정보처리학회논문지B (The KIPS Transactions:PartB)

한국정보처리학회 (Korea Information Processing Society)
권호 표지
DOI QR코드

DOI QR Code

실시간 객체 추적을 위한 Condensation 알고리즘과 Mean-shift 알고리즘의 결합

Integration of Condensation and Mean-shift algorithms for real-time object tracking

  • 조상현 (가톨릭대학교 컴퓨터정보공학과) ;
  • 강행봉 (가톨릭대학교 컴퓨터정보공학부)
  • 발행 : 2005.06.01
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

실시간 객체 추적(Real-time object tracking)은 비디오 감시 시스템, 비전 기반 네비게이터와 같은 비전 응용 산업이 발달하면서 그 중요성이 더해지고 있는 분야이다. 객체 추적을 위해 많이 이용되고 있는 알고리즘으로 Mean-shift와 Condensation 알고리즘이 있다. Mean-shift 알고리즘을 기반으로 한 객체 추적 알고리즘은 구현이 간단하고, 적은 계산 복잡도를 갖는 장점이 있다. 따라서 실시간 객체 추적 시스템에 적합하다고 할 수 있지만, 지역 모드(Local mode)로 수렴하는 특성으로 인해 복잡한 환경(Cluttered environment)에서는 좋은 성능을 나타내지 못하는 단점을 가지고 있다. 반면, 여러 개의 후보들을 이용해 객체의 위치를 추정하는 Condensation 추적 알고리즘은 복잡한 환경에서 특정 객체를 추적하는데 많이 사용된다. 하지만 Condensation 알고리즘을 기반으로 한 추적 알고리즘은 정확한 추적을 하기 위해서 복잡도가 높은 객체 모델과 많은 수의 후보가 요구된다. 따라서 높은 복잡도를 갖게 되고, 이것으로 인해 복잡한 환경에서는 실시간 구현이 어렵다는 단점을 갖게 된다. 본 논문에서는, 복잡한 환경에서 실시간 객체 추적에 적합하도록 Condensation 알고리즘과 Mean-shift 알고리즘을 결합해서, 적은 수의 후보들을 이용하는 모델을 제안한다. 적은 수의 후보들을 이용하더라도, Mean-shift 알고리즘을 이용해 보다 높은 유사도를 가지는 후보들만을 이용함으로써, Condensation 알고리즘이나 Mean-shift 알고리즘만을 이용할 때보다 더 나은 성능을 얻을 수 있었다.

Real-time Object tracking is an important field in developing vision applications such as surveillance systems and vision based navigation. mean-shift algerian and Condensation algorithm are widely used in robust object tracking systems. Since the mean-shift algorithm is easy to implement and is effective in object tracking computation, it is widely used, especially in real-time tracking systems. One of the drawbacks is that it always converges to a local maximum which may not be a global maximum. Therefore, in a cluttered environment, the Mean-shift algorithm does not perform well. On the other hand, since it uses multiple hypotheses, the Condensation algorithm is useful in tracking in a cluttered background. Since it requires a complex object model and many hypotheses, it contains a high computational complexity. Therefore, it is not easy to apply a Condensation algorithm in real-time systems. In this paper, by combining the merits of the Condensation algorithm and the mean-shift algorithm we propose a new model which is suitable for real-time tracking. Although it uses only a few hypotheses, the proposed method use a high-likelihood hypotheses using mean-shift algorithm. As a result, we can obtain a better result than either the result produced by the Condensation algorithm or the result produced by the mean-shift algorithm.

키워드

참고문헌

  1. M. Isard, A. Blake, 'Contour Tracking by Stochastic Propagation of Conditional Density', European Conference on Computer Vision, pp.343-356, 1998
  2. M. Isard, A. Blake, 'Condensation - Conditional Density Propagation for Visual Tracking', International Journal on Computer Vision Vol.1, No.29, pp.5-28, 1998 https://doi.org/10.1023/A:1008078328650
  3. D. Comaniciu and P. Meer, 'Real-Time Tracking of Non-Rigid Objects Using Mean shift', proc. IEEE Conf. Computer Vision and pattern Recognition, vol 2, pp. 142-149, June, 2000 https://doi.org/10.1109/CVPR.2000.854761
  4. D. Comaniciu and P. Meer, 'Mean shift : A Robust Approach Toward Feature Space Analysis,' IEEE Trans. Pattern Analysis and Machine Intelligence, Vol.24, No.5, pp.603-619, May, 2002 https://doi.org/10.1109/34.1000236
  5. D. Comaniciu and V. Ramesh , P. Meer, 'Kernel-Based Tracking', IEEE trans. Pattern Analysis and Machine Intelligence, Vol.25, No.5, pp.564-577, May, 2003 https://doi.org/10.1109/TPAMI.2003.1195991
  6. R.E.Kalman 'A New Approach to Linear Filtering and Prediction Problems' Transactions of the ASME, Series D, Journal of Basic Enginerring, Vol.82 No.1, pp.34-45, 1960
  7. Y.Boykov and D.Huttenlocher, 'Adaptive Bayesian Recognition in Tracking Rigid Objects', Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp.697-704, 2000 https://doi.org/10.1109/CVPR.2000.854942
  8. R. Rosales and S. Sclaroff, '3D Trajectory Recovery for Tracking Multiple Objects and Trajectory Guided Recognition of Actions,' Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp.117-123, 1999 https://doi.org/10.1109/CVPR.1999.784618
  9. K. Fukunaga and D. Hostetler 'The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognotion' IEEE trans. Information Theory Vol.IT-21, pp.32-40, 1975 https://doi.org/10.1109/TIT.1975.1055330
  10. R. Collins, 'Mean-shift Blob Tracking through Scale space', IEEE Computer Society Conference on CVPR'03, 2003 https://doi.org/10.1109/CVPR.2003.1211475
  11. P. Perez, C. Hue, J. Vermak, M Gangnet, 'Color-Based Probabilistic Tracking, European Conference on Computer Vision, pp.661-675, 2002
  12. K. Nummiaro, E. Koller-Meier and L. Van Gool, 'A Color-Based Particle Filter', First International Workshop on Generative-Model-Based Vision, in Conjunction with ECCV'02, pp.53-60, 2002
  13. K. Nummiaro, E. Koller-Meier and L. Van Gool, 'Object Tracking with an Adaptive Color-Based Particle Filter', Symposium for Pattern Recognition of the DAGM, pp. 353-360, 2002 https://doi.org/10.1007/3-540-45783-6_43
  14. B.K.P. Horn and B.G. Schunck. Determining optical flow. Artificial Intelligence, 185-203, 1981 https://doi.org/10.1016/0004-3702(81)90024-2