초록

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

색상 영상과 이에 상응하는 깊이 영상으로 3차원 비디오를 만드는 방법은 최근 키넥트 깊이 카메라와 같이 저가임에도 불구하고 높은 성능을 보이는 카메라가 시중에 출시되면서 다양한 형태의 응용분야에 많이 사용되기 시작했다[1]. 본 연구는 TOF(Time Of Flight) 카메라와 RGB 카메라가 같이 있는 키넥트를 이용해서 깊이 영상에서 보행자를 탐지한다. 전처리 작업으로 배경 깊이 맵을 미리 저장하고, 깊이의 차이로 보행자 유무를 알아낸다. 보행자를 지속적으로 탐지하기 위해 CAMShift 알고리즘을 사용해 라벨링과 보행자 추적을 하며, 보행자의 진행 방향과 속도를 탐지하기 위해 Dense Optical Flow를 사용해 보행자의 벡터 정보를 저장한다. 보행자가 깊이 맵 밖으로 나가면 해당 보행자에 대한 탐지를 종료한다.

색상 영상과 이에 상응하는 깊이 영상으로 3차원 비디오를 만드는 방법은 최근 키넥트 깊이 카메라와 같이 저가임에도 불구하고 높은 성능을 보이는 카메라가 시중에 출시되면서 다양한 형태의 응용분야에 많이 사용되기 시작했다[1]. 본 연구는 TOF(Time Of Flight) 카메라와 RGB 카메라가 같이 있는 키넥트를 이용해서 깊이 영상에서 보행자를 탐지한다. 전처리 작업으로 배경 깊이 맵을 미리 저장하고, 깊이의 차이로 보행자 유무를 알아낸다. 보행자를 지속적으로 탐지하기 위해 CAMShift 알고리즘을 사용해 라벨링과 보행자 추적을 하며, 보행자의 진행 방향과 속도를 탐지하기 위해 Dense Optical Flow를 사용해 보행자의 벡터 정보를 저장한다. 보행자가 깊이 맵 밖으로 나가면 해당 보행자에 대한 탐지를 종료한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 연구는 영상 보행자 인식 기술로서 영상에서 보행자, 즉 서 있는 사람을 찾는 기술이다. 배경 Depth map에서 Depth의 변화량으로 보행자의 유무를 파악하고, CamShift알고리즘을 사용해 보행자를 라벨링하고 탐지하며, Dense Optical Flow로 보행자의 벡터값을 알아낸다.
• 이 알고리즘은 모든 픽셀을 탐색해서 계산 속도가 느리고 대신 다른 알고리즘에 비해 정확도가 높은 특성이 있다. 본 연구에서는 느린 계산 속도를 보완하고자 적용 범위를 보행자 객체로 한정하고 객체 안에 벡터 정보의 평균값을 사용해 보행자 객체의 이동 방향을 판단한다. 보행자 객체 트래킹 방법으로 CAMShift(Continuously Adaptive Mean Shift Algorithm) 알고리즘을 사용한다.

제안 방법

• 깊이 정보를 이전 값과 현재 값을 비교해서 보행자 출입 유무를 인식하기 때문에 보행자가 없을 때의 배경 깊이 정보를 미리 수집한다. 그리고 보행자가 출입 할 수 있는 영역을 영상 외곽 전체가 아닌 한정적으로 지정함으로써 감지하는 범위를 줄여 계산 속도를 높인다.
• 본 연구는 키넥트의 깊이 정보와 색상 정보를 수집한다. 깊이 정보에선 깊이의 변화로 보행자 객체의 유무를 판단하고, 색상 정보에선 깊이 정보에서 탐지한 깊이 변화 영역을 객체화해서 라벨링, 벡터화, 트래킹한다. 보행자 객체가 겹치는 영역은 각 보행자 객체의 벡터 정보의 차이를 이용해 분리하고 깊이 값의 차이로 다시 분리해서 정확도를 높인다.
• 본 연구는 영상 보행자 인식 기술로서 영상에서 보행자, 즉 서 있는 사람을 찾는 기술이다. 배경 Depth map에서 Depth의 변화량으로 보행자의 유무를 파악하고, CamShift알고리즘을 사용해 보행자를 라벨링하고 탐지하며, Dense Optical Flow로 보행자의 벡터값을 알아낸다. 보행자가 다른 보행자와 겹치는 경우 Dense Optical Flow로 보행자 간의 벡터값 차이를 이용해 보행자를 구분한다.
• 하지만 조도 변화, 잡음이 많은 배경에서는 성능이 좋지 않은 특징이 있다. 본 연구에서는 조도 변화에 대한 오차를 줄이기 위해 생상 정보를 HSV로 변환하고 Hue(색조) 값으로 진행한다. 조도 변화에 민감하게 반응하는 채도와 명도를 제외함으로써 트래킹에 잡음을 최소화한다.
• 보행자 객체 트래킹 방법으로 CAMShift(Continuously Adaptive Mean Shift Algorithm) 알고리즘을 사용한다. 이 알고리즘은 Mean Shift 알고리즘을 Streaming 환경에서 사용하기 위해 개선한 것으로 탐색 윈도우의 크기를 스스로 조정하는 방법을 사용해서 Mean Shift의 단점을 보안한다. 하지만 조도 변화, 잡음이 많은 배경에서는 성능이 좋지 않은 특징이 있다.
• 보행자 탐지 흐름도는 (그림 2)와 같이 크게 전처리, 보행자 탐지, 탐지 종료 세 가지로 분류되고 보행자 탐지 부분은 다시 보행자 객체화와 객체 분리로 분류된다. 키넥트에서 깊이 맵과 생상 맵을 가져와 깊이 맵에선 배경과 보행자들 간 깊이 차이를 이용해서 보행자 유무를 판단하고, 색상 맵에서는 보행자를 객체화해서 라벨링, 벡터화, 트래킹을 수행한다.

대상 데이터

• 본 연구는 키넥트의 깊이 정보와 색상 정보를 수집한다. 깊이 정보에선 깊이의 변화로 보행자 객체의 유무를 판단하고, 색상 정보에선 깊이 정보에서 탐지한 깊이 변화 영역을 객체화해서 라벨링, 벡터화, 트래킹한다.

이론/모형

• 그리고 보행자의 벡터 정보를 얻기 위해 Optical Flow를 한다. Optical Flow 방식으로 영상 내부의 모든 픽셀을 계산하는  Dense Optical Flow 알고리즘을 사용한다. 이 알고리즘은 모든 픽셀을 탐색해서 계산 속도가 느리고 대신 다른 알고리즘에 비해 정확도가 높은 특성이 있다.
• 본 연구에서는 느린 계산 속도를 보완하고자 적용 범위를 보행자 객체로 한정하고 객체 안에 벡터 정보의 평균값을 사용해 보행자 객체의 이동 방향을 판단한다. 보행자 객체 트래킹 방법으로 CAMShift(Continuously Adaptive Mean Shift Algorithm) 알고리즘을 사용한다. 이 알고리즘은 Mean Shift 알고리즘을 Streaming 환경에서 사용하기 위해 개선한 것으로 탐색 윈도우의 크기를 스스로 조정하는 방법을 사용해서 Mean Shift의 단점을 보안한다.

후속연구

• 향후 연구는 보행자의 행동을 탐지해서 보행자의 유무 뿐만 아니라 보행자의 행동을 분석할 것이다. 보행자의 행동을 분석함으로써 보행자의 패턴을 파악할 수 있다면 많은 분야에서 활용될 수 있을 것이다.
• 향후 연구는 보행자의 행동을 탐지해서 보행자의 유무 뿐만 아니라 보행자의 행동을 분석할 것이다. 보행자의 행동을 분석함으로써 보행자의 패턴을 파악할 수 있다면 많은 분야에서 활용될 수 있을 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기