[논문]Deep learning based Person Re-identification with RGB-D sensors

Kim, Min; Park, Dong-Hyun

doi:10.9708/jksci.2021.26.03.035

Deep learning based Person Re-identification with RGB-D sensors 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.26 no.3, 2021년, pp.35 - 42

Kim, Min (Dept. of Industrial & Management Engineering, Inha University) , Park, Dong-Hyun (Dept. of Industrial & Management Engineering, Inha University)

초록
AI-Helper

본 연구에서는 3차원 RGB-D Xtion2 카메라를 이용하여 보행자의 골격좌표를 추출한 결과를 바탕으로 동적인 특성(속도, 가속도)을 함께 고려하여 딥러닝 모델을 통해 사람을 인식하는 방법을 제안한다. 본 논문의 핵심목표는 RGB-D 카메라로 손쉽게 좌표를 추출하고 새롭게 생성한 동적인 특성을 기반으로 자체 고안한 1차원 합성곱 신경망 분류기 모델(1D-ConvNet)을 통해 자동으로 보행 패턴을 파악하는 것이다. 1D-ConvNet의 인식 정확도와 동적인 특성이 정확도에 미치는 영향을 알아보기 위한 실험을 수행하였다. 정확도는 F1 Score를 기준으로 측정하였고, 동적인 특성을 고려한 분류기 모델(JCSpeed)과 고려하지 않은 분류기 모델(JC)의 정확도 비교를 통해 영향력을 측정하였다. 그 결과 동적인 특성을 고려한 경우의 분류기 모델이 그렇지 않은 경우보다 F1 Score가 약 8% 높게 나타났다.

Abstract ▼ AI-Helper

In this paper, we propose a deep learning-based person re-identification method using a three-dimensional RGB-Depth Xtion2 camera considering joint coordinates and dynamic features(velocity, acceleration). The main idea of the proposed identification methodology is to easily extract gait data such as joint coordinates, dynamic features with an RGB-D camera and automatically identify gait patterns through a self-designed one-dimensional convolutional neural network classifier(1D-ConvNet). The accuracy was measured based on the F1 Score, and the influence was measured by comparing the accuracy with the classifier model (JC) that did not consider dynamic characteristics. As a result, our proposed classifier model in the case of considering the dynamic characteristics(JCSpeed) showed about 8% higher F1-Score than JC.

주제어

표/그림 (6)

그림 Fig. 1. An overview of person verification process.
그림 Fig. 2. Anatomical joint landmarks returned by Xtion 2 for Nuitrack SDK. Red points are used for model training (Left/Right Shoulder, Left/Right Elbow, Left/Right Wrist).
그림 Fig. 3. Frame data normalization using zero-padding method.
그림 Fig. 4. An overview of 1D-ConvNet
표 Table 1. Verification accuracies of classifiers based on different feature sets
그림 Fig. 5. Accuracy curves for JCSpeed model (a), JC model (b) and convergence curves for JCSpeed model (c), JC model (d).

AI 본문요약
AI-Helper

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

문제 정의

이러한 문제는 딥러닝 모델이 학습할 때 오류를 발생하게 되고 원활한 학습이 어렵게 된다. 따라서 본 연구에서는 제로 패딩 기법(Zero-padding)을 활용하여 문제를 해결하고자 하였다[27]. 제로 패딩기법이란 측정된 데이터의 잔여 부분에 0을 추가하는 방식으로, 이 방법으로 데이터의 크기를 균일하게 유지할 수 있는 장점이 있다.
본 논문에서는 ASUS사의 3차원 RGB-Depth Xtion2 카메라를 통해 수집한 인체관절 데이터(Skeletal data)를 자체적으로 구현한 1차원 합성곱 신경망(One Dimensional Convolutional Neural Network; 1D-ConvNet) 기반의딥러닝 모델에 대입하여 보행자의 신원을 예측하는 모델을 설계하였다.
본 논문에서는 RGB-D 카메라를 사용하여 조명변화와 옷차림, 가려짐과 같은 상황에서도 강건하게 사람을 식별하는 방법에 대해 제시하고자 하였다. 비교적 저렴한 3차원 RGB-Depth Xtion2 카메라를 사용하여 손쉽게 실시간으로 골격 정보를 추출하고 보행자의 동적인 특징인 움직임 속도와 가속도를 계산한 다음 자체적으로 고안한 1D-ConvNet 모델에 투입시켜 자동으로 사람을 식별하는 방법을 통해 기존의 한계점을 극복하고자 하였다.
본 연구에서는 3차원 RGB-Depth Xtion2 카메라를 사용하여 추출한 보행자의 인체골격 데이터(Skeletal data) 를 활용한 딥러닝 모델을 구축하고자 한다. 1.
본 연구에서는 딥러닝 기반으로 보행자의 보행 패턴을 인식하여 식별하는 방법을 제안하였다. 제안된 방법은 3차원 RGB-Depth Xtion2 카메라를 이용하여 인체골격 좌표뿐만 아니라 속도와 가속도 특성을 함께 고려하여 자체적으로 고안한 1차원 합성곱 신경망 알고리즘(1D-ConvNet) 을 학습시켜 효율적인 데이터처리 프로세스와 향상된 인식 성능을 확인하였다.
[18]은 열화상 카메라로 촬영된 영상을 이용한 HTI 모델을 제시하였다. 이 연구는 보행 영상 속 얼굴에서 허벅지 부분을 추출하여 인식 정확도를 유지하면서 인식 속도를 높이는 방법을 제시하였다. [19] 에서는 웨이블릿 변환을 이용한 다 해상도의 특징들과 골격추출 알고리즘을 이용하여 높은 인식 성능을 보였지만 인식 과정이 복잡하고 구동하는데 시간이 많이 소요되는 것으로 나타났다.
새롭게 생성하였다. 이러한 데이터를 기반으로 자체적으로 고안한 1차원 합성곱 신경망(One-Dimensional Convolutional Neural Network; 1D-ConvNet) 모델을학습시켜 기존의 방법보다 향상된 인식 성능을 확인하고자 하였다.

제안 방법

1. RGB-Depth 센서를 탑재한 Xtion2 카메라를 사용하여 사람을 탐지하고, 재인식을 위한 자동화 알고리즘의 고안.
그다음 6개의 상지 골격좌표만을 활용하여 속도, 가속도를 계산하고 딥러닝 모델에 투입하여 식별하도록 학습을 진행하였다. 이때 속도, 가속도가 식별 정확도에 미치는 영향을 알아보기 위해 인체골격 데이터만 가지고 딥러닝 모델을 학습시켜 동일한 방식으로 식별 정확도를 구한 다음두 모델을 서로 비교해보았다.
그다음 측정된 데이터에 피실험자의 이름이 기록하고, 6개의 상지 움직임 속도와 가속도 특성정보를 포함하여 데이터셋을 구축하였다.
앞서 언급한 바와 같이 1차원 합성곱 신경망 모델은 데이터의 주요한 특징을 학습하는 2개의 1차원 합성곱 층 (Conv1D)를 거치게 된다. 그다음, Flatten 층을 거쳐 추론 (Regression)을 담당하는 2개의 Dense 층을 통해 학습이 진행된다. Dense 층은 비선형 함수인 ReLU와 Soft max를 사용하였고, 최적화 알고리즘(Optimization)은 Adam을, 손실함수(Loss function)은 Categorical-cross-entropy, 학습속도(Learning rate)는 0.
것이 특징이다. 따라서 1초마다 측정된 30개의 프레임을 1개로 간주하여 그룹화한 다음 배치(Batch) 단위로 처리하는 과정을 통해 연산에 소요되는 시간을 획기적으로 단축시켰다. 마지막으로 배치화 된 각 데이터를 어느 보행자의 것인지 명시하는 라벨링 작업이 수행되었다.
측정된 인체골격 데이터를 전수 검사한 결과 오직 신체 좌표정보만으로는 특성(Feature)의 수가 부족하다고 판단하였고, 식별 성능을 개선하고자 각 관절의 속도(Velocity) 및 가속도(Acceleration) 특성을 새롭게 생성하였다. 따라서, 첫 번째 실험에서는 골격좌표(Joint Coordinate)뿐만 아니라 속도 및 가속도를 총괄적으로 학습한 모델(JCSpeed)의 결과를 살펴보고, 그 다음 골격좌표만 학습한 모델(JC)의 결과에 대하여 비교 분석하였다.
따라서 1초마다 측정된 30개의 프레임을 1개로 간주하여 그룹화한 다음 배치(Batch) 단위로 처리하는 과정을 통해 연산에 소요되는 시간을 획기적으로 단축시켰다. 마지막으로 배치화 된 각 데이터를 어느 보행자의 것인지 명시하는 라벨링 작업이 수행되었다.
본 논문에서 제안하는 1차원 합성곱 신경망으로 구성된 모델은 총 2개의 합성곱 층(Convolution Layer; Conv1D)과 추론을 담당하는 한 개의 Flatten 층, 그리고 두 개의 Dense 층으로 구성되어 있다(그림4). 마지막 층에서는 투입된 데이터가 어느 보행자의 것인지 확률로서 나타내게 된다.
본 논문에서는 1.2절에 소개된 방법을 통해 최대-최소정규화가 완료된 6개의 상지 신체좌표를 활용하여 속도 및 가속도 등의 신규 특성을 추출하여 학습에 활용하는 방식을 도입하였다. 사용한 속도 및 가속도 변환공식은 식(1), (2)와 같다.
본 논문에서는 전체 데이터 중 가장 길이가 큰 데이터 (T-max)를 기준으로 나머지 데이터의 길이를 제로 패딩 기법(Zero-padding)으로 일치시켰으며, 이에 대한 예시를 그림 3에 정리하였다.
본 논문은 이러한 한계점을 해결하기 위해 RGB-Depth 센서를 탑재한 ASUS Xtion2 카메라를 이용하여 실시간으로 보행자의 골격(Skeleton) 정보를 수집하였고, 동적인 특징을 새롭게 생성하였다. 이러한 데이터를 기반으로 자체적으로 고안한 1차원 합성곱 신경망(One-Dimensional Convolutional Neural Network; 1D-ConvNet) 모델을학습시켜 기존의 방법보다 향상된 인식 성능을 확인하고자 하였다.
방법에 대해 제시하고자 하였다. 비교적 저렴한 3차원 RGB-Depth Xtion2 카메라를 사용하여 손쉽게 실시간으로 골격 정보를 추출하고 보행자의 동적인 특징인 움직임 속도와 가속도를 계산한 다음 자체적으로 고안한 1D-ConvNet 모델에 투입시켜 자동으로 사람을 식별하는 방법을 통해 기존의 한계점을 극복하고자 하였다.
사람의 외형적 특징 중 하나인 색상정보를 학습하여 특정 사람에게 고유성을 부여하는 방법과[7], Superpixel 기반으로 색상과 텍스쳐 정보를 가우시안 혼합모델 (Gaussian Mixture Model; GMM)로 구분하는 방법[8], 사람의 신체부위를 범주화하여 학습하는 방법을 제시하였다[9]. 이러한 논문들의 공통점은 사람을 구별할 수 있는 특징으로 색상을 이용했다는 것이다.
앞에서 명시한 수식들로 인체골격 좌표, 속도, 가속도 데이터를 모두 학습한 JCSpeed 모델과 인체골격 좌표만 학습한 JC 모델의 범주별 Precision과 Recall 값을 각각 구하였고, 표 1에 정리하였다. 두 모델은 학습데이터의 특성만 다를 뿐 그 외의 모든 파라미터는 동일하게 적용하였다.
학습된 모델에 테스트 데이터를 투입하여 예측한 결과를 범주별로 정리했고 결과는 표 1에 정리하였다. 예측한 정답 중에서 실제 정답의 비율인 정밀도(Precision)와 실제 정답 중에서 예측한 정답의 비율인 재현율(Recall)을 구한 후 조화평균을 사용한 F1 score를 구하여 모델의 성능을 평가하였다. 정밀도, 재현율, F1 Score를 구하는 식은 (3), (4), (5)와 같다.
그다음 6개의 상지 골격좌표만을 활용하여 속도, 가속도를 계산하고 딥러닝 모델에 투입하여 식별하도록 학습을 진행하였다. 이때 속도, 가속도가 식별 정확도에 미치는 영향을 알아보기 위해 인체골격 데이터만 가지고 딥러닝 모델을 학습시켜 동일한 방식으로 식별 정확도를 구한 다음두 모델을 서로 비교해보았다.
측정된 인체골격 데이터를 전수 검사한 결과 오직 신체 좌표정보만으로는 특성(Feature)의 수가 부족하다고 판단하였고, 식별 성능을 개선하고자 각 관절의 속도(Velocity) 및 가속도(Acceleration) 특성을 새롭게 생성하였다. 따라서, 첫 번째 실험에서는 골격좌표(Joint Coordinate)뿐만 아니라 속도 및 가속도를 총괄적으로 학습한 모델(JCSpeed)의 결과를 살펴보고, 그 다음 골격좌표만 학습한 모델(JC)의 결과에 대하여 비교 분석하였다.
피실험자로 하여금 약 1.5m 거리에서부터 카메라를 정면으로 두고 평상시 보행속도를 유지하며 걷도록 지시하였고, 이 과정을 촬영하였다. 카메라는 지면으로부터 180cm 높이에 설치하였고, 그 외 부수적인 실험계는 선행연구 [28]를 참고하여 구성하였다.
Nuitrack SDK를 통해 추출할 수 있는 인체 골격은 그림 2에 나타낸 바와 같이 총 20개이다. 하지만, 본 논문에서는 딥러닝 모델 학습 파라미터 수를 줄여 경량화하기 위하여 신체 양측의 가장 대표적인 어깨(Shoulder), 팔꿈치(Elbow), 손목(Wrist)와 같은 상지(Upper-body) 정보만을 활용하여 딥러닝 모델을 학습하였다.
학습된 모델의 성능을 검증하기 위하여 총 34명의 피실험자를 섭외하여 30FPS 속도로 골격좌표 정보를 추출하였다. 그다음 측정된 데이터에 피실험자의 이름이 기록하고, 6개의 상지 움직임 속도와 가속도 특성정보를 포함하여 데이터셋을 구축하였다.
0000045로 설정하였다. 훈련 데이터셋(Training dataset)과 검증 데이터셋 (Validation dataset)은 80:20 비율로 나누어 총 4000번의 학습을 수행하였다.

