[논문]특징점 매칭을 이용한 다중 차량 객체 검출 알고리즘

이경민; 인치호

doi:10.12815/kits.2018.17.1.123

초록
AI-Helper

본 논문에서는 효율적인 차량 객체를 추적하는 특징점 매칭을 이용한 다중 차량 객체 검출 알고리즘을 제안한다. 제안하는 알고리즘은 효율적인 차량 객체 추적을 위해 FAST 알고리즘을 이용해서 차량의 특징점을 추출한다. 그리고 5X5 영역으로 분할 된 영상에서 특징점이 포함되면 True 포함되지 않으면 False로 해당 영역을 검은색으로 후처리하여 차량 객체을 제외한 불필요한 객체 정보를 제거한다. 그리고 후처리 된 영역을 차량의 최대 탐색창 크기로 설정하고, 차량의 최외각 특징점을 이용한 최소 탐색창을 설정하여 Mean-Shift 알고리즘의 탐색창 크기에 대한 단점을 보완하여 차량 객체 추적을 한다. 제안한 방법의 성능 평가하기위해 SIFT, SURF 알고리즘을 비교하여 실험한다. 그 결과 SIFT 알고리즘에 비해서 약 4배 빠르고 SUFR 알고리즘의 처리 과정 보다는 효율적으로 검출하는 장점이 있다.

Abstract ▼ AI-Helper

In this paper, we propose a multi-vehicle object detection algorithm using feature point matching that tracks efficient vehicle objects. The proposed algorithm extracts the feature points of the vehicle using the FAST algorithm for efficient vehicle object tracking. And True if the feature points ar...

In this paper, we propose a multi-vehicle object detection algorithm using feature point matching that tracks efficient vehicle objects. The proposed algorithm extracts the feature points of the vehicle using the FAST algorithm for efficient vehicle object tracking. And True if the feature points are included in the image segmented into the 5X5 region. If the feature point is not included, it is processed as False and the corresponding area is blacked to remove unnecessary object information excluding the vehicle object. Then, the post processed area is set as the maximum search window size of the vehicle. And A minimum search window using the outermost feature points of the vehicle is set. By using the set search window, we compensate the disadvantages of the search window size of mean-shift algorithm and track vehicle object. In order to evaluate the performance of the proposed method, SIFT and SURF algorithms are compared and tested. The result is about four times faster than the SIFT algorithm. And it has the advantage of detecting more efficiently than the process of SUFR algorithm.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 효율적인 차량 객체를 추적하는 특징점 매칭을 이용한 다중 차량 객체 검출 알고리즘을 제안한다. 제안하는 알고리즘은 효율적인 차량 객체 추적을 위해 FAST 알고리즘을 이용해서 차량의 특징점을 추출한다.

제안 방법

제안하는 알고리즘은 효율적인 차량 객체 추적을 위해 FAST 알고리즘을 이용해서 차량의 특징점을 추출한다. 그리고 추출 된 특징점을 이용해서 5X5 영역으로 분할 된 영상에 매칭하여 특징점의 좌표가 해당 영역에 포함되면 True, 포함되지 않으면 False로 해당 영역을 검은색으로 후처리하여 차량 객체을 제외한 불필요한 객체 정보를 제거한다. 그리고 후처리 된 영역을 차량의 최대 탐색창 크기로 설정하고, 차량의 최외각 특징점을 이용한 최소 탐색창을 설정하여 Mean-Shift 알고리즘(Comaniciu and Meer, 2002)의 탐색창 크기에 대한 단점을 보완하여 차량 객체 추적을 한다.
그리고 추출 된 특징점을 이용해서 5X5 영역으로 분할 된 영상에 매칭하여 특징점의 좌표가 해당 영역에 포함되면 True, 포함되지 않으면 False로 해당 영역을 검은색으로 후처리하여 차량 객체을 제외한 불필요한 객체 정보를 제거한다. 그리고 후처리 된 영역을 차량의 최대 탐색창 크기로 설정하고, 차량의 최외각 특징점을 이용한 최소 탐색창을 설정하여 Mean-Shift 알고리즘(Comaniciu and Meer, 2002)의 탐색창 크기에 대한 단점을 보완하여 차량 객체 추적을 한다.
본 논문은 특징점 매칭을 이용한 다중 차량 객체 검출 알고리즘은 제안한다. 제안하는 알고리즘은 SIFT, SURF 등 특징기반 객체 인식의 문제점인 속도를 개선하기 위해 FAST 알고리즘을 적용하여 특징점 추출 시간을 단축한다. 또한 임계값을 높이는 것으로 코너 성분이 강한 점만 추출함으로써 속도를 향상시킬 수 있다.

대상 데이터

20GHz 과 4GB 메모리의 컴퓨터 환경에 실험하였습니다. 실험 영상은 고속도로에서 촬영된 도로 주행 영상이며, 영상 사이즈는 640 X 480 이다. 제안한 알고리즘의 성능 평가하기 위해 SIFT, SURF 알고리즘과 수행 시간을 측정하여 비교하였다.

데이터처리

실험 영상은 고속도로에서 촬영된 도로 주행 영상이며, 영상 사이즈는 640 X 480 이다. 제안한 알고리즘의 성능 평가하기 위해 SIFT, SURF 알고리즘과 수행 시간을 측정하여 비교하였다. [Fig.

이론/모형

그리고 특징점들 중 최외각의 코너점들을 이용하여 최소 탐생창 정의하고, 최대,최소 탐색창의 평균을 계산하여 객체 검출 탐색창을 정의한다. 생성된 탐생창을 통해 Mean-Shift 알고리즘은 적용하여 차량 객체 추적을 수행한다. 취득한 고속도로 주행 영상을 사용한 실험결과에서 제안된 알고리즘은 SIFT 알고리즘에 비해서 약 4배, SUFR 알고리즘의 처리 과정 보다는 효율적으로 검출하는 장점이 있다.
본 논문에서는 효율적인 차량 객체를 추적하는 특징점 매칭을 이용한 다중 차량 객체 검출 알고리즘을 제안한다. 제안하는 알고리즘은 효율적인 차량 객체 추적을 위해 FAST 알고리즘을 이용해서 차량의 특징점을 추출한다. 그리고 추출 된 특징점을 이용해서 5X5 영역으로 분할 된 영상에 매칭하여 특징점의 좌표가 해당 영역에 포함되면 True, 포함되지 않으면 False로 해당 영역을 검은색으로 후처리하여 차량 객체을 제외한 불필요한 객체 정보를 제거한다.

성능/효과

그러나 SURF는 그레이 영상을 이용함에 따라 컬러 영상에서 활용하지 못하는 단점이 있어 특징점 추출 후 Mean-Shift 알고리즘을 통한 객체 검출 과정과 SURF 과정에서 gray-scale 변환하여 제안하는 방법보다 효율성이 떨어진다. 본 논문에서 제안하는 방법으로 실험 결과 Video 1에서는 1.76 sec/frame, Video 2는 1.77 sec/frame의 결과를 얻었다. 제안된 방법은 FAST 알고리즘을 이용하여 빠른 특징점 추출과 영상의 5x5 영역 분할을 이용하여 특징점이 포함되는 영역을 Mean-shift에서 최대 탐색창으로 정의하고 최외각 특징점을 이용하여 최소 탐색창을 정의한다.
생성된 탐생창을 통해 Mean-Shift 알고리즘은 적용하여 차량 객체 추적을 수행한다. 취득한 고속도로 주행 영상을 사용한 실험결과에서 제안된 알고리즘은 SIFT 알고리즘에 비해서 약 4배, SUFR 알고리즘의 처리 과정 보다는 효율적으로 검출하는 장점이 있다.

후속연구

둘째, 추출되는 특징점이 적은 만큼 차량 객체가 겹치는 경우에 객체를 인식하지 못하거나, 하나의 객체로 인식되는 경우가 발생되었다. 따라서 색상을 이용한 객체의 라벨링을 통해 객체 분할이 필요하다.
첫째, 차량 객체의 특징점 추출을 위해 높은 임계값의 FAST 알고리즘을 통해 연산 시간을 단축하였으나, 추출된 특징점 개수의 줄어듦에 따라 높은 조도 변화에 정확도가 낮아졌다. 따라서 제안된 임계값 보다 낮은 값으로 차량 객체만의 특징점을 추출할 수 있으며, 조도 변화에 강한 특징점 추출 알고리즘이 필요하다. 둘째, 추출되는 특징점이 적은 만큼 차량 객체가 겹치는 경우에 객체를 인식하지 못하거나, 하나의 객체로 인식되는 경우가 발생되었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	자율주행시스템이란?	최근 자율주행시스템 기술의 발전으로 전 세계에 다양한 연구가 진행 중이다. 자율주행시스템은 기존 자동차에 ICT 기술을 도입하여 스스로 주행환경을 인식, 위험을 판단, 경로를 계획하는 등 운전자 조작을 최소화하여 운행하는 자동차 기술을 말한다.
	자율주행의 인식기술에 사용하는 센서는?	위와 같이 자율주행에는 3단계로 인식, 판단, 조작으로 기술이 나뉘며, 인식 기술에는 레이더, 카메라, 초음파 등 환경을 인식하기 위한 센서를 사용한다. 그 중 카메라 센서에는 컴퓨터 비전 이용한 인식 기술을 사용하고 있다.
	자율주행의 인식 기술에 사용되는 카메라 센서에는 어떤 기술을 사용하는가?	위와 같이 자율주행에는 3단계로 인식, 판단, 조작으로 기술이 나뉘며, 인식 기술에는 레이더, 카메라, 초음파 등 환경을 인식하기 위한 센서를 사용한다. 그 중 카메라 센서에는 컴퓨터 비전 이용한 인식 기술을 사용하고 있다. 컴퓨터 비전에서는 차량, 보행자와 같은 장애물 인식부터 차선, 표지판과 같은 주행에 필요한 환경 인식에 대한 다양한 연구가 진행 중이다.

참고문헌 (8)

Bay H., Tuytelaars T. and Van Gool L.(2006), "Surf: Speeded up robust features," in ECCV, pp.404-417.
Comaniciu D. and Meer P.(2002), "Mean Shift: A Robust Approach Toward Feature Space Analysis," IEEE Transactions on Pattern Analysis and Machine Intelligence archive, vol. 24 Iss. 5, pp.603-619.

상세보기
Harris C. and Stephens M.(1988), "A combined Corner and Edge Detector," Proceeding 4th Alvey Vision Conference.
Koller D., Daniilidis K. and Nagel H.(1993), "Model-based object tracking in monocular image sequences of road traffic scenes," Int. J. Computer Vision, vol. 10, no. 3, pp.257-281.

상세보기
Lowe D. G.(2004), "Distinctive image features from scale-invariant keypoints," IJCV, vol. 60, Iss. 2, pp.91-110.
Rosten E. and Drummond T.(2006), "Machine learning for high-speed corner detection," in ECCV, Volume Part I, pp.430-443.
Shi J. and Tomasi C.(1994), "Good Features to Track," Proceedings IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, 21-23, pp.593-600.
Trajkovic M. and Hedly M.(1998), "Fast corner detection," Image and Vision Computing, vol. 16, no. 2, pp.75-87.

상세보기

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

특징점 매칭을 이용한 다중 차량 객체 검출 알고리즘
A Multiple Vehicle Object Detection Algorithm Using Feature Point Matching 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

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

특징점 매칭을 이용한 다중 차량 객체 검출 알고리즘 A Multiple Vehicle Object Detection Algorithm Using Feature Point Matching 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

이경민 (7) 인치호 (76)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

특징점 매칭을 이용한 다중 차량 객체 검출 알고리즘
A Multiple Vehicle Object Detection Algorithm Using Feature Point Matching 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper