[논문 리뷰] A novel pLSA based Traffic Signs Classification System

Mrinal Haloi|arXiv (Cornell University)|2015. 03. 23.

Advanced Image and Video Retrieval Techniques참고 문헌 5인용 수 19

한 줄 요약

이 논문은 SIFT 기반의 시각적 단어 표현을 pLSA 기반으로 활용하고, HOG 특징을 사용한 형태 분류를 결합한 새로운 pLSA 기반의 교통 표지 분류 시스템을 제안한다. 이는 GTSRB 벤치마크에서 98.14%의 정확도를 기록하며, 딥러닝이나 SVM 기반 방법보다 낮은 계산 복잡도를 가진 상태의 최고 성능에 근접한 성능을 달성한다.

ABSTRACT

In this work we developed a novel and fast traffic sign recognition system, a very important part for advanced driver assistance system and for autonomous driving. Traffic signs play a very vital role in safe driving and avoiding accident. We have used image processing and topic discovery model pLSA to tackle this challenging multiclass classification problem. Our algorithm is consist of two parts, shape classification and sign classification for improved accuracy. For processing and representation of image we have used bag of features model with SIFT local descriptor. Where a visual vocabulary of size 300 words are formed using k-means codebook formation algorithm. We exploited the concept that every image is a collection of visual topics and images having same topics will belong to same category. Our algorithm is tested on German traffic sign recognition benchmark (GTSRB) and gives very promising result near to existing state of the art techniques.

연구 동기 및 목표

• 고급 운전자 보조 시스템(ADAS)과 자율 주행에 활용 가능한 계산 효율성과 높은 정확도를 갖춘 교통 표지 분류 시스템을 개발하기 위해.
• 실생활 조건인 부분 가림, 조도 변화, 시점 변화 등에서 발생하는 형태와 색상의 미세한 차이로 인해 시각적으로 유사한 교통 표지를 분류하는 데 도전하는 데 목적이 있다.
• pLSA를 통한 비지도 주제 모델링을 활용하여 분류 정확도를 향상시키고, CNN이나 SVM과 같은 복잡한 지도 학습 모델에 대한 의존도를 줄이기 위해.
• 두 단계 분류 파이프라인을 도입하기 위해: 첫 번째 단계에서는 HOG와 템플릿 매칭을 사용해 표지의 형태를 분류하고, 두 번째 단계에서는 SIFT 기반의 시각적 단어를 사용해 pLSA를 적용해 최종 카테고리 예측을 수행한다.

제안 방법

• 입력 이미지를 90×97 픽셀로 크기 조정하고, 시점 변화를 완화하기 위해 애핀 변환을 적용하여 전처리한다.
• HOG 특징과 템플릿 매칭을 사용해 교통 표지를 여섯 가지 형태 카테고리로 분류한다: 삼각형, 정사각형, 원형, 단일 원형, 직사각형, 육각형.
• 학습 이미지의 SIFT 기술자에서 k-means 군집화를 사용해 300개의 단어로 구성된 시각적 어휘를 구축한다.
• LLC(Locality-Constrained Linear Coding)를 적용해 테스트 이미지를 pLSA 입력용 시각적 단어 히스토GRAM으로 인코딩한다.
• 실험적으로 도출된 최적의 수인 35개의 주제를 가진 pLSA 모델을 학습하여 이미지 내 잠재 주제를 발견하고 주제 확률을 계산한다.
• pLSA로 인코딩된 특징에 대해 KNN 분류를 적용해 최대 사후 확률 기반으로 최종 클래스 레이블을 할당한다.

실험 결과

연구 질문

• RQ1 pLSA와 같은 비지도 주제 모델링 접근 방식이 딥러닝이나 SVM 기반 방법에 비해 계산 복잡도를 낮추면서도 상태의 최고 성능에 근접한 성능을 달성할 수 있는가?
• RQ2 먼저 HOG 특징을 사용해 형태를 분류하고, 이후 SIFT 특징에 pLSA를 적용하는 두 단계 분류 시스템이 미세한 교통 표지 인식에서 정확도 향상에 얼마나 효과적인가?
• RQ3 pLSA에서 정확도와 계산 효율성의 균형을 고려할 때 최적의 주제 수는 얼마인가?
• RQ4 실생활 교통 표지 이미지에서 시점 변화, 부분 가림, 조도 변화에 대해 제안된 방법이 얼마나 강건한가?

주요 결과

• 제안된 pLSA 기반 시스템은 GTSRB 데이터셋에서 전체 정확도 98.14%를 달성했으며, HOG 기반 LDA나 랜덤 포레스트와 같은 전통적 방법보다 뛰어난 성능을 보였다.
• ‘Unique’ 카테고리에서는 100%의 정확도를 기록했고, ‘Mandatory’ 표지에서는 96.86% 이상의 정확도를 확보하여 도전적인 하위 카테고리에서도 뛰어난 성능을 보였다.
• pLSA 모델에서 35개의 주제가 최적의 성능을 내며, 정확도가 29에서 44개 주제 사이에서 최고에 도달했다.
• ‘Speed Limits’ 카테고리에서는 98.82%의 정확도를 기록해 하위 카테고리 전반에 걸쳐 뛰어난 일반화 능력을 보였다.
• 애핀 변환 전처리를 통해 시점 변화에 대한 강건성을 확보했으며, 기울임, 이동 등의 다양한 이미지 변형에 대해 테스트를 수행했다.
• pLSA 기반 접근 방식은 딥러닝 모델인 커mitee of CNNs(99.46%)와 비슷한 수준의 상태의 최고 성능를 달성했지만, 더 낮은 계산 복잡도를 가지며 FPGA와 같은 저전력 하드웨어에 적합한 것으로 나타났다.