[논문]HOG를 이용한 ARM 아키텍처에서의 고속 보행자 검출기

권기표; 이재흥; 강병익

HOG를 이용한 ARM 아키텍처에서의 고속 보행자 검출기
Fast pedestrian detector using HOG in ARM architecture 원문보기

권기표 (한밭대학교 컴퓨터공학과) , 이재흥 (한밭대학교 컴퓨터공학과) , 강병익 (건양대학교 의료IT공학과)

보행자 검출기는 보안이 필요한 곳에서 모니터링을 하거나 특정 장소를 드나드는 사람의 수를 셀 때, 운전 중 차도에 뛰어드는 사람을 감지할 때 등 상황에 따라 여러 목적으로 응용될 수 있다. 이에 따른 연구는 많이 진행되어 왔지만, 임베디드 시스템에서는 제한된 컴퓨팅 능력으로 인해 검출 속도가 느리다는 문제가 있다. 본 논문에서는 입력 영상에서 배경 부분을 빠르게 제거하여 검출 속도를 향상하는 방법과 ARM 아키텍처에서 NEON 병렬화 기법을 이용하여 검출 속도를 향상하는 방법을 제시한다. 제시한 방법으로 구현한 검출기는 기존보다 201.1% 향상된 속도를 나타냈다.

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

문제 정의

본 논문에서는 임베디드 시스템 위에서 HOG 특징 정보와 SVM 분류기를 사용하여 보행자 검출을 실시간에 가깝게 수행하는 방법을 제시하였다. 간단하지만 유용한 약분류 특징을 이용하여 영상 내 배경에 대해 불필요한 특징 추출 및 분류 작업을 피함으로써, 속도를 26.
본 논문에서는 임베디드 시스템에서 가장 많이 사용되고 있는 ARM 아키텍처에서 고속 보행자 검출을 위한 방법을 제시한다. 제시하는 방법은 영상 내 배경 부분을 매우 간단한 연산으로 제거해내면서 빠르게 보행자를 검출한다.

제안 방법

[1] 가로 64픽셀, 세로 128픽셀의 ‘윈도우(Window)’ 내에서 그래디언트의 크기와 방향을 이용하여 ‘셀(Cell)’ 단위로 히스토그램을 만들고, ‘블록(Block)’ 단위로 히스토그램을 정규화 하여, 이들의 집합을 특징 벡터로써 사용한다.
제시하는 방법은 영상 내 배경 부분을 매우 간단한 연산으로 제거해내면서 빠르게 보행자를 검출한다. 또한, ARM 아키텍처에서 NEON 병렬화 기법을 적용하여 보행자 검출 속도를 향상시킨다.
4GHz, 메모리 1GB이며, 안드로이드 플랫폼 위에서 동작하는 애플리케이션을 작성하였다. 보행자 검출 알고리즘은 모두 C언어로 구현하였으며, JNI와 NDK를 이용하여 애플리케이션에 적용하였다.
빠른 검출을 위한 또 다른 접근법은 연산장치의 이점을 최대화하는 것이다. 본 연구에서는 NEON 병렬화 기법을 적용하여, 고속 보행자 검출기를 구현하였다. NEON은 Cortex-A8 프로세서의 핵심 기술 중 하나로 64, 128비트 SIMD(Single Instruction Multiple Data) 명령어 집합이다.
먼저 분류기 학습은 PC 환경에서 SVM Light 오픈 소스와 MIT CBCL Pedestrian Database, INRIA Person Dataset을 이용하였다. 선형 SVM을 사용하였고, 검출 프로그램 실행 시 초기화 과정에 걸리는 시간을 없애기 위해, 모델 파일에서 미리 결정초평면을 계산하도록 수정하였다. 학습의 최종 결과물은 결정초평면과 T_w가 저장된 데이터 파일 “vector.
본 논문에서는 임베디드 시스템에서 가장 많이 사용되고 있는 ARM 아키텍처에서 고속 보행자 검출을 위한 방법을 제시한다. 제시하는 방법은 영상 내 배경 부분을 매우 간단한 연산으로 제거해내면서 빠르게 보행자를 검출한다. 또한, ARM 아키텍처에서 NEON 병렬화 기법을 적용하여 보행자 검출 속도를 향상시킨다.
제안하는 방법은 셀에 대해 수행되던 연산을 윈도우에 대해 한 번 수행함으로써 배경 윈도우를 걸러내는 것이다. 즉 Coarse Detection을 통해 배경 윈도우를 걸러내면서, 배경 부분에 대해서는 Fine Detection을 수행하지 않는다.
즉, 0°∼20°의 그래디언트 방향성을 갖는 픽셀들 간의 적분 이미지를 생성하고, 마찬가지로 20°∼40°, 40°∼60°, …, 160°∼180°의 그래디언트 방향성을 갖는 픽셀들간의 적분 이미지를 생성한다.

대상 데이터

우선, 보행자 검출기의 검출율 및 정확도는 표 1과 같다. 검출율 및 정확도를 측정하기 위해서 MIT CBCL Pedestrian Database, INRIA Person Dataset을 이용하였다. Recall rate는 입력 데이터에 있는 전체 보행자들 중에서 성공적으로 검출된 보행자 비율이고, Precision은 검출기가 검출한 결과들 중 정검출의 비율이다.
먼저 분류기 학습은 PC 환경에서 SVM Light 오픈 소스와 MIT CBCL Pedestrian Database, INRIA Person Dataset을 이용하였다. 선형 SVM을 사용하였고, 검출 프로그램 실행 시 초기화 과정에 걸리는 시간을 없애기 위해, 모델 파일에서 미리 결정초평면을 계산하도록 수정하였다.
타겟 환경은 프로세서 Exynos4412 Cortex-A9 Quad Core 1.4GHz, 메모리 1GB이며, 안드로이드 플랫폼 위에서 동작하는 애플리케이션을 작성하였다. 보행자 검출 알고리즘은 모두 C언어로 구현하였으며, JNI와 NDK를 이용하여 애플리케이션에 적용하였다.

성능/효과

그에 비례하게 윈도우가 슬라이딩 하는 속도가 빨라지고, 전체 검출 시간도 줄어들게 된다. INRIA Person Dataset의 경우 테스트 결과 26.9%의 속도 향상이 있었으며, 비교적 한적한 장소에서는 두배 이상 빠른 결과를 보여주기도 했다.
표 3은 검출 각 단계별로 NEON 병렬화 기법을 적용한 결과이다. YUV to RGB 변환과 스케일링 작업을 하는 전처리 부분, 영상으로부터 방향별 그래디언트 이미지를 만드는 부분, 각 윈도우에서 HOG 특징을 추출하는 부분, 추출한 특징으로 SVM 분류를 하는 부분에서 각각 속도향상이 일어났다. 제시한 방법을 적용하였을 경우, 병렬화하지 않았을 때보다 137.
본 논문에서는 임베디드 시스템 위에서 HOG 특징 정보와 SVM 분류기를 사용하여 보행자 검출을 실시간에 가깝게 수행하는 방법을 제시하였다. 간단하지만 유용한 약분류 특징을 이용하여 영상 내 배경에 대해 불필요한 특징 추출 및 분류 작업을 피함으로써, 속도를 26.9% 향상시켰다. 또한, 임베디드 시스템에서 가장 많이 쓰이고 있는 ARM 계열의 CPU에서 NEON 병렬화 기법을 적용하여 하나의 명령어로 다수의 픽셀을 한꺼번에 연산하도록 처리하여 하드웨어적인 이점을 활용할 수 있도록 하였다.
9% 향상시켰다. 또한, 임베디드 시스템에서 가장 많이 쓰이고 있는 ARM 계열의 CPU에서 NEON 병렬화 기법을 적용하여 하나의 명령어로 다수의 픽셀을 한꺼번에 연산하도록 처리하여 하드웨어적인 이점을 활용할 수 있도록 하였다. 이를 통해, 검출 속도를 137.
4% 향상시켰다. 본 논문에서 제시한 방법을 모두 사용하면, 기존보다 201.1%까지 속도를 향상시킬 수 있다.
반대로, T_w가 T_train과 거의 같다면 학습시의 영상에 대해서는 보행자를 완벽하게 검출하지만, 이후에 취득하는 새로운 영상에서는 실제 보행자가 있음에도 검출을 하지 못하는 경우가 발생할 수 있다. 본 연구에서는 T_w를 T_train의 0.9배로 설정하였고, 이 값이 검출기의 정확도에 영향을 주지 않으면서 속도를 향상시킬 수 있음을 확인하였다. T_w는 SVM 학습 결과인 결정초평면을 기록하는 파일에 함께 저장된다.
또한, 임베디드 시스템에서 가장 많이 쓰이고 있는 ARM 계열의 CPU에서 NEON 병렬화 기법을 적용하여 하나의 명령어로 다수의 픽셀을 한꺼번에 연산하도록 처리하여 하드웨어적인 이점을 활용할 수 있도록 하였다. 이를 통해, 검출 속도를 137.4% 향상시켰다. 본 논문에서 제시한 방법을 모두 사용하면, 기존보다 201.
YUV to RGB 변환과 스케일링 작업을 하는 전처리 부분, 영상으로부터 방향별 그래디언트 이미지를 만드는 부분, 각 윈도우에서 HOG 특징을 추출하는 부분, 추출한 특징으로 SVM 분류를 하는 부분에서 각각 속도향상이 일어났다. 제시한 방법을 적용하였을 경우, 병렬화하지 않았을 때보다 137.4%의 속도 향상이 있었다.
학습의 최종 결과물은 결정초평면과 Tw가 저장된 데이터 파일 “vector.dat”이다.

후속연구

추후 ARM 아키텍처에서 멀티코어를 효율적으로 활용할 수 있는 방법에 대한 연구가 이루어진다면, NEON과 함께 결합하여 더욱 고속화된 검출기를 구현할 수 있을 것으로 예상된다.

핵심어

질문

논문에서 추출한 답변

HOG란?

HOG는 그래디언트 크기와 에지 방향의 분포를 특징으로 하는 히스토그램이다.[1] 가로 64픽셀, 세로 128픽셀의 ‘윈도우(Window)’ 내에서 그래디언트의 크기와 방향을 이용하여 ‘셀(Cell)’ 단위로 히스토그램을 만들고, ‘블록(Block)’ 단위로 히스토그램을 정규화 하여, 이들의 집합을 특징 벡터로써 사용한다.

Edge Factor이란?

Edge Factor는 영상 내 배경 부분을 걸러내기 위한 일종의 약분류 특징이다.[6] 히스토그램 생성 및 SVM 분류에 앞서, 윈도우 내에서 임계값보다 작은 그래디언트 강도를 가지는 픽셀들의 비율을 구한다.

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

HOG를 이용한 ARM 아키텍처에서의 고속 보행자 검출기
Fast pedestrian detector using HOG in ARM architecture 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

HOG를 이용한 ARM 아키텍처에서의 고속 보행자 검출기 Fast pedestrian detector using HOG in ARM architecture 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

HOG를 이용한 ARM 아키텍처에서의 고속 보행자 검출기
Fast pedestrian detector using HOG in ARM architecture 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper