• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 추계학술대회
• /
• pp.410-412
• /
• 2021

본 논문은 객체와 배경 히스토그램을 활용한 개선된 보행자 검출 방식을 제안하고 있다. HOG & SVM 알고리즘을 통해 검출한 객체는 사각형 형태로 검출된다. 사각형 영역 안에는 배경과 객체의 영역이 혼합되어있다. 배경을 제외한 객체의 영역만을 검출한다면 객체 관련 다양한 정보를 쉽게 얻을 수 있다. 검출된 사각형의 크기를 객체의 크기에 맞게 x-y축 투영 알고리즘을 사용하여 재조정한다. 그리고 나서 재조정 된 사각형 내의 객체에 대한 히스토그램을 바탕으로 배경과 객체를 구분하여 개선된 객체를 검출한다. 검출한 객체와 원본의 객체를 비교하는 신뢰성 평가인 정밀도와 재현율의 평균값이 각각 97.9%와 90%를 보이고 있다.

• 디지털융복합연구
• /
• 제13권9호
• /
• pp.183-189
• /
• 2015

본 논문은 서베일런스 네트워크에서 영상의 색상 정보를 이용한 객체 추적 방법을 제안한다. 이 방법은 적응적인 색상 모델을 이용한 객체 검출을 수행한다. 객체 윤곽선 검출은 객체 인식과 같은 응용에서 중요한 역할을 수행한다. 실험 결과는 색상과 크기에서 객체의 다양한 변화가 있을 때에도 성공적인 객체 검출을 증명한다. 실시간으로 객체를 검출하는 응용 분야에서 대량의 영상 데이터를 전송할 때 색상 분포의 형태를 찾아내는 것이 가능하다. 객체의 특정 색상 정보는 입력 영상에서 동적으로 변화하는 색상에서 자주 수정되어진다. 그래서, 이 알고리즘은 해당 추적 영역 안에서 객체의 추적 영역 정보를 탐지하고 그 객체의 움직임만을 추적한다. 실험을 통해, 본 논문은 어떤 이상적인 상황하에서 제안하는 객체 추적 알고리즘이 다른 방법보다 더 강인한 면이 있다는 것을 보여준다.

• International journal of advanced smart convergence
• /
• 제9권3호
• /
• pp.232-238
• /
• 2020

In this paper, we study on aerial objects detection and position estimation algorithm for the safety of UAV that flight in BVLOS. We use the vision sensor and LiDAR to detect objects. We use YOLOv2 architecture based on CNN to detect objects on a 2D image. Additionally we use a clustering method to detect objects on point cloud data acquired from LiDAR. When a single sensor used, detection rate can be degraded in a specific situation depending on the characteristics of sensor. If the result of the detection algorithm using a single sensor is absent or false, we need to complement the detection accuracy. In order to complement the accuracy of detection algorithm based on a single sensor, we use the Kalman filter. And we fused the results of a single sensor to improve detection accuracy. We estimate the 3D position of the object using the pixel position of the object and distance measured to LiDAR. We verified the performance of proposed fusion algorithm by performing the simulation using the Gazebo simulator.

• 디지털콘텐츠학회 논문지
• /
• 제14권4호
• /
• pp.589-596
• /
• 2013

사회의 범죄율 증가와 더불어 지능형 보안 시스템강화에 대한 관심이 높아지고 있다. 이에 본 연구에서는 CCTV에 획득되는 영상으로부터 객체의 이상 행동을 감지하는 시스템을 제안한다. 배경영상과의 차연산 및 모폴로지를 통해 객체를 검출하고 객체의 특징 정보를 이용해 각각의 객체를 인식하여 추적하여 이를 통해 이상행동을 탐지한다. 객체가 영상 내에서 일정시간 이상을 배회했을 때 이를 이상행동으로 판단하여 사전에 관제센터에 알려 미연에 방지할 수 있도록 한다. 특히 본 연구는 이상 행동 중 객체의 배회행위를 감지하는 것을 목표로 하며 영상 내에서 사라진 객체가 다시 영상 내로 들어 왔을 때의 이전 객체와의 동일여부를 판단할 수 있도록 하였다.

• 반도체디스플레이기술학회지
• /
• 제16권3호
• /
• pp.78-81
• /
• 2017

Augmented Reality(AR) is the core technology of the future knowledge service industry. It is expected to be used in various fields such as medical, education, entertainment etc. Briefly, augmented reality technology is a technique in which a mapped virtual object is augmented when a real-world object is viewed through a device after mapping a real-world object and a virtual object. In this paper, we implemented object detection and tracking system, which is a key technology of augmented reality. To speed up the object tracking, the ORB algorithm, which is a lightweight algorithm compared to the detection algorithm, is applied. In addition, KNN classifier, which is a machine learning algorithm, was applied to detect a single object by learning multiple images.

• 대한임베디드공학회논문지
• /
• 제18권3호
• /
• pp.125-132
• /
• 2023

Roundabouts have strengths in traffic flow and safety but can present difficulties for inexperienced drivers. Demand to acquire and analyze drone images has increased to enhance a traffic environment allowing drivers to deal with roundabouts easily. In this paper, we propose a roundabout traffic analysis system that detects, tracks, and analyzes vehicles using a deep learning-based object detection model (YOLOv7) in drone images. About 3600 images for object detection model learning and testing were extracted and labeled from 1 hour of drone video. Through training diverse conditions and evaluating the performance of object detection models, we achieved an average precision (AP) of up to 97.2%. In addition, we utilized SORT (Simple Online and Realtime Tracking) and OC-SORT (Observation-Centric SORT), a real-time object tracking algorithm, which resulted in an average MOTA (Multiple Object Tracking Accuracy) of up to 89.2%. By implementing a method for measuring roundabout entry speed, we achieved an accuracy of 94.5%.

• 한국산학기술학회논문지
• /
• 제19권3호
• /
• pp.693-698
• /
• 2018

본 논문은 최근 물체탐지 분야에서 실시간 물체 탐지 알고리즘으로 주목을 받고 있는 YOLOv2(You Only Look Once) 알고리즘을 이용하여 밀집 영역에 주차되어 있는 자동차 탐지 방법을 제안한다. YOLO의 컨볼루션 네트워크는 전체 이미지에서 한 번의 평가를 통해서 직접적으로 경계박스들을 예측하고 각 클래스의 확률을 계산하고 물체 탐지 과정이 단일 네트워크이기 때문에 탐지 성능이 최적화 되며 빠르다는 장점을 가지고 있다. 기존의 슬라이딩 윈도우 접근법과 R-CNN 계열의 탐지 방법은 region proposal 방법을 사용하여 이미지 안에 가능성이 많은 경계박스를 생성하고 각 요소들을 따로 학습하기 때문에 최적화 및 실시간 적용에 어려움을 가지고 있다. 제안하는 연구는 YOLOv2 알고리즘을 적용하여 기존의 알고리즘이 가지고 있는 물체 탐지의 실시간 처리 문제점을 해결하여 실시간으로 지상에 있는 자동차를 탐지하는 방법을 제안한다. 제안하는 연구 방법의 실험을 위하여 오픈소스로 제공되는 Darknet을 사용하였으며 GTX-1080ti 4개를 탑재한 Deep learning 서버를 이용하여 실험하였다. 실험결과 YOLO를 활용한 자동차 탐지 방법은 기존의 알고리즘 보다 물체탐지에 대한 오버헤드를 감소 할 수 있었으며 실시간으로 지상에 존재하는 자동차를 탐지할 수 있었다.

• 전자공학회논문지
• /
• 제51권2호
• /
• pp.23-29
• /
• 2014

지능형 교통 시스템(Intelligent Transportation Systems)의 첨단 교통 관리 시스템(Advanced Traffic Management System)은 고화질 카메라, 고성능 레이더 센서와 같은 향상된 인프라를 통하여 도로 상의 차량 속도, 통행량, 돌발 상황 등의 교통 상황을 실시간으로 분석하며 관련 업무를 자동화하고 있다. 특히 도로 이용자의 안전을 위해서는 돌발 상황 자동 검지 및 2차 사고 방지를 위한 시스템이 필요하다. 이러한 유고 검지 및 관리 시스템에서는 CCTV 기반 영상 검지와 레이더를 이용한 물체검지가 주로 사용된다. 본 논문은 다중 감시용 카메라를 사용한 실시간 고속도로 돌발 상황 검지 시스템에서 모자이크(mosaic) 동영상을 구성하는 방법과 다양한 각도에서 촬영된 움직이는 객체를 보다 정확하게 추적할 수 있는 배경 모델링에 기반한 알고리즘을 제안하였다. 실험결과 영상검지는 레이더검지의 근거리 음영 영역과 원거리 검지한계 영역을 보완해 줄 수 있을 뿐만 아니라 악천후를 제외한 주간 검지에서 보다 나은 분류 특징들을 갖고 있음을 확인 할 수 있었다.

• 국제학술발표논문집
• /
• The 9th International Conference on Construction Engineering and Project Management
• /
• pp.1243-1244
• /
• 2022

In recent years, the growing interest in off-site construction has led to factories scaling up their manufacturing and production processes in the construction sector. Consequently, continuous large-scale site monitoring in low-variability environments, such as prefabricated components production plants (precast concrete production), has gained increasing importance. Although many studies on computer vision-based site monitoring have been conducted, challenges for deploying this technology for large-scale field applications still remain. One of the issues is collecting and transmitting vast amounts of video data. Continuous site monitoring systems are based on real-time video data collection and analysis, which requires excessive computational resources and network traffic. In addition, it is difficult to integrate various object information with different sizes and scales into a single scene. Various sizes and types of objects (e.g., workers, heavy equipment, and materials) exist in a plant production environment, and these objects should be detected simultaneously for effective site monitoring. However, with the existing object detection algorithms, it is difficult to simultaneously detect objects with significant differences in size because collecting and training massive amounts of object image data with various scales is necessary. This study thus developed a large-scale site monitoring system using edge computing and a small-object detection system to solve these problems. Edge computing is a distributed information technology architecture wherein the image or video data is processed near the originating source, not on a centralized server or cloud. By inferring information from the AI computing module equipped with CCTVs and communicating only the processed information with the server, it is possible to reduce excessive network traffic. Small-object detection is an innovative method to detect different-sized objects by cropping the raw image and setting the appropriate number of rows and columns for image splitting based on the target object size. This enables the detection of small objects from cropped and magnified images. The detected small objects can then be expressed in the original image. In the inference process, this study used the YOLO-v5 algorithm, known for its fast processing speed and widely used for real-time object detection. This method could effectively detect large and even small objects that were difficult to detect with the existing object detection algorithms. When the large-scale site monitoring system was tested, it performed well in detecting small objects, such as workers in a large-scale view of construction sites, which were inaccurately detected by the existing algorithms. Our next goal is to incorporate various safety monitoring and risk analysis algorithms into this system, such as collision risk estimation, based on the time-to-collision concept, enabling the optimization of safety routes by accumulating workers' paths and inferring the risky areas based on workers' trajectory patterns. Through such developments, this continuous large-scale site monitoring system can guide a construction plant's safety management system more effectively.

• 한국멀티미디어학회논문지
• /
• 제18권2호
• /
• pp.138-148
• /
• 2015

Object detection methods based on background learning are widely used in video surveillance. However, when a car runs with headlights on, these methods are likely to detect the car region and the area illuminated by the headlights as one connected change region. This paper describes a method of separating the car region from the area illuminated by the headlights. First, we detect change regions with a background learning method, and extract blobs, connected components in the detected change region. If a blob is larger than the maximum object size, we extract candidate object regions from the blob by clustering the intensity histogram of the frame difference between the mean of background images and an input image. Finally, we compute the similarity between the mean of background images and the input image within each candidate region and select a candidate region with weak similarity as an object region.