객체인식은 지능적이고 다양화된 범죄 예방을 위한 영상 감시 시스템에서 중요한 기술 중 하나이다. 사람의 신체 정보인 키는 그 대상이 가지고 있는 신체적인 특징 중 하나로 신원을 확인하는데 중요한 정보가 될 수 있다. 본 논문에서는 CCTV 영상으로부터 보행자를 검출하고 검출된 객체인 보행자의 키를 추정하는 방법을 제안하였다. 이를 위하여 GMM(Gaussian Mixture Model) 방식을 이용하여 움직이는 객체를 분리하고, 분리된 후보 객체들의 가로세로 비율, 크기 등의 조건을 이용하여 보행자를 검출하였다. 제안한 방법을 CCTV 영상에 적용하고 동일 보행자에 대하여 근거리, 중거리, 원거리의 위치에서 키를 추정하고 정확성을 평가하였다. 실험결과 근거리에서 97%, 중거리에서 98%, 원거리에서 97% 이상의 정확도로 키 추정이 가능함을 보였다. 또한 영상내의 보행자는 위치에 따라 크기가 다르지만 실험을 통하여 제안하는 방법이 보행자의 위치에 관계없이 키를 추정하는데 효과적임을 확인하였다.
객체인식은 지능적이고 다양화된 범죄 예방을 위한 영상 감시 시스템에서 중요한 기술 중 하나이다. 사람의 신체 정보인 키는 그 대상이 가지고 있는 신체적인 특징 중 하나로 신원을 확인하는데 중요한 정보가 될 수 있다. 본 논문에서는 CCTV 영상으로부터 보행자를 검출하고 검출된 객체인 보행자의 키를 추정하는 방법을 제안하였다. 이를 위하여 GMM(Gaussian Mixture Model) 방식을 이용하여 움직이는 객체를 분리하고, 분리된 후보 객체들의 가로세로 비율, 크기 등의 조건을 이용하여 보행자를 검출하였다. 제안한 방법을 CCTV 영상에 적용하고 동일 보행자에 대하여 근거리, 중거리, 원거리의 위치에서 키를 추정하고 정확성을 평가하였다. 실험결과 근거리에서 97%, 중거리에서 98%, 원거리에서 97% 이상의 정확도로 키 추정이 가능함을 보였다. 또한 영상내의 보행자는 위치에 따라 크기가 다르지만 실험을 통하여 제안하는 방법이 보행자의 위치에 관계없이 키를 추정하는데 효과적임을 확인하였다.
Object recognition is one of the key technologies of the monitoring system for the prevention of various intelligent crimes. The height is one of the physical information of a person, and it may be important information for identification of the person. In this paper, a method which can detect pedes...
Object recognition is one of the key technologies of the monitoring system for the prevention of various intelligent crimes. The height is one of the physical information of a person, and it may be important information for identification of the person. In this paper, a method which can detect pedestrians from CCTV images and estimate the height of the detected objects, is proposed. In this method, GMM (Gaussian Mixture Model) method was used to separate the moving object from the background and the pedestrian was detected using the conditions such as the width-height ratio and the size of the candidate objects. The proposed method was applied to the CCTV video, and the height of the pedestrian at far-distance, middle- distance, near-distance was estimated for the same person, and the accuracy was evaluated. Experimental results showed that the proposed method can estimate the height of the pedestrian as the accuracy of 97% for the short-range, 98% for the medium-range, and more than 97% for the far-range. The image sizes for the same pedestrian are different as the position of him in the image, it is shown that the proposed algorithm can estimate the height of pedestrian for various position effectively.
Object recognition is one of the key technologies of the monitoring system for the prevention of various intelligent crimes. The height is one of the physical information of a person, and it may be important information for identification of the person. In this paper, a method which can detect pedestrians from CCTV images and estimate the height of the detected objects, is proposed. In this method, GMM (Gaussian Mixture Model) method was used to separate the moving object from the background and the pedestrian was detected using the conditions such as the width-height ratio and the size of the candidate objects. The proposed method was applied to the CCTV video, and the height of the pedestrian at far-distance, middle- distance, near-distance was estimated for the same person, and the accuracy was evaluated. Experimental results showed that the proposed method can estimate the height of the pedestrian as the accuracy of 97% for the short-range, 98% for the medium-range, and more than 97% for the far-range. The image sizes for the same pedestrian are different as the position of him in the image, it is shown that the proposed algorithm can estimate the height of pedestrian for various position effectively.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 CCTV 영상 기반으로 하는 보행자의 키를 추정하는 방법을 제안하였다. 객체를 배경으로부터 정확히 분리하기 위해 GMM을 사용하였다.
본 논문에서는 CCTV 영상을 기반으로 하는 보행자의 키를 추정하는 방법을 제안한다. 영상기반의 보행자 키 추정을 구현하기 위해서는 객체인 보행자를 배경으로부터 정확히 분리할 수 있어야 한다.
제안 방법
5m 떨어진 지점이다. 그리고 근거리와 원거리의 중앙 지점을 중거리로 하였다. 그림 8은 CCTV 영상에 구현한 알고리즘을 적용하여 키 추정을 한 결과 영상들을 보여준다.
영상기반의 보행자 키 추정을 구현하기 위해서는 객체인 보행자를 배경으로부터 정확히 분리할 수 있어야 한다. 따라서 본 논문에서는 입력영상에 대하여 실시간 처리를 위해 시간의 경과에 따라 변화되는 배경 정보를 반영하는데 효과적인 배경추정 기법인 가우시안 혼합모델(GMM)을 기반으로 보행자를 검출하고[6-7], 검출된 보행자의 특징 정보와 사전에 설정된 높이 정보를 비교하여 보행자의 키를 추정한다. 본 논문에서는 CCTV 영상을 이용하여 제안하는 보행자의 키 측정 방법이 보행자의 위치에 관계없이 키를 추정하는데 효과적임을 보여준다.
GMM을 통해 전경과 배경을 분리하게 되면 영상 내의 움직이는 후보 객체들을 검출 할 수 있다. 보행자를 검출하기에 앞서 영상 내에 존재하는 잡음을 제거하기 위해 모폴로지 연산을 수행한 뒤 검출된 후보 객체들에 대해 레이블링을 수행하여 객체의 특징 데이터를 수집한다. 레이블링을 통해 획득할 수 있는 특징 데이터는 객체의 폭(width), 높이(height), 크기(size), 사각형 좌표(coordinate) 등이 있다.
90GHz, 4GB RAM, window7 PC를 사용하였으며 Visual Studio 2010과 영상처리 공개 라이브러리인 OpenCV를 사용하여 구현하였다. 보행자의 키 추정은 동일한 CCTV 영상에 대하여 근거리, 중거리, 원거리로 구분하여 실험을 하였다. 여기서 근거리는 높이 5m의 CCTV 카메라로부터 수평거리 14m 떨어진 지점이고 원거리는 수평거리 35.
본 논문에서 제안하는 알고리즘은 검출된 후보 객체들 중에서 보행자를 검출하는 과정과 제안하는 방법으로 보행자의 키를 추정하는 과정을 포함한다. 보행자를 검출하는 과정은 사전에 설정되어 있는 조건 즉, 객체의 높이/폭 픽셀 비율과 크기 등을 만족하는 객체를 검출하여 보행자로 판별하는 과정이다.
본 논문에서 제안하는 키 추정 방법은 입력 영상 내에 기준 높이를 사전에 설정하여 보행자의 높이 픽셀과 기준 높이 픽셀을 비교하여 키를 추정한다. 그림 5는 CCTV 입력 영상의 한 장면을 보여준다.
본 논문에서는 영상 내의 후보 객체가 보행자인지 아닌지를 판별하기 위해 객체의 높이/폭 픽셀 비율을 사용하였다. 그림 3은 보행자의 높이/폭 픽셀 비율을 구하기 위하여 동일한 장소 및 동일한 위치의 카메라로부터 각각 다른 거리에 위치한 보행자의 이미지이다.
영상의 크기는 1280x720p 이고, 좌측 상단 (0,0) 으로부터 우측 하단 (1280,720)의 좌표를 가진다. 영상 내에 기준 높이를 설정하기 위해 높이 1500mm인 삼각대(tripod)를 P1～P6 지점에 설치하였고, 각 지점에 대해 x(pixel)와 h(pixel)를 측정하였다. 여기서 x는 영상의 상단에서부터 삼각대의 다리 끝 부분(삼각대가 서 있는 위치)까지의 거리에 대한 픽셀이고 h는 삼각대의 높이 픽셀이다.
대상 데이터
제안하는 알고리즘을 구현하기 위해 입력 영상으로 초당 24프레임의 1280 × 720p 영상을 사용하였고, Intel(R) Pentium(R) CPU G2020 @ 2.90GHz 2.90GHz, 4GB RAM, window7 PC를 사용하였으며 Visual Studio 2010과 영상처리 공개 라이브러리인 OpenCV를 사용하여 구현하였다.
데이터처리
키 추정 값은 각 거리에 대하여 여러 번 반복 측정하여 측정값의 평균으로 계산하였다. 실험 결과로 근거리 키 추정은 42.
이론/모형
본 논문에서는 CCTV 영상 기반으로 하는 보행자의 키를 추정하는 방법을 제안하였다. 객체를 배경으로부터 정확히 분리하기 위해 GMM을 사용하였다. 영상 내의 보행자는 위치에 따라 크기가 서로 다르지만 영상 내의 기준 높이를 위치에 따른 수식으로 표현함으로써 보행자의 위치에 제약 없이 키를 추정 할수 있었다.
여러 가우시안 값들은 이전에 어떤 사건이 일어날 확률의 집합으로 사후 확률을 결정하는데 도움을 주는 값들이다. 본 논문에서는 입력 영상의 픽셀의 전경과 배경을 결정하는데 있어서 GMM을 적용하였다[6-10].
성능/효과
그리고 제안하는 알고리즘은 초당 5프레임의 처리 속도를 보여주었다.
본 논문에서는 CCTV 영상을 이용하여 제안하는 보행자의 키 측정 방법이 보행자의 위치에 관계없이 키를 추정하는데 효과적임을 보여준다.
키 추정 값은 각 거리에 대하여 여러 번 반복 측정하여 측정값의 평균으로 계산하였다. 실험 결과로 근거리 키 추정은 42.8 mm의 평균 오차(2.38 %의 오차율)가 나왔고, 중거리 및 원거리 키 추정은 각각 34 mm, 48.3 mm의 평균 오차(1.9 %, 2.82 %의 오차율)를 보여주고 있다. 이는 사람이 키를 측정할 때 신발을 신지 않는다는 점과 머리를 꾹 눌러서 측정한 다는 점을 고려한다면 영상기반의 비접촉식 키 추정으로는 오차가 적은 것을 확인할 수 있었고, 제안하는 방법이 보행자의 위치에 관계없이 약 97 % 이상의 정확도로 키를 추정할 수 있음을 확인하였다.
영상 내의 보행자는 위치에 따라 크기가 서로 다르지만 영상 내의 기준 높이를 위치에 따른 수식으로 표현함으로써 보행자의 위치에 제약 없이 키를 추정 할수 있었다. 실험을 통하여 영상 내의 보행자의 위치에 관계없이 약 97% 이상의 정확도로 키 추정이 가능함을 보였다. 본 연구의 결과는 내용 기반 영상 검색 및 객체 추적 등의 지능형 영상처리 분야에 활용될 것으로 기대된다.
82 %의 오차율)를 보여주고 있다. 이는 사람이 키를 측정할 때 신발을 신지 않는다는 점과 머리를 꾹 눌러서 측정한 다는 점을 고려한다면 영상기반의 비접촉식 키 추정으로는 오차가 적은 것을 확인할 수 있었고, 제안하는 방법이 보행자의 위치에 관계없이 약 97 % 이상의 정확도로 키를 추정할 수 있음을 확인하였다.
후속연구
실험을 통하여 영상 내의 보행자의 위치에 관계없이 약 97% 이상의 정확도로 키 추정이 가능함을 보였다. 본 연구의 결과는 내용 기반 영상 검색 및 객체 추적 등의 지능형 영상처리 분야에 활용될 것으로 기대된다. 추후의 연구에서는 객체들 간의 겹침 문제에 있어서 보행자를 정확히 검출하지 못하는 문제를 해결하고, 키 추정의 정확도 향상을 위한 알고리즘의 개선에 주력하고자 한다.
본 연구의 결과는 내용 기반 영상 검색 및 객체 추적 등의 지능형 영상처리 분야에 활용될 것으로 기대된다. 추후의 연구에서는 객체들 간의 겹침 문제에 있어서 보행자를 정확히 검출하지 못하는 문제를 해결하고, 키 추정의 정확도 향상을 위한 알고리즘의 개선에 주력하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
영상기반의 보행자 키 추정의 전처리 과정은 어떻게 이루어지는가?
그림 1은 영상기반의 보행자 키 추정을 위한 전체 알고리즘의 블록도이다. 전처리 과정(preprocessing)은 CCTV를 통하여 입력된 영상을 GMM 처리를 통하여 움직이는 객체와 배경을 분리하고 잡음을 제거하기 위해 모폴로지 연산(morphological filtering)과정을 수행한다. 그리고 검출된 후보 객체들에 대해 레이블링 (labeling)을 수행하고 객체의 크기, 비율 등의 데이터를 수집하는 과정을 포함한다.
GMM에서 여러 가우시안 값들은 어떤 역할을 하는가?
GMM은 가우시안 값들이 여러 개 합쳐져서 만들어진 모델이다. 여러 가우시안 값들은 이전에 어떤 사건이 일어날 확률의 집합으로 사후 확률을 결정하는데 도움을 주는 값들이다. 본 논문에서는 입력 영상의 픽셀의 전경과 배경을 결정하는데 있어서 GMM을 적용하였다[6-10].
객체인식이란 무엇인가?
객체인식은 지능적이고 다양화된 범죄 예방을 위한 영상 감시 시스템에서 중요한 기술 중 하나이다. 사람의 신체 정보인 키는 그 대상이 가지고 있는 신체적인 특징 중 하나로 신원을 확인하는데 중요한 정보가 될 수 있다.
참고문헌 (10)
H.-M. Moon and S.-B. Pan, "The Human Identification Method in Video Surveillance System," The Korean Institute of Information Technology, vol. 8, no. 5, May 2010, pp. 199-206.
H.-M. Moon and S-B. Pan, "The Analysis of De-identification for Privacy Protection in Intelligent Video Surveillance System," The Korean Institute of Information Technology, vol. 9, no. 7, July 2011, pp. 189-200.
D.-H. Kim, J.-Y. Lee, H.-S. Yoon, and E.-Y. Cha, "A Non-cooperative user authentication system in robot environments," IEEE Trans. Comsumer Electronics, vol. 53, no. 2, May 2007, pp. 804-811.
A. Bovyrin and K. Rodyushkin, "Human height prediction and roads estimation for advanced video surveillance systems," In Proc. IEEE Conf. on Advanced Video and Signal Based Surveillance, vol. 15-16, Como, Italy, Sept. 2005, pp. 219-223.
E. Jeges, I. Kispal, and Z. Hornak, "Measuring human height using calibrated cameras," In Proc. IEEE Conf. on Human System Interactions, vol. 25-27, Krakow, Poland, May 2008, pp. 755-760.
H.-T. Kim, G.-H. Lee, J.-S. Park, and Y.-S. Yu, "Vehicle Detection in Tunnel using Gaussian Mixture Model and Mathematical Morphological Processing," J. of the Korean Institute of Electronic Communication Sciences, vol. 7, no. 5, Oct. 2012, pp. 967-974.
M.-W. Kim, C.-M. Oh, D. Aurrahman, Y.-G. Ahn, and C.-W. Lee, "The Virtual Screen Using Skin tone and GMM Foreground Segmentation," Conf. of The Korea Information Processing Society, vol. 15, no. 1, Kyungil University, Korea, May 2008, pp. 179-181.
D. Koller, J. Weber, T. Huang, J. malik, G. Ogasawara, B. Rao, and S. Russell, "Towards Robust Automatic Traffic Scene Analysis in Real-time," Proc. ICPR'94, vol. 1, Lake Buena Vista, Florida, Oct. 1994, pp. 126-131.
C. Stauffer and W. E. L. Grimson, "Adaptive background mixture models for real-time tracking," Proc. IEEE CVPR 1994, vol. 2, Fort Collins, Colorado, June 1999, pp. 246-252.
A. Elgammal, D. Harwood, and L. S. Davis, "Non-parametric model for background subtraction," Proc. ECCV 2000, vol. 1843, Dublin, Ireland, June 2000, pp. 751-767.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.