KR20130058286A - Pedestrian detection method of pedestrian detection device - Google Patents

Pedestrian detection method of pedestrian detection device Download PDF

Info

Publication number
KR20130058286A
KR20130058286A KR1020110124209A KR20110124209A KR20130058286A KR 20130058286 A KR20130058286 A KR 20130058286A KR 1020110124209 A KR1020110124209 A KR 1020110124209A KR 20110124209 A KR20110124209 A KR 20110124209A KR 20130058286 A KR20130058286 A KR 20130058286A
Authority
KR
South Korea
Prior art keywords
pedestrian
detection
classifier
pedestrian detection
svm
Prior art date
Application number
KR1020110124209A
Other languages
Korean (ko)
Inventor
여준기
천익재
석정희
윤상훈
노태문
김대환
박원재
고성제
Original Assignee
한국전자통신연구원
고려대학교 산학협력단
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 한국전자통신연구원, 고려대학교 산학협력단 filed Critical 한국전자통신연구원
Priority to KR1020110124209A priority Critical patent/KR20130058286A/en
Publication of KR20130058286A publication Critical patent/KR20130058286A/en

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (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

PURPOSE: A pedestrian detection method of a pedestrian detection device is provided to perform pedestrian detection on a search window using a second classifier with high accuracy after reducing the number of search windows, thereby performing highly accurate detection of an object while reducing the complexity of detection procedure and power consumption. CONSTITUTION: A pedestrian detection device obtains an image from a digital image device and performs blocking of search windows(210,220). The pedestrian detection device selects a specific block from blocks determined by a pre-learned classifier(230) and produces a specific vector of HOG features from the selected block(240,250). The pedestrian detection device calculates a SVM(Support Vector Machine) response value using the produced feature vector, and performs a first object detection by applying the response value to an AdaBoost Classifier(260,270). If a pedestrian is detected at the first object detection, the pedestrian detection device performs a second object detection to the search window(280). [Reference numerals] (210) Obtain an image; (220) Performs blocking of search windows; (230) Pre-learned classifier; (240) Select a specific block; (250) Produce a specific vector; (260) Calculates a SVM response value; (270) Perform a first object detection; (280) Perform a second object detection; (290) Output decision; (AA) No; (BB) Yes

Description

보행자 검출기의 보행자 검출 방법{PEDESTRIAN DETECTION METHOD OF PEDESTRIAN DETECTION DEVICE} Pedestrian detection method of pedestrian detector {PEDESTRIAN DETECTION METHOD OF PEDESTRIAN DETECTION DEVICE}

본 발명은 보행자 검출기에 관한 것으로, 좀 더 구체적으로는 선택적 블록 기반의 보행자 검출기의 보행자 검출 방법에 관한 것이다.The present invention relates to a pedestrian detector, and more particularly to a pedestrian detection method of a selective block-based pedestrian detector.

종래의 디지털 영상에 기반한 물체 검출 기술은 물체 영역을 찾아내기 위하여 영상의 색상이나 휘도 정보를 이용하고 있다. 그러나 종래 기술은 검출 환경, 물체의 색상 등에 민감하여 안정적인 검출 결과를 얻기 어려운 문제점이 있다. Conventional object detection technology based on digital image uses the color or luminance information of the image to find the object area. However, the prior art has a problem that it is difficult to obtain a stable detection result is sensitive to the detection environment, the color of the object.

또한, 종래에는 사전에 정의된 관심 객체의 윤곽 정보를 이용하여 인체나 차량 등의 물체를 검출하는 기술이 사용되고 있다. 예를 들어, 영상의 화소들에 대해 화소 기울기의 방향과 크기를 계산하여 기울기 영상을 도출하고 기울기 영상을 일정 구역으로 나누어 HOG(Histogram of the Oriented Gradient)를 산출한다. 산출한 HOG를 특징 벡터로 하는 기계 학습 알고리즘으로 물체 영역을 검출한다. In addition, conventionally, a technique of detecting an object such as a human body or a vehicle by using previously defined contour information of the object of interest is used. For example, a gradient image is derived by calculating a direction and a magnitude of a pixel gradient with respect to pixels of an image, and the gradient image is divided into predetermined regions to calculate a histogram of the oriented gradient (HOG). The object region is detected by a machine learning algorithm using the calculated HOG as a feature vector.

