선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- [2].본 논문에서는 보안 및 감시 시스템 분야에서 적용되어질 수 있는 방법을 제안하기 위하여. 저가형 PC카메라 의 움직임이 고정되어 있고 외부 환경이 아닌 실내 환경이 며 배경영상의 변화가 거의 없다는 특수 환경으로 제약 조건을 가진다.
- 본 논문에서는 입력되어지는 영상으로부터 배경영상의 실시간 갱신을 통해 객체의 위치를 탐지하여 객체를 추출하고 객체의 내부점을 이용한 MBR에서의 객체를 추적하는 방법을 제안하였다. 실험은 고정 PC카메라와 배경영상의 변화가 거의 없다는 제한된 환경 조건에서 실시간으로 배경 영상의 갱신과 객체의 추적이 안정적임을 보여주었다.
- 본 논문은 실시간으로 입력되는 영상으로부터 적응적 배 경영상으로 잡음을 현저히 줄였고 실시간으로 객체를 추출 및 추적함으로써 보안 및 감시 시스템으로 효용성을 향상시 켰다.
- (그림 9)는 추출된 객체 내부점을 이용하여 설정된 MBR을 보인다. 이를 통하여 객체의 실시간 추적을 가능하도록 하였다.
제안 방법
- 정보이론, support vector machine(SVM), 그리고 Bayes의 결정규칙에 기초하는 시스템들이다. 최대 우도 얼굴추출의 초기 연구에 기초하여, Colmenarez 및 Huang는 Kullback relative information0!] 기초하는 시스템을 제안하였다. Osuna 등은 SVM을 얼굴추출을 위하여 적용하였다.
- 객체 추적은 카메라부터 입력된 영상에서 움직임을 보이는 객체를 인식하고, 그 움직임을 추정하여 추적하는 것이다. 객체를 추적하는 방법은 보안.의료, 군사, 교통.
- 객체 추출을 할 수 있는 적응적 배경영상을 생성한다. 계속적으로 갱신을 반복하는 배경영상과 실시간 입력되는 영상에서 그물식 탐색 방법을 이용하여 객체의 출현을 감지하고, 감지된 객체의 내부점을 추출한다. 추출된 객체 내부점을 이용하여' 객체를 포함하는 최소 사각형인 MBR을 설정해주고, 연속되어지는 영상으로부터 일련의 처리를 반복하게 된다.
- 이때 연산의 양을 줄이기 위하여 그물식 탐색방법을 이용한다. 그리고 추출된 객체의 내부점들에 MBR(Minimum Bounding Rectangle) 을 설정하여 객체를 실시간으로 추적한다.
- 보다 정확한 MBR의 설정을 위한 전처리 과정으로 Median Filtering을 통해 잡음을 제거하였다. 제안하는 시스템에서는 완전 차영상이 아닌 그물식 탐색 방법을 이용하기 때문에 일반적인 n * n block median filter window를 사용하는 것이 아니라, horizontal median filter window를 이용한다.
- 본 실험은 카메라의 움직임이 고정되어 있고 배경영상의 변화가 거의 없다는 환경으로 제약하고 입력영상을 실시간으로 받아들여 객체의 위치를 탐지하고. 이동 객체의 추적을 실험하였다.
- 입력된 영상으로부터 객체를 잡음 '없이 추출하고 실시간 객체 추적이 가능하다. 시스템은 저장장치에 JPEG 파일형식으로 시간대별 실시간 객체 추적 과정을 저장함으로써 움직임이 추출된 후 객체의 움직임을 추후 검색이 가능하도록 하였다.
- 추출된 객체 내부점을 이용하여' 객체를 포함하는 최소 사각형인 MBR을 설정해주고, 연속되어지는 영상으로부터 일련의 처리를 반복하게 된다. 연속된 MBR의 설정을 추적함으로써 객체의 실시간 추적을 가능토록 하였다.
- 본 실험은 카메라의 움직임이 고정되어 있고 배경영상의 변화가 거의 없다는 환경으로 제약하고 입력영상을 실시간으로 받아들여 객체의 위치를 탐지하고. 이동 객체의 추적을 실험하였다.
- 제안하는 시스템은 시간의 경과에 따라 배경영역에서 잡 음생성을 줄이고자 객체영역 이외의 영역을 배경영역으로 갱신하여 항상 최신의 배경영상을 유지하도록 하였다. 이와 같이 생성된 적응적 배경영상과 설치된 PC카메라로부터 실 시간으로 입력되는 입력영상의 차를 이용하여 객체의 크기 와 위치를 탐지함으로써 객체를 추출한다. 이때 연산의 양을 줄이기 위하여 그물식 탐색방법을 이용한다.
- 인터페이스의 상단부에는 제안한 시스템에서 사용되어지는 임계값과 변수에 대한 값을 입력하여 환경과 상황에 가장 적합한 객체 추적을 가능하도록 하였으며, 입력되어지는 동영상의 크기, 해상도 등을 선택적으로 입력되어지게끔 하였다. 배경영상 부분은 계속적으로 갱신되고 있는 배경영상 을 보이고, 입력영상 부분은 실시간 입력되어지는 영상을 보여준다.
- 전체적인 배경영상의 갱신은 많은 연산량을 필요로 하기 때문에 실시간 객체 추적 성능을 저하시킨다. 제안하는 시스템에서는 객체영역인 n * m 의 영역을 제외한 나머지 영역을 배경영상으로 갱신하면서 객체 추적을 동시에 이루어질 수 있도록 하였다.
- 보다 정확한 MBR의 설정을 위한 전처리 과정으로 Median Filtering을 통해 잡음을 제거하였다. 제안하는 시스템에서는 완전 차영상이 아닌 그물식 탐색 방법을 이용하기 때문에 일반적인 n * n block median filter window를 사용하는 것이 아니라, horizontal median filter window를 이용한다. 또한 컬러 영상에 적용되는 median filtering을 위한 절차를 따른다.
- 제안하는 시스템은 시간의 경과에 따라 배경영역에서 잡 음생성을 줄이고자 객체영역 이외의 영역을 배경영역으로 갱신하여 항상 최신의 배경영상을 유지하도록 하였다. 이와 같이 생성된 적응적 배경영상과 설치된 PC카메라로부터 실 시간으로 입력되는 입력영상의 차를 이용하여 객체의 크기 와 위치를 탐지함으로써 객체를 추출한다.
-
1.2 MBR을 이용한 객체 추적
추출된 객체 내부점을 이용하여 MBR(Mnimum Bounding Rectangle)을 설정한다
. MBRe 객체 추적을 위한 객체를 포함하는 최소 사각 영역으로써, 객체 영역을 추출할 때 속도를 향상시키기 위한 범위를 제한해주는 역할을 수행한다.
대상 데이터
- 저가의 시스템 구축을 위한 선택이었는데 고성능의 카메라가 아니기 때문에 빛에 대해 상당히 민감한 반응을 보인다. 1초, 30초, 60초, 120초 후 영상에서 각각 기개, 1657개, 2061개. 3891개의 최초 배경영상 과의 차에서 임계값을 넘어가는, 픽셀의 개수가 나타난다.
- (그림 4)가 시스템이 이 두 그림을 다르게 인식함을 보이는데, 어떠한 변화도 없는 배경영상이 조명의 영향 등으로 시간의 경과에 따른 잡음 발생의 현상을'보인다. 본 시스템에서 사용되어지는 카메라는 저가이며 고성능이 아닌 일반 PC카메라이다. 저가의 시스템 구축을 위한 선택이었는데 고성능의 카메라가 아니기 때문에 빛에 대해 상당히 민감한 반응을 보인다.
- 또한 추적율은 이전 프레임의 추출된 객체 영역 픽셀의 다음 프레임에서 추적된 성능을 나타낸다. 성능평가에 사용된 영상은 160 X 120 해상도의 24 bit 컬러영상을 사용하였다.<표 3>에서 보는 바와 같이 초당 처리하는 프레임 수와 객체 추출율, 추적율의 복합적인 면에서 기존의 방식들에 비해 향상됨을 알 수 있다.
- 4GHz, 256M RAM의 PC에서 Microsoft Windows XP 운영체제 하에서 실험하였다. 저가형 PC카메라로부터 받아들이는 배경영상과 입력영상의 크기는 320 X 240의 24bit 컬러영상과 160 X 120의 24bit 컬러영상을 이용하였다.
이론/모형
- 특징 추출기는 또한 다른 이산적인 관찰들의 특징들이 훈련 동안에 사용되기 때문에 다른 관찰각도들 하에서 특징들을 설명하기 위한 더 우수한 능력을 가진다. DFFS 측도는 또한 얼굴특징 추출을 위하여 그리고 얼굴 및 안면 특징 추출을 위하여 Fisher의 선형판별식과 조합되어 사용되었다. 더 최근에 Moghaddam 과 Pentland는 확률론 틀 내에서 이 기법을 더 발전시켰다.
- 훈련은 부트-스트립 학습 알고리즘을 가지고 수행되며 이미지들은 전처리된다. Kumar 및 Poggioe 최근에 얼굴들의 실시간 추적과 분석을 위하여 Osuna 등의 SVM 알고리즘을 시스템에 결합하였다. 그들은 과도한 스캐닝을 피하기 위해서 입력 이미지들에서 분할된 피부영역 들에 SVM 알고리즘을 적용한다.
- 네트워크는 DBNN과 비슷하지만 그것은 추가적인 확률론적 제약을 가진다. SNoW(sparse network of windows) 라 불리는 새로운 학습 아키텍처가 Roth 등에 의해 얼굴추출을 위하여 적용된다. 얼굴추출을 위한 SNoW는 두 개의 linear threshold units로 구성되는 신경망이다.
- 본 논문에서 제안한 방법의 구현을 위해 Delphi 6.0을 이용하였고. Intel(R) Pentium 4 CPU 2.
- 객체의 추적을 위해서 객체의 위치 결정을 위한 객체 추출이 우선적이다. 완전 차영상 방식을 도입한 기존 시스템과는 달리, 제안하는 시스템에서는 그물식 탐색 방식을 이용한다. 그물식 탐색 방식은 영상을 위에서 아래로 8 픽셀 간격으로 탐색해 나가는 방법으로 완전 차영상을 이용하는 시스템보다 처리속도의 높은 향상을 보인다.
성능/효과
- 그물식 탐색 방식을 이용하여 객체 내부점을 추출한 것이 완전 차영상을 이용하여 객체를 추출하는 것에 비하여 강건한 객체 추출을 보이지는 않지만, 실시간 보안 및 감시 시스템에서 적용되어질 제안하는 시스템에서는 객체 추적의 대상인 사람의 추출을 빠르게 하는 목적에는 적합함을 볼 수 있고, 기존 시스템과 비교하여 객체 추출의 속도도 향상됨을 알 수 있다.
- 방법으로 변화된 장소, 카메라의 위치, 높이, 조명의 변화 등의 여러 상황에서 120여건의 Dataset에서 실험하였을 때 320 X 240 해상도의 영상은 초당 9~13 프레임을 처리하였으며, 160 X 120 해상도의 영상은 초당 17-23 프레임의 처리 성능을 보였다. 이는 기존의 객체 추적 방법에 비하여 처리 속도의 향상을 보이며.
- 본 논문에서는 입력되어지는 영상으로부터 배경영상의 실시간 갱신을 통해 객체의 위치를 탐지하여 객체를 추출하고 객체의 내부점을 이용한 MBR에서의 객체를 추적하는 방법을 제안하였다. 실험은 고정 PC카메라와 배경영상의 변화가 거의 없다는 제한된 환경 조건에서 실시간으로 배경 영상의 갱신과 객체의 추적이 안정적임을 보여주었다. 이는 객체의 추출 및 추적 알고리즘이 빠르게 수행되어 객체인식과 결합하여 객체의 움직임 정보와 인식을 통한 보안 및 감시 시스템 등 응용분야에 적용되어질 수 있다는 것을 기대할 수 있도록 하여준다.
- 이는 기존의 객체 추적 방법에 비하여 처리 속도의 향상을 보이며. 제안한 알고리즘을 통하여 실시간 객체 추출 및 추적이 가능함을 보인다. 객체 추출 및 추적의 처리 속도는 추적 대상인 객체의 크기 등에 따라 민감하게 반응하며 객체가 작았을 경우.
- 제안한 적응적 배경영상 방법을 이용하여 실험한 결과, 시변하는 배경영상내의 조명 등에 의한 잡음을 객체 내부에 포함되어 있는 배경영역을 제외한 나머지 영역에서 95% 이상 제거할 수 있었다. 객체내부에 포함되어 있는 배경영역 또한 객체의 움직임에 따라 바로 배경영상으로 적용되기 때문에 배경영상 내의 잡음을 객체로 인식하는 오류를 범하지 않는다.
후속연구
- 실험은 고정 PC카메라와 배경영상의 변화가 거의 없다는 제한된 환경 조건에서 실시간으로 배경 영상의 갱신과 객체의 추적이 안정적임을 보여주었다. 이는 객체의 추출 및 추적 알고리즘이 빠르게 수행되어 객체인식과 결합하여 객체의 움직임 정보와 인식을 통한 보안 및 감시 시스템 등 응용분야에 적용되어질 수 있다는 것을 기대할 수 있도록 하여준다. 하지만 입력영상과 배경영상 각각의 R, G, B 값의 차를 이용, 객체의 일부분임을 인식할 때, 잡음과 조명의 영향으로 인하여 실험에 실패한 경우도 발생하여 이에 대한 보완이 필요하다.
- 이는 객체의 추출 및 추적 알고리즘이 빠르게 수행되어 객체인식과 결합하여 객체의 움직임 정보와 인식을 통한 보안 및 감시 시스템 등 응용분야에 적용되어질 수 있다는 것을 기대할 수 있도록 하여준다. 하지만 입력영상과 배경영상 각각의 R, G, B 값의 차를 이용, 객체의 일부분임을 인식할 때, 잡음과 조명의 영향으로 인하여 실험에 실패한 경우도 발생하여 이에 대한 보완이 필요하다. 또한 조명이 없는 경우 객체의 추출이 불가능하기 때문에 소리와 연계된 시스템이 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.