KR101834084B1 - 다중 객체 추적 방법 및 장치 - Google Patents

다중 객체 추적 방법 및 장치 Download PDF

Info

Publication number
KR101834084B1
KR101834084B1 KR1020160113911A KR20160113911A KR101834084B1 KR 101834084 B1 KR101834084 B1 KR 101834084B1 KR 1020160113911 A KR1020160113911 A KR 1020160113911A KR 20160113911 A KR20160113911 A KR 20160113911A KR 101834084 B1 KR101834084 B1 KR 101834084B1
Authority
KR
South Korea
Prior art keywords
object model
foreground
samples
denotes
input frame
Prior art date
Application number
KR1020160113911A
Other languages
English (en)
Inventor
김원준
문성원
남도원
김호원
Original Assignee
건국대학교 산학협력단
한국전자통신연구원
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 건국대학교 산학협력단, 한국전자통신연구원 filed Critical 건국대학교 산학협력단
Priority to KR1020160113911A priority Critical patent/KR101834084B1/ko
Application granted granted Critical
Publication of KR101834084B1 publication Critical patent/KR101834084B1/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
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

다중 객체 추적 방법 및 장치가 개시된다. 일 실시예에 따른 객체 추적 방법은 입력 프레임의 전경을 이용하여 추적하고자 하는 객체 모델에 근접하는 하나 이상의 전경 영역을 샘플링함으로써 상기 하나 이상의 전경 영역과 상기 객체 모델 사이의 유사도를 분석하는 단계와, 상기 분석 결과에 기초하여 상기 객체 모델의 상태를 업데이트하는 단계를 포함한다.

