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 Gabor filter bank를 이용한 보행자 검출 알고리즘을 제안하고, 기존 연구와의 비교를 통해 성능을 검증하였다. 패턴인식의 많은 분야에서 사용되는 Gabor filter bank의 특징점은 보행자의 검출에서도 뛰어난 성능을 보임을 검증하였으며, 성능 지표, 특히 true positive rate가 99.
제안 방법
- Gabor filter bank의 각 커널의 크기는 21×21이며, 총 6개의 방향 성분 (θ = π/6, 2π/6, 3π/6, 4π/6, 5π/6, 6π/6)을 이용하여 영상에서의 방향성에 따른 에지 성분을 검출하고, 3개의 크기 성분 (σ = 2, 3, 5)을 이용하여 크기에 따른 에지 성분을 검출한다.
- 입력 영상의 개선을 위해 히스토그램 평활화를 사용하였으며, 속도 개선을 위해 적분 영상 기법을 사용하였다. 그리고 실제 도로 영상에 본 논문의 알고리즘을 적용함으로써 그 성능을 검증하였다.
- 본 논문에서는 성능 검증을 위해 HOG 기반 보행자 검출 알고리즘과 본 논문에서 제안하는 Gabor filter bank 기반 보행자 검출 알고리즘을 비교하였다. 동일한 환경에서의 성능 평가를 위해 HOG기반 보행자 검출 연구에서 제안한 INRIA 데이터베이스와 SVM을 사용하였으며, INRIA 테스트 데이터베이스를 이용하여 성능을 평가하였다. 성능 평가를 위한 시스템은 인텔 i7 2.
- 영상의 분할과 분할된 각 영상에서의 평균, 분산, 비대칭도를 계산하는 과정은 많은 연산량을 요구한다. 반복되는 연산량을 줄이고 알고리즘의 성능을 향상시키기 위해 적분 영상을 사용하였다. 적분 영상이란 사각형 형태의 분할 영역에 포함된 값들의 합을 빠르고 효율적으로 계산하는 자료 구조 알고리즘이다.
- 본 논문에서는 3개의 색 공간 × 36개의 Gabor filter × 9개의 분할 영상 × 평균, 분산, 비대칭도 = 총 2916차원의 특징벡터를 사용한다.
- 본 논문에서는 Gabor filter bank를 이용하여 통계학적인 특징점을 추출하고, SVM (Support Vector Machine)에 학습시켜 보행자를 검출한다. HOG 보행자 검출기에서 사용한 INRIA 데이터베이스를 학습 알고리즘에 적용하였으며, 검출 결과를 HOG 보행자 검출기와 비교하였다.
- 본 논문에서는 Gabor filter의 매개변수 중에서 σ와 θ를 가변하여 Gabor filter bank를 구성한다.
- Gabor filter bank는 Gabor filter의 매개변수에 따른 집합체를 말한다. 본 논문에서는 Gabor filter의 여러 파라미터 중에서 방향 성분과 크기 성분을 가변하여 36개의 Gabor filter로 구성된 Gabor filter bank를 생성한다. Gabor filter bank의 각 커널의 크기는 21×21이며, 총 6개의 방향 성분 (θ = π/6, 2π/6, 3π/6, 4π/6, 5π/6, 6π/6)을 이용하여 영상에서의 방향성에 따른 에지 성분을 검출하고, 3개의 크기 성분 (σ = 2, 3, 5)을 이용하여 크기에 따른 에지 성분을 검출한다.
- 더욱이 최근 국내외의 연구에서도 그 성능을 인정받고 타 보행자 검출 알고리즘의 성능을 평가하는 기준이 되고 있다[3,9,11]. 본 논문에서는 성능 검증을 위해 HOG 기반 보행자 검출 알고리즘과 본 논문에서 제안하는 Gabor filter bank 기반 보행자 검출 알고리즘을 비교하였다. 동일한 환경에서의 성능 평가를 위해 HOG기반 보행자 검출 연구에서 제안한 INRIA 데이터베이스와 SVM을 사용하였으며, INRIA 테스트 데이터베이스를 이용하여 성능을 평가하였다.
- 보행자 영역에서의 에지성분은 색 공간에서의 가중치에 따라 민감하게 변화하므로 색 공간을 분할함으로써 색 변화에 따른 에지성분의 손실을 최소화 할 수 있다. 본 논문에서는 영상을 RGB 세 가지 색 공간으로 분류하였다.
- 하나의 픽셀 또는 영상의 특정영역에서 추출되는 특징점이 하나 이상일 때, 이것을 특징벡터(feature vector)라고 하고, 이 특징벡터들의 집합은 특징벡터 공간(feature vector space)을 형성한다. 본 논문에서는 통계적 수치기반의 특징점을 특징 벡터로 사용한다. 통계적 수치는 1~3차 모멘트를 의미하며, 이것은 평균(mean)과 분산(variance), 비대칭도(skewness)이며, 각각은 식 (4) ~ 식 (6)과 같다.
- 통계적 수치는 1~3차 모멘트를 의미하며, 이것은 평균(mean)과 분산(variance), 비대칭도(skewness)이며, 각각은 식 (4) ~ 식 (6)과 같다. 색 공간 분할과 filter bank와의 컨볼루션 영상을 오버랩 기반으로 분할하고 각각의 분할 영상에서 평균과 분산, 비대칭도를 계산하여 특징벡터를 만든다. 본 논문에서는 3개의 색 공간 × 36개의 Gabor filter × 9개의 분할 영상 × 평균, 분산, 비대칭도 = 총 2916차원의 특징벡터를 사용한다.
- 학습 데이터베이스를 이용하여 특징점을 분류하고 학습하는 과정은 실제 시스템이 실행되기 이전에 선행되고, 시스템이 실행되어 입력영상을 분류할 때는 생성된 초평면만을 사용하기 때문에 오프라인 처리(off-line process)라고도 불린다. 영상 처리 과정에서는 영상의 획득, 색 공간 분할, 히스토그램 평활화, Gabor filter bank와의 컨볼루션, 적분 영상 등의 특징점 추출을 위한 다양한 영상처리 과정을 실행한다. 대략적인 영상 처리 과정을 그림 2에 나타내었다.
대상 데이터
- 본 논문에서 보행자 검출 시스템에서 사용되는 학습용 데이터베이스(training dataset)의 크기는 96×160 픽셀이다.
- 본 논문에서는 96×160 픽셀 크기로 정규화 된 2171개의 보행자 학습 데이터베이스와 831개의 비보행자 학습 데이터베이스를 SVM을 이용하여 학습시킨다.
데이터처리
- SVM은 주어진 두 클래스의 벡터들을 구분하는 초평면(hyper-plane) 중에서, 두 클래스의 벡터들 간의 거리가 최대가 되는 최대 마진 초평면(maximum margin hyper-plane)을 찾는 분류 알고리즘이다[9]. HOG 보행자 검출 알고리즘을 사용하여 추출한 특징점과 제안하는 알고리즘을 사용하여 추출한 특징점을 동일한 선형 SVM(linear SVM)에 학습시켜 그 성능을 비교한다.
- 본 논문에서는 Gabor filter bank를 이용하여 통계학적인 특징점을 추출하고, SVM (Support Vector Machine)에 학습시켜 보행자를 검출한다. HOG 보행자 검출기에서 사용한 INRIA 데이터베이스를 학습 알고리즘에 적용하였으며, 검출 결과를 HOG 보행자 검출기와 비교하였다. 실험 결과에서 HOG 보행자 검출기와의 성능 비교 결과와 실제 도로영상에서의 검출 결과를 보이고 제안된 알고리즘의 성능을 검증한다.
- 본 논문에서는 96×160 픽셀 크기로 정규화 된 2171개의 보행자 학습 데이터베이스와 831개의 비보행자 학습 데이터베이스를 SVM을 이용하여 학습시킨다. 그리고 1125개의 보행자 테스트 데이터베이스와 730개의 비보행자 테스트 데이터베이스를 사용하여 알고리즘의 성능을 비교하고 평가한다. 그림 9와 그림 10에서 학습 데이터베이스와 테스트 데이터베이스를 나타내었다.
- HOG 보행자 검출기에서 사용한 INRIA 데이터베이스를 학습 알고리즘에 적용하였으며, 검출 결과를 HOG 보행자 검출기와 비교하였다. 실험 결과에서 HOG 보행자 검출기와의 성능 비교 결과와 실제 도로영상에서의 검출 결과를 보이고 제안된 알고리즘의 성능을 검증한다.
이론/모형
- 동일한 환경에서의 성능 평가를 위해 HOG기반 보행자 검출 연구에서 제안한 INRIA 데이터베이스와 SVM을 사용하였으며, INRIA 테스트 데이터베이스를 이용하여 성능을 평가하였다. 성능 평가를 위한 시스템은 인텔 i7 2.3GHz CPU와 MATLAB R2012a를 사용하였고, HOG 특징점 추출은 MATLAB에서 제공하는 Computer Vision System Toolbox를 사용하였다. 3002개의 학습 데이터베이스를 학습하는데 걸리는 평균 처리 시간을 표 1에 나타내었다.
- 38%로 타 연구보다 월등히 뛰어남을 확인하였다. 입력 영상의 개선을 위해 히스토그램 평활화를 사용하였으며, 속도 개선을 위해 적분 영상 기법을 사용하였다. 그리고 실제 도로 영상에 본 논문의 알고리즘을 적용함으로써 그 성능을 검증하였다.
성능/효과
- 9개의 분할된 영상에서 추출된 특징점은 96×160 픽셀 크기의 단일 영상에서 추출되는 특징점에 비해 9배 많은 특징점이 추출된다.
- SVM에서 출력되는 최대 마진(maximum-margin)은 Gabor filter bank를 이용한 제안 알고리즘이 HOG기반 알고리즘에 비해 2.3배 높게 나타났다. 최대 마진은 특징점의 분류 성능을 나타내는 척도로써 수치가 높을수록 그 특징점의 분류성능이 높음을 나타낸다.
- 최근 연구들에서 특징점 추출 알고리즘의 병렬처리와 분류기의 성능 개선을 통해 실시간 보행자 검출이 가능해지고 있다. 본 논문은 기존 연구들 중 보행자 검출의 방법론으로 알려진 HOG 기반의 보행자 검출 알고리즘보다 검출률에서 우월하다. 알고리즘을 최적화하고 추적 알고리즘을 이용한 관심 영역(ROI: Region of Interest)을 탐색하여 실시간 보행자 검출 시스템을 구현하는 것이 향후 과제가 될 것이다.
- 표 2는 HOG 기반 보행자 검출 알고리즘을 적용한 결과이고 표 3은 제안된 알고리즘을 적용한 결과이다. 제안된 알고리즘의 TPR (True Positive Rate)이 99.38%로 HOG기반 알고리즘보다 개선되었지만 TNR (True Negative Rate)이 90.68%로 감소하였다. 실제 도로 영상에서 보행자의 사고를 방지하기 위한 시스템에서는 TPR이 높은 알고리즘이 유리하고, 추적 알고리즘을 적용할 경우에도 TPR의 개선에 비해 TNR의 개선이 용이하다.
- 본 논문에서는 Gabor filter bank를 이용한 보행자 검출 알고리즘을 제안하고, 기존 연구와의 비교를 통해 성능을 검증하였다. 패턴인식의 많은 분야에서 사용되는 Gabor filter bank의 특징점은 보행자의 검출에서도 뛰어난 성능을 보임을 검증하였으며, 성능 지표, 특히 true positive rate가 99.38%로 타 연구보다 월등히 뛰어남을 확인하였다. 입력 영상의 개선을 위해 히스토그램 평활화를 사용하였으며, 속도 개선을 위해 적분 영상 기법을 사용하였다.
- 물론 오버랩 비율을 증가하여 더 많은 특징점을 추출할 수 있다. 하지만 분할하는 영상의 개수와 이로부터 추출되는 특징점의 개수를 증가시키면서 학습되는 결과를 비교하는 실험을 했을 때, 9개의 분할 영상이 처리속도와 분류성능을 고려한 측면에서 적절했다. 그림 7은 컨볼루션 결과 영상 중 하나의 영상을 분할한 것이다.
후속연구
- 본 논문은 기존 연구들 중 보행자 검출의 방법론으로 알려진 HOG 기반의 보행자 검출 알고리즘보다 검출률에서 우월하다. 알고리즘을 최적화하고 추적 알고리즘을 이용한 관심 영역(ROI: Region of Interest)을 탐색하여 실시간 보행자 검출 시스템을 구현하는 것이 향후 과제가 될 것이다.
- 앞서 언급한 여러 센서 중 가장 직관적이고 많은 정보를 포함하고 있는 센서는 이미지 센서이다. 최근 영상기반 차량용 블랙박스의 보급화가 가속화되고 있기 때문에 추가적인 카메라의 설치 없이 기존에 설치된 블랙박스 영상을 이용한 보행자 검출이 가능할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.