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
- 따라서 이동상태의 객체는 이동 속도에 따라서 정지상태의 객체와 다른 형태적 특징을 가진다. 본 논문에서는 이동하는 객체가 촬영될 때 발생하는 모션블러 현상과, 이에 따른 형태적 특징 변화를 관찰하여 객체의 속도에 따라 다른 추적 알고리즘을 적용하여 움직임 추적의 정확도를 높일 수 있는 방법을 제안한다.
제안 방법
- 깊이카메라는 색상 카메라에 비해 움직임 추적 시 계산량이 적고 정확한 장점이 있다. 깊이화면 내의 여러 객체들 중 하나의 관심객체를 선별하기 위한 관심객체 선별 과정과, 선별된 객체가 관심객체의 조건에 부합하는지 검사하는 관심객체 조건검사 과정을 적용한 후 관심객체의 형태적 특징을 획득하였다.
- 본 논문에서는 깊이카메라를 통해 배경영상의 깊이 값을 축적하고, 이 후 물체가 카메라 시야 안으로 들어오면 배경과의 깊이 값을 비교하여 객체를 식별한다. 이때 식별된 객체 중에서 관심을 가지는 객체만 선별하기 위해 관심객체의 형태적 특징을 이용한다.
- 본 논문에서는 여러 객체들 중 하나의 객체를 관심객체(원 형태)로 선정하고 추적하기 위해서 객체의 면적, 경계선 길이, 원형도, 실제크기 4가지 형태적 특징을 이용한다. 이를 이용하여 임의의 물체에 대해 형태적 특징을 획득하고 객체를 추적할 수 있다.
- 본 논문에서는 움직임 추적을 위해 깊이카메라를 이용하였다. 깊이카메라는 색상 카메라에 비해 움직임 추적 시 계산량이 적고 정확한 장점이 있다.
- 움직임 객체를 추적하기 위해서는 배경과 객체를 구분할 수 있어야 한다. 이를 위해서 객체를 식별하기 이전에, 미리 배경영상을 깊이카메라로 촬영하여 깊이정보를 축적한다. 이후 카메라 시야각 범위 내에 객체가 들어오면 축적된 배경의 깊이 값과 비교하여 차이가 나므로 객체로 인식하게 된다.
- 빠르게 움직이는 객체의 경우에는 물체의 가장자리가 번져 보이는 모션블러 현상이 일어나기 때문에 움직임 추적의 정확도가 떨어진다. 이를 해결하기 위해 객체의 이동속도가 객체의 너비에 미치는 영향을 실험하고, 실험결과를 움직임 추적 알고리즘에 적용하였다. 실험을 통해 본 논문에서 제안하는 움직임 추적 방법의 정확도를 확인하였다.
대상 데이터
- 본 논문에서 제안하는 움직임 객체의 추적 방법을 실험하기 위해 Fig. 8과 같이 카메라 시야각내에 골프 매트와 골프공을 배치하고 퍼팅 궤적을 추적하였다. 깊이 카메라는 Xtion Pro를 사용하였다.
- 8과 같이 카메라 시야각내에 골프 매트와 골프공을 배치하고 퍼팅 궤적을 추적하였다. 깊이 카메라는 Xtion Pro를 사용하였다.
- 본 논문에서는 깊이카메라를 통해 얻게 되는 깊이정보로 움직임 객체를 추적한다. 움직임 객체를 추적하기 위해서는 배경과 객체를 구분할 수 있어야 한다.
- 7은 객체의 이동속도가 객체의 너비에 미치는 영향을 측정한 결과이다. 실험에는 4.27cm 의 원형객체를 사용하였다. 실험환경의 카메라 시야 범위와 초당 프레임 수의 한계로 인해 6m/s 까지 측정하였다.
- 실험에서 객체는 직선으로 이동하므로 객체가 움직이기 전 위치에서부터 추적을 종료한 위치까지의 직선거리를 측정하였다. 실험결과 움직임 추적을 통해 예측된 거리와 실제 줄자로 측정한 거리는 10mm 내외의 근소한 오차를 보이며, 예측된 각도 또한 실제 각도에 가깝게 측정됨을 확인하였다.
데이터처리
- 두 번째 실험으로, 제안하는 방법을 통해 예측된 거리, 각도를 실제 데이터와 비교하였다. 각도의 예측은 실험자의 두 발끝을 이은 선을 기준선으로 하고, 관심객체의 최초 위치에서부터 객체의 이동이 멈추거나 카메라 시야각을 벗어난 위치를 이은 선과 기준선이 교차되는 각도를 계산하여 실제 각도기로 측정한 값과 비교하였다.
- 두 번째 실험으로, 제안하는 방법을 통해 예측된 거리, 각도를 실제 데이터와 비교하였다. 각도의 예측은 실험자의 두 발끝을 이은 선을 기준선으로 하고, 관심객체의 최초 위치에서부터 객체의 이동이 멈추거나 카메라 시야각을 벗어난 위치를 이은 선과 기준선이 교차되는 각도를 계산하여 실제 각도기로 측정한 값과 비교하였다.
- 첫 번째 실험으로, 속도에 따른 추적성공률을 측정하였다. Table 1은 각 속도에 따른 추적성공률을 나타낸다.
이론/모형
- 따라서 객체가 이동 시에는 형태적 특징 또한 달라지기 때문에 관심객체를 올바르게 찾지 못할 확률이 높아진다. 이를 극복하기 위하여 관심객체가 움직이기 전에는 관심객체 조건 검사의 오차범위를 작게 설정하고, 움직임을 식별한 이후에는 오차범위를 늘리는 2-Level 방법을 적용하였다. 그러나 움직이는 속도에 따라 모션블러 현상의 정도가 다르기 때문에 위 방법을 통해서는 다양한 속도의 움직임 객체를 추적하기에는 어려움이 있다.
성능/효과
- 본 논문에서는 움직임 추적을 위해 깊이카메라를 이용하였다. 깊이카메라는 색상 카메라에 비해 움직임 추적 시 계산량이 적고 정확한 장점이 있다. 깊이화면 내의 여러 객체들 중 하나의 관심객체를 선별하기 위한 관심객체 선별 과정과, 선별된 객체가 관심객체의 조건에 부합하는지 검사하는 관심객체 조건검사 과정을 적용한 후 관심객체의 형태적 특징을 획득하였다.
- 빠르게 움직이는 객체의 경우에는 물체의 가장자리가 번져 보이는 모션블러 현상이 일어나기 때문에 움직임 추적의 정확도가 떨어진다. 이를 해결하기 위해 객체의 이동속도가 객체의 너비에 미치는 영향을 실험하고, 실험결과를 움직임 추적 알고리즘에 적용하였다.
- Table 1은 각 속도에 따른 추적성공률을 나타낸다. 속도에 따른 객체의 형태적 변화를 고려한 추적 방법을 적용하여 객체의 속도가 빠른 경우에도 높은 추적성공률을 보인다.
- 실험에서 객체는 직선으로 이동하므로 객체가 움직이기 전 위치에서부터 추적을 종료한 위치까지의 직선거리를 측정하였다. 실험결과 움직임 추적을 통해 예측된 거리와 실제 줄자로 측정한 거리는 10mm 내외의 근소한 오차를 보이며, 예측된 각도 또한 실제 각도에 가깝게 측정됨을 확인하였다.
- 이를 해결하기 위해 객체의 이동속도가 객체의 너비에 미치는 영향을 실험하고, 실험결과를 움직임 추적 알고리즘에 적용하였다. 실험을 통해 본 논문에서 제안하는 움직임 추적 방법의 정확도를 확인하였다. 향후 연구주제로는 실험환경의 마찰계수를 통해 가속도를 계산하여 카메라의 시야각을 벗어난 객체의 최종 도착지점을 예상하는 것이다.
후속연구
- 골프공 객체 추적을 위해 신경망의 최적화 구조를 이용하는 기존 연구[4]에서는 골프공과 다른 물체들의 영상으로부터 기계학습 과정을 필요로 하고 계산량 또한 복잡한 반면, 본 논문에서 제안하는 방법은 관심객체의 형태적 특징 획득 단계를 통해 획득된 형태적 특징만을 이용하므로 계산량이 적고 다양한 형태의 물체에 대해서도 추적이 가능하다.
- 실험을 통해 본 논문에서 제안하는 움직임 추적 방법의 정확도를 확인하였다. 향후 연구주제로는 실험환경의 마찰계수를 통해 가속도를 계산하여 카메라의 시야각을 벗어난 객체의 최종 도착지점을 예상하는 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.