[논문]레이다 및 카메라 내장형 스마트 조명에서 실종자 탐지용 색상 검출 향상 기법

송승언; 김상동; 진영석; 이종훈

doi:10.9723/jksiis.2020.25.3.053

초록
AI-Helper

본 논문은 레이더와 카메라를 이용한 스마트 조명 시스템에서 실종자 탐지를 위한 색상 검출 방안을 제안한다. 최근 레이더와 카메라가 내장된 스마트 조명 시스템이 에너지 절약과 동시에 효율적인 실종자 검색에 도움이 된다고 보고 된 바 있다. 스마트 조명 시스템에서 레이다 센서는 조명 주변에 움직임을 감지한다. 조명 주변에서 움직임이 감지되면, 조명이 작동하고 카메라는 녹화기능을 수행한다. 여기서, 스마트 조명에 녹화된 영상은 실종자를 탐색하는 데 활용한다. 특히, 녹화된 영상에서 실종된 사람이 입고 있는 옷의 색상은 실종자를 찾는 데 중요한 단서 중의 하나이다. 이러한단서인 옷의 색상을 식별하기 위한 방법으로 색상 검출을 활용한다. 또한, 색상 검출 과정에서 배경의 영향을 줄이기 위해서 대상체를 고려한 ROI(Region of interest)를 적용한다. 실험 결과에 따르면, ROI를 적용한 경우 색상 검출의 정확도는 97% 이상을 보였다.

Abstract ▼ AI-Helper

This paper proposes color segmentation for detecting missing persons in a smart lighting system using radar and camera sensors. Recently, smart lighting systems built-in radar and cameras have been efficient in saving energy and searching for missing persons, simultaneously. In smart lighting system...

This paper proposes color segmentation for detecting missing persons in a smart lighting system using radar and camera sensors. Recently, smart lighting systems built-in radar and cameras have been efficient in saving energy and searching for missing persons, simultaneously. In smart lighting systems, radar detects moving objects and then the lights turn on and camera records. The video recorded is useful to find out missing persons. The color of their clothes worn in missing persons is one of critical hints to look for missing persons. Therefore, color segmentation is an effective means for detecting the color of their clothes. In this paper, during the color segmentation step, the ROI(Region of interest) setting based on the size of an object is applied and the background is reduced. According to experimental results, the color segmentation has good accuracy of more than 97%.

주제어

표/그림 (10)

그림 Fig. 1 Smart Lighting System
그림 Fig. 2 Smart Lighting Functional Blocks based on Radar and Camera Sensor
그림 Fig. 3 Color Segmentation Algorithm
그림 Fig. 4 Transform RGB Cube to HSV Cylinder
그림 Fig. 5 ROI
그림 Fig. 7 H-Region Color in HSV
그림 Fig. 8 Segmentation H-Region Color in HSV
그림 Fig. 9 Experiment Environment
그림 Fig. 6 ROI Mask
표 Table 1 Color Detection Result

AI 본문요약
AI-Helper

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

문제 정의

Wi-Fi 통신을 사용 하면 녹화된 비디오를 스마트폰이나 태블릿 PC 와 같은 모바일 전자 패드에서 편리하게 다운로드하고 확인할 수 있다. 본 논문에서는 스마트 조명 시스템에서 실종자 탐색을 위해서 녹화된 영상에서 실종자의 착용의상과 유사한 색 검출을 수행하는 방법을 제안한다.
실종된 사람이 입는 옷의 특정 색은 실종된 사람을 찾는 중요한 단서이다. 이에 본 논문에서는 스마트 조명의 색 검출기반 실종자 탐지기술을 제안한다. 이때, 실종자의 옷 색상과 배경색상의 유사성에 의해서 실종자 탐지의 정확도가 열화되는 문제가 발생한다.
이때, 실종자의 옷 색상과 배경색상의 유사성에 의해서 실종자 탐지의 정확도가 열화되는 문제가 발생한다. 이러한 문제를 해결하기 위해서 조명의 설치 위치와 대상체의 크기를 고려한 결정한 관심영역(Region of interest: ROI)를 미리 설정함으로써 배경색상에 의한 정확도를 개선하고자 한다.
실종된 사람이 입는 옷의 특정 색은 실종된 사람을 찾는 중요한 단서이다. 이에 본 논문에서는 스마트 조명의 색 검출기반 실종자 탐지기술을 제안한다. 이때, 실종자의 옷 색상과 배경색상의 유사성에 의해서 실종자 탐지의 정확도가 열화되는 문제가 발생한다.
실종 지역의 모든 CCTV 영상을 사람이 메뉴얼로 영상마다 관찰하는 것은 상당한 노력과 시간적 소요된다. 이에 본 논문에서는 실종자를 찾기 위해 레이다 및 카메라가 내장된 스마트 조명 에서 색 검출 기반 실종자 탐지 기술을 제안하였다. 색 검출 성능을 향상하기 위해서 조명의 설치 위치와 대상체의 크기를 고려해서 결정한 관심영역을 적용하는 방법을 제안하고, 실험 결과 91%의 재현율과 97%의 정확도의 색 검출 결과를 확인할 수 있었다.

