초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

인체와 같은 다관절체의 운동은 세그먼트 단위로 강체의 특성을 포함하고 있으나, 움직임에 따라 옷의 주름과 같은 잡음과 관절의 변화 등의 비강체의 성질을 가진다. 따라서 잡음과 움직임에 따라 다양한 특징점이 추출되며, 영상 간 특징점의 변화가 심하므로, 대상의 특징을 비교적 정확히 반영하는 대응관계를 가진 특징점을 추출하는 것은 어려운 문제이다. 본 논문에서는 인체와 같은 다관절체의 움직임으로부터 신뢰성 있는 대응관계를 가진 특징점을 추출하기 위한 기법을 제안한다. 또한 쌍 대응(pairwise correspondence)의 문제를 확장하여 특정 동작을 이루는 다수의 프레임에서의 일관성 있는 특징점 대응을 위한 간단한 전략을 제안한다. 이를 통해 정확하고 안정적인 대응관계를 가진 특징점을 추출할 수 있다.

인체와 같은 다관절체의 운동은 세그먼트 단위로 강체의 특성을 포함하고 있으나, 움직임에 따라 옷의 주름과 같은 잡음과 관절의 변화 등의 비강체의 성질을 가진다. 따라서 잡음과 움직임에 따라 다양한 특징점이 추출되며, 영상 간 특징점의 변화가 심하므로, 대상의 특징을 비교적 정확히 반영하는 대응관계를 가진 특징점을 추출하는 것은 어려운 문제이다. 본 논문에서는 인체와 같은 다관절체의 움직임으로부터 신뢰성 있는 대응관계를 가진 특징점을 추출하기 위한 기법을 제안한다. 또한 쌍 대응(pairwise correspondence)의 문제를 확장하여 특정 동작을 이루는 다수의 프레임에서의 일관성 있는 특징점 대응을 위한 간단한 전략을 제안한다. 이를 통해 정확하고 안정적인 대응관계를 가진 특징점을 추출할 수 있다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 연구에서 사용한 인체와 같은 다관절체의 운동은 세그먼트 단위로 강체의 특성을 포함하고 있으나, 움직임에 따라 옷의 주름과 같은 잡음과 관절의 변화 등의 비강체의 성질을 가진다. 또한 이전 연구가 주로 쌍(pair)을 이루는 물체 간의 대응관계를 다루어 온 반면, 본 연구는 특정 동작의 정보를 포함한 다수의 프레임에서 일관성 있는 대응관계를 추출하는데 관심이 있다. 본 논문에서는 인체와 같은 다관절체의 동작 포착을 위해 실루엣(si Ihouette) 으로부터 특징점을 추출하고, 특징점이 다수의 프레임에서 대 응관계의 일관성을 유지할 수 있는 기법을 제안한다.
• 본 논문에서는 다수의 프레임에서 인체와 같은 다관절체의 움직임의 대응점을 일관성 있게 추출할 수 있는 효과적인 알고리즘을 제안하였다. 적절한 평가분석을 위해 특징점의 일관성에 크게 의존하는 와핑의 수행 결과 대체적으로 만족할 만한 결과를 얻을 수 있었다.
• 또한 이전 연구가 주로 쌍(pair)을 이루는 물체 간의 대응관계를 다루어 온 반면, 본 연구는 특정 동작의 정보를 포함한 다수의 프레임에서 일관성 있는 대응관계를 추출하는데 관심이 있다. 본 논문에서는 인체와 같은 다관절체의 동작 포착을 위해 실루엣(si Ihouette) 으로부터 특징점을 추출하고, 특징점이 다수의 프레임에서 대 응관계의 일관성을 유지할 수 있는 기법을 제안한다.
• 본 연구의 최종적인 목표는 두 개의 영상 간의 신뢰성 있는 대 응관계를 추출하는 것을 확장하여 다수의 영상열에서 정확한 대웅관계를 구하는 것이다. 2장에서 기술한 특징점 대응 알고리즘은 쌍을 이루는 두 개의 물체 사이의 대응관계를 구하는 것으로 다수의 영상으로 이를 확장시킬 수 없다.
• 본 절에서는 대웅되는 특징점의 집합 4와 矿의 초기 측정치를 구하기 위한 방법을 기술한다. 경로 기반 대응점 추출을 위한 알고리즘윤 대상 A 와 B 가 유사한 형상을 지닌다고 가정한다.

가설 설정

• 본 절에서는 대웅되는 특징점의 집합 4와 矿의 초기 측정치를 구하기 위한 방법을 기술한다. 경로 기반 대응점 추출을 위한 알고리즘윤 대상 A 와 B 가 유사한 형상을 지닌다고 가정한다. 즉 임의의 특징점 & 가 물체 A 에서 차지하는 인접한 특징 점 까지 공간의 크기는 爲 가 물체 8 에서 차지하는 인접한 특징점 까지의 공간의 크기와 유사하다.
• 일반적으로 물체의 경계 간의 대응되는 변환함수를 구하는 문제는 특히 강체(rigid) 변환에 초점을 두어 연구되어 왔다. 그러나, 본 논문에서는 바】강체의 물체 간의 대응관계를 다룬다. 비강체 물체의 특징점의 대응관계를 자동적으로 추출하기 위한 방법으로 는 HiH[4] 이 제안한 기법을 기초로 문제를 설계하였다.
• 물체 간에 2-D 공간 상의 회전이나 이동이 가능하나, 본 논문에서는 인체와 같은 다관절체 물체를 실험 대상으로 함으로 2-D 회전변환은 발생하지 않는다고 가정하며, 2-D 이동 변환에 대해서는 물체의 중심으로부터의 상대좌표를 사용하기 때문에 이동변화에 불변(translation invariant) 한 결과를 얻을 수 있다. 양 방향으로의 대상체에 대한 투영의 결과로 각각의 물체 는 ①-他““生 (叫.

제안 방법

• 2. 대응되는 희소 다각형 A\B' 의 초기화 - A\Bn 를 사용하여 A, B 외각선의 경로 길이를 기반하여 대응관계를 구한다. 여기에서 순서쌍 知의 크기는 %口(^, +如)/2로 고정한다.
• 3.Greedy 알고리즘을 사용한 초기 대응관계의 최적화 - 이웃한 특징점과의 길이와 곡률의 관계를 모델링한 평가함수를 사용하여 대상 간의 유사성을 최적화한다. 최적화 전락은 두번째 단계에서 구한 회소 다각형 중 하나를 참조 대상으로 고정하여, a, .
• 즉 곡률이 상대적으로 작더라도 인접 특징점과의 거리가 크다면 특징점으로서 추출되어야 하고, 곡률이 日더라도 주위 인접 특징점이 가까이 있다면 잡음으로 처리 가능하다는 성질이 삼각형의 면적을 통해 모델링 된다. 대상의 모양의 정보는 사각 좌표계 (rectangular coordinates)를 극좌표계(p이ar coordinates)로 변환하여 사용한다. 2-D의 모양 정보(x, y)를 두 개의 1-D 정보 p(i), 0(i) )로 분리함으로서, 회전(rotation)과 크기 변환(scaling)을 쉽게 다룰 수 있다.
• 먼저 이전 프레임의 최적화된 특징점의 집합을 이용하여 경로 기반 대응점 추출 기법을 현재의 영상에서 추출한 특징점에 적용한다. 초기에 결정된 특징점의 개수를 유지하기 위한 전략으로 앞장에서의 경로 기반 대응점 기법에서 양방향으로 경로의 길이 정보를 투영한 것과는 달리 이전 프레임의 경로 정보 만을 현재 프레임에 투영한다.
• 본 장에서는 이전 프레임의 영상에서 추출된 최적화된 특징점의 정보를 연계할 수 있는 방안으로 앞 장에서 기술한 특징점의 가능성을 내포하는 특징값을 사용하여 다중 프레임에서의 신뢰성 있는 특징점 추출을 위한 전략을 제안한다. 다중 프레임에서의 일관성 있는 특징점의 대응을 구하기 위한 절차는 그림 3 과 같다.
• 제안한 알고리즘에 대한 실험으로 한 대의 카메라로부터 얻은 몇 개의 영상열을 사용하였다. 영상의 실루엣을 추출하기 위해 수작업을 통한 크로마키를 생성하였다. 배경은 빨간색을 사용하였으며, 이러한 크로마키의 생성은 배경 모델링 (background modeling) 등의 기법으로 대체하여 자동화할 수 있다.

이론/모형

• A 에 대한 희소 다각형 占 를 구하기 위해 본 논문에서는 Zhu와 Chirlian[5] 에 의해 고안된 특징 점 포착(critical point detection;CPD) 알고리즘을 사용하였다. CPD 알고리즘은 두 개의 인접한 특징점과 이루는 삼각형의 면적을 특징값(critical value)으로 두고, 반복적으로 낮은 특징값을 제거하여 원하는 수준의 특징점을 추출하는 알고리즘이다, 특징값에 사용된 삼각형에서 높이는 임의의 특징점이 인접한 두 개의 특징점과 이루는 곡률의 크기를 내포하고 있고, 밑변의 길이는 인접한 특징점 간의 거리를 내포하고 있다.
• 따라서 잉여정보 제거를 위한 별도의 작업이 필요없다. 다음으로 greedy 알고리즘을 이용하여 현재 프레임의 특징점을 최적화한다. 여기에서 고정되는 정보는 이전 프레임의 특징점의 집합이다.
• 그러나, 본 논문에서는 바】강체의 물체 간의 대응관계를 다룬다. 비강체 물체의 특징점의 대응관계를 자동적으로 추출하기 위한 방법으로 는 HiH[4] 이 제안한 기법을 기초로 문제를 설계하였다. 이 알고리즘은 greedy 알고리즘을 사용하여 평가함수를 최적화하는 기법을 통해 희소 다각형 근사 기법(sparse p olygonal approximation)을 통해 구해진 각 물체의 특징점의 대응관계를 구한다.
• 비강체 물체의 특징점의 대응관계를 자동적으로 추출하기 위한 방법으로 는 HiH[4] 이 제안한 기법을 기초로 문제를 설계하였다. 이 알고리즘은 greedy 알고리즘을 사용하여 평가함수를 최적화하는 기법을 통해 희소 다각형 근사 기법(sparse p olygonal approximation)을 통해 구해진 각 물체의 특징점의 대응관계를 구한다. 평가함수는 Hill[4] 이 제안한 방법과는 달리 물체의 모양에서 이웃한 특징점과 이루는 곡률과 상대적인 길이의 비를 이용하여 모델링한다.
• 이 알고리즘은 greedy 알고리즘을 사용하여 평가함수를 최적화하는 기법을 통해 희소 다각형 근사 기법(sparse p olygonal approximation)을 통해 구해진 각 물체의 특징점의 대응관계를 구한다. 평가함수는 Hill[4] 이 제안한 방법과는 달리 물체의 모양에서 이웃한 특징점과 이루는 곡률과 상대적인 길이의 비를 이용하여 모델링한다.

성능/효과

• 1. 대상 A, B 각각에 대한 희소 다각형 A", B" 의 생성 - 이 단계는 희소 다각형 근사 기법을 사용하여 대상의 특징점을 추출하므로, 두 대상 간의 대웅관계가 설정되지 않는다. 따라서 일반적으로 간의 특징 점은 다른 크기를 가진다 (%.
• 본 논문에서는 다수의 프레임에서 인체와 같은 다관절체의 움직임의 대응점을 일관성 있게 추출할 수 있는 효과적인 알고리즘을 제안하였다. 적절한 평가분석을 위해 특징점의 일관성에 크게 의존하는 와핑의 수행 결과 대체적으로 만족할 만한 결과를 얻을 수 있었다. 제시한 알고리즘의 정확성을 높이기 위해 차후 영상 내부의 컬러 정보를 최적화를 위한 평가함수의 요소로 추가할 계획이다.

후속연구

• 제시한 알고리즘의 정확성을 높이기 위해 차후 영상 내부의 컬러 정보를 최적화를 위한 평가함수의 요소로 추가할 계획이다. 또한 본 논문에서 제시한 자동화 된 특징점 추출 알고리즘을 사용하여 다관절체의 2-D 와핑에 관한 연구가 진행 중이다.
• 적절한 평가분석을 위해 특징점의 일관성에 크게 의존하는 와핑의 수행 결과 대체적으로 만족할 만한 결과를 얻을 수 있었다. 제시한 알고리즘의 정확성을 높이기 위해 차후 영상 내부의 컬러 정보를 최적화를 위한 평가함수의 요소로 추가할 계획이다. 또한 본 논문에서 제시한 자동화 된 특징점 추출 알고리즘을 사용하여 다관절체의 2-D 와핑에 관한 연구가 진행 중이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기