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 Dalal 등[8]이 제안한 HOG 특징을 기반으로 처리속도 향상을 위해 GPU 이행 방법[10]을 이용하여 보행자를 검출하고, 검출된 보행자를 추적할 수 있는 알고리즘을 제안하였다. 그리고 추적이 끝나고 나면 보행자의 움직임에 대한 디스크립터를 생성하여 검출, 추적 및 내용기반검색이 가능한, 결과적으로 지능형 감시시스템에 부합하는 알고리즘을 설계 하였다.
- 이러한 상황은 배경 영역에 움직임 에너지를 유발하므로 일반적인 검출 방법인 배경제거모델(Background Subtraction Model)로는 구별하기 힘들다. 본 논문에서는 이러한 상황에 대처하고 보행자만을 추출하기 위하여 HOG(Histogram of Oriented Gradient)를 기반으로 객체의 특징을 추출하고 보행자만을 검출하는 알고리즘을 제안한다. HOG 특징벡터를 계산하기 위해서는 먼저 기울기 값을계산하여야 한다.
- 그러나 예측 에러가 폐색 동안 축적된다면 예측 에러를 일으킬 수도 있다. 본 논문에서 이러한 문제를 해결하기 위해 새로운 방법을 제시한다. 먼저 폐색의 두 가지 유형을 정의하고, 움직임 궤적에 각각의 노드는 식 4로 정의한다.
- 본 논문에서는 연속 영상에서 움직이는 보행자를 검출, 추적하고 행동패턴을 분석할 수 있는 지능적이고 시각적인 감시 시스템을 제안하였다. 제안하는 방법은 HOG 특징 벡터의 SVM 학습을 통해 보행자를 검출하고, 각각 보행자의 움직임 특징 정보를 이용하여 연속적인 프레임에서 보행자를 식별 가능하게 하였다.
가설 설정
- MOTP는 실제 객체의 이동궤적과 제안하는 방법의 예측궤적의 오차를 측정하여 정확성을 분석하는 매트릭스이며, MOTA는 객체를 놓친 비율, 오 검출 비율, 검출 불일치의 3가지 에러를 합산하여 제안하는 방법의 정확도를 분석하는 매트릭스이다. 실험에서 MOTP 매트릭스의 최대거리는 5cm로 설정하였다.
제안 방법
- 본 논문에서는 Dalal 등[8]이 제안한 HOG 특징을 기반으로 처리속도 향상을 위해 GPU 이행 방법[10]을 이용하여 보행자를 검출하고, 검출된 보행자를 추적할 수 있는 알고리즘을 제안하였다. 그리고 추적이 끝나고 나면 보행자의 움직임에 대한 디스크립터를 생성하여 검출, 추적 및 내용기반검색이 가능한, 결과적으로 지능형 감시시스템에 부합하는 알고리즘을 설계 하였다. 이 시스템은 고정 형 카메라 환경에서 수집된 보행자의 특징 정보를 수집하여 학습을 통해 보행자만을 분류하고 추적하여 보행자들의 움직임 디스크립터를 생성하고 추적이 끝난 이후에도 내용기반 검색이 가능한 시스템을 제안하여 그 성능을 평가하였다.
- 그리고 추적이 끝나고 나면 보행자의 움직임에 대한 디스크립터를 생성하여 검출, 추적 및 내용기반검색이 가능한, 결과적으로 지능형 감시시스템에 부합하는 알고리즘을 설계 하였다. 이 시스템은 고정 형 카메라 환경에서 수집된 보행자의 특징 정보를 수집하여 학습을 통해 보행자만을 분류하고 추적하여 보행자들의 움직임 디스크립터를 생성하고 추적이 끝난 이후에도 내용기반 검색이 가능한 시스템을 제안하여 그 성능을 평가하였다. 본 논문의 2장에서는 제안한 알고리즘을 부분별로 상세히 기술하며, 3장에서는 실험 결과 및 제안한 알고리즘의 성능에 대한 고찰을, 그리고 4장에서는 제안한 알고리즘의 결론 및 향후의 보완 방안을 기술한다.
- 본 논문에서 제안하는 시스템의 흐름도는 그림 1과 같다. 제안하는시스템은크게3개의처리부로구성되어 있다.
- 첫 번째는 보행자 검출부로 HOG를 기반으로 기울기의 방향성을 이용한 블록별 히스토그램을 구현하고, 보행자의 전신 영역 사진으로부터 기울기의 방향성 히스토그램을 생성하여, Linear-SVM의 학습을 통해 보행자와 비보행자로 분류한다. 두 번째는 보행자의 추적부로 검출된 보행자의 바운딩 박스의 중심 좌표를 이전 프레임과 현재 프레임의 연관성을 바탕으로 하나의 객체로 인지하고 한 보행자당 하나의 리스트 구조를 생성하여 추적을 유지하게 한다.
- 계산된 변화에 대한 밝기 영상분포의 크기 m과 변화의 방향성 Θ를 이용하여 8x8 픽셀 크기를 하나의 셀로 하였으며, 이셀 내부의밝기의 변화에 대해 방향성 히스토그램을 작성한다.
- 그리고 칼만 필터를 적용하여 다중 객체 추적과 새로운 프레임에서 보행자의 위치를 예측하여 폐색(Occlusion)현상 시에도 보행자의 분리가 가능하도록 한다. 세번째는 움직임패턴 분석부로 보행자의 추적이 끝나게 되면 내용기반 이벤트 검색이 가능한 객체별 이동 궤적 디스크립터를 생성하여 추적이후에도 객체의 검색이 가능하도록 한다.
- 그리고 칼만 필터를 적용하여 다중 객체 추적과 새로운 프레임에서 보행자의 위치를 예측하여 폐색(Occlusion)현상 시에도 보행자의 분리가 가능하도록 한다. 세번째는 움직임패턴 분석부로 보행자의 추적이 끝나게 되면 내용기반 이벤트 검색이 가능한 객체별 이동 궤적 디스크립터를 생성하여 추적이후에도 객체의 검색이 가능하도록 한다.
- 이렇게 얻어진 특징벡터 집합은 Linear SVM을 이용하여 보행자와 비보행자로 나누어 학습을 시킨다. 학습된 데이터를 이용하여 입력 영상으로부터 보행자를 검출한다.
- 보행자 검출이후 연속적인 영상에서 보행자를 계속하여 추적하기 위해서는 이전프레임과 현재 프레임에서 추적하고 있는 보행자가 이전프레임과 같은 보행자임을 식별할 수 있어야 한다. 이를 위해 본 논문에서는 보행자를 각각 분류하는 방법을 제시한다. 시간 k에서 움직이는 보행자 N이 있을 때, #(p=1, .
- 이러한 패턴을 분류하기 위하여 그림2의 흐름도 방식으로 규칙을 설정하였다. 제안된 규칙은 영상 내에서 보행자의 움직임에 따라서 보호마스크를 가능하게하거나 불가능하게한다. 일시적인혼잡, 겹침현상등이나타났을 때에도 이러한 보행자별 리스트를 통해 새로운 객체로 오인하는 것을방지할 수있다.
- 일시적인혼잡, 겹침현상등이나타났을 때에도 이러한 보행자별 리스트를 통해 새로운 객체로 오인하는 것을방지할 수있다. 제안된규칙은 보행자영역의 보호 마스크를 발생시키고 움직이는 보행자의 예측을 보존시킨다.
- 폐색 문제를 풀기 위하여 폐색 탐지 및 추론 알고리즘을 접근에 사용하였다. 이는 폐색을 예측하고 근접 연계 규칙을 이용하여 예측한다.
- 첫 번째, 추적 알고리즘은 측정된 객체의 바운딩 박스를 이용하여 두 개 또는 다중 객체의 충돌을 예측한다. 두 번째, 객체 A와 객체 B의 충돌이 감지되면, 폐색현상으로 인한 새로운 객체 C의 궤적을 생성한다.
- 두 번째, 객체 A와 객체 B의 충돌이 감지되면, 폐색현상으로 인한 새로운 객체 C의 궤적을 생성한다. 세 번째, 폐색 현상이 끝날 때까지 객체 C를 추적하고 객체 A와 B는 폐색 현상 이전의 파라미터를 이용해 궤적을 예측한다. 네 번째, 폐색 이후 객체가 분리 되었을 때, 이전에 칼만 필터를 이용하여 예측된 범위 안에서 유클리디언(Euclidean)거리를 이용하여 최소 특징 거리를 가지고 있는 물체의 쌍을 선택하여 각각의 객체를 유지 시킨다.
- 세 번째, 폐색 현상이 끝날 때까지 객체 C를 추적하고 객체 A와 B는 폐색 현상 이전의 파라미터를 이용해 궤적을 예측한다. 네 번째, 폐색 이후 객체가 분리 되었을 때, 이전에 칼만 필터를 이용하여 예측된 범위 안에서 유클리디언(Euclidean)거리를 이용하여 최소 특징 거리를 가지고 있는 물체의 쌍을 선택하여 각각의 객체를 유지 시킨다.
- 효율적인 추출과 감시 비디오 검색, 감시 비디오의 색인은 객체기반 방식을 필요로 한다. 본 논문에서는 이러한 정보를 제공하기 위하여 감시 시스템에서 보행자의 추적이 끝나고 나면 추적이 끝난 보행자별 디스크립터(Descriptor)를 생성한다. 제안하는 디스크립터의 구조는 표 1과 같다.
- 보영상의크기는64x128(pixel)이다. 수집된보행자와 비보행자의 영상으로부터 HOG 특징 벡터를 추출하고, 추출된 데이터들은 lib-SVM을 이용하여 보행자와 비보행자를 학습 및 분류하였다. 사용된 SVM의 커널은 Linear이며 타입은 C-SVC이다.
- 자체적으로 촬영한 영상은 실제 감시 카메라가 보행자보다 높은 위치에서 촬영한다는 것에 착안하여 같은 환경을 유지하기 위해 보행자보다 높은 위치에서 실외 환경을 촬영하였으며, 고해상도로 촬영하였다. 그리고 성능 평가를 위해 기존의 객체 추적 방법 중 유사한 방법을 이용한 Breitenstein 등[12]과 Stalder 등[13]이 제안한 알고리즘과 성능을 비교하였다.
- 본 논문에서는 연속 영상에서 움직이는 보행자를 검출, 추적하고 행동패턴을 분석할 수 있는 지능적이고 시각적인 감시 시스템을 제안하였다. 제안하는 방법은 HOG 특징 벡터의 SVM 학습을 통해 보행자를 검출하고, 각각 보행자의 움직임 특징 정보를 이용하여 연속적인 프레임에서 보행자를 식별 가능하게 하였다. 그리고 칼만 필터를 이용하여 이동궤적의 갑작스러운 변화를 가져올 수 있는 동작 특성을 가지는 동체의 이동벡터를 예측함으로써 계산 량의 감소와 정확성을 기하였으며, 제안한 폐색 검출 및 추론 알고리즘을 이용하여 보행자의 폐색 현상 이후에도 보행자를 정확히 식별할 수 있도록 하였다.
- 제안하는 방법은 HOG 특징 벡터의 SVM 학습을 통해 보행자를 검출하고, 각각 보행자의 움직임 특징 정보를 이용하여 연속적인 프레임에서 보행자를 식별 가능하게 하였다. 그리고 칼만 필터를 이용하여 이동궤적의 갑작스러운 변화를 가져올 수 있는 동작 특성을 가지는 동체의 이동벡터를 예측함으로써 계산 량의 감소와 정확성을 기하였으며, 제안한 폐색 검출 및 추론 알고리즘을 이용하여 보행자의 폐색 현상 이후에도 보행자를 정확히 식별할 수 있도록 하였다. 보행자의 추적이후 보행자별 움직임 디스크립터(Descriptor)를 생성하여 추적이후에도 내용기반 쿼리(Query)를 이용하여 추적 정보를 검색할 수 있도록 효율성을 기하였다.
- 제안한 알고리즘은 보행자 전신 영역 특징의 학습에 의한 특징정보를 이용해 보행자를 검출한다. 만일 이동하는 보행자 전신 영역의 일부 영역이 유실될 경우 검출이 불가능하므로 결과적으로 추적이 불가능하다.
대상 데이터
- 본 논문에서 실험에 사용된 컴퓨터 환경은 인텔 쿼드 코어 i5-2500 CPU와 4096MB RAM이며, 사용된 그래픽카드는 NVIDIA Geforece GTX 560이다.
- 실험은 고정 카메라 환경에서 이동하는 다중 보행자를 포함하는 표2의 영상들을 이용하였으며, 자체적으로 촬영한 영상 외에 성능평가를 위한 표준 데이터 세트인 i-Lids AVSS 2007 데이터를 사용하였다. 행자 검출을 위해 사용 한데이터세트는 MIT 데이터세트924개, INRIA 데이터 세트 1,132개, 자체적으로 생성한 보행자 영상 200개를사용하였다.
- 실험은 고정 카메라 환경에서 이동하는 다중 보행자를 포함하는 표2의 영상들을 이용하였으며, 자체적으로 촬영한 영상 외에 성능평가를 위한 표준 데이터 세트인 i-Lids AVSS 2007 데이터를 사용하였다. 행자 검출을 위해 사용 한데이터세트는 MIT 데이터세트924개, INRIA 데이터 세트 1,132개, 자체적으로 생성한 보행자 영상 200개를사용하였다. 그리고보행자가포함되지않은비 보행자 사진 1,200개를 사용하였다.
- 행자 검출을 위해 사용 한데이터세트는 MIT 데이터세트924개, INRIA 데이터 세트 1,132개, 자체적으로 생성한 보행자 영상 200개를사용하였다. 그리고보행자가포함되지않은비 보행자 사진 1,200개를 사용하였다.
- 수집된보행자와 비보행자의 영상으로부터 HOG 특징 벡터를 추출하고, 추출된 데이터들은 lib-SVM을 이용하여 보행자와 비보행자를 학습 및 분류하였다. 사용된 SVM의 커널은 Linear이며 타입은 C-SVC이다. 보행자 전체 2,256개 중 학습에 사용된 영상은 600개이며, 비보행자 1,200개중 학습에 사용된 영상은 600개이다.
- 사용된 SVM의 커널은 Linear이며 타입은 C-SVC이다. 보행자 전체 2,256개 중 학습에 사용된 영상은 600개이며, 비보행자 1,200개중 학습에 사용된 영상은 600개이다.
데이터처리
- 자체적으로 촬영한 영상은 실제 감시 카메라가 보행자보다 높은 위치에서 촬영한다는 것에 착안하여 같은 환경을 유지하기 위해 보행자보다 높은 위치에서 실외 환경을 촬영하였으며, 고해상도로 촬영하였다. 그리고 성능 평가를 위해 기존의 객체 추적 방법 중 유사한 방법을 이용한 Breitenstein 등[12]과 Stalder 등[13]이 제안한 알고리즘과 성능을 비교하였다.
- 자체적으로 촬영한 Street-A영상과 Street-B 영상에서 4가지 매트릭스를 이용하여 성능을 분석한 결과는 표 3과 같으며, 결과 영상은 그림 4와 같다. 그리고 제안하는 시스템의 보다 질적인 성능 분석을 위하여 표준데이터 세트i-Lids AB easy 영상을 이용하여 성능을 분석하였으며, 분석한 결과는 표4와 같으며, 결과 영상은 그림 5와 같다. i-Lids AB easy 영상의 Ground truth는 9,718 레이블이다.
이론/모형
- 그리고 움직이는보행자의 관찰된 중심 좌표로부터 다음 중심 좌표를 예측함으로써 효과적인보행자의 움직임을추적할 수있다. 본논문에서는 칼만 필터(Kalman Filter)[11]를 이용하여 토큰(Token)방식에 기초한 추적 알고리즘을 디자인하였다. 다중 물체 추적을 위해서는 데이터의 연계가 필요하다.
- 성능 평가 방법은 CLEAR 매트릭스[14]와 Precision, Recall을 사용한다.
성능/효과
- 그림 4를 통해 본 논문에서 제안한 폐색 탐지 및 추론 알고리즘이 보행자의 폐색 현상이후에도 보행자를 정확히 식별하고 있음을 확인 할 수 있다. 그림 4의 (a)는 3.
- 2절에서 제안한 유형 1의 결과이며, 그림 4의 (b)는 유형 2의 결과이다. 그리고 표4를 통해 i-Lids AB easy 영상에서 제안하는 시스템이 MOTP와 MOTA는 기존의 방법보다 좋은 결과가 나왔음을 확인할 수 있었다.
- 이는 제안하는 시스템이 기존의 방법보다 추적 정확성과 정확도가 높다는 것을 의미한다. 하지만 Precision 과 Recall의 경우 기존의 방법보다는 좋은 결과를 나타내지 못하였다.
- 이는 보행자 검출을 위해 HOG 특징만을 이용하였기 때문에 기존의 방법보다 동체의 검출 성능이 낮다는 것을 의미한다. 그러나 제안하는 시스템은 일반적으로 영상을 취득하는 카메라의 위치가 보행자보다 높은 곳에 위치한다는 것에 착안하여 시스템을 구축하였기 때문에 실험에 사용한 i-Lids AB easy 영상은 제안하는 시스템에 적합하지 않을 수 있다.
- 그리고 칼만 필터를 이용하여 이동궤적의 갑작스러운 변화를 가져올 수 있는 동작 특성을 가지는 동체의 이동벡터를 예측함으로써 계산 량의 감소와 정확성을 기하였으며, 제안한 폐색 검출 및 추론 알고리즘을 이용하여 보행자의 폐색 현상 이후에도 보행자를 정확히 식별할 수 있도록 하였다. 보행자의 추적이후 보행자별 움직임 디스크립터(Descriptor)를 생성하여 추적이후에도 내용기반 쿼리(Query)를 이용하여 추적 정보를 검색할 수 있도록 효율성을 기하였다.
- 실험을 통하여 다중객체추적의 정확성과 정확도 측면에서 강건함을 증명하였으며, HOG 특징을 이용한 보행자 검출의 가능성을 확인 하였다. 그리고 기존의 유사한 방법의 실험결과와 비교를 통해 제안한 방법이 기존의 방법들 보다 일부 성능을 개선시켰음을 확인 하였다.
- 실험을 통하여 다중객체추적의 정확성과 정확도 측면에서 강건함을 증명하였으며, HOG 특징을 이용한 보행자 검출의 가능성을 확인 하였다. 그리고 기존의 유사한 방법의 실험결과와 비교를 통해 제안한 방법이 기존의 방법들 보다 일부 성능을 개선시켰음을 확인 하였다.
후속연구
- 만일 이동하는 보행자 전신 영역의 일부 영역이 유실될 경우 검출이 불가능하므로 결과적으로 추적이 불가능하다. 이러한 한계는 기존의 연구들에서 사용되었던 움직임 기반 방법을 병합 이용함으로써 보완할 수 있다고 본다.
- 향후, 본 알고리즘을 보행자의 명확한 식별을 위하여 보행자의 전신 영역 학습이 아닌 신체의 일부분을 각각 나누어 학습하여 보행자 특징 정보의 유실에도 보행자를 검출할 수 있도록 보완이 요구된다. 본 알고리즘은지능형 감시 시스템에 부합되도록 설계하였기 때문에 감시 시스템, 백화점, 대형 마켓 등이나 보행자의 동선 분석을 필요로 하는 시스템에 적용이 기대된다.
- 향후, 본 알고리즘을 보행자의 명확한 식별을 위하여 보행자의 전신 영역 학습이 아닌 신체의 일부분을 각각 나누어 학습하여 보행자 특징 정보의 유실에도 보행자를 검출할 수 있도록 보완이 요구된다. 본 알고리즘은지능형 감시 시스템에 부합되도록 설계하였기 때문에 감시 시스템, 백화점, 대형 마켓 등이나 보행자의 동선 분석을 필요로 하는 시스템에 적용이 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.