방향성 히스토그램을 작성한다. 크기 변화 값 祖 과 방향성 분포 예를 그림 1의 (b)와 ©에 나타내었다.
여기서 판별을 위해 적용된 문턱치 값의 범위는 -20~ 20이다. 제안된 방법에 의한 분류를 위한 특징 추출은 먼저 HOG 특징량을 계산 한 후 제안된 상관계수 이용 방법은 기존의 방법 HOG에서 계산된 각 셀과 셀의 상관관계 값을 무게 값으로 이용한 것이다. 식 3에서 얻어진 특징값을 식 4와 식 5를 이용하여.

대상 데이터

본 논문에서는 펜티엄 3.1 GHz의 일반 사용자 컴퓨터 환경에서 실험 하였다. 실험에 사용된 이륜차 데이터는 도로 위에서 직접 촬영해서 획득된 것과 인터넷으로부터 얻어진 데이터이다.
단 인터넷으로부터 획득된 사진의 크기는 여러 가지이므로, 실험에서는 이를 같은 크기 128x64로 정규화하여 사용하였다. 비 이륜차 영상은 일반 도시 거리의 사진(640 X 480)에서 랜덤하게 추출된 영상 128x64크기를 사용하였다. 훈련에 사용된 비 이륜차 영상은 이륜차 영상과 같은 개수(1:1) 그리고 두 배의 영상 개수(1:2)를 사용하였으며, 실험에서는 비이륜차 영상 3, 000장을 사용하였다.
상관계수는 국부적인 셀과 셀의 상관관계를 이용하여 특징 벡터를 추출하였다. 실험대상으로는 수평기준으로 90도 ±60도의 영상에 대해 실험하였으며, 그 외의 각도에 대해서는 다른 해석이 추가되어져야할 것 같다. 예를 들면 원의 일부를 찾아서 이륜차로 인식하는 알고리즘 등의 캐스케이드 혹은 복합적인 뉴럴방법등이 고려되어져야 할 것 같다.
1 GHz의 일반 사용자 컴퓨터 환경에서 실험 하였다. 실험에 사용된 이륜차 데이터는 도로 위에서 직접 촬영해서 획득된 것과 인터넷으로부터 얻어진 데이터이다. 이륜차 영상은 자동차 안에서 여러 가지의 각도로 나타날 수 있다.
이는 이륜차가 자동차 앞에서 달리고 있는 경우(뒷모습)와 자동차를 향하여 달려오는 경우(앞모습) 에 해당하는 것이다. 획득된 사진 640 X 480(가로 X 세로)으로부터 128 X 64(가로 X 세로)크기로 정규화된 이륜차 2, 353장을 추출하였으며, 훈련영상과 실험영상으로 나누어 사용하였다. 실험에 사용된 60도 그리고 90도에 대한 자전거(B)와 모토사이클(M)의 영상 개수를 표 1에 나타내었다.
비 이륜차 영상은 일반 도시 거리의 사진(640 X 480)에서 랜덤하게 추출된 영상 128x64크기를 사용하였다. 훈련에 사용된 비 이륜차 영상은 이륜차 영상과 같은 개수(1:1) 그리고 두 배의 영상 개수(1:2)를 사용하였으며, 실험에서는 비이륜차 영상 3, 000장을 사용하였다. 그림 7은 실험에 사용된 이륜차와 비이륜차의 영상 예를 나타내었다.

이론/모형

이와는 반대로 아다부스트는 빠른 속도의 분류를 나타내고 적용되는 특징 벡터의 라운드 외에는 추가되는 인자가 없는 장점을 가진다[10]. 그래서 본 논문에서는 이륜차를 검출 하기위해 아다부스트 알고리즘을 사용하였다. 아다부스트의 기본 알고리즘은 약한 분류기를 선형적 결합에 의해 강한 분류기로 생성하고자 한다.
이는 실시간 검출에 있어서 기존의 방법에 비해 뛰어난 성능을 보이며, 복잡하고 다양한 배경에서 강인하게 이륜차를 추출 할 수 있는 장점을 가지고 있다. 이러한 점을 고려하여 본 연구에서는 이륜차를 검출하기위해 아다부스트 알고리즘을 사용하였으며, 과정을 요약해보면 그림 4와 같다.

성능/효과

HOG와 HOG_CC의 경우 ROC 곡선에서는 비슷한 모양의 결과를 나타내었지만 정밀도 분석에서는 제안된 HOG_CC 방법이 기존의 방법 보다 높은 성능을 나타내었다.
비슷한 수준의 시스템 성능을 나타내었다. 각도별 실험에서는 세 경우 모두 90도가 60도 보다는 높은 시스템 성능을 나타내었으며, 혼합(그림에서 _Mixed로 표기)인 경우는 중간을 나타내었다. 이러한 결과의 이유는 두 가지로 살펴 볼 수 있다.
그 원인은 모토 사이클의 경우 등 뒤로 높은 짐을 싣거나 높은 적재물에 의해 복잡성이 증가되 었기 때문이라 생각되 어진다. 각도와 두 종류의 이륜차 혼합 실험에서는 각도와 종류에 대해 부분적으로 혼조 형태를 나타내지만 전체 혼합에서는 제안된 방법이 다른 알고리즘보다 보다 높은 정밀도를 나타내었다.
첫 번째는 60도의 훈련 개수가 90도에 비하여 적었다는 것이다. 두 번째는 90도인 경우는 보행자와 거의 비슷한 자세의 보다 좁은 영역의 특장이 사용되며, 60도 경우는 보다 넓은 영역의 특징을 가져오므로 확산된 특징을 가지게 되므로 오인식 되는 확률이 높다고 판단되어진다. 인식 수행 시간은 특징이 추출된 영상 1장에 대해 제안된 방법은 약 20ms로 나타났으며, 다른 방법들도 비슷하게 나타났다.
문턱치 값이 작아짐에 따라 이륜차의 검출은 낮아지지만 비이륜차의 오인식률은 높아지는 경향을 나타내었다.
즉 약한 분류기를 학습 시킨 후 올바르게 분류된 데이터에 대해서는 낮은 에러 가중치가 부과되고 올바르지 않게 분류된 데이터에 대해서는 높은 에러 가중치를 부과 하는 것이다. 이는 실시간 검출에 있어서 기존의 방법에 비해 뛰어난 성능을 보이며, 복잡하고 다양한 배경에서 강인하게 이륜차를 추출 할 수 있는 장점을 가지고 있다. 이러한 점을 고려하여 본 연구에서는 이륜차를 검출하기위해 아다부스트 알고리즘을 사용하였으며, 과정을 요약해보면 그림 4와 같다.
두 번째는 90도인 경우는 보행자와 거의 비슷한 자세의 보다 좁은 영역의 특장이 사용되며, 60도 경우는 보다 넓은 영역의 특징을 가져오므로 확산된 특징을 가지게 되므로 오인식 되는 확률이 높다고 판단되어진다. 인식 수행 시간은 특징이 추출된 영상 1장에 대해 제안된 방법은 약 20ms로 나타났으며, 다른 방법들도 비슷하게 나타났다.
제안된 방법 (HOG_CC)은 Haar-like방법 보다는 우수하였으며, HOG보다는 낮거나 일부에서는 조금 높은 성능을 나타내어 비슷한 수준의 시스템 성능을 나타내었다. 각도별 실험에서는 세 경우 모두 90도가 60도 보다는 높은 시스템 성능을 나타내었으며, 혼합(그림에서 _Mixed로 표기)인 경우는 중간을 나타내었다.
알고리즘을 제안한다. 제안된 방법은 기존의 제안된 일반적인 방법의 기울기 히스토그램보다 많은 이륜차 및 비 이륜차의 검출 능력을 향상시켰다. 2장에서는 특징 추출을 위한 기울기 히스토그램과 상관계수에 대해 설명하며, 3장에서는 분류에 사용된 아다부스트 알고리즘을 서술하고, 실험 및 결과를 4장에 그리고 5장에 결론을 나타내었다.

후속연구

실제의 시스템에 적용되어서도 다른 방법들 보다 높은 정확도를 나타내었다. 추후의 과제로써는 실시간 감시를 위해 전처리 작업도 같이 이루어져야 하며, 실험에 나타난 것처럼 이륜차와 유사한 경우의 구분이 잘되는 특징을 개발해야 하며, 다른 자세와 다른 모양 그리고 여러 각도의 이륜차에 대한 연구도 이어져야 할 것이다.

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

지능형 휠체어 적용을 위한 기울기 히스토그램의 상관계수를 이용한 도로위의 이륜차 인식
Two Wheeler Recognition Using the Correlation Coefficient for Histogram of Oriented Gradients to Apply Intelligent Wheelchair 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (11)

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

지능형 휠체어 적용을 위한 기울기 히스토그램의 상관계수를 이용한 도로위의 이륜차 인식 Two Wheeler Recognition Using the Correlation Coefficient for Histogram of Oriented Gradients to Apply Intelligent Wheelchair 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

이영학 (11) 이강화 (3)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

지능형 휠체어 적용을 위한 기울기 히스토그램의 상관계수를 이용한 도로위의 이륜차 인식
Two Wheeler Recognition Using the Correlation Coefficient for Histogram of Oriented Gradients to Apply Intelligent Wheelchair 원문보기

AI 본문요약
AI-Helper