[논문]Histogram Of Gradients (HOG) 피쳐와 Support Vector Machine (SVM) 분류기를 이용한 위성영상에서 관심물체 탐색 방법

임인근; 김수환; 최종국

doi:10.7780/kjrs.2014.30.4.11

문제 정의

특히, 관심물체와 연결되어 있는 도로 부분이 패턴에 포함되어 하나의 패턴으로 인식되는 경향이 나타난다. 따라서 positive 샘플의 가장 자리 부분의 효과를 감소시키고, 실제 관심부분인 중심의 효과를 강조하기 위하여 가우 시안 가중치를 준다. 가중치에 사용한 함수는 다음 식과 같으며, 가우시안 함수는 Fig.
형태적 유사성을 즉, 내부 소형 객체의 장축 단축 길이 등과 같은 수학적 모폴로지를 좀 더 자세히 이용함으로써 오검출에서 나온 건물과 같은 형상은 배제할 수 있을 것 이다. 따라서, 추후에는 분류기를 결합하는 방법에 대한 연구를 진행하고자 한다.
미검출된 관심물체는 여러 개의 관심물체 집합에서 일부는 찾고 일부는 찾지 못한 경우이다. 본 연구가 시작된 배경이 광역의 영상에서 관심물체를 사람이 육안으로 찾아내기에는 시간 소모가 많으므로 그것을 알고리듬으로 해결하기 위한 것이었다. 따라서, 관심물체의 일부가 미검출되더라도 그 집합 내 몇 개의 관심물체만 탐색하면 전체 영상을 탐색하지 않고 관심지역을 찾을 수 있으므로 제안한 방법은 상당히 우수한 결과이다.
본 연구는 비접근 지역에 존재하는 관심물체의 위치를 고해상도 광학 위성영상을 이용하여 찾아내기 위한 목적으로 시작되었다. 찾고자 하는 관심물체는 Fig.
유사 형태, 즉 패턴의 정보만을 이용하여 탐색을 해야 하는 본 연구 목적을 위해서는 관심물체에 대한 HOG feature를 추출하고 이를 학습시켜 분류기를 통해 관심물체인지를 분류해내는 방법으로 접근하는 것이 타당하다고 판단하였다.

제안 방법

HOG feature는 회전 변화시 매칭이 불가능한 문제점이 있기 때문에 회전변화에 따른 다중 분류기를 만드는 것을 제안한다. 앞에서 설명한 것과 같이 positive 샘플을 추출할 때 샘플들을 관심물체에 중심부에 있는 객체의 장축을 기준으로 30도 간격으로 회전 변환시켜 12개 방향에 대한 각도에 따른 샘플을 만들었다.
4GHz, RAM 8G, 알고리듬은 Matlab R2012b(Marques, 2011) 로 구현하였다. 가우시안 블러링 파라미터는 12sigma, 스캐닝 간격은 6픽셀로 수행하였다.
이 때, 우리의 관심물체에 포함된 공통된 패턴 중 하나는 타원형의 영역과 이 영역 내부에 있는 밝기차가 있는 내부의 길쭉한 소형 객체임을 고려하여야 한다. 그래서 Fig. 3에서와 같이 샘플 추출시 탐색하고자하는 객체의 장축 방향성을 고려하기 위해 타원형 내부의 소형객체의 주축이 되는 위치를 두 점으로 표시하고 두 점을 잇는 선의 방위각을 기준각으로 하고, 30도 간격으로 회전 변환시켜 12개의 방향성을 갖는 positive 샘플이 추출되도록 한다.
두 번째 실험으로 19500×19500 픽셀 크기를 갖는 영상에서 관심물체를 탐색하는 실험을 하였다.
실험결과에서 알 수 있듯이 ±15도 범위 이내의 회전변환에 있어서만 정검출로 검출된다. 따라서, 본 논문에서는 장축 방향을 기준으로 30도 간격으로 12개 각도로 변환하는 샘플을 만든다.
본 연구는 기반이 되는 위성영상의 한계점과 관심물체가 정확히 규정된 형태를 갖고 있는 물체가 아니라 유사한 형상을 갖는 물체라는 두 가지 사항에 중점을 두어 진행되었다. 따라서, 템플릿 매칭과 히스토그램 매칭의 중간 단계의 방법인 유사 객체 검색에서 일반적으로 사용되는 Histogram Of Gradients (HOG) feature를 이용하여 관심물체의 특징을 추출하고, 추출된 관심물체에 대한 특징 데이터를 이용하여 Support Vector Machine (SVM) 학습 및 분류기를 생성한다. 이 분류기를 통해 테스트 영상에서 관심물체의 특징과 유사한 객체를 추출함으로써 관심물체를 탐색하는 방법이다.
위 실험결과에서 알 수 있듯이 동일한 물체가 아니더라도 비슷한 외형의 물체를 식별하는데 있어서는 제안한 방법이 상당히 효율적임을 알 수 있었다. 또한, HOG feature의 단점을 각도에 따라 다중분류기를 생성함으로써 회전 효과도 고려할 수 있는 방법을 제안하였으며, 가우시안 가중치를 적용하여 동일한 주변환경을 갖고 있지 않는 관심물체도 관심물체가 갖고 있는 자체의 특징에 더 중점을 두어 탐색이 되도록 하였다.
본 연구는 기반이 되는 위성영상의 한계점과 관심물체가 정확히 규정된 형태를 갖고 있는 물체가 아니라 유사한 형상을 갖는 물체라는 두 가지 사항에 중점을 두어 진행되었다. 따라서, 템플릿 매칭과 히스토그램 매칭의 중간 단계의 방법인 유사 객체 검색에서 일반적으로 사용되는 Histogram Of Gradients (HOG) feature를 이용하여 관심물체의 특징을 추출하고, 추출된 관심물체에 대한 특징 데이터를 이용하여 Support Vector Machine (SVM) 학습 및 분류기를 생성한다.
본 연구의 관심물체를 SIFT feature를 추출하여 탐색해 보았다. SIFT 방법은 동일한 물체는 회전과 스케일의 변화가 있어도 잘 찾아짐을 확인할 수 있었다.
샘플 데이터로부터 HOG feature를 추출하고 SVM 학습 및 분류기를 생성하였다. 학습을 위해 샘플을 추출할 때 사용한 영상은 성능 테스트에 사용할 영상과는 다른 영상으로 사용하였다.
HOG feature는 회전 변화시 매칭이 불가능한 문제점이 있기 때문에 회전변화에 따른 다중 분류기를 만드는 것을 제안한다. 앞에서 설명한 것과 같이 positive 샘플을 추출할 때 샘플들을 관심물체에 중심부에 있는 객체의 장축을 기준으로 30도 간격으로 회전 변환시켜 12개 방향에 대한 각도에 따른 샘플을 만들었다. 따라서, 분류기도 12개 방향에 대한 다중 분류기를 생성한다.
두 번째 실험으로 19500×19500 픽셀 크기를 갖는 영상에서 관심물체를 탐색하는 실험을 하였다. 우선 입력 영상을 타일 형태로 만들고 각 타일에 대해 알고리듬에 적용해보았다. 하나의 타일 크기는 4875×4875 픽셀로, 총 16개의 타일로 생성하였다.
가장 먼저 찾고자 하는 물체의 패턴인식을 위해 필요한 패턴을 샘플링 한다. 이 때, 찾고자 하는 대상이 되는 positive 샘플과 검출 대상이 아닌 negative 샘플을 추출하여 이를 데이터베이스화한다. 샘플링 된 데이터로부터 HOG feature를 추출한다.
샘플링 된 데이터로부터 HOG feature를 추출한다. 이들을 SVM 방법으로 학습시키고 SVM 분류기를 생성한다. 이렇게 탐색하고자 하는 물체의 학습이 완료되고 분류기가 생성되면 실제 관심 물체를 탐색하고자 하는 위성영상을 입력하여 분류기로부터 관심물체를 검출해 내도록 한다.
제안한 방법은 위성영상에서 형태가 완전히 동일하지는 않지만, 사람이 보기에 유사한 패턴을 갖고 있는 관심 물체를 자동으로 탐지해내기 위하여 관심 물체의 패턴 특징을 HOG feature로 추출하고, 이를 SVM 분류기를 통해 탐색해내는 방법이다. 입력영상이 위성영상이므로 촬영시각 촬영환경에 따라 영상의 질이 다를 수 있고, 해상도가 일반 영상에 비해 낮음을 고려하여 정교한 특징을 추출해내는 방법이 아닌 개략적인 형태적 특성을 표현할 수 있도록 HOG feature를 생성하고, 이를 학습시킴으로써 영상에서 관심 물체를 탐색할 수 있었다.
제안한 방법은 위성영상에서 형태가 완전히 동일하지는 않지만, 사람이 보기에 유사한 패턴을 갖고 있는 관심 물체를 자동으로 탐지해내기 위하여 관심 물체의 패턴 특징을 HOG feature로 추출하고, 이를 SVM 분류기를 통해 탐색해내는 방법이다. 입력영상이 위성영상이므로 촬영시각 촬영환경에 따라 영상의 질이 다를 수 있고, 해상도가 일반 영상에 비해 낮음을 고려하여 정교한 특징을 추출해내는 방법이 아닌 개략적인 형태적 특성을 표현할 수 있도록 HOG feature를 생성하고, 이를 학습시킴으로써 영상에서 관심 물체를 탐색할 수 있었다.
이 분류기를 통해 테스트 영상에서 관심물체의 특징과 유사한 객체를 추출함으로써 관심물체를 탐색하는 방법이다. 탐색시 관심물체 추출에 방해가 될 수 있는 주변 요소들의 특징을 배제하기 위해 가우시안 함수를 가중치로 설정하고, 촬영 각이나 관심물체의 위치에 따른 회전을 고려하기 위해 각도에 따른 다중 분류기로 분류하는 방법을 제안한다.

