Pedestrian Detection and Localization by Learning Local Macrofeatures

Abstract

최근 안전과 보안에 대한 중요성이 증대됨에 따라 영상 감시 시스템들과 첨단 운전자 지원 시스템들이 많은 관심 얻고 있다. 본 학위논문은 이러한 시스템들에서 보행자들의 행동을 분석하는데 기술적인 토대를 제공하는 보행자 검출을 집중적으로 다루고 있다. 보행자 검출은 지난 십수 년간 집중적으로 연구되어 왔지만 보행자 검출의 잠재적인 활용을 제한하는 이슈들---부정확한 위치 추정과 느린 검출 속도---이 여전히 남아있다.본 학위논문은 검출 및 위치 추정 성능과 검출 속도 측면에서 기존의 검출기들을 발전시킬 수 있는 보행인 검출을 위한 새로운 특징 표현 방식을 개발하는데 목적을 두고 있다. 챕터 3에서는 공간 상에서 이웃한 저수준 특징 집합을 공동으로 표현하는 국소적인 지역에서 계산된 매크로 특징들을 소개하고 물체 위치 추정에서 그것들의 특성을 분석한다. 챕터 4에서는 부스팅 프레임워크를 기반으로 하여 매크로 특징들의 학습 방법을 제안한다. 제안하는 학습 방법을 보행인 검출에 적용하였으며 이 방법은 검출 성능 뿐만 아니라 위치 추정 성능 또한 향상시킨다. 제안하는 학습 방법을 여러 도전적인 데이터세트들에 대하여 최첨단의 검출기들과 비교하였으며 이 방법은 평균적으로 향상된 성능을 보여준다. 챕터 5에서는 또한 그래픽 처리 장치를 이용한 매크로 특징에 기반한 보행인 검출 알고리즘의 계산 병렬화를 통해 검출 속도를 가속화하는 방법을 설명한다. 이러한 구현 방법은 메모리로의 많은 수의 중복된 읽기 작업을 제거함으로서 검출 시간을 두드러지게 감소시킨다.챕터 6에서는 다양한 위치들, 레이아웃들, 그리고 채널들로부터 계산된 매크로 특징의 조합들을 선택하는 더욱 진보된 보행인 검출 알고리즘을 설명한다. 이 알고리즘은 도전적인 칼텍 데이터셑에 대하여 로그-평균 미검출율 측면에서 13~20 퍼센트 포인트의 큰 격차로 최첨단의 검출기들을 능가하는 결과를 내었다. 매크로 특징 조합들을 위한 이러한 선택 방법은 부스팅 프레임워크에 기반한 어떤 학습 알고리즘에도 쉽게 결합될 수 있으며 많은 컴퓨터 비젼 애플리케이션들에서 성능을 향상시킬 것으로 예상된다.

Visual surveillance systems and advanced driver assistance systems have received much attention recently due to increases in the importance of safety and security. This dissertation focuses on pedestrian detection which provides a technical foundation for understanding behaviors of pedestrians in those systems. The pedestrian detection has been studied intensively in the last decade but there still remain issues---inaccurate localization and slow detection speed---which limit potential applications of the pedestrian detection.This dissertation aims to develop a new feature representation for pedestrian detection which advances conventional detectors in terms of detection and localization performance and detection speed. We introduce local macrofeatures that jointly encode a set of low-level features in spatial neighborhoods and analyze their characteristics in object localization (Chapter 3). We propose a learning method for the macrofeatures based on a boosting framework (Chapter 4). The proposed learning algorithm is applied to pedestrian detection and improves localization performance as well as detection performance. The proposed pedestrian detection algorithm is compared to state-of-the-art detectors on several challenging datasets and performs better on average. We also accelerate the computation of the detection algorithm based on the macrofeatures by parallelizing it using GPU (Chapter 5). The implementation reduces detection time significantly by eliminating many redundant loading to memory.The detection algorithm is further improved by selecting combinations of macrofeatures from multiple locations, layouts, and channels (Chapter 6). It outperforms state-of-the-art detectors on challenging Caltech dataset by a large margin of 13~20% points in terms of log-average miss rate. The selection method for the macrofeature combinations is easy to be plugged in any learning algorithm based on the boosting framework and expected to improve performance in many computer vision applications.