Professional Documents
Culture Documents
야간 환경 CCTV 동영상 분석을 위한 딥러닝 기반 보행자 위험 객체 검출기 개발
야간 환경 CCTV 동영상 분석을 위한 딥러닝 기반 보행자 위험 객체 검출기 개발
요 약
최근 지능형 CCTV가 도입됨에 따라 그들의 근간이 되는 다양한 객체 검출기에 대한 연구 그리고 개발
이 진행되었다. 하지만 이러한 대부분의 객체 검출기들은 주간 환경만을 고려하여 개발되어 왔기에 조도
가 상대적으로 낮은 야간 환경에 있어서 보행자 위험 객체의 정교한 검출이 불가능하다.
본 논문에서는 CCTV영상을 입력 받아 야간에도 보행자 위험 객체를 검출할 수 있는 실시간 딥러닝
기반 객체 검출기를 제안한다. 제안하는 객체 검출기는 YOLOv4[1]를 이용한 검출기로 AIHub[2]의 데
이터셋을 재구축하였다. AIHub의 데이터셋은 클래스별 학습 데이터 양이 불균형하여 각 클래스별 객체
검출 성능에 차이가 발생하기 때문에 클래스 별로 이미지 수를 정규화하여 분포를 맞췄다. 또한 해당 데
이터셋의 클래스들은 주로 주간 영상으로 이루어져 있으며, 해당 데이터셋을 이용해 야간에도 정교한 객
체 검출 성능을 위해 데이터셋의 이미지를 흑백으로 전환하여 야간 환경과 유사하게 만들었다. 그리고
YOLOv4 모델을 학습 후 검출 성능을 분석하는 연구를 진행하였다
407
2021년 한국소프트웨어종합학술대회 논문집
4.1 기존 객체 검출기 객체 검출 성능
3.2.2 딥러닝 기반 야간 환경 객체 검출기 개발 환경
Yolov4와 기존의 데이터셋 269,928장을 이용하여 객
야간 환경에 대한 객체 검출 중 416x416사이즈의 모
체 검출 모델을 학습시켰다. <표 1>을 보면 기존 검출
델은 Jetson NX Xavier에서 그리고 입력사이즈가
기에서는 15개의 클래스를 포함하고 있는 야간 환경 평
608x608인 모델 Server머신에서 동작하게 되며 입력
가 데이터셋에 대하여 IoU 0.5기준 입력사이즈
사이즈가 416x416인 모델에 추가로 TensorRT[9]를
416x416과 608x608 각각에 대하여 0.771과 0.863의
이용하여 모델 경량화 이후 이식되며 608x608은 그대
성능이 나왔다. IoU 0.7 기준의 경우 입력 사이즈 416
로 서버에서 동작하게 된다.
과 608 각각에 대하여 0.623과 0.742의 성능이 나왔다.
3.3 Yolov4를 통한 파인튜닝
4.2 야간 객체 검출기 야간 환경 객체 검출 성능
Linux OS 머신에서 오픈소스인 AlexeyAB/darkent를
기존의 데이터셋 269,928장 중 주,야간 분류기를 이용
이용하고 15개의 객체를 목표로 하는 보행 장애물 데이
하여 주간 이미지 100,000장을 정제 후 흑백 이미지로
터셋을 사용하여 Yolov4를 파인튜닝한다. 이 때
Yolov4에서는 MSCOCO[10]를 사용하여 사전학습 된 변환해서 객체 검출 모델을 학습 시켰다. 야간 평가 데
408
2021년 한국소프트웨어종합학술대회 논문집
이터셋에 대하여 IoU 0.5 기준 입력 사이즈 416x416과 파라미터 조정을 거친 후 파인튜닝을 진행한다면 주간,
608x608 각각에 대하여 0.779와 0.879의 성능이 나왔 야간에도 우수한 검출 성능을 보이는 객체 검출기를 만
다. IoU 0.7 기준으로 입력 사이즈 416과 608 각각에 들 수 있을 것이다.
대하여 0.633 그리고 0.751의 성능이 측정되었다.
5. 기대 효과 및 결론
본 논문에서는 범죄의 발생률이 높은 야간 시간에 대
비하여 야간용 보행자 위험 객체 검출기를 제안하였다.
제안하는 검출기는 Yolov4를 이용해 학습 시켰으며 기
존의 데이터셋의 주간과 야간 비율의 불균형한 점을 교
정하여 야간에도 뛰어난 객체 검출 기능을 지닌 검출기
이다. 이를 통해 범죄 발생 비율이 높은 야간에도 객체
탐지를 문제없이 할 수 있게 됨으로써 치안에 높은 공
헌을 할 것으로 기대된다.
<그림 3> 일반 검출기 추론
사사문구
본 연구는 행정안전부/국토교통과학기술진흥원의 지원
으로 수행되었음(과제번호 21PQWO-B153358-03).
참고문헌
[1] Bochkovskiy Alexey, Chien-Yao Wang and Hong-Yuan Mark
Liao, "YOLOv4: Optimal speed and accuracy of object detection,"
arXiv preprint arXiv :2004.10934, 2020.
[2] 한국지능정보사회진흥원, Aihub 인도 보행 영상 AI 데이터셋,
<그림 4> 야간 검출기 추론 http://aihub.or.kr/aidata/ 136 (accessed April 2021).
[3] 이재우, 박운상, “Faster R-CNN 기반 보행 장애물 검출,” 대한전
기학회 학술대회 논문집, pp. 1880-1881, 2020.
4.3 검출 성능 비교 분석 [4] Redmon Joseph and Farhadi Ali “YOLOv3: An Incremental
<그림 3>은 기존의 데이터셋 269,928장을 이용하여 Improvement,” arXiv preprint arXiv:1804.02767, 2018.
학습 시킨 일반 검출기를 이용하여 추론한 결과 이미지 [5] Ross Girshick, Jian Sun, Shaoqing Ren and Kaiming He, "Faster
이다. 박스들은 threshold 0.5를 기준으로 그려졌고 목 R-CNN: Towards real-time object detection with region proposal
표로한 객체들은 거의 모두 검출에 성공한 모습을 보인 networks," arXiv preprint arXiv:1506:1506.01497, 2015.
다. [6] Wei Liu, Anguelov Dragomir, Erhan Dumitru, Szegedy Christian,
<그림 4>는 야간 데이터셋 100,000장을 이용하여 학 and Reed Scott, Fu Cheng-Yang and Berg Alexander CBerg, “SSD:
습시킨 야간 환경 객체 검출기이다. 일반 검출기와의 차 Single Shot MultiBox Detector,” Proceedings of the European
이점은 좌측 상단의 왼쪽에서 두번째에 위치한 사람의 Conference on Computer Vision (ECCV), pp. 21-37, 2016.
검출 유무이다. 일반 검출기는 주간 환경의 데이터셋들 [7] Mark Sandler, Andrew Howard, Menglong Zhu, Andrey
이 주를 이루게 되어 야간 환경에 작은 객체들에 대해 Zhmoginov and Liang-Chieh Chen, "MobileNetV2: Inverted
서는 검출 성능이 떨어지는 경향이 있는데, <그림 4>에 Residuals and Linear Bottlenecks," Proceedings of the IEEE
서 보면 성공적으로 객체를 검출한 것을 알 수 있다. 이 Conference on Computer Vision and Pattern Recognition, pp.
외에도 <그림 3>에서 우측 하단에 위치한 검은색 자동 4510-4520, 2018.
차를 보면 자동차의 끝부분이 잘려서 검출된 것을 확인 [8] Alexey Bochkovskiy, Yolov4 Repository,
할 수 있다. 이 부분을 <그림 4>에서 보면 잘리는 부분 https://github.com/AlexeyAB/darkent (accessed November 2021).
없이 자동차 검출을 했다. [9] NVIDIA, TensorRT, NVIDIA ACCELERATED COMPUTING
<그림 3>과 <그림 4>에서 보듯 정성적 그리고 <표 documentation (accessed September 2021).
1>에서 일반 검출기의 성능이 0.863 그리고 야간 검출 [10] Tsung-Yi Lin, Michael Maire, Serge Belongie, James Hays,
기의 성능이 0.879로 야간 데이터셋을 이용해 학습한 Pietro Perona, Deva Ramanan, Piotr Dollar and C Lawrence Zitnick,
검출기의 성능이 약 1%정도 더 우수하다. “Mocrosoft COCO: Common objects in context,” Proceedings of
주간 객체 검출 모델과 야간 객체 검출 모델을 분리하 the European Conference on Computer Vision (ECCV), pp, 740-
여 사용하여도 되지만 메모리 절약 효과를 위해 일반 755, 2014.
객체 검출기 모델에 야간 데이터셋을 이용하여 하이퍼
409