차량 감시영상에서 그림자 제거를 통한 효율적인 차종의 학습 및 분류

Abstract

일반적으로 감시영상에서 움직이는 물체들은 배경빼기 혹은 프레임 차를 이용하여 추출된다. 하지만 객체에 의해서 만들어지는 그림자는 심각한 탐지의 오류를 야기시킬 수 있다. 특히, 도로 상에 설치된 감시카메라로부터 획득된 영상으로부터 차량 정보를 분석할 때, 차량에 의해서 생성되는 그림자로 인하여 차량의 모양을 왜곡시켜 부정확한 결과를 만든다. 때문에 그림자의 제거는 감시 영상 내에서의 정확한 객체 추출을 위해서 반드시 필요하다. 본 논문은 도로감시영상 내에서 움직이는 차량의 차종판별 성능을 향상시키기 위한 움직이는 객체 내에 만들어지는 그림자를 제거한다. 제거된 객체의 영역은 소실점을 이용하여 3차원 객체로 피팅(Fitting)한 후 측정된 데이터를 감독 학습하여 원하는 차종 판별결과를 얻는데 사용한다. 실험은 3가지 기계학습 방법{IBL, C4.5, NN(Neural Network)}을 이용하여 그림자의 제거가 차종의 판별성능에 미치는 결과의 평가한다. Generally, moving objects in surveillance video are extracted by background subtraction or frame difference method. However, moving cast shadows on object distort extracted figures which cause serious detection problems. Especially, analyzing vehicle information in video frames from a fixed surveillance camera on road, we obtain inaccurate results by shadow which vehicle causes. So, Shadow Elimination is essential to extract right objects from frames in surveillance video. And we use shadow removal algorithm for vehicle classification. In our paper, as we suppress moving cast shadow in object, we efficiently discriminate vehicle types. After we fit new object of shadow-removed object as three dimension object, we use extracted attributes for supervised learning to classify vehicle types. In experiment, we use 3 learning methods {IBL, C4.5, NN(Neural Network)} so that we evaluate the result of vehicle classification by shadow elimination.