KR20120048958A - 객체 추적 및 위치 추정 방법 - Google Patents

객체 추적 및 위치 추정 방법 Download PDF

Info

Publication number
KR20120048958A
KR20120048958A KR1020100110466A KR20100110466A KR20120048958A KR 20120048958 A KR20120048958 A KR 20120048958A KR 1020100110466 A KR1020100110466 A KR 1020100110466A KR 20100110466 A KR20100110466 A KR 20100110466A KR 20120048958 A KR20120048958 A KR 20120048958A
Authority
KR
South Korea
Prior art keywords
feature points
homography matrix
particle
distance
tracking
Prior art date
Application number
KR1020100110466A
Other languages
English (en)
Inventor
임영철
이충희
권순
이종훈
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020100110466A priority Critical patent/KR20120048958A/ko
Publication of KR20120048958A publication Critical patent/KR20120048958A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/223—Analysis of motion using block-matching
    • G06T7/231—Analysis of motion using block-matching using full search
    • 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

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 객체의 움직임을 정밀하게 추적하여 실제 객체의 움직임과 유사한 모델을 추정하여, 파티클 필터의 동적 모델로 사용함으로써, 강건한 추적 및 추정 성능을 제공하는 영상 추적 및 위치 추정 방법을 개시한다. 상기 객체 추적 및 위치 추적 방법은, 현재 영상 중 관심영역의 크기에 따른 객체영역(Zk)을 측정하는 측정단계; 이전 영상에서 검출된 객체에 대하여 특징점들을 추출하며, 추출된 특징점들을 이용하여 2차원 호모그래피 행렬(Hk)을 추정하는 호모그래피 행렬 추정단계; 추정된 호모그래피 행렬을 이용하여 파티클의 위치를 예측하는 파티클 위치 예측단계; 상기 측정단계에서 측정(Zk)에 대한 우도의 확률분포와 상기 예측단계에서 예측된 파티클의 위치를 이용하여 파티클의 가중치를 갱신하는 파티클 가중치 갱신단계; 및 상기 갱신된 가중치에 의하여 파티클 필터의 성능이 저하(degenerate)되는 가를 판단하는 성능저하 판단단계를 구비하며, 파티클 필터의 성능이 저하되지 않는다고 판단한 경우에는 상기 파티클을 이용하여 상태벡터의 사후 확률을 결정하고, 파티클 필터의 성능이 저하된다고 판단한 경우에는 파티클에 대해 리샘플링(560)을 수행한 후 새롭게 샘플링 된 파티클를 이용하여 상태벡터의 사후 확률을 결정한다.

Description

객체 추적 및 위치 추정 방법{METHOD FOR TRACKING OBJECT AND FOR ESTIMATING}
본 발명은 영상시스템에서의 객체 추적 및 위치 추정 방법에 관한 것으로, 특히 영상을 추적할 때 상태 천이 함수가 아닌 호모그래피 행렬을 이용하는 파티클 필터를 사용하는 객체 추적 및 위치 추정 방법에 관한 것이다.
일반적으로, 영상 시스템 분야에서 사용되는 비전 기반 객체 추적 시스템은 객체 검출 부분과 객체 추적 부분으로 구별할 수 있다.
객체 검출 부분은 원하는 객체를 배경으로부터 검출해내며, 최근에는 차량, 보행자, 얼굴 및 동공 등을 검출하는 기술들에 적용되고 있다. 객체 추적부분은 검출된 객체에 대한 관심영역(ROI, Region Of Interest)의 위치 및 크기를 동적으로 갱신하여 검출단계에서 발생되는 잡음을 최소화한다.
일반적으로 영상 추적은 예측단계, 측정단계 및 갱신단계로 나누어진다.
예측단계에서는 이전영상에 존재한 객체영역의 현재영상에서의 위치 및 크기를 예측한다. 측정단계에서는 현재영상에서 정의된 크기의 객체영역을 검출한다. 갱신단계에서는 예측된 객체영역과 검출된 객체영역을 이용하여 객체영역을 갱신한다.
영상 추적 분야에서 객체영역을 예측하기 위하여 칼만 필터(Kalman filter), 확장형 칼만 필터(Extended Kalman filter) 및 파티클 필터(Particle filter) 등 여러 종류의 동적필터들이 사용된다. 예전에는 연산의 복잡성을 고려하여 칼만 필터나 확장형 칼만 필터 등이 많이 사용되었지만, 최근 컴퓨터 처리 능력의 향상으로 인해 최근에는 파티클 필터가 많이 사용되고 있다.
본 발명이 해결하고자 하는 기술적 과제는 객체의 움직임을 정밀하게 추적하여 실제 객체의 움직임과 유사한 모델을 추정하여, 파티클 필터의 동적 모델로 사용함으로써, 강건한 추적 및 추정 성능을 제공하는 영상 추적 및 위치 추정 방법을 제공하는 것에 있다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 객체 추적 및 위치 추적 방법은, 현재 영상 중 관심영역의 크기에 따른 객체영역(Zk)을 측정하는 측정단계와; 이전 영상에서 검출된 객체에 대하여 특징점들을 추출하며, 추출된 특징점들을 이용하여 2차원 호모그래피 행렬(Hk)을 추정하는 호모그래피 행렬 추정단계와; 추정된 호모그래피 행렬을 이용하여 파티클의 위치를 예측하는 파티클 위치 예측단계와; 상기 측정단계에서 측정(Zk)에 대한 우도의 확률분포와 상기 예측단계에서 예측된 파티클의 위치를 이용하여 파티클의 가중치를 갱신하는 파티클 가중치 갱신단계 및; 상기 갱신된 가중치에 의하여 파티클 필터의 성능이 저하(degenerate)되는 가를 판단하는 성능저하 판단단계를 구비하며, 파티클 필터의 성능이 저하되지 않는다고 판단한 경우에는 상기 파티클을 이용하여 상태 벡터의 사후 확률을 결정하고, 파티클 필터의 성능이 저하된다고 판단한 경우에는 파티클에 대해 리샘플링(560)을 수행한 후 새롭게 샘플링 된 파티클을 이용하여 사후 추정 확률(a posterior probability)를 결정하는 것을 특징으로 한다.
본 발명에서 제안한 방법은 2차원 영상에서의 급격한 객체 움직임에 대하여 기존 방법에서 생길 수 있는 발산 문제나 성능 저하(degeneracy) 문제를 해결하고, 정확한 예측 성능으로 인하여 필터의 추적 및 추정 성능을 향상시킬 수 있다.
특징점 기반 모션 추적에서 발생할 수 있는 오류를 최소화하여 호모그래피 행렬을 추정하고, 이를 파티클 필터의 동적 모델로 사용함으로써, 객체의 다양한 움직임에 대하여도 적응적으로 모델링할 수 있다.
또한 불완전한 검출 성능으로 인한 객체 검출 오류에 대하여도 객체의 움직임 추적을 통하여 객체의 위치를 강건하게 추적함으로써, 추적이 끊어지지 않고 연속적으로 유지될 수 있게 한다.
본 발명에서 제안한 방법 및 시스템은 지능형 자동차에서의 사고 경감 시스템, 운전 보조 시스템, 자율 주행 등의 기술로 응용될 수 있으며, 지능형 감시 카메라나 지능형 로봇 등의 상황 인지 시스템에도 활용될 수 있다.
도 1은 칼만 필터의 특징을 나타낸 도시도.
도 2는 확장형 칼만 필터의 특징을 나타낸 도시도.
도 3은 기존의 파티클 필터의 특징을 나타낸 도시도.
도 4는 본 발명에 따른 호모그래피 행렬을 이용하는 파티클 필터의 특징을 나타낸 도시도.
도 5는 본 발명에 따른 객체 추적 및 위치 추정 방법을 나타내는 신호흐름도.
도 6은 이전 영상과 현재 영상, 이전 영상의 상태 벡터 및 현재 영상의 상태 벡터의 관계를 나타낸 도시도.
이하, 도면을 참조하면서 본 발명에 따른 객체 추적 및 위치 추정 방법을 보다 상세히 기술하기로 한다. 본 발명을 설명함에 있어서 관련된 공지기술 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략될 것이다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 클라이언트나 운용자, 사용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도면 전체에 걸쳐 같은 참조번호는 같은 구성 요소를 가리킨다.
도 1은 칼만 필터의 특징을 나타낸다.
도 1을 참조하면, 칼만 필터는 상태 천이 행렬(
Figure pat00001
)과 상태벡터(
Figure pat00002
)의 곱을 이용하여 이전 영상에 존재한 객체에 대하여 현재 영상에서의 위치 및 크기를 예측한다.
도 2는 확장형 칼만 필터의 특징을 나타낸다.
도 2를 참조하면, 확장형 칼만 필터는 상태벡터(
Figure pat00003
)의 값에 따라 변하는 상태 천이 함수(
Figure pat00004
)를 이용하여 이전 영상에 존재한 객체에 대하여 현재 영상에서의 위치 및 크기를 예측한다.
도 3은 기존의 파티클 필터의 특징을 나타낸다.
도 3을 참조하면, 파티클 필터는 파티클 상태벡터(
Figure pat00005
)의 값에 따라 변하는 상태 천이 함수(
Figure pat00006
)를 이용하여 이전 영상에 존재한 객체에 대하여 현재 영상에서의 위치 및 크기를 예측한다.
상술한 바와 같이 도 1 내지 도 3에 도시된 3개의 동적필터(dynamic filter)는 불완전한 검출성능으로 인해 검출단계에서 검출되지 않는 객체에 대해서는 예측단계에서의 사전 상태벡터(a priori state vector)로 현재 상태를 추정하게 되는데, 이 시점에서 객체가 급격한 동작(abrupt motion)을 하게 되면, 예측영역과 실제영역의 오차가 커지게 되어 발산의 원인이 된다.
칼만 필터는 선형 시스템에서 정규분포를 갖는 잡음에 대하여 최적화된 필터이며, 비선형성을 갖는 시스템에서는 테일러 시리즈를 이용한 확장형 칼만 필터가 사용된다.
영상에서는 검출된 객체의 관심영역 위치 및 크기가 비정규 분포를 가지는 잡음을 갖게 되며 비선형성도 크기 때문에 파티클 필터를 사용함으로써 추정오류를 최소화한다.
파티클 필터는 사전 확률(a priori probability) 및 우도 함수(likelihood function)에 의하여 각각의 파티클의 가중치가 갱신되며, 갱신된 파티클들에 의하여 현재의 상태 벡터(state vector)의 사후 확률(a posterior probability)이 결정된다.
파티클 필터의 예측단계에서 사용되는 종래의 제안분포(proposal distribution)는, 칼만 필터 및 확장형 칼만 필터와 마찬가지로, 운동방정식에 기초한 등속도 모델(constant velocity model) 및 등가속도 모델(constant acceleration model)을 사용한다.
3차원 공간에서의 객체의 움직임이 영상으로 투영되면, 비선형성이 높아지며 특히 가까운 거리에서의 급격한 움직임은 영상에서의 비선형성을 아주 높게 만든다. 이는 동적필터에서의 발산 문제를 발생시키며, 필터의 성능을 급격하게 저하시키는 원인이 된다.
본 발명에서는 객체의 움직임을 정밀하게 추적하여 실제객체의 움직임과 유사한 모델을 추정하여, 기존 파티클 필터의 동적모델로 사용함으로써, 강건한(robust) 추적 및 추정 성능을 제공하는 영상 추적 및 위치 추정 방법을 제공한다.
도 4는 본 발명에 따른 호모그래피 행렬을 이용하는 파티클 필터의 특징을 나타낸다.
도 4를 참조하면, 본 발명에 따른 파티클 필터의 경우 파티클 상태벡터(
Figure pat00007
)의 값과 호모그래피 행렬(Hk)의 곱을 이용하여 이전 영상에 존재한 객체에 대하여 현재 영상에서의 위치 및 크기를 예측한다.
도 3에 도시된 파티클 필터의 경우 상태벡터(
Figure pat00008
)의 예측치는 상태 천이 함수(
Figure pat00009
)에 의하여 결정되며, 이는 검출 단계에서 발생되는 오류와 발산 문제로 인하여 필터의 성능 저하가 발생되지만, 도 4에 도시된 파티클 필터에서는 객체의 움직임을 강건하게 추정하여 동적 모델로 사용함으로써, 필터의 성능 저하가 발생하지 않는다.
이하에서는 호모그래피 행렬을 구하는 방법 및 이를 이용한 객체 추적 및 위치 추정 방법에 대하여 설명한다.
도 5는 본 발명에 따른 객체 추적 및 위치 추정 방법을 나타내는 신호흐름도이다.
도 5를 참조하면, 객체 추적 및 위치 추정 방법(500)은, 측정단계(510), 호모그래피 행렬 추정단계(520), 파티클 위치 예측단계(530), 파티클 가중치 갱신단계(540), 성능저하 판단단계(550) 및 리샘플링단계(560)를 구비한다.
측정단계(510)는 현재 영상 중 관심영역의 크기에 따른 객체영역(Zk)을 측정한다.
호모그래피 행렬 추정단계(520)는 이전 영상에서 검출된 객체에 대하여 특징점들을 추출하며, 추출된 특징점들을 이용하여 2차원 호모그래피 행렬(Hk)을 추정한다.
파티클 위치 예측단계(530)는 추정된 호모그래피 행렬을 이용하여 파티클의 위치를 예측한다.
파티클 가중치 갱신단계(540)는 상기 측정단계에서 측정(Zk)에 대한 우도의 확률분포와 상기 예측단계에서 예측된 파티클의 위치를 이용하여 파티클의 가중치를 갱신한다.
성능저하 판단단계(550)는 상기 갱신된 가중치에 의하여 파티클 필터의 성능이 저하(degenerate)되는 상기 파티클을 이용하여 상태 벡터의 사후 추정 확률을 추정한다.
리샘플링단계(560)는 파티클 필터의 성능이 저하된다고 판단한 경우에는 파티클에 대해 새롭게 샘플링하여 상태 벡터의 사후 추정 확률을 추정한다.
여기서 호모그래피 행렬 추정단계(520)는, 특징점 추출단계(521), 변위추정단계(522), 신뢰도 측정용 파라미터 연산단계(523), 신뢰도 평가단계(524) 및 호모그래피 행렬 추정단계(525)를 구비한다.
특징점 추출단계(521)는 이전 영상에서 검출된 객체에 대하여 해리스 코너 검출기를 이용하여 특징점을 추출한다.
변위추정단계(522)는 KLT 추적기를 이용하여 현재 영상에 대하여 상기 각 특징점들의 변위를 추정한다.
신뢰도 측정용 파라미터 연산단계(523)는 매칭 비용, 커널거리 및 모션거리를 이용하여 연산한다.
신뢰도 평가단계(524)는 상기 매칭비용, 상기 커널거리 및 상기 모션거리를 이용하여 높은 신뢰도를 가지는 특징점들을 선택한다.
호모그래피 행렬 추정단계(525)는 신뢰성이 있다고 선택된 적어도 4개의 특징점을 이용하여 호모그래피 행렬을 구한다.
매칭 비용(CNCC)은, 영상의 밝기 변화에 대하여 오류가 발생한 특징점들을 제거하는데 사용되는데, 이전 영상의 특징점에 대한 zero-mean normalized window(W t -1 )와 현재 영상의 특징점에 대한 zero-mean normalized window(W t )의 상관도(cross correlation)를 이용하여 구하며, 수학식 1과 같이 표현할 수 있다.
Figure pat00010
커널 거리(CKER)는, 관심영역에 포함된 다른 객체와 배경에 해당되는 특징점들을 제거하는데 사용되며, 이전 영상에서의 윈도우의 크기(
Figure pat00011
,
Figure pat00012
)에 대하여 특징점의 위치(
Figure pat00013
,
Figure pat00014
)와 윈도우의 중심(
Figure pat00015
,
Figure pat00016
)과의 거리를 이용하여 구하며, 이는 수학식 2와 같이 표현할 수 있다.
Figure pat00017
모션거리(
Figure pat00018
)는, 급격한 밝기 변화와 객체의 급격한 외형 변화에 의하여 발생된 오류를 제거하는데 사용되며, 모션 벡터(
Figure pat00019
)와 평균 모션 벡터(
Figure pat00020
)의 차보다 표준 편차(
Figure pat00021
)의 k배 이상 인가에 따라 값을 설정하며, 수학식 3과 같이 표현할 수 있다.
Figure pat00022
신뢰도 평가단계(524)는, 매칭비용, 커널거리 및 모션거리의 곱(
Figure pat00023
)을 이용하여 구하며, 높은 값을 가지는 특징점들을 선택한다.
도 6은 이전 영상과 현재 영상, 이전 영상에서 객체의 ROI 박스와 호모그래피 행렬을 이용하여 현재 영상에서 추정된 ROI 박스를 나타낸다.
호모그래피 행렬 추정단계(525)는, 이전 영상의 특징점 위치(x), 현재 영상의 특징점 위치(x')와 호모그래피 행열(H)은 수학식 4를 만족한다.
Figure pat00024
여기서 행렬의 인자들 사이에는 아래의 수학식 5를 만족한다.
Figure pat00025
본 명세서는 호모그래피 행렬을 구할 때 균질 좌표계를 사용하기 위하여 수학식 5에 이전과 현재 좌표계를 정규화하는 수학식 6을 수학식 5에 적용한다.
Figure pat00026
추정된 호모그래피 행렬은 객체 영역에 대하여 이전 영상으로부터 현재 영상으로의 좌표 변환에 해당되는 것으로써, 이 행렬은 객체 영역의 모든 위치에 대하여 움직임 정보를 갖고 있다.
추정된 호모그래피 행렬을 파티클 필터의 동적 모델로 사용하여, 각각의 파티클에 대하여 움직임을 예측하면, 객체의 모든 다양한 움직임을 모델링할 수 있다.
이상과 같이 본 발명은 양호한 실시 예에 근거하여 설명하였지만, 이러한 실시 예는 본 발명을 제한하려는 것이 아니라 예시하려는 것이므로, 본 발명이 속하는 기술분야의 숙련자라면 본 발명의 기술사상을 벗어남이 없이 위 실시 예에 대한 다양한 변화나 변경 또는 조절이 가능할 것이다. 그러므로, 본 발명의 보호 범위는 본 발명의 기술적 사상의 요지에 속하는 변화 예나 변경 예 또는 조절 예를 모두 포함하는 것으로 해석되어야 할 것이다.
510: 측정단계
520: 호모그래피 행렬 추정단계
530: 파티클 위치 예측단계
540: 파티클 가중치 갱신단계
550: 성능저하 판단단계
560: 리샘플링단계

Claims (7)

  1. 현재 영상 중 관심영역의 크기에 따른 객체영역(Zk)을 측정하는 측정단계(510)와;
    이전 영상에서 검출된 객체에 대하여 특징점들을 추출하며, 추출된 특징점들을 이용하여 2차원 호모그래피 행렬(Hk)을 추정하는 호모그래피 행렬 추정단계(520)와;
    추정된 호모그래피 행렬을 이용하여 파티클의 위치를 예측하는 파티클 위치 예측단계(530)와;
    상기 측정단계에서 측정(Zk)에 대한 우도의 확률분포와 상기 예측단계에서 예측된 파티클의 위치를 이용하여 파티클의 가중치를 갱신하는 파티클 가중치 갱신단계(540) 및;
    상기 갱신된 가중치에 의하여 파티클 필터의 성능이 저하(degenerate)되는 가를 판단하는 성능저하 판단단계(550)를 구비하며,
    파티클 필터의 성능이 저하되지 않는다고 판단한 경우에는 상기 파티클을 이용하여 상태 벡터의 사후 확률을 결정하고,
    파티클 필터의 성능이 저하된다고 판단한 경우에는 파티클에 대해 리샘플링단계(560)를 수행한 후 새롭게 샘플링된 파티클을 이용하여 상태 벡터의 사후 확률을 결정하여 객체 추적 및 위치 추정 방법.
  2. 제1항에 있어서, 상기 호모그래피 행렬 추정단계(520)는,
    이전 영상에서 검출된 객체에 대하여 해리스 코너 검출기를 이용하여 특징점을 추출하는 특징점 추출단계(521);
    KLT 추적기를 이용하여 현재 영상에 대하여 상기 각 특징점들의 변위를 추정하는 변위추정단계(522);
    영상의 밝기 변화에 대하여 오류가 발생한 특징점들을 제거하는데 사용되는 매칭 비용, 관심영역에 포함된 다른 객체와 배경에 해당되는 특징점들을 제거하는데 사용되는 커널거리 및 급격한 밝기 변화와 객체의 급격한 외형 변화에 의하여 발생된 오류를 제거하는데 사용되는 모션거리를 연산하는 신뢰도 측정용 파라미터 연산단계(523);
    상기 매칭비용, 상기 커널거리 및 상기 모션거리를 이용하여 높은 신뢰도를 가지는 특징점들을 선택하는 신뢰도 평가단계(524); 및
    신뢰성이 있다고 선택된 적어도 4개의 특징점을 이용하여 호모그래피 행렬을 구하는 호모그래피 행렬 추정단계(525)를 구비하는 객체 추적 및 위치 추정 방법.
  3. 제2항에 있어서, 상기 매칭 비용(CNCC)은,
    이전 영상의 특징점에 대한 zero-mean normalized window(
    Figure pat00027
    )와 현재 영상의 특징점에 대한 zero-mean normalized window(
    Figure pat00028
    )의 상관도(cross correlation)를 이용하여 구하며,
    수학식
    Figure pat00029
    을 만족하는 객체 추적 및 위치 추정 방법.
  4. 제3항에 있어서, 상기 커널 거리(CKER)는,
    이전 영상에서의 윈도우의 크기(
    Figure pat00030
    ,
    Figure pat00031
    )에 대하여 특징점의 위치(
    Figure pat00032
    ,
    Figure pat00033
    )와 윈도우의 중심(
    Figure pat00034
    ,
    Figure pat00035
    )과의 거리를 이용하여 구하고, 수학식
    Figure pat00036
    을 만족하는 객체 추적 및 위치 추정 방법.
  5. 제4항에 있어서, 상기 모션거리(
    Figure pat00037
    )는,
    모션 벡터(
    Figure pat00038
    )와 평균 모션 벡터(
    Figure pat00039
    )의 차보다 표준 편차(
    Figure pat00040
    )의 k배 이상 인가에 따라 값을 설정하며,
    수학식
    Figure pat00041
    을 만족하는 객체 추적 및 위치 추정 방법.
  6. 제5항에 있어서, 상기 신뢰도 평가단계(524)는,
    상기 매칭비용, 상기 커널거리 및 상기 모션거리의 곱(
    Figure pat00042
    )을 이용하여 구하며, 높은 값을 가지는 특징점들을 선택하는 객체 추적 및 위치 추정 방법.
  7. 제2항에 있어서, 상기 호모그래피 행렬 추정단계(525)는,
    이전 영상의 상태 벡터(x), 현재 영상의 상태 벡터(x')와 호모그래피 행열(H)은 아래의 수학식
    Figure pat00043

    을 만족하며,
    여기서 행렬의 인자들 사이에는 아래의 수학식
    Figure pat00044

    을 만족하고,
    상기의 수학식에 정규화하는 식
    Figure pat00045
    을 적용함으로써 호모그래피 행렬을 구할 때 균질 좌표계를 사용하는 객체 추적 및 위치 추정 방법.
KR1020100110466A 2010-11-08 2010-11-08 객체 추적 및 위치 추정 방법 KR20120048958A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100110466A KR20120048958A (ko) 2010-11-08 2010-11-08 객체 추적 및 위치 추정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100110466A KR20120048958A (ko) 2010-11-08 2010-11-08 객체 추적 및 위치 추정 방법

Publications (1)

Publication Number Publication Date
KR20120048958A true KR20120048958A (ko) 2012-05-16

Family

ID=46267032

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100110466A KR20120048958A (ko) 2010-11-08 2010-11-08 객체 추적 및 위치 추정 방법

Country Status (1)

Country Link
KR (1) KR20120048958A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101234046B1 (ko) * 2011-11-11 2013-02-15 재단법인대구경북과학기술원 객체 내부의 특징점을 이용한 객체 추적 방법 및 장치
KR101326644B1 (ko) * 2012-08-09 2013-11-08 전남대학교산학협력단 예제포즈입자 기반의 입자필터를 이용한 영상 객체 추적 방법
KR20150105106A (ko) * 2014-03-07 2015-09-16 고려대학교 산학협력단 위치 추정 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 매체
KR101637195B1 (ko) * 2015-06-11 2016-07-07 홍익대학교 산학협력단 속도에 종속적인 확률분포 파라미터 및 파티클 필터를 이용한 인간의 운동 상태 분류 방법
US20220051044A1 (en) * 2020-08-14 2022-02-17 Fujitsu Limited Image processing apparatus and computer-readable storage medium for storing screen processing program
WO2022042184A1 (zh) * 2020-08-31 2022-03-03 深圳市道通智能航空技术股份有限公司 一种跟踪目标的位置估计方法、装置及无人飞行器
KR20230030996A (ko) 2021-08-26 2023-03-07 현대자동차주식회사 객체 추적 장치 및 방법

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101234046B1 (ko) * 2011-11-11 2013-02-15 재단법인대구경북과학기술원 객체 내부의 특징점을 이용한 객체 추적 방법 및 장치
KR101326644B1 (ko) * 2012-08-09 2013-11-08 전남대학교산학협력단 예제포즈입자 기반의 입자필터를 이용한 영상 객체 추적 방법
KR20150105106A (ko) * 2014-03-07 2015-09-16 고려대학교 산학협력단 위치 추정 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 매체
KR101637195B1 (ko) * 2015-06-11 2016-07-07 홍익대학교 산학협력단 속도에 종속적인 확률분포 파라미터 및 파티클 필터를 이용한 인간의 운동 상태 분류 방법
US20220051044A1 (en) * 2020-08-14 2022-02-17 Fujitsu Limited Image processing apparatus and computer-readable storage medium for storing screen processing program
US11682188B2 (en) * 2020-08-14 2023-06-20 Fujitsu Limited Image processing apparatus and computer-readable storage medium for storing screen processing program
WO2022042184A1 (zh) * 2020-08-31 2022-03-03 深圳市道通智能航空技术股份有限公司 一种跟踪目标的位置估计方法、装置及无人飞行器
KR20230030996A (ko) 2021-08-26 2023-03-07 현대자동차주식회사 객체 추적 장치 및 방법

Similar Documents

Publication Publication Date Title
CN108445480B (zh) 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法
Salhi et al. Object tracking system using Camshift, Meanshift and Kalman filter
CN110782483B (zh) 基于分布式相机网络的多视图多目标跟踪方法及系统
KR101776621B1 (ko) 에지 기반 재조정을 이용하여 이동 로봇의 위치를 인식하기 위한 장치 및 그 방법
JP4967062B2 (ja) オプティカルフロー、運動学及び深さ情報を使用して、物体の適切な運動を推定する方法
US9411037B2 (en) Calibration of Wi-Fi localization from video localization
US8711221B2 (en) Visually tracking an object in real world using 2D appearance and multicue depth estimations
KR20120048958A (ko) 객체 추적 및 위치 추정 방법
KR100702663B1 (ko) 입자 필터 프레임 워크에서 전방향 시각센서 기반 위치추정 및 매핑을 위한 방법
CN110264495B (zh) 一种目标跟踪方法及装置
US20110142283A1 (en) Apparatus and method for moving object detection
US20090080701A1 (en) Method for object tracking
JP7272024B2 (ja) 物体追跡装置、監視システムおよび物体追跡方法
CN113015924B (zh) 基于来自一个或多个位置传感器的测量样本表征对象的装置和方法
WO2011013281A1 (ja) 移動体検出方法及び移動体検出装置
Al-Najdawi et al. An automated real-time people tracking system based on KLT features detection.
CN110717934A (zh) 一种基于strcf的抗遮挡目标跟踪方法
Nguyen et al. Confidence-aware pedestrian tracking using a stereo camera
US11080562B1 (en) Key point recognition with uncertainty measurement
KR20200102108A (ko) 차량의 객체 검출 장치 및 방법
JP5866682B2 (ja) 計測システムおよび計測方法
US20240020870A1 (en) Method, electronic device and medium for target state estimation
US20240025428A1 (en) Method, electronic device and medium for target state estimation
JP7271373B2 (ja) 映像処理装置、映像処理システムおよび映像処理方法
Munz et al. A sensor independent probabilistic fusion system for driver assistance systems

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application