이러한 기술에 의하면, 물체를 검출함에 있어서 디지털 영상 획득 장치로부터 얻어진 입력 영상의 전 범위를 영상의 좌 상단에서 우 하단 방향으로 순차적으로 조사하여 물체를 검출하는 전역 검색 방법을 활용하기 때문에, 검출 과정의 복잡도가 높아 계산 시간이 많이 소요되는 문제점이 있다. According to this technique, in detecting an object, a global search method for detecting an object by sequentially irradiating the entire range of the input image obtained from the digital image capturing apparatus from the upper left to the lower right of the image is utilized. There is a problem that the calculation time is high because of the complexity.

본 발명은 상술한 기술적 문제를 해결하기 위해 제안된 것으로, 본 발명의 목적은 검출 과정의 복잡도를 줄일 수 있고 보행자의 검출 속도를 빠르게 할 수 있는 보행자 검출기의 보행자 검출 방법을 제공하는 데 있다.The present invention has been proposed to solve the above technical problem, and an object of the present invention is to provide a pedestrian detection method of the pedestrian detector that can reduce the complexity of the detection process and speed up the detection speed of the pedestrian.

본 발명은 보행자 검출기의 보행자 검출 방법에 관한 것으로, 디지털 영상 장치로부터 영상을 취득하고 전역 검색 방법을 통해 탐색 윈도우 블록화를 수행하는 단계; 사전 학습 분류기에서 결정한 블록으로부터 특정 블록을 선택하고 특정 벡터를 산출하는 단계; 상기 산출한 특징 벡터를 이용하여 SVM 반응값을 계산하고, 상기 SVM 반응값을 특징값으로 하여 1차 물체 판정을 수행하는 단계; 및 상기 1차 물체 판정 결과 보행자로 판정되면 해당 탐색 윈도우 영역에 대해 2차 물체 판정을 수행하는 단계를 포함한다.The present invention relates to a pedestrian detection method of a pedestrian detector, comprising: acquiring an image from a digital imaging apparatus and performing search window blocking through a global search method; Selecting a specific block from a block determined by the prior learning classifier and calculating a specific vector; Calculating an SVM response using the calculated feature vector and performing primary object determination using the SVM response as a feature; And if it is determined that the primary object is determined as a pedestrian, performing secondary object determination on the corresponding search window area.

본 발명은 많은 수의 탐색 윈도우를 제거한 후에 높은 정밀도를 가지는 2차 분류기를 적용하여 보행자를 최종 검출하기 때문에, 물체 검출율과 정확도를 유지하면서,복잡도가 낮고 전력 소모가 적은 검출 동작을 수행할 수 있다. Since the present invention finally detects pedestrians by removing a large number of search windows and applying a high-precision secondary classifier, it is possible to perform a detection operation with low complexity and low power while maintaining the object detection rate and accuracy. have.

도 1은 본 발명의 실시 예에 따른 보행자 검출기의 사전 학습 분류기의 구성 및 동작 방법을 설명하기 위한 블록도이다.
도 2는 본 발명의 실시 예에 따른 보행자 검출기의 검출 방법을 보여주는 블록도이다.
도 3은 도 1에 도시된 사전 학습 분류기 생성 과정에서 1차 분류기를 구성하는 N개의 블록을 나타낸 사진이다.
도 4는 지정한 블록의 개수에 따른 물체의 속도 향상 정도를 나타내는 도표이다.
도 5는 본 발명의 보행자 검출기의 검출 성능을 보여주는 그래프이다.1 is a block diagram illustrating a configuration and operation method of a pre-learning classifier of a pedestrian detector according to an exemplary embodiment of the present invention.
2 is a block diagram illustrating a detection method of a pedestrian detector according to an exemplary embodiment of the present invention.
FIG. 3 is a photograph showing N blocks constituting the primary classifier in the process of generating the pre-learning classifier shown in FIG. 1.
4 is a diagram illustrating a degree of speed improvement of an object according to a specified number of blocks.
5 is a graph showing the detection performance of the pedestrian detector of the present invention.

이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 실시 예를 첨부된 도면을 참조하여 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, so that those skilled in the art can easily carry out the technical idea of the present invention.

