전경 정보에 의해 개선된 배경 모델을 이용한 이동 카메라 환경에서의 동적 물체 검출

Abstract

동적 물체 검출 연구는 대부분 움직이지 않는 카메라에서 진행을 하고 있다. 동적 물체를 검출하기 위해 배경모델을 만들고 배경모델과 입력영상의 차가 큰 픽셀들을 동적 물체의 픽셀로 레이블링한다. 움직이는 카메라에서는 배경모델이 카메라 움직임을 고려하기 위해 카메라 움직임 보상을 한다. 하지만 카메라 움직임을 정확히 보상하지 못하기 때문에 배경모델에 문제가 생긴다. 배경모델이 잘못된 위치로 카메라 움직임 보상되면 false alarm이 생기고 배경모델은 잘못된 배경이나 전경을 배워 부정확해진다. 부정확한 배경모델은 동적 물체를 부분적으로 검출해 incomplete detection이 생긴다. False alarm과 incomplete detection을 줄이기 위해 배경모델을 개선하다. 전경이 있지 않을 위치의 배경모델은 동적 물체 검출을 자제하도록 개선되고 전경이 있을 위치의 배경모델은 동적 물체 검출을 유발하도록 개선된다. 전경 정보는 차영상, 배경제거, 광학적 흐름으로부터 추출한다. 또, false alarm과 incomplete detection을 줄이기 위해 입력영상과 개선된 배경모델의 차로부터 동적 물체 검출 때 쓰이는 threshold를 정밀화한다. 개선된 배경모델과 정밀화된 threshold기반 움직이는 카메라에서의 동적 물체 검출 알고리즘을 ICIP+ dataset와 LASIESTA dataset에 성능평가를 했을 때 다른 알고리즘보다 좋은 성능를 보였다.

For moving object detection under a freely moving camera, existing background subtraction methods show limited detection performance due to the inaccurate camera motion compensation of the background model. To overcome poor background model problem, we propose background model improvement and iterative threshold refinement, which reduces the effect of inaccurate camera motion compensation on the background model in the moving object detection (MOD) method. Background model improvement instantly corrects the background model affected by inaccurate motion compensation using the foreground clues derived from frame differencing, background subtraction, and optical flow. Iterative threshold refinement tunes the foreground detection threshold iteratively to avoid false detections from the background model affected by inaccurate motion compensation while capturing the moving object completely as much as possible. Experimental results show that the proposed MOD method outperformed the state-of-the-art methods in terms of f-score by 7%~43% and 12%~23% on the ICIP+ and LASIESTA dataset, respectively, and it is working in real-time by 134 frames/second.