[논문]YOLO 네트워크와 추적 기법을 이용한 보행자 검출

이상훈; 조남익

문제 정의

동영상의 매 프레임마다 검출을 수행하는 경우 긴 수행시간을 필요로 한다. 그래서 일정 주기의 프레임에 대해서만 검출을 수행하고, 그 사이에 존재하는 프레임에 대해서는 추적을 통해 보행자의 위치를 파악하고자 하였다. DukeMTMC Dataset에 대해 실험해본 결과 YOLO 네트워크의 구조 변경과 추가학습을 통해 보행자 검출 정확도가 증가하는 것을 알 수 있었고, 추적 기법의 적용을 통해 검출 정확도가 크게 감소하지 않으면서 수행 속도를 대폭 향상시킬 수 있었다.
본 논문에서는 YOLO 네트워크와 추적 기법을 이용하여 보행자를 검출하는 방법에 대해 제안하였다. 먼저, 기존의 YOLO 네트워크가 보행자를 검출 할 때 나타내는 문제점을 분석한 후, 네트워크의 구조를 변경하였다.
본 논문에서는 보행자 검출의 검출 정확도를 개선하고, 속도를 향상시킬 수 있는 방법을 제안하고자 한다. 먼저, 검출 정확도를 개선하기 위해 YOLO 네트워크의 구조를 변경하고 추가 학습을 실시하였다.

제안 방법

DukeMTMC Dataset의 보행자 영상들을 이용하여 총 세 가지 방법의 보행자 검출 실험을 해 보았다. 첫 번째는 기존의 YOLO 네트워크를 그대로 이용하여 보행자를 검출한 것이다.
먼저, 검출 정확도를 개선하기 위해 YOLO 네트워크의 구조를 변경하고 추가 학습을 실시하였다. YOLO 네트워크의 구조를 변경함으로써 보행자와 같이 세로로 긴 물체를 잘 검출할 수 있도록 하였고, 멀리 있는 보행자처럼 작은 물체도 잘 검출할 수 있도록 하였다. 또, 보행자 영상 데이터를 이용하여 추가학습을 함으로써 다른 물체들 보다 보행자를 좀 더 집중적으로 검출해낼 수 있도록 하였다.
더 잘 설계된 네트워크를 학습함으로써, 더 좋은 특징벡터를 추출하고 더 정확한 분류가 가능해지고 있다. [3]은 특징벡터들을 분류할 때, 보행자 인지 아닌지만 분류하는 것이 아니라 보행자라면 어떤 자세인지 보행자가 아니라면 어떤 물체인지 등 좀 더 세부적인 분류를 통해 보행자 검출 성능을 높이는 방법을 사용했다. [4]는 보행자를 한 번에 검출하는 것이 아니라, 보행자의 다양한 부분을 검출한 후 결과들을 조합하여 최종적으로 검출하는 방법을 이용하였다.
원래 물체의 종류가 어떤 것인지 출력하게 되어있지만, 그 대신 보행자인지 아닌지의 여부만 출력하도록 수정하였다. 그 후, DukeMTMC Dataset의 총 8개 영상 중 1번부터 4번까지의 보행자 영상을 이용하여 추가로 학습을 진행하였다.
먼저, 기존의 YOLO 네트워크가 보행자를 검출 할 때 나타내는 문제점을 분석한 후, 네트워크의 구조를 변경하였다. 그 후, 보행자를 매 프레임 마다 검출하는 대신 일정 주기마다 검출하고, 그 사이에는 추적을 이용하여 보행자의 위치를 파악하는 방법을 이용 하였다. 첫 번째 방법을 이용하여 보행자를 검출하는 성능을 증가시킬 수 있었고, 두 번째 방법을 통해 성능을 크게 감소시키지 않은 채 검출 속도를 증가시킬 수 있었다.
07초가 소요되는 것을 알 수 있었다. 두 번째 실험은 본 논문에서 제안한 방법으로 변경한 YOLO 네트워크를 이용하여 보행자를 검출한 것이다. 기존의 YOLO 네트워크가 매우 높은 precision과 recall을 얻을 수 있음에도 불구하고, 변경한 YOLO 네트워크는 더 높은 precision과 recall을 얻을 수 있었다.
이렇게 하면 영상의 가로 세로 비율을 조절하는 과정에서 정보가 손실되는 것을 막을 수 있다. 두 번째로, 그리드의 크기를 축소시켰다. 영상을 좀 더 많은 개수의 그리드로 나눔으로써, 작은 보행자도 검출할 수 있도록 한 것이다.
또, 보행자 영상 데이터를 이용하여 추가학습을 함으로써 다른 물체들 보다 보행자를 좀 더 집중적으로 검출해낼 수 있도록 하였다. 두 번째로, 속도를 향상시키기 위해 추적 기법을 이용하였다. 동영상의 매 프레임마다 검출을 수행하는 경우 긴 수행시간을 필요로 한다.
YOLO 네트워크의 구조를 변경함으로써 보행자와 같이 세로로 긴 물체를 잘 검출할 수 있도록 하였고, 멀리 있는 보행자처럼 작은 물체도 잘 검출할 수 있도록 하였다. 또, 보행자 영상 데이터를 이용하여 추가학습을 함으로써 다른 물체들 보다 보행자를 좀 더 집중적으로 검출해낼 수 있도록 하였다. 두 번째로, 속도를 향상시키기 위해 추적 기법을 이용하였다.
25초로 증가하였다. 마지막 실험은 변경된 YOLO 네트워크를 이용하되 120프레임마다 검출을 수행하고, 그 사이의 프레임들은 추적을 이용하는 것이다. precision과 recall이 두 번째 실험에 비해 감소하는 것을 알 수 있다.
본 논문에서는 보행자 검출의 검출 정확도를 개선하고, 속도를 향상시킬 수 있는 방법을 제안하고자 한다. 먼저, 검출 정확도를 개선하기 위해 YOLO 네트워크의 구조를 변경하고 추가 학습을 실시하였다. YOLO 네트워크의 구조를 변경함으로써 보행자와 같이 세로로 긴 물체를 잘 검출할 수 있도록 하였고, 멀리 있는 보행자처럼 작은 물체도 잘 검출할 수 있도록 하였다.
앞에서 설명한 문제를 해결하기 위해 YOLO 네트워크의 구조를 변경하였다. 먼저, 그리드의 수를 영상의 비율에 맞게 계산하여 설정하였다. 가로 길이가 세로 길이보다 긴 영상이라면 영상을 나눌 때, 세로보다 가로로 더 많이 나누는 것이다.
본 논문에서는 YOLO 네트워크와 추적 기법을 이용하여 보행자를 검출하는 방법에 대해 제안하였다. 먼저, 기존의 YOLO 네트워크가 보행자를 검출 할 때 나타내는 문제점을 분석한 후, 네트워크의 구조를 변경하였다. 그 후, 보행자를 매 프레임 마다 검출하는 대신 일정 주기마다 검출하고, 그 사이에는 추적을 이용하여 보행자의 위치를 파악하는 방법을 이용 하였다.
앞에서 설명한 문제를 해결하기 위해 YOLO 네트워크의 구조를 변경하였다. 먼저, 그리드의 수를 영상의 비율에 맞게 계산하여 설정하였다.
기존의 YOLO 네트워크는 최대 80개의 물체를 검출 및 분류해낼 수 있도록 설계되었는데, 보행자 검출 정확도를 향상시키기 위해서 출력 단자를 수정하였다. 원래 물체의 종류가 어떤 것인지 출력하게 되어있지만, 그 대신 보행자인지 아닌지의 여부만 출력하도록 수정하였다. 그 후, DukeMTMC Dataset의 총 8개 영상 중 1번부터 4번까지의 보행자 영상을 이용하여 추가로 학습을 진행하였다.
DukeMTMC Dataset의 보행자 영상들을 이용하여 총 세 가지 방법의 보행자 검출 실험을 해 보았다. 첫 번째는 기존의 YOLO 네트워크를 그대로 이용하여 보행자를 검출한 것이다. 기존의 YOLO 네트워크를 그대로 적용하여도 아주 높은 precision과 recall을 얻을 수 있었고 한 프레임을 처리하는데 평균 0.

이론/모형

이렇게 하면 보행자 검출 성능은 크게 떨어지지 않으면서 속도를 크게 향상시킬 수 있다. 본 논문에서는 물체의 색상 정보를 이용하는 커널 기반의 추적 방법인 KCF[9]를 사용하여 추적을 수행하였다.

성능/효과

그래서 일정 주기의 프레임에 대해서만 검출을 수행하고, 그 사이에 존재하는 프레임에 대해서는 추적을 통해 보행자의 위치를 파악하고자 하였다. DukeMTMC Dataset에 대해 실험해본 결과 YOLO 네트워크의 구조 변경과 추가학습을 통해 보행자 검출 정확도가 증가하는 것을 알 수 있었고, 추적 기법의 적용을 통해 검출 정확도가 크게 감소하지 않으면서 수행 속도를 대폭 향상시킬 수 있었다.
두 번째 실험은 본 논문에서 제안한 방법으로 변경한 YOLO 네트워크를 이용하여 보행자를 검출한 것이다. 기존의 YOLO 네트워크가 매우 높은 precision과 recall을 얻을 수 있음에도 불구하고, 변경한 YOLO 네트워크는 더 높은 precision과 recall을 얻을 수 있었다. 하지만, 네트워크가 처리해야할 그리드 개수가 증가하는 바람에 평균 처리속도가 0.
첫 번째는 기존의 YOLO 네트워크를 그대로 이용하여 보행자를 검출한 것이다. 기존의 YOLO 네트워크를 그대로 적용하여도 아주 높은 precision과 recall을 얻을 수 있었고 한 프레임을 처리하는데 평균 0.07초가 소요되는 것을 알 수 있었다. 두 번째 실험은 본 논문에서 제안한 방법으로 변경한 YOLO 네트워크를 이용하여 보행자를 검출한 것이다.
그 후, 보행자를 매 프레임 마다 검출하는 대신 일정 주기마다 검출하고, 그 사이에는 추적을 이용하여 보행자의 위치를 파악하는 방법을 이용 하였다. 첫 번째 방법을 이용하여 보행자를 검출하는 성능을 증가시킬 수 있었고, 두 번째 방법을 통해 성능을 크게 감소시키지 않은 채 검출 속도를 증가시킬 수 있었다.

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

YOLO 네트워크와 추적 기법을 이용한 보행자 검출
Pedestrian Detection using YOLO and Tracking 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

YOLO 네트워크와 추적 기법을 이용한 보행자 검출 Pedestrian Detection using YOLO and Tracking 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

YOLO 네트워크와 추적 기법을 이용한 보행자 검출
Pedestrian Detection using YOLO and Tracking 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper