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 지금까지 차량인식에서 가정했던 상황인 CCTV나 차량에 달린 카메라로 차량을 인식하는 방법이 아닌 사용자가 직접 차량의 앞면을 촬영 했을 때, 차량을 판별하는 시스템을 제안 하였고 실험을 통해 성능을 확인 하였다. 사진은 차량 모델 당 200장씩 총 1600장을 직접 촬영 하였으며, 모델 당 학습 데이터 100장, 테스트 데이터 100장으로 사용 하였다.
- 본 논문에서는 학습과 판별 전 특징점을 추출하기 위해 이미지에 대하여 전처리 작업을 실행한다. 전처리 작업은 두 가지를 실행 하는데 첫 번째는 Gray변환 이고, 두 번째는 사이즈 조절이다.
- 이에 본 논문에서는 차량 정면에 대한 특징값과 신경망을 이용하여 특정 모델 정보를 인식하는 시스템을 제안하였다. 본 논문에서와 같이 차량 모델을 판별하는 연구들 [5-8]이 있지만, 이 연구들은 CCTV로 차량을 인식하거나 고정된 카메라로 도로 위에서 운행 중인 차량들을 대상으로 했고, 디지털 카메라로 촬영 했더라도 모델인식을 위해 비지도 학습을 했다는 점에서 본 연구와 다르다.
제안 방법
- 4.2절에서 셀 사이즈별 성능을 비교해 보았고, 이번 실험에서는 4.2절에서 인식률이 가장 높았던 셀 사이즈 16*16의 데이터를 가지고 은닉층의 노드 개수에 따라서 인식률의 차이가 있는지 확인하기 위해 노드 개수별로 실험을 진행 하였다.
- 2절에서와 같이 셀 사이즈 8*8과 16*16을 5번 반복 실험 했을 때에도 평균 인식률의 차이가 1% 정도 났다. 따라서 셀 사이즈 16*16의 학습 데이터와 테스트 데이터를 기준으로 4.3절과 같이 은닉층 노드 개수별 실험을 진행하였으며 MLP 은닉층 노드 개수별 인식률은 [Table 13]와 같다.
- 또한 설정한 셀 사이즈 별로 인식률의 변화를 확인하기 위하여 MLP에 학습을 시켜 실행하였다. 이때 입력층은 각 특징점의 개수별로 설정하였으며 은닉층은 모두 100개로 설정 하였고 출력층은 차량 종류 수인 8개로 설정 한 후 MLP를 1000번 반복 학습 시켜 실험 하였다.
- 먼 수집된 영상에 대한 특징점 추출의 경우 HOG의 셀(Cell) 사이즈는 8*8,16*16, 32*32, 64*64(px) 총 4가지로 실험을 하였고, 블록(Block) 사이즈는 셀 사이즈에 상관없이 64*64px로 고정하여 사용하였으며 블록 이동 간에 겹침은 하지 않았다.
- 이 연구는 PCA기법을 이용하여 차원을 축소하고 학습 차량의 좌표상의 점들과의 유클리디안 거리를 계산하여 차량 모델인식을 시도하였다. 본 논문에서는 특징점 추출에 HOG를 이용하여 이미지의 기울기를 사용하였으나 이 연구는 차량 사진을 이진화 하여 사용하였고, 차량 모델 인식을 위해 인공신경망을 사용한 본 논문과 달리 이 연구는 유클리디안 거리를 계산하여 모델을 인식하였으며, 특징에 대한 차원을 줄여 실시간 인식 시도에 적합함을 연구한 점이 본 논문의 연구와 다르다.
- 차량에 대한 사진은 차량의 앞면을 각 자동차 종류별로 200장 씩 사용 하였고 이중 100장은 학습데이터로, 나머지 100장은 테스트 데이터로 사용하였다. 사용자가 직접 사진을 촬영 했을 경우를 가정하여 모든 사진은 직접 휴대폰으로 촬영 하였으며 두 개의 헤드라이트와 라디에이터가 모두 나오는 범위 안에서 다수의 차량을 여러 각도에서 촬영 하였다. 사진의 제약조건으로는 차량의 앞면에서 두 개의 헤드라이트와 라디에이터가 포함 되어야 하며 헤드라이트와 라디에이터가 포함된다면 각도는 크게 상관없다.
- al.에 의해 제안된 특징 기술자로, 슬라이딩 윈도우를 기반으로 기울기의 분포를 계산하여 특징을 추출한다. 영상에서의 기울기란 영상 내에서 밝기가 변화하는 방향을 의미한다.
- 은닉층의 노드 개수 별로 실험을 진행 하였다. 은닉층의 노드를 400개로 하였을 때 인식률이 91.
- 강우영 등[8]은 입력 영상에서 차량영역을 추출한 후 PCA(Principal Component Analysis)기법을 적용하여 특징벡터를 생성하고, 미리 PCA를 이용하여 분석된 학습 차량들의 3차원 벡터공간좌표와 유클리디안 거리를 구하여 차량 모델을 인식하도록 하였다. 이 연구는 PCA기법을 이용하여 차원을 축소하고 학습 차량의 좌표상의 점들과의 유클리디안 거리를 계산하여 차량 모델인식을 시도하였다. 본 논문에서는 특징점 추출에 HOG를 이용하여 이미지의 기울기를 사용하였으나 이 연구는 차량 사진을 이진화 하여 사용하였고, 차량 모델 인식을 위해 인공신경망을 사용한 본 논문과 달리 이 연구는 유클리디안 거리를 계산하여 모델을 인식하였으며, 특징에 대한 차원을 줄여 실시간 인식 시도에 적합함을 연구한 점이 본 논문의 연구와 다르다.
- 또한 설정한 셀 사이즈 별로 인식률의 변화를 확인하기 위하여 MLP에 학습을 시켜 실행하였다. 이때 입력층은 각 특징점의 개수별로 설정하였으며 은닉층은 모두 100개로 설정 하였고 출력층은 차량 종류 수인 8개로 설정 한 후 MLP를 1000번 반복 학습 시켜 실험 하였다. 각 셀사이즈별 1000번 학습 시키는데 걸린 시간은 [Table 4]와 같고 인식률 실험 결과는 [Table 5]와 같다.
- 인식률 비교를 위해 다양한 방식으로 실험을 진행 하였다.
- 학습 단계에서는 학습을 위해 준비된 이미지를 읽어 들인 후 전처리를 한다. 전처리 후 특징을 추출하여 그 특징을 인공신경망 역전파 알고리즘으로 학습시키며, 학습된 판별 모델은 판별 단계에서 사용되어 진다. 판별 단계에서는 사용자가 촬영한 사진을 읽어 들인 후 전처리를 한다.
- 판별 단계에서는 사용자가 촬영한 사진을 읽어 들인 후 전처리를 한다. 특징 추출 후 그 특징을 기반으로 학습된 인공신경망에서 차량을 판별 한 뒤 차량 정보를 표시 한다.
- 현재 국내에서 운행되는 대표적인 차량 8대를 선정하여 테스트를 진행 하였으며 차량의 정면을 선택한 이유는 제조사와 차량의 종류, 이름 별로 디자인이 다르다는 것과 개조가 힘들다는 것에 착안하여 차량의 정면을 대상으로 특징점을 추출하기로 결정 하였다. 특징 추출은 조명의 영향을 적게 받으며 국소 영역의 기하학적인 변화에 강한 특징을 가진 것으로 알려진 HOG[9]를 사용하였으며, 추출된 특징은 인공신경망중 하나인 MLP(MultiLayer Perceptron)를 이용하며 미리 특징점을 학습 시켰다.
- 이효종[6]은 차량의 정면부 상에서 얻어진 GLCM(Gray Level Co-occurrence Matrix)을 사용하여 질감 특성을 추출 하고, 그 특징 값들을 입력 값으로 받아들이는 신경 회로망을 구성하여 모델 정보에 한 학습을 시킨 후 요청된 차량의 정보를 추출하는 방법을 제안하였다. 학습을 위해 인공신경망을 사용한 것이 본 논문과 같지만, 사용자가 사용할 경우를 가정하여 휴대폰 카메라로 데이터를 수집한 본 논문과 달리 도로상에 설치된 카메라로 차량의 이미지를 획득하였으며, 획득한 이미지에서 질감을 이용하여 특징점을 추출한 것이 본 논문의 데이터 수집 및 특징점 추출 방법과 다르다.
- 현재 국내에서 운행되는 대표적인 차량 8대를 선정하여 테스트를 진행 하였으며 차량의 정면을 선택한 이유는 제조사와 차량의 종류, 이름 별로 디자인이 다르다는 것과 개조가 힘들다는 것에 착안하여 차량의 정면을 대상으로 특징점을 추출하기로 결정 하였다. 특징 추출은 조명의 영향을 적게 받으며 국소 영역의 기하학적인 변화에 강한 특징을 가진 것으로 알려진 HOG[9]를 사용하였으며, 추출된 특징은 인공신경망중 하나인 MLP(MultiLayer Perceptron)를 이용하며 미리 특징점을 학습 시켰다.
대상 데이터
- 패턴 인식에서 k-NN은 분류나 회귀에 사용되는 비모수 방식이며, 이번 실험에서 분류는 과반수 의결로 분류하였다. k-NN에서 테스트한 데이터는 4.1절에서 가장 성능이 좋았던 셀 사이즈 16*16의 특징점 데이터를 사용 하였고, k-NN에서 k를 1, 3, 5, 7, 9으로 나눠서 실험을 하였다. 인식률은 [Table 9]과 같고, 학습과 판별에 걸린 시간은 [Table 10]과 같다.
- 그랜저의 인식률이 비정상적으로 낮아 그 이유를 생각해 봤을 때 앞서 설명한 바와 같이 학습 데이터 100장에서 12장만이 2011 그랜저이었고, 테스트 데이터에서 61장이 2011 그랜저이기 때문에 2011 그랜저에 대한 학습 데이터가 모자라 생긴 오인식이라 생각 되었다. 그래서 처음 100장을 학습 데이터로, 나머지 100장을 테스트 데이터로 사용하던 방법을 바꿔 200장에서 랜덤으로 100장을 학습 데이터로, 랜덤으로 선택된 100장을 제외한 나머지를 테스트 데이터로 하여 k-NN에 대한 실험을 다시 진행하였다.
- 4]과 같다. 본 실험에서도 오류 역전파 학습 알고리즘을 사용하여 학습시키며 은닉층 노드의 개수는 100, 200, 300, 400, 500개로 설정하여 실험하였다.
- 본 논문에서는 지금까지 차량인식에서 가정했던 상황인 CCTV나 차량에 달린 카메라로 차량을 인식하는 방법이 아닌 사용자가 직접 차량의 앞면을 촬영 했을 때, 차량을 판별하는 시스템을 제안 하였고 실험을 통해 성능을 확인 하였다. 사진은 차량 모델 당 200장씩 총 1600장을 직접 촬영 하였으며, 모델 당 학습 데이터 100장, 테스트 데이터 100장으로 사용 하였다. 차종별 모델 식별을 위한 특징점은 HOG를 사용 하였으며 4가지의 셀 사이즈를 선정하여 인식률을 비교 하였을 때, 셀 사이즈 16*16의 인식률이 가장 높았다.
- 이 실험에서 입력층은 각 셀 사이즈별 특징점개수로 설정하였고, 은닉층은 100개, 출력층은 8개 실험하였다. 이 실험에서 입력층은 은닉층과 관계 없이 셀 사이즈 16*16의 특징점 개수인 1152개로 설정하였으며, 출력층은 8개 그대로 두고 은닉층을 100개씩 늘려 500개 까지 실험 하였다.
- 이 실험에서 입력층은 각 셀 사이즈별 특징점개수로 설정하였고, 은닉층은 100개, 출력층은 8개 실험하였다. 이 실험에서 입력층은 은닉층과 관계 없이 셀 사이즈 16*16의 특징점 개수인 1152개로 설정하였으며, 출력층은 8개 그대로 두고 은닉층을 100개씩 늘려 500개 까지 실험 하였다. 각 은닉층 노드 개수별 인식률은 [Table 7]과 같고, 각 은닉층 노드 개수별 걸린 학습 시간은 [Table 8]과 같다.
- 김민호와 최두현[7]은 영상에서 차량의 헤드라이트만 분리 한 뒤 SURF(Speeded Up Robust Features) 알고리즘을 적용하여 헤드라이트의 특징을 추출 한 뒤 사전에 준비된 여러 차량의 특징 벡터 데이터베이스와 비교하여 차종을 분류했다. 이 연구 또한 이효종의 연구와 같이 고정된 카메라로 주행중인 차량의 이미지를 획득 하였다. 특징점 추출에 차량의 앞면을 사용한 본 논문과 달리 차량의 헤드라이트만을 사용하였으며, 다른 기계학습 방법을 사용하지 않고 추출된 특징점을 데이터베이스에 저장된 특징값과 비교한 점에서 본 논문과 차이가 있다.
- 셀 사이즈 16*16의 인식표[Table 6]을 보면 78%는 그랜저로 맞게 인식했지만 20%는 YF 소나타로 인식을 하였다. 조사 해본 결과 본 논문의 실험을 위해 수집된 그랜저 사진의 경우 연식에 따라 크게 두 가지 디자인으로 나뉘는데, 그 예는 [Fig. 7]와 같으며 예시에서 왼쪽과 가운데이다. 보는바와 같이 연식에 따라 앞면 라디에이터 디자인이 바뀌는데,2011그랜저의 경우 같은 제조회사의 차량 중 하나인 YF Sonata와 앞면 모양이 비슷하여 20%의 오인식을 보인 것으로 추정된다.
- 테스트를 진행 했던 컴퓨터의 사양은 [Table 1]과 같고 테스트를 위한 차량은 총 8종류로 선정했으며 선정된 차종은 [Table 2] 와 같다. 차량에 대한 사진은 차량의 앞면을 각 자동차 종류별로 200장 씩 사용 하였고 이중 100장은 학습데이터로, 나머지 100장은 테스트 데이터로 사용하였다. 사용자가 직접 사진을 촬영 했을 경우를 가정하여 모든 사진은 직접 휴대폰으로 촬영 하였으며 두 개의 헤드라이트와 라디에이터가 모두 나오는 범위 안에서 다수의 차량을 여러 각도에서 촬영 하였다.
- 테스트를 진행 했던 컴퓨터의 사양은 [Table 1]과 같고 테스트를 위한 차량은 총 8종류로 선정했으며 선정된 차종은 [Table 2] 와 같다.
이론/모형
- 본 논문에서는 특징점에 대한 학습 및 판단을 위해 MLP를 이용한다. MLP는 입력층과 출력층 사이에 하나 이상의 은닉층이 존재하는 인공신경망으로 단층 퍼셉트론 (Perceptron) 의 여러 가지 단점들을 극복했으며, 대부분 오류 역전파(Backpropagation) 학습 알고리즘을 사용하여 학습 시킨다[10].
- 영상에서 차량 모델을 인식하기 위하여 HOG(Histogram of Oriented Gradient)를 사용하기로 하였다. HOG는 Dalal et.
- 학습 방법에 따른 인식률 비교를 위해 k-NN (k-Nearest Neighbour) 알고리즘[11]을 사용하여 MLP와 인식률을 비교하였다. 패턴 인식에서 k-NN은 분류나 회귀에 사용되는 비모수 방식이며, 이번 실험에서 분류는 과반수 의결로 분류하였다.
성능/효과
- 인식률이 가장 높았던 셀 사이즈 16*16의 특징점 값들을 인공신경망중 하나인 MLP에 오류 역전파 학습 방법으로 학습 시켰으며 데이터를 순서대로 사용 했을 경우 은닉층 노드 개수별 실험에서 평균 인식률은 약 91% 정도로 확인 되었다. 그러나 데이터를 랜덤으로 사용 했을 경우 평균 인식률이 약 98%로 높게 나와 데이터 순서에 따라 인식률이 바뀜을 확인 하였다.
- 25%라는 높은 인식률을 보였으며 전체적으로 인식률이 향상되었다. 따라서 데이터 순서 변경이 인식률에 영향을 미친다는 사실을 확인 한 후 인공신경망을 이용했을 때도 인식률에 영향을 미치는지 확인하기 위해 순서가 변경된 데이터를 가지고 이전에 했던 실험을 반복하였다.
- 실험 결과 [Table 11]과 같이 전체적으로 성능이 크게 향상 되었으며 1-NN의 경우 99.25%라는 높은 인식률을 보였으며 전체적으로 인식률이 향상되었다. 따라서 데이터 순서 변경이 인식률에 영향을 미친다는 사실을 확인 한 후 인공신경망을 이용했을 때도 인식률에 영향을 미치는지 확인하기 위해 순서가 변경된 데이터를 가지고 이전에 했던 실험을 반복하였다.
- 실험 결과 셀 사이즈 16*16의 인식률이 가장 높았으며 4.2절에서와 같이 셀 사이즈 8*8과 16*16을 5번 반복 실험 했을 때에도 평균 인식률의 차이가 1% 정도 났다. 따라서 셀 사이즈 16*16의 학습 데이터와 테스트 데이터를 기준으로 4.
- 실험 결과 셀 사이즈 16*16이 평균 인식률 91.5%로 가장 높았다. 정확한 비교를 위해 셀 사이즈 8*8와 16*16을 각각 5번씩 반복 실행 해본 결과 셀 사이즈 8*8은 인식률이 최소 89.
- 실험 결과 은닉층 노드의 개수를 400개로 했을때 인식률이 가장 높았으나, 4.4절의 결과와 같이 초기 가중치 값이 어떻게 설정 되느냐에 따라 생기는 오차로 볼 수 있어 노드 개수 별 인식률은 차이가 없다고 볼 수 있다.
- 은닉층의 노드 개수 별로 실험을 진행 하였다. 은닉층의 노드를 400개로 하였을 때 인식률이 91.75%로 가장 높게 나왔으나, 같은 학습 데이터와 테스트 데이터로 은닉층 노드 개수별로 5번 반복 실행 해 본 결과 평균 인식률이 최대 92% 최소 90%로 나와 처음 학습을 시작하기 전 레이어 사이에 가중치 값이 어떻게 설정되느냐에 따라 최종 인식률이 1～2% 사이에서 차이가 있다고 볼 수 있으므로 은닉층 노드 개수별 학습에 따른 인식률 변화는 큰 의미가 없다고 할 수 있다.
- 차종별 모델 식별을 위한 특징점은 HOG를 사용 하였으며 4가지의 셀 사이즈를 선정하여 인식률을 비교 하였을 때, 셀 사이즈 16*16의 인식률이 가장 높았다. 인식률이 가장 높았던 셀 사이즈 16*16의 특징점 값들을 인공신경망중 하나인 MLP에 오류 역전파 학습 방법으로 학습 시켰으며 데이터를 순서대로 사용 했을 경우 은닉층 노드 개수별 실험에서 평균 인식률은 약 91% 정도로 확인 되었다. 그러나 데이터를 랜덤으로 사용 했을 경우 평균 인식률이 약 98%로 높게 나와 데이터 순서에 따라 인식률이 바뀜을 확인 하였다.
- 5%로 가장 높았다. 정확한 비교를 위해 셀 사이즈 8*8와 16*16을 각각 5번씩 반복 실행 해본 결과 셀 사이즈 8*8은 인식률이 최소 89.875%에서 최대 91%, 셀 사이즈 16*16의 인식률은 최소 91.375%에서 최대 92.75% 까지 나타났다. 이는 처음 MLP의 가중치 값들이 무작위로 설정되어 생기는 오차와 상관없이 셀 사이즈 8*8과 16*16의 인식률 차이가 1～2% 난다고 볼 수 있다.
- 사진은 차량 모델 당 200장씩 총 1600장을 직접 촬영 하였으며, 모델 당 학습 데이터 100장, 테스트 데이터 100장으로 사용 하였다. 차종별 모델 식별을 위한 특징점은 HOG를 사용 하였으며 4가지의 셀 사이즈를 선정하여 인식률을 비교 하였을 때, 셀 사이즈 16*16의 인식률이 가장 높았다. 인식률이 가장 높았던 셀 사이즈 16*16의 특징점 값들을 인공신경망중 하나인 MLP에 오류 역전파 학습 방법으로 학습 시켰으며 데이터를 순서대로 사용 했을 경우 은닉층 노드 개수별 실험에서 평균 인식률은 약 91% 정도로 확인 되었다.
후속연구
- 향후 인식률을 더 높이기 위해서는 풍부한 자료를 사용하거나 특징점을 추출하는 방법, 학습 방법 등에 대한 추가 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.