KR20150033960A - 다중 파티클 군집을 이용한 비강체 객체 추적 방법 - Google Patents

Abstract

다중 파티클 군집을 이용한 비강체 객체 추적 방법이 개시된다. 본 발명에 따른 다중 파티클 군집을 이용한 비강체 객체 추적 방법은 객체의 초기 위치를 설정하는 단계; 상기 객체의 움직임 벡터를 계산하여 움직임 벡터값이 같은 범위내에 포함된 파티클들로 파티클 군집을 생성하는 단계; 상기 파티클들의 평균값을 계산하는 단계; 및 상기 평균값을 이용하여 상기 객체의 상태 추정치를 획득하는 단계를 포함한다.

Description

다중 파티클 군집을 이용한 비강체 객체 추적 방법{METHOD OF TRACKING NON-RIGID OBJECT USING MILTI-PARTICLE CLUSTERS}

본 발명은 비강체 객체를 추적하는 방법에 관한 것으로, 특히 비강체 객체를 각기 다른 운동 모델을 적용할 수 있도록 여러 개의 파티클 군집으로 분류하여 객체를 추적하는 기술에 관한 것이다.

최근 CCTV를 이용한 영상 보안이 급속히 보급되고 있다. 그러나 보안관제센터에서 관리자가 육안을 이용하여 여러 영상을 동시에 관찰하는 방식은 관리자의 체력적, 정신적 한계로 인하여 비용 혹은 효율성 면에서 많은 제약이 있을 수 밖에 없다. 이러한 제약을 극복하기 위하여 컴퓨터 비전 기술을 이용한 지능형 영상보안이 각광을 받고 있다.

지능형 영상보안을 구현하기 위해서 필요한 기술에는 여러 가지가 있다. 객체 추적 기술은 그 중에서도 가장 핵심적인 기술로, 카메라로 취득한 영상 시퀀스에서 특정한 한 명의 객체 혹은 불특정 다수 객체의 위치를 매 프레임 추정할 수 있는 기술이다.

이러한 객체 추적 기법 중에서도 파티클 필터 알고리즘을 이용한 객체 추적 기법의 경우에는 데이터 집합의 밀도분포(특징점, 코너, 색상)를 기반으로 관심영역 객체를 고속으로 추적하는 알고리즘인 mean-shift나 시간 변화, 비정상, 다중 채널 시스템을 포함한 모든 선형 시스템에 적용가능한 순환 필터인 칼만 필터(Kalman Filter)를 이용한 객체 추적 기법과는 달리, 일시적인 중첩이나 가려짐 그리고 배경에 의해 발생하는 clutter 등에 강인한 성능을 보인다. 칼만 필터는 물체를 추적하는 여러가지 방법 중에서도 유명한 방법으로, 정확도가 높은 방법으로 유명하지만 선형 시스템 그리고 가우시안 잡음이 있는 경우에 그 정확도가 보장될 수 있다. 하지만 실제로는 이러한 조건들이 지켜지지 않았을 경우에도 추적을 해야 하기 때문에 칼만 필터를 통해 물체 추적에 정확성이 보장될 수 없는 경우에는 파티클 필터를 사용할 수 있다. 파티클 필터는 칼만 필터가 기반으로 하는 선형 운동으로 가정하고 변수를 찾아가는 해석적 방법이 아니라, 시행착오에 기반하는 시뮬레이션을 통한 예측 기술의 하나로, SMC(Sequential Monte Carlo)방법 이라고도 한다. Monte Carlo를 간단히 설명하자면, 충분히 많은 수의 랜덤 입력의 결과를 수집하면 결과적으로 시스템의 특성을 알 수 있다는 방법으로 번거로운 방법이지만 컴퓨터의 처리능력이 빠르기 때문에 결과를 잘 얻어낼 수 있다. 이러한 파티클 필터는 비선형, 비가우시안 시스템에서도 잘 동작하므로 칼만 필터보다 폭넓게 사용될 수 있다. 동작원리는 시스템에 적절한 확률 분포로 임의로 생성된 입력을 다수 가해보고 그것을 종합적으로 평가해서 시스템을 추적하는 것이다.

컬러 히스토그램 정보를 이용한 객체 추적 방법들은 조명 변화에도 강인하며, 특징점(feature)이 적은 저해상도 객체의 경우에도 비교적 높은 정확도로 추적을 수행할 수 있다. 컬러 히스토그램은 영상 안에서 픽셀들에 대한 명암 값의 분포를 나타낸 것으로, 히스토그램에서 가로축은 256-gray-level 영상의 명암 값을 나타내고, 세로축은 각 명암 값(level)의 빈도 수를 나타내는데, 위로 올라갈수록 높은 빈도 수를 나타낸다. 이러한 히스토그램은 명암 값이 고르게 퍼져 있는지 아니면 한 쪽으로 치우쳐 있는지를 직관적으로 관할할 수 있게 해주므로 영상의 디지털 작업 시 밝기를 조절함으로써 명도 값의 분포를 넓게 하여 좋은 품질의 영상을 얻을 수 있도록 도와줄 수 있다.

이와 같은 여러가지 객체 추적 기법 중 파티클 필터 기반 추적 기법은 추적할 객체가 외부로부터 힘이 가해져도 변경을 일으키지 않는 강체(rigid body)가 아닐 경우에 추적 정확성에 열화가 생길 수 있다. 특히 사람이나 동물, 로봇 등의 경우 강체가 아니기 때문에 스포츠 영상이나 동물 다큐멘터리 영상에서와 같이 비강체(non-rigid body) 객체가 많은 움직임을 가지는 영상에서는 객체 추적 시에 강체 모델을 가정한 파티클 필터 기반 추적은 그 정확도를 기대하기 어렵다. 파티클 필터 알고리즘은 여러 개의 파티클을 객체의 운동 모델과 불확실성을 통해 확산시켜서 객체를 추적하는 방법이기 때문에, 이러한 파티클 필터를 비강체 객체의 추적에 단순히 적용하게 되면, 비강체 객체는 운동 모델이 둘 이상 존재할 수 있기 때문에 객체 추적의 정확도가 떨어질 수 있는 것이다.

따라서 CCTV의 영상 보안뿐만 아니라 다양한 분야의 객체 추적 시에는 대부분 추적할 객체가 비강체로 이루어져 있으나 이러한 비강체 객체를 정확하게 추적할 수 있는 객체 추적 기법은 개발되지 못하고 있는 실정으로 앞으로 비강체 객체 추적의 정확성이 향상된 새로운 객체 추적 기법의 필요성이 절실하게 대두된다.

관련 선행기술로는 객체 추적 및 위치 추정 방법에 관한 한국공개특허 2012-0048958호가 있다.

본 발명의 목적은 다중 파티클 군집을 이용하여 비강체로 이루어진 객체를 추적할 때, 비강체 객체를 n개의 강체의 조합으로 가정하고 각 강체 별로 각기 다른 운동 모델을 적용하는 다중 파티클 군집을 이용한 객체 추적 방법을 통하여 객체 추적의 정확성을 향상시킬 수 있는 객체 추적 기법을 제공하는 것이다.

상기한 목적을 달성하기 위한 본 발명에 따른 다중 파티클 군집을 이용한 비강체 객체 추적 방법은, 객체의 초기 위치를 설정하는 단계; 상기 객체의 움직임 벡터를 계산하여 움직임 벡터값이 같은 범위내에 포함된 파티클들로 파티클 군집을 생성하는 단계; 상기 파티클들의 평균값을 계산하는 단계; 및 상기 평균값을 이용하여 상기 객체의 상태 추정치를 획득하는 단계를 포함한다.

이 때, 평균값을 계산하는 단계는 파티클 관측값을 구하여 파티클 상태값이 참일 확률이 기설정된값 이상인 파티클을 재추출하여 계산할 수 있다.

이 때, 파티클 상태값은 상기 파티클들에 대하여 이전 프레임의 파티클 상태 변수값, 상태 천이 행렬 및 파티클 운동 모델을 이용하여 상태 천이 방정식을 통해 얻을 수 있다.

이 때, 상기 파티클 상태 변수값은 상기 객체의 x좌표 및 y좌표를 포함할 수 있다.

이 때, 상기 파티클 운동 모델은 랜덤 운동 모델일 수 있다.

이 때, 파티클 관측값은 상기 파티클들을 확산시킨 후, 상기 확산된 파티클들에 대해서 타겟 컬러 히스토그램 및 관측 컬러 히스토그램의 유사도를 비교하여 계산할 수 있다.

이 때, 상태 추정치를 획득하는 단계는 상기 평균값들의 평균을 계산하여 획득할 수 있다.

본 발명에 따르면, 다중 파티클 군집을 이용하여 비강체로 이루어진 객체를 추적할 때, 비강체 객체를 n개의 강체의 조합으로 가정하고 각 강체 별로 각기 다른 운동 모델을 적용하는 다중 파티클 군집을 이용한 객체 추적 방법을 통하여 객체 추적의 정확성을 향상시킬 수 있는 객체 추적 기법을 제공할 수 있다.

도 1은 본 발명의 일실시예에 따른 다중 파티클 군집을 이용한 비강체 객체 추적 방법의 흐름도이다.
도 2는 본 발명의 일실시예에 따른 다중 파티클 군집을 이용한 비강체 객체 추적 방법의 상세한 흐름을 나타낸 도면이다.
도 3은 본 발명의 일실시예에 따른 움직임 벡터의 군집화를 나타낸 도면이다.

본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명의 일실시예에 따른 다중 파티클 군집을 이용한 비강체 객체 추적 방법의 흐름도이다.

도 1을 참조하면, 본 발명의 일실시예에 따른 다중 파티클 군집을 이용한 비강체 객체 추적 방법은 먼저 객체의 초기 위치를 설정할 수 있다(S110). 객체 검출 모듈로부터 객체 검출 결과를 이용해서 객체에 대하여 트래커를 생성할 수 있다. 트래커에서는 객체 검출 모듈에서 전달 받은 데이터를 이용하여 입력된 비디오에 있는 객체의 초기 위치를 설정할 수 있다.

객체의 초기 위치를 설정한 뒤, 객체의 움직임 벡터를 계산하여 움직임 벡터값이 같은 범위내에 포함된 파티클들로 파티클 군집을 생성할 수 있다(S120). 객체의 초기 위치를 설정한 후에는 매 프레임마다 이전 프레임과 현재 프레임의 픽셀 정보를 이용하여 움직임 벡터를 계산하여 움직임 벡터 필드를 생성할 수 있다. 움직임 벡터 필드 생성에는 optical flow, block based SSD(sum of squared differences)등 다양한 방법을 이용할 수 있다. 이렇게 생성된 움직임 벡터 필드에 대해서 K-means 알고리즘 등의 군집화(clustering) 기법을 사용하여 유사한 움직임을 가지는 부분들로 객체를 나눌 수 있다. 이와 같이 하나의 객체를 n개의 군집으로 나누게 되면 각 군집에 대해서 대표 움직임 벡터를 하나 구하고, 이 대표 움직임 벡터는 다음 프레임에서 파티클 군집에 속하는 파티클들의 속도로 간주할 수 있다.

파티클 군집을 생성한 후에는, 군집에 포함된 파티클들의 평균값을 계산할 수 있다(S130). 파티클들의 평균값을 계산할 때에는 파티클 관측값을 구하여 파티클 상태값이 참일 확률이 기설정된값 이상인 파티클을 재추출하여 계산할 수 있다.

파티클 상태값은 각 군집 별로 n 개의 파티클에 대하여 이전 프레임의 파티클 상태 변수값, 상태 천이 행렬과 파티클 운동 모델을 이용하여 상태 천이 방정식을 계산하여 얻을 수 있다. 상태 변수로는 객체의 x좌표와 y좌표가 필수적으로 포함되어야 하며, 객체의 이동 속도, 높이, 너비 등은 상태 변수에 반드시 포함시킬 필요는 없다. 파티클 필터 기반의 추적 알고리즘에서 파티클의 운동 모델로는 가우시안 모델, 랜덤 워크 모델 등의 랜덤 운동 모델을 일반적으로 사용할 수 있다. 파티클 필터는 물체를 추적할 때 많이 쓰이는 알고리즘이다. 물체 추적으로는 여러가지 방법이 있는데, 그 중 유명한 것으로는 칼만 필터(Kalman Filter)가 있다. 정확도가 높은 방법으로 유명하지만 Linear 시스템 그리고 Gaussian Noise가 있는 경우에 그 정확도가 보장될 수 있다. 하지만 실제로는 이러한 조건들이 지켜지지 않았을 경우에도 추적을 해야하기 때문에 이런 경우 파티클 필터를 사용할 수 있다. 파티클 필터는 칼만 필터가 기반으로 하는 선형 운동으로 가정하고 변수를 찾아가는 해석적 방법이 아니라, trial and error에 기반하는 시뮬레이션을 통한 예측 기술의 하나로, SMC(Sequential Monte Carlo)방법 이라고도 한다. Monte Carlo를 간단히 설명하자면, 충분히 많은 수의 랜덤 입력의 결과를 수집하면 결과적으로 시스템의 특성을 알 수 있다는 방법으로 번거로운 방법이지만 컴퓨터의 처리능력이 빠르기 때문에 결과를 잘 얻어낼 수 있다. 이러한 파티클 필터는 비선형, 비가우시안 시스템에서도 잘 동작하므로 칼만 필터보다 폭넓게 사용될 수 있다. 동작원리는 시스템에 적절한 확률 분포로 임의로 생성된 입력을 다수 가해보고 그것을 종합적으로 평가해서 시스템을 추적하는 것이다.

다음으로 파티클 관측값은 각 군집 별로 확산된 파티클에 대해서 타켓 컬러 히스토그램과 각 파티클 위치에서 계산한 관측 컬러 히스토그램의 유사도 값을 비교하여 계산할 수 있다. 컬러 히스토그램은 영상 안에서 픽셀들에 대한 명암 값의 분포를 나타낸것으로, 히스토그램에서 가로축은 256-gray-level 영상의 명암 값을 나타내고, 세로축은 각 명암 값(level)의 빈도 수를 나타내는데, 위로 올라갈수록 높은 빈도 수를 나타낸다. 이러한 히스토그램은 명암 값이 고르게 퍼져 있는지 아니면 한 쪽으로 치우쳐 있는지를 직관적으로 관할할 수 있게 해주므로 영상의 디지털 작업 시 밝기를 조절함으로써 명도 값의 분포를 넓게 하여 좋은 품질의 영상을 얻을 수 있도록 도와줄 수 있다. 이러한 컬러 히스토그램에 대해서 타겟 컬러 히스토그램과 관측 컬러 히스토그램의 유사도를 비교하는 것은 비교한 따라 프레임상에서 동일 객체의 컬러 히스토그램이 변화하여도 동일 객체를 지속적으로 추적할 수 있기 때문이다. 이렇게 각 파티클의 관측값을 계산하고 나면, 파티클 재추출 과정을 거쳐서 상태값이 참일 확률이 높은 파티클을 추출할 수 있다. 이렇게 추출한 파티클들의 평균값을 계산할 수 있다.

계산한 파티클들의 평균값을 이용하여 객체의 상태 추정치를 획득할 수 있다(S140). 각 군집에 대한 파티클들의 평균값 E1[X], E2[X],...Ek[X]를 구하고 나면, 군집 전체에 대한 파티클 평균값 E[X]를 구하고 이것이 그 객체의 상태 추정치가 될 수 있다.

상기에서 설명한 움직임 벡터 계산 및 군집화, 파티클 상태 방정식 계산, 파티클 확한, 관측값 계산, 파티클 재추출 및 파티클 평균값 계산에 이르는 과정을 매 프레임 반복하여 객체 추적을 수행할 수 있다.

이와 같이 추적하고자 하는 객체가 강체가 아닐 경우에 추적에 정확도가 저하될 수 있는 기존의 객체 추적 기법에 대응하여, 상기에서 설명한 비강체 객체 추적 기법은 사람이나 동물, 로봇 등의 비강체 객체가 주를 이루는 스포츠 영상이나 동물 다큐멘터리 영상에서 객체 추적 시 추적의 정확도를 향상시키는 효과를 가져올 수 있다.

도 2는 본 발명의 일실시예에 따른 다중 파티클 군집을 이용한 비강체 객체 추적 방법의 상세한 흐름을 나타낸 도면이다.

도 2를 참조하면, 본 발명의 일실시예에 따른 다중 파티클 군집을 이용한 비강체 객체 추적 방법은 객체 검출 모듈에서 객체 검출 결과를 이용하여 객체에 대해서 트래커를 생성할 수 있다(S210).

트래커에서는 객체 검출 모듈에서 전달받은 데이터를 이용하여 객체의 초기 위치를 설정할 수 있다(S220).

초기 위치 설정 후에는 매 프레임마다 이전 프레임과 현재 프레임의 픽셀 정보를 이용하여 움직임 벡터 필드를 계산해 움직임 벡터 필드를 생성할 수 있다(S230). 움직임 벡터 필드 생성에는 프레임 장면에서 객체가 어떻게 움직이고 있는지 추적하는 optical flow, block based SSD 등의 다양한 방법을 이용할 수 있다.

생성된 움직임 벡터 필드에 대해서 군집화 기법을 사용하여 유사한 움직임을 가지는 부분들로 객체를 군집화할 수 있다(S240). 이렇게 군집화하는 이유는 파티클 필터 기반의 추적 기법의 경우 객체가 강체가 아닐 경우에 추적 정확도가 떨어질 수 있기 때문에, 비강체 객체를 추적하는 경우에는 비강체 객체를 n 개의 강체 조합이라고 가정하기 위하여 비슷한 움직임을 보이는 파티클들을 군집화하여 객체 추적을 할 수 있다.

움직임 벡터 필드를 군집화 한 후에는, 파티클 군집들의 평균값을 구할 수 있다(S250).

파티클 군집 별로 평균값을 구하는 방법을 살펴보면, 우선 각 군집별로 상태 천이 방정식을 계산하여 파티클 상태값을 계산하고 파티클을 확산시킬 수 있다(S251). 이 때, 파티클 상태값은 각 군집 별로 n 개의 파티클에 대하여 이전 프레임의 파티클 상태 변수값, 상태 천이 행렬과 파티클 운동 모델을 이용하여 상태 천이 방정식을 계산하여 얻을 수 있다. 상태 변수로는 객체의 x좌표와 y좌표가 필수적으로 포함되어야 하며, 객체의 이동 속도, 높이, 너비 등은 상태 변수에 반드시 포함시킬 필요는 없다. 파티클 필터 기반의 추적 알고리즘에서 파티클의 운동 모델로는 가우시안 모델, 랜덤 워크 모델 등의 랜덤 운동 모델을 일반적으로 사용할 수 있다. 파티클 필터는 물체를 추적할 때 많이 쓰이는 알고리즘이다. 물체 추적으로는 여러가지 방법이 있는데, 그 중 유명한 것으로는 칼만 필터(Kalman Filter)가 있다. 정확도가 높은 방법으로 유명하지만 Linear 시스템 그리고 Gaussian Noise가 있는 경우에 그 정확도가 보장될 수 있다. 하지만 실제로는 이러한 조건들이 지켜지지 않았을 경우에도 추적을 해야하기 때문에 이런 경우 파티클 필터를 사용할 수 있다. 파티클 필터는 칼만 필터가 기반으로 하는 선형 운동으로 가정하고 변수를 찾아가는 해석적 방법이 아니라, trial and error에 기반하는 시뮬레이션을 통한 예측 기술의 하나로, SMC(Sequential Monte Carlo)방법 이라고도 한다. Monte Carlo를 간단히 설명하자면, 충분히 많은 수의 랜덤 입력의 결과를 수집하면 결과적으로 시스템의 특성을 알 수 있다는 방법으로 번거로운 방법이지만 컴퓨터의 처리능력이 빠르기 때문에 결과를 잘 얻어낼 수 있다. 이러한 파티클 필터는 비선형, 비가우시안 시스템에서도 잘 동작하므로 칼만 필터보다 폭넓게 사용될 수 있다. 동작원리는 시스템에 적절한 확률 분포로 임의로 생성된 입력을 다수 가해보고 그것을 종합적으로 평가해서 시스템을 추적하는 것이다.

이 후, 파티클 관측값 계산 모듈을 통해 파티클 관측값을 계산할 수 있다(S252). 파티클 관측값은 각 군집 별로 확산된 파티클에 대해서 타켓 컬러 히스토그램과 각 파티클 위치에서 계산한 관측 컬러 히스토그램의 유사도 값을 비교하여 계산할 수 있다. 컬러 히스토그램은 영상 안에서 픽셀들에 대한 명암 값의 분포를 나타낸것으로, 히스토그램에서 가로축은 256-gray-level 영상의 명암 값을 나타내고, 세로축은 각 명암 값(level)의 빈도 수를 나타내는데, 위로 올라갈수록 높은 빈도 수를 나타낸다. 이러한 히스토그램은 명암 값이 고르게 퍼져 있는지 아니면 한 쪽으로 치우쳐 있는지를 직관적으로 관할할 수 있게 해주므로 영상의 디지털 작업 시 밝기를 조절함으로써 명도 값의 분포를 넓게 하여 좋은 품질의 영상을 얻을 수 있도록 도와줄 수 있다. 이러한 컬러 히스토그램에 대해서 타겟 컬러 히스토그램과 관측 컬러 히스토그램의 유사도를 비교하는 것은 비교한 따라 프레임상에서 동일 객체의 컬러 히스토그램이 변화하여도 동일 객체를 지속적으로 추적할 수 있기 때문이다.

이와 같이 파티클 관측값을 계산하고 나면 파티클 재추출할 수 있다(S253). 파티클 재추출을 할 때에는 상태값이 참일 확률이 높은 파티클을 추출할 수 있다.

이렇게 추출한 파티클들의 평균값을 계산할 수 있다(S254).

이와 같이 파티클들의 평균값을 계산하는 단계(S251)부터 단계(S254)에 해당하는 과정은 생성된 모든 파티클 군집에서 각각 수행될 수 있다.

이렇게 각 군집별로 파티클 평균값을 계산하여 나온 결과값들을 통해 군집 전체에 대한 파티클 평균값을 구할 수 있다(S260). 이 때, 계산한 군집 전체에 대한 파티클 평균값이 바로 현재 프레임에서의 객체 상태 추정치일 수 있다.

상기에서 설명한 움직임 벡터 계산 및 군집화, 파티클 상태 방정식 계산, 파티클 확한, 관측값 계산, 파티클 재추출 및 파티클 평균값 계산에 이르는 과정을 매 프레임 반복하여 객체 추적을 수행할 수 있다.

이와 같이 추적하고자 하는 객체가 강체가 아닐 경우에 추적에 정확도가 저하될 수 있는 기존의 객체 추적 기법에 대응하여, 상기에서 설명한 비강체 객체 추적 기법은 사람이나 동물, 로봇 등의 비강체 객체가 주를 이루는 스포츠 영상이나 동물 다큐멘터리 영상에서 객체 추적 시 추적의 정확도를 향상시키는 효과를 가져올 수 있다.

도 3은 본 발명의 일실시예에 따른 움직임 벡터의 군집화를 나타낸 도면이다.

도 3을 참조하면, 본 발명의 일실시예에 따른 움직임 벡터의 군집화는 그림에 나타난 객체1(310) 및 객체2(320)을 통해 확인할 수 있다.

먼저, 객체1(310)을 살펴보면 사람 객체로써 화살표로 표시한 움직임 벡터가 다양하게 존재하는 비강체 객체인 것을 알 수 있다. 객체1(310)의 신체를 이루는 관절을 경계로 하여 각각 머리와 몸통, 팔, 다리 등의 경계를 지나면 움직임 벡터 가 상이하게 나타남을 알 수 있다. 만약 객체1(310)을 추적할 때 일반적인 파티클 필터 기반의 추적 기법을 사용하여 추적할 경우, 도 3 에서 확인할 수 있듯이 관절을 경계로 다양한 움직임 벡터 필드가 존재함에도 불구하고 모든 움직임 벡터 필드를 하나의 강체로 판단하여 객체를 추적하기 때문에 객체 추적 정확도에 열화가 생길 가능성이 있다. 이러한 문제점은 객체가 사람일 경우만이 아니라 동물 또는 로봇 등의 비강체 객체일 경우에도 발생할 수 있다. 따라서 사람이나 동물 또는 로봇 등의 비강체 객체가 주를 이루는 스포츠 영상이나 동물 다큐멘터리 영상에서는 강체 모델을 가정한 파티클 필터 기반의 추적은 그 정확도가 충분하지 않을 수 있다.

객체2(320)는 객체1(310)의 움직임 벡터 필드를 분석하여 움직임 벡터값이 같은 범위내에 포함된 파티클들로 파티클 군집을 생성한 상태이다. 다시 말해 유사한 움직임을 가지는 부분들로 객체1(310)를 나눌 수 있다. 객체2(320)에서 화살표로 표시한 움직임 벡터가 유사한 방향으로 작용하고 있는 부분을 동그라미로 묶어 하나의 군집으로 군집화하였음을 확인할 수 있다. 이러한 군집들은 객체2(320)의 움직임에 따라서 n개의 군집을 생성할 수 있다. 이와 같이 다양한 움직임을 갖는 객체2(320)를 여러 개의 군집으로 군집화하는 이유는 상기에서 설명한 바와 같이 파티클 필터 기반의 추적 기법을 사용한 기존의 객체 추적 기법을 적절히 활용하여 각각의 군집을 하나의 강체로 인식하도록 하여 객체를 추적하기 위함이다.

이와 같이 비강체 객체에서는 비강체 객체 전체에서 나타나는 움직임 벡터에 따라 n개의 파티클 군집을 생성할 수 있으며, 이렇게 생성된 군집들의 파티클 평균값을 계산하여 객체에 대한 상태 추정치를 구함으로써 비강체 객체를 추적할 때 추적의 정확성을 향상시킬 수 있다.

이상에서와 같이 본 발명에 따른 다중 파티클 군집을 이용한 비강체 객체 추적 방법은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

310: 객체1
320: 객체2

Claims (1)

1. 객체의 초기 위치를 설정하는 단계;
   상기 객체의 움직임 벡터를 계산하여 움직임 벡터값이 같은 범위내에 포함된 파티클들로 파티클 군집을 생성하는 단계;
   상기 파티클들의 평균값을 계산하는 단계; 및
   상기 평균값을 이용하여 상기 객체의 상태 추정치를 획득하는 단계를 포함하는 것을 특징으로 하는 다중 파티클 군집을 이용한 비강체 객체 추적 방법.

Images