전기전자학회논문지 (Journal of IKEEE)

  • 제17권4호
  • /
  • Pages.469-477
  • /
  • 2013
  • /
  • 1226-7244(pISSN)
  • /
  • 2288-243X(eISSN)
한국전기전자학회 (Institute of Korean Electrical and Electronics Engineers)
권호 표지
DOI QR코드

DOI QR Code

적분영상 기반 특징 정보 예측을 통한 고속 보행자 검출

Fast Pedestrian Detection Using Estimation of Feature Information Based on Integral Image

  • Kim, Jae-Do (Dept. of Electronic Engineering, Soongsil University) ;
  • Han, Young-Joon (Dept. of Electronic Engineering, Soongsil University)
  • 투고 : 2013.11.20
  • 심사 : 2013.11.27
  • 발행 : 2013.12.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문은 특징 정보 예측을 통한 빠른 보행자 검출 기법을 제안한다. 다양한 크기의 보행자를 검출하기 위해 보행자 모델의 크기나 입력영상의 크기를 변화시킨다. 보행자 모델의 크기를 변화시킬 경우 크기별 모델이 필요하며, 보행자 모델의 크기의 축소시키는 경우 모델 정보를 손상시킨다. 보행자 모델의 다양한 크기별 보행자의 특징을 추출해야 하므로 보행자 특징의 추출은 전체 수행시간 중 가장 많은 시간을 필요로 한다. 따라서 본 논문은 영상 크기에 따라 특징 추출을 반복하지 않고 입력영상에서 얻어진 특징 정보의 예측을 통해 보행자 검출의 특징추출을 수행한다. 제안하는 방법의 효율성을 검증하기 위해 다양한 채널을 가진 ChnFtrs 특징 및 Adaboost 알고리즘을 사용과 학습과 실험을 위한 영상으로 INRIA 보행자 DB를 사용하였다.

This paper enhances the speed of a pedestrian detection using an estimation of feature information based on integral image. Pedestrian model or input image should be resized to the size of various pedestrians. In case that the size of pedestrian model would be changed, pedestrian models with respect to the size of pedestrians should be required. Reducing the size of pedestrian model, however, deteriorates the quality of the model information. Since various features according to the size of pedestrian models should be extracted, repetitive feature extractions spend the most time in overall process of pedestrian detection. In order to enhance the processing time of feature extraction, this paper proposes the fast extraction of pedestrian features based on the estimate of integral image. The efficiency of the proposed method is evaluated by comparative experiments with the Channel Feature and Adaboost training using INRIA person dataset.

키워드

참고문헌

  1. http://www.index.go.kr/egams/stts/jsp/potal/stts/PO_STTS_IdxMain.jsp?idx_cd=1614
  2. P. A. Violar, and M. J. Jones, "Robust real-time face detection", International Journal of Computer Vision, Vol. 57, No. 2, pp. 137-154, May 2004 https://doi.org/10.1023/B:VISI.0000013087.49260.fb
  3. N. Dalal and B. Triggs, "Histograms of oriented gradients for human detection", In IEEE Conference on Computer Vision and Pattern Recognition, pp. 886-893, 20-25 June, 2005
  4. N. Dalal, B. Triggs, and C. Schmid, "Human Detection Using Oriented Histograms of Flow and Appearance", In Proceedings of the 9th European Conference on Computer Vision, Volume Part II, pp.428-441, Feb. 2005
  5. P. Doll´ar, Z. Tu, P. Perona, and S. Belongie, "Integral channel features", In British Machine Vision Conference, 7-10 September, 2009.
  6. P. Doll´ar, S. Belongie, and P. Perona, "The fastest pedestrian detector in the west", in British Machine Vision Conference, 21 Aug.-3 Sep., 2010
  7. R. Benenson, M. Mathias, R. Timofte, and L. Van Gool, "Pedestrian detection at 100 frames per second", In IEEE Conference on Computer Vision and Pattern Recognition, pp. 2903-2910, 16-21 June, 2012
  8. Y. Freund, and R. E. Schapire, "A decision theoretic generalization of on-line learning and an application to boosting" , In Computational Learning Theory, Springer Berlin Heidelberg, pp. 23-37, 1995
  9. Corinna Cortes, and Vladimir Vapnik, "Support vector networks" , Machine Learning, Vol. 20, No. 3, pp. 273-297, 1995
  10. Christopher J. C. Burges, "A tutorial on Support Vector machines for Pattern Recognition", Data Mining and Knowledge Discovery, Vol. 2, No. 2, pp. 121-167, June 1998 https://doi.org/10.1023/A:1009715923555
  11. Alex J. Smola, and Bernhard Scholkopf, "A tutorial on support vector regression", Statistics and Computing, Vol. 14, No. 3, pp. 199-222, Aug. 2004 https://doi.org/10.1023/B:STCO.0000035301.49549.88
  12. http://pascal.inrialpes.fr/data/human/

피인용 문헌

  1. Pedestrian Detection using RGB-D Information and Distance Transform vol.65, pp.1, 2016, https://doi.org/10.5370/KIEEP.2016.65.1.066