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
- 본 논문은 서로 다른 특징을 이용한 DCF기반 추적기 여러개를 조합하는 새로운 방법을 제안한다. 제안하는 방법은 먼저 영상으로부터 서로 다른 특징들을 추출한다.
- 본 논문에서는 이러한 특성을 고려하여 상관응답을 평가하기 위한 수치로써 기존에 주로 쓰이는 PSR과 다른 새로운 방법인 PSPR을 제안한다. 제안하는 SPR은 추적결과의 신뢰도를 평가하기 위해 여러 상관응답의 통계적 특성을 의미하는 meansidelobe이나 σsidelobe를 이용하지 않고, 지역적 분포 특성인 sidelobe 영역 최대값과 전체영역의 최대값을 이용하여 계산할 수 있다.
- 본 논문에서는 DCF 및 이를 확장한 multi-DCF 기반 추적 방법의 한계를 극복하기 위해 새로운 상관응답 조합방법을 제시하였다. 각 특징차원의 추적기는 상관응답을 분석하여 추적 성능을 평가하고, 이 값에 따라 추적결과에 기여도를 반영한다.
제안 방법
- 본 논문은 서로 다른 특징을 이용한 DCF기반 추적기 여러개를 조합하는 새로운 방법을 제안한다. 제안하는 방법은 먼저 영상으로부터 서로 다른 특징들을 추출한다. 이 때 사용되는 특징은 조밀한 맵을 추출할 수 있으면 어떠한 특징추출방법도 적용 가능하다.
- 이렇게 얻어진 신뢰도 값을 기반으로 다중 상관응답들을 가중치 융합한다. 제안하는 기법은 주어진 환경에 강인한 추적기와 그렇지 않은 추적기를 선별하고, 추적성능이 상대적으로 더 뛰어날 것이라고 예상되는 추적기를 추적결과에 더 많이 가중치를 반영한다. 이렇게 함으로써 모든 상관응답을 단순 합하는 기존 방법에 비하여 좀 더 다양하고 복잡한 배경에서도 추적성능을 향상 시킬 수 있다.
- 이렇게 함으로써 모든 상관응답을 단순 합하는 기존 방법에 비하여 좀 더 다양하고 복잡한 배경에서도 추적성능을 향상 시킬 수 있다. 본 논문에서는 단일 특징을 이용한 대표적인 DCF기반 추적기인 MOSSE 추적기[6]를 제안하는 방법의 기본 추적기로 사용하고, 제안한 새로운 조합방법으로 다차원 가중합 DCF(multi-WDCF)기반 추적기를 구성하였다.
- 다음 절에서는 먼저 기본으로 사용하는 단일 특징 기반 추적기인 MOSSE 추적기와 이를 다차원으로 확장한 버전 multi-DCF 추적기에 대해서 설명하고, 기존에 주로 사용해 오던 추적기 평가 방법인 PSR(Peak to Sidelobe Ratio)에 대해 설명한다. 다음으로 제안하는 추적기의 새로운 신뢰도 평가 방법인 PSPR(Peak to Sidelobe Peak Ratio)과 이를 이용한 추적기 조합방법을 설명한다.
- 다음으로 제안하는 추적기의 새로운 신뢰도 평가 방법인 PSPR(Peak to Sidelobe Peak Ratio)과 이를 이용한 추적기 조합방법을 설명한다. 마지막으로 제안한 기법에 대하여 다양한 샘플 영상에서 기존 MOSSE 및 multi-DCF기반 추적기와 추적 성능 비교 결과를 제시 한다.
- 제안하는 SPR은 추적결과의 신뢰도를 평가하기 위해 여러 상관응답의 통계적 특성을 의미하는 meansidelobe이나 σsidelobe를 이용하지 않고, 지역적 분포 특성인 sidelobe 영역 최대값과 전체영역의 최대값을 이용하여 계산할 수 있다.
- 이와 같은 문제를 해결하기 위해서 각 차원의 상관응답값의 범위를 정규화하고, 추적기의 성능에 따라 각 차원의 상관응답을 가중합을 하여 최종 상관응답을 조합하는 방법을 제안한다. 상관응답은 학습된 표적이 해당 위치에 있을 가능성의 척도로 해석할 수 있다.
- 실험에 사용된 영상은 최근 추적기 평가에 사용된 영상 데이터세트[11]를 사용하였다. 해당 추적 평가용 데이터세트는 영상의 특성에 따라 다양한 태크를 붙여놓았다. 그 중에서 대상표적이 화면 밖으로 완전히 사라짐을 나타내는 OV태그가 있는 영상을 제외하였다.
- f-HOG 특징은 기울기 및 텍스쳐 기반 특징을 다차원으로 추출하여 준다. 실험에서는 f-HOG에서 추출한 31차원의 특징과 MOSSE 추적기에 사용되는 영상을 추가하여, 총 32차원 특징을 사용하였다.
- PSR과 PSPR은 maxpeak와 sidelobe 영역의 통계수치를 이용한다는 점에서 계산 방법이 유사하기 때문에 PSR을 제시한 MOSSE에서 사용하는 제외영역의 크기를 그대로 사용하였다. 그리고 표적의 크기변화를 고려하지 않기 때문에 제외영역의 크기를 고정하였다.
- 본 논문에서 기본 추적기로 사용하는 MOSSE 추적기와 이를 다차원으로 확장한 버전의 추적기 multi-DCF, 그리고 제안한 방법의 multi-WDCF 추적기의 성능을 비교 측정하였다.
- 또한 제안한 추적기 성능평가 방법인 PSPR과 PSR의 성능을 비교하기 위하여 PSR을 이용한 상관응답 조합으로 추적기를 구성하고 평가에 포함시켰다. 각 차원의 상관응답 영향도를 결정하는 식(11)의 PSPR을 PSR로 수정하였고, 나머지 설정은 동일하게 하였다.
- 주어진 실험영상을 가지고 거리 임계값을 1에서 40까지 변경하면서 거리정밀도(DP) 값을 측정하였다. 모든 실험영상의 거리정밀도룰 평균한 그래프를 Fig.
- 본 논문에서는 DCF 및 이를 확장한 multi-DCF 기반 추적 방법의 한계를 극복하기 위해 새로운 상관응답 조합방법을 제시하였다. 각 특징차원의 추적기는 상관응답을 분석하여 추적 성능을 평가하고, 이 값에 따라 추적결과에 기여도를 반영한다. 이를 위하여 배경의 평균 상관응답을 이용하는 PSR 추적기 신뢰도 평가 방법 대신 지역적 상관응답 분포특성을 이용하는 PSPR 추적기 신뢰도 평가 방법을 제시하였다.
- 각 특징차원의 추적기는 상관응답을 분석하여 추적 성능을 평가하고, 이 값에 따라 추적결과에 기여도를 반영한다. 이를 위하여 배경의 평균 상관응답을 이용하는 PSR 추적기 신뢰도 평가 방법 대신 지역적 상관응답 분포특성을 이용하는 PSPR 추적기 신뢰도 평가 방법을 제시하였다. PSPR을 이용하여 계산된 각 차원 상관응답 가중치로 최종 상관응답을 생성하는 multi-WDCF기반 추적기를 구성하였다.
- 이를 위하여 배경의 평균 상관응답을 이용하는 PSR 추적기 신뢰도 평가 방법 대신 지역적 상관응답 분포특성을 이용하는 PSPR 추적기 신뢰도 평가 방법을 제시하였다. PSPR을 이용하여 계산된 각 차원 상관응답 가중치로 최종 상관응답을 생성하는 multi-WDCF기반 추적기를 구성하였다. 제안된 multi-WDCF-PSPR 추적기는 다양한 영상에서 하나의 특징을 이용한 MOSSE 추적기는 물론, 다차원 확장 추적기와 PSR을 이용하여 조합된 multi-WDCF-PSR 추적기보다 추적에 뛰어난 성능을 보여주었다.
대상 데이터
- 실험에 사용된 영상은 최근 추적기 평가에 사용된 영상 데이터세트[11]를 사용하였다. 해당 추적 평가용 데이터세트는 영상의 특성에 따라 다양한 태크를 붙여놓았다.
- 그 중에서 대상표적이 화면 밖으로 완전히 사라짐을 나타내는 OV태그가 있는 영상을 제외하였다. 또한 본 논문에서 제시한 multi-WDCF 추적기는 크기변화를 고려하지 않기 때문에 표적의 크기변화가 심함을 나타내는 SV 태그가 붙은 영상 또한 제외하여 총 18개의 영상을 실험에 사용하였다. Fig.
- 그리고 PSPR을 계산하기 위한 제외영역은 크기를 11×11로 설정하였다. PSR과 PSPR은 maxpeak와 sidelobe 영역의 통계수치를 이용한다는 점에서 계산 방법이 유사하기 때문에 PSR을 제시한 MOSSE에서 사용하는 제외영역의 크기를 그대로 사용하였다. 그리고 표적의 크기변화를 고려하지 않기 때문에 제외영역의 크기를 고정하였다.
데이터처리
- 이 때 사용되는 특징은 조밀한 맵을 추출할 수 있으면 어떠한 특징추출방법도 적용 가능하다. 추출된 각 특징을 이용하여 상관추적을 수행하고 획득된 상관응답들에 대하여 제안하는 정량적 평가방법으로 신뢰도를 평가한다. 이렇게 얻어진 신뢰도 값을 기반으로 다중 상관응답들을 가중치 융합한다.
- 이렇게 획득된 H는 주어진 하나의 학습샘플에 대해 계산된 상관필터이다. 실제 구현에서 연속해서 입력되는 학습샘플에 대해서 최적의 상관필터를 근사화하기 위해, MOSSE와 마찬 가지로 상관필터를 가중평균 형태로 갱신한다.
이론/모형
- 다음 절에서는 먼저 기본으로 사용하는 단일 특징 기반 추적기인 MOSSE 추적기와 이를 다차원으로 확장한 버전 multi-DCF 추적기에 대해서 설명하고, 기존에 주로 사용해 오던 추적기 평가 방법인 PSR(Peak to Sidelobe Ratio)에 대해 설명한다. 다음으로 제안하는 추적기의 새로운 신뢰도 평가 방법인 PSPR(Peak to Sidelobe Peak Ratio)과 이를 이용한 추적기 조합방법을 설명한다. 마지막으로 제안한 기법에 대하여 다양한 샘플 영상에서 기존 MOSSE 및 multi-DCF기반 추적기와 추적 성능 비교 결과를 제시 한다.
- 표적추적 성능측정 수치로 중심위치오차(Center Position Error), 거리정밀도(Distance Precision), 겹침정밀도(Overlap Precision)을 사용하였다.
- 본 논문에서 제시한 추적 방식은 Matlab R2013a 을 이용하여 구현하였다. 그리고 모든 실험은 Intel Xeon CPU E31270 @ 3.
- 5 사이로 밝기값을 정규화하여 사용하였다. 그리고 multi-DCF와 제안한 방법 multi-WDCF에 사용할 다차원 특징을 추출하기 위해 f-HOG[12]을 사용하였다. f-HOG 특징은 기울기 및 텍스쳐 기반 특징을 다차원으로 추출하여 준다.
성능/효과
- 가장 좋은 추적 성능을 보여주는 결과값을 진하게 표시하였다. 평균 중심위치오차가 약 13픽셀을 보여준 multi-WDCF-PSPR 이 가장 좋은 성능을 나타내었다.
- 9에 나타내었다. MOSSE, multi-DCF, multi-WDCF-PSR, multi-WDCF-PSPR 순으로 추적성능이 좋아지는 것을 알 수 있다.
- 10에 나타내었다. 거리정밀도와 마찬가지로 제안한 방법인 multi-WDCF-PSPR 추적기가 가장 좋은 추적성능을 보여주었다.
- 모든 성능지표(CPE, DP, OP)에서 PSPR로 구성한 추적기가 PSR로 구성한 추적기보다 좋은 성능을 나타내었다. 이는 PSPR 추적기 평가방법이 PSR 보다 추적의 성공여부를 더 정확하게 판단하였다는 것을 의미한다.
- 이는 PSPR 추적기 평가방법이 PSR 보다 추적의 성공여부를 더 정확하게 판단하였다는 것을 의미한다. 또한 이러한 결과를 통해서 추적기 성능평가 방법을 개선하여 추적 성능을 높일 수 있다는 것을 알 수 있다.
- PSPR을 이용하여 계산된 각 차원 상관응답 가중치로 최종 상관응답을 생성하는 multi-WDCF기반 추적기를 구성하였다. 제안된 multi-WDCF-PSPR 추적기는 다양한 영상에서 하나의 특징을 이용한 MOSSE 추적기는 물론, 다차원 확장 추적기와 PSR을 이용하여 조합된 multi-WDCF-PSR 추적기보다 추적에 뛰어난 성능을 보여주었다.
- 크기 공간에서 추출한 특징을 이용한다는 차이점이 있지만, 다중 상관필터를 융합하여 최종 상관필터를 구하는 과정은 표적의 이동량을 추정하는 방법과 동일하다. 따라서 제안한 추적방법 multi-WDCF는 multi-DCF를 이용한 크기 추정방법에 쉽게 적용할 수 있다. 본 논문에서는 제안 방법을 표적의 이동량을 추정하는데만 적용하였지만, 앞으로 multi-WDCF를 표적의 크기를 예측하는데 적용하여 추적기의 성능을 높이는 연구를 진행할 예정이다.
후속연구
- 따라서 제안한 추적방법 multi-WDCF는 multi-DCF를 이용한 크기 추정방법에 쉽게 적용할 수 있다. 본 논문에서는 제안 방법을 표적의 이동량을 추정하는데만 적용하였지만, 앞으로 multi-WDCF를 표적의 크기를 예측하는데 적용하여 추적기의 성능을 높이는 연구를 진행할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.