보행자 감지: '컴퓨터 비전' 영역에서 '보행자 감지'라는 제목의 도서에 대한 부제를 제안해 주세요. 추천 자막에는 ':'이 포함되어서는 안 됩니다.

By Fouad Sabry

보행자 감지란 무엇입니까

지능형 영상 감시 시스템에서 보행자 식별은 매우 중요하고 중요한 작업입니다. 이용 가능한 비디오 데이터의 의미론적 이해에 필요한 기본 정보를 제공하기 때문입니다. 안전 시스템을 강화하는 능력이 있다는 점을 고려하면 자동차 산업에 응용할 수 있는 것은 분명합니다. 2017년에는 많은 자동차 제조업체가 고급 운전자 지원 시스템 의 대안으로 이를 제공했습니다.

혜택을 받는 방법

(I) 다음 주제:

1장: 보행자 감지

2장: 부스팅(머신러닝)

3장: 캐니 엣지  감지기

4장: 이미지 분할

5장: 척도 불변 특성 변환

6장: 기능(컴퓨터 비전)

7장: 인원 계수기

8장: 모션의 구조

9장: 카나데 다케오

10장: 관절형 신체 포즈 추정

(II) 공개 상단에 응답 보행자 감지에 관한 질문입니다.

(III) 다양한 분야에서 보행자 감지를 사용하는 실제 사례.

이 책의 대상 독자

전문가, 학부 및 대학원생, 매니아, 취미생활자 및 모든 종류의 보행자 감지에 대한 기본 지식이나 정보를 넘어서고 싶은 사람들.

• Language: 한국어
• Publisher: 10 억 지식이 걸립니다 [Korean]
• Release date: May 4, 2024

Book preview

1 장 : 보행자 감지

보행자를 감지하는 것은 비디오 영상의 의미론적 해석을 위한 필수 데이터를 제공하기 때문에 모든 지능형 비디오 감시 시스템에서 매우 중요하고 중요한 작업입니다. 안전 시스템을 향상시킬 수 있는 잠재력으로 인해 자동차 부문에서 분명히 사용됩니다. 2017년에는 많은 자동차 제조업체(볼보, 포드, GM, 닛산 포함)가 이 ADAS 옵션을 제공합니다.

외모의 다양한 의복 스타일

가능한 다양한 조음

방해가 되는 액세서리의 존재.

보행자 간의 잦은 충돌

이러한 어려움에도 불구하고 보행자 감지는 최근 몇 년 동안 컴퓨터 비전 연구의 주요 분야로 남아 있습니다. 여러 전략이 제공되었습니다.

감지기는 보행자를 찾기 위해 전체 비디오 프레임을 스캔하도록 프로그래밍되어 있습니다.

감지기는 로컬 검색 창 내부의 이미지 기능이 특정 기준을 충족하는 경우 실행됩니다.

일부 솔루션은 에지 템플릿, 설명자와 같은 전역 특성을 활용합니다.

이 전략의 단점은 배경이 어수선하고 가려지면 성능이 쉽게 저하될 수 있다는 것입니다.

보행자는 구성요소의 집합체로 모델링됩니다. 초기 부분 가설은 edgelet과 같은 국소적 특성을 학습하여 생성됩니다.

2005년 Leibe et al.은 감지와 분할(ISM)을 결합한 방법인 암시적 형상 모델을 발표했습니다. 훈련 과정에서 지역적 출현의 코드북이 학습됩니다. 감지 과정에서 추출된 로컬 특징을 코드북 항목과 비교하고 각 일치는 보행자 가설에 대한 1표로 계산됩니다. 이러한 아이디어를 더욱 구체화하면 결정적인 검출 결과를 얻을 수 있습니다. 이 방법은 제한된 수의 교육 사진이 필요하다는 장점이 있습니다.

조건이 허용되는 경우(고정 카메라, 일정한 조명 등) 배경 제거는 보행자를 감지하는 데 도움이 될 수 있습니다. 배경 빼기는 동작이 인식되는지 여부에 따라 비디오 스트림의 픽셀을 배경 또는 전경으로 분류합니다. 이 기법은 사람을 포함하여 이미지에서 움직이는 모든 요소의 실루엣(연결된 전경 요소)을 강조합니다. Fleuret et al.은 여러 보행자를 감지하기 위해 수많은 보정된 카메라를 통합하는 기술을 제안했습니다. 이 방법에서 지표 평면은 일반적으로 크기가 25 x 25픽셀(cm)인 균일하고 겹치지 않는 격자 셀로 나뉩니다. 검출기는 각 그리드 셀이 인간에 의해 점유될 가능성을 추정하는 POM(Probability Occupancy Map)을 생성합니다. 눈높이와 다양한 각도에서 캡처된 2-4개의 동기화된 비디오 스트림이 주어지면 이 방법은 제너레이티브 모델과 동적 프로그래밍을 효율적으로 결합하여 상당한 폐색 및 조명 변화에도 불구하고 수천 프레임에 걸쳐 최대 6명의 개인을 적절하게 추적할 수 있습니다. 또한 각각에 대해 미터법으로 정확한 궤적을 생성할 수 있습니다.

기울기 방향의 히스토그램

통합 채널 기능

{챕터 1 종료}

2장: 부스팅(기계 학습)

부스팅은 편향과 변동을 줄이기 위해 기계 학습의 앙상블에서 사용되는 메타 알고리즘입니다. 가난한 학습자 집단이 훌륭한 학습자를 배출할 수 있는가? 약한 학습자는 올바른 레이블에 대한 일치도가 낮은 분류자입니다(무작위 추측보다 예제에 더 나은 레이블을 지정할 수 있음). 반면에 강한 학습자는 진리와 상관 관계가 임의로 높은 분류자입니다.

1990년에 출간된 한 간행물에서 로버트 샤피어(Robert Schapire)는 긍정적인 대답을 내놓았다.

부스팅에 대한 알고리즘 제한은 없지만, 대부분의 부스팅 기법은 주어진 분포에 대해 더 약한 분류자를 학습하여 약한 분류자를 점진적으로 강화하는 것을 포함합니다. 추가는 성과가 낮은 학생의 성과를 고려한 가중치를 사용하여 수행됩니다. 데이터에 가중치를 다시 부여하는 프로세스는 새로운 약한 학습자가 데이터 세트에 추가될 때 발생합니다. 잘못 분류된 입력 데이터에는 더 많은 가중치가 부여되는 반면, 올바르게 분류된 인스턴스에는 더 적은 가중치가 부여됩니다. 이것은 미래에 약한 학생들이 전임자가 잘못 라벨을 붙인 샘플에 더 많은 관심을 기울일 것임을 의미합니다.

증강을 위한 수많은 알고리즘이 존재합니다.

로버트 샤피어(Robert Schapire)가 제안한 첫 번째 버전(재귀적 다수결 게이트 공식)은 적응력이 없었고 약한 학생들의 잠재력을 최대한 활용하지 못했습니다.

AdaBoost는 Schapire와 Freund가 만든 적응형 부스팅 알고리즘으로 권위 있는 Gödel Prize를 수상했습니다.

부스팅 알고리즘이라는 용어는 아마도 거의 올바른 학습 공식에서 부스팅 알고리즘으로 입증될 수 있는 알고리즘을 지칭하는 데만 사용해야 합니다. 레버리지 알고리즘이라는 용어는 때때로 부스팅 알고리즘과 개념적으로 유사한 알고리즘을 지칭하는 데 사용됩니다. 그러나 부스팅 알고리즘이라는 용어도 부적절하게 사용됩니다. 이는 부스팅이 볼록 비용 함수를 사용하여 함수 공간에서 경사하강법을 수행한다는 것을 보여줍니다.

분류기는 실제 물체의 사진을 사용하여 새 사진을 자동으로 식별하고 레이블을 지정하도록 훈련할 수 있습니다. 낮은 분류 성능은 일반적으로 단일 개체 그림 기능에서 개발된 간단한 분류자에서 볼 수 있습니다. 범주화의 전반적인 기능을 향상시키기 위해 부스팅 방법을 사용하여 약한 분류자를 특정 방식으로 통합할 수 있습니다.

개체 분류는 이미지에 지정된 개체 클래스가 포함되어 있는지 확인해야 하는 일반적인 컴퓨터 비전 문제입니다. 이 개념은 무언가 또는 누군가를 인식하거나 무언가를 발견하는 것과 관련이 있습니다. 특징 추출, 분류자 학습 및 분류자를 새 인스턴스에 적용하는 것은 모양 기반 항목 분류의 일반적인 단계입니다. 형상 분석, bag-of-words 모델 및 SIFT와 같은 로컬 디스크립터는 객체 클래스를 표현할 수 있는 방법의 몇 가지 예에 불과합니다. 나이브 베이즈 분류기, 서포트 벡터 머신, 가우스 혼합 모델 및 신경망은 모두 감독 분류기의 유형입니다. 비지도 방법은 또한 사진에서 물체 범주와 위치를 발견하는 데 효과적인 것으로 입증되었습니다.

인식할 항목 유형의 수가 많으면 컴퓨터 비전에서 이미지 분류가 어려운 과제가 됩니다. 이는 동일한 범주 내의 항목 변형에 대한 일반화가 필요하고 클래스 내 변동성이 상당하기 때문입니다. 함께 분류된 개체는 모양이 매우 다양할 수 있습니다. 같은 것이 관점, 규모 및 조명에 따라 매우 다르게 보일 수 있습니다. 인식 문제(배경 혼란 및 부분 폐색과 같은 요인으로 인해 이미 복잡해짐)가 해결되었습니다. 기능의 홍보 및 공유는 한 가지 방법입니다.

이진 분류의 응용 프로그램으로 AdaBoost는 얼굴 감지에 활용할 수 있습니다. 얼굴이 있는 유형과 얼굴이 없는 유형에는 두 가지가 있습니다. 가장 중요한 절차는 다음과 같습니다.

과다한 간단한 요소 만들기

초기 훈련 그림 가중치 설정

T 라운드의 경우

가중치 정규화

세트의 단일 특징을 사용하여 분류기를 훈련시킨 다음, 훈련 오차를 평가합니다.

오차 한계가 가장 작은 분류기를 선택합니다.

훈련에 사용되는 이미지 가중치 변경: 이 분류기가 틀리면 값이