중심대칭 로컬 바이너리·트라이너리 패턴으로 구현하는 고성능 보행자 검출

초록

본 논문은 보행자 검출을 위해 기존 LBP의 변형인 밀집형 중심대칭 LBP(CS‑LBP)와 피라미드 구조의 CS‑LBP/CS‑LTP를 제안한다. CS‑LBP는 그라디언트 정보를 효율적으로 포착하며, 피라미드 방식은 다중 스케일 공간 정보를 보강한다. INRIA 데이터셋 실험에서 선형 SVM을 사용한 밀집 CS‑LBP는 HOG와 동등한 성능을 보였고, 피라미드 CS‑LBP/LTP는 PHOG와 히스토그램 교차 커널 SVM을 능가하였다. 두 특징을 결합하면 현재 최고 수준의 검출 정확도를 달성한다.

상세 요약

이 연구는 보행자 검출에서 핵심적인 특징 추출 방식을 재고한다. 기존 LBP는 픽셀 간 밝기 차이를 이진화해 텍스처를 기술하지만, 보행자와 같은 객체는 형태와 경계가 중요한 경우가 많아 순수 텍스처만으로는 충분치 않다. 저자들은 LBP를 변형해 중심대칭(Local Binary Pattern) 쌍을 이용, 즉 (p_i, p_{i+N/2}) 두 픽셀의 차이를 이진화함으로써 그라디언트 방향 정보를 직접 캡처한다. 이를 CS‑LBP라 명명하고, 차이가 0에 가까우면 0, 양수이면 1, 음수이면 -1로 매핑해 3‑값(트라이너리) 형태인 CS‑LTP도 정의한다.

두 특징은 “밀집(dense)” 방식과 “피라미드(pyramid)” 방식으로 구현된다. 밀집 CS‑LBP는 이미지 전체에 겹침 없이 격자형 윈도우를 적용해 각 셀마다 히스토그램을 만든 뒤, 전체 히스토그램을 하나의 벡터로 연결한다. 이는 구현이 간단하고 연산량이 적어 실시간 응용에 적합하다. 반면 피라미드 CS‑LBP/LTP는 여러 레벨의 셀 크기와 위치를 계층적으로 배치해, 각 레벨에서 히스토그램을 구하고 이를 다중 스케일 특징으로 결합한다. 이렇게 하면 작은 물체나 부분적인 가림 현상에도 강인한 표현이 가능해진다.

분류기 선택에서도 차별점을 둔다. 밀집 CS‑LBP는 선형 SVM을 사용해 고차원 특징을 빠르게 학습한다. 피라미드 특징은 히스토그램 교차(Histogram Intersection) 커널을 적용한 SVM을 사용해, 히스토그램 간 유사성을 직접 측정함으로써 비선형 경계를 효과적으로 학습한다.

실험은 INRIA 보행자 데이터셋을 기준으로 수행했으며, 평균 정확도(AP)와 검출률-오탐률(FPPI) 곡선을 통해 기존 HOG, PHOG와 비교했다. 결과는 다음과 같다. (1) 밀집 CS‑LBP + 선형 SVM은 HOG + 선형 SVM과 거의 동등한 성능을 보이며, 연산 속도에서 우위를 점한다. (2) 피라미드 CS‑LBP/LTP + 히스토그램 교차 SVM은 PHOG + 히스토그램 교차 SVM을 명확히 앞선다. (3) 두 특징을 결합하면 기존 최고 성능을 2~3% 정도 향상시켜, 현재 공개된 방법 중 가장 높은 검출 정확도를 달성한다.

이 논문은 그라디언트 기반 텍스처와 다중 스케일 공간 정보를 저비용으로 결합한 점, 그리고 실시간 시스템에 적용 가능한 효율성을 동시에 만족한다는 점에서 의미가 크다. 또한 CS‑LTP와 같은 트라이너리 인코딩이 잡음에 대한 내성을 높여, 실제 도로 환경에서의 강인성을 확보한다는 점도 주목할 만하다.