보행자 검출기는 입력 영상으로부터 특징 벡터를 얻는 추출 부분과 기계 학습 알고리즘으로 보행자 영역을 판단하는 분류 부분을 포함한다. 분류 부분에서 주로 사용되는 SVM(Support Vector Machine)은 학습 데이터인 양성 데이터(positive data)와 음성 데이터(negative data) 사이의 거리를 구하고, 그 가운데에서 마진(margin)이 최대가 되는 최적의 초평면(hyperplane)을 산출하여 판단하는 알고리즘이다. The pedestrian detector includes an extraction part for obtaining a feature vector from an input image and a classification part for determining a pedestrian area by a machine learning algorithm. The support vector machine (SVM), which is mainly used in the classification part, calculates the distance between the positive data and the negative data, which are learning data, and the optimal hyperplane (Minimum) in which the margin is maximized. It is an algorithm that calculates and judges a hyperplane.

특정 벡터로 HOG(Histograms of Oriented Gradients)를 사용하고 분류기로 SVM을 사용하는 기존의 보행자 검출 알고리즘은 높은 검출 성능을 보여주지만, 많은 계산량으로 인해 수행 속도가 느리기 때문에 실시간 검출이 요구되는 시스템에 적용하기에는 무리가 따른다. Conventional pedestrian detection algorithms that use histograms of oriented gradients (HOG) as specific vectors and SVMs as classifiers show high detection performance, but they are slow to perform due to large computations and are not suitable for applications requiring real-time detection. Follow the crowd.

본 발명은 보행자 검출의 속도를 빠르게 할 수 있는 보행자 검출기에 관한 것으로, 종래에는 검색 윈도우 전체에 대하여 검출 과정을 수행하지만, 본 발명은 특정 블록 영역에 대해서만 계산 과정을 수행하고 Adaboost 기법을 이용한다. Adaboost의 결과가 양성(true)인 경우에는 종래의 HOG-SVM 알고리즘을 전체 영역에서 다시 수행하고, 음성(false)인 경우에는 배경 영역으로 판단한다.The present invention relates to a pedestrian detector that can speed up the detection of pedestrians. Conventionally, the detection process is performed for the entire search window, but the present invention performs the calculation process only for a specific block area and uses the Adaboost technique. If the result of Adaboost is true, the conventional HOG-SVM algorithm is performed again in the entire area, and if it is false, the background area is determined.

도 1은 본 발명의 실시 예에 따른 보행자 검출기의 사전 학습 분류기의 구성 및 동작 방법을 설명하기 위한 블록도이다. 종래에는 K개의 블록에 대하여 특징 벡터를 산출하는 반면, 본 발명은 선택적으로 N(N≤K)개의 블록만을 추출하여 빠른 연산을 수행하고 전력 소모도 줄여준다. 본 발명은 물체 검출율 및 정확도는 일정 수준으로 유지하면서, 고속 저전력으로 보행자를 검출할 수 있다.1 is a block diagram illustrating a configuration and operation method of a pre-learning classifier of a pedestrian detector according to an exemplary embodiment of the present invention. Conventionally, while the feature vector is calculated for K blocks, the present invention selectively extracts only N (N ≦ K) blocks to perform fast operation and reduce power consumption. The present invention can detect pedestrians at high speed and low power while maintaining the object detection rate and accuracy at a constant level.

이를 위해서는 본 발명은 2가지 분류기를 사전에 학습할 필요가 있다. 도 1을 참조하면, 보행자 검출기의 사전 학습 분류기(100)는 전체 영상 블록들 가운데 1차 물체 판정을 위해 우선적으로 필요한 블록을 선택하는 학습 과정과 2차 물체 판정을 위한 SVM 분류기를 학습하기 위한 과정으로 구성된다.To this end, the present invention needs to learn two classifiers in advance. Referring to FIG. 1, the pre-learning classifier 100 of the pedestrian detector is a learning process for selecting a block necessary for the primary object determination among all image blocks and a process for learning the SVM classifier for the secondary object determination. It consists of.

도 1에서 사전 학습 데이터(110)는 보행자 영상을 저장한 여러 개의 양성 데이터(positive data)와 보행자가 아닌 영상을 저장한 여러 개의 음성 데이터(negative data)로 이루어져 있다. 이러한 사전 학습 데이터(100)를 이용해 물체 검출 분류기인 HOG-SVM 분류기를 생성(120)한다. 이렇게 생성된 분류기(120)는 2차 분류기로 저장(130)된다. In FIG. 1, the pre-learning data 110 includes a plurality of positive data storing pedestrian images and a plurality of negative data storing images other than pedestrians. The pre-learning data 100 is used to generate 120 a HOG-SVM classifier that is an object detection classifier. The classifier 120 generated as described above is stored 130 as a secondary classifier.

