[논문]Adaboost 최적 특징점을 이용한 차량 검출

김규영; 이근후; 김재호; 박장식

doi:10.13067/jkiecs.2013.8.8.1129

Adaboost 최적 특징점을 이용한 차량 검출
Vehicle Detection Using Optimal Features for Adaboost 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.8 no.8, 2013년, pp.1129 - 1135

김규영 ((주)에이치엠씨 부설연구소) , 이근후 (경성대학교 전자공학과) , 김재호 (부산대학교 전자공학과) , 박장식 (경성대학교 전자공학과)

초록
AI-Helper

본 논문에서는 최적 특징점 선택기법를 적용한 다중 최적 Adaboost 분류기를 기반으로 새로운 차량 검출 알고리즘을 제안한다. 제안하는 알고리즘은 2 가지 주요 모듈로 구성된다. 첫 번째는 설치된 카메라의 사이트 모델링을 이용한 영상 스케일링을 기반으로 하는 이론적 DDISF(Distance Dependent Image Scaling Factor) 모듈이며, 두 번째는 차량과 카메라의 거리에 대응하는 최적 Haar-like 특징을 활용하는 것이다. 실험 결과 제안하는 알고리즘은 기존의 방법에 비하여 인식 성능이 개선됨을 확인하였다. 제안하는 알고리즘은 96.43% 의 인식률과 약 3.77%의 오검출이 발생하였다. 이러한 성능은 기존의 표준 Adabooost 알고리즘에 비하여 각각 3.69%와 1.28% 의 성능을 개선한 것이다.

Abstract ▼ AI-Helper

A new vehicle detection algorithm based on the multiple optimal Adaboost classifiers with optimal feature selection is proposed. It consists of two major modules: 1) Theoretical DDISF(Distance Dependent Image Scaling Factor) based image scaling by site modeling of the installed cameras. and 2) optimal features selection by Haar-like feature analysis depending on the distance of the vehicles. The experimental results of the proposed algorithm shows improved recognition rate compare to the previous methods for vehicles and non-vehicles. The proposed algorithm shows about 96.43% detection rate and about 3.77% false alarm rate. These are 3.69% and 1.28% improvement compared to the standard Adaboost algorithmt.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 학습 시간을 다소 소요되지만, 구현이 용이하고 성능이 우수한 Adaboost 학습에 의한 차량 검출기를 기본적으로 개선하고자 한다. 카메라가 설치된 장소의 환경에 따라 거기에 따른 차량 후보영상의 스케일링 파라미터를 구하여 영상의 크기를 정규화하였다.
본 논문에서는 학습시간이 다소 소요되지만, 구현이 용이하고 성능이 우수한 Adaboost 알고리즘의 거리별 최적 특징을 선택하여 적용하는 방법을 제안한다. 제안하는 차량 검출 방법으로 2 가지 측면에서 성능을 개선하였다.
카메라가 설치된 장소의 환경에 따라 거기에 따른 차량 후보영상의 스케일링 파라미터를 구하여 영상의 크기를 정규화하였다. 이후 거리별 영상의 해상도가 현저히 달라 생기는 문제를 해결하고자 한다. 거리별 Haar-like 분석을 통하여 검출율과 오분류을 최적화하고자 한다.

가설 설정

(d) 그리고 4.(a) 특징이 선택되는 확률이 약 95% 이다. 나머지 특징들은 거의 선택되지 않음을 확인할 수 있다.

제안 방법

이후 거리별 영상의 해상도가 현저히 달라 생기는 문제를 해결하고자 한다. 거리별 Haar-like 분석을 통하여 검출율과 오분류을 최적화하고자 한다..
두 번째는 Adaboost 알고리즘에서 Distance Dependent Optimal Feature Selection(DDOFS)에 의하여 최적 특징을 선택한다. 다수의 특징을 학습시키는 것이 아니라, 거리별 Haar-like 특징을 분석하여 검출율과 오분류율에 최적인 특징을 선택하여 학습한다. 그림 4의 Haar-like 특징 14 가지 모두를 학습하여 검출하고, 선택 빈도에 따라서 특징들을 내림차순으로 정리한다.
그림 2은 SVM의 기본 원리를 나타낸 그림이다. 두 그룹이 주어졌을 때, 각각의 데이터 간 거리를 측정하여 두 개의 중심을 구한 후 최적의 초평면을 구함으로써 두 그룹을 분리하는 방법을 학습한다.
첫 번째는 카메라가 설치된 장소의 환경, 즉 거리에 따른 차량 후보영역의 스케일링 계수 DDISF를 제안하고, 이를 이용하여 후보 영상의 크기를 정규화하였다. 두 번째 거리별 영상에 해상도가 현저히 다르기 때문에 발생하는 문제를 해결하기 위하여 거리별 Haar;like 특징을 분석하여 검출율은 높이고 오분류율을 감소시킨다.
첫 번째는 Distance Dependent Image Scaling Factor(DDISF)에 의한 영상 스케일링 방법이다. 사이트 모델링(site modeling)을 통한 이론적인 DDISF에 의하여 거리별 영상을 스케일링한다. 객체를 기준으로 근거리 영상은 축소하고, 원거리 영상은 확대하여 전체 차량 영상을 이론적으로 크기를 정규화한다.
그림 5는 카메라와 차량 간의 거리가 0∼50m에서 선택된 Haar-like 특징 중에서 선택 빈도가 높은 것으로부터 내림차순으로 정렬한 것이다. 선택 빈도 순서에 따라 특징들의 수를 증가시키고 학습상의 오분류율과 실제로 테스트한 오분류율을 비교하였다. 마른모 표시 그래프는 학습에서 예측된 특징수에 따른 오분류율이고 사각형 그래프는 실제 환경에서 실험한 오분류율의 결과이다.
제안하는 알고리즘은 사이트 모델에 의한 이론적인 DDISF에 의한 영상스케일링 방법, Adaboost 알고리즘에서 거리별 최적 DDOFS 특징 선택 방법이다. 성능 평가는 Viola 방식, DDOFS특징 선택 방법 그리고 DDOFS와 DDISF 적용 방법을 비교하였다.
영상에서 거리, 특징수, 검출율과 오분류율의 관계를 분석하여 0∼50m 는 9가지 특징, 50∼100m는 7가지 특징, 100∼150m는 7가지 특징이 선택되었다.
빨간색, 파란색, 초록색으로 표시된 사각형은 Haar-like 특징이 선택된 위치를 나타내고 있다. 제안하는 알고리즘은 사이트 모델에 의한 이론적인 DDISF에 의한 영상스케일링 방법, Adaboost 알고리즘에서 거리별 최적 DDOFS 특징 선택 방법이다. 성능 평가는 Viola 방식, DDOFS특징 선택 방법 그리고 DDOFS와 DDISF 적용 방법을 비교하였다.
본 논문에서는 학습시간이 다소 소요되지만, 구현이 용이하고 성능이 우수한 Adaboost 알고리즘의 거리별 최적 특징을 선택하여 적용하는 방법을 제안한다. 제안하는 차량 검출 방법으로 2 가지 측면에서 성능을 개선하였다. 첫 번째는 카메라가 설치된 장소의 환경, 즉 거리에 따른 차량 후보영역의 스케일링 계수 DDISF를 제안하고, 이를 이용하여 후보 영상의 크기를 정규화하였다.
그림 1은 일반적인 차량 검출 또는 인식하는 단계를 나타낸 것이다. 첫 번째 단계는 영상 내에서 차량이 가지는 특징을 기반으로 차량 후보영역을 검출하고, 두 번째 단계에서는 후보영역에 대하여 차량 여부를 결정하고 검증한다.
제안하는 차량 검출 방법으로 2 가지 측면에서 성능을 개선하였다. 첫 번째는 카메라가 설치된 장소의 환경, 즉 거리에 따른 차량 후보영역의 스케일링 계수 DDISF를 제안하고, 이를 이용하여 후보 영상의 크기를 정규화하였다. 두 번째 거리별 영상에 해상도가 현저히 다르기 때문에 발생하는 문제를 해결하기 위하여 거리별 Haar;like 특징을 분석하여 검출율은 높이고 오분류율을 감소시킨다.
본 논문에서는 학습 시간을 다소 소요되지만, 구현이 용이하고 성능이 우수한 Adaboost 학습에 의한 차량 검출기를 기본적으로 개선하고자 한다. 카메라가 설치된 장소의 환경에 따라 거기에 따른 차량 후보영상의 스케일링 파라미터를 구하여 영상의 크기를 정규화하였다. 이후 거리별 영상의 해상도가 현저히 달라 생기는 문제를 해결하고자 한다.

대상 데이터

제안하는 차량 검출 방법 및 비교 대상 알고리즘들의 성능을 평가하기 위하여 초당 28 프레임의 1280x720 영상을 촬영하여 실험하였다.

이론/모형

두 번째는 Adaboost 알고리즘에서 Distance Dependent Optimal Feature Selection(DDOFS)에 의하여 최적 특징을 선택한다. 다수의 특징을 학습시키는 것이 아니라, 거리별 Haar-like 특징을 분석하여 검출율과 오분류율에 최적인 특징을 선택하여 학습한다.
학습기반의 방법 중에서 자체적인 학습 샘플을 가지고 객체를 인식하는 방법이 Adaboost 알고리즘이다. Adaboost 알고리즘은 얼굴 검출, 보행자 검출, 차량 검출, 번호판 검출 등 이진 분류 문제에 대하여 뛰어난 성능을 보인다.

성능/효과

0∼50m 거리에서 성능의 차이는 거의 없으며, 50∼150m의 거리에서는 성능 향상을 있었으며, 50∼100nm, 100∼150m에서는 각각 약 1.49%, 2.25% 차량인식 성능이 향상됨을 확인하였다.
시뮬레이션 결과 DDISF에 의한 영상 정규화 데이터 결과를 기존 Adaboost 알고리즘에 적용하였을 때, 100∼150m 영역에 2.12% 개선을 가져왔다.
12% 개선을 가져왔다. 여기에 거리별 Adaboost 알고리즘을 추가로 적용하였을 때, 기존 방식보다 평균 3.69% 의 차량인식 성능을 개선하였다. 0∼50m 거리에서 성능의 차이는 거의 없으며, 50∼150m의 거리에서는 성능 향상을 있었으며, 50∼100nm, 100∼150m에서는 각각 약 1.
표 2는 DDOFS 선택 방법으로 평균 1.56%, DDOFS와 DDISF 적용 방법으로 평균 3.69% 성능이 개선됨을 확인할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기존 감시 시스템들이 가지는 한계점은 무엇인가?	기존 감시 시스템들은 입력되는 영상으로부터 사건 사고를 해결하기 위한 데이터 제공자로 활용됨으로써 대부분 사후 처리용으로 사용되는 경우가 많으며, 사전 예방 및 사고 후 발생되는 2차 사고 방지를 위한 기능을 수행하는데 한계가 있다. 특히, 터널 내에 사고는 대부분 대형사고로 이어지므로 즉각적인 상황인식 및 신속한 대처가 이루어지지 않으면 막대한 인적, 물적 피해가 일어남을 알 수 있다.
	컴퓨터 비전의 가장 대표적인 응용 분야는 무엇인가?	최근 정보통신 기술의 발달과 더불어 영상처리 및 이해를 통한 응용서비스가 증가하고 있으며, 이를 실생활에 이용하기 위한 컴퓨터 비전 연구가 다양한 분야에서 진행되고 있다. 컴퓨터 비전의 가장 대표적인 응용 분야로서 출입통제시스템, 공항검색시스템, 지능형 영상감시시스템, 지능형 교통시스템(ITS), 전자통관 시스템, 화물차량 관리시스템 등 다양한 분야에서 활용되고 있다. 통계청 자료에 의하면 2011년 국내 차량 등록수가 2010년 1,794만대에서 2.
	차량을 검출 또는 인식하는 과정을 일반적으로 2단계로 나누었을 때 각 단계는 무엇을 수행하는가?	그림 1은 일반적인 차량 검출 또는 인식하는 단계를 나타낸 것이다. 첫 번째 단계는 영상 내에서 차량이 가지는 특징을 기반으로 차량 후보영역을 검출하고, 두 번째 단계에서는 후보영역에 대하여 차량 여부를 결정하고 검증한다.

참고문헌 (19)

Young-Wook Kwon, Se-Hoon Jung, Dong- Gook Park, Chun-Bo Sim, "A Key-frame Method based on HSV Color Model for Smart Vehicle Management System", The Journal of Korea Institute of Electronic Communication Sciences, Vol. 8, No. 4, pp. 595-604, 2013.

원문보기 상세보기
Kyung-Guk Lim, Sung-Bae Yoon, "Enforcement of Efficency of Tunnel Disaster Prevention", Proc. of Korean Society Civil Engineering, Vol. 57, No. 6, pp. 75-83, 2009.
Z. Sun, "On-Road Vehicle Detection: A Review", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 28, No. 5, pp. 694-711, 2006.

상세보기
Sun.Z., Bebis. G., Miller, R., "On-road vehicle detection using optical sensors : a review," IEEE Conference on Intelligence Transportation Systems, pp. 585-590, 2004.
Zehang Sun, George Bebis, and Ronald Miller, "Monocular Precrash Vehicle Detection: Features and Classifiers", IEEE Transactions on Image Processing, No. 7, pp. 2019-2034, July, 2006.
H. Mori and N. Charkai, "Shadow and Rhythm as Sign Patterns of Obstacle Detection," Proc. Int'l Symp. Industrial Electronics, pp. 271-277, 1993.
T. Zielke, M. Brauckmann, and W. von Seelen, "Intensity and Edge-Based Symmetry Detection with an Application to Car- Following", CVGIP : Image Understanding, Vol. 58, pp. 177-190, 1993.

상세보기
S. Smith and J. Brady, ASSET-2: Real-Time Motion Segmentation and Shape Tracking, Vol. 17, pp. 814-820, 1995.
R. Cucchiara, C. Grana, M. Piccardi, and A. Prati, "Detecting moving objects, ghosts and shadows in video streams", IEEE Trans. on Patt. Anal. and Machine Intell., Vol. 25, No. 10, pp. 1337-1342, 2003.

상세보기
Hyun-Tae Kim, Geun-Hoo Lee, Jang-Sik Park and Yun-Sik Yu, "Vehicle Detection in Tunnel using Gaussian Mixture Model and Mathematical Morphological Processing", The Journal of Korea Institute of Electronic Communication Sciences, Vol. 7, No. 5, pp. 967-974, 2012.
Gyu-Yeong Kim, Jae-Ho Kim, Jang-Sik Park, Hyun-Tae Kim, Yun-Sik Yu, "Vehicle Tracking using Euclidean Distance", The Journal of Korea Institute of Electronic Communication Sciences, Vol. 7, No. 6, pp. 1293-1299, 2012.
J. Wu and X. Zhang, "A PCA Classifier and Its Application in Vehicle Detection," Proc. IEEE Int'l Joint Conf. Neural Networks, Vol. 1, pp. 600-604, 2001.
K. Etemad, R. Chellappa, "Discriminant analysis for recognition of human face images", J. Opt. Soc. Am., 14, pp. 1724-1733, 1997.

상세보기
Chengjun Liu, Wechsler, H., "Independent component analysis of gabor features for face recognition", Neural Networks, IEEE Transactions on, Vol. 14, Issue. 4, pp. 919-928, 2003.

상세보기
C. Goerick, N. Detlev, and M. Werner, "Artificial Neural Networks in Real-Time Car Detection and Tracking Applications", Pattern Recognition Letters, Vol. 17, pp. 335-343, 1996.

상세보기
Z. Sun, G. Bebis, and R. Miller, "On-Road Vehicle Detection Using Evolutionary Gabor Filter Optimization", IEEE Trans. Intelligent Transportation Systems, Vol. 6, No. 2, pp. 125-137, 2005.

상세보기
Y. Freund and R. E. Schapire. "Experiments With a New Boosting Algorithm. In Machine Learning", In Proceedings of the Thirteen International Conference In Machine Learning, Bari, pp. 148-156, 1996.
M. T. Pham and T. J. Cham, "Fast Training And Selection of Haar Features Using Statistics in Boosting-Based Face Detection", In Proc. International Conference on Computer Vision (ICCV 2007), Rio de Janeiro, Brazil, pp. 1-7, 2007.
Yi-Min Tsai, Keng-Yen Huang, Chih-Chung Tsai and Liang-Gee Chen, "Learning-based Vehicle Detection Using Up-scaling Schemes and Predictive Frame Pipelines Structures", International Conference on Pattern Recognition, pp. 3101-3104, 2010.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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