KR20160093809A - 프레임 영상과 모션 벡터에 기초하는 객체 검출 방법 및 장치 - Google Patents

프레임 영상과 모션 벡터에 기초하는 객체 검출 방법 및 장치 Download PDF

Info

Publication number
KR20160093809A
KR20160093809A KR1020150014534A KR20150014534A KR20160093809A KR 20160093809 A KR20160093809 A KR 20160093809A KR 1020150014534 A KR1020150014534 A KR 1020150014534A KR 20150014534 A KR20150014534 A KR 20150014534A KR 20160093809 A KR20160093809 A KR 20160093809A
Authority
KR
South Korea
Prior art keywords
feature vector
frame image
extracting
motion vector
feature
Prior art date
Application number
KR1020150014534A
Other languages
English (en)
Inventor
장원일
손정우
김선중
김화숙
박소영
이호재
이경하
조기성
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020150014534A priority Critical patent/KR20160093809A/ko
Priority to US15/003,331 priority patent/US20160224864A1/en
Publication of KR20160093809A publication Critical patent/KR20160093809A/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
    • G06T7/215—Motion-based segmentation
    • G06T7/2006—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

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

Abstract

객체 검출 방법 및 객체 검출 장치가 개시된다. 개시된 객체 검출 장치는 동영상으로부터 프레임 영상 및 모션 벡터를 추출하고, 프레임 영상 및 모션 벡터에 기초하여 통합 특징 벡터를 생성하며, 통합 특징 벡터에 기초하여 동영상에 포함된 객체를 검출할 수 있다.

Description

프레임 영상과 모션 벡터에 기초하는 객체 검출 방법 및 장치{METHOD AND APPARATUS FOR DETECTING OBJECT BASED ON FRAME IMAGE AND MOTION VECTOR}
아래의 설명은 객체 검출 방법 및 장치에 관한 것으로, 보다 구체적으로는 프레임 영상과 모션 벡터를 이용하여 동영상에 포함된 객체를 검출하는 방법 및 장치에 관한 것이다.
최근 멀티미디어 콘텐츠의 급증 및 cctv 등의 보안 장비의 보편화에 힘입어 방송 콘텐츠 및 cctv 녹화영상 등의 동영상을 대상으로하는 영상 인식 기술의 중요성이 증가하고 있다.
일반적으로, 동영상 기반 영상 인식 기술에는 정지 영상에 기반하는 기술과 연속적인 복수의 프레임 영상들에 기반하는 기술이 있다. 정지 영상에 기반하는 기술은 동영상을 프레임 단위의 정지 영상들로 나누고, 각 정지 영상에 이미지 기반 분석 기술을 적용하여 객체를 검출하고 인식한다. 연속적인 복수의 프레임 영상에 기반하는 기술은 복수의 프레임 영상들을 기반으로 객체의 움직임 특성을 모델링하여 움직이는 객체를 검출하거나 특정 이벤트를 인식한다.
그러나, 시계 열 동작을 다수의 상태 모델 또는 연속적인 복수의 프레임 영상 모델의 복잡성과 과도한 연산량으로 인해 고속 인식에 한계가 존재한다. 나아가, cctv 등을 이용하는 보안 분야의 영상 인식 기술은 배경이 고정된 동영상에서 이동 객체를 분리 및 인식하는 기술을 제공하고 있지만, 특정 객체를 검출하거나 이동 중인 카메라의 영상 또는 동적 배경에서 객체를 분리하는데 한계가 있다.
본 발명은 통합 특징 벡터에 기초하여 동영상에 포함된 객체를 검출함으로써, 객체의 정적인 특성 및 동적인 특성을 모두 고려하여 효과적으로 동영상에 포함된 객체를 검출하는 방법 및 장치를 제공할 수 있다.
본 발명은 통합 특징 벡터에 기초하여 동영상에 포함된 객체를 검출함으로써, 객체의 정적인 특성 및 동적인 특성을 모두 고려하여 효과적으로 동영상에 포함된 객체를 검출하는 방법 및 장치를 제공할 수 있다.
본 발명은 정지 영상 기반 객체 검출의 단순성과 계산 효율성 및 연속적인 복수의 프레임 영상 기반 객체 검출의 고성능의 장점을 결합함으로써, 연산량을 효과적으로 감소시켜 고속으로 객체를 검출하는 방법 및 장치를 제공할 수 있다.
본 발명은 정지 영상에 포함된 객체의 영상 정보와 전체/부분 이동 및 변형 등의 객체의 움직임 정보를 통합하여 활용함으로써, 일관된 움직임 패턴을 보이는 객체를 높은 정확도로 검출하는 방법 및 장치를 제공할 수 있다.
본 발명은 프레임 영상에 기초한 객체의 정적인 특성과 모션 벡터에 기초한 객체의 동적인 특성을 모두 고려함으로써, 객체를 촬영한 동영상에서 나타날 수 있는 흐려짐(blurring)에 강인한 객체 검출 방법을 제공할 수 있다.
일실시예에 따른 객체 검출 방법은 동영상으로부터 프레임 영상 및 모션 벡터를 추출하는 단계; 상기 프레임 영상 및 모션 벡터에 기초하여 통합 특징 벡터를 생성하는 단계; 및 상기 통합 특징 벡터에 기초하여 상기 동영상에 포함된 객체를 검출하는 단계를 포함할 수 있다.
일실시예에 따른 객체 검출 방법에서 상기 통합 특징 벡터를 생성하는 단계는, 상기 프레임 영상의 통계적인 특성을 제1 특징 벡터로 추출하고, 상기 모션 벡터의 통계적인 특성을 제2 특징 벡터로 추출하는 단계; 및 상기 제1 특징 벡터 및 제2 특징 벡터를 결합함으로써 상기 통합 특징 벡터를 생성하는 단계를 포함할 수 있다.
일실시예에 따른 객체 검출 방법에서 상기 제1 특징 벡터 및 제2 특징 벡터를 추출하는 단계는, 상기 프레임 영상과 상기 모션 벡터를 복수의 블록들로 분할하고, 블록에 포함되는 프레임 영상에 기초하여 제1 특징 벡터를 추출하고, 블록에 포함되는 모션 벡터에 기초하여 제2 특징 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 방법에서 상기 제1 특징 벡터 및 제2 특징 벡터를 추출하는 단계는, 상기 프레임 영상에 포함된 픽셀의 밝기의 기울기에 기초하여 상기 제1 특징 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 방법에서 상기 제1 특징 벡터 및 제2 특징 벡터를 추출하는 단계는, 상기 프레임 영상에 포함된 픽셀의 밝기 레벨에 기초하여 상기 제1 특징 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 방법에서 상기 제1 특징 벡터 및 제2 특징 벡터를 추출하는 단계는, 상기 프레임 영상에 포함된 픽셀의 색상에 기초하여 상기 제1 특징 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 방법에서 상기 제1 특징 벡터 및 제2 특징 벡터를 추출하는 단계는, 상기 모션 벡터의 방향에 기초하여 상기 제2 특징 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 방법에서 상기 프레임 영상 및 모션 벡터를 추출하는 단계는, 상기 프레임 영상에 대응하는 기준 프레임을 복수의 블록들로 분할하고 블록마다 모션 벡터를 추출하여 모션 벡터 맵을 구성하고, 상기 모션 벡터 맵을 구성하는 블록의 크기를 균일화할 수 있다.
