º¸¾È´º½º â°£ 17ÁÖ³âÀ» ÃàÇÏÇÕ´Ï´Ù!!

Home > Àüü±â»ç

Áö´ÉÇü CCTV ±¸Çö ±âº»±â¼ú : ¿µ»ó±â¹Ý °´Ã¼°ËÃâ

ÀÔ·Â : 2015-05-17 14:18
ÆäÀ̽ººÏ º¸³»±â Æ®À§ÅÍ º¸³»±â ³×À̹ö ¹êµå º¸³»±â Ä«Ä«¿À ½ºÅ丮 º¸³»±â ³×À̹ö ºí·Î±× º¸³»±â

GPU¿Í CPU¸¦ È°¿ëÇÑ °´Ã¼ °ËÃâ ¾Ë°í¸®Áò ¼º´É ºñ±³


[º¸¾È´º½º= ¹ÚÀå½Ä °æ¼º´ëÇб³ ÀüÀÚ°øÇаú ±³¼ö] ¿µ»ó±â¹Ý °´Ã¼ °ËÃâÀº Áö´ÉÇü CCTV ½Ã½ºÅÛÀ» ±¸ÇöÇϴµ¥ ÀÖ¾î ±âº»ÀûÀÎ ±â¼úÀÌ´Ù. °´Ã¼ °ËÃâÀ» À§ÇØ ´Ù¾çÇÑ Æ¯Â¡Á¡°ú ¾Ë°í¸®ÁòÀÌ °³¹ßµÆÀ¸³ª, ¼º´É¿¡ ºñÇØ °è»ê·®ÀÌ ¸¹´Ù. ¿©±â¼­´Â GPU¿Í CPU¸¦ È°¿ëÇØ °´Ã¼ °ËÃâ ¾Ë°í¸®ÁòÀÇ ¼º´É ºñ±³¸¦ ´Ù·é´Ù. ÀϹÝÀûÀ¸·Î º¸ÇàÀÚ °ËÃâ¿¡ ³Î¸® »ç¿ëµÇ°í ÀÖ´Â Adaboost ¾Ë°í¸®Áò°ú SVM ¾Ë°í¸®ÁòÀ» °¢°¢ CPU¿Í GPU¿¡ ¸Âµµ·Ï ±¸ÇöÇÏ°í µ¿ÀÏ ¿µ»ó¿¡ ´ëÇØ °ËÃâ ó¸® ¼Óµµ¸¦ ºñ±³Çß´Ù.

ÇöÀç CCTV´Â ¹æ¹ü, ¹æÀç, ½Ã¼³¹° °ü¸®, ±³Åëü°è °ü¸® µî¿¡ ³Î¸® Àû¿ëµÇ°í ÀÖ´Ù. ¹æ¹ü¡¤¹æÀ縦 À§ÇÑ CCTV °üÁ¦¼¾ÅÍÀÇ °æ¿ì ¼ö¹é ´ëÀÇ Ä«¸Þ¶ó·ÎºÎÅÍ ¿µ»óÀ» Àü¼Û¹Þ±â ¶§¹®¿¡ Æò±Õ 20¸íµµ ¾ÈµÇ´Â °üÁ¦ÀοøÀÌ ¸ðµç Ä«¸Þ¶ó¸¦ °üÁ¦Çϱ⿡´Â ¹«¸®°¡ µû¸¥´Ù. µû¶ó¼­ ÃÖ±Ù¿¡´Â ¿µ»óó¸®, ¿µ»óÀÎ½Ä ±â¼úÀ» È°¿ëÇØ ¹üÁ˳ª Àç³­ »óȲÀ» ÀνÄÇÏ´Â ¿µ»ó±â¹Ý Áö´ÉÇü CCTV ±â¼úÀÌ °³¹ßµÇ°í ÀÖ´Ù[1-4].


¿µ»ó±â¹Ý Áö´ÉÇü CCTV °üÁ¦ ½Ã½ºÅÛÀ» ±¸ÇöÇϱâ À§Çؼ­´Â °´Ã¼ °ËÃâ, ÃßÀû, »óȲÀÎ½Ä ±â¼úÀÌ ÇÊ¿äÇÏ´Ù. °´Ã¼ °ËÃâÀº ¿µ»ó±â¹Ý »óȲ ÀνÄÀ» À§ÇØ ÇÊ¿äÇÑ ±âº» ±â¼úÀÌ´Ù. °´Ã¼ °ËÃâÀ» À§Çؼ­´Â ¹è°æÃßÁ¤ ±â¹ýÀ» ÀÌ¿ëÇÏ´Â ¹æ¹ý°ú Ư¡Á¡(feature)À» È°¿ëÇØ ÇнÀ ¾Ë°í¸®ÁòÀ» ÀÌ¿ëÇÏ´Â ¹æ¹ýÀÌ ÀÖ´Ù.

