The Journal of Korean Institute of Communications and Information Sciences (한국통신학회논문지)

The Korean Institute of Commucations and Information Sciences (한국통신학회)
권호 표지
DOI QR코드

DOI QR Code

A Study on Recognition of Moving Object Crowdedness Based on Ensemble Classifiers in a Sequence

혼합분류기 기반 영상내 움직이는 객체의 혼잡도 인식에 관한 연구

  • 안태기 (한국철도기술연구원 도시철도표준화연구단) ;
  • 안성제 (서울과학기술대학교 NID융합기술대학원) ;
  • 박광영 (하이트론씨스템즈(주)) ;
  • 박구만 (서울과학기술대학교 전자IT미디어공학과)
  • Received : 2011.12.28
  • Accepted : 2012.02.14
  • Published : 2012.02.29
Download PDF
⟨ Previous Next ⟩

Abstract

Pattern recognition using ensemble classifiers is composed of strong classifier which consists of many weak classifiers. In this paper, we used feature extraction to organize strong classifier using static camera sequence. The strong classifier is made of weak classifiers which considers environmental factors. So the strong classifier overcomes environmental effect. Proposed method uses binary foreground image by frame difference method and the boosting is used to train crowdedness model and recognize crowdedness using features. Combination of weak classifiers makes strong ensemble classifier. The classifier could make use of potential features from the environment such as shadow and reflection. We tested the proposed system with road sequence and subway platform sequence which are included in "AVSS 2007" sequence. The result shows good accuracy and efficiency on complex environment.

혼합분류기를 이용한 패턴인식은 약한 분류기를 결합하여 강한 분류기를 구성하는 형태이다. 본 논문에서는 고정된 카메라를 통해 입력된 영상을 이용하여 특징을 추출하고 이것들을 이용한 약한 분류기의 결합으로 강한 분류기를 만들어 낸다. 제안하는 시스템 구성은 차영상 기법을 이용해서 이진화된 전경 영상을 얻고 모폴로지 침식연산 수행으로 얻어진 혼잡도 가중치 영상을 이용해 특징을 추출하게 된다. 추출된 특징을 조합하고 혼잡도를 판단하기 위한 모델의 훈련 및 인식을 위한 혼합분류기 알고리즘으로 부스팅 방법을 사용하였다. 혼합 분류기는 약한 분류기의 조합으로 하나의 강한 분류기를 만들어 내는 분류기로서 그림자나 반사 등이 일어나는 환경에서도 잠재적인 특징들을 잘 활용할 수 있다. 제안하는 시스템의 성능실험은 "AVSS 2007"의 도로환경의 차량 영상과 철도환경내의 승강장 영상을 사용하였다. 조명변화가 심한 야외환경과 승강장과 같은 복잡한 환경에서도 시스템의 우수한 성능을 보여주었다.

Keywords

References

  1. T. Brox, A. Bruhn, J. Weickert, Variational motion segmentation with level sets, in: European Conference on Computer Vision, pp. 471-483, 2006.
  2. M. Yokoyama, T. Poggio, A contour-based moving object detection and tracking, in: IEEE International Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance, pp. 271-276, 2005.
  3. W. Fang, K.L. Chan, Using statistical shape priors in geodesic active contours for robust object detection, in: International Conference on Pattern Recognition, pp. 304 -307, 2006.
  4. A.A. Stocker, An improved 2d optical flow sensor for motion segmentation, Proceedings of IEEE International Symposium on Circuits and Systems 2 (2002) 332-335, 2002.
  5. S.P.N. Singh, P.J. Csonka, K.J. Waldron, Optical flow aided motion estimation for legged locomotion, in: IEEE International Conference on Intelligent Robots and Systems, pp. 1738-1743, 2006.
  6. C. Stauffer, W.E.L. Grimson, Adaptive background mixture models for real-time tracking, in: Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1999.
  7. T. Yu, C. Zhang, M. Cohen, Y. Rui, Y. Wu, Monocular video foreground/background segmentation by tracking spatial-color gaussian mixture models, in: IEEE Workshop on Motion and Video Computing, 2007.
  8. Yoav Freund, "Boosting a weak learning algorithm by majority", Information and Computation, 121(2):256-285, 1995. https://doi.org/10.1006/inco.1995.1136