KR101492059B1 - 평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템 - Google Patents

평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템 Download PDF

Info

Publication number
KR101492059B1
KR101492059B1 KR20130062749A KR20130062749A KR101492059B1 KR 101492059 B1 KR101492059 B1 KR 101492059B1 KR 20130062749 A KR20130062749 A KR 20130062749A KR 20130062749 A KR20130062749 A KR 20130062749A KR 101492059 B1 KR101492059 B1 KR 101492059B1
Authority
KR
South Korea
Prior art keywords
roi
center
image
tracking
extracted
Prior art date
Application number
KR20130062749A
Other languages
English (en)
Other versions
KR20140141239A (ko
Inventor
신화선
김은섭
송혁
김병균
Original Assignee
전자부품연구원
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 전자부품연구원 filed Critical 전자부품연구원
Priority to KR20130062749A priority Critical patent/KR101492059B1/ko
Publication of KR20140141239A publication Critical patent/KR20140141239A/ko
Application granted granted Critical
Publication of KR101492059B1 publication Critical patent/KR101492059B1/ko

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/188—Capturing isolated or intermittent images triggered by the occurrence of a predetermined event, e.g. an object reaching a predetermined position

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 객체 추적 방법은, 입력된 영상에서 객체를 추출하여, 추출된 객체에 대한 특징점들을 기반으로 ROI를 이동시키면서 추출된 객체를 추적한다. 이에 의해, 매우 빠르게 입력되며 객체의 가림이 빈번하게 발생하는 영상에 대해서도, 보다 안정적이고 실시간으로 정확하게 객체를 추적할 수 있게 된다.

Description

평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템{Real Time Object Tracking Method and System using the Mean-shift Algorithm}
본 발명은 객체 추적 방법에 관한 것으로, 더욱 상세하게는 입력되는 영상에서 움직이는 객체를 실시간으로 추적하는 방법 및 시스템에 관한 것이다.
객체의 추출 및 추적은 교통 모니터링 시스템, 방송 콘텐츠 인덱싱, 제스처 인터랙션 등 다양한 분야에서 요구되는 핵심 기술이다. 안정적인 객체 추적을 위하여 해결하여야 하는 주요 문제로는 영상 잡음에 안정적인 객체 추적, 복잡한 움직임을 가지는 객체 추적, 가림(Occlusion) 발생의 감지와 처리를 포함한 객체 추적, 복잡한 배경 및 조명환경에서의 객체추적, 실시간 처리 등이 있다.
지능형 감시 시스템의 경우, 실시간으로 입력되는 영상을 기반으로 목표 객체를 추적하여야 하기 때문에 실시간 객체 추적이 중요 이슈가 되고 있다. 또한, 대부분의 실제 상황에서 발생하는 객체 간의 가림 상황에서도 목표 객체를 안정적으로 추적하는 것이 중요 기술로 부각되고 있다.
객체의 추적은 객체 추출 과정에서 추적할 대상이 자동으로 선정되어 추적기에 전달되면 실시간 입력되는 영상에서 객체를 추적하고 그 결과를 지능형 분석기에 출력하게 되는데, 추적 과정은 지능형 시스템의 중요한 단계이다. 추적 성능은 추적의 결과를 기반으로 한 지능형 분석 단계에 심각한 영향을 미치는 중요한 단계이다.
객체를 감지 추적하는 경우, 움직이는 객체의 영역들을 모두 추출하고, 객체의 일부 혹은 전체 가림이 일어났다가 가림이 해결되는 상황에 대한 처리를 위하여 움직이는 객체들의 각각의 색상 및 텍스처 특성, 이동 방향과 속도들을 분석하고, 목표 객체와 유사성이 높은 객체를 선별하는 방법 등을 적용하고 있다. 하지만, 이 방법들은 연산량이 많아 실시간 추적에 어려움이 있고, 또한 PTZ(Pan-Tilt-Zoom)카메라에서 입력되는 움직이는 배경의 영상에 대해서는 추적이 불가능할 수도 있다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 매우 빠르게 입력되며 객체의 가림이 빈번하게 발생하는 영상에서, 실시간으로 정확하게 객체를 추적하기 위한 방법 및 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 객체 추적 방법은, 영상을 입력받는 단계; 입력된 영상에서 객체를 추출하는 단계; 및 추출된 객체에 대한 특징점들을 기반으로 ROI를 이동시키면서, 상기 추출된 객체를 추적하는 단계;를 포함한다.
그리고, 상기 추적단계는, 상기 ROI의 중심을 상기 추출된 객체에 대한 특징점들의 무게 중심으로 이동시키면서, 상기 추출된 객체를 추적할 수 있다.
또한, 상기 추적단계는, 상기 ROI의 중심에 가까운 특징점의 가중치를 상기 ROI의 중심에서 먼 특징점의 가중치 보다 크게 반영하여, 상기 무게 중심을 산출할 수 있다.
그리고, 상기 특징점들은, 상기 객체의 색상, 휘도 및 에지 중 적어도 하나를 기반으로 추출될 수 있다.
또한, 상기 추적단계는, 상기 ROI의 이동량이 임계량 미만인 지점으로 이동할 때까지 상기 ROI를 이동시킬 수 있다.
그리고, 본 발명의 일 실시예에 따른 객체 추적 방법은, 동일한 객체에 대해 다수의 추적기들이 실행된 경우, 추적 성공 횟수가 가장 높은 추적기를 제외한 나머지를 삭제하는 단계;를 더 포함할 수 있다.
또한, 상기 추출단계는, 상기 입력된 영상에서 배경을 차감하여 객체를 추출할 수 있다.
한편, 본 발명의 다른 실시예에 따른, 객체 추적 장치는, 영상을 입력받는 입력부; 및 상기 입력부를 통해 입력된 영상에서 객체를 추출하고, 추출된 객체에 대한 특징점들을 기반으로 ROI를 이동시키면서 상기 추출된 객체를 추적하는 프로세서;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 매우 빠르게 입력되며 객체의 가림이 빈번하게 발생하는 영상에 대해서도, 보다 안정적이고 실시간으로 정확하게 객체를 추적할 수 있게 된다.
특히, 평균이동 알고리즘을 적용하여 연산량을 획기적으로 줄일 수 있고, 커널을 통한 가중치 부여로 추적의 속도와 정확도를 증대시킬 수 있다.
아울러, 입력 영상에서 배경을 차감하여 객체를 추출하므로, 복잡한 배경이나 객체간 교차 가림이 발생하는 경우에도, 효과적인 객체 추적이 가능하다는 장점이 있다.
도 1은 본 발명이 적용가능한 감시 시스템을 도시한 도면,
도 2는, 도 1에 도시된 영상 분석 서버의 상세 블럭도,
도 3은 본 발명의 바람직한 실시예에 따른 객체 추적 방법의 설명에 제공되는 흐름도, 그리고,
도 4 내지 도 7은, 평균이동 알고리즘을 적용한 객체 추적 과정의 부연 설명에 제공되는 도면들이다.
이하, 첨부 도면을 참조하여 본 발명의 실시예를 보다 상세하게 설명하고자 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명이 적용가능한 감시 시스템을 도시한 도면이다. 본 발명이 적용가능한 감시 시스템은 영상을 촬영하여 관제, 분석 및 검색을 수행하기 위한 시스템이다.
이와 같은 기능을 수행하는 감시 시스템은, 도 1에 도시된 바와 같이, CCTV 카메라(110), 관제 서버(120), 영상 분석 서버(130), 영상 DB(140), 메타 데이터 DB(150) 및 영상 검색 서버(160)를 포함한다.
CCTV 카메라(110)는 옥내 또는 옥외에 설치되어 해당 구역을 촬영하여 영상을 생성하고, 생성된 영상을 관제 서버(120)와 영상 분석 서버(130)로 전송한다.
관제 서버(120)는 CCTV 카메라(110)로부터 전달받은 영상에 타임 스탬프를 부가하여 영상 DB(140)에 저장한다. 또한, 관제 서버(120)는 관리자가 모니터링할 수 있도록 CCTV 카메라(110)로부터 전달받은 영상을 실시간으로 디스플레이할 수 있다.
영상 분석 서버(130)는 CCTV 카메라(110)로부터 전달받은 영상을 분석하여 메타 데이터를 생성하고, 생성된 메타 데이터를 해당 영상에 부여된 타임 스탬프와 함께 메타 데이터 DB(150)에 저장한다. 영상 분석 서버(130)에 대해서는, 도 2를 참조하여 상세히 후술한다.
메타 데이터는, 영상에 나타난 객체의 특징 정보로, 객체가 사람인 경우 얼굴 특징, 옷 색상 등이 메타 데이터로 생성되고, 객체가 차량인 경우 차량의 색상, 크기 및 번호 등이 메타 데이터로 생성된다.
영상 검색 서버(160)는 메타 데이터 DB(150)에서 찾고자 하는 메타 데이터를 검색하고, 검색된 메타 데이터에 매칭된 타임 스탬프가 부여된 영상을 영상 DB(140)에서 검색한다.
이하에서, 전술한 영상 분석 서버(130)에 대해 도 2를 참조하여 상세히 설명한다. 도 2는, 도 1에 도시된 영상 분석 서버(130)의 상세 블럭도이다. 영상 분석 서버(130)는 도 2에 도시된 바와 같이, 영상 입력부(131), 프로세서(132), 저장부(137), DB 인터페이스(138) 및 서버 인터페이스(139)를 포함한다.
영상 입력부(131)는 CCTV 카메라(110)로부터 영상을 수신하여 프로세서(132)로 전달하기 위한 인터페이스 및 버퍼링 수단이다.
프로세서(132)는 영상 입력부(131)를 통해 전달받은 영상을 분석하기 위한 영상 처리 수단으로, 도 2에 도시된 바와 같이, 객체 추출 모듈(133), 객체 추적 모듈(134), 특징 추출 모듈(135) 및 이벤트 추출 모듈(136)을 포함한다.
객체 추출 모듈(133)은 영상 입력부(131)를 통해 전달받은 영상에서 객체를 실시간으로 추출하고, 객체 추적 모듈(134)은 객체 추출 모듈(133)에 의해 추출된 객체를 실시간으로 추적한다.
객체 추출 모듈(133)에 의한 객체 추출과 객체 추적 모듈(134)에 의한 객체 추적 과정에 대해서는, 도 3을 참조하여 상세히 후술한다.
특징 추출 모듈(135)은 추적되는 객체에서 특징을 추출하고, 추출된 특징을 메타 데이터로 생성한다. 특징 추출 모듈(135)에 의해 생성된 메타 데이터는 DB 인터페이스(138)를 통해 메타 데이터 DB(150)에 저장된다.
이벤트 추출 모듈(137)은 영상 내에서 발생하는 이벤트를 추출하여 이벤트 정보를 생성한다. 예를 들어, 사람이나 자동차가 위험 영역이나 보안 영역에 진입한 경우 이벤트가 발생한 것으로 취급할 수 있다.
이벤트 추출 모듈(137)에 의해 생성된 이벤트 정보는, 서버 인터페이스(139)를 통해 관제 서버(120)에 전달되어 관리자에게 알람 할 수 있다.
저장부(137)는 프로세서(132)의 모듈들(133 내지 136)이 영상 처리를 수행함에 있어 필요한 저장 공간을 제공한다.
이하에서, 전술한 객체 추적 모듈(133)에 의한 객체 추출과 객체 추적 모듈(134)에 의한 객체 추적 과정에 대해, 도 3을 참조하여 상세히 설명한다. 도 3은 본 발명의 바람직한 실시예에 따른 객체 추적 방법의 설명에 제공되는 흐름도이다.
도 3에 도시된 바와 같이, CCTV 카메라(110)에 의해 촬영된 영상이 영상 입력부(131)를 통해 객체 추출 모듈(133)에 입력된다(S210).
그러면, 객체 추출 모듈(133)은 S210단계에서 입력된 영상에서 배경을 차감하여 객체들을 추출한다(S220). S220단계에서 객체 후보군을 추출하는 배경 차감 기법으로, 연속되는 프레임에서 각 화소의 밝기 변화를 계산하여 배경을 모델링하고 현재 프레임과의 차이를 구하여 움직임이 발생한 영역을 판별하여 전경 영역을 분리하는 기법을 사용할 수 있다.
여기서, MOG(Mixture Of Gaussian) 기반의 배경 모델링을 이용한 전경 영역 추출 기법을 사용하는 것이 가능하고, 이 밖의 다른 배경 차감 기법을 사용할 수도 있다.
이후, 객체 추적 모듈(134)은 S220단계의 결과를 전처리하여 객체 리스트를 생성한다(S230). 구체적으로 S230단계에서, 이미 추적 중인 객체들이 포함되어 있는 추적 객체 리스트에 신규 객체들을 포함시키는 과정에 의해 수행된다. 여기서, 신규 객체들은 S220단계에서 추출된 객체들 중 이전 프레임에 없었던 객체들(현재 프레임에 새로이 출현한 객체들)을 말한다.
다음, 객체 추적 모듈(134)은 이전 프레임의 추적기들을 현재 프레임에 실행시키고, 평균이동 알고리즘(Mean-shift Algorithm)을 적용하여 객체 추적을 수행한다(S240). S240단계에서 추적기들에 적용되는 평균이동 알고리즘은 객체의 색상에 의한 특징점들에 기반할 수 있다.
이하에서, 추적기에 평균이동 알고리즘을 적용한 객체 추적 과정에 대해 상세히 설명한다.
본 실시예에 따른 객체 추적 과정은 평균이동 알고리즘을 사용하여 추적하고자 하는 타겟 모델과 추적 대상인 타겟 후보의 색상 정보를 모델링하고, 커널을 사용하여 추적 대상을 찾는 과정이다.
구체적으로, 비모수적인 커널 밀도 추정 기법(non-parametric Kernel density estimation scheme)을 사용하여, 반복적 처리에 의해 확률 분포의 지역 최대치(local maxima)를 탐색한다.
또한, 객체 추적을 수행함에 있어, ROI의 중심에 가까운 특징점의 가중치를 ROI의 중심에서 먼 특징점의 가중치 보다 크게 반영하여 무게 중심을 산출하고, ROI의 중심을 산출된 무게 중심으로 이동시킨다.
타겟 모델 q와 타겟 후보 p는 아래의 수학식 1과 수학식 2를 이용하여 구한다.
Figure 112013048777203-pat00001
Figure 112013048777203-pat00002
여기서, 타겟 모델 q는 프레임의 위치 yc를 중심으로 하는 ROI에서 ROI 내부의 색상 정보에 커널 함수 k(x)를 사용하여 위치 가중치를 적용한 히스토그램이다. 타겟 후보 p는 프레임의 위치 y0를 중심으로 하는 ROI에서 ROI 내부의 색상 정보에 커널 함수 k(x)를 사용하여 위치 가중치를 적용한 히스토그램이다.
한편, δ는 Kronecker delta 함수이고,
Figure 112013048777203-pat00003
는 ROI 내부 픽셀 xi의 색상에 해당되는 히스토그램 bin의 index u를 구하는 함수이다. C는 위 수학식 1과 수학식 2에서
Figure 112013048777203-pat00004
을 만족시키기 위한 정규화 상수이다. m은 히스토그램의 bin의 개수이다.
이후, 평균이동 알고리즘을 적용하여 새로운 커널의 중심
Figure 112013048777203-pat00005
을 아래와 같이 추정한다.
Figure 112013048777203-pat00006
여기서, n은 ROI 내부 픽셀의 개수이며, wi는 ROI 내부 xi 위치한 픽셀의 가중치로서 아래의 수학식 4와 같다.
Figure 112013048777203-pat00007
본 실시예에서 평균이동 알고리즘을 적용한 객체 추적은 수학식 3에 의해 추정된
Figure 112013048777203-pat00008
의 위치가 변하지 않는 지점(또는 변화가 매우 미미한 지점)에 도달할 때 까지 반복하여 수행된다.
평균이동 알고리즘을 적용한 객체 추적 과정이, 도 4 내지 도 7에 예시되어 있다. 도 4 내지 도 7에서 붉은 점들은 객체의 특징점들과 매칭되는 지점들을 나타낸다.
도 4 내지 도 7에서, ROI(Region Of Interest)의 중심은 ROI의 무게 중심(Center Of Mass)로 이동함을 확인할 수 있다. 도 4 내지 도 7에 나타난 평균이동 벡터(Mean-shift Vector)는 ROI 중심의 이동 벡터에 해당하고, ROI의 무게 중심은 위 수학식 3에 나타난
Figure 112013048777203-pat00009
을 의미한다.
다시, 도 2를 참조하여, S240단계에 대해 상세히 설명한다.
S240단계를 통해 현재 프레임에서 객체 추적에 성공한 경우, 객체 추적 모듈(134)은 해당 추적기의 신뢰점수를 가산한 후 탐지결과(객체의 ROI)를 추적기에 반영한다.
반면, S240단계를 통해 현재 프레임에서 객체 추적에 실패한 경우, 객체 추적 모듈(134)은 해당 추적기의 신뢰점수를 감산하되, 신뢰점수가 기준 이하로 떨어지면 추적기를 삭제하여 해당 객체에 대한 추적을 종료시킨다.
한편, 신규 객체들에 대해서는, S240단계에서 객체 추적 모듈(134)이 새로운 추적기를 생성하고 초기화시켜, 다음 프레임부터 추적한다.
그리고, 객체 추적 모듈(134)은 S240단계의 객체 추적 결과를 후처리하여 추적기를 정리한다(S250). 구체적으로 S250단계는, 동일한 객체에 대해 다수의 추적기들이 할당되어 있는 경우, 중복된 추적기들을 삭제하기 위한 절차이다.
S240단계에서의 추적기 추가 생성에 의해 추적기 중복이 발생하는데, 이 경우 신뢰점수가 가장 높은 추적기를 제외한 나머지 추적기들을 삭제하여 해결한다. 즉, 여러 프레임에 걸쳐 추적을 수행하던 추적기, 즉 추적 성공 횟수가 가장 높은 추적기를 제외한 나머지를 삭제하는 것이다.
이후, 객체 추적 모듈(134)은 S250단계에 의해 정리된 추적기들에 의해 추적 중인 객체들에 대한 정보를 된 리스트 또는 이미지 상에 표시하여 출력하여, 관리자에게 제공한다(S260).
지금까지, 실시간 객체 추적 방법 및 이를 적용한 감시 시스템에 대해 바람직한 실시예를 들어 상세히 설명하였다.
언급한 감시 시스템에서는 CCTV 카메라의 대수를 1대로 도시하고 설명하였으나, 이는 도시와 설명의 편의를 위한 경우로 CCTV 카메라가 2대 이상인 경우에도 본 발명의 기술적 사상이 적용가능하다.
또한, 위 실시예에서 추적기들에 적용되는 평균이동 알고리즘은 객체의 색상에 의한 특징점들에 기반하였지만, 그 밖의 다른 특징점(예를 들면, 객체의 휘도나 에지에 의한 특징점)에 기반할 수도 있다.
더 나아가, 촬영되는 영상이 아닌 저장되어 있는 영상에 대한 객체 추출의 경우도 본 발명의 기술적 사상이 적용될 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110 : CCTV 카메라 120 : 관제 서버
130 : 영상 분석 서버 133 : 객체 추출 모듈
134 : 객체 추적 모듈 135 : 특징 추출 모듈
136 : 이벤트 추출 모듈 140 : 영상 DB
150 : 메타 데이터 DB 160 : 영상 검색 서버

Claims (8)

  1. 영상을 입력받는 단계;
    입력된 영상에서 객체를 추출하는 단계; 및
    추출된 객체에 대한 특징점들을 기반으로 ROI를 이동시키면서, 상기 추출된 객체를 추적하는 단계;를 포함하고,
    상기 추적단계는,
    상기 ROI의 중심을 상기 추출된 객체에 대한 특징점들의 무게 중심으로 이동시키면서, 상기 추출된 객체를 추적하되,
    상기 ROI의 중심에 가까운 특징점의 가중치를 상기 ROI의 중심에서 먼 특징점의 가중치 보다 크게 반영하여, 상기 무게 중심을 산출하는 것을 특징으로 하는 객체 추적 방법.
  2. 삭제
  3. 삭제
  4. 제 1항에 있어서,
    상기 특징점들은,
    상기 객체의 색상, 휘도 및 에지 중 적어도 하나를 기반으로 추출되는 것을 특징으로 하는 객체 추적 방법.
  5. 제 1항에 있어서,
    상기 추적단계는,
    상기 ROI의 이동량이 임계량 미만인 지점으로 이동할 때까지 상기 ROI를 이동시키는 것을 특징으로 하는 객체 추적 방법.
  6. 제 1항에 있어서,
    동일한 객체에 대해 다수의 추적기들이 실행된 경우, 추적 성공 횟수가 가장 높은 추적기를 제외한 나머지를 삭제하는 단계;를 더 포함하는 것을 특징으로 하는 객체 추적 방법.
  7. 제 1항에 있어서,
    상기 추출단계는,
    상기 입력된 영상에서 배경을 차감하여 객체를 추출하는 것을 특징으로 하는 객체 추적 방법.
  8. 영상을 입력받는 입력부; 및
    상기 입력부를 통해 입력된 영상에서 객체를 추출하고, 추출된 객체에 대한 특징점들을 기반으로 ROI를 이동시키면서 상기 추출된 객체를 추적하는 프로세서;를 포함하고,
    상기 프로세서는,
    상기 ROI의 중심을 상기 추출된 객체에 대한 특징점들의 무게 중심으로 이동시키면서, 상기 추출된 객체를 추적하되,
    상기 ROI의 중심에 가까운 특징점의 가중치를 상기 ROI의 중심에서 먼 특징점의 가중치 보다 크게 반영하여, 상기 무게 중심을 산출하는 것을 특징으로 하는 객체 추적 장치.
KR20130062749A 2013-05-31 2013-05-31 평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템 KR101492059B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20130062749A KR101492059B1 (ko) 2013-05-31 2013-05-31 평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20130062749A KR101492059B1 (ko) 2013-05-31 2013-05-31 평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20140141239A KR20140141239A (ko) 2014-12-10
KR101492059B1 true KR101492059B1 (ko) 2015-02-11

Family

ID=52458816

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20130062749A KR101492059B1 (ko) 2013-05-31 2013-05-31 평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템

Country Status (1)

Country Link
KR (1) KR101492059B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101698500B1 (ko) 2016-11-16 2017-02-01 (주)와이즈콘 지능형 감시카메라를 이용한 감시 시스템
CN110659566A (zh) * 2019-08-15 2020-01-07 重庆特斯联智慧科技股份有限公司 一种遮挡状态下的目标跟踪方法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101692504B1 (ko) 2015-05-21 2017-01-03 (주)와이즈콘 비콘 기반 지능형 영상 분석 시스템 및 방법
KR101885839B1 (ko) 2017-03-14 2018-08-06 중앙대학교 산학협력단 객체추적을 위한 특징점 선별 장치 및 방법
KR102271318B1 (ko) * 2017-11-28 2021-07-01 한국전자통신연구원 상호작용 이벤트 탐지 결과에 대한 신뢰도 평가 시스템 및 방법

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
D. Comaniciu et al., "Mean shift: A robust approach toward feature space analysis," IEEE Tr. Pattern Analysis and Machine Intelligence, vol.24, no.5, pp.603-619, May 2002. *
D. Comaniciu et al., "Mean shift: A robust approach toward feature space analysis," IEEE Tr. Pattern Analysis and Machine Intelligence, vol.24, no.5, pp.603-619, May 2002.*
임혜연, 박상준, 신진섭, 강대성, "특징점과 깊이지도를 이용한 실시간 객체 검출", 한국정보기술학회 2012년도 빅[Big]데이터 시대의 정보기술전략을 위한 워크숍, pp.139-143, 2012년 5월. *
임혜연, 박상준, 신진섭, 강대성, "특징점과 깊이지도를 이용한 실시간 객체 검출", 한국정보기술학회 2012년도 빅[Big]데이터 시대의 정보기술전략을 위한 워크숍, pp.139-143, 2012년 5월.*
장인태, 김동우, 송영준, 권혁봉, 안재형, "다중 카메라를 이용한 실시간 객체 추적 방법", 한국산업정보학회논문지, vol.17, no.4, pp.51-59, 2012년 8월. *
장인태, 김동우, 송영준, 권혁봉, 안재형, "다중 카메라를 이용한 실시간 객체 추적 방법", 한국산업정보학회논문지, vol.17, no.4, pp.51-59, 2012년 8월.*

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101698500B1 (ko) 2016-11-16 2017-02-01 (주)와이즈콘 지능형 감시카메라를 이용한 감시 시스템
CN110659566A (zh) * 2019-08-15 2020-01-07 重庆特斯联智慧科技股份有限公司 一种遮挡状态下的目标跟踪方法及系统

Also Published As

Publication number Publication date
KR20140141239A (ko) 2014-12-10

Similar Documents

Publication Publication Date Title
Yun et al. Vision‐based garbage dumping action detection for real‐world surveillance platform
US7825954B2 (en) Multi-state target tracking
Tian et al. Robust detection of abandoned and removed objects in complex surveillance videos
Feng et al. Challenges on large scale surveillance video analysis
Ferryman et al. Performance evaluation of crowd image analysis using the PETS2009 dataset
KR101062225B1 (ko) 감시 카메라를 이용한 지능형 영상 검색 방법 및 시스템
KR101492059B1 (ko) 평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템
Fradi et al. Spatio-temporal crowd density model in a human detection and tracking framework
Denman et al. Multi-spectral fusion for surveillance systems
Pareek et al. Re-projected SURF features based mean-shift algorithm for visual tracking
Nallasivam et al. Moving human target detection and tracking in video frames
Angelo A novel approach on object detection and tracking using adaptive background subtraction method
KR101826669B1 (ko) 동영상 검색 시스템 및 그 방법
Mendes et al. Vehicle Tracking and Origin-Destination Counting System for Urban Environment.
Almomani et al. Segtrack: A novel tracking system with improved object segmentation
Xu et al. Smart video surveillance system
Raval et al. Survey and analysis of human activity recognition in surveillance videos
Satybaldina et al. Development of an algorithm for abnormal human behavior detection in intelligent video surveillance system
Hassan et al. Crowd counting using deep learning based head detection
CN112907627B (zh) 实现小样本目标精准跟踪的系统、方法、装置、处理器及其计算机可读存储介质
CN117474947A (zh) 用于目标跟踪的方法、装置和存储介质
Foggia et al. A Method for Detecting Long Term Left Baggage based on Heat Map.
Ahmed et al. Object Motion Tracking and Detection in Surveillance Videos using Resnet Architecture
Fomin et al. Research on Neural Networks Integration for Object Classification in Video Analysis Systems
Appiah et al. Real-Time Motion Detection and Surveillance using Approximation of Image Pre-processing Algorithms

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: 20180423

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20200218

Year of fee payment: 6