$\require{mediawiki-texvc}$

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.

양방향 필터 기반 Mean-Shift 기법을 이용한 강인한 얼굴추적
Bilateral Filtering-based Mean-Shift for Robust Face Tracking 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.8 no.9, 2013년, pp.1319 - 1324  

최완용 (광운대학교 제어계측공학과) ,  이윤형 ((주)만도 중앙연구소) ,  정문호 (광운대학교 로봇학부)

초록
AI-Helper 아이콘AI-Helper

Mean-Shift 알고리즘은 목표모델과 후보영상 사이의 컬러분포의 유사도를 이용하는 국부적 탐색기법으로서, 그 기법의 단순성 및 안정성 면에서 뛰어나 얼굴추적에 많이 이용되고 있다. 그러나 컬러분포를 이용한 얼굴추적은 목표모델과 유사한 컬러분포를 갖는 객체나 배경의 영향에 취약하다. 또한 얼굴 추적에서 결정되는 얼굴영역은 얼굴인식 혹은 얼굴방향 등을 계산할 때 중요한 단서가 되는데, 완전히 다른 컬러분포를 갖는 객체의 가려짐으로 얼굴영역의 크기나 위치가 변동될 위험이 있다. 대체로 거리정보는 얼굴과 배경의 구분에 효율적이고 컬러정보는 객체 구분에 유리하다는 가정으로부터, 본 논문에서는 이러한 문제를 해결하기 위해 거리 정보와 컬러 정보를 함께 이용하는 양방향 필터를 고안하고, 이것을 Mean-Shift 알고리즘에 활용하였다. 일련의 실험을 통해 성공적인 실험결과를 얻었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The mean shift algorithm has achieved considerable success in object tracking due to its simplicity and robustness. It finds local minima of a similarity measure between the color histograms or kernel density estimates of the target and candidate image. However, it is sensitive to the noises due to ...

주제어

#평균이동   #양방향 필터링   #얼굴추적  

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 계획 본 논문에서는 양방향 필터 기반의 Mean-Shift 기법을 제안하였다. Mean-Shift 기법이 얼굴추적에 적용될 때 발생하는 문제점은 유사한 컬러분포를 갖는 배경에 의해 추적이 실패하기 쉽다는 것과 다른 컬러 분포를 갖는 객체의 가려짐에 의해 추정된 얼굴영역이 변경된다는 것이다.
  • 본 논문에서는 거리정보는 얼굴과 배경의 구분에 효율적이고 컬러정보는 객체 구분에 유리하다는 가정으로부터, 이러한 문제를 해결하기 위해 거리 정보와 컬러 정보를 함께 이용하는 양방향 필터를 고안했다. 실험을 통해 얼굴을 추적할 때 유사한 컬러분포를 갖는 배경 및 완전히 다른 컬러분포를 갖는 객체의 가려짐의 영향을 줄이는 것을 확인하였다.

가설 설정

  • 실험을 통해 제안된 방법이 이러한 문제에 대해 강인성을 확보함을 확인할 수 있었다. 본 논문에서 제안한 방법은 조명조건이 일정하다는 가정 하에서 유효하다. 컬러분포가 조명조건에 따라 바뀌기 때문에 이러한 조건에서 안정된 얼굴추적을 수행하기 위해서는 얼굴의 목표영상 모델을 조명 변화에 따라 계속 수정해야만 한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
객체 추적은 어떤 기술인가? 복잡한 환경에서 시각적 특징을 통한 효과적인 추적 방법에 대한 많은 연구가 이루어지고 있다. 객체 추적은 연속한 영상들로부터 관심 객체의 위치와 크기 등을 알아내는 것으로서, 감시시스템[1][2][3][4], 지능적 사용자 인터페이스[5], 지능형 장소[6][7] 그리고 비디오 압축[8]과 같은 실시간 처리 응용분야는 움직이는 객체를 추적하기 위한 능력을 요구한다. 객체 추적에 있어 계산의 복잡성은 대부분의 응용분야에 있어 치명적이다.
Mean-Shift 알고리즘이 실시간 객체에 많이 쓰이는 이유는? 컬러나 텍스쳐(texture)처럼 시각적 특징 값을 기초로 한 비강체의 실시간 추적에 대한 방법으로 최근에 Mean-Shift 알고리즘이 주목을 받고 있다. 이것은 Mean-Shift 알고리즘은 목표모델과 후보영상 사이의 컬러분포의 유사도를 이용하는 국부적 탐색기법으로 서, 계산의 단순성 및 안정성 면에서 뛰어나 실시간 객체에 많이 이용되고 있다. 그러나 컬러분포를 이용한 얼굴추적에 적용될 때, 목표모델과 유사한 컬러분 포를 갖는 객체나 배경의 영향에 취약하다는 단점이 있다.
컬러분포를 이용한 얼굴추적에 Mean-Shift 알고리즘을 적용할 시 나타나는 문제점은? 이것은 Mean-Shift 알고리즘은 목표모델과 후보영상 사이의 컬러분포의 유사도를 이용하는 국부적 탐색기법으로 서, 계산의 단순성 및 안정성 면에서 뛰어나 실시간 객체에 많이 이용되고 있다. 그러나 컬러분포를 이용한 얼굴추적에 적용될 때, 목표모델과 유사한 컬러분 포를 갖는 객체나 배경의 영향에 취약하다는 단점이 있다. 또한 얼굴 추적에서 결정되는 얼굴영역은 얼굴 인식 혹은 얼굴방향 등을 계산할 때 중요한 단서가 되는데, 완전히 다른 컬러분포를 갖는 객체의 가려짐으로 인해 얼굴영역의 크기나 위치가 변동될 위험이 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (10)

  1. Y. Cui, S. Samarasekera, Q. Huang, M Greienhagen, "Indoor Monitoring Via the Collaboration Between a Peripheral Senson and a Foveal Sensor", IEEE Workshop on Visual Surveillance, Bombay, India, pp. 2-9, 1998. 

  2. Jang-sik Park, Hyun-tae Kim, Yun-sik Yu, "Video Based Fire Detection Algorithm using Gaussian Mixture Model", The Korea Institute of Electronic Communication Science, Vol. 6, No. 2, pp. 206-211, 2011. 

  3. Ik-Soon Kim, Hyun-shik Shin, "A Study on Development of Intelligent CCTV Security System based on BIM", The Korea Institute of Electronic Communication Science, Vol. 6, No. 5, pp. 789-795, 2011. 

  4. Ik-soon Kim, Jae-duck Yoo, Bae-hun Kim, "A Monitoring Way and Installation of Monitoring System using Intelligent CCTV under the u-City Environment", The Korea Institute of Electronic Communication Science, Vol. 3, No. 4, pp. 295-303, 2011. 

  5. G.R. Bradski, "Computer Vision Face Tracking as a Component of a Perceptual User Interface," IEEE Work. on Applic. Comp. Vis., Princeton, pp. 214-219, 1998. 

  6. R. Chellappa, S. Zhou, and B. Li. Bayesian methods for face recognition from video. In Int. Conf. on Acoustics Speech and Signal Processing, Orlando, Florida, 2002. 

  7. C. Wren, A. Azarbayejani, T. Darrell, A. Pentland, "Pfinder: Real-Time Tracking of the Human Body," IEEE Trans. Pattern Analysis Machine Intell., Vol. 19, pp. 780-785, 1997. 

    상세보기 crossref

  8. A. Eleftheriadis, A. Jacquin, "Automatic Face Location Detection and Tracking for Model- Assisted Coding of Video Teleconference Sequences at Low Bit Rates," Signal Processing - Image Communication, Vol. 7, No. 3, pp. 231-248, 1995. 

    상세보기 crossref

  9. D. Comaniciu, V. Ramesh, and P. Meer. Kernel-based object tracking. IEEE Trans. Pattern Anal. Mach. Intell., Vol. 25, No. 5, pp. 564-577, 2003. 

    상세보기 crossref

  10. Paul Viola, M. Jones, Rapid Object Detection using a Boosted Cascade of Simple, Proceedings of CVPR2001, Vol. I, pp. 511-518, 2001. 

관련 콘텐츠

오픈액세스(OA) 유형

FREE

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

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