[논문]멀티카메라 환경에서의 베이지안 네트워크 기반 이벤트 인식

임수정; 민준기; 박한샘; 조성배

멀티카메라 환경에서의 베이지안 네트워크 기반 이벤트 인식
Bayesian Network based Event Recognition in Multi-Camera Environment 원문보기

임수정 (연세대학교 컴퓨터과학과) , 민준기 (연세대학교 컴퓨터과학과) , 박한샘 (연세대학교 컴퓨터과학과) , 조성배 (연세대학교 컴퓨터과학과)

기존의 멀티 카메라 시스템은 넓은 영역을 커버하거나 이동 중인 물체를 트래킹 하기 위한 목적으로 주로 사용되어 왔다. 하지만 이러한 시스템은 하나의 카메라가 커버하는 영상이 가려지면 정보를 잃게 되는 단점이 있다. 멀티 카메라 시스템은 하나의 영역을 여러 카메라가 커버하도록 하여 이런 단점을 극복할 수 있다. 또한 다양한 시점의 카메라에서 수집되는 영상의 경우, 영상에 따라 담고 있는 정보가 다르므로 여러 카메라의 입력 정보를 함께 활용하여 보다 많은 정보를 얻을 수도 있다. 본 논문은 이런 장점을 활용하여 멀티 카메라 환경에서의 이벤트 인식 문제를 다룬다. 이를 위해 사무실 환경에 8대의 카메라를 설치하였으며, 시나리오에 따라 영상을 수집하였다. 수집된 영상은 전문가에 의해 어노테이션 된 후 인식 모델의 학습에 사용되며, 학습된 베이지안 네트워크 모델의 구조와 파라미터를 도메인 지식에 기반해서 수정하여 최종 이벤트 인식 모델을 설계하였다. 실험 결과 제안하는 이벤트 인식 모델의 인식률은 평균 87.0%로 Naive Bayes보다 우수한 성능을 보임을 확인하였다.

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

문제 정의

이러한 시스템에서는 카메라가 커버할 수 있는 영역을 벗어나는 사각지대나, 사람과 물체의 방향에 따라 사용자가 원하는 영상이 가려져서 잘 보이지 않는 경우 등이 발생하지 않아, 대무분의 경우 원하는 영상정보를 얻을 수 있다. 본 논문에서는 기존의 연구에서 다루어 지지 않은 이러한 가능성에 초점을 맞추어 연구를 진행하였다.
본 논문에서는 사무실 환경에 설치된 멀티카메라를 통해 얻어진 영상으로부터 이벤트를 인식하기 위해 베이지안 네트워크 기반 이벤트 인식 모델을 제안하였다. 8대의 카메라로부터 얻어진 영상 정보들을 각각 전문가에 의해 어노테이션 된 후 통합되어 학습데이터로 생성하였고, 학습되어진 베이지안 네트워크 모델의 구조와 파라미터를 도메인 지식에 기반해서 수정하여 최종 이벤트 인식 모델을 설계하였다.
본 논문에서는 사무실 환경에서 수집된 영상 내의 이벤트 인식에 초점을 맞추어, 여러 대의 카메라에서 수집된 정보를 바탕으로 사람.사물 등의 개체와 이들 사이에서 발생하는 이벤트를 인식하고자 하였다.
정보를 바탕으로 사람.사물 등의 개체와 이들 사이에서 발생하는 이벤트를 인식하고자 하였다. 이를 위해 도메인 지식을 바탕으로 베이지안 네트워크 모델을 설계하고 테스트하였다.

가설 설정

되었다. 시나리오의 총 길이는 9분이며, 오전 9AI 부터 6시까지의 업무시간을 기준으로 1시간을 1분으로 가정하였다. 그림 5은 실제 데이터 수집에 사용된 시나리오의 예를 보여준다.

제안 방법

8대의 카메라로부터 얻어진 영상 정보들을 각각 전문가에 의해 어노테이션 된 후 통합되어 학습데이터로 생성하였고, 학습되어진 베이지안 네트워크 모델의 구조와 파라미터를 도메인 지식에 기반해서 수정하여 최종 이벤트 인식 모델을 설계하였다. 제안한 이벤트 인식 모델의 이벤트 인식률은 86.
데이터 수집을 통해 얻어진 영상은 사무실 내의 일상생활에서 발생하는 모든 이벤트들에 대해 3명의 피험자에 대한 각각의 시나리오를 설계한 후, 시나리오에 따라 촬영 되었다. 시나리오의 총 길이는 9분이며, 오전 9AI 부터 6시까지의 업무시간을 기준으로 1시간을 1분으로 가정하였다.
본 논문에서도 앞의 이벤트 정의에 따라 이벤트 발생 시의 피험자 ID, 물체, 위치, 시선방향, 자세, 이벤트에 대해 전문가가 직접 어노테이션을 수행하였다. 어노테이션 된 데이터는 이벤트 인식의 단서로 쓰임과 동시에 BN 설계에 앞선 참고용 모델의 학습을 위해서 사용된다.
본 연구에서는 베이지안 네트워크를 이용한 모델링 과정에서 도메인 지식을 사용하여 이벤트 노드와 증거 노드 간 계층을 설정해 정확도를 높이는 등의 차별성을 두었다.
이를 위해 도메인 지식을 바탕으로 베이지안 네트워크 모델을 설계하고 테스트하였다. 시나리오를 설계하고 실험을 수행하기 위해, 사무실 환경에서 발생 가능한 여러 이벤트들을 사전에 정의하였으며, 카메라는 동일한 이벤트를 여러 방향에서 비추도록 설치하였다. 이러한 멀티카메라를 통해 수집한 영상은 전문가에 의해 수동으로 어노테이션하여 모델의 학습 및 검증에 활용하였다.
이렇게 구성한 학습데이터를 이용하여 구조 및 파라미터 학습을 하였으며, 이때 도메인 지식을 사용하여 이벤트 노드와 증거노드의 계층을 설정하였다. 학습의 결과로 얻어진 모델의 네트워크 구조는 노드별 조건부 확률값을 분석하여 수정하였다.
사물 등의 개체와 이들 사이에서 발생하는 이벤트를 인식하고자 하였다. 이를 위해 도메인 지식을 바탕으로 베이지안 네트워크 모델을 설계하고 테스트하였다. 시나리오를 설계하고 실험을 수행하기 위해, 사무실 환경에서 발생 가능한 여러 이벤트들을 사전에 정의하였으며, 카메라는 동일한 이벤트를 여러 방향에서 비추도록 설치하였다.
이벤트 인식 실험을 하였다. 인식 실험을 위해 어노테이션 된 데이터에서 이벤트를 제외한 피험자, 물체의 정보를 증거 값으로 넣어주고 이벤트 인식 모델을 통해 이벤트를 추론하였다. 모델은 각 데이터에 대해 8 개의 이벤트 중 가장 큰 확률 값을 보이는 이벤트를 인식의 결과로 돌려준다.
제안하는 이벤트 인식 모델의 성능을 검증하기 위해 피험자별 이벤트 인식 실험을 하였다. 인식 실험을 위해 어노테이션 된 데이터에서 이벤트를 제외한 피험자, 물체의 정보를 증거 값으로 넣어주고 이벤트 인식 모델을 통해 이벤트를 추론하였다.
노드와 증거노드의 계층을 설정하였다. 학습의 결과로 얻어진 모델의 네트워크 구조는 노드별 조건부 확률값을 분석하여 수정하였다. 물체에 관련한 확률 증거 값을 넣어줄 경우, 물체 노드간의 연결은 의미가 없어지므로 이를 제거하였다.

대상 데이터

실제로 본 논문에서는 사무실 환경 내의 일상적 행동에 대한 시나리오에 기반하여 데이터를 수집하였기 때문에, 시나리오 상에는 없지만 실제로는 발생 가능한 이벤트에 한해 데이터를 추가하였다. 또한 데이터 수에 따라 모델의 학습 결과가 영향을 받을 수 있으므로, 일반적인 모델 생성을 위해 이벤트별 데이터 수를 50개로 맞추었다.
사무실 내에서의 실제 영상 데이터 수집을 위해, 연구실 내에 4mx4m 영역을 목적영역으로 설정하고 8대의 카메라를 설치하였다. 그림 1은 실험환경 내에서의 카메라의 위치와 카메라가 비추고 있는 영역을 보여주며, 그림 2는 8대의 카메라를 통해 실제로 수집한 영상을 보여준다.
실험에 사용되어진 카메라는 소니 네트워크 카메라 (SNC-P5)로써, 영상은 320x240의 해상도에 15fps의 MPEG 동영상 포맷으로 저장하였다.
이벤트 인식 모델의 설계를 위해, 8대의 카메라로부터 얻어진 데이터들을 어노테이션 정보를 바탕으로 통합하여 학습 데이터를 생성하였다. 정확한 이벤트 모델을 생성하기 위해서는 이벤트의 대한 발생 가능한 모든 경우의 학습데이터가 있어야 한다.

데이터처리

모델은 각 데이터에 대해 8 개의 이벤트 중 가장 큰 확률 값을 보이는 이벤트를 인식의 결과로 돌려준다. 이 결과 값과 어노테이션 툴을 사용해 레이블링 된 실제 이벤트를 비교하여 인식률을 계산하였다.

성능/효과

그림 7은 Naive Bayes와의 성능 비교 평가 결과를 보여주며, 제안하는 이벤트 인식 모델이 상대적으로 더 우수한 성능을 보이는 것을 확인할 수 있다. Naive Bayes 는 증거 노드와 이벤트 노드를 모두 연결한 모델이다.
8대의 카메라로부터 얻어진 영상 정보들을 각각 전문가에 의해 어노테이션 된 후 통합되어 학습데이터로 생성하였고, 학습되어진 베이지안 네트워크 모델의 구조와 파라미터를 도메인 지식에 기반해서 수정하여 최종 이벤트 인식 모델을 설계하였다. 제안한 이벤트 인식 모델의 이벤트 인식률은 86.0%로 Naive Bayes와 비교해 우수한 성능을 보여주었다.

후속연구

베이지안 네트워크 모델의 결과인 이벤트 별 인식확률을 활용하면, 효과적인 검색이 가능할 것이다.
향후에는 이벤트 인식에서 나아가, 인식 결과를 바탕으로 상위 레벨에서의 영상검색에 적용할 수 있을 것이다. 베이지안 네트워크 모델의 결과인 이벤트 별 인식확률을 활용하면, 효과적인 검색이 가능할 것이다.

원문 보기

ScienceON 원문보기

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

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

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].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증

멀티카메라 환경에서의 베이지안 네트워크 기반 이벤트 인식
Bayesian Network based Event Recognition in Multi-Camera Environment 원문보기

초록
AI-Helper