최근 여러 목적으로 영상 정보를 제공하는 CCTV는 지능형으로 변화하고 있으며, 컴퓨터 비전을 이용한 자동화 응용 범위가 증가하고 있다. 보행자 및 차량 등의 정확한 인식을 위해 신뢰성이 높은 검출방법을 수행하여야 하며 이를 위해 다양한 방법들이 연구되고 있다. 본 논문에서는 다수의 보행자가 움직이는 상황에서 보행자의 세 가지 특징 정보를 획득하여 다수의 보행자들을 검출하는 방법을 제안한다. 제안하는 방법은 보행자 검출 및 추적에 실패하거나 혼동되는 상황을 최소화 하면서 각각의 보행자를 구별한다. 보행자들끼리 근접하거나 겹치는 경우 미리 저장된 프레임 특징 정보를 이용하여 보행자를 구별 및 검출한다.
최근 여러 목적으로 영상 정보를 제공하는 CCTV는 지능형으로 변화하고 있으며, 컴퓨터 비전을 이용한 자동화 응용 범위가 증가하고 있다. 보행자 및 차량 등의 정확한 인식을 위해 신뢰성이 높은 검출방법을 수행하여야 하며 이를 위해 다양한 방법들이 연구되고 있다. 본 논문에서는 다수의 보행자가 움직이는 상황에서 보행자의 세 가지 특징 정보를 획득하여 다수의 보행자들을 검출하는 방법을 제안한다. 제안하는 방법은 보행자 검출 및 추적에 실패하거나 혼동되는 상황을 최소화 하면서 각각의 보행자를 구별한다. 보행자들끼리 근접하거나 겹치는 경우 미리 저장된 프레임 특징 정보를 이용하여 보행자를 구별 및 검출한다.
Recently, CCTV, which provides video information for multiple purposes, has been transformed into an intelligent, and the range of automation applications increased using the computer vision. A highly reliable detection method must be performed for accurate recognition of pedestrians and vehicles an...
Recently, CCTV, which provides video information for multiple purposes, has been transformed into an intelligent, and the range of automation applications increased using the computer vision. A highly reliable detection method must be performed for accurate recognition of pedestrians and vehicles and various methods are being studied for this purpose. In such an object detection system. In this paper, we propose a method to detect a large number of pedestrians by acquiring three characteristic information that features of color information using HSI, motion vector information and shaping information using HOG feature information of a pedestrian in a situation where a large number of pedestrians are moving. The proposed method distinguishes each pedestrian while minimizing the failure or confusion of pedestrian detection and tracking. Also when pedestrians approach or overlap, pedestrians are identified and detected using stored frame feature data.
Recently, CCTV, which provides video information for multiple purposes, has been transformed into an intelligent, and the range of automation applications increased using the computer vision. A highly reliable detection method must be performed for accurate recognition of pedestrians and vehicles and various methods are being studied for this purpose. In such an object detection system. In this paper, we propose a method to detect a large number of pedestrians by acquiring three characteristic information that features of color information using HSI, motion vector information and shaping information using HOG feature information of a pedestrian in a situation where a large number of pedestrians are moving. The proposed method distinguishes each pedestrian while minimizing the failure or confusion of pedestrian detection and tracking. Also when pedestrians approach or overlap, pedestrians are identified and detected using stored frame feature data.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
다수의 보행자를 추적하는 상황에서 각각의 보행자를 분류하기 위해 색상정보, 형태정보, 모션벡터의 특징정보를 사용했다. 본 논문에서는 겹침 현상에서 발생하는 보행자 검출과 추적에 실패하는 경우를 개선하기 위해 미리 저장된 특징 정보를 이용하여 다음 프레임에서 추적이 가능함을 보였으며, 각각의 보행자를 구별 및 검출하였다. 향후 제안하는 방법을 더 개선시켜 겹침 현상 뿐만이 아닌 다양한 특정 상황에서 각각의 보행자를 더 세밀하게 구별할 수 있는 연구를 진행하고자 한다.
본 논문에서는 다수의 보행자가 움직이는 상황에서 다수의 보행자를 추적하면서 보행자의 특징에 따라 보행자 개개인을 구분하기 위한 특징정보로 색상정보, 모션 벡터, HOG(Histogram of Oriented Gradient) 특징정보를 이용해 다수의 보행자를 검출하는 방법을 제안한다. 제안하는 방법은 다수의 보행자를 추적하는 상황에서 각각의 보행자를 분류하기 위해 3가지 특징 정보를 사용하며, 추적에 실패하거나 혼동되는 상황을 최소화하면서 각각의 보행자를 구별한다 [8,9].
제안 방법
다수의 보행자를 추적하는 상황에서 각각의 보행자를 분류하기 위해 색상정보, 형태정보, 모션벡터의 특징정보를 사용했다. 본 논문에서는 겹침 현상에서 발생하는 보행자 검출과 추적에 실패하는 경우를 개선하기 위해 미리 저장된 특징 정보를 이용하여 다음 프레임에서 추적이 가능함을 보였으며, 각각의 보행자를 구별 및 검출하였다.
따라서 본 논문에서는 영상처리 시간 단축을 위해 획득 영상 전체의 영상처리가 아닌 보행자 영역만을 영상처리 하는 ROI(Region of Interest) 영역을 이용한다. ROI 영역보다 큰 영역을 탐색 영역으로 이용하며 이전 프레임과 보행자 ROI 영역과 현재 프레임 영역이 가장 정합하는 영역을 찾아 모션 벡터를 획득한다.
본 논문에서는 각 보행자의 영역을 분할하기 위한 방법으로 Clustering method를 이용하며 이미 추적중인 보행자의 형태변화에 적응할 수 있도록 연속된 프레임마다 변화하는 ROI 영역을 추출하여 모델을 갱신한다.
영상처리와 영상인식에서 HSI 컬러 모델을 사용할 때 각각 0~255 사이의 값으로 표현되며 얻어진 색상정보는 Quantization Modeling 과정을 거쳐 히스토그램 교차점으로 유사성을 비교한다.
제안하는 방법은 다수의 보행자를 추적하는 상황에서 각각의 보행자를 분류하기 위해 3가지 특징 정보를 사용하며, 추적에 실패하거나 혼동되는 상황을 최소화하면서 각각의 보행자를 구별한다 [8,9].
제안하는 보행자 검출 알고리즘은 그림 2와 같으며, HOG를 이용하여 다수의 보행자를 검출한다. 검출된 보행자 영역에서 HSI를 이용한 색상 정보와 HOG 특징 정보를 이용한 형태정보를 획득한다.
대상 데이터
검출된 보행자 영역에서 HSI를 이용한 색상 정보와 HOG 특징 정보를 이용한 형태정보를 획득한다.
이론/모형
그 결과 얻어진 형태정보와 현재 보행자의 동일성을 비교하는 방법으로 Hausdorff Distance를 사용한다.
대표적인 움직임 예측 방법으로 BMA(Block Matching Algorithm)를 사용하여 모션 벡터를 획득한다. 그림 1은 BMA를 나타낸다.
영상기반 객체 검출을 위해 다양한 특징점과 학습 알고리즘이 제안되고 있으며, 최근까지 주로 연구되고 있는 특징점들은 유사 Haar 특징점, HOG 특징점, LBP 특징점 등이 있다. 본 논문에서는 기본적으로 객체 영역 검출을 위해 HOG Descriptor를 사용한다.
후속연구
본 논문에서는 겹침 현상에서 발생하는 보행자 검출과 추적에 실패하는 경우를 개선하기 위해 미리 저장된 특징 정보를 이용하여 다음 프레임에서 추적이 가능함을 보였으며, 각각의 보행자를 구별 및 검출하였다. 향후 제안하는 방법을 더 개선시켜 겹침 현상 뿐만이 아닌 다양한 특정 상황에서 각각의 보행자를 더 세밀하게 구별할 수 있는 연구를 진행하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
CCTV의 목적과 그에 따른 제공 정보는?
최근 감시와 보안을 목적으로 비디오 정보를 제공하는 CCTV(Closed Circuit TeleVision) 는 지능형으로 변화하고 있으며, 지능형 영상분석의 수요가 증가함에 따라 컴퓨터 비전을 이용한 자동화 응용 범위가 증가하고 있다 [1-3]. 이는 단순히 영상 정보만을 제공하는 것이 아닌 보행자 및 차량의 자동 검출 및 추적과 행동패턴 분석을 통한 위험상황 감지 등 여러 기능을 포함한다.
보행자 및 차량 등의 정확한 인식을 위해 신뢰성이 높은 검출방법은 무엇이 있는가?
보행자 및 차량 등의 정확한 인식을 위해 신뢰성이 높은 검출방법을 수행하여야 하며 기존 검출 방법으로는 영상간 차분 방법과 영상 내 슬라이딩 윈도우를 설정하여 객체의 특징을 계산하고 그 특징을 이용하는 검출 방법 등이 있다.[4,5]
지능형 영상분석의 기능은?
최근 감시와 보안을 목적으로 비디오 정보를 제공하는 CCTV(Closed Circuit TeleVision) 는 지능형으로 변화하고 있으며, 지능형 영상분석의 수요가 증가함에 따라 컴퓨터 비전을 이용한 자동화 응용 범위가 증가하고 있다 [1-3]. 이는 단순히 영상 정보만을 제공하는 것이 아닌 보행자 및 차량의 자동 검출 및 추적과 행동패턴 분석을 통한 위험상황 감지 등 여러 기능을 포함한다.
참고문헌 (9)
P. H. Jeon, C. J. Park, J. Y. Kim, S. K. Oh, "Design of Pedestrian Detection and Tracking System Using HOG-PCA and Object Tracking Algorithm," The Transactions of the Korean Institute of Electrical Engineers, vol. 66, no. 4, pp. 682-691, Apr. 2017.
B. Wu and R. Nevatia, "Detection of Multiple, Partially Occluded Humans in a Single Image by Bayesian Combination of Edgelet Part Detectors," in 10th IEEE International Conference on Computer Vision, vol.1, pp. 90-97, Oct. 2005.
S. M. Yang and K. H. Jo, "HOG based Pedestrian Detection and Behavior Pattern Recognition for Traffic Signal Control," Journal of Institute of Control, Robotics and System vol. 19, no.11, pp.1017-1021, Nov. 2013.
A. Alahi, Y. Boursier, L. Jacques, and P. Vandergheynst, "A Sparsity Constrained Inverse Problem to Locate People in a Network of Cameras," in 16th International Conference on Digital Signal Processing, pp. 1-7, Jul. 2009.
N. H. Cho and H. S. Jung, "A Study on the Model Generative Algorithm for Pedestrian Detection," Journal of Korean Institute of Information Technology vol.11, no.1, pp.63-69, Jan. 2013.
M. Szarvas, A. Yoshizawa, M. Yamamoto, and J. Ogata, "Pedestrian Detection with Convolutional Neural Networks," Proceeding IEEE Intelligent Vehicles Symposium, pp. 223-228, Jun. 2005.
M. Mahlisch, M. Oberlader, O. Lolein, D. Gavrila, and W. Ritter, "A Multiple Detector approach to low-resolution for Pedestrian Recognition," Proceeding of the IEEE Intelligent Vehicles Symposium, pp. 23-28, Jun. 2005.
S. Lee and J. S. Cho, "Tracking and Recognition of vehicle and pedestrian for intelligent multi-visual surveillance systems," Journal of the Korea Institute of Information and Communication Engineering vol.19, no.2, pp.435-442, Feb. 2015.
S. Y. Lee, "OpenCV-based Object Tracking System," Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology, vol.6, no.5, pp. 29-37, May 2016.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.