비디오 감시 응용에서 확장된 기술자를 이용한 물체 검출과 분류 = Object Detection and Classification Using Extended Descriptors for Video Surveillance Applications

국문 초록 (Abstract)

본 논문은 비디오 감시 장치에 사용되는 효율적인 물체 검출 및 분류 알고리즘을 제안한다. 이전 연구는 주로 Scale Invariant Feature Transform (SIFT)나 Speeded Up Robust Feature (SURF)와 같은 특정 형태의 특징을 이용해 물체를 검출하거나 분류하였다. 본 논문에서는 물체 검출 및 분류에 상호 작용하는 알고리즘을 제안한다. 이는 로컬 패치들로부터 얻어지는 텍스쳐나 컬러 분포 같은 서로 다른 특성을 갖는 특징값을 이용해 물체의 검출 및 분류율을 높인다. 물체 검출에는 특징점 들의 공간적인 클러스터링을, 이미지 표현이나 분류에는 Bag of Words 모델과 Naive Bayes 분류기를 사용한다. 실험을 통해 제안한 기법이 로컬 기술자를 사용한 물체 분류기법보다 우수한 성능을 나타냄을 보인다.

다국어 초록 (Multilingual Abstract)

In this paper, we propose an efficient object detection and classification algorithm for video surveillance applications. Previous researches mainly concentrated either on object detection or classification using particular type of feature e.g., Scale Invariant Feature Transform (SIFT) or Speeded Up Robust Feature (SURF) etc. In this paper we propose an algorithm that mutually performs object detection and classification. We combinedly use heterogeneous types of features such as texture and color distribution from local patches to increase object detection and classification rates. We perform object detection using spatial clustering on interest points, and use Bag of Words model and Naive Bayes classifier respectively for image representation and classification. Experimental results show that our combined feature is better than the individual local descriptor in object classification rate.

목차 (Table of Contents)

• 요약
• Abstract
• Ⅰ. Introduction
• Ⅱ. Proposed Approach
• Ⅲ. Feature Extraction
• Ⅳ. Bag of Words Model
• V. Object Detection and Classification
• Ⅵ. Experimental Results
• Ⅶ. Conclusions
• References
• 저자소개

참고문헌 (Reference)

1 민재홍, "증강현실을 위한 실시간 마커리스 3차원 객체 추적" 한국항행학회 14 (14): 272-277, 2010

2 백중환, "증강현실 응용을 위한 자연 물체 인식" 한국신호처리시스템학회 11 (11): 143-150, 2010

3 이슬람 모하마드 카이룰, "비디오 감시 응용을 위한 텍스쳐와 컬러 정보를 이용한 고속 물체 인식" 한국항행학회 15 (15): 140-146, 2011

4 J. Sivic, "Video google: A text retrieval approach to object matching in videos" 1470-1477, 2003

5 M. Varma, "Statistical approaches to material classification" 167-172, 2002

6 S. Belongie, "Shape Matching and Object Recognition Using Shape Context" 24 (24): 509-522, 2002

7 D. Nistier, "Scalable recognition with a vocabulary tree" 2161-2168, 2006

8 T. Leung, "Representing and recognizing the visual appearance of materials using three-dimensional textons" 43 : 29-44, 2001

9 D. Comaniciu, "Real-time tracking of non-rigid objects using mean shift" 142-149, 2000

10 R. Mar´ee, "Random subwindows for robust image classifi cation" 1 : 34-40, 2005

11 B. Georgescu, "Point matching under large image deformations and illumination changes" 26 (26): 674-688, 2004

12 P. Domingos, "On the optimality of the simple Bayesian classifier under zero-one loss" 29 : 103-130, 1997

13 M. Brown, "Invariant features from interest point groups" 656-665, 2002

14 S. Ullman, "High-level vision: Object recognition and visual recognition" MIT Press 1996

15 T. Lindeberg, "Feature detection with automatic scale selection" 30 (30): 79-116, 1998

16 R. Brunelli, "Face recognition: Features versus templates" 15 (15): 1042-1052, 1993

17 D. G. Lowe, "Distinctive image features from scale-invariant keypoints" 60 : 91-110, 2004

18 A. Rosenfeld, "Coarse-fine template matching" 7 : 104-107, 1977

19 P. Cheeseman, "Bayesian classification (AutoClass): Theory and results" 153-180, 1996