Boosting을 통해 얻은 간단한 특징들을 이용한 내외적 변형에 강인한 보행자 검출
Pedestrian Detection with Deformation Handling using Simple Boosted Features
- 주제(키워드) Pedestrian detection , Object detection
- 발행기관 포항공과대학교 일반대학원
- 지도교수 김대진
- 발행년도 2015
- 학위수여년월 2015. 2
- 학위명 석사
- 학과 및 전공 일반대학원 창의IT융합공학과
- 실제URI http://www.dcollection.net/handler/postech/000001913101
- 본문언어 영어
- 저작권 포항공과대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
최근 보행자 검출 기술의 활용도가 높아지고 보행자 검출에 대한 관심이 증가함에 따라 강인한 보행자 검출기 개발을 위한 연구가 활발하게 진행되고 있다. 그 결과 보행자 검출기의 성능이 검출 정확도와 속도 측면에서 모두 크게 향상되었다. 하지만 보행자의 모습은 쉽게 변형 (외형, 자세, 겹침에 정도에 따라)이 쉽게 일어나기 때문에 실제 환경에서 보행자를 정확하게 검출하는 것은 여전히 어려운 문제이다. 본 학위논문에서는 기존 검출기의 변형 처리에 대한 단점을 극복하고 강인한 보행자 검출기를 위해 기본 특징을 단순 가공하는 두 가지 새로운 방법을 제안한다. 첫째, 무작위로 선택된 두 개의 다른 특징들을 최대치 함수를 이용하여 하나로 통합하는 방법 (BMF)을 제안한다. 이 방법은 보행자의 외형 변형에 대해 보다 효과적인 모델을 생성할 수 있다. 둘째, 무작위로 선택된 두 개의 다른 특징들을 차이 함수를 이용하여 하나로 통합하는 방법(BDF)을 제안한다. 이 방법을 통해 최대치 함수를 이용하면서 일어나는 부정확한 위치추정 문제를 해결할 수 있다. 또한 하나의 특징을 추출하기 위한 범위의 크기를 효과적으로 조절하는 방법(SPP)을 이용하여 더 효과적으로 보행자를 구성하는 특징을 선택하는 방법을 통합하였다. 보다 나은 성능을 얻기 위해 보행자가 크기에 따라 영상 내부에 위치할 수 있는 범위(ROI)를 학습하여 효과적으로 잘못 판단된 결과를 제한하였다. 본 연구에서는 제안하는 보행자 검출기를 네 가지 다른 데이터셋(Caltech-USA, INRIA, ETH, TUD-Brussels)에 대해 실험하였고, 로그-평균 미검출율 측면에서 모든 기존에 최신 검출기들을 능가하는 성능을 보였다.
more초록/요약
Many existing methods for pedestrian detection have been shown the limited detection performance in case of deformation such as large appearance variations. To overcome this limitation, we propose a novel pedestrian detection method with a simple deformation handling ability using two low-level boosted features. One is a boosted max feature (BMF) that takes max operation to aggregate a selected pair of features in order to make the selected features invariant to deformation. Another is a boosted difference feature (BDF) that takes difference operation between a selected pair of features in order to improve localization. We incorporate spatial pyramid pool (SPP) method with average operation to construct richer boosted features and use a RealBoost method to train a tree structured model with this deformation handling method. We also apply a region of interest (ROI) method to remove false positives effectively. Our proposed detector outperforms all of the state-of-the-art pedestrian detectors on the Caltech-USA, INRIA, ETH, and TUD-Brussels datasets. It achieves a log average miss rate of 19.95%, 10.39%, 36.12%, and 39.57%, respectively.
more목차
1 Introduction 1
2 Proposed SPP Method and Boosted Features 5
3 Training Using RealBoost over Tree-structured Classifier 12
4 Region of Interest Method 17
5 Experimental Results and Discussion 19
5.1 Datasets and Parameters Setting . . . . . . . 20
5.2 Performance Measure . . . . . . . . . . . . . 21
5.3 Detection Performance on four datasets . . . 22
5.4 Detection Performance under the different conditions . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.5 Execution Time . . . . . . . . . . . . . . . 30
6 Conclusion 32
REFERENCES 33
한글요약문 38