KR20230099244A - 객체 추적 방법 및 장치 - Google Patents

객체 추적 방법 및 장치 Download PDF

Info

Publication number
KR20230099244A
KR20230099244A KR1020210188436A KR20210188436A KR20230099244A KR 20230099244 A KR20230099244 A KR 20230099244A KR 1020210188436 A KR1020210188436 A KR 1020210188436A KR 20210188436 A KR20210188436 A KR 20210188436A KR 20230099244 A KR20230099244 A KR 20230099244A
Authority
KR
South Korea
Prior art keywords
distractor
object tracking
box
map
information
Prior art date
Application number
KR1020210188436A
Other languages
English (en)
Inventor
이동욱
이서형
박창범
유병인
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 KR1020210188436A priority Critical patent/KR20230099244A/ko
Priority to US17/856,374 priority patent/US20230206586A1/en
Priority to EP22189325.8A priority patent/EP4202832A1/en
Priority to CN202211055300.0A priority patent/CN116363166A/zh
Publication of KR20230099244A publication Critical patent/KR20230099244A/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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/223—Analysis of motion using block-matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

객체 추적 방법 및 장치가 제공된다. 일 실시예에 따르면, 객체 추적 방법은 복수의 영상 프레임들 중 현재 영상 프레임의 탐색 영역을 타겟 객체에 대응하는 템플릿 영상과 비교하여 현재 영상 프레임 내 후보 박스들의 박스 정보 및 후보 박스들의 유사도 점수들을 결정하고, 복수의 영상 프레임들 중 이전 영상 프레임의 디스트랙터 정보를 포함하는 디스트랙터 맵을 이용하여 후보 박스들의 유사도 점수들을 조절하고, 조절된 유사도 점수들에 기초하여 후보 박스들로부터 타겟 객체에 대응하는 타겟 박스 및 타겟 객체의 디스트랙터에 대응하는 디스트랙터 박스를 결정하고, 디스트랙터 박스에 따른 현재 영상 프레임의 디스트랙터 정보에 기초하여 디스트랙터 맵을 업데이트하는 단계들을 포함할 수 있다.

Description

객체 추적 방법 및 장치{METHOD AND APPARATUS FOR OBJECT TRACKING}
아래 실시예들은 객체 추적 방법 및 장치에 관한 것이다.
인식 프로세스의 기술적 자동화는, 예를 들어, 특수한 계산 구조로서 프로세서로 구현된 뉴럴 네트워크 모델을 통해 구현되었으며, 이는 상당한 훈련 후에 입력 패턴과 출력 패턴 사이에서 계산상 직관적인 매핑을 제공할 수 있다. 이러한 맵핑을 생성하는 훈련된 능력은 신경망의 학습 능력이라 할 수 있다. 더구나, 특화된 훈련으로 인해, 이와 같이 특화되어 훈련된 신경망은, 예를 들어, 훈련하지 않은 입력 패턴에 대하여 비교적 정확한 출력을 발생시키는 일반화 능력을 가질 수 있다.
일 실시예에 따르면, 객체 추적 방법은 현재 영상 프레임의 탐색 영역을 타겟 객체에 대응하는 템플릿 영상과 비교하여 상기 현재 영상 프레임 내 후보 박스들의 박스 정보 및 상기 후보 박스들의 유사도 점수들을 결정하는 단계; 이전 영상 프레임의 디스트랙터 정보를 포함하는 디스트랙터 맵을 이용하여 상기 후보 박스들의 상기 유사도 점수들을 조절하는 단계; 상기 조절된 유사도 점수들에 기초하여 상기 후보 박스들로부터 상기 타겟 객체에 대응하는 타겟 박스 및 상기 타겟 객체의 디스트랙터에 대응하는 디스트랙터 박스를 결정하는 단계; 및 상기 디스트랙터 박스에 따른 상기 현재 영상 프레임의 디스트랙터 정보에 기초하여 상기 디스트랙터 맵을 업데이트하는 단계를 포함한다.
일 실시예에 따르면, 객체 추적 장치는 프로세서; 및 상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리를 포함하고, 상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는 현재 영상 프레임의 탐색 영역을 타겟 객체에 대응하는 템플릿 영상과 비교하여 상기 현재 영상 프레임 내 후보 박스들의 박스 정보 및 상기 후보 박스들의 유사도 점수들을 결정하고, 이전 영상 프레임의 디스트랙터 정보를 포함하는 디스트랙터 맵을 이용하여 상기 후보 박스들의 상기 유사도 점수들을 조절하고, 상기 조절된 유사도 점수들에 기초하여 상기 후보 박스들로부터 상기 타겟 객체에 대응하는 타겟 박스 및 상기 타겟 객체의 디스트랙터에 대응하는 디스트랙터 박스를 결정하고, 상기 디스트랙터 박스에 따른 상기 현재 영상 프레임의 디스트랙터 정보에 기초하여 상기 디스트랙터 맵을 업데이트한다.
일 실시예에 따르면, 전자 장치는 복수의 영상 프레임들을 포함하는 입력 영상을 생성하는 카메라; 및 상기 복수의 영상 프레임들 중 현재 영상 프레임의 탐색 영역을 타겟 객체에 대응하는 템플릿 영상과 비교하여 상기 현재 영상 프레임 내 후보 박스들의 박스 정보 및 상기 후보 박스들의 유사도 점수들을 결정하고, 상기 복수의 영상 프레임들 중 이전 영상 프레임의 디스트랙터 정보를 포함하는 디스트랙터 맵을 이용하여 상기 후보 박스들의 상기 유사도 점수들을 조절하고, 상기 조절된 유사도 점수들에 기초하여 상기 후보 박스들로부터 상기 타겟 객체에 대응하는 타겟 박스 및 상기 타겟 객체의 디스트랙터에 대응하는 디스트랙터 박스를 결정하고, 상기 디스트랙터 박스에 따른 상기 현재 영상 프레임의 디스트랙터 정보에 기초하여 상기 디스트랙터 맵을 업데이트하는, 프로세서를 포함한다.
도 1은 일 실시예에 따른 객체 추적 장치의 구성 및 동작을 개략적으로 나타낸다.
도 2는 일 실시예에 따른 유사도 점수를 도출하는 동작을 나타낸다.
도 3은 일 실시예에 따른 디스트랙터 맵을 이용한 객체 추적 동작을 나타낸다.
도 4는 일 실시예에 따른 디스트랙터 맵을 이용한 객체 추적의 세부 동작을 나타낸다.
도 5는 일 실시예에 따른 후보 박스들로부터 타겟 박스 및 디스트랙터 박스를 선택하는 과정을 나타낸다.
도 6은 일 실시예에 따른 디스트랙터 움직임을 반영하여 디스트랙터 맵을 업데이트하는 동작을 나타낸다.
도 7은 일 실시예에 따른 현재 객체 추적 모드를 고려한 객체 추적 동작을 나타낸다.
도 8은 일 실시예에 따른 객체 추적 장치의 구성을 나타낸다.
도 9는 일 실시예에 따른 전자 장치의 구성을 나타낸다.
도 10은 일 실시예에 따른 객체 추적 방법을 나타낸다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 객체 추적 장치의 구성 및 동작을 개략적으로 나타낸다. 도 1을 참조하면, 객체 추적 장치(object tracking apparatus, 100)는 템플릿 영상(template image, 101) 및 탐색 영상(search image, 102)에 기초하여 추적 결과(tracking result, 103)를 출력할 수 있다. 템플릿 영상(101)은 추적의 대상이 되는 타겟 객체의 정보를 제공할 수 있다. 객체 추적 장치(100)는 템플릿 영상(101)의 타겟 객체 정보를 이용하여 탐색 영상(102)에서 타겟 객체를 추적할 수 있다. 추적 결과(103)는 탐색 영상(102) 내 타겟 객체의 위치를 나타낼 수 있다. 예를 들어, 추적 결과(103)는 자동 추적 동작, 줌 동작(zooming), 포커스 동작(focusing)에 사용될 수 있다.
일 실시예에 따르면, 템플릿 영상(101)과 탐색 영상(102)은 입력 영상의 복수의 영상 프레임들에 대응할 수 있다. 예를 들어, 템플릿 영상(101)은 복수의 영상 프레임들을 포함하는 입력 비디오 파일의 어느 하나의 영상 프레임에 대응할 수 있고, 탐색 영상(102)은 템플릿 영상(101)에 대응하는 영상 프레임 이후의 적어도 하나의 영상 프레임에 대응할 수 있다. 다른 일 실시예에 따르면, 템플릿 영상(101)과 탐색 영상(102)은 서로 독립적인 파일에 대응할 수 있다. 예를 들어, 탐색 영상(102)은 복수의 영상 프레임들을 포함하는 입력 비디오 파일에 대응할 수 있고, 템플릿 영상(101)은 해당 입력 비디오 파일과 무관한 스틸 입력 영상 파일에 대응할 수 있다. 어느 경우든 템플릿 영상(101)은 타겟 객체를 포함할 수 있고, 객체 추적 장치(100)는 탐색 영상(102)에서 타겟 객체를 추적하여 추적 결과(103)를 생성할 수 있다. 템플릿 영상(101) 및 탐색 영상(102)은 대응 영상 프레임의 전체 영역에 해당하거나, 혹은 대응 영상 프레임의 일부 영역에 해당할 수 있다. 예를 들어, 객체 추적 장치(100)는 탐색 영상(102) 내 탐색 영역을 설정하고, 탐색 영역 내에서 타겟 객체를 추적할 수 있다.
객체 추적 장치(100)는 객체 추적 모델(110)을 이용하여 추적 결과(103)를 생성할 수 있다. 객체 추적 모델(110)은 기계 학습(machine learning) 기반의 인공지능 모델(artificial intelligence model)을 포함할 수 있다. 예를 들어, 객체 추적 모델(110)은 복수의 레이어들을 포함하는 딥 뉴럴 네트워크(deep neural network, DNN)를 포함할 수 있다. 복수의 레이어들은 입력 레이어(input layer), 적어도 하나의 히든 레이어(hidden layer), 및 출력 레이어(output layer)를 포함할 수 있다.
딥 뉴럴 네트워크는 완전 연결 네트워크(fully connected network, FCN), 컨볼루셔널 뉴럴 네트워크(convolutional neural network, CNN), 및 리커런트 뉴럴 네트워크(recurrent neural network, RNN) 중 적어도 하나를 포함할 수 있다. 예를 들어, 뉴럴 네트워크 내 복수의 레이어들 중 적어도 일부는 CNN에 해당할 수 있고, 다른 일부는 FCN에 해당할 수 있다. 이 경우, CNN은 컨볼루셔널 레이어로 지칭될 수 있고, FCN은 완전 연결 레이어로 지칭될 수 있다.
CNN의 경우, 각 레이어에 입력되는 데이터는 입력 특징 맵(input feature map)으로 지칭될 수 있고, 각 레이어에서 출력되는 데이터는 출력 특징 맵(output feature map)으로 지칭될 수 있다. 입력 특징 맵 및 출력 특징 맵은 액티베이션 데이터(activation data)로 지칭될 수도 있다. 컨볼루셔널 레이어가 입력 레이어에 해당하는 경우, 입력 레이어의 입력 특징 맵은 입력 영상일 수 있다. 입력 특징 맵과 웨이트 커널(weight kernel) 간의 컨볼루션 연산을 통해 출력 특징 맵이 생성될 수 있다. 입력 특징 맵, 출력 특징 맵, 및 웨이트 커널은 각각 텐서(tensor) 단위로 구분될 수 있다.
뉴럴 네트워크는 딥 러닝에 기반하여 트레이닝된 후, 비선형적 관계에 있는 입력 데이터 및 출력 데이터를 서로 매핑함으로써 트레이닝 목적에 맞는 추론(inference)을 수행해낼 수 있다. 딥 러닝은 빅 데이터 세트로부터 영상 또는 음성 인식과 같은 문제를 해결하기 위한 기계 학습 기법이다. 딥 러닝은 준비된 트레이닝 데이터를 이용하여 뉴럴 네트워크를 트레이닝하면서 에너지가 최소화되는 지점을 찾아가는 최적화 문제 풀이 과정으로 이해될 수 있다.
딥 러닝의 지도식(supervised) 또는 비지도식(unsupervised) 학습을 통해 뉴럴 네트워크의 구조, 혹은 모델에 대응하는 웨이트(weight)가 구해질 수 있고, 이러한 웨이트를 통해 입력 데이터 및 출력 데이터가 서로 매핑될 수 있다. 뉴럴 네트워크의 폭과 깊이가 충분히 크면 임의의 함수를 구현할 수 있을 만큼의 용량(capacity)을 가질 수 있다. 뉴럴 네트워크가 적절한 트레이닝 과정을 통해 충분히 많은 양의 트레이닝 데이터를 학습하면 최적의 성능을 달성할 수 있다.
아래에서 뉴럴 네트워크가 '미리' 트레이닝된 것으로 표현될 수 있는데, 여기서 '미리'는 뉴럴 네트워크가 '시작'되기 전을 나타낼 수 있다. 뉴럴 네트워크가 '시작'되었다는 것은 뉴럴 네트워크가 추론을 위한 준비가 된 것을 의미할 수 있다. 예를 들어, 뉴럴 네트워크가 '시작'된 것은 뉴럴 네트워크가 메모리에 로드된 것, 혹은 뉴럴 네트워크가 메모리에 로드된 이후 뉴럴 네트워크에 추론을 위한 입력 데이터가 입력된 것을 포함할 수 있다.
객체 추적 장치(100)는 템플릿 영상(101) 및 탐색 영상(102)을 객체 추적 모델(110)에 입력할 수 있고, 객체 추적 모델(110)의 출력으로부터 추적 결과(103)를 획득할 수 있다. 객체 추적 모델(110)은 템플릿 영상(101) 및 탐색 영상(102)의 입력에 기초하여 추적 결과(103)를 출력하도록 미리 트레이닝될 수 있다.
도 2는 일 실시예에 따른 유사도 점수를 도출하는 동작을 나타낸다. 도 2를 참조하면, 객체 추적 장치는 특징 추출(feature extracting, 210), 유사도 산정(similarity calculation, 220), 및 바운딩 박스 회귀(bounding box regression, 230)에 기초하여 객체 추적을 수행할 수 있다. 특징 추출(210), 유사도 산정(220), 및 바운딩 박스 회귀(230) 중 적어도 하나는 객체 추적 모델을 통해 수행될 수 있다. 예를 들어, 객체 추적 모델은 특징 추출(210)을 위한 특징 추출 네트워크, 유사도 산정(220)을 위한 유사도 산정 네트워크, 바운딩 박스 회귀(230)를 위한 바운딩 박스 회귀 네트워크 중 적어도 하나를 포함할 수 있다. 특징 추출 네트워크, 유사도 산정 네트워크, 및 바운딩 박스 회귀 네트워크는 각각 뉴럴 네트워크에 해당할 수 있다. 일례로, 객체 추적 모델은 샴 네트워크(Siamese network)를 포함할 수 있다.
객체 추적 장치는 템플릿 영상(201)으로부터 템플릿 특징 맵(211)을 추출할 수 있고, 탐색 영역(203)으로부터 탐색 특징 맵(212)을 추출할 수 있다. 객체 추적 장치는 파라미터를 공유하는 객체 추적 모델 및/또는 특징 추출 모델을 이용하여 템플릿 특징 맵(211) 및 탐색 특징 맵(212)을 추출할 수 있다. 도 2의 예시는 템플릿 영상(201)이 입력 영상의 초기 영상 프레임(제1 영상 프레임으로 지칭될 수 있음)의 일부 영역에 해당하고, 탐색 영역(203)이 입력 영상의 제n 영상 프레임의 일부 영역에 해당하는 경우를 나타낸다. n은 1보다 큰 값을 가질 수 있다.
제1 영상 프레임에서 타겟 객체가 결정되면, 타겟 객체에 대응하는 타겟 박스(202)가 지정될 수 있다. 예를 들어, 타겟 객체를 선택하는 사용자 입력에 따라 타겟 객체가 결정될 수 있다. 타겟 박스(202)는 바운딩 박스(bounding box)의 일종으로, 박스 위치 정보(예: x 좌표 및 y 좌표) 및 박스 사이즈 정보(예: 폭(width) 및 높이(height))를 통해 특정될 수 있다. 박스 위치 정보 및 박스 사이즈 정보는 박스 정보로 통칭될 수 있다. 타겟 박스(202)의 위치 및 사이즈에 기초하여 템플릿 영상(201)이 결정될 수 있다. 탐색 영역(203)은 템플릿 영상(201)에 기초하여 결정될 수 있다. 탐색 영역(203)의 사이즈는 템플릿 영상(201)의 사이즈에 기초하여 결정될 수 있다. 예를 들어, 탐색 영역(203)의 사이즈는 템플릿 영상(201)에 비해 크게 결정될 수 있다. 탐색 영역(203)의 위치는 이전 영상 프레임의 타겟 박스의 위치에 기초하여 결정될 수 있다. 예를 들어, 제n-1 영상 프레임으로부터 타겟 박스가 검출되면, 해당 타겟 박스의 위치에 기초하여 제n 영상 프레임의 탐색 영역이 결정될 수 있다.
객체 추적 장치는 템플릿 특징 맵(211)과 탐색 특징 맵(212)을 비교하여 유사도를 산정할 수 있다. 유사도 산정(220)은 유사도 산정 네트워크를 통해 수행될 수 있다. 유사도 산정 네트워크는 상호 상관(cross correlation) 레이어를 통해 템플릿 특징 맵(211)과 탐색 특징 맵(212) 간의 상호 상관을 도출할 수 있다. 산정 결과는 타겟 객체의 정보 및/또는 템플릿 특징 맵(211)에 대응하는 탐색 영역(203) 내의 위치를 나타낼 수 있다. 예를 들어, 산정 결과는 탐색 영역(203)에 대응하는 탐색 공간(221)에 대응 위치(222) 및/또는 대응 위치(222)의 스코어를 표시할 수 있다.
객체 추적 장치는 탐색 영역(203)에 대응하는 탐색 공간(231)에서 대응 위치(222)의 바운딩 박스들(232)을 이용한 회귀 분석 수행할 수 있다. 객체 추적 장치는 회귀 분석을 통해 탐색 영역(203)에서 타겟 객체에 대응하는 타겟 박스(204)를 결정할 수 있고, 타겟 박스(204)의 박스 정보에 기초하여 추적 결과를 생성할 수 있다.
유사도 점수는 타겟 객체의 물체성(objectness)에 기초하므로 탐색 영역(203)에 타겟 객체의 디스트랙터(distractor)가 존재하는 경우 객체 추적의 정확도가 유지되기 어려울 수 있다. 디스트랙터는 타겟 객체는 아니지만 타겟 객체와 높은 유사도를 가질 수 있는 객체를 의미할 수 있다. 예를 들어, 육상 선수들이 트랙을 달리는 영상에서 타겟 객체에 해당하는 육상 선수 주변의 다른 육상 선수들이 디스트랙터에 해당할 수 있다. 어느 장면에 디스트랙터가 많다면, 높은 유사도 점수에 해당하는 액티베이션 피크가 다수 발생할 수 있다.
예를 들어, 디스트랙터들은 타겟 객체의 중심에서 먼 객체의 유사도 점수에 낮은 가중치를 부여하여 타겟 객체와 구분될 수 있다. 그러나, 이러한 방식은 타겟 객체가 가려지는 폐색(occlusion)이 발생한 경우, 타겟 객체의 변형(deformation) 등으로 타겟 객체의 유사도 점수가 떨어진 경우, 타겟 객체와 유사도가 높은 객체가 타겟 객체에 접근할 경우 등에 객체 추적에 실패할 가능성이 있다. 다른 예로, 디스트랙터와 타겟 간의 변별력을 높이는 방향으로 백본(backbone)과 손실 함수를(loss function) 구성하는 방안, 및 MOT(multi-object tracking)을 사용하는 방안이 존재할 수 있으나, 이러한 방식들은 대규모의 연산을 요할 수 있다.
도 3은 일 실시예에 따른 디스트랙터 맵을 이용한 객체 추적 동작을 나타낸다. 실시예들에 따른 객체 추적 장치는 디스트랙터 정보를 포함하는 디스트랙터 맵을 이용하여 타겟 객체와 디스트랙터를 구분할 수 있다. 디스트랙터 맵은 저용량의 표현 방식으로 디스트랙터 정보를 나타내도록 구성될 수 있고, 간단한 연산을 통해 객체 추적에 적용될 수 있다. 예를 들어, 디스트랙터 맵은 영상 프레임 사이즈와 동일 사이즈의 표현 비트들을 포함할 수 있고, 각 표현 비트는 자신의 위치에 디스트랙터가 존재하는지 여부를 나타낼 수 있다. 디스트랙터 맵을 이용한 조절 동작은 기존 객체 추적 동작에 애드-온(add-on) 방식으로 쉽게 추가될 수 있고, 이때 매우 적은 계산량만 추가될 수 있다. 이러한 조절 동작에는 후보 박스들이 이용되므로, 디스트랙터를 핸들링하기 위해 MOT와 같은 추가적인 뉴럴 네트워크 모델이 필요한 다른 방식에 비해 추가적인 연산 비용이 현저히 작을 수 있다. 또한, 대부분의 딥 러닝 기반의 객체 추적기는 주로 계산량을 줄이기 위해 프레임 전체가 아닌 일부 영역을 객체 추적에 사용하는데, 디스트랙터 맵은 프레임 전체에 대한 정보를 제공하여 일부 영역을 사용함에 따른 제한을 보완할 수 있다.
도 3을 참조하면, 객체 추적 장치는 시간 t=T의 제T 영상 프레임(321)의 탐색 영역(311)에 기초하여 객체 추적 동작(310)을 수행하고, 탐색 영역(311)의 타겟 박스(312)를 결정할 수 있다. 객체 추적 장치는 시간 t=T-1의 제T-1 영상 프레임의 디스트랙터 정보를 이용하여 객체 추적 동작(310)을 수행하고, 제T 영상 프레임(321)의 디스트랙터 정보에 기초하여 디스트랙터 맵의 업데이트 동작(320)을 수행할 수 있다. 디스트랙터 맵은 제T 영상 프레임(321)과 동일한 사이즈를 가질 수 있고, 제T 영상 프레임(321) 내 적어도 일부 영역의 디스트랙터 정보를 포함할 수 있다. 아래에서는 디스트랙터 맵이 ROI(region of interest)(322)의 디스트랙터 정보를 포함하는 것을 설명하겠으나, 디스트랙터 맵은 ROI(322) 외의 영역의 디스트랙터 정보를 포함할 수도 있다. 디스트랙터 정보는 디스트랙터 박스에 대응하는 마스크(323)를 포함할 수 있다.
객체 추적 장치는 시간 t=T+1의 제T+1 영상 프레임의 탐색 영역(331)에 기초하여 객체 추적 동작(330)을 수행하고, 탐색 영역(331)의 타겟 박스(332)를 결정할 수 있다. 객체 추적 장치는 제T 영상 프레임의 디스트랙터 정보를 이용하여 객체 추적 동작(330)을 수행할 수 있다. ROI(322)는 탐색 영역(331)과 동일한 사이즈를 가질 수 있다. 객체 추적 장치는 ROI(322)의 마스크(323)를 탐색 영역(331)에 적용하여 타겟 객체와 디스트랙터를 구분하고, 탐색 영역(331)의 타겟 박스(332)를 결정할 수 있다.
도 4는 일 실시예에 따른 디스트랙터 맵을 이용한 객체 추적의 세부 동작을 나타낸다. 도 4를 참조하면, 객체 추적 장치는 제T 영상 프레임의 탐색 영역(401)을 타겟 객체(403)에 대응하는 템플릿 영상(402)과 비교하여 제T 영상 프레임 내 후보 박스들의 박스 정보(xn, yn, wn, hn) 및 후보 박스들의 유사도 점수들(sn)을 결정할 수 있다. n은 박스 식별자에 해당할 수 있고, 1 내지 N의 값을 가질 수 있다. N은 후보 박스들의 총 수를 나타낼 수 있다. 객체 추적 장치는 탐색 영역(401) 및 템플릿 영상(402)을 뉴럴 네트워크 기반의 영상 비교 모델(410)에 입력할 수 있고, 영상 비교 모델(410)의 출력(411)으로부터 박스 정보(xn, yn, wn, hn) 및 유사도 점수들(sn)을 결정할 수 있다.
객체 추적 장치는 제T-1 영상 프레임의 디스트랙터 정보를 포함하는 디스트랙터 맵(405)을 이용한 점수 조절 동작(420)을 수행하여 유사도 점수들(sn)을 조절할 수 있다. 제T 영상 프레임이 최초 영상 프레임에 해당하는 경우, 객체 추적 장치는 출력(411)의 모든 후보 박스들이 디스트랙터라고 가정하고, 모든 후보 박스들의 유사도 점수들(sn)을 균일하게 조절할 수 있다. 객체 추적 장치는 조절된 유사도 점수들에 기초하여 후보 박스들로부터 타겟 객체에 대응하는 타겟 박스(421) 및 타겟 객체의 디스트랙터에 대응하는 디스트랙터 박스(422)를 결정할 수 있다. 객체 추적 장치는 디스트랙터 박스(422)에 따른 제T 영상 프레임의 디스트랙터 정보에 기초하여 디스트랙터 맵(405)을 디스트랙터 맵(406)으로 업데이트할 수 있다.
도 5는 일 실시예에 따른 후보 박스들로부터 타겟 박스 및 디스트랙터 박스를 선택하는 과정을 나타낸다. 도 5를 참조하면, 객체 추적 장치는 후보 박스 정리 동작(510)을 통해 중복적으로 겹치는 후보 박스를 제거할 수 있다. 일 실시예에 따르면, 객체 추적 장치는 NMS(non-maximum suppression)를 수행할 수 있다.
객체 추적 장치는 점수 조절 동작(520)을 통해 유사도 점수들(sn)을 조절할 수 있다. 객체 추적 장치는 이전 영상 프레임의 디스트랙터 정보에 따른 마스크를 결정하고, 후보 박스들과 마스크 간의 중첩 상태에 기초하여 유사도 점수들(sn)을 조절할 수 있다. 마스크와 중첩되는 후보 박스가 있다면, 해당 후보 박스는 디스트랙터에 대응할 수 있으므로, 객체 추적 장치는 해당 후보 박스가 타겟 박스로 선택되지 않도록 해당 후보 박스의 유사도 점수를 낮출 수 있다. 마스크는 이전 영상 프레임의 디스트랙터 박스의 내부 영역을 표시할 수 있다. 이전 영상 프레임에 복수의 디스트랙터 박스들이 존재한다면, 모든 디스트랙터 박스에 대응하여 마스크가 설정될 수 있다.
일 실시예에 따르면, 객체 추적 장치는 후보 박스들 중에 마스크와 임계 비율(예: 50%) 이상 중첩되는 후보 박스의 유사도 점수를 낮출 수 있다. 일 실시예에 따르면, 객체 추적 장치는 후보 박스들 각각의 마스크와의 중첩 비율에 비례하여 후보 박스들의 유사도 점수들을 낮출 수 있다. 예를 들어, 객체 추적 장치는 마스크와 50% 중첩되는 제1 후보 박스의 유사도 점수를 50% 낮추고, 마스크와 60% 중첩되는 제2 후보 박스의 유사도 점수를 60% 낮출 수 있다.
객체 추적 장치는 박스 선택 동작(530)을 통해 후보 박스들 중에 타겟 박스 및 디스트랙터 박스를 선택할 수 있다. 객체 추적 장치는 후보 박스들 중에 신뢰도 점수가 높은 K개의 후보 박스들을 선택하고, K개의 후보 박스들 중에 신뢰도 점수가 가장 높은 하나를 타겟 박스로 결정하고, 나머지를 디스트랙터 박스로 결정할 수 있다. 도 5의 예시에서 K=3일 수 있다. 점수 조절 동작(520) 전에 디스트랙터의 유사도 점수(s1)가 최고 값이었으나, 점수 조절 동작(520)을 통해 유사도 점수(s1)는 유사도 점수(s1')로 낮아지고, 타겟 객체의 유사도 점수(s3')가 최고 값에 해당하게 될 수 있다.
도 6은 일 실시예에 따른 디스트랙터 움직임을 반영하여 디스트랙터 맵을 업데이트하는 동작을 나타낸다. 도 6을 참조하면, 객체 추적 장치는 제T 영상 프레임(615)의 탐색 영역(611)에서 타겟 박스(612) 및 디스트랙터 박스들(613)을 결정할 수 있고, 디스트랙터 박스들(613)에 따른 디스트랙터 정보에 기초하여 디스트랙터 맵(614)을 결정할 수 있다. 디스트랙터 맵(614)은 디스트랙터 박스들(613)에 대응하는 마스크를 포함할 수 있다.
객체 추적 장치는 디스트랙터 움직임(617)을 디스트랙터 맵(614)에 반영하여 디스트랙터 맵(618)을 결정하고, 디스트랙터 맵(618)을 이용하여 제T+1 영상 프레임의 탐색 영역(621)에 관한 객체 추적 동작(620)을 수행하여 탐색 영역(621)의 타겟 박스(622)를 결정할 수 있다. 객체 추적 장치는 디스트랙터 움직임(617)에 기초하여 마스크 및/또는 ROI(616)를 조절할 수 있다. 객체 추적 장치는 디스트랙터 맵(614)의 마스크를 디스트랙터 움직임(617)의 동일 방향으로 이동시키거나, 혹은 ROI(616)를 디스트랙터 움직임(617)의 반대 방향으로 이동시킬 수 있다.
도 6에 디스트랙터 맵들(614, 618)은 영상 프레임(615)의 일부 영역에 대응하는 것처럼 도시되어 있으나, 실제로 디스트랙터 맵들(614, 618)은 영상 프레임(615)의 전체 영역에 대응할 수 있고, 전체 영역에서 ROI(616)에 대응하는 일부 영역이 추출되어 점수 조절 동작에 사용될 수 있다. 따라서, 디스트랙터 맵(614)의 마스크를 디스트랙터 움직임(617)의 동일 방향으로 이동시키거나, 혹은 ROI(616)를 디스트랙터 움직임(617)의 반대 방향으로 이동시키면, 디스트랙터 맵(614)의 마스크가 디스트랙터 맵(618)의 마스크와 같이 조절될 수 있다.
객체 추적 장치는 이전 영상 프레임의 디스트랙터 정보와 현재 영상 프레임의 디스트랙터 정보 간의 차이에 기초하여 디스트랙터 움직임(617)을 추정할 수 있다. 일 실시예에 따르면, 객체 추적 장치는 뉴럴 네트워크 기반의 움직임 추정 모델을 이용하여 디스트랙터 움직임(617)을 추정할 수 있다. 객체 추적 장치는 적어도 하나의 이전 영상 프레임의 디스트랙터 정보 및 현재 영상 프레임의 디스트랙터 정보를 움직임 추정 모델에 입력하고, 움직임 추정 모델의 출력으로부터 디스트랙터의 움직임을 추정할 수 있다. 움직임 추정 모델은 연속적인 복수의 영상 프레임들의 디스트랙터 정보로부터 디스트랙터의 움직임을 추정하도록 미리 트레이닝될 수 있다.
도 7은 일 실시예에 따른 현재 객체 추적 모드를 고려한 객체 추적 동작을 나타낸다. 도 7을 참조하면, 단계(701)에서 객체 추적 장치는 템플릿 영상을 결정한다. 예를 들어, 객체 추적 장치는 입력 영상의 제1 영상 프레임에서 타겟 객체를 선택하는 사용자 입력에 기초하여 템플릿 영상을 결정할 수 있다. 단계(702)에서 객체 추적 장치는 템플릿 영상에서 템플릿 특징을 추출한다. 단계(703)에서 객체 추적 장치는 탐색 영역을 결정한다. 예를 들어, 객체 추적 장치는 입력 영상의 제n 영상 프레임에서 탐색 영역을 결정할 수 있다. n은 1보다 큰 값을 가질 수 있다. 제n 영상 프레임의 탐색 영역은 제n-1 영상 프레임의 타겟 박스의 박스 정보에 기초하여 결정될 수 있다. 단계(704)에서 객체 추적 장치는 탐색 영상에서 탐색 특징을 추출한다. 단계(705)에서 객체 추적 장치는 후보 박스들을 결정한다. 후보 박스들의 결정은 후보 박스들의 박스 정보 및 후보 박스들의 유사도 점수의 결정을 포함할 수 있다. 객체 추적 장치는 템플릿 특징과 탐색 특징을 비교하여 박스 정보 및 유사도 점수를 결정할 수 있다.
단계(706)에서 객체 추적 장치는 현재 객체 추적 모드가 정밀 추적 모드에 해당하는지 결정할 수 있다. 객체 추적 모드는 디스트랙터 맵과 함께 객체 추적을 수행하는 정밀 추적 모드 및 디스트랙터 맵 없이 객체 추적을 수행하는 노멀 추적 모드를 포함할 수 있다. 객체 추적 장치는 박스 정보 및 유사도 점수에 기초하여 현재 영상 프레임의 추적 상태를 결정하고, 추적 상태에 기초하여 객체 추적 모드를 정밀 추적 모드 및 노멀 추적 모드 중 어느 하나로 설정할 수 있다. 정밀 추적 모드에서는 유사도 점수의 조절, 타겟 박스 및 디스트랙터 박스의 결정, 및 디스트랙터 맵의 업데이트에 기초하여 객체 추적이 수행될 수 있다. 노멀 추적 모드에서는 이러한 유사도 점수의 조절, 타겟 박스 및 디스트랙터 박스의 결정, 및 디스트랙터 맵의 업데이트 없이, 후보 박스들의 박스 정보 및 후보 박스들의 유사도 점수들에 기초하여 타겟 박스가 결정될 수 있다.
예를 들어, 객체 추적 장치는 타겟 객체의 디스트랙터의 부존재, 타겟 객체의 폐색, 및 타겟 객체의 프레임 이탈 중 적어도 하나가 발생한 경우, 객체 추적 모드를 상기 노멀 추적 모드로 설정할 수 있다. 예를 들어, 탐색 영역에 하나의 후보 박스만 존재한다면, 탐색 영역에 타겟 객체만 존재할 뿐 디스트랙터는 존재하지 않는 상황일 수 있다. 이 경우, 디스트랙터 맵을 이용하는 것은 추적 성능을 높이기보다 연산 효율을 떨어뜨릴 수 있으므로, 객체 추적 장치는 디스트랙터 맵 없이 노멀 추적 모드로 객체 추적을 수행할 수 있다. 타겟 객체의 폐색 수준이 높은 경우, 타겟 객체가 프레임을 이탈한 경우, 혹은 이러한 상황의 발생 가능성이 높은 경우에도 노멀 추적 모드가 이용될 수 있다.
현재 객체 추적 모드가 정밀 추적 모드에 해당하는 경우, 단계(707)에서 객체 추적 장치는 디스트랙터 맵을 이용하여 유사도 점수 조절할 수 있다. 단계(708)에서 객체 추적 장치는 유사도 점수에 기초하여 박스 선택을 수행할 수 있다. 현재 객체 추적 모드가 정밀 추적 모드에 해당하는 경우 단계(707)에서 조절된 유사도 점수에 기초하여 박스 선택이 수행될 수 있고, 박스 선택을 통해 타겟 박스 및 디스트랙터 박스가 결정될 수 있다. 현재 객체 추적 모드가 노멀 추적 모드에 해당하는 경우 단계(707)의 점수 조절 없이 박스 선택이 수행될 수 있고, 박스 선택을 통해 타겟 박스만 결정될 수 있다.
단계(709)에서 객체 추적 장치는 디스트랙터 맵을 업데이트할 수 있다. 단계(709)는 정밀 추적 모드에서 수행될 수 있다. 정밀 추적 모드에서 디스트랙터 박스가 결정된 경우, 디스트랙터 박스에 따른 디스트랙터 정보에 기초하여 디스트랙터 맵이 업데이트될 수 있다. 디스트랙터의 움직임이 고려되는 경우, 객체 추적 장치는 단계(711)에서 디스트랙터의 움직임을 확인하고, 단계(709)에서 디스트랙터의 움직임을 디스트랙터 맵에 반영하여 디스트랙터 맵을 업데이트할 수 있다.
단계(710)에서 객체 추적 장치는 타겟 박스 정보를 출력할 수 있다. 타겟 박스 정보는 추적 결과에 해당할 수 있다. 타겟 박스 정보는 타겟 박스의 위치 정보 및 사이즈 정보를 포함할 수 있다. 객체 추적 장치는 다음 프레임들에 기초하여 단계들(703 내지 711)을 반복 수행할 수 있다.
도 8은 일 실시예에 따른 객체 추적 장치의 구성을 나타낸다. 도 8을 참조하면, 객체 추적 장치(800)는 프로세서(810) 및 메모리(820)를 포함한다. 메모리(820)는 프로세서(810)에 연결되고, 프로세서(810)에 의해 실행가능한 명령어들, 프로세서(810)가 연산할 데이터 또는 프로세서(810)에 의해 처리된 데이터를 저장할 수 있다. 메모리(820)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.
프로세서(810)는 도 1 내지 도 7, 도 9, 및 도 10의 동작을 수행하기 위한 명령어들을 실행할 수 있다. 예를 들어, 프로세서(810)는 현재 영상 프레임의 탐색 영역을 타겟 객체에 대응하는 템플릿 영상과 비교하여 현재 영상 프레임 내 후보 박스들의 박스 정보 및 후보 박스들의 유사도 점수들을 결정하고, 이전 영상 프레임의 디스트랙터 정보를 포함하는 디스트랙터 맵을 이용하여 후보 박스들의 유사도 점수들을 조절하고, 조절된 유사도 점수들에 기초하여 후보 박스들로부터 타겟 객체에 대응하는 타겟 박스 및 타겟 객체의 디스트랙터에 대응하는 디스트랙터 박스를 결정하고, 디스트랙터 박스에 따른 현재 영상 프레임의 디스트랙터 정보에 기초하여 디스트랙터 맵을 업데이트할 수 있다.
그 밖에, 객체 추적 장치(800)에는 도 1 내지 도 7, 도 9, 및 도 10의 설명이 적용될 수 있다.
도 9는 일 실시예에 따른 전자 장치의 구성을 나타낸다. 도 9를 참조하면, 전자 장치(900)는 프로세서(910), 메모리(920), 카메라(930), 저장 장치(940), 입력 장치(950), 출력 장치(960) 및 네트워크 인터페이스(970)를 포함할 수 있으며, 이들은 통신 버스(980)를 통해 서로 통신할 수 있다. 예를 들어, 전자 장치(900)는 이동 전화, 스마트 폰, PDA, 넷북, 태블릿 컴퓨터, 랩톱 컴퓨터 등과 같은 모바일 장치, 스마트 워치, 스마트 밴드, 스마트 안경 등과 같은 웨어러블 디바이스, 데스크탑, 서버 등과 같은 컴퓨팅 장치, 텔레비전, 스마트 텔레비전, 냉장고 등과 같은 가전 제품, 도어 락 등과 같은 보안 장치, 자율주행 차량, 스마트 차량 등과 같은 차량의 적어도 일부로 구현될 수 있다. 전자 장치(900)는 객체 추적 장치(100, 800)를 구조적 및/또는 기능적으로 포함할 수 있다.
프로세서(910)는 전자 장치(900) 내에서 실행하기 위한 기능 및 명령어들을 실행한다. 예를 들어, 프로세서(910)는 메모리(920) 또는 저장 장치(940)에 저장된 명령어들을 처리할 수 있다. 프로세서(910)는 도 1 내지 도 8, 및 도 10의 동작을 수행할 수 있다. 메모리(920)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 메모리(920)는 프로세서(910)에 의해 실행하기 위한 명령어들을 저장할 수 있고, 전자 장치(900)에 의해 소프트웨어 및/또는 애플리케이션이 실행되는 동안 관련 정보를 저장할 수 있다.
카메라(930)는 사진 및/또는 비디오를 촬영할 수 있다. 예를 들어, 카메라(930)는 복수의 영상 프레임들을 포함하는 입력 영상을 생성할 수 있다. 복수의 영상 프레임들은 템플릿 영상 및 탐색 영상 중 적어도 일부를 포함할 수 있다. 저장 장치(940)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함한다. 저장 장치(940)는 메모리(920)보다 더 많은 양의 정보를 저장하고, 정보를 장기간 저장할 수 있다. 예를 들어, 저장 장치(940)는 자기 하드 디스크, 광 디스크, 플래쉬 메모리, 플로피 디스크 또는 이 기술 분야에서 알려진 다른 형태의 비휘발성 메모리를 포함할 수 있다.
입력 장치(950)는 키보드 및 마우스를 통한 전통적인 입력 방식, 및 터치 입력, 음성 입력, 및 이미지 입력과 같은 새로운 입력 방식을 통해 사용자로부터 입력을 수신할 수 있다. 예를 들어, 입력 장치(950)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전자 장치(900)에 전달할 수 있는 임의의 다른 장치를 포함할 수 있다. 출력 장치(960)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 전자 장치(900)의 출력을 제공할 수 있다. 출력 장치(960)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(970)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.
그 밖에, 전자 장치(900)에는 도 1 내지 도 8, 및 도 10의 설명이 적용될 수 있다.
도 10은 일 실시예에 따른 객체 추적 방법을 나타낸다. 도 10을 참조하면, 단계(1010)에서 객체 추적 장치는 현재 영상 프레임의 탐색 영역을 타겟 객체에 대응하는 템플릿 영상과 비교하여 현재 영상 프레임 내 후보 박스들의 박스 정보 및 후보 박스들의 유사도 점수들을 결정한다. 객체 추적 장치는 탐색 영역 및 템플릿 영상을 뉴럴 네트워크 기반의 영상 비교 모델에 입력하고, 영상 비교 모델의 출력으로부터 후보 박스들의 박스 정보 및 후보 박스들의 유사도 점수들을 결정할 수 있다.
단계(1020)에서 객체 추적 장치는 이전 영상 프레임의 디스트랙터 정보를 포함하는 디스트랙터 맵을 이용하여 후보 박스들의 유사도 점수들을 조절한다. 객체 추적 장치는 상기 이전 영상 프레임의 상기 디스트랙터 정보에 따른 마스크를 결정하고, 상기 후보 박스들과 상기 마스크 간의 중첩 상태에 기초하여 상기 유사도 점수들을 조절할 수 있다. 객체 추적 장치는 상기 후보 박스들 중에 상기 마스크와 임계 비율 이상 중첩되는 후보 박스의 유사도 점수를 낮출 수 있다. 객체 추적 장치는 상기 후보 박스들 각각의 상기 마스크와의 중첩 비율에 비례하여 상기 후보 박스들의 유사도 점수들을 낮출 수 있다.
단계(1030)에서 객체 추적 장치는 조절된 유사도 점수들에 기초하여 후보 박스들로부터 타겟 객체에 대응하는 타겟 박스 및 타겟 객체의 디스트랙터에 대응하는 디스트랙터 박스를 결정한다.
단계(1040)에서 객체 추적 장치는 디스트랙터 박스에 따른 현재 영상 프레임의 디스트랙터 정보에 기초하여 디스트랙터 맵을 업데이트한다. 객체 추적 장치는 디스트랙터의 움직임을 디스트랙터 맵에 반영하여 디스트랙터 맵을 업데이트할 수 있다. 객체 추적 장치는 이전 영상 프레임의 디스트랙터 정보 및 현재 영상 프레임의 디스트랙터 정보를 뉴럴 네트워크 기반의 움직임 추정 모델에 입력하고, 움직임 추정 모델의 출력으로부터 디스트랙터의 움직임을 추정할 수 있다.
객체 추적 장치는 상기 박스 정보 및 상기 유사도 점수들에 기초하여 상기 현재 영상 프레임의 추적 상태를 결정하고, 상기 추적 상태에 기초하여 객체 추적 모드를 상기 디스트랙터 맵과 함께 객체 추적을 수행하는 정밀 추적 모드 및 상기 디스트랙터 맵 없이 객체 추적을 수행하는 노멀 추적 모드 중 어느 하나로 설정할 수 있다. 객체 추적 모드가 정밀 추적 모드로 설정된 경우, 유사도 점수들을 조절하는 단계, 타겟 박스 및 디스트랙터 박스를 결정하는 단계, 및 디스트랙터 맵을 업데이트하는 단계에 기초하여 객체 추적이 수행될 수 있다. 객체 추적 모드가 노멀 추적 모드로 설정된 경우, 유사도 점수들을 조절하는 단계, 타겟 박스 및 디스트랙터 박스를 결정하는 단계, 및 디스트랙터 맵을 업데이트하는 단계를 수행하지 않고, 후보 박스들의 박스 정보 및 후보 박스들의 유사도 점수들에 기초하여 타겟 박스가 결정될 수 있다. 타겟 객체의 디스트랙터의 부존재, 타겟 객체의 폐색, 및 타겟 객체의 프레임 이탈 중 적어도 하나가 발생한 경우, 객체 추적 장치는 객체 추적 모드를 노멀 추적 모드로 설정할 수 있다.
그 밖에, 객체 추적 방법에는 도 1 내지 도 9의 설명이 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, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 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 컨트롤러를 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 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 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.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.

Claims (20)

  1. 객체 추적 방법에 있어서,
    현재 영상 프레임의 탐색 영역을 타겟 객체에 대응하는 템플릿 영상과 비교하여 상기 현재 영상 프레임 내 후보 박스들의 박스 정보 및 상기 후보 박스들의 유사도 점수들을 결정하는 단계;
    이전 영상 프레임의 디스트랙터 정보를 포함하는 디스트랙터 맵을 이용하여 상기 후보 박스들의 상기 유사도 점수들을 조절하는 단계;
    상기 조절된 유사도 점수들에 기초하여 상기 후보 박스들로부터 상기 타겟 객체에 대응하는 타겟 박스 및 상기 타겟 객체의 디스트랙터에 대응하는 디스트랙터 박스를 결정하는 단계; 및
    상기 디스트랙터 박스에 따른 상기 현재 영상 프레임의 디스트랙터 정보에 기초하여 상기 디스트랙터 맵을 업데이트하는 단계
    를 포함하는, 객체 추적 방법.
  2. 제1항에 있어서,
    상기 유사도 점수들을 조절하는 단계는
    상기 이전 영상 프레임의 상기 디스트랙터 정보에 따른 마스크를 결정하는 단계; 및
    상기 후보 박스들과 상기 마스크 간의 중첩 상태에 기초하여 상기 유사도 점수들을 조절하는 단계
    를 포함하는, 객체 추적 방법.
  3. 제2항에 있어서,
    상기 중첩 상태에 기초하여 상기 유사도 점수를 조절하는 단계는
    상기 후보 박스들 중에 상기 마스크와 임계 비율 이상 중첩되는 후보 박스의 유사도 점수를 낮추는 단계를 포함하는,
    객체 추적 방법.
  4. 제2항에 있어서,
    상기 중첩 상태에 기초하여 상기 유사도 점수를 조절하는 단계는
    상기 후보 박스들 각각의 상기 마스크와의 중첩 비율에 비례하여 상기 후보 박스들의 유사도 점수들을 낮추는 단계를 포함하는,
    객체 추적 방법.
  5. 제1항에 있어서,
    상기 디스트랙터 맵을 업데이트하는 단계는
    상기 디스트랙터의 움직임을 상기 디스트랙터 맵에 반영하는 단계를 포함하는,
    객체 추적 방법.
  6. 제5항에 있어서,
    상기 디스트랙터의 상기 움직임을 상기 디스트랙터 맵에 반영하는 단계는
    상기 이전 영상 프레임의 상기 디스트랙터 정보 및 상기 현재 영상 프레임의 상기 디스트랙터 정보를 뉴럴 네트워크 기반의 움직임 추정 모델에 입력하는 단계; 및
    상기 움직임 추정 모델의 출력으로부터 상기 디스트랙터의 상기 움직임을 추정하는 단계
    를 포함하는, 객체 추적 방법.
  7. 제1항에 있어서,
    상기 객체 추적 방법은
    상기 박스 정보 및 상기 유사도 점수들에 기초하여 상기 현재 영상 프레임의 추적 상태를 결정하는 단계; 및
    상기 추적 상태에 기초하여 객체 추적 모드를 상기 디스트랙터 맵과 함께 객체 추적을 수행하는 정밀 추적 모드 및 상기 디스트랙터 맵 없이 객체 추적을 수행하는 노멀 추적 모드 중 어느 하나로 설정하는 단계
    를 더 포함하는, 객체 추적 방법.
  8. 제7항에 있어서,
    상기 객체 추적 모드가 상기 정밀 추적 모드로 설정된 경우, 상기 유사도 점수들을 조절하는 단계, 상기 타겟 박스 및 상기 디스트랙터 박스를 결정하는 단계, 및 상기 디스트랙터 맵을 업데이트하는 단계에 기초하여 객체 추적이 수행되고,
    상기 객체 추적 모드가 상기 노멀 추적 모드로 설정된 경우, 상기 유사도 점수들을 조절하는 단계, 상기 타겟 박스 및 상기 디스트랙터 박스를 결정하는 단계, 및 상기 디스트랙터 맵을 업데이트하는 단계를 수행하지 않고, 상기 후보 박스들의 상기 박스 정보 및 상기 후보 박스들의 상기 유사도 점수들에 기초하여 상기 타겟 박스가 결정되는,
    객체 추적 방법.
  9. 제7항에 있어서,
    상기 객체 추적 모드를 설정하는 단계는
    상기 타겟 객체의 상기 디스트랙터의 부존재, 상기 타겟 객체의 폐색, 및 상기 타겟 객체의 프레임 이탈 중 적어도 하나가 발생한 경우, 상기 객체 추적 모드를 상기 노멀 추적 모드로 설정하는 단계를 포함하는,
    객체 추적 방법.
  10. 제1항에 있어서,
    상기 후보 박스들의 상기 박스 정보 및 상기 후보 박스들의 상기 유사도 점수들을 결정하는 단계는
    상기 탐색 영역 및 상기 템플릿 영상을 뉴럴 네트워크 기반의 영상 비교 모델에 입력하는 단계; 및
    상기 영상 비교 모델의 출력으로부터 상기 후보 박스들의 상기 박스 정보 및 상기 후보 박스들의 상기 유사도 점수들을 결정하는 단계
    를 포함하는, 객체 추적 방법.
  11. 하드웨어와 결합되어 제1항 내지 제10항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  12. 프로세서; 및
    상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리
    를 포함하고,
    상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는
    현재 영상 프레임의 탐색 영역을 타겟 객체에 대응하는 템플릿 영상과 비교하여 상기 현재 영상 프레임 내 후보 박스들의 박스 정보 및 상기 후보 박스들의 유사도 점수들을 결정하고,
    이전 영상 프레임의 디스트랙터 정보를 포함하는 디스트랙터 맵을 이용하여 상기 후보 박스들의 상기 유사도 점수들을 조절하고,
    상기 조절된 유사도 점수들에 기초하여 상기 후보 박스들로부터 상기 타겟 객체에 대응하는 타겟 박스 및 상기 타겟 객체의 디스트랙터에 대응하는 디스트랙터 박스를 결정하고,
    상기 디스트랙터 박스에 따른 상기 현재 영상 프레임의 디스트랙터 정보에 기초하여 상기 디스트랙터 맵을 업데이트하는,
    객체 추적 장치.
  13. 제12항에 있어서,
    상기 프로세서는
    상기 이전 영상 프레임의 상기 디스트랙터 정보에 따른 마스크를 결정하고,
    상기 후보 박스들과 상기 마스크 간의 중첩 상태에 기초하여 상기 유사도 점수들을 조절하는,
    객체 추적 장치.
  14. 제12항에 있어서,
    상기 프로세서는
    상기 디스트랙터의 움직임을 상기 디스트랙터 맵에 반영하여 상기 디스트랙터 맵을 업데이트하는,
    객체 추적 장치.
  15. 제12항에 있어서,
    상기 프로세서는
    상기 박스 정보 및 상기 유사도 점수들에 기초하여 상기 현재 영상 프레임의 추적 상태를 결정하고,
    상기 추적 상태에 기초하여 객체 추적 모드를 상기 디스트랙터 맵과 함께 객체 추적을 수행하는 정밀 추적 모드 및 상기 디스트랙터 맵 없이 객체 추적을 수행하는 노멀 추적 모드 중 어느 하나로 설정하는,
    객체 추적 장치.
  16. 제12항에 있어서,
    상기 프로세서는
    상기 탐색 영역 및 상기 템플릿 영상을 뉴럴 네트워크 기반의 영상 비교 모델에 입력하고,
    상기 영상 비교 모델의 출력으로부터 상기 후보 박스들의 상기 박스 정보 및 상기 후보 박스들의 상기 유사도 점수들을 결정하는,
    객체 추적 장치.
  17. 복수의 영상 프레임들을 포함하는 입력 영상을 생성하는 카메라; 및
    상기 복수의 영상 프레임들 중 현재 영상 프레임의 탐색 영역을 타겟 객체에 대응하는 템플릿 영상과 비교하여 상기 현재 영상 프레임 내 후보 박스들의 박스 정보 및 상기 후보 박스들의 유사도 점수들을 결정하고,
    상기 복수의 영상 프레임들 중 이전 영상 프레임의 디스트랙터 정보를 포함하는 디스트랙터 맵을 이용하여 상기 후보 박스들의 상기 유사도 점수들을 조절하고,
    상기 조절된 유사도 점수들에 기초하여 상기 후보 박스들로부터 상기 타겟 객체에 대응하는 타겟 박스 및 상기 타겟 객체의 디스트랙터에 대응하는 디스트랙터 박스를 결정하고,
    상기 디스트랙터 박스에 따른 상기 현재 영상 프레임의 디스트랙터 정보에 기초하여 상기 디스트랙터 맵을 업데이트하는, 프로세서
    를 포함하는, 전자 장치.
  18. 제17항에 있어서,
    상기 프로세서는
    상기 이전 영상 프레임의 상기 디스트랙터 정보에 따른 마스크를 결정하고,
    상기 후보 박스들과 상기 마스크 간의 중첩 상태에 기초하여 상기 유사도 점수들을 조절하는,
    전자 장치.
  19. 제17항에 있어서,
    상기 프로세서는
    상기 디스트랙터의 움직임을 상기 디스트랙터 맵에 반영하여 상기 디스트랙터 맵을 업데이트하는,
    전자 장치.
  20. 제17항에 있어서,
    상기 프로세서는
    상기 박스 정보 및 상기 유사도 점수들에 기초하여 상기 현재 영상 프레임의 추적 상태를 결정하고,
    상기 추적 상태에 기초하여 객체 추적 모드를 상기 디스트랙터 맵과 함께 객체 추적을 수행하는 정밀 추적 모드 및 상기 디스트랙터 맵 없이 객체 추적을 수행하는 노멀 추적 모드 중 어느 하나로 설정하는,
    전자 장치.
KR1020210188436A 2021-12-27 2021-12-27 객체 추적 방법 및 장치 KR20230099244A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210188436A KR20230099244A (ko) 2021-12-27 2021-12-27 객체 추적 방법 및 장치
US17/856,374 US20230206586A1 (en) 2021-12-27 2022-07-01 Method and apparatus with object tracking
EP22189325.8A EP4202832A1 (en) 2021-12-27 2022-08-08 Method and apparatus with object tracking
CN202211055300.0A CN116363166A (zh) 2021-12-27 2022-08-30 对象跟踪方法、对象跟踪设备和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210188436A KR20230099244A (ko) 2021-12-27 2021-12-27 객체 추적 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230099244A true KR20230099244A (ko) 2023-07-04

Family

ID=82850083

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210188436A KR20230099244A (ko) 2021-12-27 2021-12-27 객체 추적 방법 및 장치

Country Status (4)

Country Link
US (1) US20230206586A1 (ko)
EP (1) EP4202832A1 (ko)
KR (1) KR20230099244A (ko)
CN (1) CN116363166A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102693388B1 (ko) * 2023-11-03 2024-08-09 대한민국 차량의 바퀴 중심 좌표 추출 장치 및 그 동작 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117809025B (zh) * 2024-03-01 2024-07-02 深圳魔视智能科技有限公司 基于注意力网络的目标跟踪方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9437009B2 (en) * 2011-06-20 2016-09-06 University Of Southern California Visual tracking in video images in unconstrained environments by exploiting on-the-fly context using supporters and distracters
WO2017015947A1 (en) * 2015-07-30 2017-02-02 Xiaogang Wang A system and a method for object tracking

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102693388B1 (ko) * 2023-11-03 2024-08-09 대한민국 차량의 바퀴 중심 좌표 추출 장치 및 그 동작 방법

Also Published As

Publication number Publication date
CN116363166A (zh) 2023-06-30
US20230206586A1 (en) 2023-06-29
EP4202832A1 (en) 2023-06-28

Similar Documents

Publication Publication Date Title
US10269125B1 (en) Method for tracking object by using convolutional neural network including tracking network and computing device using the same
KR102410820B1 (ko) 뉴럴 네트워크를 이용한 인식 방법 및 장치 및 상기 뉴럴 네트워크를 트레이닝하는 방법 및 장치
WO2019099305A1 (en) Meta-learning for multi-task learning for neural networks
KR20230099244A (ko) 객체 추적 방법 및 장치
KR20220059194A (ko) 대상 객체에 적응적인 객체 추적 방법 및 장치
Farhodov et al. Faster RCNN detection based OpenCV CSRT tracker using drone data
KR102637342B1 (ko) 대상 객체를 추적하는 방법과 장치 및 전자 장치
KR20210096473A (ko) 신뢰도 추정을 통한 글로벌 및 로컬 검색을 기반으로 한 견고한 시각적 물체 추적
CN110334716B (zh) 特征图处理方法、图像处理方法及装置
KR20230108075A (ko) 객체 인식 방법 및 장치
KR102210404B1 (ko) 위치 정보 추출 장치 및 방법
KR20210115863A (ko) 뉴럴 네트워크 모델을 위한 병렬 처리 방법 및 장치
KR20200104267A (ko) 객체 추적 방법 및 이를 수행하는 장치
CN112819151A (zh) 用于识别图像的方法和设备以及训练方法
KR20210108082A (ko) 위상 차를 이용하는 라이브니스 검출 방법 및 장치
KR102695527B1 (ko) 객체 추적 방법 및 장치
KR20220039313A (ko) 뉴럴 네트워크 연산 처리 방법 및 장치
KR20210112834A (ko) 뉴럴 네트워크 내 레이어에 관한 컨볼루션 연산의 처리 방법 및 장치
KR20230153206A (ko) 객체 추적 방법 및 장치
KR20210058614A (ko) 적응적인 임계치를 이용한 얼굴 검출 방법 및 장치
US20240013407A1 (en) Information processing apparatus, information processing method, and non-transitory computer-readable storage medium
EP3401843A1 (en) A method, an apparatus and a computer program product for modifying media content
KR20240061787A (ko) 객체 추적 방법 및 장치
KR20240106503A (ko) 대상 객체를 추적하는 장치와 방법, 및 전자 장치
EP4276759A1 (en) Method and apparatus with object tracking