$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 많은 통행량과 조명 변화에 강인한 빠른 배경 모델링 방법
A Fast Background Subtraction Method Robust to High Traffic and Rapid Illumination Changes 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.13 no.3, 2010년, pp.417 - 429  

이광국 (한양대학교 전자통신컴퓨터공학과) ,  김재준 (한양대학교 건축공학부) ,  김회율 (한양대학교 전자컴퓨터통신공학부)

초록
AI-Helper 아이콘AI-Helper

배경 제거를 위한 많은 연구가 있어왔음에도 기존의 방법들을 실제 환경에 효과적으로 적용하기에는 아직도 많은 어려움이 있다. 본 논문에서는 배경 제거를 실제 환경에 적용하면서 만나게 되는 다양한 문제들을 해결하기 위해 기존의 가우시안 혼합 모델 방법을 개선하는 배경 제거 방법을 제안한다. 첫째로 제안한 방법은 낮은 계산량을 얻기 위하여 고정 소수점 연산을 이용하였다. 배경 모델링 과정은 변수들의 높은 정밀도를 요구하지 않기 때문에 제안한 방법에서는 고정 소수점 변수를 이용함으로서 정확도를 유지한 채 연산 속도를 크게 향상시킬 수 있었다. 두 번째로 보행자들의 높은 통행량 하에서 흔히 발생되는 전경 객체가 배경으로 학습되는 문제를 피하기 위하여 각 화소의 정적인 정도를 이용하여 배경 모델의 학습 속도를 동적으로 조절하였다. 즉 최근 화소 값에 큰 차이가 발생한 화소들은 배경 영역이 아닐 가능성이 높으므로, 이에 대해 낮은 학습 비율을 적용함으로써 높은 통행량을 보이는 영상에서도 유효한 배경 모델을 유지하는 것이 가능했다. 마지막으로 영상의 빠른 밝기값 변화에 대응하기 위하여 연속한 두 프레임 간의 밝기 변화를 선형 변환으로 추정하였으며, 훈련된 배경 모델을 이 선형 변환에 의해 직접적으로 변환시켜 주었다. 제안한 고정 소수점 연산에 의해 기존의 가우시안 혼합 배경 모델링 방법을 구현한 결과 배경 제거에 기존 방법의 약 30%의 연산시간 만을 필요로 하였다. 또한 제안한 방법을 실제 환경의 영상에 적용한 결과 기존의 배경 제거 방법에 비해 검출률이 약 20% 향상되었으며, 오검률은 5~15% 가량 낮아지는 것을 확인하였다.

Abstract AI-Helper 아이콘AI-Helper

Though background subtraction has been widely studied for last decades, it is still a poorly solved problem especially when it meets real environments. In this paper, we first address some common problems for background subtraction that occur in real environments and then those problems are resolved...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 이와 같은 기존 배경 제거의 문제점을 해결하기 위하여 기존의 가우시안 혼합 모델 (Gaussian mixture model)에 기반한 배경 모델 링을 개선한 방법을 제안한다. 제안한 방법에서는 빠른 연산을 위하여 부동소수점 연산 대신 정수형 변수를 이용한 고정 소수점 연산을 이용하였다.
  • 하지만, 그들의 방법은 모델 감쇠 과정이 낮은 학습 비율에 의해 지속적으로 일어나는 기존 배경 모델링 방법과 달리 일정 주기마다 모델의 감쇠가 절반씩 이루어지기 때문에 배경 모델이 갱신 과정이 불안정한 문제점이 있었다. 본 논문에서는 배경 모델링 방법의 속도 향상을 위해 고정 소수점 연산을 이용한 빠른 배경 모델링 방법을 제안한다. 제안한 방법은 가우시안 혼합배경 모델링 방법이 부동소수점 자료형에 의해 지원되는 정밀도에 비하여 비교적 낮은 정밀도만을 요구한다는 관찰에 기반하고 있다.
  • 본 논문에서는 배경 제거 방법들을 실제 환경에 적용할 때 흔히 만나게 되는 문제점인 (1) 낮은 연산량에 대한 요구. (2) 많은 통행량에 대한 대응, (3) 영상의 빠른 밝기 변화에 대한 적응을 해결하기 위하여 기존의 가우시 안 혼합 모델에 기반한 배경 제거 방법을 개선하는 방법을 제안하였다.

가설 설정

  • . 높은 계산량: 배경 제거 과정은 대부분의 영상감시 응용에서 필수적으로 실시간 처리가 요구된다. 연산 속도의 문제는 특히 수십 대 이상의 카메라가 이용되는 대규모 영상 감시 시스템이나 하드웨어의 계산 성능이 비교적 낮은 경우에 더욱 중요한 문제가 된다.
  • 지속적인 객체 이동에 대한 대응: 통행량이 많은 통로 또는 출입문 근처에서는 끊임없이 객체의 이동이 발생한다. 이러한 지역에서 지속적으로 객체의 움직임이 발생되는 경우에는 종종 전경 객체가 배경보다도 더 자주 관찰되어 결과적으로 전경 객체의 일부가 배경으로 학습되는 문제가 발생하게 된다.
  • 이를 위해 우선 고정 소수점 변수의 정수부와 소수부에 각각 m, n 비트(bit)가 할당되었다고 가정한다. 그러면, 정수형 변수를 n 비트만큼 비트 이동(bit shift)시킴으로서 이를 고정 소수점 변수로 손쉽게 변환할 수 있다.
  • 이러한 문제를 해결하기 위해서 본 논문에서는 배경 화소가 가장 높은 빈도로 발생한다는 기존의 가정 이외에 배경 화소는 또한 정적이어야 한다는 가정을 추가하였다. 즉 각 화소의 정적인 정도(static level) 에 따라서 학습 비율을 변경하여 배경 모델을 갱신하였다.
본문요약 정보가 도움이 되었나요?

참고문헌 (14)

  1. I. Haritaoglu, D. Harwood, L. Davis, I. Center, and C. San Jose, "W 4: real-time surveillance of people and their activities," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.22, pp. 809-830, 2000. 

  2. C. Stauffer and W. Grimson, "Adaptive back ground mixture models for real-time tracking," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Vol.2, pp. 246-252, 1999. 

  3. P. KaewTraKulPong and R Bowden, " An improved adaptive backg round mixture model for real- time tracking with shadow detection," European Workshop on Advanced Video Based Surveillance Systems, Vol.5308, 2001. 

  4. M. Mason and Z. Duric, "Using histograms to detect and track objects in color video," Applied Imagery Pattern Recognition Workshop, pp.154-159, 2001. 

  5. M. Heikkila and M. Pietikainen, "A texture- based method for modeling the back ground and detecting moving objects," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.28, pp. 657-662, 2006. 

  6. M. Harville, G. Gordon, and J. Woodfill, "Foreground segmentation using adaptive mixture models in color and depth," IEEE Workshop on Detection and Recognition of Events in Video, pp. 3-11, 2001. 

  7. Q. Zhu, S. Avidan, and K Cheng, "Learning a sparse, corner-based representation for time-varying background modelling," IEEE International Conference on Computer Vision, Vol. 1, pp. 678-685, 2005. 

  8. K. Brumitt and B. Meyers, "Wallflower Principles and practice of background main tenance," International Conference on Computer Vision, pp. 255-261, 1999. 

  9. P. Kumar, S. Ranganath, and W. Huang, "Queue based fast background modelling and fast hysteresis thresholding for better foreground segmentation," the Fowth International Conference on Information, Communications and Signal Processing, Vol.2, pp. 743-747, 2003. 

  10. S. Apewokin, B. Valentine, L Wills, S. Wills, and A. Genti le, "Multimoclal Mean Adaptive Backgrounding for Embedded Real- Time Video Surveillance," IEEE Conference on Computer Vision and Pattern Recognition, pp.1-6, 2007. 

  11. 가기환, 이광국, 윤자영, 김재준, 김회율, "군중밀도 측정을 위한 자동 특징량 정규화 방법," 대한 전자공학회 추계학술대회 논문집 pp. 669-670, 2007. 

  12. P. Viola and M. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features," IEEE Conference on Computer Vision and Pattern Recognition, pp. 8-14, 2001. 

  13. Z. Tang and Z. Miao, "Fast Background Subtraction and Shadow Elimination Using Improved Gaussian Mixture Model," IEEE International Workshop on Haptic Audio Visual Environments and their Applications, pp. 38-41, 2007. 

  14. G.-G. Lee, S. Song, J.-Y. Yoon, J. -J. Kim, and W. -Y. Kim, "Adaptive Learning of Background Model for Crowd Scenes," International Conference on Multimedia, Information Technology and its Application, pp. 77-80, 2008. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

유발과제정보 저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로