An object tracking method using scale-invariant feature shows good performance in tracking. It is efficiently applicable to the rotated or size-changed target, and also maintains good performances in an occluded and intensity-changed image. However, SIFT algorithm has high computational cost. In addition, for enough features for matching, target object should be sufficiently big.
In this thesis, a scale-invariant object tracking method using strong corner in scale-domain is proposed. While reducing computational cost of SIFT tracker, the proposed method can track an object of smaller size than SIFT tracker by extracting relatively lots of features. The proposed method extracts extremum point in each scale-domain, thereby increasing the feature number. With matching features, the method finds relations between adjacent frames, and updates previous frame.
In the experimental results, the proposed algorithm shows better performances than the existing SIFT tracker while reduces its computational complexity, and makes object also to be tracked in a small size.
최근 고성능 추적 알고리즘으로 크기 변환에 강인한 특징점을 이용한 물체 추적 방법이 연구되고 있다. 크기 변환에 강인한 특징점을 이용한 물체 추적 방법의 경우 회전이나 크기 변환이 있는 물체를 추적할 수 있고, 영상에 방해물이 있을 때나 인텐시티의 변화가 생기는 영상에서도 추적을 잃지 않는다.
이 논문에서는 스케일 축에서 강한 코너점을 이용하여 크기 변환에 강인한 물체 추적 방법을 제안하였다. 제안된 방법은 기존의 크기 변환에 강인한 추적 방법의 연산량을 줄이면서 물체의 크기가 작을 때도 상대적으로 많은 특징점을 추출하여 추적이 가능하게 하였다. 단지 크기 축에서의 극점을 특징점으로 정함으로써 기존의 방법보다 특징점의 수가 3배 이상 늘었다. 특징점을 추출한 후 그 중 강한 코너점을 다시 선정하여 다음 프레임의 크기 변환에 강인한 특징점 들과 매칭을 하였다. 마지막으로 두 프레임간의 특징점을 매칭시킨 후 그 관계 매트릭스를 구하여 이전 프레임의 템플릿을 업데이트하는 방식으로 제안된 방법은 물체를 추적하게 된다.
제안된 방법이 기존의 크기 변환에 강인한 추적 방식보다 연산량을 줄이고 추적이 가능한 물체의 크기에 대한 제한이 줄어드는 등의 더 좋은 성능을 나타내는 것을 실험 결과를 통해 확인할 수 있었다.