¹è°æÃßÁ¤ ¾Ë°í¸®ÁòÀº ÇнÀ ¾Ë°í¸®ÁòÀ» ÀÌ¿ëÇÏ´Â ¹æ¹ý[5-6]À¸·Î °è»ê·®Àº ÀûÁö¸¸ »ç¶÷ÀÌ ¿òÁ÷ÀÌÁö ¾Ê´Â °æ¿ì, °´Ã¼ °ËÃâ ¼º´ÉÀÌ ÀúÇϵȴÙ. °´Ã¼ÀÇ Æ¯Â¡Á¡À» È°¿ëÇÑ ÇнÀ ¾Ë°í¸®ÁòÀ¸·Î °´Ã¼¸¦ °ËÃâÇϱâ À§Çؼ­´Â °´Ã¼ÀÇ Æ¯Â¡À» Àß Ç¥ÇöÇÑ Æ¯Â¡Á¡À» ÃßÃâÇÏ°í, Ư¡Á¡À» ÀÌ¿ëÇØ °ËÃâÇÏ°íÀÚ ÇÏ´Â ´ë»ó¿¡ ÀûÇÕÇÑ ÇнÀ ¾Ë°í¸®Áò(learning algorithm)ÀÌ ÇÊ¿äÇÏ´Ù. °´Ã¼ °ËÃâÀ» À§ÇØ ´Ù¾çÇÑ Æ¯Â¡Á¡°ú ÇнÀ ¾Ë°í¸®ÁòÀÌ °³¹ßµÆ´Ù. CCTV °üÁ¦¿¡ ÀÖ¾î °ËÃâÇØ¾ß ÇÏ´Â ´ë»óÀº º¸ÇàÀÚ¿Í Â÷·®ÀÌ´Ù. º¸ÇàÀÚ °ËÃâ¿¡´Â À¯»ç Haar, HOG(Histogram of Oriented Gradient)¿Í LBP(Local Bit Pattern) Ư¡Á¡[7]ÀÌ ÁÖ·Î È°¿ëµÇ°í, ÇнÀ ¾Ë°í¸®ÁòÀ¸·Î´Â Adaboost[8]¿Í SVM(Support Vector Machine)[9] ¾Ë°í¸®ÁòÀÌ Àû¿ëµÈ´Ù. ÇнÀ ¾Ë°í¸®ÁòÀº ÀâÀ½ÀÌ Àְųª °´Ã¼°¡ °ãÄ¡´Â »óȲ¿¡¼­µµ ¿ì¼öÇÑ ¼º´ÉÀ» ³ªÅ¸³»Áö¸¸ °è»ê·®ÀÌ ´Ù¼Ò ¸¹´Ù.


¿©±â¿¡¼­´Â GPU¸¦ È°¿ëÇØ Áö´ÉÇü CCTV °üÁ¦ ½Ã½ºÅÛ¿¡¼­ÀÇ º¸ÇàÀÚ °ËÃâ ¼Óµµ¸¦ °³¼±ÇÏ´Â ¹æ¹ýÀ» ¼Ò°³ÇÏ°íÀÚ ÇÑ´Ù. º¸ÇàÀÚ °ËÃâ¿¡ ³Î¸® Àû¿ëµÇ°í ÀÖ´Â Adaboost¿Í SVM ¾Ë°í¸®ÁòÀ» CPU¿Í GPU »ó¿¡¼­ ±¸ÇöÇØ °ËÃâ ó¸® ¼Óµµ¸¦ ºñ±³ÇÑ´Ù. ¿£ºñµð¾Æ»ç(NVIDIA)ÀÇ CUDA¸¦ È°¿ëÇØ °¢ ¾Ë°í¸®ÁòÀ»  GPU »ó¿¡¼­ ±¸Çö, µÎ ¾Ë°í¸®ÁòÀÇ Ã³¸® ¼Óµµ¸¦ CPU¿Í ºñ±³Çß´Ù.


¿µ»ó±â¹Ý °´Ã¼ °ËÃâ

¿µ»ó±â¹Ý °´Ã¼ °ËÃâÀ» À§ÇØ ´Ù¾çÇÑ Æ¯Â¡Á¡°ú ÇнÀ ¾Ë°í¸®ÁòÀÌ Á¦¾ÈµÇ°í ÀÖ´Ù. ÃÖ±Ù±îÁö ÁÖ·Î ¿¬±¸µÇ°í Àִ Ư¡Á¡µéÀº À¯»ç Haar Ư¡Á¡, HOG Ư¡Á¡, LBP Ư¡Á¡ µîÀÌ ÀÖ´Ù. ¾ð±ÞÇÑ Æ¯Â¡Á¡°ú Á¶ÇÕÇØ ÃÖ±Ù±îÁö Àû¿ëµÇ°í ÀÖ´Â ÇнÀ ¾Ë°í¸®ÁòÀº Adaboost ¾Ë°í¸®Áò, SVM ¾Ë°í¸®ÁòÀÌ ÁÖ·Î »ç¿ëµÇ°í ÀÖ´Ù.


¿µ»ó±â¹Ý °´Ã¼ °ËÃâ Ư¡Á¡

¿µ»ó±â¹Ý °´Ã¼ °ËÃâÀ» À§ÇÑ Æ¯Â¡Á¡ ¼±ÅÃÀº °´Ã¼ °ËÃâ ¼º´É¿¡ ¸¹Àº ¿µÇâÀ» ÁØ´Ù. ±×¸² 1Àº ±âº»Çü À¯»ç Haar Ư¡Á¡À» ³ªÅ¸³½ °ÍÀÌ´Ù. (a), (b), (c)´Â °¢°¢ °æ°è¼± Ư¡Á¡, ¼± Ư¡Á¡, Áß½É Æ¯Â¡Á¡ÀÌ´Ù. ±×¸² 2´Â À¯»ç Haar Ư¡Á¡À» È°¿ëÇØ °´Ã¼¸¦ °ËÃâÇÏ´Â ¿ø¸®¸¦ ³ªÅ¸³½ °ÍÀ¸·Î º¸ÇàÀÚÀÇ °¢ ¿òÁ÷ÀÓ¿¡ ´ëÇØ À¯»çµµ°¡ ³ôÀº Ư¡Á¡À» ³ªÅ¸³½ °ÍÀÌ´Ù.

 

 ¡ã±×¸² 1. È®ÀåµÈ À¯»çHaar Ư¡Á¡

  ¡ã±×¸² 2. º¸ÇàÀÚ¸¦ Æ÷ÇÔÇÏ´Â ¿µ¿ª¿¡¼­ ³ôÀº ÀÀ´äÀ» Á¦°øÇÏ´Â À¯»çHaar Ư¡Á¡


±×¸² 3Àº HOG Ư¡Á¡À» ¾ò´Â °úÁ¤À» ³ªÅ¸³½ °ÍÀÌ´Ù. (a)´Â ¾ß°£¿¡ ÃÔ¿µµÈ º¸ÇàÀÚ ¿µ»óÀ̸ç, (b)´Â ±â¿ï±â¸¦ °ËÃâÇÑ °á°úÀÌ°í, (c)´Â ±â¿ï±â ¹æÇâÀ» Ç¥½ÃÇÑ °ÍÀÌ´Ù. (d)´Â º¸ÇàÀÚ ¿µ»óÀ» ÀÏÁ¤ÇÑ °£°ÝÀ¸·Î ¿µ¿ªÀ» ¼³Á¤ÇÑ °ÍÀ̸ç, (e)´Â °¢ ¿µ¿ª¿¡ ´ëÇÑ ±â¿ï±â ¹æÇâÀÇ È÷½ºÅä±×·¥À» ³ªÅ¸³½ °ÍÀÌ´Ù. º¸ÇàÀÚ¿¡ ´ëÇÑ ±â¿ï±â ¹æÇâ È÷½ºÅä±×·¥Àº HOG Ư¡À» ºñ±³ÇØ º¸ÇàÀÚ¸¦ °ËÃâÇϴµ¥ È°¿ëÇÑ´Ù. ÀϹÝÀûÀ¸·Î º¸ÇàÀÚ °ËÃâ¿¡ È¿°úÀûÀΠƯ¡Á¡À¸·Î ¾Ë·ÁÁ® ÀÖ´Ù.


 ¡ã±×¸² 3. HOG¸¦ ÀÌ¿ëÇÑ ¿µ»ó Ư¡ ¹¦»ç

 ¡ã±×¸² 4. ±âº»ÀûÀÎ LBP ¿¬»ê

 

±×¸² 4´Â LBP Ư¡Á¡À» ±¸ÇÏ´Â °úÁ¤À» ³ªÅ¸³½ °ÍÀÌ´Ù. ƯÁ¤ ¿µ¿ª¿¡¼­ Áß½É È­¼Ò¸¦ ±âÁØÀ¸·Î ¹à±â°ªÀÌ Å« È­¼Ò´Â 1·Î, ÀÛÀº È­¼Ò´Â 0À¸·Î ¼³Á¤ÇØ ¹Ý½Ã°è ¹æÇâÀ¸·Î »ý¼ºµÈ ºñÆ® ÆÐÅÏÀ» Ư¡Á¡À¸·Î È°¿ëÇÑ´Ù.


ÇнÀ ¾Ë°í¸®Áò

°´Ã¼ÀÇ Çü»ó º¯È­°¡ Àְųª °ãħÀ̳ª ÀâÀ½ÀÌ ÀÖ´Â »óȲ¿¡¼­´Â ÇнÀ ¾Ë°í¸®ÁòÀ» ÀÌ¿ëÇÑ °´Ã¼¸¦ °ËÃâ ¹æ¹ýÀÌ Á¦¾ÈµÇ°í ÀÖ´Ù. Ç¥ 1Àº º¸ÇàÀÚ¿Í ¾ó±¼ °ËÃâ¿¡ È°¿ëµÇ°í ÀÖ´Â Adaboost ¾Ë°í¸®ÁòÀÌ´Ù. 3´Ü°è¿¡¼­ ±¸ÇÑ ¾àºÐ·ù±âµéÀ» Á¶ÇÕÇØ 4´Ü°è¿¡¼­´Â °­ºÐ·ù±â¸¦ Çü¼ºÇØ Æ¯Á¤ ¿µ¿ª¿¡ ´ëÇÑ À¯»ç Haar Ư¡Á¡À̳ª HOG Ư¡Á¡À» ºñ±³ÇØ º¸ÇàÀÚ¸¦ °ËÃâÇÑ´Ù.

 ¡ãÇ¥ 1. Adaboost ÈÆ·Ã

 ¡ãÇ¥ 2. SVM ÈÆ·Ã


GPU ÀÓº£µðµå ½Ã½ºÅÛ, GPU Åױ׶ó K1

±×·¡ÇÈ ¶Ç´Â ¿µ»ó󸮸¦ À§ÇÑ CPUÀÇ ºÎÇϸ¦ ÁÙÀ̱â À§ÇØ ±×·¡ÇÈ ÇÁ·Î¼¼¼­ÀÎ GPU »ç¿ëµÇ°í ÀÖ´Ù. ÃÖ±Ù ¸ÖƼÄÚ¾î CPUÀÇ º¸±Þ°ú GPUÀÇ ¼º´É Çâ»ó¿¡ µû¶ó °³Àοë ÄÄÇ»ÅÍ¿¡¼­ º´·Ä󸮰¡ °¡´ÉÇÏ°Ô µÆ´Ù. GPU´Â ¿£ºñµð¾Æ»ç¿Í AMD µîÀÌ È°¹ßÇÏ°Ô ¿¬±¸°³¹ßÀ» ÁøÇàÇÏ°í ÀÖ´Ù.


 ¡ã±×¸² 5. CPU¿Í GPU¿¡¼­ Adaboost
    ¾Ë°í¸®ÁòÀ» ÀÌ¿ëÇÑ °ËÃâ°á°ú

 ¡ã±×¸² 6. CPU¿Í GPU¿¡¼­ SVM ¾Ë°í¸®ÁòÀ»
   ÀÌ¿ëÇÑ °ËÃâ°á°ú


¿£ºñµð¾Æ »çÀÇ Åױ׶ó K1(Tegra K1) SoC¸¦ »ç¿ëÇÑ ¸ð¹ÙÀÏ ÀÓº£µðµå ½Ã½ºÅÛÀ» È°¿ëÇØ ¿µ»ó±â¹Ý °´Ã¼ °ËÃ⠽ýºÅÛÀ» ±¸ÇöÇÑ´Ù. Åױ׶ó K1Àº 192°³ÀÇ GPU Äھ °¡Áö°í ÀÖ¾î ±×·¡ÇÈ Ã³¸® ±â´ÉÀÌ ¿ì¼öÇÏ°í Àü·Â È¿À²ÀÌ ³ô´Ù. Åױ׶ó K1Àº ¿£ºñµð¾ÆÀÇ Kepler ¾ÆÅ°ÅØó(architecture)·Î ±¸ÇöµÆÀ¸¸ç, DirectX11°ú OpenGL 4.4¸¦ Áö¿øÇØ PC ¼öÁØÀÇ °ÔÀÓ¿¡ ±×·¡ÇÈ Ã³¸®¸¦ Áö¿øÇÑ´Ù. ·¹³ëº¸ ThinkVision, »þ¿À¹Ì MI Æеå, ¿¡À̽º Å©·ÒºÏ, HP Å©·ÒºÏ¿¡ Àû¿ëµÇ°í ÀÖ´Ù[10].


Åױ׶ó K1Àº CPU, GPU, ISP(Image Signal Processor)°¡ ÇÔ²² ³»ÀåµÇ¾î ÀÖ´Ù. CPU´Â ¿£ºñµð¾ÆÀÇ 2.32GHz ARM 4ÄÚ¾î Cortex-A15À̸ç, GPU´Â Kepler GK20a·Î½á 192°³ÀÇ SM3.2 CUDA Äھ Æ÷ÇÔÇÑ´Ù. Åױ׶ó K1¿¡ Àû¿ëµÈ Kepler GPUÀÇ ¾ÆÅ°ÅØó´Â °í±Þ ½Ã½ºÅÛ¿¡ »ç¿ëµÇ´Â Kepler GPU ¾ÆÅ°ÅØó¿Í °ÅÀÇ µ¿ÀÏÇÏÁö¸¸, ¸ð¹ÙÀÏÀÇ Æ¯¼º»ó Àü·Â È¿À²À» À¯ÁöÇÏ°í, ¸ð¹ÙÀÏ ½Ã½ºÅÛ¿¡ ¸Â´Â ÃÖÀûÈ­°¡ Àû¿ëµÆ´Ù. ÀϹÝÀûÀ¸·Î µ¥½ºÅ©Å¾, ¿öÅ©½ºÅ×À̼Ç, ½´ÆÛ ÄÄÇ»ÅÍ¿¡ Àû¿ëµÇ´Â Kepler GPU´Â ÃÖ´ë 2,880 °³ÀÇ ´ÜÁ¤µµ ºÎµ¿ ¼Ò¼öÁ¡ CUDA Äھ Æ÷ÇÔÇÏ°í ¼ö¹é ¿ÍÆ®ÀÇ Àü·ÂÀ» ¼ÒºñÇÑ´Ù. Åױ׶ó K1 ÀÇ Kepler GPU´Â 192 °³ÀÇ CUDA ÄÚ¾î·Î ±¸¼ºµÅ 2W ¹Ì¸¸À» ¼ÒºñÇÑ´Ù.


Kepler ¾ÆÅ°ÅØó´Â GPC(Graphics Processing Cluster), SMX(Streaming Multiprocessor) ¹× ¸Þ¸ð¸® ÄÁÆ®·Ñ·¯·Î ±¸¼ºµÈ´Ù. Kepler ±â¹Ý µ¥½ºÅ¾¿ë GeForce GTX 680 GPU´Â GPC 4°³, SMX 8°³, ¸Þ¸ð¸® ÄÁÆ®·Ñ·¯ 4°³·Î ±¸¼ºµÈ´Ù. Åױ׶ó K1ÀÇ Kepler GPU´Â GPC 1°³, SMX 1°³, ¸Þ¸ð¸® ÀÎÅÍÆäÀ̽º·Î ÀÌ·ç¾îÁ®ÀÖ´Ù. Åױ׶ó K1 GPU¿¡´Â 4°³ÀÇ ROP°¡ Æ÷ÇԵǾî ÀÖÀ¸¸ç, ROP¿Í ¸Þ¸ð¸® ÀÎÅÍÆäÀ̽º »çÀÌ¿¡ 128 KB L2 ij½Ã°¡ ÀÖ´Ù.


Åױ׶ó K1ÀÇ Kepler GPU´Â OpenGL 4.4 »ç¾ç°ú NVIDIA CUDA 6, Çϵå¿þ¾î Ư¡ ·¹º§ 11·Î DirectX 11.2 API¸¦ Áö¿øÇÔÀ¸·Î½á ¸ð¹ÙÀÏ ±×·¡ÇÈ Ã³¸® ±â´ÉÀ» Á¦°øÇÑ´Ù.


Ä«¸Þ¶ó ÀÔ·Â ¿µ»ó¿¡ ´ëÇÑ Ã³¸®¿¡ ÀÖ¾î Åױ׶ó K1¿¡´Â ÃÖ´ë 100¸Þ°¡Çȼ¿ ¼¾¼­¸¦ Áö¿øÇÏ´Â µà¾ó ISP(dual Image Signal Processor) Äھ Æ÷ÇÔÇÏ°í ÀÖ´Ù. Äھ´Â 4096°³ÀÇ µ¿½Ã ÃÊÁ¡À» ó¸®ÇÏ°í ÃÊ´ç 1.2 GÀÇ È­¼Ò¸¦ ó¸®ÇÒ ¼ö ÀÖ´Ù. °¢ ISP ÄÚ¾î´Â °ø°£ º¯¼ö ³ëÀÌÁî °¨¼Ò, ´ÙÁß ºÒ·® È­¼Ò ¼öÁ¤, ´Ù¿î ½ºÄÉÀϸµ, »ö°ø°£ º¯È¯±â, ¿µ¿ª ÇÁ·Î¼¼¼­ µîÀÇ ±â´ÉÀ» ÅëÇØ È­ÁúÀ» º¸Á¤ÇÏ°í ÀâÀ½ÀÌ ÀûÀº ¿µ»óÀ» Á¦°øÇÔÀ¸·Î½á ¿µ»óÀ» ±â¹ÝÀ¸·Î ÇÏ´Â ¿µ»óó¸® ¹× ÄÄÇ»ÅÍ ºñÀü ¾Ë°í¸®ÁòÀÇ ¼º´ÉÀ» Çâ»ó½Ãų ¼ö ÀÖ´Ù. ISP´Â ÃÖ´ë 4,096 °³ÀÇ ÃÊÁ¡À» »ç¿ëÇØ ÀÚµ¿ Æ÷Ä¿½º, Æ÷Ä¿½º ŸÀÓ, ÀúÁ¶¸í Æ÷Ä¿½º µîÀÇ Æ÷Ä¿½º ±â´ÉÀ» Á¦°øÇÑ´Ù.


CUDA ¾ÆÅ°ÅØó

GPU¸¦ ´Ü¼øÈ÷ È­¸é 󸮻Ӹ¸ ¾Æ´Ï¶ó º´·Äó¸® °è»ê¿¡ È°¿ëÇÏ´Â ¹æ¹ýÀ¸·Î GPGPU(General Purpose Computing on GPU)°¡ ÀÖ´Ù. GPGPU´Â GPU¸¦ °³¹ßÇÏ´Â NVIDIA »çÀÇ CUDA(Computer Unified Device Architecture)°¡ ÀÖÀ¸¸ç, AMD»çÀÇ ATI Stream µîÀÌ ÀÖ´Ù. ¶ÇÇÑ CPU, GPU, DSP ÀÌÁ¾ÀÇ ÇÁ·Î¼¼¼­·Î ±¸¼ºµÈ Çϵå¿þ¾î Ç÷§ÆûÀ» È¿À²ÀûÀ¸·Î ÀÌ¿ëÇÏ°í Ç÷§Æû¿¡ ÀÇÁ¸ÇÏÁö ¾Ê´Â ÀÀ¿ë ÇÁ·Î±×·¥À» °³¹ßÇϱâ À§ÇÑ Ç÷§ÆûÀ¸·Î ¾ÖÇûç(Apple)¿¡ ÀÇÇÏ¿© Á¦°øµÇ´Â °³¹æ Ç¥ÁØ ±Ô°ÝÀÎ OpenCL(Open Computer Language)ÀÌ ÀÖ´Ù.


¿©±â¿¡¼­´Â ¿µ»ó±â¹Ý °´Ã¼ °ËÃâÀ» À§ÇØ NVIDIAÀÇ Åױ׶ó K1 SoC¸¦ »ç¿ëÇϱ⠶§¹®¿¡ NVIDIAÀÇ Àü¿ë Ç÷§ÆûÀÎ CUDA¸¦ È°¿ëÇÑ´Ù. CUDA´Â GPU¿¡¼­ ¼öÇàÇÏ´Â ¾Ë°í¸®ÁòÀ» C ¾ð¾î µîÀÇ »ê¾÷Ç¥ÁØ ¾ð¾î·Î ÀÛ¼ºÇÏ°í °³¹ßÇÒ ¼ö ÀÖµµ·Ï ÇÏ´Â GPGPU ±â¼úÀÌ´Ù. CUDA´Â CUDA GPU³»ºÎÀÇ ¸í·É¾î ¼¼Æ®¿Í ´ë¿ë·® º´·Éó¸® ¸Þ¸ð¸® Á¢±Ù(Memory Access)À» Áö¿øÇÑ´Ù.


½ÇÇè °á°ú ¹× °ËÅä

±×·¡ÇÈ º´·Äó¸® SoC Å×Å©¶ó K1À» žÀçÇÑ ÀÓº£µðµå ½Ã½ºÅÛ¸¦ È°¿ëÇØ Adaboost ¾Ë°í¸®Áò°ú SVM ¾Ë°í¸®Áò¿¡ ´ëÇØ º¸ÇàÀÚ °ËÃâ ó¸® ¼Óµµ¸¦ ºñ±³ ºÐ¼®Çß´Ù. GPGPU·Î CUDA 6.0À» »ç¿ëÇØ °´Ã¼ °ËÃâ ¾Ë°í¸®ÁòÀ» ÄÄÆÄÀÏÇß´Ù. ½ÇÇè¿¡ »ç¿ëÇÑ µ¿¿µ»óÀÇ Çػ󵵴 720¡¿480ÀÌ´Ù.


±×¸² 5¿Í 6Àº °¢°¢ À¯»ç Haar Ư¡Á¡À» ÀÌ¿ëÇÑ Adaboost ¾Ë°í¸®Áò°ú HoG Ư¡Á¡À» ÀÌ¿ëÇÑ SVM ¾Ë°í¸®Áò¿¡ ´ëÇØ CPU¿Í GPU¿¡¼­ °ËÃâÇÑ °á°ú´Ù. °¢ ¾Ë°í¸®ÁòÀ» CPU³ª GPU·Î ±¸ÇöÇØ º¸ÇàÀÚ¸¦ °ËÃâÇÏ´Ï ´ëü·Î Àß °ËÃâÇÏ´Â °ÍÀ» È®ÀÎÇÒ ¼ö ÀÖ´Ù.


 ¡ã±×¸² 7. CPU¿Í GPU¸¦ »ç¿ëÇÑ °ËÃâ ¼Óµµ ºñ±³


±×¸² 7Àº À¯»ç Haar Ư¡Á¡À» È°¿ëÇÑ Adaboost ¾Ë°í¸®Áò°ú HOG Ư¡À» È°¿ëÇÑ SVM ¾Ë°í¸®ÁòÀ» CPU¿Í GPU¿¡ Àû¿ëÇØ °ËÃâ ó¸® ¼Óµµ¸¦ ºñ±³ÇÑ °ÍÀÌ´Ù. ±ä Á¡¼±°ú ½Ç¼±Àº À¯»ç Haar Ư¡Á¡Àº CPU¿Í GPU¸¦ È°¿ëÇØ °ËÃâ ó¸® ¼Óµµ¸¦ ³ªÅ¸³»°í, ÀÏÁ¡ ¼â¼±°ú ªÀº Á¡¼±Àº HOG Ư¡Á¡¿¡ ´ëÇØ CPU¿Í GPU·Î ó¸®ÇÏ´Â ¼Óµµ¸¦ ³ªÅ¸³½´Ù.


µÎ Ư¡Á¡À» È°¿ëÇÑ °ËÃâó¸® ¼Óµµ¸¦ ºñ±³Çϸé CPU¿¡ ºñÇØ GPU°¡ ¾à 4¹è Á¤µµ ºü¸£°Ô ó¸®ÇÏ´Â °ÍÀ» È®ÀÎÇÒ ¼ö ÀÖ´Ù. À¯»ç Haar Ư¡Á¡°ú HOG Ư¡Á¡À» ÀÌ¿ëÇÑ °ËÃâ ¼Óµµ¸¦ ºñ±³Çϸé Haar Ư¡Á¡À» ÀÌ¿ëÇÑ Adaboost ¾Ë°í¸®ÁòÀÌ HOG Ư¡Á¡À» ÀÌ¿ëÇÑ SVM¿¡ ºñÇØ 1 ÇÁ·¹ÀÓ Á¤µµ ºü¸£°Ô ó¸®ÇÒ ¼ö ÀÖÀ½À» È®ÀÎÇÒ ¼ö ÀÖ¾ú´Ù.

[±Û_¹ÚÀå½Ä °æ¼º´ëÇб³ ÀüÀÚ°øÇаú ±³¼ö]

 

[Âü°í¹®Çå]

[1] H-M. Moon and S-B. Pan, "The human identification method in video surveillance system," J. of The Korean Institute of Information Technology, vol. 8, no. 5, May 2010, pp. 199-206.

[2] H-M. Moon and S-B. Pan, "The analysis of de-identification for privacy protection in intelligent video surveillance system," J. of The Korean Institute of Information Technology, vol. 9, no. 7, July 2011, pp. 189-200.

[3] H.-T. Kim, G.-H. Lee, J.-S. Park, and Y.-S. Yu, "Vehicle detection in tunnel using Gaussian mixture model and mathematical morphological processing," J. of The Korean Institute of Electronic Communication Sciences, vol. 7, no. 5, Oct. 2012, pp. 967-974.

[4] M.-W. Kim, C.-M. Oh, D. Aurrahman, Y.-G. Ahn, and C.-W. Lee, "The virture screen using skin tone and GMM foreground segmentation," In Proc. Conf. of The Korea Information Processing Society, vol. 15, no. 1, May 2008, pp. 179-181.

[5] C. Stauffer and W. E. L. Grimson, "Adaptive background mixture models for real-time tracking," In Proc. IEEE Computer Vision and Pattern Recognition(CVPR) 1999, vol. 2, June 1999, pp. 246-252.

[6] A. Elgammal, D. Harwood, and L. S. Davis, "Non-parametric model for background subtraction," In Proc. European Conf. on Computer Vision(ECCV 2000), vol. 1843, June. 2000, pp. 751-767.

[7] T. Ahonen, A. Hadid and M. Pietikaninen, ¡°Face description with local binary patterns : application to face recognition,¡± IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 28, no. 12, Dec. 2006. pp. 2037-2041.

[8] D. Geronimo, A. D. Sappa, A. Lopez and D.Ponsa, ¡°Pedestrian detection using Adaboost learning of features and vehicle pitch estimation,¡± In Proc. Int. Conf. Visualization, Imaging and Image Processing(IASTED), Palma de Mallorca, Spain, Aug. 2006. pp. 400-405.

[9] Thorsten Joachims, ¡°Training linear SVMs in linear time,¡± In Proc. of Int. conf. on Knowledge Discovery and Data Mining(KDD), Philadelphia Pennsylvania, Aug. 2006. pp. 217-226.

[10] ¡°NVIDIA Tegra K1, A New Era in Mobile Computing,¡± White-paper of NVIDIA, 2013.


 

<ÀúÀÛ±ÇÀÚ: º¸¾È´º½º(http://www.boannews.com/) ¹«´ÜÀüÀç-Àç¹èÆ÷±ÝÁö>

  •  
  • 2
  • ÆäÀ̽ººÏ º¸³»±â Æ®À§ÅÍ º¸³»±â ³×À̹ö ¹êµå º¸³»±â Ä«Ä«¿À ½ºÅ丮 º¸³»±â ³×À̹ö ºí·Î±× º¸³»±â

  • ¡°
  •  SNS¿¡¼­µµ º¸¾È´º½º¸¦ ¹Þ¾Æº¸¼¼¿ä!! 
  • ¡±
 ÇÏÀÌÁ¨ ÆÄ¿öºñÁî 23³â 11¿ù 16ÀÏ~2024³â 11¿ù 15ÀϱîÁö ¾Æ½ºÆ®·Ð½ÃÅ¥¸®Æ¼ ÆÄ¿öºñÁî 2023³â2¿ù23ÀÏ ½ÃÀÛ À§Áîµð¿£¿¡½º 2018 ³Ý¾Øµå ÆÄ¿öºñÁî ÁøÇà 2020³â1¿ù8ÀÏ ½ÃÀÛ~2021³â 1¿ù8ÀϱîÁö
¼³¹®Á¶»ç
<º¸¾È´º½º>ÀÇ º¸¾ÈÀü¹® ±âÀÚµéÀÌ ¼±Á¤ÇÑ 2024³â ÁÖ¿ä º¸¾È Å°¿öµå °¡¿îµ¥ °¡Àå Æı޷ÂÀÌ Å¬ °ÍÀ¸·Î º¸´Â À̽´´Â?
Á¡Á¡ ´õ Áö´ÉÈ­µÇ´Â AI º¸¾È À§Çù
¼±°ÅÀÇ ÇØ ¸ÂÀº ÇÙƼºñÁò °ø°Ý
´õ¿í °­·ÂÇØÁø ·£¼¶¿þ¾î »ýÅ°è
Á¡Á¡ ´õ ´Ù¾çÇØÁö´Â ½ÅÁ¾ ÇÇ½Ì °ø°Ý
»çȸ±â¹Ý½Ã¼³ °ø°Ý°ú OT º¸¾È À§Çù
´õ¿í ½ÉÇØÁö´Â º¸¾ÈÀη ºÎÁ· ¹®Á¦
Á¦·ÎÆ®·¯½ºÆ®¿Í °ø±Þ¸Á º¸¾È
°¡¼ÓÈ­µÇ´Â Ŭ¶ó¿ìµå·ÎÀÇ Àüȯ°ú ÀÌ¿¡ µû¸¥ º¸¾ÈÀ§Çù
¸ð¹ÙÀÏ È°¿ëÇÑ º¸ÀÎÀÎÁõ È°¼ºÈ­¿Í ÀÎÁõº¸¾È À̽´
AI CCTVÀÇ ¿ªÇÒ È®´ë