KR101477649B1 - Object detection device of using sampling and posterior probability, and the method thereof - Google Patents

Object detection device of using sampling and posterior probability, and the method thereof Download PDF

Info

Publication number
KR101477649B1
KR101477649B1 KR20130119890A KR20130119890A KR101477649B1 KR 101477649 B1 KR101477649 B1 KR 101477649B1 KR 20130119890 A KR20130119890 A KR 20130119890A KR 20130119890 A KR20130119890 A KR 20130119890A KR 101477649 B1 KR101477649 B1 KR 101477649B1
Authority
KR
South Korea
Prior art keywords
window
sampling
probability
image
posterior probability
Prior art date
Application number
KR20130119890A
Other languages
Korean (ko)
Inventor
이충희
임영철
김동영
박지호
김남혁
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR20130119890A priority Critical patent/KR101477649B1/en
Application granted granted Critical
Publication of KR101477649B1 publication Critical patent/KR101477649B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/754—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries involving a deformation of the sample pattern or of the reference pattern; Elastic matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

The present invention relates to a method for detecting an object through a sampling scheme and a posterior probability. An initial image is acquired, and random sampling is performed with respect to the acquired initial image. A feature vector is extracted from a window of the sampled initial image. An object existence probability is calculated with respect to the window by a classifier and a posterior probability density function is calculated with respect to the initial image. Thereafter, a next image is acquired, and a sampling initial position of the next image is determined through the posterior probability density function of the initial image. A posterior probability density function is calculated with respect to a window of the next image, and at least one window is extracted from the next image through a Markov Chain Monte Carlo (MCMC) scheme. After determining the existence of an object from each window, the posterior probability density function is calculated with respect to the next image based on the determined object existence state.

Description

샘플링과 사후 확률을 이용한 객체 검출 장치 및 그 방법 {Object detection device of using sampling and posterior probability, and the method thereof}BACKGROUND OF THE INVENTION 1. Field of the Invention [0001] The present invention relates to an object detection apparatus and a method for detecting an object using sampling and posterior probability,

본 발명은 객체 검출 장치 및 그 방법에 관한 것으로, 구체적으로 샘플링과 사후 확률을 이용한 객체 검출 장치 및 그 방법에 관한 것이다.
The present invention relates to an object detecting apparatus and method, and more particularly, to an object detecting apparatus and method using sampling and posterior probability.

최근 지능형 자동차, 로봇, 영상 보안 등 다양한 응용 분야에서 카메라를 이용하여 차량, 보행자, 얼굴 등 다양한 객체 검출 방법들에 대한 연구가 활발하게 진행되고 있다. 기존의 객체 검출 시스템은 도면 1에서와 같이 영상에서의 특징 추출(feature extraction)과 분류기(classifier)를 결합하여 학습 영상에 대하여 학습을 시킨 후, 실험 영상에 슬라이딩 윈도우(sliding window)방식으로 전 영역을 검색하여 객체의 존재 유무를 판단함으로써 특정 객체를 검출한다. In recent years, researches on various object detection methods such as a vehicle, a pedestrian, and a face using a camera have been actively conducted in various applications such as an intelligent car, a robot, and a video security. In the conventional object detection system, as shown in FIG. 1, the learning image is learned by combining the feature extraction and the classifier in the image, and then the entire image is detected by sliding window method And detects a specific object by determining whether or not the object exists.

슬라이딩 윈도우 방식은 영상에서 객체를 검출하고자 할 때, 일정한 크기의 사각형 윈도우를 영상 내에서 이동시키면서, 각 윈도우 내에서 객체가 존재하는 지를 판단하는 방식이다. 윈도우를 이동시킬 때, 소수의 화소 단위로 이동시키기 때문에, 이동 화소의 단위에 따라 연산 기간이 급격하게 증가하는 문제가 발생한다. The sliding window method is a method of determining whether an object exists in each window while moving a rectangular window of a predetermined size in an image when detecting an object in the image. When the window is moved, since the pixel is shifted by a small number of pixels, there arises a problem that the operation period is rapidly increased depending on the unit of the moving pixel.

그런데, 종래 기술은 이동 화소가 적어질수록 객체 검출 정밀도가 향상될 수 있지만, 연산 시간이 증가하고, 이동 화소가 커질수록 연산 시간이 단축되지만, 객체 검출 정밀도와 정확도가 떨어지는 문제점이 있었다.
However, according to the related art, the object detection accuracy can be improved as the number of motion pixels is decreased. However, there is a problem that the calculation time is increased and the calculation time is shortened as the moving pixels are increased.

본 발명은 객체가 존재하는 영역에서는 샘플링을 많이 하고, 객체가 존재하지 않는 영역에서는 샘플링을 적게 함으로써, 객체 검출에 필요한 연산 시간을 줄이면서, 객체 검출 정밀도를 향상시킬 수 있는 객체 검출 장치 및 그 방법을 제공하는 것을 목적으로 한다.
The present invention relates to an object detecting apparatus and method capable of improving object detection precision while reducing the computation time required for object detection by making the sampling in the region where the object exists and the sampling in the region in which the object is not present reduced And to provide the above objects.

본 발명의 일면에 따른, 샘플링과 사후 확률을 이용한 객체 검출 방법은 초기 영상을 획득하는 단계; 획득한 상기 초기 영상에 대하여 랜덤 샘플링을 수행하는 단계; 샘플링된 상기 초기 영상의 윈도우에 대하여 특징 벡터를 추출하는 단계; 분류기를 통해 상기 윈도우에 대한 객체 존재 확률을 계산하는 단계; 상기 초기 영상에 대한 사후 확률 밀도 함수를 계산하는 단계; 다음 영상을 획득하는 단계; 계산된 상기 초기 영상의 사후 확률 밀도 함수를 통하여 획득된 상기 다음 영상의 샘플링 초기 위치를 결정하는 단계; 상기 다음 영상의 윈도우에 대한 사후 확률 밀도 함수를 계산하는 단계; MCMC 방법을 통하여 적어도 상기 다음 영상으로부터 하나의 윈도우를 추출하는 단계; 추출한 상기 각 윈도우로부터 객체 존재 유무를 판단하는 단계; 및 판단된 상기 객체 존재 유무를 고려하여 상기 다음 영상에 대하여 사후 확률 밀도 함수를 계산하는 단계를 포함하되, 상기 MCMC 방법을 통하여 적어도 하나의 윈도우를 추출하는 단계는 상기 객체 존재 확률이 기설정된 임계값 이상이면 기설정된 임계값 이상의 샘플링을 수행한 후 적어도 하나의 윈도우를 추출하고, 상기 객체 존재 확률이 기설정된 임계값 미만이면 기설정된 임계값 이하의 샘플링을 수행한 후 적어도 하나의 윈도우를 추출하는 것이다.
According to an aspect of the present invention, there is provided a method of detecting an object using sampling and posterior probability, comprising: obtaining an initial image; Performing random sampling on the acquired initial image; Extracting a feature vector for a window of the sampled initial image; Calculating an object existence probability for the window through a classifier; Calculating a posterior probability density function for the initial image; Acquiring a next image; Determining a sampling initial position of the next image obtained through a posterior probability density function of the initial image; Calculating a posterior probability density function for a window of the next image; Extracting at least one window from the next image through an MCMC method; Determining whether an object exists from each of the extracted windows; And calculating a posterior probability density function for the next image in consideration of the presence or absence of the determined object, wherein the step of extracting at least one window through the MCMC method comprises: Sampling is performed over a predetermined threshold value, and at least one window is extracted. When the object existence probability is less than a predetermined threshold value, sampling is performed below a predetermined threshold value, and at least one window is extracted .

본 발명에 따르면, 카메라를 이용하여 특정 객체를 검출하고자 할 때, 효율적으로 연산 시간을 줄이면서, 검출 성능을 향상시키게 된다. According to the present invention, when a specific object is detected by using a camera, the detection performance is improved while efficiently reducing the calculation time.

기존의 객체 검출 방법에서 사용되었던 슬라이딩 윈도우 방식에 비하여, 본 발명에서 제안된 샘플링 기반의 영상 검색 방식은 연산 속도를 향상시킬 수 있고, 분류기의 출력 결과뿐만 아니라 이전 상태의 사전 확률, 객체의 움직임 정보 등을 융합한 사후 확률을 이용하여 객체를 검출하기 때문에 검출 성능도 향상시킬 수 있다. Compared with the sliding window method used in the existing object detection method, the sampling-based image search method proposed by the present invention can improve the operation speed and can improve not only the output result of the classifier but also the prior probability of the previous state, The detection performance can be improved because the object is detected by using the posterior probability of convergence.

특히, 현재 영상에서 샘플링할 때는 이전 영상에서의 사후 확률 밀도 함수에 기반하여 샘플링을 하기 때문에 객체가 존재하는 영역에서는 샘플을 조밀하게 하게 되고, 객체가 존재하지 않는 영역에서는 성기게 샘플을 함으로써, 검색 효율을 높일 수 있다. In particular, when sampling in the current image, sampling is performed based on the posterior probability density function in the previous image, so that the sample is dense in the region where the object exists, The efficiency can be increased.

또한, 지능형 자동차에서의 사고 경감 시스템, 운전 보조 시스템, 자율 주행 등의 기술로 응용될 수 있으며, 지능형 감시 카메라는 지능형 로봇 등의 상황 인지 시스템에도 활용될 수 있다.
In addition, it can be applied to technologies such as an accident mitigation system, an assistant driving system, and autonomous driving in an intelligent automobile, and an intelligent surveillance camera can be applied to a situation recognition system such as an intelligent robot.

도 1은 종래 발명의 실시 예에 따른 기존의 객체 검출 방법을 도시한 도면.
도 2는 본 발명의 실시 예에 따른 샘플링과 사후 확률을 이용한 객체 검출 방법의 순서도.
도 3은 본 발명의 실시 예에 따른 초기 영상에 대한 랜덤 샘플링을 도시한 도면.
도 4는 본 발명의 실시 예에 따른 MCMC를 이용한 샘플링을 도시한 도면. BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a diagram illustrating a conventional object detection method according to an embodiment of the present invention; FIG.
2 is a flowchart of an object detection method using sampling and posterior probability according to an embodiment of the present invention.
3 illustrates random sampling of an initial image according to an embodiment of the present invention.
4 is a diagram illustrating sampling using an MCMC according to an embodiment of the present invention.

본 발명의 이 점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술 되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의된다. 한편, 본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가함을 배제하지 않는다.These and other features and advantages of the present invention will become more apparent from the following detailed description of the present invention when taken in conjunction with the accompanying drawings. The present invention may, however, be embodied in many different forms and should not be construed as being limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the concept of the invention to those skilled in the art. To fully disclose the scope of the invention to a person skilled in the art, and the invention is defined by the scope of the claims. It is to be understood that the terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. In the present specification, the singular form includes plural forms unless otherwise specified in the specification. &Quot; comprises "and / or" comprising ", as used herein, unless the recited component, step, operation, and / Or add-ons.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명하기로 한다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 2는 본 발명의 실시 예에 따른 샘플링과 사후 확률을 이용한 객체 검출 방법의 순서도이다. 2 is a flowchart of an object detection method using sampling and posterior probability according to an embodiment of the present invention.

도 2에 도시한 바와 같이, 먼저 초기 영상을 획득한다(S210).As shown in FIG. 2, an initial image is first obtained (S210).

이어, 획득한 초기 영상에 대하여 랜덤 샘플링을 수행한다(S220). 구체적으로 초기 영상에 대하여 전 영역에 대하여 균일하게 N개의 윈도우를 샘플링한다. Next, random sampling is performed on the acquired initial image (S220). Specifically, N windows are uniformly sampled over the entire region with respect to the initial image.

샘플링된 초기 영상의 윈도우에 대하여 특징 벡터를 추출한다(S230).A feature vector is extracted for the window of the sampled initial image (S230).

분류기를 통해 윈도우에 대한 객체 존재 확률을 계산한다(S240). 구체적으로 각각의 윈도에 대하여 객체의 존재 확률을 계산한다. 이때, 각 윈도우에 대한 객체 존재 확률

Figure 112013091081580-pat00001
는 분류기의 출력 점수에 의해 결정된다. The object existence probability for the window is calculated through the classifier (S240). Specifically, the probability of existence of an object is calculated for each window. At this time, the object existence probability
Figure 112013091081580-pat00001
Is determined by the output score of the classifier.

Figure 112013091081580-pat00002
Figure 112013091081580-pat00002

수학식 1에서

Figure 112013091081580-pat00003
는 초기의 i번째 샘플(윈도우)에 대한 상태 벡터를 나타내며, f(x)는 상태 벡터에 대한 영상으로부터 추출된 특징 벡터를 의미하며, h(x)는 분류기 모델을 나타낸다. 이때, 분류기는 0.0 ~ 1.0의 확률 값으로 표현된다. In Equation (1)
Figure 112013091081580-pat00003
(X) denotes a feature vector extracted from an image of the state vector, and h (x) denotes a classifier model. At this time, the classifier is represented by a probability value of 0.0 to 1.0.

계속하여, 초기 영상에 대한 사후 확률 밀도 함수를 계산한다(S250). 구체적으로 균일하게 임의로 선택된 윈도우에 대한 존재 확률을 이용하여 초기 영상에 대한 확률 밀도 함수를 계산한다. Subsequently, a posterior probability density function for the initial image is calculated (S250). Specifically, the probability density function for the initial image is calculated using the probability of existence for a window that is uniformly randomly selected.

다음으로, 다음 영상을 획득한다(S260). 구체적으로 다음 영상부터는 이전 영상에서 계산된 사후 확률(posterior probability), 객체의 움직임에 대한 사전 확률(prior probability), 분류기 출력에 대한 우도(likelihood)에 의하여 현재 샘플링된 윈도우에 대한 객체 존재 확률을 계산한다. Next, the next image is obtained (S260). Specifically, from the next image, we calculate the object existence probability for the currently sampled window by posterior probability computed in the previous image, prior probability for object motion, and likelihood for the classifier output do.

Figure 112013091081580-pat00004
Figure 112013091081580-pat00004

수학식 (2)에서

Figure 112013091081580-pat00005
는 i번째 샘플에 대한 사전 확률,
Figure 112013091081580-pat00006
는 i번째 샘플에 대한 우도,
Figure 112013091081580-pat00007
는 i번째 샘플에 대한 이전 사후 확률, k는 정규화 상수를 나타낸다. In Equation (2)
Figure 112013091081580-pat00005
Is the prior probability for the i < th > sample,
Figure 112013091081580-pat00006
Is the likelihood for the i < th > sample,
Figure 112013091081580-pat00007
Is the previous posterior probability for the ith sample, and k is the normalization constant.

계산된 초기 영상의 사후 확률 밀도 함수를 통하여 획득된 다음 영상의 샘플링 초기 위치를 결정한다(S270). 구체적으로 두 번째 영상(다음 영상)부터 샘플링할 때는 이전 영상의 사후 확률 밀도 함수에 의하여 초기 위치가 결정된다. The initial sampling position of the next image obtained through the posterior probability density function of the calculated initial image is determined (S270). Specifically, when sampling from the second image (next image), the initial position is determined by the posterior probability density function of the previous image.

다음 영상의 윈도우에 대한 사후 확률 밀도 함수를 계산한다(S280).The posterior probability density function for the window of the next image is calculated (S280).

MCMC 방법을 통하여 적어도 다음 영상으로부터 하나의 윈도우를 추출한다(S290). 즉, 이전 영상에 객체가 존재할 확률이 높은 위치에서부터 샘플링을 시작하여 마르코프 사슬 몬테 카를로(Markov chain Monte Carlo : MCMC) 방법으로, 객체가 존재할 확률이 높은 영역으로 윈도우를 이동시킨다. 따라서, 객체가 존재할 확률이 높은 영역에서는 밀집되게(densely) 샘플링을 하고, 그렇지 않은 영역에서는 샘플링을 성기게(sparsely) 한다. At least one window is extracted from the next image through the MCMC method (S290). That is, the sampling is started from a position where an object is likely to exist in a previous image, and the window is moved to an area where the object is likely to exist by the Markov chain Monte Carlo (MCMC) method. Therefore, densely sampling is performed in a region where an object is likely to exist, and sparsely sampling is performed in an area where an object is highly likely to exist.

즉, 객체 존재 확률이 기설정된 임계값 이상이면 기설정된 임계값 이상의 샘플링을 수행한 후 적어도 하나의 윈도우를 추출하고, 객체 존재 확률이 기설정된 임계값 미만이면 기설정된 임계값 이하의 샘플링을 수행한 후 적어도 하나의 윈도우를 추출한다. That is, if the object existence probability is equal to or greater than a preset threshold value, sampling is performed over a predetermined threshold value and then at least one window is extracted. If the object existence probability is less than a preset threshold value, sampling below a predetermined threshold value is performed And then extracts at least one window.

샘플링된 윈도우에 대하여 수학식 2를 적용하여 사후 확률을 계산하고, 현재 샘플 (

Figure 112013091081580-pat00008
)을 선택할 것인지, 거절할 것인지는 Metroplis-Hastings 알고리즘에서 선택 확률 (acceptance probability) a의 확률에 의하여 결정된다. The posterior probability is calculated by applying Equation (2) to the sampled window, and the current sample
Figure 112013091081580-pat00008
) Is determined by the probability of acceptance probability a in the Metroplis-Hastings algorithm.

Figure 112013091081580-pat00009
Figure 112013091081580-pat00009

현재의 샘플이 선택되면, 새로운 상태 벡터(

Figure 112013091081580-pat00010
)로 이동하고, 다음 샘플에 대하여 동일한 연산을 수행한다. When the current sample is selected, a new state vector (
Figure 112013091081580-pat00010
), And performs the same operation on the next sample.

계속하여, 추출한 각 윈도우로부터 객체 존재 유무를 판단한다(S300). 구체적으로 모든 샘플에 대한 사후 확률을 계산하여 각각의 샘플에 대하여 객체의 존재 유무를 판단한다. Subsequently, the presence or absence of an object is determined from the extracted windows (S300). Specifically, posterior probabilities for all samples are calculated to determine the existence of objects for each sample.

끝으로, 판단된 객체 존재 유무를 고려하여 다음 영상에 대하여 사후 확률 밀도 함수를 계산한다(S310). 영상에 대한 사후 확률 밀도 함수는 다음 영상에서 샘플링을 할 때, 초기치의 위치를 결정하고, 사후 확률을 계산할 때 사용된다. Finally, the posterior probability density function is calculated for the next image in consideration of the presence or absence of the determined object (S310). The posterior probability density function for the image is used to determine the position of the initial value and calculate the posterior probability when sampling in the next image.

도 3은 본 발명의 실시 예에 따른 초기 영상에 대한 랜덤 샘플링을 도시한 도면이다. 3 is a diagram illustrating random sampling of an initial image according to an embodiment of the present invention.

도 3에 도시한 바와 같이, 보행자 영역과 그 외의 영역과 차이가 없이 샘플링이 수행된다. As shown in Fig. 3, sampling is performed with no difference between the pedestrian area and other areas.

도 4는 본 발명의 실시 예에 따른 MCMC를 이용한 샘플링을 도시한 도면이다. 4 is a diagram illustrating sampling using MCMC according to an embodiment of the present invention.

도 4에 도시한 바와 같이, 보행자에 해당하는 영역에서는 조밀하게 샘플링을 하고, 그 외의 영역에서는 성기게 샘플링을 한다. As shown in Fig. 4, densely sampling is performed in an area corresponding to a pedestrian, and genetic sampling is performed in other areas.

본 발명에 따르면, 카메라를 이용하여 특정 객체를 검출하고자 할 때, 효율적으로 연산 시간을 줄이면서, 검출 성능을 향상시키게 된다. According to the present invention, when a specific object is detected by using a camera, the detection performance is improved while efficiently reducing the calculation time.

기존의 객체 검출 방법에서 사용되었던 슬라이딩 윈도우 방식에 비하여, 본 발명에서 제안된 샘플링 기반의 영상 검색 방식은 연산 속도를 향상시킬 수 있고, 분류기의 출력 결과뿐만 아니라 이전 상태의 사전 확률, 객체의 움직임 정보 등을 융합한 사후 확률을 이용하여 객체를 검출하기 때문에 검출 성능도 향상시킬 수 있다. Compared with the sliding window method used in the existing object detection method, the sampling-based image search method proposed by the present invention can improve the operation speed and can improve not only the output result of the classifier but also the prior probability of the previous state, The detection performance can be improved because the object is detected by using the posterior probability of convergence.

특히, 현재 영상에서 샘플링할 때는 이전 영상에서의 사후 확률 밀도 함수에 기반하여 샘플링을 하기 때문에 객체가 존재하는 영역에서는 샘플을 조밀하게 하게 되고, 객체가 존재하지 않는 영역에서는 성기게 샘플을 함으로써, 검색 효율을 높일 수 있다. In particular, when sampling in the current image, sampling is performed based on the posterior probability density function in the previous image, so that the sample is dense in the region where the object exists, The efficiency can be increased.

또한, 지능형 자동차에서의 사고 경감 시스템, 운전 보조 시스템, 자율 주행 등의 기술로 응용될 수 있으며, 지능형 감시 카메라는 지능형 로봇 등의 상황 인지 시스템에도 활용될 수 있다. In addition, it can be applied to technologies such as an accident mitigation system, a driving assist system, and autonomous driving in an intelligent automobile, and an intelligent surveillance camera can be utilized in a situation recognition system such as an intelligent robot.

이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면, 본 발명의 본질적 특성을 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능하다. 따라서, 본 발명에 표현된 실시 예들은 본 발명의 기술적 사상을 한정하는 것이 아니라, 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 권리범위가 한정되는 것은 아니다. 본 발명의 보호범위는 아래의 특허청구범위에 의하여 해석되어야 하고, 그와 동등하거나, 균등한 범위 내에 있는 모든 기술적 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
The foregoing description is merely illustrative of the technical idea of the present invention and various changes and modifications may be made without departing from the essential characteristics of the present invention. Therefore, the embodiments described in the present invention are not intended to limit the scope of the present invention, but are intended to be illustrative, and the scope of the present invention is not limited by these embodiments. It is intended that the present invention cover the modifications and variations of this invention provided they come within the scope of the appended claims and their equivalents, which fall within the scope of the present invention as claimed.

Claims (6)

초기 영상을 획득하는 단계;
획득한 상기 초기 영상에 대하여 랜덤 샘플링을 수행하는 단계;
샘플링된 상기 초기 영상의 윈도우에 대하여 특징 벡터를 추출하는 단계;
분류기를 통해 상기 윈도우에 대한 객체 존재 확률을 계산하는 단계;
상기 초기 영상에 대한 사후 확률 밀도 함수를 계산하는 단계;
다음 영상을 획득하는 단계;
계산된 상기 초기 영상의 사후 확률 밀도 함수를 통하여 획득된 상기 다음 영상의 샘플링 초기 위치를 결정하는 단계;
상기 다음 영상의 윈도우에 대한 사후 확률 밀도 함수를 계산하는 단계;
MCMC 방법을 통하여 적어도 상기 다음 영상으로부터 하나의 윈도우를 추출하는 단계;
추출한 상기 각 윈도우로부터 객체 존재 유무를 판단하는 단계; 및
판단된 상기 객체 존재 유무를 고려하여 상기 다음 영상에 대하여 사후 확률 밀도 함수를 계산하는 단계를 포함하는
샘플링과 사후 확률을 이용한 객체 검출 방법.
Obtaining an initial image;
Performing random sampling on the acquired initial image;
Extracting a feature vector for a window of the sampled initial image;
Calculating an object existence probability for the window through a classifier;
Calculating a posterior probability density function for the initial image;
Acquiring a next image;
Determining a sampling initial position of the next image obtained through a posterior probability density function of the initial image;
Calculating a posterior probability density function for a window of the next image;
Extracting at least one window from the next image through an MCMC method;
Determining whether an object exists from each of the extracted windows; And
And calculating a posterior probability density function for the next image in consideration of the presence or absence of the determined object
Object Detection Method Using Sampling and Post Probability.
제1항에 있어서, 상기 각 윈도우에 대한 객체 존재 확률은
상기 분류기의 출력 점수에 의하여 결정되는 것
인 샘플링과 사후 확률을 이용한 객체 검출 방법.
2. The method of claim 1, wherein the object presence probability for each window is
Which is determined by the output score of the classifier
Object Detection Method Using Sampling and Post Probability.
제1항에 있어서, 상기 분류기는
0.0 내지 1.0의 확률값으로 표현되는 것
인 샘플링과 사후 확률을 이용한 객체 검출 방법.
The apparatus of claim 1, wherein the classifier
Expressed as a probability value of 0.0 to 1.0
Object Detection Method Using Sampling and Post Probability.
제1항에 있어서, 상기 초기 영상에 대한 사후 확률 밀도 함수를 계산하는 단계 이후에,
상기 초기 영상에서 계산된 사후 확률, 상기 객체의 움직임에 대한 사전 확률 및 상기 분류기 출력에 대한 가능성에 의하여 현재 샘플링된 윈도우에 대한 객체 존재 확률을 계산하는 단계를 더 포함하는 것
인 샘플링과 사후 확률을 이용한 객체 검출 방법.
2. The method of claim 1, wherein after calculating the posterior probability density function for the initial image,
And calculating an object existence probability for the window sampled at present based on the posterior probability calculated in the initial image, the prior probability of the object motion, and the likelihood of the classifier output
Object Detection Method Using Sampling and Post Probability.
제1항에 있어서, 상기 초기 영상에 대한 사후 확률 밀도 함수를 계산하는 단계는 균일하게 임의로 선택된 윈도우에 대한 존재 확률을 통해 계산하는 것
인 샘플링과 사후 확률을 이용한 객체 검출 방법.
2. The method of claim 1, wherein calculating the posterior probability density function for the initial image comprises calculating through a probability of existence for a uniformly randomly selected window
Object Detection Method Using Sampling and Post Probability.
제1항에 있어서, 상기 MCMC 방법을 통하여 적어도 하나의 윈도우를 추출하는 단계는
상기 객체 존재 확률이 기설정된 임계값 이상이면 기설정된 임계값 이상의 샘플링을 수행한 후 적어도 하나의 윈도우를 추출하고, 상기 객체 존재 확률이 기설정된 임계값 미만이면 기설정된 임계값 이하의 샘플링을 수행한 후 적어도 하나의 윈도우를 추출하는 것
인 샘플링과 사후 확률을 이용한 객체 검출 방법. The method of claim 1, wherein extracting at least one window through the MCMC method comprises:
If the object existence probability is equal to or greater than a preset threshold value, sampling is performed over a predetermined threshold value, and then at least one window is extracted. If the object existence probability is less than a preset threshold value, Extracting at least one window after
Object Detection Method Using Sampling and Post Probability.
KR20130119890A 2013-10-08 2013-10-08 Object detection device of using sampling and posterior probability, and the method thereof KR101477649B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20130119890A KR101477649B1 (en) 2013-10-08 2013-10-08 Object detection device of using sampling and posterior probability, and the method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20130119890A KR101477649B1 (en) 2013-10-08 2013-10-08 Object detection device of using sampling and posterior probability, and the method thereof

Publications (1)

Publication Number Publication Date
KR101477649B1 true KR101477649B1 (en) 2014-12-30

Family

ID=52680255

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20130119890A KR101477649B1 (en) 2013-10-08 2013-10-08 Object detection device of using sampling and posterior probability, and the method thereof

Country Status (1)

Country Link
KR (1) KR101477649B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751171A (en) * 2015-03-09 2015-07-01 中南大学 Method of classifying Naive Bayes scanned certificate images based on feature weighting
KR20190045651A (en) * 2017-10-24 2019-05-03 강원대학교산학협력단 Variable size sampling method for supporting uniformity confidence in data stream environment
WO2021137533A1 (en) * 2019-12-30 2021-07-08 Samsung Electronics Co., Ltd. Video sampling method and apparatus using the same

