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 Camshift 알고리즘이 환경 변화에 적응성을 높이는 개선 방법을 제시한다. 제안 알고리즘은 배경을 포함하여 칼라 변화에도 강인한 객체 추적이 가능하고, 추적 과정에서 발생할 수 있는 추적 실패에 보다 빠르게 대처하기 위해 개선된 SURF 알고리즘을 적용하여 빠른 재탐색을 수행한다.
제안 방법
- 객체 추적에 실패하였을 때, 개선한 SURF 알고리즘을 사용하여 전체 이미지에서 대상 객체와 일치하는 객체를 재탐색한다. 일치하는 관심 점을 발견하면, 관심 점의 중심을 계산하고 탐색 창 주변에 점들을 대상으로 Camshift 알고리즘을 통해 계속적으로 객체 추적을 수행한다.
- 특징점 개수를 감소시킴으로써, 불필요한 연산을 배제하여 처리시간의 단축 효과를 얻을 수 있다. 본 논문에서 적용하는 클러스터링 필터 내에 존재하는 특징점의 개수와 밀집도를 계산하고 특징점으로써의 가치를 판단하고 최종적으로 정합에 활용될 수 있는 특징점만을 생성한다. 이를 위한 특징점 분류는 수식 (1)과 같다.
- 본 논문에서 제시하는 개선된 Camshift+SURF 알고리즘을 실험으로 측정 평가하며, 다수의 입력 비디오 시퀸스에 대해 움직이는 객체를 검출하고 추적 실험을 수행한다. 전체 프레임 대비, 탐색 창에 대해 객체의 외곽선을 포함하여 객체 영역의 90% 이상인 프레임의 비율을 성공으로 간주하며, 실시간 테스트를 위해 웹 카메라에서의 입력을 대상을 수행한다.
- 본 논문에서는 결정되는 대표 방향에 따라 클러스터링 필터를 사용하여 의미 있는 특징점만을 군집화하고, 군집되지 않는 특징점은 잡음(Noise)으로 간주하여 정합과정에서 특징점에서 제외시킨다. 특징점 개수를 감소시킴으로써, 불필요한 연산을 배제하여 처리시간의 단축 효과를 얻을 수 있다.
- 는 실험 데이터셋에 포함된 전체 이미지들에 대한 평균 특징점 개수 분포를 의미한다. 본 논문에서는 실험적 수치를 통해 Tmin과 Tmax를 하위 20%, 상위 20%를 적용하였다. 최종적으로, 적응적 클러스터링 필터를 통해 추출된 의미 있는 특징점을 생성하여 정합과정에 적용한다.
- 본 논문에서는 이러한 문제를 해결하기 위해, 조명이 강한 환경에서 높은 S값을 갖는 픽셀과 약한 조명 환경에서 낮은 S값을 갖는 픽셀들을 선별적으로 제외시키고, 제한요소에서 탐색 창이 초기화된 다음 S와 V의 임계값을 각각 변경시킨다. 백-프로젝션(Back-projection) 비율이 전체 이미지와 검색 이미지 사이에서 최소값이 되며, 조정이 마무리된다.
- 본 논문에서는 특징점 분류를 위한 클러스터링 필터 크기를 21 × 21로 고정하였으며, 필터 내에 존재하는 특징점 개수는 전체 픽셀 수의 # (12.5%)수준으로 임계값을, 필터내 특징점간의 밀집도 임계값은 7로 설정하였다.
- 본 연구에서는 Camshift와 SURF 을 통해 움직이는 객체를 검출하고 추적하는 알고리즘을 살펴보고, 빠른 객체의 움직임과 배경 화면 변화에 강인한 추적 알고리즘을 구현하였다. 본 논문에서 제시한 개선된 Camshift+SURF 알고리즘은 실시간 환경에서 동작하기 위해 추적 대상 객체에 대한 추출 특징점의 차원을 감소시키며, 추적 실패 시에 재탐색을 보다 용이하게 지원함을 실험을 통해 검증하였다.
- 색조(Hue) 특징만을 활용하여, 배경 변화에 민감한Camshift 알고리즘의 단점을 보완하기 위해, 서로 다른 조명 변화에 견고하도록 자동적인 매개변수 조정 기능을 부여하여 Camshift알고리즘을 개선한다. 일반적으로, Camshift에서 객체 추적에 실패하는 경우는 2가지 상황에서 주로 발생한다.
- (1) 객체의 색조와 배경의 색조가 유사하여 혼동하는 경우와 (2) 객체가 빠르게 이동하여, 2개의 연속된 프레임 객체 영역이 오버랩되지 않아, 탐색 창이 이동속도를 따라가지 못하는 경우이다. 이러한 문제를 해결하기 위해, 먼저 바타챠랴 거리(Bharracharrya Distance)를 계산하여 대상 객체와 배경간의 유사성을 계산한다. m개의 칼라를 갖는 이미지에서 대상 객체에 대한 정규화된 칼라 다이어그램은 p(u)(u=1,2,···, m)이며, 배경에 대한 정규화된 칼라 다이어그램은 q(u)(u=1,2,···, m)이라고 하면, 바타챠랴 거리는 식 (5)로 계산된다.
- 본 논문에서는 Camshift 알고리즘이 환경 변화에 적응성을 높이는 개선 방법을 제시한다. 제안 알고리즘은 배경을 포함하여 칼라 변화에도 강인한 객체 추적이 가능하고, 추적 과정에서 발생할 수 있는 추적 실패에 보다 빠르게 대처하기 위해 개선된 SURF 알고리즘을 적용하여 빠른 재탐색을 수행한다. 다양한 실험을 통하여, 제안 알고리즘이 대상 객체의 위치 검출과 추적에서 기존의 알고리즘보다 우수하다는 것을 평가 검증한다.
대상 데이터
- 실험은 Intel Core™ 2.7GHz, 8GB 메모리가 장착된 PC에서 실행되었다.
- 본 논문에서 제시하는 개선된 Camshift+SURF 알고리즘을 실험으로 측정 평가하며, 다수의 입력 비디오 시퀸스에 대해 움직이는 객체를 검출하고 추적 실험을 수행한다. 전체 프레임 대비, 탐색 창에 대해 객체의 외곽선을 포함하여 객체 영역의 90% 이상인 프레임의 비율을 성공으로 간주하며, 실시간 테스트를 위해 웹 카메라에서의 입력을 대상을 수행한다. Fig.
이론/모형
- 결국 채도(S)와 밝기(V)를 무시하기 때문에 문제가 발생될 수 있다. Camshift는 기본적인 이미지 처리 기법인 칼라 히스토그램을 대상 모델로 활용하며, Camshift의 실행절차는 다음과 같다.
- 객체 추적에 실패하였을 때, 개선한 SURF 알고리즘을 사용하여 전체 이미지에서 대상 객체와 일치하는 객체를 재탐색한다. 일치하는 관심 점을 발견하면, 관심 점의 중심을 계산하고 탐색 창 주변에 점들을 대상으로 Camshift 알고리즘을 통해 계속적으로 객체 추적을 수행한다. 이를 통해 실시간으로 객체를 추적하고, 객체 칼라와 유사한 배경에서도 강인하게 추적이 가능하다.
성능/효과
- 이러한 Camshift 알고리즘을 통해 실시간 객체 추적이 가능하지만, 추적 대상 객체의 칼라 특성만을 사용하기 때문에, 다음과 같은 2가지 단점이 있다[8]. (1) 대상 객체와 배경이 유사한 칼라를 가질 때, 검출과 추적에서 오류가 발생할 가능성이 높으며, (2) 객체의 빠른 움직임에 따라, 동적으로 배경이 수시로 바뀔 때, 추적 대상 객체를 놓지는 손실이 발생할 수 있다. 다시 말해, Camshift는 조명과 배경 환경의 변화에 민감하다는 단점이 있다.
- 제안 알고리즘은 배경을 포함하여 칼라 변화에도 강인한 객체 추적이 가능하고, 추적 과정에서 발생할 수 있는 추적 실패에 보다 빠르게 대처하기 위해 개선된 SURF 알고리즘을 적용하여 빠른 재탐색을 수행한다. 다양한 실험을 통하여, 제안 알고리즘이 대상 객체의 위치 검출과 추적에서 기존의 알고리즘보다 우수하다는 것을 평가 검증한다.
- 본 연구에서는 Camshift와 SURF 을 통해 움직이는 객체를 검출하고 추적하는 알고리즘을 살펴보고, 빠른 객체의 움직임과 배경 화면 변화에 강인한 추적 알고리즘을 구현하였다. 본 논문에서 제시한 개선된 Camshift+SURF 알고리즘은 실시간 환경에서 동작하기 위해 추적 대상 객체에 대한 추출 특징점의 차원을 감소시키며, 추적 실패 시에 재탐색을 보다 용이하게 지원함을 실험을 통해 검증하였다. 본 논문의 주된 학술적 공헌으로는, 낮은 차원의 특징점 추출과 추적 실패에서의 빠른 재탐색 기능을 제공하는 알고리즘을 구현하였다는 것이 특징이며, 개선된 특징점 추출을 통해 증강현실/가상현실 객체 인식과 감시 시스템 등 다양한 응용 프로그램으로의 적용성 실험을 향후 연구 내용으로 남긴다.
- 실제로, 특정 임계값 보다 낮은 부분은 일반적인 잡음으로, 높은 부분에서는 객체의 불완전성을 갖는다. 본 논문에서는 실험적 측정에 따라 30% 비율에 맞춰, S와 V를 최소 30에서 최대 120사이로 설정하여 최상의 추적 성능을 얻는다.
후속연구
- 또한 차세대 디스플레이 장비로 주목 받는 투명 디스플레이는 객체 검출과 추적의 기초 기술로써 다양한 응용분야가 발생할 것으로 예측되며, 투명 디스플레이 상에서 대상 객체를 검출하고 움직임을 추적하는 형태의 기초 학습으로 활용될 것이다.
- 본 논문에서 제시한 개선된 Camshift+SURF 알고리즘은 실시간 환경에서 동작하기 위해 추적 대상 객체에 대한 추출 특징점의 차원을 감소시키며, 추적 실패 시에 재탐색을 보다 용이하게 지원함을 실험을 통해 검증하였다. 본 논문의 주된 학술적 공헌으로는, 낮은 차원의 특징점 추출과 추적 실패에서의 빠른 재탐색 기능을 제공하는 알고리즘을 구현하였다는 것이 특징이며, 개선된 특징점 추출을 통해 증강현실/가상현실 객체 인식과 감시 시스템 등 다양한 응용 프로그램으로의 적용성 실험을 향후 연구 내용으로 남긴다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.