좁은 공간에 돼지들을 밀집 사육하는 구조가 대부분인 국내 돈사의 환경은 구제역과 같은 전염병 확산에 취약하다. 이러한 밀집 사육의 문제점을 해결하기 위한 방법으로 감시 카메라를 활용한 돈사 내 개별 돼지들의 행동을 자동으로 분석하는 연구가 진행 되고 있다. 그러나 공격행동 등 복잡한 상황에서 개별 돼지들을 추적하기 위해서는 근접한 돼지들에 대한 올바른 분리가 우선적으로 수행되어야 하지만, 정확도가 떨어지는 키넥트 카메라의 깊이 정보를 이용할 경우 돼지들 간의 경계선이 정확히 추출되지 않는다는 문제가 있다. 본 논문에서는 이러한 문제를 해결하기 위한 방법으로 움직임 정보를 활용하여 근접 돼지를 분리하는 방법을 제안한다. 또한, 제안된 방법은 혼잡한 돈방에서 개별 돼지를 추적하는 경우 추적 오류를 탐지하는 문제에도 적용될 수 있다. 실험 결과, 실제 돈사에서 획득한 두 개의 근접 돼지 시퀀스에 대하여 86%의 정확도로 분리 가능함을 확인하였고, 객체 추적에 대한 검증을 통하여 식별 번호가 잘못 부여된 객체를 정확히 탐지할 수 있음을 확인하였다.
좁은 공간에 돼지들을 밀집 사육하는 구조가 대부분인 국내 돈사의 환경은 구제역과 같은 전염병 확산에 취약하다. 이러한 밀집 사육의 문제점을 해결하기 위한 방법으로 감시 카메라를 활용한 돈사 내 개별 돼지들의 행동을 자동으로 분석하는 연구가 진행 되고 있다. 그러나 공격행동 등 복잡한 상황에서 개별 돼지들을 추적하기 위해서는 근접한 돼지들에 대한 올바른 분리가 우선적으로 수행되어야 하지만, 정확도가 떨어지는 키넥트 카메라의 깊이 정보를 이용할 경우 돼지들 간의 경계선이 정확히 추출되지 않는다는 문제가 있다. 본 논문에서는 이러한 문제를 해결하기 위한 방법으로 움직임 정보를 활용하여 근접 돼지를 분리하는 방법을 제안한다. 또한, 제안된 방법은 혼잡한 돈방에서 개별 돼지를 추적하는 경우 추적 오류를 탐지하는 문제에도 적용될 수 있다. 실험 결과, 실제 돈사에서 획득한 두 개의 근접 돼지 시퀀스에 대하여 86%의 정확도로 분리 가능함을 확인하였고, 객체 추적에 대한 검증을 통하여 식별 번호가 잘못 부여된 객체를 정확히 탐지할 수 있음을 확인하였다.
The domestic pigsty environment is highly vulnerable to the spread of respiratory diseases such as foot-and-mouth disease because of the small space. In order to manage this issue, a variety of studies have been conducted to automatically analyze behavior of individual pigs in a pig pen through a vi...
The domestic pigsty environment is highly vulnerable to the spread of respiratory diseases such as foot-and-mouth disease because of the small space. In order to manage this issue, a variety of studies have been conducted to automatically analyze behavior of individual pigs in a pig pen through a video surveillance system using a camera. Even though it is required to correctly segment touching pigs for tracking each pig in complex situations such as aggressive behavior, detecting the correct boundaries among touching pigs using Kinect's depth information of lower accuracy is a challenging issue. In this paper, we propose a segmentation method using motion information of the touching pigs. In addition, our proposed method can be applied for detecting tracking errors in case of tracking individual pigs in the complex environment. In the experimental results, we confirmed that the touching pigs in a pig farm were separated with the accuracy of 86%, and also confirmed that the tracking errors were detected accurately.
The domestic pigsty environment is highly vulnerable to the spread of respiratory diseases such as foot-and-mouth disease because of the small space. In order to manage this issue, a variety of studies have been conducted to automatically analyze behavior of individual pigs in a pig pen through a video surveillance system using a camera. Even though it is required to correctly segment touching pigs for tracking each pig in complex situations such as aggressive behavior, detecting the correct boundaries among touching pigs using Kinect's depth information of lower accuracy is a challenging issue. In this paper, we propose a segmentation method using motion information of the touching pigs. In addition, our proposed method can be applied for detecting tracking errors in case of tracking individual pigs in the complex environment. In the experimental results, we confirmed that the touching pigs in a pig farm were separated with the accuracy of 86%, and also confirmed that the tracking errors were detected accurately.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
먼저, 근접한 두 마리 돼지를 분리하기 위해서 두 돼지가 붙기 이전 3개 프레임에서의 위치를 통해 현재 프레임에서의 해당 돼지가 위치할 영역을 예측하고, 예측한 영역을 근거로 근접 돼지를 분리한다. 또한, 객체 추적에 대한 검증을 위하여 현재 프레임에서 개별 돼지들의 예측된 중심 좌표 주변 식별 정보 분포를 확인함으로써 객체 추적이 정상적으로 수행되었는지 확인할 수 있다.
본 논문에서는 근접하는 집단 돼지를 개별 돼지로 분리하기 위하여 폐쇄된 돈방 내의 움직임 정보를 활용함으로써 근접 돼지를 분리하는 방법을 제안한다. 즉, 과거의 움직임 정보를 사용하여 현재 움직임을 계산하고, 이를 근거로 근접한 개별 돼지들의 현재 위치를 예측하여 근접 돼지를 분리한다.
본 논문에서는 이러한 문제를 해결하기 위해 움직임 정보를 사용하여 다음 움직임을 예측하고, 예측한 정보를 기반으로 근접해 있는 두 마리 돼지를 분리하는 방법과 이를 확장하여 추적 오류를 탐지하는 방법을 제안하였다. 실험 결과, 공격 행동에 해당하는 대표적인 두 개의 근접 돼지 시퀀스에 대해서 평균 86%의 정확도로 분리가 가능하고, 관리자가 접근하면서 많은 돼지들이 같은 방향으로 빠르게 이동하는 시퀀스에 대하여오탐지없이 추적 오류를 탐지할 수 있음을 확인하였다.
본 연구에서는 돈방의 천장에 저가의 키넥트 카메라를 설치한 후, 획득된 비디오 데이터를 분석하여 24시간 개별 돼지에 대한 관리를 최종 목표로 한다. 그러나 키넥트의 RGB 정보는 조명과 그림자의 변화에 취약한 문제점이 있기 때문에,이러한 문제점을 해결하기 위하여 깊이 정보를 이용한다[9-11].
가설 설정
본 연구에서는 다수의 이유자돈(생후 25일령)들이 한 달 동안 폐쇄된 돈방에서 관리되는 환경을 가정한다. 따라서 두 마리의 돼지가 근접하기 전에는 각각의 개별 돼지로 분리되어 있고, 정확히 추적 되고 있다고 가정할 수 있다. 제안 방법에서 사용되는 정보는 이전 프레임에서의 객체 좌표를 통해 얻은 움직임 정보이다.
본 연구에서는 다수의 이유자돈(생후 25일령)들이 한 달 동안 폐쇄된 돈방에서 관리되는 환경을 가정한다. 따라서 두 마리의 돼지가 근접하기 전에는 각각의 개별 돼지로 분리되어 있고, 정확히 추적 되고 있다고 가정할 수 있다.
먼저 가장 간단한 추적 방법인 중심점 기반 추적기[5,17]를이용하여 돈방 내 13마리 돼지에 대한 추적 결과에 대한 검증을 진행하였다. 사용된 비디오 시퀀스는 관리자가 접근하면서 많은 돼지들이 놀라 서로 부딪치면서 빠르게 위에서 아래로 내려왔다가 다시 위로 올라가는 움직임을 보이는 400개 프레임 분량이고, 개별 돼지는 분리되었다고 가정한다. 먼저 움직임 정보를 이용하여 객체에 대한 현재 위치를 예측하였고, 현재 위치 예측을 사용한 객체 추적 검증을 통하여 객체의 식별 번호에 대한 확인을 수행하였다.
우선 첫 번째 돼지는 빨간색, 두 번째 돼지는 파란색의 고유한 색을 가지고 있다고 가정하고, Fig. 4B와 같이 예측한 두 영역을 탐지된 근접 돼지 영역과 비교한다. 이후 Fig.
제안 방법
2A와 같이 돼지를 감싸는 최소 사각형의 중심점 좌표, 각도, 사각형 크기를 사용하여 나타낼 수 있다. 과거 3개의 프레임(t-1,t-2, t-3)동안 돼지의 위치를 최소 사각형을 통해 파악하고, 현재 프레임(t-0)에서의 해당 돼지 위치를 예측한다. 즉, 현재 프레임에 해당하는 t-0 에서의 돼지 중심점 위치는 Fig.
1에서 볼 수 있듯이,이전 프레임만을 활용하여 근접 돼지를 분리할 경우에는 이전 프레임의 영역 정보가 현재 프레임의 영역에 영향을 주어 정확한 객체 분리를 할 수 없는 문제가 발생한다. 따라서 본 논문에서는 바로 이전의 프레임만을 이용하여 근접 돼지를 개별로 분리하지 않고, 해당 객체의 과거 움직임 정보를 사용하여 현재 프레임에서 객체의 위치를 예측하고 이를 통해 근접한 객체를 분리한다.
즉, 과거의 움직임 정보를 사용하여 현재 움직임을 계산하고, 이를 근거로 근접한 개별 돼지들의 현재 위치를 예측하여 근접 돼지를 분리한다. 또한, 예측한 개별 돼지의 위치를 이용하여 객체 추적 오류를 탐지하고 수정하는 방법을 제안한다.
먼저 가장 간단한 추적 방법인 중심점 기반 추적기[5,17]를이용하여 돈방 내 13마리 돼지에 대한 추적 결과에 대한 검증을 진행하였다. 사용된 비디오 시퀀스는 관리자가 접근하면서 많은 돼지들이 놀라 서로 부딪치면서 빠르게 위에서 아래로 내려왔다가 다시 위로 올라가는 움직임을 보이는 400개 프레임 분량이고, 개별 돼지는 분리되었다고 가정한다.
사용된 비디오 시퀀스는 관리자가 접근하면서 많은 돼지들이 놀라 서로 부딪치면서 빠르게 위에서 아래로 내려왔다가 다시 위로 올라가는 움직임을 보이는 400개 프레임 분량이고, 개별 돼지는 분리되었다고 가정한다. 먼저 움직임 정보를 이용하여 객체에 대한 현재 위치를 예측하였고, 현재 위치 예측을 사용한 객체 추적 검증을 통하여 객체의 식별 번호에 대한 확인을 수행하였다.
즉, 과거 프레임으로부터 추적이 완료된 객체의 움직임 정보를 계산한다. 먼저, 근접한 두 마리 돼지를 분리하기 위해서 두 돼지가 붙기 이전 3개 프레임에서의 위치를 통해 현재 프레임에서의 해당 돼지가 위치할 영역을 예측하고, 예측한 영역을 근거로 근접 돼지를 분리한다. 또한, 객체 추적에 대한 검증을 위하여 현재 프레임에서 개별 돼지들의 예측된 중심 좌표 주변 식별 정보 분포를 확인함으로써 객체 추적이 정상적으로 수행되었는지 확인할 수 있다.
정확도 점수는 예측 점의 좌표를 중심으로 계산된다. 먼저, 예측 점을 중심으로 8방향의 점이 예측에 실패한 객체 영역에 포함되는지 확인한다. 여기서, 8방향에 있는 점들 중 거리가 1, 2, 4, 6인 좌표를 통해 예측 점 주변을 살피고, 검증할 객체에 어느 정도 포함되는지 확인한다.
예측하는 영역의 표시를 위해서, 돼지를 포함하는 최소 사각형의 네 모서리에 대한 추가적인 작업을 수행한다. 실제로 돼지 객체는 돈사의 천장에서 아래를 내려다본 영상이기 때문에, 사각형이 아닌 타원과 유사하다.
이러한 방법으로 예측된 두 마리 돼지의 위치는 두 마리 돼지의 상대적인 위치로 활용된다. 이후 근접한 돼지의 중심좌표와 두 돼지의 중심점이 일치되도록 예측된 두 영역을 이동시키고 예측 영역과 근접 돼지 영역을 비교함으로써 분리를 수행한다.
이 때, 해당 좌표들이 포함되는 객체에 1점 씩 더한다. 이후, 계산된 점수로부터 최댓값을 가지는 객체의 식별 번호를 구하고, 최댓값을 가지는 객체가 예측을 수행한 객체와 동일한지 확인한다. 만약, 동일한 객체이면, 추적결과에서 해당 객체는 추적이 올바르게 수행됨으로 추정할 수 있다.
본 논문에서는 근접하는 집단 돼지를 개별 돼지로 분리하기 위하여 폐쇄된 돈방 내의 움직임 정보를 활용함으로써 근접 돼지를 분리하는 방법을 제안한다. 즉, 과거의 움직임 정보를 사용하여 현재 움직임을 계산하고, 이를 근거로 근접한 개별 돼지들의 현재 위치를 예측하여 근접 돼지를 분리한다. 또한, 예측한 개별 돼지의 위치를 이용하여 객체 추적 오류를 탐지하고 수정하는 방법을 제안한다.
이러한 특성에 근거하여 근접한 돼지의 분리에 이용되는 최소 사각형을 타원형으로 변형시킨다. 즉, 근접한 돼지의 정확한 분리를 위해, Fig.4A와 같이 3.1절로부터 돼지의 위치가 예측된 최소 사각형의 네 모서리 영역을 제거함으로써 현재 프레임의 돼지 영역을 예측한다. Fig.
이렇게 획득된 깊이 정보 데이터는 수행시간의 단축을 위해 해상도가 200×200이고 10fps의 깊이 정보 데이터로 변환하였다. 축소 변환된 깊이 정보 데이터는 전‧배경 분리 알고리즘을 수행하였고[11], 처리된 영상에서 돼지로 탐지된 데이터에 제안 방법을 적용하였다. 실험은 AMD Ryzen 5 1600, 8GB RAM, Visual Studio2015, 영상처리 라이브러리 OpenCV 2.
대상 데이터
먼저 깊이 정보 카메라로부터 수집한 영상에서 깊이 정보를 이용하여 누워있는 돼지를 제외하고 배경 차이를 이용하여 움직이지 않는 돼지를 제외하였다. 그리고 두 마리 간 공격 행동에 해당하는 대표적인 두 개의 시퀀스(즉, 20개 프레임으로 구성된 sequence #1과 28개 프레임으로 구성된 sequence #2)를 획득하였고, Fig. 9, Fig. 10과 같이 근접 돼지를 개별 돼지로 분리할 수 있음을 보여주었다.
본 논문에서는 실험을 위해 돈방의 바닥으로부터 약 4m 높이의 천장에 키넥트2 카메라를 설치하였고, 설치된 카메라를 통해 획득한 깊이 정보 데이터는 512×424의 해상도와 30fps(frame per second)를 갖는다.
이렇게 획득된 깊이 정보 데이터는 수행시간의 단축을 위해 해상도가 200×200이고 10fps의 깊이 정보 데이터로 변환하였다.
따라서 두 마리의 돼지가 근접하기 전에는 각각의 개별 돼지로 분리되어 있고, 정확히 추적 되고 있다고 가정할 수 있다. 제안 방법에서 사용되는 정보는 이전 프레임에서의 객체 좌표를 통해 얻은 움직임 정보이다. 즉, 과거 프레임으로부터 추적이 완료된 객체의 움직임 정보를 계산한다.
데이터처리
1절에서와 같이 계산하여 예측 점을 도출할 수 있다. 계산된 예측 점은 추적 결과와 비교함으로써, 정확도 점수를 이용한 개별 돼지 위치를 검증한다.
본 논문에서 제안하는 방법의 근접 돼지 분리 성능을 정량적으로 판단하기 위하여 워터쉐드 기법[12, 13]과 K-평균 기법[14, 15]의 정확도를 제안방법의 정확도와 비교하였다. (2장에서 언급하였듯이, 액티브 컨투어 기법 등 수행시간이 오래 걸리는 최적화 기반 방법들은 실시간 처리를 위하여 비교 방법에서 제외하였다.
이론/모형
제안 방법을 적용하기 이전에, 객체 추적 중에 두 개의 객체 또는 다수의 객체에 대한 식별 번호가 뒤바뀐(ID 변경) 다섯 번의 프레임을 육안으로 확인하였다. 이를 토대로 중심점기반 추적기의 추적 정확도는 Equation (1)[18]을 이용하여 계산되었다. 여기서 mmet는 현재 프레임 t에서 잘못 식별된 객체의 개수이고, gt는 현재 프레임 t에서의 모든 객체의 개수이다.
성능/효과
돈사에 설치된 키넥트로부터 획득된 비디오 데이터를 분석한 결과, 돼지들의 움직임은 불규칙적으로 변하지 않고, 앞으로 전진, 정지, 좌측으로 회전, 우측으로 회전하는 네 가지 움직임으로 분류 할 수 있음을 확인하였다.
) 워터쉐드 기법, K-평균 기법, 그리고 제안 방법으로 얻은 분리 결과를 픽셀 단위로 정답지 영상과 비교하여 정확도를 측정하였다. 두 시퀀스에 대해서 분리 정확도를 계산한 결과, Table 2와 같이 워터쉐드 기법의 정확도는 평균 58.72%, K-평균 기법의 정확도는 평균 55.01%, 그리고 제안 방법의 정확도는 85.87%로, 기존의 방법보다 정확한 근접 돼지의 분리가 가능함을 확인하였다. 수행시간을 측정한 결과, 제안 방법은 한 프레임을 처리하는데 걸리는 시간이 23ms로, 입력 영상인 초당 10 프레임의 비디오를 실시간으로 처리 가능함을 확인하였다.
2번 객체의 정확도 점수가 8번 객체에서 가장 높고, 5번 객체의 정확도 점수가 2번 객체에서 가장 높다. 또한, 7번 객체의 정확도 점수가 9번 객체에서 가장 높고, 8번 객체의 정확도 점수가 7번 객체에서 가장 높으며, 9번 객체의 정확도 점수가 5번 객체에서 가장 높은 것을 확인할 수 있다. 이것은 현재 프레임에서 2번 객체가 8번으로, 5번 객체가 2번으로, 7번 객체가 9번으로, 8번 객체가 7번으로 9번 객체가 5번으로 식별 번호가 잘못 부여된 것으로 판단할 수 있고, 잘못 부여된 식별 번호를 수정하여 정확히 객체추적을 할 수 있음을 확인하였다.
또한, 제안 방법의 정확도를 판단하기 위해 육안 확인하여 생성한 정답지 영상의 추적 결과를 검증한 경우에는, 400개 프레임 모두에서 추적 오류가 없었다고 판단(프레임당 검증 시간은 평균 26ms)하였다. 즉, 복잡한 돈방에서 대부분의 돼지들이 부딪치면서 같은 방향으로 빠르게 움직이는 어려운 비디오 시퀀스에 대하여, 중심점 기반 추적 결과와 정답지 영상의 추적 결과에 대한 검증 결과 오탐지(false positive, 추적이 제대로 되었지만 오류로 탐지)와 미탐지(false negative,추적의 오류가 발생했지만 탐지하지 못함)가 발생하지 않았다.
즉, 복잡한 돈방에서 대부분의 돼지들이 부딪치면서 같은 방향으로 빠르게 움직이는 어려운 비디오 시퀀스에 대하여, 중심점 기반 추적 결과와 정답지 영상의 추적 결과에 대한 검증 결과 오탐지(false positive, 추적이 제대로 되었지만 오류로 탐지)와 미탐지(false negative,추적의 오류가 발생했지만 탐지하지 못함)가 발생하지 않았다. 뿐만 아니라 정탐지(true positive, 돼지들 간 ID 변경)에대하여 잘못 부여된 ID 변경을 정확히 수정함으로써 추적기에 대한 높은 성능을 검증하였다.
87%로, 기존의 방법보다 정확한 근접 돼지의 분리가 가능함을 확인하였다. 수행시간을 측정한 결과, 제안 방법은 한 프레임을 처리하는데 걸리는 시간이 23ms로, 입력 영상인 초당 10 프레임의 비디오를 실시간으로 처리 가능함을 확인하였다.
본 논문에서는 이러한 문제를 해결하기 위해 움직임 정보를 사용하여 다음 움직임을 예측하고, 예측한 정보를 기반으로 근접해 있는 두 마리 돼지를 분리하는 방법과 이를 확장하여 추적 오류를 탐지하는 방법을 제안하였다. 실험 결과, 공격 행동에 해당하는 대표적인 두 개의 근접 돼지 시퀀스에 대해서 평균 86%의 정확도로 분리가 가능하고, 관리자가 접근하면서 많은 돼지들이 같은 방향으로 빠르게 이동하는 시퀀스에 대하여오탐지없이 추적 오류를 탐지할 수 있음을 확인하였다.
또한, 7번 객체의 정확도 점수가 9번 객체에서 가장 높고, 8번 객체의 정확도 점수가 7번 객체에서 가장 높으며, 9번 객체의 정확도 점수가 5번 객체에서 가장 높은 것을 확인할 수 있다. 이것은 현재 프레임에서 2번 객체가 8번으로, 5번 객체가 2번으로, 7번 객체가 9번으로, 8번 객체가 7번으로 9번 객체가 5번으로 식별 번호가 잘못 부여된 것으로 판단할 수 있고, 잘못 부여된 식별 번호를 수정하여 정확히 객체추적을 할 수 있음을 확인하였다.
여기서 mmet는 현재 프레임 t에서 잘못 식별된 객체의 개수이고, gt는 현재 프레임 t에서의 모든 객체의 개수이다. 이러한 식별 오류는 시퀀스가 종료될 때까지 지속됨으로써 최종적으로 중심점 기반 추적기는 73.15%의 추적 정확도를 보였고, 제안 방법은 ID 변경이 발생한 다섯 번 프레임 모두를 정확히 탐지하였다.
또한, 제안 방법의 정확도를 판단하기 위해 육안 확인하여 생성한 정답지 영상의 추적 결과를 검증한 경우에는, 400개 프레임 모두에서 추적 오류가 없었다고 판단(프레임당 검증 시간은 평균 26ms)하였다. 즉, 복잡한 돈방에서 대부분의 돼지들이 부딪치면서 같은 방향으로 빠르게 움직이는 어려운 비디오 시퀀스에 대하여, 중심점 기반 추적 결과와 정답지 영상의 추적 결과에 대한 검증 결과 오탐지(false positive, 추적이 제대로 되었지만 오류로 탐지)와 미탐지(false negative,추적의 오류가 발생했지만 탐지하지 못함)가 발생하지 않았다. 뿐만 아니라 정탐지(true positive, 돼지들 간 ID 변경)에대하여 잘못 부여된 ID 변경을 정확히 수정함으로써 추적기에 대한 높은 성능을 검증하였다.
후속연구
또한, 국내 돈사에서 돼지들은 공격 행동 등으로 인하여 좁은 공간에서 빠르게 움직이는 상황이 발생할 수 있기 때문에 객체의 추적 결과에 대하여 객체의 식별 번호가 잘못 부여(ID 변경)되는 등의 오류가 발생할 수 있다. 따라서 돈방 내 근접한 돼지들을 정확히 분리함으로써 각각의 개별 돼지로 탐지하고, 이를 활용하여 돼지들의 질병 감염으로 인한 특징적인 행동 혹은 공격적인 행동 등을 분석하기 위한 개별 추적 시스템이 요구된다.
향후 연구로 공격 행동 외에 다른 움직임을 포함한 모든 경우의 근접 돼지 분리와 다수의 돼지들이 근접해있는 경우의 분리가 가능하도록 연구를 진행할 예정이다. 또한, 중심점기반 추적기외에 다양한 추적기에 대하여 추적 결과를 검증할 예정이고, 전체 과정을 실시간에 처리할 수 있도록 병렬처리 방법[19]도 적용할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
감시 카메라를 활용한 돈사 내 개별 돼지들의 행동을 자동으로 분석하는 연구는 어떤 문제를 해결하기 위한 방법인가?
좁은 공간에 돼지들을 밀집 사육하는 구조가 대부분인 국내 돈사의 환경은 구제역과 같은 전염병 확산에 취약하다. 이러한 밀집 사육의 문제점을 해결하기 위한 방법으로 감시 카메라를 활용한 돈사 내 개별 돼지들의 행동을 자동으로 분석하는 연구가 진행 되고 있다.
워터쉐드 기법은 무엇을 분석하는 기법인가?
근접 객체를 분리하는 대표적인 방법으로는 영역 확장 기반의 워터쉐드 기법[12, 13]과 클러스터링 기반의 K-평균 기법[14, 15]이있다. 워터쉐드 기법은 영상의 픽셀 값을 하나의 지형으로 간주하여 영상에서 나타나는 2차원의 지형의 높낮이를 분석한다. 영상 내 2차원 지형에 물방울을 떨어뜨려 지형의 골짜기(valley)를 채웠을 때 하나의 윤곽선으로 둘러싸인 물웅덩이를 기반으로 근접한 객체의 영역을 분리한다.
근접 객체를 분리하는 대표적인 방법에는 무엇이 있는가?
즉, 탐지된 돼지가 근접하게 되면 2마리의 객체가 1마리의 객체로 인식될 수 있는데, 24시간 개별 돼지 추적을 위해서는 근접한 돼지를 개별로 반드시 분리해주어야 한다. 근접 객체를 분리하는 대표적인 방법으로는 영역 확장 기반의 워터쉐드 기법[12, 13]과 클러스터링 기반의 K-평균 기법[14, 15]이있다. 워터쉐드 기법은 영상의 픽셀 값을 하나의 지형으로 간주하여 영상에서 나타나는 2차원의 지형의 높낮이를 분석한다.
참고문헌 (19)
Y. Chung, S. Oh, J. Lee, D. Park, H. -H. Chang, and S. Kim, "Automatic Detection and Recognition of Pig Wasting Diseases Using Sound Data in Audio Surveillance Systems," Sensors, Vol.13, No.10, pp.12929-12942, 2013.
I. Camerlink, S. P. Turner, W. W. Ursinus, I. Reimert, and J. E. Bolhuis, "Aggression and Affiliation during Social Conflict in Pigs," PLoS ONE, Vol.9, No.11, pp.e113502, 2014.
L. Jin, S. Zuo, J. Lee, D. Park, and Y. Chung, "Aggressive Behavior Detection of Weaning Pigs," in Proc. of the KSII Fall Conference, pp.325-326, 2014.
J. Lee, L. Jin, D. Park, and Y. Chung, "Automatic Recognition of Aggressive Behavior in Pigs by using a Kinect Depth Sensor," Sensors, Vol.16, No.5, p.631, 2016.
S. Zuo, L. Jin, Y. Chung, and D. Park, "An Index Algorithm for Tracking Pigs in Pigsty," in Proc. of ICITMS, pp.797-803, 2014.
J. Sa, S. Han, S. Lee, H. Kim, S. Lee, Y. Chung, and D. Park, "Image Segmentation of Adjoining Pigs Using Spatio-Temporal Information," KIPS Tr. Software and Data Eng., Vol.4, No.10, pp.473-478, 2015.
M. Ju, H. Baek, J. Sa, H. Kim, Y. Chung, and D. Park, "Real-Time Pig Segmentation for Individual Pig Monitoring in a Weaning Pig Room," J. of Korea Multimedia Society, Vol.19, No.2, pp.215-223, 2016.
H. Baek, Y. Chung, M. Ju, Y. Chung, D. Park, and H. Kim, "Pig Segmentation using Concave Points and Edge Information," J. of Korea Multimedia Society, Vol.19, No.8, pp.1361-1370, 2016.
J. Choi, J. Lee, Y. Chung, and D. Park, "Individual Pig Detection Using Kinect Depth Information," KIPS Tr. Comp. and Comm. Sys., Vol.5, No.10, pp.319-326, 2016.
J. Choi, J. Lee, Y. Chung, and D. Park, "Individual Pig Detection using Fast Region-based Convolution Neural Network," J. of Korea Multimedia Society, Vol.20, No.2, pp.216-224, 2017.
J. Kim, Y. Chung, Y. Choi, J. Sa, H. Kim, Y. Chung, D. Park, and H. Kim, "Depth-based Detection of Standing-Pigs in Moving Noise Environments," Sensors, Vol.17, pp.2757, 2017.
S. Lee, K. Kim, and T. Yoon, "Individual Tooth Image Segmentation by Watershed Algorithm," Trans. Korean Inst. Elect. Eng., Vol.59, No.1, pp.210-216, 2010.
C. Koyuncu, S. Arslan, I. Durmaz, R. Cetin-Atalay, and C. Gunduz-Demir, "Smart Markers for Watershed-Based Cell Segmentation," PLoS one, Vol.7, No.11, pp.e48664, 2012.
G. Kim, G. Lee, and S. Lee, "An Edge Extraction Method Using K-means Clustering In Image," Journal of Digital Convergence, Vol.12, No.11, pp.281-288, 2014.
J. Peng, Y. Chen, M. Green, S. Sabatinos, S. Forsburg, and C. Hsu, "PombeX: Robust Cell Segmentation for Fission Yeast Transillumination Images," PLoS one, Vol.8, No.12, pp.e81434, 2013.
G. Bradski and A. Kaehler, Learning OpenCV: Computer Vision with the OpenCV Library, O'Reilly Media, Sebastopol, California, 2008.
R. Ghosh and W. Webb, "Automated Detection and Tracking of Individual and Clustered Cell Surface Low Density Lipoprotein Receptor Molecules," Biophysical Journal, Vol. 66, No.5, pp.1301-1318, 1994.
K. Bernardin and R. Stiefelhagen, "Evaluating Multiple Object Tracking Performance: The CLEAR MOT Metrics," EURASIP Journal on Image and Video Processing, Vol. 2008, No.1, pp.1-10, 2008.
J. Kim, Y. Choi, J. Kim, Y. Chung, Y. Chung, and D. Park, "Efficient Task Distribution for Pig Monitoring Applications using OpenCL," KIPS Tr. Comp. and Comm. Sys., Vol.6, No.10, pp.407-414, 2017.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.