증강현실 분야에서 호모그래피(Homography)를 이용한 비마커 기반의 객체 추적 기술(Markerless tracking)은 카메라의 방향, 위치를 파악하여 실세계의 영상에 가상의 객체를 정확하고 자연스럽게 증강할 수 있는 기술이다. 이와 같은 호모그래피를 추정하기 위한 방법으로 RANSAC 알고리즘이 많이 사용되고 있으며, 최근 기존의 RANSAC 알고리즘에 제약 조건 문제(Constraint Satisfaction Problem)를 적용하여 정확도를 향상시키고, 처리시간을 줄인 CS-RANSAC 알고리즘에 대한 연구가 진행되고 있다. 하지만 CS-RANSAC 알고리즘은 샘플링 단계에서 정확도가 낮은 호모그래피를 추정하게 하는 특징점이 선택되어 불필요한 연산으로 인해 알고리즘의 효율성이 저하되는 경우가 있다. 따라서 본 논문에서는 효과적인 평면 호모그래피 추정을 위한 CS-RANSAC 기반의 특징점 필터링 방법을 제안한다. 제안하는 방법은 호모그래피 평가 단계에서 Symmetric Transfer Error로 정확도가 높은 호모그래피를 추정하게 하는 특징점인지를 평가하고 불필요한 특징점들을 다음 샘플링 단계에서 제외함으로써 정확도를 향상키고 처리시간을 줄였다. 제안하는 CS-RANSAC 기반의 특징점 필터링 방법의 성능평가를 위하여 제안하는 방법을 적용한 알고리즘과 기존의 RANSAC 알고리즘, CS-RANSAC 알고리즘의 수행시간과 오차율(Symmetric Transfer Error), 참정보 포함비율을 비교하였다. 실험 결과 본 논문에서 제안한 방법이 기존 CS-RANSAC 알고리즘보다 수행시간이 평균적으로 약 5% 단축되었고 오차율은 약 14% 줄어들어 더욱 정확한 호모그래피를 추정 할 수 있게 되었다.
증강현실 분야에서 호모그래피(Homography)를 이용한 비마커 기반의 객체 추적 기술(Markerless tracking)은 카메라의 방향, 위치를 파악하여 실세계의 영상에 가상의 객체를 정확하고 자연스럽게 증강할 수 있는 기술이다. 이와 같은 호모그래피를 추정하기 위한 방법으로 RANSAC 알고리즘이 많이 사용되고 있으며, 최근 기존의 RANSAC 알고리즘에 제약 조건 문제(Constraint Satisfaction Problem)를 적용하여 정확도를 향상시키고, 처리시간을 줄인 CS-RANSAC 알고리즘에 대한 연구가 진행되고 있다. 하지만 CS-RANSAC 알고리즘은 샘플링 단계에서 정확도가 낮은 호모그래피를 추정하게 하는 특징점이 선택되어 불필요한 연산으로 인해 알고리즘의 효율성이 저하되는 경우가 있다. 따라서 본 논문에서는 효과적인 평면 호모그래피 추정을 위한 CS-RANSAC 기반의 특징점 필터링 방법을 제안한다. 제안하는 방법은 호모그래피 평가 단계에서 Symmetric Transfer Error로 정확도가 높은 호모그래피를 추정하게 하는 특징점인지를 평가하고 불필요한 특징점들을 다음 샘플링 단계에서 제외함으로써 정확도를 향상키고 처리시간을 줄였다. 제안하는 CS-RANSAC 기반의 특징점 필터링 방법의 성능평가를 위하여 제안하는 방법을 적용한 알고리즘과 기존의 RANSAC 알고리즘, CS-RANSAC 알고리즘의 수행시간과 오차율(Symmetric Transfer Error), 참정보 포함비율을 비교하였다. 실험 결과 본 논문에서 제안한 방법이 기존 CS-RANSAC 알고리즘보다 수행시간이 평균적으로 약 5% 단축되었고 오차율은 약 14% 줄어들어 더욱 정확한 호모그래피를 추정 할 수 있게 되었다.
Markerless tracking for augmented reality using Homography can augment virtual objects correctly and naturally on live view of real-world environment by using correct pose and direction of camera. The RANSAC algorithm is widely used for estimating Homography. CS-RANSAC algorithm is one of the novel ...
Markerless tracking for augmented reality using Homography can augment virtual objects correctly and naturally on live view of real-world environment by using correct pose and direction of camera. The RANSAC algorithm is widely used for estimating Homography. CS-RANSAC algorithm is one of the novel algorithm which cooperates a constraint satisfaction problem(CSP) into RANSAC algorithm for increasing accuracy and decreasing processing time. However, CS-RANSAC algorithm can be degraded performance of calculating Homography that is caused by selecting feature points which estimate low accuracy Homography in the sampling step. In this paper, we propose feature point filtering method based on CS-RANSAC for efficient planar Homography estimating the proposed algorithm evaluate which feature points estimate high accuracy Homography for removing unnecessary feature point from the next sampling step using Symmetric Transfer Error to increase accuracy and decrease processing time. To evaluate our proposed method we have compared our algorithm with the bagic CS-RANSAC algorithm, and basic RANSAC algorithm in terms of processing time, error rate(Symmetric Transfer Error), and inlier rate. The experiment shows that the proposed method produces 5% decrease in processing time, 14% decrease in Symmetric Transfer Error, and higher accurate homography by comparing the basic CS-RANSAC algorithm.
Markerless tracking for augmented reality using Homography can augment virtual objects correctly and naturally on live view of real-world environment by using correct pose and direction of camera. The RANSAC algorithm is widely used for estimating Homography. CS-RANSAC algorithm is one of the novel algorithm which cooperates a constraint satisfaction problem(CSP) into RANSAC algorithm for increasing accuracy and decreasing processing time. However, CS-RANSAC algorithm can be degraded performance of calculating Homography that is caused by selecting feature points which estimate low accuracy Homography in the sampling step. In this paper, we propose feature point filtering method based on CS-RANSAC for efficient planar Homography estimating the proposed algorithm evaluate which feature points estimate high accuracy Homography for removing unnecessary feature point from the next sampling step using Symmetric Transfer Error to increase accuracy and decrease processing time. To evaluate our proposed method we have compared our algorithm with the bagic CS-RANSAC algorithm, and basic RANSAC algorithm in terms of processing time, error rate(Symmetric Transfer Error), and inlier rate. The experiment shows that the proposed method produces 5% decrease in processing time, 14% decrease in Symmetric Transfer Error, and higher accurate homography by comparing the basic CS-RANSAC algorithm.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 Symmetric Transfer Error를 이용하여 호모그래피를 추정하기 좋은 특징점만을 남기고 다른 특징점들을 제거해 샘플링 범위를 줄이는 방법으로 CS-RANSAC 알고리즘의 효율성을 향상시키는 방법을 제안 하였다. 각각의 이미지 그룹은 특징점의 분포가 다른 그룹이고 각각의 이미지 그룹에 대해 제안하는 CS-RANSAC 알고리즘보다 효율성이 좋지만 특징점이 이미지의 중앙에 많이 분포되어있는 이미지 그룹에 대해서는 다른 알고리즘에 비해 처리시간이 늦어졌다.
본 논문에서는 효율적인 호모그래피 추정을 위하여 CS-RANSAC 기반의 특징점 필터링 방법을 제안한다. 제안하는 방법은 호모그래피를 구하기 위한 CS-RANSAC 알고리즘의 비효율성(낮은 정확도의 호모그래피를 추정하게 하는 특징점을 다시 선택하여 불필요한 연산을 하는 경우 알고리즘의 효율성이 저하됨)을 개선하기 위해 호모그래피 평가 과정에서 구한 Symmetric Transfer Error[11]를 이용하여 단위격자 내의 대표 특징점(정확도가 높은 호모그래피를 추정하게 하는 특징점)만 남기고 나머지는 제거한다.
제안 방법
RANSAC 알고리즘은 데이터 집합이 참정보(Inlier)를 포함하고 있고, 데이터의 일부 집합이 수학적 모델 인자들로 표현 가능하며 해당 모델에 맞지 않는 거짓정보(Outlier)들이 데이터 집합에 포함되어 있다고 할 때, 반복적인 작업으로 수학적 모델의 인자들을 예측하는 기법이며, 호모그래피를 추정할 때 사용할 수 있다[7-8]. 두 이미지 사이의 호모그래피를 추정하기 위해 RANSAC 알고리즘을 이용하여 전체의 특징점 후보들 중에서 호모그래피를 추정하는데 반드시 필요한 최소한의 특징점을 랜덤하게 샘플링하고 계산하는 반복적인 과정을 통해 최적의 특징점을 구한다. 호모그래피를 추정하기 위해 사용되는 RANSAC 알고리즘의 수행 순서는 Fig.
본 논문에서 제안하는 특징점 필터링 방법(Fig. 5의 과정①)은 Fig. 7과 같이 대표 특징점이 있는 단위격자에서 대표 특징점만 남기고 다른 특징점은 삭제하여 호모그래피를 구하는데 걸리는 처리시간을 효과적으로 줄이는 것이다. 이렇게 제거된 다른 특징점들은 다음 샘플링 단계에서 선택되지 못하게 한다.
본 논문에서는 5개의 이미지 그룹에 대하여 RANSAC 알고리즘, CS-RANSAC 알고리즘, 제안하는 방법이 적용된 알고리즘을 비교하였다. 비교 기준으로 알고리즘의 수행시간(Time)과 오차율(Symmetric Transfer Error), 추정된 호모그래피의 참정보 포함 비율(Inlier Rate)을 이용하였다.
본 논문에서는 실험을 위해 Symmetric Transfer Error를 위한 임계치(θε)를 6으로 고정하였다.
)를 6으로 고정하였다. 본 논문에서는 제안하는 알고리즘을 분석하기 위한 방법으로 기존의 알고리즘과의 비교 실험을 진행하였기 때문에 임계치는 실험 결과에큰 영향을 주지 않으므로 충분히 낮은 수로 고정하고 실험하였다.
본 논문에서는 제안하는 특징점 필터링 방법은 기존의 CS-RANSAC 알고리즘의 성능을 향상시키기 위해 Fig. 5의 과정 ①과 같이 Symmetric Transfer Error를 이용한 특징점 필터링 단계를 추가하였다.
본 논문에서는 효율적인 호모그래피 추정을 위하여 CS-RANSAC 기반의 특징점 필터링 방법을 제안한다. 제안하는 방법은 호모그래피를 구하기 위한 CS-RANSAC 알고리즘의 비효율성(낮은 정확도의 호모그래피를 추정하게 하는 특징점을 다시 선택하여 불필요한 연산을 하는 경우 알고리즘의 효율성이 저하됨)을 개선하기 위해 호모그래피 평가 과정에서 구한 Symmetric Transfer Error[11]를 이용하여 단위격자 내의 대표 특징점(정확도가 높은 호모그래피를 추정하게 하는 특징점)만 남기고 나머지는 제거한다.
대상 데이터
제안하는 방법의 성능 평가를 위해 데이터 셋은 UKBench Dataset[15]을 사용하였다. UKBench Dataset은 기존의 CS-RANSAC알고리즘을 위한 실험 데이터셋으로 사용되었다. 또한 기존의 연구를 통해 SURF 특징점의 분포에 따라 Fig.
제안하는 방법의 성능 평가를 위해 데이터 셋은 UKBench Dataset[15]을 사용하였다. UKBench Dataset은 기존의 CS-RANSAC알고리즘을 위한 실험 데이터셋으로 사용되었다.
데이터처리
성능비교는 5개의 이미지 그룹에 대하여 RANSAC 알고리즘(RANSAC), CS-RANSAC 알고리즘(CS-RANSAC), 제안하는 알고리즘을 동일한 환경에서 각 그룹의 이미지 10쌍으로 100회씩 알고리즘을 수행하여 얻은 결과의 평균을 Fig. 9와 같이 비교하였다. 특히 Fig.
이론/모형
계산된 호모그래피는 Equation (2)의 Symmetric Transfer Error를 이용하여 평가 할 수 있다[13]. xi→x′i이 두 이미지 사이의 대응하는 특징점 쌍일 때, 두 이미지 사이의 매핑된 특징점을 계산된 호모그래피에 의해 변환시켜 변환된 특징점 사이의 거리 d(,)를 계산(유클리디안 거리)하여 그 크기가 작을수록 오차율(ε)이 적고 정확한 호모그래피라고 할 수 있다.
본 논문에서는 5개의 이미지 그룹에 대하여 RANSAC 알고리즘, CS-RANSAC 알고리즘, 제안하는 방법이 적용된 알고리즘을 비교하였다. 비교 기준으로 알고리즘의 수행시간(Time)과 오차율(Symmetric Transfer Error), 추정된 호모그래피의 참정보 포함 비율(Inlier Rate)을 이용하였다. 단위격자의 크기는 논문 [9]를 참고하여 4개의 알고리즘 전부 최적의 결과 값을 갖는 17×17로 하였다.
성능/효과
각각의 이미지 그룹에 대한 실험 결과 약 1%에서 20%까지 평균 5%의 속도향상을 보였고, 오차율은 약 1%에서 65%까지 평균 14%의 줄어들었다. 결과적으로 오차율이 줄어들면서 정확도가 높은 호모그래피를 추정할 수 있게 되었다.
본 논문에서는 Symmetric Transfer Error를 이용하여 호모그래피를 추정하기 좋은 특징점만을 남기고 다른 특징점들을 제거해 샘플링 범위를 줄이는 방법으로 CS-RANSAC 알고리즘의 효율성을 향상시키는 방법을 제안 하였다. 각각의 이미지 그룹은 특징점의 분포가 다른 그룹이고 각각의 이미지 그룹에 대해 제안하는 CS-RANSAC 알고리즘보다 효율성이 좋지만 특징점이 이미지의 중앙에 많이 분포되어있는 이미지 그룹에 대해서는 다른 알고리즘에 비해 처리시간이 늦어졌다. 그 이유는 중앙에 있는 단위 격자 안에 있는 많은 수의 특징점들로 부터 대표 특징점만 남기고 다른 특징점을 제거하는 과정에서 생기는 오버헤드라고 볼 수 있다.
각각의 이미지 그룹에 대한 실험 결과 약 1%에서 20%까지 평균 5%의 속도향상을 보였고, 오차율은 약 1%에서 65%까지 평균 14%의 줄어들었다. 결과적으로 오차율이 줄어들면서 정확도가 높은 호모그래피를 추정할 수 있게 되었다. 분석 결과 샘플링 단계에서 선택할 수 있는 특징점의 수를 이 논문에서 제안한 필터링 단계에서 많이 줄였기 때문에 결과가 더 빠르고 더 정확하게 나오는 것을 확인할 수있었다.
결과적으로 오차율이 줄어들면서 정확도가 높은 호모그래피를 추정할 수 있게 되었다. 분석 결과 샘플링 단계에서 선택할 수 있는 특징점의 수를 이 논문에서 제안한 필터링 단계에서 많이 줄였기 때문에 결과가 더 빠르고 더 정확하게 나오는 것을 확인할 수있었다.
9A는 특징점이 이미지 전체에 드물게 분포되어있는 그룹에 대한 결과를 보여준다. 수행시간과 오차율, 참정보 포함비율이 제안하는 방법이 다른 알고리즘보다 좋은 것을 확인할 수 있으며, Fig. 9B와 Fig. 9D도 마찬가지로 좋은 결과를 보여주고 있다. 하지만 다른 그룹들의 오차율과는 다르게 Fig.
CS-RANSAC알고리즘은 이와 같은 제약 조건을 적용하여 특징점의 분포가 선형을 이루는 경우와 특정 영역 군집형하는 경우를 피한다. 이를 통해 CS-RANSAC알고리즘은 기존의 RANSAC알고리즘에 비해 수행시간과 정확도에 향상된 성능을 보인다
제안하는 방법을 적용한 알고리즘의 수행속도, 오차율, 참정보를 포함하는 비율이 RANSAC 알고리즘과 CS-RANSAC 알고리즘보다 좋은 것을 볼 수 있다. Fig.
후속연구
또한 CS-RANSAC 알고리즘의 제약조건에 의해 좋은 호모그래피를 추정할 수 있는 특징점이 배제되어 발생하는 문제라고 볼 수 있다. 향후 대표 특징점만 남기고 다른 특징점을 지우는 과정에서 생기는 오버헤드를 줄이고 각각의 이미지 그룹에 맞는 동적인 제약조건을 만드는 연구를 할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
RANSAC 알고리즘에 제약 조건 문제를 적용한 CS-RANSAC 알고리즘의 한계점은 무엇인가?
이와 같은 호모그래피를 추정하기 위한 방법으로 RANSAC 알고리즘이 많이 사용되고 있으며, 최근 기존의 RANSAC 알고리즘에 제약 조건 문제(Constraint Satisfaction Problem)를 적용하여 정확도를 향상시키고, 처리시간을 줄인 CS-RANSAC 알고리즘에 대한 연구가 진행되고 있다. 하지만 CS-RANSAC 알고리즘은 샘플링 단계에서 정확도가 낮은 호모그래피를 추정하게 하는 특징점이 선택되어 불필요한 연산으로 인해 알고리즘의 효율성이 저하되는 경우가 있다. 따라서 본 논문에서는 효과적인 평면 호모그래피 추정을 위한 CS-RANSAC 기반의 특징점 필터링 방법을 제안한다.
비마커 기반의 객체 추적 기술은 어떤 기술인가?
증강현실 분야에서 호모그래피(Homography)를 이용한 비마커 기반의 객체 추적 기술(Markerless tracking)은 카메라의 방향, 위치를 파악하여 실세계의 영상에 가상의 객체를 정확하고 자연스럽게 증강할 수 있는 기술이다. 이와 같은 호모그래피를 추정하기 위한 방법으로 RANSAC 알고리즘이 많이 사용되고 있으며, 최근 기존의 RANSAC 알고리즘에 제약 조건 문제(Constraint Satisfaction Problem)를 적용하여 정확도를 향상시키고, 처리시간을 줄인 CS-RANSAC 알고리즘에 대한 연구가 진행되고 있다.
비마커 기반의 객체 추적 기술은 무엇을 이용하는가?
증강현실 분야에서 호모그래피(Homography)를 이용한 비마커 기반의 객체 추적 기술(Markerless tracking)은 카메라의 방향, 위치를 파악하여 실세계의 영상에 가상의 객체를 정확하고 자연스럽게 증강할 수 있는 기술이다. 이와 같은 호모그래피를 추정하기 위한 방법으로 RANSAC 알고리즘이 많이 사용되고 있으며, 최근 기존의 RANSAC 알고리즘에 제약 조건 문제(Constraint Satisfaction Problem)를 적용하여 정확도를 향상시키고, 처리시간을 줄인 CS-RANSAC 알고리즘에 대한 연구가 진행되고 있다.
참고문헌 (15)
R. T. Azuma, "A survey of augmented reality," Presence: Teleoperators and Virtual Environments, Vol.6, pp.355-385, 1997.
Z. Feng, H. B. -L. Duh, and M. Billinghurst, "Trends in augmented reality tracking, interaction and display: A review of ten years of ISMAR," Proceedings of International Symposium on Mixed and Augmented Reality, pp.193-202, 2008.
P. Sturm, "Algorithms for plane-based pose estimation," International Conference on Computer Vision and Pattern Recognition, pp.706-711, 2000.
S. J. D. Prince, K. Xu, and A. D. Cheok, "Augmented reality camera tracking with homographies," Computer Graphics, Vol.22, No.6, pp.39-45, 2002.
H. Bay, A. Ess, T. Tuytelaars, and L. V. Gool, "SURF: Speeded Up Robust Features," Computer Vision and Image Understanding, Vol.110, No.3, pp.346-359, 2008.
M. A. Fischler and R. C. Bolles, "Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography," Communications of the ACM, Vol.24, pp.381-395, 1981.
O. Chum, J. Matas, and J. Kittler, "Locally Optimized RANSAC," in Proceedings of Deutsche Arbeitsgemeinschaft fur Mustererkennung, Germany, 2003.
G. S. Jo, K. S. Lee, C. Devy, C. H. Jang, and M. H. Ga, "RANSAC versus CS-RANSAC," American Association for Artificial Intelligence(AAAI), pp.1350-1356, 2015.
C. H. Jang, K. S. Lee, and G. S. Jo, "CSP Driven RANSAC Algorithm for Improving Accuracy of Planar Homography," Journal of Korean Institute of Information Science and Engineers, Vol.39, No.11, pp.876-888, 2012.
R. Hartley and A. Zisserman, "Multiple View Geometry in computer vision," 2nd ed., Cambridge University Press, 2000.
A. Criminisi, I. Reid, and A. Zisserman, "A Plane Measuring Device," Image and Vision Computing, Vol.17, pp.625-634, 1999.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.