대상 데이터

본 연구에서 대상으로 하는 물체는 positive 샘플의 주변 요소들로 인해 분류시 방해가 되는 경향이 있다. 특히, 관심물체와 연결되어 있는 도로 부분이 패턴에 포함되어 하나의 패턴으로 인식되는 경향이 나타난다.
우선 분류기를 생성하기 위한 학습 데이터인 positive 샘플과 negative 샘플은 성능 테스트에 사용할 관심지역을 포함하는 영상에서 추출하였다. 이 때 샘플 사이즈는 64×64픽셀이었으며, positive 샘플은 399개, negative 샘플은 12500개를 사용하였다.
이 때 샘플 사이즈는 64×64픽셀이었으며, positive 샘플은 399개, negative 샘플은 12500개를 사용하였다.
하나의 타일 크기는 4875×4875 픽셀로, 총 16개의 타일로 생성하였다.
샘플 데이터로부터 HOG feature를 추출하고 SVM 학습 및 분류기를 생성하였다. 학습을 위해 샘플을 추출할 때 사용한 영상은 성능 테스트에 사용할 영상과는 다른 영상으로 사용하였다.

이론/모형

Negative 샘플은 positive 샘플이 없는 다양한 지역을 선정하여 positive 샘플과 동일한 크기로 추출한다. 스케일을 다양하게 하고 positive 샘플의 배경과 유사한 지역을 포함시켜 랜덤 샘플링 방법을 적용한다. Fig.

성능/효과

본 연구의 관심물체를 SIFT feature를 추출하여 탐색해 보았다. SIFT 방법은 동일한 물체는 회전과 스케일의 변화가 있어도 잘 찾아짐을 확인할 수 있었다. 그러나, 동일하지 않은 유사한 객체에 대해서는 탐색이 힘듦을 알 수 있었다.
14의 (1-4)타일과 (2-4)타일의 검출 결과와 관심물체가 검출된 영역만을 확대해서 본 결과이다. 결과에서 알 수 있듯이 비교적 찾고자 하는 유사 형태를 갖고 있는 객체를 잘 찾아졌음을 알 수 있다. 그러나, 이 중에는 실제 관심물체인 것도 있고, 아닌 것도 포함되어 있다.
본 연구가 시작된 배경이 광역의 영상에서 관심물체를 사람이 육안으로 찾아내기에는 시간 소모가 많으므로 그것을 알고리듬으로 해결하기 위한 것이었다. 따라서, 관심물체의 일부가 미검출되더라도 그 집합 내 몇 개의 관심물체만 탐색하면 전체 영상을 탐색하지 않고 관심지역을 찾을 수 있으므로 제안한 방법은 상당히 우수한 결과이다. 추후에는 제안한 방법에 관심물체의 연결성을 이용하는 방법을 추가하여 관심지역을 추천하는 방법으로 개선시키고자 한다.
위 실험결과에서 알 수 있듯이 동일한 물체가 아니더라도 비슷한 외형의 물체를 식별하는데 있어서는 제안한 방법이 상당히 효율적임을 알 수 있었다. 또한, HOG feature의 단점을 각도에 따라 다중분류기를 생성함으로써 회전 효과도 고려할 수 있는 방법을 제안하였으며, 가우시안 가중치를 적용하여 동일한 주변환경을 갖고 있지 않는 관심물체도 관심물체가 갖고 있는 자체의 특징에 더 중점을 두어 탐색이 되도록 하였다.

후속연구

그러나, 본 방법의 단점은 학습과정이 포함되었으므로 학습 세트를 만드는 비용이 크고, 슬라이딩 윈도우 방식으로 전체 영상을 스캔할 뿐만 아니라 다중 분류기를 통해 분류함으로써 연산 비용이 많이 든다는 것이다. 이러한 연산 비용은 추후 캐스케이딩 방법을 이용하여 다른 분류기를 결합하면 해결할 수 있을 것으로 판단된다. 형태적 유사성을 즉, 내부 소형 객체의 장축 단축 길이 등과 같은 수학적 모폴로지를 좀 더 자세히 이용함으로써 오검출에서 나온 건물과 같은 형상은 배제할 수 있을 것 이다.
따라서, 사람이 판단하는 것처럼 유사한 외형적 형상을 갖고 있는 물체를 자동으로 찾아내준다면 그 지역에 한해서만 사람이 최종적으로 확인을 해준다고만 해도 그 시간과 노력이 훨씬 줄어들 것이다. 이를 위해서는 내용에 기반하여 관심물체에 대한 특징을 잘 추출해내는 적합한 특징기술자를 찾는 방법과 관심물체의 특징기술자를 이용하여 실제 위성영상에서 이와 유사한 특징을 갖는 객체를 추출해내는 방법에 대한 연구가 필요하다. 이 때, 찾아진 유사한 객체가 관심물체가 확실하며, 관심물체를 빠짐없이 찾을수록 좋은 성능의 탐색 방법이라고 말할 수 있다.
따라서, 관심물체의 일부가 미검출되더라도 그 집합 내 몇 개의 관심물체만 탐색하면 전체 영상을 탐색하지 않고 관심지역을 찾을 수 있으므로 제안한 방법은 상당히 우수한 결과이다. 추후에는 제안한 방법에 관심물체의 연결성을 이용하는 방법을 추가하여 관심지역을 추천하는 방법으로 개선시키고자 한다.
이러한 연산 비용은 추후 캐스케이딩 방법을 이용하여 다른 분류기를 결합하면 해결할 수 있을 것으로 판단된다. 형태적 유사성을 즉, 내부 소형 객체의 장축 단축 길이 등과 같은 수학적 모폴로지를 좀 더 자세히 이용함으로써 오검출에서 나온 건물과 같은 형상은 배제할 수 있을 것 이다. 따라서, 추후에는 분류기를 결합하는 방법에 대한 연구를 진행하고자 한다.

핵심어	질문	논문에서 추출한 답변
	Haar 추출자의 단점은?	Haar 추출자는 영역간의 밝기차를 이용하기 때문에 사람 얼굴의 경우에는 눈썹, 눈동자, 입술, 머리카락 등이 특징적인 밝기 차를 가지기 때문에 Haar feature를 적용하기에 비교적 적합한 대상으로 볼 수 있다. 하지만, 영상의 contrast변화, 광원의 방향 변화에 따른 영상 밝기 변화에 영향을 받으며 물체가 회전된 경우에는 검출이 힘든 단점이 있다(Viola and Jones, 2001).
	관심물체는 무엇인가?	본 논문은 비 접근 지역에 존재하는 관심물체의 위치를 고해상도 광학 위성영상을 이용하여 찾아내기 위한 방법을 제안한다. 관심물체는 정확하게 규정된 크기와 모양을 갖는 것이 아니라, 개념적으로 유사한 패턴을 가진 물체들의 집합이다. 본 논문에서는 유사 객체 검색에서 Histogram of Gradients (HOG) feature를 이용하여 입력 영상의 관심물체의 특징을 추출하고, 추출된 특징 데이터를 이용하여 다른 영상들의 관심물체를 탐색하는 Support Vector Machine (SVM) 학습 및 분류기를 개발하였다.
	Ferns과 Haar feature의 차이점은?	이 후 패치 내에서 임의의 두 점을 잡고 두 점의 픽셀 밝기차이가 +인지 -인지를 feature로 사용한다. Haar feature와 비교해보면 Haar feature가 영역 단위의 밝기 차이를 이용하는 반면 Ferns는 픽셀 단위의 밝기차를 이용하고 또한 값이 아닌 부호만을 사용한다는 점에서 차이가 있다(Calonder et al., 2010).

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

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

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

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

임인근 (1) 김수환 (1)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

AI 본문요약
AI-Helper