KR20170137273A - 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법 - Google Patents

변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법 Download PDF

Info

Publication number
KR20170137273A
KR20170137273A KR1020160069003A KR20160069003A KR20170137273A KR 20170137273 A KR20170137273 A KR 20170137273A KR 1020160069003 A KR1020160069003 A KR 1020160069003A KR 20160069003 A KR20160069003 A KR 20160069003A KR 20170137273 A KR20170137273 A KR 20170137273A
Authority
KR
South Korea
Prior art keywords
pedestrian
image
unit
hog
matching
Prior art date
Application number
KR1020160069003A
Other languages
English (en)
Other versions
KR101866381B1 (ko
Inventor
최광남
최혜지
Original Assignee
중앙대학교 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 중앙대학교 산학협력단 filed Critical 중앙대학교 산학협력단
Priority to KR1020160069003A priority Critical patent/KR101866381B1/ko
Publication of KR20170137273A publication Critical patent/KR20170137273A/ko
Application granted granted Critical
Publication of KR101866381B1 publication Critical patent/KR101866381B1/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
    • G06K9/00362—
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06K9/00805—
    • G06K9/627—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

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

Abstract

본 발명은 DPM(Deformable Part Model)을 사용한 여러 논문들은 보행자의 부분(part)을 평균 4개로 사용하였으며, 가장 작게 나눈 부분(part)은 3개이지만, 본 발명은 단순히 2 부분(part)을 사용하여 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법을 제공하기 위한 것으로서, 이미지가 입력되면, 입력되는 이미지의 보행자 학습 데이터를 상반신과 하반신의 두 부분(part)의 이미지로 분할하는 이미지 분할부와, 입력되는 이미지들이 공통적으로 갖는 HOG(Histogram of Oriented Gradient) 특징을 추출하여 보행자의 이미지를 검출하는 HOG 특징 추출부와, 학습을 통해 상기 HOG 특징 추출부에서 추출된 HOG 특징의 보행자 이미지의 상세한 모양 정보를 상기 이미지 분할부에서 분할된 두 부분(part)의 학습 데이터와 매칭을 수행하는 DPM 매칭부와, 상기 DPM 매칭부에서 수행되는 매칭을 통해 주변 시설들로부터 신체 중 일부가 가린 보행자 영역까지 보행자 이미지를 검출하는 보행자 검출부를 포함하여 구성되는데 있다.

Description

변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법{Apparatus and Method for Pedestrian Detection using Deformable Part Model}
본 발명은 보행자 검출 장치 및 방법에 관한 것으로, 특히 실제 차량 전방환경에서 획득한 영상에 차와 보행자 또는 주변 교통 시설 등 여러 물건에 의해 보행자가 가려져 차단(occlusion)이 발생하여도 강건한 보행자를 검출 가능한 장치 및 방법에 관한 것이다.
보행자 검출은 현재 자율주행차 또는 지능형 운전자 보조 시스템(Advanced Driver Assisance System : ADAS), 보행자 보호 시스템(Pedestrian Protection System : PPS)에 이용되고 있다. 본 발명은 운전자 보호 시스템에 집중하여 거리에 다니는 보행자나 횡단보도를 이용하는 보행자를 위해 도로주행 환경에서 촬영된 영상을 사용한다.
보행자 검출 과정은 먼저 수집한 영상에서 특징을 추출한 뒤, 기계학습을 통해 보행자 영상이 공통적으로 갖는 특징들을 갖는 함수를 만든다. 그리고 최종적으로 목표하는 대상영상에서 매칭을 통해 보행자 영역을 검출하는 과정으로 이루어진다.
이때, 보행자의 검출은 얼굴과 자동차 등과는 다르게 동작에 따라 다양한 형태변화를 가지기 때문에 매우 도전적인 과제이며 다양한 연구가 이루어지고 있다. 대표적으로 사용되는 영상 특징으로 Haar features와, HOG, LBP 등이 있으며, 이들 특징을 다양한 기계학습 방법으로 학습시킨다.
거의 모든 보행자 검출 시스템에서 쓰이는 방법은 보행자를 HOG(N. Dalal and B. Triggs, "Histograms of Oriented Gradients for Human Detection". in Proc. IEEE Conf. Computer Vision and Pattern Recognition, Vol. 1, pp. 886-893, 2005 참조) 특징화하는 것인데, 기존의 HOG(Histogram of Oriented Gradient) 특징을 사용한 검출기는 단일 물체 모델을 사용하기 때문에 보행자의 전신이 모두 나와야만 검출할 수 있다. 다시 말해, 차(Vehicle) 또는 주변 시설로부터 신체 중 일부를 가린 경우 검출률이 현저하게 떨어진다.
이와 같은 문제점을 보완하기 위해 Felzenszwalb(P.F.Felzenszwalb, R.B.Girshick, D.McAllester, D.Ramanan, "Object Detection with Discriminatively Trained Part Based Model", Pattern Analysis and Machine Intelligence, Vol.32, pp.1627-1645, 2010 참조)는 DPM(Deformable Part Model)을 제안하였다. 이 기술은 물체의 전체적인 모습뿐만 아니라 물체를 구성하는 부분(Part)들도 같이 검출하기 때문에 물체의 일부만 보여도 검출하는 장점이 있다.
한편, 상기 DPM(Deformable Part Model)을 처음 고안한 Felzenszwalb는 보행자를 5개(Head, Right-shoulder, Left-shoulder, Upper-leg, Lower-leg)로 나누어 부분(part)으로 사용했으며, DPM을 사용한 종래 기술은 평균 4개로 보행자의 부분을 나누어서 물체를 검출하고 있다.
그러나 물체의 검출을 위해 이처럼 나누어지는 부분(part) 많아질수록, 물체의 검출률을 향상시킬 수 있는데 반해, 전처리 및 영상의 특징점 검출을 통한 물체의 검출을 위한 처리량이 증가하게 되는 문제점이 있다, 이는 검출속도를 낮추게 되어 물체의 검출시간이 오래 걸리는 문제점으로 발생되게 된다.
등록특허공보 제10-1419837호 (등록일자 2014.07.09) 공개특허공보 제10-2011-0073924호 (공개일자 2011.06.30)
따라서 본 발명은 상기와 같은 문제점을 해결하기 위해 안출한 것으로서, DPM(Deformable Part Model)을 사용한 여러 논문들은 보행자의 부분(part)을 평균 4개로 사용하였으며, 가장 작게 나눈 부분(part)은 3개이지만, 본 발명은 단순히 2 부분(part)을 사용하여 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 변형 가능한 파트 모델을 사용한 보행자 검출 장치의 특징은 이미지가 입력되면, 입력되는 이미지의 보행자 학습 데이터를 상반신과 하반신의 두 부분(part)의 이미지로 분할하는 이미지 분할부와, 입력되는 이미지들이 공통적으로 갖는 HOG(Histogram of Oriented Gradient) 특징을 추출하여 보행자의 이미지를 검출하는 HOG 특징 추출부와, 학습을 통해 상기 HOG 특징 추출부에서 추출된 HOG 특징의 보행자 이미지의 상세한 모양 정보를 상기 이미지 분할부에서 분할된 두 부분(part)의 학습 데이터와 매칭을 수행하는 DPM 매칭부와, 상기 DPM 매칭부에서 수행되는 매칭을 통해 주변 시설들로부터 신체 중 일부가 가린 보행자 영역까지 보행자 이미지를 검출하는 보행자 검출부를 포함하여 구성되는데 있다.
바람직하게 상기 HOG 특징 검출부는 입력되는 이미지의 보행자 학습 데이터를 통해 이미지에서 각각의 특징을 검출하는 특징 검출부와, 상기 학습을 통해 보행자 이미지들이 공통적으로 갖는 특징들을 갖는 함수를 생성하는 특징함수 생성부를 포함하여 구성되는 것을 특징으로 한다.
바람직하게 상기 DPM 매칭부는 학습된 모델에서 상반신과 하반신으로 분류된 각 부분(part)의 이미지들과 상기 HOG 특징 추출부에서 추출된 HOG 특징과의 상대적인 위치로 정의되는 기준 위치(anchor position)와의 변형 위치(거리)를 기반으로 평균 정밀도(average precision)를 산출하는 이진 분류기를 구성하는 것을 특징으로 한다.
바람직하게 상기 이진 분류기는 다음 수식
Figure pat00001
를 이용하여 평균 정밀도를 산출하며, 이때, 상기
Figure pat00002
는 학습된 필터들에 의한 점수를 나타내고, 상기
Figure pat00003
는 부분(part)(x, y)들의 위치 변형에 의한 벌칙을 나타내는 것을 특징으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 변형 가능한 파트 모델을 사용한 보행자 검출 방법의 특징은 (A) 입력되는 이미지들이 공통적으로 갖는 HOG(Histogram of Oriented Gradient) 특징을 HOG 특징 추출부를 통해 추출하여 보행자 이미지를 검출하는 단계와, (B) 입력되는 이미지의 보행자 학습 데이터를 이미지 분할부를 통해 상반신과 하반신의 두 부분(part)의 이미지로 분할하는 단계와, (C) 학습을 통해 상기 추출된 HOG 특징의 보행자 이미지의 상세한 모양 정보를 상기 분할된 두 부분(part)의 학습 데이터와 DPM 매칭부를 통해 매칭을 수행하는 단계와, (D) 상기 수행되는 매칭을 통해 주변 시설들로부터 신체 중 일부가 가린 보행자 영역까지 보행자 이미지를 검출하는 단계를 포함하여 이루어지는데 있다.
바람직하게 상기 (A) 단계는 수집한 이미지에서 HOG(Histogram of Oriented Gradient) 특징을 추출하는 단계와, 기계학습을 통해 보행자 이미지가 공통적으로 갖는 특징들을 갖는 함수를 생성하여 보행자 이미지를 검출하는 단계를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게 상기 (C) 단계는 학습된 필터들에 의한 점수(
Figure pat00004
)들의 합에서 부분(part)(x, y)들의 위치 변형에 의한 벌칙(
Figure pat00005
)을 뺀 점수를 이용하여 평균 정밀도를 산출하여 매칭을 수행하는 것을 특징으로 한다.
이상에서 설명한 바와 같은 본 발명에 따른 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법은 다음과 같은 효과가 있다.
본 발명은 차단(occlusion)이 발생하여도 강건하며, 간단한 보행자의 부분(part)을 사용한 검출기이다. 이 검출기는 기존 검출기보다 검출률을 향상시켰으며, 보행자의 검출률을 향상시키는 시스템에 활용될 수 있다.
그리고 추정 정확도가 높아 검출속도를 빠르게 해주는 CUDA나 병렬처리를 사용하게 된다면 전 자동 시스템으로 발전될 수 있다.
도 1 은 본 발명의 실시예에 따른 변형 가능한 파트 모델을 사용한 보행자 검출 장치의 구성을 나타낸 블록도
도 2 는 도 1에서 이미지 분할부를 통해 보행자 이미지가 두 부분(part)의 이미지로 분할하는 상태를 나타낸 구성도
도 3 은 본 발명의 실시예에 따른 변형 가능한 파트 모델을 사용한 보행자 검출 방법을 설명하기 위한 흐름도
도 4 는 도 3에서 보행자 이미지의 검출 과정을 설명하기 위한 도면
도 5 는 도 3에서 DPM 매칭부를 통해 매칭을 수행하는 과정을 설명하기 위한 도면
본 발명의 다른 목적, 특성 및 이점들은 첨부한 도면을 참조한 실시예들의 상세한 설명을 통해 명백해질 것이다.
본 발명에 따른 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법의 바람직한 실시예에 대하여 첨부한 도면을 참조하여 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록하며 통상의 지식을 가진자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1 은 본 발명의 실시예에 따른 변형 가능한 파트 모델을 사용한 보행자 검출 장치의 구성을 나타낸 블록도이다.
도 1에서 도시하고 있는 것과 같이, 보행자 검출 장치는 DPM기반 알고리즘의 학습데이터 구성을 위해 먼저, 도 2에서 도시하고 있는 것과 같이, 이미지가 입력되면, 입력되는 이미지의 보행자 학습 데이터를 상반신과 하반신의 두 부분(part)의 이미지로 분할하는 이미지 분할부(100)와, 입력되는 이미지들이 공통적으로 갖는 HOG(Histogram of Oriented Gradient) 특징을 추출하여 보행자의 이미지를 검출하는 HOG 특징 추출부(200)와, 학습을 통해 상기 HOG 특징 추출부(200)에서 추출된 HOG 특징의 보행자 이미지의 상세한 모양 정보를 상기 이미지 분할부(100)에서 분할된 두 부분(part)의 학습 데이터와 매칭을 수행하는 DPM 매칭부(300)와, 상기 DPM 매칭부(300)에서 수행되는 매칭을 통해 주변 시설들로부터 신체 중 일부가 가린 보행자 영역까지 보행자 이미지를 검출하는 보행자 검출부(400)로 구성된다.
이때, 상기 HOG 특징 검출부(200)는 입력되는 이미지의 보행자 학습 데이터를 통해 이미지에서 각각의 특징을 검출하는 특징 검출부(210)와, 상기 학습을 통해 보행자 이미지들이 공통적으로 갖는 특징들을 갖는 함수를 생성하는 특징함수 생성부(220)를 포함하여 구성된다.
상기 HOG 특징 검출부(200)는 단일 물체 모델을 사용하기 때문에 보행자의 전신이 모두 나와야만 보행자 영역을 검출할 수 있다. 다시 말해, 차(vehicle) 또는 주변 시설로부터 신체 중 일부를 가릴 경우 검출률이 현저하게 떨어지게 된다.
이를 해결하기 위해, 상기 DPM 매칭부(300)는 이진 분류기(310)를 통해 학습된 모델에서 상반신과 하반신으로 분류된 각 부분(part)의 이미지들과 상기 HOG 특징 추출부(200)에서 추출된 HOG 특징과의 상대적인 위치로 정의되는 기준 위치(anchor position)와의 변형 위치(거리)를 기반으로 평균 정밀도(average precision)를 산출한다.
상기 이진 분류기(310)는 다음 수학식 1을 통해 평균 정밀도를 산출한다.
Figure pat00006
상기 수학식 1에서와 같이, 평균 정밀도는 학습된 필터들에 의한 점수(
Figure pat00007
)들의 합에서 부분(part)(x, y)들의 위치 변형에 의한 벌칙(
Figure pat00008
)을 뺀 점수가 된다.
상기 HOG 특징 검출부(200)만을 이용한 경우와, 상기 DPM 매칭부(300)까지 이용한 경우를 비교한 성능지표는 PASCAL VOC의 지표인 평균 정밀도(average precision)로 계산하였다. 이 결과 다음 표 1과 같이 검출률이 1.5 AP 향상됨을 확인하였다.
Figure pat00009
이는, 보행자의 일부가 어느 물체에 10~30%까지 가려진 차단(occlusion)이 발생한 상태일 때, 기존 알고리즘보다 검출률이 10% 증가함을 나타낸다.
이와 같이 구성된 본 발명에 따른 변형 가능한 파트 모델을 사용한 보행자 검출 장치의 동작을 첨부한 도면을 참조하여 상세히 설명하면 다음과 같다. 도 1 또는 도 2와 동일한 참조부호는 동일한 기능을 수행하는 동일한 부재를 지칭한다.
도 3 은 본 발명의 실시예에 따른 변형 가능한 파트 모델을 사용한 보행자 검출 방법을 설명하기 위한 흐름도이다.
도 3을 참조하여 설명하면, 먼저 HOG 특징 추출부(200)를 통해 입력되는 이미지들이 공통적으로 갖는 HOG(Histogram of Oriented Gradient) 특징을 추출하여 보행자 이미지를 검출한다(S10).
이때, 상기 보행자 이미지의 검출 과정은 도 4에서 도시하고 있는 것과 같이, 수집한 이미지에서 HOG(Histogram of Oriented Gradient) 특징을 추출한 뒤, 기계학습을 통해 보행자 이미지가 공통적으로 갖는 특징들을 갖는 함수를 만든다. 이와 같은 보행자 이미지의 검출은 얼굴과 자동차 등과는 다르게 동작에 따라 다양한 형태변화를 가지기 때문에 매우 도전적인 과제이며, 다양한 연구가 이루어지고 있다.
이어, 이미지 분할부(100)를 통해 도 2에서 도시하고 있는 것과 같이, 입력되는 이미지의 보행자 학습 데이터를 상반신과 하반신의 두 부분(part)의 이미지로 분할한다(S20).
그리고 DPM 매칭부(300)를 통해 도 5에서 도시하고 있는 것과 같이, 학습을 통해 상기 HOG 특징 추출부(200)에서 추출된 HOG 특징의 보행자 이미지의 상세한 모양 정보를 상기 이미지 분할부(100)에서 분할된 두 부분(part)의 학습 데이터와 매칭을 수행한다(S30).
다시 설명하면, 상기 학습된 데이터는 물체 전체의 모양 정보를 담는 낮은 해상도의 뿌리 필터와 부분의 자세한 모양 정보를 담는 더 높은 해상도의 파트 필터들로 구성되는 스타트 모델(start model)을 사용한다. 학습된 모델에서 각각의 파트들은 뿌리필터와의 상대적인 위치로 정의된 기준 위치(anchor position)를 가지며, 각 파트는 이 기준위치로부터 멀어질수록 상기 주어진 수학식 1에 의해 벌칙을 받는다. 즉, 이진 분류기(310)에 의한 점수는 학습된 필터들에 의한 점수들의 합에서 파트들의 위치 변형에 의한 벌칙을 뺀 점수가 된다.
이에 따라, 보행자 검출부(400)는 상기 DPM 매칭부(300)에서 수행되는 매칭을 통해 주변 시설들로부터 신체 중 일부가 가린 보행자 영역까지 보행자 이미지를 검출하게 된다(S40). 이는 위에서 표 1을 통해 설명하고 있는 것과 같이, 검출률이 향상되었다.
상기에서 설명한 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 실시예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술적 분야의 통상의 지식을 가진자라면 본 발명의 기술적 사상의 범위 내에서 다양한 실시예가 가능함을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (7)

  1. 이미지가 입력되면, 입력되는 이미지의 보행자 학습 데이터를 상반신과 하반신의 두 부분(part)의 이미지로 분할하는 이미지 분할부와,
    입력되는 이미지들이 공통적으로 갖는 HOG(Histogram of Oriented Gradient) 특징을 추출하여 보행자의 이미지를 검출하는 HOG 특징 추출부와,
    학습을 통해 상기 HOG 특징 추출부에서 추출된 HOG 특징의 보행자 이미지의 상세한 모양 정보를 상기 이미지 분할부에서 분할된 두 부분(part)의 학습 데이터와 매칭을 수행하는 DPM 매칭부와,
    상기 DPM 매칭부에서 수행되는 매칭을 통해 주변 시설들로부터 신체 중 일부가 가린 보행자 영역까지 보행자 이미지를 검출하는 보행자 검출부를 포함하여 구성되는 것을 특징으로 하는 변형 가능한 파트 모델을 사용한 보행자 검출 장치.
  2. 제 1 항에 있어서, 상기 HOG 특징 검출부는
    입력되는 이미지의 보행자 학습 데이터를 통해 이미지에서 각각의 특징을 검출하는 특징 검출부와,
    상기 학습을 통해 보행자 이미지들이 공통적으로 갖는 특징들을 갖는 함수를 생성하는 특징함수 생성부를 포함하여 구성되는 것을 특징으로 하는 변형 가능한 파트 모델을 사용한 보행자 검출 장치.
  3. 제 1 항에 있어서,
    상기 DPM 매칭부는 학습된 모델에서 상반신과 하반신으로 분류된 각 부분(part)의 이미지들과 상기 HOG 특징 추출부에서 추출된 HOG 특징과의 상대적인 위치로 정의되는 기준 위치(anchor position)와의 변형 위치(거리)를 기반으로 평균 정밀도(average precision)를 산출하는 이진 분류기를 구성하는 것을 특징으로 하는 변형 가능한 파트 모델을 사용한 보행자 검출 장치.
  4. 제 1 항에 있어서,
    상기 이진 분류기는 다음 수식
    Figure pat00010
    를 이용하여 평균 정밀도를 산출하며,
    이때, 상기
    Figure pat00011
    는 학습된 필터들에 의한 점수를 나타내고, 상기
    Figure pat00012
    는 부분(part)(x, y)들의 위치 변형에 의한 벌칙을 나타내는 것을 특징으로 하는 변형 가능한 파트 모델을 사용한 보행자 검출 장치.
  5. (A) 입력되는 이미지들이 공통적으로 갖는 HOG(Histogram of Oriented Gradient) 특징을 HOG 특징 추출부를 통해 추출하여 보행자 이미지를 검출하는 단계와,
    (B) 입력되는 이미지의 보행자 학습 데이터를 이미지 분할부를 통해 상반신과 하반신의 두 부분(part)의 이미지로 분할하는 단계와,
    (C) 학습을 통해 상기 추출된 HOG 특징의 보행자 이미지의 상세한 모양 정보를 상기 분할된 두 부분(part)의 학습 데이터와 DPM 매칭부를 통해 매칭을 수행하는 단계와,
    (D) 상기 수행되는 매칭을 통해 주변 시설들로부터 신체 중 일부가 가린 보행자 영역까지 보행자 이미지를 검출하는 단계를 포함하여 이루어지는 것을 특징으로 하는 변형 가능한 파트 모델을 사용한 보행자 검출 방법.
  6. 제 5 항에 있어서, 상기 (A) 단계는
    수집한 이미지에서 HOG(Histogram of Oriented Gradient) 특징을 추출하는 단계와,
    기계학습을 통해 보행자 이미지가 공통적으로 갖는 특징들을 갖는 함수를 생성하여 보행자 이미지를 검출하는 단계를 포함하여 이루어지는 것을 특징으로 하는 변형 가능한 파트 모델을 사용한 보행자 검출 방법.
  7. 제 5 항에 있어서, 상기 (C) 단계는
    학습된 필터들에 의한 점수(
    Figure pat00013
    )들의 합에서 부분(part)(x, y)들의 위치 변형에 의한 벌칙(
    Figure pat00014
    )을 뺀 점수를 이용하여 평균 정밀도를 산출하여 매칭을 수행하는 것을 특징으로 하는 변형 가능한 파트 모델을 사용한 보행자 검출 방법.
KR1020160069003A 2016-06-02 2016-06-02 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법 KR101866381B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160069003A KR101866381B1 (ko) 2016-06-02 2016-06-02 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160069003A KR101866381B1 (ko) 2016-06-02 2016-06-02 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20170137273A true KR20170137273A (ko) 2017-12-13
KR101866381B1 KR101866381B1 (ko) 2018-06-12

Family

ID=60944252

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160069003A KR101866381B1 (ko) 2016-06-02 2016-06-02 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101866381B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108010063A (zh) * 2017-12-27 2018-05-08 天津天地伟业投资管理有限公司 一种基于视频的运动目标进入或离开区域的检测方法
CN108154130A (zh) * 2017-12-29 2018-06-12 深圳市神州云海智能科技有限公司 一种目标图像的检测方法、装置及存储介质、机器人
CN108229380A (zh) * 2017-12-29 2018-06-29 深圳市神州云海智能科技有限公司 一种目标图像的检测方法、装置及存储介质、机器人
CN109165554A (zh) * 2018-07-24 2019-01-08 高新兴科技集团股份有限公司 一种基于cuda技术的人脸特征比对方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657633A (zh) * 2018-12-26 2019-04-19 哈工大机器人（山东）智能装备研究院 一种基于超限学习机的远红外安防监控方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110073924A (ko) 2009-12-24 2011-06-30 중앙대학교 산학협력단 일차원 사영된 에지정보를 이용한 보행자 검출 장치 및 방법
KR101419837B1 (ko) 2013-05-07 2014-07-21 성균관대학교산학협력단 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치
KR101498114B1 (ko) * 2013-11-28 2015-03-05 현대모비스 주식회사 보행자를 검출하는 영상 처리 장치 및 그 방법
JP5742873B2 (ja) * 2013-05-08 2015-07-01 株式会社デンソー 物体識別装置
KR20150101205A (ko) * 2014-02-26 2015-09-03 한국전자통신연구원 적분 세로 에지를 이용한 보행자 영역 추출 장치 및 그 방법
KR101612779B1 (ko) * 2014-11-03 2016-04-15 계명대학교 산학협력단 부분 기저 및 랜덤 포레스트를 이용하여 복수의 정적 이미지에서 부분적으로 가려진 사람을 시점 변화에 관계없이 감지하는 방법 및 이를 수행하는 컴퓨팅 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110073924A (ko) 2009-12-24 2011-06-30 중앙대학교 산학협력단 일차원 사영된 에지정보를 이용한 보행자 검출 장치 및 방법
KR101419837B1 (ko) 2013-05-07 2014-07-21 성균관대학교산학협력단 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치
JP5742873B2 (ja) * 2013-05-08 2015-07-01 株式会社デンソー 物体識別装置
KR101498114B1 (ko) * 2013-11-28 2015-03-05 현대모비스 주식회사 보행자를 검출하는 영상 처리 장치 및 그 방법
KR20150101205A (ko) * 2014-02-26 2015-09-03 한국전자통신연구원 적분 세로 에지를 이용한 보행자 영역 추출 장치 및 그 방법
KR101612779B1 (ko) * 2014-11-03 2016-04-15 계명대학교 산학협력단 부분 기저 및 랜덤 포레스트를 이용하여 복수의 정적 이미지에서 부분적으로 가려진 사람을 시점 변화에 관계없이 감지하는 방법 및 이를 수행하는 컴퓨팅 장치

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108010063A (zh) * 2017-12-27 2018-05-08 天津天地伟业投资管理有限公司 一种基于视频的运动目标进入或离开区域的检测方法
CN108154130A (zh) * 2017-12-29 2018-06-12 深圳市神州云海智能科技有限公司 一种目标图像的检测方法、装置及存储介质、机器人
CN108229380A (zh) * 2017-12-29 2018-06-29 深圳市神州云海智能科技有限公司 一种目标图像的检测方法、装置及存储介质、机器人
CN108229380B (zh) * 2017-12-29 2022-02-15 深圳市神州云海智能科技有限公司 一种目标图像的检测方法、装置及存储介质、机器人
CN108154130B (zh) * 2017-12-29 2022-04-15 深圳市神州云海智能科技有限公司 一种目标图像的检测方法、装置及存储介质、机器人
CN109165554A (zh) * 2018-07-24 2019-01-08 高新兴科技集团股份有限公司 一种基于cuda技术的人脸特征比对方法
CN109165554B (zh) * 2018-07-24 2021-09-24 高新兴科技集团股份有限公司 一种基于cuda技术的人脸特征比对方法

Also Published As

Publication number Publication date
KR101866381B1 (ko) 2018-06-12

Similar Documents

Publication Publication Date Title
Prioletti et al. Part-based pedestrian detection and feature-based tracking for driver assistance: real-time, robust algorithms, and evaluation
KR101866381B1 (ko) 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법
Keller et al. The benefits of dense stereo for pedestrian detection
Hsieh et al. Shadow elimination for effective moving object detection by Gaussian shadow modeling
Köhler et al. Early detection of the pedestrian's intention to cross the street
Huang et al. Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads
Quintero et al. Pedestrian path prediction using body language traits
Hassannejad et al. Detection of moving objects in roundabouts based on a monocular system
CN104239867A (zh) 车牌定位方法及系统
JP6226368B2 (ja) 車両監視装置、および車両監視方法
Messelodi et al. Vision-based bicycle/motorcycle classification
JP6436357B2 (ja) 車両用の歩行者動作識別装置
Iloie et al. UV disparity based obstacle detection and pedestrian classification in urban traffic scenarios
CN104915642A (zh) 前方车辆测距方法及装置
Liu et al. ROI perspective transform based road marking detection and recognition
Liu et al. Multi-type road marking recognition using adaboost detection and extreme learning machine classification
JP2012221162A (ja) 対象物検出装置及びプログラム
Deng et al. Skeleton model based behavior recognition for pedestrians and cyclists from vehicle sce ne camera
da Silva Soares et al. Methodology based on texture, color and shape features for traffic light detection and recognition
Ghasemi et al. A real-time multiple vehicle classification and tracking system with occlusion handling
Ho et al. Intelligent speed bump system with dynamic license plate recognition
JP6077785B2 (ja) 対象物検出装置及びプログラム
Ali et al. On-road vehicle detection using support vector machine and decision tree classifications
KR20170138842A (ko) 템플릿 매칭 기반의 차량 추적 시스템 및 방법
Tian et al. The cooperative vehicle infrastructure system based on machine vision

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant