제안하는 보행자 추적 알고리즘

제안하는 방법에서는 그림 3.1과 같은 과정에서 전체 특징을 학습하는 Adaboost를 사용한다. Adaboost는 약한 분류기를 초기에 설정하고 학습하여 최종적으로 강한 분 류기를 생성하여 보행자 검출에 사용한다. 검출된 보행자가 겹침현상에 의해서 사라지 거나 감지되지 않을 경우 블록 정합 알고리즘을 통해 얻어진 움직임 벡터를 이용한다.

움직임 벡터를 이용 할 경우 보행자 영역과 같은 크기의 윈도우가 보행자가 움직이고 있는 방향으로 예측 이동한다. 보행자가 감지되지 않은 경우에 해당되는 누적 벡터 영 역이 이동되며, 겹친 물체와 분리되었을 경우, 기존에 추적하고 있던 보행자를 놓치지 않고 추적 및 감지가 가능하다.

그림 3.1 제안하는 보행자 검출 및 추적 알고리즘

모듈별 설명은 다음과 같다. 영상 입력이 되면 HOG 특징추출을 수행한다. 이렇게 모아진 HOG 특징의 집합을 Adaboost를 이용하여 학습한다. 처음 약한 분류기부터 학습하여 이후에 생성되는 강한 분류기를 통해서 보행자를 검출한다.

그림 3.2 HOG/Adaboost를 이용한 보행자 특징학습 및 보행자 분류 과정

보행자 영역 설정 및 영상 정규화 부분에서 그림 3.3과 같이 검출된 보행자를 중심 으로 녹색의 사각형 범위를 설정한다. 보행자가 초기에 검출되지 않은 경우에는 보행 자가 없다고 판단하며, 미리 학습된 데이터를 이용하여 지속적으로 보행자를 추적한 다. 만약 보행자가 검출이 되었다면 검출된 보행자를 중심으로 한 보행자 영역을 설정 한다.

그림 3.3 설정된 보행자 영역의 예

보행자 영역 내 움직임벡터 생성 및 누적 부분에서는 그림3.4와 같이 보행자의 녹색 사각형 범위를 기준으로 블록 정합 알고리즘을 실행한다. 이렇게 생성된 움직임벡터는 프레임단위로 계산되어 누적된다. 이는 보행자의 이동 방향과 평균적 이동 거리를 파 악하는데 사용된다. 계산하는 동안 보행자를 지속적으로 추적하게 된다.

그림 3.4 움직임 벡터 생성 및 예측영역 탐색의 예

만약, 검출된 보행자가 사라졌거나 감지되지 않는 경우에는 누적 움직임벡터 방향으 로 보행자의 움직임 예측영역을 설정한다. 보행자가 부분 또는 전체 유실되어 감지되 지 않을 경우, 누적 움직임벡터를 이용하여 보행자가 있다고 예측될 수 있는 위치에 붉은색의 사각형 범위를 생성한다. 지속적으로 감지되는 경우에는 계속적으로 움직임 벡터를 누적시킨다.

보행자가 나타나지 않았다면 예측 영역은 계속적으로 이동하게 된다. 예측된 범위에 서 보행자 검출이 된 경우 붉은색의 사각형 영역은 사라지고 새로 보행자 영역이 설정 되며 추적하게 된다.