복합 특징 공간에서의 스웜 최적화를 이용한 강인한 객체 추적 모델
Robust Object Tracking Model based on Swarm Optimization in Complex Feature Space
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 컴퓨터 비전 분야의 대표적인 도전 과제 중의 하나인 강인한 객체 추적을 위한 새로운 접근을 제안하고 있다. 중첩과 같이 객체의 추적을 어렵게 하는 문제를 해결하기 위해 색상과 깊이를 함께 사용하는 복합 특징 공간에서의 스웜 최적화를 기반으로 하는 강인한 객체 추적 모델을 제안한다. 추적하고자 하는 대상에 대한 색상 특징과 함께 깊이 특징을 복합적으로 사용함으로써 추적 대상의 중첩과 재등장 상황에서도 추적 성능을 제고할 수 있다. 먼저, 입력 영상을 여러 개의 패치로 구분하고 각 패치로부터 색상 특징과 깊이 특징의 동기화 및 통합을 수행하여 색상-깊이 복합 특징 공간에서 특징을 추출한다. 다음으로 스웜 최적화를 통해 파티클의 위치를 업데이트하며 추적 대상 객체를 추적한다. 이 과정에서 추적 대상의 중첩 및 크기 변화에 대응하여 강인한 객체 추적을 가능하게 한다. 제안하는 접근법의 검증을 위해 색상-깊이 공개 데이터셋인 프린스턴 트래킹 벤치마크 (PTB; Princeton Tracking Benchmark)를 사용한다. 제안하는 방법에 의한 실험 결과 기존 방법에 비해 추적 성능의 개선을 가져온다는 것을 확인할 수 있다.
Abstract
This paper proposes a robust object tracking scheme that is one of the most representative challenge in computer vision research area. In order to solve the problems in object tracking such as occlusion, this paper employs swarm optimization in complex feature space using color and depth features. This complex feature space can increase performance of target tracking in occlusion and reappearance situation. First, the input image is divided into several patches, and the color and depth features are synchronized and integrated from each patch to extract features from the color-depth composite feature space. Then, the target object is tracked by updating the position of particles in swarm optimization. During this process, it enables to track target object robustly even in occlusion and size changes of the target. For performance evaluation, this paper uses Princeton Tracking Benchmark (PTB), a color-depth public dataset. The experimental results using the proposed method, it can be confirmed that tracking performance is improved compared to the existing methods.
참고문헌 (18)
- Carpenter, J., "Improved particle filter for nonlinear problems", IEE Proc. of Radar, Sonar Navigation, 146, pp.2~7 (1999)
- Nobahari, H., "Simplex filter : A novel heuristic filter for nonlinear systems state estimation", Applied Soft Computing, 49, pp.474~484 (2016)[DOI]
- Zandavi, S. M., "State estimation of nonlinear dynamic system using novel heuristic filter based on genetic algorithm", Soft Computing, 23, pp.5559~5570 (2018)
- Zandavi, S. M., "LNCS, vol. 10636", pp.25~33 (2017)
- Redmon, J., "You Only Look Once : Unified, Real-Time Object Detection", CVPR 2016, pp.779~788 (2016)
- "A comprehensive review of YOLO: From YOLO v1 and beyond" (2023)[URL]
- Kim, M. J., "A Study on Person Re-identification in Multi-view Surveillance Videos", Journal of Korean Institute of Next Generation Computing, 17(1), pp.16~24 (2021)
- Lee, S., "Smart Traffic Management System using Real-time Vehicle Detection based on Small Embedded System", Journal of Korean Institute of Next Generation Computing, 17(1), pp.25~38 (2021)
- Tak. J. S., "Noise-Augmented Object Detection : Improving Object Detection Accuracy in Noisy Image", Proc. of Spring Conf. on Korean Institute of Next Generation Computing, pp.141~144 (2023)
- Song, S., "Tracking revisited using RGBD camera : Unified benchmark and baselines", ICCV 2013, pp.233~240 (2013)
- Hannuna, S., "DS-KCF : a real-time tracker for RGB-D data", Journal of Real-Time Image Processing, 16, pp.1439~1458 (2019)
- Bibi, A., "3D partbased sparse tracker with automatic synchronization and registration", Proc. IEEE Conference of Computer Vision and Pattern Recognition, pp.1439~1448 (2016)
- Meshgi, K., "An occlusion-aware particle filter tracker to handle complex and persistent occlusions", Computer Vision and Image Understanding, 150, pp.81~94 (2016)
- Kang, K., "Invariant-feature based object tracking using discrete dynamic swarm optimization", ETRI Journal, 39, pp.151~162 (2017)
- Bae, C., "Swarm Based Robust Object Tracking Algorithm Using Adaptive Parameter Control", Journal of Korean Institute of Next Generation Computing, 13(5), pp.39~50 (2017)
- Awwad, S., "Local depth patterns for tracking in depth videos", Proc. 23rd ACM Int. Conf. of Multimedia, pp.1115~1118 (2015)
- Liu, G., "A new weight adjusted particle swarm optimization for real-time multiple object tracking", Int. Conf. Neural Inf. Process, pp.643~651 (2016), Springer
- Krizhevsky, A., "Imagenet classification with deep convolutional neural networks", Adv. Neural Inf. Process. Syst, pp.1097~1105 (2012)