[논문]실시간 영상에서 반복적인 움직임에 적응한 블록정합 알고리즘 설계

김장형; 강진석

문제 정의

하지만 이 기법은 입력 장치에 유입되는 잡음이나 반복적인 움직임을 갖는 물체의 동작에 상당히 민감하게 동작 함으로써 신뢰성 있는 움직임 검출이 어렵다는 문제점을 가지고 있다. 따라서 본 논문에서는 이러한 차영상 움직임 검출 기법의 문제점을 개선하기 위해 반복적인 물체의 움직임을 검출하는 알고리즘을 제시하고자 한다. 제시한 알고리즘은 먼저 배경이 되는 이미지와 현재 이미 지의 차를 이용하여 현재 움직임의 발생 하였는지 판단하고, 움직임의 발생 하였을 경우 두 이미지 간 차 영 상(Difference Image)을 이 진화 처리하여, 움직임의 발생한 영역을 블록 영역을 정합(Matching) 시킨다.
본 논문에서 제안한 반복적인 움직임 검출 기법은 침입자가 발생한 영상과 어떤 물체가 주변 환경에 인해 자연적으로 움직임의 발생한 영상(반복적인 움직임)을 구분하여 침입자가 발생한 영상만 감시 시스템에 저장될 수 있도록 하는데 목적이 있다. 이 장에서는 반복적인 움직임 검출 기법의 효용성을.
이러한 감시 시스템에서 움직임을 검출하는 방법에는 가장 빠른 처리 속도를 가지는 차영상 움직임 검출 기법 (The Motion Detection using Difference Image)이 가장 많이 사용되고 있으나, 이 움직임 검출 기법은 배경의 명암도의 변화나 잡음 및 반복적 인 물체의 움직임에 대해서는 많은 문제점이 발생한다. 본 논문에서는 이렇게 차영상 움직임 검출기법 에서 문제점으로 대두되고 있는 반복적인 움직임의 발생하였을 경우에 대해 그 해결 방법을 제안하고 있다. 차 영상을 통해 움직임의 검출되었을 때, 이 움직임의 물체의 반복적인 영상인지, 아니면 침입자가 발생한 영상인지를 구분하기 위해 본 논문에서는 물체의 반복적인 움직임인 경우에 현재 입력 영상 키 프레임(Current Key Frame)과 배 경 영상 키프레 임 (Background Key Frame)과의 움직임의 검출된 영역 간 픽셀값의 분포도가 매우 차이가 크다는 특징을 이용하였다.
향후 본 논문을 좀 더 개선하여. 침입자가 발생한 영상인 경우에 있어서 움직임 검출 처리 속도와 성능을 향상시킨다면 무인감시 시스템에 적용하여 감시시스템의 성능을 향상시킬 수 있는 결과를 제시하고자 한다.

가설 설정

Step. 1 : X축으로 차 영상의 픽셀값들의 수를 한 줄 씩 차례대로 검색한다.
Step. 2 : 한 줄 검색의 끝나면 255 값을 가지는 픽셀의 개수를 구한다.

