영상 감시 분야 중 침입자를 자동으로 인식해 내는 기술의 전처리 과정인 배경 분리 방법과 이동하는 객체의 주변에 있는 그림자를 제거하는 방법에 대한 많은 연구가 있어 왔다. 이동하는 객체와 그림자의 분리가 정확하지 않을 경우 이동 객체의 정확한 형태 분석이 어려우며, 위치 추적 또한 어렵다. 본 논문에서는 그림자를 제거하는 방법으로 명도 값을 활용하는 방법을 제안한다. 그림자 영역이 배경 영역과 비교하여 색상의 변화는 발생하지 않고, 명도 차이만 발생한다는 점에 착안한 방법으로, 이전 프레임에서 그림자 제거에 사용했던 임계값을 다음 프레임에서 갱신하여 사용하는 방법이다.
영상 감시 분야 중 침입자를 자동으로 인식해 내는 기술의 전처리 과정인 배경 분리 방법과 이동하는 객체의 주변에 있는 그림자를 제거하는 방법에 대한 많은 연구가 있어 왔다. 이동하는 객체와 그림자의 분리가 정확하지 않을 경우 이동 객체의 정확한 형태 분석이 어려우며, 위치 추적 또한 어렵다. 본 논문에서는 그림자를 제거하는 방법으로 명도 값을 활용하는 방법을 제안한다. 그림자 영역이 배경 영역과 비교하여 색상의 변화는 발생하지 않고, 명도 차이만 발생한다는 점에 착안한 방법으로, 이전 프레임에서 그림자 제거에 사용했던 임계값을 다음 프레임에서 갱신하여 사용하는 방법이다.
There has been a lot of research into a background separation method, which is a preprocess of a technique of automatically perceiving an invader, and the removal of shadows around a moving object in the video monitoring field. When a moving object is not clearly separated from its shadow, it is dif...
There has been a lot of research into a background separation method, which is a preprocess of a technique of automatically perceiving an invader, and the removal of shadows around a moving object in the video monitoring field. When a moving object is not clearly separated from its shadow, it is difficult to analyze the shape accurately, and it is also hard to trace its position. This study suggests how to utilize a brightness value for removing a shadow. It came from the fact that there appears to be no change of color in the shadow area relative to the background area, and there only occurs a difference in brightness. In addition, this method uses the renewal of a critical value used for the removal of shadow in the previous frame, in the next frame.
There has been a lot of research into a background separation method, which is a preprocess of a technique of automatically perceiving an invader, and the removal of shadows around a moving object in the video monitoring field. When a moving object is not clearly separated from its shadow, it is difficult to analyze the shape accurately, and it is also hard to trace its position. This study suggests how to utilize a brightness value for removing a shadow. It came from the fact that there appears to be no change of color in the shadow area relative to the background area, and there only occurs a difference in brightness. In addition, this method uses the renewal of a critical value used for the removal of shadow in the previous frame, in the next frame.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 이러한 문제점을 해결하기 위해 명도에 따라 다른 임계값을 적용하는 방법을 제안한다. 제안한 방법은 그림자의 영역이 배경과 비교하여 색상의 변화는 발생하지 않고 명도 차이만 발생한다는 점에 착안한 방법으로, 그림자의 색상 모델을 설정하여 Bayesian 분류법[8]에 따라 그림자를 배경 영역으로부터 제거한다.
Gaussian 혼합 모델에 의해 배경 분리 과정을 거친 데이터는 이동 객체와 그림자가 함께 존재한다. 본 논문에서는 이렇게 분리된 배경 영역 중 그림자 영역은 색상 정보와 관련이 있다는 가정을 두었기 때문에 RGB 컬러 모델을 활용하여 비교하고자 한다. 정규화된 RGB 컬러 모델은 간단한 연산만으로도 화소 값의 밝기를 배제하고 색상만을 비교할 수 있다는 장점이 있다.
본 논문에서는 그림자를 제거하는 방법으로 자주 사용되는 공간 정보를 활용하는 방법과 색상 정보를 활용하는 방법 중 색상 정보를 활용하는 방법에 기반한 방법을 제안하였다. Gaussian 혼합 모델을 이용하여 이동하는 객체 및 그림자 영역을 구분해 내고, 그림자 영역이 RGB 컬러 값에 따라 명도 값도 차이가 발생한다는 가정에 따라 그림자의 특성을 분류하고, 구분된 이동 객체 및 그림자 영역 내에서 그림자를 제거하였다.
제안 방법
본 논문에서는 이러한 문제점을 해결하기 위해 명도에 따라 다른 임계값을 적용하는 방법을 제안한다. 제안한 방법은 그림자의 영역이 배경과 비교하여 색상의 변화는 발생하지 않고 명도 차이만 발생한다는 점에 착안한 방법으로, 그림자의 색상 모델을 설정하여 Bayesian 분류법[8]에 따라 그림자를 배경 영역으로부터 제거한다. 이 때 색상의 정보를 3개의 채널로 분리하여 각 채널마다의 값에 따라 다른 임계값을 적용하는 방법이다.
이 문제를 해결하기 위해서는 지속적인 임계값의 수정이 필요하다. 제안하는 그림자 제거 알고리즘은 배경 분리 과정과 그림자 제거 과정, 임계값 갱신 과정으로 나뉜다.
이 과정은 그림자 제거 과정에서 사용될 임계값을 갱신하는 과정으로 그림자 등에 의한 주변 환경변화에서도 효율적으로 그림자를 제거할 수 있게 된다. 본 논문에서 제안하는 임계값 갱신 방법은 이전 프레임에서의 그림자 제거 과정에서 얻어진 결과치를 다음 프레임의 그림자 제거 과정에 사용될 임계값에 사용하는 것이다. 그림자의 영향을 받지 않는 상태의 영상과 그림자의 영향을 받는 상태의 영상에는 명도의 차이가 발생함을 가정하여 이전 프레임과 다음 프레임에 대해 각각의 화소의 명도를 비교하여 임계값을 변경하는 것이다.
본 논문에서는 그림자를 제거하는 방법으로 자주 사용되는 공간 정보를 활용하는 방법과 색상 정보를 활용하는 방법 중 색상 정보를 활용하는 방법에 기반한 방법을 제안하였다. Gaussian 혼합 모델을 이용하여 이동하는 객체 및 그림자 영역을 구분해 내고, 그림자 영역이 RGB 컬러 값에 따라 명도 값도 차이가 발생한다는 가정에 따라 그림자의 특성을 분류하고, 구분된 이동 객체 및 그림자 영역 내에서 그림자를 제거하였다. 또한 이전 프레임과 다음 프레임 간의 명도 차이를 계산하여 다음 프레임의 그림자 제거에 사용함으로써 그림자 제거를 더욱 효과적으로 할 수 있도록 하였다.
이론/모형
배경 분리 과정은 입력 영상으로부터 이동 객체 및 그림자 영역을 추출하는 과정으로 Gaussian 혼합 모델을 이용하였다. 이 방법은 주변의 조명 변화나 일정 물체의 반복 움직임이 탐지되는 환경에서도 비교적 정확하게 배경 영역을 분리해 내는 방법으로 나뭇가지의 흔들림로 같이 반복 혼합 벨생하는 배경 변화에 대응나 일정 배경 영역을 여러 잨 탐Gaussian 분포 탐혼합 형태합 표현하고로 시위 탐변화에 따른 배경 탐변화에 대응나 일정 Gaussian 분포의 On-line EM 알고리즘에 의해 갱신한다.
성능/효과
그리고 마름모로 표시된 선은 배경의 명도 값을 나타낸다. 측정 결과를 보면 색상이 흰색에 가까울수록 높은 명도 값을 보였으며, 색상이 검정에 가까울수록 낮은 명도 값을 보인 것을 알 수 있다. 따라서 그림자 제거 과정에서 배경 영역과 그림자의 명도 차이를 고정된 임계값을 사용할 경우 효과적으로 제거할 수 없음을 알 수 있다.
Gaussian 혼합 모델을 이용하여 이동하는 객체 및 그림자 영역을 구분해 내고, 그림자 영역이 RGB 컬러 값에 따라 명도 값도 차이가 발생한다는 가정에 따라 그림자의 특성을 분류하고, 구분된 이동 객체 및 그림자 영역 내에서 그림자를 제거하였다. 또한 이전 프레임과 다음 프레임 간의 명도 차이를 계산하여 다음 프레임의 그림자 제거에 사용함으로써 그림자 제거를 더욱 효과적으로 할 수 있도록 하였다. 하지만 제안한 방법 또한 색상 정보만을 활용하기 때문에 문제점들이 발생하였다.
후속연구
하지만 제안한 방법 또한 색상 정보만을 활용하기 때문에 문제점들이 발생하였다. 향후 이러한 문제점들을 개선하기 위해서는 이동 객체에 대한 형상 추적 등의 연구가 필요할 것으로 보인다.
질의응답
핵심어
질문
논문에서 추출한 답변
배경 분리 방법의 대표적인 방법은 무엇이 있나?
이런 지능화된 영상 감시 분야 중 침입자를 자동으로 인식해 내는 기술의 전처리 과정인 배경 분리 방법에 대한 많은 연구가 있어 왔다. 이러한 배경 분리 방법의 대표적인 방법은 Gaussian 혼합 모델을 이용하는 방법[1]과 Haritaoglu 등에 의해 제안된 W4 방법[2] 등이 있다. 하지만 이 방법들은 이동하는 객체 주변에 그림자가 존재하는 경우 그림자까지도 이동하는 객체로 인식한다는 단점을 가지고 있다.
영상 감시 시스템은 어떤 한계를 가지고 있나?
하지만 현재 운용되고 있는 대다수의 영상 감시 시스템은 많은 감시 화면을 소수의 감시자가 상시 모니터링하면서 사고 발생 시 이에 대한 조치를 취하는 형태로, 사고 예방보다는 사고 발생 후 이에 대한 조치를 취하는 데에 무게를 두고 있다. 이러한 영상 감시 시스템은 적은 인력으로 인해 발생할 수 있는 감시 인력의 실수, 위험 상황에 대한 사전 미인지로 인한 대처 능력의 부재 등의 한계를 가지고 있다. 이런 한계를 극복하기 위해 자동으로 영상을 분석하고, 위험상황을 인지하여 빠른 조치를 취할 수 있는 지능화된 영상 감시에 대한 연구들이 활발히 진행되고 있다.
배경 분리 방법의 대표적인 방법들은 어떤 단점을 가지고 있나?
이러한 배경 분리 방법의 대표적인 방법은 Gaussian 혼합 모델을 이용하는 방법[1]과 Haritaoglu 등에 의해 제안된 W4 방법[2] 등이 있다. 하지만 이 방법들은 이동하는 객체 주변에 그림자가 존재하는 경우 그림자까지도 이동하는 객체로 인식한다는 단점을 가지고 있다. 이렇게 이동 객체에 그림자가 포함될 경우 객체에 대한 형태 분석이나 정확한 위치 파악이 어려우며, 이동 경로의 분석 또한 어렵게 된다.
참고문헌 (9)
I. Haritaoglu, D. Harwood and L. S. Davis, "W4:Real-Time Surveillance of People and Their Activities", actions on Pattern Analysis and Machine Intelligence, Vol. 22, No. 8, pp.809-830, 2000.
D. -S. Lee, "Effective Gaussian Mixture Learning for Video Background Subtration", IEEE s on Pattern Analysis and Machine Intelligence, Vol. 27, No. 5, pp.827-832, 2005.
P. L. Rosin, T. Ellis, "Image Difference threshold strategies and shadow detection", 6th British ion Conference, 1996.
Marko Heikkila, and Matti Pietikainen, "A Texture-Based Method for Modeling the Background and Detecting Moving Objects", IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 28, No. 4, pp.657-662, April 2006.
T. Horprasert, D. Harwood, L. S. Davis, "A Statistical Approach for Real-Time Robust Background and Shadow Detection", ICCV'99 Frame-Rate Workshop, 1999.
P. Kumar. S. Ranganath, W. Huang, "Queue based fast background modelling and fast hysteresis for better foreground segmentation", the 2003 Joint Conference of the Fourth and fic-Rim Conference on Multimedia, Vol. 2, pp.743-747, 2003.
P. Blauensteiner, H. Wildenauer, A. Hanbury, M. Kampel, "On Colour spaces for Change Detection Suppression", Computer Vision Winter Workshop, 2006.
R. O. Duda, P. E. Hart and D. G. Stork, Pattern Classification. Wiley-Interscience, second edition, 2001.
신종홍, 장선봉, 지인호, 디지털 영상처리 입문, 한빛미디어, pp.50-57, 2008.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.