[논문]서베일런스 네트워크에서 적응적 색상 모델을 기초로 한 실시간 객체 추적 알고리즘

강성관; 이정현

doi:10.14400/jdc.2015.13.9.183

서베일런스 네트워크에서 적응적 색상 모델을 기초로 한 실시간 객체 추적 알고리즘
Real-Time Object Tracking Algorithm based on Adaptive Color Model in Surveillance Networks 원문보기

디지털융복합연구 = Journal of digital convergence, v.13 no.9, 2015년, pp.183 - 189

강성관 (인하대학교 컴퓨터정보공학부) , 이정현 (인하대학교 컴퓨터정보공학부)

초록
AI-Helper

본 논문은 서베일런스 네트워크에서 영상의 색상 정보를 이용한 객체 추적 방법을 제안한다. 이 방법은 적응적인 색상 모델을 이용한 객체 검출을 수행한다. 객체 윤곽선 검출은 객체 인식과 같은 응용에서 중요한 역할을 수행한다. 실험 결과는 색상과 크기에서 객체의 다양한 변화가 있을 때에도 성공적인 객체 검출을 증명한다. 실시간으로 객체를 검출하는 응용 분야에서 대량의 영상 데이터를 전송할 때 색상 분포의 형태를 찾아내는 것이 가능하다. 객체의 특정 색상 정보는 입력 영상에서 동적으로 변화하는 색상에서 자주 수정되어진다. 그래서, 이 알고리즘은 해당 추적 영역 안에서 객체의 추적 영역 정보를 탐지하고 그 객체의 움직임만을 추적한다. 실험을 통해, 본 논문은 어떤 이상적인 상황하에서 제안하는 객체 추적 알고리즘이 다른 방법보다 더 강인한 면이 있다는 것을 보여준다.

Abstract ▼ AI-Helper

In this paper, we propose an object tracking method using the color information of the image in surveillance network. This method perform a object detection using of adaptive color model. Object contour detection plays an important role in application such as object recognition. Experimental results demonstrate successful object detection over a wide range of object's variation in color and scale. In applications to detect an object in real time, when transmitting a large amount of image data it is possible to find the mode of a color distribution. The specific color of an object is modified at dynamically changing color in image. So, this algorithm detects the tracking area information of object within relevant tracking area and only tracking the movement of that object.Through experiments, we show that proposed method is more robust than other methods under certain ideal situations.

주제어

AI 본문요약
AI-Helper

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

문제 정의

하지만 특정 객체가 가지는 색상 정보는 객체 검출에 유용하게 쓰이는 가장 기본적이면서도 중요한 정보이다[4]. 따라서 이러한 점을 보완하기 위한 색상 정보의 추출 및 객체 영역의 검출에 관한 문제를 줄일 수 있도록 한다. 객체 영역을 검출하는데 있어서 색상을 모델링을 통하여 객체 영역을 검출한다[5].
정규화 및 각종 색상 변환을 통해서 색상을 추출하기 위하여 많은 연구들이 이루어지고 있다[6]. 본 논문에서는 색상 픽셀로 분류된 영역들에 대해 라벨링을 통하여 객체에 대한 영역을 추출한다. 즉 Homogenous color 영역들은 하나의 영역으로 통합하는 것이다.
본 논문에서는 적응적 색상 모델을 기초로 한 실시간 객체 추적 알고리즘에 대하여 제안하였다. 정확한 객체 영역의 추출은 인식하고자 하는 성능에도 영향을 미친다.
제안하는 적응적 색상 모델을 기초로 한 실시간 객체 추적 알고리즘의 주요 내용은 입력된 영상에서의 색상 분포도를 계산하여 일정한 영역의 유사한 색상들이 분포하는지 판단한다. 입력된 영상에서 존재하는 색상 영상의 빈도수를 계산하여 빈도수가 많은 색상 값이 영상에서 어느 정도의 비율을 가지고 있는지 판별하는 것이다. 30 x 30 영역에서 20 x 20의 객체 영상이 있는지를 평가 하는 문제에서는 어느 색상의 빈도수가 최대한 0.

가설 설정

이때 객체 영상으로 유사한 색상 값을 병합하는 것이 중요하다. 객체 영상 내에서 주변에 있는 값들은 유사할 것이다. GMM 이나 log 함수를 이용하여 평가하거나 미리 다운 샘플링을 한다면 유사한 색상들이 하나의 색상으로 표현되기 때문에 유사한 색상공간을 찾기가 쉬워진다[8].

제안 방법

Homogenous Color와 non homogenous color에 해당하는 모델을 생성하기 위해서 각종 이미지 파일을 영상으로부터 얻고 각각의 color space에 대해 값을 저장한다. 영상이 입력되어지면 현재 영상에서의 색상의 분포를 분석한다.
본 연구에서는 가장 쉽게 얻어지는 RGB 컬러 정보와 YCbCr 컬러 모형에서의 Cr 색상 정보 값을 이용하여 객체 영역을 추출한다. RGB 색상 모형을 HIS 즉 색상, 명도 , 채도의 색상 모형으로 변경시킴으로써 명암에 조금은 독립적인 정보를 사용하고자 한다. 여러 실험들에서 RGB 컬러 값에서의 임계값 (threshold)보다 Hue 값을 이용하는 것이 더 효과적이다.
가상의 색상 공간에 대해서 영상에서 특정 객체 영역이 가지는 색상 정보가 어느 색상 영역에 많이 분포하게 되는지를 평가한다. PC 카메라로 입력 받은 영상과 스캔한 사진 영상 20 x 20 크기 150장에 대한 특정 객체 영역이 가지는 색상의 분포를 나타내면 아래의 [Fig.
영상이 입력되어지면 현재 영상에서의 색상의 분포를 분석한다. 그리고 현 영상에서의 이미지를 나타나는 빈도 수별로 저장하여 영상에서 존재하는 영역들에 대하여 필터링한다[12].
따라서 Cr, Cb 색상 값의 범위와 CrCb 값의 비율을 통해서 픽셀에 대하여 Homogenous color인지 아닌지를 평가한다. 밀집된 영역에 나타나면 객체의 후보영역으로 결정한다.
하지만, 입력되어지는 영상에서 실제로 특정 객체에게 인식되어지는 색상의 수는 많지 않다[9]. 따라서 이러한 특성을 이용하여 색상에 대해 다운 샘플링 과정을 거침으로써 입력되는 영상에서의 색상의 범위를 축소한다.
따라서 특정 객체 영역을 정확하게 추출하기 위한 방법들이 연구되고 있으며 본 논문에서 제안하는 방법은 다른 여러 가지 실험들에서도 증명되고 있다. 본 논문에서는 먼저 색상의 종류를 다운 샘플링하여 도메인을 축소시켰으며 다양한 객체 영역에 대해 명암도에 따른 객체의 Homogenous Color 값을 비교함으로써 객체 영역의 추출 성능을 개선하였다. 다중 해상도 분석을 통하여 Homogenous Color의 밀도를 측정함으로써 객체 영역의 검출 성능을 높일 수 있었다.
본 연구는 객체 영역을 추출하여 변형된 KIMME 알고리즘을 이용하여 Homogenous color와 non homogenous color에 대한 color 모델링을 이용하여 객체 영역을 추출 하게 된다. 사용할 색상 공간을 다운샘플링하며 반대의 두 색상 영역에 대한 색상의 범위는 256색상 공간에서 32, 16, 8 의 색상공간으로 매핑시켜 사용하며 EM알고리즘과 GMM 알고리즘을 통하여 객체 영역에 대한 후보 영역을 추출한다[10].
RGB 컬러 모형을 사용할 경우에는 색상 공간의 크기를 어느 정도로 하는 것이 객체에 대한 Homogenous color, non homogenous color를 구별 지을 것인지를 비교하는 것이 효과적이다. 본 연구에서는 가장 쉽게 얻어지는 RGB 컬러 정보와 YCbCr 컬러 모형에서의 Cr 색상 정보 값을 이용하여 객체 영역을 추출한다. RGB 색상 모형을 HIS 즉 색상, 명도 , 채도의 색상 모형으로 변경시킴으로써 명암에 조금은 독립적인 정보를 사용하고자 한다.
본 연구는 객체 영역을 추출하여 변형된 KIMME 알고리즘을 이용하여 Homogenous color와 non homogenous color에 대한 color 모델링을 이용하여 객체 영역을 추출 하게 된다. 사용할 색상 공간을 다운샘플링하며 반대의 두 색상 영역에 대한 색상의 범위는 256색상 공간에서 32, 16, 8 의 색상공간으로 매핑시켜 사용하며 EM알고리즘과 GMM 알고리즘을 통하여 객체 영역에 대한 후보 영역을 추출한다[10]. 추출된 후보 영역은 연결선과 shape 정보를 이용하여 최종적인 객체의 후보 영역을 선택한다.
6]에서 보듯이 객체 영역에 해당 픽셀을 구성하는 색상값들의 비율로써 객체 영역을 검색한다. 색상값과 영상에서의 색상 값 정보의 비례를 이용하여객체 영역을 추출한다. 이때 명암도 값에 따른 색상의 값을 반영하기 위하여 [Fig.
오류가 발생한 영상은 라벨링된 객체 영역에서 객체의 크기에 민감하지 않도록 다중 해상도 분석을 통하여 20×20 영역에서의 객체 검증 과정을 수행함으로써 개선하였다.
이때 발생하게 되는 객체 영역의 그늘진 부분이나 가려진 부분의 영역 분할의 문제를 해결하기 위하여 다중 해상도 분해방식을 이용하여 객체 20×20 영역에서 Homogenous Color와 non Homogenous Color를 추출하며 이 값들의 비율로써 객체 영역을 검출하도록 한다.
제안하는 적응적 색상 모델을 기초로 한 실시간 객체 추적 알고리즘의 주요 내용은 입력된 영상에서의 색상 분포도를 계산하여 일정한 영역의 유사한 색상들이 분포하는지 판단한다. 입력된 영상에서 존재하는 색상 영상의 빈도수를 계산하여 빈도수가 많은 색상 값이 영상에서 어느 정도의 비율을 가지고 있는지 판별하는 것이다.
보통 원을 검출하는 알고리즘으로 Generl Hough Transform을 사용하다. 하지만 본 연구에서는 다중해상도기법(multiresolution)을 적용한 영상에서 30 x 30 크기의 영상을 기준으로 하여 객체 후보영역인지를 판단하므로 원의 크기를 알고 있다는 전제하에 KIMME 알고리즘을 이용하여 후보영역을 추출한다[11].

대상 데이터

실험에 사용한 데이터는 객체영상 600 개의 영상을 입력받아 객체에 대한 인식 성능을 평가하였으며, [Table 2]패턴의 입력 노드가 RGB 성분을 모두 가지는 1200개의 입력 노드로 사용하여 인식한 결과이다.

데이터처리

명암도에 따른 색상 정보의 CrCb 색상값을 추출하기 위하여 1200개의 20 × 20 영역의 객체 영역에서 명암도 값에 따른 색상값의 비율을 적용한다[7]. 입력되는 영상에서 색상 영역을 추출하며, 라벨링시 발생하는 문제점과 객체 영역의 추출 보정을 위하여 다중 해상도 방식을 적용하여 homogenous color 분포 비율로써 객체 영역을 추출함으로써 객체 크기의 변화에 대해서도 객체 영역을 추출할 수 있도록 하며 객체와 비객체 검증을 위하여 Bayesian Classifier를 이용하여 인증한다.

이론/모형

여러 실험들에서 RGB 컬러 값에서의 임계값 (threshold)보다 Hue 값을 이용하는 것이 더 효과적이다. 객체 영상을 추출하는 데 있어서 Homogenous color의 영역을 기준으로 하여 객체 영역으로 인정할 색상 영역은 EM 알고리즘과 GMM을 이용한다. 또는 shape 정보나 연결값의 분포로써 객체 영역의 후보 영역을 최소화한다.
객체 영역에 대하여 검색 영역을 줄이기 위하여 Nearest neighbor 보간법을 이용하여 입력 영상의 영역을 감소시킨다. 영상을 크게 하거나 작게 축소하는 역할을 한다.
추출된 후보 영역은 연결선과 shape 정보를 이용하여 최종적인 객체의 후보 영역을 선택한다. 보통 원을 검출하는 알고리즘으로 Generl Hough Transform을 사용하다. 하지만 본 연구에서는 다중해상도기법(multiresolution)을 적용한 영상에서 30 x 30 크기의 영상을 기준으로 하여 객체 후보영역인지를 판단하므로 원의 크기를 알고 있다는 전제하에 KIMME 알고리즘을 이용하여 후보영역을 추출한다[11].

성능/효과

본 논문에서는 먼저 색상의 종류를 다운 샘플링하여 도메인을 축소시켰으며 다양한 객체 영역에 대해 명암도에 따른 객체의 Homogenous Color 값을 비교함으로써 객체 영역의 추출 성능을 개선하였다. 다중 해상도 분석을 통하여 Homogenous Color의 밀도를 측정함으로써 객체 영역의 검출 성능을 높일 수 있었다. 객체의 인식 성능을 높이기 위하여 그 객체의 특징점이 정확하게 잘 표현되어질 수 있도록 객체 영역을 검출하는 것이 선행되어야 하며, 이를 위하여 객체의 Shape정보를 이용하여 유사도를 평가할 경우 객체 영상의 벡터화의 과정과 여러 파라미터에 적응적인 임계값들의 설정에 대한 연구가 필요하다, 또한, 편향 조명 등에 대해서는 색상 정보만으로 객체 검출이 쉽지 않으므로 환경과 주위 조명에 강인한 객체 검출 및 인식 기술에 대한 연구가 개선되어야 할 것으로 평가 된다.

후속연구

다중 해상도 분석을 통하여 Homogenous Color의 밀도를 측정함으로써 객체 영역의 검출 성능을 높일 수 있었다. 객체의 인식 성능을 높이기 위하여 그 객체의 특징점이 정확하게 잘 표현되어질 수 있도록 객체 영역을 검출하는 것이 선행되어야 하며, 이를 위하여 객체의 Shape정보를 이용하여 유사도를 평가할 경우 객체 영상의 벡터화의 과정과 여러 파라미터에 적응적인 임계값들의 설정에 대한 연구가 필요하다, 또한, 편향 조명 등에 대해서는 색상 정보만으로 객체 검출이 쉽지 않으므로 환경과 주위 조명에 강인한 객체 검출 및 인식 기술에 대한 연구가 개선되어야 할 것으로 평가 된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	서베일런스 네트워크에서 영상의 색상 정보를 이용한 객체 추적 방법은 어떤 일을 수행하는가?	본 논문은 서베일런스 네트워크에서 영상의 색상 정보를 이용한 객체 추적 방법을 제안한다. 이 방법은 적응적인 색상 모델을 이용한 객체 검출을 수행한다. 객체 윤곽선 검출은 객체 인식과 같은 응용에서 중요한 역할을 수행한다.
	원을 검출하는 알고리즘 보통 무엇을 사용하는가?	추출된 후보 영역은 연결선과 shape 정보를 이용하여 최종적인 객체의 후보 영역을 선택한다. 보통 원을 검출하는 알고리즘으로 Generl Hough Transform을 사용하다. 하지만 본 연구에서는 다중해상도기법(multiresolution)을 적용한 영상에서 30 x 30 크기의 영상을 기준으로 하여 객체 후보영역인지를 판단하므로 원의 크기를 알고 있다는 전제하에 KIMME 알고리즘을 이용하여 후보영역을 추출한다[11].
	객체 영역에 대한 검색 영역을 줄이기 위해 이용하는 것은?	객체 영역에 대하여 검색 영역을 줄이기 위하여 Nearest neighbor 보간법을 이용하여 입력 영상의 영역을 감소시킨다. 영상을 크게 하거나 작게 축소하는 역할을 한다.

참고문헌 (15)

W. Zhang and G. Cao, Dynamic Convoy Tree-Based Collaboration for Target Tracking in Sensor Networks, IEEE Transactions on Wireless Communications, Vol. 3, No. 5, September 2004.
D. R. Kincaid and W. W. Cheney, Numerical Analysis: the Mathematics of Scientific Computing, Van Nostrand, 1991.
S. M. LaValle, Planning Algorithms, Cambridge University Press, 2006.
Wang and X. Tang, A Unified Framework for Subspace Object Recognition, IEEE Trans. on PAMI, Vol. 26, No. 9, pp. 1222-1228, 2004.

상세보기
S. J. Maybank, A. D. Worrall and G. D. Sullivan, Filter for Car Tracking Based on Acceleration and Steering Angle, British Machine Vision Conference, 1996.
C. W. Ng and S. Ranganath, "Real-time Gesture Recognition System and Application," Image and Vision Computing, Vol. 20, Issues 13-14, pp. 993-1007, 2002.

상세보기
D. H. Liu, K. M. Lam, and L. S. Shen, "Illumination invariant object recognition" Journal of Pattern Recognition, Vol.38, pp.1705-1716, 2005.

상세보기
H. Schneiderman and T. Kanade, "Object Detection Using the Statistics of Parts," Int'l J. Computer Vision, Vol. 56, No. 3, pp. 151-177, 2004.

상세보기
Hyun-Chul Kim; Daijin Kim; Sung Yang Bang; "Face recognition using LDA mixture model," Pattern Recognition, 2002. Proceedings. 16th International Conference on , 11-15, 8. 2002. pp: 486-489 vol.2
R. Duda, P. Hart, and D. Stork, "Pattern Classification," Second Edition, John Willey & Sons Publications, New York, 2001.
P. Phillips, "The FERET Database and Evolution Procedure for Object Recognition Al-gorithms," Image and Vision Computing, Vol. 16, No. 5, pp. 295-306, 1999.
J. W. Ko, K. Y. Chung, J. S. Han, "Model Transformation Verification using Similarity and Graph Comparison Algorithm", Multimedia Tools and Applications, 2013. Doi: 10.1007/s11042-013-1581-y

상세보기
Y. Ko, V. Shankarkumar and N. H. Vaidya, Medium Access Control Protocols Using Directional Antennas in Ad Hoc Networks, IEEE Infocom, March 1999.
A. Aljadhai and T. F. Znati, Predictive Mobility Support for QoS Provisioning in Mobile Wireless Environments, IEEE Journal on Selected Areas in Communications (JSAC), Vol. 19, No. 10, October 2001.
V. Kawadia and P. R. Kumar, Power Control and Clustering in Ad Hoc Networks, IEEE Infocom, March 2003.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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