제안 방법

① 입력 영상 1: 침입자가 발생한 영상② 입력 영상 2 : 상하, 좌우로 반복 움직임 영상 ③ 입력 영상 3 : 불규칙적인 반복 움직임 영상 첫 번째 조건인 입력 영상 1은 침입자가 실제 발생하여 감시 시스템에 저장되어야 할 영상의 배경 프레 임과 현재 프레임 상태이며, 두 번째 조건인 입력 영상 2는 침입자가 발생하지 않고 선풍기가 좌우로 회전하여 움직임만 발생한 상태이며, 마지막으로 바람에 의해 종이가 날리면서 움직임의 발생한 영상으로 실제 침입자가 발생하지 않은 경우의 상황에서 실험하였다.
이렇게 지정된 블록 영역 좌표를 현재 입력 영상 키프레 임과 배경영상 키프레임에 대입하여 현재 블록과 배경 블록을 얻고, 이두 블록을 정합시켜 평균 절대 오차(MAE) 값을 계산한다. 계산된 평균절대 오차 값이 시스템에서 설정된 임계값보다 크면 침입자가 발생한 것으로 반대로 작으면 물체가 주변 환경에 의해 자동으로 반복적인 움직임 영상으로 인식되도록 하였다. 실험 결과 본 논문에서 제시한 방법으로 움직임을 검출하였을 때 물체의 반복적인 움직임의 발생한 영상에서는 차영상 움직임 검출기법과 비교하여 약 77%의 성능 개선을 보였다.
제시한 알고리즘은 먼저 배경이 되는 이미지와 현재 이미 지의 차를 이용하여 현재 움직임의 발생 하였는지 판단하고, 움직임의 발생 하였을 경우 두 이미지 간 차 영 상(Difference Image)을 이 진화 처리하여, 움직임의 발생한 영역을 블록 영역을 정합(Matching) 시킨다. 그리고 나서 두 블록 영상 간에 평균절대오차 (Mean Absolute Error : MAE) 값을 구하여 평균 절 대오차 값이 작으면 반복된 물체의 움직임으로 판단하고, 반대로 값이 크면 새로운 움직임으로 판단하. 도록 하였다.
또한 검출오류는 현재 입력된 움직임의 발생한 총 영상 프레임의 계수를 움직임의 검출된 영상의 프레임 계수(F)로 나누어 백분율로 환산하여 계산된 값이다. 단, 입력 영상 1인 경우에는 움직임의 발생하지 않는 영상을 F값으로 설정하여 검출오류를 계산하였다. 그리고 계산된 평균처리 시간은 계속적인 움직임의 발생한 60초 입력 영상에서 움직임의 검출된 프레임의 개수를 가지고 평균처리 시간을 얻었다.
보이기 위해 제안한 알고리즘을 구현하여 실제 가장 많이 구현되어 사용되고 있는 차영상 움직임 검출 기법과 비교하여 실험을 하고 그 결과를 비교 분석하였다. 또한, 본 논문에서 구현한 반복적인 움직임 검출 시스템은 크게 영상획득, 전처리, 움직임 블록 정합 및 평균절대오차 계산, 움직임 검출 및 배경 키 프레임 갱신 부분으로 구성된다.
이때 계산된 평균 절대오차가 임 계값(Threshold) 보다 작으면 반복적인 물체의 움직임으로 간주하여 침입자가 발생하지 않은 것으로 판단하고 만약에 크면 침입자가 발생한 것으로 간주되어 현재 입력되어 있는 영상은 저장되도록 하였다. 또한, 평균절대오차 값이 설정한 임계 값 보다 크면, 배경 키 프레임을 현재 입력된 영상의 키 프레임으로 갱신하여 메모리에 저장해두고, 만약 작으면 새로운 움직임의 발생한 것으로 판단하여 배경이 되는 키 프레임의 갱신되지 않고 이전 키 프레임이 계속 유지 되도록 하였다. 다음 그림 3은 본 논문에서 제안한 시스템의 전체 구성도를 보여주고 있다.
본 논문에서 입력 영상에서 들어온 첫 번째 장면에서 키 프레임을 추출하고 추출된 키 프레임 컬러 영상을 256 gray 영상으로 바꾸어 다른 키 프레 임과 비교할 배경 키 프레임으로 지정하고 두 번째부터 들어온 프레임을 키 프레임을 설정하여 이를 그레이 영상으로 변화 시켜 지정된 배경 키 프레임(Background Key Frame)과의 차영상(Difference Image) 을 구한다. 이렇게 차 영상을 구하고 난 후 블록 정합 을 위해 먼저 차 영상을 이진화 처리하고 이진화된 차 영상을 가지고 블록 영역 (Block Area) 좌표를 추출한다.
본 논문에서는 먼저 차 영상을 이진화 처리하여 블록 정합을 적용시킬 블록 영역의 범위를 설정한다. 즉 블록 매칭 알고리즘를 적용하여 평균절대오차(MAE) 를 검출할 블록 영역의 범위는 움직임의 발생한 영역 만을 범위로 설정한다.
본 논문에서는 움직임이 있는 영상에서의 움직임 검출을 실험하기 위해 카메라를 통해 입력된 320x 240 크기의 RGB 컬러 영상을 식(8)을 이용해 256 Gray 레벨의 흑백 영상으로 변환하여 다음과 같은 3가지 종류의 그룹으로 나눈 입력 영상들을 가지고 10번에 걸쳐 실험하였다.
앞서 배경 블록과 현재 블록 간 블록 정합을 시키고, 그때 계산된 평균 절대 오차(MAE)값을 분석하여 물체의 반복적인 움직임의 발생한 영상과 침입자가 발생한 영상을 구분할 수 있도록 하였다. 이때 물체의 반복적인 움직임의 발생한 영상인 경우에는 배경 키 프레임을 현재 입력 영상 키 프레임으로 갱신한다.
그림 4는 두 키 프레임 간에 차 영상을 구한 결과를 보여주고 있다. 이때 검출된 차 영상은 블록 정합 처리를 하기 위한 전처리 과정으로 정합 시 킬 블록 영 역(Block Area)을 설정하기 위해 먼저 영상의 픽셀값을 0과 255로 지정 하는 이진화 처리를 수행한다. 다음 식(4)과 (5) 은 각각 차 영 상을 이진화 처리하기 위해 임 겨】 값(Threshold)을 설정하고 처리하는 수식을 보여주고 있다.
다음 설정된 두 블록 영역은 각 픽셀 좌표 간 블록 정합 시켜 평균절대오차(Mean Absolute Error : MAE)를 계산한다. 이때 계산된 평균 절대오차가 임 계값(Threshold) 보다 작으면 반복적인 물체의 움직임으로 간주하여 침입자가 발생하지 않은 것으로 판단하고 만약에 크면 침입자가 발생한 것으로 간주되어 현재 입력되어 있는 영상은 저장되도록 하였다. 또한, 평균절대오차 값이 설정한 임계 값 보다 크면, 배경 키 프레임을 현재 입력된 영상의 키 프레임으로 갱신하여 메모리에 저장해두고, 만약 작으면 새로운 움직임의 발생한 것으로 판단하여 배경이 되는 키 프레임의 갱신되지 않고 이전 키 프레임이 계속 유지 되도록 하였다.
특징을 적용하기 위해 먼저 현재 입력 영상 키프레임과 배경영상 키프레임과의 차영상을 구하고, 블록 영역의 좌표를 구하기 위해 차 영상을 이진화처리하여 움직임의 검출된 영역만을 블록 영역(Block Area)의 좌표로 지정하였다. 이렇게 지정된 블록 영역 좌표를 현재 입력 영상 키프레 임과 배경영상 키프레임에 대입하여 현재 블록과 배경 블록을 얻고, 이두 블록을 정합시켜 평균 절대 오차(MAE) 값을 계산한다. 계산된 평균절대 오차 값이 시스템에서 설정된 임계값보다 크면 침입자가 발생한 것으로 반대로 작으면 물체가 주변 환경에 의해 자동으로 반복적인 움직임 영상으로 인식되도록 하였다.
본 논문에서 입력 영상에서 들어온 첫 번째 장면에서 키 프레임을 추출하고 추출된 키 프레임 컬러 영상을 256 gray 영상으로 바꾸어 다른 키 프레 임과 비교할 배경 키 프레임으로 지정하고 두 번째부터 들어온 프레임을 키 프레임을 설정하여 이를 그레이 영상으로 변화 시켜 지정된 배경 키 프레임(Background Key Frame)과의 차영상(Difference Image) 을 구한다. 이렇게 차 영상을 구하고 난 후 블록 정합 을 위해 먼저 차 영상을 이진화 처리하고 이진화된 차 영상을 가지고 블록 영역 (Block Area) 좌표를 추출한다. 그다음 블록 영역의(X, y) 필셀 좌표를 지정된 배경과 현재 키 프레임에 각각 적용시켜 블록 영역을 설정한다.
따라서 본 논문에서는 이러한 차영상 움직임 검출 기법의 문제점을 개선하기 위해 반복적인 물체의 움직임을 검출하는 알고리즘을 제시하고자 한다. 제시한 알고리즘은 먼저 배경이 되는 이미지와 현재 이미 지의 차를 이용하여 현재 움직임의 발생 하였는지 판단하고, 움직임의 발생 하였을 경우 두 이미지 간 차 영 상(Difference Image)을 이 진화 처리하여, 움직임의 발생한 영역을 블록 영역을 정합(Matching) 시킨다. 그리고 나서 두 블록 영상 간에 평균절대오차 (Mean Absolute Error : MAE) 값을 구하여 평균 절 대오차 값이 작으면 반복된 물체의 움직임으로 판단하고, 반대로 값이 크면 새로운 움직임으로 판단하.
본 논문에서는 이렇게 차영상 움직임 검출기법 에서 문제점으로 대두되고 있는 반복적인 움직임의 발생하였을 경우에 대해 그 해결 방법을 제안하고 있다. 차 영상을 통해 움직임의 검출되었을 때, 이 움직임의 물체의 반복적인 영상인지, 아니면 침입자가 발생한 영상인지를 구분하기 위해 본 논문에서는 물체의 반복적인 움직임인 경우에 현재 입력 영상 키 프레임(Current Key Frame)과 배 경 영상 키프레 임 (Background Key Frame)과의 움직임의 검출된 영역 간 픽셀값의 분포도가 매우 차이가 크다는 특징을 이용하였다. 특징을 적용하기 위해 먼저 현재 입력 영상 키프레임과 배경영상 키프레임과의 차영상을 구하고, 블록 영역의 좌표를 구하기 위해 차 영상을 이진화처리하여 움직임의 검출된 영역만을 블록 영역(Block Area)의 좌표로 지정하였다.
차 영상을 통해 움직임의 검출되었을 때, 이 움직임의 물체의 반복적인 영상인지, 아니면 침입자가 발생한 영상인지를 구분하기 위해 본 논문에서는 물체의 반복적인 움직임인 경우에 현재 입력 영상 키 프레임(Current Key Frame)과 배 경 영상 키프레 임 (Background Key Frame)과의 움직임의 검출된 영역 간 픽셀값의 분포도가 매우 차이가 크다는 특징을 이용하였다. 특징을 적용하기 위해 먼저 현재 입력 영상 키프레임과 배경영상 키프레임과의 차영상을 구하고, 블록 영역의 좌표를 구하기 위해 차 영상을 이진화처리하여 움직임의 검출된 영역만을 블록 영역(Block Area)의 좌표로 지정하였다. 이렇게 지정된 블록 영역 좌표를 현재 입력 영상 키프레 임과 배경영상 키프레임에 대입하여 현재 블록과 배경 블록을 얻고, 이두 블록을 정합시켜 평균 절대 오차(MAE) 값을 계산한다.
여기서 차영상 움직임 검출 기법인 경우에 그림 7처럼 차영상 만을 구하고 이 차 영상을 시스템에서 설정한 임계 값과 비교하여 움직임을 검출하게 된다. 하지만 본 논문에서는 블록 정합(Block Matching)을 시켜 평균 절대오차(MAE)를 계산하기 위한 전처리 과정으로 차 영상을 구한 후 다시 한번 영상의 픽셀값을 0과 255로 설정하는 이진화 처리를 하게 된다.

데이터처리

단, 입력 영상 1인 경우에는 움직임의 발생하지 않는 영상을 F값으로 설정하여 검출오류를 계산하였다. 그리고 계산된 평균처리 시간은 계속적인 움직임의 발생한 60초 입력 영상에서 움직임의 검출된 프레임의 개수를 가지고 평균처리 시간을 얻었다.
그다음 블록 영역의(X, y) 필셀 좌표를 지정된 배경과 현재 키 프레임에 각각 적용시켜 블록 영역을 설정한다. 다음 설정된 두 블록 영역은 각 픽셀 좌표 간 블록 정합 시켜 평균절대오차(Mean Absolute Error : MAE)를 계산한다. 이때 계산된 평균 절대오차가 임 계값(Threshold) 보다 작으면 반복적인 물체의 움직임으로 간주하여 침입자가 발생하지 않은 것으로 판단하고 만약에 크면 침입자가 발생한 것으로 간주되어 현재 입력되어 있는 영상은 저장되도록 하였다.
이 장에서는 반복적인 움직임 검출 기법의 효용성을.보이기 위해 제안한 알고리즘을 구현하여 실제 가장 많이 구현되어 사용되고 있는 차영상 움직임 검출 기법과 비교하여 실험을 하고 그 결과를 비교 분석하였다. 또한, 본 논문에서 구현한 반복적인 움직임 검출 시스템은 크게 영상획득, 전처리, 움직임 블록 정합 및 평균절대오차 계산, 움직임 검출 및 배경 키 프레임 갱신 부분으로 구성된다.
일반적으로 현재 영상 키 프레임과 배경 키 프레 임에서 움직임 물체를 검출하는 방법은 현재 영상 키 프레임에서 움직임 물체의 블록과 가장 유사한 블록을 배경 키 프레임에서 검색하는 방법이다. 본 논문에서는 블록 정합 시 두 블록 영역 간(배경 블록과 현재 블록) 매칭의 척도가 되는 함수들 중 평균 절 대 오차(Mean Absolute Error : MAE)을 사용하여 실험하였다. 다음 식⑼는 평균 절대오차(MAE)를 구하는 식을 보여주고 있다.

이론/모형

블록 정합(Block Matching)에서 이동 가능한 최대 거리가 각각 dmac_x 및 丄_0이므로 현재 프레 임의 블록과 같은 좌표를 가지는 이전 프레 임의 블록을 중심으로 탐색 영역은 수평, 수직 방향으로 N과 M 만큼씩 이동시키면서 탐색 범위 내의 가능한 모든 블록을 조사하여 평균 절대 오차(MAE)를 계산하는 방법이다. 이러한 전역 탐색 알고리즘은 탐색 범위 내에서 가장 적합한 소프트웨어 구현에 많은 어려움을 가지고 있어 이를 해결하기 위해 여러 가지 고속 블록 정합 알고리즘(Fast Block Matching Algorithm : FBMA)들을 사용한다.

성능/효과

반면에 블록 영역 (Block Area)을 설정한 후 계산된 평균절대오차 (MAE) 값은 침입자가 발생한 입력 영상 1인 경우 반복적인 움직임을 가지는 입력 영상 2나 입력 영상 3보다 상당히 커짐을 확인할 수 있다. 따라서 이렇게 블록 영역을 설정한 후 계산된 평균절대오차(MAE) 값을 시스템에서 설정한 임계 값 30과 비교하여 임계 값 30보다 크면 침입자가 발생한 영상이고, 그렇지 않으면 어떤 물체가 주변 환경에 의해 자연적으로 움직임, 반복적인 움직임의 발생한 영상으로 구분하여 인식 할 수 있다.
4배 빠르게 검출됨을 확인할 수 있었다. 또한, 실험 입력 영상 2나 입력 영상 3의 환경처럼 물체의 반복적인 움직임이 있는 영상에서는 제안한 움직임 검출 기법이 차영상 움직임 검출 기법보다 상당히 좋은 결과를 얻을 수 있었으나 입력 영상 1처 럼 침입자가 발생한 영상인 경우에는 좋지 않은 결과를 보였다.
계산된 평균절대 오차 값이 시스템에서 설정된 임계값보다 크면 침입자가 발생한 것으로 반대로 작으면 물체가 주변 환경에 의해 자동으로 반복적인 움직임 영상으로 인식되도록 하였다. 실험 결과 본 논문에서 제시한 방법으로 움직임을 검출하였을 때 물체의 반복적인 움직임의 발생한 영상에서는 차영상 움직임 검출기법과 비교하여 약 77%의 성능 개선을 보였다. 향후 본 논문을 좀 더 개선하여.
차영상 움직임 검출 기법인 경우에는 60초 동안 평균 309개의 움직임 영상을 얻었고, 본 논문에서 제안한 기법인 경우에는 평균 129개의 움직임 영상을 얻을 수 있었다. 표 5로부터 움직임 검출 오류를 측정한 결과 실험 입력 영상 [인 경우에 대해 차영상 움직임 검출 기법에서는 6.
표 2는 각 입력 영상들의 현재 입력 영상 키 프레임과 배경 영상 키 프레임을 전처리 과정(Pre-processing)만을 처리한 후 평균 절 대 오차(MAE)값을 계산한 결과의 차 영상을 구하고 이진화 처리 후 블록 영역을 구하고, 이 블록 영역 좌표를 현재 영상 키 프레임과 배경 키 프레임에 대입하여 추출된 현재 블록과 배경 블록을 가지고 평균 절대 오차(MAE)값을 계산하여 실험한 결과이다. 표 2를 분석해 보면 블록 영역을 설정하지 않고 256 그레이 영상으로만 변환하는 전처리 과정만을 거친 후 평균 절대 오차(MAE)값을 계산해 본 결과, 침입자가 발생한 실험 입력 영상 1과 반복적인 움직임을 갖는 실험 입력 영상 2와 입력 영상 3는 그 값이 유사하게 나타남을 알 수 있다. 반면에 블록 영역 (Block Area)을 설정한 후 계산된 평균절대오차 (MAE) 값은 침입자가 발생한 입력 영상 1인 경우 반복적인 움직임을 가지는 입력 영상 2나 입력 영상 3보다 상당히 커짐을 확인할 수 있다.
차영상 움직임 검출 기법인 경우에는 60초 동안 평균 309개의 움직임 영상을 얻었고, 본 논문에서 제안한 기법인 경우에는 평균 129개의 움직임 영상을 얻을 수 있었다. 표 5로부터 움직임 검출 오류를 측정한 결과 실험 입력 영상 [인 경우에 대해 차영상 움직임 검출 기법에서는 6.2%, 제안한 알고리즘에서는 17.3%이며, 입력 영상 2에서는 각각 77.66%, 10.0%이고 입력 영상 3에서는 91.2%, 13.3%로 나타났으며 처리속도는 차영상 움직임 검출 기법이 제안한 알고리즘 보다 약 2.4배 빠르게 검출됨을 확인할 수 있었다. 또한, 실험 입력 영상 2나 입력 영상 3의 환경처럼 물체의 반복적인 움직임이 있는 영상에서는 제안한 움직임 검출 기법이 차영상 움직임 검출 기법보다 상당히 좋은 결과를 얻을 수 있었으나 입력 영상 1처 럼 침입자가 발생한 영상인 경우에는 좋지 않은 결과를 보였다.

후속연구

실험 결과 본 논문에서 제시한 방법으로 움직임을 검출하였을 때 물체의 반복적인 움직임의 발생한 영상에서는 차영상 움직임 검출기법과 비교하여 약 77%의 성능 개선을 보였다. 향후 본 논문을 좀 더 개선하여. 침입자가 발생한 영상인 경우에 있어서 움직임 검출 처리 속도와 성능을 향상시킨다면 무인감시 시스템에 적용하여 감시시스템의 성능을 향상시킬 수 있는 결과를 제시하고자 한다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

실시간 영상에서 반복적인 움직임에 적응한 블록정합 알고리즘 설계
The Design of Repeated Motion on Adaptive Block Matching Algorithm in Real-Time Image 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

실시간 영상에서 반복적인 움직임에 적응한 블록정합 알고리즘 설계 The Design of Repeated Motion on Adaptive Block Matching Algorithm in Real-Time Image 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

김장형 (19)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

실시간 영상에서 반복적인 움직임에 적응한 블록정합 알고리즘 설계
The Design of Repeated Motion on Adaptive Block Matching Algorithm in Real-Time Image 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper