Motion detection according to the movement and the change area detection method according to the background difference and the motion history image for use in a motion estimation technique using a real-time image, the motion detection method according to the optical flow, the back-projection of the histogram of the object to track for motion tracking At the heart of MeanShift center point of the object and the object to track, while used, the size, and the like due to the motion tracking algorithm CamShift, Kalman filter to track with direction. In this paper, we implemented the motion detection algorithm based on color and shape information of the object and verify.
객체 추적은 연속한 영상들로부터 관심 객체의 위치와 크기 등을 알아내는 것으로서 추적대상을 사람으로 한 응용 분야는 감시시스템, HCI(Human Computer Interaction), 가상 현실 등이 있다. 특히 최근에는 신분확인, 표정인식, 행동인식 등의 인식분야에 대한 연구가 많아지면서 인식을 적용할 영역의 분할(segmentation)의 목적으로 추적 알고리즘이 필수적으로 요구된다.
기존의 객체 추적 알고리즘들은 움직임정보를 이용한 방법, 모양(shape) 정보를 이용한 방법, 칼라 정보를 이용한 방법을 많이 사용된다.
움직임 정보를 이용한 방법은 이동 물체의 색깔이나 모양에 관계없이 검출할 수 있는 장점이 있지만 영상에는 움직임 벡터의 모호성이 존재하고 팬-틸트 회전 및 배율제어가 빈번히 발생하는 경우에는 정확한 이동체의 움직임 영역을 검출하기 어렵다.
칼라 히스토그램과 모양 정보를 같이 사용하면 두 방법이 가지는 단점을 보안하여 더욱 강인한 추적 결과를 제공할 수 있으며 대표적으로 Birchfield가 제안 한 방법[1]과 Comaniciu가 제안한 방법[2,3]가 있다.
Birchfield가 제안한 방법[1]은 정해진 검색 영역에서 타원의 크기와 위치를 바꿔가면서 타원 내부의 컬러 히스토그램이 모델 히스토그램과 유사한 정도와 타원 경계에 존재하는 경사도 벡터(gradient vector)가 타원의 모양을 이루는 정도를 측정하여 가장 타당한 후보를 선택하는 전역 탐색 방법(full search)을 사용한다. 두 가지 정보를 동시에 고려하기 때문에 보다 정확한 검출 결과를 제공하지만 전역검색(full search)방법을 사용하여 많은 계산량이 요구된다는 단점이 있다.
Comaniciu가 제안한 방법[3]은 칼라 히스토그램의 유사성을 측정하기 위해 Bhattacharyya 계수[4]를 사용하고 mean shift[5] 라는 최적화 방법을 도입함으로써 몇 번의 반복(iteration)만으로 추적 대상의 중심 위치로 수렴하여 매우 빠른 추적 속도를 제공한다. 하지만 추적 대상의 칼라 히스토그램이 변할 경우 정확한 추적 대상의 위치와 크기를 찾아내지 못 한다는 단점이 있다.
색이나 모양 특징값 등을 이용해 이동 물체를 모델링하고 이 모델을 이용하여 가장 적합한 영역을 이동 물체의 영역으로 결정한다. 이 방법은 비교적 간단하지만 정확한 초기 이동물체 분할이 어렵고 시간에 따라 이동물체의 색이나 모양이 변화하는 경우 추적에 실패하기 쉬울 뿐 아니라 한번 잘못 예측된 모델이 다음 추적 오류의 원인이 되는 오류 전파의 문제를 발생시킨다.
본 논문에서는 특정 색을 지정한 뒤 화면에서 그 색의 원만 검출한다. 알고리즘 구현을 위해 intel사의 OpenCV를 사용하였으며, 순서는 다음과 같다.
1. 특정 포인트의 색을 지정
2. 원영상의 Smoothing
3. 색 공간 변환 RGB → HSV
4. 지정한 포인트의 H,S,V 값 추출
5. 검출할 H,S,V 값의 범위지정
6. HSV 이미지마스킹
7. 모폴로지
8. 이미지에서 원검출
cvSetMouseCallback("PreviewImage",on_eventhandle,(void*)img); 를 사용하였는데 img 영상에서 마우스 이벤트가 발생하면 on_eventhandle 라는 함수를 호출하도록 Setting하였다.
작성한 on_eventhandle은 다음과 같다.
색공간을 기존의 RGB (Red, Green, Blue) color space에서 HSV(Hue, Saturation, Value - Brightness) 로 바꾼다. OpenCV 에서는 cvCvtColor(src, dest, CV_BGR2HSV); 로 간단하게 바꿀수 있다.[6]
cvGet2D()함수를이용하여 cvScalar로저장하는방법을사용 cvGet2D()는아래와같이설명하고 있다.
같은 H,S,V 값만가지는픽셀을선택하면 원의 색상자체가 완전히 일정하지 않으므로 일정범위를 줄 필요가 있다. H,S,V 값의 범위는 H = 0~179, S = 0~255, V =0~255로 정하였다.
지정한범위의 색외에 나머지는 모두 마스킹시켜 원을 검출하기 용이하도록 한다. 마스킹은 IplImage 가 아닌 Mat를 이용한다.
cvCreateMat(int rows, int cols, int type);
cvInRange(const CvArr* src, const CvArr* lower, const CvArr* upper, CvArr* dst)
이와 같이 mask Mat를 만들고 cvInRanges 하면 원래 image에 정하진 범위안의 H,S,V 값 만을 남기는 Masking 이 완료된다.
Masking한 이미지는 도형내부의 그림자나 외부와의 간섭으로 인한 불필요한 것들을 보정해줄 필요가 있다. 사용한 cvErode()와 cvDilate()외에 OpenCV에서는 그 외에 다른 모폴로지함수(cvMorphologyEx와같은)를 많이 제공한다.
cvHoughCircles를 이용하여 원을 검출하였다.
여기서 dp 1이면 입력해상도와 동일한해상도, 2면인데, 1을 사용하였다. minDist는 검출된 원의 중심 사이의 거리를 설정하는 것인데, 너무 좁으면 가까운영역에서 많은원들이 검출될수있기 때문에 적당히 조절할 필요가 있다. minRadius는 검출할 원의 최소반지름, maxRadius는 검출할 원의최 대반지름 이다. 이 값들의의 범위를좁히면 cvHoughCircles()의 수행속도가 빨라진다. 그러므로 필요에 맞게 범위조절하면 더 빠른 결과를 얻을 수 있다.
본 논문에서는 실시간 영상에서 움직임 검출에 관련한 기본 기술들을 이용하여 특정색상과 모양을 검출하는 알고리즘을 구현하였다. 구현된 알고리즘의 구현 순서는 특정 포인트의 색을 지정 하고 원영상을 Smoothing한 후 색 공간을 RGB에서 HSV로 변환하여 인식율을 높이는 작업을 진행한다. 이후 지정한 포인트의 H,S,V 값 추출하고, 검출할 H,S,V 값의 범위지정 하여 검출 범위를 높인 후에 HSV 이미지마스킹을 통해서 정확도를 높이는 방법으로 이미지에서 원검출 하였다.
시험 결과 색이나 모양 특징값 등을 이용해 이동 물체를 모델링하고 이 모델을 이용하여 가장 적합한 영역을 이동 물체의 영역으로 결정하는 방식은 비교적 간단하지만 정확한 초기 이동물체 분할이 어렵고 시간에 따라 이동 물체의 색이나 모양이 변화하는 경우 추적에 실패하기 쉬울 뿐 아니라 한번 잘못 예측된 모델이 다음 추적 오류의 원인이 되는 오류 전파의 문제를 발생 시킬 수 있다는 것을 확인 하였다.
