[논문]HOG기반 RBFNN을 이용한 상반신 검출 시스템의 설계

김선환; 오성권; 김진율

doi:10.5391/jkiis.2016.26.4.259

초록
AI-Helper

최근 감시와 보안을 목적으로 활발하게 CCTV가 설치되고 있고, 지능형 감시시스템은 영상에서 객체의 검출 및 감시 등으로 광범위하게 응용되고 있다. 본 연구에서는 지능형 영상 감시 시스템에서 HOG 특징과 FCM 기반의 RBFNN 분류기를 이용한 상반신 검출 방법을 제안한다. HOG는 보행자를 검출하기 위해 기존에 제안되었던 특징으로 본 논문에서는 이를 사용해 상반신의 고유한 기울기를 학습하였다. HOG 특징은 입력 이미지의 크기에 비례하는 고차원의 특징 벡터로 기울기를 표현하기 때문에 RBFNN분류기의 입력데이터로 쓰려면 차원 축소가 필요하다. 이를 위해 PCA 알고리즘을 RBFNN 분류기 앞에 적용하여 HOG 특징의 차원을 저차원으로 축소하였다. 컴퓨터 실험에서는 미리 분류된 상반신 영상과 사람이 아닌 영상을 통해 분류기를 훈련시킨 후 테스트 영상과 동영상을 이용하여 제안된 상반신 검출 방법의 성능을 평가하였다.

Abstract ▼ AI-Helper

Recently, CCTV cameras are emplaced actively to reinforce security and intelligent surveillance systems have been under development for detecting and monitoring of the objects in the video. In this study, we propose a method for detection of upper body in intelligent surveillance system using FCM-ba...

Recently, CCTV cameras are emplaced actively to reinforce security and intelligent surveillance systems have been under development for detecting and monitoring of the objects in the video. In this study, we propose a method for detection of upper body in intelligent surveillance system using FCM-based RBFNN classifier realized with the aid of HOG features. Firstly, HOG features that have been originally proposed to detect the pedestrian are adopted to train the unique gradient features about upper body. However, HOG features typically exhibit a very high dimension of which is proportional to the size of the input image, it is necessary to reduce the dimension of inputs of the RBFNN classifier. Thus the well-known PCA algorithm is applied prior to the RBFNN classification step. In the computer simulation experiments, the RBFNN classifier was trained using pre-classified upper body images and non-person images and then the performance of the proposed classifier for upper body detection is evaluated by using test images and video sequences.

Keyword

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 HOG-PCA 특징을 통해서 최적화된 FCM-based RBFNNs 패턴분류기를 이용한 객체의 상반신 검출 시스템을 제안하였다. 성능을 평가하기 위해 다양한 이미지와 수원대학교 연구실에서 촬영한 영상으로 실험을 진행하였다.
객체를 검출하는 방법 중 하나인 HOG(Histogram of Oriented Gradient) 알고리즘은 보행자를 검출하기 위한 알고리즘으로 2005년에 제안되었다[1][2][5]. HOG 알고리즘은 보행자뿐만 아니라 차량 검출에도 사용되며 신체의 일부를 찾아낼 때에도 많이 응용되고 있고[7] 본 논문에서는 감시용 영상에서 사람의 전신이 나오지 않을 경우, 객체를 검출하기 위한 HOG 기반 상반신 검출 시스템을 제안한다.

가설 설정

그림 7에 표시된 상반신 영역들은 Non Maximum Suppression을 통해 선별된 대표적인 후보들로 중복되는 영역들 중에서 높은 Score를 가지는 영역을 기반으로 포개진 정도를 판단하여 곂친 영역을 제거해 준다. RBFNN에서의 Score는 모델의 정확도로 선정하였고, SVM에서는 서포트 벡터부터와의 거리를 Score로 정하였다. 아래의 그림 8은 NMS를 하지 않았을 때의 Positive 영역과 NMS를 통해 추출된 대표 영역을 표시한 결과이다.

제안 방법

또한 긴 머리를 가진 대상에 의한 오검출을 줄이기 위해 다양한 상반신의 이미지도 데이터셋에 추가하였다. 먼저, 상반신을 검출하기 위해 HOG를 이용하여 특징을 추출하였고 분류하기 위해 FCM 기반 RBFNNs 패턴분류기를 사용하였다[3][4][6]. 머리부터 어깨까지의 영역을 위주로 구성된 대부분의 이미지는 HOG 특징으로 변환시키고 고차원의 특징을 차원 축소 알고리즘으로 축소시킨 후 패턴분류기를 이용하여 상반신을 검출한다.
2장에서는 상반신에 대한 특징 추출 방법에 대해 설명한다. 본 논문에서는 기울기를 이용한 HOG 알고리즘을 통해서 상반신에 대한 특징을 추출하게 된다. 또한 고차원의 HOG 특징을 패턴분류기의 알맞게 저차원으로 축소시키는 PCA 알고리즘을 살펴본다.
본 논문에서는 기울기를 이용한 HOG 알고리즘을 통해서 상반신에 대한 특징을 추출하게 된다. 또한 고차원의 HOG 특징을 패턴분류기의 알맞게 저차원으로 축소시키는 PCA 알고리즘을 살펴본다. 아래의 그림 1은 시스템의 전반적인 개요를 도시하였다.
본 논문에서는 기존의 RBF 신경회로망과는 달리 조건부에 FCM clustering을 사용한 FCM기반 신경회로망이 사용되고 연결가중치도 확장된 개념으로 사용한다. 따라서 2장에서 추출한 HOG-PCA 특징 데이터가 입력층을 거쳐 은닉층으로 들어오면 FCM 클러스터링을 통한 이 특징의 소속행렬을 계산한다.

대상 데이터

검출시스템의 성능을 평가하기 위해 수원대학교 IC&CI 연구실에서 촬영한 동영상과 임의의 사진 100장을 사용하여 결과를 나타내었다.
HOG-PCA 특징을 이용한 상반신 검출 시스템의 실험을 수행하기 위해 학습데이터는 상반신 영역을 중심으로 정면 이외에도 측면과 후면에 대한 상반신 180장, Non-Person 4000장으로 구성하였다. 데이터는 3 분류로 나누어 Training(50%), Validation(30%), Testing(20%)로 분할하여 실험하였다.
최적화 되지 않은 분류기(without optimization)와 최적화된 분류기(with optimization)의 축소된 입력변수는 동일하게 사용하였고 수많은 실험 결과를 통해 입력은 성능이 가장 좋게 나왔던 75차원을 선택하였다. 그리고 최적화되지 않은 분류기에서는 퍼지화계수 2.
본 논문에서는 HOG-PCA 특징을 통해서 최적화된 FCM-based RBFNNs 패턴분류기를 이용한 객체의 상반신 검출 시스템을 제안하였다. 성능을 평가하기 위해 다양한 이미지와 수원대학교 연구실에서 촬영한 영상으로 실험을 진행하였다. 상반신 영역을 찾기 위해 윈도우 슬라이딩 탐색 기법을 이용하였지만 전 구역을 작은 윈도우부터 큰 윈도우까지 확장하며 탐색하기 때문에 탐색시간이 매우 오래 걸린다는 단점이 있다.

데이터처리

또한 실험에 대한 다른 분류기와의 비교를 위해 SVM의 분류 성능에 대해서도 표기하였다. RBFNN에 대한 성능은 5-fold Cross Validation을 하여 평균과 표준편차로 나타내었다. 분류율(Classification Rate)은 식 25로 계산하였고, 모델의 정확도는 MSE(Mean Square Error) 함수를 이용하여 학습데이터에 대해서는 PI, 검증데이터에 대해서는 VPI 그리고 테스트데이터에 대해서는 EPI로 표현하였다.
RBFNN에 대한 성능은 5-fold Cross Validation을 하여 평균과 표준편차로 나타내었다. 분류율(Classification Rate)은 식 25로 계산하였고, 모델의 정확도는 MSE(Mean Square Error) 함수를 이용하여 학습데이터에 대해서는 PI, 검증데이터에 대해서는 VPI 그리고 테스트데이터에 대해서는 EPI로 표현하였다.
슬라이딩 기법을 통해 상반신 검출 시스템의 성능을 검증하기 위해 이미지와 동영상을 이용하여 실험하였다. 실험 이미지는 정면과 후면, 측면의 이미지로 테스트하였다.
동영상을 이용한 실험에서 신경회로망과의 비교를 위해 SVM 패턴분류기의 결과를 추가하였다. SVM은 Matlab 2014a에서 제공하는 내장함수를 사용하였으며, 커널은 Linear와 Quadratic을 사용하였고 입력변수는 1764차원의 벡터를 그대로 사용하였다.

이론/모형

그 후 아래의 그림 3과 같이 기울기의 크기를 누적하고 block 단위로 정규화를 수행한다. 정규화하는 방법은 norm, L1-norm, L1 Sqrt, L2-norm, L2 Sqrt, L2 Hys 등이 있지만 본 논문에서는 L2-norm 방법을 사용하고 과정을 식 4~6으로 표현하였다. 여기서 block은 2×2[cells]로 구성되고 cell 당 k=9개의 bin이 있다고 가정한다.
은닉층의 노드 수는 클러스터 수와 동일하게 결정되고 은닉층의 출력은 FCM 클러스터링의 소속정도로 대체된다. 또한 모델의 성능을 높이기 위해 차분진화 알고리즘을 사용하여 최적의 구조를 탐색한다.
신경회로망의 전반부에서 각 규칙에 대한 적합도를 구하기 위해 본 논문에서는 RBF라는 활성함수 대신 FCM 알고리즘을 사용하였다. 클러스터링은 비슷한 패턴과 속성 또는 형태 등의 기준을 통해서 데이터를 분류하는 무감독 학습방법으로 소프트 클러스터링과 하드 클러스터링으로 나뉜다.
분류기를 통해서 입력된 이미지에서 상반신을 검출하기 위해서 Window Sliding Search 방식을 사용한다. 이미지 내에 검출하기 위한 대상의 크기는 알 수 없기 때문에 작은 윈도우부터 큰 윈도우까지 탐색 윈도우의 크기를 1.
동영상을 이용한 실험에서 신경회로망과의 비교를 위해 SVM 패턴분류기의 결과를 추가하였다. SVM은 Matlab 2014a에서 제공하는 내장함수를 사용하였으며, 커널은 Linear와 Quadratic을 사용하였고 입력변수는 1764차원의 벡터를 그대로 사용하였다. 그림 7에서 좌측 이미지는 RBFNN 패턴분류기를 통해서 윈도우 슬라이딩 탐색으로 검출된 후보영역을 표시하였고 우측의 이미지는 SVM 분류기를 통한 후보영역을 표시하였다.

성능/효과

0과 다항식은 Linear로 고정하였다. 최적화하지 않았을 때, 클러스터 수를 증가시킬수록 과적합(Overfitting)되어 Testing 성능이 떨어지는 것을 확인할 수 있다. 반면에 최적화하였을 때는 DE 알고리즘을 이용하여 최적의 조건을 찾기 때문에 최적화를 사용했을 경우의 성능이 그렇지 않았을 경우보다 좋게 나오는 것을 확인할 수 있었다.
최적화하지 않았을 때, 클러스터 수를 증가시킬수록 과적합(Overfitting)되어 Testing 성능이 떨어지는 것을 확인할 수 있다. 반면에 최적화하였을 때는 DE 알고리즘을 이용하여 최적의 조건을 찾기 때문에 최적화를 사용했을 경우의 성능이 그렇지 않았을 경우보다 좋게 나오는 것을 확인할 수 있었다.
166 frame에서 우측에 있는 객체의 뒷모습을 검출하지 못한 이유는 어깨너머 모니터에 작업으로 인해 검은 영역 때문에 추출되지 않은 것으로 확인된다. 전반적으로 SVM의 결과보다 제안된 분류기의 결과가 오검출이 적은 것을 볼 수 있다. 그림 7에 표시된 상반신 영역들은 Non Maximum Suppression을 통해 선별된 대표적인 후보들로 중복되는 영역들 중에서 높은 Score를 가지는 영역을 기반으로 포개진 정도를 판단하여 곂친 영역을 제거해 준다.
상반신 영역을 찾기 위해 윈도우 슬라이딩 탐색 기법을 이용하였지만 전 구역을 작은 윈도우부터 큰 윈도우까지 확장하며 탐색하기 때문에 탐색시간이 매우 오래 걸린다는 단점이 있다. 하지만 기존에 사용했던 INRIA 보행자 이미지데이터를 사용했을 때보다 성능에서도 검출된 결과에서도 우수한 것을 확인할 수 있었다.

후속연구

향후에는 낮은 검출 속도를 개선하여 배경학습 또는 새로운 검출 방법을 이용하여 속도를 높이기 위한 연구를 진행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	신경회로망의 장점은 무엇인가?	3장에서는 FCM-based RBFNN 패턴분류기를 학습하는 방법과 최적의 성능을 낼 수 있는 모델 구조의 설정 방법에 대해 설명한다. 신경회로망은 주어진 패턴의 반복 학습을 통하여 스스로 지식을 획득할 뿐만 아니라 패턴과 특성을 발견하기 위해 대량의 데이터를 분석할 수 있는 장점을 가지고 있어 패턴 인식이나 제어 등 많은 분야에서 응용되고 있다. 일반적인 방사형 기저함수 신경회로망 (Radial Basis Function Neural Networks)은 일반적인 신경회로망의 구조를 기반으로 조건부, 결론부, 추론부로 나뉜다.
	주성분 분석법이란 무엇인가?	주성분 분석법은 대표적인 선형변환 특징추출 방법으로 데이터의 공분산 행렬을 이용하여 실제 데이터의 정보를 최대한 유지하며 작은 양의 특징으로 표현하는 방법으로 차원 축소 과정은 아래와 같은 단계로 진행된다.
	본 논문에서 PCA 알고리즘은 어떠한 문제를 해결하기 위해 사용되었는가?	이렇게 획득한 고차원의 특징벡터 집합은 신경회로망 모델의 입력 데이터로 구성하기에는 연산 속도가 느리고 복잡한 구조일수록 추정할 파라미터의 수 또한 많아진다. 지능형 알고리즘에서는 높은 검출율과 빠른 인식속도를 중요한 요소로 여기기 때문에 1764개의 고차원을 저차원으로 축소시킬 필요가 있다. 이 문제점을 해결하기 위해 PCA 알고리즘을 사용하여 저차원으로 축소한다[8].

참고문헌 (9)

Ran Choi, "A Study on Applying MCT Algorithm to Detection of Pedestrian", Ph. D. Dissertation, Hanshin University, Hanshin, 2013.
Dalal and B. Triggs, "Histograms of oriented gradients for human detection" IEEE Computer Society Conference on Computer Vision and Pattem Recognition, pp. 886-893, 2005
S. B. Roh, S. K. Oh, and W. Pedrycz. "Design of fuzzy radial basis function-based polynomial neural networks." Fuzzy sets and systems Vol. 185, pp. 15-37, December 2011

상세보기
S-K. Oh, W-D. Kim, and W. Pedrycz, "Polynomial based radial basis function neural networks (P-RBFNNs) realized with the aid of particle swarm optimization," Fuzzy Sets and Systems, Vol. 163, No. 1, pp. 54-77, 2011

상세보기
J-Y. Kim, C-J. Park and S-K. Oh, "Design & Implementation of Pedestrian Detection System Using HOG-PCA Based pRBFNNs Pattern Classifier," The Transactions of the Korean Institute of Electrical Engineers Vol. 64, No. 7, pp. 1064-1073, 2015

원문보기 상세보기
W. K. Kim, S. K. Oh, H. K. Kim, "A Study on Feature Selection In Face Image Using Principal Component Analysis and Particle Swarm Optimization Algorithm", KIEE, Vol. 58, No. 12, pp. 2511-2519, 2009
J. H. Baek, J. S. Kim, C. Y. Yoon, E. T. Kim, "Part-based Hand Detection Using HOG", Korean Institute of Intelligent Systems, Vol. 23, No. 6, pp. 551-557, 2013

원문보기 상세보기
S. K. Oh, S. H. Yoo and W. Pedrycz, "Design of face recognition algorithm using PCA -LDA combined for hybrid data preprocessing and polynomial-based RBF neural networks : Design and its application", Expert Systems with Applications, Vol. 40, pp. 1451-1466, 2013

상세보기
Mathworks, "Train support vector machine classifier", http://kr.mathworks.com/help/stats/svmtrain.html

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

[국내논문] HOG기반 RBFNN을 이용한 상반신 검출 시스템의 설계
Design of Upper Body Detection System Using RBFNN Based on HOG Algorithm 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (9)

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

[국내논문] HOG기반 RBFNN을 이용한 상반신 검출 시스템의 설계 Design of Upper Body Detection System Using RBFNN Based on HOG Algorithm 원문보기

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

Abstract ▼ AI-Helper

Keyword

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

김선환 (2) 오성권 (164) 김진율 (16)

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

[국내논문] HOG기반 RBFNN을 이용한 상반신 검출 시스템의 설계
Design of Upper Body Detection System Using RBFNN Based on HOG Algorithm 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper