| 1 |
1
(1) 객체를 포함하는 여러 시점(Multi-View)을 가지는 트레이닝 영상에서 임의의 위치와 크기를 가지는 후보 영역(Randomly N Regions)들을 생성하는 단계;(2) 각각의 후보 영역에 대해 OCS-LBP(Orientation Center Symmetric Local Binary Patterns) 특징을 추출하는 단계;(3) 각각의 후보 영역별로 추출된 특징 벡터들을 랜덤 포레스트를 통해 지역 기반으로 학습하는 단계;(4) 테스트 영상을 학습된 랜덤 포레스트에 적용하여 확률 값을 추정한 다음 상위 값들을 가지는 지역 특징(Local Features)의 영역을 선택하는 단계;(5) 각 시점에 대해서 선택된 지역 특징의 영역에 대해 공유되는 영역을 찾아 선택하고, 공유된 지역 특징의 영역에 대해서 랜덤 포레스트로 학습하는 단계;(6) 트레이닝 과정 수행 후, 객체를 검출하기 위해서 테스트 영상이 입력되면, 각각의 관점별로 확률 값이 추정되고, 확률 값 히스토그램을 생성하는 단계;(7) 생성한 확률 값 히스토그램에서 추정된 확률 값들 중 최댓값을 찾고, 최댓값을 가지는 주위 5개의 확률 값에 대해 가중치를 부과한 뒤 선형 결합하여 최종적인 확률 값을 추정하는 단계; 및(8) 상기 추정된 최종적인 확률 값이 미리 지정한 임계값보다 큰 경우에 객체로 검출하는 단계를 포함하며,상기 단계 (5)에서의 랜덤 포레스트는,동일한 지역 특징을 공유하는 각 뷰 클래스에서 수집된 훈련 데이터를 사용하여 공유 분류기로 훈련하여 공유 지역 특징에 대한 멀티 클래스 분류기를 생성하고,상기 단계 (1)에서의 후보 영역들은,상기 트레이닝 영상의 원본 이미지에서 객체가 포함된 80×40의 크기로 조정하여 자른 윈도우 영역에서 수집된 N개의 훈련 샘플로서, 상기 80×40의 크기를 갖는 윈도우 영역에서 최소 10×10의 크기로부터 최대 40×20(윈도우 영역의 절반)의 크기를 갖는 지역 특징을 랜덤하게 생성하며,상기 단계 (1)에서의 후보 영역들은,다시점 객체 검출에 필요한 회전 객체의 지역 특징을 위해 30° 간격으로 0°에서 360°의 범위에서 12 트레이닝 세트로 지정할 수 있도록 하되, 상기 트레이닝 세트는 지역 특징의 특정 위치와 크기를 선택하는 학습 그룹과, 테스트 그룹으로 똑같이 나누어지며,상기 단계 (3)에서의 랜덤 포레스트는,의사 결정 트리를 기반으로 하는 앙상블 분류기로서, 각 트리의 구조를 이진 하향식(top-down) 방식으로 구현되어 지역의 중요성을 기반으로 공유 지역 특징의 선택에 사용되며,상기 단계 (6)에서는,각 공유 분류기들에서 공유되는 멀티 클래스 분류기의 히스토그램 확률 분포로부터 확률 값 히스토그램을 생성하고,상기 단계 (7)에서의 최댓값은,생성된 확률 값 히스토그램에서 가장 기본이 되는 시점을 찾기 위한 최대 함수(Max Operation)를 이용하는 것을 특징으로 하는, 공유 지역 특징을 이용한 다시점 객체 검출 방법
|
