KR102164754B1 - 개선된 kcf를 이용한 객체 추적 방법 및 장치 - Google Patents
개선된 kcf를 이용한 객체 추적 방법 및 장치 Download PDFInfo
- Publication number
- KR102164754B1 KR102164754B1 KR1020190104972A KR20190104972A KR102164754B1 KR 102164754 B1 KR102164754 B1 KR 102164754B1 KR 1020190104972 A KR1020190104972 A KR 1020190104972A KR 20190104972 A KR20190104972 A KR 20190104972A KR 102164754 B1 KR102164754 B1 KR 102164754B1
- Authority
- KR
- South Korea
- Prior art keywords
- gaussian blur
- blur image
- weight
- feature
- correlation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 24
- 230000015654 memory Effects 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 125000004122 cyclic group Chemical group 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 개선된 KCF를 이용한 객체 추적 방법 및 장치를 개시한다. 본 발명에 따르면, 프로세서 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 객체를 포함하는 입력 패치에 대해 복수의 가우시안 블러 이미지를 생성하고, 각 가우시안 블러 이미지에 대해 추출된 특징과 상관필터 사이의 상관응답 맵을 계산하여 상기 각 가우시안 블러 이미지에서의 타겟 위치를 결정하고, 이전 프레임에서 결정된 객체의 최종 위치와 상기 타겟 위치를 이용하여 상기 각 가우시안 블러 이미지에 대한 가중치 갱신 스코어를 계산하고, 상기 가중치 갱신 스코어를 이용하여 다음 프레임에 적용될 적응적 특징 가중치를 결정하도록, 상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하는 객체 추적 장치가 제공된다.
Description
본 발명은 개선된 KCF를 이용한 객체 추적 방법 및 장치에 관한 것이다.
온라인 객체 추적은 컴퓨터 비전의 중요 과제 중 하나이다. 그러나 빠른 움직임, 가려짐(occulsion), 배경 클러터(background clutter) 및 변형 등과 같은 문제들이 객체 추적을 어렵게 한다.
객체 추적의 속성 상 실시간 처리가 중요하며, 정확성뿐만 아니라 트레이닝이 요구된다. 푸리에 도메인에서 상관필터 특성으로 인해 최근 상관필터 기반 추적 알고리즘이 주류가 되고 있다.
상관필터에서 다양한 특징들이 사용되는데, MOSSE(minimun output sum of squared error) 필터는 상관필터를 사용하는 추적 방법 중 하나이다.
Henriques[1]는 객체 추적에서 새로운 상관필터 프레임을 소개하였다.
여기에서는 리지 회귀분석(ridge regression)과 순환행렬(circulant matrix)을 사이의 관계를 정의하고 이를 통해 더욱 강인하게 상관필터를 트레이닝할 수 있다. 그러나 순환 시프트에 의해 생성된 트레이닝 이미지는 경계 효과로 인해 비현실적인 이미지이므로 상관필터를 트레이닝하는데 문제가 있다.
일반적으로 객체 추적은 배경과 대상 객체를 구별하는 것이 필요하다.
여기서 사용되는 상관필터는 주로 차별상관필터(Discriminative Correlation Filter, DCF)라고 불리며, DCF 중 가장 많이 사용되는 방법으로 Henriques가 KCF(kernelized correlation filter)라 칭한 방법이다. 이 방법은 기존의 Henriques가 제안한 방법과 유사하지만 HOG를 사용한다는 점에서 차이가 있다.
그러나 지금까지 KCF 기반 객체 추적은 객체의 빠른 움직임이 있거나 배경 잡음이 있는 경우에 정확도가 떨어지고 속도가 느린 문제점이 있다.
[1] J. F. Henriques, R. Caseiro, P. Martins, and J. Batista "Exploiting the circulant structure of tracking-bydetection with kernels," in Proc. IEEE Conf. European. Conf. Comput. Vis., 2012, pp. 702-715
상기한 종래기술의 문제점을 해결하기 위해, 본 발명은 빠른 움직임 및 배경 잡음에 대해 강건한 개선된 KCF를 이용한 객체 추적 방법 및 장치를 제안하고자 한다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따르면, 프로세서; 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 객체를 포함하는 입력 패치에 대해 복수의 가우시안 블러 이미지를 생성하고, 각 가우시안 블러 이미지에 대해 추출된 특징과 상관필터 사이의 상관응답 맵을 계산하여 상기 각 가우시안 블러 이미지에서의 타겟 위치를 결정하고, 이전 프레임에서 결정된 객체의 최종 위치와 상기 타겟 위치를 이용하여 상기 각 가우시안 블러 이미지에 대한 가중치 갱신 스코어를 계산하고, 상기 가중치 갱신 스코어를 이용하여 다음 프레임에 적용될 적응적 특징 가중치를 결정하도록, 상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하는 객체 추적 장치가 제공된다.
상기 각 가우시안 블러 이미지에 대한 특징은 지향성 그래디언트의 히스토그램을 이용하여 추출될 수 있다.
상기 타겟 위치는 상기 각 가우시안 블러 이미지에서 상기 상관응답 맵에서 가장 큰 상관 응답값을 가지는 위치로 결정될 수 있다.
상기 가중치 갱신 스코어는 상기 최종 위치와 상기 타겟 위치와의 위치 오차 및 PSR(Peak-to-sidelobe ratio)를 통해 결정될 수 있다.
상기 가중치 갱신 스코어는 상기 위치 오차보다 상기 PSR의 영향이 더 클 수 있다.
상기 PSR은 상기 최종 위치와 상기 타겟 위치의 미리 설정된 영역 내에서의 최대 응답값, 평균 응답값 및 표준편차를 이용하여 계산될 수 있다.
상기 적응적 특징 가중치는, 상기 각 가우시안 블러 이미지에 대한 가중치 갱신 스코어 및 상기 가중치 갱신 스코어의 합으로 결정될 수 있다.
상기 적응적 특징 가중치는, 상기 다음 프레임에서 생성되는 복수의 가우시안 블러 이미지 각각에서 추출된 특징에 적용되며, 상기 프로그램 명령어들은, 상기 적응적 특징 가중치가 적용된 통합된 특징과 상관필터 사이의 상관응답 맵을 계산하여 상기 다음 프레임의 각 가우시안 블러 이미지에서의 타겟 위치를 결정할 수 있다.
본 발명의 다른 측면에 따르면, 프로세서 및 메모리를 포함하는 장치에서 객체를 추적하는 방법으로서, 객체를 포함하는 입력 패치에 대해 복수의 가우시안 블러 이미지를 생성하는 단계; 각 가우시안 블러 이미지에 대해 추출된 특징과 상관필터 사이의 상관응답 맵을 계산하여 상기 각 가우시안 블러 이미지에서의 타겟 위치를 결정하는 단계; 이전 프레임에서 결정된 객체의 최종 위치와 상기 타겟 위치를 이용하여 상기 각 가우시안 블러 이미지에 대한 가중치 갱신 스코어를 계산하는 단계; 및 상기 가중치 갱신 스코어를 이용하여 다음 프레임에 적용될 적응적 특징 가중치를 결정하는 단계를 포함하는 객체 추적 방법이 제공된다.
본 발명의 또 다른 측면에 따르면, 상기한 방법을 수행하는 기록매체에 저장되는 프로그램이 제공된다.
본 실시예에 따르면, 이전 프레임에서 계산된 적응적 특징 가중치를 다음 프레임에 적용하여 상관필터를 학습하기 때문에 빠른 움직임 및 잡음 배경에서도 빠르고 정확한 객체 추적이 가능한 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 객체 추적 장치의 구성을 도시한 도면이다.
도 2는 본 실시예에 따른 객체 추적 과정을 설명하기 위한 도면이다.
도 3은 가우시안 블러 이미지 생성과 타겟 위치의 예측 과정을 나타낸 것이다.
도 2는 본 실시예에 따른 객체 추적 과정을 설명하기 위한 도면이다.
도 3은 가우시안 블러 이미지 생성과 타겟 위치의 예측 과정을 나타낸 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 객체 추적 장치의 구성을 도시한 도면이다.
도 1에 도시된 바와 같이, 본 실시예에 따른 객체 추적 장치는 프로세서(100) 및 메모리(102)를 포함할 수 있다.
프로세서(100)는 컴퓨터 프로그램을 실행할 수 있는 CPU(central processing unit)나 그밖에 가상 머신 등을 포함할 수 있다.
메모리(102)는 고정식 하드 드라이브나 착탈식 저장 장치와 같은 불휘발성 저장 장치를 포함할 수 있다. 착탈식 저장 장치는 컴팩트 플래시 유닛, USB 메모리 스틱 등을 포함할 수 있다. 메모리(102)는 각종 랜덤 액세스 메모리와 같은 휘발성 메모리도 포함할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(100)는 메모리(102)에 저장된 프로그램 명령어들을 이용하여 객체를 포함하는 입력 패치에서 복수의 가우시안 블러 이미지를 생성하고, 각 가우시안 블러 이미지에서 추출된 특징과 상관필터 사이의 상관응답 맵(correlation response map)과 가중치 갱신 스코어(weight update score)를 계산하고, 각 가우시안 블러 이미지에 대한 가중치 갱신 스코어를 이용하여 적응적 특징 가중치(adaptive feature weight)를 계산하며, 적응적 특징 가중치를 이용하여 다음 프레임에서 생성된 복수의 가우시안 블러 이미지 각각의 특징들을 통합하고, 통합된 특징을 이용하여 상관필터를 트레이닝한다.
이러한 과정을 통해 빠른 움직임과 배경 잡음에서도 강건하게 객체를 추적할 수 있다.
이하에서는 상관필터를 우선 설명하고, 본 실시예에 따른 객체 추적 기법을 상세하게 설명한다.
상관필터는 주파수 도메인에서의 효율성으로 인해, 빠르고 강건한 객체 추적을 가능하게 한다.
본 실시예에 따른 방법은 일반적으로 사용되는 KCF를 기반으로 하며, 다음과 같은 리지 회귀분석 문제를 풀어 상관필터를 정의한다.
여기서, w는 상관필터이고, y는 원하는 출력(가우시안 피크라 함), xi는 입력 패치 특성, C(xi)는 입력 패치 특징을 모든 방향으로 순환 시프팅하여 생성한 블록순환행렬이다. 표현의 편의를 위해, 입력 패치 특징을 1차원 데이터라 하면 C(xi)는 다음과 같이 나타낼 수 있다.
여기서, X는 블록순환행렬에서 표현된 특징이고, 는 오버피팅(overfitting)을 방지하는 정규화 파라미터이다. X는 순환행렬이므로 수학식 3은 주파수 도메인에서 다음과 같이 정의될 수 있다.
여기서, 은 주파수 도메인을 나타내고, 는 엘리먼트-와이즈(element-wise) 곱을 나타낸다. 순환구조이므로 주파수 도메인에서 엘리먼즈-와이즈 곱을 간단하게 나타낼 수 있다. 이는 상관필터와 KCF를 정의하는 가장 기본적인 부분이다.
본 실시예에 따른 객체 추적 장치는 커널트릭(kernal trick)을 통한 더욱 강건한 상관필터를 제안한다.
커널트릭을 사용하기 위해 다음과 같이 비선형 공간에 입력 함수를 매핑한다.
여기서, k는 K의 요소벡터이다. 본 실시예에 따르면, 다음과 같이 가우시안 커널을 커널함수로 이용할 수 있다.
여기서, 는 임의로 시프트된 벡터를 나타내며, 는 커널 자동-상관(kernal auto correlation)을 나타낸다. 새로운 프레임에서 빠른 검출을 위해 수학식 9와 같이 입력 패치의 모든 위치에서의 응답을 계산한다.
온라인 트레이닝은 실시간 추적을 위해 필수적이며, 객체 추적 방정식을 위한 온라인 트레이닝 과정은 수학식 10과 같다.
도 2는 본 실시예에 따른 객체 추적 과정을 설명하기 위한 도면이다.
도 2를 참조하면, 우선 객체 추적 장치는 아래의 수학식 11을 이용하여 객체를 포함하는 입력 패치에 대해 복수의 가우시안 블러 이미지(Gaussian blur image)를 생성한다.
도 2에서는 원본 입력 패치에 대해 3개의 가우시안 블러 이미지를 생성하는 예를 도시한다.
각 가우시안 블러 이미지의 특징은 입력 패치에 대한 지향성 그래디언트(oriented gradient)의 히스토그램(HOG)을 이용하여 추출된다.
추출된 특징과 상관필터 사이의 상관응답 맵이 계산되고, 가장 큰 상관 응답값을 가지는 위치(픽셀 위치)가 타겟 위치로 결정된다.
여기서, 타겟 위치는 객체의 중심이 있을 것을 예상되는 위치를 의미한다.
도 3은 가우시안 블러 이미지 생성과 타겟 위치의 예측 과정을 나타낸 것이다.
다음으로 가중치 갱신 스코어 계산 과정이 수행된다.
가중치 갱신 스코어는 오차 가능성을 위한 스코어이며, 가중치 갱신 스코어를 계산하기 위해, 위치 오차와 PSR(peak-to-sidelobe ratio)를 계산해야 한다.
우선 이전 프레임에서 결정된 객체의 최종 위치와 현재 프레임에서의 각 가우시안 블러 이미지에서의 타겟 위치 사이의 거리가 계산된다.
각 가우시안 블러 이미지의 PSR은 수학식 13 및 14와 같이 계산된다.
수학식 13은 각 가우시안 블러 이미지에서 PSR을 계산한 것이며, 수학식 14는 최종 위치에서의 PSR을 계산한 것이다.
PSR은 최종 위치와 타겟 위치 주변의 약 6×6 영역에서 계산된다.
위치 오차는 다음의 수학식 15와 계산된다.
즉, 가중치 갱신 스코어는 상기 위치 오차보다 상기 PSR의 영향을 더 크게 받는다.
각 가우시안 블러 이미지 특징을 통합하기 위해 다음과 같이 가중치 갱신 스코어를 이용하여 적응적 특징 가중치(adaptive feature weight)를 계산한다.
여기서, i는 각 가우시안 블러 이미지를 나타내고, t는 프레임을 나타내며, w는 적응적 특징 가중치를 나타낸다.
정규화 과정 후 아래와 같이 특징들을 통합한다.
여기서, 는 각 가우시안 블러 이미지의 추출된 특징들을 나타내고, 는 상기와 같이 추출된 특징에 적응적 특징 가중치가 적용된 최종 통합된 특징을 나타낸다. 통합된 특징을 이용하여 상관필터가 트레이닝된다.
객체 추적 장치는 통합된 특징들에 대해 상관필터를 적용하여 상관응답 맵을 계산하고, 가장 큰 값을 가지는 위치를 타겟 위치로 결정하며, 이전 프레임의 최종 위치와 타겟 위치를 이용하여 가중치 갱신 스코어를 계산하고, 가중치 갱신 스코어를 이용하여 다음 프레임에 적용될 적응적 특징 가중치를 결정한다.
본 실시예에 따르면, 적응적 특징 가중치를 통해 매 프레임마다 생성되는 가우시안 블러 이미지의 특징들이 업데이트되기 때문에 빠른 움직임이 있는 객체 및 배경 잡음이 존재하는 상황에서도 빠르게 객체를 검출할 수 있다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.
Claims (10)
- 프로세서; 및
상기 프로세서에 연결되는 메모리를 포함하되,
상기 메모리는,
객체를 포함하는 입력 패치에 대해 복수의 가우시안 블러 이미지를 생성하고,
각 가우시안 블러 이미지에 대해 추출된 특징과 상관필터 사이의 상관응답 맵을 계산하여 상기 각 가우시안 블러 이미지에서의 타겟 위치를 결정하고,
이전 프레임에서 결정된 객체의 최종 위치와 상기 타겟 위치를 이용하여 상기 각 가우시안 블러 이미지에 대한 가중치 갱신 스코어를 계산하고,
상기 가중치 갱신 스코어를 이용하여 다음 프레임에 적용될 적응적 특징 가중치를 결정하도록,
상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하는 객체 추적 장치. - 제1항에 있어서,
상기 각 가우시안 블러 이미지에 대한 특징은 지향성 그래디언트의 히스토그램을 이용하여 추출되는 객체 추적 장치. - 제1항에 있어서,
상기 타겟 위치는 상기 각 가우시안 블러 이미지에서 상기 상관응답 맵에서 가장 큰 상관 응답값을 가지는 위치로 결정되는 객체 추적 장치. - 제1항에 있어서,
상기 가중치 갱신 스코어는 상기 최종 위치와 상기 타겟 위치와의 위치 오차 및 PSR(Peak-to-sidelobe ratio)를 통해 결정되는 객체 추적 장치. - 제4항에 있어서,
상기 가중치 갱신 스코어는 상기 위치 오차보다 상기 PSR의 영향이 더 큰 객체 추적 장치. - 제4항에 있어서,
상기 PSR은 상기 최종 위치와 상기 타겟 위치의 미리 설정된 영역 내에서의 최대 응답값, 평균 응답값 및 표준편차를 이용하여 계산되는 객체 추적 장치. - 제1항에 있어서,
상기 적응적 특징 가중치는, 상기 각 가우시안 블러 이미지에 대한 가중치 갱신 스코어 및 상기 가중치 갱신 스코어의 합으로 결정되는 객체 추적 장치. - 제1항에 있어서,
상기 적응적 특징 가중치는, 상기 다음 프레임에서 생성되는 복수의 가우시안 블러 이미지 각각에서 추출된 특징에 적용되며,
상기 프로그램 명령어들은,
상기 적응적 특징 가중치가 적용된 통합된 특징과 상관필터 사이의 상관응답 맵을 계산하여 상기 다음 프레임의 각 가우시안 블러 이미지에서의 타겟 위치를 결정하는 객체 추적 장치. - 프로세서 및 메모리를 포함하는 장치에서 객체를 추적하는 방법으로서,
객체를 포함하는 입력 패치에 대해 복수의 가우시안 블러 이미지를 생성하는 단계;
각 가우시안 블러 이미지에 대해 추출된 특징과 상관필터 사이의 상관응답 맵을 계산하여 상기 각 가우시안 블러 이미지에서의 타겟 위치를 결정하는 단계;
이전 프레임에서 결정된 객체의 최종 위치와 상기 타겟 위치를 이용하여 상기 각 가우시안 블러 이미지에 대한 가중치 갱신 스코어를 계산하는 단계; 및
상기 가중치 갱신 스코어를 이용하여 다음 프레임에 적용될 적응적 특징 가중치를 결정하는 단계를 포함하는 객체 추적 방법. - 제9항에 따른 방법을 수행하는 기록매체에 저장되는 컴퓨터 프로그램.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190104972A KR102164754B1 (ko) | 2019-08-27 | 2019-08-27 | 개선된 kcf를 이용한 객체 추적 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190104972A KR102164754B1 (ko) | 2019-08-27 | 2019-08-27 | 개선된 kcf를 이용한 객체 추적 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102164754B1 true KR102164754B1 (ko) | 2020-10-13 |
Family
ID=72885260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190104972A KR102164754B1 (ko) | 2019-08-27 | 2019-08-27 | 개선된 kcf를 이용한 객체 추적 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102164754B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926693A (zh) * | 2021-04-12 | 2021-06-08 | 辽宁工程技术大学 | 针对快速运动和运动模糊的核化相关滤波算法 |
CN112926693B (zh) * | 2021-04-12 | 2024-05-24 | 辽宁工程技术大学 | 针对快速运动和运动模糊的核化相关滤波方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101837407B1 (ko) * | 2017-11-03 | 2018-03-12 | 국방과학연구소 | 영상 기반 표적 추적 장치 및 추적 방법 |
KR20180105876A (ko) * | 2017-03-16 | 2018-10-01 | 한국전자통신연구원 | 색상과 형태를 동시에 고려한 실시간 영상 추적 방법 및 이를 위한 장치 |
US20190139232A1 (en) * | 2017-11-03 | 2019-05-09 | Beijing Deephi Technology Co., Ltd. | Target tracking hardware implementation system and method |
-
2019
- 2019-08-27 KR KR1020190104972A patent/KR102164754B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180105876A (ko) * | 2017-03-16 | 2018-10-01 | 한국전자통신연구원 | 색상과 형태를 동시에 고려한 실시간 영상 추적 방법 및 이를 위한 장치 |
KR101837407B1 (ko) * | 2017-11-03 | 2018-03-12 | 국방과학연구소 | 영상 기반 표적 추적 장치 및 추적 방법 |
US20190139232A1 (en) * | 2017-11-03 | 2019-05-09 | Beijing Deephi Technology Co., Ltd. | Target tracking hardware implementation system and method |
Non-Patent Citations (4)
Title |
---|
[1] J. F. Henriques, R. Caseiro, P. Martins, and J. Batista "Exploiting the circulant structure of tracking-bydetection with kernels," in Proc. IEEE Conf. European. Conf. Comput. Vis., 2012, pp. 702-715 |
Haoyi 등. SITUP: Scale Invariant Tracking using Average Peak-to-Correlation Energy, arXiv:1812.03111v1.(2018.12.07.) * |
Jianming 등. A Fast Object Tracker Based on Integrated Multiple Features and Dynamic Learning Rate, Mathematical Problem Engineering.(2018.12.24.) * |
송태은 등. Visual Tracking using Weighted Discriminative Correlation Filter, 한국컴퓨터정보학회논문지.(2016.11.30.) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926693A (zh) * | 2021-04-12 | 2021-06-08 | 辽宁工程技术大学 | 针对快速运动和运动模糊的核化相关滤波算法 |
CN112926693B (zh) * | 2021-04-12 | 2024-05-24 | 辽宁工程技术大学 | 针对快速运动和运动模糊的核化相关滤波方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102275452B1 (ko) | 색상과 형태를 동시에 고려한 실시간 영상 추적 방법 및 이를 위한 장치 | |
US11450146B2 (en) | Gesture recognition method, apparatus, and device | |
JP7273157B2 (ja) | モデル訓練方法、装置、端末及びプログラム | |
US20210089866A1 (en) | Efficient black box adversarial attacks exploiting input data structure | |
Sauer et al. | Tracking holistic object representations | |
CN110349190B (zh) | 自适应学习的目标跟踪方法、装置、设备及可读存储介质 | |
KR20150027291A (ko) | 광류 추적 방법 및 장치 | |
JP6833620B2 (ja) | 画像解析装置、ニューラルネットワーク装置、学習装置、画像解析方法およびプログラム | |
US20190236336A1 (en) | Facial recognition method, facial recognition system, and non-transitory recording medium | |
KR102141646B1 (ko) | 비고정 카메라에 의해 촬영되는 영상으로부터 이동체를 검출하는 방법 및 장치 | |
JP6597914B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN110866872A (zh) | 一种路面裂缝图片预处理智能选择方法、装置及电子设备 | |
KR101903684B1 (ko) | 이미지 특징 예측 방법 및 장치 | |
KR102090539B1 (ko) | 신규한 가중치를 이용한 센터링 연산을 적용한 강화 학습 방법 및 장치 | |
US20190266392A1 (en) | Image processing apparatus, image processing method, and storage medium | |
KR102164754B1 (ko) | 개선된 kcf를 이용한 객체 추적 방법 및 장치 | |
US11263750B1 (en) | Cyclic scheme for object segmentation networks | |
KR101862490B1 (ko) | 영상 보정 프로세서 및 컴퓨터 판독가능 기록 매체 | |
CN107967691A (zh) | 一种视觉里程计算方法和装置 | |
JP2018005505A (ja) | 画像認識パラメータ設定装置、画像認識パラメータ設定方法、および画像認識パラメータ設定プログラム | |
Zhu et al. | Visual tracking with dynamic model update and results fusion | |
CN112800820A (zh) | 面部检测方法和设备 | |
JP7347539B2 (ja) | 前景抽出装置、前景抽出方法、及び、プログラム | |
Griffith et al. | Feature Attention as a Control Mechanism for the Balance of Speed and Accuracy in Visual Search | |
KR102637342B1 (ko) | 대상 객체를 추적하는 방법과 장치 및 전자 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |