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
- 하지만 앞서 설명한 기존 알고리즘과 같이 대부분의 비-균일 양자화 기법은 구현하는 복잡도가 매우 높기 때문에 실시간 물체 추적 알고리즘에 적용하기에는 어려움이 있다. 따라서 본 논문에서는 각각의 색-공간에 히스토그램 평활화를 적용한 후 균일 양자화를 적용함으로써, 결과적으로는 고속으로 비-균일 색-공간 양자화를 수행하는 결과를 얻을 수 있도록 하였다. 색 히스토그램 평활화 기법[11]은 영상의 히스토그램을 이용하여 정규화 된 누적 분포를 구한 후, 조정인자를 곱하여 원래의 명암 값을 재분배한다.
- 본 논문에서는 커널 기반 평균 이동 알고리즘에서 색-공간 양자화로 인해 발생하는 히스토그램 불균일 분포 현상을 해결하기 위해 고속 비-균일 색-공간 양자화 기법을 제안하였다. 제안 알고리즘은 표적 모델에 색-공간 히스토그램 평활화를 적용한 후 균일 양자화를 적용하는 방식으로, 색-공간 양자화 후에도 히스토그램이 전체적으로 분산되는 결과를 얻을 수 있으며, 이를 통해 보다 정확한 평균 이동 벡터를 구할 수 있게 되었다.
- 이에 본 논문에서는 색-공간 양자화 후에도 히스토그램 분포가 전 영역에 균일하게 분산될 수 있도록 하는 고속 비-균일 색-공간 양자화 기법을 제안한다. 비-균일 양자화는 양자화 하고자 하는 값의 분포 및 특징에 따라 양자화 구간 길이를 서로 다르게 설정하는 기술로, Lloyd-max 양자화, 벡터 양자화 등 다양한 기법이 존재한다.
- 이에 본 논문에서는 영상의 색 히스토그램 분포를 조절하여 색-공간 양자화를 수행함으로써, 표적 모델의 히스토그램이 전체적으로 분산될 수 있는 고속 비-균일 색-공간 양자화 기법을 제안한다. 색 히스토그램의 분산은 영상의 명암 대비를 조절하는 것이기 때문에 이를 통해 물체와 배경을 보다 선명하게 구분할 수 있게 되며, 이는 물체 추적을 보다 정확하게 할 수 있는 장점을 갖는다.
- Comaniciu 등의 기법과 비교), Egtest05 영상에서도 12% 정도 감소하였다. 즉, 본 논문에서 제안하는 비-균일 양자화 기법이 균일 양자화 기법에 비해 보다 정확한 물체 추적 성능을 제공하는 것이다.
제안 방법
- 제 2장에서는 기존 평균 이동 물체 추적 알고리즘의 소개 및 색-공간 균일 양자화 방법을 설명한다. 3장에서는 2장에서 확인한 기존 알고리즘의 문제점을 해결하기 위하여 색 히스토그램 평활화를 기반으로 한 비-균일 색-공간 양자화 방식을 설명하고, 이를 적용한 평균 이동 물체 추적 알고리즘을 제안한다. 4장에서는 제안하는 기법의 성능을 보여주기 위한 실험 및 결과를 보여주고, 5장에서 본 논문의 결론을 맺는다.
- 각 실험 영상은 장면 당 물체의 실제 좌표 정보를 갖고 있기 때문에 본 논문에서는 이 좌표값과 실험적으로 얻은 추적 좌표값 사이의 추적 오차를 구함으로써 물체 추적의 정확도를 평가하였다. 각 실험 영상에서 단일 객체를 물체 추적 목표로 정하였으며, 각 객체로는 움직이는 사람 및 사물 등을 설정하였다. 또한 평균 이동 기법에 사용되는 커널로는 Epanechnikov 커널을 사용하였고, 색-공간 양자화가 미치는 물체 추적 성능에 대한 객관적 검증을 위해 가장 기본적인 평균 이동 물체 추적 기법에 해당하는 D.