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005196750A (en) * 2003-12-12 2005-07-21 Mitsubishi Electric Research Laboratories Inc Method of learning structure of video
JP2010141668A (en) * 2008-12-12 2010-06-24 Nippon Telegr & Teleph Corp <Ntt> Moving object tracking apparatus, moving object tracking method, and moving object tracking program
KR20120105919A (en) * 2011-03-17 2012-09-26 중앙대학교 산학협력단 Apparatus and method for estimating object information of image taken by multiple color filter aperture camera
KR20130053980A (en) * 2011-11-16 2013-05-24 재단법인대구경북과학기술원 Obstacle detection method using image data fusion and apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005196750A (en) * 2003-12-12 2005-07-21 Mitsubishi Electric Research Laboratories Inc Method of learning structure of video
JP2010141668A (en) * 2008-12-12 2010-06-24 Nippon Telegr & Teleph Corp <Ntt> Moving object tracking apparatus, moving object tracking method, and moving object tracking program
KR20120105919A (en) * 2011-03-17 2012-09-26 중앙대학교 산학협력단 Apparatus and method for estimating object information of image taken by multiple color filter aperture camera
KR20130053980A (en) * 2011-11-16 2013-05-24 재단법인대구경북과학기술원 Obstacle detection method using image data fusion and apparatus

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751171A (en) * 2015-03-09 2015-07-01 中南大学 Method of classifying Naive Bayes scanned certificate images based on feature weighting
CN104751171B (en) * 2015-03-09 2016-04-20 中南大学 The naive Bayesian scanning certificate image classification method of feature based weighting
KR20190045651A (en) * 2017-10-24 2019-05-03 강원대학교산학협력단 Variable size sampling method for supporting uniformity confidence in data stream environment
KR101987687B1 (en) 2017-10-24 2019-06-11 강원대학교산학협력단 Variable size sampling method for supporting uniformity confidence in data stream environment
WO2021137533A1 (en) * 2019-12-30 2021-07-08 Samsung Electronics Co., Ltd. Video sampling method and apparatus using the same
US11790655B2 (en) 2019-12-30 2023-10-17 Samsung Electronics Co., Ltd. Video sampling method and apparatus using the same

Similar Documents

Publication Publication Date Title
US11643076B2 (en) Forward collision control method and apparatus, electronic device, program, and medium
CN108846826B (en) Object detection method, object detection device, image processing apparatus, and storage medium
KR102077260B1 (en) Method and apparatus of face recognition using confidence based on probabilistic model
JP4966820B2 (en) Congestion estimation apparatus and method
CN110070029B (en) Gait recognition method and device
CN105404884B (en) Image analysis method
US20140161319A1 (en) Information processing apparatus, method for tracking object and program storage medium
EP2579184B1 (en) Mobile apparatus and method of controlling the same
EP3702957B1 (en) Target detection method and apparatus, and computer device
EP2927871A1 (en) Method and device for calculating number of pedestrians and crowd movement directions
CN103593672A (en) Adaboost classifier on-line learning method and Adaboost classifier on-line learning system
CN105654031B (en) System and method for object detection
CN111191535B (en) Pedestrian detection model construction method based on deep learning and pedestrian detection method
US11887303B2 (en) Image processing model generation method, image processing method and device, and electronic device
CN110781785A (en) Traffic scene pedestrian detection method improved based on fast RCNN algorithm
JP2016058085A (en) Method and device for detecting shielding of object
KR101477649B1 (en) Object detection device of using sampling and posterior probability, and the method thereof
CN104239847A (en) Driving warning method and electronic device for vehicle
Badgujar et al. Hand gesture recognition system
KR20200036079A (en) System and Method for Detecting Deep Learning based Human Object using Adaptive Thresholding Method of Non Maximum Suppression
CN111160274B (en) Pedestrian detection method based on binaryzation fast RCNN (radar cross-correlation neural network)
JP2013064671A (en) Measurement system and measurement method
CN107767401B (en) Infrared target real-time tracking method and device based on nuclear correlation filtering
CN111583305A (en) Neural network training and motion trajectory determination method, device, equipment and medium
CN116740607A (en) Video processing method and device, electronic equipment and storage medium

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: 20170918

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180918

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190924

Year of fee payment: 6