[논문 리뷰] A Comparison between Background Modelling Methods for Vehicle Segmentation in Highway Traffic Videos

Leandro Arab Marcomini, André Luiz Cunha|arXiv (Cornell University)|2018. 10. 05.

Video Surveillance and Tracking Methods참고 문헌 19인용 수 15

한 줄 요약

이 논문은 고속도로 교통 영상에서 차량 분할을 위해 OpenCV에 구현된 배경 모델링 알고리즘 세 종류—정규분포 혼합 모델(GMM), 배경/전경 분할(KNN), MOG2—을 평가한다. 총 2시간 분량의 7개 영상에서 35张의 지상 진술 이미지를 사용하여 정확도, 정밀도, 처리 시간을 기준으로 성능을 비교하였으며, 모든 방법이 90% 이상의 정밀도와 약 80%의 정확도를 달성했고, MOG2는 60 FPS로 가장 낮은 계산 부하를 보였다.

ABSTRACT

The objective of this paper is to compare the performance of three background-modeling algorithms in segmenting and detecting vehicles in highway traffic videos. All algorithms are available in OpenCV and were all coded in Python. We analyzed seven videos, totaling 2 hours of recording. To compare the algorithms, we created 35 ground-truth images, five from each video, and we used three different metrics: accuracy rate, precision rate, and processing time. By using accuracy and precision, we aim to identify how well the algorithms perform in detection and segmentation, while using the processing time to evaluate the impact on the computational system. Results indicate that all three algorithms had more than 90% of precision rate, while obtaining an average of 80% on accuracy. The algorithm with the lowest impact on processing time allowed the computation of 60 frames per second.

연구 동기 및 목표

• 고속도로 교통 영상에서 차량을 분할하는 데 있어 배경 모델링 알고리즘 세 종류의 성능을 평가하고 비교하는 것.
• 실시간 교통 모니터링에서 탐지 정확도, 정밀도, 계산 효율성 간의 상호 상충 관계를 평가하는 것.
• 다양한 고속도로 영상 시퀀스에서 지상 진술 주석을 사용한 경험적 기준을 제공하는 것.
• 실시간 구현에 가장 적합한 정확도, 정밀도, 처리 속도의 균형을 제공하는 알고리즘을 규명하는 것.

제안 방법

• Python을 사용하여 OpenCV에 구현된 세 가지 배경 모델링 알고리즘—정규분포 혼합 모델(GMM), KNN 기반 배경 제거, MOG2—을 구현하였다.
• 총 2시간 분량의 7개 고속도로 교통 영상 분석을 수행하였으며, 평가를 위해 수작업으로 35장의 지상 진술 이미지를 생성하였다(영상당 5장).
• 성능는 정확도 비율, 정밀도 비율, 프레임당 처리 시간의 세 가지 지표를 사용하여 정량화하였다.
• 지상 진술 이미지를 사용하여 알고리즘 출력 결과와 대비해 픽셀 단위의 분할 정확도 및 정밀도를 계산하였다.
• 실시간 가능성 평가를 위해 처리 시간을 측정하였으며, 각 알고리즘의 프레임 레이트를 기록하였다.
• 모든 알고리즘이 동일한 조건에서 테스트되어 동일한 영상 시퀀스와 지상 진술 데이터를 기반으로 공정한 비교가 가능하도록 하였다.

실험 결과

연구 질문

• RQ1 어느 배경 모델링 알고리즘이 고속도로 교통 영상에서 차량을 분할하는 데 가장 높은 정확도를 달성하는가?
• RQ2 다양한 교통 조건에서 세 알고리즘의 차량 탐지 정밀도는 어떻게 비교되는가?
• RQ3 각 알고리즘의 계산 효율성은 처리 시간과 프레임 레이트로 측정했을 때 어떻게 되는가?
• RQ4 실시간 배포를 위해 처리 오버헤드를 최소화하면서도 높은 정확도와 정밀도를 유지하는 알고리즘이 존재하는가?
• RQ5 다양한 고속도로 영상 시퀀스 간 성능 지표는 일관성 있는가?

주요 결과

• 모든 세 알고리즘이 90% 이상의 정밀도 비율을 확보하여 차량 탐지의 높은 신뢰성을 보였다.
• 모든 알고리즘의 평균 정확도 비율은 약 80%였으며, 이는 중간 수준의 분할 성능를 의미한다.
• MOG2 알고리즘이 가장 낮은 계산 부하를 보였고, 실시간 처리가 가능한 60 프레임/초의 성능을 달성하였다.
• 높은 정밀도에도 불구하고 정확도는 85% 이하로 머물러 있어 경계 정확도 향상 여지가 있음을 시사한다.
• KNN 기반 방법은 MOG2보다 略적으로 더 높은 처리 시간을 보였지만, 여전히 실시간 기준 내에서 허용 가능한 수준이었다.
• 다양한 영상 시퀀스 간에 성능 저하가 눈에 띄게 관찰되지 않아, 다양한 교통 및 조도 조건에 대해 강건함을 입증하였다.