| 1 |
1
다수의 보행자 추적 방법으로서,(1) 움직이는 자동차에 설치된 카메라에서 다수의 보행자가 포함된 영상을 촬영하는 단계;(2) 상기 단계 (1)에서 촬영된 영상에서 다수의 보행자를 탐지하는 단계;(3) 상기 단계 (2)에서 탐지된 다수의 보행자가 포함된 영상을 심층 네트워크에 입력하여 특징값을 추출하는 단계;(4) 상기 단계 (3)에서 추출된 특징값을 이용하여 교사-학생 랜덤 펀(Teacher-Student Random Ferns)을 학습하는 단계; 및(5) 상기 단계 (4)에서 학습된 교사-학생 랜덤 펀(Teacher-Student Random Ferns)을 이용하여 다수의 보행자를 추적하는 단계를 포함하며,상기 단계 (3)에서는,상기 단계 (2)에서 탐지된 다수의 보행자별로 특징값을 추출하고,상기 단계 (4)는,(4-1) 상기 단계 (3)에서 추출된 특징값을 이용하여 복수개의 펀(Fern)을 가진 교사 랜덤 펀(Teacher Random Ferns)을 학습하는 단계; 및(4-2) 상기 단계 (4-1)에서 학습된 교사 랜덤 펀(Teacher Random Ferns)을 이용하여, 상기 교사 랜덤 펀(Teacher Random Ferns)보다 펀(Fern)의 개수가 적은 학생 랜덤 펀(Student Random Ferns)을 학습하는 단계를 포함하며,상기 단계 (4-2)에서는,상기 단계 (4-1)을 통해 학습된 교사 랜덤 펀(Teacher Random Ferns)을 이용하여, 보행자가 처음 또는 두 번 이상 등장하였는지 경우를 나누어서 학습하며,보행자가 두 번 이상 등장한 경우에는, 현재 프레임에서 탐지된 보행자와 이전 프레임의 학생 랜덤 펀(Student Random Ferns)이 학습한 보행자가 일치한다면, 두 프레임 사이에 데이터 연결이 수행되어, 학생 랜덤 펀(Student Random Ferns)을 새롭게 업데이트되어 학습하며,상기 학생 랜덤 펀(Student Random Ferns)을 사용하여 교사 랜덤 펀(Teacher Random Ferns)의 추적 성능은 유지하면서 펀(Ferns)의 개수를 줄여 이전보다 빠르고 정확하게 보행자를 추적할 수 있으며,상기 단계 (5)에서는,상기 학습된 교사-학생 랜덤 펀(Teacher-Student Random Ferns)을 이용하여 펀(Fern)의 개수를 줄여 다수의 보행자를 추적하는 것을 특징으로 하는, 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 방법
|
| 2 |
2
제1항에 있어서, 상기 단계 (2)는,(2-1) 상기 단계 (1)에서 촬영된 영상에서 보행자와 비-보행자를 구분하는 단계; 및(2-2) 상기 단계 (2-1)에서 구분된 보행자를 상기 다수의 보행자로 탐지하는 단계를 포함하는 것을 특징으로 하는, 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 방법
|
| 3 |
3
제1항에 있어서, 상기 단계 (3)에서의 심층 네트워크는,합성 곱 신경망인 것을 특징으로 하는, 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 방법
|
| 4 |
4
제3항에 있어서, 상기 합성 곱 신경망은,tiny YOLO인 것을 특징으로 하는, 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 방법
|
| 5 |
5
제4항에 있어서, 상기 tiny YOLO는,9개의 콘볼루션 레이어(Convolution layers), 6개의 맥스 풀링 레이어(Max pooling layers) 및 1개의 완전 연결 레이어(fully connected layers)로 구성된 것을 특징으로 하는, 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 방법
|
| 6 |
6
삭제
|
| 7 |
7
삭제
|
| 8 |
8
삭제
|
| 9 |
9
삭제
|
| 10 |
10
삭제
|
| 11 |
11
다수의 보행자 추적 시스템(10)으로서,움직이는 자동차에 설치된 카메라에서 다수의 보행자가 포함된 영상을 촬영하는 카메라부(100);상기 카메라부(100)에서 촬영된 영상에서 다수의 보행자를 탐지하는 탐지부(200);상기 탐지부(200)에서 탐지된 다수의 보행자가 포함된 영상을 심층 네트워크에 입력하여 특징값을 추출하는 추출부(300);상기 학습부(400)에서 학습된 교사-학생 랜덤 펀(Teacher-Student Random Ferns)을 이용하여 다수의 보행자를 추적하는 추적부(500)를 포함하며,상기 추출부(300)는,상기 탐지부(200)에서 탐지된 다수의 보행자별로 특징값을 추출하고,상기 학습부(400)는,상기 추출부(300)에서 추출된 특징값을 이용하여 복수개의 펀(Fern)을 가진 교사 랜덤 펀(Teacher Random Ferns)을 학습하는 제1 학습 모듈(410); 및상기 제1 학습 모듈(410)에서 학습된 교사 랜덤 펀(Teacher Random Ferns)을 이용하여, 상기 교사 랜덤 펀(Teacher Random Ferns)보다 펀(Fern)의 개수가 적은 학생 랜덤 펀(Student Random Ferns)을 학습하는 제2 학습 모듈(420)을 포함하며,상기 제2 학습 모듈(420)은,상기 제1 학습 모듈(410)을 통해 학습된 교사 랜덤 펀(Teacher Random Ferns)을 이용하여, 보행자가 처음 등장한 경우와 두 번 이상 등장한 경우를 나누어서 학습하되,보행자가 두 번 이상 등장한 경우에는, 현재 프레임에서 탐지된 보행자와 이전 프레임의 학생 랜덤 펀(Student Random Ferns)이 학습한 보행자가 일치한다면, 두 프레임 사이에 데이터 연결이 수행되어, 학생 랜덤 펀(Student Random Ferns)을 새롭게 업데이트되어 학습하며,상기 학생 랜덤 펀(Student Random Ferns)을 사용하여 교사 랜덤 펀(Teacher Random Ferns)의 추적 성능은 유지하면서 펀(Ferns)의 개수를 줄여 이전보다 빠르고 정확하게 보행자를 추적할 수 있으며,상기 추적부(500)는,상기 학습된 교사-학생 랜덤 펀(Teacher-Student Random Ferns)을 이용하여 펀(Fern)의 개수를 줄여 다수의 보행자를 추적하는 것을 특징으로 하는, 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 시스템
|
| 12 |
12
제11항에 있어서, 상기 탐지부(200)는,상기 카메라부(100)에서 촬영된 영상에서 보행자와 비-보행자를 구분하는 구분 모듈(210); 및상기 구분 모듈(210)에서 구분된 보행자를 상기 다수의 보행자로 탐지하는 탐지 모듈(220)을 포함하는 것을 특징으로 하는, 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 시스템
|
| 13 |
13
제11항에 있어서, 상기 심층 네트워크는,합성 곱 신경망인 것을 특징으로 하는, 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 시스템
|
| 14 |
14
제13항에 있어서, 상기 합성 곱 신경망은,tiny YOLO인 것을 특징으로 하는, 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 시스템
|
| 15 |
15
제14항에 있어서, 상기 tiny YOLO는,9개의 콘볼루션 레이어(Convolution layers), 6개의 맥스 풀링 레이어(Max pooling layers) 및 1개의 완전 연결 레이어(fully connected layers)로 구성된 것을 특징으로 하는, 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 시스템
|
| 16 |
16
삭제
|
| 17 |
17
삭제
|
| 18 |
18
삭제
|
| 19 |
19
삭제
|
| 20 |
20
삭제
|
