KR101419837B1 - 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치 - Google Patents

분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치 Download PDF

Info

Publication number
KR101419837B1
KR101419837B1 KR1020130051268A KR20130051268A KR101419837B1 KR 101419837 B1 KR101419837 B1 KR 101419837B1 KR 1020130051268 A KR1020130051268 A KR 1020130051268A KR 20130051268 A KR20130051268 A KR 20130051268A KR 101419837 B1 KR101419837 B1 KR 101419837B1
Authority
KR
South Korea
Prior art keywords
pixels
feature value
color component
unit cell
counted
Prior art date
Application number
KR1020130051268A
Other languages
English (en)
Inventor
김문현
김규진
김선호
Original Assignee
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020130051268A priority Critical patent/KR101419837B1/ko
Application granted granted Critical
Publication of KR101419837B1 publication Critical patent/KR101419837B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 아다부스트 기반 보행자 검출 방법은, 이미지를 단위 셀들로 분할한 다음, 각각의 단위 셀에 대해, 제1 내지 제3 색성분의 각각이 문턱값보다 큰 픽셀들의 수를 계수하고, 상기 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제1 내지 제3 색성분 특징값들을 각각 생성하는 단계들과, 각각의 단위 셀에 대해, 각각의 픽셀들을 임계값을 기준으로 흑백(black and white) 픽셀들로 분류할 경우에 흑색 픽셀의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 이진(binary) 특징값을 생성하는 단계, 각각의 단위 셀에 대해, 외곽선(contour)이 추출되는지 여부에 따라 참 또는 거짓인 외곽선 특징값을 생성하는 단계를 포함하며, 아다부스트 알고리즘에 따라, 각각의 예제 이미지들로부터 제1 내지 제3 색성분 특징값들, 이진 특징값 및 외곽선 특징값을 생성하는 약한 분류기들의 결합된 오차가 최소가 되도록 선택된 분류 가중치들로써 강한 분류기를 설정하면, 설정된 강한 분류기에서, 입력된 이미지 내의 보행자 오브젝트 포함 여부를 분류하는 단계를 포함할 수 있다.

Description

분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치{METHOD AND APPARATUS FOR ADABOOST-BASED OBJECT DETECTION USING PARTITIONED IMAGE CELLS}
본 발명은 컴퓨터 비전에 관한 것으로, 더욱 상세하게는, 영상 인식 기술에 관한 것이다.
영상 내에서 오브젝트(object)를 추출하고 나아가 식별하는 컴퓨터 비전(computer vision) 기술은 자동화 분야, 사회 안전 분야, 국방 분야 등에서 널리 요구되는 기술이다. 현재로서는 이러한 컴퓨터 비전 기술은 인간의 식별 능력에 비해 현저히 제한적이므로 다양한 환경에서 오브젝트를 인식하기 위해서는 정확하고 빠른 패턴 인식과 분류 시스템이 요구된다.
통상적으로 오브젝트는 거의 변하지 않는 배경(background)에 비해 짧은 시간 내에 공간적으로 많은 변화를 일으키는 픽셀들의 집합으로서 추출될 수 있다. 추출된 오브젝트가 사람인지, 차량인지 또는 부유물인지를 식별하는 기술은 좀더 고난도의 기술로서 정확도를 높이기 위해서 많은 수의 규칙들에 기반하거나, 또는 학습 기술을 이용하는 분류 알고리즘이 필요하다.
많은 분류 알고리즘들이 이진 분류 알고리즘(binary-class algorithm)에 속하는데, 대부분의 이진 분류 알고리즘들은 SVM(Support Vector Machine), 신경망 및 아다부스트(Adaboost) 방식의 분류기(classifier)에 기반하여 연구되고 있다.
그 중에서 아다부스트 방식의 분류 기술은 다수의 약한 분류기들(Weak Classifiers)을 결합하여 강인한 분류기(Strong Classifier)를 만드는 기술이다. 아다부스트 방식은 연산량이 적고 이론상 성능이 좋으며, 다양한 약한 분류기를 이용할 수 있어 최근에 주목받고 있다.
본 발명이 해결하고자 하는 과제는 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치를 제공하는 데에 있다.
본 발명의 일 실시예에 따른 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법은,
이미지를 각각으로부터 복수의 특징값들(features)이 추출되기 위한 복수의 단위 셀들로 분할하는 단계;
각각의 단위 셀에 대해, 제1 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 상기 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제1 색성분 특징값을 생성하는 단계;
각각의 단위 셀에 대해, 제2 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제2 색성분 특징값을 생성하는 단계;
각각의 단위 셀에 대해, 제3 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제3 색성분 특징값을 생성하는 단계;
각각의 단위 셀에 대해, 각각의 픽셀들을 임계값을 기준으로 흑백(black and white) 픽셀들로 분류할 경우에 흑색 픽셀의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 이진(binary) 특징값을 생성하는 단계;
각각의 단위 셀에 대해, 외곽선(contour)이 추출되는지 여부에 따라 참 또는 거짓인 외곽선 특징값을 생성하는 단계;
아다부스트 알고리즘에 따라, 각각의 예제 이미지들로부터 제1 내지 제3 색성분 특징값들, 이진 특징값 및 외곽선 특징값을 생성하는 약한 분류기들의 결합된 오차가 최소가 되도록 선택된 분류 가중치들로써 강한 분류기를 설정하는 단계;
상기 설정된 강한 분류기에서, 입력된 이미지 내의 보행자 오브젝트 포함 여부를 분류하는 단계를 포함할 수 있다.
이 경우에, 일 실시예에서, 상기 제1 내지 제3 색성분들은 각각 적색(Red), 녹색(Green) 및 청색(Blue)일 수 있다.
일 실시예에 따라, 상기 제1 내지 제3 색성분들은 CMYK, YUV, YIQ, HSL, HSV, HSI 중 채택되는 어느 한 색 공간의 좌표 성분들에 상응할 수 있다.
일 실시예에 따라, 상기 소정의 비율은 1/2일 수 있다.
본 발명의 다른 측면에 따른 아다부스트 기반 보행자 검출 장치는,
이미지를 각각으로부터 복수의 특징값들(features)이 추출되기 위한 복수의 단위 셀들로 분할하는 이미지 분할부;
각각의 단위 셀에 대해, 제1 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 상기 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제1 색성분 특징값을 생성하는 제1 색성분 특징값 분류기;
각각의 단위 셀에 대해, 제2 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제2 색성분 특징값을 생성하는 제2 색성분 특징값 분류기;
각각의 단위 셀에 대해, 제3 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제3 색성분 특징값을 생성하는 제3 색성분 특징값 분류기;
각각의 단위 셀에 대해, 각각의 픽셀들을 임계값을 기준으로 흑백(black and white) 픽셀들로 분류할 경우에 흑색 픽셀의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 이진(binary) 특징값을 생성하는 이진 특징값 분류기;
각각의 단위 셀에 대해, 외곽선(contour)이 추출되는지 여부에 따라 참 또는 거짓인 외곽선 특징값을 생성하는 외곽선 특징값 분류기;
아다부스트 알고리즘에 따라, 각각의 예제 이미지들로부터 제1 내지 제3 색성분 특징값들, 이진 특징값 및 외곽선 특징값을 각각 생성하는 약한 분류기들의 결합된 오차가 최소가 되도록 선택된 분류 가중치들로써 강한 분류기를 설정하는 강한 분류기 설정부; 및
입력된 이미지 내의 보행자 오브젝트 포함 여부를 분류하는 강한 분류기를 포함할 수 있다.
일 실시예에 따라, 제1 내지 제3 색성분들은 각각 적색(Red), 녹색(Green) 및 청색(Blue)일 수 있다.
일 실시예에 따라, 상기 제1 내지 제3 색성분들은 CMYK, YUV, YIQ, HSL, HSV, HSI 중 채택되는 어느 한 색 공간의 좌표 성분들에 상응할 수 있다.
일 실시예에 따라, 상기 소정의 비율은 1/2일 수 있다.
본 발명의 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치에 따르면, 이미지를 다수의 셀로 분할한 다음, 셀마다 적색, 청색, 녹색, 외곽선 및 흑백 특징값들을 추출하고, 추출된 특징값들을 아다부스트 학습 알고리즘으로 학습된 아다부스트 분류기에 입력하여 보행자를 추출할 수 있다.
도 1은 본 발명의 일 실시예에 따른 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법의 순서도이다.
도 2은 본 발명의 일 실시예에 따른 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 장치를 예시한 블록도이다.
본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법의 순서도이다.
도 1을 참조하면, 본 발명의 보행자 검출 방법은 먼저 아다부스트 학습 알고리즘을 통해 강한 이진 분류기를 설정하는 단계들(S11 ~ S17)과, 이어서, 설정된 강한 이진 분류기를 통해 이미지 내에서 오브젝트를, 특히 보행자를 검출하는 단계(S18)를 포함한다.
단계(S11)에서, 이미지를 각각으로부터 복수의 특징값들(features)이 추출되기 위한 복수의 단위 셀들로 분할한다.
단계(S12)에서, 각각의 단위 셀에 대해, 제1 색성분(color component)이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참(true) 또는 거짓(false)인 제1 색성분 특징값을 생성한다.
단계(S13)에서, 각각의 단위 셀에 대해, 제2 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제2 색성분 특징값을 생성한다.
단계(S14)에서, 각각의 단위 셀에 대해, 제3 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제3 색성분 특징값을 생성한다.
실시예에 따라서, 제1 내지 제3 색성분은 특정한 색 공간(color space) 내의 좌표 성분에 상응할 수 있다.
실시예에 따라서, 채택된 색 공간은 RGB이고, 제1 내지 제3 색성분은 각각 적색(Red), 녹색(Green), 청색(Blue)이다.
다른 실시예에서는, 제1 내지 제3 색성분은 CMYK, YUV, YIQ, HSL, HSV, HSI 중 채택되는 어느 한 색 공간의 좌표 성분일 수 있다.
실시예에 따라서, 소정의 비율은 1/2일 수 있다.
단계(S15)에서, 각각의 단위 셀에 대해, 각각의 픽셀들을 소정의 임계값을 기준으로 흑백(black and white) 픽셀들로 분류할 경우에 흑색 픽셀의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 이진(binary) 특징값을 생성한다.
단계(S16)에서, 각각의 단위 셀에 대해, 외곽선(contour)이 추출되는지 여부에 따라 참 또는 거짓인 외곽선 특징값을 생성한다.
단계(S17)에서, 아다부스트 알고리즘에 따라, 각각의 예제 이미지들에 대해 제1 색성분 특징값, 제2 색성분 특징값, 제3 색성분 특징값, 이진 특징값 및 외곽선 특징값을 생성하는 약한 분류기들의 결합된 오차가 최소가 되도록 선택된 분류 가중치들로써 강한 분류기를 설정한다.
구체적으로 설명하면, 먼저 학습을 위해 준비된 N 개의 예제 이미지들 xi (1≤i≤N)의 각각은 보행자인지(yi=1), 또는 보행자가 아닌지(yi=0) 미리 지정되어 있다.
보행자로 레이블된 예제 이미지들의 수 m에 따라 최초의 가중치 분포 D1(i)는 D1(i)=1/(2m)로 초기화된다.
이어서, t=1,....,T인 약한 분류기들에 관하여, t번째의 약한 분류기에 대한 가중치는 다음 수학식 1과 같이 정규화된 가중치 분포
Figure 112013040247296-pat00001
로 갱신된다.
Figure 112013040247296-pat00002
이러한 가중치 분포에 기초하여, 각각의 약한 분류기 ht는 각각의 예제 이미지들 xi에 대해 0 또는 1의 값을 반환하는데, 반환된 값과 지정된 레이블이 다른 경우의 오차들에 예제 이미지들의 가중치 분포를 곱한 값들을 모두 합한 오차값 εt은 다음 수학식 2와 같다.
Figure 112013040247296-pat00003
아다부스트 알고리즘은 t 번째 약한 분류기 ht가 제대로 분류하지 못한 것들을 t+1 번째의 약한 분류기에서는 좀더 잘 분류되도록 분류 가중치를 설정하는 것이 핵심이다.
이를 위해 가중치 분포를 갱신하여야 하며, 특히 부정확하게 분류한 예제 이미지들에 대한 가중치 분포는 증가되고 정확하게 분류한 예제 이미지들에 대한 가중치 분포는 감소되도록 갱신된다. t+1 번째 약한 분류기의 가중치 분포
Figure 112013040247296-pat00004
는 수학식 3의 가중치 분포
Figure 112013040247296-pat00005
를 수학식 1과 같이 정규화한 것과 같다.
Figure 112013040247296-pat00006
이렇게 하여 T 개의 약한 분류기들 ht에 대해 오차가 최소가 되도록 선택된 분류 가중치들
Figure 112013040247296-pat00007
로써, 다음 수학식 4와 같이 강한 분류기 hf가 설정될 수 있다.
Figure 112013040247296-pat00008
이어서, 단계(S18)에서는, 단계(S17)에서 설정된 강한 분류기에 이미지를 입력하여 이미지 내의 보행자 오브젝트 포함 여부를 분류한다.
도 1의 단계에서 보행자의 추출을 도시적으로 설명하기 위해 잠시 도 2를 참조하면, 도 2는 본 발명의 일 실시예에 따른 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법을 예시한 개념도이다.
도 2에서, 원본 예제 이미지들은 일단 복수의 단위 셀들, 여기서는 5x9 개의 단위 셀들로 분할된다.
각각의 단위 셀에 대해, 다섯 가지의 약한 분류기들이 제1 내지 제3 색성분들에 기초한 제1 내지 제3 색성분 특징값들과, 이진 변환 후 흑색 픽셀들의 수에 기초한 이진 특징값 및 외곽선의 추출 여부에 기초한 외곽선 특징값을 각각 산출한다.
이어서, 설정된 분류 가중치들에 따라, 강한 분류기 hf가 제1 색성분 특징값, 제2 색성분 특징값, 제3 색성분 특징값, 이진 특징값 및 외곽선 특징값에 기초하여 이미지 내에 오브젝트가 보행자인지 여부를 분류한다.
도 3은 본 발명의 일 실시예에 따른 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 장치를 예시한 블록도이다.
보행자 검출 장치(30)는 이미지 분할부(31), 제1 색성분 특징값 분류기(32), 제2 색성분 특징값 분류기(33), 제3 색성분 특징값 분류기(34), 이진 특징값 분류기(35), 외곽선 특징값 분류기(36), 예제 이미지 저장부(37), 강한 분류기 설정부(38), 강한 분류기(39)를 포함할 수 있다.
이미지 분할부(31)는 예제 이미지 저장부(37) 또는 외부의 이미지 소스로부터 입력된 이미지를, 각각으로부터 복수의 특징값들이 추출되기 위한 복수의 단위 셀들로 분할한다.
제1 색성분 특징값 분류기(32)는, 각각의 분할된 단위 셀에 대해, 먼저 제1 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 적색 특징값을 생성한다.
제2 색성분 특징값 분류기(33)는, 각각의 분할된 단위 셀에 대해, 제2 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 녹색 특징값을 생성한다.
제3 색성분 특징값 분류기(34)는, 각각의 분할된 단위 셀에 대해, 제3 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 청색 특징값을 생성한다.
실시예에 따라서, 제1 내지 제3 색성분은 특정한 색 공간 내의 좌표 성분에 상응할 수 있다.
실시예에 따라서, 제1 내지 제3 색성분은 RGB, CMYK, YUV, YIQ, HSL, HSV, HSI 중 채택되는 어느 한 색 공간의 좌표 성분일 수 있다.
실시예에 따라서, 소정의 비율은 1/2일 수 있다.
이진 특징값 분류기(35)는, 각각의 분할된 단위 셀에 대해, 각각의 픽셀들을 소정의 임계값을 기준으로 흑백 픽셀들로 분류한 다음, 흑색 픽셀의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 이진 특징값을 생성한다.
외곽선 특징값 분류기(36)는, 각각의 분할된 단위 셀에 대해, 외곽선이 추출되는지 여부에 따라 참 또는 거짓인 외곽선 특징값을 생성한다.
실시예에 따라, 각 단위 셀마다 상기 특징값 분류기들(32 내지 36)이 제공될 수 있다. 만약 이미지가 5x9 개의 단위 셀로 분할된다면, 총 225 개의 특징값 분류기들이 필요하다.
예제 이미지 저장부(37)는 강한 분류기(39)의 설정을 위해, 각각 보행자인지, 또는 보행자가 아닌지 미리 레이블이 지정되어 있는 N 개의 예제 이미지들을 저장한다.
강한 분류기 설정부(38)는 아다부스트 알고리즘에 따라, 예제 이미지 저장부(37)에 저장된 각각의 예제 이미지들에 대해 제1 내지 제3 색성분 특징값들, 외곽선 특징값 및 이진 특징값을 생성하는 약한 분류기들(32 내지 36)의 결합된 오차가 최소가 되도록 선택된 분류 가중치들로써 강한 분류기(39)를 설정한다.
강한 분류기(39)는 강한 분류기 설정부(38)에 의해 선택된 분류 가중치들을 가지고 설정되어, 외부에서 입력된 이미지들의 분할된 단위 셀들에 대해 이미지 내에 보행자 오브젝트가 포함되는지 여부를 분류할 수 있다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명이 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이와 균등하거나 또는 등가적인 변형 모두는 본 발명 사상의 범주에 속한다 할 것이다.
또한, 본 발명에 따른 장치는 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 기록매체의 예로는 ROM, RAM, 광학 디스크, 자기 테이프, 플로피 디스크, 하드 디스크, 비휘발성 메모리 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
30 보행자 검출 장치
31 이미지 분할부
32 제1 색성분 특징값 분류기
33 제2 색성분 특징값 분류기
34 제3 색성분 특징값 분류기
35 이진 특징값 분류기
36 외곽선 특징값 분류기
37 예제 이미지 저장부
38 강한 분류기 설정부
39 강한 분류기

Claims (10)

  1. 이미지를 각각으로부터 복수의 특징값들(features)이 추출되기 위한 복수의 단위 셀들로 분할하는 단계;
    각각의 단위 셀에 대해, 제1 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 상기 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제1 색성분 특징값을 생성하는 단계;
    각각의 단위 셀에 대해, 제2 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제2 색성분 특징값을 생성하는 단계;
    각각의 단위 셀에 대해, 제3 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제3 색성분 특징값을 생성하는 단계;
    각각의 단위 셀에 대해, 각각의 픽셀들을 임계값을 기준으로 흑백(black and white) 픽셀들로 분류할 경우에 흑색 픽셀의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 이진(binary) 특징값을 생성하는 단계;
    각각의 단위 셀에 대해, 외곽선(contour)이 추출되는지 여부에 따라 참 또는 거짓인 외곽선 특징값을 생성하는 단계;
    아다부스트 알고리즘에 따라, 각각의 예제 이미지들로부터 제1 내지 제3 색성분 특징값들, 이진 특징값 및 외곽선 특징값을 생성하는 약한 분류기들의 결합된 오차가 최소가 되도록 선택된 분류 가중치들로써 강한 분류기를 설정하는 단계;
    상기 설정된 강한 분류기에서, 입력된 이미지 내의 보행자 오브젝트 포함 여부를 분류하는 단계를 포함하는 아다부스트 기반 보행자 검출 방법.
  2. 청구항 1에 있어서, 상기 제1 내지 제3 색성분들은 각각 적색(Red), 녹색(Green) 및 청색(Blue)인 것을 특징으로 하는 아다부스트 기반 보행자 검출 방법.
  3. 청구항 1에 있어서, 상기 제1 내지 제3 색성분들은 CMYK, YUV, YIQ, HSL, HSV, HSI 중 채택되는 어느 한 색 공간의 좌표 성분들에 상응하는 것을 특징으로 하는 아다부스트 기반 보행자 검출 방법.
  4. 청구항 1에 있어서, 상기 소정의 비율은 1/2인 것을 특징으로 하는 아다부스트 기반 보행자 검출 방법.
  5. 컴퓨터에서 청구항 1 내지 청구항 4 중 어느 한 청구항에 따른 아다부스트 기반 보행자 검출 방법을 구현할 수 있는 프로그램이 수록된 컴퓨터로 독출할 수 있는 기록 매체.
  6. 이미지를 각각으로부터 복수의 특징값들(features)이 추출되기 위한 복수의 단위 셀들로 분할하는 이미지 분할부;
    각각의 단위 셀에 대해, 제1 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 상기 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제1 색성분 특징값을 생성하는 제1 색성분 특징값 분류기;
    각각의 단위 셀에 대해, 제2 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제2 색성분 특징값을 생성하는 제2 색성분 특징값 분류기;
    각각의 단위 셀에 대해, 제3 색성분이 문턱값보다 큰 픽셀들의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 제3 색성분 특징값을 생성하는 제3 색성분 특징값 분류기;
    각각의 단위 셀에 대해, 각각의 픽셀들을 임계값을 기준으로 흑백(black and white) 픽셀들로 분류할 경우에 흑색 픽셀의 수를 계수하고, 단위 셀의 전체 픽셀 수에 대한 계수된 픽셀 수의 비율이 소정의 비율을 초과하는지 여부에 따라 참 또는 거짓인 이진(binary) 특징값을 생성하는 이진 특징값 분류기;
    각각의 단위 셀에 대해, 외곽선(contour)이 추출되는지 여부에 따라 참 또는 거짓인 외곽선 특징값을 생성하는 외곽선 특징값 분류기;
    아다부스트 알고리즘에 따라, 각각의 예제 이미지들로부터 제1 내지 제3 색성분 특징값들, 이진 특징값 및 외곽선 특징값을 각각 생성하는 약한 분류기들의 결합된 오차가 최소가 되도록 선택된 분류 가중치들로써 강한 분류기를 설정하는 강한 분류기 설정부; 및
    입력된 이미지 내의 보행자 오브젝트 포함 여부를 분류하는 강한 분류기를 포함하는 아다부스트 기반 보행자 검출 장치.
  7. 청구항 6에 있어서, 상기 제1 내지 제3 색성분들은 각각 적색(Red), 녹색(Green) 및 청색(Blue)인 것을 특징으로 하는 아다부스트 기반 보행자 검출 장치.
  8. 청구항 6에 있어서, 상기 제1 내지 제3 색성분들은 CMYK, YUV, YIQ, HSL, HSV, HSI 중 채택되는 어느 한 색 공간의 좌표 성분들에 상응하는 것을 특징으로 하는 아다부스트 기반 보행자 검출 장치.
  9. 청구항 6에 있어서, 상기 소정의 비율은 1/2인 것을 특징으로 하는 아다부스트 기반 보행자 검출 장치.
  10. 컴퓨터를 청구항 6 내지 청구항 9 중 어느 한 청구항에 따른 아다부스트 기반 보행자 검출 장치로 구동시킬 수 있는 프로그램이 수록된 컴퓨터로 독출할 수 있는 기록 매체.
KR1020130051268A 2013-05-07 2013-05-07 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치 KR101419837B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130051268A KR101419837B1 (ko) 2013-05-07 2013-05-07 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130051268A KR101419837B1 (ko) 2013-05-07 2013-05-07 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101419837B1 true KR101419837B1 (ko) 2014-07-21

Family

ID=51742249

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130051268A KR101419837B1 (ko) 2013-05-07 2013-05-07 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101419837B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101748412B1 (ko) * 2016-02-17 2017-06-19 중앙대학교 산학협력단 특징값 결합 방식을 이용하는 보행자 검출 방법 및 그 장치
KR20170137273A (ko) 2016-06-02 2017-12-13 중앙대학교 산학협력단 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법
CN107832722A (zh) * 2017-11-17 2018-03-23 江南大学 一种基于AdaBoost的人脸检测分类器构造方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003022068A (ja) 2001-07-06 2003-01-24 Sony Corp 画像処理装置及び方法
KR20090113617A (ko) * 2008-04-28 2009-11-02 성균관대학교산학협력단 영상 선택 방법, 장치 및 그 방법을 실행하는 프로그램이기록된 기록매체
JP4747122B2 (ja) 2007-03-23 2011-08-17 Ｎｅｃシステムテクノロジー株式会社 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム
JP2012190258A (ja) 2011-03-10 2012-10-04 Denso Corp エッジ点抽出装置、車線検出装置、およびプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003022068A (ja) 2001-07-06 2003-01-24 Sony Corp 画像処理装置及び方法
JP4747122B2 (ja) 2007-03-23 2011-08-17 Ｎｅｃシステムテクノロジー株式会社 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム
KR20090113617A (ko) * 2008-04-28 2009-11-02 성균관대학교산학협력단 영상 선택 방법, 장치 및 그 방법을 실행하는 프로그램이기록된 기록매체
JP2012190258A (ja) 2011-03-10 2012-10-04 Denso Corp エッジ点抽出装置、車線検出装置、およびプログラム

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101748412B1 (ko) * 2016-02-17 2017-06-19 중앙대학교 산학협력단 특징값 결합 방식을 이용하는 보행자 검출 방법 및 그 장치
KR20170137273A (ko) 2016-06-02 2017-12-13 중앙대학교 산학협력단 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법
CN107832722A (zh) * 2017-11-17 2018-03-23 江南大学 一种基于AdaBoost的人脸检测分类器构造方法
CN107832722B (zh) * 2017-11-17 2021-05-28 江南大学 一种基于AdaBoost的人脸检测分类器构造方法

Similar Documents

Publication Publication Date Title
CN112381775B (zh) 一种图像篡改检测方法、终端设备及存储介质
KR101640998B1 (ko) 화상 처리 장치 및 화상 처리 방법
Vezhnevets et al. A survey on pixel-based skin color detection techniques
CN113361495B (zh) 人脸图像相似度的计算方法、装置、设备及存储介质
CN111767882A (zh) 一种基于改进yolo模型的多模态行人检测方法
CN110298297B (zh) 火焰识别方法和装置
Sheikh et al. Traffic sign detection and classification using colour feature and neural network
US20130322743A1 (en) Multi-class identifier, method, and computer-readable recording medium
US9563821B2 (en) Method, apparatus and computer readable recording medium for detecting a location of a face feature point using an Adaboost learning algorithm
WO2011042601A1 (en) Face recognition in digital images
US8290277B2 (en) Method and apparatus for setting a lip region for lip reading
Islam Traffic sign detection and recognition based on convolutional neural networks
KR101222100B1 (ko) 정면 얼굴 검출 장치
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN103617414A (zh) 一种基于最大间距准则的火灾颜色模型及火灾火焰和烟雾识别方法
CN111259756A (zh) 基于局部高频次特征和混合度量学习的行人重识别方法
CN107315990A (zh) 一种基于xcs‑lbp特征以及级联aksvm的行人检测算法
Song et al. Background subtraction based on Gaussian mixture models using color and depth information
Mammeri et al. North-American speed limit sign detection and recognition for smart cars
Amosov et al. Human localization in the video stream using the algorithm based on growing neural gas and fuzzy inference
KR101419837B1 (ko) 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치
CN111814562A (zh) 车辆的识别方法、车辆识别模型的训练方法及相关装置
KR20130126386A (ko) 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치
Das et al. Human face detection in color images using HSV color histogram and WLD
Sarkar et al. Universal skin detection without color information

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170703

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180808

Year of fee payment: 5