$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

객체검출을 위한 빠르고 효율적인 Haar-Like 피쳐 선택 알고리즘
A Fast and Efficient Haar-Like Feature Selection Algorithm for Object Detection 원문보기

한국통신학회논문지. The journal of Korea Information and Communications Society. 무선통신, v.38A no.6, 2013년, pp.486 - 491  

정병우 (서강대학교 전자공학과 CAD&ES 연구실) ,  박기영 (서강대학교 전자공학과 CAD&ES 연구실) ,  황선영 (서강대학교 전자공학과 CAD&ES 연구실)

초록
AI-Helper 아이콘AI-Helper

본 논문은 객체검출(object detection)에 사용되는 분류기의 학습을 위한 빠르고 효율적인 Haar-like feature 선택 알고리듬을 제안한다. 기존 AdaBoost를 이용한 Haar-like feature 선택 알고리듬은 학습 샘플들에 대한 피쳐의 에러만을 고려하여 형태적으로 유사하거나 중복되는 피쳐가 선택되는 경우가 많았다. 제안하는 알고리듬은 피쳐의 형태와 피쳐간의 거리로부터 피쳐의 유사도를 계산하고 이미 선택된 피쳐와 유사도가 큰 피쳐들을 피쳐 세트에서 제거하여 빠르고 효율적인 피쳐 선택이 이루어지도록 하였다. FERET 얼굴 데이터베이스를 사용하여 제안된 알고리듬을 사용하여 학습시킨 분류기와 기존 알고리듬을 사용한 분류기의 성능을 비교하였다. 실험 결과 제안한 피쳐 선택 방법을 사용하여 학습시킨 분류기가 기존 방법을 사용한 분류기보다 향상된 성능을 보였으며, 동일한 성능을 갖도록 학습시켰을 경우 분류기의 피쳐 수가 20% 감소하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper proposes a fast and efficient Haar-like feature selection algorithm for training classifier used in object detection. Many features selected by Haar-like feature selection algorithm and existing AdaBoost algorithm are either similar in shape or overlapping due to considering only feature'...

주제어

#Haar-like Feature   #Machine Learning   #Classifier   #Feature Selection   #Object Detection  

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문은 객체검출을 위한 Haar-like feature 선택에 있어 유사도가 높은 피쳐를 제거하여 효율적인 피쳐 선택 알고리듬을 제안하였다. 기존 방법은 에러률이 적은 피쳐를 선택하는 반면에, 제안된 방법은 유사도가 낮으면서 에러률이 적은 피쳐를 선택한다.
  • 본 절에서는 Viola와 Jones의 객체 검출기를 구성하는 Haar-like feature, 적분영상과 AdaBoost 알고리듬에 대해 설명하고 AdaBoost를 이용한 피쳐 선택 방법에 대해 설명한다.
  • AdaBoost에 기반한 피쳐 선택 방법은 학습 샘플들에 대한 피쳐의 에러만을 고려하므로 유사하거나 동일한 피쳐가 선택되는 경우가 발생한다. 본 절에서는 피쳐의 에러와 함께 피쳐 간의 형태적 유사도를 계산하여 이미 선택된 피쳐들과 유사한 피쳐들의 중복되어 선택되지 않도록 하는 피쳐 선택 방법을 제안한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
객체검출이란 무엇인가? 객체검출 (object detection)은 영상에서 얼굴이나 차량 같은 특정 종류의 객체를 찾는 것으로 영상 검색 (image retrieval), 감시 카메라, 첨단 운전자 지원 시스템 (Advanced Driver Assistance System)을 비롯한 많은 분야에서 사용된다[1,2]. 객체검출이 다양한 분야에서 응용되기 위해서는 빠른 처리속도가 중요하다.
Filter model은 어떤 방법인가? 이 방법은 피쳐의 개수가 많아질수록 유용도를 계산하는데 필요한 시간이 늘어난다는 단점이 있다[9]. Filter model은 피쳐 선택을 분류기의 학습 과정과 분리하고 다른 어떠한 학습 알고리듬과는 독립적으로 피쳐 세트를 선택하는 방법으로 학습 데이터의 각종 특징 점들을 추출하여 이를 기준으로 피쳐 세트를 선택한다. Viola와 Jones가 사용한 AdaBoost에 기반한 피쳐 선택 방법은 Wrapper model 방법보다 빠르다[11].
Wrapper model의 단점은 무엇인가? Wrapper model은 미리 정해진 학습 알고리듬의 정확도를 기반으로 선택된 피쳐 세트의 유용도를 결정한다. 이 방법은 피쳐의 개수가 많아질수록 유용도를 계산하는데 필요한 시간이 늘어난다는 단점이 있다[9]. Filter model은 피쳐 선택을 분류기의 학습 과정과 분리하고 다른 어떠한 학습 알고리듬과는 독립적으로 피쳐 세트를 선택하는 방법으로 학습 데이터의 각종 특징 점들을 추출하여 이를 기준으로 피쳐 세트를 선택한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (17)

  1. J. Lee, J, Ryu, S. Hong, and W. Cho, "Local and global collaboration for object detection enhancement with information redundancy," in Proc. 6th IEEE Int. Conf. Adv. Video and Signal Based Surveillance, pp. 358-363, Genova, Italy, Sep. 2009. 

  2. M. Yang, D. Kriegman, and N. Ahuja, "Detecting faces in images: a survey," IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 1, pp. 34-58, Jan. 2002. 

    상세보기 crossref

  3. P. Viola and M. Jones, "Robust real-time face detection," in Proc. 8th IEEE Int. Conf. Comput. Vision, vol. 2, pp. 747, Vancouver, Canada, July 2001. 

  4. Y. Freund and R. Schapire, "A decision-theoretic generalization of on-line learning and an application to boosting," Computational Learning Theory: J. Comput. Syst. Sci., vol. 55, no. 1, pp. 119-139, Aug. 1997. 

  5. J. Ren, N. Kehtarnavaz, and L. Estevez, "Real-time optimization of Viola-Jones face detection for mobile platforms," in Proc. 7th IEEE Dallas Circuits and Syst. Workshop, vol. 1, no.1, pp. 1-4, Dallas, U.S.A., Oct. 2008. 

  6. M. Kolsch and M. Turk, "Analysis of rotational robustness of hand detection with a Viola-Jones detector," in Proc. 17th Int. Conf. Pattern Recognition, vol. 3, pp. 107-110. Cambridge, U.K., Aug. 2004. 

  7. L. Acasandrei and A. Barriga-Barros, "Accelerating Viola-Jones face detection for embedded and SoC environments," in Proc. 5th ACM/IEEE Int. Conf. Distributed Smart Cameras, pp. 1-6, Ghent, Belgium, Aug. 2011. 

  8. P. Viola and M. Jones, "Rapid object detection using a boosted cascade of simple features," in Proc. 2001 IEEE Comput. Soc. Conf. Comput. Vision and Pattern Recognition, vol. 1, pp. 511-518, Hawaii, U.S.A., Dec. 2001. 

  9. R. Kohavi and G. John, "Wrappers for feature subset selection," Artificial Intell., vol. 97 no. 1-2, pp. 273-324, Dec. 1997. 

    상세보기 crossref

  10. H. Liu, H. Motoda, and L. Yu, "Feature selection with selective sampling," in Proc. 19th Int. Conf. Mach. Learning, pp. 395-402, Sydney, Australia, July 2002. 

  11. P. Viola and M. Jones, "Fast and robust classification using asymmetric AdaBoost and a detector cascade," Advances in Neural Inform. Process. Syst., vol. 14, pp. 1311-1318, Dec. 2001. 

  12. P. Pudil, J. Novovicova, and J. Kittler, "Floating search methods in feature selection," Pattern Recognition Lett., vol. 15, no. 11, pp. 1119-1125, Nov. 1994. 

    상세보기 crossref

  13. A. Treptow and A. Zell, "Combining Adaboost learning and evolutionary search to select features for real-time object detection," in Proc. IEEE Congr. Evol. Comput., pp. 2107-2113, Portland, U.S.A., June 2004. 

  14. J. Kim, S. Yu, K, Toh, D. Kim, and S. Lee, "Fast on-road vehicle detection using reduced multivariate polynomial classifier," J. Korean Inst. Commun. Sci. (KICS), vol. 37A, no. 8, pp. 639-647, Aug. 2012. 

    원문보기 상세보기 crossref

  15. C. Papageorgiou, M. Oren, and T. Poggio, "A general framework for object detection," in Proc. Int. Conf. Comput. Vision, pp. 555-562, Mumbai, India, Jan. 1998. 

  16. S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 2nd Ed., Prentice Hall, 2003. 

  17. P. Phillips, H. Moon, P. Rauss, and S. Rizvi, "The FERET evaluation methodology for face recognition algorithms," IEEE Trans. Pattern Anal. Mach. Intell., vol. 22, no. 10, pp. 1090-1104, Oct. 2000. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로