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 논문에서는 HDR비디오 생성을 위한 플리커 저감효과를 갖는 톤 안정화 알고리즘을 제안하였다. 단일영상으로부터 HDR 영상을 생성하는 톤매핑 알고리즘으로부터 HDR 비디오로 변환하였으며, 이 때 발생하는 플리커 검출을 위한 영상의 명암측정법을 제안하였다.
- 플리커 검출을 위한 학습모델인 SVM은 다항식, 방사 기저함수, 다층 퍼셉트론 분류기의 대안적인 학습방법으로, 데이터들의 패턴을 n차원의 특징공간으로 사상시킬 수 있고, 최적대역의 식별이 가능하다. 본 논문에서는 위와 같이 플리커 검출을 위한 학습에 이용할 총 9가지의 특징벡터들을 제안한다.
- 본 논문에서는 플리커 현상을 해결한 톤매핑된 HDR영상을 추출하기 위해 조도가 다르게 촬영된 HDR영상과 유사한 효과를 갖는 로그 매핑과 감마보정을 이용해 영상의 톤안정화기법을 제안한다. <그림 1>은 제안하는 알고리즘의 프로세스를 나타내고 있다.
제안 방법
- SVM 분류기를 통해 검출된 플리커를 제거하기 위하여 플리커 프레임의 명암도와 이전프레임의 명암도의 일치를 위하여 톤매핑 파라미터 α, β 의 변화에 따른 영상 명암도 관계에 대한 특성을 영상에 대한 평균 명암도로 에 표현하였다.
- 본 논문에서는 HDR비디오 생성을 위한 플리커 저감효과를 갖는 톤 안정화 알고리즘을 제안하였다. 단일영상으로부터 HDR 영상을 생성하는 톤매핑 알고리즘으로부터 HDR 비디오로 변환하였으며, 이 때 발생하는 플리커 검출을 위한 영상의 명암측정법을 제안하였다. 또한 명암측정치로부터 다양한 특징 벡터를 정의하고 그 효용성을 실험적으로 증명하였으며, 최적의 특징벡터에 대한 SVM분류기를 학습하고 이를 기반으로 플리커를 검출하였다.
- 단일영상으로부터 HDR 영상을 생성하는 톤매핑 알고리즘으로부터 HDR 비디오로 변환하였으며, 이 때 발생하는 플리커 검출을 위한 영상의 명암측정법을 제안하였다. 또한 명암측정치로부터 다양한 특징 벡터를 정의하고 그 효용성을 실험적으로 증명하였으며, 최적의 특징벡터에 대한 SVM분류기를 학습하고 이를 기반으로 플리커를 검출하였다. 톤 안정화 알고리즘의 파라미터 최적화를 통해 검출된 프레임의 플리커를 제거하였다.
- 전체 플리커 발생 프레임의 70%인 498개 프레임을 positive 학습데이터, 나머지 689개 중 498개 프레임을 negative 학습데이터로 정의하고, 학습데이터 셋으로 추출되지 않은 나머지 404개의 프레임에 대하여 10000번의 반복 테스트를 수행하였다. 반복 수행될 때마다, 학습데이터와 테스트데이터를 랜덤하게 추출하여 평가를 수행하였다. 제안한 알고리즘의 플리커 검출 성능을 <그림 5>에 나타내었으며, 모델 학습 후 accuracy, precision, recall에 대하여 분류 정확도를 측정하였다.
- 본 논문에서는 Drago[4]의 연구결과에 기반하여 β 파라미터의 임계값을 인지적 시각에 가장 근접한 표현 효과를 낼 수 있는 값인 0.85으로 설정하고, 명암조절 파라미터 α 의 조절만으로 플리커 제거를 위한 명암도 조절을 수행한다.
- 본 논문에서는 톤안정화된 HDR 영상 추출을 위한 전처리과정으로 적응적 로그 매핑 기법[4]을 수행하고, 제안한 명암 측정법에서 추출한 값을 이용하여 9단계의 특징벡터를 구성하고, SVM분류기에 학습하여 플리커 검출을 위한 알고리즘을 제안한다. 이후 단계에서 플리커로 검출된 프레임에 대하여 다항 곡선 접합을 통한 톤 안정화 작업을 수행하고, 플리커 검출 및 제거에 대한 톤 안정화 알고리즘을 제안한다.
- 와 같이 다항 곡선 적합 기법에 기반하여 임계치인 파라미터 β 와 명암조절 파라미터 α 의 증감에 대한 영상의 명암도를 추정한다.
- 하나의 이미지로부터 로그매핑, 감바보정 기반의 2단계 톤매핑기법을 이용하여 노출정도가 다른 영상을 생성하고, 이를 하나의 HDR 영상으로 합성한다. 이렇게 합성된 HDR 영상으로부터 플리커 판별을 위한 영상 명암도 측정법을 제안하며, 측정치에 대한 다양한 특징벡터를 정의한다. 검출된 플리커 프레임의 톤 안정화를 위한 다항곡선접합(polynomial curve fitting) 기반의 파라미터 최적화된 2단계 톤매핑을 통해 톤안정화된 HDR 비디오를 생성할 수 있다.
- 본 논문에서는 톤안정화된 HDR 영상 추출을 위한 전처리과정으로 적응적 로그 매핑 기법[4]을 수행하고, 제안한 명암 측정법에서 추출한 값을 이용하여 9단계의 특징벡터를 구성하고, SVM분류기에 학습하여 플리커 검출을 위한 알고리즘을 제안한다. 이후 단계에서 플리커로 검출된 프레임에 대하여 다항 곡선 접합을 통한 톤 안정화 작업을 수행하고, 플리커 검출 및 제거에 대한 톤 안정화 알고리즘을 제안한다.
- 제안한 알고리즘의 플리커 검출 성능을 에 나타내었으며, 모델 학습 후 accuracy, precision, recall에 대하여 분류 정확도를 측정하였다.
- 또한 명암측정치로부터 다양한 특징 벡터를 정의하고 그 효용성을 실험적으로 증명하였으며, 최적의 특징벡터에 대한 SVM분류기를 학습하고 이를 기반으로 플리커를 검출하였다. 톤 안정화 알고리즘의 파라미터 최적화를 통해 검출된 프레임의 플리커를 제거하였다. 본 논문에서 제안한 고차원의 특징벡터를 이용한 SVM분류기는 임계치를 이용한 기존 연구 대비 향상된 정확도를 보였으며, 정량적 평가와 사람의 인지적 평가를 통해 원본 영상보다 플리커가 현저히 감소하였음을 확인하였다.
- <그림 1>은 제안하는 알고리즘의 프로세스를 나타내고 있다. 하나의 이미지로부터 로그매핑, 감바보정 기반의 2단계 톤매핑기법을 이용하여 노출정도가 다른 영상을 생성하고, 이를 하나의 HDR 영상으로 합성한다. 이렇게 합성된 HDR 영상으로부터 플리커 판별을 위한 영상 명암도 측정법을 제안하며, 측정치에 대한 다양한 특징벡터를 정의한다.
대상 데이터
- 실험에 사용한 SVM모델은 RBF(Radial Basis Function) 모델을 이용하여 학습을 하였다. 실험 데이터는 주간블랙박스 영상 1400개 프레임에 대하여 수행하였으며, 플리커가 발생한 711개 프레임이 포함되어 있다. 전체 플리커 발생 프레임의 70%인 498개 프레임을 positive 학습데이터, 나머지 689개 중 498개 프레임을 negative 학습데이터로 정의하고, 학습데이터 셋으로 추출되지 않은 나머지 404개의 프레임에 대하여 10000번의 반복 테스트를 수행하였다.
- 실험 데이터는 주간블랙박스 영상 1400개 프레임에 대하여 수행하였으며, 플리커가 발생한 711개 프레임이 포함되어 있다. 전체 플리커 발생 프레임의 70%인 498개 프레임을 positive 학습데이터, 나머지 689개 중 498개 프레임을 negative 학습데이터로 정의하고, 학습데이터 셋으로 추출되지 않은 나머지 404개의 프레임에 대하여 10000번의 반복 테스트를 수행하였다. 반복 수행될 때마다, 학습데이터와 테스트데이터를 랜덤하게 추출하여 평가를 수행하였다.
데이터처리
- 은 제안한 플리커 검출 임계 값 τmax 에 대한 각각의 검출 정확도를 평가한 그래프와 SVM학습을 통한 플리커검출 결과와 임계값을 이용하여 플리커를 검출한 결과의 정확도를 비교한 그래프이다.
- 총 9개의 모델에 대하여 평가를 진행하였고, 각각 10000번의 실험을 반복 수행 후, 모델에 대한 평균 분류 결과를 에 표현하였다.
이론/모형
- 실험에 사용한 SVM모델은 RBF(Radial Basis Function) 모델을 이용하여 학습을 하였다. 실험 데이터는 주간블랙박스 영상 1400개 프레임에 대하여 수행하였으며, 플리커가 발생한 711개 프레임이 포함되어 있다.
성능/효과
- SVM학습을 통해 고반복의 테스트를 수행하여도, 각 모델의 accuracy, precision, recall이 일정한 것을 확인하였고, τmax(i), τmin(i), F(τmax), F(τmin) 의 특징을 사용한 f5와 F(τmax), F(τmin) 을 이용한 f7, F(τmin) 을 제외한 나머지 5개의 특징을 사용한 f8, 그리고 모든 특징을 사용한 f9 가 성능이 가장 좋은 것으로 결과가 나온 것을 확인할 수 있었다.
- 톤 안정화 알고리즘의 파라미터 최적화를 통해 검출된 프레임의 플리커를 제거하였다. 본 논문에서 제안한 고차원의 특징벡터를 이용한 SVM분류기는 임계치를 이용한 기존 연구 대비 향상된 정확도를 보였으며, 정량적 평가와 사람의 인지적 평가를 통해 원본 영상보다 플리커가 현저히 감소하였음을 확인하였다.
- 에 대한 각각의 검출 정확도를 평가한 그래프와 SVM학습을 통한 플리커검출 결과와 임계값을 이용하여 플리커를 검출한 결과의 정확도를 비교한 그래프이다. 왼쪽 그래프는 임계값이 증가할수록, accuracy와 precision은 증가하지만, recall이 감소하는 것을 확인할 수 있으며, 전체적으로 recall은 높지만 accuracy와 precision이 오른쪽 그래프에 비해 낮은 것을 확인할 수 있다. 이로 인해 임계 값을 사용하여 플리커를 검출하는 성능이 SVM을 이용하여 학습한 결과보다 확연히 낮은 것을 확인하였다.
- 왼쪽 그래프는 임계값이 증가할수록, accuracy와 precision은 증가하지만, recall이 감소하는 것을 확인할 수 있으며, 전체적으로 recall은 높지만 accuracy와 precision이 오른쪽 그래프에 비해 낮은 것을 확인할 수 있다. 이로 인해 임계 값을 사용하여 플리커를 검출하는 성능이 SVM을 이용하여 학습한 결과보다 확연히 낮은 것을 확인하였다.
- 이와 같은 이유로, F(τmax), F(τmin) 와 같은 특징을 이용한 f5,7,8,9 특징벡터를 SVM에 훈련시킬 경우, 플리커 검출 결과가 좋은 것을 확인할 수 있었고,에 표시된 f2의 경우 을 통해 F(τmax) 특징을 포함하지만 단일프레임만의 특징인 τmax 를 같이 포함하여 성능이 저하된 것을 확인할 수 있다.
- 분류된 결과를 기반으로 플리커를 제거한 결과는 <표 2>에 예시로 나타내었다. 제안한 명암 측정값이 플리커 발생 프레임인 A1, A2에서 차이가 나지만, 제거 후인 B1, B2에서는 차이가 확연히 줄어든 것을 확인할 수 있다.
후속연구
- 향후 연구에서는 본 논문에서 사용한 SVM분류기 외에 베이지안 분류기, CNN(Convolutional Neural Network) 구조를 이용하여 학습기반의 플리커 검출 및 제거에 적합한 분류기를 평가하고 날씨 변화에 보다 강건한 톤 안정화 알고리즘을 연구할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.