- 본 논문에서 제안하는 기법의 성능 검증을 위해, 그림 4와 같이 6개의 물체 추적용 실험 영상을 사용하였다. 각 실험 영상은 장면 당 물체의 실제 좌표 정보를 갖고 있기 때문에 본 논문에서는 이 좌표값과 실험적으로 얻은 추적 좌표값 사이의 추적 오차를 구함으로써 물체 추적의 정확도를 평가하였다. 각 실험 영상에서 단일 객체를 물체 추적 목표로 정하였으며, 각 객체로는 움직이는 사람 및 사물 등을 설정하였다.
- 제안하는 알고리즘을 객관적으로 평가하기 위해 크게 2가지 형태의 실험 군을 설정하였는데, 명암비가 좋지 않은 실험 영상(Campus1, Campus2, Fight_RunAway2)과 상대적으로 명암비가 좋은 일반 영상(Egtest05, Baseball, Corridor)으로 나누어 실험을 진행하였다. 또한 물체 추적 시 커널의 크기는 대략 추적 물체의 1.2배 정도가 되도록 설정하였으며, 비트심도 8비트의 컬러 영상(28+8+8개의 빈)을 24+4+4개로 양자화 하도록 설정하였다.
- 히스토그램 평활화가 편중된 색-공간 분포를 가진 영상을 평활한 색-분포를 가지도록 변환하는 기법이기 때문에, 평활화 결과에 균일 양자화를 적용하는 것은 표적 모델의 특징을 이루는 높은 히스토그램 빈 값을 가지는 색 영역 부근에서는 간격이 좁은 양자화를 수행하고, 반대로 낮은 히스토그램빈 값을 가지는 색 영역들은 크게 하나로 묶어주는 결과를 제공한다. 또한 이러한 비-균일 양자화 기법은 기존의 균일 양자화가 제공하는 고속 추적의 장점은 유지하면서 명암 대비가 개선된 형태로 히스토그램 유사도 계산을 가능하도록 함으로써, 기존 비-균일 양자화 알고리즘과 비슷한 물체 추적의 정확도를 얻을 수 있도록 한다.
- 각 실험 영상에서 단일 객체를 물체 추적 목표로 정하였으며, 각 객체로는 움직이는 사람 및 사물 등을 설정하였다. 또한 평균 이동 기법에 사용되는 커널로는 Epanechnikov 커널을 사용하였고, 색-공간 양자화가 미치는 물체 추적 성능에 대한 객관적 검증을 위해 가장 기본적인 평균 이동 물체 추적 기법에 해당하는 D. Comaniciu[2]의 알고리즘에 기존 비-균일 양자화 기법[12]과 본 논문에서 제안하는 비-균일 양자화 기법을 적용하여, 그 추적 결과 및 복잡도를 비교함으로써 제안하는 기법의 성능을 검증할수 있도록 실험을 설계하였다.
- 본 논문에서 제안하는 비-균일 색-공간 양자화를 위해, 우선 영상의 색 히스토그램 평활화 및 양자화를 표적 모델의 각 색-공간에 적용한 후, 여기서 구하게 되는 양자화 테이블 T를 이용하여 표적 후보에도 각 색-공간의 양자화를 수행한 후, 그 결과를 이용하여 물체 추적을 수행한다. 그림 3은 본 논문에서 제안하는 기법의 전체 흐름도를 보여준다.
- 우선, 히스토그램 평활화로 인한 히스토그램 분포도 변화를 확인하기 위해 표적 모델 및 표적 후보에 히스토그램 평활화를 적용한 결과를 분석하였다. 그림 5는 그림 1과 같은 표적 모델에 히스토그램 평활화를 적용한 후의 히스토그램 분포도를 보여준다.
- 이러한 문제를 해결하기 위해 색-공간 내에 물체의 색이 존재하는 영역을 그 색 분포에 따라 비-균일하게 대표화 할 수 있는 비-균일 양자화 알고리즘이 제안되었다[12]. 이 알고리즘은 커널 영역 내 화소 값들을 클러스터링하여 분류한 후, 각 클러스터의 직교정규 변환(orthonormal transform) 결과를 이용하여 최적의 히스토그램 빈 영역을 계산한다. 이를 통해 클러스터 개수만큼의 비-균일한 히스토그램 빈 영역을 색-공간 내에 생성하게 되며, 클러스터 개수는 클러스터링 변수 값에 따라 자동으로 결정된다.
- 이러한 문제점을 보완하기 위해 히스토그램 빈 개수 및 영역을 적응적으로 조절하는 비-균일 양자화 알고리즘이 제안되었다[12]. 이 알고리즘은 커널 영역의 화소 값들을 클러스터링(clustering)하여 분류한 후, 각각의 클러스터에 적합한 최적의 히스토그램 빈 영역을 색-공간 내에서 설정함으로써 비-균일 히스토그램 양자화를 수행한다. 이와 같은 비-균일 히스토그램 양자화를 통해 히스토그램이 색-공간의 일부에 편중된 영상에서도 높은 정확도의 물체 추적 결과를 얻을 수 있지만 설정된 클러스터의 개수에 따라 물체 추적 정확도가 크게 좌우되며, 알고리즘 복잡도가 매우 높기 때문에 실시간 물체 추적에 적용하기 어려운 단점이 있다.
- 표 1은 실험 영상 및 추적 대상 물체에 대한 세부 특징을 설명하는 것으로, 각 테스트 시퀀스의 해상도, 추적 대상 물체의 크기 (커널크기) 및 물체 추적의 특징을 비교하기 좋은 시퀀스 구간(장면 범위) 등을 나타내고 있다. 제안하는 알고리즘을 객관적으로 평가하기 위해 크게 2가지 형태의 실험 군을 설정하였는데, 명암비가 좋지 않은 실험 영상(Campus1, Campus2, Fight_RunAway2)과 상대적으로 명암비가 좋은 일반 영상(Egtest05, Baseball, Corridor)으로 나누어 실험을 진행하였다. 또한 물체 추적 시 커널의 크기는 대략 추적 물체의 1.
- 본 장에서는 기존 평균 이동 물체 추적 알고리즘의 분석을 통해 비-균일 색-공간 양자화 기법의 필요성을 설명한다. 커널 기반 평균 이동 물체 추적은 추적하고자 하는 물체가 포함되어 있는 표적 모델과 이의 비교 대상이 되는 표적 후보간의 색 히스토그램 유사성을 비교한 후 최적의 표적 후보 위치를 결정한다. 표적 모델은 물체 추적 첫 장면에서만 설정되며, 표적 모델 및 표적 후보 모델 간 히스토그램 유사성의 비교를 위한 Bhattacharyya 계수는 같이 정의된다[2]
대상 데이터
- 본 논문에서 제안하는 기법의 성능 검증을 위해, 그림 4와 같이 6개의 물체 추적용 실험 영상을 사용하였다. 각 실험 영상은 장면 당 물체의 실제 좌표 정보를 갖고 있기 때문에 본 논문에서는 이 좌표값과 실험적으로 얻은 추적 좌표값 사이의 추적 오차를 구함으로써 물체 추적의 정확도를 평가하였다.
성능/효과
- 그림 1과는 달리 표적 모델에 히스토그램 평활화가 적용된 후에는 그림 5(a)와 같이 커널내 물체와 배경의 구분이 보다 선명해 진 것을 확인할 수 있는데, 이는 그림 5(b)와 같이 RGB 색-공간에 히스토그램 빈이 고르게 분산되었기 때문이다. 또한 그림 5(c) 및 6(c) 를 통해 표적 모델 및 표적 후보에 제안하는 양자화가 적용된 후에도 히스토그램이 전 영역에 분포되어있는 것을 볼수 있으며, 이를 통해 본 논문에서 제안하는 비-균일 색-공간 양자화가 목표 효과를 충실하게 달성하고 있음을 알 수 있다. 정량적으로 보면 ωi 계산에 영향을 주는 빈은 기존 49개에서 히스토그램 평활화 후에 298개로 크게 증가하였으며, 이와 같이 히스토그램 비교 후보군의 증가로 인해 보다 정확도가 높은 평균 이동 벡터를 구할 수 있었다.
- 또한 표적 모델 생성 시에만 히스토그램 변환 함수를 적용하고, 생성된 비-균일 양자화 방법이 반복적으로 수행하는 추적 후보 모델에는 단순 적용만 되기 때문에 복잡도 증가가 거의 발생하지 않으며, 이는 실시간 고속 추적을 목표로 하는 커널 기반 평균 이동 알고리즘에 적합하다고 할 수 있다. 6개의 물체 추적용 실험 영상을 통해 본 논문에서 제안하는 기법의 성능을 검증한 결과, 기존의 비-균일 양자화 알고리즘에 비해 매우 낮은 복잡도를 가지는 동시에 유사한 물체 추적 성능 향상 결과를 얻을 수 있었으며, 특정 영상에서는 좀 더 나은 물체 추적 결과를 보이기도 하였다. 향후에는 기존 비-균일 양자화 알고리즘보다 정교하며 실시간 추적이 가능하도록 하는 양자화 방법에 대해 연구를 진행할 계획이며, 본 논문에서 제안하는 알고리즘에서 고려하지 못한 객체의 시간 변이에 따른 가려짐, 변형, 명암비가 수시로 변동되는 영상에서의 물체 추적을 위해 표적 모델 업데이트를 이용한 적응적 양자화 방법에 대해서도 연구를 진행할 예정이다.
- 클러스터의 개수가 426개 이하인 경우에는 물체 추적에 실패하기 때문에 그림에서 제외하였으며, 커널 크기 (61x33) 및 알고리즘의 특성 상 최대 클러스터 개수인 2,013개부터 알고리즘 성능 결과를 확인하였다. 그림에 보이는 바와 같이, 클러스터 수가 많을수록 제안하는 알고리즘보다 높은 추적 성능을 보여주지만, 알고리즘이 요구하는 복잡도가 크게 증가하는 것을 확인할 수 있다. 특히, 클러스터의 수가 가장 작은 경우에도 알고리즘 속도가 한 장면 당 0.
- 식 (1)과 같이 Bhattacharyya 계수는 표적 모델과 표적 후보 간 같은 위치의 히스토그램 값들을 곱한 후 이를 모두 더하여 얻게 되며, 값이 높을수록 두 커널 간 유사성이 높다고 할 수 있다. 따라서 두 히스토그램에서 유사한 값을 가지는 빈이 많을수록 높은 Bhattacharyya 계수를 얻을 수 있다. 또한 식 (2)에서 볼 수 있듯이, # 와 # 는 등방성 커널 k(x)로 가중치가 적용되기 때문에 커널 중심에서 멀어질수록 히스토그램에 영향이 작아지게 되며, 가까울수록 큰 영향을 준다.
- 또한 색 히스토그램 평활화는 간단한 연산을 통해 구현이 가능하기 때문에 기존 알고리즘에 비해 복잡도 증가가 거의 발생하지 않는다. 따라서 본 논문에서 제안하는 기법을 통해 고속으로 비-균일 색-공간 양자화를 수행할 수 있으며, 이를 통해 얻어지는 히스토그램은 명암 대비가 개선된 형태이기 때문에 보다 높은 정확도의 물체 추적을 가능하게 한다.
- 본 논문에서 제안하는 비-균일 색-공간 양자화가 적용된 표적 모델 #과 표적 후보 #는 색-공간 양자화 후에도 0이 아닌 값을 가지는 빈들이 히스토그램전 영역에 고르게 분포하게 되며, 이를 통해 보다 많은 화소에 대한 가중치 ωi를 얻을 수 있다. 따라서 본 논문에서 제안하는 기법을 통해 보다 많은 화소들이 영향으로 주는 평균이동 벡터 #를 계산을 할 수 있으며, 이로 인해 히스토그램 분포가 편중된 영상에서도 정확도 높은 물체 추적 결과를 얻을 수 있다.
- 제안 알고리즘은 표적 모델에 색-공간 히스토그램 평활화를 적용한 후 균일 양자화를 적용하는 방식으로, 색-공간 양자화 후에도 히스토그램이 전체적으로 분산되는 결과를 얻을 수 있으며, 이를 통해 보다 정확한 평균 이동 벡터를 구할 수 있게 되었다. 또한 표적 모델 생성 시에만 히스토그램 변환 함수를 적용하고, 생성된 비-균일 양자화 방법이 반복적으로 수행하는 추적 후보 모델에는 단순 적용만 되기 때문에 복잡도 증가가 거의 발생하지 않으며, 이는 실시간 고속 추적을 목표로 하는 커널 기반 평균 이동 알고리즘에 적합하다고 할 수 있다. 6개의 물체 추적용 실험 영상을 통해 본 논문에서 제안하는 기법의 성능을 검증한 결과, 기존의 비-균일 양자화 알고리즘에 비해 매우 낮은 복잡도를 가지는 동시에 유사한 물체 추적 성능 향상 결과를 얻을 수 있었으며, 특정 영상에서는 좀 더 나은 물체 추적 결과를 보이기도 하였다.
- Comaniciu 등의 기본 알고리즘에서 비- 균일 양자화로 얻은 성능 개선은 제안 기법과 거의 유사한 것을 볼 수 있고, Campus1 시퀀스의 경우에는 제안 기법만이 추적에 성공하는 것을 알 수 있다. 또한, 비-균일 양자화 알고리즘의 복잡도를 비교해 보면 대략 73배에서 최대 5,235배까지 제안 기법에 비해 높은 계산량을 요구하는 것을 볼 수 있다. 그림 9는 Fight_RunAway2 영상에서 클러스터 개수에 따른 기존 비-균일 양자화 알고리즘의 성능을 보여준다.
- 색 히스토그램 평활화 기법[11]은 영상의 히스토그램을 이용하여 정규화 된 누적 분포를 구한 후, 조정인자를 곱하여 원래의 명암 값을 재분배한다. 명암 대비가 개선된 영상은 히스토그램 분포도가 전 영역에 고르게 분산되어 있으며, 이에 균일 양자화를 적용함으로써 결과적으로 영상의 특징을 이루는 높은 히스토그램 빈 값을 가지는 색 영역에서 간격이 좁은 양자화를, 반대의 경우에는 간격이 넓은 양자화를 수행하는 비-균일 색-공간 양자화 결과를 얻을 수 있다. 또한 색 히스토그램 평활화는 간단한 연산을 통해 구현이 가능하기 때문에 기존 알고리즘에 비해 복잡도 증가가 거의 발생하지 않는다.
- 또한 분산된 색 히스토그램은 양자화 후에도 전체 히스토그램 영역에 분산된 값을 유지하기 때문에 이로 인해 증가되는 히스토그램 비교 후보군은 히스토그램 유사성 비교의 정확도를 높일 수 있다. 본 논문에서 제안하는 비-균일 양자화 기법은 색 히스토그램 평활화 기법[11]을 통해 고속으로 히스토그램 분포를 조절한 후 색-공간 균일 양자화를 적용하는 방식으로, 결과적으로는 비트 심도(bit-depth)가 8인 색-공간 별로 28바이트(byte) 크기의 양자화 테이블로 구현된다. 히스토그램 평활화가 편중된 색-공간 분포를 가진 영상을 평활한 색-분포를 가지도록 변환하는 기법이기 때문에, 평활화 결과에 균일 양자화를 적용하는 것은 표적 모델의 특징을 이루는 높은 히스토그램 빈 값을 가지는 색 영역 부근에서는 간격이 좁은 양자화를 수행하고, 반대로 낮은 히스토그램빈 값을 가지는 색 영역들은 크게 하나로 묶어주는 결과를 제공한다.
- 는각 색-공간 당 양자화 단계 수를 의미한다. 위와 같이 표적 모델에 양자화 테이블 T= {TR ,TG ,TB} 를 RGB 색-공간에 각각 적용함으로써 본 논문에서 제안하는 비-균일 양자화 결과를 얻을 수 있다. 위와 같이 계산된 양자화 테이블을 이용하여 색 히스토그램 평활화가 적용된 표적모델 #를 다음과 같이 재 정의할 수 있다.
- 이와 같은 결과를 종합해보면 본 논문에서 제안하는 비- 균일 색-공간 양자화 기법이 평균 이동 물체 추적의 성능을 개선할 수 있음을 알 수 있고, 특히 명암비가 좋지 않은 영상에서의 실시간 물체 추적에 매우 효과적임을 알 수 있다.
- 정량적으로 보면 ωi 계산에 영향을 주는 빈은 기존 49개에서 히스토그램 평활화 후에 298개로 크게 증가하였으며, 이와 같이 히스토그램 비교 후보군의 증가로 인해 보다 정확도가 높은 평균 이동 벡터를 구할 수 있었다.
- 본 논문에서는 커널 기반 평균 이동 알고리즘에서 색-공간 양자화로 인해 발생하는 히스토그램 불균일 분포 현상을 해결하기 위해 고속 비-균일 색-공간 양자화 기법을 제안하였다. 제안 알고리즘은 표적 모델에 색-공간 히스토그램 평활화를 적용한 후 균일 양자화를 적용하는 방식으로, 색-공간 양자화 후에도 히스토그램이 전체적으로 분산되는 결과를 얻을 수 있으며, 이를 통해 보다 정확한 평균 이동 벡터를 구할 수 있게 되었다. 또한 표적 모델 생성 시에만 히스토그램 변환 함수를 적용하고, 생성된 비-균일 양자화 방법이 반복적으로 수행하는 추적 후보 모델에는 단순 적용만 되기 때문에 복잡도 증가가 거의 발생하지 않으며, 이는 실시간 고속 추적을 목표로 하는 커널 기반 평균 이동 알고리즘에 적합하다고 할 수 있다.
- 하지만 이러한 색공간 양자화 방식은 히스토그램 유사성 비교 결과의 정확도를 감소시키게 되며, 특히 추적하고자 하는 모델 히스토그램이 일부 영역에 편중되어 분포하고 있는 경우 큰 문제점을 발생시킬 수 있다. 즉, 표적 모델의 색 히스토그램이 특정 영역에 집중되어 있는 경우, 균일 히스토그램 양자화로 인해 특징 색들이 대부분 동일한 값의 빈(bin)으로 변환될 수 있으며, 이로 인해 발생하는 비교 대상 히스토그램 빈의 감소는 히스토그램 유사성 비교 결과의 신뢰도를 감소시킬 수 있다.
- 이를 통해 클러스터 개수만큼의 비-균일한 히스토그램 빈 영역을 색-공간 내에 생성하게 되며, 클러스터 개수는 클러스터링 변수 값에 따라 자동으로 결정된다. 즉, 히스토그램 빈 영역을 색-공간에서 비-균일하게 설정하여 유사한 화소끼리 히스토그램을 구성하도록 하였으며, 이를 통해 히스토그램이 편중된 영상에서도 보다 정확한 히스토그램 비교 결과를 얻을 수 있다. 하지만 이 알고리즘은 클러스터의 개수에 따라 물체 추적의 정확도가 크게 좌우되며, 또한 클러스터의 개수가 증가할수록 알고리즘 복잡도가 급증한다.
- 그림 9는 Fight_RunAway2 영상에서 클러스터 개수에 따른 기존 비-균일 양자화 알고리즘의 성능을 보여준다. 클러스터의 개수가 426개 이하인 경우에는 물체 추적에 실패하기 때문에 그림에서 제외하였으며, 커널 크기 (61x33) 및 알고리즘의 특성 상 최대 클러스터 개수인 2,013개부터 알고리즘 성능 결과를 확인하였다. 그림에 보이는 바와 같이, 클러스터 수가 많을수록 제안하는 알고리즘보다 높은 추적 성능을 보여주지만, 알고리즘이 요구하는 복잡도가 크게 증가하는 것을 확인할 수 있다.
- 표 2의 결과에서, D.Comaniciu 등이 제안한 평균 이동 물체 추적 기법에 기존의 비-균일 양자화 기법[12]을 적용한 결과와 D. Comaniciu 등의 방식에 제안하는 양자화 기법을 적용한 결과를 비교해 보면, 본 논문에서 제안하는 알고리즘이 모든 실험 영상에서 기존 기법의 결과에 상당하는 우수한 물체 추적 결과를 보여주고 있는 것을 알 수 있다. 특히, 명암비가 좋지 않은 실험 영상(Campus1, Campus2 및 Fight_RunAway2)에서 제안 기법은 물체 추적에 모두 성공한 것을 볼 수 있다.
- Comaniciu 등의 방법과 기존 비-균일 양자화 기법에서 추적 실패로 이어졌다. 하지만 본 논문에서 제안하는 비-균일 색-공간 양자화를 이용하면 명암비가 좋지 않은 영상에서도 물체와 배경을 보다 쉽게 구분할 수 있으며, 이와 같은 명암 대비 조절로 인한 히스토그램 비교 후보군의 증가는 보다 정확도 높은 물체 추적을 가능하게 한다는 것을 알 수 있다. 히스토그램 비교 후보군의 증가로 인한 물체 추적의 정확도 향상은 Corridor, Baseball 및 Egtest05 영상의 결과에서도 확인할 수 있는데, 표 2에서 볼 수 있는 바와 같이 Corridor 영상의 평균 거리 오차는 히스토그램 평활화를 적용할 경우 대략 20%가 감소하였으며(D.
- 즉, 히스토그램 빈 영역을 색-공간에서 비-균일하게 설정하여 유사한 화소끼리 히스토그램을 구성하도록 하였으며, 이를 통해 히스토그램이 편중된 영상에서도 보다 정확한 히스토그램 비교 결과를 얻을 수 있다. 하지만 이 알고리즘은 클러스터의 개수에 따라 물체 추적의 정확도가 크게 좌우되며, 또한 클러스터의 개수가 증가할수록 알고리즘 복잡도가 급증한다. 특히 색-공간에서 비-균일하게 설정된 히스토그램 빈 영역 간의 중복 영역 확인이 필요하므로 클러스터 개수가 증가할수록 이를 위한 연산량이 늘어난다.
- 하지만 본 논문에서 제안하는 비-균일 색-공간 양자화를 이용하면 명암비가 좋지 않은 영상에서도 물체와 배경을 보다 쉽게 구분할 수 있으며, 이와 같은 명암 대비 조절로 인한 히스토그램 비교 후보군의 증가는 보다 정확도 높은 물체 추적을 가능하게 한다는 것을 알 수 있다. 히스토그램 비교 후보군의 증가로 인한 물체 추적의 정확도 향상은 Corridor, Baseball 및 Egtest05 영상의 결과에서도 확인할 수 있는데, 표 2에서 볼 수 있는 바와 같이 Corridor 영상의 평균 거리 오차는 히스토그램 평활화를 적용할 경우 대략 20%가 감소하였으며(D. Comaniciu 등의 기법과 비교), Egtest05 영상에서도 12% 정도 감소하였다. 즉, 본 논문에서 제안하는 비-균일 양자화 기법이 균일 양자화 기법에 비해 보다 정확한 물체 추적 성능을 제공하는 것이다.
후속연구
- 이와 같은 비-균일 히스토그램 양자화를 통해 히스토그램이 색-공간의 일부에 편중된 영상에서도 높은 정확도의 물체 추적 결과를 얻을 수 있지만 설정된 클러스터의 개수에 따라 물체 추적 정확도가 크게 좌우되며, 알고리즘 복잡도가 매우 높기 때문에 실시간 물체 추적에 적용하기 어려운 단점이 있다. 따라서 본 논문에서 목표로 하는 실시간 물체 추적의 정확도 향상을 위해서는 고속으로 비-균일 히스토그램 양자화를 수행하는 알고리즘이 요구된다.
- 6개의 물체 추적용 실험 영상을 통해 본 논문에서 제안하는 기법의 성능을 검증한 결과, 기존의 비-균일 양자화 알고리즘에 비해 매우 낮은 복잡도를 가지는 동시에 유사한 물체 추적 성능 향상 결과를 얻을 수 있었으며, 특정 영상에서는 좀 더 나은 물체 추적 결과를 보이기도 하였다. 향후에는 기존 비-균일 양자화 알고리즘보다 정교하며 실시간 추적이 가능하도록 하는 양자화 방법에 대해 연구를 진행할 계획이며, 본 논문에서 제안하는 알고리즘에서 고려하지 못한 객체의 시간 변이에 따른 가려짐, 변형, 명암비가 수시로 변동되는 영상에서의 물체 추적을 위해 표적 모델 업데이트를 이용한 적응적 양자화 방법에 대해서도 연구를 진행할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.