선택적 탐색과 시각 단어 모델을 이용한 자동 권총 검출

초록

본 논문은 공개 GDXray 데이터베이스의 단일 에너지 X‑레이 이미지에서 권총을 식별하기 위해 Bag‑of‑Visual‑Words(BoVW)와 Selective Search를 결합한 알고리즘을 제안한다. Selective Search가 생성한 후보 영역 전체에 대해 SIFT 기반 특징을 추출하고, 이를 사전 학습된 시각 단어 사전으로 양자화하여 히스토그램을 만든 뒤 SVM 분류기로 판별한다. 실험 결과, 정밀도(PPV) 80 %와 재현율(TPR) 92 %를 달성했으며, X‑레이 수하물 이미지에서 최초로 Selective Search를 적용한 사례임을 강조한다.

상세 분석

이 연구는 기존 X‑레이 수하물 검사의 인간 의존성을 감소시키기 위해 컴퓨터 비전 기법을 적용한 점에서 의미가 크다. 핵심 아이디어는 두 단계로 구성된다. 첫 번째는 Selective Search를 이용해 이미지 전체에서 잠재적인 객체 후보 영역을 다량 생성하는 것이다. 이 단계는 색상, 텍스처, 크기 등 저수준 특징을 결합해 계층적 영역 분할을 수행하므로, 복잡한 겹침이나 다양한 시점에서도 비교적 포괄적인 후보를 제공한다. 두 번째는 BoVW 파이프라인이다. 후보 영역마다 SIFT 키포인트를 추출하고, 사전에 구축된 400개의 시각 단어 사전(코드북)으로 양자화한다. 이렇게 얻은 히스토그램은 L2 정규화 후 선형 SVM에 입력되어 ‘권총’ 혹은 ‘비권총’ 클래스로 분류된다.
학습 단계에서는 GDXray 데이터베이스에서 200장의 이미지와 해당 이미지에 대한 정확한 바운딩 박스를 활용해 긍정 샘플을 구축하고, 동일 이미지에서 무작위로 추출한 비긍정 영역을 부정 샘플로 사용하였다. 코드북 생성은 k‑means 클러스터링으로 수행했으며, 클러스터 수는 실험적으로 최적화하였다. SVM의 하이퍼파라미터(C값)는 교차 검증을 통해 결정하였다.
평가에서는 Selective Search가 생성한 전체 후보 영역(평균 약 2,000개/이미지)에 대해 분류기를 적용했으며, 최종 검출 결과는 IoU(Intersection over Union) 기준 0.5 이상인 경우를 TP로 간주하였다. 그 결과 정밀도 80 %와 재현율 92 %를 기록했는데, 이는 기존 연구 대비 높은 재현율을 보이며 실용적인 수준에 근접한다. 다만 정밀도가 80 %에 머무른 이유는 X‑레이 이미지 특성상 금속성 물체와 비금속성 물체가 시각적으로 유사한 패턴을 보이기 때문이며, 이는 후보 영역의 과다 생성과 시각 단어 사전의 표현 한계가 복합적으로 작용한 결과로 해석된다.
또한, 본 논문은 X‑레이 이미지에 Selective Search를 최초로 적용한 사례로, 영역 제안 단계에서의 파라미터(색상 채널, 스케일, 최소 영역 크기 등)를 조정함으로써 일반적인 자연 이미지보다 더 높은 후보 생성 효율을 달성했다. 그러나 아직 실시간 적용을 위한 연산량 감소와 다중 클래스(칼, 폭탄 등) 확장에 대한 연구가 필요하다.