268 저해상도 2D 라이다의사람특성함수를이용한새로운사람감지기법 표 1. 저해상도라이다 (RPLIDAR) 와다른라이다와의사양비교 Table 1. Specification of low cost LIDAR in comparison with other LIDARs Item

Size: px

Start display at page:

Download "268 저해상도 2D 라이다의사람특성함수를이용한새로운사람감지기법 표 1. 저해상도라이다 (RPLIDAR) 와다른라이다와의사양비교 Table 1. Specification of low cost LIDAR in comparison with other LIDARs Item"

상아 묘
6 years ago
Views:

1 대한임베디드공학회논문지제 11 권제 5 호 2016 년 10 월 267 저해상도 2D 라이다의사람특성함수를이용한새로운사람감지기법 (A Novel Human Detection Scheme using a Human Characteristics Function in a Low Resolution 2D LIDAR) 권성경, 현유진 +, 이진희, 이종훈 **, 손상혁 * (Seong Kyung Kwon, Eugin Hyun, Jin-Hee Lee, Jonghun Lee, Sang Hyuk Son) Abstract : Human detection technologies are widely used in smart homes and autonomous vehicles. However, in order to detect human, autonomous vehicle researchers have used a high-resolution LIDAR and smart home researchers have applied a camera with a narrow detection range. In this paper, we propose a novel method using a low-cost and low-resolution LIDAR that can detect human fast and precisely without complex learning algorithm and additional devices. In other words, human can be distinguished from objects by using a new human characteristics function which is empirically extracted from the characteristics of a human. In addition, we verified the effectiveness of the proposed algorithm through a number of experiments. Keywords : LIDAR, Human detection, Clustering, Classification, Smart sensor system 1. 서론 사물인터넷 (IoT; Internet of Things) 에대한 관심이계속증가하고있다. 스마트홈과자율주행 자동차는인간의삶에밀접하게관련이있어서사 물인터넷응용분야중중요시되고있는연구분야 이다. 이러한연구분야에서점점중요하고집중적 으로다루는주제중하나는사람감지기술이다. 사람감지기술은스마트홈환경에서사용자의위 치를바탕으로물건을전달해주거나대화를나누 *Corresponding Author (son@dgist.ac.kr) **Co-corresponding Author (jhlee@dgist.ac.kr) +Co-primary Author (braham@dgist.ac.kr) Received: 31 Mar. 2016, Revised: 15 May 2016, Accepted: 13 June S.K. Kwon, E. Hyun, J.H. Lee, J. Lee, S.H. Son : DGIST 본논문은연구재단에서지원하는글로벌연구 실사업 (2013K1A1A2A ) 과 미래창조과 학부에서지원하는대구경북과학기술원연구개발 사업 (16-RS-01 및 CPS Global Center) 일환으 로수행되었습니다 c IEMEK J. Embed. Sys. Appl Oct. 11(5) ISSN : 는등의서비스를제공하기위해사용이되며 [1], 자율주행자동차의경우, 운전자와보행자의안전을위해사용된다 [2-4]. 기존의사람감지하는방법은다양한센서를이용하여검출율을높이도록연구되어왔다. 첫번째로, 카메라를이용하는방법이있다. 카메라는얼굴인식, 모션인식등의방법을적용하여사람감지를수행한다. 하지만, 카메라는빛의밝기변화에민감하고 [5, 6], 좁은감지범위를가진다. 감지범위를확대하기위해서는여러대의카메라를사용하거나추가적인장치가더필요하다. 또한, 얼굴인식을이용한방법은노출을꺼리는사람들에게사생활침해문제가될수있다. 두번째로, 라이다 (LIDAR; Light Detection And Ranging) 를이용한방법이있다. 라이다는주로자율주행자동차에서사용되며, 고성능의장비들이존재하지만가격이매우비싸다. 표 1은저해상도라이다와일반적으로사용되고있는다른라이다와의사양을보여준다. SICK와 Velodyne은 80m 이상의감지거리와 0.167, 0.09 의해상도를가지지만, 이장비들은크기와비용문제때문에실내에서사용하기에는어려움이있다. 마지막으로, 초음파센서나와이파이 (Wi-Fi) 를

2 268 저해상도 2D 라이다의사람특성함수를이용한새로운사람감지기법 표 1. 저해상도라이다 (RPLIDAR) 와다른라이다와의사양비교 Table 1. Specification of low cost LIDAR in comparison with other LIDARs Item RPLIDAR SICK LMS 511-pro Velodyne HDL-64E Waveform Pulse Pulse Pulse Wavelength 785 nm 905 nm 905 nm Number of channels Single Single 64 channels Field of View (Horizontal) Angular resolution , 0.25, 0.33, 0.5, 0.67, Maximum distance 6 m 80 m 120 m Scanning frequency 5.5 Hz 25Hz, 35Hz, 50Hz, 75Hz, 100Hz 5-15Hz Input voltage 5V 24V DC 15V DC Protocol Serial TCP/IP UDP Error < 1% of the distance Systematic error ±25mm (1m - 10m) ±35mm (10m - 20m) ±50mm (20m - 30m) Statistical error < 2cm ±6mm (1m - 10m) ±8mm (10m - 20m) ±14mm (20m - 30m) Price About 400 dollars About 10,000 dollars About 70,000 dollars 이용한방법이있다. 이방법은, 미리센서들을부착해야하고, 부착한위치에따라검출성능의차이가있다 [7, 8]. 또한다중목표물인식이가능하지만움직이는물체가사람인지를구분하기어렵다는단점이있다. 본논문에서는저해상도의저가형라이다를이용하여자율주행자동차나스마트홈등에서응용가능한사람감지방법을제안한다. 제안하는방법은사람을감지할때사생활침해문제가없으며, 주변환경변화에민감하지않다. 또한, 미리센서를부착하는사전작업이필요하지않다. 사용하는저해상도의라이다는크기가작아서실내에서사용하기에적합하고, 전력소모가적다. 또한, 사람의형상이뚜렷하게감지되는고해상도의라이다에비해저해상도의라이다는얻을수있는데이터가적어서사람의특징을추출하기어렵다. 기존의저해상도라이다는출력데이터가부족하기때문에, 정 밀한감지가어렵고, 실내맵을만드는용도로활용되어왔다. 그러므로저해상도라이다를이용한실내환경에서사람을실시간으로감지하는기술에대한연구는초기단계이다. 또한, 저해상도의라이다를이용하여사람을특징하는데이터패턴을고차원함수로추출함으로써사람을감지하는방법은아직보고된바가전무하다. 따라서본논문에서는저해상도의라이다를사용하여실험적으로추출된저해상도라이다데이터를이용하여새로운사람특성함수를획득하여학습단계없이실시간으로사람을감지하는방법은제안하고자한다. 논문의구성은다음과같다. 2장에서는이전에연구된사람을탐지하는방법들을살펴보고, 3장에서는저해상도라이다기반의새로운사람감지방법을제안한다. 4장에서는실험을통해서제안하는새로운방법을입증하고, 마지막으로결론을맺는다.

대한임베디드공학회논문지제 11 권제 5 호 2016 년 10 월 269 Ⅱ. 관련연구 라이다를이용한사람감지방법은이미많은연구가진행되고있다 [2 6]. 라이다센서만으로사람을감지하는방법과라이다-카메라센서융합방법이있다. 고해상도라이다를이용한사람감지방법은사람몸의비율을이용한방법 [9], 다리감지방법 [10] 등이있다.

3 대한임베디드공학회논문지제 11 권제 5 호 2016 년 10 월 269 Ⅱ. 관련연구 라이다를이용한사람감지방법은이미많은연구가진행되고있다 [2 6]. 라이다센서만으로사람을감지하는방법과라이다-카메라센서융합방법이있다. 고해상도라이다를이용한사람감지방법은사람몸의비율을이용한방법 [9], 다리감지방법 [10] 등이있다. 몸의비율을이용한방법은사람몸의폭과두께의비율을계산하여사람인지를판단한다. 다리를감지하는방법은두다리사이의거리연관성을계산하여사람을구분한다. 이방법들은일반적으로클러스터링과분류의두단계로이루어진다. 먼저, 클러스터링은라이다의출력결과로얻은거리데이터를연관성을고려하여데이터를묶는다. 이과정에서센서데이터로부터몸의폭과두께등과같은사람의특징을얻는다. 이후에는사람의특징들을분류하는작업을수행한다. 분류는주로학습방법을이용한다 [10]. 대표적인학습방법은 Bayes 분류기, AdaBoost, SVM (Support Vector Machines) 등이있다. Bayes 분류기는확률모델을기반으로분류작업을수행함으로사전데이터가많을수록정확도가높다. AdaBoost 방법은 boosting 알고리즘의일종으로약한분류기들을이용해가중치의변화를주어여러단계를거치면서반복적으로분류를수행한다 [10]. SVM은패턴인식, 자료분석을위한학습모델로 kernel을이용하는방법이사용된다 [11]. 하지만라이다를이용한사람감지기술은분류가복잡하고물체가가려지면감지할수없는문제점이있다. 또한라이다의경우, 사람과유사한형태를지닌대상들에대해서는구분이어렵고학습알고리즘으로인해연산양이많아져서처리시간이길어진다. 이러한문제점을해결하기위해서라이다-카메라융합방법이제안되었다 [5, 10, 12]. 카메라의경우빛의밝기변화에민감하고, 영상처리시간이길지만색, 얼굴, 윤곽등의특징을바탕으로정확한탐지결과를얻을수있다. 라이다는정확한거리정보와각도정보를이용하여물체의위치를얻을수있다. 이를바탕으로라이다를통해물체로예상되는영역을생성하고위치를획득한다. 그런다음단계로카메라를통해서해당위치의영역을잘라내어분류함으로써처리시간을줄일수있다. 이런방법은높은정확도로사람을감지할수있으나, (a) (b) 그림 1. 2D 라이다로측정한사람의패턴분포 : (a) 사람의정면분포, (b) 사람의측면분포 Fig. 1 Human pattern distribution data extracting from 2D LIDAR: (a) front position, (b) side position 두개의센서를사용하므로대용량의데이터처리를위해서는고성능의프로세서가필요하다. 또한다소복잡한라이다처리과정과영상처리의두단계를거쳐야하며, 카메라영상에대한의존도가상당히높기때문에카메라센서의고유한단점을극복하기는어렵다. Ⅲ. 사람특성함수기반사람탐지알고리즘제안본논문에서는실내외에서사용할수있는저해상도라이다를이용하여사람을감지하며, 학습과정없이실시간으로탐지할수있는방법을제안한다. 제안하는방법은사람의형태를특징하는고차원사람특성함수 (HCF; Human Characteristics Function) 를실험적으로추출하고, 획득된저해상도의라이더데이터의해상도가보정된사람특성함수와함수의기울기를이용하여유선형인사람몸의특징을탐지하고다른물체들로부터분류하는방법이다. 그림 1은라이다를이용하여감지한사람의정면과측면의실험영상이다. 이실험영상을통해서사람몸은고차원함수곡선분포특징을나타내고있음을알수있다. 또한, 고차원함수곡선분포특성을이용하여사람에해당되는데이터를하나의그룹으로형성하기위해서클러스터링과분류의과정을수행한다. 라이다는하나의각도해상도마다출력결과를가진다. 그러므로하나의물체를탐지하여도라이다

270 저해상도 2D 라이다의사람특성함수를이용한새로운사람감지기법 의각도해상도의연속적인스캔범위에의해다수의출력결과를가진다. 다수로표현된출력결과에서물체별로포인트를그룹화하는과정이클러스터링이다. 대표적인클러스터링방법은거리기반클러스터링, 가우시안혼합모델 (GMM; Gaussian Mixture Model) 클러스터링과 K-Means 클러스터링이있다.

4 270 저해상도 2D 라이다의사람특성함수를이용한새로운사람감지기법 의각도해상도의연속적인스캔범위에의해다수의출력결과를가진다. 다수로표현된출력결과에서물체별로포인트를그룹화하는과정이클러스터링이다. 대표적인클러스터링방법은거리기반클러스터링, 가우시안혼합모델 (GMM; Gaussian Mixture Model) 클러스터링과 K-Means 클러스터링이있다. 거리기반클러스터링은라이다의측정데이터사이의거리를계산하여거리임계값보다작으면동일한그룹으로묶는방법이다. 수식 1에서 번째데이터사이의거리 는유클리디안거리공식에의해계산된다. 와 는 i번째데이터의좌표를의미한다. (1) GMM은가우시안확률밀도함수 (Gpdf; Gaussian probability density function) 의조합을이용하며, ML (Maximum Likelihood) 과 EM (Expectation Maximization) 알고리즘으로구성된다 [10, 13]. ML을통해학습데이터전체에대한추정치를계산한다. ML의결과로얻어진매개변수는다른매개변수의추정값을필요로한다. 이를위해, EM 알고리즘을사용하여추정값을얻는다. K-Means 클러스터링은널리알려진클러스터링기법으로데이터를 k개의그룹으로나누는방법이다 [14]. 거리기반방법으로그룹간비유사도와비용함수를최소화하도록그룹을나눈다. 같은그룹내의데이터는유사도를증가시키고, 다른그룹간의데이터는유사도를감소시킨다. 비용함수는각그룹의중심과그룹내데이터와의거리의제곱의합이다. K-means는초기값설정에의해서결과에상당한영향을주기때문에초기값을신중하게설정해야한다. 본논문에서는연산시간이빠르고소수의데이터로정확한클러스터링이가능한거리기반클러스터링을사용한다. 분류방법은 2장에서말한바와같이 SVM, AdaBoost와같은학습방법이있다. 하지만, 이방법은다수의데이터를이용하여다양한특징들을찾는작업이필요하다. 반면, 본논문에서사용하는저해상도라이다는출력결과가일정하지않고, 고해상도라이다에비해데이터의양이빈약하다. 하지만, 폭과두께의정보만으로사람을분류하면, 사람과유사한폭과두께를가진일반적인장애물들도 (a) (b) 그림 2. (a) 라이다데이터로그린이차곡선, (b) 사람의중심점 Fig. 2 (a) The second order polynomial fitting curve based on LIDAR data, (b) middle point of human 검출된다. 이러한문제점을극복하기위해일정하지않은출력데이터를보정하고, 장애물과사람을구분하기위해고차함수곡선을이용하여사람의형체를특징하는사람특성함수를추출한다. 그러므로일정하지않은출력데이터를고차함수곡선으로근사화함으로써사람의특징인폭, 두께, 기울기등을정확히추출할수있다. 그림 2는라이다출력결과를이용하여근사화한이차곡선과물체의중심점을나타낸다. 이차다항식곡선을그리기위해서, 이전단계에서얻은클러스터에속한점들의좌표를이용한다. 우선, 개의좌표로구성된일반다항식을 와 같이수식 2에서정의한다. 이때, 와 는 번째좌표의입력시퀀스및다항식계수를나타낸다. 아울러, 는다항식차수를나타내며최대 의값을가진다. (2) 또한, 라이더의데이터인출력배열은수식 3과같이나타낼수있으며, 이때 는 번째좌표이다. (3) 최소자승법으로오차를최소화하는다항식계수 를찾으면수식 4와같다. 여기서 은출력배열 의길이, 는 번째원소의가중치를나타낸다.

대한임베디드공학회논문지제 11 권제 5 호 2016 년 10 월 271 그림 3. 이차곡선으로보정된사람특성함수 Fig. 3 A human characteristics function fitted to a quadratic curve (4) 이차곡선일경우 이므로, 수식 4을통해계산된 와 를이용하여이차곡선을그리고, 출력배열 가사람인지아닌지판단한다.

녹색점은라이다측정데이터이며, 빨간선은고해상도라이다로사람을측정했을경우얻을수있을것으로예상되는사람의형태이다. 폭 ( ) 과두께 ( ), 기울기를통해서일반적으로물체가사람인지아닌지를판단할수있다. Ⅳ. 실험결과본절에서는우선실험을통해서사람특성함수가다른차수의함수에비해서이차다항식함수에서사람의감지가우수한지를실험적으로검증하고자한다.

5 대한임베디드공학회논문지제 11 권제 5 호 2016 년 10 월 271 그림 3. 이차곡선으로보정된사람특성함수 Fig. 3 A human characteristics function fitted to a quadratic curve (4) 이차곡선일경우 이므로, 수식 4을통해계산된 와 를이용하여이차곡선을그리고, 출력배열 가사람인지아닌지판단한다. 고해상도의라이다는해상도가높아서물체감지시에출력데이터를충분히얻을수있지만저해상도의라이다는해상도가낮아서출력데이터를충분히얻을수없다. 그러므로본논문에서는저해상도라이다의충분하지않은출력데이터를바탕으로사람특성함수를이용하여사람을감지해야하므로그림 3과같이사람특성함수에대한보정작업수행이필요하다. 그림 3에서노란선으로표시된 는폭, 파란선으로나타난 는두께이다. 녹색점은라이다측정데이터이며, 빨간선은고해상도라이다로사람을측정했을경우얻을수있을것으로예상되는사람의형태이다. 폭 ( ) 과두께 ( ), 기울기를통해서일반적으로물체가사람인지아닌지를판단할수있다. Ⅳ. 실험결과본절에서는우선실험을통해서사람특성함수가다른차수의함수에비해서이차다항식함수에서사람의감지가우수한지를실험적으로검증하고자한다. 실험환경은단일대상과다중대상시나리오로구성하였다. 단일대상환경은주위에장애물이없이한명의사람만존재한다. 다중대상실험환경은 1개의벽면, 사람과유사한폭과두께를가진상자로만든 3개의장애물, 그리고 3명의사람으로구성하였다. 제안하는알고리즘이저해상도 그림 4. 차수별검출율비교결과 Fig. 4 Comparison results of detection rate according to order selection of a high-order polynomial equation in a human characteristics function 라이다를통해사람을감지할수있는기준으로적합한지다음실험을통하여입증하였다. 사람특성함수의최적차수를결정하기위해서단일대상환경과다중대상환경에서사람의형상이가지는특징을검출하고일차다항식직선부터사차다항식곡선까지차수를높여가면서사람감지율을비교검증하였다. 10명의피실험자를통해동일한환경에서데이터를얻고각각의데이터를다항식의차수별로계산하였다. 그리고피실험자들의평균적인폭과두께도획득하였다. 그림 4는단일및다중대상환경에서사람특성함수의차수별사람탐지율의실험결과를나타내고있다. 그림 4에서와볼수있듯이, 이차다항식곡선이가장좋은성능을나타내고있으며, 3,239회스캔에서약 95 % 이상의사람감지율을보였다. 단일대상환경에서는일차다항식직선으로사람을검출할수있지만, 다중대상환경에서는일차다항식직선으로는장애물과사람을구분하는것이불가능하였다. 또한다항식차수가높아질수록유연한곡선을나타낼수있어사람과유사한형상을나타낼수있지만장애물도유사한형상으로나타난다. 그러므로장애물과사람의기울기특성이비슷해서사람과장애물의구별이어려운특징이있었다. 실험결과를통하여저해상도라이더의사람특성함수는이차다항식곡선함수에의해서사람의형상을검출하는데가장적합함을확인하였다. 이논문에서는사람특성함수를이용한방법과

272 저해상도 2D 라이다의사람특성함수를이용한새로운사람감지기법 (a) (b) (c) 그림 5. 클러스터링방법에따른단일대상검출율 Fig. 5 Detection rate of single target according to conventional clustering methods 그림 7.

7 (a) Human data cloud measured from LIDAR (b) A front pattern generated from cloud data (c) A side pattern generated from cloud data 이다. GMM 과 K-Means 방법을적용한경우는사람 특성함수를이용한경우보다약 3 배이상의오차 를보였다. 그림 6.

GMM과 K-Means는좋은성능을가지는클러스터링방법이지만저해상도의라이다는출력결과가일정하지않으며, 출력되는물체의좌표점이나타났다사라짐을반복하기때문에 GMM과 K-Means 방법들은올바른클러스터링이수행되지않았다. 또한, 이러한방법들은거리기반클러스터링보다긴연산시간이소모되었기때문에본논문에서는거리기반클러스터링을적용하였다.

6 272 저해상도 2D 라이다의사람특성함수를이용한새로운사람감지기법 (a) (b) (c) 그림 5. 클러스터링방법에따른단일대상검출율 Fig. 5 Detection rate of single target according to conventional clustering methods 그림 7. (a) 라이다에서측정한사람데이터집합 (b) 데이터집합을바탕으로생성된정면패턴 (c) 데이터집합을바탕으로생성된측면패턴 Fig. 7 (a) Human data cloud measured from LIDAR (b) A front pattern generated from cloud data (c) A side pattern generated from cloud data 이다. GMM 과 K-Means 방법을적용한경우는사람 특성함수를이용한경우보다약 3 배이상의오차 를보였다. 그림 6. 실제물체와탐지된물체의거리오차 Fig. 6 Range error between the actual object and the detected object 다른클러스터링방법들간의사람검출성능을비교하기위하여단일대상상황에서실험을수행하였다. GMM과 K-Means는좋은성능을가지는클러스터링방법이지만저해상도의라이다는출력결과가일정하지않으며, 출력되는물체의좌표점이나타났다사라짐을반복하기때문에 GMM과 K-Means 방법들은올바른클러스터링이수행되지않았다. 또한, 이러한방법들은거리기반클러스터링보다긴연산시간이소모되었기때문에본논문에서는거리기반클러스터링을적용하였다. 그림 5는저해상도라이다의클러스터링방법에따른검출율을나타내고, 그림 6은저해상도라이더의클러스터링알고리즘을통해탐지된사람의위치와실제사람의위치간의거리오차를나타낸다. 실험결과, 그림 5와같이단일대상환경이므로모든클러스터링방법들이대략 99 % 이상의우수한감지율을보였다. 그림 6에서 Center는라이다데이터에서물체클러스터의첫번째점과마지막점을연결한직선의중심점이다. 실험결과에서사람이실제로서있는정확한위치를판단하는중심점은제안한알고리즘을이용한방법이가장적은오차를가진다. 제안한알고리즘으로계산한물체의중심점과실제물체의중심점과의오차는 0.015m 제안하는알고리즘의효용성을평가하기위해서다른분류알고리즘과비교실험하였다. 제안하는알고리즘과비교대상으로는패턴매칭알고리즘을선택하였다. 제안하는방법은획득할수있는물체의특징들이부족하기때문에다양한특징과다수의데이터를필요로하는 SVM과 AdaBoost 알고리즘은적합하지않다. 분류결과비교는단일대상과다중대상환경에서수행하였다. 피실험자의형상패턴은저해상도라이다를통해얻은데이터집합을바탕으로상위경계선과하위경계선을설정하였으며, 피실험자의정면과측면의패턴을사용하였다. 그림 7은피실험자를측정했을때의라이다출력결과와실험에서사용한패턴을나타낸다. 패턴매칭과정은구성한패턴을이용하여클러스터와의유사성을판단한다. 단일대상환경은주위의모든사물을제외하고, 사람이있는영역을 region of interest (ROI) 를대상으로설정한후실험하였다. 그림 5에서보는바와같이모든클러스터링결과는단일대상의경우약 99 % 의성능을보였다. 이는패턴매칭알고리즘이클러스터링검출결과에의존하므로패턴매칭알고리즘결과와동일하였다. 그림 8의상단그림은 LIDAR를통해서얻은데이터를나타낸다. 상단그림의노란선은하단그림의화각을표시한것이다. 그림 8은다중대상환경을나타낸것으로 1개의벽면, 3개의장애물, 3명의사람으로구성하였다. 이러한환경에서거리기반

대한임베디드공학회논문지제 11 권제 5 호 2016 년 10 월 273 그림 8. 다중대상실험환경 Fig. 8 Multi-targets experiment environment 클러스터링, GMM, K-Means에패턴매칭알고리즘을적용하고, 제안하는사람특성함수방법을적용한경우와비교실험하였다. 실험결과는그림 9 에서보여준다.

5m에위치한첫번째사람과 3m에위치한두번째사람은약 99 % 와약 98 % 의높은감지율을보였고, 가장떨어진 4.5m에위치한세번째사람은약 57 % 의확률로감지하였다. 그러므로실험에적용한 4가지방법중에제안하는방법이가장좋은성능결과를보였다. 사람특성함수를적용한경우에세번째사람의감지율이낮은이유는멀리위치한물체일수록저해상도라이다의출력데이터가충분하지않기때문이다.

7 대한임베디드공학회논문지제 11 권제 5 호 2016 년 10 월 273 그림 8. 다중대상실험환경 Fig. 8 Multi-targets experiment environment 클러스터링, GMM, K-Means에패턴매칭알고리즘을적용하고, 제안하는사람특성함수방법을적용한경우와비교실험하였다. 실험결과는그림 9 에서보여준다. GMM의방법을적용한경우가장낮은성능을보여주었으며, 거리기반클러스터링방법의경우에는첫번째와두번째사람은약 42 % 와약 52 % 의확률로감지하였고, 세번째사람은감지하지못했다. K-Means의경우라이다와가장가까이위치한첫번째사람은약 79 % 의확률로감지하였고, 두번째와세번째사람은매우낮은확률로감지하였다. 사람특성함수를적용한경우에는 1.5m에위치한첫번째사람과 3m에위치한두번째사람은약 99 % 와약 98 % 의높은감지율을보였고, 가장떨어진 4.5m에위치한세번째사람은약 57 % 의확률로감지하였다. 그러므로실험에적용한 4가지방법중에제안하는방법이가장좋은성능결과를보였다. 사람특성함수를적용한경우에세번째사람의감지율이낮은이유는멀리위치한물체일수록저해상도라이다의출력데이터가충분하지않기때문이다. 이실험은반경 3m 이내에있는사람을약 98% 이상으로검출하였으므로제안한알고리즘의유효성을증명하였다. 하지만, 반경 3m를초과하는경우검출율이감소하는것은저해상도라이다센서의한계이다. 이실험을통하여제안하는사람특성함수는이차다항식곡선으로사람의형상을근사화하여계산함으로써저해상도라이다를 그림 9. 패턴인식이적용된클러스터링방법들과제안한알고리즘의다중대상검출율결과 Fig. 9 Multi-targets detection rate of the proposed algorithm and other clustering methods using pattern recognition 이용한사람감지기술에충분히적용가능함을입증하였다. 고해상도라이다와의성능을비교하기위해관련연구 [15] 를참조하면, 검출율이약 80% 이상나타난다. 이때, 적용된라이더의감지범위는 80m 로본논문과비교하여훨씬넓은값을가진다. 아울러, 사람탐지를위해학습방법이적용되었다. 저해상도라이더에서는낮은해상도로인해기존의학습방법으로는어려움이있다. 하지만, 본논문에서제안한방법은고해상도라이다과유사한탐지성능을가짐을알수있다. 아울러, 제안한방법은학습방법에비해보다빠르게사람을검출할수있는장점도있다. 따라서이방법은저해상도라이더뿐아니라고해상도라이더에도충분히적용가능할것이다. Ⅴ. 결론및고찰본논문에서는실내외환경에민감하지않으며기계학습을이용하지않으므로빠르고간편하게사람을감지할수있는방법을제안하였다. 일반적으로사용하는고가의고해상도라이다를이용하여사람을감지하는경우에비해제안하는방법은저가의저해상도라이다를이용함에도사람의특징을정확히추출하였다. 다양한실험을통하여제안하는방법은기계학습없이도사람을정확히감지할수있음을확인하였다. 또한, 저해상도라이다로부터얻은사람의형상데이터를복잡한기계학습을사용하지않고, 이차

8 274 저해상도 2D 라이다의사람특성함수를이용한새로운사람감지기법 다항식곡선으로추정한사람특성함수를통해서 우수한사람감지를할수있음을실험적으로입증 하였다. 제안한방법은라이다의해상도와상관없이적 용될수있기때문에, 향후고해상도라이다에도 적용후성능을검증및비교할예정이다. 게다가, 2D 라이다기반의사람감지에서는, 사 람과유사한특징들을가진물체를구별하는데어 려움이있다. 향후, 사람과유사한특징을가진물 체와사람을정확히구분할수있는방법에관한 연구또한지속할예정이다. References

대한임베디드공학회논문지제 11 권제 5 호 2016 년 10 월 275 Seong Kyung Kwon ( 권성경 ) He received the B.S degree in electronic engineering from Kei- myung University, Korea, in 2015.

9 대한임베디드공학회논문지제 11 권제 5 호 2016 년 10 월 275 Seong Kyung Kwon ( 권성경 ) He received the B.S degree in electronic engineering from Kei- myung University, Korea, in Since 2015, he has joined in Daegu Gyeongbuk Institute of Science & Technology (DGIST), Korea, as a Master student. His research interests are autonomous vehicle, cyber physical systems, and sensor fusion. sk_kwon@dgist.ac.kr Eugin Hyun ( 현유진 ) He received the B.S., M.S., and Ph.D. degrees in electronic engineering from Yeungnam Univer- sity, Korea, 1999, 2011, and 2005, respectively. Since 2005, he joined the DGIST, Daegu, Korea, as a senior research engineer. From 2007 to 2013, he also joined in the Department of Electronic Engineering, the Under- graduate Colleges, Yeungnam University, Korea, as an adjunct professor. His primary research interests are FMCW/UWB radar signal processing (detection, tracking, and classification), the design and implementation of digital signal processor, the radar architecture design, and automotive and smart surveillance radar applications. braham@dgist.ac.kr Jin-Hee Lee ( 이진희 ) Jin-Hee Lee is a researcher in CPS Global Center of Daegu Gyeongbuk Institute of Science & Technology (DGIST), Korea. She received the B.S. degree in Computer Science from Korea National Open University, and M.S. and Ph.D. degree in Computer and Information Engineering from Inha University of Korea. Her research interests include cyber-physical systems, human computer interaction, and ubiquitous computing. jhlee07@dgist.ac.kr Jonghun Lee ( 이종훈 ) He received the B.S. degree in electronics engineering from Sung- KyunKwan Univ., Korea, in 1996 and obtained the M.S. and Ph.D. degrees in electrical and electronics and computerscience from SungKyunKwan Univ., Korea, in 1998 and 2002, respectively. From 2002 to 2005, he joined in Samsung Electronics Company as a Senior Research engineer. Since 2005, he has joined in Daegu Gyeongbuk Institute of Science & Technology (DGIST), Korea, as a Principle research engineer. His primary research interests are the detection, tracking, recognition for radar (FMCW & UWB radar), vision-based vehicle sensor and radar signal processing. jhlee@dgist.ac.kr

10 276 저해상도 2D 라이다의사람특성함수를이용한새로운사람감지기법 Sang Hyuk Son ( 손상혁 ) Sang Hyuk Son is the Dean of the Graduate School and the Director of CPS Global Center at DGIST. He has been a Professor of Computer Science Department at the University of Virginia, and WCU Chair Professor at Sogang University. He received the B.S. degree in electronics engineering from Seoul National University, M.S. degree from KAIST, and the Ph.D. in computer science from University of Maryland, College Park. His research interests include cyber physical systems, real-time and embedded systems, and wireless sensor networks. He is IEEE Fellow and Fellow of The Korean Academy of Science and Technology. son@dgist.ac.kr

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., KOSPI200.,. * 지능정보연구제 16 권제 1 호 2010 년 3 월

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., 2004 5 2009 12 KOSPI200.,. * 2009. 지능정보연구제 16 권제 1 호 2010 년 3 월 김선웅 안현철 社 1), 28 1, 2009, 4. 1. 지능정보연구제 16 권제 1 호 2010 년 3 월 Support