[논문]적응적 가우시안 혼합 모델을 이용한 불법주정차 무인단속시스템

염성관; 신성윤; 신광성; 박상현

doi:10.6109/jkiice.2021.25.3.396

적응적 가우시안 혼합 모델을 이용한 불법주정차 무인단속시스템
Unmanned Enforcement System for Illegal Parking and Stopping Vehicle using Adaptive Gaussian Mixture Model 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.3, 2021년, pp.396 - 402

염성관 (Dept. of Information & Communication Engineering, Wonkwang University) , 신성윤 (Dept. of Computer Information Engineering, Kunsan National University) , 신광성 (Dept. of Digital Contents Engineering, Wonkwang University) , 박상현 (Management Support Team, DICS Vision)

초록
AI-Helper

최근 스마트 도시를 구축하기 위해 무인 차량 관제 시스템의 보급이 활성화 되고 있다. 본 논문은 적응적 배경영상 모델링 방법을 이용한 불법주정차 무인단속시스템에 관한 것으로서, 적응적 가우시안 혼합 모델로 배경 영상을 모델링할 때, 이동 물체의 상황 변화에 따라 전역적으로 배경 영상을 업데이트하거나 국소적으로 배경 영상을 업데이트하는 방법에 대해 기술한다. 특히, 이동 물체가 배경 영상에 미치는 영향을 최소화하는 방법과 배경 영상을 정확하게 업데이트하기 위한 방법을 제안한다. 본 논문에서는 시스템의 구현을 통해 제안하는 시스템이 이동하고 있는 물체 또는 정지상태의 물체를 신속하고 정확하게 구분할 수 있음을 증명하였다.

Abstract ▼ AI-Helper

As the world is trying to establish smart city, unmanned vehicle control systems are being widely used. This paper writes about an unmanned parking control system that uses an adaptive background image modeling method, suggesting the method of updating the background image, modeled with an adaptive Gaussian mixture model, in both global and local way according to the moving object. Specifically, this paper focuses on suggesting two methods; a method of minimizing the influence of a moving object on a background image and a method of accurately updating the background image by quickly removing afterimages of moving objects within the area of interest to be monitored. In this paper, through the implementation of the unmanned vehicle control system, we proved that the proposed system can quickly and accurately distinguish both moving and static objects such as vehicles from the background image.

주제어

표/그림 (2)

그림 Fig. 1 Region of interest setting and background image processing
표 Table. 1 Results

AI 본문요약
AI-Helper

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

문제 정의

본 논문의 목적은, 감시할 관심영역 내에서 이동 물체의 이동 상황에 맞게 배경 영상을 모델링하여서 멈추었다가 이동하는 물체의 잔상을 신속하게 제거함으로써 배경 영상을 정확하게 모델링할 수 있는 적응적 배경영상 모델링 방법을 제공하는 것이다. 본 논문의 다른 목적으로 차량의 이동 상황에 대해 대처한 배경 영상에 근거하여 주정차 차량을 정확하고 신속하게 감지하고, 배경 영상의 모델링과정에서 얻는 정보를 활용하며, 아울러, 하나의 카메라로 복수의 단속영역을 감시할 수 있는 불법 주정차 무인단속방법 및 불법주정차 무인단속시스템의 알고리즘으로 활용될 수 있다.

제안 방법

관심영역 내에서 검지 된 객체의 출현부터 퇴장까지 해당 검지객체의 좌표정보를 통한 추적이 가능하다. 관심영역 내 검지객체의 MER을 표현하고 추적하였다. 관심영역 내에서 검지 객체를 구성하는 픽셀 수는 50 pixel 이상이다.
전경영역 검출 방법은 상황에 따라 배경을 업데이트하고 적응형 가우시안 혼합모델(AGMM)으로프레임내의 객체를 검출한다. 관심영역내의 BG/FG 업데이트 속도가 상이하도록 적용하였다. BG/FG 영역은 저속/고속 업데이트를 수행하도록 하였다.
먼저, 카메라에서 촬영되는 영상을 연속 프레임으로 입력받는 상태에서 가우시안 혼합 모델을 초기화할 것인지 판단한다. 통상 적응적 가우시안 모델로 배경 영상을 모델링 할 경우에 실제 배경 영상에 맞게 학습시키기 위해서 초기 입력받는 영상 중에 15~30 프레임을 사용하여 각 픽셀별 가우시안 혼합 모델을 학습시킨다.
물체가 나타나는 전경영역의 위치 및 시간 이력을 이력 관리 모듈에 저장·관리함과 동시에 카메라로 촬영되는 영상에 대하여 배경영역과 전경영역을 업데이트하는 하는 방법과 전역적으로 업데이트하면서 모델링하는 적응적 배경영상 모델링 방법에 있어서, 카메라로 촬영하여 얻는 영상의 초기 연속 프레임에서 각 화소별 가우시안 분포에 따른 평균 및 공분산을 산출하여 배경영상에 대한 화소별 가우시안 모델을 초기화하는 가우시안 모델 초기화단계; 화소별 가우시안 모델에 근거하여 초기화 단계 이후의 영상 프레임에서 물체에 의한 전경 영역을 추출하는 전경영역 추출단계, 추출한 전경 영역의 위치 및 시간 이력을 이력관리모듈로 관리하고, 이력에 근거하여 전경 영역의 이동 또는 정지를 감지하는 상황 인지단계, 전경 영역이 추출되지 않을 경우 및 추출된 전경 영역이 이동 중인 경우에 배경의 전역에 대한 화소별 가우시안 모델을 업데이트하고, 추출된 전경 영역이 미리 설정된 시간 이상으로 정지하였다가 이동하면, 정지하였던 영역에 대한 가우시안 모델을 현재 화소값으로 초기화하는 배경 업데이트 단계를 포함하여 이루어짐을 특징으로 한다. 상기 배경 업데이트단계는, 추출되는 전경영역이 미리 설정된 시간 이상으로 정지한 경우에 정지한 전경영역의 화소들에 대한 가우시안 모델을 현재 추출된 전경영역의 화소값으로 초기화함을 특징으로 한다.
본 논문은 적응적 가우시안 혼합 모델로 배경영상을 모델링함에 있어 이동물체의 상황변화에 따라 선택된 영역만 업데이트하며, 이에 따라 이동물체가 배경영상에 미치는 영향을 감소시켜 배경 영상을 정확하게 업데이트하며, 배경영상의 업데이트 과정에서 얻는 상황 변화에 따라 이동 물체를 감지하여 불법 주정차를 단속하는 적응적배경영상모델링 방법과 이를 이용한 불법 주정차 무인단속방법 및 불법주정차 무인단속시스템에 관한 것으로서, 카메라로 촬영하여 얻는 영상의 초기 연속 프레임에서 각 화소별 가우시안 분포에 따른 평균 및 공분산을 산출하여 배경영상에 대한 화소별 가우 시안 모델을 초기화하는 가우시안 모델 초기 화단계, 화소별가우시안 모델에 근거하여 초기화단계 이후의 영상 프레임에서 물체에 의한 전경영역을 추출하는 전경 영역추출단계, 추출한 전경 영역의 위치 및 시간 이력을 이력 관리함수로 관리하고, 이력에 근거하여 전경 영역의 이동 또는 정지를 감지하는 상황 인지단계, 전경 영역이 추출되지 않을 경우 및 추출된 전경 영역이 이동 중인 경우에 배경의 전역에 대한 화소별 가우시안 모델을 업데이트하고, 추출된 전경영역이 미리 설정된 시간 이상으로 정지했다 이동하면, 정지했던 영역에 대한 가우시안 모델을 현재 화소값으로 초기화하는 배경 업데이트단계로 이루어지는 적응적 배경영상 모델링 방법을 제안하였다. 그리고 시스템의 구현을 통해 제안하는 시스템이 이동하고 있는 물체 또는 정지상태의 물체를 0.
상황인지 모델링부는, 카메라에서 촬영된 연속 된 영상 프레임을 입력받아 가우시안 모델로 배경 영상을 획득하며, 이를 위해서, 지정된 개수의 초기 프레임으로 각 화소별 가우시안 분포에 따른 평균 및 공분산을 산출하여 가우시안 모델을 초기화하는 초기화함수, 가우시안 모델을 초기화한 이후에 입력받는 영상 프레임에서 가우시안 모델을 배경 영상으로 하여 물체에 의해 발생되는 전경영역을 추출하는 전경영역 추출함수, 전경영역이 추출되면 전경영역이 이동하는지 아니면 정지하는지의 상황을 인지하는 상황인지함수, 가우시안 모델의 초기화 과정 및 인지된 상황에 따른 가우 시안 모델의 업데이트 과정을 수행하며 가우시안 모델을 배경 영상으로 하여 상기 전경영역 추출함수에서 전경 영역을 추출하게 하는 배경 업데이트함수 및 추출된 전경 영역의 추출위치, 전경영역의 시간적 이동 및 정지에 대한 이력을 관리하여 앞서 기술한 상황인지모듈에서 상황 인지 시 활용되게 하는 이력관리함수를 포함하여 구성된다.
제안하는 실시간 전경영역 취득 기능을 구현하기 위해서 OpenCV 라이브러리를 활용한 응용 프로그램을 작성하였다. 전경영역 검출 방법은 상황에 따라 배경을 업데이트하고 적응형 가우시안 혼합모델(AGMM)으로프레임내의 객체를 검출한다.
먼저, 카메라에서 촬영되는 영상을 연속 프레임으로 입력받는 상태에서 가우시안 혼합 모델을 초기화할 것인지 판단한다. 통상 적응적 가우시안 모델로 배경 영상을 모델링 할 경우에 실제 배경 영상에 맞게 학습시키기 위해서 초기 입력받는 영상 중에 15~30 프레임을 사용하여 각 픽셀별 가우시안 혼합 모델을 학습시킨다. 즉, 상황인지 모델링부를 영상처리장치에 장착할 경우에, 초기에 가우시안 모델로 모델링 할 배경 영상을 학습하고 초기 학습 이후에는 학습된 가우시안 모델을 입력받는 영상으로 업그레이드하는 것이다.
전체 알고리즘의 처리 시간을 줄이기 위해 입력 영상내의 관심 영역 영역만을 추출하고 해당 영역에 대해서 처리하고 있다. 하나의 영상 내에서 각 관심영역을 입력 영상으로부터 추출하여 개별적 처리되는 다수의 관심영역을 포함하여 처리한다. 하나의 관심영역을 설정하기 위한 모서리(꼭짓점) 개수를 6개로 설정하였다.

이론/모형

전경영역 검출 방법은 상황에 따라 배경을 업데이트하고 적응형 가우시안 혼합모델(AGMM)으로프레임내의 객체를 검출한다. 관심영역내의 BG/FG 업데이트 속도가 상이하도록 적용하였다.

성능/효과

그리고 시스템의 구현을 통해 제안하는 시스템이 이동하고 있는 물체 또는 정지상태의 물체를 0.5초의 처리속도로 신속하고 정확하게 구분할 수 있음을 증명하였다.

후속연구

모델링 방법을 제공하는 것이다. 본 논문의 다른 목적으로 차량의 이동 상황에 대해 대처한 배경 영상에 근거하여 주정차 차량을 정확하고 신속하게 감지하고, 배경 영상의 모델링과정에서 얻는 정보를 활용하며, 아울러, 하나의 카메라로 복수의 단속영역을 감시할 수 있는 불법 주정차 무인단속방법 및 불법주정차 무인단속시스템의 알고리즘으로 활용될 수 있다.

참고문헌 (10)

Z. Zivkovic, "Improved adaptive Gaussian mixture model for background subtraction," In Proceedings of the 17th International Conference on Pattern Recognition, ICPR 2004, IEEE, vol. 2, pp. 28-31, Aug. 2004.
L. Yiyang, S. Longqing, Z. Yuanbing, and L. Yue, "Individual pig object detection algorithm based on Gaussian mixture model," International Journal of Agricultural and Biological Engineering, vol. 10, no. 5, pp. 186-193, 2017.

상세보기
Z. Zhang, X. Zhang, K. Ichiji, Y. Takane, S. Yanagaki, Y. Kawasumi, and N. Homma, "Adaptive Gaussian Mixture Model-Based Statistical Feature Extraction for Computer-Aided Diagnosis of Micro-Calcification Clusters in Mammograms," SICE Journal of Control, Measurement, and System Integration, vol. 13, no. 4, pp. 183-190, 2020.

상세보기
T. Bouwmans, C. Silva, C. Marghes, M. S. Zitouni, H. Bhaskar, and C. Frelicot, "On the role and the importance of features for background modeling and foreground detection," Computer Science Review, vol. 28, pp. 26-91, 2018.

상세보기
Y. Wang, Z. Yu, and L. Zhu, "Foreground detection with deeply learned multi-scale spatial-temporal features," Sensors, vol. 18, no. 12, pp. 4269, 2018.

상세보기
E. Lopez-Rubio, M. A. Molina-Cabello, R. M. Luque-Baena, and E. Dominguez, "Foreground detection by competitive learning for varying input distributions," International journal of neural systems, vol. 28, no. 5, pp. 1750056, 2018.

상세보기
K. Yun, J. Lim, and J. Y. Choi, "Scene conditional background update for moving object detection in a moving camera," Pattern Recognition Letters, vol. 88, pp. 57-63, 2017.

상세보기
X. Peng, X. Lu, S. Jiang, C. Li, and C. Pan, "A new background update algorithm for airborne camera in dynamic background," In 2017 13th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD), IEEE, pp. 644-648, Jul. 2017.
S. Pei, L. Li, L. Ye, and Y. Dong, "A Tensor Foreground-Background Separation Algorithm Based on Dynamic Dictionary Update and Active Contour Detection," IEEE Access, vol. 8, pp. 88259-88272, 2020.

상세보기
W. Zheng, K. Wang, and F. Y. Wang, "A novel background subtraction algorithm based on parallel vision and Bayesian GANs," Neurocomputing, vol. 394, pp. 178-200. 2020.

상세보기

저자의 다른 논문 :

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