KR20120066429A - 복수의 오브젝트를 추적하는 장치 및 방법 - Google Patents

복수의 오브젝트를 추적하는 장치 및 방법 Download PDF

Info

Publication number
KR20120066429A
KR20120066429A KR1020100127772A KR20100127772A KR20120066429A KR 20120066429 A KR20120066429 A KR 20120066429A KR 1020100127772 A KR1020100127772 A KR 1020100127772A KR 20100127772 A KR20100127772 A KR 20100127772A KR 20120066429 A KR20120066429 A KR 20120066429A
Authority
KR
South Korea
Prior art keywords
weight
tracking
probability
samples
filter
Prior art date
Application number
KR1020100127772A
Other languages
English (en)
Other versions
KR101181146B1 (ko
Inventor
김태용
채영준
Original Assignee
중앙대학교 산학협력단
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 중앙대학교 산학협력단 filed Critical 중앙대학교 산학협력단
Priority to KR1020100127772A priority Critical patent/KR101181146B1/ko
Publication of KR20120066429A publication Critical patent/KR20120066429A/ko
Application granted granted Critical
Publication of KR101181146B1 publication Critical patent/KR101181146B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing

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)
  • Radar Systems Or Details Thereof (AREA)

Abstract

오브젝트를 추적하는 장치가 제공된다. 상기 오브젝트를 추적하는 장치는 타겟 영상 내에 존재하는 복수의 오브젝트를 추적하며, 어느 하나의 오브젝트가 다른 오브젝트에 가려진 경우에도 복수의 오브젝트를 성공적으로 추적할 수 있다.

Description

복수의 오브젝트를 추적하는 장치 및 방법{APPARATUS AND METHOD FOR TRACKING MULTIPLE OBJECT}
아래의 실시예들은 타겟 영상에서 오브젝트를 추적하는 장치 및 방법에 관한 것으로, 보다 구체적으로는 타겟 영상에 복수의 오브젝트가 있는 경우에, 복수의 오브젝트 각각을 동시에 추적하는 장치 및 방법에 관한 것이다.
범죄 등의 증가로 인하여 감시 카메라의 사용이 증가하고 있다. 이에 따라, 감시 카메라를 이용하여 촬영된 영상 중에서 특정 오브젝트의 움직임을 추적하는 기술에 대한 수요도 증가하고 있다.
일반적으로, 칼만 필터 또는 파티클 필터를 이용하여 타겟 영상 내의 특정 오브젝트의 움직임을 추적할 수 있다. 그러나, 칼만 필터를 이용한 추적 방법은 오브젝트의 분포를 가우시안 분포로 가정하기 때문에 추적이 효율적이지 못하다.
반면, 파티클 필터는 오브젝트의 분포를 특정 분포로 제한하지 않는다. 따라서, 화면 내에 복수의 오브젝트가 존재하는 경우에도 각각의 오브젝트에 대한 추적이 가능하다. 그러나, 종래의 기술은 제1 오브젝트와 제2 오브젝트의 좌표가 변경되어 복수의 오브젝트가 화면 내에서 겹친 경우에, 특정 오브젝트에 가려진 다른 오브젝트에 대한 추적은 어려운 단점이 있었다.
예시적 실시예들의 일측은 타겟 영상 내에 복수의 오브젝트가 존재하는 경우에, 각 오브젝트의 움직임을 추적하는 것이다.
예시적 실시예들의 또 다른 일측은 타겟 영상 내에 포함된 복수의 오브젝트가 서로 겹친 경우에도 각 오브젝트의 움직임을 계속하여 추적하는 것이다.
예시적 실시예들의 일측에 따르면, 파티클 필터를 이용하여 타켓 영상에서 오브젝트를 추적하는 장치에 있어서, 상기 타겟 영상의 각 구간에 대하여 제1 오브젝트가 존재할 확률 및 제2 오브젝트가 존재할 확률을 산출하는 확률 산출부, 상기 제1 오브젝트가 존재할 확률이 상기 제2 오브젝트가 존재할 확률보다 큰 구간에 대하여 소정 개수의 샘플을 수집하는 샘플링부 및 상기 수집된 샘플들에 기반하여 상기 제1 오브젝트를 추적하는 오브젝트 추적부를 포함하는 오브젝트를 추적하는 장치가 제공된다.
여기서, 상기 샘플링부는 상기 제1 오브젝트가 존재할 확률을 소정의 임계값과 비교하고, 상기 제1 오브젝트가 존재할 확률이 상기 소정의 임계값 보다 더 큰 구간에 대하여 상기 소정 개수의 샘플을 수집할 수 있다.
또한, 상기 확률 산출부는 상기 각 구간에 대하여 최대 우도 값을 산출하고, 상기 샘플링부는 상기 각 구간에서의 최대 우도 값에 비례하여 상기 각 구간에서 수집되는 샘플의 개수를 결정할 수 있다.
그리고, 상기 제1 오브젝트가 존재할 확률은 가우시안 분포로 결정될 수 있다.
예시적 실시예들의 다른 측면에 따르면, 타켓 영상에서 오브젝트를 추적하는 장치에 있어서, 필터를 이용하여 상기 오브젝트를 추적하는 오브젝트 추적부, 상기 필터에 대한 가중치의 과거값에 기반하여 상기 필터에 대한 가중치의 현재값을 업데이트하는 가중치 업데이트부 및 상기 가중치의 현재값을 소정의 임계값과 비교하고, 상기 가중치의 현재값이 상기 소정의 임계값 보다 더 작은 경우에, 상기 오브젝트에 대한 추적이 실패한 것으로 판단하는 제어부를 포함하는 오브젝트 추적 장치가 제공된다.
여기서, 상기 필터는 파티클 필터일 수 있다.
또한, 상기 오브젝트 추적부는 상기 타겟 영상에서 복수의 샘플을 수집하고, 상기 가중치 업데이트부는 상기 샘플들 각각에 대한 가중치를 평균하여 상기 필터에 대한 가중치의 현재값을 업데이트할 수 있다.
그리고, 상기 가중치 업데이트부는 하기 수학식 1에 따라서 상기 가중치의 현재값을 업데이트할 수 있다.
[수학식 1]
Figure pat00001

여기서,
Figure pat00002
는 오브젝트
Figure pat00003
를 추적하기 위한 필터에 대한 가중치의 현재값을 나타내고,
Figure pat00004
는 상기 가중치의 과거값을 나타낸다.
Figure pat00005
는 0부터 1사이의 값을 가지는 임의의 상수이고,
Figure pat00006
은
Figure pat00007
번째 샘플에 대한 가중치를 나타내고,
Figure pat00008
은 샘플의 개수를 나타낸다.
예시적 실시예들의 또 다른 일측에 따르면, 파티클 필터를 이용하여 타켓 영상에서 오브젝트를 추적하는 방법에 있어서, 상기 타겟 영상의 각 구간에 대하여 제1 오브젝트가 존재할 확률 및 제2 오브젝트가 존재할 확률을 산출하는 단계, 상기 제1 오브젝트가 존재할 확률이 상기 제2 오브젝트가 존재할 확률보다 큰 구간에 대하여 소정 개수의 샘플을 수집하는 단계 및 상기 수집된 샘플들에 기반하여 상기 제1 오브젝트를 추적하는 단계를 포함하는 오브젝트를 추적하는 방법이 제공된다.
여기서, 상기 샘플을 수집하는 단계는 상기 제1 오브젝트가 존재할 확률을 소정의 임계값과 비교하고, 상기 제1 오브젝트가 존재할 확률이 상기 소정의 임계값 보다 더 큰 구간에 대하여 상기 소정 개수의 샘플을 수집하는 오브젝트를 추적할 수 있다.
또한, 상기 확률을 산출하는 단계는 상기 각 구간에 대하여 최대 우도 값을 산출하고, 상기 샘플을 수집하는 단계는 상기 각 구간에서의 상기 최대 우도 값에 비례하여 상기 각 구간에서 수집되는 샘플의 개수를 결정하는 오브젝트를 추적할 수 있다.
그리고, 상기 제1 오브젝트가 존재할 확률은 가우시안 분포로 결정될 수 있다.
예시적 실시예들의 또 다른 일측에 따르면, 타켓 영상에서 오브젝트를 추적하는 방법에 있어서, 필터를 이용하여 상기 오브젝트를 추적하는 단계, 상기 필터에 대한 가중치의 과거값에 기반하여 상기 필터에 대한 가중치의 현재값을 업데이트하는 단계 및 상기 가중치의 현재값을 소정의 임계값과 비교하고, 상기 가중치의 현재값이 상기 소정의 임계값 보다 더 작은 경우에, 상기 오브젝트에 대한 추적이 실패한 것으로 판단하는 단계를 포함하는 오브젝트를 추적하는 방법이 제공된다.
여기서, 상기 필터는 파티클 필터일 수 있다.
또한, 상기 오브젝트를 추적하는 단계는 상기 타겟 영상에서 복수의 샘플을 수집하고, 상기 가중치를 업데이트하는 단계는 상기 샘플들 각각에 대한 가중치를 평균하여 상기 필터에 대한 가중치의 현재값을 업데이트할 수 있다.
그리고, 상기 가중치를 업데이트하는 단계는 하기 수학식 2에 따라서 상기 가중치의 현재값을 업데이트할 수 있다.
[수학식 2]
Figure pat00009

여기서,
Figure pat00010
는 오브젝트
Figure pat00011
를 추적하기 위한 필터에 대한 가중치의 현재값을 나타내고,
Figure pat00012
는 상기 가중치의 과거값을 나타낸다.
Figure pat00013
는 0부터 1사이의 값을 가지는 임의의 상수이고,
Figure pat00014
은
Figure pat00015
번째 샘플에 대한 가중치를 나타내고,
Figure pat00016
은 샘플의 개수를 나타낸다.
예시적 실시예들의 일측에 따르면, 타겟 영상 내에 복수의 오브젝트가 존재하는 경우에, 각 오브젝트의 움직임을 추적할 수 있다.
예시적 실시예들의 또 다른 일측에 따르면, 타겟 영상 내에 포함된 복수의 오브젝트가 서로 겹친 경우에도 각 오브젝트의 움직임을 계속하여 추적할 수 있다.
도 1은 예시적 실시예에 따른 오브젝트를 추적하는 장치의 구조를 도시한 블록도이다.
도 2는 예시적 실시예에 따른 오브젝트를 추적하는 장치에서, 샘플을 수집하는 방법을 설명하는 도면이다.
도 3은 또 다른 예시적 실시예에 따른 오브젝트를 추적하는 장치의 구조를 도시한 블록도이다.
도 4는 필터에 대한 가중치의 과거값을 고려하여 가중치의 현재값을 업데이트하는 개념을 도시한 도면이다.
도 5는 또 다른 예시적 실시예에 따른 오브젝트를 추적하는 방법을 단계별로 설명한 순서도이다.
도 6는 또 다른 예시적 실시예에 따른 오브젝트를 추적하는 방법을 단계별로 설명한 순서도이다.
도 1은 예시적 실시예에 따른 오브젝트를 추적하는 장치의 구조를 도시한 블록도이다.
도 1에 도시된 오브젝트를 추적하는 장치(100)는 확률 산출부(110), 샘플링부(120) 및 오브젝트 추적부(130)를 포함한다.
확률 산출부(110)는 타겟 영상을 수신하고, 타겟 영상의 각 구간에 대하여 복수의 오브젝트가 존재할 확률을 각각 산출한다. 타겟 영상에 제1 오브젝트와 제2 오브젝트가 포함된 경우에, 각 오브젝트들은 서로 다른 위치에 존재할 수도 있으나, 동일한 위치에 존재할 수도 있다. 확률 산출부(110)는 타겟 영상의 각 위치에 대하여 제1 오브젝트가 위치할 확률을 산출하고, 제2 오브젝트가 위치할 확률을 산출할 수 있다.
일측에 따르면, 특정위치에 제1 오브젝트가 위치할 확률과 제2 오브젝트가 위치할 확률은 서로 독립적으로 결정될 수 있다. 또한 각각의 오브젝트가 위치할 확률은 가우시안 분포로 결정될 수 있다.
도 2는 확률 산출부(110)가 산출한 확률을 도시한 도면이다.
도 2의 가로축은 타겟 영상의 특정 방향을 나타낸다. 즉, 타겟 영상의 가로축에 위치한 화소들을 나타낼 수도 있고, 세로축에 위치한 화소들을 나타낼 수 도 있다. 다른 실시예에 따르면 타겟 영상의 대각선 방향에 위치한 화소들을 나타낼 수도 있다. 또한, 도2의 세로축은 확률 산출부(110)가 산출한 확률의 값을 나타낸다.
확률 산출부(110)는 제1 오브젝트가 각 위치에 존재할 확률(210) 및 제2 오브젝트가 각 위치에 존재할 확률(220)을 각각 산출한다. 일측에 따르면, 제1 영역(230)에서는 제1 오브젝트가 각 위치에 존재할 확률(210)이 제2 오브젝트가 각 위치에 존재할 확률(220)보다 높다. 도 2를 참고하면, 제1 영역(230)에서도 제2 오브젝트가 존재할 확률(220)이 있으나, 제2 오브젝트가 존재할 확률(220)은 제1 오브젝트가 존재할 확률(210)보다 낮다.
또한, 제2 영역(240)에서는 제2 오브젝트가 각 위치에 존재할 확률(220)이 제1 오브젝트가 각 위치에 존재할 확률(210)보다 높다. 도 2를 참고하면, 제2 영역(240)에서도 제1 오브젝트가 존재할 확률(210)이 있으나, 제1 오브젝트가 존재할 확률(210)은 제2 오브젝트가 존재할 확률(220)보다 낮다.
샘플링부(120)는 제1 오브젝트가 존재할 확률(210)이 제2 오브젝트가 존재할 확률보다 더 큰 제1 영역(230)에 대하여 소정 개수의 샘플을 수집한다. 일측에 따르면, 샘플링부(120)는 제1 오브젝트가 존재할 확률(210)을 소정의 임계값과 비교할 수 있다. 샘플링부(120)는 제1 영역(230) 중에서 제1 오브젝트가 존재할 확률(210)이 소정의 임계값보다 더 큰 구간에 대해서만 소정 개수의 샘플을 수집할 수 있다.
일측에 따르면, 샘플링부(120)는 제1 영역(230) 및 제2 영역(240) 모두에 대하여 샘플들(260, 261, 262, 263, 264, 265, 266, 267, 268, 269)을 수집하고, 그 중에서 제2 영역(240)에서 수집된 샘플들(266, 267, 268, 269)들은 오브젝트 추적에 있어서 고려되지 않을 수 있다. 도 2를 참조하면, 샘플링부(120)는 제1 영역(230) 및 제2 영역(240)에 있어서 10개의 샘플들(260, 261, 262, 263, 264, 265, 266, 267, 268, 269)을 수집하나, 오브젝트를 추적하는 장치는 그 중에서 제1 영역(230)에 위치하는 6개의 샘플들(260, 261, 262, 263, 264, 265)만을 고려하여 오브젝트를 추적할 수 있다.
일측에 따르면 샘플링부(120)는 제1 오브젝트가 존재할 확률(210)을 고려하여 각 구간에서 수집되는 샘플의 개수를 결정할 수 있다. 일측에 따르면 확률 산출부(110)는 타겟 영상의 각 구간에 대하여 최대 우도값(250)을 산출한다. 최대 우도값(250)은 제1 오브젝트가 해당 구간에 존재할 확률(210)을 고려하여 산출될 수 있다. 일측에 따르면, 샘플링부(120)는 각 구간에서의 최대 우도값을 고려하여 각 구간에서 수집되는 샘플의 개수를 결정할 수 있다.
예를 들어 샘플링부(120)는 제1 영역(230)에 포함된 샘플들에 대하여 최대 우도값을 각 샘플에 대한 가중치로 설정하고, 특정 샘플의 가중치가 높다면 해당 샘플이 위치한 구간에서 더 많은 샘플들을 다시 수집할 수 있다. 이 경우에, 샘플링부(120)는 제2 영역(240)에 포함된 샘플들에 대해서는 가중치를 '0'으로 설정하고, 해당 샘플이 위치한 구간에서는 샘플을 다시 수집하지 않을 수 있다.
일측에 따르면, 샘플링부(120)는 최대 우도값에 비례하여 각 구간에서 수집되는 샘플의 개수를 결정할 수 있다. 예를 들어, 최대 우도값이 높은 구간에서는 수집되는 샘플의 개수가 많고, 최대 우도값이 낮은 구간에서는 수집되는 샘플의 개수가 적을 수 있다.
일측에 따르면, 샘플링부(120)는 제1 영역(230)에서 샘플링된 6개의 샘플들(260, 261, 262, 263, 264, 265) 각각이 위치하는 구간의 최대 우도값(250)을 고려하여 샘플링을 재수행할 수 있다.
도 2를 참고하면, 샘플링부(120)는 최대 우도값(250)이 작은 샘플들(270, 271, 274, 275)이 위치한 구간에서는 샘플링 개수를 동일하게 유지하고, 최대 우도값(250)이 큰 샘플들(272, 273)이 위치한 구간에서는 샘플링 개수를 증가시킬 수 있다.
일측에 따르면, 샘플링부(120)는 제2 영역(240)에 포함된 샘플들(266, 267, 268, 269)의 개수를 고려하여 다시 샘플링된 샘플들(280)의 개수가 최초 샘플링된 샘플들(260, 261, 262, 263, 264, 265, 266, 267, 268, 269)의 개수와 동일하도록 결정할 수 있다.
오브젝트 추적부(130)는 다시 샘플링된 샘플들에 기반하여 제1 오브젝트를 추적할 수 있다. 도 2에 도시된 실시예에 따르면, 제1 오브젝트가 위치할 가능성이 높은 구간에 많은 개수의 샘플들이 수집된다. 따라서, 제1 오브젝트에 대한 추적이 용이하게 수행될 수 있다.
도 3은 또 다른 예시적 실시예에 따른 오브젝트를 추적하는 장치의 구조를 도시한 블록도이다.
오브젝트를 추적하는 장치(300)는 오브젝트 추적부(310), 가중치 업데이트부(320) 및 제어부(330)를 포함한다.
오브젝트 추적부(310)는 필터를 이용하여 타겟 영상에 포함된 복수의 오브젝트를 추적한다. 일측에 따르면, 오브젝트 추적부(310)는 제1 필터를 이용하여 타겟 영상에 포함된 제1 오브젝트를 추적하고, 제2 필터를 이용하여 타겟 영상에 포함된 제2 오브젝트를 추적할 수 있다. 일측에 따르면 오브젝트 추적부(310)는 파티클 필터를 이용하여 오브젝트를 추적할 수 있다.
가중치 업데이트부(320)는 필터에 대한 가중치를 업데이트한다. 일측에 따르면 가중치 업데이트부(320)는 필터에 대한 가중치의 과거값에 기반하여 필터에 대한 가중치의 현재값을 업데이트한다. 일측에 따르면, 오브젝트 추적부(310)는 타겟 영상에서 복수의 샘플을 수집하고, 수집된 샘플을 이용하여 각 오브젝트를 추적한다.
가중치 업데이트부(320)는 특정 오브젝트를 추적하기 위하여 수집된 샘플 각각에 대한 가중치를 평균하여 특정 오브젝트에 대응되는 필터의 가중치를 업데이트할 수 있다. 예를 들어, 가중치 업데이트부(320)는 제1 오브젝트를 추적하기 위하여 10개의 샘플을 수집하고, 수집된 10개의 샘플에 대한 가중치를 평균하여 제1 오브젝트를 추적하기 위한 필터의 가중치를 업데이트할 수 있다.
제어부(330)는 오브젝트에 대한 추적이 성공적인지 여부를 판단한다. 일측에 따르면, 제어부(330)는 필터에 대한 가중치의 현재값을 이용하여 오브젝트에 대한 추적이 성공적인지 여부를 판단할 수 있다.
도 4는 필터에 대한 가중치의 과거값을 고려하여 가중치의 현재값을 업데이트하는 개념을 도시한 도면이다. 이하 도 4를 참조하여 가중치를 업데이트하는 개념을 상세히 설명하기로 한다.
타겟 영상(410)은 제1 오브젝트(411)와 제2 오브젝트(412)를 포함한다. 이 경우, 제1 오브젝트는 타겟 영상(410)에서와 같이 서로 간격을 두고 위치할 수 있다. 이 경우에, 오브젝트 추적부(310)는 각각의 오브젝트(411, 412)에 대응되는 필터를 이용하여 각각의 오브젝트(411, 412)를 추적할 수 있다.
제2 오브젝트(412)의 위치가 시간에 따라 변경되는 경우에, 오브젝트 추적부(412)는 과거에 제2 오브젝트(412)가 위치했던 지점의 주변(421)에서 현재의 제2 오브젝트를 추적할 수 있다.
타겟 영상(430)은 제2 오브젝트(432)의 위치가 변경되어 제1 오브젝트(431)와 제2 오브젝트(432)가 겹친 상태를 도시한 도면이다. 제2 오브젝트(432)는 점선으로 표시되었는데, 이는 제2 오브젝트(432)가 제1 오브젝트(431)에 가려 보이지 않는 것을 나타낸다.
일측에 따르면 필터에 대한 가중치는 제2 오브젝트(432)에 대한 샘플의 가중치를 평균하여 생성될 수 있다. 타겟 영상(420)과 같이 제2 오브젝트(432)가 제1 오브젝트(431)에 가려진 경우에, 제2 오브젝트(432)를 추적하기 위한 샘플들의 가중치는 매우 작다. 따라서, 순시치만으로 필터의 가중치를 산출하는 경우에, 제2 오브젝트(432)를 추적하기 위한 필터의 가중치도 매우 작은 값으로 산출된다.
일측에 따르면, 제어부(330)는 필터에 대한 가중치의 현재값을 소정의 임계값과 비교하고, 필터에 대한 가중치의 현재값이 소정의 임계값보다 더 작다면, 오브젝트에 대한 추적이 실패한 것으로 판단할 수 있다. 따라서 이 경우 제어부(330)는 제2 오브젝트(432)에 대한 추적이 실패한 것으로 판단할 수 있다.
일측에 따르면 가중치 업데이트부(330)는 필터에 대한 가중치의 과거값에 기반하여 상기 필터에 대한 가중치의 현재값을 업데이트할 수 있다. 예를 들어, 가중치 업데이트부(330)는 필터에 대한 가중치의 과거값과 대상 오브젝트에 대한 샘플의 가중치를 더하여 가중치의 현재값을 업데이트할 수 있다.
일측에 따르면, 가중치 업데이트부(330)는 하기 수학식 1에 따라서 가중치의 현재값을 업데이트 할 수 있다.
[수학식 1]
Figure pat00017

여기서,
Figure pat00018
는 오브젝트
Figure pat00019
를 추적하기 위한 필터에 대한 가중치의 현재값을 나타내고,
Figure pat00020
는 상기 가중치의 과거값을 나타낸다.
Figure pat00021
는 0부터 1사이의 값을 가지는 임의의 상수이고,
Figure pat00022
은
Figure pat00023
번째 샘플에 대한 가중치를 나타내고,
Figure pat00024
은 샘플의 개수를 나타낸다.
상기 설명된 바와 같이, 가중치의 과거값에 기반하여 가중치의 현재값을 업데이트하는 경우에는 타겟 영상(430)과 같이 제2 오브젝트(432)가 제1 오브젝트(431)의 뒤에 숨은 경우에도 제2 오브젝트(432)를 추적하기 위한 필터의 가중치가 급격히 감소하지 않는다.
예를 들어 타겟 영상(410)과 같이 제2 오브젝트(412)가 제1 오브젝트(411)와 분리된 경우에 샘플들의 가중치의 평균이 '1'이라 하고, 타겟 영상(430)과 같이 제2 오브젝트(432)가 제1 오브젝트(431)에 가려진 경우에 샘플들의 가중치의 평균이 '0.1'일 수 있다.
이 경우에, 순시치만으로 필터에 대한 가중치를 산출한다면, 타겟 영상(430)에서 제2 오브젝트(432)에 대응하는 필터의 가중치는 '0.1'이다. 그러나 수학식 1과 같이 가중치의 과거값에 기반하여 가중치의 현재값을 업데이트한다면, 가중치의 현재값은 '0.1'과 '1'사이의 값이 될 수 있다. 구체적으로,
Figure pat00025
의 값이 0.9라고 한다면, 가중치의 현재값은 '0.91'이 될 수 있다. 즉, 추적중인 오브젝트가 다른 오브젝트에 의해 가려진다고 해도 추적중인 오브젝트에 대응되는 필터의 가중치는 급격히 감소하지 않는다. 따라서 제어부(330)는 여전히 오브젝트가 추적중인 것으로 판단할 수 있다.
다만, 필터의 가중치가 감소하였다면, 오브젝트 추적부(310)는 좀더 넓은 범위(441)에서 제2 오브젝트를 추적할 수 있다.
타겟 영상(450)은 제2 오브젝트(452)가 이동하여 제1 오브젝트(451)로부터 벗어난 상태를 도시한 것이다. 이 경우에, 오브젝트 추적부(310)는 제2 오브젝트(452)를 성공적으로 추적할 수 있고, 제2 오브젝트(452)에 대응되는 필터의 가중치는 점차 증가한다.
이 경우에, 제어부(330)는 제2 오브젝트를 성공적으로 추적하고 있는 것으로 판단하고, 오브젝트 추적부(310)는 제2 오브젝트를 추적하기 위한 범위(461)를 좀더 좁힐 수 있다.
상기 설명된 실시예에 따르면 제2 오브젝트가 제1 오브젝트에 짧은 시간 동안 가려진 경우에도, 오브젝트 추적 장치는 여전히 제2 오브젝트를 추적할 수 있다. 그러나 제1 오브젝터에 제2 오브젝트가 가려진 시간이 길어지면, 제2 오브젝트에 대응하는 필터의 가중치가 소정의 임계값 이하가 되므로, 오브젝트 추적 장치는 제2 오브젝트에 대한 추적이 실패한 것으로 판단할 수 있다.
도 5는 또 다른 예시적 실시예에 따른 오브젝트를 추적하는 방법을 단계별로 설명한 순서도이다.
단계(510)에서 오브젝트 추적 장치는 타겟 영상의 각 구역에 대하여 제1 오브젝트가 존재할 확률 및 제2 오브젝트가 존재할 확률을 산출한다. 일측에 따르면 산출된 각각의 확률은 가우시안 분포로 결정될 수 있다.
단계(520)에서 오브젝트 추적 장치는 제1 오브젝트가 존재할 확률이 제2 오브젝트가 존재할 확률보다 더 큰 구역에 대하여 소정 개수의 샘플을 수집한다. 일측에 따르면, 오브젝트 추적 장치는 제1 오브젝트가 존재할 확률을 소정의 임계값과 비교하고, 제1 오브젝트가 존재할 확률이 제2 오브젝트가 존재할 확률보다 더 큰 구역 중에서 제1 오브젝트가 존재할 확률이 소정의 임계값 보다 더 큰 구간에 대하여 소정 개수의 샘플을 수집할 수 있다.
일측에 따르면 오브젝트 추적 장치는 단계(510)에서 타겟 영상의 각 구역에 대하여 최대 우도값을 산출할 수 있다. 이 경우에, 최대 우도값은 제1 오브젝트가 해당 구역에 존재할 확률 및 제2 오브젝트가 해당 구역에 존재할 확률을 고려하여 산출될 수 있다. 일측에 따르면, 오브젝트 추적 장치는 각 구역에서의 최대 우도값을 고려하여 각 구역에서 수집되는 샘플의 개수를 결정할 수 있다.
예를 들어, 오브젝트 추적 장치는 특정 샘플에 대응되는 최대 우도값을 해당 샘플에 대한 가중치로 설정하고, 해당 샘플에 대한 가중치에 비례하여 해당 샘플이 위치한 구간에서 수집되는 샘플의 개수를 결정할 수 있다. 예를 들어, 특정 샘플의 가중치가 높다면 해당 샘플이 위치한 구간에서 더 많은 샘플들을 다시 수집할 수 있다. 반대로, 특정 샘플의 가중치가 낮다면, 해당 샘플이 위치한 구간에서 적은 샘플들만을 다시 수집할 수 있다.
단계(530)에서 오브젝트 추적 장치는 수집된 샘플들을 이용하여 오브젝트를 추적한다. 상기 설명된 실시예에 따르면, 오브젝트가 위치할 가능성이 높은 구간에서는 많은 샘플이 수집되고, 오브젝트가 위치할 가능성이 낮은 구간에서는 적은 개수의 샘플만이 수집된다. 따라서, 오브젝트에 대한 추적이 용이하게 수행될 수 있다.
도 6는 또 다른 예시적 실시예에 따른 오브젝트를 추적하는 방법을 단계별로 설명한 순서도이다.
단계(610)에서 오브젝트 추적 장치는 필터를 이용하여 오브젝트를 추적한다. 일측에 따르면, 오브젝트 추적 장치는 파티클 필터를 이용하여 오브젝트를 추적할 수 있다.
단계(620)에서 오브젝트 추적 장치는 필터에 대한 가중치를 업데이트한다.
일측에 따르면 오브젝트 추적 장치는 단계(610)에서 오브젝트를 추적하기 위하여 타겟 영상에서 복수의 샘플을 수집하고, 단계(620)에서 샘플 각각에 대한 가중치를 평균하여 필터에 대한 가중치를 업데이트할 수 있다.
일측에 따르면, 오브젝트 추적 장치는 단계(620)에서 필터에 대한 가중치의 과거값에 기반하여 필터에 대한 가중치의 현재값을 업데이트할 수 있다. 이 경우, 추적중인 오브젝트가 다른 오브젝트에 의하여 가려진 경우에도 추적중인 오브젝트에 대한 가중치가 급격히 변경되지 않는다. 일측에 따르면 오브젝트 추적 장치는 수학식 1에 따라서 가중치의 현재값을 업데이트할 수 있다.
단계(630)에서 오브젝트 추적 장치는 가중치의 현재값을 소정의 임계값과 비교한다. 만약 가중치의 현재값이 소정의 임계값 보다 더 큰 경우에, 오브젝트 추적 장치는 현재 추적인인 오브젝트를 성공적으로 추적하고 있는 것으로 판단할 수 있다. 그러나, 가중치의 현재값이 소정의 임계값 보다 더 작은 경우에, 오브젝트 추정 장치는 현재 추적중인 오브젝트에 대한 추적이 실패한 것으로 판단할 수 있다.
상기 설명된 실시예에 따르면 추적중인 오브젝트가 다른 오브젝트에 짧은 시간 동안 가려진 경우에도, 오브젝트 추적 장치는 여전히 추적중인 오브젝트를 추적할 수 있다. 그러나 추적중인 오브젝트가 다른 오브젝트에 가려진 시간이 길어지면, 추적중인 오브젝트에 대응하는 필터의 가중치가 소정의 임계값 이하가 되므로, 오브젝트 추적 장치는 추적중인 오브젝트에 대한 추적이 실패한 것으로 판단할 수 있다.
본 발명의 일실시예에 따른 전송 방법 및 수신 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 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 지식을 가진 자에게 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 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 오브젝트를 추적하는 장치
110: 오브젝트 추적부
120: 가중치 업데이트부
130: 제어부

Claims (17)

  1. 파티클 필터를 이용하여 타켓 영상에서 오브젝트를 추적하는 장치에 있어서,
    상기 타겟 영상의 각 구간에 대하여 제1 오브젝트가 존재할 확률 및 제2 오브젝트가 존재할 확률을 산출하는 확률 산출부;
    상기 제1 오브젝트가 존재할 확률이 상기 제2 오브젝트가 존재할 확률보다 큰 구간에 대하여 소정 개수의 샘플을 수집하는 샘플링부; 및
    상기 수집된 샘플들에 기반하여 상기 제1 오브젝트를 추적하는 오브젝트 추적부
    를 포함하는 오브젝트를 추적하는 장치.
  2. 제1항에 있어서,
    상기 샘플링부는 상기 제1 오브젝트가 존재할 확률을 소정의 임계값과 비교하고, 상기 제1 오브젝트가 존재할 확률이 상기 소정의 임계값 보다 더 큰 구간에 대하여 상기 소정 개수의 샘플을 수집하는 오브젝트를 추적하는 장치.
  3. 제1항에 있어서,
    상기 확률 산출부는 상기 각 구간에 대하여 최대 우도 값을 산출하고,
    상기 샘플링부는 상기 각 구간에서의 최대 우도 값에 비례하여 상기 각 영역에서 수집되는 샘플의 개수를 결정하는 오브젝트를 추적하는 장치.
  4. 제1항에 있어서,
    상기 제1 오브젝트가 존재할 확률은 가우시안 분포로 결정되는 오브젝트를 추적하는 장치.
  5. 타켓 영상에서 오브젝트를 추적하는 장치에 있어서,
    필터를 이용하여 상기 오브젝트를 추적하는 오브젝트 추적부;
    상기 필터에 대한 가중치의 과거값에 기반하여 상기 필터에 대한 가중치의 현재값을 업데이트하는 가중치 업데이트부; 및
    상기 가중치의 현재값을 소정의 임계값과 비교하고, 상기 가중치의 현재값이 상기 소정의 임계값 보다 더 작은 경우에, 상기 오브젝트에 대한 추적이 실패한 것으로 판단하는 제어부
    를 포함하는 오브젝트 추적 장치.
  6. 제5항에 있어서,
    상기 필터는 파티클 필터인 오브젝트 추적 장치.
  7. 제5항에 있어서,
    상기 오브젝트 추적부는 상기 타겟 영상에서 복수의 샘플을 수집하고,
    상기 가중치 업데이트부는 상기 샘플들 각각에 대한 가중치를 평균하여 상기 필터에 대한 가중치의 현재값을 업데이트하는 오브젝트 추적 장치.
  8. 제7항에 있어서,
    상기 가중치 업데이트부는 하기 수학식 1에 따라서 상기 가중치의 현재값을 업데이트하는 오브젝트 추적 장치.

    [수학식 1]

    Figure pat00026


    여기서,
    Figure pat00027
    는 오브젝트
    Figure pat00028
    를 추적하기 위한 필터에 대한 가중치의 현재값을 나타내고,
    Figure pat00029
    는 상기 가중치의 과거값을 나타낸다.
    Figure pat00030
    는 0부터 1사이의 값을 가지는 임의의 상수이고,
    Figure pat00031
    은
    Figure pat00032
    번째 샘플에 대한 가중치를 나타내고,
    Figure pat00033
    은 샘플의 개수를 나타낸다.
  9. 파티클 필터를 이용하여 타켓 영상에서 오브젝트를 추적하는 방법에 있어서,
    상기 타겟 영상의 각 구간에 대하여 제1 오브젝트가 존재할 확률 및 제2 오브젝트가 존재할 확률을 산출하는 단계;
    상기 제1 오브젝트가 존재할 확률이 상기 제2 오브젝트가 존재할 확률보다 큰 구간에 대하여 소정 개수의 샘플을 수집하는 단계; 및
    상기 수집된 샘플들에 기반하여 상기 제1 오브젝트를 추적하는 단계
    를 포함하는 오브젝트를 추적하는 방법.
  10. 제9항에 있어서,
    상기 샘플을 수집하는 단계는 상기 제1 오브젝트가 존재할 확률을 소정의 임계값과 비교하고, 상기 제1 오브젝트가 존재할 확률이 상기 소정의 임계값 보다 더 큰 구간에 대하여 상기 소정 개수의 샘플을 수집하는 오브젝트를 추적하는 방법.
  11. 제9항에 있어서,
    상기 확률을 산출하는 단계는 상기 각 구간에 대하여 최대 우도 값을 산출하고,
    상기 샘플을 수집하는 단계는 상기 각 구간에서의 상기 최대 우도 값에 비례하여 상기 각 구간에서 수집되는 샘플의 개수를 결정하는 오브젝트를 추적하는 방법.
  12. 제9항에 있어서,
    상기 제1 오브젝트가 존재할 확률은 가우시안 분포로 결정되는 오브젝트를 추적하는 방법.
  13. 타켓 영상에서 오브젝트를 추적하는 방법에 있어서,
    필터를 이용하여 상기 오브젝트를 추적하는 단계;
    상기 필터에 대한 가중치의 과거값에 기반하여 상기 필터에 대한 가중치의 현재값을 업데이트하는 단계; 및
    상기 가중치의 현재값을 소정의 임계값과 비교하고, 상기 가중치의 현재값이 상기 소정의 임계값 보다 더 작은 경우에, 상기 오브젝트에 대한 추적이 실패한 것으로 판단하는 단계
    를 포함하는 오브젝트를 추적하는 방법.
  14. 제13항에 있어서,
    상기 필터는 파티클 필터인 오브젝트를 추적하는 방법.
  15. 제13항에 있어서,
    상기 오브젝트를 추적하는 단계는 상기 타겟 영상에서 복수의 샘플을 수집하고,
    상기 가중치를 업데이트하는 단계는 상기 샘플들 각각에 대한 가중치를 평균하여 상기 필터에 대한 가중치의 현재값을 업데이트하는 오브젝트를 추적하는 방법.
  16. 제15항에 있어서,
    상기 가중치를 업데이트하는 단계는 하기 수학식 2에 따라서 상기 가중치의 현재값을 업데이트하는 오브젝트를 추적하는 방법.

    [수학식 2]

    Figure pat00034


    여기서,
    Figure pat00035
    는 오브젝트
    Figure pat00036
    를 추적하기 위한 필터에 대한 가중치의 현재값을 나타내고,
    Figure pat00037
    는 상기 가중치의 과거값을 나타낸다.
    Figure pat00038
    는 0부터 1사이의 값을 가지는 임의의 상수이고,
    Figure pat00039
    은
    Figure pat00040
    번째 샘플에 대한 가중치를 나타내고,
    Figure pat00041
    은 샘플의 개수를 나타낸다.
  17. 제9항 내지 제16항 중에서 어느 하나의 항의 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
KR1020100127772A 2010-12-14 2010-12-14 복수의 오브젝트를 추적하는 장치 및 방법 KR101181146B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100127772A KR101181146B1 (ko) 2010-12-14 2010-12-14 복수의 오브젝트를 추적하는 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100127772A KR101181146B1 (ko) 2010-12-14 2010-12-14 복수의 오브젝트를 추적하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20120066429A true KR20120066429A (ko) 2012-06-22
KR101181146B1 KR101181146B1 (ko) 2012-09-17

Family

ID=46685803

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100127772A KR101181146B1 (ko) 2010-12-14 2010-12-14 복수의 오브젝트를 추적하는 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101181146B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101480834B1 (ko) * 2013-11-08 2015-01-13 국방과학연구소 다중 경로 음파 전달 모델 및 표적 식별을 이용한 표적 기동분석 방법
KR20160132731A (ko) * 2015-05-11 2016-11-21 계명대학교 산학협력단 열 영상에서 온라인 랜덤 펀 학습을 이용하여 보행자를 추적하는 장치 및 방법
CN113052875A (zh) * 2021-03-30 2021-06-29 电子科技大学 一种基于状态感知模板更新的目标跟踪算法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101414670B1 (ko) 2013-01-02 2014-07-04 계명대학교 산학협력단 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP4769943B2 (ja) * 2006-03-30 2011-09-07 国立大学法人電気通信大学 物体追跡装置、異常状態検知装置及び物体追跡方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101480834B1 (ko) * 2013-11-08 2015-01-13 국방과학연구소 다중 경로 음파 전달 모델 및 표적 식별을 이용한 표적 기동분석 방법
KR20160132731A (ko) * 2015-05-11 2016-11-21 계명대학교 산학협력단 열 영상에서 온라인 랜덤 펀 학습을 이용하여 보행자를 추적하는 장치 및 방법
CN113052875A (zh) * 2021-03-30 2021-06-29 电子科技大学 一种基于状态感知模板更新的目标跟踪算法

Also Published As

Publication number Publication date
KR101181146B1 (ko) 2012-09-17

Similar Documents

Publication Publication Date Title
US20180284777A1 (en) Method, control apparatus, and system for tracking and shooting target
KR101087592B1 (ko) Ｉｒ 영상추적기의 단일표적 추적성능 향상 방법
US7606416B2 (en) Landmark detection apparatus and method for intelligent system
US9946935B2 (en) Object tracking device, object tracking method, and object tracking program
US20200175693A1 (en) Image processing device, image processing method, and program
KR101071352B1 (ko) 좌표맵을 이용한 팬틸트줌 카메라 기반의 객체 추적 장치 및 방법
KR101181146B1 (ko) 복수의 오브젝트를 추적하는 장치 및 방법
JP2005250989A (ja) 移動物体追跡方法及び画像処理装置
KR101051389B1 (ko) 적응적 배경 기반의 객체 검출 및 추적 장치 및 방법
JP2012068961A (ja) 走路推定装置及びプログラム
KR101885839B1 (ko) 객체추적을 위한 특징점 선별 장치 및 방법
JP2019186955A (ja) 情報処理システム、情報処理方法及びプログラム
WO2014136499A1 (ja) 監視装置、監視方法および撮像部の配置方法
JP2013025490A (ja) 情報処理装置、物体追跡方法および情報処理プログラム
JP5229593B2 (ja) 目標追跡装置、目標追跡方法
JP6462528B2 (ja) 移動体追跡装置及び移動体追跡方法及び移動体追跡プログラム
KR20110074107A (ko) 카메라를 이용한 오브젝트 검출 방법
KR102295183B1 (ko) Cctv 프로젝션 모델을 이용한 cctv 영상의 객체 추적 방법
CN110991280A (zh) 基于模板匹配和surf的视频跟踪方法和装置
US20110304730A1 (en) Pan, tilt, and zoom camera and method for aiming ptz camera
KR102434397B1 (ko) 전역적 움직임 기반의 실시간 다중 객체 추적 장치 및 방법
JP2018025988A (ja) 画像処理プログラム、画像処理方法および画像処理装置
JP2006323437A (ja) 物体追跡方法、物体追跡方法のプログラム、物体追跡方法のプログラムを記録した記録媒体及び物体追跡装置
JP5218861B2 (ja) 目標追跡装置、目標追跡方法
KR102374565B1 (ko) 표적 추적 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20150619

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160629

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20170626

Year of fee payment: 6