1 |
1
(1) 입력 영상으로부터 복수 개의 웨이블릿 기반의 중심대칭-국부이진 패턴(Center Symmetric Local Binary Pattern; 이하 ‘CS-LBP’라 함) 특징을 추출하는 단계;(2) 추출된 상기 웨이블릿 기반의 CS-LBP 특징 각각에 대하여 랜덤 포레스트(radom forest)에 의한 학습을 수행하는 단계;(3) 학습된 각각의 상기 랜덤 포레스트를 계층적으로 연결하는 단계; 및(4) 상기 입력 영상에서, 계층적으로 연결된 상기 랜덤 포레스트 모두를 통과한 영역을 최종 사람 영역으로 결정하는 단계를 포함하는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
2 |
2
제1항에 있어서,(5) 상기 랜덤 포레스트 모두를 통과하면, 각 랜덤 포레스트에서 산출된 사람에 대한 분류 확률의 평균을 구하여 상기 입력 영상에서 사람에 대한 최종 확률 값을 산출하는 단계를 더 포함하는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
3 |
3
제1항에 있어서, 상기 웨이블릿 기반의 CS-LBP 특징은,상기 입력 영상의 웨이블릿 변환으로 인하여 얻어지는 복수의 서브 영상에서 추출된 CS-LBP 특징인 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
4 |
4
제1항에 있어서, 상기 단계 (1)은,(1-1) 상기 입력 영상을 웨이블릿 변환하여 복수 개의 서브 영상을 얻는 단계;(1-2) 각각의 상기 서브 영상을 복수 개의 셀로 분할하는 단계;(1-3) 분할된 각각의 상기 셀에서 CS-LBP 특징을 추출하는 단계;(1-4) 상기 CS-LBP 특징을 추출한 각각의 상기 셀에서 CS-LBP 히스토그램을 생성하는 단계; 및(1-5) 각각의 상기 셀에서 생성된 상기 히스토그램을 연결하여 최종 CS-LBP 히스토그램을 생성하는 단계를 포함하는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
5 |
5
제4항에 있어서, 상기 단계 (1-1)에서,상기 복수 개의 서브 영상은 고역 필터링된(high-pass filtered) 서브 영상인 LH, HH 및 HL인 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
6 |
6
제4항에 있어서, 상기 단계 (1-1)에서,상기 웨이블릿 변환은 도비시 웨이블릿(Daubechies wavelet) 변환을 이용하는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
7 |
7
제4항에 있어서, 상기 단계 (1-2)에서,각각의 상기 서브 영상을 16개의 셀로 분할하는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
8 |
8
제4항에 있어서, 상기 단계 (1-2)에서,상기 셀은 서로 중첩되지 않도록(non-overlapped) 분할되는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
9 |
9
제4항에 있어서, 상기 단계 (1-4)에서,상기 CS-LBP 히스토그램은 16개의 빈을 갖는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
10 |
10
제4항에 있어서, 상기 단계 (1-5)에서,상기 최종 CS-LBP 히스토그램은 256개의 빈을 갖는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
11 |
11
제1항에 있어서, 상기 단계 (2)는,(2-1) 상기 랜덤 포레스트의 결정 트리의 개수를 선택하는 단계;(2-2) 상기 랜덤 포레스트의 변수의 개수를 선택하여 각 노드(node)를 분할하는 단계; 및(2-3) 상기 결정 트리를 성장시키는 단계를 포함하는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
12 |
12
제11항에 있어서, 상기 단계 (2)는,상기 단계 (2-1) 전에, 상기 랜덤 포레스트의 클래스를 정의하는 전처리 단계를 더 포함하는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
13 |
13
제12항에 있어서, 상기 전처리 단계는,상기 클래스를 사람 및 비-사람(non-human)의 두 개의 클래스로 정의하는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
14 |
14
제11항에 있어서, 상기 단계 (2-1)에서,상기 결정 트리의 개수는 120개인 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
15 |
15
제11항에 있어서, 상기 단계 (2-3)은,(2-3-1) 트레이닝 세트(training set)로부터 새로운 부트스트랩 샘플(bootstrap sample)을 선택하고, 상기 부트스트랩 샘플을 이용하여 가지치기 되지 않은(unpruned) 트리를 성장시키는 단계;(2-3-2) 상기 트리의 각 내부 노드가 랜덤하게 변수를 선택하고, 선택된 상기 변수만을 이용하여 스플릿 함수(split function)를 결정하는 단계; 및(2-3-3) 상기 트리를 최대 트리 깊이까지 성장시키는 단계를 포함하는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
16 |
16
제15항에 있어서, 상기 단계 (2-3-3)에서,상기 최대 트리 깊이는 20인 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|
17 |
17
제1항에 있어서, 상기 단계 (3)에서,랜덤 포레스트를 필터 체인 형식으로 계층적으로 연결하되,LH 서브 영상으로부터 추출된 웨이블릿 기반의 CS-LBP를 사용하는 랜덤 포레스트가 첫 번째 필터에 위치되고, HL 서브 영상으로부터 추출된 웨이블릿 기반의 CS-LBP를 사용하는 랜덤 포레스트가 마지막 필터에 위치되는 것을 특징으로 하는, 웨이블릿 기반의 CS-LBP와 계층적 랜덤 포레스트를 이용한 사람 검출 방법
|