KR20090043016A - 파티클 필터를 이용한 다중물체 추적방법 - Google Patents

파티클 필터를 이용한 다중물체 추적방법 Download PDF

Info

Publication number
KR20090043016A
KR20090043016A KR1020070108619A KR20070108619A KR20090043016A KR 20090043016 A KR20090043016 A KR 20090043016A KR 1020070108619 A KR1020070108619 A KR 1020070108619A KR 20070108619 A KR20070108619 A KR 20070108619A KR 20090043016 A KR20090043016 A KR 20090043016A
Authority
KR
South Korea
Prior art keywords
filter
probability
objects
pixel position
tracking
Prior art date
Application number
KR1020070108619A
Other languages
English (en)
Other versions
KR100902771B1 (ko
Inventor
유황열
Original Assignee
재단법인 포항산업과학연구원
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 재단법인 포항산업과학연구원 filed Critical 재단법인 포항산업과학연구원
Priority to KR1020070108619A priority Critical patent/KR100902771B1/ko
Publication of KR20090043016A publication Critical patent/KR20090043016A/ko
Application granted granted Critical
Publication of KR100902771B1 publication Critical patent/KR100902771B1/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
    • G06T7/277—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
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Landscapes

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

Abstract

본 발명의 일 측면은 파티클 필터 알고리즘을 이용한 다중물체 추적방법에 관한 것으로, 특히 비선형 추정방법인 파티클 필터 알고리즘을 이용하여 다중 형태의 사후 분포도를 추정하여 다중 물체의 추적이 가능하게 하는 방법에 관한 것이다.
본 발명의 파티클 필터 알고리즘을 이용한 다중물체 추적방법은, 다수 개의 필터가 이들에 각각 대응하는 다수 개의 물체를 각각 실시간으로 추적하는 방법에 있어서, 해당 시간에 상기 물체가 하나의 화소 위치에 있고, 상기 필터로부터 상기 화소 위치에서 상기 물체가 보일 확률을 구하는 제1단계; 해당 시간에 상기 필터로부터 상기 화소 위치에서 상기 물체가 보이지 않고, 상기 물체가 다른 물체에 의해 가려져 있을 확률을 구하는 제2단계; 및 상기 제1단계에서 구한 확률과 상기 제2단계에서 구한 확률을 더하는 제3단계;를 포함하는 것을 특징으로 한다.
파티클 필터, 다중물체, 추적, 화소값, 가중치

Description

파티클 필터 알고리즘을 이용한 다중물체 추적방법{Method for tracking multiple objects using particle filter algorithm}
본 발명의 일 측면은 파티클 필터 알고리즘을 이용한 다중물체 추적방법에 관한 것으로, 특히 비선형 추정방법인 파티클 필터 알고리즘을 이용하여 다중 형태의 사후 분포도를 추정하여 다중 물체의 추적이 가능하게 하는 방법에 관한 것이다.
로봇을 이용하는 임베디드 시스템들은 산업장비로부터 개인의 계산장치에 이르기까지 점점 널리 퍼져 복잡하게 되어 왔고, 일상의 적용에 요구되어 왔다. 로봇들 또는 자동화 시스템들은 이용할 수 있는 시각정보를 이용하여 일과 관계있는 물체들을 확인하고 추적해야만 한다. 이것들을 성취하기 위해, 실시간 물체추적이 로봇의 시각적인 서보 동작, 감시, 인간-기계 인터페이스, 스마트 환경 등과 같은 많은 컴퓨터 시각 응용에서 중대한 문제가 되어왔다.
이것에 있어 주요한 도전 중의 하나는 정확한 물체인식을 유지하고 있는 동안, 실시간으로 한 세트의 물체들을 추적하고 위치를 밝혀내는 방법이다.
다중 물체 추적에 관한 연구에 있어서, Jaco Vermaak, Arnaud Doucet, Patrick Perez는 단일 물체 추적 필터를 찾으려 하는 물체의 수만큼 증가시켜 다중 물체 추적이 가능하게 하였다. 그러나, 이 방법은 물체가 서로 겹치거나 사려졌을 때 어떤 필터가 어떤 물체를 추적하고 있는지에 대한 정보를 잃어버리게 되는 문제점이 있다.
필터의 상태공간(state space)을 확정하는 방법으로는 인디케이터 (indicator)를 분포도의 여러 피크에 부여하여 물체의 위치를 계속해서 추정하는 방법이 있다. 이 방법도 또한 같은 물체를 추적하는 경우에 각각에 부여된 레이블정보가 서로 교차되는 경우가 발생하고, 추적하는 물체가 증가하는 경우에는 상태 공간의 확장과 더불어 인디케이터의 레이블 문제가 계산상 기하급수적으로 증가하는 문제점이 있다.
본 발명의 일 측면은 컴퓨터의 계산량이 기하급수적으로 증가하기 때문에 현실적으로 불가능하였던 다중 물체의 추적을 가능하게 하는 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 측면은, 다수 개의 필터가 이들에 각각 대응하는 다수 개의 물체를 각각 실시간으로 추적하는 방법에 있어서, 해당 시간에 상기 물체가 하나의 화소 위치에 있고, 상기 필터로부터 상기 화소 위치에서 상기 물체가 보일 확률을 구하는 제1단계; 해당 시간에 상기 필터로부터 상기 화소 위치에서 상기 물체가 보이지 않고, 상기 물체가 다른 물체에 의해 가려져 있을 확률을 구하는 제2단계; 및상기 제1단계에서 구한 확률과 상기 제2단계에서 구한 확률을 더하는 제3단계;를 포함하는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법을 제공한다.
그리고, 상기 제1단계는, 해당 시간에 상기 물체가 하나의 화소 위치에 있을 확률을 구하는 제1-1단계; 해당 시간에 상기 화소 위치에서 상기 필터로부터 상기 물체가 보일 확률을 구하는 제1-2단계; 및 상기 제1-1단계에서 구한 확률과 상기 제1-2단계에서 구한 확률을 곱하는 제1-3단계;를 포함하는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법을 제공한다.
또한, 상기 제1-2단계는, 상기 필터에 대한 각각의 물체의 관측 가능성을 상 기 각각의 물체에 의해 표현되는 특징에 해당하는 화소들에 대한 물체들의 가중치를 축적하여 이미지 공간에 반영하는 제1-2-1단계; 각각의 화소에 대하여 상기 축적된 물체의 가중치를 정규화하는 제1-2-2단계; 해당 물체의 화소 위치에 대하여 상기 정규화된 물체의 가중치를 재 정규화하여 이미지 공간으로부터 파티클 공간으로 정규화된 화소의 가중치를 다시 반영하는 제1-2-3단계;를 포함하는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법을 제공한다.
또한, 상기 제2단계는, 해당 시간에 상기 물체가 상기 화소 위치에서 상기 필터로부터 다른 물체에 의해 가려져 있을 확률을 구하는 제2-1단계; 해당 시간에 상기 필터로부터 상기 화소 위치에서 상기 물체가 보이지 않을 확률을 구하는 제2-2단계; 및 상기 제2-1단계에서 구한 확률과 상기 제2-2단계에서 구한 확률을 곱하는 제2-3단계;를 포함하는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법을 제공한다.
또한, 다른 하나의 물체가 생성되면 이를 실시간으로 추적하는 다른 하나의 필터가 생성되는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법을 제공한다.
또한, 상기 물체 중에서 하나의 물체가 사라지게 되면 이를 실시간으로 추적하는 필터가 제거되는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법을 제공한다.
본 발명의 일 측면에 따르면, 하나의 물체만 추적할 수 있는 비선형 확률 분 포도를 수식적으로 개선함으로써 다중 물체 추적이 가능하게 한다.
그리고, 본 발명의 다른 측면에 따르면, 다중 물체 추적시 계산상의 어려움을 극복하여 기하급수적인 계산 의 복잡성을 선형적인 복잡성으로 개선함으로써 다중 물체를 실시간으로 추적할 수 있게 한다.
또한, 본 발명의 또 다른 측면에 따르면, 물체의 추적뿐만 아니라 로봇의 위치인식도 가능하게 할 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시형태를 설명한다. 그러나, 본 발명의 실시형태는 여러 가지의 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시형태로만 한정되는 것은 아니다. 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있으며, 도면상의 동일한 부호로 표시되는 요소는 동일한 요소이다.
Christopher Rasmussen는 LLF(Joint Likelihood Filter)를 개발하였다. LLF를 이용하면, JPDAF(Joint Probability Data Association Filter)의 이론적인 원리를 바탕으로 물체의 거리정보, 물체의 기하학적 특징 및 물체의 표면특징 등을 이용하여 물체를 추적할 수 있다.
본 발명에서는 이와 같은 물체추적방법을 이용하여 다음의 3가지 사항을 살펴보기로 한다.
1. 기하급수적으로 증가하는 컴퓨터 실행능력의 복잡성을 회피하기 위해, 공동 베이시안 분포도(Joint Bayesian Distribution)가 아닌 MPF(Mixture Particle Filter)에 관하여 살펴보기로 한다.
1) 물체 필터링 분포도(target filtering distribution)
일반적인 파티클 필터(particle filter)의 사후 분포도를 대략적으로 계산하는 것이다. 여기서,
Figure 112007077157402-PAT00001
는 현재시간 t에서의 물체의 상태이고,
Figure 112007077157402-PAT00002
는 현재의 시간까지 측정된 데이터를 나타낸다. 다중물체 필터링 분포도(multi-target filtering distribution)를 베이시안(Bayesian) 필터 형식으로 나타내면 수학식 1과 같다.
Figure 112007077157402-PAT00003
관측 가능성 함수(observation likelihood function)인
Figure 112007077157402-PAT00004
는 측정확률에 대한 값을 계산하고, 각각의 물체에 대한 변환모델(transition model)인
Figure 112007077157402-PAT00005
는 전 상태를 기준으로 한 현재상태의 예측모델이다.
2. MPF에서 서로 교차할 경우에 나타나는 물체와 추적하고 있는 물체의 교차 문제를 극복하기 위해 측정모델부분은 공동 관측 가능성 모델(joint observation likelihood model)로 유지하고, 현재의 데이터에서 이 물체가 보일 때의 확률 분포도와 보이지 않을 때의 확률 분포도로 분해하여 실시간으로 계산하는 것이 가능하도록 하는 원리에 관하여 살펴보기로 한다.
1) 공동 관측 가능성 모델(joint observation likelihood model)
공동 확률 분포도에서 다중물체를 추적하는 것은 가장 정확한 방법이지만 컴퓨터의 능력으로는 불가능하다. 여기에서는 각각의 필터가 서로 독립적이라는 가정하에 기본적인 측정모델을 분해하여 물체의 교차현상에 대한 더 정확한 분석을 제시한다.
각각의 필터가 하나의 물체만 추적한다는 가정하에 업데이트 단계는 각각의 물체에 대해 독립적으로 실행될 수 없다. 이러한 문제를 극복하기 위해 각 물체의
Figure 112007077157402-PAT00006
에 대한 관측 가능성 모델을 분해하게 된다.
Figure 112007077157402-PAT00007
는 수학식 2와 같이 표현할 수 있다.
Figure 112007077157402-PAT00008
수학식 2에서
Figure 112007077157402-PAT00009
은 물체수 K에 대한 필터를 의미하고,
Figure 112007077157402-PAT00010
는 물체 k가 보인다는 것을 의미하며,
Figure 112007077157402-PAT00011
는 물체 k가 보이지 않는다는 것을 의미한다. 수학식 2는 4개의 요소들로 구성된다.
(A) 관측 가능성(observation likelihood) :
Figure 112007077157402-PAT00012
(B) 물체 k가 보일 가능성(likelihood of target k being visible) :
Figure 112007077157402-PAT00013
(C) 관측 모델의 예측값(expected value of the observation model) :
Figure 112007077157402-PAT00014
(D)
Figure 112007077157402-PAT00015
: 물체 k가 보이지 않을 가능성((likelihood of target k not being visible)
그러면, 위의 분해된 4개의 요소들(A, B, C, D)에 대하여 각각 설명하기로 한다.
(1)
Figure 112007077157402-PAT00016
은 일반적인 관측모델과 같다.
(2)
Figure 112007077157402-PAT00017
은 물체가 보일 가능성(visibility likelihood)을 나타낸다. 이 확률분포도는 3단계의 과정을 거쳐 계산된다. 먼저, 필터에 대한 각각의 물체의 관측 가능성을 각각의 물체에 의해 표현되는 특징에 해당하는 화소들에 대한 물체들의 가중치를 축적하여 이미지 공간에 반영한다. 이후에, 각각의 화소에 대하여 축적된 물체의 가중치를 정규화한다. 이후에, 해당 물체의 화소 위치에 대하여 정규화된 물체의 가중치를 재 정규화하여 이미지 공간으로부터 파티클 공간으로 정규화된 화소의 가중치를 다시 반영한다.
물체가 보일 가능성을 베이즈 법칙에 따라 나타내면 수학식 3과 같다.
Figure 112007077157402-PAT00018
수학식 3에서 첫 번째 단계를 해석하면 수학식 4와 같다.
Figure 112007077157402-PAT00019
여기서,
Figure 112007077157402-PAT00020
: 물체 k가 있는 위치에서 화소값이 물체 k와 얼마나 유사한지를 나타내는 가중치
Figure 112007077157402-PAT00021
: 현재의 추적 대상 물체 k의 화소 위치
Figure 112007077157402-PAT00022
: 추적 대상 물체 k의 모든 화소 위치
수학식 4는 단지 물체에 속해 있는 화소의 위치에 대한 가중치를 의미한다. 여기서, 수학식 4는 하나의 화소는 유일하게 하나의 물체에만 속해야만 한다는 가정하에서 성립된다.
수학식 3은 어떤 물체가 다른 물체에 가려진 경우에 이미지상에서 파티클 가중치에 의한 정규화를 나타낸다.
수학식 5는 현재의 화소들이 추적하고 있는 물체 중에서 어느 물체에서 왔는지를 나타낸다. 여기서,
Figure 112007077157402-PAT00023
은 정규화 요소인데, 모든 화소값은 각각의 이미지상에서 같은 위치에 있는 화소값을 합하여 그 합한 값으로 각각의 이미지상에 있는 값들을 정규화해야 한다.
Figure 112007077157402-PAT00024
정규화 작업 후에는 각각의 이미지상에서 정규화 작업이 수학식 6과 같이 이루어진다. 수학식 6에서는 정규화된 화소값들이 모든 이미지상에서 어떻게 적용되는지를 보인다.
Figure 112007077157402-PAT00025
여기서,
Figure 112007077157402-PAT00026
의 Xj는 화소 위치이고, Pixel(xk,t)는 추적하고 있는 물체의 위치(
Figure 112007077157402-PAT00027
)이다. 모든 물체가 추적되고 있고, 그 물체들의 모든 화소 위치를 나타내고 정규화하기 위해 E라는 함수를 사용한다.
(3)
Figure 112007077157402-PAT00028
은 숨겨진 물체에 대한 관측 모델(observation model for hidden targets)을 나타낸다. 수학식 2에서
Figure 112007077157402-PAT00029
는 물체가 다른 물체에 가려 보이지 않을 때의 확률분포도를 표현한다. 이 확률분포가 중요한 이유는, 가려진 물체에 너무 많은 가중치가 주어지면 가리고 있는 물체의 분포도가 변하게 되고 그 반대로 가리고 있는 물체에 너무 많은 가중치를 두면 가려진 물체의 분포도가 결국 사라지게 되기 때문이다. 이런 문제점들을 극복하기 위해 수학식 7에서 그 값을 구한다.
Figure 112007077157402-PAT00030
(4)
Figure 112007077157402-PAT00031
는 1에서
Figure 112007077157402-PAT00032
를 뺀 값인데, 물체 k가 보이지 않을 가능성을 나타낸다.
상기 살펴본 수학식 2를 구하는 과정을 정리하면 도 1을 참조하여 설명하기로 한다.
첫째, 다수 개의 필터가 이들에 각각 대응하는 다수 개의 물체를 각각 실시간으로 추적하는 방법에서, 해당 시간에 상기 물체가 하나의 화소 위치에 있고, 상기 필터로부터 상기 화소 위치에서 상기 물체가 보일 확률을 구한다. 구체적으로는, 다수 개의 필터가 이들에 각각 대응하는 다수 개의 물체를 각각 실시간으로 추 적하는 방법에서, 해당 시간에 상기 물체가 하나의 화소 위치에 있을 확률(S100)과, 해당 시간에 상기 화소 위치에서 상기 필터로부터 상기 물체가 보일 확률(S200)을 구하여 서로 곱한다(S500). 여기서, S200은 3단계로 이루어지는데 도 2를 참조하여 설명하기로 한다.
먼저, 필터에 대한 각각의 물체의 관측 가능성을 각각의 물체에 의해 표현되는 특징에 해당하는 화소들에 대한 물체들의 가중치를 축적하여 이미지 공간에 반영한다(S210).
이후에, 각각의 화소에 대하여 축적된 물체의 가중치를 정규화한다(S220).
이후에, 해당 물체의 화소 위치에 대하여 정규화된 물체의 가중치를 재 정규화하여 이미지 공간으로부터 파티클 공간으로 정규화된 화소의 가중치를 다시 반영한다(S230).
둘째, 다수 개의 필터가 이들에 각각 대응하는 다수 개의 물체를 각각 실시간으로 추적하는 방법에서, 해당 시간에 상기 필터로부터 상기 화소 위치에서 상기 물체가 보이지 않고, 상기 물체가 다른 물체에 의해 가려져 있을 확률을 구한다. 구체적으로는, 다수 개의 필터가 이들에 각각 대응하는 다수 개의 물체를 각각 실시간으로 추적하는 방법에서, 해당 시간에 상기 물체가 상기 화소 위치에서 상기 필터로부터 다른 물체에 의해 가려져 있을 확률(S300)과, 해당 시간에 상기 필터로부터 상기 화소 위치에서 상기 물체가 보이지 않을 확률(S400)을 구하여 서로 곱한다(S600).
셋째, 첫째와 둘째에서 최종적으로 구한 확률을 더한다(S700).
3. 필터가 물체 추적 중에 다른 하나의 물체가 생성되거나 하나의 물체가 사라지게 되는 경우의 원리에 대하여 도 3 내지 도 5를 통하여 살펴보기로 한다.
필터 생성(filter creation)은 다른 하나의 물체가 생성되면 이를 실시간으로 추적하는 다른 하나의 필터가 생성되는 것을 의미하며, 배경필터(background filter)라고 정의한다. 이 배경필터는 모든 필터에서 상호 배타적으로 작용하여 다른 필터가 추적하고 있는 것을 제외시킨다. 그러나, 이 필터는 전체 필터의 분포도에 영향을 미치게 해서는 안 되기 때문에 정규화 작업시 제외된다.
도 3에서 제1 물체(100), 제2 물체(200), 제3물체(300)의 3개의 물체가 있고, 이들 각각에 대응하여 이를 실시간으로 추적하는 제1 필터(110), 제2 필터(210), 제3 필터(310)가 있다. 도 4에서는 제4 물체(400)가 생성되었기 때문에, 이를 실시간으로 추적하는 제4 필터(410)가 생성되었다.
필터제거(filter deletion)는 물체 중에서 하나의 물체가 사라지게 되면 이를 실시간으로 추적하는 필터가 제거되는 것을 의미한다. 필터제거는 추적하고 있는 물체가 다른 물체에 가려 사라지는 것을 의미하는 것이 아니라, 전체 이미지상에서 사라지는 경우를 의미한다.
도 3에서 제1 물체(100), 제2 물체(200), 제3물체(300)의 3개의 물체가 있고, 이들 각각에 대응하여 이를 실시간으로 추적하는 제1 필터(110), 제2 필터(210), 제3 필터(310)가 있다. 도 5에서는 제3 물체(300)가 사라졌기 때문에, 이를 실시간으로 추적하는 제3 필터(310)가 제거되었다.
이와 같이 필터가 자동적으로 제거됨으로써, 전체 추적작업에서 부담을 덜어 주는 효과가 있다. 따라서,
Figure 112007077157402-PAT00033
확률분포도가 정의되고, 이것은 필터 k와 관련된 물체가 존재한다는 것을 의미하며, 임계값을 정의하여 추적하고 있는 필터의 분포도를 언제 제거하는지를 결정한다. 수학식 8은 물체가 존재할 때의 계산식이다.
Figure 112007077157402-PAT00034
일반적인 공동 파티클 필터(joint particle filter)는 각각의 물체가 Kd 차원이기 때문에 계산상의 어려움을 갖는다. 여기서, K는 추적하고자하는 물체의 수이고, d는 각각의 필터의 차원이다. 만약, 각각의 파티클 필터가 N개의 물체가 필요하다면, K개의 물체의 공동 분포를 추적하기 위해서는 NK개의 물체가 필요하다. 그리고, 물체 재생성 단계를 O(N)이라 가정하고 물체가 있는 화소의 크기를 M이라 하면, 공동 파티클 필터(joint particle filter)의 복잡성(complexity)은 0(MNK)가 된다.
공동 파티클 필터의 복잡성을 단순화하기 위해 본 발명에서는 측정모델을 분해하여 선형으로 단순화하였다. 물체 재생성 단계를 O(N)이라 하면, 기본적인 파티 클 필터는 O(MN)가 소요되고, 제안된 측정모델은 O(3MNK)가 소요된다. 제안된 측정모델에서 O(3MNK)가 소요되는 이유는, 물체가 있는 공간에서 이미지 공간으로 반영하기 위해서는 O(MNK)가 소요되고, 이를 정규화하기 위해서는 O(MNK)가 소요된다. 그리고, 이를 물체가 있는 공간으로 다시 반영하기 위해서는 O(MNK)가 소요되기 때문이다.
도 1은 본 발명의 파티클 필터 알고리즘을 이용한 다중물체 추적방법의 흐름도이다.
도 2는 도 1의 해당 시간에 화소 위치에서 필터로부터 물체가 보일 확률을 구하는 단계의 상세 흐름도이다.
도 3은 본 발명의 물체와 해당 물체를 추적하고 있는 필터를 나타낸 개념도이다.
도 4는 도 3에서 다른 하나의 물체가 생성되었을 때의 물체와 해당 물체를 추적하고 있는 필터를 나타낸 개념도이다.
도 5는 도 3에서 하나의 물체가 사라졌을 때의 물체와 해당 물체를 추적하고 있는 필터를 나타낸 개념도이다.
<도면의 주요 부분에 대한 부호의 설명>
100 : 제1 물체 110 : 제1 필터
200 : 제2 물체 210 : 제2 필터
300 : 제3 물체 310 : 제3 필터
400 : 제4 물체 410 : 제4 필터

Claims (6)

  1. 다수 개의 필터가 이들에 각각 대응하는 다수 개의 물체를 각각 실시간으로 추적하는 방법에 있어서,
    해당 시간에 상기 물체가 하나의 화소 위치에 있고, 상기 필터로부터 상기 화소 위치에서 상기 물체가 보일 확률을 구하는 제1단계;
    해당 시간에 상기 필터로부터 상기 화소 위치에서 상기 물체가 보이지 않고, 상기 물체가 다른 물체에 의해 가려져 있을 확률을 구하는 제2단계; 및
    상기 제1단계에서 구한 확률과 상기 제2단계에서 구한 확률을 더하는 제3단계;
    를 포함하는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법.
  2. 제1항에 있어서,
    상기 제1단계는,
    해당 시간에 상기 물체가 하나의 화소 위치에 있을 확률을 구하는 제1-1단계;
    해당 시간에 상기 화소 위치에서 상기 필터로부터 상기 물체가 보일 확률을 구하는 제1-2단계; 및
    상기 제1-1단계에서 구한 확률과 상기 제1-2단계에서 구한 확률을 곱하는 제 1-3단계;
    를 포함하는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법.
  3. 제2항에 있어서,
    상기 제1-2단계는,
    상기 필터에 대한 각각의 물체의 관측 가능성을 상기 각각의 물체에 의해 표현되는 특징에 해당하는 화소들에 대한 물체들의 가중치를 축적하여 이미지 공간에 반영하는 제1-2-1단계;
    각각의 화소에 대하여 상기 축적된 물체의 가중치를 정규화하는 제1-2-2단계;
    해당 물체의 화소 위치에 대하여 상기 정규화된 물체의 가중치를 재 정규화하여 이미지 공간으로부터 파티클 공간으로 정규화된 화소의 가중치를 다시 반영하는 제1-2-3단계;
    를 포함하는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법.
  4. 제1항에 있어서,
    상기 제2단계는,
    해당 시간에 상기 물체가 상기 화소 위치에서 상기 필터로부터 다른 물체에 의해 가려져 있을 확률을 구하는 제2-1단계;
    해당 시간에 상기 필터로부터 상기 화소 위치에서 상기 물체가 보이지 않을 확률을 구하는 제2-2단계; 및
    상기 제2-1단계에서 구한 확률과 상기 제2-2단계에서 구한 확률을 곱하는 제2-3단계;
    를 포함하는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법.
  5. 제1항에 있어서,
    다른 하나의 물체가 생성되면 이를 실시간으로 추적하는 다른 하나의 필터가 생성되는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법.
  6. 제1항에 있어서,
    상기 물체 중에서 하나의 물체가 사라지게 되면 이를 실시간으로 추적하는 필터가 제거되는 것을 특징으로 하는 파티클 필터 알고리즘을 이용한 다중물체 추적방법.
KR1020070108619A 2007-10-29 2007-10-29 파티클 필터를 이용한 다중물체 추적방법 KR100902771B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070108619A KR100902771B1 (ko) 2007-10-29 2007-10-29 파티클 필터를 이용한 다중물체 추적방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070108619A KR100902771B1 (ko) 2007-10-29 2007-10-29 파티클 필터를 이용한 다중물체 추적방법

Publications (2)

Publication Number Publication Date
KR20090043016A true KR20090043016A (ko) 2009-05-06
KR100902771B1 KR100902771B1 (ko) 2009-06-15

Family

ID=40853919

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070108619A KR100902771B1 (ko) 2007-10-29 2007-10-29 파티클 필터를 이용한 다중물체 추적방법

Country Status (1)

Country Link
KR (1) KR100902771B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013015601A1 (ko) * 2011-07-28 2013-01-31 전남대학교산학협력단 추적기의 강탈 회피를 위한 벌점 그래프 기반의 다중 영상 객체 추적 방법
KR101480834B1 (ko) * 2013-11-08 2015-01-13 국방과학연구소 다중 경로 음파 전달 모델 및 표적 식별을 이용한 표적 기동분석 방법
CN105654510A (zh) * 2015-12-29 2016-06-08 江苏精湛光电仪器股份有限公司 适用于夜间场景下的基于特征融合的自适应目标跟踪方法
KR20190133375A (ko) * 2018-05-23 2019-12-03 한국과학기술원 파티클 필터를 위한 파티클 재추출 방법
KR20220164836A (ko) 2021-06-04 2022-12-14 동명대학교산학협력단 라이다 센서와 영상촬영장치를 이용한 수중 물체의 멀티표적 인식 및 추적방법
KR20230166626A (ko) 2022-05-31 2023-12-07 동명대학교산학협력단 소나 영상의 실시간 영상처리를 이용한 수중물체의 인식 및 추적방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7130446B2 (en) * 2001-12-03 2006-10-31 Microsoft Corporation Automatic detection and tracking of multiple individuals using multiple cues
JP2005165688A (ja) 2003-12-02 2005-06-23 Fuji Xerox Co Ltd 複数対象物追跡方法及びシステム
US7486815B2 (en) 2004-02-20 2009-02-03 Microsoft Corporation Method and apparatus for scene learning and three-dimensional tracking using stereo video cameras

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013015601A1 (ko) * 2011-07-28 2013-01-31 전남대학교산학협력단 추적기의 강탈 회피를 위한 벌점 그래프 기반의 다중 영상 객체 추적 방법
KR101254087B1 (ko) * 2011-07-28 2013-04-12 전남대학교산학협력단 추적기의 강탈 회피를 위한 벌점 그래프 기반의 다중 영상 객체 추적 방법
US9349065B2 (en) 2011-07-28 2016-05-24 Industry Foundation Ofchonnam National University Method for tracking multiple image objects based on a penalty graph for avoiding hijacking of a tracker
KR101480834B1 (ko) * 2013-11-08 2015-01-13 국방과학연구소 다중 경로 음파 전달 모델 및 표적 식별을 이용한 표적 기동분석 방법
CN105654510A (zh) * 2015-12-29 2016-06-08 江苏精湛光电仪器股份有限公司 适用于夜间场景下的基于特征融合的自适应目标跟踪方法
KR20190133375A (ko) * 2018-05-23 2019-12-03 한국과학기술원 파티클 필터를 위한 파티클 재추출 방법
KR20220164836A (ko) 2021-06-04 2022-12-14 동명대학교산학협력단 라이다 센서와 영상촬영장치를 이용한 수중 물체의 멀티표적 인식 및 추적방법
KR20230166626A (ko) 2022-05-31 2023-12-07 동명대학교산학협력단 소나 영상의 실시간 영상처리를 이용한 수중물체의 인식 및 추적방법

Also Published As

Publication number Publication date
KR100902771B1 (ko) 2009-06-15

Similar Documents

Publication Publication Date Title
Zhu et al. Visual tracking of construction jobsite workforce and equipment with particle filtering
KR100902771B1 (ko) 파티클 필터를 이용한 다중물체 추적방법
Li et al. Unscented Kalman filter for visual curve tracking
Fan et al. Real-time stereo vision-based lane detection system
Li et al. Visual contour tracking based on particle filters
JP5539680B2 (ja) 線形特徴を用いた対象追跡
EP2352128B1 (en) Mobile body detection method and mobile body detection apparatus
Xiao et al. Two-dimensional visual tracking in construction scenarios: A comparative study
Luo et al. Construction machine pose prediction considering historical motions and activity attributes using gated recurrent unit (GRU)
Chen et al. Dynamic environment modeling with gridmap: a multiple-object tracking application
JP2005235222A (ja) 物体の追跡方法およびその装置
US20120050496A1 (en) Moving Obstacle Detection Using Images
Madasu et al. Estimation of vehicle speed by motion tracking on image sequences
Han et al. Visual tracking by continuous density propagation in sequential Bayesian filtering framework
Satoh et al. A color-based tracking by kalman particle filter
WO2020157138A1 (en) Object detection apparatus, system and method
KR20180027242A (ko) 무인 차량을 위한 주변 환경 매핑 방법 및 장치
Wang et al. Improving RGB-D SLAM accuracy in dynamic environments based on semantic and geometric constraints
Dulai et al. Mean shift tracking through scale and occlusion
Thomas et al. Fast approach for moving vehicle localization and bounding box estimation in highway traffic videos
US7773771B2 (en) Video data tracker
Beleznai et al. Human Tracking by Fast Mean Shift Mode Seeking.
Ryu et al. A particle filter approach for multi-target tracking
Tay et al. The Bayesian occupation filter
Lim et al. Integrated position and motion tracking method for online multi-vehicle tracking-by-detection

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: 20120412

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20130531

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee