[논문]동적 배경에서의 고밀도 광류 기반 이동 객체 검출

임효진; 최연규; 구엔 칵 쿵; 정호열

doi:10.14372/iemek.2016.11.5.277

문제 정의

본 논문에서는 동적 배경에서 고밀도 광류 기반의 이동 객체 검출 시스템을 위해 가우시안 혼합모델을 적용한 알고리즘과 열 기반 thresholding을적용한 알고리즘을 제안하였다. 이동 객체 검출 시스템은 기본적으로 관심 영역지정, 흑백 영상 변환, 광류추정, 광류 맵 추정단계를 전처리 단계로 사용하였다.
본 논문에서는 동적 배경에서의 이동 객체 검출시스템을 위해 두 가지 방법을 제안한다. 제안하는 두 가지 방법은 그림 1과 같이 전처리 단계, 전경분할 단계, 마지막으로 후처리 단계로 이루어져 있으며, 두 가지 제안 방식은 동일한 전처리 단계와 후처리 단계로 구성되며 전경 분할 단계에서 서로 다른 알고리즘이 적용된다.
본 논문에서는 동적 배경에서의 이동 객체 검출을 위해 두 가지 알고리즘을 제안한다. 두 가지 알고리즘은 모두 고밀도 광류 기반의 이동 객체 검출 방법을 제안한다.
본 논문은 광류 기반의 이동 객체 검출 알고리즘으로 두 가지 알고리즘을 제안했다. 두 알고리즘은 전처리 단계인 관심 영역 지정, 흑백 영상 변환,광류 추정 및 광류 맵 추정단계와 후처리 단계인 라벨링, 빛 밝기 범위 기반 분류 단계는 동일하게 적용하였지만, 전경 분할 단계에서 두 알고리즘은 다른 기법을 적용하였다.
본 논문은 동적 배경에서도 정적배경과 비슷한 효과를 낼 수 있는 방법에 대해 고민하였고, 여러 실험을 통해 시간이 연속적으로 변해 배경이 변하더라도 영상의 위치에 따라 배경의 광류 크기가 비슷하다는 것을 알 수 있었다. 즉, 영상의 중앙에서는 배경의 광류 크기가 작게 나타나고, 영상의 좌우 끝으로 갈수록 배경의 광류 크기가 점점 커지는 것을 알 수 있었다.
관심 영역의 설정으로 관심 영역 내에서만 광류를 추정하기 때문에 전역에서 광류를 추정하는 것보다 시스템의 속도를 높일 수 있다. 본 논문은 이동 객체가 나타날 확률이 가장 높은 곳을 관심 영역으로 설정하였다. 그림 2는 관심 영역 설정의 예를 보여준다.
또한, 입력 영상의 중앙으로부터 좌우 끝으로 갈수록 배경의 광류 크기도 점점 커지는 현상도 확인할 수 있었다. 본 논문은 이동 객체와 배경에서 추정되는 광류의 방향성 또한 관찰하였다. 이동 객체가 배경과 동일한 방향으로 이동하는 경우 (차량과 반대 방향으로 이동하는 경우), 광류의 방향성은 배경과 동일하게 나타났다.

가설 설정

본 논문에서는 야외 주차장에서 차량이 15km/h로 직선 주행한다고 가정하였고, 광류를 추정하기 위해서 고밀도 Farneback 광류 기법을 사용하였다. 초기 일정 프레임은 배경 모델링에 사용되고, 그 이후로 연속적으로 배경이 변하는 상황, 즉, 동적 배경에서의 이동 객체 검출을 진행하였다.
가우시안 혼합 모델 기반의 배경 차감 기법은 각 픽셀을 시계열로 가우시안 분포도를 구하여 값의 변화가 큰 경우 이동 객체로 분류한다. 이 방법은 배경의 픽셀값은 시간에 따라 비슷하다고 가정한다. 또한, 이 방법은 배경이 변하더라도 적응적으로 가우시안 혼합 모델이 변하기 때문에 배경 변화에 강인하다.

제안 방법

또 다른 전경 분할 단계인 열 기반thresholding 기법이 적용된 알고리즘은 추정된 광류 맵을 전역 적응적 thresholding을 전처리 단계로 적용한 후, 열 기반으로 다시 thresholding을 진행하였다. Threshold의 임계값을 시간에 따라 새롭게 갱신하기 위해 배경으로 제거된 영역의 광류 맵크기 값을 새로운 임계값 설정을 위해 사용하였다. 전경 분할 단계의 결과인 이동 객체 후보 블로브를 후처리 단계로 이동 객체 후보 블로브 추출을 위한 라벨링 및 이동 객체와 노이즈를 최종 분류하기 위한 빛 밝기 범위 기반 분류를 진행하였다.
본 논문은 전경 분할 단계에서 두 가지를 제안한다. 가우시안 혼합 모델을 적용하여 이동 객체 후보 블로브 (blob)을 얻는 알고리즘과 열 기반 thresholding 기법을 적용하여 이동객체 후보 블로브를 얻는 알고리즘을 제안한다.
본 논문에서는 동적 배경에서의 이동 객체 검출을 위해 두 가지 알고리즘을 제안한다. 두 가지 알고리즘은 모두 고밀도 광류 기반의 이동 객체 검출 방법을 제안한다. 첫 번째 알고리즘은 정적 배경에서의 배경 모델링 성능이 가장 좋다고 알려진 가우시안 혼합 모델 기법을 적용한 이동 객체 검출 알고리즘을 제안하고, 또 다른 하나는 열에 따른 적응적 thresholding을 적용한 이동 객체 검출 알고리즘을 제안한다.
본 논문은 광류 기반의 이동 객체 검출 알고리즘으로 두 가지 알고리즘을 제안했다. 두 알고리즘은 전처리 단계인 관심 영역 지정, 흑백 영상 변환,광류 추정 및 광류 맵 추정단계와 후처리 단계인 라벨링, 빛 밝기 범위 기반 분류 단계는 동일하게 적용하였지만, 전경 분할 단계에서 두 알고리즘은 다른 기법을 적용하였다. 전경 분할 단계의 첫 번째로 제안한 알고리즘은 정적 배경에서 좋은 성능을 가진다고 알려진 가우시안 혼합 모델을 적용한 알고리즘이고, 두 번째로 제안한 알고리즘은 가우시안혼합 모델보다 조금 더 간단하게 설계할 수 있는 열 기반의 thresholding 기법을 적용한 알고리즘이다.
(b)를 보면, 이동 객체의 광류 크기는 동적 배경의 광류크기보다 다소 크게 나타나는 걸 확인 할 수 있다.따라서 배경을 최대한으로 제거하기 위해서 열 기반 thresholding의 전처리 단계로 광류 맵의 전역에서 적응적 thresholding (global adaptivethresholding)을 적용하였다. 전역 적응적thresholding은 다음과 같다.
먼저, 이동 객체 후보 블로브를 추출하기 위해서 라벨링을 진행한다. 라벨링 단계에서는 이진화 영상에서 각 픽셀의 8 방향으로 검색하여 하나의 블로브로 묶어준다.
본 논문에서 제안하는 가우시안 혼합 모델 기반의 이동 객체 검출 알고리즘은 일반적으로 가우시안 혼합 모델의 입력 값으로 사용되는 RGB 색공간이 아닌 전처리 단계에서 추정된 광류 맵의 크기 값을 입력 값으로 사용하였다.
후처리 단계로는 이동객체 후보 블로브를 추출하기 위해 라벨링을 진행하고, 노이즈 블로브를 제거하기 위해 추출된 블로브의 빛 밝기 범위 기반 분류를 진행하였다. 본 논문에서 제안하는 알고리즘은 이동 객체의 위치추적 (tracking)단계는 고려하지 않았다.
본 논문에서 제안한 동적 배경에서의 고밀도 광류 기반 이동 객체 검출 시스템의 유효성을 검증하기 위해서 실제 야외 주차장 환경에서 15km/h 이하로 직선 주행하는 차량의 룸미러 후면에 부착된 블랙박스를 이용하여 촬영된 비디오를 사용하여 4가지의 시뮬레이션을 진행하였다. 그림 5는 4가지 시뮬레이션 환경을 보여준다.
광류 맵은 고밀도 광류를 추정하고, 추정된 광류의 크기를 분석하고, 분석한 광류의 크기를 0에서 255로 정규화 하여 하나의 영상으로 나타낸 것으로 정의한다. 본 논문은 광류 맵을 추정하여 이동 객체 검출 시스템에 사용하였다. 본 논문에서는 광류 맵 추정하기 위해 광류의 크기 기반으로 추정하였지만 광류 크기 이외의 다른 광류의 특징을 이용할 수도 있다.
또한, 동적 배경은 시간에 따라 연속적으로 배경이 변하기 때문에 배경을 시간에 따라 모델링해야 한다. 본 논문은 이러한 특징을 기반으로 전역에서 적응적 thresholding을 거친 추정된 광류 맵M_T1,t(x,y)를 영상에서 각각 열에 따라 적응적으로thresholding을 진행하였다. 열 기반 thresholding은 다음과 같다.
본 논문은 전처리 단계에서 추정한 광류 맵을 이용하여 전경 분할 단계에서 이동 객체 후보를 배경으로부터 분할한다. 본 논문은 전경 분할 단계에서 두 가지를 제안한다.
본 논문은 제안하는 가우시안 혼합 모델 기반과열 기반 thresholding 기법 기반의 이동 객체 검출시스템의 알고리즘 성능을 비교하였다. 표 1은 각 시뮬레이션 환경별로 가우시안 혼합 모델이 적용된 알고리즘과 열 기반 thresholding 기법이 적용된 알고리즘의 이동 객체 검출 성능 결과를 보여준다.
빛 밝기범위 기반 분류를 통해 최종적으로 검출된 이동 객체 블로브는 바운딩 박스로 최종 이동 객체 검출의 결과를 나타내었다. 본 논문의 성능을 검증하기 위해 4가지의 시뮬레이션을 실험하였고, 가우시안 혼합 모델 기반의 알고리즘과 열 기반 thresholding기법 기반의 알고리즘을 비교하였다. 비교 성능 검층 척도로는 리콜 (recall)과 프리시전 (precision)을 이용하였다.
본 논문의 성능을 검증하기 위해 4가지의 시뮬레이션을 실험하였고, 가우시안 혼합 모델 기반의 알고리즘과 열 기반 thresholding기법 기반의 알고리즘을 비교하였다. 비교 성능 검층 척도로는 리콜 (recall)과 프리시전 (precision)을 이용하였다. 표 1에 따르면 동적 배경에서의 고밀도 광류 기반 이동 객체 검출 시스템을 위해 제안한 가우시안 혼합 모델 기반의 알고리즘과 열 기반 thresholding 기법 기반의 알고리즘 중, 가우시안 혼합 모델 기반의 알고리즘이 리콜 측면에서 평균적으로 조금 높게 나타났다.
본 논문에서는 동적 배경에서 고밀도 광류 기반의 이동 객체 검출 시스템을 위해 가우시안 혼합모델을 적용한 알고리즘과 열 기반 thresholding을적용한 알고리즘을 제안하였다. 이동 객체 검출 시스템은 기본적으로 관심 영역지정, 흑백 영상 변환, 광류추정, 광류 맵 추정단계를 전처리 단계로 사용하였다. 광류를 추정하기 위해, 고밀도 Farneback광류 기술을 사용하였다.
라벨링 된 이동 객체 후보는 다수의 노이즈와 실제 이동 객체를 포함하고 있다. 이동 객체 후보를 실제 이동 객체와 노이즈로 분류하기 위해 빛 밝기범위 기반 분류를 진행한다. 빛 밝기 범위 기반 분류는 이동 객체와 노이즈를 분류하기 위해서 이동객체 후보 블로브를 하나의 마스크로 사용하여 광류를 추정하기 위해 사용되었던 흑백 영상을 복사한다.
그 반대의 경우 (차량과 동일한 방향으로 이동하는 경우), 사람의 눈은 이동 객체가 배경과 반대로 이동하는 것을 인지할 수 있지만, 영상에서의 이동 객체와 배경으로부터 추정된 광류의 방향성은 비슷한 방향으로 나타나는 것을 확인할 수 있었다. 이러한 관찰을 기반으로 본 논문에서 제안하는 동적 배경에서의 이동 객체 검출 시스템은 광류의 크기 기반으로 알고리즘 개발을 진행하였다.
즉, 영상의 중앙에서는 배경의 광류 크기가 작게 나타나고, 영상의 좌우 끝으로 갈수록 배경의 광류 크기가 점점 커지는 것을 알 수 있었다. 이러한 특징을 활용하여 동적 배경이지만 정적 배경과 비슷한 특징을 갖는 광류 맵을 추정한다. 광류 맵은 고밀도 광류를 추정하고, 추정된 광류의 크기를 분석하고, 분석한 광류의 크기를 0에서 255로 정규화 하여 하나의 영상으로 나타낸 것으로 정의한다.
추정된 광류 맵은 전경 분할 단계에서 가우시안 혼합 모델기반의 알고리즘과 열 기반 thresholding 기반의 알고리즘의 입력 값으로 사용되었다. 전경 분할 단계 중, 가우시안 혼합 모델 기법이 적용된 알고리즘은 추정된 광류 맵을 기반으로 배경을 모델링하고 배경을 차감하고 그에 따른 결과 영상을 이진화하였다. 또 다른 전경 분할 단계인 열 기반thresholding 기법이 적용된 알고리즘은 추정된 광류 맵을 전역 적응적 thresholding을 전처리 단계로 적용한 후, 열 기반으로 다시 thresholding을 진행하였다.
Threshold의 임계값을 시간에 따라 새롭게 갱신하기 위해 배경으로 제거된 영역의 광류 맵크기 값을 새로운 임계값 설정을 위해 사용하였다. 전경 분할 단계의 결과인 이동 객체 후보 블로브를 후처리 단계로 이동 객체 후보 블로브 추출을 위한 라벨링 및 이동 객체와 노이즈를 최종 분류하기 위한 빛 밝기 범위 기반 분류를 진행하였다. 빛 밝기범위 기반 분류를 통해 최종적으로 검출된 이동 객체 블로브는 바운딩 박스로 최종 이동 객체 검출의 결과를 나타내었다.
두 알고리즘은 전처리 단계인 관심 영역 지정, 흑백 영상 변환,광류 추정 및 광류 맵 추정단계와 후처리 단계인 라벨링, 빛 밝기 범위 기반 분류 단계는 동일하게 적용하였지만, 전경 분할 단계에서 두 알고리즘은 다른 기법을 적용하였다. 전경 분할 단계의 첫 번째로 제안한 알고리즘은 정적 배경에서 좋은 성능을 가진다고 알려진 가우시안 혼합 모델을 적용한 알고리즘이고, 두 번째로 제안한 알고리즘은 가우시안혼합 모델보다 조금 더 간단하게 설계할 수 있는 열 기반의 thresholding 기법을 적용한 알고리즘이다. 전경 분할 단계의 입력 영상은 전처리 단계의 결과인 광류 맵을 이용하였고, 두 알고리즘의 α는 동일하게 0.
본 논문에서는 동적 배경에서의 이동 객체 검출시스템을 위해 두 가지 방법을 제안한다. 제안하는 두 가지 방법은 그림 1과 같이 전처리 단계, 전경분할 단계, 마지막으로 후처리 단계로 이루어져 있으며, 두 가지 제안 방식은 동일한 전처리 단계와 후처리 단계로 구성되며 전경 분할 단계에서 서로 다른 알고리즘이 적용된다. 전처리 단계로는 관심 영역 설정, 흑백 영상 변환, 광류 추정 및 광류 맵추정으로 이루어져 있다.
두 가지 알고리즘은 모두 고밀도 광류 기반의 이동 객체 검출 방법을 제안한다. 첫 번째 알고리즘은 정적 배경에서의 배경 모델링 성능이 가장 좋다고 알려진 가우시안 혼합 모델 기법을 적용한 이동 객체 검출 알고리즘을 제안하고, 또 다른 하나는 열에 따른 적응적 thresholding을 적용한 이동 객체 검출 알고리즘을 제안한다.
본 논문에서는 야외 주차장에서 차량이 15km/h로 직선 주행한다고 가정하였고, 광류를 추정하기 위해서 고밀도 Farneback 광류 기법을 사용하였다. 초기 일정 프레임은 배경 모델링에 사용되고, 그 이후로 연속적으로 배경이 변하는 상황, 즉, 동적 배경에서의 이동 객체 검출을 진행하였다.
광류를 추정하기 위해, 고밀도 Farneback광류 기술을 사용하였다. 추정된 고밀도 광류는 광류의 크기를 계산하고, 그 크기 기반의 광류 맵을 추정하였다. 광류 맵을 추정하기 위해서 추정된 광류의 크기를 0에서 255로 정규화 하였다.
전경 분할 단계의 결과로는 이동 객체 후보 블로브가 배경으로부터 분할된다. 후처리 단계로는 이동객체 후보 블로브를 추출하기 위해 라벨링을 진행하고, 노이즈 블로브를 제거하기 위해 추출된 블로브의 빛 밝기 범위 기반 분류를 진행하였다. 본 논문에서 제안하는 알고리즘은 이동 객체의 위치추적 (tracking)단계는 고려하지 않았다.
흑백 영상으로 변환 후, 광류를 추정한다. 대표적인 광류 추정 기법으로는 Horn-Schunck [10]와 Lucas-Kanade [11]로부터 발표된 광류 추정 기법이 자주 이용된다.

이론/모형

하지만 가우시안 모델의 개수를 지정해야 하는 단점이 존재한다. [2]에서는 확률적 슈퍼 픽셀 (probabilistic super pixel)과 Markov random field를 이용하여 이동 객체를 검출하였고, [3]에서는 모션 기반의 배경 차감을 이용한 이동 객체 검출을 위해 적응적 커널 밀도 추정 (adaptive kernel density estimation)을 이용하였다. 이 외에도 메디안 필터[4], 근사 메디안 필터링 기법 (approximated median filtering technique)[5], 그리고 칼만 필터 [6] 등을 이용한 배경차감 기법들이 있다.
이동 객체 검출 시스템은 기본적으로 관심 영역지정, 흑백 영상 변환, 광류추정, 광류 맵 추정단계를 전처리 단계로 사용하였다. 광류를 추정하기 위해, 고밀도 Farneback광류 기술을 사용하였다. 추정된 고밀도 광류는 광류의 크기를 계산하고, 그 크기 기반의 광류 맵을 추정하였다.
[13]에 따르면 다항식의 확장 (polynomial expansion) 기반의 Farneback 광류 추정 기법이 Lucas-Kanade 광류추정 기법보다 평균 에러가 낮은 것을 알 수 있다. 따라서 본 논문은 광류 추정에 평균 에러가 낮은 다항식의 확장 기반의 광류를 추정하는 Farneback 광류 추정 기법 [13]을 적용하였다.
[9]에서는 동적 배경에서 베이지안 (Bayesian) 객체 검출이 사용되었다. 베이지안 객체 검출 방법은 MAP-MRF 결정 프레임 워크를 사용하였다. 하지만 [9]에서 정의하는 동적 배경은 카메라의 위치가 고정되고, 천정의 선풍기, 시계추, 에스컬레이터와 같은 고정된 위치에서 일정하게 움직이는 것을 포함한 배경을 동적 배경이라 정의하였다.
본 논문은 동적 배경에서의 이동 객체 검출 시스템의 성능 측정을 위한 척도로는 리콜(recall)과 프리시전 (precision)을 사용하였다.
새로운 평균 및 표준편차 값을 빠르게 변화시키려면 α를 높게 설정하고, 그 반대로 느리게 변화시키기 위해서는 α를 0에 가깝게 설정한다. 본 방식은 배경 차감을 위한 가우시안 혼합 모델을 사용하는 기법을 참고하였다 [1].
광류 맵을 추정하기 위해서 추정된 광류의 크기를 0에서 255로 정규화 하였다. 추정된 광류 맵은 전경 분할 단계에서 가우시안 혼합 모델기반의 알고리즘과 열 기반 thresholding 기반의 알고리즘의 입력 값으로 사용되었다. 전경 분할 단계 중, 가우시안 혼합 모델 기법이 적용된 알고리즘은 추정된 광류 맵을 기반으로 배경을 모델링하고 배경을 차감하고 그에 따른 결과 영상을 이진화하였다.

성능/효과

이동 객체가 배경과 동일한 방향으로 이동하는 경우 (차량과 반대 방향으로 이동하는 경우), 광류의 방향성은 배경과 동일하게 나타났다. 그 반대의 경우 (차량과 동일한 방향으로 이동하는 경우), 사람의 눈은 이동 객체가 배경과 반대로 이동하는 것을 인지할 수 있지만, 영상에서의 이동 객체와 배경으로부터 추정된 광류의 방향성은 비슷한 방향으로 나타나는 것을 확인할 수 있었다. 이러한 관찰을 기반으로 본 논문에서 제안하는 동적 배경에서의 이동 객체 검출 시스템은 광류의 크기 기반으로 알고리즘 개발을 진행하였다.
표 1에 따르면 동적 배경에서의 고밀도 광류 기반 이동 객체 검출 시스템을 위해 제안한 가우시안 혼합 모델 기반의 알고리즘과 열 기반 thresholding 기법 기반의 알고리즘 중, 가우시안 혼합 모델 기반의 알고리즘이 리콜 측면에서 평균적으로 조금 높게 나타났다. 그리고 가우시안 혼합 모델을 보다 단순화시킨 열 기반 thresholding기법 기반의 알고리즘은 설계가 단순하지만, 그에 비해 성능은 가우시안 혼합 모델 기반의 알고리즘과 비슷하게 나타났다. 또한, 가우시안 혼합 모델기반의 알고리즘이 열 기반 thresholding 기법 기반의 알고리즘보다 배경이 다소 복잡하게 변하는 상황에서 배경 모델링의 성능이 비슷하거나 다소 좋은 성능을 나타내었다.
하지만, 가우시안 혼합 모델보다 단순화한 열 기반 thresholding 기법은 설계가 간단하지만, 그에 비해 성능은 비슷하게 나타나는 것을 확인할 수 있다. 또한, 가우시안 혼합 모델 기반의 알고리즘이 열 기반 thresholding 기법 기반의 알고리즘보다 배경이 다소 복잡하게 변하는 상황(차량이 드물게 주차되어있는 환경)에서 배경 모델링의 성능이 비슷하거나 다소 좋은 성능을 나타내는 것을 알 수 있다.
그리고 가우시안 혼합 모델을 보다 단순화시킨 열 기반 thresholding기법 기반의 알고리즘은 설계가 단순하지만, 그에 비해 성능은 가우시안 혼합 모델 기반의 알고리즘과 비슷하게 나타났다. 또한, 가우시안 혼합 모델기반의 알고리즘이 열 기반 thresholding 기법 기반의 알고리즘보다 배경이 다소 복잡하게 변하는 상황에서 배경 모델링의 성능이 비슷하거나 다소 좋은 성능을 나타내었다.
이동 객체와 배경 모두 광류를 나타내지만, 이동 객체는 배경에 비하여 더 큰 크기의 광류를 나타내는 것을 여러 실험을 통해 확인할 수 있었다. 또한, 입력 영상의 중앙으로부터 좌우 끝으로 갈수록 배경의 광류 크기도 점점 커지는 현상도 확인할 수 있었다. 본 논문은 이동 객체와 배경에서 추정되는 광류의 방향성 또한 관찰하였다.
즉, 오검출된 블로브의 수이며, Falsenegative (FN)는 미검출된 블로브의 수이다. 리콜이 높을수록 이동 객체 검출 성능이 좋은 것으로 판단할 수 있고, 프리시전이 낮을수록 이동 객체 검출 성능의 오검출이 많아 배경 제거 효과가 낮다고 판단할 수 있다.
전경 분할 단계의 결과인 이동 객체 후보 블로브를 후처리 단계로 이동 객체 후보 블로브 추출을 위한 라벨링 및 이동 객체와 노이즈를 최종 분류하기 위한 빛 밝기 범위 기반 분류를 진행하였다. 빛 밝기범위 기반 분류를 통해 최종적으로 검출된 이동 객체 블로브는 바운딩 박스로 최종 이동 객체 검출의 결과를 나타내었다. 본 논문의 성능을 검증하기 위해 4가지의 시뮬레이션을 실험하였고, 가우시안 혼합 모델 기반의 알고리즘과 열 기반 thresholding기법 기반의 알고리즘을 비교하였다.
본 논문은 이동 객체와 배경에서 추정되는 광류의 방향성 또한 관찰하였다. 이동 객체가 배경과 동일한 방향으로 이동하는 경우 (차량과 반대 방향으로 이동하는 경우), 광류의 방향성은 배경과 동일하게 나타났다. 그 반대의 경우 (차량과 동일한 방향으로 이동하는 경우), 사람의 눈은 이동 객체가 배경과 반대로 이동하는 것을 인지할 수 있지만, 영상에서의 이동 객체와 배경으로부터 추정된 광류의 방향성은 비슷한 방향으로 나타나는 것을 확인할 수 있었다.
본 논문은 동적 배경에서도 정적배경과 비슷한 효과를 낼 수 있는 방법에 대해 고민하였고, 여러 실험을 통해 시간이 연속적으로 변해 배경이 변하더라도 영상의 위치에 따라 배경의 광류 크기가 비슷하다는 것을 알 수 있었다. 즉, 영상의 중앙에서는 배경의 광류 크기가 작게 나타나고, 영상의 좌우 끝으로 갈수록 배경의 광류 크기가 점점 커지는 것을 알 수 있었다. 이러한 특징을 활용하여 동적 배경이지만 정적 배경과 비슷한 특징을 갖는 광류 맵을 추정한다.
비교 성능 검층 척도로는 리콜 (recall)과 프리시전 (precision)을 이용하였다. 표 1에 따르면 동적 배경에서의 고밀도 광류 기반 이동 객체 검출 시스템을 위해 제안한 가우시안 혼합 모델 기반의 알고리즘과 열 기반 thresholding 기법 기반의 알고리즘 중, 가우시안 혼합 모델 기반의 알고리즘이 리콜 측면에서 평균적으로 조금 높게 나타났다. 그리고 가우시안 혼합 모델을 보다 단순화시킨 열 기반 thresholding기법 기반의 알고리즘은 설계가 단순하지만, 그에 비해 성능은 가우시안 혼합 모델 기반의 알고리즘과 비슷하게 나타났다.

후속연구

본 논문은 광류 맵을 추정하여 이동 객체 검출 시스템에 사용하였다. 본 논문에서는 광류 맵 추정하기 위해 광류의 크기 기반으로 추정하였지만 광류 크기 이외의 다른 광류의 특징을 이용할 수도 있다. 그림 3.

핵심어	질문	논문에서 추출한 답변
	이동 객체 검출 기술은 이동 객체의 유무를 판별하여 어떤 시스템으로 사용되고 있는가?	이동 객체 검출 기술은 움직이는 객체가 어떠한 객체인지 인식하는 객체 인식의 전처리 기술로 사용이 될 수 있다. 또한, 현재 영상에서 이동 객체의 유무를 판별하여 알람을 주는 시스템으로도 사용되고 있다. 이러한 이유로 최근 많은 연구자는 이동객체 검출 기술에 관한 연구를 활발하게 진행하고 있다.
	Horn-Shcunck 광류 추정 방법은 무엇인가?	대표적인 광류 추정 기법으로는 Horn-Schunck [10]와Lucas-Kanade [11]로부터 발표된 광류 추정 기법이 자주 이용된다. Horn-Shcunck 광류 추정 방법은 영상 전역에서 광류를 추정하는 방법이고,Lucas-Kanade의 광류 추정 방법은 국부적으로 하나의 픽셀을 기준으로 작은 윈도우 내에서 광류를추정하는 방법이다. 하지만 Lucas-Kanade의 광류추정 방법은 해당 픽셀이 빠르게 이동할 경우 광류를 제대로 추정하지 못하는 단점이 있다.
	Lucas-Kanade의 광류추정 방법의 단점은 무엇인가?	Horn-Shcunck 광류 추정 방법은 영상 전역에서 광류를 추정하는 방법이고,Lucas-Kanade의 광류 추정 방법은 국부적으로 하나의 픽셀을 기준으로 작은 윈도우 내에서 광류를추정하는 방법이다. 하지만 Lucas-Kanade의 광류추정 방법은 해당 픽셀이 빠르게 이동할 경우 광류를 제대로 추정하지 못하는 단점이 있다. 이러한 단점을 보완하기 위해서 피라미드 Lucas-Kanade 광류 추정 기법 (pyramidal Lucas-Kanade optical flow estimation method)도 소개되었다 [12].

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

동적 배경에서의 고밀도 광류 기반 이동 객체 검출
Dense Optical flow based Moving Object Detection at Dynamic Scenes 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

동적 배경에서의 고밀도 광류 기반 이동 객체 검출 Dense Optical flow based Moving Object Detection at Dynamic Scenes 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

임효진 (1) 최연규 (2) 정호열 (36)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

동적 배경에서의 고밀도 광류 기반 이동 객체 검출
Dense Optical flow based Moving Object Detection at Dynamic Scenes 원문보기

AI 본문요약
AI-Helper