KR101375665B1

KR101375665B1 - 배경 변화 추정 방법 및 장치, 및 이를 이용한 움직임 검출 방법 및 장치

Info

Publication number: KR101375665B1
Application number: KR1020070079783A
Authority: KR
Inventors: 박태서
Original assignee: 삼성전자주식회사
Priority date: 2007-08-08
Filing date: 2007-08-08
Publication date: 2014-03-18
Also published as: KR20090015456A; US8208733B2; US20090041359A1

Abstract

본 발명은 배경 변화 추정 방법 및 장치에 관한 것으로, 본 발명에 따른 배경 변화 추정 방법은 학습한 배경 영상을 기초로 엣지 맵(edge map)을 생성하고, 입력 영상으로부터 추출한 전경 영상과 엣지 맵 간의 유사도를 계산하고, 이를 기초로 입력 영상 내의 배경 변화를 추정함으로써, 영상기반 침입탐지 시스템의 설치환경 특성 및 통제 불가능한 장치적 결함 등에 기인하는 외란의 영향을 줄여 이로 인한 오 경보를 감소시킬 수 있다.

움직임, 외란, 배경, 추정

Description

배경 변화 추정 방법 및 장치, 및 이를 이용한 움직임 검출 방법 및 장치{Method and apparatus for estimating a background change, and method and apparatus for detecting a motion}

본 발명은 움직임 검출 시스템에 관한 것으로, 더 상세하게는 배경 모델을 이용한 움직임 검출 시스템에 있어서의 배경 변화 추정 방법 및 장치와, 이를 이용한 움직임 검출 방법 및 장치에 관한 것이다.

최근, 안전에 대한 관심과 욕구가 증가하면서, 기존에 군부대, 경찰서 등 특정 영역에서만 쓰이던 영상 감시 시스템이 점차 민간기업 및 가정으로까지 보급되고 있다. 감시영역의 확장 및 감시인력의 인건비 증가, 그리고 심리학적 실험에 의해 입증된 감시인력의 주의력 분산현상으로 인하여 침입감지의 자동화에 대한 요구가 증대되고 있고, 이에 따라 널리 알려진 중요한 단서인 움직임 검출을 바탕으로 한 자동화된 침입감지 제품이 선보이기 시작했다.

이러한 움직임 검출 기법으로는 통계적 배경 모델에 근거한 배경 감산 기반의 움직임 검출 기법, 시간적 차분(temporal difference) 기법 및 광류(optic flow)를 이용한 움직임 기법 등이 있다.

전술한 세 가지　기법별로 장단점이 있지만 여러 가지 특성을 고려할 때, 가우시안 혼합 모델을 이용한 배경 감산 기법이 시간적 차분 또는 광류에 기반한 움직임 검출 기법과 비교하여 상대적으로 잡음에 강인하고 검출성능이 우수한 것으로 알려져 있어 침입 감지 시스템에서 널리 쓰이고 있다.

하지만, 배경 감산 기법이 전제하고 있는 것은 "고정된 카메라에서 촬영했을 때 오랜 시간 변하지 않는 것이 배경이다."이므로, 만약 카메라가 흔들린다든지 하는 이유로 배경 전체가 바뀌는 경우에는 배경 전체의 재학습이 이루어질 때까지 움직임 검출을 수행할 수 없다. 즉, 일시적 충격에 의한 감시 영역 내의 영상변화에 대하여 시간이 지나면 재학습에 의해 다시 배경을 학습함으로써 극복할 수 있으나, 이 경우 적절한 학습속도의 결정에 안정성이 크게 좌우된다. 예를 들면, 학습률을 낮게 설정한 경우엔 지하철이나 바람에 의한 주기적인 진동, 즉 단속적인 외란에 대응하지 못하고 끊임없이 재학습하는 악순환에 빠지고, 이를 극복하기 위해 학습속도를 높게 설정하면 전술한 문제는 완화되나, 반대급부로 천천히 움직이는 전경 내 개체를 전경으로 분리하지 못하고 배경으로 학습해버리는 문제가 있다.

이러한 외란은 강풍뿐만 아니라 주변을 지나는 지하철, 기차의 진동 등 밀집된 도시 주거환경에서 빈번한 다른 요인에 의해서도 발생할 수 있으므로, 통계적 배경 감산 기법은 그 특성상 우수한 검출 성능에도 불구하고 다양한 현장에 적용되는데 제약이 되거나, 적용되었을 때 오 경보를 유발하는 한계를 가진다.

본 발명은 카메라를 이용한 배경 학습 기반의 이동체 감지 시스템에서 카메라 자체의 움직임에 의해 발생하는 배경 모델의 손상을 감지할 수 있을 뿐만 아니라, 이를 극복하여 조기에 대처할 수 있는 배경 변화 추정 방법 및 장치를 제공하는 데 목적이 있다.

또한, 배경 변화 추정을 기반으로 하는 움직임 검출을 수행하여 영상 감시 카메라를 이용한 침입감지 시스템에서 외란의 영향을 최소화함으로써 오경보(False Alarm)를 줄이고 신뢰성을 향상시킬 수 있는 움직임 검출 방법 및 장치를 제공하는 데 다른 목적이 있다.

본 발명의 기술적 과제를 달성하기 위한 배경 변화 추정 방법은 기 학습한 배경 영상을 기초로 엣지 맵(edge map)을 생성하고, 입력 영상으로부터 추출한 전경 영상의 분포와 상기 생성한 엣지 맵 간의 유사도를 계산하고, 상기 계산한 유사도를 기초로 상기 입력 영상 내의 배경 변화를 추정하여 이루어진다.

본 발명의 다른 기술적 과제를 달성하기 위한 배경 변화 추정 장치는 기 학습한 배경 영상을 기초로 엣지 맵(edge map)을 생성하는 엣지 맵 생성부와, 입력 영상으로부터 추출한 전경 영상과 상기 생성한 엣지 맵 간의 유사도를 계산하고, 상기 계산한 유사도를 기초로 상기 입력 영상 내의 배경 변화를 추정하는 배경 변화 추정부를 포함한다.

본 발명의 또 다른 기술적 과제를 달성하기 위한 움직임 검출 방법은 입력 영상으로부터 소정의 학습 방법으로 배경 영상을 생성하고, 상기 생성된 배경 영상을 기초로 엣지 맵(edge map)을 생성하고, 상기 입력 영상에서 상기 생성된 배경 영상을 감산함으로써 전경 영상을 추출하고, 상기 추출한 전경 영상과 상기 생성한 엣지 맵 간의 유사도를 계산하고, 상기 계산한 유사도를 기초로 상기 입력 영상 내의 배경 변화를 추정하고, 상기 추출한 전경 영상과 상기 추정 결과를 기초로 상기 입력 영상 내의 객체의 움직임을 검출하여 이루어진다.

본 발명의 또 다른 기술적 과제를 달성하기 위한 움직임 검출 장치는 입력 영상으로부터 소정의 학습 방법으로 배경 영상을 생성하는 배경 업데이트부와, 상기 생성된 배경 영상을 기초로 엣지 맵(edge map)을 생성하는 엣지 맵 생성부와, 상기 입력 영상에서 상기 생성된 배경 영상을 감산함으로써 전경 영상을 추출하는 전경 추출부와, 상기 추출한 전경 영상과 상기 생성한 엣지 맵 간의 유사도를 계산하고, 상기 계산한 유사도를 기초로 상기 입력 영상 내의 배경 변화를 추정하는 배경 변화 추정부와, 상기 추출한 전경 영상과 상기 추정 결과를 기초로 상기 입력 영상 내의 객체의 움직임을 검출하는 움직임 검출부를 포함한다.

본 발명의 또 다른 기술적 과제를 달성하기 위한 상기 방법들을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.

본 발명의 세부 및 개선 사항은 종속항에 개시된다.

본 발명의 일 실시 예에 따른 배경 변화 추정 방법은 학습한 배경 영상을 기 초로 엣지 맵(edge map)을 생성하고, 입력 영상으로부터 추출한 전경 영상과 엣지 맵 간의 유사도를 계산하고, 이를 기초로 입력 영상 내의 배경 변화를 추정함으로써, 영상기반 침입탐지 시스템의 설치환경 특성 및 통제 불가능한 장치적 결함 등에 기인하는 외란의 영향을 줄여 이로 인한 오 경보를 감소시킬 수 있다.

또한, 침입탐지 시스템의 신뢰도 향상 및 이로 인한 감시인력 인건비 절감 등을 기대할 수 있으며, 외란이 빈번하여 카메라를 설치할 수 없는 곳에도 설치를 가능하게 함으로써 감시시스템 구성상의 편이성 및 확장성을 도모할 수 있다.

이하, 첨부한 도면들을 참조하여 본 발명의 바람직한 실시 예들을 상세히 설명한다.

도 1은 종래 기술에 따른 배경 모델을 이용한 움직임 검출 장치(100)의 개략적인 블록도이다.

도 1을 참조하면, 종래의 움직임 검출 장치(100)는 배경 업데이트부(110), 전경 추출부(120) 및 움직임 검출부(300)를 포함하며, 획득한 영상으로부터 통계적 학습 방법, 예를 들면 가우시안 혼합 모델을 이용한 학습 방법을 통해 배경을 학습하고, 입력 영상에서 학습한 배경 영상과 감산하여 전경 영역을 추출하고, 전경 영역에 해석함으로써 객체의 움직임을 검출한다.

도 2A 및 2B는 종래 기술에 따른 카메라의 흔들림으로 발생한 오 경보를 설명하기 위한 도면이다.

도 2A는 강풍에 의한 카메라의 미미한 흔들림으로 인해 감시 영역 내의 배경 변화가 전경으로 인식되고, 도 2B는 이러한 잘못 검출한 전경들을 실제 움직임으로 인식하여 다수의 오 경보를 발생한 예시이다.

도 3A 및 3B는 종래 기술에 따른 배경 속의 중요하지 않은 객체의 움직임으로 발생한 오 경보를 설명하기 위한 도면이다.

도 3A는 원래 배경에 속해 있던 정적인 나무가 잠시 흔들린 것이 전경으로 오 인식된 것을 예시한 것으로, 도 3B는 오 인식으로 인해 발생한 오 경보가 발생한 예시이다. 도 3A 및 3B의 예시는 도 2A 및 2B에 도시된 카메라 흔들림과 달리 배경 학습이 진행되면서 장기적으로 극복되지만, 주기적이고 지속적인 움직임이 아닌 돌발적인 움직임의 경우 배경이 안정화되는데 시간이 걸리고, 그동안에 이동체 감지 특성이 저하될 수 있다.

도 4는 본 발명의 일 실시 예에 따른 배경 변화 추정 장치(440)를 포함하는 움직임 검출 장치(400)의 개략적인 블록도이다.

도 4를 참조하면, 움직임 검출 장치(400)는 배경 업데이트부(410), 전경 추출부(420), 움직임 검출부(430) 및 배경 변화 추정 장치(440)를 포함하며, 배경 변화 추정 장치(440)는 엣지맵 생성부(441)과 배경 변화 추정부(442)를 포함한다.

배경 업데이트부(440)는 입력되는 동영상의 매 프레임으로부터 취득한 영상의 픽셀 값으로부터 가우시안 혼합 모델(Mixture of Gaussian)과 같은 통계적 학습 방법으로 확률적인 값을 갖는 배경 모델을 생성한다. 또한, 움직임 검출 결과를 피드백 받아 이를 기초로 배경 모델을 갱신한다. 가우시안 혼합 모델은 외부 환경에서는 조명 조건의 변화, 나무의 흔들림과 같은 반복적인 움직임 그리고 급격히 움직이는 객체 등과 같이 고려해야할 많은 환경 변화 요인들이 존재하는 상황에서, 이러한 외부 환경의 변화를 적응적으로 반영하여 배경을 학습할 수 있는 배경 모델이다.

본 발명의 바람직한 실시 예에서는 가우시안 혼합 모델을 예로서 설명하였지만, 다른 배경 학습 알고리즘들을 사용할 수 있음은 물론이다.

전경 추출부(420)는 각각의 프레임마다 취득한 영상에서 배경 업데이트부(440)에서 생성한 배경을 감산하는 작업을 수행하고, 그 결과로 생성되는 차 영상을 전경(foreground)으로 추출한다.

움직임 검출부(430)는 전경 추출부(420)가 추출한 전경을 해석하여, 전경 영상의 크기, 형상 또는 에너지 등 다양한 파라미터를 기준으로 미미한 잡음은 걸러내고 객체의 움직임을 검출한다. 또한, 배경 변화 추정 장치(440)에서 추정한 결과를 반영하여 입력 영상의 움직임을 검출한다.

배경 변화 추정 장치(440)는 배경 업데이트부(410)에서 학습한 배경 영상을 기초로 엣지 맵(edge map)을 생성하고, 전경 추출부(420)에서 추출한 전경 영상과 생성한 엣지 맵 간의 유사도를 계산하고, 계산한 유사도를 기초로 입력 영상 내의 배경 변화를 추정한다. 여기서, 배경 변화는 카메라의 움직임을 포함한 외란에 의한 배경의 변화를 의미하며, 관심 객체 외의 움직임, 예를 들면 나뭇가지의 흔들림도 포함한다.

엣지맵 생성부(441)는 배경 업데이트부(410)에서 배경을 초기화할 때마다 취득한 영상에서 엣지가 많은 영역을 찾아내어 엣지 맵을 생성한다.

배경 변화 추정부(442)는 전경 추출부(420)가 생성하는 전경에 엣지맵 생성부(441)가 생성한 엣지맵을 고려하여, 현재 전경을 구성하는 픽셀들의 분포가 엣지맵에서의 엣지 영역의 분포와 유사한지 검사한다. 　그 결과가 유사하다면 현 프레임에서 얻어진 전경은 실제 물체가 이동함으로써 발생한 배경과의 차이를 반영한 것이 아니라, 카메라 자체가 어떠한 이유로 위치가 바뀌어 감시 영역 내의 배경 자체가 달라진 것이라고 판단한다.

또한, 그 결과가 전체 영역에 대해선 유사도가 낮지만 영상 내 일부 영역에 대해선 유사도가 높다면, 나뭇가지의 흔들림 등에 의해 해당 영역 내의 배경이 달라진 것이라고 판단한다.

도 5는 본 발명의 다른 실시 예에 따른 배경 변화 추정 장치(540)를 포함하는 움직임 검출 장치(500)의 개략적인 블록도이다.

도 5를 참조하면, 도 4에 도시된 움직임 검출 장치(400)와 차이는 배경 변화 추정부(540)의 추정 결과가 배경 업데이트부(510)와 엣지맵 생성부(520)에 피드백되어 반영된다는 것이다.

배경 변화 추정부(540)는 학습한 배경 영상을 기초로 엣지 맵을 생성하고, 입력 영상으로부터 추출한 전경 영상과 생성한 엣지 맵 간의 유사도를 계산하는데, 그 결과가 유사하다면 현 프레임에서 얻어진 전경은 실제 물체가 이동함으로써 발생한 배경과의 차이를 반영한 것이 아니라, 카메라 자체가 어떠한 이유로 위치가 바뀌어 감시 영역 내의 배경 자체가 달라진 것이라고 판단하는데, 이처럼 카메라의 변동에 의한 전경 생성으로 판단될 경우, 배경 변화 추정부(540)는 배경 업데이트 부(510)에 통상보다 충분히 높은 수준의 학습률로 배경을 재학습하도록 제어한다. 또한, 충분히 배경이 안정되었다고 판단되면 엣지맵 생성부(541)에 바뀐 배경에 대해 엣지 맵을 재생성하도록 제어한다.

도 6A 내지 6C는 도 5 및 6에 도시된 엣지 맵 생성부(441, 541)의 엣지 맵 생성과정을 설명하기 위한 도면이다.

도 6A는 특정 배경으로 이루어진 원 영상이 도시되어 있고, 도 6B에는 원 영상의 엣지 영상이 도시되어 있다. 여기서, 엣지는 영상 내 인접한 픽셀 간에 밝기 차이가 상대적으로 큰 부분을 의미한다. 즉, 영상 안에 있는 객체의 경계(Boundary)를 가리키는 것으로서, 모양(Shape), 방향성(Direction)을 탐지할 수 있는 등 여러 가지 중요한 정보를 포함하고 있다. 엣지 추출 기법으로는 유사 연산자 기법, 차 연산자 기법 등을 이용할 수 있으며, 이는 공지된 내용이므로 설명을 줄인다.

도 6C는 도 6B의 추출된 엣지 영상을 이용하여 엣지 맵을 생성한 영상이다. 추출한 엣지 영상에 대해 강한 에지는 강하게, 약한 에지는 약화시키는 경 계값 처리를 수행한다. 경계값 처리는 단일 경계값 또는 다중 경계값을 이용하여 처리할 수 있다. 이와 같은 경계값 처리를 수행하여 도 6C에 도시된 바와 같은 엣지 맵(Edge Map)을 생성한다.

도 7은 도 4에 도시된 배경 변화 추정부(442)의 개략적인 블록도이다.

도 7을 참조하면, 배경 변화 추정부(442)는 유사도 계산부(700) 및 배경 변화 판단부(710)를 포함한다.

유사도 계산부(700)는 입력 영상으로부터 학습한 배경 영상을 감산함으로써 추출한 전경 영상의 영역 분포와 생성한 엣지 맵 중에서 엣지 영역의 분포도를 비교함으로써 유사도를 계산한다.

배경 변화 판단부(710)는 유사도 계산부(700)가 계산한 유사도가 소정의 임계치 이상인지 여부를 판단하고, 유사도가 임계치 이상인 경우 입력 영상의 배경에 변화, 즉 현재의 프레임에서 얻어진 전경은 실제 물체가 이동함으로써 발생한 배경과의 차이를 반영한 것이 아니라, 카메라 자체가 외란 등에 의해 움직임으로써 감시 영역의 배경 자체가 달라진 것이라고 추정한다.

도 8은 도 5에 도시된 배경 변화 추정부(542)의 개략적인 블록도이다.

도 8을 참조하면, 도 7에 도시된 배경 변화 추정부(542)와의 차이는 추정 결과를 배경 업데이트부(510)와 엣지맵 생성부(541)에 반영하여 움직임 검출 장치(500)의 전체 동작을 제어하기 위한 구성을 포함하고 있다는 것이다.

배경 변화 추정부(542)는 유사도 계산부(800), 배경 변화 판단부(810), 학습률 설정 제어부(820) 및 엣지맵 생성 제어부(830)를 포함한다.

유사도 계산부(800) 및 배경 변화 판단부(810)는 도 7의 구성과 동일하고, 학습률 설정 제어부(820)는 배경 변화 판단부(810)의 추정 결과에 따라 배경 업데이트부(510)가 재설정한 학습률로 배경 영상을 업데이트하도록 제어한다. 즉, 학습률 설정 제어부(820)는 전경 영상 영역과 엣지맵의 엣지 영역의 분포가 유사하다고 판단한 경우, 현재의 배경 학습률을 높은 수준으로 올리도록 배경 업데이트부(510)에 지시한다. 따라서, 배경 학습률을 끌어올림으로써 예기치 않게 발생한 외란에 대한 움직임 검출 장치의 적응속도를 향상시킬 수 있다.

엣지맵 생성 제어부(830)는 엣지 맵 생성부(541)가 재설정한 학습률로 학습한 배경 영상에 대한 엣지 맵을 생성하도록 제어한다. 즉, 엣지맵 생성 제어부(830)는 충분히 배경 학습이 안정되었다고 판단한 경우, 학습률을 당초의 기본값으로 되돌리고, 바뀐 배경에 대한 새로운 엣지 맵을 생성하도록 지시한다.

도 9는 본 발명의 또 다른 실시 예에 따른 배경 변화 추정 방법을 설명하기 위한 흐름도이다.

도 9를 참조하면, 단계 900에서, 영상이 입력되고, 단계 902에서, 입력 영상에서 학습한 배경 영상을 감산함으로써 전경 영역을 추출한다. 단계 904에서, 학습한 배경으로부터 엣지맵을 생성하고, 단계 902에서 추출한 전경 영역의 분포와 생성한 엣지맵의 엣지 영역의 분포가 유사한지 여부를 계산한다. 이어, 단계 906에서, 유사도 계산 결과로부터 배경 변화가 생겼는지 여부를 추정한다. 즉 유사도가 높다면, 외란에 의한 카메라의 움직임을 통해 생긴 배경의 변화하고 추정한다.

도 10은 본 발명의 또 다른 실시 예에 따른 배경 모델을 이용한 움직임 검출 방법을 설명하기 위한 흐름도이다.

도 10을 참조하면, 단계 1000에서, 움직임 검출 장치를 초기화한다. 여기서, 초기화 단계는 단계 1002에서, 영상을 획득하고, 획득한 영상에서 통계적 배경 모델을 이용하여 학습함으로써 배경 영상을 초기화한다. 이어, 단계 1006에서, 초기화한 배경 영상을 이용하여 엣지 맵을 생성한다.

단계 1008에서, 영상을 획득하면, 단계 1010에서, 획득한 영상에서 전술한 배경 영상을 감산하여 전경 영역을 추출한다. 이어, 단계 1012에서, 초기화 단계에서 생성한 엣지맵의 영역 분포와 추출한 전경 영역 분포 간의 유사도를 계산한다. 단계 1014에서, 배경 변화가 있는 여부를 판단하는데, 계산한 유사도가 소정의 임계치 이상인지 여부에 따라 계산하며, 임계치는 유사도 판단을 위해 미리 정해진 기준값이다. 유사도가 임계치 이하인 경우, 단계 1016으로 진행하여, 추출한 전경 영역에서 객체를 추출하여 이동체의 움직임을 검출하고, 단계 1018에서, 학습률을 미리 정해진 기본값으로 되돌리는 방향으로 조정한다. 반면에, 유사도가 임계치 이상인 경우, 카메라의 움직임 등에 의한 배경의 변화가 있는 것으로 추정하고, 단계 1020으로 진행하여 배경 학습에 대한 학습률을 높게 재설정한다. 그리고 단계 1022에서, 높아진 학습률로 배경을 학습하여 업데이트하고, 단계 1024에서, 학습한 배경에 대한 엣지맵을 다시 생성한다. 단계 1026에서, 배경을 업데이트하고 나서, 다시 단계 1008로 되돌아가 다음 획득한 영상의 프레임에 대해 움직임 검출을 수행한다.

도 11A 및 11B는 본 발명의 또 다른 실시 예에 따른 배경 모델을 이용한 움직임 검출 장치의 적용 예를 설명하기 위한 도면이다. 여기서, 횡축을 기준으로 각각 480번째 프레임, 500번째 프레임, 520번째 프레임과 541번째 프레임을 나타낸다.

도 11A는 종래기술에 따른 움직임 검출 장치를 적용한 경우의 예시이다. 도 11A를 참조하면, 외란에 의한 배경 변화가 전경으로 인지된 것을 볼 수 있다. 이때 시간이 지나면서 재학습을 통해 배경을 바로 잡으려고 하지만 원거리에서 느리게 이동하는 걸로 보이는 침입자를 잡기 위하여 학습률을 낮게 잡았기 때문에 시간이 지나도 좀처럼 배경을 재학습하는데 어려움이 있음을 알 수 있다. 　지하철 진동과 같은 주기적인 외란에 대해선 더욱 취약하여 결국 고정된 배경을 인식할 충분한 시간을 얻지 못한다.

도 11B는 카메라 흔들림을 인지한 순간 학습률을 크게 높이고 재학습을 함으로써 시간이 흐르면서 오 인식되는 전경이 줄어들고 오 인식되는 전경이 거의 제거되었음을 알 수 있다.

한편, 본 발명은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.

컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트 들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.

이제까지 본 발명에 대하여 바람직한 실시 예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에 서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다. 그러므로 상기 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 한다.

도 11은 본 발명의 또 다른 실시 예에 따른 배경 모델을 이용한 움직임 검출 방법을 설명하기 위한 흐름도이다.

<도면의 주요 부분에 대한 부호의 설명>

400, 500: 움직임 검출 장치 410, 510: 배경 업데이트부

420, 520: 전경 추출부 430, 530: 움직임 검출부

440, 540: 배경 변화 추정 장치 441, 541: 엣지맵 생성부

442, 542: 배경 변화 추정부 700, 800: 유사도 계산부

710, 810: 배경 변화 판단부 820: 학습률 설정 제어부

830: 엣지맵 생성 제어부

Claims

기 학습한 배경 영상을 기초로 엣지 맵(edge map)을 생성하는 단계; 및

입력 영상으로부터 추출한 전경 영상과 상기 생성한 엣지 맵 간의 유사도를 계산하고, 상기 계산한 유사도를 기초로 상기 입력 영상 내의 배경 변화를 추정하는 단계를 포함하는 배경 변화 추정 방법.
제 1 항에 있어서,

상기 추정 결과를 기초로 상기 배경 영상의 학습률을 재설정하는 것을 특징으로 하는 배경 변화 추정 방법.
제 1 항에 있어서,

상기 추정 단계는,

상기 입력 영상으로부터 상기 기 학습한 배경 영상을 감산함으로써 추출한 전경 영상의 영역 분포와 상기 생성한 엣지 맵의 엣지 영역 분포를 비교함으로써 유사도를 계산하는 단계; 및

상기 계산한 유사도가 소정의 임계치 이상인 경우, 상기 입력 영상의 배경에 변화가 있는 것으로 추정하는 단계를 포함하는 것을 특징으로 하는 배경 변화 추정 방법.
제 1 항에 있어서,

상기 추정 단계는,

상기 배경 영상의 학습률을 재설정하도록 제어하는 단계를 더 포함하는 것을 특징으로 하는 배경 변화 추정 방법.
제 4 항에 있어서,

상기 추정 단계는,

상기 재설정된 학습률로 학습한 배경 영상에 대한 엣지 맵을 생성하도록 제어하는 단계를 더 포함하는 것을 특징으로 하는 배경 변화 추정 방법.
제 1 항에 있어서,

상기 생성 단계는,

학습을 통해 상기 배경 영상을 초기화하는 경우, 상기 배경 영상으로부터 엣지 성분을 포함하는 영역을 기초로 상기 엣지 맵을 생성하는 것을 특징으로 하는 배경 변화 추정 방법.
기 학습한 배경 영상을 기초로 엣지 맵(edge map)을 생성하는 엣지 맵 생성부; 및

입력 영상으로부터 추출한 전경 영상과 상기 생성한 엣지 맵 간의 유사도를 계산하고, 상기 계산한 유사도를 기초로 상기 입력 영상 내의 배경 변화를 추정하 는 배경 변화 추정부를 포함하는 배경 변화 추정 장치.
제 7 항에 있어서,

상기 추정 결과를 기초로 상기 기 학습한 배경 영상의 학습률을 재설정하는 것을 특징으로 하는 배경 변화 추정 장치.
제 7 항에 있어서,

상기 배경 변화 추정부는,

상기 입력 영상으로부터 상기 기 학습한 배경 영상을 감산함으로써 추출한 전경 영상의 영역과 상기 생성한 엣지 맵의 엣지 영역의 분포를 비교함으로써 유사도를 계산하는 유사도 계산부; 및

상기 계산한 유사도가 소정의 임계치 이상인 경우, 상기 입력 영상의 배경에 변화가 있는 것으로 추정하는 배경 변화 판단부를 포함하는 것을 특징으로 하는 배경 변화 추정 장치.
제 7 항에 있어서,

상기 배경 변화 추정부는,

상기 배경 영상의 학습률을 재설정하도록 제어하는 학습률 제어부를 더 포함하는 것을 특징으로 하는 배경 변화 추정 장치.
제 10 항에 있어서,

상기 배경 변화 추정부는,

상기 재설정된 학습률로 학습한 배경 영상에 대한 엣지 맵을 생성하도록 제어하는 엣지 맵 생성 제어부를 더 포함하는 것을 특징으로 하는 배경 변화 추정 장치.
제 7 항에 있어서,

상기 엣지 맵 생성부는,

학습을 통해 상기 배경 영상을 초기화하는 경우, 상기 배경 영상으로부터 엣지 성분을 포함하는 영역을 기초로 상기 엣지 맵을 생성하는 것을 특징으로 하는 배경 변화 추정 장치.
입력 영상으로부터 소정의 학습 방법으로 배경 영상을 생성하는 단계;

상기 생성된 배경 영상을 기초로 엣지 맵(edge map)을 생성하는 단계;

상기 입력 영상에서 상기 생성된 배경 영상을 감산함으로써 전경 영상을 추출하는 단계;

상기 추출한 전경 영상과 상기 생성한 엣지 맵 간의 유사도를 계산하고, 상기 계산한 유사도를 기초로 상기 입력 영상 내의 배경 변화를 추정하는 단계; 및

상기 추출한 전경 영상과 상기 추정 결과를 기초로 상기 입력 영상 내의 객체의 움직임을 검출하는 단계를 포함하는 움직임 검출 방법.
제 13 항에 있어서,

상기 추정 결과에 따라 상기 학습 방법의 학습률을 재설정하는 것을 특징으로 하는 움직임 검출 방법.
제 13 항에 있어서,

상기 배경 변화 추정 단계는,

상기 입력 영상으로부터 상기 생성된 배경 영상을 감산함으로써 추출한 전경 영상의 영역과 상기 생성한 엣지 맵 중 엣지 영역의 분포를 비교함으로써 유사도를 계산하는 단계;

상기 계산한 유사도가 소정의 임계치 이상인 경우, 상기 입력 영상의 배경에 변화가 있는 것으로 추정하는 단계; 및

상기 배경 영상의 학습률을 재설정하도록 제어하는 단계를 포함하는 것을 특징으로 하는 움직임 검출 방법.
제 15 항에 있어서,

상기 배경 변화 추정 단계는,

상기 재설정된 학습률로 학습한 배경 영상에 대한 엣지 맵을 생성하도록 제어하는 단계를 더 포함하는 것을 특징으로 하는 움직임 검출 방법.
입력 영상으로부터 소정의 학습 방법으로 배경 영상을 생성하는 배경 업데이트부;

상기 생성된 배경 영상을 기초로 엣지 맵(edge map)을 생성하는 엣지 맵 생성부;

상기 입력 영상에서 상기 생성된 배경 영상을 감산함으로써 전경 영상을 추출하는 전경 추출부;

상기 추출한 전경 영상과 상기 생성한 엣지 맵 간의 유사도를 계산하고, 상기 계산한 유사도를 기초로 상기 입력 영상 내의 배경 변화를 추정하는 배경 변화 추정부; 및

상기 추출한 전경 영상과 상기 추정 결과를 기초로 상기 입력 영상 내의 객체의 움직임을 검출하는 움직임 검출부를 포함하는 움직임 검출 장치.
제 17 항에 있어서,

상기 배경 변화 추정부는,

상기 입력 영상으로부터 상기 생성된 배경 영상을 감산함으로써 추출한 전경 영상의 영역 분포와 상기 생성한 엣지 맵 중 엣지 영역의 분포를 비교함으로써 유사도를 계산하는 유사도 계산부; 및

상기 계산한 유사도가 소정의 임계치 이상인 경우, 상기 입력 영상의 배경에 변화가 있는 것으로 추정하는 배경 변화 판단부를 포함하는 것을 특징으로 하는 움직임 검출 장치.
제 18 항에 있어서,

상기 배경 변화 추정부는,

상기 배경 변화 판단부의 추정 결과에 따라 상기 배경 업데이트부가 재설정한 학습률로 상기 배경 영상을 업데이트하도록 제어하는 학습률 설정 제어부; 및

상기 엣지 맵 생성부가 상기 재설정한 학습률로 학습한 배경 영상에 대한 엣지 맵을 생성하도록 제어하는 엣지맵 생성 제어부를 더 포함하는 것을 특징으로 하는 움직임 검출 장치.
제 1 항 내지 제 6 항, 및 제 13 항 내지 제 16 항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체.