일실시예에 따른 객체 검출 방법에서 상기 동영상에 포함된 객체를 검출하는 단계는, 상기 통합 특징 벡터에 기초하여 상기 프레임 영상에 검출 대상 객체가 포함되어 있는지 여부를 판별함으로써 상기 동영상에 포함된 객체를 검출할 수 있다.
일실시예에 따른 객체 검출 방법에서 상기 프레임 영상 및 모션 벡터를 추출하는 단계는, 상기 동영상에 포함된 모션 벡터를 디코딩 과정에서 추출하거나, 상기 동영상에 포함된 연속된 복수의 프레임 영상들에 기초하여 모션 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 장치는 동영상으로부터 프레임 영상 및 모션 벡터를 추출하는 추출부; 상기 프레임 영상 및 모션 벡터에 기초하여 통합 특징 벡터를 생성하는 특징 생성부; 및 상기 통합 특징 벡터에 기초하여 상기 동영상에 포함된 객체를 검출하는 객체 검출부를 포함할 수 있다.
일실시예에 따른 객체 검출 장치에서 상기 특징 생성부는, 상기 프레임 영상의 통계적인 특성을 제1 특징 벡터로 추출하고, 상기 모션 벡터의 통계적인 특성을 제2 특징 벡터로 추출하며, 상기 제1 특징 벡터 및 제2 특징 벡터를 결합함으로써 상기 통합 특징 벡터를 생성할 수 있다.
일실시예에 따른 객체 검출 장치에서 상기 특징 생성부는, 상기 프레임 영상과 상기 모션 벡터를 복수의 블록들로 분할하고, 블록에 포함되는 프레임 영상에 기초하여 제1 특징 벡터를 추출하고, 블록에 포함되는 모션 벡터에 기초하여 제2 특징 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 장치에서 상기 특징 생성부는, 상기 프레임 영상에 포함된 픽셀의 밝기의 기울기에 기초하여 상기 제1 특징 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 장치에서 상기 특징 생성부는, 상기 프레임 영상에 포함된 픽셀의 밝기 레벨에 기초하여 상기 제1 특징 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 장치에서 상기 특징 생성부는, 상기 프레임 영상에 포함된 픽셀의 색상에 기초하여 상기 제1 특징 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 장치에서 상기 특징 생성부는, 상기 모션 벡터의 방향에 기초하여 상기 제2 특징 벡터를 추출할 수 있다.
일실시예에 따른 객체 검출 장치에서 상기 동영상에 포함된 객체를 검출하는 단계는, 상기 통합 특징 벡터에 기초하여 상기 프레임 영상에 검출 대상 객체가 포함되어 있는지 여부를 판별함으로써 상기 동영상에 포함된 객체를 검출할 수 있다.
실시예들은 통합 특징 벡터에 기초하여 동영상에 포함된 객체를 검출함으로써, 객체의 정적인 특성 및 동적인 특성을 모두 고려하여 효과적으로 동영상에 포함된 객체를 검출할 수 있다.
실시예들은 정지 영상 기반 객체 검출의 단순성과 계산 효율성 및 연속적인 복수의 프레임 영상 기반 객체 검출의 고성능의 장점을 결합함으로써, 연산량을 효과적으로 감소시켜 고속으로 객체를 검출할 수 있다.
실시예들은 정지 영상에 포함된 객체의 영상 정보와 전체/부분 이동 및 변형 등의 객체의 움직임 정보를 통합하여 활용함으로써, 일관된 움직임 패턴을 보이는 객체를 높은 정확도로 검출할 수 있다.
실시예들은 프레임 영상에 기초한 객체의 정적인 특성과 모션 벡터에 기초한 객체의 동적인 특성을 모두 고려함으로써, 객체를 촬영한 동영상에서 나타날 수 있는 흐려짐에 강인한 객체 검출 방법을 제공할 수 있다.
도 1은 일실시예에 따른 객체 검출 방법을 나타낸 도면이다.
도 2는 일실시예에 따라 통합 특징 벡터를 생성하는 과정을 설명하기 위한 도면이다.
도 3은 일실시예에 따라 동영상으로부터 통합 특징 벡터를 생성하는 예시를 나타낸 도면이다.
도 4는 일실시예에 따른 객체 검출 장치의 세부 구성을 나타낸 도면이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다.
이하의 실시예들은 본 발명의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 발명의 실시예를 구성할 수도 있다. 본 발명의 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
이하의 설명에서 사용되는 특정 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시된다. 또한, 본 명세서 전체에서 동일한 구성요소에 대해서는 동일한 도면 부호를 사용하여 설명한다.
도 1은 일실시예에 따른 객체 검출 방법을 나타낸 도면이다.
일실시예에 따른 객체 검출 방법은 객체 검출 장치에 구비된 프로세서에 의해 수행될 수 있다. 예를 들어, 객체 검출 장치는 동영상에 포함된 객체를 검출하는 장치로서, 소프트웨어 모듈, 하드웨어 모듈, 또는 이들의 조합으로 구현될 수 있다. 객체 검출 장치는 스마트 폰, 테블릿 컴퓨터, 랩톱 컴퓨터, 데스크톱 컴퓨터, 텔레비전, 웨어러블 장치, 보안 시스템, 스마트 홈 시스템 등 다양한 컴퓨팅 장치 및/또는 시스템에 탑재될 수 있다.
단계(110)에서, 객체 검출 장치는 동영상으로부터 프레임 영상 및 모션 벡터를 추출한다. 동영상은 연속적인 복수의 프레임 영상들을 포함할 수 있다. 동영상은 스트림, 파일, 방송신호 등의 다양한 형태로 구성될 수 있다.
객체 검출 장치는 동영상으로부터 프레임 영상을 추출한다. 객체 검출 장치는 동영상에 포함된 복수의 프레임 영상들을 추출함으로써 특정 프레임 영상을 추출할 수 있다.
객체 검출 장치는 동영상으로부터 모션 벡터를 추출한다. 일례로, 객체 검출 장치는 동영상을 디코딩하는 과정에서 동영상에 포함된 모션 벡터를 추출할 수 있다. 동영상에 포함된 모션 벡터는 동영상의 인코딩 과정에서 생성된 것일 수 있다.
다른 일례로, 객체 검출 장치는 모션 벡터 연산 알고리즘을 이용하여 동영상으로부터 모션 벡터를 추출할 수 있다. 구체적으로, 객체 검출 장치는 동영상으로부터 추출된 연속적인 복수의 프레임 영상들로부터 광류(optical flow)를 계산할 수 있다. 객체 검출 장치는 계산된 광류에 기초하여 모션 벡터를 추출할 수 있다. 이 때, 객체 검출 장치는 기준 프레임을 복수의 블록들로 분할하고 해당 블록마다 모션 벡터를 추출함으로써 모션 벡터 맵을 생성할 수 있다. 기준 프레임은 영상 프레임에 대응하는 것으로, 모션 벡터를 추출하는 프레임을 나타낼 수 있다.
모션 벡터 맵을 구성하는 복수의 블록들의 크기는 일정하지 않을 수도 있다. 이 경우, 객체 검출 장치는 복수의 블록들의 크기 중에서 가장 작은 블록 크기로 모션 벡터 맵을 구성하는 복수의 블록들의 크기를 조절할 수 있다. 객체 검출 장치는 모션 벡터 맵을 구성하는 블록들의 크기를 균일화할 수 있다.
단계(120)에서, 객체 검출 장치는 프레임 영상 및 모션 벡터에 기초하여 통합 특징 벡터를 생성한다. 객체 검출 장치는 프레임 영상으로부터 제1 특징 벡터를 추출하고 모션 벡터에 기초하여 제2 특징 벡터를 추출할 수 있다. 객체 검출 장치는 제1 특징 벡터 및 제2 특징 벡터에 기초하여 통합 특징 벡터를 생성할 수 있다.
일례로, 객체 검출 장치는 프레임 영상과 모션 벡터를 복수의 블록들로 분할하고, 블록에 포함되는 프레임 영상으로부터 제1 특징 벡터를 추출하고 블록에 포함되는 모션 벡터로부터 제2 특징 벡터를 추출할 수 있다. 객체 검출 장치는 해당 블록에서 추출된 제1 특징 벡터 및 제2 특징 벡터를 결합함으로써 해당 블록에 대응하는 통합 특징 벡터를 생성할 수 있다.
통합 특징 벡터를 생성하는 상세한 과정에 대해서는 도 2를 참조하여 후술한다.
단계(130)에서, 객체 검출 장치는 통합 특징 벡터에 기초하여 동영상에 포함된 객체를 검출한다. 객체 검출 장치는 통합 특징 벡터에 기초하여 프레임 영상에 검출 대상 객체가 포함되어 있는지 여부를 판별함으로써 동영상에 포함된 객체를 검출할 수 있다. 검출 대상 객체는 동영상에 포함된 움직이는 객체를 나타낼 수 있다. 검출 대상 객체는 프레임 영상의 일부 영역에 포함될 수 있으며, 분할된 블록들 중 하나의 블록 또는 복수의 블록들에 포함될 수 있다.
일례로, 검출 대상 객체가 단일 객체인 경우, 객체 검출 장치는 로지스틱 회귀분석(Logistic Regression), SVM(Support Vector Machine), Latent SVM(Latent Support Vector Machine) 등의 다양한 인식기들을 이용하여 동영상에 포함된 객체를 검출할 수 있다. 다른 일례로, 객체 검출 장치는 가변 부분 모델(deformable part model)에서 이미지 부분 모델을 이미지-모션 혼합 특징 기반 부분 모델로 대체함으로써, 규칙적인 움직임을 보이는 객체에 대한 모델링을 수행하여 이동 중인 객체와 배경을 분리시킬 수 있다. 그래서, 객체 검출 장치는, 예를 들어 회전하는 자동차 바퀴, 걷고 있는 사람의 다리 등의 규칙적인 움직임을 보이는 객체를 검출할 수 있다.
도 2는 일실시예에 따라 통합 특징 벡터를 생성하는 과정을 설명하기 위한 도면이다.
객체 검출 장치에 의해 수행되는 단계(120)는 다음과 같이 세분화될 수 있다.
단계(121)에서, 객체 검출 장치는 프레임 영상으로부터 제1 특징 벡터를 추출하고, 모션 벡터로부터 제2 특징 벡터를 추출할 수 있다. 객체 검출 장치는 프레임 영상의 통계적인 특성을 제1 특징 벡터로 추출하고, 모션 벡터의 통계적인 특성을 제2 특징 벡터로 추출할 수 있다.
객체 검출 장치는 프레임 영상과 모션 벡터를 복수의 블록들로 분할할 수 있다. 객체 검출 장치는 분할된 블록들마다 해당 블록에 대응하는 제1 특징 벡터 및 제2 특징 벡터를 추출함으로써 해당 블록에 대응하는 통합 특징 벡터를 생성할 수 있다.
일례로, 객체 검출 장치는 프레임 영상에 포함된 픽셀의 밝기의 기울기에 기초하여 제1 특징 벡터를 추출할 수 있다. 객체 검출 장치는 픽셀의 밝기의 기울기에 대한 히스토그램에 기초하여 제1 특징 벡터를 추출할 수 있다.
다른 일례로, 객체 검출 장치는 프레임 영상에 포함된 픽셀의 밝기 레벨에 기초하여 제1 특징 벡터를 추출할 수 있다. 객체 검출 장치는 픽셀의 밝기 레벨에 대한 히스토그램에 기초하여 제1 특징 벡터를 추출할 수 있다.
또 다른 일례로, 객체 검출 장치는 프레임 영상에 포함된 픽셀의 색상에 기초하여 제1 특징 벡터를 추출할 수 있다. 객체 검출 장치는 픽셀의 색상에 대한 히스토그램에 기초하여 제1 특징 벡터를 추출할 수 있다.
일례로, 객체 검출 장치는 모션 벡터의 방향에 기초하여 제2 특징 벡터를 추출할 수 있다. 객체 검출 장치는 분할된 블록에 대응하는 적어도 하나의 모션 벡터의 방향에 대한 히스토그램에 기초하여 제2 특징 벡터를 추출할 수 있다. 예를 들어, 분할된 블록에 포함된 모션 벡터가 복수인 경우, 객체 검출 장치는 해당 블록에 포함된 모션 벡터를 합산하여 도출된 벡터 방향에 기초하여 제2 특징 벡터를 추출할 수 있다.
단계(122)에서, 객체 검출 장치는 제1 특징 벡터 및 제2 특징 벡터를 결합함으로써 통합 특징 벡터를 생성할 수 있다. 통합 특징 벡터는 제1 특징 벡터와 제2 특징 벡터를 모두 고려하는 특징 벡터를 의미할 수 있다. 통합 특징 벡터를 이용함으로써, 객체 검출 장치는 동영상에 포함된 객체의 정적인 특성과 동적인 특성을 모두 고려하여 객체를 검출할 수 있다.
도 3은 일실시예에 따라 동영상으로부터 통합 특징 벡터를 생성하는 예시를 나타낸 도면이다.
일실시예에 따라 도 3에 도시된 동영상에는 삼각형 객체와 원형 객체가 포함될 수 있다. 도 3은 동영상에서 삼각형 객체는 아래로 이동하고, 원형 객체는 왼쪽 상단으로 이동하는 상황을 가정한다. 도 3에 도시된 동영상에서 실선은 점선보다 일정 시간이 지난 후의 객체를 나타낼 수 있다.
객체 검출 장치는 동영상으로부터 프레임 영상을 추출할 수 있다. 객체 검출 장치는 동영상에 포함된 시간적으로 연속된 복수의 프레임 영상들을 추출함으로써 특정 프레임 영상을 추출할 수 있다. 객체 검출 장치는 추출된 프레임 영상에 기초하여 동영상에 포함된 객체를 정적으로 분석할 수 있다.
객체 검출 장치는 동영상으로부터 모션 벡터를 추출할 수 있다. 일례로, 객체 검출 장치는 동영상의 인코딩 과정에서 생성된 모션 벡터를 동영상으로부터 추출할 수 있다. 다른 일례로, 객체 검출 장치는 동영상에 포함된 시간적으로 연속적인 복수의 프레임 영상들로부터 모션 벡터를 추출할 수 있다. 이 때, 객체 검출 장치는 광류 계산 등과 같은 모션 벡터 연산 알고리즘을 이용하여 모션 벡터를 추출할 수 있다. 객체 검출 장치는 기준 프레임을 복수의 블록들로 분할하고, 블록에 대응하는 모션 벡터를 개별적으로 추출할 수 있다.
예를 들어, 객체 검출 장치는 해당 블록에 대응하는 영상의 색상의 차에 기초하여 해당 블록에 대응하는 모션 벡터를 추출할 수 있다. 객체 검출 장치는 해당 블록에 대응하는 현재 영상과 이전 영상을 서로 비교하고, 두 영상 간의 색상 차이가 미리 정해진 값보다 큰 경우 색상 차이가 나타나는 부분을 중심으로 기준 객체를 식별하며 기준 객체의 움직임에 대한 모션 벡터를 계산함으로써, 해당 블록의 모션 벡터를 추출할 수 있다. 객체 검출 장치는 추출된 모션 벡터를 이용하여 모션 벡터 맵을 구성할 수 있다. 모션 벡터 맵을 구성하는 블록의 크기가 일정하지 않는 경우, 객체 검출 장치는 가장 작은 블록 크기를 기준으로 모션 벡터 맵에 포함된 블록들을 균일화할 수 있다.
객체 검출 장치는 모션 벡터에 기초하여 동영상에 포함된 객체를 동적으로 분석할 수 있다.
객체 검출 장치는 추출된 프레임 영상으로부터 제1 특징 벡터를 추출할 수 있다. 객체 검출 장치는 프레임 영상을 복수의 블록들로 분할하고, 블록에 대응하는 프레임 영상에 기초하여 해당 블록에 대한 제1 특성 벡터를 추출할 수 있다. 일례로, 블록에 대한 제1 특성 벡터는 해당 블록에 포함된 픽셀의 밝기의 기울기에 대한 히스토그램에 기초하여 추출될 수 있다. 다른 일례로, 블록에 대한 제1 특성 벡터는 해당 블록에 포함된 픽셀의 밝기 레벨에 대한 히스토그램에 기초하여 추출될 수 있다. 또 다른 일례로, 블록에 대한 제1 특성 벡터는 해당 블록에 포함된 픽셀의 색상에 대한 히스토그램에 기초하여 추출될 수 있다.
객체 검출 장치는 추출된 모션 벡터로부터 제2 특징 벡터를 추출할 수 있다. 객체 검출 장치는 프레임 영상의 블록과 동일한 크기의 블록을 기준으로 제2 특징 벡터를 추출할 수 있다. 객체 검출 장치는 프레임 영상을 분할하는 블록과 동일한 크기의 블록 내에 포함되는 적어도 하나의 모션 벡터의 방향에 대한 히스토그램에 기초하여 해당 블록에 대응하는 제2 특징 벡터를 추출할 수 있다.
객체 검출 장치는 제1 특징 벡터와 제2 특징 벡터를 결합함으로써 통합 특징 벡터를 생성할 수 있다. 이 때, 제1 특징 벡터에 대응하는 블록과 제 2 특징 벡터에 대응하는 블록은 동일한 크기를 가질 수 있다. 객체 검출 장치는 블록을 기준으로 해당 블록에 대응하는 제1 특징 벡터와 제2 특징 벡터를 결합할 수 있다. 다시 말해, 객체 검출 장치는 영역별로 통합 특징 벡터를 생성할 수 있다.
도 4는 일실시예에 따른 객체 검출 장치의 세부 구성을 나타낸 도면이다.
도 4를 참조하면, 객체 검출 장치(400)는 추출부(410), 특징 생성부(420) 및 객체 검출부(430)를 포함한다. 객체 검출 장치(400)는 동영상에 포함된 객체를 검출하는 장치를 나타낸다. 객체 검출 장치(400)는 소프트웨어 모듈, 하드웨어 모듈, 또는 이들의 조합으로 구현될 수 있다. 객체 검출 장치(400)는 스마트 폰, 테블릿 컴퓨터, 랩톱 컴퓨터, 데스크톱 컴퓨터, 텔레비전, 웨어러블 장치, 보안 시스템, 스마트 홈 시스템 등 다양한 컴퓨팅 장치 및/또는 시스템에 탑재될 수 있다.
추출부(410)는 동영상으로부터 프레임 영상 및 모션 벡터를 추출할 수 있다. 추출부(410)는 동영상에 포함된 시간적으로 연속되는 복수의 프레임 영상들을 추출함으로써 특정 프레임 영상을 추출할 수 있다.
추출부(410)는 동영상의 인코딩 과정에서 생성된 모션 벡터를 동영상으로부터 추출할 수 있다. 또는, 추출부(410)는 동영상에 포함된 시간적으로 연속되는 복수의 프레임 영상들에 기초하여 모션 벡터를 추출할 수 있다.
예를 들어, 도 4에서는 추출부(410)에서 프레임 영상 및 모션 벡터가 모두 추출되는 것으로 도시되어 있으나, 이는 하나의 실시예에 불과할 뿐 추출부(410)의 실시예를 제한하지 않는다. 즉, 객체 검출 장치(400)는 동영상으로부터 프레임 영상을 추출하는 프레임 영상 추출부, 동영상으로부터 모션 벡터를 추출하는 모션 벡터 추출부를 독립적으로 포함할 수도 있다.
특징 생성부(420)는 프레임 영상 및 모션 벡터에 기초하여 통합 특징 벡터를 생성한다. 특징 생성부(420)는 프레임 영상을 복수의 블록들로 분할하고 블록에 포함되는 프레임 영상에 기초하여 해당 블록에 대응하는 제1 특징 벡터를 추출할 수 있다. 특징 생성부(420)는 프레임 영상의 통계적인 특성을 제1 특징 벡터로 추출할 수 있다.
일례로, 특징 생성부(420)는 블록에 대응하는 프레임 영상에 포함된 픽셀의 밝기의 기울기에 기초하여 해당 블록에 대응하는 제1 특징 벡터를 추출할 수 있다. 다른 일례로, 특징 생성부(420)는 블록에 대응하는 프레임 영상에 포함된 픽셀의 밝기 레벨에 기초하여 해당 블록에 대응하는 제1 특징 벡터를 추출할 수 있다. 또 다른 일례로, 특징 생성부(420)는 블록에 대응하는 프레임 영상에 포함된 픽셀의 색상에 기초하여 해당 블록에 대응하는 제1 특징 벡터를 추출할 수 있다.
특징 생성부(420)는 모션 벡터를 복수의 블록들로 분할하고 블록에 포함되는 모션 벡터에 기초하여 해당 블록에 대응하는 제2 특징 벡터를 추출할 수 있다. 특징 생성부(420)는 모션 벡터의 통계적인 특성을 제2 특징 벡터로 추출할 수 있다. 예를 들어, 특징 생성부(420)는 블록에 포함된 적어도 하나의 모션 벡터의 방향에 기초하여 제2 특징 벡터를 추출할 수 있다. 여기서, 모션 벡터를 분할하는 블록은 프레임 영상을 분할하는 블록과 크기가 동일할 수 있다.
객체 검출부(430)는 통합 특징 벡터에 기초하여 동영상에 포함된 객체를 검출한다. 객체 검출부(430)는 통합 특징 벡터에 기초하여 프레임 영상에 검출 대상 객체가 포함되어 있는지 여부를 판별함으로써 동영상에 포함된 객체를 검출할 수 있다.
본 발명에 적용될 수 있는 기술들 중 일부는 본 발명의 개념이 모호해지는 것을 피하기 위해 생략될 수 있다. 이러한 생략된 구성들은 "Histograms of oriented gradients for human detection", "Object Detection with Discriminatively Trained Part Based Models"을 참조하여 본 발명에 적용될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 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 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 비록 한정된 실시예와 도면을 통해 실시예들을 설명하였으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
400: 객체 검출 장치
410: 추출부
420: 특징 생성부
430: 객체 검출부

Claims (20)

  1. 동영상으로부터 프레임 영상 및 모션 벡터를 추출하는 단계;
    상기 프레임 영상 및 모션 벡터에 기초하여 통합 특징 벡터를 생성하는 단계; 및
    상기 통합 특징 벡터에 기초하여 상기 동영상에 포함된 객체를 검출하는 단계
    를 포함하는 객체 검출 방법.
  2. 제1항에 있어서,
    상기 통합 특징 벡터를 생성하는 단계는,
    상기 프레임 영상의 통계적인 특성을 제1 특징 벡터로 추출하고, 상기 모션 벡터의 통계적인 특성을 제2 특징 벡터로 추출하는 단계; 및
    상기 제1 특징 벡터 및 제2 특징 벡터를 결합함으로써 상기 통합 특징 벡터를 생성하는 단계
    를 포함하는, 객체 검출 방법.
  3. 제2항에 있어서,
    상기 제1 특징 벡터 및 제2 특징 벡터를 추출하는 단계는,
    상기 프레임 영상과 상기 모션 벡터를 복수의 블록들로 분할하고, 블록에 포함되는 프레임 영상에 기초하여 제1 특징 벡터를 추출하고, 블록에 포함되는 모션 벡터에 기초하여 제2 특징 벡터를 추출하는, 객체 검출 방법.
  4. 제2항에 있어서,
    상기 제1 특징 벡터 및 제2 특징 벡터를 추출하는 단계는,
    상기 프레임 영상에 포함된 픽셀의 밝기의 기울기에 기초하여 상기 제1 특징 벡터를 추출하는, 객체 검출 방법.
  5. 제2항에 있어서,
    상기 제1 특징 벡터 및 제2 특징 벡터를 추출하는 단계는,
    상기 프레임 영상에 포함된 픽셀의 밝기 레벨에 기초하여 상기 제1 특징 벡터를 추출하는, 객체 검출 방법.
  6. 제2항에 있어서,
    상기 제1 특징 벡터 및 제2 특징 벡터를 추출하는 단계는,
    상기 프레임 영상에 포함된 픽셀의 색상에 기초하여 상기 제1 특징 벡터를 추출하는, 객체 검출 방법.
  7. 제2항에 있어서,
    상기 제1 특징 벡터 및 제2 특징 벡터를 추출하는 단계는,
    상기 모션 벡터의 방향에 기초하여 상기 제2 특징 벡터를 추출하는, 객체 검출 방법.
  8. 제1항에 있어서,
    상기 프레임 영상 및 모션 벡터를 추출하는 단계는,
    상기 프레임 영상에 대응하는 기준 프레임을 복수의 블록들로 분할하고 블록마다 모션 벡터를 추출하여 모션 벡터 맵을 구성하고, 상기 모션 벡터 맵을 구성하는 블록의 크기를 균일화하는, 객체 검출 방법.
  9. 제1항에 있어서,
    상기 동영상에 포함된 객체를 검출하는 단계는,
    상기 통합 특징 벡터에 기초하여 상기 프레임 영상에 검출 대상 객체가 포함되어 있는지 여부를 판별함으로써 상기 동영상에 포함된 객체를 검출하는, 객체 검출 방법.
  10. 제1항에 있어서,
    상기 프레임 영상 및 모션 벡터를 추출하는 단계는,
    상기 동영상에 포함된 모션 벡터를 디코딩 과정에서 추출하거나, 상기 동영상에 포함된 연속된 복수의 프레임 영상들에 기초하여 모션 벡터를 추출하는, 객체 검출 방법.
  11. 제1항 내지 제10항 중에서 어느 하나의 항의 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  12. 동영상으로부터 프레임 영상 및 모션 벡터를 추출하는 추출부;
    상기 프레임 영상 및 모션 벡터에 기초하여 통합 특징 벡터를 생성하는 특징 생성부; 및
    상기 통합 특징 벡터에 기초하여 상기 동영상에 포함된 객체를 검출하는 객체 검출부
    를 포함하는 객체 검출 장치.
  13. 제12항에 있어서,
    상기 특징 생성부는,
    상기 프레임 영상의 통계적인 특성을 제1 특징 벡터로 추출하고, 상기 모션 벡터의 통계적인 특성을 제2 특징 벡터로 추출하며, 상기 제1 특징 벡터 및 제2 특징 벡터를 결합함으로써 상기 통합 특징 벡터를 생성하는, 객체 검출 장치.
  14. 제13항에 있어서,
    상기 특징 생성부는,
    상기 프레임 영상과 상기 모션 벡터를 복수의 블록들로 분할하고, 블록에 포함되는 프레임 영상에 기초하여 제1 특징 벡터를 추출하고, 블록에 포함되는 모션 벡터에 기초하여 제2 특징 벡터를 추출하는, 객체 검출 장치.
  15. 제13항에 있어서,
    상기 특징 생성부는,
    상기 프레임 영상에 포함된 픽셀의 밝기의 기울기에 기초하여 상기 제1 특징 벡터를 추출하는, 객체 검출 장치.
  16. 제13항에 있어서,
    상기 특징 생성부는,
    상기 프레임 영상에 포함된 픽셀의 밝기 레벨에 기초하여 상기 제1 특징 벡터를 추출하는, 객체 검출 장치.
  17. 제13항에 있어서,
    상기 특징 생성부는,
    상기 프레임 영상에 포함된 픽셀의 색상에 기초하여 상기 제1 특징 벡터를 추출하는, 객체 검출 장치.
  18. 제13항에 있어서,
    상기 특징 생성부는,
    상기 모션 벡터의 방향에 기초하여 상기 제2 특징 벡터를 추출하는, 객체 검출 장치.
  19. 제12항에 있어서,
    상기 추출부는,
    상기 프레임 영상에 대응하는 기준 프레임을 복수의 블록들로 분할하고 블록마다 모션 벡터를 추출하여 모션 벡터 맵을 구성하고, 상기 모션 벡터 맵을 구성하는 블록의 크기를 균일화하는, 객체 검출 장치.
  20. 제12항에 있어서,
    상기 객체 검출부는,
    상기 통합 특징 벡터에 기초하여 상기 프레임 영상에 검출 대상 객체가 포함되어 있는지 여부를 판별함으로써 상기 동영상에 포함된 객체를 검출하는, 객체 검출 장치.
KR1020150014534A 2015-01-29 2015-01-29 프레임 영상과 모션 벡터에 기초하는 객체 검출 방법 및 장치 KR20160093809A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150014534A KR20160093809A (ko) 2015-01-29 2015-01-29 프레임 영상과 모션 벡터에 기초하는 객체 검출 방법 및 장치
US15/003,331 US20160224864A1 (en) 2015-01-29 2016-01-21 Object detecting method and apparatus based on frame image and motion vector

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150014534A KR20160093809A (ko) 2015-01-29 2015-01-29 프레임 영상과 모션 벡터에 기초하는 객체 검출 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20160093809A true KR20160093809A (ko) 2016-08-09

Family

ID=56554457

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150014534A KR20160093809A (ko) 2015-01-29 2015-01-29 프레임 영상과 모션 벡터에 기초하는 객체 검출 방법 및 장치

Country Status (2)

Country Link
US (1) US20160224864A1 (ko)
KR (1) KR20160093809A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190105023A (ko) * 2017-01-13 2019-09-11 워너 브로스. 엔터테인먼트 인크. 디지털 스틸 이미지에 모션 효과의 부가
KR102042397B1 (ko) * 2018-07-30 2019-11-08 이노뎁 주식회사 압축영상에 대한 신택스 기반의 히트맵 생성 방법
KR102284806B1 (ko) * 2021-04-29 2021-08-03 (주)비상정보통신 복수의 동적객체인식 처리가 가능한 다중해상도 영상처리장치 및 방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10805649B2 (en) * 2017-01-04 2020-10-13 Samsung Electronics Co., Ltd. System and method for blending multiple frames into a single frame
US11611773B2 (en) * 2018-04-06 2023-03-21 Qatar Foundation For Education, Science And Community Development System of video steganalysis and a method for the detection of covert communications
US11093783B2 (en) * 2018-12-05 2021-08-17 Subaru Corporation Vehicle detection apparatus
CN109635740B (zh) * 2018-12-13 2020-07-03 深圳美图创新科技有限公司 视频目标检测方法、装置及图像处理设备
WO2021248432A1 (en) * 2020-06-12 2021-12-16 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for performing motion transfer using a learning model

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7899253B2 (en) * 2006-09-08 2011-03-01 Mitsubishi Electric Research Laboratories, Inc. Detecting moving objects in video by classifying on riemannian manifolds
JP5719297B2 (ja) * 2010-03-19 2015-05-13 パナソニック インテレクチュアル プロパティ コーポレーション オブアメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 特徴量算出装置、特徴量算出方法及びプログラム
US9305240B2 (en) * 2011-12-07 2016-04-05 Google Technology Holdings LLC Motion aligned distance calculations for image comparisons
KR20140044173A (ko) * 2012-10-04 2014-04-14 한국전자통신연구원 객체 영상 인식 장치 및 객체 영상 인식 방법
US9165220B2 (en) * 2012-12-18 2015-10-20 Hewlett-Packard Development Company, L.P. Image object recognition based on a feature vector with context information
JP6221505B2 (ja) * 2013-08-22 2017-11-01 富士通株式会社 画像処理装置、画像処理方法および画像処理プログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190105023A (ko) * 2017-01-13 2019-09-11 워너 브로스. 엔터테인먼트 인크. 디지털 스틸 이미지에 모션 효과의 부가
KR102042397B1 (ko) * 2018-07-30 2019-11-08 이노뎁 주식회사 압축영상에 대한 신택스 기반의 히트맵 생성 방법
KR102284806B1 (ko) * 2021-04-29 2021-08-03 (주)비상정보통신 복수의 동적객체인식 처리가 가능한 다중해상도 영상처리장치 및 방법

Also Published As

Publication number Publication date
US20160224864A1 (en) 2016-08-04

Similar Documents

Publication Publication Date Title
KR20160093809A (ko) 프레임 영상과 모션 벡터에 기초하는 객체 검출 방법 및 장치
KR102463169B1 (ko) 시점 추적 방법 및 장치
JP7227145B2 (ja) マッチムーブ用のハイブリッド追跡器のシステム及び方法
KR102201096B1 (ko) 실시간 cctv 영상분석장치 및 그 장치의 구동방법
KR102330322B1 (ko) 영상 특징 추출 방법 및 장치
US10540540B2 (en) Method and device to determine landmark from region of interest of image
JP6794197B2 (ja) 情報処理装置、情報処理方法及びプログラム
KR101920281B1 (ko) 차량 내에서 입력 영상 데이터로부터 객체를 검출하는 장치 및 방법
Liu et al. Spatial-temporal motion information integration for action detection and recognition in non-static background
Ranftl et al. Real‐time AdaBoost cascade face tracker based on likelihood map and optical flow
KR102509823B1 (ko) 그리드 기반의 평면 추정 방법 및 장치
CN117957851A (zh) 针对电子设备的感兴趣区域捕获
KR101851492B1 (ko) 번호판 인식 방법 및 번호판 인식 장치
Devrari et al. Fast face detection using graphics processor
US11315256B2 (en) Detecting motion in video using motion vectors
Göttl et al. Efficient pose tracking from natural features in standard web browsers
KR101853211B1 (ko) 모바일 gpu 환경에서 차영상 정보를 이용한 sift 알고리즘의 복잡도 감소 기법
US20220058452A1 (en) Spatiotemporal recycling network
Li et al. Predictive video saliency detection
US9183639B2 (en) Image frame processing including usage of acceleration data in assisting object location
CN113947604A (zh) 实例分割以及实例分割网络训练方法和装置、介质、设备
KR20220052620A (ko) 객체 추적 방법 및 이를 수행하는 장치
US20230115371A1 (en) Efficient vision perception
KR102564477B1 (ko) 객체 검출 방법 및 장치
Pandey et al. Computational acceleration of real-time kernel-based tracking system

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