대상 데이터

추출하였다. Nuitrack SDK를 통해 추출할 수 있는 인체 골격은 그림 2에 나타낸 바와 같이 총 20개이다. 하지만, 본 논문에서는 딥러닝 모델 학습 파라미터 수를 줄여 경량화하기 위하여 신체 양측의 가장 대표적인 어깨(Shoulder), 팔꿈치(Elbow), 손목(Wrist)와 같은 상지(Upper-body) 정보만을 활용하여 딥러닝 모델을 학습하였다.
두 방식 모두 자체적으로 고안한 1차원 합성곱 신경망 모델(1D-ConvNet)을 통해 34명의 보행자를 식별하도록 훈련하였다. 앞서 언급한 바와 같이 1차원 합성곱 신경망 모델은 데이터의 주요한 특징을 학습하는 2개의 1차원 합성곱 층 (Conv1D)를 거치게 된다.
본 논문에서는 1대의 ASUS사의 3차원 RGB-Depth Xtion2 카메라를 사용하여 정면으로 걸어오는 사람의 보행 자세를 촬영한 뒤 Nuitrack SDK를 통해 인체골격 데이터를 추출하였다. Nuitrack SDK를 통해 추출할 수 있는 인체 골격은 그림 2에 나타낸 바와 같이 총 20개이다.
본 연구에서는 앞서 그림 2에 나타낸 바와 같이 Nuitrack SDK를 통해 20개의 골격좌표를 추출하였다. 그다음 6개의 상지 골격좌표만을 활용하여 속도, 가속도를 계산하고 딥러닝 모델에 투입하여 식별하도록 학습을 진행하였다.
본 연구에서는 총 34명의 보행자(남: 23명, 여: 11명)를대상으로 수집한 인체골격 데이터를 활용하여 모델을 학습시키고, 식별 정확도를 검증하는 실험을 수행하였다. 측정된 인체골격 데이터를 전수 검사한 결과 오직 신체 좌표정보만으로는 특성(Feature)의 수가 부족하다고 판단하였고, 식별 성능을 개선하고자 각 관절의 속도(Velocity) 및 가속도(Acceleration) 특성을 새롭게 생성하였다.
본 연구에서는 학습시킬 딥러닝 모델의 경량화 및 연산을 최소화하기 위하여 20개의 탐지 가능한 전체 신체 좌표 중 6개의 상지 좌표만 선별하는 기능을 추가하였고 데이터를 선별하여 사용하였다.
5m 거리에서부터 카메라를 정면으로 두고 평상시 보행속도를 유지하며 걷도록 지시하였고, 이 과정을 촬영하였다. 카메라는 지면으로부터 180cm 높이에 설치하였고, 그 외 부수적인 실험계는 선행연구 [28]를 참고하여 구성하였다.

이론/모형

그다음, Flatten 층을 거쳐 추론 (Regression)을 담당하는 2개의 Dense 층을 통해 학습이 진행된다. Dense 층은 비선형 함수인 ReLU와 Soft max를 사용하였고, 최적화 알고리즘(Optimization)은 Adam을, 손실함수(Loss function)은 Categorical-cross-entropy, 학습속도(Learning rate)는 0.0000045로 설정하였다. 훈련 데이터셋(Training dataset)과 검증 데이터셋 (Validation dataset)은 80:20 비율로 나누어 총 4000번의 학습을 수행하였다.
3. Frame data normalization using zero-padding method.
비교적 간단한 1차원 합성곱 신경망 구조(1D-ConvNet) 의 모델을 구성하여 추출된 보행 데이터를 학습시키고, 이를 통해 효율적이고 높은 정확도의 다중 분류기 모델 (Multi-Class Classification Model)을 얻을 수 있다.

성능/효과

그림 5의 (a), (b)의 학습 진행 과정을 살펴보면 JCSpeed, JC 모두 모델의 정확도가 우상향하는 그래프를 보였다. 이 중 JCSpeed의 경우 손실(Loss) 그래프(그림 5 의 c)에서 훈련 데이터셋과 검증 데이터셋의 차이가 두드러지게 나타났고, 이러한 차이는 훈련 시와 검증 시 식별정확도에 차이가 있음을 알려준다.
2. 식별 정확도를 높이기 위한 보행자의 동적인 특성(속도, 가속도)의 추가적인 생성을 통한 딥러닝 모델의 정확도 개선.
Precision과 Recall 값들의 전체적인 평균을 구했을 때 JCSpeed 모델의 훈련(검증) Precisione 0.98(0.93), Recalle 0.95(0.93)로 확인되었다. 이를 토대로 모델의 전체적인 성능을 나타내는 F1 Score를 계산했을 때 훈련 (검증) F1 Score는 0.
두 모델의 정확도를 비교해보면 속도와 가속도 특성을 모두 학습한 JCSpeed이 약 0.09 높은 수치가 확인되었다. 이 결과를 통해 보행자의 두드러진 보행 패턴 특성이 사람의 신원을 식별하는데 더욱 큰 영향을 미쳤다고 해석할 수 있다.
93)로 확인되었다. 이를 토대로 모델의 전체적인 성능을 나타내는 F1 Score를 계산했을 때 훈련 (검증) F1 Score는 0.98(0.95)로 각각 나타났다. 반면, JC 모델의 경우 훈련(검증) Precisione 0.
95를 보였다. 이처럼 상지 신체부위의 동적인 특성을 학습한 모델 (JCSpeed)이 그렇지 않은 경우(JC)보다 약 0.08정도 높은 정확도를 보였다. 여기서 0.
식별하는 방법을 제안하였다. 제안된 방법은 3차원 RGB-Depth Xtion2 카메라를 이용하여 인체골격 좌표뿐만 아니라 속도와 가속도 특성을 함께 고려하여 자체적으로 고안한 1차원 합성곱 신경망 알고리즘(1D-ConvNet) 을 학습시켜 효율적인 데이터처리 프로세스와 향상된 인식 성능을 확인하였다.
학습된 모델의 성능은 전체 데이터 세트에서 학습에 사용하지 않은 20%의 테스트 데이터 세트를 통해 검증하였다. 학습된 모델에 테스트 데이터를 투입하여 예측한 결과를 범주별로 정리했고 결과는 표 1에 정리하였다.
훈련용 데이터로 측정한 모델(JCSpeed)의 F1-score는 0.98을 보였고, 검증 데이터셋에 대한 정확도는 0.95를 보였다. 이처럼 상지 신체부위의 동적인 특성을 학습한 모델 (JCSpeed)이 그렇지 않은 경우(JC)보다 약 0.

후속연구

[20]에서는 보행자의 머리, 몸통, 다리 부분을 분리한 다음 신체 부위를 좌우로 이동시키거나 회전 시켜 SEI 모델을 생성하였고 GSP 방법을 통해 다양한 자세로 인한 구조적인 변화에도 정확하게 인식하는 방법을 제시하였다. 그러나 이 연구에서 사람의 정면이나 대각선 방향에서 촬영된 경우는 고려하지 않았고 오직 옆 모습 영상만을 활용했다는 점에서 한계가 있다. [13]에서는 GEI와 GEnIs를 이용하여 각 영상을 아주 작은 Window 형태로 분할한 후 Random Window Subspace Method(RWSM) 기법을 활용하여 옷차림의 변화에도 인식률을 유지하는 방법을 제시하였다.
것으로 보인다. 동시에 여러 명이 움직이는 상황에서 겹쳐지는 현상이 발생할 때 인식률의 저하를 최소화하는 방안에 관한 연구가 필요하다고 판단된다. 또한, 본 연구는 실험실의 제한된 조건에서 실험을 통해 제안하고자 하는 방법의 우수성을 입증하였으나, 향후 다양한 조건의 환경과 실제 적용현장에 적용하여 실험 결과의 객관성과 일관성을 확보할 수 있는 연구를 수행할 계획이며, 실시간 신체 골격정보 추출이 가능한 딥러닝 모델을 활용하여 센서 장비 없이도 정확하게 사람을 식별하는 방법에 관한 연구를 수행할 계획이다.
출입이 가능할 것으로 예상된다. 또한, 감시가 필요한 지역에서 보행자의 수상한 행동을 탐지 및 분류하도록 응용한다면 소수의 감시인력으로 더욱 효율적인 보안시스템 운영이 가능할 것으로 예상된다.
동시에 여러 명이 움직이는 상황에서 겹쳐지는 현상이 발생할 때 인식률의 저하를 최소화하는 방안에 관한 연구가 필요하다고 판단된다. 또한, 본 연구는 실험실의 제한된 조건에서 실험을 통해 제안하고자 하는 방법의 우수성을 입증하였으나, 향후 다양한 조건의 환경과 실제 적용현장에 적용하여 실험 결과의 객관성과 일관성을 확보할 수 있는 연구를 수행할 계획이며, 실시간 신체 골격정보 추출이 가능한 딥러닝 모델을 활용하여 센서 장비 없이도 정확하게 사람을 식별하는 방법에 관한 연구를 수행할 계획이다.
본 연구에서 제안하는 JCSpeed 모델을 출입 게이트 (Gate)에 적용한다면 데이터베이스에 동적인 특징을 등록한 사람은 통과 시 별도의 카드나 신분증을 표찰하지 않고도 출입이 가능할 것으로 예상된다. 또한, 감시가 필요한 지역에서 보행자의 수상한 행동을 탐지 및 분류하도록 응용한다면 소수의 감시인력으로 더욱 효율적인 보안시스템 운영이 가능할 것으로 예상된다.
향후 다양한 환경과 복잡한 환경에서 데이터베이스를 구축하여 좀 더 일반적인 실험 결과 입증에 관한 연구가 필요할 것으로 보인다. 동시에 여러 명이 움직이는 상황에서 겹쳐지는 현상이 발생할 때 인식률의 저하를 최소화하는 방안에 관한 연구가 필요하다고 판단된다.

참고문헌 (28)

R. Collins, A. Lipton, T. Kanade, "A System for Video Surveillance and Monitoring", Proc. Am. Nuclear Soc. (ANS) Eighth Int'l Topical Meeting Robotic and Remote Systems, April, 1999.
B. Huang et al., "Sparsity-based occlusion handling method for person re-identification" in Multimedia Modeling, Cham, Switzerland:Springer, 2015.
Y. Huang, S. Luo, E. Chen, "An Efficient Iris Recognition System", Proc. First Int'l Conf. Machine Learning and Cybernetics, pp. 450-454, Nov 2002.
S. Modi, S. Elliott, J. Whetsone, and H. Kim, "Impact of age groups on fingerprint recognition performance," in IEEE Workshop on Automatic Identification Advanced Technologies, pp. 19-23, 2007.
L. Deng, G. Hinton, B. Kingsbury, "New types of deep neural network learning for speech recognition and related applications: An overview", Proc. IEEE Int. Conf. Acoust. Speech Signal Process., pp. 8599-8603, 2013.
G. Johansson, "Visual Motion Perception", Scientific Am., vol. 232, pp. 76-88, 1975.
Z. Wu, Y. Li and R. J. Radke, "Viewpoint Invariant Human Re-Identification in Camera Networks Using Pose Priors and Subject-Discriminative Features," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 37, no. 5, pp. 1095-1108, 1 May 2015, doi: 10.1109/TPAMI.2014.2360373.

상세보기
Shu, Guang. "Human detection, tracking and segmentation in surveillance video." (2014).
S. Zhiyuan, M. Timothy, "Transferring a Semantic Representation for Person Re-Identification and Search," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, pp. 4184-4193
T. Dutta, "Evaluation of the Kinect sensor for 3-D kinematic measurement in the workplace", Appl. Ergonom., vol. 43, no. 4, pp. 645-649, Jul. 2012.

상세보기
B. Bonnechere, B. Jansen, P. Salvia, H. Bouzahouene, L. Omelina, F. Moiseev, V. Sholukha, J. Cornelis, M. Rooze, S. Van Sint Jan, "Validity and reliability of the Kinect within functional assessment activities: Comparison with standard stereophotogram metry", Gait & Posture, vol. 39, no. 1, pp. 593-598, 2014.

상세보기
C. BenAbdelkader and R. Cutler, "View invariant estimation of height and stride for gait recognition", Workshop on Biometric Authentication ECCV, pp.15-167, May 2002.
M. S. Islam, and M. R. Islam, "Window based clothing invariant gait recognition", International Conference on Advances in Electrical Enginering(ICAEE), pp. 411-414, 2013
J. J. Litle and J. E. Boyd, "Recognition people by their gait: the shape of motion", Videre, vol. 1, no. 2, 1998.
L. Le, and W. E. L Grimson, "Gait apearance for recognition", Workshop on Biometric Authentication ECCV, pp. 143-154, 2002.
Q. -S. Li, Z. -T. Lu and D. -D. Zhang, "Integration of Gait and Side Face for Human Recognition in Video," 2009 Second International Symposium on Electronic Commerce and Security, Nanchang, 2009, pp. 65-69, doi: 10.1109/ISECS.2009.202.
A. Kale, A. K. R. Chowdhury, R. Chelapa, "Towards a view invariant gait recognition algorithm", Advanced video and signal based surveilance IEEE Conference on, pp. 143-150, July 2003.
D. Tan, K. Huang, S. Yu, and T. Tan, "Efficient night gait recognition based on template matching", The 18th International Conference on Patern Recognition(ICPR), vol. 3, pp. 100-103, August 2006.
Z. Xue, D. Ming, W. Song, B Wan, and S. Jin, "Infrared gait recognition based on wavelet transform and suport vector machine", Patern Recognition, vol. 43, no. 8, pp. 2904-2910, August 2010.
Xiaxi Huang, N. V. Boulgouris, "Gait recognition with shifted energy image and structural feature extraction", Image Procesing, IEEE Transaction on, Vol. 21, pp. 256-268, April 2012.
S.D. Khan and H. Ullah, "A Survey of Advances in Vision-based Vehicle Re-identification," Computer Vision and Image Understanding, Vol. 182, pp. 50-63, 2019.

상세보기
Q. Leng, M. Ye, and Q. Tian, "A Survey of Open-world Person Re-identification," IEEE Transactions on Circuits and Systems for Video Technology, Vol. 30, No. 4, pp. 1092-1108, 2019

상세보기
E. Ahmed, M. Jones, and T. K. Marks, "An Improved Deep Learning Architecture for Person Re-Identification," Proceedings of the IEEE conference on computer vision and pattern recognition. pp.3908-3916, 2015.
L. Zheng, Y. Huang, H. Lu and Y. Yang, "Pose Invariant Embedding for Deep Person Re-Identification," IEEE Transactions on Image Processing, pp.4500-4509, 2019. DOI: 10.1109/TIP.2019.2910414

상세보기
D. Wang, N. Canagarajah, D. Redmill and D. Bull, "Multiple description video coding based on zero padding," 2004 IEEE International Symposium on Circuits and Systems (IEEE Cat. No.04CH37512), Vancouver, BC, 2004, pp. II-205, doi: 10.1109/ISCAS.2004.1329244.
M. Kostinger, M. Hirzer, P. Wohlhart, P. M. Roth and H. Bischof, "Large scale metric learning from equivalence constraints," 2012 IEEE Conference on Computer Vision and Pattern Recognition, Providence, RI, 2012, pp. 2288-2295, doi: 10.1109/CVPR.2012.6247939.
A. W. M. Smeulders, D. M. Chu, R. Cucchiara, S. Calderara, A. Dehghan and M. Shah, "Visual Tracking: An Experimental Survey," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 36, no. 7, pp. 1442-1468, July 2014, doi: 10.11 09/TPAMI.2013.230.

상세보기
Manghisi, Vito Modesto, et al. "Real time RULA assessment using Kinect v2 sensor." Applied ergonomics 65 (2017): 481-491.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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