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 HOG-PCA 특징을 이용한 pRBFNNs 패턴분류기를 제안하고 이를 이용하여 보행자를 검출하고 객체 추적 알고리즘을 이용하여 추적을 수행하는 시스템을 제안하였다. 제안하는 분류기를 평가하기 위해서 표 1에서 제시한 INRIA Dataset으로부터 본 실험에서 제안한 Dataset에 대하여 각각 학습 및 테스트 이미지를 구성하고 제안한 HOG-PCA 기반 pRBFNNs를 규칙 수를 늘려가면서 보행자 검출을 수행하였고 그 결과를 표 4에 나타내었다.
- 본 논문에서는 지능형 영상 감시 시스템에서 보행자를 검출 및 추적을 수행하기 위해 제안하는 HOG-PCA 특징을 이용한pRBFNNs 패턴분류기 기반 보행자 검출과 Mean Shift, CamShift을 이용한 지속적인 추적에 대해 제안하였다. 실험은 HOGSVM와 HOG-PCA pRBFNNs 패턴분류기를 이용하여 동영상에서 보행자 검출 실험 결과 기존의 HOG-SVM은 불필요한 잡음을 포함한 고차원의 특징으로 인한 많은 연산이 처리속도 및 검출률 저하를 확인하였고 PCA를 이용하여 입력 차원을 축소한 HOGPCA pRBFNNs 패턴분류기를 통해 좀 더 빠른 처리속도 및 높은 검출을 확인하였다.
- 본 논문에서는 지능형 영상 감시를 위해 HOG-PCA 특징을 이용한 pRBFNNs 패턴분류기 설계하여 보행자 검출을 수행한다. 그리고 검출된 보행자에서 추적 대상을 선택하여 객체 추적 알고리즘인 Mean Shift를 이용하여 지속적인 추적을 수행한다.
가설 설정
- 여기서 Block은 2×2 Cell로 구성되어 있고 Cell 하나당 k = 9개 bin이 있다고 가정하였다.
제안 방법
- 즉 학습 및 테스트 이미지 당 HOG 특징을 구하고 PCA 알고리즘을 이용하여 고차원의 특징을 저차원으로 축소한다. HOG 특징을 추출할 때 사용되는 파라미터는 기존의 보행자 검출 연구에 사용한 파라미터를 동일하게 사용하였으며, PCA를 통한 차원 축소는 30차원으로 축소하여 제안하는 pRBFNNs 패턴분류기를 학습하고 테스트 이미지를 통해 보행자검출률을 산출하여 성능을 나타내었다. 그리고 마지막으로 연속프레임인 비디오 영상에서 보행자를 검출하고 검출된 보행자 중추적 대상을 설정하여 Mean Shift와 Cam Shift를 이용하여 추적을 수행한다.
- 표 4는 본 실험에서 제안한 Dataset 실험 결과로 보행자, 비보행자 이미지를 각각 960장씩 학습하고 테스트는 240장씩 사용하여 z 학습 1,920장, 테스트 480장이 사용되었다. 각 이미지를 제안하는 RBFNNs 패턴분류기에 입력으로 사용하기 위해서 3,780차원의 HOG 특징을 계산하고 PCA를 이용하여 30차원의 특징으로 축소하였다.
- HOG 특징을 추출할 때 사용되는 파라미터는 기존의 보행자 검출 연구에 사용한 파라미터를 동일하게 사용하였으며, PCA를 통한 차원 축소는 30차원으로 축소하여 제안하는 pRBFNNs 패턴분류기를 학습하고 테스트 이미지를 통해 보행자검출률을 산출하여 성능을 나타내었다. 그리고 마지막으로 연속프레임인 비디오 영상에서 보행자를 검출하고 검출된 보행자 중추적 대상을 설정하여 Mean Shift와 Cam Shift를 이용하여 추적을 수행한다.
- 그림 3은 입력영상에서의 C×C의 Cell 크기와 B×B의 Block으로 구성한 영상분할을 나타내며, 본 논문에서는 Dalal이 제안한 기존 보행자 검출 연구에서 Cell은 8×8 픽셀, Block은 2×2 셀로 동일하게 구성하였다.
- 하지만 직접 히스토그램을 비교할 경우 모든 가능한 탐색 윈도우 위치에 대해 각각 히스토그램을 구하고 또 유사도를 비교해야하기에 시간이 오래 걸린다. 따라서 본 논문에서는 Histogram back projection 기법과 앞서 설명한 Mean Shift 방법을 결합하여 사용한다. 즉, 영상에서 추적 대상이 정해지면 해당 대상의 히스토그램을 구하여 객체 모델로 저장 후 이후 입력 영상에 대해 Histogram back projection을 이용해 입력 영상의 픽셀 값들을 확률 값으로 변경한다.
- 따라서 본 논문에서는 기존의 HOG 특징을 사용하되 불필요한 높은 차원에 의한 연산량을 줄이고 검출률을 향상시키기 위해 대표적 차원축소 알고리즘인 PCA(Principal Component Analysis) 주성분분석법을 사용하여 차원을 축소 후 SVM 대신 지능형 패턴분류기인 다항식 기반 RBFNN(Radial Basis Function Neural Network) 패턴분류기를 이용하여 보행자를 검출한다[4][6][7].
- 실험은 HOGSVM와 HOG-PCA pRBFNNs 패턴분류기를 이용하여 동영상에서 보행자 검출 실험 결과 기존의 HOG-SVM은 불필요한 잡음을 포함한 고차원의 특징으로 인한 많은 연산이 처리속도 및 검출률 저하를 확인하였고 PCA를 이용하여 입력 차원을 축소한 HOGPCA pRBFNNs 패턴분류기를 통해 좀 더 빠른 처리속도 및 높은 검출을 확인하였다. 또한 지속적인 추적 실험하기 위해 검출된 보행자에서 특정한 객체 하나를 선택하여 객체 추적 알고리즘인 평균이동과 Cam Shift를 이용한 추적을 확인하였다. 그 결과 평균이동은 윈도우 사이즈 변화 없이 지속적인 추적을 하나 객체의 변화에 민감하지 않아 윈도우 내 명함분포를 이용한 Cam Shit 추적을 수행한 결과 추적을 수행하나 객체에 변화에 의해윈도우 사이즈가 변해 지속 불가능한 추적을 확인하였다.
- 본 논문에서 제안한 다항식 기반 RBFNNs는 기본적인 RBFNNs와 구조적 모듈로는 동일한 입력층, 은닉층, 출력층 이 3층 구조를 사용하나, 기능적 모듈로서 조건부, 추론부, 결론부로 3가지로 구분 된다. 또한 기존의 은닉층이 조건부에서 활성함수로 사용하였던 가우시안 함수 대신 FCM(Fuzzy C-Means)클러스터링에서 구해지는 적합도 값을 사용함으로써 입력 데이터의 특성을 좀 더 잘 반영할 수 있도록 개선하였다.
- 본 논문에서는 지능형 영상 감시를 위해 감시 대상인 객체를 보행자로 초점을 맞춰, 앞에서 설명한 특징을 이용한 검출 방법을 이용하여 보행자를 검출한다. 여기서, 보행자는 도로위에서 길을 걷고 있는 사람을 말하며 움직임에 대한 정해진 방향이 없고 옷차림 및 색상과 형태도 다양한 객체를 의미한다.
- 마지막으로 제안하는 분류기를 통해 검출한 보행자를 선택하여 지속적인 추적하기 수행하기 위해 Mean Shift와 Cam Shift 객체 추적 알고리즘을 이용한 보행자 추적 결과를 그림 12에 나타내었다. 본 실험에서는 검출된 보행자 중 붉은 옷을 입은 보행자를 선택하여 평균 이동과 Cam Shift를 이용한 보행자 추적을 진행하였다.
- 객체 검출을 위한 특징 추출 방법으로 단순 웨이블릿 기반 Harr-like특징, 기울기의 방향성을 이용한 HOG (Histogram of Oriented Gradient) 특징, 빛의 영향에 둔감한 MCT(The modified Census transform) 방법 등이 있고 분류기로는 SVM(Support Vector Machine), NN(Neural Network), Adaboost 알고리즘 등이 많이 선택 되고 있다[1]. 이중 2005년 Dalal과 Triggs에 의해 제안된 HOG 특징과 SVM 분류기를 이용한 보행자 검출 방법이 가장 대표적이며, Dalal이 제안한 HOG 특징은 인접 픽셀들과의 기울기를 이용하여 크기와 방향성을 계산하여 히스토그램을 구성한다. 히스토그램으로 구성하여 특징을 추출하기 때문에 조명 및 기하학적 변화에 강인하며, 객체의 크기나 모양이 변해도 보행자를 검출 하는데 문제가 없다는 장점이 있지만, 특징의 차원 수가 입력 영상의 크기 따라 정해지기 때문에 분류기에 학습한 마스크와 검출 시 사용하는 마스크 크기는 동일해야 한다는 제약조건이 붙는다.
- 즉, 영상에서 추적 대상이 정해지면 해당 대상의 히스토그램을 구하여 객체 모델로 저장 후 이후 입력 영상에 대해 Histogram back projection을 이용해 입력 영상의 픽셀 값들을 확률 값으로 변경한다. 이후 확률 값 분포에 대해 Mean Shift를 적용하여 객체를 추적 한다.
- 본 논문에서는 HOG-PCA 특징을 이용한 pRBFNNs 패턴분류기를 제안하고 이를 이용하여 보행자를 검출하고 객체 추적 알고리즘을 이용하여 추적을 수행하는 시스템을 제안하였다. 제안하는 분류기를 평가하기 위해서 표 1에서 제시한 INRIA Dataset으로부터 본 실험에서 제안한 Dataset에 대하여 각각 학습 및 테스트 이미지를 구성하고 제안한 HOG-PCA 기반 pRBFNNs를 규칙 수를 늘려가면서 보행자 검출을 수행하였고 그 결과를 표 4에 나타내었다.
- 제안한 분류기를 Dataset로 학습 통해 설계된 보행자 검출 시스템은 다양한 임의 크기의 입력 이미지에서 보행자를 검출하기 위해 영상에서 윈도우를 슬라이딩 방식으로 이동 시키면서 보행자를 검출한다. 이 이미지에서 검출하려는 보행자의 크기는 각각 다르기 때문에 탐색 윈도우를 1.
- 보행자를 검출하기 위한 제안하는 패턴분류기를 설계하고 기존에 제안된 분류기와 비교를 하기 위해 학습 및 테스트 이미지를 Dalal이 제안한 방법의 이미지를 사용하였다. 즉 학습 및 테스트 이미지 당 HOG 특징을 구하고 PCA 알고리즘을 이용하여 고차원의 특징을 저차원으로 축소한다. HOG 특징을 추출할 때 사용되는 파라미터는 기존의 보행자 검출 연구에 사용한 파라미터를 동일하게 사용하였으며, PCA를 통한 차원 축소는 30차원으로 축소하여 제안하는 pRBFNNs 패턴분류기를 학습하고 테스트 이미지를 통해 보행자검출률을 산출하여 성능을 나타내었다.
- 따라서 본 논문에서는 Histogram back projection 기법과 앞서 설명한 Mean Shift 방법을 결합하여 사용한다. 즉, 영상에서 추적 대상이 정해지면 해당 대상의 히스토그램을 구하여 객체 모델로 저장 후 이후 입력 영상에 대해 Histogram back projection을 이용해 입력 영상의 픽셀 값들을 확률 값으로 변경한다. 이후 확률 값 분포에 대해 Mean Shift를 적용하여 객체를 추적 한다.
대상 데이터
- 그리고 검출된 보행자에서 추적 대상을 선택하여 객체 추적 알고리즘인 Mean Shift를 이용하여 지속적인 추적을 수행한다. 그림8은 본 실험의 전체적인 흐름을 나타내며 제안하는 분류기를 학습하기 위해 사용한 데이터는 INRIA Person Dataset을 이용한다. 실험에 사용한 INRIA 데이터는 640×480 크기의 보행자 이미지 902장과 640×480 크기의 비보행자 이미지 1,218장으로 z2,120장의 이미지들로 구성되어 있다.
- 실험에 사용한 INRIA 데이터는 640×480 크기의 보행자 이미지 902장과 640×480 크기의 비보행자 이미지 1,218장으로 z2,120장의 이미지들로 구성되어 있다.
- 실험에 사용한 데이터 구성은 640×480 크기의 보행자, 비보행자 이미지를 제안하는 분류기에 학습하기 위해 128×64의 Window 크기로 분할하여 본 실험에서 제안하는 Dataset으로 구성하여 실험을 진행하였다.
- 표 4는 본 실험에서 제안한 Dataset 실험 결과로 보행자, 비보행자 이미지를 각각 960장씩 학습하고 테스트는 240장씩 사용하여 z 학습 1,920장, 테스트 480장이 사용되었다. 각 이미지를 제안하는 RBFNNs 패턴분류기에 입력으로 사용하기 위해서 3,780차원의 HOG 특징을 계산하고 PCA를 이용하여 30차원의 특징으로 축소하였다.
데이터처리
- 본 논문에서 제안하는 HOG-PCA 특징을 이용한 pRBFNNs패턴분류기를 보행자 검출 시스템을 구현하기 위해 Matlab2014a를 이용하여 기존 연구와의 비교평가를 수행하였다. 제안된 분류기의 성능을 평가를 위해 식 (25)의 분류율(classification rate)을이용하여 패턴 분류율을 나타내었고 식(26)의 MSE를 사용하여 성능 지수로 나타내었다.
이론/모형
- 그리고 검출된 보행자 후보 중 추적 대상을 지속적으로 추적하기 위해 비모수적 밀도 확률과 색상 히스토그램의 역투영 기반 평균이동알고리즘(Mean Shift)을 통해 추적을 수행한다[18][19].
- 본 논문에서는 지능형 영상 감시를 위해 HOG-PCA 특징을 이용한 pRBFNNs 패턴분류기 설계하여 보행자 검출을 수행한다. 그리고 검출된 보행자에서 추적 대상을 선택하여 객체 추적 알고리즘인 Mean Shift를 이용하여 지속적인 추적을 수행한다. 그림8은 본 실험의 전체적인 흐름을 나타내며 제안하는 분류기를 학습하기 위해 사용한 데이터는 INRIA Person Dataset을 이용한다.
- 실험에 사용한 INRIA 데이터는 640×480 크기의 보행자 이미지 902장과 640×480 크기의 비보행자 이미지 1,218장으로 z2,120장의 이미지들로 구성되어 있다. 보행자를 검출하기 위한 제안하는 패턴분류기를 설계하고 기존에 제안된 분류기와 비교를 하기 위해 학습 및 테스트 이미지를 Dalal이 제안한 방법의 이미지를 사용하였다. 즉 학습 및 테스트 이미지 당 HOG 특징을 구하고 PCA 알고리즘을 이용하여 고차원의 특징을 저차원으로 축소한다.
- 본 논문에서 제안하는 pRBFNNs 패턴분류기를 학습과 성능을 평가하기 위해 INRIA Dataset을 이용한다. 실험에 사용한 데이터 구성은 640×480 크기의 보행자, 비보행자 이미지를 제안하는 분류기에 학습하기 위해 128×64의 Window 크기로 분할하여 본 실험에서 제안하는 Dataset으로 구성하여 실험을 진행하였다.
- 본 논문에서는 입력 영상으로부터 객체의 모양과 특징을 검출하기 위해 특징 추출 방법으로 HOG 알고리즘을 이용한다[2]. HOG는 Dalal과 Triggs가 2005년 CVPR(Computer vision and pattern Recognition) 논문에서 보행자를 검출하기 위해 제안된 특징으로 국소영역에서 근접화소들 간의 밝기 차이를 이용하여 기울기와 방향성을 구하고 이를 히스토그램으로 구성하여 벡터로 나타낸다.
- 본 절의 전반부 구조 동정은 주어진 데이터의 입력변수의 선택과 맴버쉽 함수 형태(삼각형 또는 가우시안 함수 등)를 결정한다. 본 논문의 제안하는 RBFNNs는 기존 가우시안 함수 대신 FCM 클러스터링 알고리즘을 사용하였다[8]. FCM(Fuzzy C-Means)클러스터링 알고리즘은 비슷한 패턴, 속성, 형태 등의 기준을 통해 데이터를 분류하는 알고리즘으로, 데이터와 각 클러스터와의 거리를 기준으로 소속정도를 측정하여 데이터를 분류한다.
- 이에 전역 모델에 대한 행렬은 식 (14)와 같으며 후반부 다항식의 계수행렬 A는 확장행렬을 구하고 가우스 소거법(Gaussian elimination)을 이용하여 구하거나 식 (15)과 같이 역행렬에 의해 구해진다.
- 입력 영상으로부터 HOG 특징을 추출하기 위한 파라미터는 Dalal이 제안한 기존 보행자 검출에 사용한 파라미터를 동일하게 설정하였고 해당 파라미터 정보는 아래 표 2와 같다.
- 본 3장에서는 2장에서 설명한 입력 영상으로부터 계산한 HOG-PCA 특징 데이터 데이터를 입력으로 사용하여 보행자 검출 시스템의 패턴분류기 구조와 설계 방법을 설명한다. 패턴 분류기는 다항식 방사형 기저 함수 신경망을 사용하며 제안하는 RBFNNs는 빠른 학습시간, 일반화 그리고 단순화의 특징을 가지며 구조 동정 방법은 전반부의 활성함수를 기존 가우시안이 아닌 FCM(Fuzzy C-Means)클러스터링을 사용하고 후반부에서 최소자승법(Least Square Estimator)을 사용한다[6][7].
- 후반부 다항식의 파라미터 계수는 Least Square Estimator(LSE) 학습방법을 사용하여 모델을 설계한다. LSE는 오차제곱의 합이 최소가 되도록 계수를 추정하며 후반부 다항식들의 계수를 한 번에 구하기 때문에 전역 모델의 학습에 수행 가능하다.
성능/효과
- 표 4에서 HOG-PCA pRBFNNs 패턴분류기의 규칙수를 변화해가면서 보행자 검출을 수행한 결과 전체적으로 규칙수가 높을수록 학습률이 높아 검출이 높은 것을 확인할 수 있었다. 규칙수가 8일 때가 테스트 성능지수 MSE-test의 가장 좋았으며, 9이상부터는 학습 성능지수는 감소하나 테스트 성능지수가 오르기 시작하였다. 이는 Overfitting 문제로 분류기가 학습 데이터에 의존해 성능이 좋아져 일반화 성능의 저하가 발생한 것이다.
- 그 결과 평균 이동은 목표모델의 히스토그램 역투영을 이용하여 추적을 수행하기 때문에 객체가 커지거나 작아짐에 검색 윈도우는 변하지 않아 추적 대상이 화면 속에서 크기가 변해도 윈도우 사이즈는 변하지 않는다. 다만 Cam Shift는 객체 변화에 적응하여 탐색 윈도우가 변하지만 중간에 발산에 의한 윈도우가 의도치 않게 크게 변화거나 작게 변하는 경우가 발생한다.
- 또한 지속적인 추적 실험하기 위해 검출된 보행자에서 특정한 객체 하나를 선택하여 객체 추적 알고리즘인 평균이동과 Cam Shift를 이용한 추적을 확인하였다. 그 결과 평균이동은 윈도우 사이즈 변화 없이 지속적인 추적을 하나 객체의 변화에 민감하지 않아 윈도우 내 명함분포를 이용한 Cam Shit 추적을 수행한 결과 추적을 수행하나 객체에 변화에 의해윈도우 사이즈가 변해 지속 불가능한 추적을 확인하였다. 이에 향후 개선으로 인접된 영상간의 차분 혹은 추정된 배경과의 차분을 통한 움직임 변화 영역으로부터 객체를 검출하는 배경 모델링을 이용한 차분 방법과 관심영역 크기 보정을 통한 추적 개선 및 분류기 성능의 향상을 위한 최적화 알고리즘을 이용하여 최적의 파라미터를 통한 최적화된 분류기를 설계할 계획이다.
- 또한 기존의 은닉층이 조건부에서 활성함수로 사용하였던 가우시안 함수 대신 FCM(Fuzzy C-Means)클러스터링에서 구해지는 적합도 값을 사용함으로써 입력 데이터의 특성을 좀 더 잘 반영할 수 있도록 개선하였다. 또한 결론부의 연결가중치를 상수항에서 1차식 선형식(Linear)과 2차 선형식(Quadratic), 그리고 변형된 2차 선형식(Modified Quadratic)과 같은 다항식의 형태로 확장하여 사용한다는 특징을 가진다.
- 본 논문에서 제안한 다항식 기반 RBFNNs는 기본적인 RBFNNs와 구조적 모듈로는 동일한 입력층, 은닉층, 출력층 이 3층 구조를 사용하나, 기능적 모듈로서 조건부, 추론부, 결론부로 3가지로 구분 된다. 또한 기존의 은닉층이 조건부에서 활성함수로 사용하였던 가우시안 함수 대신 FCM(Fuzzy C-Means)클러스터링에서 구해지는 적합도 값을 사용함으로써 입력 데이터의 특성을 좀 더 잘 반영할 수 있도록 개선하였다. 또한 결론부의 연결가중치를 상수항에서 1차식 선형식(Linear)과 2차 선형식(Quadratic), 그리고 변형된 2차 선형식(Modified Quadratic)과 같은 다항식의 형태로 확장하여 사용한다는 특징을 가진다.
- 실험에 사용한 영상은 640x480 크기로 128x64의 윈도우 슬라이딩을 이용하여 기존의 HOG-SVM과 HOG-PCA pRBFNNs의 비교 결과 기존의 HOG-SVM은 입력데이터의 축소 없이 3780의 특징을 모두 사용하였기에 많은 연산으로 인한 처리속도 저하가 발생하였고 특징 안에 잡음 데이터에 의한 검출률 저하도 발생하였다. 본 논문에서 제안한 HOG-PCA pRBFFNs는 입력데이터를 30차원으로 축소하여 특징이 강한 데이터를 사용함으로써 검출률이 기존보다 좋았고 윈도우 슬라이딩 당 연산량이 적어 처리 속도 또한 좋았다.
- 표 5는 본 실험에서 사용한 동영상의 평균 검출률과 e당 처리속도 FPS(Frame Per Second)를 나타내었다. 실험에 사용한 영상은 640x480 크기로 128x64의 윈도우 슬라이딩을 이용하여 기존의 HOG-SVM과 HOG-PCA pRBFNNs의 비교 결과 기존의 HOG-SVM은 입력데이터의 축소 없이 3780의 특징을 모두 사용하였기에 많은 연산으로 인한 처리속도 저하가 발생하였고 특징 안에 잡음 데이터에 의한 검출률 저하도 발생하였다. 본 논문에서 제안한 HOG-PCA pRBFFNs는 입력데이터를 30차원으로 축소하여 특징이 강한 데이터를 사용함으로써 검출률이 기존보다 좋았고 윈도우 슬라이딩 당 연산량이 적어 처리 속도 또한 좋았다.
- 본 논문에서는 지능형 영상 감시 시스템에서 보행자를 검출 및 추적을 수행하기 위해 제안하는 HOG-PCA 특징을 이용한pRBFNNs 패턴분류기 기반 보행자 검출과 Mean Shift, CamShift을 이용한 지속적인 추적에 대해 제안하였다. 실험은 HOGSVM와 HOG-PCA pRBFNNs 패턴분류기를 이용하여 동영상에서 보행자 검출 실험 결과 기존의 HOG-SVM은 불필요한 잡음을 포함한 고차원의 특징으로 인한 많은 연산이 처리속도 및 검출률 저하를 확인하였고 PCA를 이용하여 입력 차원을 축소한 HOGPCA pRBFNNs 패턴분류기를 통해 좀 더 빠른 처리속도 및 높은 검출을 확인하였다. 또한 지속적인 추적 실험하기 위해 검출된 보행자에서 특정한 객체 하나를 선택하여 객체 추적 알고리즘인 평균이동과 Cam Shift를 이용한 추적을 확인하였다.
- 표 4에서 HOG-PCA pRBFNNs 패턴분류기의 규칙수를 변화해가면서 보행자 검출을 수행한 결과 전체적으로 규칙수가 높을수록 학습률이 높아 검출이 높은 것을 확인할 수 있었다. 규칙수가 8일 때가 테스트 성능지수 MSE-test의 가장 좋았으며, 9이상부터는 학습 성능지수는 감소하나 테스트 성능지수가 오르기 시작하였다.
- 하지만 규칙수 8의 분류율 PCR-test 결과 96.88%의 높은 성능을 확인하였지만 분류율 기준으로 높은 성능을 확인하기 위해 규칙수를 더 높인 25로 하였을 때 PCR-test 97.29%로 가장 좋은 분류율을 확인하였다.
후속연구
- 그 결과 평균이동은 윈도우 사이즈 변화 없이 지속적인 추적을 하나 객체의 변화에 민감하지 않아 윈도우 내 명함분포를 이용한 Cam Shit 추적을 수행한 결과 추적을 수행하나 객체에 변화에 의해윈도우 사이즈가 변해 지속 불가능한 추적을 확인하였다. 이에 향후 개선으로 인접된 영상간의 차분 혹은 추정된 배경과의 차분을 통한 움직임 변화 영역으로부터 객체를 검출하는 배경 모델링을 이용한 차분 방법과 관심영역 크기 보정을 통한 추적 개선 및 분류기 성능의 향상을 위한 최적화 알고리즘을 이용하여 최적의 파라미터를 통한 최적화된 분류기를 설계할 계획이다.
- 다만 Cam Shift는 객체 변화에 적응하여 탐색 윈도우가 변하지만 중간에 발산에 의한 윈도우가 의도치 않게 크게 변화거나 작게 변하는 경우가 발생한다. 추후 이점을 개선하기 위해서, 앞서 서론에서 소개한 특징 추출방법 외 인접된 영상간의 차분 혹은 추정된 배경과의 차분을 통한 움직임 변화 영역으로부터 객체를 검출하는 배경 모델링을 이용한 차분 방법과 관심영역 크기 보정을 통한 개선을 통한 보행자 검출 및 추적을 수행할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.