공동 손실함수가 적용된 CNN 기반의 시점 변화에 강인한 걸음걸이 인식 :Cross-view gait identification based on convolution neural network with joint loss function

이장우

추천

검색

자료유형: 학위논문

저자정보: 이장우 (과학기술연합대학원대학교, 과학기술연합대학원)

지도교수: 김창환

발행연도: 2019

저작권: 과학기술연합대학원대학교 논문은 저작권에 의해 보호받습니다.

이용수5

이 논문의 연구 히스토리 (2)

2019

공동 손실함수가 적용된 CNN 기반의 시점 변화에 강인한 걸음걸이 식별

이장우 , 김창환 , 박성기 제어로봇시스템학회 논문지 2019.05 학술저널

공동 손실함수가 적용된 CNN 기반의 시점 변화에 강인한 걸음걸이 인식

이장우 2019.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

지능형 서비스 로봇에서 사람과 로봇 간의 상호작용을 위해 사용자 인식은 매우 중요한 기반 기술이다. 최근 비전 카메라로 획득한 영상을 기반으로 걸음걸이(gait) 정보를 추출하고 이를 활용하여 사람을 인식하기 위한 많은 연구가 진행되고 있다. 이러한 걸음걸이 인식은 대상이 협조적일 필요가 없으며 거리 변화에도 더 강인한 특징을 가진다. 그러나 시점 변화, 다양한 의복 착용, 보행 속도 등에 의해 개인의 고유한 걸음걸이 패턴을 구분하는 것은 어려운 문제로 남아있다.
이 중에서 시점 변화는 인식 성능을 가장 크게 하락시키는 요인으로서, 최근 Convolution Neural Network(CNN)과 다양한 손실함수(loss function)를 활용하여 시점 변화에 강인한 걸음걸이 특징을 추출하기 위한 방법들이 연구되고 있다. 기존에 많이 활용되는 소프트맥스 손실함수(softmax loss function)는 학습 데이터에 의존적으로 분류 성능이 결정되기 때문에 다양한 입력 패턴에 대하여 분별력 있는 인식 성능을 보장할 수 없다. 이로 인해 학습 데이터가 충분하지 않거나 시점 변화가 존재하는 새로운 데이터가 추가되는 경우, 분류기(classifier)의 인식 성능이 크게 저하된다.
본 논문에서는 시점 변화에 강인한 걸음걸이 기반의 사람 인식을 위하여, 소프트맥스와 중심 손실함수(center loss function)가 결합된 공동 손실함수 기반의 CNN 구조와 이를 활용한 걸음걸이 인식 방법을 제안한다. 이러한 방법은 소프트맥스 손실함수의 단점을 보완하고 학습 데이터가 상대적으로 적더라도 다양한 걸음걸이 패턴을 구분할 수 있도록 분별력 있게 학습을 유도할 수 있다.
또한, 실제 로봇에서 획득한 영상으로 대상을 인식할 수 있도록 다음 기능을 통합한 프레임워크를 제안한다: 1) GEI 생성을 위한 전처리 과정 2) 학습된 모델을 이용한 걸음걸이 특징(feature) 추출 3) 추출된 걸음걸이 특징을 이용한 사람 인식 과정으로 구성된다.
본 연구 방법은 OU-MVLP, OU-LP DB를 바탕으로 평가되었고, 최신 연구 방법들과 비교하였을 때 우수한 성능을 보인다. 또한, 로봇의 내부 카메라로 취득한 영상으로 15명의 사람에 대한 DB를 구축하여 다른 방법들과 비교 실험하였고 본 연구 방법이 더 높은 성능을 달성하며 실제 응용이 가능함을 보인다. 실험 결과를 통해 본 연구 방법은 시점 변화에 강인한 걸음걸이 특징을 추출할 수 있고 인식 성능을 향상시킬 수 있음을 보인다.

User recognition is an important technology for human-robot interaction in intelligent service robots. Recently, many studies have been conducted to extract gait features based on images obtained from vision camera and to use it to identify people. This gait recognition does not require the target object to be cooperative and may also have stronger features for distance changes. However, it remains difficult problems to discriminate individuals'' unique gait patterns by changing view angle, wearing various clothing, and walking speed.
In particular, cross-view variance is the most significant decrease in gait recognition performance. Recent studies have tried to extract view-invariant gait features by using various Convolution Neural Network(CNN) structures and loss functions. The softmax loss function depends on training data to determine the classification performance. For this reason, it is not possible to ensure discriminative recognition performance for various gait patterns. If there is not enough training data or new data with a cross-view variance is added, the classification performance is greatly reduced.
In this paper, to extract the view-invariant gait features, we propose a CNN structure based on the joint loss function combined with softmax and center loss function and a gait recognition method using it. Our method can complement the disadvantages of the softmax loss function and induce discriminative learning to classify various gait patterns even in the lack of training data.
In addition, this study proposes a framework that integrates three functions to identify human as images acquired from service robot under development: 1) Preprocessing for GEI generation 2) Gait features extraction using pre-trained model 3) recognition process using gait features.
Our method is evaluated based on OU-MVLP and OU-LP DB and has high performance compared to the latest research methods. In addition, the robot''s camera acquired images of 15 people and made the database. Our method has higher recognition performance compared to other methods. It has the potential for real application. The results of the experiment show that our method can extract robust gait features and improve recognition performance in the change of viewpoint.

제1장 서론
1.1 연구 배경
1.2 논문의 구성
제2장 관련 연구
2.1 Gait representation
2.2 Deep learning approach for gait recognition
제3장 걸음걸이 인식 시스템 소개
제4장 제안하는 방법
4.1 GEI generation
4.2 Joint loss function
4.3 Learning
제5장 실험 결과 및 분석
5.1 실험 환경
5.2 Dataset
5.3 하이퍼 파라미터(Hyper parameter) 설정
5.4 평가 방법
5.5 OU-MVLP DB 성능 비교
5.6 OU-LP DB 성능 비교
5.7 학습된 모델을 적용한 걸음걸이 인식 시스템
5.7.1 전처리와 GEI 생성 방법
5.7.2 로봇에서 own dataset 구축 방법
5.7.3 Own dataset 성능 비교
제6장 결론
참고문헌

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)