Description

다중 객체 추적 방법 및 장치{METHOD AND DEVICE FOR TRACKING MULTIPLE OBJECTS}
아래 실시예들은 다중 객체 추적 방법 및 장치에 관한 것이다.
영상 추적은 컴퓨터 비전에서 중요한 연구 영역 중 하나이다. 객체의 정확한 추적이 요구되는 컴퓨터 비전의 응용 분야는 비디오 감시, 증강 현실, 인간-컴퓨터 상호작용, 비디오 분석 등을 포함한다.
기존의 방법으로, 객체 추적은 일반적으로 결정론적 접근법 또는 확률론적 접근법 중 하나에 기초한다. 방법론적 접근법은 계산적으로 효율적이나, 배경 산란, 반사파, 가림과 같은 컴퓨터 영상 특성들에 민감하다. 만일, 타겟 객체가 정확히 추적되지 않으면 추적 메커니즘은 실패를 복구할 수 없다. 확률론적 접근법은 타겟 객체의 확률적 분포의 시계열 추정 및 예측에 사용된다.
실시예들은 객체 모델과 가까운 하나 이상의 이웃 전경 영역을 샘플링하여 하나 이상의 전경 영역과 객체 모델 사이의 유사도를 분석하는 기술을 제공할 수 있다.
또한, 실시예들은 분석한 결과를 바탕으로 객체 모델의 상태를 업데이트함으로써, 객체 모델 간 병합 및 분리와 같은 상태 변화에 대한 별도의 고려 없이 강인한 객체 추적 기술을 제공할 수 있다.
일 실시예에 따른 객체 추적 방법은 입력 프레임의 전경을 이용하여 추적하고자 하는 객체 모델에 근접하는 하나 이상의 전경 영역을 샘플링함으로써 상기 하나 이상의 전경 영역과 상기 객체 모델 사이의 유사도를 분석하는 단계와, 상기 분석 결과에 기초하여 상기 객체 모델의 상태를 업데이트하는 단계를 포함할 수 있다.
상기 방법은 상기 입력 프레임으로부터 상기 전경을 검출하는 단계와, 연결 성분 분석(connected component analysis)을 통해 상기 전경에 포함된 복수의 전경 영역들의 공간 거리를 획득하는 단계와, 상기 획득한 공간 거리에 기초하여 상기 복수의 전경 영역들 중에서 상기 객체 모델과 공간 거리가 가까운 상기 하나 이상의 전경 영역을 선택하는 단계를 더 포함할 수 있다.
상기 분석하는 단계는 상기 객체 모델에 대응하는 샘플 박스를 이용하여 상기 하나 이상의 전경 영역에 대응하는 레이블 박스 내에서 샘플들을 샘플링하여 상기 샘플들 중에서 상기 객체 모델과 유사하여 매칭되는 매칭 샘플들을 결정하는 단계를 포함할 수 있다.
상기 업데이트하는 단계는 상기 매칭 샘플들을 이용하여 상기 객체 모델의 상태의 각 성분을 온라인 근사(online approximation)을 통해 업데이트하는 단계를 포함하고, 상기 각 성분은 상기 객체 모델의 중심 위치(center position), 속도(velocity), 스케일(scale), 및 컬러를 포함할 수 있다.
상기 객체 모델의 현재 위치는 상기 객체 모델의 중심 위치에 상기 입력 프레임 내 모든 객체의 모션들의 평균 값이 반영되어 업데이트될 수 있다.
상기 방법은 초기 프레임을 이용하여 상기 객체 모델을 초기화하는 단계를 더 포함할 수 있다.
상기 검출하는 단계는 차영상(frame difference)의 에지 정보를 이용하여 상기 입력 프레임으로부터 상기 전경을 검출하는 단계를 포함할 수 있다.
상기 분석하는 단계와 상기 업데이트하는 단계는 매 프레임마다 반복될 수 있다.
일 실시예에 따른 객체 추적 장치는 입력 프레임을 수신하는 수신기와, 입력 프레임의 전경을 이용하여 추적하고자 하는 객체 모델에 근접하는 하나 이상의 전경 영역을 샘플링함으로써 상기 하나 이상의 전경 영역과 상기 객체 모델 사이의 유사도를 분석하고, 상기 분석 결과에 기초하여 상기 객체 모델의 상태를 업데이트하는 컨트롤러를 포함할 수 있다.
상기 컨트롤러는 상기 입력 프레임으로부터 상기 전경을 검출하는 추출기와, 연결 성분 분석(connected component analysis)을 통해 상기 전경에 포함된 복수의 전경 영역들의 공간 거리를 획득하고, 상기 획득한 공간 거리에 기초하여 상기 복수의 전경 영역들 중에서 상기 객체 모델과 공간 거리가 가까운 상기 하나 이상의 전경 영역을 선택하는 분석기를 포함할 수 있다.
상기 분석기는 상기 객체 모델에 대응하는 샘플 박스를 이용하여 상기 하나 이상의 전경 영역에 대응하는 레이블 박스 내에서 샘플들을 샘플링하여 상기 샘플들 중에서 상기 객체 모델과 유사하여 매칭되는 매칭 샘플들을 결정할 수 있다.
상기 분석기는 상기 매칭 샘플들을 이용하여 상기 객체 모델의 상태의 각 성분을 온라인 근사(online approximation)을 통해 업데이트하고, 상기 각 성분은 상기 객체 모델의 중심 위치(center position), 속도(velocity), 스케일(scale), 및 컬러를 포함할 수 있다.
상기 객체 모델의 현재 위치는 상기 객체 모델의 중심 위치에 상기 입력 프레임 내 모든 객체의 모션들의 평균 값이 반영되어 업데이트될 수 있다.
상기 추출기는 초기 프레임을 이용하여 상기 객체 모델을 초기화할 수 있다.
상기 추출기는 차영상(frame difference)의 에지 정보를 이용하여 상기 입력 프레임으로부터 상기 전경을 검출할 수 있다.
도 1은 일 실시예에 따른 객체 추적 장치의 개략적인 블록도이다.
도 2는 도 1의 컨트롤러의 개략적인 블록도이다.
도 3은 도 2에 도시된 컨트롤러의 다중 객체 추적 동작을 설명하기 위한 개념도이다.
도 4는 공간 거리를 이용하여 객체 모델에 근접하는 하나 이상의 전경 영역을 선택하여 이웃 전경 세트를 생성하는 동작을 설명하기 위한 도면이다.
도 5a는 전경 영역 내 샘플들에 대한 샘플링 동작을 상세하게 설명하기 위한 개념도이다.
도 5b는 도 5a에 도시된 샘플 박스와 레이블 박스가 프레임의 전경 영역의 에 적용되어 샘플링 동작이 수행되는 일 예를 나타낸다.
도 6은 프레임의 전경 영역 내 샘플들에 대한 샘플링 동작이 수행되어 매칭 샘플들이 결정되는 일 예를 설명하기 위한 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어를 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따른 객체 추적 장치의 개략적인 블록도이고, 도 2는 도 1의 컨트롤러의 개략적인 블록도이고, 도 3은 도 2에 도시된 컨트롤러의 다중 객체 추적 동작을 설명하기 위한 개념도이다.
도 1 및 도 2를 참조하면, 객체 추적 장치(100)는 수신기(receiver; 110) 및 컨트롤러(controller; 130)를 포함할 수 있다. 객체 추적 장치(object tracking device; 100)는 복수의 프레임들을 수신하고, 복수의 프레임들을 처리할 수 있다. 객체 추적 장치 (100)는 복수의 프레임들을 분석하여 실시간으로 이미지 내 복수의 객체들을 추적할 수 있다. 즉, 객체 추적 장치(100)는 다중 객체를 실시간으로 추적할 수 있다.
일 예로, 객체 추적 장치(100)는 PC(personal computer), 데이터 서버, 또는 휴대용 장치로 구현될 수 있다. 휴대용 장치는 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 디지털 스틸 카메라(digital still camera), 디지털 비디오 카메라(digital video camera), 캠코더(camcorder), PMP(portable multimedia player), PND(personal navigation device 또는 portable navigation device), TV(television), 휴대용 게임 콘솔(handheld game console), e-북(e-book), 내비게이션 장치(navigation device) 또는 스마트 디바이스(smart device)로 구현될 수 있다. 스마트 디바이스는 스마트 와치(smart watch) 또는 스마트 밴드(smart band)로 구현될 수 있다.
다른 예로, 객체 추적 장치(100)는 마더보드(motherboard)와 같은 인쇄 회로 기판(printed circuit board(PCB)), 집적 회로(integrated circuit(IC)), 또는 SoC(system on chip)로 구현될 수 있다. 예를 들어, 객체 추적 장치(100)는 애플리케이션 프로세서(application processor)일 수 있다.
수신기(110)는 복수의 프레임들을 수신할 수 있다. 예를 들어, 복수의 프레임들은 촬영 장치(미도시)를 통해 촬영된 프레임들을 의미할 수 있다. 촬영 장치는 이미지 센서를 포함하는 카메라일 수 있으며, 이에 한정되지 않으며 객체를 촬영하여 이미지를 생성하는 모든 장치를 의미할 수 있다. 수신기(110)는 복수의 프레임들을 컨트롤러(130)로 전송할 수 있다.
컨트롤러(150)는 객체 추적 장치(100)의 전반적인 동작을 제어할 수 있다. 컨트롤러(150)는 수신기(110)의 동작을 제어할 수 있다. 예를 들어, 컨트롤러(150)는 마더보드(motherboard)와 같은 인쇄 회로 기판(printed circuit board(PCB)), 집적 회로(integrated circuit(IC)), 또는 SoC(system on chip)로 구현될 수 있다. 컨트롤러(150)는 애플리케이션 프로세서(application processor)일 수 있다.
컨트롤러(150)는 수신기(110)로부터 전송된 복수의 프레임들을 처리하여 하나 이상의 객체 모델을 추적할 수 있다. 즉, 컨트롤러(150)는 복수의 객체 모델들을 동시에 추적할 수 있다. 또한, 컨트롤러(150)는 하나 이상의 객체 모델을 온라인 근사(online approximation)를 통해 업데이트할 수 있다.
추출기(133)는 복수의 프레임들을 순차적으로 수신할 수 있다. 추출기(133)는 순차적으로 수신하는 프레임으로부터 객체 모델을 초기화하거나 전경을 검출할 수 있다.
추출기(133)는 초기 프레임을 이용하여 추적하고나 하는 하나 이상의 객체 모델을 초기화할 수 있다(S310). 객체 모델은 적어도 하나의 객체를 포함할 수 있다. 객체는 움직이는 대상을 의미할 수 있다.
즉, 추출기(133)는 초기 프레임으로부터 객체 모델을 추출할 수 있다. 이때, 객체 모델에 대한 상태는 수학식 1과 같이 표현될 수 있다.
Figure 112016086414970-pat00001
여기서, S는 객체 모델을 의미하고, i는 객체 모델의 인덱스를 의미할 수 있다.
Figure 112016086414970-pat00002
는 중심 위치(center position)를 의미하고,
Figure 112016086414970-pat00003
는 속도(velocity)를 의미하고,
Figure 112016086414970-pat00004
는 스케일(scale)을 의미하고,
Figure 112016086414970-pat00005
는 컬러, 예를 들어 평균 RGB 컬러를 의미할 수 있다. 즉, 객체 모델의 대한 상태는 중심 위치, 속도, 스케일 및 컬러에 대한 성분을 포함할 수 있다.
추출기(133)는 추적하고나 하는 하나 이상의 객체 모델을 분석기(135)로 출력할 수 있다.
또한, 추출기(133)는 매 프레임마다 프레임으로부터 전경(foreground)을 검출할 수 있다(S320). 예를 들어, 추출기(133)는 프레임으로부터 배경(background)을 차감(subtraction)하여 전경을 검출할 수 있다. 이때, 추출기(133)는 차영상(frame difference)의 에지 정보를 이용하여 프레임으로부터 전경을 검출할 수 있다. 이로 인해, 추출기(133)는 전경 분리시 배경 노이즈가 많이 나오는 것을 효과적으로 없앨 수 있다.
전경은 복수의 전경 영역들을 포함할 수 있다. 복수의 전경 영역들 각각은 적어도 하나의 객체를 포함할 수 있다. 복수의 전경 영역들 각각에 대한 상태도 수학식 2와 같이 표현될 수 있다.
Figure 112016086414970-pat00006
여기서, O는 객체 모델과 비교하기 위한 관찰 대상이 되는 전경 영역을 의미하고, i는 전경 영역의 인덱스를 의미할 수 있다.
추출기(133)는 추적하고나 하는 객체 모델과 함께 프레임으로부터 추출된 전경을 분석기(135)로 출력할 수 있다. 이때, 추출기(133)는 매 프레임별로 프레임으로부터 검출되는 전경을 분석기(135)로 출력할 수 있다.
분석기(135)는 프레임의 전경을 이용하여 추적하고자 하는 객체 모델에 근접하는 하나 이상의 전경 영역을 샘플링함으로써 하나 이상의 전경 영역과 객체 모델 사이의 유사도를 분석할 수 있다. 분석기(135)는 분석 결과에 기초하여 객체 모델의 상태를 업데이트할 수 있다.
우선, 분석기(135)는 전경에 포함된 복수의 전경 영역들에 대해 연결 성분 분석(connected component analysis)를 수행할 수 있다(S330). 이에, 분석기(135)는 복수의 전경 영역들의 공간 거리를 획득할 수 있다.
분석기(135)는 획득한 공간 거리에 기초하여 복수의 전경 영역들 중에서 객체 모델과 공간 거리가 가까운 하나 이상의 전경 영역을 선택할 수 있다(S340).
예를 들어, 분석기(135)는 획득한 공간 거리를 이용하여 객체 모델과 복수의 전경 영역들 사이의 공간 거리를 계산할 수 있다. 객체 모델과 복수의 전경 영역들 사이의 공간 거리는 수학식 3을 통해 계산될 수 있다.
Figure 112016086414970-pat00007
여기서, D는 객체 모델과 전경 영역의 공간 거리를 의미할 수 있다. 또한, t는 프레임의 인덱스를 의미하고, i는 객체 모델의 인덱스를 의미하고, j는 전경 영역의 인덱스를 의미할 수 있다.
수학식 4와 같이, 분석기(135)는 계산된 객체 모델과 복수의 전경 영역들 사이의 거리와 설정된 임계값을 비교하여 객체 모델과 가까운 하나 이상의 이웃 전경 영역을 포함하는 이웃 전경 세트
Figure 112016086414970-pat00008
를 생성할 수 있다.
Figure 112016086414970-pat00009
분석기(135)는 객체 모델과 가까운 하나 이상의 이웃 전경 영역을 샘플링하여 하나 이상의 전경 영역과 객체 모델 사이의 유사도를 분석할 수 있다(S350). 예를 들어, 분석기(135)는 하나 이상의 이웃 전경 여역 내에서 샘플들을 샘플링하여 샘플들 중에서 객체 모델과 유사하여 매칭되는 매칭 샘플들을 결정할 수 있다.
예를 들어, 분석기(135)는 객체 모델과 샘플에 대한 코스트 함수 값을 계산할 수 있다. 코스트 함수 값
Figure 112016086414970-pat00010
은 수학식 5를 통해 계산될 수 있다.
Figure 112016086414970-pat00011
여기서, t는 프레임의 인덱스를 의미하고, i는 객체 모델의 인덱스를 의미하고, q는 샘플의 인덱스를 의미할 수 있다. Di,q는 i번째 객체 모델과 q번째 샘플 사이의 공간 거리를 의미하고, Ci,q는 i번째 객체 모델과 q번째 샘플 사이의 컬러 거리를 의미할 수 있다. 또한, N은 i번째 객체 모델과 q번째 샘플 사이에 중첩되는 픽셀의 수를 의미할 수 있다. N을 고려하는 것은 객체 모델과 중첩되는 전경 영역이 얼마 되지 않지만 거리가 가깝고 컬러가 유사할 수 있는 경우가 있어 이러한 경우를 배제하기 위한 것이다.
이때, 객체 모델이 스포츠 경기에서 사용되는 볼인 경우에는, 분석기(135)는 객체 모델과 샘플에 대한 코스트 함수 값을 계산할 수 있다. 볼과 샘플에 대한 코스트 함수 값
Figure 112016086414970-pat00012
은 수학식 6을 통해 계산될 수 있다.
Figure 112016086414970-pat00013
여기서, B는 볼의 인덱스를 의미한다. 볼은 기본적으로 작기 때문에, 배경과 분리 시에는 도메인 날리지(domain knowledge)가 적용될 필요가 있다. 이에, 객체 모델이 볼인 경우에는 크기 합법화(size regularizer)를 고려한 코스트 함수가 고려될 수 있다.
분석기(135)는 계산된 코스트 함수 값을 이용하여 매칭 샘플들을 결정할 수 있다. 이때, 분석기(135)는 수학식 7을 이용하여 매칭 샘플들을 결정할 수 있다.
Figure 112016086414970-pat00014
여기서, M은 매칭 샘플을 의미할 수 있다.
분석기(135)는 매칭 샘플들을 이용하여 객체 모델의 상태의 각 성분을 업데이트할 수 있다(S360). 객체 모델의 상태가 업데이트됨으로써 객체 모델은 추적될 수 있다.
즉, 분석기(135)가 객체 모델과 가까운 하나 이상의 이웃 전경 영역을 샘플링하여 하나 이상의 전경 영역과 객체 모델 사이의 유사도를 분석한 결과를 바탕으로 객체 모델의 상태를 업데이트함으로써, 객체 모델 간 병합 및 분리와 같은 상태 변화에 대한 별도의 고려 없이 강인한 객체 추적이 가능할 수 있다.
객체 모델에 대한 상태의 각 성분은 매칭 샘플들이 고려되어 업데이트될 수 있다. 객체 모델에 대한 상태의 속도는 수학식 8과 같이 업데이트될 수 있다.
Figure 112016086414970-pat00015
객체 모델에 대한 상태의 스케일은 수학식 9와 같이 업데이트될 수 있다.
Figure 112016086414970-pat00016
객체 모델에 대한 상태의 컬러는 수학식 10과 같이 업데이트될 수 있다.
Figure 112016086414970-pat00017
여기서,
Figure 112016086414970-pat00018
,
Figure 112016086414970-pat00019
, 및
Figure 112016086414970-pat00020
은 학습률(learning rate)을 의미할 수 있다.
이때, 객체 모델에 대한 상태의 중심 위치, 즉 현재 위치는 글로벌 모션(global motion), 예를 들어 프레임 내 모든 객체의 모션들의 평균 값이 반영되어 업데이트될 수 있다.
글로벌 모션은 수학식 11과 같이 표현될 수 있다.
Figure 112016086414970-pat00021
이에, 객체 모델의 현재 위치는 수학식 12와 같이 업데이트될 수 있다.
Figure 112016086414970-pat00022
글로벌 모션, 영상 내 모든 객체의 움직임을 고려함으로써, 객체 모델의 움직임의 급격한 변화(예를 들어, 축구 영상에서 선수의 급격한 방향 전환 등)가 반영될 수 있다.
분석기(135)는 객체 모델의 상태의 각 성분을 온라인 근사(online approximation)을 통해 업데이트할 수 있으며, 이를 통해 객체 추적 과정에서 발생할 수 있는 객체 모델의 외형 변화(예를 들어, 조명에 의한 색상 변화, 다른 객체의 한 가려짐 등)을 효과적으로 극복할 수 있다.
이하에서는 객체 추정 장치(100)의 객체 모델에 근접하는 하나 이상의 전경 영역을 선택하는 동작 및 샘플링 동작에 대해서 상세히 설명한다.
도 4는 공간 거리를 이용하여 객체 모델에 근접하는 하나 이상의 전경 영역을 선택하여 이웃 전경 세트를 생성하는 동작을 설명하기 위한 도면이다.
도 4를 참조하면, 추출기(133)는 t번째 프레임을 이용하여 추적하고나 하는 객체 모델들
Figure 112016086414970-pat00023
,
Figure 112016086414970-pat00024
,
Figure 112016086414970-pat00025
을 추출할 수 있다. 추출기(133)는 t+1번째 프레임으로부터 복수의 전경 영역들
Figure 112016086414970-pat00026
,
Figure 112016086414970-pat00027
,
Figure 112016086414970-pat00028
을 포함하는 전경을 검출할 수 있다.
분석기(135)는 복수의 전경 영역들
Figure 112016086414970-pat00029
,
Figure 112016086414970-pat00030
,
Figure 112016086414970-pat00031
에 대해 연결 성분 분석(connected component analysis)를 수행하여 복수의 전경 영역들
Figure 112016086414970-pat00032
,
Figure 112016086414970-pat00033
,
Figure 112016086414970-pat00034
에 대해 의 공간 거리를 획득할 수 있다.
이후에, 분석기(135)는 획득한 공간 거리를 이용하여 수학식 3을 통해 객체 모델
Figure 112016086414970-pat00035
과 복수의 전경 영역들
Figure 112016086414970-pat00036
,
Figure 112016086414970-pat00037
,
Figure 112016086414970-pat00038
사이의 공간 거리를 계산할 수 있다
이후에, 분석기(135)는 수학식 4를 이용하여 계산된 객체 모델
Figure 112016086414970-pat00039
과 복수의 전경 영역들
Figure 112016086414970-pat00040
,
Figure 112016086414970-pat00041
,
Figure 112016086414970-pat00042
사이의 거리와 설정된 임계값을 비교함으로써 객체 모델
Figure 112016086414970-pat00043
과 가까운 하나 이상의 이웃 전경 영역
Figure 112016086414970-pat00044
,
Figure 112016086414970-pat00045
을 포함하는 이웃 전경 세트
Figure 112016086414970-pat00046
를 생성할 수 있다.
분석기(3)는 나머지 객체 모델
Figure 112016086414970-pat00047
,
Figure 112016086414970-pat00048
에 대해서도 상술한 과정을 통해 이웃 전경 세트를 생성할 수 있다.
도 5a는 전경 영역 내 샘플들에 대한 샘플링 동작을 상세하게 설명하기 위한 개념도이고, 도 5b는 도 5a에 도시된 샘플 박스와 레이블 박스가 프레임의 전경 영역의 에 적용되어 샘플링 동작이 수행되는 일 예를 나타낸다.
도 5a 및 도 5b를 참조하면, 분석기(135)는 객체 모델과 공간 거리가 가까운 하나 이상의 전경 영역에 샘플링 동작을 수행할 수 있다. 이때, 분석기(135)는 객체 모델에 대응하는 샘플 박스(P)와 전경 영역에 대응하는 레이블 박스를 이용할 수 있다.
샘플링 동작을 위해, 분석기(135)는 전경 영역의 위치(또는 위치 정보)의 최소값 및 최대값을 이용하여 레이블 박스를 정의할 수 있다. 예를 들어, 전경 영역의 위치는 전경 영역에 포함된 적어도 하나의 객체의 위치일 수 있다. 또한, 분석기(135)는 객체 모델의 스케일(또는 스케일 정보)을 이용하여 샘플 박스(P)를 정의할 수 있다.
이후에, 분석기(135)는 레이블 박스 내 객체 모델과 매칭되는 매칭 샘플들을 검출하기 위해 샘플 박스(P)를 이용하여 레이블 박스 내에서 샘플들(q)을 샘플링할 수 있다.
도 5b에 도시된 바와 같이, 분석기(135)는 3개의 객체가 중첩된 전경 영역에 레이블 박스를 정의하고, 객체 모델에 대응하는 샘플 박스를 레이블 박스 내에서 순차적으로 이동하여 샘플들(q)을 샘플링할 수 있다. 즉, 분석기(135)는 전경 영역에 복수의 객체들이 중첩된 경우에도 레이블 박스와 샘플 박스를 이용하여 효율적으로 샘플링 동작을 수행할 수 있다.
도 6은 프레임의 전경 영역 내 샘플들에 대한 샘플링 동작이 수행되어 매칭 샘플들이 결정되는 일 예를 설명하기 위한 도면이다. 도 6에서는 도 4에서 설명한 바와 같이 추출기(133)가 t번째 프레임으로부터 전경을 추출하고, 분석기(135)가 3번째 객체 모델
Figure 112016086414970-pat00049
을 추적하고 있는 것으로 가정한다.
도 6을 참조하면, 3번째 객체 모델
Figure 112016086414970-pat00050
을 추적하기 위해, 분석기(135)는 3번째 객체 모델
Figure 112016086414970-pat00051
과 가까운 두 개의 전경 영역들
Figure 112016086414970-pat00052
과
Figure 112016086414970-pat00053
을 포함하는 이웃 전경 세트
Figure 112016086414970-pat00054
를 샘플링할 수 있다.
분석기(135)는 전경 영역의 인덱스를 고려하여 전경 영역
Figure 112016086414970-pat00055
을 샘플링하고, 전경 영역
Figure 112016086414970-pat00056
을 샘플링할 수 있지만, 순서에 상관치 않고 전경 영역
Figure 112016086414970-pat00057
, 전경 영역
Figure 112016086414970-pat00058
순으로 샘플링할 수 있다.
분석기(135)는 전경 영역
Figure 112016086414970-pat00059
의 위치의 최소값 및 최대값을 이용하여 레이블 박스를 정의하고, 추적하고자 하는 3번째 객체 모델
Figure 112016086414970-pat00060
에 대응되는 샘플 박스를 이용하여 전경 영역
Figure 112016086414970-pat00061
에 대응하는 레이블 박스 내에서 샘플들을 샘플링할 수 있다.
전경 영역
Figure 112016086414970-pat00062
에 샘플링 동작을 수행하는 동안, 분석기(135)는 수학식 5와 수학식 6을 이용하여 전경 영역
Figure 112016086414970-pat00063
에 대응하는 레이블 박스 내에서 샘플들 중에서 3번째 객체 모델
Figure 112016086414970-pat00064
에 유사하여 매칭되는 매칭 샘플들을 결정할 수 있다. 도 6에 도시된 바와 같이, 샘플링을 통해 전경 영역
Figure 112016086414970-pat00065
에 대응하는 레이블 박스 내 매칭 샘플들이 없다고 결정된 경우, 분석기(135)는 3번째 객체 모델
Figure 112016086414970-pat00066
과 전경 영역
Figure 112016086414970-pat00067
사이에 유사도가 작다고 판단하여 3번째 객체 모델
Figure 112016086414970-pat00068
을 추적하는데 전경 영역
Figure 112016086414970-pat00069
을 이용하지 않을 수 있다.
분석기(135)는 전경 영역
Figure 112016086414970-pat00070
의 위치의 최소값 및 최대값을 이용하여 레이블 박스를 정의하고, 추적하고자 하는 3번째 객체 모델
Figure 112016086414970-pat00071
에 대응되는 샘플 박스를 이용하여 전경 영역
Figure 112016086414970-pat00072
에 대응하는 레이블 박스 내에서 샘플들을 샘플링할 수 있다.
전경 영역
Figure 112016086414970-pat00073
에 샘플링 동작을 수행하는 동안, 분석기(135)는 수학식 5와 수학식 6을 이용하여 전경 영역
Figure 112016086414970-pat00074
에 대응하는 레이블 박스 내에서 샘플들 중에서 3번째 객체 모델
Figure 112016086414970-pat00075
에 유사하여 매칭되는 매칭 샘플들을 결정할 수 있다. 도 6에 도시된 바와 같이, 샘플링을 통해 전경 영역
Figure 112016086414970-pat00076
에 대응하는 레이블 박스 내에서는 매칭 샘플들이 있다고 결정된 경우, 분석기(135)는 샘플링을 통해 3번째 객체 모델
Figure 112016086414970-pat00077
과 전경 영역
Figure 112016086414970-pat00078
사이에 유사도가 크다고 판단하여 3번째 객체 모델
Figure 112016086414970-pat00079
을 추적하는데 전경 영역
Figure 112016086414970-pat00080
을 이용할 수 있다. 이때, 분석기(135)는 3번째 객체 모델
Figure 112016086414970-pat00081
을 추적하는데 전경 영역
Figure 112016086414970-pat00082
에 대응하는 레이블 박스 내의 매칭 샘플들을 이용할 수 있다.
상술한 바와 같이, 분석기(135)가 객체 모델과 가까운 하나 이상의 이웃 전경 영역을 샘플링하여 하나 이상의 전경 영역과 객체 모델 사이의 유사도를 분석한 결과를 바탕으로 객체 모델의 상태를 업데이트함으로써, 객체 모델 간 병합 및 분리와 같은 상태 변화에 대한 별도의 고려 없이 강인한 객체 추적이 가능할 수 있다
도 7은 도 1에 도시된 컨트롤러의 객체 추적 동작을 설명하기 위한 플로우 차트이다.
도 7을 참조하면, 컨트롤러(130)는 입력 프레임의 전경을 이용하여 추적하고자 하는 객체 모델에 근접하는 하나 이상의 전경 영역을 샘플링함으로써 하나 이상의 전경 영역과 객체 모델 사이의 유사도를 분석할 수 있다(S710).
컨트롤러(130)는 분석 결과에 기초하여 객체 모델의 상태를 업데이트할 수 있다(S730).
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (17)

  1. 입력 프레임의 전경을 이용하여 추적하고자 하는 객체 모델에 근접하는 하나 이상의 전경 영역을 샘플링함으로써 상기 하나 이상의 전경 영역과 상기 객체 모델 사이의 유사도를 분석하는 단계;
    상기 분석 결과에 기초하여 상기 객체 모델의 상태를 업데이트하는 단계;
    상기 입력 프레임으로부터 상기 전경을 검출하는 단계;
    연결 성분 분석(connected component analysis)을 통해 상기 전경에 포함된 복수의 전경 영역들의 공간 거리를 획득하는 단계; 및
    상기 획득한 공간 거리에 기초하여 상기 복수의 전경 영역들 중에서 상기 객체 모델과 공간 거리가 가까운 상기 하나 이상의 전경 영역을 선택하는 단계
    를 포함하는 객체 추적 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 분석하는 단계는,
    상기 객체 모델에 대응하는 샘플 박스를 이용하여 상기 하나 이상의 전경 영역에 대응하는 레이블 박스 내에서 샘플들을 샘플링하여 상기 샘플들 중에서 상기 객체 모델과 유사하여 매칭되는 매칭 샘플들을 결정하는 단계
    를 포함하는 객체 추적 방법.
  4. 제3항에 있어서,
    상기 결정하는 단계는,
    하기 수학식을 이용하여 상기 매칭 샘플들을 결정하는 단계
    를 포함하는 객체 추적 방법.
    [수학식]
    Figure 112016086414970-pat00083

    여기서, M은 매칭 샘플을 의미하고, t는 상기 입력 프레임의 인덱스를 의미하고, i는 상기 객체 모델의 인덱스를 의미하고, q는 상기 샘플들의 인덱스를 의미하고, W는 함수 값을 의미하고, Di,q는 i번째 객체 모델과 q번째 샘플 사이의 공간 거리를 의미하고, Ci,q는 i번째 객체 모델과 q번째 샘플 사이의 컬러 거리를 의미하고, N은 i번째 객체 모델과 q번째 샘플 사이에 중첩되는 픽셀의 수를 의미함.
  5. 제3항에 있어서,
    상기 업데이트하는 단계는,
    상기 매칭 샘플들을 이용하여 상기 객체 모델의 상태의 각 성분을 온라인 근사(online approximation)을 통해 업데이트하는 단계
    를 포함하고,
    상기 각 성분은 상기 객체 모델의 중심 위치(center position), 속도(velocity), 스케일(scale), 및 컬러를 포함하는 객체 추적 방법.
  6. 제5항에 있어서,
    상기 객체 모델의 현재 위치는 상기 객체 모델의 중심 위치에 상기 입력 프레임 내 모든 객체의 모션들의 평균 값이 반영되어 업데이트되는 객체 추적 방법.
  7. 제1항에 있어서,
    초기 프레임을 이용하여 상기 객체 모델을 초기화하는 단계
    를 더 포함하는 객체 추적 방법.
  8. 제1항에 있어서,
    상기 검출하는 단계는,
    차영상(frame difference)의 에지 정보를 이용하여 상기 입력 프레임으로부터 상기 전경을 검출하는 단계
    를 포함하는 객체 추적 방법.
  9. 제1항에 있어서,
    상기 분석하는 단계와 상기 업데이트하는 단계는 매 프레임마다 반복되는 객체 추적 방법.
  10. 입력 프레임을 수신하는 수신기; 및
    입력 프레임의 전경을 이용하여 추적하고자 하는 객체 모델에 근접하는 하나 이상의 전경 영역을 샘플링함으로써 상기 하나 이상의 전경 영역과 상기 객체 모델 사이의 유사도를 분석하고, 상기 분석 결과에 기초하여 상기 객체 모델의 상태를 업데이트하는 컨트롤러
    를 포함하고,
    상기 컨트롤러는,
    상기 입력 프레임으로부터 상기 전경을 검출하는 추출기; 및
    연결 성분 분석(connected component analysis)을 통해 상기 전경에 포함된 복수의 전경 영역들의 공간 거리를 획득하고, 상기 획득한 공간 거리에 기초하여 상기 복수의 전경 영역들 중에서 상기 객체 모델과 공간 거리가 가까운 상기 하나 이상의 전경 영역을 선택하는 분석기
    를 포함하는 객체 추적 장치.
  11. 삭제
  12. 제10항에 있어서,
    상기 분석기는,
    상기 객체 모델에 대응하는 샘플 박스를 이용하여 상기 하나 이상의 전경 영역에 대응하는 레이블 박스 내에서 샘플들을 샘플링하여 상기 샘플들 중에서 상기 객체 모델과 유사하여 매칭되는 매칭 샘플들을 결정하는 객체 추적 장치.
  13. 제12항에 있어서,
    상기 분석기는,
    하기 수학식을 이용하여 상기 매칭 샘플들을 결정하는 객체 추적 장치.
    [수학식]
    Figure 112016086414970-pat00084

    여기서, M은 매칭 샘플을 의미하고, t는 상기 입력 프레임의 인덱스를 의미하고, i는 상기 객체 모델의 인덱스를 의미하고, q는 상기 샘플들의 인덱스를 의미하고, W는 함수 값을 의미하고, Di,q는 i번째 객체 모델과 q번째 샘플 사이의 공간 거리를 의미하고, Ci,q는 i번째 객체 모델과 q번째 샘플 사이의 컬러 거리를 의미하고, N은 i번째 객체 모델과 q번째 샘플 사이에 중첩되는 픽셀의 수를 의미함.
  14. 제12항에 있어서,
    상기 분석기는,
    상기 매칭 샘플들을 이용하여 상기 객체 모델의 상태의 각 성분을 온라인 근사(online approximation)을 통해 업데이트하고,
    상기 각 성분은 상기 객체 모델의 중심 위치(center position), 속도(velocity), 스케일(scale), 및 컬러를 포함하는 객체 추적 장치.
  15. 제14항에 있어서,
    상기 객체 모델의 현재 위치는 상기 객체 모델의 중심 위치에 상기 입력 프레임 내 모든 객체의 모션들의 평균 값이 반영되어 업데이트되는 객체 추적 장치.
  16. 제10항에 있어서,
    상기 추출기는,
    초기 프레임을 이용하여 상기 객체 모델을 초기화하는 객체 추적 장치.
  17. 제10항에 있어서,
    상기 추출기는,
    차영상(frame difference)의 에지 정보를 이용하여 상기 입력 프레임으로부터 상기 전경을 검출하는 객체 추적 장치.
KR1020160113911A 2016-09-05 2016-09-05 다중 객체 추적 방법 및 장치 KR101834084B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160113911A KR101834084B1 (ko) 2016-09-05 2016-09-05 다중 객체 추적 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160113911A KR101834084B1 (ko) 2016-09-05 2016-09-05 다중 객체 추적 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101834084B1 true KR101834084B1 (ko) 2018-03-02

Family

ID=61729377

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160113911A KR101834084B1 (ko) 2016-09-05 2016-09-05 다중 객체 추적 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101834084B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101997800B1 (ko) * 2018-12-27 2019-07-08 엘아이지넥스원 주식회사 영상 추적 장치 및 그 동작방법
KR102022889B1 (ko) * 2018-05-15 2019-09-19 한국과학기술연구원 단일모델 기반 물체 추적 시스템 및 이를 이용한 물체 추적방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102022889B1 (ko) * 2018-05-15 2019-09-19 한국과학기술연구원 단일모델 기반 물체 추적 시스템 및 이를 이용한 물체 추적방법
KR101997800B1 (ko) * 2018-12-27 2019-07-08 엘아이지넥스원 주식회사 영상 추적 장치 및 그 동작방법

Similar Documents

Publication Publication Date Title
US10394318B2 (en) Scene analysis for improved eye tracking
US9613298B2 (en) Tracking using sensor data
Senouci et al. Fast prototyping of a SoC-based smart-camera: a real-time fall detection case study
US10037624B2 (en) Calibrating object shape
JP2018533805A (ja) 顔位置追跡方法、装置及び電子デバイス
EP3540574B1 (en) Eye tracking method, electronic device, and non-transitory computer readable storage medium
Ali et al. Hardware/software co-design of a real-time kernel based tracking system
JP7520116B2 (ja) 遅延オブジェクト検出を伴うストリーム・オブジェクト追跡
KR20170082794A (ko) 깊이 추정 방법 및 장치, 및 거리 추정기 학습 방법 및 장치
US20170147075A1 (en) Determination of hand dimensions for hand and gesture recognition with a computing interface
US11062462B2 (en) Detection of visual tracker divergence
Yang et al. Online multi-object tracking combining optical flow and compressive tracking in Markov decision process
CN112036457B (zh) 训练目标检测模型的方法及装置、目标检测方法及装置
CN105809956A (zh) 获取车辆排队长度的方法和装置
US11195024B1 (en) Context-aware action recognition by dual attention networks
Truong et al. Parallel implementation of color-based particle filter for object tracking in embedded systems
CN104219488A (zh) 目标图像的生成方法和装置、以及视频监控系统
Abdelali et al. Fast and robust object tracking via accept–reject color histogram-based method
KR101834084B1 (ko) 다중 객체 추적 방법 및 장치
WO2019165626A1 (en) Methods and apparatus to match images using semantic features
KR101470367B1 (ko) 이중층 파티클 필터를 이용한 다중 객체 검출 및 추적 장치와 그 방법
Nam et al. Hardware implementation of KLT tracker for real-time intruder detection and tracking using on-board camera
Truong et al. Single object tracking using particle filter framework and saliency-based weighted color histogram
CN111566658A (zh) 对象跟踪方法及执行该方法的装置
KR100994366B1 (ko) 영상 추적 장치의 이동표적 움직임 추적 방법

Legal Events

Date Code Title Description
GRNT Written decision to grant