KR20130091441A - 물체 추적 장치 및 그 제어 방법 - Google Patents

물체 추적 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR20130091441A
KR20130091441A KR1020120012721A KR20120012721A KR20130091441A KR 20130091441 A KR20130091441 A KR 20130091441A KR 1020120012721 A KR1020120012721 A KR 1020120012721A KR 20120012721 A KR20120012721 A KR 20120012721A KR 20130091441 A KR20130091441 A KR 20130091441A
Authority
KR
South Korea
Prior art keywords
tracking
background
frame
tracked
histogram
Prior art date
Application number
KR1020120012721A
Other languages
English (en)
Inventor
강우성
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020120012721A priority Critical patent/KR20130091441A/ko
Priority to US13/760,839 priority patent/US20130208947A1/en
Priority to EP13154693.9A priority patent/EP2626835A1/en
Publication of KR20130091441A publication Critical patent/KR20130091441A/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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

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

실제 추적 대상 오브젝트를 추적하는 물체 추적 장치의 제어 방법은, 상기 실제 추적 대상 오브젝트를 포함하는 제 1 프레임을 입력받는 단계, 상기 제 1 프레임에서 상기 실제 추적 대상 오브젝트을 포함하는 추적 대상 오브젝트 및 배경을 구분하는 단계, 상기 추적 대상 오브젝트 및 상기 배경에 대하여 색상 값에 대한 히스토그램을 생성하는 단계, 상기 추적 대상 오브젝트 및 상기 배경 각각에 대응하는 히스토그램을 서로 비교하여, 상기 추적 대상 오브젝트의 신뢰 데이터 및 상기 배경의 신뢰 데이터 각각을 결정하는 단계 및 상기 추적 대상 오브젝트 및 상기 배경 각각의 신뢰 데이터에 기초하여 제 2 프레임에서의 상기 실제 추적 대상의 다음 위치를 추정하는 단계를 포함한다.

Description

물체 추적 장치 및 그 제어 방법 { OBJECT TRACKING DEVICE AND METHOD FOR CONTROLLING THEREOF }
본 발명은 물체 추적 장치 및 그 제어 방법에 관한 것으로, 더욱 상세하게는 추적 대상 오브젝트가 가려진 경우에도 추적 대상 오브젝트를 추적할 수 있는 물체 추적 장치 및 그 제어 방법에 관한 것이다.
근자에 들어, 보안 관련 기술 개발의 요청이 활발하게 진행되고 있으며, 관련 분야 중 하나로 물체 추적 관련 방법이 개발이 활발하게 진행 중이다. 물체 추적 관련 기술은 복수 개의 촬영된 프레임이 입력되는 경우에 있어서, 특정 프레임에서 추적 대상 오브젝트가 검출되면, 특정 프레임 이후의 프레임에서 추적 대상 오브젝트의 위치를 판단하는 구성일 수 있다. 즉 복수 개의 프레임 각각에서 매번 추적 대상 오브젝트를 검출(detection)하는 것이 아니라, 하나의 프레임에서 추적 대상 오브젝트를 검출하고 이후의 프레임에서는 소정의 기준에 근거하여 추정 대상 오브젝트를 추적(tracking)하는 것이다.
상술한 바와 같이, 복수 개의 프레임 각각에서 매번 추적 대상 오브젝트를 검출(detection)하는 구성은 그 연산량이 증가하여 실시간으로 추적 대상 오브젝트를 추적하는 것이 어려우며, 이에 따라 연산량을 감소시키는 추적(tracking) 방법의 기술 개발이 요청되고 있다.
종래의 추적 방법에는 다양한 방법이 존재한다. 특히, 적응 물체 추적 알고리즘은 추적 대상 오브젝트가 조명, 크기 및 회전에 의하여 변경되는 경우에 있어서, 주기적으로 추적 대상 오브젝트를 갱신한다. 이는 과거 추적 대상 오브젝트로부터 획득된 히스토그램을 현재 추적 대상 오브젝트에서 획득된 히스토그램과 가중치 합계를 구함으로써, 추적 대상 오브젝트의 변경 사항을 반여알 수 있다.
대부분의 경우에 있어서, 추적 대상 오브젝트는 갑작스럽게 변경되지 않기 때문에, 과거의 모델에 더 많은 가중치를 부여하여 합계를 산출할 수 있다. 아울러, 현재 획득된 히스토그램이 과거 히스토그램과 비교하여 많은 차이가 가지는 경우에는 현재의 모델에 가중치를 높게 부여하는 방법을 사용함으로써 갑작스럽게 물체의 색상이 변할 때에도 추적이 가능하다.
하지만, 추적 대상 오브젝트의 추적 과정에서, 프레임의 배경이나 다른 오브젝트에 의하여 추적 대상 오브젝트가 가려지는 경우에 대하여서는 종래 기술에 의한 추적 방법이 고려하고 있지 않다. 특히, 추적 대상 오브젝트가 다른 오브젝트에 의하여 완전하게 가려지는 경우에는, 종래의 추적 방법은 상기 다른 오브젝트를 추적 대상 오브젝트로 인식하여 학습함으로써 본래의 추적 대상 오브젝트를 추적하지 않고 다른 오브젝트를 추적할 가능성이 다분하다.
본 발명은 상술한 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 추적 대상 오브젝트가 다른 오브젝트에 의하여 가려진 경우에도 추적 대상 오브젝트를 오차 없이 추적할 수 있는 추적 대상 장치 및 그 제어 방법을 제공하는 것에 있다.
상술한 바를 달성하기 위하여 본 발명에 의한 실제 추적 대상 오브젝트를 추적하는 물체 추적 장치의 제어 방법은, 상기 실제 추적 대상 오브젝트를 포함하는 제 1 프레임을 입력받는 단계; 상기 제 1 프레임에서 상기 실제 추적 대상 오브젝트을 포함하는 추적 대상 오브젝트 및 배경을 구분하는 단계; 상기 추적 대상 오브젝트 및 상기 배경에 대하여 색상 값에 대한 히스토그램을 생성하는 단계; 상기 추적 대상 오브젝트 및 상기 배경 각각에 대응하는 히스토그램을 서로 비교하여, 상기 추적 대상 오브젝트의 신뢰 데이터 및 상기 배경의 신뢰 데이터 각각을 결정하는 단계; 및 상기 추적 대상 오브젝트 및 상기 배경 각각의 신뢰 데이터에 기초하여 제 2 프레임에서의 상기 실제 추적 대상의 다음 위치를 추정하는 단계;를 포함한다.
아울러, 본 발명의 다른 측면에 의한 실제 추적 대상 오브젝트를 추적하는 물체 추적 장치는, 상기 실제 추적 대상 오브젝트를 포함하는 제 1 프레임 및 제 2 프레임을 촬영하는 촬영부; 및 상기 제 1 프레임에서 상기 실제 추적 대상 오브젝트을 포함하는 추적 대상 오브젝트 및 배경을 구분하고, 상기 추적 대상 오브젝트 및 상기 배경에 대하여 색상 값에 대한 히스토그램을 생성하고, 상기 추적 대상 오브젝트 및 상기 배경 각각에 대응하는 히스토그램을 서로 비교하여, 상기 추적 대상 오브젝트의 신뢰 데이터 및 상기 배경의 신뢰 데이터 각각을 결정하며, 상기 추적 대상 오브젝트 및 상기 배경 각각의 신뢰 데이터에 기초하여 상기 제 2 프레임에서의 상기 실제 추적 대상의 다음 위치를 추정하는 제어부;를 포함한다.
본 발명의 다양한 실시 예들에 의하여, 추적 대상 오브젝트가 다른 오브젝트에 의하여 가려진 경우에도, 오차 없이 추적 대상 오브젝트를 추적할 수 있는 추적 대상 장치 및 그 제어 방법이 제공된다.
특히, 추정 대상 오브젝트의 가려짐 정도를 판별하여 학습의 시기를 결정하여 추적 대상 오브젝트가 아닌 다른 오브젝트를 학습하는 것이 회피될 수 있다. 또한 추적 대상 오브젝트에 포함된 배경 정보를 최대한 배제함으로써, 추적 과정에서의 오차를 최소화할 수 있다.
도 1은 본 발명의 실시 예에 따른 물체 추적 장치 제어 방법의 흐름도이다.
도 2a는 추적 대상 오브젝트 템플릿이다.
도 2b는 파티클 필터 적용의 예시이다.
도 3a는 추적 대상 오브젝트가 가려진 것을 설명하기 위한 개념도이다.
도 3b는 써치 영역이 확장된 것을 설명하기 위한 개념도이다.
도 4는 본 발명의 다른 측면에 의한 물체 추적 장치의 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 히스토그램을 이용하는 추적 대상 오브젝트를 구분하는 방법을 설명하기 위한 흐름도이다.
도 6은 실제 추적 대상 오브젝트 및 추적 대상 오브젝트와의 관계를 설명하기 위한 개념도이다.
도 7a 및 7b는 수학식 5의 히스토그램 데이터를 나타내는 히스토그램들이다.
도 8a는 R채널에서의 추적 대상 오브젝트 및 배경에 대한 히스토그램이며, 도 8b는 G 및 B 채널에서의 히스토그램이다.
도 9는 물체 추적 장치가 R, G, B 채널에서 히스토그램을 결정한 경우에 대한 제어 방법의 흐름도이다.
도 10은 본 발명의 실시 예에 의한 물체 추적 장치에서, 신뢰 데이터를 반복하여 선택하는 과정 및 그 분류 결과를 설명하기 위한 개념도이다.
도 11은 도 10의 개념도에 각각 대응하는 VR 값이다.
도 12는 본 발명의 실시 예에 의한 신뢰 데이터 반복 선택을 위한 코드이다.
이하에서는, 본 발명의 바람직한 실시 예를 첨부한 도면을 참조하여 더욱 상세하게 설명하도록 한다. 도면들 중 동일한 구성 요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음에 유의하여야 한다. 하기 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다.
도 1은 본 발명의 실시 예에 따른 물체 추적 장치 제어 방법의 흐름도이다.
물체 추적 장치는 영상을 입력받을 수 있다(S101). 여기에서 영상은 복수 개의 프레임을 포함할 수 있다. 복수 개의 프레임은 시간의 경과에 따라서 촬영된 연속된 프레임일 수 있으며, 각각의 프레임은 추적 대상 오브젝트를 포함할 수 있다. 아울러, 각각의 프레임은 추적 대상 오브젝트 이외의 다른 오브젝트를 포함할 수 있고, 추적 대상 오브젝트 이외의 다른 오브젝트를 통칭하여 배경이라고 명명할 수도 있다. 한편, 각각의 프레임 중 일부의 프레임에서는 추적 대상 오브젝트가 포함되지 않을 수도 있다. 예를 들어, 추적 대상 오브젝트가 배경에 포함된 다른 오브젝트에 의하여 가려지는 경우에는, 특정 프레임에 추적 대상 오브젝트가 포함되지 않을 수 있다.
물체 추적 장치는 특정 프레임에서 추적 대상 오브젝트가 가려진 지의 여부를 판단할 수 있다(S102). 더욱 상세하게는, 물체 추적 장치는 우선 특정 프레임을 추적 대상 오브젝트 및 배경으로 구분할 수 있다. 도 2a는 추적 대상 오브젝트 템플릿이다. 물체 추적 장치는 추적 대상 오브젝트 템플릿을 기저장할 수 있으며, 독출된 추적 대상 오브젝트 템플릿을 기초로 특정 프레임에서 추적 대상 오브젝트를 배경으로부터 구분할 수 있다. 물체 추적 장치는 추적 대상 오브젝트 템플릿을 생성할 수도 있으며, 이에 대하여서는 더욱 상세하게 후술하도록 한다.
물체 추적 장치는 특정 프레임에서, 구분된 추적 대상 오브젝트 템플릿 및 배경에 대한 히스토그램을 생성할 수 있다. 여기에서, 히스토그램은 예를 들어 RGB 픽셀 값과 같은 통계로서 형성될 수 있으며, 특정 프레임의 특징을 표현할 수 있는 기준이면 특별한 제한은 없음을 당업자는 용이하게 이해할 것이다.
한편, 물체 추적 장치는 도 2b와 같은 파티클 필터(particle filter)를 특정 프레임에 적용할 수 있다. 물체 추적 장치는 도 2b에 도시된 바와 같이, 추적 대상 오브젝트를 기점(203)으로 하여, 기점(203) 주변의 소정의 써치 영역에 복수 개의 서브 써치 영역(201,204,205,206)을 생성하여 추적 대상 오브젝트를 검색할 수 있다.
물체 추적 장치는, 파티클 필터를 특정 프레임 이후의 프레임에 적용함으로써 추적 대상 오브젝트의 다음 위치에 대하여 추정할 수 있다. 특히, 본 발명에 의한 물체 추적 장치는, 추적을 위한 스테이트(state)로써, x 축 및 y 축 위치 및, 윈도우의 가로 세로 길이를 사용할 수 있다. 스테이트는 Xk=[xk,yk,wk,hk]T로 표기될 수 있으며, 스테이트의 다이내믹스 모델(dynamics model)은 수학식 1과 같이 표현될 수 있다.
Figure pat00001
여기에서, Xk +1은 k번째 스테이트의 다음 스테이트일 수 있다. 아울러, Wk는 [ 추가적인 설명을 부탁드리겠습니다 .]. 또한
Figure pat00002
는 이전 n개의 프레임으로부터 구한 추적 대상 오브젝트의 x축 방향의 평균 속도이며,
Figure pat00003
는 이전 n개의 프레임으로부터 구한 추적 대상 오브젝트의 y축 방향의 평균 속도이다.
Figure pat00004
는 윈도우의 가로 길이의 분산,
Figure pat00005
는 윈도우의 세로 길이의 분산이다.
스테이트 Xk의 확률 값 πk를 근사화하기 위하여, 물체 추적 장치는 Rt(I)에 의하여 결정되는 가중화된 로그 우도 이미지(weighted log likelihood image,WLI)를 이용할 수 있다. 여기에서, Rt(I)는 가중치 우도의 합으로, 이에 대한 설명은 더욱 상세하게 후술하도록 한다.
한편, 스테이트 Xk에 의하여 정의될 수 있는 영역을 A(Xk)라고 명명할 수 있으며, WLI는 A(Xk)의 모든 픽셀의 Rt(I)를 계산하여 획득될 수 있다. 여기에서 WLI는 수학식 2와 같이 표현될 수 있다.
Figure pat00006
물체 추적 장치는 M개의 파티클
Figure pat00007
이 주어진다고 상정하는 경우, 스테이트 Xm k확률은 수학식 3 및 4에 의하여 결정될 수 있다.
Figure pat00008
Figure pat00009
여기에서, a는 이산 확률 πm k의 분산을 조절할 수 있는 파라미터이다.
한편, 물체 추적 장치는, 가중치 우도 값 Rt(I)의 합이 음수인 값을 다수 포함하는 경우에는 추적 대상 오브젝트가 가려진 것 또는 빗나간 것(drift)으로 판단할 수 있다(S102-Y). 도 3a는 추적 대상 오브젝트가 가려진 것을 설명하기 위한 개념도이다.
도 3a에 도시된 바와 같이, 정상 상태에서는, 추적 대상 오브젝트(301)이 파티클(302) 내부에 포함되는 것과 같이 확인될 수 있다. 하지만, 추적 대상 오브젝트(312)의 일부가 파티클(323)의 바깥에 배치되는 경우(drift)가 발생할 수 있다. 아울러, 추적 대상 오브젝트(305)가 다른 오브젝트(304)에 의하여 겹쳐지며, 파티클(303)은 이를 한꺼번에 포함할 수도 있다.
상기의 빗겨서 존재하는 경우(drift) 및 겹쳐지는 경우에 있어서, 가중치 우도 값의 값이 음수인 값을 다수 포함할 수 있으며, 물체 추적 장치는 가중치 우도 합을 확인함으로써 추적 대상 오브젝트가 겹쳐진 지의 여부를 판단할 수 있다(S102).
한편, 가중치 우도의 합을 확인하여, 추적 대상 오브젝트가 겹쳐진 것으로 판단되는 경우에는(S102-Y), 물체 추적 장치는 파티클의 써치 영역을 확장할 수 있다(S106). 도 3b는 써치 영역이 확장된 것을 설명하기 위한 개념도이다.
도 3b에 도시된 파티클(311 내지 317)은 도 2b의 파티클(201 내지 206)에 의한 써치 영역과 비교하여 확장된 것을 확인할 수 있다.
물체 추적 장치는, 확장된 써치 영역에 대하여 파티클 필터를 적용하여 추적 대상 오브젝트의 다음 위치를 추정할 수 있다(S104).
한편, 물체 추적 장치는 추적 대상 오브젝트가 가려진 것으로 판단되지 않은 경우에는(S102-N), 추적 대상 오브젝트의 신뢰 데이터 업데이트할 수 있다(S103). 추적 대상 오브젝트의 신뢰 데이터에 대하여서는 더욱 상세하게 후술하도록 한다.
물체 추적 장치는 추적 대상 오브젝트의 템플릿을 업데이트하고, 추적 대상 오브젝트의 다음 위치를 추정할 수 있다(S104). 여기에서 물체 추적 장치는 파티클 필터를 적용하여 추적 대상 오브젝트를 추정할 수 있으며, 이에 관하여서는 도 2b와 설명한 바와 동일하다.
물체 추적 장치는 상술한 바와 같이, 추적 대상 오브젝트가 가려진 경우 및 가려지지 않은 경우에 대하여서, 다음 위치를 추정할 수 있으며 추정되 영역을 저장할 수 있다(S105). 물체 추적 장치는 영상의 모든 프레임에 대하여서 상술한 과정을 반복할 수 있다(S107).
상술한 바와 같이, 본 발명에 의한 물체 추적 장치는 추적 대상 오브젝트가 가려진 경우에 있어서도 효과적으로 추적을 수행할 수 있다.
도 4는 본 발명의 다른 측면에 의한 물체 추적 장치의 블록도이다.
도 4에 도시된 바와 같이, 물체 추적 장치(400)는 촬영부(410), 제어부(420) 및 저장부(430)를 포함할 수 있다.
촬영부(410)는 제어부(420)의 제어에 의하여 추적 대상 오브젝트 및 배경을 포함하는 프레임을 촬영할 수 있다. 촬영부(410)는 기설정된 기간 동안 복수 개의 프레임을 촬영할 수 있으며, 촬영된 복수 개의 프레임을 영상이라고 명명할 수도 있다. 촬영부(410)는, 제어부(420)의 제어에 따라서 고정된 영역을 촬영하거나 또는 실시간으로 변동된 영역을 촬영할 수 있다. 예를 들어, 촬영부(410)는 PZT 카메라일 수 있으며, 제어부(420)의 제어에 의하여 패닝(panning), 주밍(zooming) 및 틸팅(tilting)하여 특정 영역을 촬영할 수 있다. 촬영부(410)는 CMOS 또는 CCD 등의 촬영 모듈을 포함할 수도 있다. 한편, 제어부(420)의 제어에 의하여 고정 또는 변동되는 영역을 촬영할 수 있는 수단이라면 제한이 없음을 당업자는 용이하게 이해할 수 있을 것이다.
제어부(420)는 입력된 영상의 하나의 프레임에서 추적 대상 오브젝트가 가려진 지의 여부를 판단할 수 있다. 더욱 상세하게, 제어부(420)는 상기 하나의 프레임에서 추적 대상 오브젝트를 배경으로부터 구분할 수 있다. 제어부(420)는 저장부(430)로부터 독출한 추적 대상 오브젝트 템플릿에 기초하여 상기 구분을 수행할 수 있다.
제어부(420)는 추적 대상 오브젝트 및 배경에 대하여, 예를 들어 RGB 색상 좌표에 기초한 히스토그램을 생성할 수 있다. 아울러, 제어부(420)는 가중치 우도의 합계에 기초하여 추적 대상 오브젝트가 가려진 지의 여부를 판단할 수 있다.
제어부(420)가 상술한 바와 같이 추적 대상 오브젝트의 가려짐 여부를 판단하는 것과 관련하여서는 도 1과 관련한 설명에서 상세하게 설명하였기 때문에 여기에서의 더 이상의 설명은 생략하도록 한다.
제어부(420)는 추적 대상 오브젝트의 다음 위치를 추정하는 과정에서 파티클 필터를 적용할 수 있다. 제어부(420)는 추적 대상 오브젝트가 가려진 것으로 판단되는 경우에는, 파티클 필터의 써치 영역을 확장시켜서 추적 대상 오브젝트의 다음 위치를 추정할 수 있다.
아울러, 제어부(420)는 추적 대상 오브젝트가 가려지지 않은 것으로 판단되는 경우에는, 특징 결정을 이용하여 추적 대상 오브젝트 템플릿을 저장부(430)에 업데이트할 수 있다. 아울러, 제어부(420)는 추적 대상 오브젝트의 다음 위치를 추정한 이후에는 추정 영역을 저장부(430)에 저장할 수 있다.
제어부(420)는 하나의 프레임에 대하여 추적 대상 오브젝트의 구분 및 다음 위치 추정 및 추정 영역 저장을 수행하고, 다음 프레임에 대하여서도 추정 대상 오브젝트의 구분 및 다음 위치 추정 및 추정 영역 저장을 수행할 수 있다. 제어부(420)는 영상의 모든 프레임에 대하여서 상술한 과정을 반복할 수 있다.
제어부(420)는, 예를 들어 다음 위치에 대한 추정 영역과 관련한 정보에 기초하여 촬영부(410)의 촬영 영역을 조정할 수도 있다. 이에 따라, 추적 대상 오브젝트가 고정 영역을 벗어난 경우에도 추적하면서 촬영할 수 있는 효과가 창출될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 히스토그램을 이용하는 추적 대상 오브젝트를 구분하는 방법을 설명하기 위한 흐름도이다.
물체 추적 장치는 영상을 입력받을 수 있다(S501). 물체 추적 장치는 입력된 영상의 하나의 프레임에서 추적 대상 오브젝트의 픽셀을 검출할 수 있다(S502). 물체 추적 장치는 추적 대상 오브젝트 템플릿에 기초하여 추적 대상 오브젝트의 픽셀을 검출할 수 있다. 다만, 상술한 바와 같은 추적 대상 오브젝트의 가려짐 여부 판단을 위하여 실제 추적 대상 오브젝트를 포함하는 직사각형 형태의 윈도우를 추적 대상 오브젝트로 검출한다.
도 6은 실제 추적 대상 오브젝트 및 추적 대상 오브젝트와의 관계를 설명하기 위한 개념도이다. 도 6은 하나의 프레임(603)으로, 실제 추적 대상 오브젝트(601)를 포함하고 있다. 다만, 상술한 바와 같이, 추적 대상 오브젝트의 가려짐 여부 판단을 위하여 물체 추적 장치는 실제 추적 대상 오브젝트(601)를 포함하는 직사각형의 윈도우를 추적 대상 오브젝트(602)로 결정한다. 한편, 추적 대상 오브젝트(602)의 외곽 부분은 배경으로 결정할 수 있다.
물체 추적 장치는 추적 대상 오브젝트 및 배경 각각에 대하여 특징 히스토그램을 결정할 수 있다. 예를 들어, 물체 추적 장치는 추적 대상 오브젝트 및 배경의 히스토그램 데이터를 수학식 5와 같이 결정할 수 있다.
Figure pat00010
수학식 5에서 O는 추적 대상 오브젝트의 히스토그램 데이터이며, B는 배경의 히스토그램 데이터이다. 아울러, 도 7a 및 7b는 수학식 5의 히스토그램 데이터를 나타내는 히스토그램들이다. 도 7a는 추적 대상 오브젝트의 히스토그램으로, a의 bin에서 4개의 도수, b의 bin에서 3개의 도수, c의 bin에서 1개의 도수, d의 bin에서 4개의 도수, e의 bin에서 0개의 도수를 나타냄을 확인할 수 있다. 도 7b는 배경의 히스토그램으로, a의 bin에서 2개의 도수, b의 bin에서 5개의 도수, c의 bin에서 1개의 도수, d의 bin에서 2개의 도수, e의 bin에서 1개의 도수를 나타냄을 확인할 수 있다.
물체 추적 장치는 추적 대상 오브젝트 및 배경을 대표할 수 있는 신뢰 데이터를 결정할 수 있다. 예를 들어 물체 추적 장치는 수학식 6 및 7에 기초하여 추적 대상 오브젝트 및 배경에 대한 신뢰 데이터를 결정할 수 있다.
Figure pat00011
수학식 6에서, p(i)는 추적 대상 오브젝트의 i번째 bin을 의미하며, q(i)는 배경의 i번째 bin을 의미할 수 있다. 아울러, δ는 임의의 값으로, log함수 내부의 값이 0이 되는 것을 방지하는 역할을 할 수 있다.
Figure pat00012
물체 추적 장치는 추적 대상 오브젝트의 신뢰 데이터를 결정함에 있어서, 특정 bin이 추적 대상 오브젝트의 bin 집합에 포함되며, 수학식 6에 의한 로그 우도 함수에 적용 결과가 0보다 큰 경우를 추적 대상 오브젝트의 신뢰 데이터로 결정한다. 아울러, 물체 추적 장치는 배경의 신뢰 데이터를 결정함에 있어서, 특정 bin이 추적 대상 오브젝트의 bin 집합에 포함되며, 수학식 6에 의한 로그 우도 함수에 적용 결과가 0보다 작은 경우를 배경의 신뢰 데이터로 결정한다.
수학식 6 및 7에 의하여 결정된 추적 대상 오브젝트 및 배경에 대한 각각의 신뢰 데이터는 수학식 8과 같이 결정될 수 있다.
Figure pat00013
도 7c는 도 7a 및 7b의 히스토그램을 함께 도시한 히스토그램들이다. 도 7c는 추적 대상 오브젝트 및 배경 각각의 신뢰 데이터를 결정하는 과정을 설명할 수 있다. 도 7c에서 추적 대상 오브젝트가 더 높은 도수를 가지는 a 및 d bin은 추적 대상 오브젝트의 신뢰 데이터로 결정되며, 배경이 더 높은 도수를 가지는 b 및 e bin은 배경의 신뢰 데이터로 결정된다.
물체 추적 장치는 각각의 신뢰 데이터에 기초하여 추적 대상 오브젝트를 추적할 수 있다. 즉, 이전 프레임에서의 추적 대상 오브젝트의 신뢰 데이터를 이용하여, 이후 프레임에서의 추적 대상 오브젝트의 후보와의 유사도를 판단할 수 있다. 추적 대상 오브젝트는 상술한 파티클 필터를 적용하는 방식에 의하여 결정된다.
한편, 본 발명의 다른 실시 예에 의한 물체 추적 장치는 도 8a 및 8b와 같이 RGB 채널 각각에 대한 히스토그램을 결정할 수도 있다. 도 8a는 R채널에서의 추적 대상 오브젝트 및 배경에 대한 히스토그램이며, 도 8b는 G 및 B 채널에서의 히스토그램이다.
물체 추적 장치가 R, G, B 채널에서 각각 히스토그램을 결정한 경우에 있어서, 물체 추적 장치는 각각의 채널에 대하여 가중치를 부여할 수 있다. 도 9는 물체 추적 장치가 R, G, B 채널에서 히스토그램을 결정한 경우에 대한 제어 방법의 흐름도이다.
물체 추적 장치는 영상을 입력받을 수 있다(S901). 물체 추적 장치는 영상 중 특정 프레임에서 추적 대상 오브젝트 픽셀을 검출할 수 있다(S902). 물체 추적 장치는 오브젝트 및 배경에 대한 R, G, B 채널 각각에서 히스토그램을 결정할 수 있다(S903). R,G,B 채널 각각에서 결정된 히스토그램은 도 8a 및 8b와 같을 수 있다. 색상 채널별 추적 대상 오브젝트 및 배경을 구분하는 것을 수학식 9에 의할 수 있다.
Figure pat00014
여기에서 δ는 예를 들어 0.001일 수 있다. 위첨자 c는 R,G,B 색상에 해당하며, 아래첨자 t는 신뢰 데이터임을 의미한다. 수학식 9의 값이 양수인 경우에는 추적 대상 오브젝트로, 음수인 경우에는 배경으로 판단할 수 있다.
물체 추적 장치는 R, G, B 채널 별의 3개의 히스토그램의 bin 마다 분류 성능에 따른 가중치를 할당할 수 있다(S904). 물체 추적 장치는 추적 대상 오브젝트를 배경으로 구분하거나, 또는 배경을 추적 대상 오브젝트로 구분한 히스토그램의 bin에는 낮은 가중치를 부여할 수 있다. 아울러, 물체 추적 장치는 추적 대상 오브젝트를 추적 대상 오브젝트로 구분하거나, 또는 배경을 배경으로 구분한 히스토그램의 bin에는 높은 가중치를 부여할 수 있다. 수학식 10은 상술한 바를 반영한 bin 에러율에 대한 수학식이다.
Figure pat00015
수학식 10에서 nt wrong은 bin ic에 의하여 오 분류된 픽셀의 수이며, nt(ic)는 bin ic에 의하여 테스트된 픽셀의 개수이다.
한편, 가중치는 수학식 10에 의한 에러율에 기초하여 수학식 11 및 12와 같이 표현될 수 있다.
Figure pat00016
Figure pat00017
한편, 물체 추적 장치는 픽셀 u=(x,y)는 u를 bin index I=(iR,iG,iB)로 사상시키는 함수 b(u)가 주어지는 경우에 있어서, R,G,B 히스토그램의 3개의 bin 분류 결과로부터 최종 분류 결과를 얻기 위하여 가중치 wc t(ic)를 이용할 수 있다.
물체 추적 장치는 3개 채널의 가중치 합으로 생성된 새로운 추적 대상 오브젝트의 히스토그램 및 배경 히스토그램을 이용하여 획득된 가중화된 로그 우도 비율(wighted log-likelihood ratio)에 기초하여 후보 영역의 각 픽셀을 분류할 수 있다(S905). 수학식 13은 가중화된 로그 우도 비율이다.
Figure pat00018
여기에서 Rct(ic)는 수학식 14의 관계를 만족할 수 있다.
Figure pat00019
아울러, 물체 추적 장치는 구분된 픽셀 집합을 구분하여, 추적 대상 오브젝트 및 배경의 신뢰 데이터를 결정할 수 있다(S906). 이때,
Figure pat00020
에서 양의 함수값을 갖는 픽셀 및
Figure pat00021
에서 음의 함수값을 갖는 픽셀을 신뢰 데이터를 가지는 픽셀로 선택하고, 각각의 집합을
Figure pat00022
및
Figure pat00023
라고 한다. 한편, 이들 사이의 관계는 수학식 15와 같이 표현될 수 있다.
Figure pat00024
한편, 물체 추적 장치는 상술한 과정을 반복할 수 있으며(S907), 구분 능력의 증가율이 기설정된 임계값 미만이 되는 경우(S907-Y), 반복을 중단할 수 있다. 상기의 임계값은 히스토그램의 분산과 관련하여 정의될 수 있다.
수학식 16은 본 발명의 가중화된 로그 우도 Rc(ic)의 분산이다.
Figure pat00025
이에 따라 색상별 c에서의 Rc t(ic)의 VRc t는 수학식 17과 같이 정의될 수 있다.
Figure pat00026
결국, Rt(iR,iG,iB)의 총 VR값은 수학식 18로 정의될 수 있다.
Figure pat00027
수학식 18은 두 히스토그램 사이의 이격 정도(separability)를 측정할 수 있는 척도이다. 이에 따라 수학식 18의 값이 최대화되어 특정 값에 수렴되고 있다는 것은 추적 대상 오브젝트 및 배경 사이의 이격 능력이 수렴하고 있다는 의미일 수 있다.
도 10은 본 발명의 실시 예에 의한 물체 추적 장치에서, 신뢰 데이터를 반복하여 선택하는 과정 및 그 분류 결과를 설명하기 위한 개념도(1212 내지 1217)이다. 도 10의 좌측에서부터 우측으로 진행하면서 신뢰 데이터의 반복 선택 회수는 증가한다. 도 10에 도시된 바와 같이, 신뢰 데이터의 선택을 반복함에 따라서, 추정 대상 오브젝트를 보다 명확하게 구분할 수 있음을 확인할 수 있다.
도 11은 도 10의 개념도 (1212 내지 1217)에 각각 대응하는 VR 값이다. 반복 회수가 4회 이상 이후부터, VR 값의 변동폭이 크게 감소하는 것을 확인할 수 있다.
도 12는 본 발명의 실시 예에 의한 신뢰 데이터 반복 선택을 위한 코드이다.
이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 누구든지 본 발명의 기술적 사상 및 범위를 벗어나지 않는 범주 내에서 본 발명의 바람직한 실시 예를 다양하게 변경할 수 있음은 물론이다. 따라서 본 발명은 특허청구범위에서 청구하는 본 발명의 요지를 벗어나지 않는다면 다양한 변형 실시가 가능할 것이며, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

Claims (26)

  1. 실제 추적 대상 오브젝트를 추적하는 물체 추적 장치의 제어 방법에 있어서,
    상기 실제 추적 대상 오브젝트를 포함하는 제 1 프레임을 입력받는 단계;
    상기 제 1 프레임에서 상기 실제 추적 대상 오브젝트을 포함하는 추적 대상 오브젝트 및 배경을 구분하는 단계;
    상기 추적 대상 오브젝트 및 상기 배경에 대하여 색상 값에 대한 히스토그램을 생성하는 단계;
    상기 추적 대상 오브젝트 및 상기 배경 각각에 대응하는 히스토그램을 서로 비교하여, 상기 추적 대상 오브젝트의 신뢰 데이터 및 상기 배경의 신뢰 데이터 각각을 결정하는 단계; 및
    상기 추적 대상 오브젝트 및 상기 배경 각각의 신뢰 데이터에 기초하여 제 2 프레임에서의 상기 실제 추적 대상의 다음 위치를 추정하는 단계;를 포함하는 물체 추적 장치의 제어 방법.
  2. 제 1 항에 있어서,
    상기 실제 추적 대상의 다음 위치를 추정하는 단계는,
    상기 제 2 프레임에 파티클 필터(particle filter)를 적용하여 후보 영역을 결정하는 단계; 및
    상기 후보 영역과 상기 제 1 프레임에서의 상기 추적 대상 오브젝트를, 상기 추적 대상 오브젝트의 신뢰 데이터에 기초하여 비교하여 유사도를 판단하는 단계;를 포함하는 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  3. 제 2 항에 있어서,
    상기 제 2 프레임에서의 추적 대상 오브젝트가 다른 오브젝트에 의하여 가려진 여부를 판단하는 단계;를 더 포함하는 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  4. 제 3 항에 있어서,
    상기 제 2 프레임에서의 추적 대상 오브젝트가 가려진 것으로 판단되는 경우에는, 상기 제 2 프레임에서의 파티클 필터 적용 써치 영역을 확장하여 추적 대상 오브젝트의 다음 위치를 추정하는 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  5. 제 3 항에 있어서,
    상기 제 2 프레임에서의 추적 대상 오브젝트가 가려지지 않은 것으로 판단되는 경우에는, 상기 신뢰 데이터를 업데이트 하는 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  6. 제 1 항에 있어서,
    상기 제 2 프레임에서의 상기 실제 추적 대상의 다음 위치 정보를 저장하는 단계;를 더 포함하는 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  7. 제 1 항에 있어서,
    상기 제 1 프레임에서 상기 실제 추적 대상 오브젝트을 포함하는 추적 대상 오브젝트 및 배경을 구분하는 단계는,
    추적 대상 오브젝트 템플릿을 독출하는 단계; 및
    상기 추적 대상 오브젝트 템플릿 및 상기 제 1 프레임을 비교하여 상기 실제 추적 대상 오브젝트를 포함하는 추적 대상 오브젝트를 구분하는 단계;를 포함하는 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  8. 제 1 항에 있어서,
    상기 추적 대상 오브젝트의 신뢰 데이터 및 상기 배경의 신뢰 데이터 각각을 결정하는 단계는,
    하기 수학식 6에 의하여 결정되는 것을 특징으로 하며,
    [수학식 6]
    Figure pat00028

    상기 p(i)는 상기 추적 대상 오브젝트 히스토그램의 i번째 bin이며, 상기 q(i)는 상기 배경 히스토그램의 i번째 bin이며, 상기 δ는 로그 함수 내부의 값이 0이 되는 것을 방지하기 위한 기설정된 값인 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  9. 제 1 항에 있어서,
    상기 추적 대상 오브젝트 신뢰 데이터 및 상기 배경 오브젝트 신뢰 데이터를 결정하는 단계는,
    상기 추적 대상 오브젝트 히스토그램 및 상기 배경 히스토그램 사이의 이격 정도가 기설정된 값 이상이 될 때까지 반복하여 적용하는 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  10. 제 1 항에 있어서,
    상기 제 1 프레임에서 상기 실제 추적 대상 오브젝트을 포함하는 추적 대상 오브젝트 및 배경을 구분하는 단계 및 상기 추적 대상 오브젝트 및 상기 배경에 대하여 색상 값에 대한 히스토그램을 생성하는 단계는,
    R, G, B 채널 각각에 대하여 각각 수행하는 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  11. 제 10 항에 있어서,
    상기 추적 대상 오브젝트 신뢰 데이터 및 상기 배경 오브젝트 신뢰 데이터를 결정하는 단계는,
    상기 R, G, B 채널 각각의 로그 우도 함수의 합에 기초하여 결정되는 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  12. 제 11 항에 있어서,
    상기 추적 대상 오브젝트 신뢰 데이터 및 상기 배경 오브젝트 신뢰 데이터를 결정하는 단계는, 상기 R, G, B 채널 각각의 로그 우도 함수 각각에 가중치를 적용한 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  13. 제 12 항에 있어서,
    상기 가중치는, 상기 R, G, B 채널 각각의 상기 추적 대상 오브젝트의 오 분류와 관계되는 에러율에 기초한 것을 특징으로 하는 물체 추적 장치의 제어 방법.
  14. 실제 추적 대상 오브젝트를 추적하는 물체 추적 장치에 있어서,
    상기 실제 추적 대상 오브젝트를 포함하는 제 1 프레임 및 제 2 프레임을 촬영하는 촬영부; 및
    상기 제 1 프레임에서 상기 실제 추적 대상 오브젝트을 포함하는 추적 대상 오브젝트 및 배경을 구분하고, 상기 추적 대상 오브젝트 및 상기 배경에 대하여 색상 값에 대한 히스토그램을 생성하고, 상기 추적 대상 오브젝트 및 상기 배경 각각에 대응하는 히스토그램을 서로 비교하여, 상기 추적 대상 오브젝트의 신뢰 데이터 및 상기 배경의 신뢰 데이터 각각을 결정하며, 상기 추적 대상 오브젝트 및 상기 배경 각각의 신뢰 데이터에 기초하여 상기 제 2 프레임에서의 상기 실제 추적 대상의 다음 위치를 추정하는 제어부;를 포함하는 물체 추적 장치.
  15. 제 14 항에 있어서,
    상기 제어부는, 상기 제 2 프레임에 파티클 필터(particle filter)를 적용하여 후보 영역을 결정하고, 상기 후보 영역과 상기 제 1 프레임에서의 상기 추적 대상 오브젝트를, 상기 추적 대상 오브젝트의 신뢰 데이터에 기초하여 비교하여 유사도를 판단하는 것을 특징으로 하는 물체 추적 장치.
  16. 제 15 항에 있어서,
    상기 제어부는, 상기 제 2 프레임에서의 추적 대상 오브젝트가 다른 오브젝트에 의하여 가려진 여부를 판단하는 것을 특징으로 하는 물체 추적 장치.
  17. 제 16 항에 있어서,
    상기 제 2 프레임에서의 추적 대상 오브젝트가 가려진 것으로 판단되는 경우에는, 상기 제 2 프레임에서의 파티클 필터 적용 써치 영역을 확장하여 추적 대상 오브젝트의 다음 위치를 추정하는 것을 특징으로 하는 물체 추적 장치.
  18. 제 16 항에 있어서,
    상기 제어부는 상기 제 2 프레임에서의 추적 대상 오브젝트가 가려지지 않은 것으로 판단되는 경우에는, 상기 신뢰 데이터를 업데이트 하는 것을 특징으로 하는 물체 추적 장치.
  19. 제 14 항에 있어서,
    상기 제 2 프레임에서의 상기 실제 추적 대상의 다음 위치 정보를 저장하는 저장부;를 더 포함하는 것을 특징으로 하는 물체 추적 장치.
  20. 제 14 항에 있어서,
    상기 제어부는, 상기 저장부에 기저장된 추적 대상 오브젝트 템플릿을 독출하고, 상기 추적 대상 오브젝트 템플릿 및 상기 제 1 프레임을 비교하여 상기 실제 추적 대상 오브젝트를 포함하는 추적 대상 오브젝트를 구분하는 것을 특징으로 하는 물체 추적 장치.
  21. 제 14 항에 있어서,
    상기 제어부는, 상기 추적 대상 오브젝트의 신뢰 데이터 및 상기 배경의 신뢰 데이터 각각을 하기 수학식 6에 의하여 결정하는 것을 특징으로 하며,
    [수학식 6]
    Figure pat00029

    상기 p(i)는 상기 추적 대상 오브젝트 히스토그램의 i번째 bin이며, 상기 q(i)는 상기 배경 히스토그램의 i번째 bin이며, 상기 δ는 로그 함수 내부의 값이 0이 되는 것을 방지하기 위한 기설정된 값인 것을 특징으로 하는 물체 추적 장치.
  22. 제 14 항에 있어서,
    상기 제어부는, 상기 추적 대상 오브젝트 히스토그램 및 상기 배경 히스토그램 사이의 이격 정도가 기설정된 값 이상이 될 때까지, 상기 추적 대상 오브젝트 신뢰 데이터 및 상기 배경 오브젝트 신뢰 데이터를 결정하는 단계를 반복하여 적용하는 것을 특징으로 하는 물체 추적 장치.
  23. 제 14 항에 있어서,
    상기 제어부는, R, G, B 채널 각각에 대하여 상기 제 1 프레임에서 상기 실제 추적 대상 오브젝트을 포함하는 추적 대상 오브젝트 및 배경을 구분 및 상기 추적 대상 오브젝트 및 상기 배경에 대하여 색상 값에 대한 히스토그램의 생성을 수행하는 것을 특징으로 하는 물체 추적 장치.
  24. 제 23 항에 있어서,
    상기 제어부는, 상기 R, G, B 채널 각각의 로그 우도 함수의 합에 기초하여 상기 추적 대상 오브젝트 신뢰 데이터 및 상기 배경 오브젝트 신뢰 데이터를 결정하는 것을 특징으로 하는 물체 추적 장치.
  25. 제 24 항에 있어서,
    상기 제어부는, 상기 R, G, B 채널 각각의 로그 우도 함수 각각에 가중치를 적용하여 상기 추적 대상 오브젝트 신뢰 데이터 및 상기 배경 오브젝트 신뢰 데이터를 결정하는 것을 특징으로 하는 물체 추적 장치.
  26. 제 25 항에 있어서,
    상기 가중치는, 상기 R, G, B 채널 각각의 상기 추적 대상 오브젝트의 오 분류와 관계되는 에러율에 기초한 것을 특징으로 하는 물체 추적 장치.

KR1020120012721A 2012-02-08 2012-02-08 물체 추적 장치 및 그 제어 방법 KR20130091441A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020120012721A KR20130091441A (ko) 2012-02-08 2012-02-08 물체 추적 장치 및 그 제어 방법
US13/760,839 US20130208947A1 (en) 2012-02-08 2013-02-06 Object tracking apparatus and control method thereof
EP13154693.9A EP2626835A1 (en) 2012-02-08 2013-02-08 Object tracking apparatus and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120012721A KR20130091441A (ko) 2012-02-08 2012-02-08 물체 추적 장치 및 그 제어 방법

Publications (1)

Publication Number Publication Date
KR20130091441A true KR20130091441A (ko) 2013-08-19

Family

ID=47877752

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120012721A KR20130091441A (ko) 2012-02-08 2012-02-08 물체 추적 장치 및 그 제어 방법

Country Status (3)

Country Link
US (1) US20130208947A1 (ko)
EP (1) EP2626835A1 (ko)
KR (1) KR20130091441A (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10620826B2 (en) 2014-08-28 2020-04-14 Qualcomm Incorporated Object selection based on region of interest fusion
CN104240266A (zh) * 2014-09-04 2014-12-24 成都理想境界科技有限公司 基于颜色-结构特征的目标对象跟踪方法
US9542751B2 (en) * 2015-05-08 2017-01-10 Qualcomm Incorporated Systems and methods for reducing a plurality of bounding regions
US9865062B2 (en) 2016-02-12 2018-01-09 Qualcomm Incorporated Systems and methods for determining a region in an image
CN111951297B (zh) * 2020-08-31 2022-04-19 郑州轻工业大学 一种基于结构化逐像素目标注意机制的目标跟踪方法
CN115018885B (zh) * 2022-08-05 2022-11-11 四川迪晟新达类脑智能技术有限公司 一种适用于边缘设备的多尺度目标跟踪算法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6181817B1 (en) * 1997-11-17 2001-01-30 Cornell Research Foundation, Inc. Method and system for comparing data objects using joint histograms
US6351556B1 (en) * 1998-11-20 2002-02-26 Eastman Kodak Company Method for automatically comparing content of images for classification into events
US6915011B2 (en) * 2001-03-28 2005-07-05 Eastman Kodak Company Event clustering of images using foreground/background segmentation
US7627171B2 (en) * 2003-07-03 2009-12-01 Videoiq, Inc. Methods and systems for detecting objects of interest in spatio-temporal signals
EP2327061A4 (en) * 2008-08-15 2016-11-16 Univ Brown METHOD AND DEVICE FOR ESTIMATING BODY SHAPES
GB0818561D0 (en) * 2008-10-09 2008-11-19 Isis Innovation Visual tracking of objects in images, and segmentation of images
US10178396B2 (en) * 2009-09-04 2019-01-08 Stmicroelectronics International N.V. Object tracking

Also Published As

Publication number Publication date
EP2626835A1 (en) 2013-08-14
US20130208947A1 (en) 2013-08-15

Similar Documents

Publication Publication Date Title
US11538232B2 (en) Tracker assisted image capture
US11151384B2 (en) Method and apparatus for obtaining vehicle loss assessment image, server and terminal device
US10782688B2 (en) Method, control apparatus, and system for tracking and shooting target
AU2016352215B2 (en) Method and device for tracking location of human face, and electronic equipment
US9852511B2 (en) Systems and methods for tracking and detecting a target object
JP4619927B2 (ja) 顔検出方法および装置並びにプログラム
US8995714B2 (en) Information creation device for estimating object position and information creation method and program for estimating object position
US20070269080A1 (en) Object Pose Estimation and Comparison System, Object Pose Estimation and Comparison Method, and Program Therefor
KR101652261B1 (ko) 카메라를 이용한 오브젝트 검출 방법
EP2309454B1 (en) Apparatus and method for detecting motion
KR20130091441A (ko) 물체 추적 장치 및 그 제어 방법
EP1542153A1 (en) Object detection
CN110659658B (zh) 一种目标检测方法及其装置
JP2005174353A (ja) オブジェクト検出
CN114613006A (zh) 一种远距离手势识别方法及装置
KR20060121503A (ko) 무인 감시 로봇에서 중요 얼굴 추적 장치 및 방법
CN115393655A (zh) 基于YOLOv5s网络模型的工业运载车的检测方法
WO2013136395A1 (ja) 検知装置、検知方法、プログラムが格納された記憶媒体
US11553162B2 (en) Image processing system for extending a range for image analytics
KR102225002B1 (ko) 심층신경망 기반 객체 검출 장치 및 방법
Spurlock et al. Discriminative poses for early recognition in multi-camera networks
JP5230404B2 (ja) 撮像装置、その制御方法、及びプログラム
CN104537693A (zh) 基于切比雪夫像素估计的多目标检测算法
KR20140123394A (ko) 촬상 장치 및 제어 방법
JP5336017B2 (ja) 撮像装置及び撮像方法

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid