[논문]저조도 야간 감시 시스템을 위한 열영상 기반 객체 검출 알고리즘

장정욱; 인치호

doi:10.12815/kits.2020.19.3.129

초록
AI-Helper

본 논문에서는 저조도 야간 감시 시스템을 위한 열영상 기반의 객체 검출 알고리즘을 제안한다. 기존 Adaboost를 이용한 Haar 특징점 선택 알고리즘은 학습 샘플에 대한 유사하거나 중복되는 특징점의 선택 문제와 잡음에 취약한 경우가 많았다. 또한 저조도 야간 환경의 감시 영상에서 얻어지는 잡음을 특징점 세트에서 제거하고 빠르고 효율적인 실시간 특징점 선택이 이루어질 수 있게 가벼운 확장형 Haar 특징점과 Adaboost 학습 알고리즘을 사용하여 구현하였다. 야간 저조도 환경에서 움직임이 있는 비예측 객체를 인식하기 위하여 열영상으로 촬영된 이미지에 확장 Haar 특징점을 사용하여 객체를 인식한다. 비디오 프레임 800*600 크기의 열영상 이미지를 입력으로 하는 Adaboost 학습 알고리즘을 CUDA 9.0 플랫폼으로 구현하여 시뮬레이션을 시행한다. 그 결과 객체 검출 결과는 성공률이 약 90% 이상임을 확인하였고, 이는 일반영상에 히스토그램 이퀄라이징 연산을 거쳐 얻어진 연산 결과보다 약 30% 더 빠른 처리 속도를 얻을 수 있었다.

Abstract ▼ AI-Helper

In this paper, we propose a thermal imagery-based object detection algorithm for low-light level nighttime surveillance system. Many features selected by Haar-like feature selection algorithm and existing Adaboost algorithm are often vulnerable to noise and problems with similar or overlapping featu...

In this paper, we propose a thermal imagery-based object detection algorithm for low-light level nighttime surveillance system. Many features selected by Haar-like feature selection algorithm and existing Adaboost algorithm are often vulnerable to noise and problems with similar or overlapping feature set for learning samples. It also removes noise from the feature set from the surveillance image of the low-light night environment, and implements it using the lightweight extended Haar feature and adaboost learning algorithm to enable fast and efficient real-time feature selection. Experiments use extended Haar feature points to recognize non-predictive objects with motion in nighttime low-light environments. The Adaboost learning algorithm with video frame 800*600 thermal image as input is implemented with CUDA 9.0 platform for simulation. As a result, the results of object detection confirmed that the success rate was about 90% or more, and the processing speed was about 30% faster than the computational results obtained through histogram equalization operations in general images.

주제어

AI 본문요약
AI-Helper

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

문제 정의

야간 시간대의 움직이는 객체를 대상으로 감시 목적의 영상 촬영은 대부분 사람 또는 보행자로 분류가 된다. 따라서 본 논문에서는 저조도의 야간 환경에서 이를 검출하기 위해 열영상을 이용한 방법을 제시한다. 인체의 온도는 약 36~37°C 범위의 온도를 갖는다.
본 논문에서는 실시간 처리가 가능한 저조도 환경의 야간 시간대의 객체 검출을 위하여 열영상 카메라에 서 촬영된 입력 영상에 유사 Haar 특징점을 적용한 객체 식별과, 움직이는 객체 검출을 위한 Adaboost 학습 알고리즘(Amini, 2015)을 이용하여 저조도 야간 감시 시스템 구현을 위한 열영상 기반의 객체 검출 알고리즘을 제안하고자 한다.
본 논문은 저조도 야간 감시 시스템을 위한 열영상 기반의 객체 검출 알고리즘을 제안했다. 제안하는 알고리즘은 야간 시간대의 저조도 영상 이미지에서 움직임을 갖는 비예측형 객체를 인식하기 위하여 설정 범 위 내의 열영상 800*600 크기의 비디오 프레임을 입력받아, 확장형 유사 Haar 특징점을 활용한 Adaboost 학습 알고리즘에 적용하여 CUDA 9.

제안 방법

Adaboost 알고리즘에 기반하는 특징점 선택 방법은 학습 샘플들에 대한 특징점이 유사하거나 동일한 특징점이 선택되는 경우가 빈번하다. 따라서 특징점 간의 형태적 유사도를 계산하여 이미 선택된 특징점들과 유사한 특징점들의 중복을 제거하여 선택하도록 하는 방법을 제안한다.
본 논문에서 제안한 객체 검출 학습 알고리즘의 성능을 입증하기 위하여, NVIDIA사의 Jetson TX2 모듈을 사용한 그래픽 병렬처리 임베디드 시스템을 활용해 영상 기반 객체 검출 시스템을 구현한다. 확장형 Haar 특징점을 적용한 Adaboost 알고리즘에 대하여 NVIDIA사의 SoC를 사용하기 때문에 전용 플랫폼인 CUDA 9.
본 논문은 저조도 야간 감시 시스템을 위한 열영상 기반의 객체 검출 알고리즘을 제안했다. 제안하는 알고리즘은 야간 시간대의 저조도 영상 이미지에서 움직임을 갖는 비예측형 객체를 인식하기 위하여 설정 범 위 내의 열영상 800*600 크기의 비디오 프레임을 입력받아, 확장형 유사 Haar 특징점을 활용한 Adaboost 학습 알고리즘에 적용하여 CUDA 9.0 플랫폼에서 구현된 객체 검출 알고리즘을 컴파일했다. 제안한 알고리즘을 적용한 객체 검출의 결과는 평균 약 90% 이상 객체 검출 성공률을 확인할 수 있었으며, 기존의 히스토그램 이퀄라이징 결과에 비해 약 30% 빠른 처리 속도를 확인할 수 있었다.
본 논문에서 제안한 객체 검출 학습 알고리즘의 성능을 입증하기 위하여, NVIDIA사의 Jetson TX2 모듈을 사용한 그래픽 병렬처리 임베디드 시스템을 활용해 영상 기반 객체 검출 시스템을 구현한다. 확장형 Haar 특징점을 적용한 Adaboost 알고리즘에 대하여 NVIDIA사의 SoC를 사용하기 때문에 전용 플랫폼인 CUDA 9.0을 이용해 구현된 알고리즘을 인텔 I5-6500 CPU 3.20GHz 과 8GB 메모리의 컴퓨터 환경에서 컴파일했다. 실험에 사용한 동영상은 해상도 800*600 크기로 30분간 초당 30 프레임으로 촬영된 저조도 야간 영상이다.

대상 데이터

20GHz 과 8GB 메모리의 컴퓨터 환경에서 컴파일했다. 실험에 사용한 동영상은 해상도 800*600 크기로 30분간 초당 30 프레임으로 촬영된 저조도 야간 영상이다. 제 안한 알고리즘의 성능을 평가하기 위하여 기존의 히스토그램 이퀄라이징 선처리 검출 알고리즘 수행 시간 (Wong et al.
제안하는 알고리즘과 기존 히스토그램 이퀄라이징 검출 알고리즘을 통한 객체 감지 테스트를 위하여 다음 [Fig. 6]과 같이 실행 데이터를 이용한 총 33개의 세그먼트 이미지를 입력데이터로 하여 테스트를 진행하였다.

데이터처리

실험에 사용한 동영상은 해상도 800*600 크기로 30분간 초당 30 프레임으로 촬영된 저조도 야간 영상이다. 제 안한 알고리즘의 성능을 평가하기 위하여 기존의 히스토그램 이퀄라이징 선처리 검출 알고리즘 수행 시간 (Wong et al., 2009) 과 제안한 알고리즘과의 수행 시간을 측정하여 [Table 1]과 같이 비교하였다.

성능/효과

따라서 제안된 임계값 보다 낮은 값으로 특정 객체의 특징점을 추출하기 위한 알고리즘이 필요하다. 둘째, 추출되는 특징점이 적은 만큼 객체가 겹치는 경우에 객체를 인식하지 못하거나, 하나의 객체로 인식되는 경우가 발생되었다. 이에 따른 객체의 라벨링을 통해 객체 분할에 대한 연구가 필요하다.
제안한 알고리즘을 적용한 객체 검출 결과는 식 (3)에 의해 약 90% 이상의 객체 검출 성공률을 확인할 수 있었으며, 또한 기존 히스토그램 이퀄라이징 결과보다 약 30% 빠른 처리 속도를 확인할 수 있었다. 하지만 설정 범위를 벗어나는 예외 객체는 검출하지 못하는 상황이 발생하였고, 객체가 겹치는 경우에는 하나의 객체로 인식하여 특징점을 추출하는데 어려움이 발견되었다.
0 플랫폼에서 구현된 객체 검출 알고리즘을 컴파일했다. 제안한 알고리즘을 적용한 객체 검출의 결과는 평균 약 90% 이상 객체 검출 성공률을 확인할 수 있었으며, 기존의 히스토그램 이퀄라이징 결과에 비해 약 30% 빠른 처리 속도를 확인할 수 있었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	ADaboost를 이용한 Haar 특징점 선택 알고리즘의 문제점은 무엇인가?	본 논문에서는 저조도 야간 감시 시스템을 위한 열영상 기반의 객체 검출 알고리즘을 제안한다. 기존 Adaboost를 이용한 Haar 특징점 선택 알고리즘은 학습 샘플에 대한 유사하거나 중복되는 특징점의 선택 문제와 잡음에 취약한 경우가 많았다. 또한 저조도 야간 환경의 감시 영상에서 얻어지는 잡음을 특징점 세트에서 제거하고 빠르고 효율적인 실시간 특징점 선택이 이루어질 수 있게 가벼운 확장형 Haar 특징점과 Adaboost 학습 알고리즘을 사용하여 구현하였다.
	HOG의 특징은 무엇인가?	, 2006), 유사 Haar이 주 로 활용된다. HOG는 일반적으로 영상에서 특정 이미지의 경사도를 측정하여 해당 영상의 경계선의 양과 방 향을 구분하는 특성이 있다. 하지만 오버랩을 이용하여 계산하기 때문에 특정 영역이 아닌 모든 영역에 대한 히스토그램을 생성해야 하므로 연산량이 많다는 단점이 있다.
	Adaboost 학습 알고리즘을 CUDA 9.0 플랫폼으로 구현하였을때 시뮬레이션 결과는?	0 플랫폼으로 구현하여 시뮬레이션을 시행한다. 그 결과 객체 검출 결과는 성공률이 약 90% 이상임을 확인하였고, 이는 일반영상에 히스토그램 이퀄라이징 연산을 거쳐 얻어진 연산 결과보다 약 30% 더 빠른 처리 속도를 얻을 수 있었다.

참고문헌 (9)

Ahonen T., Hadid A. and Pietikaninen M.(2006), "Face description with local binary patterns: Application to face recognition," IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 28, no. 12, Dec., pp.2037-2041.

상세보기
Amini M. R.(2015), "AdaBoost Distribution 1.0," Universite Grenoble Alpes, July, p.13.
Messom C. H. and Barczak A. L. C.(2006), "Fast and Efficient Rotated Haar-like Features Using Rotated Integral Images," CVPR, ACRA2006, pp.1-6.
Patel1 H. A. and Thakore D. G.(2013), "Moving Object Tracking Using Kalman Filter," IJCSMC, vol. 2, Issue 4, April, pp.326-332.
Silva C., Bouwmans T. and Frelicot C.(2015), "An eXtended Center-Symmetric Local Binary Pattern for Background Modeling and Subtraction in Videos," Proceedings of the 10th International Conference on Computer Vision Theory and Applications, vol. 2, pp.395-402.
Wang X.(2009), "An HoG-LBP human detector with partial occlusion handling," Proceedings of International Conference on Computer Vision, pp.32-39.
Wong W. K. et al.(2009), "An Effective Surveillance System Using Thermal Camera," International Conference on Signal Acquisition and Processing, pp.13-17.
Zhang X., Gonnot T. and Saniie J.(2017), "Real-Time Face Detection and Recognition in Complex Background," Journal of Signal and Information Processing, Aug., pp.99-112.
Zhong G.(2001), Object Detection and Tracking in Video, Advances in Internet based systems and Applications.

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

저조도 야간 감시 시스템을 위한 열영상 기반 객체 검출 알고리즘
Thermal Imagery-based Object Detection Algorithm for Low-Light Level Nighttime Surveillance System 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

저조도 야간 감시 시스템을 위한 열영상 기반 객체 검출 알고리즘 Thermal Imagery-based Object Detection Algorithm for Low-Light Level Nighttime Surveillance System 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

성능/효과

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

장정욱 (6) 인치호 (76)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

저조도 야간 감시 시스템을 위한 열영상 기반 객체 검출 알고리즘
Thermal Imagery-based Object Detection Algorithm for Low-Light Level Nighttime Surveillance System 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper