• 한국시뮬레이션학회논문지
• /
• 제32권3호
• /
• pp.43-53
• /
• 2023

본 연구는 실내 상업적 공간, 특히 카페에서 보안 카메라를 이용해 방문자 수와 위치를 실시간으로 파악하고, 이를 통해 사용 가능한 좌석 정보와 혼잡도 예측을 제공하는 시스템의 개발을 목표로 한다. 우리는 실시간 객체 탐지 및 추적 알고리즘인 YOLO를 활용하여 방문자 수와 위치를 실시간으로 파악하며, 이 정보를 카페 실내 지도에 업데이트하여 카페 방문자가 사용 가능한 좌석을 확인할 수 있도록 한다. 또한, 우리는 vanishing gradient문제를 해결한 장단기 메모리(Long Short Term Memory, LSTM)와 시간적인 관계를 가지는 데이터를 처리하는데 유용한 시퀀스-투-시퀀스(Sequence-to-Sequence, Seq2Seq)기법을 활용해 다양한 시간 간격에 따른 방문자 수와 움직임 패턴을 학습하고, 이를 바탕으로 카페의 혼잡도를 실시간으로 예측하는 시스템을 개발하였다. 이 시스템은 카페의 관리자와 이용자 모두에게 예상 혼잡도를 제공함으로써, 카페의 운영 효율성을 향상시키고, 고객 만족도를 높일 수 있다. 본 연구에서는 보안 카메라를 활용한 실내 위치 추적 기술의 효용성을 입증하며, 상업적 공간에서의 활용 가능성과 더불어 미래 연구 방향을 제시한다.

• 융합신호처리학회논문지
• /
• 제21권2호
• /
• pp.86-91
• /
• 2020

독거노인이 증가하면서 낙상 사고 빈도도 높아지고 있다. 낙상은 노인들의 건강을 위협할 뿐만 아니라, 독립적인 생활을 위협할 수 있다. 이 문제를 해결하기 위해서는 독거노인의 위급한 상태를 인식하고 대응할 수 있는 실시간 기술이 필요하다. 따라서 본 논문은 독거노인을 위해 긴급 상황 중 하나인 낙상을 실시간으로 확인할 수 있는 YOLO-KCF를 기반 개선된 낙상 감지 알고리즘을 제안한다. YOLO는 물체의 검출뿐 아니라 서 있는 행동과 쓰러지는 행동 유행을 감지할 수 있다. 따라서 본 논문은 서 있는 행동 유형과 쓰러지는 행동 유형간의 경계 박스의 형태 변화를 이용하여 낙하를 검출할 수 있으며, KCF의 단점을 개선할 수 있다.

• 전기학회논문지P
• /
• 제67권4호
• /
• pp.227-232
• /
• 2018

In this paper, we propose a faster object detection and tracking method using Deep Learning, UAV(unmanned aerial vehicle), Kalman filter and YOLO(You Only Look Once)v3 algorithms. The performance of the object tracking system is decided by the performance and the accuracy of object detecting and tracking algorithms. So we applied to the YOLOv3 algorithm which is the best detection algorithm now at our proposed detecting system and also used the Kalman Filter algorithm that uses a variable detection area as the tracking system. In the experiment result, we could find the proposed system is an excellent result more than a fixed area detection system.

• 융합신호처리학회논문지
• /
• 제23권3호
• /
• pp.150-159
• /
• 2022

본 논문은 실시간 영상 분석을 통해서 산업현장에서 활동하는 여러 근로자의 영상 객체를 추출해 내고, 추출된 이미지로 부터 개별 영상 분석을 통해 헬멧의 착용 여부와 낙상 사고 여부를 확인하는 방법을 구현한다. 근로자의 영상 객체를 탐지하기 위해서 딥러닝 기반 컴퓨터 비전 모델인 YOLO를 사용하였으며, 추출된 이미지를 이용하여 헬멧의 착용여부를 판단하기 위해 따로 5,000장의 다양한 헬멧 학습 데이터 이미지를 만들어서 사용하였다. 또한, 낙상사고 여부를 판단하기 위해서 Mediapipe의 Pose 실시간 신체추적 알고리즘을 사용하여 머리의 위치를 확인하고 움직이는 속도를 계산하여 쓰러짐 여부를 판단하였다. 결과에 신뢰성을 주기위한 방법으로 YOLO의 바운딩 박스의 크기를 구하여 객체의 자세를 유추하는 방법을 추가하고 구현하였다. 최종적으로 관리자에게 알림 서비스를 위하여 텔레그램 API Bot과 Firebase DB 서버를 구현하였다.

• 한국멀티미디어학회논문지
• /
• 제22권2호
• /
• pp.136-145
• /
• 2019

The crowded environment of a domestic pig farm is highly vulnerable to the spread of infectious diseases such as foot-and-mouth disease, and studies have been conducted to automatically analyze behavior of pigs in a crowded pig farm through a video surveillance system using a camera. Although it is required to correctly separate occluding pigs for tracking each individual pigs, extracting the boundaries of the occluding pigs fast and accurately is a challenging issue due to the complicated occlusion patterns such as X shape and T shape. In this study, we propose a fast and accurate method to separate occluding pigs not only by exploiting the characteristics (i.e., one of the fast deep learning-based object detectors) of You Only Look Once, YOLO, but also by overcoming the limitation (i.e., the bounding box-based object detector) of YOLO with the test-time data augmentation of rotation. Experimental results with two-pigs occlusion patterns show that the proposed method can provide better accuracy and processing speed than one of the state-of-the-art widely used deep learning-based segmentation techniques such as Mask R-CNN (i.e., the performance improvement over Mask R-CNN was about 11 times, in terms of the accuracy/processing speed performance metrics).

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2021년도 추계학술발표대회
• /
• pp.723-726
• /
• 2021

현재 단일 이미지에서 Object Detection 성능은 매우 좋은 편이다. 하지만 동영상에서는 처리 속도가 너무 느리고 임베디드 시스템에서는 real-time이 힘든 상황이다. 연구 논문에서는 하이엔드 GPU에서 다른 기능 없이 YOLO만 구동했을 때 real-time이 가능하다고 하지만 실제 사용자들은 상대적으로 낮은 사양의 GPU를 사용하거나 CPU를 사용하기 때문에 일반적으로는 자연스러운 real-time을 하기가 힘들다. 본 논문에서는 이러한 제한점을 해결하고자 계산량이 많은 Object Detection model 사용을 줄이는 방안은 제시하였다. 현재 Video영상에서 Object Detection을 수행할 때 매 frame마다 YOLO모델을 구동하는 것에서 YOLO 사용을 줄임으로써 계산 효율을 높였다. 본 논문의 알고리즘은 카메라가 움직이거나 배경이 바뀌는 상황에서도 사용이 가능하다. 속도는 최소2배에서 ~10배이상까지 개선되었다.

• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2018년도 하계학술대회
• /
• pp.123-124
• /
• 2018

본 논문에서는 HEVC 국제표준으로 압축된 비디오에서 움직임 물체를 추적하는 방법을 제안한다. 제안하는 방법은 HEVC 비트스트림의 대부분을 차지하는 인터 프레임의 움직임 벡터 정보를 입력 데이터로 사용하는 ST-MRF(Spatio-Temporal-Markov Random Field) 모델을 기반으로 하며, ST-MRF 모델에서 발생할 수 있는 오차전파로 점진적으로 객체를 부정확하게 추적하는 것을 HEVC GOP(Group of Picture)마다 삽입되는 인트라 프레임만을 복호화 하여 픽셀 정보를 입력으로 하는 YOLO 모델과 융합시켜 보정함으로써 추적하던 객체를 잃지 않고 강건하게 추적하는 방법을 제안한다.

• 드라이브 ㆍ 컨트롤
• /
• 제21권3호
• /
• pp.28-35
• /
• 2024

This study compared performances of PID (Proportional Integral Derivative), SMC (Sliding Mode Control), and MPC (Model Predictive Control) strategies applied to a 2DOF (Degree Of Freedom) drone tracking robot. The developed 2DOF robot utilized a depth camera with an IMU (Inertial Measurement Unit), laser pointers, and servo motors to rapidly detect and track objects. Image processing was conducted using the YOLO deep learning model. Through this setup, controllers were attached to the robot to track random drone movements, comparing performances in terms of accuracy and energy consumption. This study revealed that while SMC demonstrated precise tracking without deviating from the path, both PID and MPC controllers showed deviations. Performance-wise, SMC is superior. However, considering economic aspects, PID is more advantageous due to its lower power consumption and relatively minor tracking errors.

• 대한원격탐사학회지
• /
• 제40권1호
• /
• pp.115-122
• /
• 2024

Multi-object tracking (MOT) is a vital component in understanding the surrounding environments. Previous research has demonstrated that MOT can successfully detect and track surrounding objects. Nonetheless, inaccurate classification of the tracking objects remains a challenge that needs to be solved. When an object approaching from a distance is recognized, not only detection and tracking but also classification to determine the level of risk must be performed. However, considering the erroneous classification results obtained from the detection as the track class can lead to performance degradation problems. In this paper, we discuss the limitations of classification in tracking under the classification uncertainty of the detector. To address this problem, a class update module is proposed, which leverages the class uncertainty estimation of the detector to mitigate the classification error of the tracker. We evaluated our approach on the VisDrone-MOT2021 dataset,which includes multi-class and uncertain far-distance object tracking. We show that our method has low certainty at a distant object, and quickly classifies the class as the object approaches and the level of certainty increases.In this manner, our method outperforms previous approaches across different detectors. In particular, the You Only Look Once (YOLO)v8 detector shows a notable enhancement of 4.33 multi-object tracking accuracy (MOTA) in comparison to the previous state-of-the-art method. This intuitive insight improves MOT to track approaching objects from a distance and quickly classify them.

• 한국인터넷방송통신학회논문지
• /
• 제24권5호
• /
• pp.189-193
• /
• 2024

한국 도로교통법에 따르면 고속도로 추월차선(1차선)에서 지속 주행 시, 지정차로위반으로 판단한다. 현재 고속도로에서 앞선 상황을 단속하기 위해서는 시민의 신고나, 도로 경찰이 직접 위반 여부를 판단하여 단속하고 있다. 이는, 고속도로에서 차량의 속도가 아닌 추월 여부에 따라 위반이 판단되고, CCTV에서는 차량이 지속해서 주행하고 있는지 기준이 모호하여 판단이 힘들기 때문이다. 따라서, 사람의 개입 없이 시스템이 1차선 지속 주행 여부를 스스로 판단하고 단속하는 시스템이 필요하다. 본 논문에서는 객체 추적 중에서 다중 객체 추적(Multiple Object Tracking)이 가능하고 시스템의 실시간성을 보장하기 위해 SORT(Simple Online and Realtime Tracking) 모델을 기반한 F-SORT(Focus Simple Online and Realtime Tracking)를 기반하여 차량을 실시간으로 추적하고 차량의 이동 거리를 판단하여 1차선 지속 주행 여부를 시스템이 판단하여 단속하는 무인 단속 시스템을 설계하였다.