KR101165335B1 - Exponential re-sampling method and moving object tracking using pateicle filter - Google Patents

Exponential re-sampling method and moving object tracking using pateicle filter Download PDF

Info

Publication number
KR101165335B1
KR101165335B1 KR1020110036082A KR20110036082A KR101165335B1 KR 101165335 B1 KR101165335 B1 KR 101165335B1 KR 1020110036082 A KR1020110036082 A KR 1020110036082A KR 20110036082 A KR20110036082 A KR 20110036082A KR 101165335 B1 KR101165335 B1 KR 101165335B1
Authority
KR
South Korea
Prior art keywords
particle
particles
predicted
value
image
Prior art date
Application number
KR1020110036082A
Other languages
Korean (ko)
Inventor
오치민
자이둘
이칠우
Original Assignee
전남대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 전남대학교산학협력단 filed Critical 전남대학교산학협력단
Priority to KR1020110036082A priority Critical patent/KR101165335B1/en
Priority to PCT/KR2012/002987 priority patent/WO2012144813A2/en
Application granted granted Critical
Publication of KR101165335B1 publication Critical patent/KR101165335B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

PURPOSE: A particle resampling method based on an index function and an image object tracking method using the same are provided to enable a user to effectively track an image object according to a purpose. CONSTITUTION: An image object is determined wherein the image object is a tracking target. Particles of a particle filter are initialized(S1000). A location of the image object is determined in a current location(S2000). Prediction particles predicted for determining the image object are generated by initial particles on which prediction particles of a next image are calculated based(S3000). It is determined whether an object determined as the image object is located in the current image(S4000).

Description

지수함수 기반의 입자 리샘플링 방법 및 그 방법을 이용한 영상객체 추적방법{Exponential re-sampling method and moving object tracking using pateicle filter}Exponential re-sampling method and moving object tracking using pateicle filter}

본 발명은 지수함수 기반의 입자 리샘플링 방법 및 그 방법을 이용한 영상객체 추적방법에 관한 것으로, 보다 구체적으로는 파티클 필터를 이용하여 영상 객체를 추적할 때, 가중치가 높은 입자들을 다음 시간의 초기 입자들로 효과적으로 리샘플링함으로써 영상객체 추적의 정확도를 매우 향상시킬 수 있는 지수함수 기반의 입자 리샘플링 방법 및 그 방법을 이용한 영상객체 추적방법에 관한 것이다.
The present invention relates to an exponential function-based particle resampling method and an image object tracking method using the method. More specifically, when tracking an image object using a particle filter, the particles having high weight are initial particles of the next time. The present invention relates to an exponential function-based particle resampling method and an image object tracking method using the method, which can greatly improve the accuracy of image object tracking by effectively resampling.

영상처리분야에서 영상객체의 추적이란 동적인 영상에서 추적하고자하는 영상 객체에 대해 연속적으로 각 프레임 영상마다 예측하여 인식하는 것을 의미하며, 이러한 영상객체의 추적은 보안, 인간의 행동분석, 로봇비전 및 인간과 컴퓨터 간의 상호작용 분야의 비전 어플리케이션 시스템들에 다양하게 활용된다.In the field of image processing, tracking of video objects means predicting and recognizing image objects to be tracked in dynamic video continuously for each frame image. Tracking of video objects includes security, human behavior analysis, robot vision and It is widely used in vision application systems in the field of human-computer interaction.

그러나, 추적하고자하는 영상 객체가 사람일 경우 영상 객체의 행동반경이 넓고 움직임이 빠르며, 사람이 향한 방향에 따라 동작이나 자세가 매우 다양하게 변화할 수 있으므로, 컴퓨터를 이용하여 연속적으로 영상 객체를 인식하여 추적하는 것을 매우 어려운 일이다.However, if the video object to be tracked is a human, the motion radius of the video object is wide and rapid, and the motion or posture can be changed in various ways according to the direction of the person. Therefore, the image object is continuously recognized using a computer. Tracking by is very difficult.

파티클 필터(particle filter)는 시뮬레이션에 기반을 둔 예측기술의 하나로 계속적인 몬테카를로 방법이라고도 하며, 연속적으로 새롭게 입력되는 영상 내에서 동일한 영상 객체를 추적하는데 매우 효과적인 방법이다.Particle filter (particle filter) is one of the simulation-based prediction techniques, also known as the continuous Monte Carlo method, is a very effective method for tracking the same image object in a continuous new input image.

한편, 상기 파티클 필터는 현재 시간의 영상 객체 인식을 위해 사용된 입자들을 리샘플링하여 다음 시간의 영상 객체의 예측을 위한 초기 입자로 제공하게 되는데, 일반적으로 각 입자들을 각 입자들의 가중치에 선형적으로 비례하는 개수로 복사하여 다음 시간의 초기 입자들로 리샘플링한다.Meanwhile, the particle filter resamples particles used for image object recognition at the current time and provides them as initial particles for prediction of the image object at the next time. Generally, each particle is linearly proportional to the weight of each particle. Copy and resample to the initial particles of the next time.

이러한 리샘플링 방법은 가중치가 큰 입자들은 가중치가 작은 입자들보다 다음 시간의 초기 입자로 제공되는 개수가 증가하기는 하나, 서로 가중치가 비슷한 입자들이 많을 경우 효과적으로 가중치가 더 큰 입자를 다음 시간의 초기 입자로 리샘플링할 수 없는 문제점이 있다.
This resampling method increases the number of particles with higher weights to be provided as the initial particles of the next time than the particles with the lower weights. There is a problem that cannot be resampled.

본 발명자들은 현재 시간의 예측 입자들 중, 가중치가 큰 입자들을 다음 시간의 초기 입자들로 효과적으로 리샘플링할 수 있는 방법을 연구 노력한 결과, 가중치에 지수적으로 비례하는 개수로 입자들을 리샘플링하여 영상 객체의 추적속도와 정확도를 매우 향상시킬 수 있는 지수함수 기반의 입자 리샘플링 방법 및 그 방법을 이용한 영상객체 추적방법의 기술적 구성을 개발하게 되어 본 발명을 완성하게 되었다.The present inventors have studied how to effectively resample the weighted particles among the predicted particles of the current time to the initial particles of the next time. As a result, the inventors resample the particles in the number that is exponentially proportional to the weight. The present invention has been completed by developing an exponential function-based particle resampling method and an image object tracking method using the method which can greatly improve the tracking speed and accuracy.

따라서, 본 발명의 목적은 파티클 필터에서 가중치가 높은 입자들을 효과적으로 더 많이 복사하여 다음 시간의 초기 입자로 제공함으로써 영상 객체의 추적속도와 정확도를 향상시킬 수 있는 입자 리샘플링 방법 및 그 방법을 이용한 영상객체 추적방법을 제공하는 것이다.
Accordingly, an object of the present invention is to effectively reconstruct more particles having a higher weight in a particle filter and provide them as initial particles of the next time, thereby improving the tracking speed and accuracy of an image object and an image object using the method. To provide a tracking method.

본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
The objects of the present invention are not limited to the above-mentioned objects, and other objects not mentioned can be clearly understood by those skilled in the art from the following description.

상기의 목적을 달성하기 위하여 본 발명은 파티클 필터(Particle filter)에서 현재 시간의 입자 결정을 위해 사용된 예측 입자들을 다음 시간의 초기 입자로 리샘플링(re-sampling)하는 입자 리샘플링 방법으로써, 상기 예측 입자들을 각각 해당 예측 입자의 가중치를 지수로 하는 지수함수 값에 비례하는 정수 값만큼 복사하여 리샘플링하는 것을 특징으로 하는 입자 리샘플링 방법을 제공한다.In order to achieve the above object, the present invention provides a particle resampling method for re-sampling predicted particles used for particle determination of a current time in a particle filter to initial particles of a next time. The present invention provides a particle resampling method comprising copying and resampling an integer value in proportion to an exponential value having an exponential weight of a corresponding prediction particle.

바람직한 실시예에 있어서, 상기 리샘플링:은 상기 각 예측 입자에 대해 해당 예측 입자의 가중치를 지수로 하는 지수함수 값인 가중치 지수함수 값을 구하는 단계; 상기 각 예측 입자의 가중치 지수함수 값을 '0'에서 '1'사이의 값으로 정규화하고 정규화된 가중치 지수함수 값에 상기 예측 입자들 전체 개수를 곱하여 상기 각 예측 입자의 정규화된 복사 값을 구하는 단계; 및 상기 각 예측 입자들을 해당 예측 입자의 정규화된 복사 값만큼 복사하여 상기 다음 시간의 초기 입자로 리샘플링하는 단계;를 포함한다.In a preferred embodiment, the resampling: obtaining a weighted exponential function value that is an exponential value whose exponent is the weight of the predicted particle for each predicted particle; Normalizing the weighted exponential value of each predicted particle to a value between '0' and '1', and multiplying a normalized weighted exponential value by the total number of predicted particles to obtain a normalized copy value of each predicted particle. ; And copying each predicted particle by the normalized copy value of the predicted particle and resampling the initial particle of the next time.

바람직한 실시예에 있어서, 상기 가중치 지수함수 값은 해당 예측 입자의 가중치에 비선형성 조절 파라미터를 곱한 값을 지수로 하는 지수함수 값이다.In a preferred embodiment, the weight exponential value is an exponential value whose exponent is a value obtained by multiplying the weight of the predicted particle by the nonlinear adjustment parameter.

바람직한 실시예에 있어서, 상기 각 복사 값은 근사화된 정수 값이다.In a preferred embodiment, each copy value is an approximated integer value.

바람직한 실시예에 있어서, 상기 각 예측 입자들의 아래의 수학식에 의해 계산되는 복사 값만큼 복사되어 리샘플링된다.In a preferred embodiment, each copy of the predicted particles is copied and resampled by the radiation value calculated by the equation below.

[수학식][Mathematical Expression]

Figure 112011028933832-pat00001
Figure 112011028933832-pat00001

여기서, Ni는 i번째 예측 입자의 정규화된 복사 값, N은 전체 예측 입자들의 개수, D는 비선형성 조절 파라미터, πi는 i번째 예측 입자의 가중치이다.Here, N i is a normalized radiation value of the i th prediction particle, N is the total number of prediction particles, D is a nonlinearity control parameter, and π i is a weight of the i th prediction particle.

또한, 본 발명은 초기 영상 내의 추적 대상인 영상객체를 일정한 개수의 초기 입자로 생성하는 제1단계; 현재 영상이 입력되고 상기 각 초기 입자에 난수(random number)를 더하여 상기 현재 영상 내에서 상기 영상객체로 예측되는 객체인 예측 입자들을 생성하는 제2단계; 상기 각 예측 입자들에 대해 상기 초기 영상의 영상객체와의 유사도인 가중치를 계산하는 제3단계; 상기 가중치를 기반으로 상기 현재 영상 내의 상기 영상객체의 위치를 결정하는 제4단계; 및 상기 예측 입자들을 리샘플링하여 다음 영상의 예측 입자 계산의 기반이 되는 초기 입자들을 생성하되, 상기 예측 입자들을 각각 해당 예측 입자의 가중치를 지수로 하는 지수함수 값에 비례하는 정수 값만큼 복사하여 상기 다음 영상의 초기 입자들을 생성하는 제5단계;를 포함하는 것을 특징으로 하는 영상객체 추적방법을 제공한다.In addition, the present invention comprises a first step of generating a predetermined number of initial particles of the video object to be tracked in the initial image; Generating a predicted particle which is an object predicted as the image object in the current image by inputting a current image and adding a random number to each initial particle; Calculating a weight for each of the prediction particles, which is a similarity with the image object of the initial image; Determining a position of the image object in the current image based on the weight; And resampling the predicted particles to generate initial particles that are the basis for calculating the predicted particles of a next image, and copying the predicted particles by an integer value proportional to an exponential function value of which the weight of the predicted particles is an exponent. A fifth step of generating the initial particles of the image; provides an image object tracking method comprising a.

또한, 본 발명은 상기 입자 리샘플링 방법 또는 영상객체 추적방법을 컴퓨터상에서 실행시키기 위한 프로그램이 저장된 컴퓨터로 읽을 수 있는 매체를 제공한다.In addition, the present invention provides a computer-readable medium storing a program for executing the particle resampling method or the image object tracking method on a computer.

또한, 본 발명은 상기 프로그램을 저장하고 저장된 프로그램을 통신망을 통해 컴퓨터로 전송할 수 있는 서버 시스템을 제공한다.
The present invention also provides a server system capable of storing the program and transmitting the stored program to a computer through a communication network.

본 발명은 다음과 같은 우수한 효과를 가진다.The present invention has the following excellent effects.

먼저, 본 발명의 입자 리샘플링 방법 및 그 방법을 이용한 영상객체 추적방법에 의하면 지수함수에 기반하여 가중치가 높은 입자들을 효과적으로 더 많이 복사하여 다음 시간의 초기 입자로 제공할 수 있으므로 영상 객체의 추적속도와 정확도를 향상시킬 수 있다.First, according to the particle resampling method of the present invention and the image object tracking method using the method, it is possible to effectively copy more high-weight particles based on the exponential function and provide them as initial particles of the next time. Can improve the accuracy.

또한, 본 발명의 입자 리샘플링 방법 및 그 방법을 이용한 영상객체 추적방법에 의하면 비선형 조절 파라미터를 조절하여 입자의 복사 량을 선형적 또는 비선형적으로 변화시키거나 비선형의 정도를 조절할 수 있으므로 사용자가 목적에 따라 효과적으로 영상 객체를 추적할 수 있는 효과가 있다.
In addition, according to the particle resampling method of the present invention and the image object tracking method using the method, the user can use the nonlinear control parameter to change the radiation amount of the particles linearly or nonlinearly or to adjust the degree of nonlinearity. Therefore, the video object can be effectively tracked.

도 1은 본 발명의 일 실시예에 따른 영상객체 추적방법의 흐름도,
도 2는 종래의 입자 리샘플링을 설명하기 위한 도면,
도 3은 본 발명의 일 실시예에 따른 입자 리샘플링을 설명하기 위한 도면,
도 4는 본 발명의 일 실시예에 따른 입자 리샘플링의 비선형 조절 파라미터를 설명하기 위한 도면,
도 5는 본 발명의 일 실시예에 따른 입자 리샘플링과 종래의 입자 리샘플링을 비교하기 위한 도면이다.1 is a flowchart of a video object tracking method according to an embodiment of the present invention;
2 is a view for explaining a conventional particle resampling,
3 is a view for explaining particle resampling according to an embodiment of the present invention;
4 is a view for explaining a nonlinear control parameter of particle resampling according to an embodiment of the present invention;
5 is a diagram for comparing particle resampling and conventional particle resampling according to an embodiment of the present invention.

본 발명에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있는데 이 경우에는 단순한 용어의 명칭이 아닌 발명의 상세한 설명 부분에 기재되거나 사용된 의미를 고려하여 그 의미가 파악되어야 할 것이다.Although the terms used in the present invention have been selected as general terms that are widely used at present, there are some terms selected arbitrarily by the applicant in a specific case. In this case, the meaning described or used in the detailed description part of the invention The meaning must be grasped.

이하, 첨부한 도면에 도시된 바람직한 실시예들을 참조하여 본 발명의 기술적 구성을 상세하게 설명한다.Hereinafter, the technical structure of the present invention will be described in detail with reference to preferred embodiments shown in the accompanying drawings.

그러나, 본 발명은 여기서 설명되는 실시예에 한정되지 않고 다른 형태로 구체화 될 수도 있다. 명세서 전체에 걸쳐 동일한 참조번호는 동일한 구성요소를 나타낸다.
However, the present invention is not limited to the embodiments described herein but may be embodied in other forms. Like reference numerals designate like elements throughout the specification.

도 1을 참조하면, 본 발명의 일 실시예에 따른 입자 리샘플링 방법은 파티클 필터(particle filter)를 이용하여 영상 내에서 추적하고자 하는 영상객체를 연속적으로 검출하는 영상객체 추적방법에 일부 과정이므로 영상객체 추적방법을 설명함으로써 입자 리샘플링 방법을 설명하기로 한다.Referring to FIG. 1, the particle resampling method according to an embodiment of the present invention is a part of the image object tracking method for continuously detecting an image object to be tracked in an image using a particle filter. The particle resampling method will be described by describing the tracking method.

그러나, 본 발명의 입자 리샘플링 방법은 영상객체 추적방법 이외에 파티클 필터를 이용하여 정보를 예측하는 여러 기술분야에서 활용이 가능하다.However, the particle resampling method of the present invention can be utilized in various technical fields for predicting information by using a particle filter in addition to the image object tracking method.

또한, 본 발명의 일 실시예에 따른 입자 리샘플링 방법과 영상객체 추적방법은 실질적으로 컴퓨터를 기능시켜 실현되며, 상기 컴퓨터에는 상기 컴퓨터가 상기 입자 리샘플링 방법과 상기 영상객체 추적방법을 수행하기 위한 프로그램이 저장된다.In addition, the particle resampling method and the image object tracking method according to an embodiment of the present invention are realized by substantially operating a computer, and the computer includes a program for performing the particle resampling method and the image object tracking method. Stored.

또한, 상기 프로그램은 컴퓨터로 읽을 수 있는 매체에 저장되어 상기 컴퓨터에 의해 읽혀짐으로써 상기 컴퓨터가 각 기능을 수행하게 한다.In addition, the program is stored in a computer readable medium and read by the computer to allow the computer to perform each function.

또한, 상기 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD, DVD와 같은 광 기록 매체, 자기 및 광 기록을 겸할 수 있는 자기-광 기록 매체, 롬, 램, 플래시 메모리 등 단독 또는 조합에 의해 프로그램 명령을 저장할 수 있는 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수 있다.In addition, the medium may be a magnetic medium such as a hard disk, a floppy disk and a magnetic tape, an optical recording medium such as a CD or a DVD, a magnetic-optical recording medium capable of combining magnetic and optical recording, a ROM, a RAM, a flash memory, or the like alone or Combinations may be known and available to those skilled in the art of computer software capable of storing program instructions.

그러나, 상기 프로그램은 서버 시스템에 저장되어 통신망을 통해 상기 컴퓨터로 저장되어 상기 컴퓨터가 상기 입자 리샘플링 방법 및 상기 영상객체 추적방법을 실행하게 할 수도 있다.However, the program may be stored in a server system and stored in the computer through a communication network so that the computer executes the particle resampling method and the video object tracking method.

또한, 상기 프로그램은 컴퓨터뿐만 아니라 본 발명의 기능을 구현하기 위해 특별히 설계되어 구성된 하드웨어의 조합을 기능시켜 상기 방법들을 실행하게 할 수도 있다.In addition, the program may execute a combination of hardware as well as a computer, specially designed and configured to implement the functions of the present invention.

또한, 상기 프로그램은 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등이 단독 또는 조합으로 구성될 수 있고, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라, 인터프리터 등을 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드로 짜여진 프로그램일 수 있다.
In addition, the program may be composed of program instructions, local data files, local data structures, etc., alone or in combination, and may be executed by a computer using an interpreter as well as machine code such as produced by a compiler. It can be a program written in language code.

이하에서는 본 발명의 일 실시예에 따른 영상객체 추적방법에 대해 상세히 설명하기로 한다.Hereinafter, an image object tracking method according to an embodiment of the present invention will be described in detail.

본 발명의 일 실시예에 따른 영상객체 추적방법은 크게, 초기 입자 생성 단계(S1000), 영상 객체 추적 단계(S2000) 및 입자 리샘플링 단계(S3000)를 포함하여 이루어지며, 상기 입자 리샘플링 단계(S3000)는 본 발명의 일 실시예에 따른 입자 리샘플링 방법과 실질적으로 동일하다.An image object tracking method according to an embodiment of the present invention is largely performed by including an initial particle generation step (S1000), an image object tracking step (S2000), and a particle resampling step (S3000), and the particle resampling step (S3000). Is substantially the same as the particle resampling method according to an embodiment of the present invention.

상기 초기 입자 생성단계(S1000)는 추적의 대상이 되는 영상 객체를 결정하고 파티클 필터의 입자를 초기화하는 단계로써, 먼저, 상기 컴퓨터는 초기 영상(100)을 입력받는다(S1100).The initial particle generation step (S1000) is a step of determining an image object to be tracked and initializing particles of a particle filter. First, the computer receives an initial image 100 (S1100).

또한, 상기 초기 영상(100)은 카메라에서 상기 컴퓨터로 직접 전송될 수 있고, 통신망을 통해 연결된 다른 컴퓨터 또는 저장장치로부터 전송될 수도 있다.In addition, the initial image 100 may be transmitted directly from the camera to the computer, or may be transmitted from another computer or storage device connected through a communication network.

또한, 상기 초기 영상(100)은 온라인 통신망이 아닌 하드디스크나 유에스비 저장장치와 같은 오프라인 저장장치를 통해 전송될 수도 있다.In addition, the initial image 100 may be transmitted through an offline storage device such as a hard disk or a USB storage device, not an online communication network.

예를 들면, 상기 초기 영상(100)은 동영상의 최초 프레임 영상일 수 있다.For example, the initial image 100 may be an initial frame image of a video.

다음, 상기 초기 영상(100)에서 추적하고자하는 대상인 영상 객체(110)를 추출한다.Next, the image object 110, which is a target to be tracked, is extracted from the initial image 100.

또한, 상기 영상 객체(110)는 통신망을 통해 연결된 다른 컴퓨터 및 저장장치 또는 오프라인 저장장치로부터 직접 전송될 수 있다.In addition, the image object 110 may be directly transmitted from another computer and a storage device or an offline storage device connected through a communication network.

다시 말해서, 상기 영상 객체(110)가 외부에서 추출되어 전송될 경우, 상기 초기 영상(100)을 입력받는 단계(S1100)와 상기 영상 객체(110)를 추출하는 단계는 생략될 수 있다.In other words, when the image object 110 is extracted and transmitted from the outside, receiving the initial image 100 (S1100) and extracting the image object 110 may be omitted.

또한, 상기 영상 객체(110)는 상기 초기 영상(100)의 일부가 템플릿(template)의 형태로 지정되는 것으로 상기 초기 영상(100) 내에서 일정한 위치와 크기정보(x,y,w,h)를 갖는다.In addition, the image object 110 is a portion of the initial image 100 is designated in the form of a template (template) in the predetermined position and size information (x, y, w, h) in the initial image 100 Has

예를 들면, 상기 영상 객체(110)는 추적하고자 하는 사람의 영상일 수 있다.For example, the image object 110 may be an image of a person to be tracked.

다음, 상기 영상 객체(110)를 N개의 초기 입자로 생성한다.Next, the image object 110 is generated as N initial particles.

또한, 상기 초기 입자는 파티클 필터에서 입자를 예측하기 위한 기반이 되는 입자로써 상기 각 초기 입자는 아래의 수학식 1과 같이 위치, 크기 및 가중치 값들로 구성된다.In addition, the initial particles are particles that are the basis for predicting particles in the particle filter, each initial particle is composed of position, size and weight values as shown in Equation 1 below.

Figure 112011028933832-pat00002
Figure 112011028933832-pat00002

여기서, S는 초기 시간 t0의 각 초기 입자, i는 각 초기 입자의 인덱스(index), x 및 y는 상기 영상 객체(110)의 일 모서리 좌표, w는 상기 영상 객체(110)의 폭, h는 상기 영상 객체(110)의 높이, 상기 π는 가중치이다.Where S is each initial particle at an initial time t0, i is an index of each initial particle, x and y are one corner coordinates of the image object 110, w is the width of the image object 110, h Is the height of the image object 110, and π is the weight.

또한, 상기 가중치 π는 유사도 정보이며, 모든 초기입자들의 가중치 합은 '1'이 된다. 즉, 가중치 값이 '1'에 가까울수록 비교대상과 유사도가 높은 입자이고 '0'에 가까울수록 유사도가 낮은 입자이다.In addition, the weight π is similarity information, and the weight sum of all the initial particles becomes '1'. That is, the closer the weight value is to '1', the higher the similarity with the comparison object, and the closer to the zero, the lower the similarity.

또한, 상기 초기 입자들은 아래의 수학식 2와 같이 초기에 모두 동일한 가중치를 갖도록 생성된다.In addition, the initial particles are generated to have all the same weights initially, as shown in Equation 2 below.

Figure 112011028933832-pat00003
Figure 112011028933832-pat00003

여기서, N은 상기 초기 입자들 전체의 개수이다.Where N is the total number of the initial particles.

상기 영상객체 추적단계(S2000)는 현재 시간에 입력되는 현재 영상(200) 내에 상기 영상 객체(110)의 위치를 예측하여 판단하는 단계이며, 연속적으로 입력되는 프레임 영상 내에서 상기 영상 객체(110)의 위치를 예측하여 판단하는 과정을 반복 함으로써 움직이는 영상 객체를 추적하게 된다.The image object tracking step (S2000) is a step of predicting and determining the position of the image object 110 in the current image 200 input at the current time, and the image object 110 in a continuously input frame image. By repeating the process of predicting and determining the position of the to track the moving image object.

먼저, 현재 시간(t)의 영상인 현재 영상(200)이 입력된다(S2100). First, a current image 200 which is an image of a current time t is input (S2100).

예를 들면, 상기 현재 영상(200)은 상기 초기 영상(100)의 다음 프레임 영상일 수 있다.For example, the current image 200 may be the next frame image of the initial image 100.

다음, 상기 각 초기 입자에 난수(random number)를 더하여 예측 입자들(210)을 생성한다(S2200). 또한, 상기 난수는 가우시안 확률분포 내의 임의의 값일 수 있다.Next, prediction particles 210 are generated by adding a random number to each of the initial particles (S2200). In addition, the random number may be any value within the Gaussian probability distribution.

또한, 상기 예측 입자들(210)은 아래의 수학식3과 같이 입자의 속도(이동방향)을 고려하여 생성될 수 있다.In addition, the prediction particles 210 may be generated in consideration of the speed (movement direction) of the particles as shown in Equation 3 below.

Figure 112011028933832-pat00004
Figure 112011028933832-pat00004

여기서 C는 입자의 속도를 얼마나 반영할 것인지에 대한 상수이고, ε는 상기 난수이다.Where C is a constant for how much to reflect the velocity of the particles, and ε is the random number.

즉, 상기 예측 입자들(210)은 상기 난수가 더해져 상기 초기 입자의 위치와 서로 다른 위치 값을 된다.That is, the predicted particles 210 are added with the random number to have a position value different from that of the initial particle.

또한, 상기 예측 입자들(210)을 생성할 때는 상기 가중치는 예측은 배제된다.In addition, when generating the prediction particles 210, the weight is excluded from the prediction.

다음, 상기 각 예측 입자들(210)의 가중치를 계산한다(S2300).Next, the weights of the prediction particles 210 are calculated (S2300).

여기서, 가중치란 상기 예측 입자(210)와 상기 영상 객체(110)의 유사도를 뜻하며, 상기 예측 입자(210)들 중, 상기 영상 객체(110)와 유사한 예측 입자(212)일 수록 '1'에 가까운 가중치 값을 갖고, 상기 영상 객체(110)와 유사하지 않은 예측 입자(211)일수록 '0'에 가까운 가중치 값을 갖게 된다.Here, the weight means a similarity degree between the predicted particle 210 and the image object 110, and among the predicted particles 210, the predicted particle 212 similar to the image object 110 is added to '1'. The predicted particles 211 having a close weight value and not similar to the image object 110 have a weight value close to '0'.

또한, 상기 가중치는 아래의 수학식 4에 의해 계산된다.In addition, the weight is calculated by Equation 4 below.

Figure 112011028933832-pat00005
Figure 112011028933832-pat00005

여기서, C1은 모든 예측 입자(210)의 가중치 합이 '1'이 되도록하는 정규화 상수이고, 'A'는 상기 영상 객체(110), Bi는 상기 각 예측 입자(210)를 뜻하며, 'A-Bi'는 상기 영상 객체(110)와 상기 예측 입자의 거리차를 뜻한다.Here, C 1 is a normalization constant such that the sum of weights of all the predicted particles 210 is '1', 'A' denotes the image object 110, and B i denotes each predicted particle 210, AB i ′ represents a distance difference between the image object 110 and the predicted particle.

또한, 상기 거리차는 일반적으로 상기 영상 객체(110)와 상기 예측 입자(210)의 컬러차이로 계산될 수 있으며, 예를 들면, 상기 영상 객체(110)와 상기 예측 입자(210)의 히스토그램(histogram) 차이로 계산될 수 있다.In addition, the distance difference may be generally calculated as a color difference between the image object 110 and the predicted particle 210. For example, a histogram of the image object 110 and the predicted particle 210 may be calculated. ) Can be calculated as a difference.

즉, 상기 각 예측 입자(210)의 위치에 상기 영상 객체(110)를 대입하여 상기 영상 객체(110)의 컬러차이를 '0'에서 '1' 사이의 값으로 계산하는 것이다.That is, the color difference of the image object 110 is calculated as a value between '0' and '1' by substituting the image object 110 at the position of each prediction particle 210.

다음, 상기 가중치를 기반으로 상기 현재 영상(200) 내에서 상기 영상 객체(110)의 위치를 결정한다(S2400).Next, the position of the image object 110 within the current image 200 is determined based on the weight (S2400).

다시 말해서, 상기 현재 영상(200) 내에서 결정된 객체(220)가 상기 영상 객체(110)와 동일한 객체로 추정되는 것이다.In other words, the object 220 determined in the current image 200 is estimated to be the same object as the image object 110.

또한, 상기 현재 영상(200) 내에서 상기 영상 객체(110)의 위치는 예를 들면, 상기 예측 입자들(210) 중 가중치가 가장 큰 예측 입자의 위치 및 크기로 결정하거나, 일정한 임계치 이상의 예측 입자의 위치 및 크기를 평균하여 결정할 수도 있다.In addition, the position of the image object 110 in the current image 200 may be determined by, for example, the position and size of the predicted particle having the largest weight among the predicted particles 210, or the predicted particle having a predetermined threshold value or more. It can also be determined by averaging the position and size of.

그러나 아래의 수학식 5와 같이 모든 입자들의 위치를 평균한 값으로 상기 현재 영상(200) 내에서 상기 영상 객체(110)의 위치가 결정될 수도 있다.However, as shown in Equation 5 below, the position of the image object 110 in the current image 200 may be determined by averaging the positions of all particles.

Figure 112011028933832-pat00006
Figure 112011028933832-pat00006

여기서, 'Ot'는 상기 현재 영상(200) 내에서 상기 영상 객체(110)로 결정된 입자를 뜻한다.Here, 'O t ' means particles determined as the image object 110 in the current image 200.

상기 입자 리샘플링 단계(S3000)은 상기 현재 시간(t)의 영상 객체(220) 판단을 위해 예측된 예측 입자(210)들을 다음 영상의 예측 입자 계산의 기반이 되는 초기 입자들로 생성하는 단계이다. 즉, 상기 입자 리샘플링 단계(S3000)는 상기 초기 입자를 갱신하는 개념으로도 설명될 수 있다.The particle resampling step (S3000) is a step of generating the predicted particles 210 predicted for the determination of the image object 220 at the current time t as initial particles that are the basis for calculating the predicted particles of the next image. That is, the particle resampling step S3000 may be described as a concept of updating the initial particles.

또한, 상기 입자 리샘플링 단계(S3000)는 다음 시간에 영상 내에서 영상 객체의 위치 결정에 정확도를 높이기 위해 가중치가 큰 예측 입자(212)는 많이 복사하고 가중치가 작은 예측 입자(211)는 복사하지 않거나 적게 복사한다.In addition, the particle resampling step (S3000) may copy a large number of predicted particles 212 and a small number of predicted particles 211 to reduce the number of prediction particles 211 in order to increase the accuracy of positioning of the image object in the image at a next time. Copy less.

예를 들어, 열 개의 예측 입자가 있을 경우, 다음 시간에 초기 입자들은 열 개의 초기 입자들로 리샘플링되어야 하는데, 열 개의 예측 입자들 중 가중치가 높은 몇 개의 예측 입자의 개수를 늘리고, 가중치가 낮은 예측 입자는 삭제함으로써,다음 시간에 활용될 초기 입자들은 모두 가중치가 높은 열 개의 입자들로 리샘플링되게 한다.For example, if there are ten predicted particles, next time the initial particles should be resampled into ten initial particles, increasing the number of several weighted predicted particles among the ten predicted particles, and predicting the lower weighted particles. By deleting the particles, the initial particles to be utilized next time are all resampled into ten particles with high weights.

또한, 상기 각 예측 입자(210)는 상기 각 예측 입자(210)에 대해 예측 입자의 가중치를 지수로 하는 지수함수 값에 비례하는 정수 값만큼 복사하여 리샘플링한다.Each prediction particle 210 copies and resamples each prediction particle 210 by an integer value that is proportional to an exponential function value of which the weight of the prediction particle is an exponent.

도 3을 참조하여 더욱 자세하게 설명하면 먼저, 아래의 수학식 6과 같이 상기 각 예측 입자(210)에 대해 해당 예측 입자의 가중치를 지수로 하는 지수함수 값인 가중치 지수함수 값을 구한다.In more detail with reference to FIG. 3, first, a weight exponential function value, which is an exponential function value having an exponential weight value of a corresponding prediction particle, is obtained for each prediction particle 210 as shown in Equation 6 below.

Figure 112011028933832-pat00007
Figure 112011028933832-pat00007

즉, 도 3의 그래프(b)와 같이 1번 입자보다 가중치가 상대적으로 낮은 2번 입자 내지 10번 입자의 가중치 지수함수 값은 '0'에 가깝게 계산되고, 가중치가 높은 1번 입자는 매우 큰 값으로 계산된다.That is, as shown in the graph (b) of FIG. 3, the weight exponential value of particles 2 to 10, which are relatively lower in weight than particle 1, is calculated to be close to '0', and particle 1 having a high weight is very large. It is calculated by value.

또한, 상기 수학식 6에서 D는 비선형성 조절 파라미터를 뜻하는 것으로 도 4에 도시한 바와 같이 D가 커질수록 지수함수의 그래프가 비선형적이 되고, D가 작아질수록 선형적이 된다.In addition, in Equation 6, D denotes a nonlinearity control parameter. As shown in FIG. 4, as D increases, an exponential graph becomes nonlinear, and as D decreases, D becomes linear.

다음, 도 3의 그래프(c)와 같이 상기 각 예측 입자들의 가중치 지수함수 값을 '0'에서 '1' 사이의 값으로 정규화하고 정규화된 가중치 지수함수 값에 상기 예측 입자들(210) 전체의 개수를 곱하여, 상기 각 예측 입자(210)의 정규화된 복사 값을 구한다.Next, as shown in the graph (c) of FIG. 3, the weighted exponential value of each of the predicted particles is normalized to a value between '0' and '1', and the normalized weighted exponential value of the entire predicted particles 210 is normalized. The number is multiplied to obtain a normalized radiation value of each of the prediction particles 210.

그 이유는 복사된 전체 입자의 개수가 상기 예측 입자들의 개수와 동일해야 하기 때문이다.The reason is that the total number of copied particles must be equal to the number of the predicted particles.

또한, 상기 각 예측 입자(210)의 정규화된 복사 값은 아래의 수학식 7을 이용하여 계산된다.In addition, the normalized radiation value of each prediction particle 210 is calculated using Equation 7 below.

Figure 112011028933832-pat00008
Figure 112011028933832-pat00008

즉, 각 예측 입자(210)의 복사 값 Ni는 해당 예측 입자의 가중치 지수함수 값에 전체 예측 입자들의 가중치 지수함수 값의 합을 나누고 상기 예측 입자들의 전체 개수를 곱하여 반올림함으로써 정수로 정규화된 복사 값이 계산된다.That is, the radiation value N i of each predicted particle 210 is the normalized copy by integer by dividing the sum of the weighted exponential values of the predicted particles by the sum of the weighted exponential values of all the predicted particles and multiplying by the total number of the predicted particles. The value is calculated.

또한, 도 2는 종래의 입자 리샘플링 방법을 보여주는 것으로 종래에는 각 예측 입자의 복사 값을 가중치에 선형적으로 비례하도록 계산하기 때문에 모든 입자가 각각 하나씩 복사하여 다음 시간의 초기 입자를 생성할 수 있으므로 가중치에 따라 서로 다른 복사량으로 효과적으로 리샘플링하는데 한계가 있다.In addition, FIG. 2 shows a conventional particle resampling method. In the related art, since the radiation value of each predicted particle is calculated to be linearly proportional to the weight, all particles can be copied one by one to generate the initial particle of the next time. As a result, there is a limit to effectively resampling with different amounts of radiation.

또한, 도 2에는 극단적으로 모든 예측 입자가 하나씩 복사되어 가중치가 전혀 반영되지 않고 다음 시간의 초기입자가 리샘플링되는 것을 상정하였으나, 일반적으로 도 5의 그래프(a)과 같이 가중치가 반영되어 1번 입자, 2번 입자, 3번 입자는 두 개에서 세 개 사이의 복사 값으로 리샘플링된다.In addition, although it is assumed in FIG. 2 that all the predicted particles are copied one by one and the weights are not reflected at all, the initial particles of the next time are resampled, but the weight is reflected as shown in the graph (a) of FIG. Particles 2 and 3 are resampled to radiation values between two and three.

즉, 종래의 입자 리샘플링 방법은 가중치가 큰 예측 입자를 상대적으로 매우 많이 다음 시간의 초기 입자로 리샘플링할 수 없는 것이다.That is, the conventional particle resampling method is unable to resample a relatively large weight of predicted particles to initial particles of the next time.

또한, 도 5의 그래프(b1), 그래프(b2) 및 그래프(b3)는 상기 비선형성 조절 파라미터 D의 변화에 따라 상기 각 예측 입자들의 복사 값이 변화하는 것을 보여주는 것으로 상기 비선형성 조절 파라미터가 작게 할 경우 그래프(b1)과 같이 각 입자의 복사 값이 선형적이 되고, 상기 비선형성 조절 파라미터를 크게 할 경우 각 입자의 복사 값이 비선형적이 된다.In addition, the graphs b1, b2, and b3 of FIG. 5 show that the radiation values of the prediction particles change according to the change of the nonlinearity adjustment parameter D. The nonlinearity adjustment parameter is small. In this case, as shown in the graph (b1), the radiation value of each particle becomes linear, and when the nonlinearity adjusting parameter is increased, the radiation value of each particle becomes nonlinear.

즉, 사용자의 설정에 따라 비선형성 조절 파라미터를 조절하면서 상기 복사 값을 계산할 수 있다.That is, the radiation value can be calculated while adjusting the nonlinearity adjustment parameter according to the user's setting.

또한, 상기 비선형성 조절 파라미터를 조절하는 이유는 그래프(b3)와 다음 시간에 초기 입자가 가중치 지수함수 값이 제일 큰 예측 입자들로만 리샘플링될 경우, 영상객체의 추적의 정확도는 매우 높일 수 있으나, 오류발생에 의해 가중치가 낮은 예측 입자로만 리샘플링될 수 있기 때문이다.In addition, the reason for adjusting the nonlinearity adjustment parameter is that when the initial particle is resampled only to the predicted particle having the largest weight exponential value in the graph (b3) and next time, the tracking accuracy of the image object may be very high. This is because, by generation, it can only be resampled to low-prediction particles.

다음, 상기 현재 영상(200) 내에서 상기 영상 객체(110)로 판단된 객체(220)가 상기 현재 영상(200) 내에 위치하는지 판단하고(S4000), 위치하지 않을 경우, 즉, 추적대상이 사라졌을 경우, 종료하고 위치할 경우, 다음 영상이 입력되어(S5000) 상기 영상 객체 추적 단계(S2000)를 반복하여 상기 영상 객체(110)를 추적한다.
Next, it is determined whether the object 220 determined as the image object 110 in the current image 200 is located in the current image 200 (S4000). If not, the tracking object disappears. If it is, when it is finished and positioned, the next image is input (S5000) and the image object tracking step (S2000) is repeated to track the image object 110.

이상에서 살펴본 바와 같이 본 발명은 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.
While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is clearly understood that the same is by way of illustration and example only and is not to be taken by way of limitation in the present invention. Various changes and modifications will be possible.

100:초기영상 110:영상객체
200:현재영상 210:예측입자100: Initial video 110: Video object
200: current image 210: predicted particle

Claims (14)

파티클 필터(Particle filter)에서 현재 시간의 입자 결정을 위해 사용된 예측 입자들을 다음 시간의 초기 입자로 리샘플링(re-sampling)하는 입자 리샘플링 방법으로써,
상기 예측 입자들을 각각 해당 예측 입자의 가중치를 지수로 하는 지수함수 값에 비례하는 정수 값만큼 복사하여 리샘플링하는 것을 특징으로 하는 입자 리샘플링 방법.
As a particle resampling method in which a particle filter re-samples predicted particles used for particle determination of a current time to an initial particle of a next time,
And resampling the predicted particles by copying each of the predicted particles by an integer value proportional to an exponential value whose weight of the predicted particles is an exponent.
제 1 항에 있어서,
상기 리샘플링:은
상기 각 예측 입자에 대해 해당 예측 입자의 가중치를 지수로 하는 지수함수 값인 가중치 지수함수 값을 구하는 단계;
상기 각 예측 입자의 가중치 지수함수 값을 '0'에서 '1'사이의 값으로 정규화하고 정규화된 가중치 지수함수 값에 상기 예측 입자들 전체 개수를 곱하여 상기 각 예측 입자의 정규화된 복사 값을 구하는 단계; 및
상기 각 예측 입자들을 해당 예측 입자의 정규화된 복사 값만큼 복사하여 상기 다음 시간의 초기 입자로 리샘플링하는 단계;를 포함하는 것을 특징으로 하는 입자 리샘플링 방법.
The method of claim 1,
Resampling: Silver
Obtaining a weighted exponential function value, which is an exponential function value having the weight of the corresponding predicted particle as an exponent for each predicted particle;
Normalizing the weighted exponential value of each predicted particle to a value between '0' and '1', and multiplying a normalized weighted exponential value by the total number of predicted particles to obtain a normalized copy value of each predicted particle. ; And
Copying each of the predicted particles by the normalized copy value of the predicted particles and resampling them into the initial particles of the next time.
제 2 항에 있어서,
상기 가중치 지수함수 값은 해당 예측 입자의 가중치에 비선형성 조절 파라미터를 곱한 값을 지수로 하는 지수함수 값인 것을 특징으로 하는 입자 리샘플링 방법.
The method of claim 2,
And the weight exponential function value is an exponential function value obtained by multiplying the weight of the corresponding prediction particle by the nonlinearity control parameter as an exponent.
제 2 항에 있어서,
상기 각 복사 값은 근사화된 정수 값인 것을 특징으로 하는 입자 리샘플링 방법.
The method of claim 2,
Wherein said radiant value is an approximated integer value.
제 3 항에 있어서,
상기 각 예측 입자들의 아래의 수학식에 의해 계산되는 복사 값만큼 복사되어 리샘플링되는 것을 특징으로 하는 입자 리샘플링 방법.
[수학식]
Figure 112011028933832-pat00009

여기서, Ni는 i번째 예측 입자의 정규화된 복사 값, N은 전체 예측 입자들의 개수, D는 비선형성 조절 파라미터, πi는 i번째 예측 입자의 가중치이다.
The method of claim 3, wherein
And resampled by a copy value calculated by the following equation of each predicted particle.
[Mathematical Expression]
Figure 112011028933832-pat00009

Here, N i is a normalized radiation value of the i th prediction particle, N is the total number of prediction particles, D is a nonlinearity control parameter, and π i is a weight of the i th prediction particle.
제 1 항 내지 제 5 항 중 어느 한 항의 입자 리샘플링 방법을 컴퓨터상에서 실행시키기 위한 프로그램이 저장된 컴퓨터로 읽을 수 있는 매체.
A computer-readable medium having stored thereon a program for executing on a computer the method of claim 1, wherein the particle resampling method is used.
삭제delete 초기 영상 내의 추적 대상인 영상객체를 일정한 개수의 초기 입자로 생성하는 제1단계;
현재 영상이 입력되고 상기 각 초기 입자에 난수(random number)를 더하여 상기 현재 영상 내에서 상기 영상객체로 예측되는 객체인 예측 입자들을 생성하는 제2단계;
상기 각 예측 입자들에 대해 상기 초기 영상의 영상객체와의 유사도인 가중치를 계산하는 제3단계;
상기 가중치를 기반으로 상기 현재 영상 내의 상기 영상객체의 위치를 결정하는 제4단계; 및
상기 예측 입자들을 리샘플링하여 다음 영상의 예측 입자 계산의 기반이 되는 초기 입자들을 생성하되, 상기 예측 입자들을 각각 해당 예측 입자의 가중치를 지수로 하는 지수함수 값에 비례하는 정수 값만큼 복사하여 상기 다음 영상의 초기 입자들을 생성하는 제5단계;를 포함하는 것을 특징으로 하는 영상객체 추적방법.
Generating a predetermined number of initial particles of an image object to be tracked in the initial image;
Generating a predicted particle which is an object predicted as the image object in the current image by inputting a current image and adding a random number to each initial particle;
Calculating a weight for each of the prediction particles, which is a similarity with the image object of the initial image;
Determining a position of the image object in the current image based on the weight; And
Resampling the predicted particles to generate initial particles that are the basis for calculating the predicted particles of the next image, copying each of the predicted particles by an integer value proportional to an exponential value having the weight of the predicted particles as an exponent. And a fifth step of generating initial particles of the image object tracking method.
제 8 항에 있어서,
상기 제5단계:는
상기 각 예측 입자에 대해 해당 예측 입자의 가중치를 지수로 하는 지수함수 값인 가중치 지수함수 값을 구하는 제5-1단계;
상기 각 예측 입자의 가중치 지수함수 값을 '0'에서 '1'사이의 값으로 정규화하고 정규화된 가중치 지수함수 값에 상기 예측 입자들 전체 개수를 곱하여 상기 각 예측 입자의 정규화된 복사 값을 구하는 제5-2단계; 및
상기 각 예측 입자들을 해당 예측 입자의 정규화된 복사 값만큼 복사하여 상기 다음 영상의 초기 입자로 리샘플링하는 제5-3단계;를 포함하는 것을 특징으로 하는 영상객체 추적방법.
The method of claim 8,
The fifth step:
A step 5-1 of obtaining a weighted exponential function value that is an exponential function value of each predicted particle as an exponent of the weight of the predicted particle;
Normalizing the weighted exponential value of each predicted particle to a value between '0' and '1' and multiplying the normalized weighted exponential value by the total number of predicted particles to obtain a normalized copy value of each predicted particle. Step 5-2; And
And copying each prediction particle by a normalized copy value of the prediction particle and resampling the initial particles of the next image. 5.
제 9 항에 있어서,
상기 가중치 지수함수 값은 해당 예측 입자의 가중치에 비선형성 조절 파라미터를 곱한 값을 지수로 하는 지수함수 값인 것을 특징으로 하는 영상객체 추적방법.
The method of claim 9,
And the weighted exponential function value is an exponential function value obtained by multiplying a weight of a corresponding prediction particle by a nonlinearity adjustment parameter as an exponential value.
제 9 항에 있어서,
상기 복사 값은 근사화된 정수 값인 것을 특징으로 하는 영상객체 추적방법.
The method of claim 9,
And the copy value is an approximated integer value.
제 11 항에 있어서,
상기 각 예측 입자들의 아래의 수학식에 의해 계산되는 복사 값만큼 복사되어 리샘플링되는 것을 특징으로 하는 영상객체 추적방법.
[수학식]
Figure 112011028933832-pat00010

여기서, Ni는 i번째 예측 입자의 정규화된 복사 값, N은 전체 예측 입자들의 개수, D는 비선형성 조절 파라미터, πi는 i번째 예측 입자의 가중치이다.
The method of claim 11,
And copying and resampling by a radiation value calculated by the following equation of each of the prediction particles.
[Mathematical Expression]
Figure 112011028933832-pat00010

Here, N i is a normalized radiation value of the i th prediction particle, N is the total number of prediction particles, D is a nonlinearity control parameter, and π i is a weight of the i th prediction particle.
제 8 항 내지 제 12 항 중 어느 한 항의 영상객체 추적방법을 컴퓨터상에서 실행시키기 위한 프로그램이 저장된 컴퓨터로 읽을 수 있는 매체.
A computer-readable medium having stored thereon a program for executing the video object tracking method of claim 8 on a computer.
삭제delete
KR1020110036082A 2011-04-19 2011-04-19 Exponential re-sampling method and moving object tracking using pateicle filter KR101165335B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020110036082A KR101165335B1 (en) 2011-04-19 2011-04-19 Exponential re-sampling method and moving object tracking using pateicle filter
PCT/KR2012/002987 WO2012144813A2 (en) 2011-04-19 2012-04-19 Method for resampling particles based on exponential function and method for tracking video object using same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110036082A KR101165335B1 (en) 2011-04-19 2011-04-19 Exponential re-sampling method and moving object tracking using pateicle filter

Publications (1)

Publication Number Publication Date
KR101165335B1 true KR101165335B1 (en) 2012-07-18

Family

ID=46716756

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110036082A KR101165335B1 (en) 2011-04-19 2011-04-19 Exponential re-sampling method and moving object tracking using pateicle filter

Country Status (2)

Country Link
KR (1) KR101165335B1 (en)
WO (1) WO2012144813A2 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101326644B1 (en) 2012-08-09 2013-11-08 전남대학교산학협력단 Full-body joint image tracking method using evolutionary exemplar-based particle filter
KR101414670B1 (en) 2013-01-02 2014-07-04 계명대학교 산학협력단 Object tracking method in thermal image using online random forest and particle filter
KR101470367B1 (en) * 2013-09-30 2014-12-09 중앙대학교 산학협력단 Apparatus and method for detecting and tracking multiple objects by using dual-layer particle filter
US20220051044A1 (en) * 2020-08-14 2022-02-17 Fujitsu Limited Image processing apparatus and computer-readable storage medium for storing screen processing program

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100635883B1 (en) 2005-05-27 2006-10-18 성균관대학교산학협력단 System for real-time objects tracking
JP2008126401A (en) 2006-11-16 2008-06-05 Samsung Electronics Co Ltd Method, apparatus, and medium for estimating posture of mobile robot based on particle filter base

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100526018B1 (en) * 2003-09-16 2005-11-08 한국과학기술원 Method for recognizing and tracking an object
KR100877071B1 (en) * 2007-07-18 2009-01-07 삼성전자주식회사 Method and apparatus of pose estimation in a mobile robot based on particle filter
KR101538775B1 (en) * 2008-09-12 2015-07-30 삼성전자 주식회사 Apparatus and method for localization using forward images

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100635883B1 (en) 2005-05-27 2006-10-18 성균관대학교산학협력단 System for real-time objects tracking
JP2008126401A (en) 2006-11-16 2008-06-05 Samsung Electronics Co Ltd Method, apparatus, and medium for estimating posture of mobile robot based on particle filter base

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101326644B1 (en) 2012-08-09 2013-11-08 전남대학교산학협력단 Full-body joint image tracking method using evolutionary exemplar-based particle filter
KR101414670B1 (en) 2013-01-02 2014-07-04 계명대학교 산학협력단 Object tracking method in thermal image using online random forest and particle filter
KR101470367B1 (en) * 2013-09-30 2014-12-09 중앙대학교 산학협력단 Apparatus and method for detecting and tracking multiple objects by using dual-layer particle filter
US20220051044A1 (en) * 2020-08-14 2022-02-17 Fujitsu Limited Image processing apparatus and computer-readable storage medium for storing screen processing program
US11682188B2 (en) * 2020-08-14 2023-06-20 Fujitsu Limited Image processing apparatus and computer-readable storage medium for storing screen processing program

Also Published As

Publication number Publication date
WO2012144813A3 (en) 2013-01-17
WO2012144813A2 (en) 2012-10-26

Similar Documents

Publication Publication Date Title
JP2005235222A (en) Tracking method of object and its device
US11244506B2 (en) Tracking rigged polygon-mesh models of articulated objects
US11416760B2 (en) Machine learning based user interface controller
KR101165335B1 (en) Exponential re-sampling method and moving object tracking using pateicle filter
Zhang et al. Adaptive NormalHedge for robust visual tracking
EP4307166A1 (en) Dynamic gesture recognition method, gesture interaction method, and interaction system
US11176424B2 (en) Method and apparatus for measuring confidence
EP4007993A1 (en) Sub-pixel data simulation system
KR20220059194A (en) Method and apparatus of object tracking adaptive to target object
Alcazar et al. Quantum algorithm for credit valuation adjustments
Gao et al. Face tracking based on differential harmony search
Dash et al. An efficient hybrid framework for visual tracking using Exponential Quantum Particle Filter and Mean Shift optimization
JP4879257B2 (en) Moving object tracking device, moving object tracking method, and moving object tracking program
Fischer et al. One-dimensional short-range nearest-neighbor interaction and its nonlinear diffusion limit
KR101326644B1 (en) Full-body joint image tracking method using evolutionary exemplar-based particle filter
Cao et al. Visual object tracking based on Motion-Adaptive Particle Filter under complex dynamics
US20150095490A1 (en) Online sparse regularized joint analysis for heterogeneous data
KR20210058614A (en) Method and apparatus of face detection using adaptive threshold
Alden et al. Model-agnostic pricing of exotic derivatives using signatures
Ju et al. Enhancing human–robot communication with a comprehensive language-conditioned imitation policy for embodied robots in smart cities
WO2023095564A1 (en) Information processing device and information processing method
Hu et al. Visual tracking by sequential cellular quantum-behaved particle swarm optimization algorithm
Fong et al. Performance evaluation of shadow features as a data preprocessing method in data mining for human activities recognitions
KR102344005B1 (en) High performance target tracking device using super resolution convolutional neural network
CN115170855A (en) Back door trigger fitting method of virtual poisoning image data and related equipment

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20150805

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160701

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20170704

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee