According to the WHO`s report, about 300,000 pedestrians are killed by traffic accident every year. Many sensor-based systems have been developed to improve the safety of automobiles. Pedestrian detection is still considered as a unsolved technical challenge in reducing fatalities. Pedestrian detection has been also one of the most challenging tasks in surveillance systems and robotics applications. Most existing works can be classified in two main streams: how to design better descriptor and more accurate classifier.
In this thesis, we propose a new hierarchical classifier model to reduce the miss-rate. The proposed classifier structure consists of a baseline detector and an expert detector. The baseline detector classifies the samples roughly to mine hard negative samples and the expert detector learns the discriminative decision boundaries to reduce the number of miss-classified samples of the baseline detector.
The core of the proposed hierarchical classifier structure is based on the discriminative random forest which is a set of strong decision trees. To build a strong decision tree, we define a novel node split function by a deterministic feature transformation which finds the discriminative projection axis.
Finally, by imposing additional geometrical constraints such as ground plane and aligend camera, we estimate the height of pedestrians in the image. This height map helps mining the hard negative samples by effectively reducing the learning space and searching space of the expert detector.
In particular, the reduced searching space for the expert detector due to the hierarchical classifier structure and the estimation of pedestrian height improves the performance of the detector by only a small amount of additional computation. Specifically, our proposed classifier model consisting of the MT-DPM and the Random Forest detectors has improved the mean miss-rate to 38.44\% from 42.04\% of the MT-DPM for pedestrians taller than 50 pixels and with partial occlusion on the well-known challenging datasets, Caltech Pedestrian Benchmark.
WHO의 보고에 따르면, 보행자 교통사고로 인한 사망자가 매년 30만명에 이르고 있다. 자동차 안전성을 향상시키기 위한 많은 센서 기반의 방법들이 개발되어왔지만, 사망자 감소측면에서 여전히 해결되지 않은 어려운 문제로 간주되고 있다. 보행자 인식은 감시 시스템이나 로봇 어플리케이션에서 가장 어려운 문제 중 하나이다. 대부분의 기존 연구들은 더 좋은 기술자 고안하거나 더 정확한 분류기를 개발하는 두 가지 큰 흐름으로 분류될 수 있다.
본 연구에서는 오탐지율을 줄이기 위한 새로운 계층적 분류기 모델을 제안한다. 제안된 분류기 구조는 기준 검출기와 전문 검출기로 구성되어 있다. 기준 검출기는 어려운 음성 데이터를 모으기 위하여 데이터들을 대략적으로 분류하고, 전문 검출기는 기준 검출기의 오탐지된 데이터들을 줄이기 위하여 특징적인 결정 경계들을 학습한다.
제안된 계층적인 구조의 핵심은 강한 결정 나무들의 집합인 특징적인 랜덤 포레스트이다. 강한 결정 나무를 만들기 위하여, 구별적인 사영 축을 찾는 결정론적인 특징 변환의 의한 독창적인 마디 분리 함수를 정의한다.
마지막으로, 지반면과 카메라의 정렬과 같은 추가적인 기하학적 제한들을 적용하여 영상에서의 보행자의 키를 추정한다. 이러한 키 지도는 전문 검출기의 학습 및 검색 공간을 효과적으로 줄여줌으로써 어려운 음성 데이터들을 모으는데 도움을 준다.
특히, 계층적인 분류기 구조와 보행자 키에 대한 추정으로 인한 전문 검출기의 감소된 검색 공간은 약간의 추가적인 계산만으로도 검출기의 성능을 향상시킨다. 우리가 제안한 분류기를 MT-DPM과 랜덤 포레스트 검출기로 구성함으로써 잘 알려진 어려운 데이터셋인 Caltech 보행자 벤치마크의 50픽셀 이상의 부분적인 가려짐이 존재하는 보행자들에 대한 평균 오탐지율을 42.04%에서 38.44%로 향상 시킨다.
