[논문]Cuda를 이용한 가우시언 믹스처 모델 기반 객체 추적 알고리즘

김인수; 최형일

Cuda를 이용한 가우시언 믹스처 모델 기반 객체 추적 알고리즘
Object Tracking Based on Gaussian Mixture Model Algorithm by Using Cuda 원문보기

김인수 (숭실대학교 미디어학과) , 최형일 (숭실대학교 미디어학과)

본 논문에서는 효과적인 객체 추적을 위해 가우시언 믹스처 기반의 그림자 제거 알고리즘을 제안하고, GPGPU(General Purpose GPU) 아키텍처인 NVIDIA 사의 CUDA(Compute Unified Device Architecture)를 이용하여 기존의 객체 추적 알고리즘의 컴퓨팅 시간을 개선하는 모델을 제안한다. 이 시스템은 GPU를 이용한 가우시언 믹스처 모델 기반의 객체 추적 알고리즘으로 전경과 배경 분리 시 CPU와 GPU의 프로세스 시간을 적절히 분배하여 소모되는 연산시간을 줄이고, 고 해상도의 이미지에서의 객체 분리 및 추적의 시스템 처리량을 최대화 한다. 객체 추출 후 효과적인 추적을 위해 예측 모델인 칼만 필터를 사용한다.

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

문제 정의

그러나 일반적으로 CPU 기반 프로그램에서 GPU 기반 프로그램으로의 단순한 변환만으로는 큰 성능 향상을 기대할 수 없다[1]. 본 논문에서는 CUDA를 이용하여 구현된 가우시언 믹스처 모델 기반의 전경 배경 분리기법에서 그림자 제거 알고리즘을 추가하여 객체 추적 알고리즘의 전체 연산 시간을 줄이고, 이와 더불어 고 해상도에서 실시간으로 객체를 추적에서의 그림자 영역 문제를 해결하고, 그림자 제거 CUDA 프로그래밍 기법과 이를 사용한 효과적인 객체 추적 알고리즘을 제안한다.

제안 방법

본 논문에서는 CUDA를 이용한 가우시언 믹스처 모델에서 연산량이 많은 그림자 제거 알고리즘을 추가하여, 기존의 CPU 기반의 가우시언 믹스처 모델에서의 속도를 개선하고, 효과적으로 그림자를 제거하여 객체 추출을 하였다.
표 1은 그림자 제거 알고리즘의 정확률을 측정한 결과이다. 정확률은 샘플 프레임 150장에서 그림자 영역과 추출된 영역의 차이로 비교 하였다.

대상 데이터

본 실험을 위해 사용한 컴퓨터는 Intel Pentium Dual Core CPU 3.40GHz, 1.70GHz과 2.00Gb RAM 그리고 CUDA에 사용된 그래픽 카드는 nVidia GTS 250을 사용하였다. OS는 Windows7 32bit를 사용하였다.
실험에 사용된 가우시언 믹스처 모델의 수는 3개를 사용하였고, 배경과 전경 분리 시 사용한 임계값은 0.5, 학습률은 0.01, 본 논문에서 제안하는 그림자 제거의 임계값은 Tα = 4.3, Tβ = 30을 사용하였다.

데이터처리

본 논문에서 가우시언 믹스처 모델에서 그림자 제거 알고리즘을 사용하기 위해 Br,g,b의 값과 std의 값은 σ/ω 로 정렬된 가우시언 모델의 0번째 평균 R, 평균 G, 평균 B값과 표준편차의 값을 사용한다.

이론/모형

CUDA를 이용한 가우시언 믹스처 모델 구현은 Janaka가 제안한 GPU기반의 배경 전경 분리 알고리즘을 사용한다[3]. GPU 기반 가우시언 믹스처 모델의 메모리 구조는 그림1과 같다.
3, T_β = 30을 사용하였다. 객체 추출 후 효과적인 추적을 하기 위해 CPU에서 예측 모델인 칼만 필터를 사용한다[4].
기본적으로 배경 화소는 하나의 화소 값을 가지며 조명의 변화나 영상 취득 장치의 잡음에 따라 약간의 변화를 보인다. 이러한 배경의 값은 적응적 가우시안 확률 분포로 효과적으로 모델링 할 수 있으며, 객체 추적 모델에서의 전경 배경분리에 효과적인 알고리즘으로 Stauffer가 제안한 적응적 가우시언 혼합 모델을 사용한다[2].

성능/효과

표 2는 이미지 해상도 320x240에서의 CPU와 GPU의 그림자 제거 알고리즘 사용전과 후의 연산시간을 측정한 결과이다. CPU에서의 그림자 제거 알고리즘을 사용했을 때의 연산시간이 2배 이상 느려지는 결과를 얻었고, GPU에서는 그림자 제거 전과 후의 차이가 0.2배 차이가 나는 결과를 얻었다.

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

Cuda를 이용한 가우시언 믹스처 모델 기반 객체 추적 알고리즘
Object Tracking Based on Gaussian Mixture Model Algorithm by Using Cuda 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Cuda를 이용한 가우시언 믹스처 모델 기반 객체 추적 알고리즘 Object Tracking Based on Gaussian Mixture Model Algorithm by Using Cuda 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Cuda를 이용한 가우시언 믹스처 모델 기반 객체 추적 알고리즘
Object Tracking Based on Gaussian Mixture Model Algorithm by Using Cuda 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper