| 1 |
1
(1) 입력 영상의 초기 프레임으로부터 추적하고자 하는 타깃 객체를 타깃 파티클로 결정하여 타깃 모델을 초기화하는 단계;(2) 다음 입력되는 프레임으로부터 랜덤 분포를 갖는 복수 개의 후보 파티클을 생성하는 단계;(3) 상기 파티클(타깃 파티클 및 후보 파티클을 포함함)로부터 지역 밝기 분포(Local Intensity Distribution; 이하 'LID'라 함) 및 방향 중심 대칭 지역 이진 패턴(Oriented Center Symmetric Local Binary Pattern; 이하 'OCS-LBP'라 함) 모델을 포함하는 특징 모델(observation model)을 생성하는 단계;(4) 상기 LID 및 상기 OCS-LBP 모델 각각에 대해 랜덤 포레스트(random forest)에 의한 학습을 수행하여 상기 타깃 파티클과 상기 후보 파티클 간의 관측 우도(likelihood)를 산출하여 파티클 가중치를 결정하는 단계;(5) 결정된 상기 파티클 가중치를 기반으로 상기 파티클 중에서 비교하여 가중치가 높은 순서대로 선택된 복수 개의 파티클을 이용하여 상기 타깃 객체의 상태를 업데이트하는 단계;(6) 이전 타깃 객체와 현재 타깃 객체 간의 상태 차이를 계산하여 상기 랜덤 포레스트를 업데이트하는 단계; 및(7) 상기 타깃 파티클과 후보 파티클 간의 관측 우도를 산출하여 결정된 파티클 가중치를 기반으로 상기 파티클 중에서 비교하여 가중치가 높은 순서대로 선택된 상기 복수 개의 파티클을 제외한 나머지 파티클을 재샘플링(re-sampling)하는 단계를 포함하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 2 |
2
제1항에 있어서, 상기 단계 (3)은,(3-1) 상기 파티클로부터 상기 LID를 생성하는 단계; 및(3-2) 상기 파티클로부터 상기 OCS-LBP 모델을 생성하는 단계를 포함하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 3 |
3
제2항에 있어서, 상기 단계 (3-1)은,(3-1-1) 상기 파티클의 윈도우를 서브 블록으로 분할하는 단계;(3-1-2) 분할된 각각의 블록에서 밝기 히스토그램을 생성하는 단계; 및(3-1-3) 이파네치니코브 커널(Epanechnikov kernel)을 이용하여 상기 밝기 히스토그램을 갱신하는 단계를 포함하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 4 |
4
제3항에 있어서, 상기 단계 (3-1-1)에서,상기 파티클의 윈도우를 겹치지 않는 6개의 서브 블록으로 분할하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 5 |
5
제2항에 있어서, 상기 단계 (3-2)는,(3-2-1) 상기 파티클의 윈도우를 서브 블록으로 분할하는 단계;(3-2-2) 분할된 각각의 상기 서브 블록에서 OCS-LBP 특징을 추출하는 단계;(3-2-3) 상기 OCS-LBP 특징을 추출한 각각의 상기 서브 블록에서 OCS-LBP 히스토그램을 생성하는 단계; 및(3-2-4) 각각의 상기 서브 블록에서 생성된 상기 OCS-LBP 히스토그램에 그래디언트 강도를 누적하여 그래디언트 방향 히스토그램을 생성하는 단계를 포함하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 6 |
6
제5항에 있어서, 상기 단계 (3-2-1)에서,상기 파티클의 윈도우를 겹치지 않는 6개의 서브 블록으로 분할하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 7 |
7
제5항에 있어서, 상기 그래디언트 방향 히스토그램은,8개의 이웃 픽셀을 사용하여 생성하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 8 |
8
제7항에 있어서, 상기 이웃 픽셀은,0~360도의 방향에서 45도씩 간격을 가지는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 9 |
9
제1항에 있어서, 상기 단계 (4)는,(4-1) 상기 랜덤 포레스트의 결정 트리의 개수를 설정하는 단계;(4-2) 상기 랜덤 포레스트의 변수의 개수를 선택하여 각 노드(node)를 분할하는 단계;(4-3) 상기 결정 트리를 성장시키는 단계;(4-4) 모든 트리에서의 각 분포 확률의 평균을 산출하는 단계; 및 (4-5) 산출된 각 분포 확률 평균을 이용하여 상기 파티클 간의 관측 우도를 산출하는 단계를 포함하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 10 |
10
제9항에 있어서, 상기 단계 (4)는,(4-6) 상기 단계 (4-1) 내지 단계 (4-5)를 반복하여 수행하는 단계를 더 포함하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 11 |
11
제9항에 있어서, 상기 단계 (4)는,(4-7) 산출된 상기 관측 우도를 가중치로 대체하여 상기 가중치를 정규화하는 단계를 더 포함하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 12 |
12
제9항에 있어서, 상기 단계 (4-3)은,(4-3-1) 학습 집합으로부터 새로운 부트스트랩 샘플을 선택하고, 상기 부트스트랩 샘플을 이용하여 트리를 성장시키는 단계;(4-3-2) 상기 트리의 각 내부 노드가 랜덤하게 변수를 선택하고, 선택된 상기 변수만을 이용하여 최상(best)의 스플릿 함수(split function)를 결정하는 단계; 및(4-3-3) 상기 트리를 최대 트리 깊이까지 성장시키는 단계를 포함하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 13 |
13
제9항에 있어서, 상기 단계 (4-1)에서,상기 결정 트리의 개수는 4개인 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 14 |
14
제12항에 있어서, 상기 단계 (4-3-3)에서,상기 최대 트리 깊이는 20인 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 15 |
15
제9항에 있어서, 상기 단계 (4-5)는,하기의 수학식 18에 따라 상기 관측 우도를 산출하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
| 16 |
16
제1항에 있어서, 상기 단계 (6)은이전 타깃 영역과 현재 타깃 영역 간의 중심 위치 거리를 산출하여 산출된 상기 거리 값이 임계값(T1) 미만인 경우 업데이트를 수행하는 것을 특징으로 하는, 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
|