1차 분류기 생성(180)을 위해 저장된 2차 분류기(130)는 사전 학습 데이터(110)에 적용된다. 2차 분류기가 적용(140)된 학습 데이터는 각각의 영상마다 SVM 반응값 f(x)을 가진다. 또한, 이 반응값은 다음의 수학식 1에 의해 영상을 구성하는 블록마다의 값 fi(βi)으로 나눌 수 있다.The secondary classifier 130 stored for the primary classifier generation 180 is applied to the pre-learning data 110. The training data to which the second classifier is applied 140 has an SVM response value f (x) for each image. In addition, this response value can be divided into the value f i (β i ) for each block constituting the image by the following equation (1).

Figure pat00001
Figure pat00001

수학식 1에서 w는 선형 SVM의 가중치 벡터를 나타내며, β는 상수 바이어스(bias)를 나타낸다. βi는 탐색 윈도우(window) 영역을 K개의 블록으로 나눴을 때 각 블록의 특징 벡터를 나타낸다. In Equation 1, w represents a weight vector of the linear SVM, and β represents a constant bias. β i represents the feature vector of each block when the search window area is divided into K blocks.

이와 같이 블록마다 얻은 SVM 반응값(150)을 전체 K개의 블록들 가운데 N개 (N ≤K)의 블록을 선택하기 위하여 특징값으로 활용한다. 즉, 각각의 블록마다 갖는 SVM 반응값 fi(βi)는 하나의 약한 분류기에서 사용되는 특징 값이 되며, AdaBoost 학습(160)을 통해 K개의 블록 가운데 N개의 블록을 선택(170)한다. 이와 같이 선택된 N개의 블록은 AdaBoost 기법의 강한 분류기를 구성하며, 시스템에서 1차 분류기로 활용된다. The SVM response 150 obtained for each block is used as a feature value to select N blocks (N ≦ K) among K blocks. That is, the SVM response value f i (β i ) of each block becomes a feature value used in one weak classifier, and N blocks among K blocks are selected 170 through AdaBoost learning 160. The N blocks thus selected constitute a strong classifier of the AdaBoost technique and are used as the primary classifier in the system.

위와 같이 1차 분류기와 2차 분류기로 구성된 사전 학습 분류기(190)를 이용하여 실제로 물체를 검출하는 단계에서는 도 2과 같은 순서로 검출 작업이 진행된다. 도 2는 본 발명의 실시 예에 따른 보행자 검출기의 검출 방법을 보여주는 블록도이다.As described above, in the step of actually detecting an object using the pre-learning classifier 190 including the primary classifier and the secondary classifier, the detection operation is performed in the order as shown in FIG. 2. 2 is a block diagram illustrating a detection method of a pedestrian detector according to an exemplary embodiment of the present invention.

디지털 영상 획득 장치로부터 얻어진 입력 영상(210)에 대해서 영상의 전 범위를 영상의 좌 상단에서 우 하단 방향으로 순차적으로 조사하여 물체를 검출한다. 이러한 전역 검색 방법을 통해 탐색 윈도우(window) 영역을 지정한다(220). 이때 탐색 윈도우 영역의 크기는 예를 들어 64x128이다. 취득한 영상을 여러 단계의 해상도를 가지는 영상 피라미드(pyramid)를 구성하여 모든 해상도에 대해서 탐색 윈도우를 적용한다. 이렇게 얻은 탐색 윈도우 영역을 K개의 16x16 크기를 갖는 블록으로 블록화하여 처리한다. An object is detected by sequentially irradiating the entire range of the image from the upper left to the lower right of the image to the input image 210 obtained from the digital image capturing apparatus. A search window region is designated through this global search method (220). In this case, the size of the search window area is 64x128, for example. The searched image is applied to all resolutions by constructing an image pyramid having various resolutions. The search window region thus obtained is processed into blocks of K 16x16 blocks.

탐색 윈도우 영역 내의 K개의 블록(240) 가운데 1차 분류기를 적용하는 과정에서는 사전 학습 분류기(230)에서 결정한 N개의 블록에서 HOG 특징 벡터를 산출한다(250). 산출한 특징 벡터를 이용해 N개의 블록에 대한 SVM 반응값을 계산(260)한다. 이 반응값을 특징값으로 하여 1차 분류기인 AdaBoost 기법의 강한 분류기에 적용하여 1차 물체 판정(270)을 수행한다. 1차 물체 판정 결과 보행자가 아닌 것으로 판정되면 해당 탐색 윈도우 영역은 물체가 아닌 영역으로 최종 판정(290)된다. In the process of applying the primary classifier among the K blocks 240 in the search window area, the HOG feature vector is calculated from the N blocks determined by the pre-learning classifier 230 (250). The SVM response values for the N blocks are calculated using the calculated feature vectors (260). The response value is used as a characteristic value and applied to the strong classifier of the AdaBoost technique, which is the primary classifier, to perform the primary object determination 270. If it is determined that the primary object is not a pedestrian, the search window area is finally determined as a non-object area (290).

반면에 1차 물체 판정(270) 결과 보행자로 판정되면 해당 탐색 윈도우 영역은 2차 물체 판정(280)에 적용된다. 2차 물체 판정(280) 과정은 사전 학습 분류기의 2차 분류기를 통해 이루어진다. 2차 분류기를 적용하기 위해서 탐색 영역 내의 K개의 모든 블록에 대한 HOG 특징 벡터를 활용한다. On the other hand, if the primary object determination 270 is determined to be a pedestrian, the corresponding search window area is applied to the secondary object determination 280. The secondary object determination 280 is performed through the secondary classifier of the pre-learning classifier. To apply the second classifier, we use the HOG feature vectors for all K blocks in the search region.

1차 물체 판정(270) 과정에서 N개의 블록에 대한 HOG 특징 벡터를 추출하였으므로, 여기서는 (K-N)개의 블록에 대해서만 벡터를 생성하게 된다. 이미 1차 물체 판정(270)을 통해 많은 수의 탐색 영역이 보행자가 아닌 것으로 판정되었기 때문에 분류 소요 시간이 상대적으로 오래 걸리는 2차 물체 판정(280)이 적용되는 탐색 윈도우 영역의 개수는 줄어들어 분류 속도가 향상될 수 있다. Since the HOG feature vectors for the N blocks are extracted in the process of the primary object determination 270, the vectors are generated only for the (K-N) blocks. Since a large number of search areas have already been determined by the primary object determination 270 as not being pedestrians, the number of search window areas to which the secondary object determination 280 takes relatively long time to classify is reduced, thereby reducing the classification speed. Can be improved.

2차 물체 판정(280)인 HOG-SVM 분류기가 적용된 후에는 최종적으로 물체 판정이 확정되며 판정 결과를 출력(290)함으로써 물체 검출 작업이 완료된다.After the HOG-SVM classifier that is the secondary object determination 280 is applied, the object determination is finally confirmed, and the object detection operation is completed by outputting the determination result 290.

도 3은 도 1에 도시된 사전 학습 분류기 생성 과정에서 1차 분류기를 구성하는 N개의 블록을 나타낸 사진이다. 도 3은 하나의 탐색 윈도우 영역에서 K가 105개 일 때, N개를 각각 30개, 20개, 그리고 10개로 지정했을 때 선택된 블록을 초록색 사각형으로 표시한 것이다.FIG. 3 is a photograph showing N blocks constituting the primary classifier in the process of generating the pre-learning classifier shown in FIG. 1. FIG. 3 shows the selected block in green rectangle when K is 105 in one search window area and N is selected as 30, 20, and 10, respectively.

도 3에서 보는 바와 같이, 선택된 블록의 위치는 보행자의 특징을 잘 표현하는 블록인 경우가 많다. 특히, N = 10인 경우 보행자의 머리, 어깨, 그리고 다리 부분에 해당하는 블록이 선택되는 것을 확인할 수 있다. 위와 같이 선택적으로 N개의 블록만을 고려하여 탐색 윈도우 영역을 1차적으로 분류함으로써 보행자가 아닐 확률이 높은 탐색 윈도우를 제거할 수 있다. As shown in FIG. 3, the location of the selected block is often a block that expresses the characteristics of the pedestrian well. In particular, when N = 10 it can be seen that the block corresponding to the head, shoulders and legs of the pedestrian is selected. As described above, by selectively classifying the search window area considering only N blocks, the search window having a high probability of not being a pedestrian may be removed.

본 발명은 많은 수의 탐색 윈도우를 제거한 후에 높은 정밀도를 가지는 2차 분류기를 적용하여 보행자를 최종 검출하기 때문에, 물체 검출율과 정확도를 유지하면서,복잡도가 낮고 전력 소모가 적은 검출 동작을 수행할 수 있다. 본 발명은 물체 검출 방식의 검출율 및 정확도를 일정 수준으로 유지하면서, 물체 검출 속도를 최대 4.5배까지 향상시킬 수 있다.Since the present invention finally detects pedestrians by removing a large number of search windows and applying a high-precision secondary classifier, it is possible to perform a detection operation with low complexity and low power while maintaining the object detection rate and accuracy. have. The present invention can improve the object detection speed up to 4.5 times while maintaining the detection rate and accuracy of the object detection method at a constant level.

도 4는 지정한 블록의 개수에 따른 물체의 속도 향상 정도를 나타내는 도표이다. 도 4를 참조하면, HOG-SVM은 438.6s의 총 연산 시간을 갖는다. 반면에, 본 발명의 Adaboost 약한 분류기는 N=30인 경우에는 191.1s의 총 연산 시간을 갖는다. 즉, 기존 대비 연산 시간 비율은 43.6%이고 속도는 약 2.3배 향상된다. Adaboost 약한 분류기는 N=10인 경우에는 108.4s 총 연산 시간을 갖고, 속도가 약 4.1배 향상된다. 그리고 N=7인 경우에는 97.9s 총 연산 시간을 갖고 4.5배 속도가 향상된다.4 is a diagram illustrating a degree of speed improvement of an object according to a specified number of blocks. Referring to FIG. 4, the HOG-SVM has a total computation time of 438.6 s. On the other hand, the Adaboost weak classifier of the present invention has a total operation time of 191.1 s when N = 30. In other words, the computation time ratio is 43.6% and the speed is increased by 2.3 times. Adaboost weak classifiers have 108.4 s total computation time when N = 10, and are about 4.1 times faster. In the case of N = 7, the speed is improved by 4.5 times with 97.9 seconds total operation time.

도 5는 본 발명의 보행자 검출기의 검출 성능을 보여주는 그래프이다. 도 5는 종래의 HOG-SVM과 비교한 FPPW(False Positive Per Window)를 보여준다. 본 발명의 실시 예에 따른 보행자 검출기는 Adaboost 검출 단계에서는 약한 분류기로 선택된 7개, 10개, 30개의 블록들을 사용하여 실험하였고, 종래 알고리즘과 비교하였을 때, 10-4 FPPW에서 0.5% 정도의 검출 성능 차이를 보였다.5 is a graph showing the detection performance of the pedestrian detector of the present invention. 5 shows a False Positive Per Window (FPPW) compared to the conventional HOG-SVM. In the Adaboost detection step, the pedestrian detector according to an embodiment of the present invention was tested using 7, 10, and 30 blocks selected as weak classifiers, and compared with the conventional algorithm, about 0.5% of detection was performed at 10 -4 FPPW. The performance difference was shown.

본 발명의 실시 예에 따른 보행자 검출기는 첫째로, 검색 윈도우 전체에서 검출 과정을 수행하지 않고 선택된 특정 블록만을 검출 과정을 수행하는 것으로 속도를 향상시킨다. 다만, 특정 블록만을 이용한 검출 과정은 검출 성능이 기존 알고리즘에 비해 낮으므로, Adaboost 검출 과정에서 양성(positive)라고 판단된 검색 윈도우에 대해서만 전체 블록을 이용한 종래 알고리즘을 다시 한 번 수행하여 검출 성능을 유지한다.First, the pedestrian detector according to an embodiment of the present invention improves the speed by performing a detection process on only a specific block selected without performing a detection process on the entire search window. However, since the detection performance using only a specific block is lower than that of the existing algorithm, the conventional algorithm using the entire block is performed once again only for the search window determined to be positive during the Adaboost detection process to maintain the detection performance. do.

둘째로, 보행자 검출에 입력되는 영상은 배경이 많은 영역을 차지하고 보행자에 해당하는 영역은 매우 적다. 그러므로 특정 블록만 검출 과정을 수행하는 Adaboost 검출 단계에서 배경에 해당하는 많은 수의 검색 윈도우가 음성(negative)로 판단되어 더 이상 검출 과정을 수행하지 않아 속도를 향상시킨다.Second, the image input to the pedestrian detection occupies a large area of the background and there are very few areas corresponding to the pedestrian. Therefore, in the Adaboost detection step in which only a specific block is detected, a large number of search windows corresponding to the background are determined to be negative, and thus, the detection process is no longer performed to improve the speed.

본 발명의 범위 또는 기술적 사상을 벗어나지 않고 본 발명의 구조가 다양하게 수정되거나 변경될 수 있음은 이 분야에 숙련된 자들에게 자명하다. 상술한 내용을 고려하여 볼 때, 만약 본 발명의 수정 및 변경이 아래의 청구항들 및 동등물의 범주 내에 속한다면, 본 발명이 이 발명의 변경 및 수정을 포함하는 것으로 여겨진다. It will be apparent to those skilled in the art that the structure of the present invention can be variously modified or changed without departing from the scope or spirit of the present invention. In view of the foregoing, it is intended that the present invention cover the modifications and variations of this invention provided they fall within the scope of the following claims and equivalents.

Claims (1)

보행자 검출기의 보행자 검출 방법에 있어서:
디지털 영상 장치로부터 영상을 취득하고 전역 검색 방법을 통해 탐색 윈도우 블록화를 수행하는 단계;
사전 학습 분류기에서 결정한 블록으로부터 특정 블록을 선택하고 특정 벡터를 산출하는 단계;
상기 산출한 특징 벡터를 이용하여 SVM 반응값을 계산하고, 상기 SVM 반응값을 특징값으로 하여 1차 물체 판정을 수행하는 단계;
상기 1차 물체 판정 결과 보행자로 판정되면 해당 탐색 윈도우 영역에 대해 2차 물체 판정을 수행하는 단계를 포함하는 보행자 검출 방법.In the pedestrian detection method of the pedestrian detector:
Acquiring an image from the digital imaging apparatus and performing search window blocking through a global search method;
Selecting a specific block from a block determined by the prior learning classifier and calculating a specific vector;
Calculating an SVM response using the calculated feature vector and performing primary object determination using the SVM response as a feature;
And performing a second object determination on a corresponding search window area when the first object determination is determined as a pedestrian.
KR1020110124209A 2011-11-25 2011-11-25 Pedestrian detection method of pedestrian detection device KR20130058286A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110124209A KR20130058286A (en) 2011-11-25 2011-11-25 Pedestrian detection method of pedestrian detection device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110124209A KR20130058286A (en) 2011-11-25 2011-11-25 Pedestrian detection method of pedestrian detection device

Publications (1)

Publication Number Publication Date
KR20130058286A true KR20130058286A (en) 2013-06-04

Family

ID=48857591

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110124209A KR20130058286A (en) 2011-11-25 2011-11-25 Pedestrian detection method of pedestrian detection device

Country Status (1)

Country Link
KR (1) KR20130058286A (en)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050481A (en) * 2014-06-17 2014-09-17 权东晓 Multi-template infrared image real-time pedestrian detection method combining contour feature and gray level
CN104573646A (en) * 2014-12-29 2015-04-29 长安大学 Detection method and system, based on laser radar and binocular camera, for pedestrian in front of vehicle
CN105095835A (en) * 2014-05-12 2015-11-25 比亚迪股份有限公司 Pedestrian detection method and system
CN105825166A (en) * 2015-12-15 2016-08-03 广东亿迅科技有限公司 Human body HOG feature-based pedestrian traffic statistical method and statistical system
US9646363B2 (en) 2014-02-28 2017-05-09 Kyungpook National University Industry-Academic Cooperation Foundation Image processing apparatus and method for detecting object using equi-height mosaicking image, and vehicle operation assisting system employing same
CN106650773A (en) * 2016-10-11 2017-05-10 酒泉职业技术学院 SVM-AdaBoost algorithm-based pedestrian detection method
CN106682602A (en) * 2016-12-16 2017-05-17 深圳市华尊科技股份有限公司 Driver behavior identification method and terminal
CN106897664A (en) * 2017-01-08 2017-06-27 广东工业大学 A kind of pedestrian detection method based on distributed big data platform
CN107145894A (en) * 2017-03-13 2017-09-08 中山大学 A kind of object detection method based on direction gradient feature learning
CN109739209A (en) * 2018-12-11 2019-05-10 深圳供电局有限公司 A kind of electric network failure diagnosis method based on Classification Data Mining

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9646363B2 (en) 2014-02-28 2017-05-09 Kyungpook National University Industry-Academic Cooperation Foundation Image processing apparatus and method for detecting object using equi-height mosaicking image, and vehicle operation assisting system employing same
CN105095835A (en) * 2014-05-12 2015-11-25 比亚迪股份有限公司 Pedestrian detection method and system
CN104050481B (en) * 2014-06-17 2017-05-03 西安电子科技大学 Multi-template infrared image real-time pedestrian detection method combining contour feature and gray level
CN104050481A (en) * 2014-06-17 2014-09-17 权东晓 Multi-template infrared image real-time pedestrian detection method combining contour feature and gray level
CN104573646B (en) * 2014-12-29 2017-12-12 长安大学 Chinese herbaceous peony pedestrian detection method and system based on laser radar and binocular camera
CN104573646A (en) * 2014-12-29 2015-04-29 长安大学 Detection method and system, based on laser radar and binocular camera, for pedestrian in front of vehicle
CN105825166A (en) * 2015-12-15 2016-08-03 广东亿迅科技有限公司 Human body HOG feature-based pedestrian traffic statistical method and statistical system
CN105825166B (en) * 2015-12-15 2019-03-19 广东亿迅科技有限公司 Pedestrian traffic statistical method and statistical system based on human body HOG feature
CN106650773A (en) * 2016-10-11 2017-05-10 酒泉职业技术学院 SVM-AdaBoost algorithm-based pedestrian detection method
CN106682602A (en) * 2016-12-16 2017-05-17 深圳市华尊科技股份有限公司 Driver behavior identification method and terminal
CN106682602B (en) * 2016-12-16 2020-01-21 深圳市华尊科技股份有限公司 Driver behavior identification method and terminal
CN106897664A (en) * 2017-01-08 2017-06-27 广东工业大学 A kind of pedestrian detection method based on distributed big data platform
CN107145894A (en) * 2017-03-13 2017-09-08 中山大学 A kind of object detection method based on direction gradient feature learning
CN107145894B (en) * 2017-03-13 2020-03-13 中山大学 Target detection method based on directional gradient feature learning
CN109739209A (en) * 2018-12-11 2019-05-10 深圳供电局有限公司 A kind of electric network failure diagnosis method based on Classification Data Mining

Similar Documents

Publication Publication Date Title
KR20130058286A (en) Pedestrian detection method of pedestrian detection device
CN109271870B (en) Pedestrian re-identification method, device, computer equipment and storage medium
US9600746B2 (en) Image processing apparatus and image processing method
US9652694B2 (en) Object detection method, object detection device, and image pickup device
CN105512683B (en) Object localization method and device based on convolutional neural networks
US9245206B2 (en) Image processing apparatus and image processing method
EP2864933B1 (en) Method, apparatus and computer program product for human-face features extraction
CN105404884B (en) Image analysis method
CN112949572B (en) Slim-YOLOv 3-based mask wearing condition detection method
JP6884517B2 (en) Information processing equipment, information processing methods and programs
US9443137B2 (en) Apparatus and method for detecting body parts
CN103310194A (en) Method for detecting head and shoulders of pedestrian in video based on overhead pixel gradient direction
KR20140045854A (en) Method and apparatus for monitoring video for estimating gradient of single object
JP2012053756A (en) Image processor and image processing method
CN110298281B (en) Video structuring method and device, electronic equipment and storage medium
JP5936561B2 (en) Object classification based on appearance and context in images
KR101558547B1 (en) Age Cognition Method that is powerful to change of Face Pose and System thereof
KR20170024303A (en) System and method for detecting feature points of face
US9064156B2 (en) Pattern discriminating apparatus
CN108985216B (en) Pedestrian head detection method based on multivariate logistic regression feature fusion
Nanthini et al. A novel Deep CNN based LDnet model with the combination of 2D and 3D CNN for Face Liveness Detection
Liu et al. Fast head-shoulder proposal for scare-aware pedestrian detection
KR101783629B1 (en) System and method for detecting feature points of face
KR102183963B1 (en) Apparatus for Detecting Pedestrian and Method for Measuting Distance Pedestrian
Wu et al. Learning depth from single image using depth-aware convolution and stereo knowledge

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid