WO2017155315A1 - 국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법 - Google Patents

국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법 Download PDF

Info

Publication number
WO2017155315A1
WO2017155315A1 PCT/KR2017/002534 KR2017002534W WO2017155315A1 WO 2017155315 A1 WO2017155315 A1 WO 2017155315A1 KR 2017002534 W KR2017002534 W KR 2017002534W WO 2017155315 A1 WO2017155315 A1 WO 2017155315A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
semantic
size
model
region
Prior art date
Application number
PCT/KR2017/002534
Other languages
English (en)
French (fr)
Inventor
노승종
전문구
Original Assignee
광주과학기술원
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 광주과학기술원 filed Critical 광주과학기술원
Publication of WO2017155315A1 publication Critical patent/WO2017155315A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles

Definitions

  • the present invention relates to a size-specific vehicle classification method and a vehicle detection method using the same according to a local area, and more particularly, to enable a fast and accurate vehicle detection in an image of an observation camera installed on a road.
  • the present invention relates to a method for classifying a specific size vehicle by a local region using a) and a vehicle detection method using the same.
  • a vehicle patrol can be directly checked by a person in the field, or a vehicle information can be checked visually through an additional operation on an image acquired through a photographing apparatus. Despite the input, it is difficult to obtain vehicle information immediately, so that there is a problem that a lot of time is consumed for overloading, illegal vehicle crackdown and arrest of arranging vehicles.
  • the size of the normalized sample images has a great influence on the performance of the vehicle detector to be finally implemented.
  • the size of the normalized size of the sample image As the user arbitrarily determines the normalized size of the sample image without sufficient consideration, there is a problem that the vehicle detection result is unstable depending on the state of a given screen.
  • Patent Document 1 Republic of Korea Patent Publication No. 10-2015-0134548: Vehicle detection device
  • Patent Document 2 Republic of Korea Patent No. 10-1264282: Detection method of a vehicle on the road using the ROI setting
  • Non-Patent Document 1 C. Papageorgiou and T. Poggio, "A trainable systme for object detection", in IJCV, Vol. 38, pp. 15-33, 2000.
  • Non-Patent Document 2 N. Dalal, “Finding People in Images and Videos", Phd thesis, Institute National Polytechnique de Grenoble, 2006.
  • Non-Patent Document 3 R. Feris, B. Siddiquie, Y. Zhai, J. Petterson, L. Brown and S. Pankanti, "Attribute-based vehicle search in crowded surveillance videos", in Proc. ICMR, 2011.
  • Non-Patent Document 4 R. Feris, B. Siddiquie, J. Petterson, Y. Zhai, A. Datta, L. Brown and S. Pankanti, "Large-scale vehicle detection, indexing, and search in urban surveillance videos” , in Tran. Multimedia, Vol. 14, pp. 28-42, 2012.
  • Non-Patent Document 5 SJ. Noh, D. Shim and M. Jeon, "Adaptive Sliding-Window Strategy for Vehicle Detection in Highway Environments", in IEEE Trans. Intell. Trans. Systems, accepted, 2015
  • Non-Patent Document 6 S. Noh and M. Jeon, "A new framework for background subtraction using multiple cues", in Proc. ACCV, pp. 493 --- 506, 2012.
  • Non-Patent Document 7 S. Theodoridis and K. Koutroumbas, "Sequential clustering algorithms", pp. 633 --- 643, in Pattern Recognition-4th Eddition, Elsevier, 2008.
  • the present invention was created to solve the above problems, by using a contextual information inherent in the screen to learn a special type of vehicle size model first, and then use it in the sample normalization process and the size of the vehicle according to the position of the screen
  • An object of the present invention is to provide a vehicle detection method using an LSC classifier to accurately identify location information.
  • a method for classifying a size-specific vehicle for each local area including generating a semantic region model; Collecting vehicle image samples for each semantic region model; And classifying vehicle image samples collected for each semantic region model by size pattern.
  • the size pattern may be generated by a size based on the appearance of the vehicle specified for each semantic region model.
  • the appearance of the vehicle may be determined by the type of the vehicle.
  • the size pattern may be generated by the difference between classes.
  • the size pattern classification may be performed using a histogram of oriented gradients spport vector machine (HOG-SVM).
  • HOG-SVM histogram of oriented gradients spport vector machine
  • a method comprising determining a semantic region model having a closest relation in position with a region of interest; And detecting the vehicle by comparing the region of interest with the vehicle image samples collected and classified by the semantic region model.
  • the vehicle detection may be made through an average-shift mode-search based optimization algorithm.
  • a method of generating a semantic domain model comprising: Collecting vehicle image samples for each semantic region model; Classifying vehicle image samples collected for each semantic region model by size pattern; Determining a semantic domain model that is most closely associated with the region of interest; And detecting the vehicle by comparing the region of interest with the vehicle image samples collected and classified for each semantic region model.
  • the size pattern may be generated by a size based on the appearance of the vehicle specified for each semantic region model.
  • the appearance of the vehicle may be determined by the type of the vehicle.
  • the size pattern may be generated by the difference between classes.
  • a method of generating a semantic domain model by at least one computer program Collecting vehicle image samples for each semantic region model; And a computer program for implementing the step of classifying the vehicle image samples collected by the semantic region model by size pattern.
  • a method of performing a computer program comprising: causing at least one computer program to determine a semantic domain model that is most closely associated with a region of interest; And a computer program for implementing a step of detecting a vehicle by comparing the region of interest with vehicle image samples collected and sorted by the semantic region model.
  • a method of generating a semantic domain model by at least one computer program comprising: Collecting vehicle image samples for each semantic region model; Classifying vehicle image samples collected for each semantic region model by size pattern; Determining a semantic domain model that is most closely associated with the region of interest; And a computer program for implementing a step of detecting a vehicle by comparing the region of interest with vehicle image samples collected and sorted by the semantic region model.
  • the vehicle detection method according to the present invention has an advantage that accurate vehicle detection is possible by providing a subdivided appearance model according to the size classification of the vehicle.
  • the image classifier (LSC) formed through the learning process of the sample image includes the size information of the vehicle, a separate calculation process for predicting the size of the vehicle is omitted, thereby detecting the vehicle. It is possible to increase the detection accuracy while reducing the amount of computation required.
  • FIG 1 illustrates an example of LSCs actually learned according to an embodiment of the present invention.
  • FIG. 3 shows a sample collection overview for SRM R1 represented in FIG. 1.
  • FIG. 4 shows an example of learning samples assigned to size patterns registered in R1 represented in FIG. 1 and LSCs generated through them.
  • 5 shows detection related results for a particular region of interest.
  • FIG 6 illustrates an initial detection performing algorithm according to an embodiment of the present invention.
  • FIG. 10 is a diagram illustrating a training result for each size pattern according to an embodiment of the present invention.
  • first and second may be used to describe various components, but the components should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from another.
  • the first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.
  • the LSC proposed in the present invention is designed to suggest a solution that meets these requirements. Instead of relying on user input, the LSC automatically determines the sample normalization size based on the size pattern of the vehicle actually observed for each local region on the screen, which ensures that the system always provides good vehicle detection performance regardless of the scale of the vehicle. It helps to secure (Fig. 2 (d)). Below we describe the learning method of the proposed LCS and the vehicle detection method using it in more detail.
  • Variation of vehicle appearance on CCTV screens is mainly caused by vehicle pose changes, differences within classes (eg differences in appearance between buses) and differences between classes (eg differences in appearance between cars and buses).
  • the position of the vehicle on the screen is directly related to the vehicle scale, and the vehicle moving direction is directly related to the pose. Therefore, SRMs generated based on the positional and moving direction characteristics of vehicles may be referred to as regions having a consistent characteristic in terms of scale and pose of the vehicle.
  • Eq. (1) can be converted to the reliability measure of Eq.
  • W SRM denotes a weight calculated in the SRM generation process
  • m SRM and ⁇ SRM denote a center vector and a covariance matrix that determine the position and shape of the SRM, respectively (see Non-Patent Document 05).
  • N () means two-dimensional normal distribution.
  • Equation (3) The reliability value of Equation (3) is calculated between all samples and SRMs, and each sample is used for image classifier learning for N S SRMs that yielded the highest reliability (FIG. 3 (b)).
  • N S is a tradeoff variable defined between the accuracy and learning efficiency of the classifier. As the value of N S increases, the shape difference of the samples included in each SRM also increases, thereby decreasing the accuracy of the classifier. Conversely, decreasing the value of N S decreases the probability that each sample is assigned to a particular SRM, increasing the total amount of samples that must be collected for classifier training.
  • the size of the bounding box defined for the in-vehicle vehicle can be divided into scale and aspect-ratio factors, which are determined mainly by the position, pose and vehicle type of the vehicle.
  • vehicle position is directly related to scale, pose to aspect ratio, and vehicle type directly to scale and aspect ratio.
  • classifier learning is performed for each SRM having a consistent characteristic in terms of position and pose, it can be regarded that a change in vehicle scale and aspect ratio due to position and pose change hardly occurs.
  • sc k and ar k are factors for quantifying scale and aspect ratio characteristics, and are defined as follows based on the width and length of the sample:
  • [Alpha] and [beta] are data rescaling factors calculated by equations (7) and (8), and serve to convert data values to be included between [0] and [1].
  • the r k vectors calculated for all sample k are clustered through a simple sequential clustering algorithm (see Non-Patent Document 07), and mean vectors for clusters generated through this process Is used as the size pattern models for that SRM.
  • N m is the size pattern.
  • a more recent Adaboost-based cascaded classifier an exemplar-based classifier, a deformable part model, and a 3D structure-based classifier can also be utilized for learning the appearance model for each size pattern.
  • FIG. 10 a classification training result for each size pattern is shown according to an embodiment of the present invention.
  • the most important characteristic of the process specified in FIG. 6 is that the initial detection responses for the large scale are found first, followed by the initial detection responses for the small scale, and ⁇ 0 ⁇ [0,100] is the detection response for the small and large scales. Determine how much overlap between them.
  • ⁇ 0 decreases, the probability of detecting small vehicles located around a large vehicle increases, but at the same time, the probability of occurrence of error detections also increases (FIG. 5C).
  • increasing the value of ⁇ 0 decreases the probability of error detection, but at the same time increases the probability that small vehicles around a large car cannot be detected (Fig. 5 (d)).
  • Non-Patent Document 02 d'vectors are set as data points, and sc d values are weighted for data points, and then a mean-shift algorithm is applied thereto to show a probability distribution function of the points. Find the points, where the found mode-points correspond to the final vehicle detection result d ''. More detailed description can be confirmed by nonpatent literature 02.
  • the experiment was carried out on five actual highway traffic monitoring screens that are not limited to the type, size, and location of vehicles displayed on the screen (FIG. 9). For each screen, a dataset consisting of 20,000 learning frames and 4,000 test frames was constructed, and ground survey information search was set for vehicles present in randomly selected test frames.
  • the implementation of the simulator was implemented with the VisualStudio2010 compiler, which supports the Parallel Pattern Library (PPL) library utilizing the workstation of the Intel Xeon CPU E5-2670.
  • PPL Parallel Pattern Library
  • the appearance model was trained with HOG-SVM classifier based on the same learning samples as in the case of LSC.
  • the operating speed (fps) of FIG. 8 it can be seen that the proposed scheme overwhelms the performance of the existing s-windows.
  • the proposed method can enable very fast and accurate vehicle detection compared to conventional s-window based vehicle detection methods.
  • this study does not consider changes in vehicle detection performance due to changes in road environment such as changes in illumination and weather. Future work will refine the proposed technique so that these issues can also be elaborated.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명에 따른 국부지역별 크기 특정 차량 분류 방법은 의미론 영역 모델을 생성하는 단계; 상기 의미론 영역 모델별로 차량 이미지 샘플들을 수집하는 단계; 및 상기 의미론 영역 모델별로 수집된 차량 이미지 샘플들을 사이즈 패턴별로 분류하는 단계를 포함할 수 있다.

Description

국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법
본 발명은 국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법에 관한 것으로, 더욱 상세하게는 도로 상에 설치되는 관찰카메라의 영상에서 신속하고 정확하게 차량을 검출할 수 있도록 LSC(Local Size-specific Classifier)를 이용하는 국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법에 관한 것이다.
최근, 업무 및 여가활동을 위해 차량을 이용하는 인구가 증가함에 따라, 교통 흐름 및 동선 파악, 교통법 위반 차량 단속, 주차 관리, 방범 등에 요구되는 차량정보 확인에 어려움을 겪고 있다.
일반적인 차량을 확인 방법으로는, 현장의 인원이 직접 순찰하여 차량을 확인하거나, 촬영장치를 통해 획득한 영상에서 추가적인 작업을 통해 육안으로 차량정보를 확인하는 방법이 사용되고 있는데, 이러한 방법은 많은 인력이 투입됨에도 불구하고 즉각적인 차량정보 획득이 어려워 과적, 불법차량 단속 및 수배차량 검거에 많은 시간이 소모되는 문제점이 있었다.
최근에는 교통감시 업무를 자동으로 수행할 수 있는 ITS(Intelligent Transportation System)의 필요성이 높아지고 있고, 관련 기술의 연구개발이 이루어지고 있다.
차량의 정교한 검출을 위해서는 촬영된 이미지 내에서 관측되는 차량들에 대해서 위치와 크기의 모호성 및 외형의 다양성 문제를 효과적으로 해결할 필요가 있다.
일반적으로 영상감시시스템들에서 상기 문제들의 해결을 위해 슬라이딩 윈도우(sliding window) 기반의 이미지 스캔 방식이 적용되는데, 이러한 슬라이딩 윈도우 계열의 기법들은 위치와 사이즈의 모호성 처리 측면에 있어서는 많은 개선이 이루어져 왔으나, 차량 외형의 다양성을 처리하는데 있어서는 여전히 많은 문제점이 있다.
기존의 슬랑이딩 윈도우 기법들은 먼저 입력 프레임 내의 각 위치에 특정 사이즈의 서치윈도우를 위치시켜 잠정적인 검출결과들에 해당하는 바운딩박스(bounding-box)들을 생성시킨다. 그 후, 각 바운딩박스가 정의하는 영역에서 추출된 서브이미지의 비주얼 정보를 미리 학습된 영상분류기를 통해 평가함으로써 최종 검출 결과를 도출하는 방식을 취한다.
이러한 기존의 검출 방식에 있어서, 샘플이미지들을 어떠한 크기로 정규화 하는지가 최종적으로 구현될 차량검출기의 성능에 매우 큰 영향을 미치는데, 기존의 슬라이딩 윈도우 기반의 검출기법의 경우 샘플이미지의 정규화 크기에 대한 충분한 고찰 없이 유저가 샘플이미지의 정규화 크기를 임의로 결정함에 따라 차량검출결과가 주어진 화면의 상태에 따라 불안정하게 변화하는 문제가 있었다.
[선행기술문헌]
[특허문헌]
(특허문헌 1) 대한민국공개특허 제10-2015-0134548호 : 차량검출장치
(특허문헌 2) 대한민국등록특허 제10-1264282호 : 관심영역 설정을 이용한 도로상 차량의 검출방법
[비특허문헌]
(비특허문헌 1) C. Papageorgiou and T. Poggio, "A trainable systme for object detection", in IJCV, Vol.38, pp.15-33, 2000.
(비특허문헌 2) N. Dalal, "Finding People in Images and Videos", Phd thesis, Institute National Polytechnique de Grenoble, 2006.
(비특허문헌 3) R. Feris, B. Siddiquie, Y. Zhai, J. Petterson, L. Brown and S. Pankanti, "Attribute-based vehicle search in crowded surveillance videos", in Proc. ICMR, 2011.
(비특허문헌 4) R. Feris, B. Siddiquie, J. Petterson, Y. Zhai, A. Datta, L. Brown and S. Pankanti, "Large-스케일 vehicle detection, indexing, and search in urban surveillance videos", in Tran. Multimedia, Vol.14, pp.28-42, 2012.
(비특허문헌 5) SJ. Noh, D. Shim and M. Jeon, "Adaptive Sliding-Window Strategy for Vehicle Detection in Highway Environments", in IEEE Trans. Intell. Trans. Systems, accepted, 2015
(비특허문헌 6) S. Noh and M. Jeon, "A new framework for background subtraction using multiple cues", in Proc.ACCV, pp. 493---506, 2012.
(비특허문헌 7) S. Theodoridis and K. Koutroumbas, "Sequential clustering algorithms", pp. 633---643, in Pattern Recognition-4th Eddition, Elsevier, 2008.
본 발명은 상기 문제점을 해결하기 위해 창출된 것으로, 화면에 내재되어 있는 문맥정보를 활용해 특수한 형태의 차량 사이즈 모델들을 먼저 학습한 후 이를 샘플 정규화 과정에서 활용함으로써 화면의 위치에 따른 차량의 크기와 위치 정보를 정확하게 식별할 수 있도록 LSC 분류기를 이용한 차량검출방법을 제공하는데 그 목적이 있다.
본 발명에 따른 국부지역별 크기 특정 차량 분류 방법은 의미론 영역 모델을 생성하는 단계; 상기 의미론 영역 모델별로 차량 이미지 샘플들을 수집하는 단계; 및 상기 의미론 영역 모델별로 수집된 차량 이미지 샘플들을 사이즈 패턴별로 분류하는 단계를 포함할 수 있다.
상기 사이즈 패턴은 상기 의미론 영역 모델 별로 특정되는 상기 차량의 외형에 기초한 사이즈에 의해 발생될 수 있다.
상기 차량의 외형은 상기 차량의 타입에 의해 결정될 수 있다.
상기 사이즈 패턴은 클라스 간 차이에 의하여 발생될 수 있다.
상기 사이즈 패턴 별 분류는 HOG-SVM(histogram of oriented gradients spport vector machine) 분류기를 이용하여 이루어질 수 있다.
본 발명의 다른 실시예에 따르면, 관심있는 영역과 위치상으로 가장 밀접한 연관성을 지닌 의미론 영역 모델을 결정하는 단계; 및 상기 의미론 영역 모델 별로 수집되어 분류된 차량 이미지 샘플들과 상기 관심있는 영역을 비교함으로써 차량을 검출하는 단계를 포함하는, 국부지역별 차량 검출 방법이 개시될 수 있다.
상기 차량 검출은 평균-시프트 모드-탐색 기반의 최적화 알고리즘을 통해 이루어질 수 있다.
본 발명의 또 다른 실시예에 따르면, 의미론 영역 모델을 생성하는 단계; 상기 의미론 영역 모델별로 차량 이미지 샘플들을 수집하는 단계; 상기 의미론 영역 모델별로 수집된 차량 이미지 샘플들을 사이즈 패턴별로 분류하는 단계; 관심있는 영역과 위치상으로 가장 밀접한 연관성을 지닌 의미론 영역 모델을 결정하는 단계; 및 상기 의미론 영역 모델 별로 수집되어 분류된 차량 이미지 샘플들과 상기 관심있는 영역을 비교함으로써 차량을 검출하는 단계를 포함하는, 국부지역별 크기 특정 차량 분류 및 검출 방법을 개시할 수 있다.
상기 사이즈 패턴은 상기 의미론 영역 모델 별로 특정되는 상기 차량의 외형에 기초한 사이즈에 의해 발생될 수 있다.
상기 차량의 외형은 상기 차량의 타입에 의해 결정될 수 있다.
상기 사이즈 패턴은 클라스 간 차이에 의하여 발생될 수 있다.
본 발명의 또 다른 실시예에 따르면, 적어도 하나의 컴퓨터 프로그램으로 하여금, 의미론 영역 모델을 생성하는 단계; 상기 의미론 영역 모델별로 차량 이미지 샘플들을 수집하는 단계; 및 상기 의미론 영역 모델별로 수집된 차량 이미지 샘플들을 사이즈 패턴별로 분류하는 단계를 구현하도록 하기 위한 컴퓨터 프로그램을 포함하는, 컴퓨터 판독가능한 기록매체가 개시될 수 있다.
본 발명의 또 다른 실시예에 따르면, 적어도 하나의 컴퓨터 프로그램으로 하여금, 관심있는 영역과 위치상으로 가장 밀접한 연관성을 지닌 의미론 영역 모델을 결정하는 단계; 및 상기 의미론 영역 모델 별로 수집되어 분류된 차량 이미지 샘플들과 상기 관심있는 영역을 비교함으로써 차량을 검출하는 단계를 구현하도록 하기 위한 컴퓨터 프로그램을 포함하는, 컴퓨터 판독가능한 기록매체가 개시될 수 있다.
본 발명의 또 다른 실시예에 따르면, 적어도 하나의 컴퓨터 프로그램으로 하여금, 의미론 영역 모델을 생성하는 단계; 상기 의미론 영역 모델별로 차량 이미지 샘플들을 수집하는 단계; 상기 의미론 영역 모델별로 수집된 차량 이미지 샘플들을 사이즈 패턴별로 분류하는 단계; 관심있는 영역과 위치상으로 가장 밀접한 연관성을 지닌 의미론 영역 모델을 결정하는 단계; 및 상기 의미론 영역 모델 별로 수집되어 분류된 차량 이미지 샘플들과 상기 관심있는 영역을 비교함으로써 차량을 검출하는 단계를 구현하도록 하기 위한 컴퓨터 프로그램을 포함하는, 컴퓨터 판독가능한 기록매체가 개시될 수 있다.
본 발명에 따른 차량검출방법은 차량의 크기분류에 따른 세분화된 외형모델을 제공함으로써 정확한 차량 검출이 가능한 이점이 있다.
아울러 본 발명의 차량검출방법에 따르면 샘플영상의 학습과정을 거쳐 형성된 영상분류기(LSC)가 차량의 크기 정보를 포함하고 있기 때문에 차량의 사이즈 예측을 위한 별도의 연산과정을 생략함에 따라 차량의 검출을 위한 연산량이 감소되면서도 검출정확도를 상승시킬 수 있다.
도 1은 본 발명의 일 실시예에 따라 실제 학습된 LSC들의 예시를 도시한다.
도 2는 샘플 정규화 사이즈와 차량 검출 성능과의 관계를 도시한다.
도 3은 도 1에 표현된 SRM R1에 대한 샘플 수집 개요를 도시한다.
도 4는 도 1에 표현된 R1에 등록된 사이즈 패턴들에 할당된 학습 샘플들과 그것들을 통해 생성된 LSC들의 예시를 도시한다.
도 5는 특정 관심영역에 대한 검출 관련 결과들을 도시한다.
도 6은 본 발명의 일 실시예에 따른 초기 검출 수행 알고리즘을 도시한다.
도 7은 본 발명의 일 실시예에 따른 정량적 차량 검출 결과를 도시한다.
도 8은 기존 방법들과 본원 방법 간의 연산 속도 비교 결과를 도시한다.
도 9는 본 발명의 일 실시예에 따른 정성적 차량 검출 결과를 도시한다.
도 10은 본 발명의 일 실시예에 따른 사이즈 패턴 별로 분규 학습된 결과를 도시한다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 따른 차량검출방법에 대해 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
1. LSC의 필요성
아래에서는 영상분류기 학습 시의 정규화된 샘플의 사이즈가 차량검출기의 성능에 어떠한 영향을 미치는지 살펴볼 것이다. 실험을 위해 우리는 먼저 도 2(a) 에 나타나 있는 것과 같이 미리 수집된 차량에 대한 포지티브 및 네거티브 샘플 이미지들을 48×48, 64×64, 80×80 그리고 96×96 의 크기로 정규화시켰다. 그 후, 정규화된 샘플들을 이용하여 각 정규화 사이즈에 대한 HOG(histogram of oriented gradients) 특징 기반의 SVM(support vector machine) 분류기들을 학습시켰다. 또한, 이렇게 학습된 각 분류기와 차량크기 간의 연관성을 규명하기 위해 도 2(a)~(c)에 나타난 것과 같이 차량의 스케일 별 관심 영역들을 설정한 후 각각의 지역에 대한 정량적인 차량검출 정확도(검출 신뢰도 및 민감도의 조화평균)를 도 2(d)에 나타난 것과 같이 측정하였다.
가장 먼저 우리는, 작은 샘플정규화 사이즈 일수록 작은 스케일의 차량들에 대해 보다 높은 정확도를 도출함을 확인할 수 있다. 하지만, 48×48 및 64×64 크기에 대한 결과들에서 확인할 수 있듯이, 샘플들이 지나치게 작은 크기로 정규화 되는 경우 큰 스케일의 차량들에 대해서는 매우 낮은 검출 정확도를 발생시킬 수 있음 역시 확인할 수 있다. 반면, 샘플정규화 사이즈가 80×80 이상으로 충분히 커지면 보다 큰 스케일의 차량에 대해 보다 높은 검출 정확도가 도출되는 경향을 보인다. 하지만, 96×96 크기에 대한 수치들에서 나타나듯이, 지나치게 큰 샘플정규화 사이즈는 오히려 전반적인 검출 정확도를 떨어뜨려 버린다는 문제점 역시 확인할 수 있다. 이는 정규화된 샘플의 크기가 커질수록 분류기의 변별력이 개선돼 검출 신뢰도는 증가하지만, 동시에 검출 가능한 차량의 최소 사이즈가 커져 검출 민감도는 감소하기 때문이다. 따라서, 우리가 보다 안정적인 차량 검출성능을 확보하기 위해서는, 모니터링 하고자 하는 각 화면의 각 지역에 대해 매우 신중히 샘플 정규화 사이즈를 설정할 필요가 있음을 알 수 있다.
본원 발명에서 제안하는 LSC는 이러한 요구사항에 적합한 해법을 제시할 수 있도록 설계되어 있다. 유저의 입력에 의존하는 대신, LSC는 화면내의 각 국부지역별에서 실제로 관측되는 차량의 사이즈 패턴에 기반하여 자동으로 샘플정규화 크기를 결정하는데, 이는 시스템이 차량의 스케일과 상관없이 항상 우수한 차량검출 성능을 확보할 수 있도록 도와준다(도 2(d)). 아래에서 우리는 제안된 LCS 의 학습방법 및 이를 이용한 차량검출 방법을 보다 상세히 설명한다.
2. LSC 학습
2.1 국부지역별별 외형분류기 학습데이터 생성
CCTV 화면 상에서 차량외형의 다양성은 주로 차량의 포즈 변화, 클라스 내 차이(가령, 버스들 간의 생김새 차이) 그리고 클라스 간 차이 (가령, 승용차와 버스간의 생김새 차이)에 의해 발생한다.
이들 중, 먼저 우리는 포즈의 변화에 따른 외형변화를 극복하기 위해 SJ. Noh, D. Shim and M. Jeon, "Adaptive Sliding-Window Strategy for Vehicle Detection in Highway Environments", in IEEE Trans. Intell. Trans. Systems, accepted, 2015에서 제안된 방법을 채택하여 주어진 화면에 대한 국부 지역모델, 즉 의미론 영역 모델(SRM, 도 1(a)의 타원들)을 생성시킨다.
일반적으로 화면 내 차량의 위치는 차량 스케일과, 차량 이동방향은 포즈와 직접적으로 연관되어 있다. 따라서, 차량들의 위치 및 이동방향 특성에 기반하여 생성되는 SRM들은 차량의 스케일 및 포즈 측면에서 일관된 특성을 보이는 영역들이라 할 수 있다.
즉, 각 SRM 내에서 특정 차량은 오직 하나의 스케일 및 포즈 패턴을 보인다는 것이다. 이러한 사실에 기인하여, 우리는 SRM 별로 영상분류기를 학습함으로써 포즈에 따른 외형변화 요소를 제한한다.
일단 SRM 들의 생성이 완료되면, 우리는 이미 알려진 배경제거 기법(S. Noh and M. Jeon, "A new framework for background subtraction using multiple cues", in Proc.ACCV, pp. 493---506, 2012.)에 기반하여 주어진 화면으로부터 분류기 학습에 필요한 positive 및 negative 샘플들을 수집한다(비특허문헌 04 참조). 그 후, 우리는 이렇게 수집된 샘플들이 각각 어떠한 SRM 들과 공간적으로 밀접하게 연관되어 있는지를 다음의 식을 통해 규명한다:
Figure PCTKR2017002534-appb-I000001
(1)
P(sample)이 균일 분포를 따른다는 가정하에 식(1)은 동등한 의미를 갖는 식(2)의 신뢰도 측정함수로 변환될 수 있다:
Figure PCTKR2017002534-appb-I000002
(2)
또한, 우리가 S=(x,y)T가 샘플이 추출된 입력 프레임내의 위치를 의미한다고 가정하면(도 3(a)) 식(2)는 다시 아래의 함수로 근사화 될 수 있다:
Figure PCTKR2017002534-appb-I000003
(3)
여기서 WSRM는 SRM 생성 과정에서 계산된 가중치를 mSRM과 ∑SRM는 SRM 의 위치 및 형태를 결정짓는 중심벡터 및 공분산행렬을 각각 나타낸다(비특허문헌 05 참조). N()는 2 차원 정규 분포를 의미한다.
식(3)의 신뢰도 값은 모든 샘플 및 SRM 간에 계산되며, 각 샘플은 가장 높은 신뢰도를 도출시킨 NS개의 SRM 에 대한 영상분류기 학습을 위해 활용된다(도 3(b)). 여기서 NS는 분류기의 정확도 및 학습 효율성 사이에 정의되는 트레이드오프 변수로, NS의 값이 커지면 각 SRM 에 포함되는 샘플들이 갖는 외형 차이 역시 증가해 분류기의 정확도는 낮아지게 된다. 반대로, NS의 값이 작아지면 각 샘플이 특정 SRM 에 할당될 확률이 낮아져 분류기 학습을 위해 수집되어야 하는 전체 샘플의 양을 증가시키게 된다.
특히, NS의 값이 화면 내에 정의된 SRM의 수보다 커지게 되면 모든 샘플은 모든 SRM 의 학습에 활용되게 된다. 본 연구에서 우리는 다수의 실험을 통해 NS값을 2~4 로 설정되었을 때 가장 우수한 검출성능이 달성됨을 확인하였다.
2.2 차량 사이즈 패턴 별 외형분류기 학습
화면 내 차량에 대해 정의되는 바운딩 박스의 크기 정보는 스케일 및 aspect-ratio(종횡비) 요소로 나누어 생각해볼 수 있으며, 화면 내에서 이들은 주로 차량의 위치, 포즈 그리고 차량타입에 의해 결정된다.
보다 상세하게, 차량 위치는 스케일에, 포즈는 종횡비에, 차량타입은 스케일 및 종횡비에 직접적으로 연관되어 있다. 하지만, 본 발명에서는 위치 및 포즈측면에서 일관된 특성을 갖는 SRM 별로 분류기 학습을 수행하므로, 위치 및 포즈변화에 따른 차량 스케일 및 종횡비 변화는 거의 발생하지 않는다고 간주할 수 있다.
따라서, 우리는 차량의 스케일 및 포즈정보는 오직 그것이 속한 차량타입에 의해서만 결정된다는 가정하에 차량 사이즈 및 외형 모델의 학습을 수행한다.
앞선 과정을 통해 각 SRM 별로 수집된 샘플들의 집합을 SSRM=samplek/k=1,..,Nk이라 하자. 우선 우리는 각 SRM 에 대한 사이즈 모델을 생성시키기 위해 수집된 samplek들에 대해 다음의 특징벡터를 계산한다:
Figure PCTKR2017002534-appb-I000004
(4)
이 식에서 sck와 ark는 스케일 과 종횡비 특성을 정량화하기 위한 인자로, 해당 샘플의 가로 및 세로길이에 기반하여 다음과 같이 정의된다:
Figure PCTKR2017002534-appb-I000005
(5)
Figure PCTKR2017002534-appb-I000006
(6)
여기서 α 및 β는 식(7) 및 식(8)에 의해 계산되는 데이터 재스케일링 인자이며, 데이터의 값이 [0~1]사이에 포함되도록 변환하는 역할을 수행한다.
Figure PCTKR2017002534-appb-I000007
(7)
Figure PCTKR2017002534-appb-I000008
(8)
모든 samplek에 대해 계산된 rk벡터들은 간단한 순차적 클러스터링 알고리즘을 통해 군집화 되는데(비특허문헌 07 참조), 이 과정을 통해 생성된 클러스터들에 대한 평균 벡터들
Figure PCTKR2017002534-appb-I000009
은 해당 SRM 에 대한 사이즈 패턴 모델들로서 활용된다.
사이즈 패턴 모델링이 완료되면, 우리는 SSRM에 속한 샘플들이 어떠한 사이즈 패턴에 대한 외형모델 학습에 사용되어야 할지를 다음의 식을 통해 결정한다:
Figure PCTKR2017002534-appb-I000010
(9)
상기 식에서 ρ는 샘플 smaplek와 가장 연관성이 크다고 판정된 사이즈 모델의 인덱스를, Nm은 사이즈 패턴의 총 개수를 의미한다. 이 과정을 통해 각 사이즈 패턴 별로 분류된 샘플들은 그것이 소속된 패턴의 평균벡터
Figure PCTKR2017002534-appb-I000011
에 맞도록 사이즈가 정규화 된 후 HOG-SVM 영상분류기(비특허문헌 02 참조), 즉, LSC들을 학습하는 데 사용된다.
도 4는 실제로 특정 SRM 에 등록된 사이즈 패턴 별로 학습된 몇 가지 LSC의 예를 나타내고 있다. 본 예를 통해 우리는 제안하는 LSC 기반의 외형모델이 서로 다른 종류의 차량들이 야기시키는 클라스 간 차이는 크게 줄이면서, 동시에 비슷한 크기의 차량들이 갖는 클라스 내 차이는 매우 효과적으로 표현할 수 있음을 확인할 수 있다.
한편, 본 발명에서 활용된 HOG-SVM외에도, 보다 최신의 Adaboost 계열의 cascaded 분류기, exemplar 기반의 분류기, deformable part model 및 3D structure 기반의 분류기 등 역시 사이즈 패턴별 외형모델 학습에 활용 가능하다. 하지만, 우리는 이러한 분류기들이 학습 시간 및 구현의 복잡성 측면에서 HOG-SVM에 비해 실용성이 떨어진다고 판단하여 본 발명에서 활용하지 않았다.
또한, 우리는 굳이 그러한 복잡한 형태의 분류기를 사용하지 않더라도, HOG-SVM 기반의 분류기를 통해서도 충분히 신뢰성 있는 차량검출 성능이 달성될수 있음을 확인하였다.
도 10을 참조하면, 본 발명의 일 실시예에 따라 사이즈 패턴별로 분류 학습시킨 결과가 도시된다.
3. LSC 기반 차량 검출 연산
속도 상의 효율성을 확보하기 위해, 우리는 배경제거 기법을 활용해 입력 프레임 내의 관심영역들을 먼저 정의한 후 각 관심영역에 대해 독립적으로 차량검출을 수행하는 방식을 택한다. 특정 관심영역에 대한 검출을 수행하기 위해 우리는 우선 아래의 식을 통해 해당 관심영역과 위치상으로 가장 밀접한 연관성을 지닌 SRM 을 선정한다:
Figure PCTKR2017002534-appb-I000012
(10)
이 식에서 Z는 현재 고려중인 관심영역의 중심좌표를, R은 화면 내에 정의된 모든 SRM 들의 집합을 의미한다. 다음으로 우리는 SRMZ에 포함된 LSC들을 대응하는 사이즈 패턴모델의 스케일 값에 따라 내림차순 정렬한 뒤, initial detection 결과를 얻기 위한 도 6의 알고리즘을 수행한다 (도 5(a)).
도 6에 명시된 프로세스의 가장 중요한 특성은 큰 스케일에 대한 초기 검출 응답들을 먼저 찾은 뒤 작은 스케일에 대한 초기 검출 응답들을 찾는다는 점이며, τ0 ∈ [0,100] 는 작은 스케일 및 큰 스케일에 대한 검출 응답간의 중복을 얼마나 허용할지를 결정한다. τ0 의 값이 작아지면 큰 차량주위에 위치한 작은 차량들이 검출될 확률은 높아지지만, 동시에 오류 검출들이 발생할 확률 또한 높아지게 된다(도 5(c)). 반대로, τ0의 값이 커지면 오류 검출이 발생할 확률은 줄어들지만, 동시에 큰 차 주위의 작은 차량들이 검출되지 못할 확률 역시 증가하게 된다(도 5(d)).
본원 발명에서 우리는 τ0 를 40~50 사이의 값으로 설정할 것을 권장한다(도 5(b)).
일단 주어진 관심영역에 대한 초기 검출 응답들에 해당하는 d′∈ Dinit(도 5(a)) 벡터들과 그들에 대한 매칭 스코어 scd의 값들이 주어지면, 우리는 비특허문헌 02에서 제안된 평균-시프트 모드-탐색 기반의 최적화 알고리즘을 통해 최종 차량검출 결과 d'' ∈ Dfinal(도 5(b))들을 얻을 수 있게 된다.
보다 상세하게, 비특허문헌 02에서는 d′벡터들을 데이터 포인트들로, scd값들은 데이터 포인트들에 대한 weight로 설정한 후, 여기에 평균-시프트 알고리즘을 적용하여 포인트들의 확률 분포함수가 보이는 모드-포인트들을 찾는데, 이때 발견된 모드-포인트들이 바로 최종 차량검출 결과 d''에 해당한다. 보다 상세한 설명은 비특허문헌 02에서 확인 가능하다.
4. 실험 결과 및 분석
실험은 화면상에 나타나는 차량의 종류 및 크기, 위치 등에 제약이 없는 5 개의 실제 고속도로 교통감시 화면에 대해서 수행되었다(도 9). 각 화면에 대해, 20,000 개의 학습용 프레임 및 4,000 개의 테스트용 프레임으로 구성된 데이터세트가 구성되었으며, 임의로 선택된 테스트용 프레임들 내에 존재하는 차량들에 대해서는 지상 실측 정보 탐색이 설정되었다.
시뮬레이터의 구현은 Intel Xeon CPU E5-2670의 Workstation을 활용하여 Parallel Pattern Library(PPL) 라이브러리를 지원하는 VisualStudio2010 컴파일러를 통해 구현되었다.
도 9에 우리는 먼저 제안된 기법을 활용한 정성적 차량검출 결과를 나타내었다. 본 결과들을 통해 우리는 제안된 차량검출 기법이 다양한 형태, 크기 및 해상도를 갖는 다종 차량들에 대해 매우 정확한 성능을 보장해줄 수 있음을 확인할 수 있다. 또한, 제안된 기법의 주요 공헌이 LSC 들에 기반한 새로운 형태의 s-window 기반 차량검출 기법에 있으므로, 우리는 도 7에 나타난 것과 같이 제안된 기법의 정량적인 성능을 가장 기본적인 s-window (CSW)(비특허문헌 02)및 가장 최신의 s-window (ASW)(비특허문헌 05)의 그것들과 비교하였다. 본 결과를 통해, 우리는 각 교통감시 화면의 상태에 따라 검출 정확도가 민감하게 변화하는 CSW 및 ASW 와 달리, 제안된 차량검출 기법은 항상 신뢰성 있는 검출 결과를 제공한다는 사실을 알 수 있다. 여기서, 각 s-window 기법에 대해, 외형모델은 LSC 의 경우와 동일한 학습샘플들을 바탕으로 HOG-SVM분류기로 학습되었다. 도 8의 동작 속도(fps) 측면에 있어서도, 제안하는 기법이 기존 s-window 들의 성능을 압도하고 있음을 확인할 수 있다.
5. 결론
본 발명에서 우리는 자동으로 크기가 정규화된 샘플들을 통해 학습되는 새로운 형태의 분류기, 즉, LSC 에 기반한 보다 효과적인 차량검출 기법이 제안되었다. 실험을 통해 확인할 수 있듯이 제안된 기법은 종래의 s-window 기반의 차량 검출방식들에 비해 매우 빠르고 정확한 차량검출을 가능하게 해줄 수 있다. 하지만, 본 연구에서 조도의 변화 및 날씨의 변화와 같은 도로상의 환경변화에 인한 차량검출 성능 변화는 고려하지 않았다. 미래의 연구에서는 이러한 이슈들 역시 정교하게 처리될 수 있도록 제안된 기법을 개선해 나갈 것이다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (14)

  1. 의미론 영역 모델을 생성하는 단계;
    상기 의미론 영역 모델별로 차량 이미지 샘플들을 수집하는 단계; 및
    상기 의미론 영역 모델별로 수집된 차량 이미지 샘플들을 사이즈 패턴별로 분류하는 단계
    를 포함하는, 국부지역별 크기 특정 차량 분류 방법.
  2. 제 1 항에 있어서,
    상기 사이즈 패턴은 상기 의미론 영역 모델 별로 특정되는 상기 차량의 외형에 기초한 사이즈에 의해 발생되는, 국부지역별 크기 특정 차량 분류 방법.
  3. 제 2 항에 있어서,
    상기 차량의 외형은 상기 차량의 타입에 의해 결정되는, 국부지역별 크기 특정 차량 분류 방법.
  4. 제 1 항에 있어서,
    상기 사이즈 패턴은 클라스 간 차이에 의하여 발생되는, 국부지역별 크기 특정 차량 분류 방법.
  5. 제 1 항에 있어서,
    상기 사이즈 패턴 별 분류는 HOG-SVM(histogram of oriented gradients spport vector machine) 분류기를 이용하여 이루어지는, 국부지역별 크기 특정 차량 분류 방법.
  6. 관심있는 영역과 위치상으로 가장 밀접한 연관성을 지닌 의미론 영역 모델을 결정하는 단계; 및
    상기 의미론 영역 모델 별로 수집되어 분류된 차량 이미지 샘플들과 상기 관심있는 영역을 비교함으로써 차량을 검출하는 단계
    를 포함하는, 국부지역별 차량 검출 방법.
  7. 제 6 항에 있어서,
    상기 차량 검출은 평균-시프트 모드-탐색 기반의 최적화 알고리즘을 통해 이루어지는, 국부지역별 차량 검출 방법.
  8. 의미론 영역 모델을 생성하는 단계;
    상기 의미론 영역 모델별로 차량 이미지 샘플들을 수집하는 단계;
    상기 의미론 영역 모델별로 수집된 차량 이미지 샘플들을 사이즈 패턴별로 분류하는 단계;
    관심있는 영역과 위치상으로 가장 밀접한 연관성을 지닌 의미론 영역 모델을 결정하는 단계; 및
    상기 의미론 영역 모델 별로 수집되어 분류된 차량 이미지 샘플들과 상기 관심있는 영역을 비교함으로써 차량을 검출하는 단계
    를 포함하는, 국부지역별 크기 특정 차량 분류 및 검출 방법.
  9. 제 8 항에 있어서,
    상기 사이즈 패턴은 상기 의미론 영역 모델 별로 특정되는 상기 차량의 외형에 기초한 사이즈에 의해 발생되는, 국부지역별 크기 특정 차량 분류 및 검출 방법.
  10. 제 9 항에 있어서,
    상기 차량의 외형은 상기 차량의 타입에 의해 결정되는, 국부지역별 크기 특정 차량 분류 및 검출 방법.
  11. 제 8 항에 있어서,
    상기 사이즈 패턴은 클라스 간 차이에 의하여 발생되는, 국부지역별 크기 특정 차량 분류 및 검출 방법.
  12. 적어도 하나의 컴퓨터 프로그램으로 하여금,
    의미론 영역 모델을 생성하는 단계;
    상기 의미론 영역 모델별로 차량 이미지 샘플들을 수집하는 단계; 및
    상기 의미론 영역 모델별로 수집된 차량 이미지 샘플들을 사이즈 패턴별로 분류하는 단계
    를 구현하도록 하기 위한 컴퓨터 프로그램을 포함하는, 컴퓨터 판독가능한 기록매체.
  13. 적어도 하나의 컴퓨터 프로그램으로 하여금,
    관심있는 영역과 위치상으로 가장 밀접한 연관성을 지닌 의미론 영역 모델을 결정하는 단계; 및
    상기 의미론 영역 모델 별로 수집되어 분류된 차량 이미지 샘플들과 상기 관심있는 영역을 비교함으로써 차량을 검출하는 단계
    를 구현하도록 하기 위한 컴퓨터 프로그램을 포함하는, 컴퓨터 판독가능한 기록매체.
  14. 적어도 하나의 컴퓨터 프로그램으로 하여금,
    의미론 영역 모델을 생성하는 단계;
    상기 의미론 영역 모델별로 차량 이미지 샘플들을 수집하는 단계;
    상기 의미론 영역 모델별로 수집된 차량 이미지 샘플들을 사이즈 패턴별로 분류하는 단계;
    관심있는 영역과 위치상으로 가장 밀접한 연관성을 지닌 의미론 영역 모델을 결정하는 단계; 및
    상기 의미론 영역 모델 별로 수집되어 분류된 차량 이미지 샘플들과 상기 관심있는 영역을 비교함으로써 차량을 검출하는 단계
    를 구현하도록 하기 위한 컴퓨터 프로그램을 포함하는, 컴퓨터 판독가능한 기록매체.
PCT/KR2017/002534 2016-03-08 2017-03-08 국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법 WO2017155315A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2016-0027538 2016-03-08
KR1020160027538A KR20170104756A (ko) 2016-03-08 2016-03-08 국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법

Publications (1)

Publication Number Publication Date
WO2017155315A1 true WO2017155315A1 (ko) 2017-09-14

Family

ID=59789621

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/002534 WO2017155315A1 (ko) 2016-03-08 2017-03-08 국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법

Country Status (2)

Country Link
KR (1) KR20170104756A (ko)
WO (1) WO2017155315A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154127A (zh) * 2017-12-27 2018-06-12 天津智芯视界科技有限公司 一种基于视频和雷达的车辆识别方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758063B (zh) * 2023-08-11 2023-11-07 南京航空航天大学 一种基于图像语义分割的工件尺寸检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040058142A (ko) * 2004-06-09 2004-07-03 주식회사 윤익씨엔씨 차량정보 인식 시스템
KR20060083138A (ko) * 2005-01-14 2006-07-20 삼성전자주식회사 지역 분할 템플릿을 이용한 카테고리 기반 사진 클러스터링방법 및 장치
KR20080004926A (ko) * 2006-07-07 2008-01-10 주식회사 피엘케이 테크놀로지 차영상을 이용한 이동 차량 인식 방법
KR20100134206A (ko) * 2009-06-15 2010-12-23 (주) 알티솔루션 영상기반의 비검지식 차량 인식 시스템 및 차량 인식방법
KR20120062137A (ko) * 2010-12-06 2012-06-14 주식회사 만도 차량인식시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040058142A (ko) * 2004-06-09 2004-07-03 주식회사 윤익씨엔씨 차량정보 인식 시스템
KR20060083138A (ko) * 2005-01-14 2006-07-20 삼성전자주식회사 지역 분할 템플릿을 이용한 카테고리 기반 사진 클러스터링방법 및 장치
KR20080004926A (ko) * 2006-07-07 2008-01-10 주식회사 피엘케이 테크놀로지 차영상을 이용한 이동 차량 인식 방법
KR20100134206A (ko) * 2009-06-15 2010-12-23 (주) 알티솔루션 영상기반의 비검지식 차량 인식 시스템 및 차량 인식방법
KR20120062137A (ko) * 2010-12-06 2012-06-14 주식회사 만도 차량인식시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154127A (zh) * 2017-12-27 2018-06-12 天津智芯视界科技有限公司 一种基于视频和雷达的车辆识别方法

Also Published As

Publication number Publication date
KR20170104756A (ko) 2017-09-18

Similar Documents

Publication Publication Date Title
Cao et al. Vehicle detection and motion analysis in low-altitude airborne video under urban environment
WO2011096651A2 (ko) 얼굴 식별 방법 및 그 장치
Roy Snatch theft detection in unconstrained surveillance videos using action attribute modelling
JP5259798B2 (ja) 映像解析方法およびシステム
Ryan et al. Scene invariant multi camera crowd counting
CN102163290A (zh) 基于时空关联信息的多视角视频监控中异常事件建模方法
Saran et al. Traffic video surveillance: Vehicle detection and classification
Huo et al. Multi-instance dictionary learning for detecting abnormal events in surveillance videos
WO2016108327A1 (ko) 차량검출방법, 차량검출을 위한 데이터베이스의 구조, 및 차량검출을 위한 데이터베이스 구축방법
CN111753601B (zh) 一种图像处理的方法、装置以及存储介质
CN104463232A (zh) 一种基于hog特征和颜色直方图特征的密度人群计数的方法
Masmoudi et al. Vision based system for vacant parking lot detection: Vpld
CN102693427A (zh) 形成和使用用于检测图像的检测器的方法和设备
WO2017155315A1 (ko) 국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법
Masud et al. Traffic congestion avoidance system using foreground estimation and cascade classifier
Swathy et al. Survey on vehicle detection and tracking techniques in video surveillance
WO2023286917A1 (ko) 심층 신경망을 이용한 도로 노면 손상 및 장애물 동시 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체.
CN113313090A (zh) 一种被遗弃可疑行李的遗弃人检测追踪方法
Kodwani et al. Automatic license plate recognition in real time videos using visual surveillance techniques
WO2021125539A1 (ko) 영상에 포함된 객체를 분류하는 장치, 방법 및 컴퓨터 프로그램
Łubkowski et al. Assessment of quality of identification of data in systems of automatic licence plate recognition
Tumrani et al. PEVR: pose estimation for vehicle re-identification
Tang et al. Robust vehicle detection based on cascade classifier in traffic surveillance system
Thioune et al. FPDM: Fisheye panoptic segmentation dataset for door monitoring
Han et al. License plate detection and recognition using a dual-camera module in a large space

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17763576

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 10/12/18)

122 Ep: pct application non-entry in european phase

Ref document number: 17763576

Country of ref document: EP

Kind code of ref document: A1