[논문]슈퍼픽셀 기반의 그래프 컷을 이용한 객체 추적

이대연; 김창수

슈퍼픽셀 기반의 그래프 컷을 이용한 객체 추적
Visual Object Tracking Using Superpixel-Based Graph Cuts 원문보기

이대연 (고려대학교) , 김창수 (고려대학교)

본 논문에서는 슈퍼픽셀(superpixel) 단위의 그래프 컷 알고리즘을 적용하여 객체 추적의 정확도를 향상시키기 위한 방법을 제안한다. 먼저 영상 분할 기법을 사용하여 입력 영상을 슈퍼픽셀로 분할하고 각 슈퍼픽셀에서 색상 히스토그램을 이용한 특성 벡터를 생성한다. 그리고 특성 벡터에 지지벡터기계(support vector machines)를 사용하여 각 슈퍼픽셀의 객체 확률 값을 추정한다. 객체 확률 값을 데이터 항(data term)으로, 이웃한 슈퍼픽셀 간의 특성 벡터 차 값을 스무드 항(smooth term)으로 하여, 그래프 컷(graph cuts) 알고리즘으로 슈퍼픽셀들을 객체와 배경으로 분류하고 객체 슈퍼픽셀을 최대한으로 포함하는 객체 윈도우를 찾는다. 실험 결과는 제안하는 기법이 기존 기법들보다 객체 추적 성능이 우수함을 보여준다.

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

문제 정의

본 논문에서는 슈퍼픽셀 단위의 그래프 컷 알고리즘을 사용하는 효과적인 객체 추적 기법을 제안한다. 슈퍼픽셀 단위의 색상 히스토그램으로 특성 벡터를 생성하고 특성 벡터에 지지벡터기계를 적용하여 객체 확률 값을 추정하고 데이터 항에 사용한다.
본 논문에서는 슈퍼픽셀 단위의 색상 그래프 컷 알고리즘을 이용한 객체 추적 기법을 제안하였다. 제안하는 기법에서는 각 슈퍼 픽셀에서 색상 히스토그램을 추출하고 지지벡터기계 분류기를 사용하여 객체 확률을 구한다.
본 논문에서는 시간에 따른 객체의 변화를 반영하여 지지벡터기계를 갱신한다. 지지벡터기계를 갱신에는 첫 프레임 및 4 개의 갱신 프레임을 사용한다.

제안 방법

본 논문에서는 SLIC 기법[4]을 적용하여 입력 영상을 슈퍼픽셀로 분할한다. 그리고 각 슈퍼픽셀에서 HSV 색상 히스토그램을 생성한다. HSV 색상 히스토그램은 각 색상 채널마다 16 개의 빈(bin), 총 48 개의 빈을 사용하였다.
제안하는 기법에서는 각 슈퍼 픽셀에서 색상 히스토그램을 추출하고 지지벡터기계 분류기를 사용하여 객체 확률을 구한다. 그리고 객체 확률을 데이터 항으로 슈퍼 픽셀간의 색상 히스토그램 거리를 스무드 항으로 하여 그래프 컷 기법으로 객체인 슈퍼픽셀을 결정하고 최종적으로 객체 위치를 결정한다. 실험을 통하여 제안하는 기법이 기존 방식에 비하여 향상된 객체 추적 성능을 보임을 확인하였다.
본 논문에서 제안하는 객체 위치 추정은 크게 3 단계로 구성된다. 먼저 각 슈퍼픽셀에서 특성 벡터에 지지벡터기계를 적용하여 객체 확률 값의 계산한다. 그리고 그래프 컷을 사용하여 슈퍼 픽셀을 객체와 배경으로 분류한다.
본 논문에서는 슈퍼픽셀 단위의 그래프 컷 알고리즘을 사용하는 효과적인 객체 추적 기법을 제안한다. 슈퍼픽셀 단위의 색상 히스토그램으로 특성 벡터를 생성하고 특성 벡터에 지지벡터기계를 적용하여 객체 확률 값을 추정하고 데이터 항에 사용한다. 또한 인접한 슈퍼픽셀간의 색상 히스토그램 차이를 스무드 항에 사용한다.
본 논문에서는 슈퍼픽셀 단위의 색상 그래프 컷 알고리즘을 이용한 객체 추적 기법을 제안하였다. 제안하는 기법에서는 각 슈퍼 픽셀에서 색상 히스토그램을 추출하고 지지벡터기계 분류기를 사용하여 객체 확률을 구한다. 그리고 객체 확률을 데이터 항으로 슈퍼 픽셀간의 색상 히스토그램 거리를 스무드 항으로 하여 그래프 컷 기법으로 객체인 슈퍼픽셀을 결정하고 최종적으로 객체 위치를 결정한다.
첫 프레임에서는 객체 특성 벡터와 배경 특성 벡터를 생성하고 지지벡터기계[5]를 학습한다. 객체 특성 벡터는 사용자에 의해 정의된 객체 영역에 포함된 슈퍼픽셀에서 추출하고 배경 특성 벡터는 객체 영역 밖 불규칙한 위치의 슈퍼픽셀에서 300 개를 추출한다.

대상 데이터

본 논문에서는 제안하는 기법의 성능을 평가하기 위하여 그림 1 의 “Board,” “Lemming,” “Liquor” 실험 영상을 사용한다.

데이터처리

제안하는 기법의 성능 분석을 위해 STRUCK[6] 기법 과 SPT[3] 기법과 비교하여 평균 오차 거리를 계산한다. 여기서 평균 오차 거리는 객체 추적 결과와 실측 정보의 거리의 차이 값을 나타낸다.
표 1 제안하는 기법과 STRUCK 기법[6], SPT 기법[3]의 객체 추적 성능 비교.

이론/모형

본 논문에서는 SLIC 기법[4]을 적용하여 입력 영상을 슈퍼픽셀로 분할한다. 그리고 각 슈퍼픽셀에서 HSV 색상 히스토그램을 생성한다.

성능/효과

표 1 은 각 실험 영상에서 제안하는 기법과 비교 기법들의 평균 오차 거리를 나타낸다. 본 논문에서 제안된 기법과 SPT 기법을 비교하였을 때 오차율 측면에서 평균적으로 약 55%의 성능향상이 있다.
그래프 컷을 이용하여 각 슈퍼픽셀을 객체와 배경으로 분류하고 객체 슈퍼픽셀을 최대로 포함하는 객체 윈도우 위치를 계산한다. 실험 결과는 제안하는 기법이 기존 기법들보다 정확한 객체 추적 성능을 제공함을 보여준다.
그리고 객체 확률을 데이터 항으로 슈퍼 픽셀간의 색상 히스토그램 거리를 스무드 항으로 하여 그래프 컷 기법으로 객체인 슈퍼픽셀을 결정하고 최종적으로 객체 위치를 결정한다. 실험을 통하여 제안하는 기법이 기존 방식에 비하여 향상된 객체 추적 성능을 보임을 확인하였다.

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

슈퍼픽셀 기반의 그래프 컷을 이용한 객체 추적
Visual Object Tracking Using Superpixel-Based Graph Cuts 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

슈퍼픽셀 기반의 그래프 컷을 이용한 객체 추적 Visual Object Tracking Using Superpixel-Based Graph Cuts 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

슈퍼픽셀 기반의 그래프 컷을 이용한 객체 추적
Visual Object Tracking Using Superpixel-Based Graph Cuts 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper