이동중인 객체 탐지를 위한 딥러닝 기반 영상 분석
Deep Learning-based Image Analysis for Moving Object Detection
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 감시 영상 시스템에서 Faster R-CNN(Faster Region-based Convolutional Neural Network)을 이용하여 이동 중인 사람을 효과적으로 추적하는 기법을 제안한다. 기존의 사람 검출 및 추적 기술은 환경 변화, 배경 잡음, 이동하는 객체의 변형 등에 의해 성능 저하가 발생하는 문제가 있었다. 본 연구에서는 Faster R-CNN을 활용하여 시간적, 공간적 특징을 동시에 학습함으로써 강인한 추적 성능을 확보하였다. 실험 결과, R-CNN및 Fast R-CNN과 비교하여 Faster R-CNN 기반 모델이 높은 검출율(90%)을 유지하면서도 거짓 긍정율(False Positive Rate)을 5배 이상 감소시켰음을 확인하였다. 또한, Faster R-CNN의 자동 최적화된 특징 학습이 기존 방법 대비 계산 속도 면에서도 약 40배 빠른 성능을 보였다. 본 연구는 감시 시스템뿐만 아니라 다양한 객체 추적 응용에도 적용될 수 있을 것으로 기대된다.
Abstract
This paper proposes a robust human tracking method in surveillance systems using Convolutional Neural Networks (Faster R-CNN). Traditional detection and tracking methods suffer from environmental changes, background noise, and object deformations. To overcome these challenges, we employ Faster R-CNNs to learn both spatial and temporal features, achieving robust tracking performance. Experimental results show that the Faster R-CNN-based approach significantly outperforms Haar-wavelet based Support Vector Machine (SVM), maintaining a 90% detection rate while reducing the false positive rate by a factor of five. Additionally, Faster R-CNN-based feature optimization leads to a 40 times faster computational efficiency than SVM. This study is expected to be applicable to various object tracking applications beyond surveillance systems.