KR20160112788A - 다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치 - Google Patents

다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치 Download PDF

Info

Publication number
KR20160112788A
KR20160112788A KR1020150039082A KR20150039082A KR20160112788A KR 20160112788 A KR20160112788 A KR 20160112788A KR 1020150039082 A KR1020150039082 A KR 1020150039082A KR 20150039082 A KR20150039082 A KR 20150039082A KR 20160112788 A KR20160112788 A KR 20160112788A
Authority
KR
South Korea
Prior art keywords
distribution
distributions
memory
reliability
background
Prior art date
Application number
KR1020150039082A
Other languages
English (en)
Other versions
KR101667761B1 (ko
Inventor
정종면
최지윤
김대희
Original Assignee
목포해양대학교 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 목포해양대학교 산학협력단 filed Critical 목포해양대학교 산학협력단
Priority to KR1020150039082A priority Critical patent/KR101667761B1/ko
Publication of KR20160112788A publication Critical patent/KR20160112788A/ko
Application granted granted Critical
Publication of KR101667761B1 publication Critical patent/KR101667761B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 실시예에 따른 다중 가우시안 분포 기반의 적응적 배경 모델링 방법은 분포 개수를 "K(K≥1)"로 설정하며, 기준 프레임의 각 픽셀 값과 기 설정된 값을 갖는 분산으로 상기 기준 프레임의 각 픽셀에 대한 분포들을 생성하여 메모리에 저장하는 단계와, 상기 기준 프레임 이후에 입력되는 프레임(이하, '다음 프레임'이라고 함)의 픽셀 값과 상기 분포들간의 비교를 통해 상기 메모리에 저장된 분포들 중 어느 하나를 선택하는 단계와, 상기 픽셀 값이 상기 선택된 분포의 기 설정된 범위에 포함되는 경우 상기 픽셀 값을 상기 선택된 분포에 병합하여 상기 선택된 분포의 파라미터를 갱신하는 단계와, 상기 생성된 분포들 중 상기 선택된 분포를 제외한 나머지 분포들의 가중치를 기 설정된 분포 갱신 조절용 파라미터를 이용하여 갱신하는 단계와, 상기 픽셀 값이 선택된 분포의 기 설정된 범위에 포함되지 않을 경우 상기 분포 개수(K)를 "1" 증가시키고 상기 다음 프레임의 픽셀 값과 기 설정된 값을 갖는 분산 및 상기 분포 갱신 조절용 파라미터를 갖는 가중치를 이용하여 새로운 분포를 생성하여 상기 메모리에 저장하는 단계와, 상기 메모리에 저장된 분포 각각에 대한 가중치 및 분산을 이용하여 신뢰도를 산출하며, 상기 산출된 각 신뢰도를 기반으로 상기 메모리에 저장된 분포들에서 배경 분포를 결정하는 단계를 포함하는 것을 특징으로 한다.

Description

다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치{METHOD AND APPARATUS FOR ADAPTIVE MODELING BACKGROUND BASED ON MULTIPLE GAUSSIAN DISTRIBUTION}
본 발명은 다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치에 관한 것이다.
영상 감시 장치는 화성 정보를 특정 목적으로 특정 사용자에게 전달해주는 것으로, 최근에는 빠른 속도로 디지털화, 고화질화, 고성능화 , 다채널로 변화하고 있다. 이러한 영상 감지 장치의 설치 증가 및 발전으로 수많은 카메라로부터 수집되는 대용량 영상 데이터들을 어떻게 분석하고 저장하며, 관리할 것인지에대한 문제가 영상 감시 분야의 중요한 이슈로 떠오르고 있으며, 이에 따라 지능형 영상 감시 시스템의 필요성이 부각되고 있다.
지능형 영상 감시 시스템은 영상 내에서의 변화의 유무나 센서에 의한 문제점을 검출하는 단순한 내용이 아니라 영상분석, 컴퓨터 비젼, 패턴인식 등의 기술을 적용하여 자동으로 목표물 또는 이동물체를 탐지, 추적, 식별 행동분석을 통하여 영상 감시 장치, 예컨대 CCTV에서 관찰된 물체의 정보를 분석하는 것이다.
이를 위해 물체 탐지 및 물체 추적은 기본적으로 이루어 져야 할 요소들이다. 이 요소들 중 물체 탐지를 위한 방법으로 배경 모델링 기술이 있다. 이는 배경을 추출해 내면 배경을 제외한 나머지 영역이 전경 영역일 것이라는 생각을 바탕으로 물체 영역을 탐지하는 기술이며, 현재까지 배경과 전경을 정확히 분리해 내기 위한 배경모델링 기술이 많이 연구되고 있지만, 복잡한 배경을 가지는 실제 환경에 적용하기에는 아직까지 어려운 과제로 남아있다.
W4의 통계적 방법(statistical method)은 시간적 윈도우 내의 최대값, 최소값, 연속한 픽셀값의 차이와 같은 몇 가지 통계치를 이용하여 효과적으로 배경을 제거하는 방법을 제안하였다. 이 방법은 간단한 연산만으로 이루어져 실시간 처리가 가능하지만, 실외 환경의 다양한 변화 속에서 객체를 정확히 추출하기에는 한계를 가지고 있다.
스코어보드 알고리즘(Scoreboard algorithm)은 러닝 모드(running mode)와 러닝 평균 알고리즘(running average algorithm)의 방법에 대한 각각의 장점을 이용하였다. 하지만 이 방법은 학습 속도가 현저히 떨어진다는 단점을 가지고 있다.
Kumar 등에 의해 제안된 큐를 기반한 방법(queue-based method)은 큐를 사용한 실시간 배경모델링 방법으로 W4와 마찬가지로 객체가 포함된 영상에서 배경모델링을 수행 할 수 있다. 하지만 이는 프레임 갱신 검사 주기를 고정적으로 정하고 있어, 여러 시스템에 적응적으로 적용시키기에 부적합하다.
평균 및 중간값을 이용한 방법과 히스토그램 분석을 통한 배경모델링이 있다. 이 방법들은 간단하지만 복잡한 움직임이 포함된 환경에서는 배경을 얻을 수 없다.
Kalman filter를 이용하여 배경을 모델링하는 방법이 있는데, 이는 인위적으로 가한 카메라의 움직임으로 인한 변화에 대응 할 수 있지만, 다양한 움직임이 존재하는 환경에 적용하기에는 한계를 가지고 있다.
다른 종래의 방법으로는 가우시안 확률 이론을 이용한 방법이 있다. 가우시안 확률 이론을 이용한 방법에는 단일 가우시안 모델을 이용한 방법과 다중 가우시안을 이용한 방법이 있다. 여기에서, 단일 가우시안 모델을 이용하는 방법은 배경의 변화가 잦은 환경에서 적용하기에는 부적합하다.
On-line Background Mixture Model이라는 다중 가우시안 모델을 이용하여 배경을 모델링 하였는데 실제 동영상에 대해 좋은 결과를 보이지만 배경 분포의 최대 개수에 대한 사전 지식이 필요하고, 초기분포 생성을 위한 클러스터링이 필요하다.
기존의 연구들은 다양한 배경 변화를 가지는 환경 속에서 활용하기 어렵고, 계산량이 많고 복잡한 학습 알고리즘을 사용해야하며, 배경을 적응적으로 모델링 할 수 있는 알고리즘의 경우에는 실시간 처리가 어렵거나 배경 분포에 대한 사전 지식이 요구된다.
대한민국 등록특허 제10-1038650호(2011.05.27)
본 발명은 배경 분포에 대한 사전 지식이 요구되지 않는 적응적 배경 모델링을 제안하여 전경을 탐지하고, 계속적인 전경 탐지를 위하여 정지 물체 영역을 배경 분포로 모델링하는 다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치을 제공한다.
본 발명의 실시예에 따르면, 분포 개수를 "K(K≥1)"로 설정하며, 기준 프레임의 각 픽셀 값과 기 설정된 값을 갖는 분산으로 상기 기준 프레임의 각 픽셀에 대한 분포들을 생성하여 메모리에 저장하는 단계와, 상기 기준 프레임 이후에 입력되는 프레임(이하, '다음 프레임'이라고 함)의 픽셀 값과 상기 분포들간의 비교를 통해 상기 메모리에 저장된 분포들 중 어느 하나를 선택하는 단계와, 상기 픽셀 값이 상기 선택된 분포의 기 설정된 범위에 포함되는 경우 상기 픽셀 값을 상기 선택된 분포에 병합하여 상기 선택된 분포의 파라미터를 갱신하는 단계와, 상기 생성된 분포들 중 상기 선택된 분포를 제외한 나머지 분포들의 가중치를 기 설정된 분포 갱신 조절용 파라미터를 이용하여 갱신하는 단계와, 상기 픽셀 값이 선택된 분포의 기 설정된 범위에 포함되지 않을 경우 상기 분포 개수(K)를 "1" 증가시키고 상기 다음 프레임의 픽셀 값과 기 설정된 값을 갖는 분산 및 상기 분포 갱신 조절용 파라미터를 갖는 가중치를 이용하여 새로운 분포를 생성하여 상기 메모리에 저장하는 단계와, 상기 메모리에 저장된 분포 각각에 대한 가중치 및 분산을 이용하여 신뢰도를 산출하며, 상기 산출된 각 신뢰도를 기반으로 상기 메모리에 저장된 분포들에서 배경 분포를 결정하는 단계를 포함하는 것을 특징으로 하는 다중 가우시안 분포 기반 적응적 배경 모델링 방법이 개시된다.
본 발명의 실시예에 따르면, 상기 설정하는 단계는 상기 기준 프레임이 적어도 둘 이상일 경우 상기 기준 프레임들의 각 픽셀별 평균을 이용하여 분포를 생성하는 것을 특징으로 한다.
본 발명의 실시예에 따르면, 상기 기 설정된 범위는 상기 선택된 분포의 평균의 2.5σ (σ : 표준편차) 이내인 것을 특징으로 한다.
본 발명의 실시예에 따르면, 상기 선택하는 단계는 상기 다음 프레임의 픽셀 값과 상기 메모리에 저장된 분포들의 파라미터들간의 비교를 통해 상기 다음 프레임의 픽셀과 유사성을 갖는 분포가 상기 메모리에 존재하는지를 판단하는 단계와, 상기 메모리에 존재하지 않을 경우 상기 새로운 분포를 생성하여 저장하는 단계를 수행하며, 상기 메모리에 존재할 경우 상기 유사성을 갖는 분포를 선택하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 실시예에 따르면, 상기 배경 분포를 결정하는 단계는 상기 분포 개수가 기 설정된 값 이상이거나 소정의 개수에 해당하는 프레임이 입력되거나 기 설정된 시간이 경과한 경우 수행되는 것을 특징으로 한다.
본 발명의 실시예에 따르면, 상기 배경 분포를 결정하는 단계는 상기 메모리에 저장된 분포들의 신뢰도를 계산하고, 상기 계산된 신뢰도가 높은 순으로 정렬한 후 배경 분포 결정용 임계 값 이하의 신뢰도를 갖는 분포를 배경 분포로 결정하는 것을 특징으로 한다.
본 발명의 실시예에 따르면, 상기 모델링 방법은 상기 메모리에 저장된 분포들의 신뢰도를 기반으로 분포들을 선택적으로 삭제하거나 임의의 분포를 다른 분포에 병합시켜 상기 메모리에 저장된 분포 개수를 조절하는 단계를 더 포함하는 것을 특징으로 한다.
본 발명의 실시예에 따르면, 상기 조절하는 단계는 상기 메모리에 저장된 분포들의 가중치 및 분산을 이용하여 상기 분포들 각각에 대한 신뢰도를 계산하는 단계와, 상기 계산된 신뢰도를 기반으로 상기 신뢰도가 기 설정된 임계 값 이하인 분포가 존재하면, 상기 기 설정된 임계 값 이하의 신뢰도를 갖는 분포들 중 가장 작은 신뢰도를 갖는 분포를 선택하여 삭제 후보 분포를 설정하는 단계와, 상기 삭제 후보 분포의 평균과 기 설정된 범위 내에서 유사한 분포가 상기 메모리에 존재하면, 상기 삭제 후보 분포를 이용하여 상기 유사한 분포의 파라미터를 갱신하는 단계와, 상기 삭제 후보 분포의 평균과 기 설정된 범위 내에서 유사한 분포가 상기 메모리에 존재하지 않으면, 상기 삭제 후보 분포를 삭제한 후 상기 삭제 후보 분포의 가중치를 이용하여 상기 삭제 후보 분포 외의 분포들의 가중치를 정규화하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 실시예에 따르면, 상기 기 설정된 임계 값은 상기 새로운 분포의 가중치와 분산을 기반으로 생성된 새로운 분포의 신뢰도보다 작은 값을 갖는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 분포 개수를 "K(K≥1)"로 설정하며, 기준 프레임의 각 픽셀 값과 기 설정된 값을 갖는 분산으로 상기 기준 프레임의 각 픽셀에 대한 분포들을 생성하여 메모리에 저장하는 초기화 모듈과, 상기 기준 프레임 이후에 입력되는 다음 프레임의 픽셀 값과 상기 분포들에 대한 파라미터간의 비교를 통해 상기 다음 프레임의 픽셀과 유사성을 갖는 분포를 하나 선택하는 분포 선택 모듈과, 상기 픽셀 값이 선택된 분포의 기 설정된 범위에 포함되는 경우 상기 픽셀 값을 상기 선택된 분포에 병합하여 상기 선택된 분포의 파라미터를 갱신하며, 상기 생성된 분포들 중 상기 선택된 분포를 제외한 나머지 분포들의 가중치를 기 설정된 분포 갱신 속도 조절용 파라미터를 이용하여 갱신하는 분포 업데이트 모듈과, 상기 픽셀 값이 선택된 분포의 기 설정된 범위에 포함되지 않을 경우 상기 분포 개수를 "1" 증가시키고 상기 다음 프레임의 픽셀 값과 기 설정된 값을 갖는 분산 및 상기 분포 갱신 속도 조절용 파라미터를 갖는 가중치를 이용하여 새로운 분포를 생성한 후 이를 상기 메모리에 저장하는 분포 생성 모듈과, 상기 메모리에 저장된 분포 각각에 대한 가중치 및 분산을 이용하여 신뢰도를 산출하며, 상기 산출된 각 신뢰도를 기반으로 상기 메모리에 저장된 분포들에서 배경 분포를 결정하는 배경 분포 결정 모듈을 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 초기화 모듈은 상기 기준 프레임이 적어도 둘 이상일 경우 상기 기준 프레임들의 각 픽셀별 평균을 이용하여 분포를 생성하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 분포 선택 모듈은 상기 다음 프레임의 픽셀 값과 상기 메모리에 저장된 분포들의 파라미터들간의 비교를 통해 상기 다음 프레임의 픽셀과 유사성을 갖는 분포가 상기 메모리에 존재하면 상기 유사성을 갖는 분포를 선택하며, 상기 유사성 갖는 분포가 존재하지 않을 상기 다음 프레임의 픽셀을 상기 분포 생성 모듈에 제공하여 새로운 분포가 생성되도록 하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 배경 분포 결정 모듈은 상기 분포 개수가 기 설정된 값 이상이거나 소정의 개수에 해당하는 프레임이 입력되거나 기 설정된 시간이 경과한 경우 상기 배경 분포를 결정하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 모델링 장치는 상기 메모리에 저장된 분포들의 신뢰도를 기반으로 분포들을 선택적으로 삭제하거나 임의의 분포를 다른 분포에 병합시켜 상기 메모리에 저장된 분포 개수를 조절하는 분포 관리 모듈을 더 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 분포 관리 모듈은 상기 메모리에 저장된 분포들의 가중치 및 분산을 이용하여 상기 분포들 각각에 대한 신뢰도를 계산하며, 상기 계산된 신뢰도를 기반으로 상기 신뢰도가 기 설정된 임계 값 이하인 분포가 존재하면, 상기 기 설정된 임계 값 이하의 신뢰도를 갖는 분포들 중 가장 작은 신뢰도를 갖는 분포를 선택하여 삭제 후보 분포를 설정한 후 상기 삭제 후보 군포의 평균과 기 설정된 범위 내에서 유사한 분포가 상기 메모리에 존재할 경우 상기 삭제 후보 분포를 이용하여 상기 유사한 분포의 파라미터를 갱신하며, 상기 삭제 후보 분포의 평균과 기 설정된 범위 내에서 유사한 분포가 상기 메모리에 존재하지 않으면, 상기 삭제 후보 분포를 삭제한 후 상기 삭제 후보 분포의 가중치를 이용하여 상기 삭제 후보 분포 외의 분포들의 가중치를 정규화하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 기 설정된 임계 값은 상기 새로운 분포의 가중치와 분산을 기반으로 생성된 새로운 분포의 신뢰도보다 작은 값을 갖는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 분포 업데이트 모듈은 상기 다음 프레임의 픽셀 값이 상기 선택된 분포의 평균의 2.5σ (σ : 표준편차)에 포함되는 경우 상기 다음 프레임의 픽셀 값을 이용하여 상기 선택된 분포의 파라미터를 갱신하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 배경 분포 결정 모듈은 상기 메모리에 저장된 분포들의 신뢰도를 계산하고, 상기 계산된 신뢰도가 높은 순으로 정렬한 후 배경 분포 결정용 임계 값 이하의 신뢰도를 갖는 분포를 배경 분포로 결정하는 것을 특징으로 한다.
본 발명의 실시예들에 따르면, 배경 분포의 개수 및 초기 분포에 대한 사전 지식이 필요한 기존 Stauffer 등의 배경모델링 기법을 개선하여 더 정확한 통계 정보를 담아 매 프레임 입력되는 각 픽셀의 분포를 모델링할 수 있다.
도 1은 본 발명의 실시예에 따른 다중 가우시안 분포 기반의 적응적 배경 모델링 장치를 도시한 블록 구성도이다.
도 2는 본 발명의 실시예에 따른 다중 가우시안 분포 기반의 적응적 배경 모델링 방법을 도시한 흐름도이다.
도 3은 본 발명의 실시예에 따른 분포의 개수를 관리하는 과정을 도시한 흐름도이다.
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다.
도 1은 본 발명의 실시예에 따른 다중 가우시안 분포 기반의 적응적 배경 모델링 장치를 도시한 블록 구성도이다.
도 1에 도시된 바와 같이, 다중 가우시안 분포 기반의 적응적 배경 모델링 장치는 영상 입력 모듈(110), 초기화 모듈(112), 분포 선택 모듈(114), 분포 생성 모듈(116), 분포 업데이트 모듈(118), 메모리(120), 분포 관리 모듈(122) 및 배경 분포 결정 모듈(124)을 포함하도록 구성될 수 있다.
다중 가우시안 분포 기반의 적응적 배경 모델링 장치는 배경 분포의 최대 개수에 대한 사전 정보 없이 배경을 적응적으로 모델링할 수 있으며, 정지 물체의 영역에 대해 배경으로 모델링할 수 있다. 구체적으로, 본 발명의 실시예에 따른 다중 가우시안 분포 기반의 적응적 배경 모델링 장치는 하나 이상의 기준 프레임의 각 픽셀 값(픽셀 밝기)을 이용하여 평균, 기 설정된 분산 등을 설정하고, 분포 개수를 하나로 설정하여 기준 프레임의 각 픽셀에 대한 분포들을 생성한 후 다음 프레임의 각 픽셀과 생성된 분포들을 이용하여 분포를 새로 생성하거나 생성된 분포들을 업데이트하는 방법으로 분포 개수를 적응적으로 변경시킬 수 있다.
이하, 본 발명의 실시예에 따른 다중 가우시안 분포 기반의 적응적 배경 모델링 장치의 세부적인 구성 및 동작에 대하여 설명한다.
영상 입력 모듈(110)은 입력 영상을 입력받도록 구성될 수 있다. 구체적으로, 영상 입력 모듈(110)은 적어도 하나 이상의 기준 프레임을 초기화 모듈(112)로 출력하고, 이후 입력되는 프레임을 분포 선택 모듈(114)에 출력할 수 있다.
초기화 모듈(112)은 기준 프레임의 각 픽셀에 대한 배경 분포를 초기화할 수 있다. 구체적으로, 초기화 모듈(112)은 분포 개수가 초기 값인 "1"이며, 각 픽셀의 평균을 현재 픽셀의 밝기로 설정하고, 분산을 비교적 큰 값(기 설정된 분산 임계치 이상의 값)이상으로 설정하여 각 픽셀에 대한 분포를 생성한 후 이를 메모리(120)에 저장한다.
기준 프레임이 하나의 프레임인 경우, 초기화 모듈(112)은 하나의 프레임의 각 픽셀에 대한 분포를 생성할 수 있다. 기준 프레임이 복수 개인 경우(기 설정된 시간 동안 입력된 프레임인 경우), 초기화 모듈(112)은 복수 개의 프레임의 각 프레임의 픽셀별 밝기에 대한 평균을 이용하여 분포의 평균을 설정하고, 분포 개수(K)를 초기 값인"1"로 설정할 수 있다.
분포 선택 모듈(114)은 기준 프레임 이후에 입력되는 프레임(이하, '다음 프레임'이라고 함)의 각 픽셀이 나타날 확률이 높은 분포를 메모리(120)에서 선택하기 위한 것으로, 메모리(120)에서 다음 프레임의 픽셀 밝기가 나타날 확률이 높은 분포를 선택할 수 있다. 구체적으로, 분포 선택 모듈(114)은 기준 프레임 이후에 입력되는 다음 프레임의 픽셀 값과 메모리(120)에 저장된 분포들에 대한 파라미터, 예컨대 평균간의 비교를 통해 다음 프레임의 픽셀과 유사성을 갖는 분포를 하나 선택할 수 있다. 이때, 분포 선택 모듈(114)은 다음 프레임의 각 픽셀이 나타날 확률이 높은 분포가 메모리(120)에 존재하지 않을 경우 분포 생성 모듈(116)에 픽셀을 제공하여 분포 생성을 요청할 수 있다.
한편, 분포 선택 모듈(114)은 선택된 분포가 배경일 경우 픽셀을 배경으로 분류하고, 선택된 분포가 전경일 경우 전경으로 분류할 수 있다. 이러한 방법으로 분포 선택 모듈(114)은 1차적으로 다음 프레임의 각 픽셀을 전경과 배경으로 분류할 수 있다.
분포 업데이트 모듈(118)은 다음 프레임의 픽셀 밝기가 선택한 분포의 기 설정된 범위에 포함되는 경우 픽셀 밝기를 이용하여 선택한 분포의 파라미터, 즉 선택한 분포의 평균, 분산, 파라미터 및 가중치 등을 변경하고, 메모리(120) 내 선택되지 않는 분포들의 가중치를 기 설정된 분포 갱신 속도 조절용 파라미터를 이용하여 업데이트할 수 있다. 여기에서, 분포 갱신 속도 조절용 파라미터는 실험으로 획득한 값으로서, 분포 개수의 갱신 속도를 조절하기 위한 값일 수 있다.
한편, 분포 선택 모듈(114)은 다음 프레임의 픽셀 밝기가 선택한 분포의 기 설정된 범위에 포함되지 않을 경우 또는 픽셀 밝기에 나타날 확률이 높은 분포가 메모리(120)에 존재하지 않을 경우 다음 프레임의 픽셀을 전경 픽셀로 분류한 후 전경 픽셀에 대한 분포 생성을 분포 생성 모듈(116)에 요청할 수 있다.
분포 생성 모듈(116)은 전경 픽셀로 분류된 픽셀 밝기를 이용하여 평균을 설정하고, 분포 개수를 "1" 증가시켜 설정한 후 분산을 비교적 큰 값으로 설정하여 새로운 분포를 생성하며, 생성한 새로운 분포를 메모리(120)에 저장할 수 있다.
분포 관리 모듈(122)은 분포 개수가 기 설정된 임계 값 이상이 될 경우, 기 설정된 시간 동안 다음 프레임이 입력되는 경우 또는 기 설정된 개수 이상의 다음 프레임이 입력되는 경우 메모리(120)에 저장된 각 분포의 신뢰도를 기반으로 일부 분포를 삭제 또는 분포를 업데이트할 수 있다. 구체적으로, 분포 관리 모듈(122)은 메모리(120)에 저장된 각 분포에 대한 가중치와 분산을 이용하여 각 분포에 대한 신뢰도를 산출하고, 산출된 신뢰도 중 기 설정된 신뢰도 값보다 작은 분포(이하, '삭제 후보 분포' 라고 함)들을 선택한 후 삭제 후보 분포들을 삭제 또는 삭제 후보 분포군 외의 분포에 병합할 수 있다.
본 발명의 실시예에서 기 설정된 신뢰도 값은 분포 생성 모듈(116)에 의해 생성된 새로운 분포의 가중치와 분산 등을 통해 산출된 신뢰도보다 작은 값을 가질 수 있다. 이에 따라, 새로운 분포가 분포 관리 모듈(122)에 의해 삭제되는 것을 방지할 수 있다.
또한, 분포 관리 모듈(122)은 각 삭제 후보 분포의 평균과 삭제 후보 분포 외의 분포들간의 비교를 통해 기 설정된 임계 범위 내에서 속하는 분포가 삭제 후보 분포군 외의 분포들에 존재할 경우 해당 분포와 삭제 후보 분포를 병합할 수 있다. 다시말해서, 분포 관리 모듈(122)은 해당 분포의 파라미터를 삭제 후보 분포의 가중치, 평균, 표준 편차 등을 이용하여 갱신할 수 있다.
한편, 분포 관리 모듈(122)은 삭제 후보 분포를 삭제할 경우 삭제 후보 군포의 가중치를 이용하여 나머지 군포들의 가중치를 정규화할 수 있다.
배경 분포 결정 모듈(124)은 가중치와 분산을 기반으로 산출된 메모리(120)에 저장된 각 분포의 신뢰도를 이용하여 배경 분포로 결정할 수 있다. 구체적으로, 배경 분포 결정 모듈(124)은 메모리(120)에 저장된 각 분포의 분산과 가중치를 기준으로 신뢰도를 산출하고, 산출된 신뢰도가 높은 순으로 분포들을 정렬한 후 배경 분포 결정을 위한 임계치 이하의 신뢰도를 갖는 분포들을 배경 분포로 결정할 수 있다.
상기와 같은 구성을 갖는 다중 가우시안 분포 기반의 적응적 배경 모델링 장치가 배경 분포를 결정하는 방법에 대해 도 2 내지 도 3을 참조하여 설명한다.
도 2는 본 발명의 실시예에 따른 다중 가우시안 분포 기반의 적응적 배경 모델링 방법을 도시한 흐름도이다.
도 2에 도시된 바와 같이, 먼저, 분포 초기화 단계(202)는 첫 번째 입력되는 프레임(이하, '기준 프레임'이라고 함)의 각 픽셀들을 이용하여 분포 개수(K), 각 픽셀의 평균(
Figure pat00001
) 및 분산(
Figure pat00002
) 등을 초기화한다. 즉, 분포 초기화 단계는 초기에 다중 가우시안 분포가 존재하지 않기 때문에 분포 개수(K)를 "1"로 초기화한다. K가 1이라는 것은 분포가 한 개 존재한다는 의미이다.
각 픽셀의 평균(
Figure pat00003
)은 현재 관측된 픽셀 밝기 X1로 초기화 되며, 분산(
Figure pat00004
)은 큰 값, 즉 기 설정된 값 이상을 갖는 값으로 초기화한다. 초기 분산을 크게 주는 이유는 초기 분포에 대부분의 값이 포함되게 하여, 이후에 입력되는 픽셀이 반영될 확률을 높이기 위해서이다. 만약 초기 분포의 분산이 아주 작은 값을 가지면, 이후에 입력되는 픽셀이 나타날 확률이 낮아져서 분석하기 어려운 분포들을 생성한다. 따라서 분포들을 분석하기 용이한 통계 데이터로 만들기 위하여 초기의 분산을 높게 설정한다.
상기와 같이 초기화 방법을 통해 기준 프레임의 각 픽셀에 대해 분포를 생성하여 메모리(120)에 저장할 수 있다.
다음 프레임이 입력되면, 다음 프레임의 각 픽셀을 이용하여 새로운 분포의 생성, 메모리(120)에 저장된 분포의 업데이트 등을 수행할 수 있다. 이에 대해 설명하면 아래와 같다.
먼저, 분포 선택 모듈(114)은 메모리(120)에 저장된 분포들 중 다음 프레임의 픽셀과 기 설정됨 범위에서 유사성을 갖는 분포가 존재하는지를 판단한다(단계 204). 구체적으로, 분포 선택 모듈(114)은 메모리(120)에 저장된 각 분포의 파라미터, 예컨대 평균, 분산 등에 의해 산출된 확률 밀도 함수를 기반으로 다음 프레임의 픽셀이 나타날 확률이 가장 높은 분포가 존재하는지를 판단한다.
단계 204의 판단 결과, 분포가 존재할 경우 분포 선택 모듈(114)은 메모리(120)에서 해당 분포를 선택하고(단계 206), 다음 프레임의 픽셀 밝기 값이 선택된 분포의 기 설정된 범위에 포함되는지를 판단한다(단계 208). 구체적으로, 다음 프레임의 픽셀 밝기 값이 선택된 분포의 평균(μ i,t-1 )의 2.5σ(σ : 표준편차) 이내에 포함되는지를 판단한다.
단계 208의 판단 결과, 포함되는 경우 분포 업데이트 모듈(118)은 픽셀 밝기 값은 선택된 분포에 아래의 수학식 1 내지 수학식 4와 같이 병합되어 선택된 분포의 파라미터를 변경시킨다(단계 210).
Figure pat00005
Figure pat00006
Figure pat00007
Figure pat00008
상기의 수학식 1 내지 4에서, μ L,t 는 선택된 L번째 분포의 평균(μ L,t-1 )과 현재 입력된 픽셀 밝기(X t )을 통해 갱신된 평균이다. σ2 L,t는 선택된 L번째 분포의 분산(σ2 L,t-1)과, 픽셀 밝기(X t ) 및 현재 갱신된 평균(μ L,t )을 사용하여 갱신된 분산이다. ρ는 현재 픽셀 밝기(X t ), L번째 분포의 평균(μ L,t-1 ) 및 분산(σ2 L,t-1)을 통해 계산된 확률 밀도 함수에 기 설정된 상수(α)를 곱하여 분포의 파라미터들을 확률적으로 변경한다. 상수(α)는 분포 갱신 속도 조절용 파라미터로 실험적인 값이며, 분포의 갱신 속도를 조절할 수 있는 파라미터이다. ω L,t 는 선택된 L번째 분포의 가중치(ω L,t-1 )와 상수(α)에 의해 갱신된 가중치이다.
선택된 분포 이외의 분포에 대해서는 아래의 수학식 5에 의해 가중치만을 갱신한다(단계 212). 구체적으로, 분포 업데이트 모듈(118)은 분포 갱신 속도 조절용 파라미터를 이용하여 이외의 분포들의 가중치를 갱신할 수 있다.
Figure pat00009
한편, 단계 204의 판단 결과 유사성을 갖는 분포가 존재하지 않을 경우 또는 단계 208의 판단 결과 다음 프레임의 픽셀 밝기가 선택된 분포의 기 설정된 범위에 존재하지 않을 경우 다음 프레임의 픽셀을 전경 픽셀로 분류함과 더불어 새로운 분포를 생성한다(단계 214). 구체적으로, 분포 개수를 1 증가시킴과 더불어 픽셀의 밝기를 이용하여 평균을 설정하고, 기 설정된 값 이상의 분산을 이용하여 새로운 분포를 생성한다.
상기와 같은 단계들을 통해 복수의 새로운 분포가 생성됨과 더불어 메모리(120)에 저장된 분포들의 파라미터가 갱신될 수 있다.
이러한 과정을 수행하는 중, 배경 분포 결정 모듈(124)은 분포 개수가 기 설정된 값 이상인지를 판단한다(단계 216).
단계 216의 판단 결과, 기 설정된 값 이상일 경우 배경 분포 결정 모듈(124)은 메모리(120)에 저장된 분포들의 가중치 및 분산을 이용하여 신뢰도(하기의 수학식 6 참조)를 계산한 후 신뢰도를 기준으로 큰 순으로 분포를 정렬하며, 정렬된 분포들 중 임계 값 이하인 분포들을 배경 분포로 결정한다(단계 218).
배경 분포를 결정하기 위한 단계 216을 수행하기 전에 계속해서 생성되는 새로운 분포들을 관리하기 위한 과정(하기의 도 3)을 수행할 수 있다. 다시말해서, 상술한 단계를 통해 이전 분포들과 정합되지 않는 픽셀들에 의해 새로운 분포들이 계속해서 생성될 수 있다. 따라서 시간이 흐름에 따라 분포의 개수가 무한히 늘어나는 문제가 발생한다. 이를 해결하기 위하여 분포들 중 신뢰도가 아주 낮은 분포에 대해서는 삭제하여 분포 개수를 관리할 수 있다. 이에 대해 도 3을 참조하여 설명한다.
도 3은 본 발명의 실시예에 따른 분포의 개수를 관리하는 과정을 도시한 흐름도이다.
도 3에 도시된 바와 같이, 분포 관리 모듈(122)은 메모리(120)에 저장된 분포들 각각에 대한 신뢰도를 계산한다(단계 302). 구체적으로, 분포 관리 모듈(122)은 아래의 수학식 6과 같이 분포의 가중치 및 분산을 이용하여 신뢰도를 계산할 수 있다.
Figure pat00010
그런 다음, 분포 관리 모듈(122)은 분포의 신뢰도가 기 설정된 임계 값(신뢰할 수 있는 분포의 최소치)보다 작은 분포가 존재하는지를 판단한다(단계 304).
본 발명의 실시예에서 신뢰할 수 있는 분포의 최소치는 새롭게 생성된 분포가 바로 삭제되는 것을 방지하기 위해서 초기 가중치(α)와 초기 분산(σ 2 i,t ) 의 신뢰도(α/σ 2 i,t 보) 보다 큰 값을 갖도록 조정된다.
단계 304의 판단 결과, 존재할 경우 분포 관리 모듈(122)은 기 설정된 임계 값보다 작은 신뢰도를 갖는 분포들 중 신뢰도가 가장 작은 분포를 선택하여 삭제 후보 군포로 설정한다(단계 306).
그리고 나서, 분포 관리 모듈(122)은 삭제 후보 분포의 평균이 기 설정된 범위 내에서 유사한 분포가 메모리(120)에 존재하는지를 판단한다(단계 308).
단계 308의 판단 결과, 존재할 경우 분포 관리 모듈(122)은 삭제 후보 분포와 유사한 분포를 병합하여 아래의 수학식 7 내지 9을 이용하여 분포의 파라미터를 조정한다(단계 310).
Figure pat00011
Figure pat00012
Figure pat00013
상기의 수학식 7 내지 9에서,ω D,t , μ D,t , σ D,t 는 삭제 후보 분포의 가중치, 평균, 표준편차이며, ω i,t , μ i,t , σ i,t 는 삭제 후보 분포와 유사성을 갖는 분포의 가중치, 평균, 표준편차이다.
한편, 단계 308의 판단 결과, 존재하지 않을 경우 분포 관리 모듈(122)은 삭제 후보 분포를 삭제한 후(단계 312) 아래의 수학식 10과 같이 삭제 후보 분포 외의 분포들의 가중치를 삭제 후보 분포의 가중치를 이용하여 정규화한다(단계 314).
Figure pat00014
상기의 수학식 10에서 ω D 는 삭제 후보 분포의 가중치를 의미한다.
앞서 설명된 다중 가우시안 분 기반 적응적 배경 모델링 장치의 배경 모델링 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100 : 영상 입력 모듈
112 : 초기화 모듈
114 : 분포 선택 모듈
116 : 분포 생성 모듈
118 : 분포 업데이트 모듈
120 : 메모리
122 : 분포 관리 모듈
124 : 배경 분포 결정 모듈

Claims (19)

  1. 분포 개수를 "K(K≥1)"로 설정하며, 기준 프레임의 각 픽셀 값과 기 설정된 값을 갖는 분산으로 상기 기준 프레임의 각 픽셀에 대한 분포들을 생성하여 메모리에 저장하는 단계와,
    상기 기준 프레임 이후에 입력되는 프레임(이하, '다음 프레임'이라고 함)의 픽셀 값과 상기 분포들간의 비교를 통해 상기 메모리에 저장된 분포들 중 어느 하나를 선택하는 단계와,
    상기 픽셀 값이 상기 선택된 분포의 기 설정된 범위에 포함되는 경우 상기 픽셀 값을 상기 선택된 분포에 병합하여 상기 선택된 분포의 파라미터를 갱신하는 단계와,
    상기 생성된 분포들 중 상기 선택된 분포를 제외한 나머지 분포들의 가중치를 기 설정된 분포 갱신 조절용 파라미터를 이용하여 갱신하는 단계와,
    상기 픽셀 값이 선택된 분포의 기 설정된 범위에 포함되지 않을 경우 상기 분포 개수(K)를 "1" 증가시키고 상기 다음 프레임의 픽셀 값과 기 설정된 값을 갖는 분산 및 상기 분포 갱신 조절용 파라미터를 갖는 가중치를 이용하여 새로운 분포를 생성하여 상기 메모리에 저장하는 단계와,
    상기 메모리에 저장된 분포 각각에 대한 가중치 및 분산을 이용하여 신뢰도를 산출하며, 상기 산출된 각 신뢰도를 기반으로 상기 메모리에 저장된 분포들에서 배경 분포를 결정하는 단계를 포함하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 방법.
  2. 제1항에 있어서,
    상기 설정하는 단계는,
    상기 기준 프레임이 적어도 둘 이상일 경우 상기 기준 프레임들의 각 픽셀별 평균을 이용하여 분포를 생성하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 방법.
  3. 제1항에 있어서,
    상기 기 설정된 범위는,
    상기 선택된 분포의 평균의 2.5σ (σ : 표준편차) 이내인 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 방법.
  4. 제1항에 있어서,
    상기 선택하는 단계는,
    상기 다음 프레임의 픽셀 값과 상기 메모리에 저장된 분포들의 파라미터들간의 비교를 통해 상기 다음 프레임의 픽셀과 유사성을 갖는 분포가 상기 메모리에 존재하는지를 판단하는 단계와,
    상기 메모리에 존재하지 않을 경우 상기 새로운 분포를 생성하여 저장하는 단계를 수행하며, 상기 메모리에 존재할 경우 상기 유사성을 갖는 분포를 선택하는 단계를 포함하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 방법.
  5. 제1항에 있어서,
    상기 배경 분포를 결정하는 단계는,
    상기 분포 개수가 기 설정된 값 이상이거나 소정의 개수에 해당하는 프레임이 입력되거나 기 설정된 시간이 경과한 경우 수행되는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 방법.
  6. 제1항에 있어서,
    상기 배경 분포를 결정하는 단계는,
    상기 메모리에 저장된 분포들의 신뢰도를 계산하고, 상기 계산된 신뢰도가 높은 순으로 정렬한 후 배경 분포 결정용 임계 값 이하의 신뢰도를 갖는 분포를 배경 분포로 결정하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 방법.
  7. 제1항에 있어서,
    상기 모델링 방법은,
    상기 메모리에 저장된 분포들의 신뢰도를 기반으로 분포들을 선택적으로 삭제하거나 임의의 분포를 다른 분포에 병합시켜 상기 메모리에 저장된 분포 개수를 조절하는 단계를 더 포함하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 방법.
  8. 제7항에 있어서,
    상기 조절하는 단계는,
    상기 메모리에 저장된 분포들의 가중치 및 분산을 이용하여 상기 분포들 각각에 대한 신뢰도를 계산하는 단계와,
    상기 계산된 신뢰도를 기반으로 상기 신뢰도가 기 설정된 임계 값 이하인 분포가 존재하면, 상기 기 설정된 임계 값 이하의 신뢰도를 갖는 분포들 중 가장 작은 신뢰도를 갖는 분포를 선택하여 삭제 후보 분포를 설정하는 단계와,
    상기 삭제 후보 분포의 평균과 기 설정된 범위 내에서 유사한 분포가 상기 메모리에 존재하면, 상기 삭제 후보 분포를 이용하여 상기 유사한 분포의 파라미터를 갱신하는 단계와,
    상기 삭제 후보 분포의 평균과 기 설정된 범위 내에서 유사한 분포가 상기 메모리에 존재하지 않으면, 상기 삭제 후보 분포를 삭제한 후 상기 삭제 후보 분포의 가중치를 이용하여 상기 삭제 후보 분포 외의 분포들의 가중치를 정규화하는 단계를 포함하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 방법.
  9. 제8항에 있어서,
    상기 기 설정된 임계 값은,
    상기 새로운 분포의 가중치와 분산을 기반으로 생성된 새로운 분포의 신뢰도보다 작은 값을 갖는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 방법.
  10. 제1항 내지 제9항 중 어느 하나의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  11. 분포 개수를 "K(K≥1)"로 설정하며, 기준 프레임의 각 픽셀 값과 기 설정된 값을 갖는 분산으로 상기 기준 프레임의 각 픽셀에 대한 분포들을 생성하여 메모리에 저장하는 초기화 모듈과,
    상기 기준 프레임 이후에 입력되는 다음 프레임의 픽셀 값과 상기 분포들에 대한 파라미터간의 비교를 통해 상기 다음 프레임의 픽셀과 유사성을 갖는 분포를 하나 선택하는 분포 선택 모듈과,
    상기 픽셀 값이 선택된 분포의 기 설정된 범위에 포함되는 경우 상기 픽셀 값을 상기 선택된 분포에 병합하여 상기 선택된 분포의 파라미터를 갱신하며, 상기 생성된 분포들 중 상기 선택된 분포를 제외한 나머지 분포들의 가중치를 기 설정된 분포 갱신 속도 조절용 파라미터를 이용하여 갱신하는 분포 업데이트 모듈과,
    상기 픽셀 값이 선택된 분포의 기 설정된 범위에 포함되지 않을 경우 상기 분포 개수를 "1" 증가시키고 상기 다음 프레임의 픽셀 값과 기 설정된 값을 갖는 분산 및 상기 분포 갱신 속도 조절용 파라미터를 갖는 가중치를 이용하여 새로운 분포를 생성한 후 이를 상기 메모리에 저장하는 분포 생성 모듈과,
    상기 메모리에 저장된 분포 각각에 대한 가중치 및 분산을 이용하여 신뢰도를 산출하며, 상기 산출된 각 신뢰도를 기반으로 상기 메모리에 저장된 분포들에서 배경 분포를 결정하는 배경 분포 결정 모듈을 포함하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 장치.
  12. 제11항에 있어서,
    상기 초기화 모듈은
    상기 기준 프레임이 적어도 둘 이상일 경우 상기 기준 프레임들의 각 픽셀별 평균을 이용하여 분포를 생성하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 장치.
  13. 제11항에 있어서,
    상기 분포 선택 모듈은,
    상기 다음 프레임의 픽셀 값과 상기 메모리에 저장된 분포들의 파라미터들간의 비교를 통해 상기 다음 프레임의 픽셀과 유사성을 갖는 분포가 상기 메모리에 존재하면 상기 유사성을 갖는 분포를 선택하며, 상기 유사성 갖는 분포가 존재하지 않을 상기 다음 프레임의 픽셀을 상기 분포 생성 모듈에 제공하여 새로운 분포가 생성되도록 하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 장치.
  14. 제11항에 있어서,
    상기 배경 분포 결정 모듈은,
    상기 분포 개수가 기 설정된 값 이상이거나 소정의 개수에 해당하는 프레임이 입력되거나 기 설정된 시간이 경과한 경우 상기 배경 분포를 결정하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 장치.
  15. 제11항에 있어서,
    상기 모델링 장치는,
    상기 메모리에 저장된 분포들의 신뢰도를 기반으로 분포들을 선택적으로 삭제하거나 임의의 분포를 다른 분포에 병합시켜 상기 메모리에 저장된 분포 개수를 조절하는 분포 관리 모듈을 더 포함하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 장치.
  16. 제15항에 있어서,
    상기 분포 관리 모듈은,
    상기 메모리에 저장된 분포들의 가중치 및 분산을 이용하여 상기 분포들 각각에 대한 신뢰도를 계산하며, 상기 계산된 신뢰도를 기반으로 상기 신뢰도가 기 설정된 임계 값 이하인 분포가 존재하면, 상기 기 설정된 임계 값 이하의 신뢰도를 갖는 분포들 중 가장 작은 신뢰도를 갖는 분포를 선택하여 삭제 후보 분포를 설정한 후 상기 삭제 후보 군포의 평균과 기 설정된 범위 내에서 유사한 분포가 상기 메모리에 존재할 경우 상기 삭제 후보 분포를 이용하여 상기 유사한 분포의 파라미터를 갱신하며, 상기 삭제 후보 분포의 평균과 기 설정된 범위 내에서 유사한 분포가 상기 메모리에 존재하지 않으면, 상기 삭제 후보 분포를 삭제한 후 상기 삭제 후보 분포의 가중치를 이용하여 상기 삭제 후보 분포 외의 분포들의 가중치를 정규화하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 장치.
  17. 제16항에 있어서,
    상기 기 설정된 임계 값은,
    상기 새로운 분포의 가중치와 분산을 기반으로 생성된 새로운 분포의 신뢰도보다 작은 값을 갖는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 장치.
  18. 제11항에 있어서,
    상기 분포 업데이트 모듈은,
    상기 다음 프레임의 픽셀 값이 상기 선택된 분포의 평균의 2.5σ (σ : 표준편차)에 포함되는 경우 상기 다음 프레임의 픽셀 값을 이용하여 상기 선택된 분포의 파라미터를 갱신하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 장치.
  19. 제11항에 있어서,
    상기 배경 분포 결정 모듈은,
    상기 메모리에 저장된 분포들의 신뢰도를 계산하고, 상기 계산된 신뢰도가 높은 순으로 정렬한 후 배경 분포 결정용 임계 값 이하의 신뢰도를 갖는 분포를 배경 분포로 결정하는 것을 특징으로 하는 다중 가우시안 분포 기반의 적응적 배경 모델링 장치.
KR1020150039082A 2015-03-20 2015-03-20 다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치 KR101667761B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150039082A KR101667761B1 (ko) 2015-03-20 2015-03-20 다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150039082A KR101667761B1 (ko) 2015-03-20 2015-03-20 다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20160112788A true KR20160112788A (ko) 2016-09-28
KR101667761B1 KR101667761B1 (ko) 2016-10-19

Family

ID=57102059

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150039082A KR101667761B1 (ko) 2015-03-20 2015-03-20 다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101667761B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301655A (zh) * 2017-06-16 2017-10-27 上海远洲核信软件科技股份有限公司 一种基于背景建模的视频移动目标侦测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101038650B1 (ko) 2011-01-26 2011-06-02 박상현 적응적 배경영상 모델링 방법, 이를 이용한 불법주정차 무인단속방법 및 불법주정차 무인단속시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101038650B1 (ko) 2011-01-26 2011-06-02 박상현 적응적 배경영상 모델링 방법, 이를 이용한 불법주정차 무인단속방법 및 불법주정차 무인단속시스템

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
다중 가우시안 분포를 이용한 적응적 배경모델링 및 전경탐지 알고리즘, 2014년도 대한전자공학회 정기총회 및 추계학술대회(2014.11.)* *
배경분리 방법에 의한 이동 물체 검출에서 개선된 색정보 정규화 기법에 관한 연구, 한국ITS학회논문지, 제12권제6호 (2013.12.)* *
혼잡한 환경에서 적응적 가우시안 혼합 모델을 이용한 배경의 학습 및 객체 검출, 전기학회논문지 D, 제55권제2호 (2006)* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301655A (zh) * 2017-06-16 2017-10-27 上海远洲核信软件科技股份有限公司 一种基于背景建模的视频移动目标侦测方法

Also Published As

Publication number Publication date
KR101667761B1 (ko) 2016-10-19

Similar Documents

Publication Publication Date Title
US9767570B2 (en) Systems and methods for computer vision background estimation using foreground-aware statistical models
US8571261B2 (en) System and method for motion detection in a surveillance video
CN108734107B (zh) 一种基于人脸的多目标跟踪方法及系统
CN111508002B (zh) 一种小型低飞目标视觉检测跟踪系统及其方法
US9323991B2 (en) Method and system for video-based vehicle tracking adaptable to traffic conditions
US11574481B2 (en) Camera blockage detection for autonomous driving systems
US10489916B2 (en) Method and apparatus for updating a background model
US10373320B2 (en) Method for detecting moving objects in a video having non-stationary background
CN108022258B (zh) 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法
CN111062974B (zh) 一种使用去除鬼影对前景目标提取的方法及系统
CN111539265B (zh) 一种电梯轿厢内异常行为检测方法
US20200250803A1 (en) Method for detecting and tracking target object, target object tracking apparatus, and computer-program product
KR101720781B1 (ko) 객체에 대한 이상 행동 예측 장치 및 이를 이용한 이상 행동 예측 방법
CN108629299B (zh) 一种结合人脸匹配的长时间多目标跟踪方法及系统
KR101652261B1 (ko) 카메라를 이용한 오브젝트 검출 방법
US9904868B2 (en) Visual attention detector and visual attention detection method
US11893727B2 (en) Rail feature identification system
Rakesh et al. Moving object detection using modified GMM based background subtraction
KR101690050B1 (ko) 지능형 영상보안 시스템 및 객체 추적 방법
KR20130091441A (ko) 물체 추적 장치 및 그 제어 방법
JP7125843B2 (ja) 障害検知システム
KR101667761B1 (ko) 다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치
Weng et al. Weather-adaptive flying target detection and tracking from infrared video sequences
US11961308B2 (en) Camera blockage detection for autonomous driving systems
Chandran et al. Pedestrian crowd level estimation by Head detection using bio-inspired retina model

Legal Events

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

Payment date: 20190925

Year of fee payment: 4