초록

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

본 논문은 공간영역 상에서 다양하게 변형된 복제 영상과 원본 영상간의 통계적 특성을 이용하여 그 유사도를 측정하고 복제 여부를 판단하는 계층적 구조의 불법 비디오 감식 방법을 제안한다. 영상의 대표적 특성인 명암도에 따라 순위를 매김으로써 공간적 변형에 영향을 받지 않도록 하였으며, 데이터베이스에 저장된 방대한 양의 영상들에 대한 검색 시간과 계산량을 줄이기 위해 순위 표본 프레임을 이용하여 유사한 후보 영상군을 추출한다. 이러한 후보 영상군을 대상으로 일반적인 불법복제 비디오의 형태를 감안하여 각 프레임의 중앙 영역을 포함하여 통계 검정을 이용함으로써 복제 여부를 판단한다. 실험 결과 제안하는 방법은 기존 방법과 유사한 정확도를 보이며 동시에 선택된 순위 표본 프레임 수는 약 50% 가량 적게 추출되어 검색 시간과 계산량이 감소하였다. 또한 영상의 화질 열화, 대비 변형, 확대 및 축소, letterbox 등 다양한 공간적 변형에도 포괄적으로 복제 여부를 판단할 수 있음을 실험을 통해 확인하였다.

본 논문은 공간영역 상에서 다양하게 변형된 복제 영상과 원본 영상간의 통계적 특성을 이용하여 그 유사도를 측정하고 복제 여부를 판단하는 계층적 구조의 불법 비디오 감식 방법을 제안한다. 영상의 대표적 특성인 명암도에 따라 순위를 매김으로써 공간적 변형에 영향을 받지 않도록 하였으며, 데이터베이스에 저장된 방대한 양의 영상들에 대한 검색 시간과 계산량을 줄이기 위해 순위 표본 프레임을 이용하여 유사한 후보 영상군을 추출한다. 이러한 후보 영상군을 대상으로 일반적인 불법복제 비디오의 형태를 감안하여 각 프레임의 중앙 영역을 포함하여 통계 검정을 이용함으로써 복제 여부를 판단한다. 실험 결과 제안하는 방법은 기존 방법과 유사한 정확도를 보이며 동시에 선택된 순위 표본 프레임 수는 약 50% 가량 적게 추출되어 검색 시간과 계산량이 감소하였다. 또한 영상의 화질 열화, 대비 변형, 확대 및 축소, letterbox 등 다양한 공간적 변형에도 포괄적으로 복제 여부를 판단할 수 있음을 실험을 통해 확인하였다.

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

• 일반적으로 통계학에서 두 모집단의 데이터 유사성을 검정하기 위한 방법으로 평균을 이용한 가설검증 기법을 사용하고 있다. 본 논문에서도 이러한 가설검증을 이용하여 최종적으로 두 영상 간의 복제 여부를 판정한다.
• 본 논문은 저작권과 불법복제 영상의 성행으로 인한 사회적 문제에 기반을 두어 불법으로 업로드 되는 복제 영상을 기존의 방법에 비해 보다 효과적으로 검출하는 방법을 제안하였다. 실험 결과에서와 같이 순위 표본 프레임의 정확도가 기존 방법과 유사함과 동시에 그 수가 기존 방법보다 50%가량 적어 검출 시간을 감축하여 고속처리가 가능함을 확인하였다.

제안 방법

• 이러한 변형에도 영상의 대표적인 특징을 나타낼 수 있는 것이 휘도이며, 이 휘도값도 대비 변화나 잡음 등에 의해 그 값이 달라진다. 따라서 본 논문에서는 여러 가지 방법의 변화에도 영상을 특징화 할 수 있으면서 동시에 강인성을 제공하는 순위 정합 방법을 사용한다. Q와 T의 영상의 i번째 프레임의 순위 정합 방법, Rank(∙)을 이용해 얻어진 순위 프레임을 #, T_i,j 로 표기한다.
• 일반적으로 불법콘텐츠를 접할 수 있는 온라인 사이트는 많은 양의 원본 영상(Query)을 보유하고 있기 때문에 하나의 목표 영상(Target)을 방대한 데이터베이스에 저장된 모든 원본 영상과 비교하는데 한계가 있다. 따라서 본 논문은 영상의 특징인 시간적 중복성을 이용하여 유사한 영상을 빠르게 추출함으로써 검색시간과 계산량을 감소시켰다. 그림 1에 나타난 것과 같이 제1 데이터베이스에 원본 영상들이 저장되어 있고, 빠른 검출을 위해 오프라인 상에서 원본 영상들로부터 순위 표본 프레임을 추출하여 제2의 데이터베이스에 따로 저장해둔다.
• 본 논문에서는 최종적인 복사 검출율을 이전 방법인 Chih-Yi-Chiu와 비교하였다. 검출율의 성능을 평가하기 위해 식(7)의 precision 및 recall 측정하여 PR(precision-recall) 곡선을 이용한다.
• 본 논문은 내용 기반의 순위 정합(ordinal measurement)방법을 사용하여 공간적인 변화에 강인하도록 구성하였다. 영상 흐름의 변화에 따라 순위 표본 프레임(keyframe)을 선택하고, 이를 기반으로 원본 영상과 불법복사본 사이의 상관관계를 측정함으로써 인터넷 상의 많은 콘텐츠 중 유사한 영상만(candidate sequence)을 추출하여 계산량을 줄이고 처리 속도를 향상 시켰다. 또한 다양한 종류의 변형으로 쉽게 변질되는 휘도, 색차 등의 특성을 사용해 유사도를 비교하는 데 한계가 있으므로 영상 특징에 대해 통계적인 검정 방법을 적용하여 포괄적인 범위의 변형에도 복사 여부를 검출 할 수 있다.
• 그림 1에 나타난 것과 같이 제1 데이터베이스에 원본 영상들이 저장되어 있고, 빠른 검출을 위해 오프라인 상에서 원본 영상들로부터 순위 표본 프레임을 추출하여 제2의 데이터베이스에 따로 저장해둔다. 이후 원본 영상을 복제한 목표 영상(Target)이 발생했을 때 두 영상의 통계적 특성을 이용하여 일치도를 측정한다.
• 일치도를 측정하기 위해 가장 먼저 Q와 T, 각 영상에 대해 순위 정합 방법에 따라 각 프레임의 특징을 추출하고, 이 프레임들의 흐름에서 Spearman의 순위 상관 계수(Rank Correlation Coefficients, RCC)를 이용하여 변화가 일어난 것으로 판단되는 프레임을 표본 프레임으로 선택한다. 이렇게 추출된 표본 프레임을 기반으로 원본 영상과 목표 영상간의 상관도를 Spearman의 순위 상관 계수를 이용하여 측정함으로써 후보 영상군을 선택하게 된다.

대상 데이터

• 복제 영상은 그림 4와 같이 원본 영상의 6 가지의 단일변형을 통해 이루어진 영상을 이용하여 실험하였다.
• 본 논문의 실험에 사용된 원본 영상의 데이터베이스는 풍경, 뉴스, 스포츠 등의 12개 영상으로 구성되어 있으며 구체적인 내용은 다음과 같다.

데이터처리

• 이 후보 영상들과 목표 영상 사이의 일치도를 t-검정(t-test)을 통해 판별하는데, 이 때 사용될 값은 위에서 나누었던 Nx × Ny로 나눈 블록과 같은 크기의 중앙 영역블록을 추가하여 t0값을 계산한다.

이론/모형

• 본 논문은 내용 기반의 순위 정합(ordinal measurement)방법을 사용하여 공간적인 변화에 강인하도록 구성하였다. 영상 흐름의 변화에 따라 순위 표본 프레임(keyframe)을 선택하고, 이를 기반으로 원본 영상과 불법복사본 사이의 상관관계를 측정함으로써 인터넷 상의 많은 콘텐츠 중 유사한 영상만(candidate sequence)을 추출하여 계산량을 줄이고 처리 속도를 향상 시켰다.
• 일치도를 측정하기 위해 가장 먼저 Q와 T, 각 영상에 대해 순위 정합 방법에 따라 각 프레임의 특징을 추출하고, 이 프레임들의 흐름에서 Spearman의 순위 상관 계수(Rank Correlation Coefficients, RCC)를 이용하여 변화가 일어난 것으로 판단되는 프레임을 표본 프레임으로 선택한다. 이렇게 추출된 표본 프레임을 기반으로 원본 영상과 목표 영상간의 상관도를 Spearman의 순위 상관 계수를 이용하여 측정함으로써 후보 영상군을 선택하게 된다. 이 후보 영상들과 목표 영상 사이의 일치도를 t-검정(t-test)을 통해 판별하는데, 이 때 사용될 값은 위에서 나누었던 N_x × N_y로 나눈 블록과 같은 크기의 중앙 영역블록을 추가하여 t₀값을 계산한다.

성능/효과

• 그림 5와 같이 제안한 방법이 기존 방법에 비해 precision과 recall 향상되었고, 기존 방법은 Zoom_In이나 Letterbox와 같은 변형에서 거의 검출이 안 되는 반면 제안한 방법은 다양한 변형에도 복제 여부를 적절히 판별할 수 있음을 알 수 있다. 제안한 방법의 precision은 낮은 편이지만, 상대적으로 Recall이 높기 때문에 웹상에 업로드 되는 불법복제 영상의 복제 여부를 가리기에는 무리가 없다.
• 순위표본 프레임에 대해 정확도를 측정한 결과 제안하는 방법이 기존 방법에 비해 순위 표본 프레임 수는 원본 영상 3600프레임 중 제안한 방법이 174개의 순위 표본 프레임이 추출되었고, 반면 기존 방법은 388개의 순위 표본 프레임이 추출되어 그 수가 50%가량 감소하였다. 따라서 제안한 방법은 기존의 방법과 일치율이 유사하면서 동시에 적은 순위표본 프레임을 이용하여 복사 여부를 빠르게 검출할 수 있다.
• 표 1,2에서 제시된 일치율은 원본 영상의 순위 표본 프레임과 변형된 복제 영상의 순위 표본 프레임간의 일치도를 측정한 결과이다. 순위표본 프레임에 대해 정확도를 측정한 결과 제안하는 방법이 기존 방법에 비해 순위 표본 프레임 수는 원본 영상 3600프레임 중 제안한 방법이 174개의 순위 표본 프레임이 추출되었고, 반면 기존 방법은 388개의 순위 표본 프레임이 추출되어 그 수가 50%가량 감소하였다. 따라서 제안한 방법은 기존의 방법과 일치율이 유사하면서 동시에 적은 순위표본 프레임을 이용하여 복사 여부를 빠르게 검출할 수 있다.
• 본 논문은 저작권과 불법복제 영상의 성행으로 인한 사회적 문제에 기반을 두어 불법으로 업로드 되는 복제 영상을 기존의 방법에 비해 보다 효과적으로 검출하는 방법을 제안하였다. 실험 결과에서와 같이 순위 표본 프레임의 정확도가 기존 방법과 유사함과 동시에 그 수가 기존 방법보다 50%가량 적어 검출 시간을 감축하여 고속처리가 가능함을 확인하였다. 또한, 통계적인 가설 검증을 통해 포괄적인 변형된 목표 영상에 대해서도 기존 방법에 비해 보다 높은 검출율을 보여 불법 복제 영상물의 복제 여부를 신속하고 정확하게 판단하는데 적합하게 활용될 수 있다.

후속연구

• 실험 결과에서와 같이 순위 표본 프레임의 정확도가 기존 방법과 유사함과 동시에 그 수가 기존 방법보다 50%가량 적어 검출 시간을 감축하여 고속처리가 가능함을 확인하였다. 또한, 통계적인 가설 검증을 통해 포괄적인 변형된 목표 영상에 대해서도 기존 방법에 비해 보다 높은 검출율을 보여 불법 복제 영상물의 복제 여부를 신속하고 정확하게 판단하는데 적합하게 활용될 수 있다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

질의응답

핵심어	질문	논문에서 추출한 답변
불법콘텐츠	기존의 불법콘텐츠를 감식하는 대표적인 방법에는 무엇이 있는가?	기존의 불법콘텐츠를 감식하는 대표적인 방법으로 워터마킹 등이 대안으로 연구되고 있으나, 미디어 파일의 변형이나 이미 배포된 미디어에 대해서는 보호할 수 없는 단점이 있다. 반면에 내용기반 복사 검출(content-based copy detection)은 콘텐츠 자체가 충분히 복사본을 검출할 수 있는 특징 정보를 보유하고 있어 변형되거나 이미 배포된 콘텐츠에 대해서도 감식할 수 있는 장점이 있다.
내용기반 복사 검출	내용기반 복사 검출의 장점은 무엇인가?	기존의 불법콘텐츠를 감식하는 대표적인 방법으로 워터마킹 등이 대안으로 연구되고 있으나, 미디어 파일의 변형이나 이미 배포된 미디어에 대해서는 보호할 수 없는 단점이 있다. 반면에 내용기반 복사 검출(content-based copy detection)은 콘텐츠 자체가 충분히 복사본을 검출할 수 있는 특징 정보를 보유하고 있어 변형되거나 이미 배포된 콘텐츠에 대해서도 감식할 수 있는 장점이 있다.
복제된 불법 영상	복제된 불법 영상은 다양한 방법으로 변형된 형태가 일반적인데 이러한 변형에도 영상의 대표적인 특징을 나타낼 수 있는것은 무엇인가?	복제된 불법 영상은 다양한 방법으로 변형된 형태가 일반적이다. 이러한 변형에도 영상의 대표적인 특징을 나타낼 수 있는 것이 휘도이며, 이 휘도값도 대비 변화나 잡음 등에 의해 그 값이 달라진다. 따라서 본 논문에서는 여러 가지 방법의 변화에도 영상을 특징화 할 수 있으면서 동시에 강인성을 제공하는 순위 정합 방법을 사용한다.

질의응답 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기