본 논문에서는 실시간 감시 시스템에서 녹화 도중에 검출된 움직임 벡터를 이용하여 사람의 활동성을 인식하고 분석하고자 한다. 전경에서 블랍(사람)을 검출하는 방법은 기존에 연구했던 차 영상을 이용하였고, MPEG-4 동영상 녹화 시 EPZS(Enhanced Predictive Zonal Search)에서 검출되는 움직임 벡터의 값을 이용하였다. 본 논문에서는 사람의 행동을 크게 세 가지의 {Active, Inactive}, {Moving, Non-moving}, {Walking, Running} 메타 클래스로 분류하고 인식하였다. 각 단계에서는 단계별 임계값을 이용하여 구분하였다. 실험을 위해서 약 150개의 상황을 연출하였으며, 실험 영상에서 각 단계를 구분하는데 약 86% ~ 98% 까지의 높은 인식률을 보였다.
본 논문에서는 실시간 감시 시스템에서 녹화 도중에 검출된 움직임 벡터를 이용하여 사람의 활동성을 인식하고 분석하고자 한다. 전경에서 블랍(사람)을 검출하는 방법은 기존에 연구했던 차 영상을 이용하였고, MPEG-4 동영상 녹화 시 EPZS(Enhanced Predictive Zonal Search)에서 검출되는 움직임 벡터의 값을 이용하였다. 본 논문에서는 사람의 행동을 크게 세 가지의 {Active, Inactive}, {Moving, Non-moving}, {Walking, Running} 메타 클래스로 분류하고 인식하였다. 각 단계에서는 단계별 임계값을 이용하여 구분하였다. 실험을 위해서 약 150개의 상황을 연출하였으며, 실험 영상에서 각 단계를 구분하는데 약 86% ~ 98% 까지의 높은 인식률을 보였다.
In this paper, We proposed the method of recognition and analysis of human activites using Motion vector in real-time surveillance system. We employs subtraction image techniques to detect blob(human) in the foreground. When MPEG-4 video recording EPZS(Enhanced Predicted Zonal Search) is detected th...
In this paper, We proposed the method of recognition and analysis of human activites using Motion vector in real-time surveillance system. We employs subtraction image techniques to detect blob(human) in the foreground. When MPEG-4 video recording EPZS(Enhanced Predicted Zonal Search) is detected the values of motion vectors were used. In this paper, the activities of human recognize and classified such as meta-classes like this {Active, Inactive}, {Moving, Non-moving}, {Walking, Running}. Each step was separated using a step-by-step threshold values. We created approximately 150 conditions for the simulation. As a result, We showed a high success rate about 86~98% to distinguish each steps in simulation image.
In this paper, We proposed the method of recognition and analysis of human activites using Motion vector in real-time surveillance system. We employs subtraction image techniques to detect blob(human) in the foreground. When MPEG-4 video recording EPZS(Enhanced Predicted Zonal Search) is detected the values of motion vectors were used. In this paper, the activities of human recognize and classified such as meta-classes like this {Active, Inactive}, {Moving, Non-moving}, {Walking, Running}. Each step was separated using a step-by-step threshold values. We created approximately 150 conditions for the simulation. As a result, We showed a high success rate about 86~98% to distinguish each steps in simulation image.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 실시간 감시 시스템에 적용이 가능하게 하기 위해서 최대한 추가적인 계산과 복잡성이 없는 동영상 녹화 시에 얻어지는 움직임 벡터를 이용하여 사람이 행동을 인식하고 분석하는 방법을 제안한다.
제안 방법
본 논문에서는 MPEG-4(ffmpeg)로 동영상 압축을 코딩을 이용하였고, 소스에 포함되어져 있는 EPZS(Enhanced Predictive Zonal Search) 함수에서 나오는 움직임 벡터의 값을 활용하여 사용하기 때문에 추가적으로 복잡한 연산이 필요하지 않는다.
행동을 인식하기 위해서 가장 중요한 것은 배경으로부터 블랍(사람 또는 물체)를 얼마나 정확하게 추출해내느냐는 것이다. 본 논문에서는 기존에 연구했던 가중치 차 영상과 움직임 백터를 이용하여 두드러진 움직임 정보를 검출하는 기법을 이용하였다.[1][2]
본 논문에서는 사람의 행동을 크게 세 가지 {Active, Inactive}, {Moving, Non-moving}, {Walking, Running} 의 경우로 제한하고 연구를 하였다. 각 단계별로 구분하기 위해 특징 파라미터들을 사용한다.
그림 2는 x축의 벡터 값들을 보여준다. 이러한 값들을 이용하여 움직임 벡터의 값들을 계산하고 방향성을 측정해 낸다. f_code를 3으로 주었기 때문에 벡터 값들은 [-32~32]까지의 분포를 가진다.
그림 3은 4단계 분류기의 구조를 나타낸 것이다. 하지만 본 논문에서는 움직임 벡터만을 이용하여 처리할 수 있는 3단계 까지을 실험하며 그것에 대해서만 설명할 것이다.
대상 데이터
0으로 구현하였으며, 윈도우 계열의 OS에서 352×240 해상도의 그레이-스케일 이미지에 대해서 동작한다. 다양한 환경에서 실험을 하였으며, 총 150개의 상황을 실험을 위해서 연출하였다. 이들 중에서 중복되는 상황들이 실험을 위해서 연출되기 때문에 Active 130번, Inactive 20번, Position Moving 100번, Fixed Moving 30번, Walking 50번, Running 50번의 상황이 발생되었고 이 중 두 명 이상의 사람이 다른 상황을 연출한 것은 10번 이었다.
후속연구
향후 과제로는 좀 더 다양한 실험을 통하여 각 단계별로 기준이 되는 임계값을 상황에 맞게 자동으로 설정할 수 있도록 기준을 정하는 것이 필요할 것이며, 움직임 벡터에서 오동작을 일으켰을 경우 보완을 해줄 수 있는 다른 특징을 찾아 접목시키는 것이 필요하다. 또한 더 높은 수준의 사람 행동 인식에 대해서 보다 세부적인 연구가 필요하다.
향후 과제로는 좀 더 다양한 실험을 통하여 각 단계별로 기준이 되는 임계값을 상황에 맞게 자동으로 설정할 수 있도록 기준을 정하는 것이 필요할 것이며, 움직임 벡터에서 오동작을 일으켰을 경우 보완을 해줄 수 있는 다른 특징을 찾아 접목시키는 것이 필요하다. 또한 더 높은 수준의 사람 행동 인식에 대해서 보다 세부적인 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.