제안 방법

하지만, 이러한 RGB 형식은 색을 직관적으로 알기 어려운 단점이 있다. 본 논문에서는 RGB 형식을 HSV 형식으로 변환한다. HSV 형식은 색을 Hue, Saturation, Value의 비율로 나타낸다 (Naik and Murthy, 2003).
색 검출 알고리즘에서 색 검출 성능을 검증하기 위해서 Fig. 9와 같이 지정된 색 판자를 들고 움직이며 영상을 촬영하였다. 촬영된 영상에서도 주차된 자동차나 건물과 같은 불필요한 정보를 제거하기 위해서 색 검출 알고리즘에서 카메라에서 5m에서 7m까지의 거리범위와 3m의 폭을 특정할 수 있는 별도의 ROI Mask를 적용하였다.
7과 같이 경계의 구분이 없이 연속적으로 존재한다. 이런 연속적인 특성은색의 경계 구분이 어렵기 때문에 본 논문에서는 Fig. 8과 같이 색 분할을 명확하게 하기 위해서 색을 묶음 처리함으로써 색마다 분명한 경계 구분처리 한다.
9와 같이 지정된 색 판자를 들고 움직이며 영상을 촬영하였다. 촬영된 영상에서도 주차된 자동차나 건물과 같은 불필요한 정보를 제거하기 위해서 색 검출 알고리즘에서 카메라에서 5m에서 7m까지의 거리범위와 3m의 폭을 특정할 수 있는 별도의 ROI Mask를 적용하였다.

이론/모형

스마트 조명 시스템은 Song et al. (2018)이 제안한 방법으로 LED 조명, 레이다, CCTV 카메라, Wi-Fi 네트워크 및 외부 메모리 모듈로 구성된다. Fig.

성능/효과

Table 1은 ROI Mask를 적용한 경우, 색 검출 알고리즘 수행 결과를 보여준다. 개별 색의 재현율은 주황색과 푸른색을 제외하고 대략 98% 성능이고, 주황색과 푸른색의 재현율도 91% 이상의 성능을 나타내었다. 개별 색의 정밀도는 붉은색을 제외하고 대략 99% 이상의 성능을 나타내고, 붉은 색도 대략 90% 이상의 성능을 나타내었다.
개별 색의 재현율은 주황색과 푸른색을 제외하고 대략 98% 성능이고, 주황색과 푸른색의 재현율도 91% 이상의 성능을 나타내었다. 개별 색의 정밀도는 붉은색을 제외하고 대략 99% 이상의 성능을 나타내고, 붉은 색도 대략 90% 이상의 성능을 나타내었다. 개별 색의 정확도 (Accuracy: #)는 실험에 사용된 모든 색에서 대략 97% 이상의 성능을 나타내었다.
본 논문에서는 색을 입힌 판자로 색을 검출하였지만, 색 검출을 통하여 실종 당시의 옷의 색을 검출하면, 사람이 일일이 CCTV 영상을 분석하지 않아도 색이 검출된 영상만을 분석함으로서 영상 분석 시간을 줄일 수 있다. 배경 ROI 기법을 적용하는 경우 색 검출의 정밀도는 22%에서 90% 로 향상되었고, 실종자를 탐지하는데 유용하게 활용될 수 있는 수준으로 여겨진다.
이에 본 논문에서는 실종자를 찾기 위해 레이다 및 카메라가 내장된 스마트 조명 에서 색 검출 기반 실종자 탐지 기술을 제안하였다. 색 검출 성능을 향상하기 위해서 조명의 설치 위치와 대상체의 크기를 고려해서 결정한 관심영역을 적용하는 방법을 제안하고, 실험 결과 91%의 재현율과 97%의 정확도의 색 검출 결과를 확인할 수 있었다. 추후 배경 영향을 더욱 줄이기 위하여 영상에서 움직임을 탐지하는 Optical Flow 등과 같은 방식을 적용하여 정교한 ROI를 적용하면 색 검출 알고리즘에서 더 나은 성능이 나타날 것이라 여겨진다.

후속연구

색 검출 성능을 향상하기 위해서 조명의 설치 위치와 대상체의 크기를 고려해서 결정한 관심영역을 적용하는 방법을 제안하고, 실험 결과 91%의 재현율과 97%의 정확도의 색 검출 결과를 확인할 수 있었다. 추후 배경 영향을 더욱 줄이기 위하여 영상에서 움직임을 탐지하는 Optical Flow 등과 같은 방식을 적용하여 정교한 ROI를 적용하면 색 검출 알고리즘에서 더 나은 성능이 나타날 것이라 여겨진다.

질의응답

핵심어	질문	논문에서 추출한 답변
	RGB 형식은 무엇인가?	스마트조명에 녹화된 영상은 RGB 형식으로 저장되어 있다. RGB 형식은 색을 Red, Green, Blue 비율로 표현하는 방법이다. 하지만, 이러한 RGB 형식은 색을 직관적으로 알기 어려운 단점이 있다.
	RGB 형식의 단점은 무엇인가?	RGB 형식은 색을 Red, Green, Blue 비율로 표현하는 방법이다. 하지만, 이러한 RGB 형식은 색을 직관적으로 알기 어려운 단점이 있다. 본 논문에서는 RGB 형식을 HSV 형식으로 변환한다.
	색 검출 기반 실종자 탐지 기술을 제안 된 이유는?	실종 지역의 모든 CCTV 영상을 사람이 메뉴얼로 영상마다 관찰하는 것은 상당한 노력과 시간적 소요된다. 이에 본 논문에서는 실종자를 찾기 위해 레이다 및 카메라가 내장된 스마트 조명 에서 색 검출 기반 실종자 탐지 기술을 제안하였다.

참고문헌 (12)

Chew, I., Karunatilaka, D. Tan, C., and Kalavally, V. (2017). Smart Lighting: The Way Forward? Reviewing the Past to Shape the Future, Energy and Buildings, 149, 180-191, https://doi.org/10.1016/j.enbuild.2017.04.083.

상세보기
Chun, J., Lee, H., Sohn, J., and Kim, T. (2014). Development of a FMCW Radar using a Compensation Algorithm for VCO Nonlinearity, Journal of the Korea Industrial Information Systems Research, 19(1), 25-30, https://doi.org/10.9723/jksiis.2014.19.1.025

원문보기 상세보기
Hyun, E., Jin, Y., and Lee, J. (2016). A Pedestrian Detection Scheme using a Coherent Phase Difference Method based on 2D Range-Doppler FMCW Radar, Sensros, 16(1), 124-136, https://doi.org/10.3390/s16010124.

상세보기
Kim, B., Kim, S., and Lee, J. (2018). A Novel DFT-Based DOA Estimation by a Virtual Array Extension Using Simple Multiplications for FMCW Radar, Sensros, 18(5), 1560-1576, https://doi.org/10.3390/s18051560.

상세보기
Kim, S., Kim, B., and Lee, J. (2017). Low-complexity Spectral Partitioning Based Music Algorithm for Automotive Radar, Elektronika ir Elektrotechnika, 23(4), 33-38, https://doi.org/10.5755/j01.eie.23.4.18719.

상세보기
Korean National Police Agency, (2019). 2018 Police Statistical Yearbook, Statistical Yearbook, 62, 102-102.
Kovacs, A., Batai, R., Csaji, B., Dudas, P., Hay, B., Pedone, G., Revesz, T., and Vancza, J. (2016). Intelligent Control for Energy-positive Street Lighting, Energy, 114, 40-51, https://doi.org/10.1016/j.energy.2016.07.156.

상세보기
Lee, D., Chung, D. Shin, H., Yang, H., Kim, S., Kim, B., and Jin, Y. (2019). Increment Method of Radar Range using Noise Reduction, Journal of the Korea Industrial Information Systems Research, 24(6), 1-10, 10.9723/jksiis.2019.24.6.001

원문보기 상세보기
Naik, S., and Murthy, C. (2003), Hue-preserving Color Image Enhancement without Gamut Problem, IEEE Transactions on Image Processing, 12(12), 1591-1598, https://doi.org/10.1109/TIP.2003.819231.

상세보기
Song, S., Kim, S., Jin, Y., Lee. D., and Lee, J. (2018). A New Proposal of Smart Lighting System based on Radar and Camera Sensors for Smart City, 2018 International Conference on Computational Science and Computational Intelligence, Dec. 12-14, Las Vegas, USA.
Yun, S., and Lyou, J. (2014). Flight Trajectory Generation through Post-processing of Launch Vehicle Tracking Data, Journal of the Korea Industrial Information Systems Research, 19(6), 53-61.
Zou, H., Zhou, Y., Jiang, H., Chien, S., Xie, L., and Spanos, C. (2018). WinLight: A WiFi-based Occupancy-driven Lighting Control System for Smart Building, Energy and Buildings 158, 924-938, https://doi.org/10.1016/j.enbuild.2017.09.001.

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

레이다 및 카메라 내장형 스마트 조명에서 실종자 탐지용 색상 검출 향상 기법
Enhancement Techniques of Color Segmentation for Detecting Missing Persons in Smart Lighting System using Radar and Camera Sensors 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

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

레이다 및 카메라 내장형 스마트 조명에서 실종자 탐지용 색상 검출 향상 기법 Enhancement Techniques of Color Segmentation for Detecting Missing Persons in Smart Lighting System using Radar and Camera Sensors 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

레이다 및 카메라 내장형 스마트 조명에서 실종자 탐지용 색상 검출 향상 기법
Enhancement Techniques of Color Segmentation for Detecting Missing Persons in Smart Lighting System using Radar and Camera Sensors 원문보기

초록
AI-Helper

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper