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
- 또한, 저해상도의 라이다를 이용하여 사람을 특징하는 데이터 패턴을 고차원 함수로 추출함으로써 사람을 감지하는 방법은 아직 보고된 바가 전무하다. 따라서 본 논문에서는 저해상도의 라이다를 사용하여 실험적으로 추출된 저해상도 라이다 데이터를 이용하여 새로운 사람 특성 함수를 획득하여 학습단계 없이 실시간으로 사람을 감지하는 방법은 제안하고자 한다.
- 본 논문에서는 실내외 환경에 민감하지 않으며 기계학습을 이용하지 않으므로 빠르고 간편하게 사람을 감지할 수 있는 방법을 제안하였다. 일반적으로 사용하는 고가의 고해상도 라이다를 이용하여 사람을 감지하는 경우에 비해 제안하는 방법은 저가의 저해상도 라이다를 이용함에도 사람의 특징을 정확히 추출하였다.
- 본 논문에서는 실내외에서 사용할 수 있는 저해상도 라이다를 이용하여 사람을 감지하며, 학습 과정 없이 실시간으로 탐지할 수 있는 방법을 제안한다. 제안하는 방법은 사람의 형태를 특징하는 고차원 사람 특성 함수 (HCF; Human Characteristics Function)를 실험적으로 추출하고, 획득된 저해상도의 라이더 데이터의 해상도가 보정된 사람 특성 함수와 함수의 기울기를 이용하여 유선형인 사람 몸의 특징을 탐지하고 다른 물체들로부터 분류하는 방법이다.
- 본 논문에서는 저해상도의 저가형 라이다를 이용하여 자율 주행 자동차나 스마트 홈 등에서 응용 가능한 사람 감지 방법을 제안한다. 제안하는 방법은 사람을 감지할 때 사생활 침해 문제가 없으며, 주변 환경 변화에 민감하지 않다.
- 본 절에서는 우선 실험을 통해서 사람 특성 함수가 다른 차수의 함수에 비해서 이차 다항식 함수에서 사람의 감지가 우수한지를 실험적으로 검증하고자 한다. 실험 환경은 단일 대상과 다중 대상 시나리오로 구성하였다.
- 이 논문에서는 사람 특성 함수를 이용한 방법과 다른 클러스터링 방법들 간의 사람 검출 성능을 비교하기 위하여 단일 대상 상황에서 실험을 수행하였다. GMM과 K-Means는 좋은 성능을 가지는 클러스터링 방법이지만 저해상도의 라이다는 출력결과가 일정하지 않으며, 출력되는 물체의 좌표 점이 나타났다 사라짐을 반복하기 때문에 GMM과K-Means 방법들은 올바른 클러스터링이 수행되지 않았다.
제안 방법
- 사람 특성 함수의 최적 차수를 결정하기 위해서 단일 대상 환경과 다중 대상 환경에서 사람의 형상이 가지는 특징을 검출하고 일차 다항식 직선부터 사차 다항식 곡선까지 차수를 높여가면서 사람 감지율을 비교 검증하였다. 10명의 피실험자를 통해 동일한 환경에서 데이터를 얻고 각각의 데이터를 다항식의 차수 별로 계산하였다. 그리고 피실험자들의 평균적인 폭과 두께도 획득하였다.
- K-Means 클러스터링은 널리 알려진 클러스터링 기법으로 데이터를 k개의 그룹으로 나누는 방법이다 [14]. 거리 기반 방법으로 그룹 간 비유사도와 비용함수를 최소화 하도록 그룹을 나눈다. 같은 그룹 내의 데이터는 유사도를 증가시키고, 다른 그룹간의 데이터는 유사도를 감소시킨다.
- 10명의 피실험자를 통해 동일한 환경에서 데이터를 얻고 각각의 데이터를 다항식의 차수 별로 계산하였다. 그리고 피실험자들의 평균적인 폭과 두께도 획득하였다.
- 이 실험 영상을 통해서 사람 몸은 고차원 함수 곡선 분포 특징을 나타내고 있음을 알 수 있다. 또한, 고차원 함수 곡선 분포 특성을 이용하여 사람에 해당되는 데이터를 하나의 그룹으로 형성하기 위해서 클러스터링과 분류의 과정을 수행한다.
- GMM과 K-Means는 좋은 성능을 가지는 클러스터링 방법이지만 저해상도의 라이다는 출력결과가 일정하지 않으며, 출력되는 물체의 좌표 점이 나타났다 사라짐을 반복하기 때문에 GMM과K-Means 방법들은 올바른 클러스터링이 수행되지 않았다. 또한, 이러한 방법들은 거리기반 클러스터링 보다 긴 연산시간이 소모되었기 때문에 본 논문에서는 거리기반 클러스터링을 적용하였다.
- K-means는 초기 값 설정에 의해서 결과에 상당한 영향을 주기 때문에 초기 값을 신중하게 설정해야 한다. 본 논문에서는 연산 시간이 빠르고 소수의 데이터로 정확한 클러스터링이 가능한 거리기반 클러스터링을 사용한다.
- 제안하는 방법은 획득할 수 있는 물체의 특징들이 부족하기 때문에 다양한 특징과 다수의 데이터를 필요로 하는 SVM과 AdaBoost 알고리즘은 적합하지 않다. 분류 결과 비교는 단일 대상과 다중 대상 환경에서 수행하였다.
- 사람 특성 함수의 최적 차수를 결정하기 위해서 단일 대상 환경과 다중 대상 환경에서 사람의 형상이 가지는 특징을 검출하고 일차 다항식 직선부터 사차 다항식 곡선까지 차수를 높여가면서 사람 감지율을 비교 검증하였다. 10명의 피실험자를 통해 동일한 환경에서 데이터를 얻고 각각의 데이터를 다항식의 차수 별로 계산하였다.
- 이때, 적용된 라이더의 감지범위는 80m로 본 논문과 비교하여 훨씬 넓은 값을 가진다. 아울러, 사람 탐지를 위해 학습 방법이 적용되었다.
- 하지만, 폭과 두께의 정보만으로 사람을 분류하면, 사람과 유사한 폭과 두께를 가진 일반적인 장애물들도 검출된다. 이러한 문제점을 극복하기 위해 일정하지 않은 출력 데이터를 보정하고, 장애물과 사람을 구분하기 위해 고차 함수 곡선을 이용하여 사람의 형체를 특징하는 사람 특성 함수를 추출한다. 그러므로 일정하지 않은 출력 데이터를 고차 함수 곡선으로 근사화 함으로써 사람의 특징인 폭, 두께, 기울기 등을 정확히 추출할 수 있다.
- 라이다는 정확한 거리 정보와 각도 정보를 이용하여 물체의 위치를 얻을 수 있다. 이를 바탕으로 라이다를 통해 물체로 예상되는 영역을 생성하고 위치를 획득한다. 그런 다음단계로 카메라를 통해서 해당 위치의 영역을 잘라내어 분류함으로써 처리 시간을 줄일 수 있다.
- 본 논문에서는 실내외 환경에 민감하지 않으며 기계학습을 이용하지 않으므로 빠르고 간편하게 사람을 감지할 수 있는 방법을 제안하였다. 일반적으로 사용하는 고가의 고해상도 라이다를 이용하여 사람을 감지하는 경우에 비해 제안하는 방법은 저가의 저해상도 라이다를 이용함에도 사람의 특징을 정확히 추출하였다.
- 본 논문에서는 저해상도의 저가형 라이다를 이용하여 자율 주행 자동차나 스마트 홈 등에서 응용 가능한 사람 감지 방법을 제안한다. 제안하는 방법은 사람을 감지할 때 사생활 침해 문제가 없으며, 주변 환경 변화에 민감하지 않다. 또한, 미리 센서를 부착하는 사전 작업이 필요하지 않다.
- 본 논문에서는 실내외에서 사용할 수 있는 저해상도 라이다를 이용하여 사람을 감지하며, 학습 과정 없이 실시간으로 탐지할 수 있는 방법을 제안한다. 제안하는 방법은 사람의 형태를 특징하는 고차원 사람 특성 함수 (HCF; Human Characteristics Function)를 실험적으로 추출하고, 획득된 저해상도의 라이더 데이터의 해상도가 보정된 사람 특성 함수와 함수의 기울기를 이용하여 유선형인 사람 몸의 특징을 탐지하고 다른 물체들로부터 분류하는 방법이다. 그림 1은 라이다를 이용하여 감지한 사람의 정면과 측면의 실험 영상이다.
- 제안하는 알고리즘과 비교 대상으로는 패턴 매칭 알고리즘을 선택하였다. 제안하는 방법은 획득할 수 있는 물체의 특징들이 부족하기 때문에 다양한 특징과 다수의 데이터를 필요로 하는 SVM과 AdaBoost 알고리즘은 적합하지 않다. 분류 결과 비교는 단일 대상과 다중 대상 환경에서 수행하였다.
- 피실험자의 형상 패턴은 저해상도 라이다를 통해 얻은 데이터 집합을 바탕으로 상위 경계선과 하위 경계선을 설정하였으며, 피실험자의 정면과 측면의 패턴을 사용하였다. 그림 7은 피실험자를 측정했을 때의 라이다 출력 결과와 실험에서 사용한 패턴을 나타낸다.
대상 데이터
- 단일 대상 환경은 주위에 장애물이 없이 한 명의 사람만 존재한다. 다중 대상 실험 환경은 1개의 벽면, 사람과 유사한 폭과 두께를 가진 상자로 만든 3개의 장애물, 그리고 3명의 사람으로 구성하였다. 제안하는 알고리즘이 저해상도
- 단일 대상 환경은 주위의 모든 사물을 제외하고, 사람이 있는 영역을 region of interest (ROI)를 대상으로 설정한 후 실험하였다. 그림 5에서 보는 바와 같이 모든 클러스터링 결과는 단일 대상의 경우 약 99 %의 성능을 보였다.
- 본 절에서는 우선 실험을 통해서 사람 특성 함수가 다른 차수의 함수에 비해서 이차 다항식 함수에서 사람의 감지가 우수한지를 실험적으로 검증하고자 한다. 실험 환경은 단일 대상과 다중 대상 시나리오로 구성하였다. 단일 대상 환경은 주위에 장애물이 없이 한 명의 사람만 존재한다.
데이터처리
- 그림 8은 다중 대상 환경을 나타낸 것으로 1개의 벽면, 3개의 장애물, 3명의 사람으로 구성하였다. 이러한 환경에서 거리기반 클러스터링, GMM, K-Means에 패턴 매칭 알고리즘을 적용하고, 제안하는 사람 특성 함수 방법을 적용한 경우와 비교 실험하였다. 실험 결과는 그림 9에서 보여준다.
- 제안하는 알고리즘의 효용성을 평가하기 위해서 다른 분류 알고리즘과 비교 실험하였다. 제안하는 알고리즘과 비교 대상으로는 패턴 매칭 알고리즘을 선택하였다.
이론/모형
- GMM은 가우시안 확률 밀도 함수 (Gpdf;Gaussian probability density function)의 조합을 이용하며, ML (Maximum Likelihood)과 EM(Expectation Maximization) 알고리즘으로 구성된다 [10, 13]. ML을 통해 학습 데이터 전체에 대한추정치를 계산한다.
- ML의 결과로 얻어진 매개변수는 다른 매개변수의 추정 값을 필요로 한다. 이를 위해, EM 알고리즘을 사용하여 추정 값을 얻는다.
- 제안하는 알고리즘의 효용성을 평가하기 위해서 다른 분류 알고리즘과 비교 실험하였다. 제안하는 알고리즘과 비교 대상으로는 패턴 매칭 알고리즘을 선택하였다. 제안하는 방법은 획득할 수 있는 물체의 특징들이 부족하기 때문에 다양한 특징과 다수의 데이터를 필요로 하는 SVM과 AdaBoost 알고리즘은 적합하지 않다.
성능/효과
- 015m 이다. GMM과 K-Means방법을 적용한 경우는 사람 특성 함수를 이용한 경우보다 약 3배 이상의 오차를 보였다.
- 실험 결과는 그림 9에서 보여준다. GMM의 방법을 적용한 경우 가장 낮은 성능을 보여주었으며, 거리기반 클러스터링 방법의 경우에는 첫 번째와 두 번째 사람은 약 42 % 와 약 52 %의 확률로 감지하였고, 세 번째 사람은 감지하지 못했다. K-Means의 경우 라이다와 가장 가까이 위치한 첫 번째 사람은 약 79 %의 확률로 감지하였고, 두 번째와 세 번째 사람은 매우 낮은 확률로 감지하였다.
- 5m에 위치한 세 번째 사람은 약 57 %의 확률로 감지하였다. 그러므로 실험에 적용한 4가지 방법 중에 제안하는 방법이 가장 좋은 성능 결과를 보였다. 사람 특성 함수를 적용한 경우에 세 번째 사람의 감지 율이 낮은 이유는 멀리 위치한 물체일수록 저해상도 라이다의 출력 데이터가 충분하지 않기 때문이다.
- 그림 4는 단일 및 다중 대상 환경에서 사람 특성 함수의 차수별 사람 탐지율의 실험결과를 나타내고 있다. 그림 4에서와 볼 수 있듯이, 이차 다항식 곡선이 가장 좋은 성능을 나타내고 있으며, 3,239회 스캔에서 약 95 % 이상의 사람 감지율을 보였다. 단일 대상 환경에서는 일차 다항식 직선으로 사람을 검출할 수 있지만, 다중 대상 환경에서는 일차 다항식 직선으로는 장애물과 사람을 구분하는 것이 불가능하였다.
- 다양한 실험을 통하여 제안하는 방법은 기계 학습 없이도 사람을 정확히 감지할 수 있음을 확인하였다. 또한, 저해상도 라이다로부터 얻은 사람의 형상 데이터를 복잡한 기계 학습을 사용하지 않고, 이차 다항식 곡선으로 추정한 사람 특성 함수를 통해서 우수한 사람 감지를 할 수 있음을 실험적으로 입증하였다.
- 다양한 실험을 통하여 제안하는 방법은 기계 학습 없이도 사람을 정확히 감지할 수 있음을 확인하였다. 또한, 저해상도 라이다로부터 얻은 사람의 형상 데이터를 복잡한 기계 학습을 사용하지 않고, 이차 다항식 곡선으로 추정한 사람 특성 함수를 통해서 우수한 사람 감지를 할 수 있음을 실험적으로 입증하였다.
- 사람 특성 함수를 적용한 경우에는 1.5m에 위치한 첫 번째 사람과 3m에 위치한 두 번째 사람은 약 99 %와 약 98 %의 높은 감지율을 보였고, 가장 떨어진 4.5m에 위치한 세 번째 사람은 약 57 %의 확률로 감지하였다. 그러므로 실험에 적용한 4가지 방법 중에 제안하는 방법이 가장 좋은 성능 결과를 보였다.
- 그림 5는 저해상도 라이다의 클러스터링 방법에 따른 검출율을 나타내고, 그림 6은 저해상도 라이더의 클러스터링 알고리즘을 통해 탐지된 사람의 위치와 실제 사람의 위치 간의 거리 오차를 나타낸다. 실험 결과, 그림 5와 같이 단일 대상 환경이므로 모든 클러스터링 방법들이 대략 99 % 이상의 우수한 감지율을 보였다. 그림 6에서 Center는 라이다 데이터에서 물체 클러스터의 첫 번째 점과 마지막 점을 연결한 직선의 중심점이다.
- 그림 6에서 Center는 라이다 데이터에서 물체 클러스터의 첫 번째 점과 마지막 점을 연결한 직선의 중심점이다. 실험 결과에서 사람이 실제로 서 있는 정확한 위치를 판단하는 중심점은 제안한 알고리즘을 이용한 방법이 가장 적은 오차를 가진다. 제안한 알고리즘으로 계산한 물체의 중심점과 실제 물체의 중심점과의 오차는 0.
- 그러므로 장애물과 사람의 기울기 특성이 비슷해서 사람과 장애물의 구별이 어려운 특징이 있었다. 실험결과를 통하여 저해상도 라이더의 사람 특성 함수는 이차 다항식 곡선함수에 의해서 사람의 형상을 검출하는데 가장 적합함을 확인하였다.
- 그림 1은 라이다를 이용하여 감지한 사람의 정면과 측면의 실험 영상이다. 이 실험 영상을 통해서 사람 몸은 고차원 함수 곡선 분포 특징을 나타내고 있음을 알 수 있다. 또한, 고차원 함수 곡선 분포 특성을 이용하여 사람에 해당되는 데이터를 하나의 그룹으로 형성하기 위해서 클러스터링과 분류의 과정을 수행한다.
- 사람 특성 함수를 적용한 경우에 세 번째 사람의 감지 율이 낮은 이유는 멀리 위치한 물체일수록 저해상도 라이다의 출력 데이터가 충분하지 않기 때문이다. 이 실험은 반경 3m 이내에 있는 사람을 약 98% 이상으로 검출하였으므로 제안한 알고리즘의 유효성을 증명하였다. 하지만, 반경 3m를 초과하는 경우 검출율이 감소하는 것은 저해상도 라이다 센서의 한계이다.
- 하지만, 반경 3m를 초과하는 경우 검출율이 감소하는 것은 저해상도 라이다 센서의 한계이다. 이 실험을 통하여 제안하는 사람 특성 함수는 이차 다항식 곡선으로 사람의 형상을 근사화하여 계산함으로써 저해상도 라이다를 이용한 사람 감지 기술에 충분히 적용 가능함을 입증하였다.
- 실험 결과에서 사람이 실제로 서 있는 정확한 위치를 판단하는 중심점은 제안한 알고리즘을 이용한 방법이 가장 적은 오차를 가진다. 제안한 알고리즘으로 계산한 물체의 중심점과 실제 물체의 중심점과의 오차는 0.015m 이다. GMM과 K-Means방법을 적용한 경우는 사람 특성 함수를 이용한 경우보다 약 3배 이상의 오차를 보였다.
- 저해상도 라이더에서는 낮은 해상도로 인해 기존의 학습방법으로는 어려움이 있다. 하지만, 본 논문에서 제안한 방법은 고해상도 라이다과 유사한 탐지성능을 가짐을 알 수 있다. 아울러, 제안한 방법은 학습 방법에 비해 보다 빠르게 사람을 검출할 수 있는 장점도 있다.
후속연구
- 고해상도의 라이다는 해상도가 높아서 물체 감지 시에 출력 데이터를 충분히 얻을 수 있지만 저해상도의 라이다는 해상도가 낮아서 출력 데이터를 충분히 얻을 수 없다. 그러므로 본 논문에서는 저해상도 라이다의 충분하지 않은 출력 데이터를 바탕으로 사람 특성 함수를 이용하여 사람을 감지해야 하므로 그림 3과 같이 사람 특성 함수에 대한 보정작업수행이 필요하다. 그림 3에서 노란 선으로 표시된 dx는 폭, 파란 선으로 나타난 dy 는 두께이다.
- 아울러, 제안한 방법은 학습 방법에 비해 보다 빠르게 사람을 검출할 수 있는 장점도 있다. 따라서 이 방법은 저해상도 라이더 뿐 아니라 고해상도 라이더에도 충분히 적용 가능 할 것이다.
- 제안한 방법은 라이다의 해상도와 상관없이 적용 될 수 있기 때문에, 향후 고해상도 라이다에도 적용 후 성능을 검증 및 비교 할 예정이다.
- 게다가, 2D 라이다 기반의 사람 감지에서는, 사람과 유사한 특징들을 가진 물체를 구별하는 데 어려움이 있다. 향후, 사람과 유사한 특징을 가진 물체와 사람을 정확히 구분할 수 있는 방법에 관한 연구 또한 지속할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.