We present traffic light recognition system in cluttered background scene. In recent years, traffic light recognition system contributes to prevent many traffic accidents in Advanced Driver Assistance Systems (ADAS). Proposed system is based on learning framework using Pyramid Histogram of Oriented Gradient (PHOG) and Support Vector Machine (SVM). In this paper, color enhancement channel using CIE lab color model and Chi-square SVM is used for candidate generation and verification. Experimental results show improved recognition performance without highly increasing false positive rate. We also present pedestrian detection system with reduced false positives based on geometry information and learning framework. Pedestrian detection system, not only helps driver to drive more safely but also protects pedestrians from potential accidents. In pedestrian detection, cascade framework is widely used to find candidates of pedestrians quickly in images. This framework starts with simple classifiers which reject many of the negative sub-windows while detecting almost all positive sub-windows. However, there are not only true positive sub-windows, but also many false positive sub-windows in result images, such as traffic lights, poles, and trees, which are not valid geometrically. In this paper, we propose cascade framework based on geometric information to reduce false positive sub-windows.
First we design regression model using foot position and height of pedestrians in training data. And we compute Gaussian probability at each foot position. This probability means the penalty of position of sub-windows with respect to geometrical analysis. By proposed framework, sub-windows which are not valid have low scores and are rejected in early stage of cascade framework. In addition to geometric cascade framework, we propose learning framework using SVM and features of sub-windows. After applying geometric cascade, there are still false positive sub-windows valid in geometry, we eliminate these sub-windows using scores and the number of overlaps of sub-windows. Experimental results show improved performance with our method.
본 연구에서는 복잡한 도심 도로 상황에서 신호등의 강인한 인식을 위한 PHOG (Pyramid Histogram of Oriented Gradient) 특징과 SVM(Support Vector Machine)기반의 학습구조를 이용한 인식 알고리즘을 제안한다. 제안한 방법은 크게 세 단계로 이루어진다. 첫째, 신호등 색 분류에 유용한 CIE L*a*b* 색 공간에서 신호등 후보군을 추출하기 위한 영상을 제공하는 전처리 단계, 둘째, 전처리 과정 영상으로부터 Fast Radial Symmetry Transform과 레이블링 기법을 이용한 신호등 후보군 생성 단계, 셋째, 후보군영상으로부터 PHOG 특징을 추출한 후, Chi-square SVM을 이용하여 후보군을 분류하고 신호등을 인식하는 후보군 검증 단계로 구성된다. 실험 영상은 복잡한 도심 도로를 단안 카메라로 촬영한 비디오 영상이며, 제안한 알고리즘을 적용한 인식 결과를 제시한다.
또한, 본 연구에서는 영상의 기하학 정보와 학습구조를 이용하여 보행자 검출 시스템의 오검출을 줄이는 방법을 제안한다. 보행자 검출 시스템은 운전자의 주행을 보조하고, 운전자와 보행자를 사고 위험으로부터 안전하게 보호하는데 기여하는 시스템이다. 그렇지만, 보행자 검출 시스템은 보행자 검출한 결과 이외에 다수의 오검출도 검출 결과에 나타나는 문제점이 있다. 본 연구에서는 영상에서 보행자를 빠르게 검출할 수 있는 캐스케이드(cascade) 구조를 영상의 기하학 정보를 기반으로 변형하여 시스템의 오검출을 줄이는 방법을 제안한다. 제안 방법에서는 먼저 훈련 데이터에서 보행자의 ground truth 정보를 이용하여 회귀(regression)모델을 구성한다. 설계한 회귀모델은 영상에서 기하학적으로 존재할 수 있는 검출 윈도우의 크기 적합도를 결정하는데 기반이 되며, 적합도는 가우시안 확률모델을 설계하여 측정한다. 제안한 방법에 의하여 영상에서 기하학적으로 적합하지 않은 크기로 존재하는 윈도우들은 낮은 확률값이 할당되며, 캐스케이드(cascade) 구조의 첫 단계에서 빠르게 제거된다. 이와 더불어, 본 연구에서는 학습구조에 기반하여 영상에서 오검출을 줄이는 방법을 제안한다. 캐스케이드(cacade) 구조를 통과한 결과 영상에는 기하학적으로 적합한 크기로 나타나는 오검출 윈도우들이 존재한다. 제안방법은 선형 Support Vector Machine(Linear SVM)과 시스템의 검출 결과로 나타나는 윈도우의 특징정보(score, 겹친횟수)를 이용하여 이러한 오검출 영역들을 제거한다. 실험은 차량의 주행환경을 촬영한 공인된 보행자 검출 데이터에서 수행하였으며, 제안한 방법의 기본 검출기에 대한 개선된 성능을 보여줌으로써 제안방법의 우수성을 입증한다.
