http://dx.doi.org/10.5369/JSST.2016.25.4.285 pISSN 1225-5475/eISSN 2093-7563
영상 내 사람의 검출을 위한 에지 기반 방법
도용태1+ · 반종희2
Edge-based Method for Human Detection in an Image
Yongtae Do1+ and Jonghee Ban2
Abstract
Human sensing is an important but challenging technology. Unlike other methods for sensing humans, a vision sensor has many advantages, and there has been active research in automatic human detection in camera images. The combination of Histogram of Ori- ented Gradients (HOG) and Support Vector Machine (SVM) is currently one of the most successful methods in vision-based human detection. However, extracting HOG features from an image is computer intensive, and it is thus hard to employ the HOG method in real-time processing applications. This paper describes an efficient solution to this speed problem of the HOG method. Our method obtains edge information of an image and finds candidate regions where humans very likely exist based on the distribution pattern of the detected edge points. The HOG features are then extracted only from the candidate image regions. Since complex HOG processing is adaptively done by the guidance of the simpler edge detection step, human detection can be performed quickly. Experimental results show that the proposed method is effective in various images.
Keywords: Vision sensor, Human detection, HOG(Histogram of Oriented Gradients), SVM(Support Vector Machine)
1. 서 론
사람의 감지는 많은 활용 영역을 가지고 있기 때문에, 이와 관련된 센서 기술들이 다수 개발되어 왔다. 가장 대표적인 것은 인체로부터 8~12 μm 파장의 적외선을 검출하는 센서이다[1,2].
이러한 적외선 센서는 구조가 간단하고, 가격이 저렴하여 자동 조명 장치 등에 널리 사용되고 있다. 그러나 적외선 센서는 사 람의 위치와 같은 정보를 알아낼 수는 없고, 근거리에서만 작동 하기 때문에, 그 사용이 실내와 같이 제한적인 공간에 국한되어 있다. 초음파나 레이저의 경우에는 적외선 센서의 문제를 극복 할 수 있으나, 사람 이외의 다른 동적 혹은 정적 물체까지 감지 하는 단점이 있고, 전자는 낮은 해상도, 후자는 높은 가격의 단
점도 가지고 있다. 이에 비해서 시각(vision)은 원거리에서도 사 람을 감지할 수 있으며, 사람의 위치나 얼굴과 같은 형태, 그리 고 사람의 숫자 및 동작과 같은 다양한 정보를 부가적으로 얻 을 수 있고, 시중에 있는 다양한 카메라를 센서로 사용할 수 있 어 유용하다.
시각은 인간이나 기계에 있어 가장 강력한 센싱 기능이지만, 영상에 담겨있는 정보의 양이 방대하고 복잡하여, 이를 효과적 으로 처리하는데 어려움이 있었다. 그러나 근래에 와서 카메라 의 성능이 급격하게 개선되고, 컴퓨터 및 반도체 기술도 비약적 으로 발전하여 시각 센싱에 의한 사람의 검출이 교통이나 보안 등의 영역에서 널리 사용되고 있다.
사람은 차량과 함께 카메라 영상에서 대표적인 동적 전경 (foreground) 이 된다. 그러나 차량과 달리 그 움직임이 예측하기 어려우며, 형태도 작고 복잡하여 사람의 영상을 처리하기가 상 대적으로 어렵다. 일찍이 Lipton 등[3]은 카메라 영상에서 기지 의 배경(background) 정보를 이용하여 동적인 물체를 전경으로 찾고, 전경 물체 형태의 복잡도를 이용하여 사람을 차량과 분리 하였다. 또한 Fujiyoshi 와 Lipton[4]은 사람의 동작을 분석하는 시스템을 구성하였다. 그러나 다수의 사람들이 겹쳐 있는 경우 에는 인식과 처리에 어려움이 있으므로, Do와 Kanade[5]는 비 디오의 연속 영상에서 겹쳐진 사람을 구분하는 시공간적인 방 법을 제안한 바 있다. 이들 방법은 정적인 카메라에 의해 촬영 된 사람의 연속 영상이 필요하기 때문에 보안등의 용도로 설치
1대구대학교 전자전기공학부(Division of Electronic & Electrical Engineering, Daegu University)
2대구대학교 대학원 정보통신공학과 (Department of Information &
Communication Engineering, Graduate School, Daegu University) Gyeongsan-si, Gyeongsangbuk-do, Korea
+Corresponding author: [email protected] (Received: Jul, 22, 2016, Accepted: Jul, 28, 2016)
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License(http://creativecommons.org/
licenses/bync/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
방법은 Dalal과 Triggs가 제안한 Histogram of Oriented Gradients (HOG) 방법이다[8]. 윈도우 내 화소값의 기울기 크기와 방향에 대한 벡터를 얻고, 이로부터 학습한 Support Vector Machine (SVM) 을 이용하여 사람의 존재 여부를 판정하는 기법으로 검출의 정 확도가 높다. 그러나 계산량이 상당히 커서 실시간 처리가 필요 한 분야에 활용하는 데는 문제가 있다. 본 논문에서는 이러한 HOG+SVM 의 단점을 해결하기 위한 방안으로, 에지(edge) 정보 를 기반으로 영상 내에서 사람이 있을 만한 후보 영역을 먼저 찾고, 이들 영역에 대해서만 HOG를 적용하여 처리시간을 줄이 고자 하는 방법을 서술한다. 제안하는 방법은 개념과 적용이 간 단하면서도, 효과적으로 처리 시간을 단축시킬 수 있다.
본 논문의 구성은 다음과 같다. 먼저 2장에서 시각센서를 사 용한 기존의 HOG 기반 사람의 검출 방법을 간략히 소개하고, 3 장에서 제안하는 방법을 서술한 후, 4장에서 실험의 결과를 제 시하고, 5장에서 결론을 내린다.
2. HOG와 SVM에 의한 사람의 검출
Dalal 과 Triggs는 2005년 기계학습에 의한 영상 내 사람 검출 방법을 제안하였다[8]. 먼저 다수의 사람 영상에서 Histogram of Oriented Gradients (HOG) 특징 벡터를 얻고, Support Vector Machine (SVM)에 의하여 학습한 다음, 이를 다시 카메라로부 터 출력되는 영상을 분류하는 데 사용하는 방식이다. 이 방법은 정확도가 높아 현재 가장 널리 사용되는 방법이다.
HOG 기법은 크게 Cell, Block, 그리고 Window의 처리 단계 로 구분된다. 먼저 Cell은 8×8 배열의 화소로 구성되며, Cell내 화소들의 밝기값 기울기(gradient)에 대해서 방향(orientation)과 크기(magnitude)를 계산한다. 계산된 방향은 0°~180°의 범위 내 에서 20° 간격으로 9개의 저장소에 할당하여 히스토그램을 얻 는다. 단, 계산된 크기를 고려하여 가중치를 준다. Block은 2×2 의 Cell 배열로 정의된다. 따라서 4×9=36개의 히스토그램을 얻 을 수 있으며, 이들 히스토그램을 정규화한다. Window는 행과 열이 128×64인 화소 배열로 구성된다. 영상에서 사람은 이 Window 의 크기에 대체로 맞다고 가정한다. 이제 Window내에 Block을 중첩시키면서 좌에서 우로, 그리고 상에서 하로 이동하면서 방 향별 히스토그램 값을 계산한다. 만약 Block 간에 50% 중첩을 가정하면, 총 15×7=105개의 Block에 대해 계산이 이루어지므
로, 최종적으로는 3780개의 값을 가지는 형태 서술자 벡터가 된다.
SVM 은 1963년 Vapnik과 Lerner에 의하여 개발된 학습 기반 의 선형분리자이다[9]. 추후 비선형 분리의 문제로 확장되었으 나, 선형의 기법이 간단하여 널리 사용된다. SVM은 입력된 데 이터를 +1과 -1의 이진값으로 구분하는데, 두 그룹을 최적으로 구분할 수 있는 초평면 (hyper-plane)을 찾는다. HOG의 경우 3780개의 요소를 가지는 벡터이므로, 이로부터 HOG Window 내의 화소들이 사람에 해당하는지, 아닌지를 판단하게 된다. Fig.
1은 이상의 절차에 의한 사람의 검출 방법을 요약하여 보여준다.
HOG 은 고정된 카메라나 이동 카메라 모두에 활용할 수 있고, 한 장의 영상만을 사용하기 때문에 CCTV에 의한 감시용 장치 뿐 아니라 근래 중요한 기술로 부각되고 있는 스마트 자동차의 안전 주행을 위한 센서장치에도 활용될 수 있다. 특히 검출의 정확도가 높은 점은 다른 영상 기반 사람 센싱 기술에 비하여 중요한 장점이다. 그러나 HOG 특징 벡터의 추출을 위한 계산 량이 많아서 실시간 활용에 제약이 되고 있다.
3. 에지 기반의 후보 영역 검출
3.1 제안하는 시스템의 구조
HOG 기법의 큰 계산량에 대한 해결책으로 본 논문에서는 빠 른 에지 연산을 통하여 사람이 분포할 가능성이 높은 영역을 먼 저 찾고, 이 영역에 대해서만 선택적으로 HOG 기법을 적용하 는 2단계 접근법을 제안한다. 본 논문에서 제안하는 방법은 Fig.
2에 보인 바와 같은 구조를 가진다.
카메라의 출력 영상에서 128×64 화소 크기의 Window별로 화
소값의 기울기를 계산한 후, 이를 기준으로 에지 점을 검출한
다. Window를 사용하는 이유는 해당 부분에 사람이 있는 것으
로 예측되면 동일한 크기의 HOG Window를 바로 적용할 수 있
도록 하기 위한 것과 에지의 검출에 있어 영상의 국부적인 화
소값 변화에 대하여 적응적으로 임계치를 결정하기 위한 것의
두 가지이다. 이 때 에지의 검출은 사람이 수직으로 서 있는 경
우를 가정하고, 수직방향 성분만을 검출하게 된다. 검출된 에지
Fig. 1. Human detection processing steps of HOG+SVM
점에 의하여 0과 1로 구성되는 이진의 영상이 얻어지면, 이 영 상이 사람의 몸통 형상에 부합하는 에지의 분포 패턴을 가지는 지 점검한다. 만약 그러한 패턴에 부합하면, 두 번째 단계로 넘 어 간다. 즉, HOG Window에 의한 3780개의 요소를 가지는 형 태 서술자 벡터를 계산하고, 그 값을 선형의 SVM 에 입력하여 사람인지 아닌지를 최종적으로 판단한다.
제안하는 방법은 에지 검출에 의한 빠른 처리 단계와 이에 의 하여 유도되는 HOG+SVM에 의한 느리지만 정확한 처리 단계 로 구성된다는 점에서 Xu 등이 제안한 방법[10]과 유사하다. 그 러나 Xu 등의 방법이 단순히 에지 점의 숫자만을 판단의 근거 로 사용하여 배경의 에지와 실제 사람의 에지를 구분하지 못하 므로 아주 단순한 배경에 존재하는 사람의 영상 이외에는 적용 이 불가능한 데 비해서, 본 논문에서 제안한 방법은 에지 점의 분포 패턴을 검사함으로써 보다 정확하고 효과적으로 사람이 존 재할 가능성이 있는 영역을 찾을 수 있다.
3.2 후보 영역 검출을 위한 에지 점 분포의 해석
만약 영상 내에 사람이 존재한다면 그로 인하여 에지가 검출 될 것이다. 흑백 영상에서 에지는 여러 가지 방법으로 검출될 수 있으나, 가장 널리 사용되는 것은 Sobel 연산자를 적용하는 방법과 Canny의 다단계 방법이다. 본 논문에서는 간단한 Sobel 의 연산자를 사용하는데, 식 (1.a)와 같이 영상의 좌우간 기울기 를 구하는 식과 식 (1.b)와 같이 상하간 기울기를 구하는 식을 식 (1.c)에서와 같이 통합한 후 임의의 임계치 T와 비교하여 에 지 점으로 구성된 이진의 영상 B를 얻게 된다. 단, x는 행, y는 열의 좌표를 나타낸다.
(1.a)
(1.b)
(1.c) Xu 등은 에지 요소(edge factor)를 이용한 적응적 사람 센싱 방법을 제안한 바 있다[10]. 해당 연구에서 에지 요소는 영상의 특정 부분에 존재하는 에지 점의 정규화된 숫자로 정의된다. 우 선 영상의 Window에 Prewitt 에지 검출자를 적용하여 평균 이 상의 밝기 기울기를 가지는 화소들을 에지 점으로 검출한다. 다 음으로 에지 점들을 계수하여 임의의 숫자 이상이 되면, 그 부 분에는 사람이 존재할 수 있다고 가정하고 HOG 검출 기법을 적용한다. 이 방법은 간단하면서 사람이 존재하는 경우 에지 점 들이 많아질 것이라는 가정하에 HOG 적용을 영상 내 에지 점 들이 많은 영역에만 한정하여 전체 계산량을 줄이고자 하였다.
그러나 사람뿐 아니라 주변의 지형지물도 에지를 만들기 때문 에 배경이 단순한 특수한 경우 외에는 효과적이지 않다.
본 논문에서는 단순히 에지 점의 숫자를 사용하기 보다, 에지 점의 분포 형태를 기반으로 사람의 존재 가능성이 높은 후보 영 역을 빠르게 검출한 후, 이 후보 영역에 대해서만 정교한 HOG 기법의 사용을 유도한다. 제안하는 기법에서는 우선 에지 점들 이 특정한 형태로 찾아질 수 부분을 선택하였다. 만약 사람들이 서 있는 자세로 있다고 가정하면, 수직 방향의 에지(즉, 식(1.a)) 가 수평 방향의 에지(즉, 식(1.b)) 보다 사람의 형상을 더 뚜렷 하게 나타낼 수 있다. 예를 들어 Fig. 3(a)와 같이 사람만 존재 하는 단순한 영상에 대하여, 에지를 검출한 결과를 보이면 Fig.
3(b)와 (c)에 보인 바와 같고, 우리는 수직 방향의 에지 성분만 을 대상으로 사람을 검출한다.
인체에서는 상체 부분이 하체에 비해서 영상에서 더 안정된 특성을 보인다. 이는 비디오 영상에서 뚜렷하게 관찰될 수 있고, 정지 영상에서도 다리 부분은 자세에 따라 에지 점들이 다양하 게 나타날 수 있어 특징짓기 곤란하다. 따라서 우리는 사람의 상체 중앙 부분, 그리고 사람과 배경 사이의 좌, 우측 경계 근 처 부분을 에지 점들의 분포를 관찰하는 주요한 특징 부위로 설 G
x( x y , ) I x 1 y 1 = ( – , – ) 2I x y 1 + ( , – ) I x 1 y 1 + ( + , – )
I x 1 y 1 ( – , + )
– – 2I x y 1 ( , + ) – I x 1 y 1 ( + , + )
G
y( x y , ) I x 1 y 1 = ( – , – ) 2I x 1 y + ( – , ) I x 1 y 1 + ( – , + ) I x 1 y 1 ( + , – )
– – 2I x 1 y ( + , ) – I x 1 y 1 ( + , + )
B i j ( ) , 1 if ( G
x+ G
y) 2 T ⁄ >
0 otherwise
⎩ ⎨
= ⎧ Fig. 2. Edge-based detection of a candidate image region where a
human may exist .
Fig. 3. Edge detection example: (a) Original image, (b) Horizontal
edges, (c) Vertical edges
정하였다. 이는 Fig. 4(a)에 나타낸 바와 같으며, 영상의 중앙 영 역을 R C , 사람과 배경의 경계 영역을 좌, 우측에서 각각 R L 과 R R 이라고 지칭하였다. 만약 HOG에서 사용되는 사람의 해상도, 즉 128×64의 화소 배열을 고려하면, 이들 부분의 크기는 Fig.
4(b) 에 나타낸 바와 같이 지정할 수 있다. 즉, 사람의 상체 중앙 부에서 20×11개의 화소와 좌측과 우측의 배경과의 경계부에서 각각 20×11개의 화소에 대해서만 에지 점을 찾고, 그 분포를 살 펴본다. 검출 영역을 이와 같이 한정함으로써 얻을 수 있는 이 점은 명확하다. 즉, 처리해야 할 영상의 크기가 대폭 줄어들어 서 처리시간을 줄일 수 있으며, 각 부분에서 에지의 분포 패턴 에 대해 대략적인 예측이 가능하다. 즉, R C 영역에서는 대체로 에지 점들이 희박하게 발견될 것이며, R L 과 R R 영역에서는 많 은 에지 점들이 수직방향으로 발견될 것으로 가정한다.
본 논문에서 제안하는 방법은 수직의 에지 점을 찾아, 에지 점들로 구성되는 이진 영상을 처리한다. 에지 점은 단일 채널의 영상에서 구하는데, 대체로 카메라의 영상은 적색(R), 녹색(G), 그리고 청색(B)의 컬러이므로, 이를 단일 채널로 변경하여야 한 다. 우리는 적색 영상과 식 (2.a)와 같이 구해지는 정규화된 적 색 영상, 그리고 식 (2.b)와 같이 얻어지는 흑백의 밝기 영상 중 에서 선택적으로 사용하였다. 적색을 선택한 이유는 다른 컬러 채널인 녹색이 나무나 잔디 등 식물에서 자주 나타나고, 청색은 하늘이나 호수 등 자연 지물에서 자주 나타나서 영상 내 존재 하는 물체 사이의 구분성이 떨어지기 때문이다. 적색의 영상 R 이 컬러와 밝기 정보를 모두 포함하고 있는데 비해, 정규화된 적색 r은 다른 채널 색에 대한 비율로써 색상 정보만을 가지고 있다. 정규화된 색상 영상은 밝기 정보를 배제하고 색상으로만 구분하고자 할 때 유리할 것이다. 한편 흑백의 영상 I는 세 가 지 컬러 채널 값의 평균으로 색상 정보는 배제하고 밝기 정보 만을 내포하고 있다. 주어진 영상에서 R, r, I 중에서 어떤 종류 의 영상을 사용하는 것이 더 적당할지는 사람과 배경이 얼마나
더 잘 구분되는지를 기준으로 판단하였다. 즉, 사람의 몸통이 Fig. 4(a) 에서 볼 수 있듯이 Window 내 수직으로 x=40~60에 분 포하고 있으므로, 이 구간의 중앙인 x=50을 따라 수평으로 최 좌측의 10개 화소와 최우측의 10개 화소의 값이 중앙의 10개 화소와 R, r, I 중에서 어떤 영상 종류에서 가장 뚜렷한 차이를 보이는지 점검한 후, 가장 큰 차이를 보이는 영상을 선택하고, 이 영상에 대해서만 후행되는 절차를 수행하였다. 예를 들어 Fig.
5에서는 붉은 색 상의를 착용한 사람의 영상을 R과 r, 그리고 I 의 영상으로 변환한 결과를 보여 주며, 이 경우에는 R의 영상 이 가장 배경과 뚜렷한 차이를 보인다.
(2.a)
(2.b) R 및 r, 그리고 I 영상 중에서 에지 처리에 사용할 영상의 종 류가 선택되면, 선택된 영상 중 잡음을 제거한다. 사람의 몸체 와 배경 사이의 뚜렷한 경계 외 작은 화소값 변화로 인하여 에 지가 검출되는 것을 방지하기 위하여 평균화 필터를 3×3 크기 의 마스크로 두 번 반복하여 수행하고, 임펄스 잡음을 제거하기 위하여 같은 크기의 마스크로 중간값(median) 필터를 적용하였다.
잡음이 제거된 영상에 대해서는 식 (1.a)를 적용하여 좌우간 의 화소값 변화를 검색한다. 만약 어떤 임계치 이상으로 변화가 생기면 수직 방향으로 에지가 존재한다고 가정하고, 중심 화소 의 값을 1로, 그렇지 않은 경우 0으로 하여 이진의 영상을 x=40~60 영상좌표 구간에서 각각 얻는다. 단, 이진화의 임계치 T는 20×64 의 영역에서 화소값 기울기의 평균치 G m 과 최대치 G M 에 대해 서 식 (3)과 같이 가중 평균하여 구한다. 여기서 k는 [0, 1] 범 위 내 임의의 상수로, k가 1이면 이진화할 영상 영역 내 화소값 기울기의 평균을 임계치로 한다는 의미가 된다. 그러나 k를 1로 하면 너무 약한 에지 점까지 모두 검출될 위험이 있다. 식 (3) 의 방법은 에지 점 검출에 중요한 요소인 임계치를 영상의 국 부적인 특성을 고려하여 적응적으로 구할 수 있게 한다.
r x y ( , ) R x y = ( , ) R x y ⁄ [ ( , ) G x y + ( , ) B x y + ( , ) ]
I x y ( , ) = [ R x y ( , ) G x y + ( , ) B x y + ( , ) ] 3 ⁄
Fig. 5. Color camera image conversion into a monochrome image before edge detection: (a) Red channel image R, (b) Nor- malized red image r, (c) Intensity image I
Fig. 4. Edge distribution patterns are checked in three image regions
on a human torso: (a) Three detection regions in the window,
(b) Sizes of the three regions R
L, R
C, R
R(3) 이제 얻어진 것은 주로 수직 방향의 에지 성분으로 구성된 이 진 영상이지만, 여전히 남아 있는 약한 수평 방향 에지를 제거 하기 위하여 횡으로 3개의 에지 점이 연속으로 연결되어 있으 면 그 중앙의 점을 제거하고, 또 고립된 에지 점도 3×3의 마스 크를 사용하여 제거한다. Fig. 6은 Fig. 5의 영상에 대하여 지금 까지 서술한 절차를 수행하여 처리한 결과를 보여 준다.
이제 Fig. 6(d)의 예와 같이 얻어진 수직 에지 점의 이진 영 상을 수직으로 y축에 투영하면 Fig. 7과 같은 결과를 얻을 수 있다. 그림에서는 사람의 상체 중간 부분 영역인 R C 에서 얻어 진 에지 점들 보다 좌우 경계 부근인 R L 과 R R 의 영역에서 더 많은 에지 점들이 분포함을 알 수 있다. 우리는 식 (4)에서 이 와 같은 에지 점들의 분포 비에 따른 사람 판정법을 사용하였다.
(4) 단, Nc는 R C 에서 검출된 에지 점의 수, N L 은 R L 에서 검출된 에지 점의 수, 그리고 N R 은 R R 에서 검출된 에지 점의 수를 나 타낸다. 그리고 T N 은 임의의 임계치인데, R C , R L , 그리고 R R 의 크기가 동일함을 고려하면 통상 1을 사용할 수 있다.
4. 실험 결과
제안된 방법의 유용성을 시험하기 위하여 4가지 종류의 영상 을 사용하였다. 우선, MIT에서 공개하고 있는 다양한 사람의 영 상들 [11] 중에서, 복잡한 배경을 가지고 있는 컬러 영상과 비 교적 단순한 배경을 가지고 있는 영상을 {Human_Complex1,
… , Human_Complex20} 과 {Human_Simple1, … , Human_
Simple20} 과 같이 각각 20장씩 준비하였다. 또한 인터넷의 영 상 검색을 통하여 사람이 존재하지 않는 영상들 중에서 복잡한 형태의 영상과 단순한 형태의 영상을 각각 {No_Human_Complex1,
… , No_Human_Complex20}과 {No_Human_Simple1, … , No_Human_Simple20}과 같이 준비하였다. 단, 모든 영상들은 ppm 의 컬러 형식이고, 128×64 크기의 화소배열이다. 사용한 시 험 영상들의 몇 가지 예는 Fig. 8에 보인 바와 같다.
주어진 시험용 사람 영상들 중 본 논문에서 제안한 방법이 검 출에서 오류를 보인 경우는 복잡한 배경과 단순한 배경에서 각 각 한 건씩 있었고, 사람이 없는 영상에서는 각각 5건과3건이 있 었다. 오류를 일으킨 영상들의 예는 Fig. 9에 보였다. Fig. 9(a)는 사람의 손과 가방의 끈이 중앙에 있어 몸통 부분에서 에지 점들 이 많이 검출되었고, (b)는 겉옷과 내부 셔츠 사이에 존재하는 분 명한 경계가 몸통 부분에서 긴 수직의 에지를 만든 것이 오류의 원인이다. (c)의 경우에는 나무와 인공물 사이의 간격이 사람의 몸통 간격과 비슷하였고, (d)는 나무와 하늘 사이의 수직 방향 경 계가 사람의 몸체 좌측 경계가 통상 존재하는 영역에 있었다.
기존의 Xu 등의 방법 [10], 그리고 HOG+SVM의 방법[8]을 본 논문에서의 방법과 비교하여 보았다. Table 1은 그 결과를 보여 준다. Xu 등의 기법은 사람이 없는 경우를 제대로 인식하 지 못하였다. 이는 단순히 에지 점의 숫자만 계산하므로, 복잡 한 영상은 대체로 사람이 있다고 추정하게 되어 생긴 문제이다.
대신 MATLAB으로 한 장의 영상을 처리하는데 단지 6.03 ms T = kG
m+ ( 1 k – )G
MHuman = es Y , if 2N
C⁄ ( N
L+ N
R) T <
NN
= o , otherwise
⎩ ⎨
= ⎧
Fig. 6. Steps of processing Fig. 5 to obtain an edge image: (a) Pro- cessing part of the R image, (b) Low-pass filtering, (c) Gra- dient image, (d) Vertical edge points
Fig. 7. Vertical projection of edge points of Fig. 6(d)
Fig. 8. Examples of four sets of test images
만 소요되어 가장 빨랐다. HOG+SVM은 모든 시험영상에 대해 정확한 판단을 하였으나, 처리 시간이 20.8 ms로 가장 느렸다.
한편 제안한 방법은 사람이 없는 영상을 사람이 있는 것으로 오 인식하는 경우가 8건 있었고, 처리 속도는 12.5 ms였다. 사람이 없는 경우에 발생하는 오류는 사람이 있는 경우에 오인식하는 경우보다 비교적 많았는데, 이는 제안된 기법이 Fig. 2에 보인 바와 같이 정확하지만 느린 HOG+SVM기법을 적용할 후보 영 역을 찾는 목적을 가지므로 큰 문제가 아닐 수 있다.
5. 결 론
시각 센서를 사용하여 영상 내에서 사람을 검출하기 위한 방 법이 제안되었다. 현재 정확도가 가장 높다고 알려져 있는 HOG+SVM의 방법이 처리 속도가 느리고 분류용 특징 벡터의 크기가 큰 문제를 해결하기 위하여, 제안한 방법은 에지 점을 기반으로 사람이 있을 만한 후보 영역을 찾는 역할을 한다. 카 메라의 컬러 영상을 적색 채널의 영상이나 정규화된 적색 영 상, 혹은 흑백 영상으로 선택적으로 변환한 후 사람의 몸통이 존재할 영역에 대해서 에지 점의 분포 패턴을 간단한 판정식을 사용하여 사람과 비사람으로 분류하였다. 다양한 종류의 영상에
제안된 방법은 활용 가능성이 높을 것이다.
감사의 글
이 논문은 2014년 교육부와 한국연구재단의 지역혁신 창의인력 양성사업의 지원을 받아 수행된 연구임(NRF-2014H1C1A1073141).
REFERENCES
