1 |
1
보행자 검출 방법으로서,(1) 입력된 영상에 대하여, Flow Map을 이용하여 보행자 후보 영역을 검출하는 단계;(2) 상기 단계 (1)에서 검출된 보행자 후보 영역에 대하여 허프 윈도우 맵(Hough Window Map)을 구성하고, 상기 구성된 허프 윈도우 맵에 기초하여 최적의 스케일링 영상 비율과 해당 스케일링 영상에서의 관심 영역(Region Of Interest)을 추정하는 단계;(3) 상기 단계 (2)에서 추정된 최적의 스케일링 영상 비율과 해당 스케일링 영상에서의 관심 영역에 대하여, Harr-Like 특징과 OCS-LBP(Oriented Center Symmetric Local Binary Pattern) 특징을 추출하는 단계;(4) 상기 단계 (3)에서 추출된 Harr-Like 특징과 OCS-LBP 특징에 대하여, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용하여 해당 관심 영역에 대한 보행자 여부를 판단하는 단계; 및(5) 상기 단계 (4)에서 보행자로 판단된 관심 영역에 대하여 Non-Maximum Suppression 알고리즘을 적용하여 최종 보행자 영역을 결정하는 단계를 포함하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
2 |
2
제1항에 있어서, 상기 단계 (1)에서의 Flow Map은,상기 입력된 영상에 대하여, 현재 프레임과 이전 프레임들 간의 차영상들을 구하고, 상기 구해진 차영상들을 가중치 결합하여 생성되는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
3 |
3
제2항에 있어서,상기 가중치 결합에서의 가중치는, 현재 프레임에 가까운 프레임에 대해서는 높은 가중치를 두고, 현재 프레임에서 멀어질수록 낮은 가중치를 부여하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
4 |
4
제1항에 있어서, 상기 단계 (2)에서의 허프 윈도우 맵은,상기 단계 (1)에서 검출된 보행자 후보 영역에 대하여, 다양한 크기의 영상에서 각 사이즈별로 검출되는 보행자의 영역들을 조사하여 구성되는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
5 |
5
제1항에 있어서, 상기 단계 (4)에서의 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법은,(4-1) 데이트 세트 A를 이용하여, 기존의 랜덤 포레스트 학습 방법을 적용하여 Teacher 랜덤 포레스트를 학습시키는 단계;(4-2) 상기 단계 (4-1)에서 학습시켜진 Teacher 랜덤 포레스트를 이용하여, Student 랜덤 포레스트를 위한 데이터 세트 B를 구성하는 각각의 클래스의 확률값을 추출하는 단계; 및(4-3) 상기 단계 (4-2)에서 각각의 클래스의 확률값이 추출된 데이터 세트 B를 이용하여, Student 랜덤 포레스트를 학습시키는 단계를 통해 학습시켜진 Student 랜덤 포레스트를 이용한 분류 방법인 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
6 |
6
제5항에 있어서, 상기 Student 랜덤 포레스트는,상기 Teacher 랜덤 포레스트의 트리의 수보다 작은 값의 트리의 수를 갖는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
7 |
7
제5항에 있어서,상기 단계 (4-1)에서, 상기 데이트 세트 A는 클래스 레이블이 포함되며,상기 단계 (4-2)에서, 상기 데이트 세트 B는 클래스 레이블이 포함되지 않는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
8 |
8
제5항에 있어서, 상기 단계 (4-3)은,(4-3-1) 상기 단계 (4-2)에서 각각의 클래스의 확률값이 추출된 데이터 세트 B에서, 임의의 데이터를 선택하여 서브 세트를 구성하는 단계;(4-3-2) 상기 단계 (4-3-1)에서 구성된 서브 세트에 대하여, 각각의 내부 노드는 특징 벡터 x에서 파라미터 θi를 무작위로 선택하고, 그 중에서 가장 높은 성능을 갖는 분할 함수 f와 θ를 결정한 후, f(θ, x)를 사용하여 트리를 left(Sl), right(Sr)로 분할하는 과정을, 최대 허용 깊이까지 반복하여 트리를 생성하는 단계; 및(4-3-3) 상기 단계 (4-3-2)에서 생성된 트리에 대하여, 평가 기준을 만족하는 트리를 찾는 과정을, 트리의 개수까지 반복하여 수행하는 단계를 포함하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
9 |
9
제8항에 있어서, 상기 단계 (4-3-2)에서,성능 평가 기준은, 상기 Teacher 랜덤 포레스트에 의해 추출된 클래스 확률 값을 이용하여 계산되는, 분할 함수 f에 대한 엔트로피 값을 이용하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
10 |
10
제9항에 있어서, 상기 단계 (4-3-2)에서,상기 성능 평가 기준은, 다음 수학식을 이용하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
11 |
11
제8항에 있어서, 상기 단계 (4-3-3)에서,성능 평가 기준은, 상기 Teacher 랜덤 포레스트와 상기 Student 랜덤 포레스트에 의해 각각 추출된 클래스 확률값의 교차-엔트로피(cross-entropy)를 이용하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
12 |
12
제11항에 있어서, 상기 단계 (4-3-3)에서,상기 성능 평가 기준은, 다음 수학식을 이용하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
13 |
13
제12항에 있어서, 상기 단계 (4-3-3)에서,상기 계산된 교차-엔트로피(cross-entropy)가 미리 지정된 임계값보다 작을 경우 해당 트리를 사용하되, 그렇지 않을 경우 트리를 재생성하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법
|
14 |
14
보행자 검출 시스템으로서,(A) 입력된 영상에 대하여, Flow Map을 이용하여 보행자 후보 영역을 검출하는 보행자 후보 영역 검출 모듈;(B) 상기 보행자 후보 영역 검출 모듈에서 검출된 보행자 후보 영역에 대하여 허프 윈도우 맵(Hough Window Map)을 구성하고, 상기 구성된 허프 윈도우 맵에 기초하여 최적의 스케일링 영상 비율과 해당 스케일링 영상에서의 관심 영역(Region Of Interest)을 추정하는 관심 영역 추정 모듈;(C) 상기 관심 영역 추정 모듈에서 추정된 최적의 스케일링 영상 비율과 해당 스케일링 영상에서의 관심 영역에 대하여, Harr-Like 특징과 OCS-LBP(Oriented Center Symmetric Local Binary Pattern) 특징을 추출하는 Harr-Like 특징 및 OCS-LBP 특징 추출 모듈;(D) 상기 Harr-Like 특징 및 OCS-LBP 특징 추출 모듈에서 추출된 Harr-Like 특징과 OCS-LBP 특징에 대하여, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용하여 해당 관심 영역에 대한 보행자 여부를 판단하는 보행자 여부 판단 모듈; 및(E) 상기 보행자 여부 판단 모듈에서 보행자로 판단된 관심 영역에 대하여 Non-Maximum Suppression 알고리즘을 적용하여 최종 보행자 영역을 결정하는 최종 보행자 영역 결정 모듈을 포함하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 시스템
|
15 |
15
제14항에 있어서,상기 보행자 후보 영역 검출 모듈에서의 Flow Map은, 상기 입력된 영상에 대하여, 현재 프레임과 이전 프레임들 간의 차영상들을 구하고, 상기 구해진 차영상들을 가중치 결합하여 생성되며,상기 가중치 결합에서의 가중치는, 현재 프레임에 가까운 프레임에 대해서는 높은 가중치를 두고, 현재 프레임에서 멀어질수록 낮은 가중치를 부여하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 시스템
|
16 |
16
제14항에 있어서, 상기 관심 영역 추정 모듈에서의 허프 윈도우 맵은,상기 단계 (A)에서 검출된 보행자 후보 영역에 대하여, 다양한 크기의 영상에서 각 사이즈별로 검출되는 보행자의 영역들을 조사하여 구성되는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 시스템
|
17 |
17
제14항에 있어서, 상기 보행자 여부 판단 모듈에서의 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법은,(4-1) 데이트 세트 A를 이용하여, 기존의 랜덤 포레스트 학습 방법을 적용하여 Teacher 랜덤 포레스트를 학습시키는 단계;(4-2) 상기 단계 (4-1)에서 학습시켜진 Teacher 랜덤 포레스트를 이용하여, Student 랜덤 포레스트를 위한 데이터 세트 B를 구성하는 각각의 클래스의 확률값을 추출하는 단계; 및(4-3) 상기 단계 (4-2)에서 각각의 클래스의 확률값이 추출된 데이터 세트 B를 이용하여, Student 랜덤 포레스트를 학습시키는 단계를 통해 학습시켜진 Student 랜덤 포레스트를 이용한 분류 방법인 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 시스템
|
18 |
18
제17항에 있어서,상기 Student 랜덤 포레스트는, 상기 Teacher 랜덤 포레스트의 트리의 수보다 작은 값의 트리의 수를 가지고,상기 단계 (4-1)에서, 상기 데이트 세트 A는 클래스 레이블이 포함되며,상기 단계 (4-2)에서, 상기 데이트 세트 B는 클래스 레이블이 포함되지 않는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 시스템
|
19 |
19
제17항에 있어서, 상기 단계 (4-3)은,(4-3-1) 상기 단계 (4-2)에서 각각의 클래스의 확률값이 추출된 데이터 세트 B에서, 임의의 데이터를 선택하여 서브 세트를 구성하는 단계;(4-3-2) 상기 단계 (4-3-1)에서 구성된 서브 세트에 대하여, 각각의 내부 노드는 특징 벡터 x에서 파라미터 θi를 무작위로 선택하고, 그 중에서 가장 높은 성능을 갖는 분할 함수 f와 θ를 결정한 후, f(θ, x)를 사용하여 트리를 left(Sl), right(Sr)로 분할하는 과정을, 최대 허용 깊이까지 반복하여 트리를 생성하는 단계; 및(4-3-3) 상기 단계 (4-3-2)에서 생성된 트리에 대하여, 평가 기준을 만족하는 트리를 찾는 과정을, 트리의 개수까지 반복하여 수행하는 단계를 포함하는 것을 특징으로 하는, 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 시스템
|
20 |
20
제19항에 있어서,상기 단계 (4-3-2)에서, 성능 평가 기준은, 다음 수학식을 이용하며,(상기 수학식에서, ΔE는 엔트로피의 합, Sn은 n번째 노드에 도달하는 데이터의 집합, Sl, Sr은 각각 n번째 노드에서 왼쪽 혹은 오른쪽의 자식 노드로 들어가는 데이터의 집합, | |은 데이터 집합에 속한 데이터의 개수를 나타내며, E(S)는 다음 수학식으로 계산됨
|