보행자 검출은 이미지나 영상 데이터에서 사람(보행자)을 인식하고 그 위치를 식별하는 기술을 의미한다. 주로 컴퓨터 비전 및 머신러닝 분야에서 연구·응용되며, 자동차의 고급 운전자 지원 시스템(ADAS), 자율주행 차량, 감시 카메라, 로봇 등 다양한 실시간 시스템에 활용된다.
주요 목적
- 안전 향상: 보행자와의 충돌 위험을 사전에 경고하거나 차동 제어를 통해 사고를 예방한다.
- 데이터 분석: 거리·교통량 조사, 인구 동선 파악 등 사회·도시 계획에 필요한 정보를 제공한다.
기술적 접근
| 접근 방식 | 대표 알고리즘·모델 | 특징 |
|---|---|---|
| 전통적 특징 기반 | HOG + SVM, Haar cascades | 특징 추출과 선형 분류기로 구현, 연산량이 적지만 복잡한 환경에서 정확도가 제한적 |
| 딥러닝 기반 | Faster R-CNN, SSD, YOLO, EfficientDet 등 | 이미지 전체를 신경망으로 처리, 높은 정확도와 실시간 성능을 동시에 목표 |
| 시계열·다중 센서 융합 | 3D CNN, LSTM, 라이다·카메라 융합 | 시간적 연속성과 깊이 정보를 활용해 occlusion(가림) 상황을 보완 |
주요 데이터셋
- Caltech Pedestrian Dataset – 도시 환경에서 촬영된 연속 영상, 다양한 거리·조명 조건 포함.
- INRIA Person Dataset – 정적인 이미지 중심, 초기 보행자 검출 연구에서 표준으로 사용.
- Cityscapes – 도심 풍경과 보행자를 동시에 라벨링, 세분화와 검출을 동시에 평가 가능.
성능 평가 지표
- Miss Rate (MR) – 실제 보행자를 놓친 비율, 낮을수록 좋음.
- False Positive Per Image (FPPI) – 이미지당 잘못 잡힌 보행자 수.
- Average Precision (AP) – 정밀도와 재현율을 종합한 지표, 0~1 사이 값.
현재 과제 및 연구 동향
- 소규모 보행자·멀리 있는 객체: 작은 크기의 보행자를 정확히 검출하는 것이 여전히 어려움.
- 가림 현상(occlusion): 다른 물체에 가려진 보행자를 식별하기 위한 부분 객체 검출 및 복합 추론 기법이 활발히 연구 중.
- 경량 모델: 실시간 처리를 위한 경량 네트워크(MobileNet, ShuffleNet 등)와 하드웨어 가속(Edge TPU, GPU) 최적화가 진행되고 있다.
적용 사례
- 자동차 ADAS: 전방 카메라와 라이다 정보를 결합한 보행자 충돌 방지 시스템.
- 도시 감시: CCTV 영상에서 보행자 흐름을 실시간 모니터링하고 이상 행동을 탐지.
- 스마트 로봇: 서비스 로봇이 보행자를 인식해 경로를 회피하거나 상호작용을 수행.
참고 문헌·자료
- Dalal, N., & Triggs, B. (2005). Histograms of Oriented Gradients for Human Detection. CVPR.
- Redmon, J., et al. (2016). You Only Look Once: Unified, Real-Time Object Detection. CVPR.
- Zhou, X., et al. (2020). Pedestrian Detection in Autonomous Driving: A Survey. IEEE Transactions on Intelligent Transportation Systems.
본 내용은 현재까지 공개된 학술 자료와 기술 보고서에 기반한 객관적인 서술이다.
