In recent years, computer vision research has witnessed a growing interest in subset analysis techniques. In particular, eigenvector decomposition has been shown to be a highly effective tool for problems which has high-dimensional signal formats (e.g., an image array) but, nevertheless, represent visual phenomena which are intrinsically low-dimensional. Subspace analysis is heavily used in appearance-based modelling and recognition where the principal modes or the characteristic degrees-of-freedom are extracted and used for description, detection, and recognition.
The complex nonlinear appearance manifold expressed as a collection of subsets, and the connectivity among them. The connectivity encodes the transition probability between images in each manifold and is learned from a training video sequences.
When we track and recognize the object, a single frame image is used for that tasks. In this case based on PCA, the undesired classification/recognition results often occur.
In this thesis, Condensation PCA (CPCA) presentation is introduced, which can be used for spatio-temporal alignment in tracking and recognition tasks.
물체 추적과 인식문제는 로봇의 인지능력에 있어서 기본이 된다. 하지만, 처리해야하는 이미지가 차원이 높은 정보이므로 이를 처리함에 있어서 많은 시간과 노력이 요구되게 된다. 따라서, 이미지로부터 주요한 성분을 추출하여 이 정보를 물체인식 및 추적기법에 사용하게 된다면 이 수고를 크게 줄일 수 있게 된다.
주요 요소 분석법(PCA)은 이미지의 차원을 사용자의 요구에 따라 조절이 가능한 기법으로서 추출된 특징점이 서로 직교특성을 가지게 되므로, 외부 노이즈에 강인한 특징점을 추출할 수 있는 장점을 가지게 된다. 이와 더불어 원 이미지는 이들 특징점들간의 산술연산으로 쉽게 복원이 가능하게 되므로, 특징점 추출이나 복원에 있어 구현된 시스템이 받게 되는 부하를 줄일 수 있게 되며, 이는 곧 실시간 연산을 가능하게 한다. 하지만, 본 기법은 각 이미지 프레임에서 연산의 결과가 나오도록 설계된 기법으로 물체의 추저고가 같이 시간적 정보를 얻을 수 있는 문제에 있어서 특징점의 시간적 변화정보를 이용하게 된다면 그 성능을 보다 높일 수 있게 될 수 있다.
따라서, 본 연구에서는 주요 요소 분석법이 가지고 있는 장점을 최대한 살리며 물체가 가지고 있는 특징점의 시간적 변화를 이용하여 물체의 추적 및 인식이 동시에 이루어질 수 있는 구조를 제안하였다.
제안된 방법의 특징은 학습 데이터로부터 추적해야 할 물체에 대한 데이터베이스를 마련하고, 이를 바탕으로 현재 물체가 가지게 되는 상태정보를 정의하게 된다. 이 상태정보는 매 인식주기마다 특징점이 변화해 온 동역학에 의해 예상되는 예측점을 생성하게 되며, 이들의 적합도를 본 논문에서 제안하는 수식에 의해서 계산하게 된다. 결과적으로 항상 사용자가 허용하는 변화범위 내에서 가장 적합한 특징점 값을 인식결과로 추정할 수 있도록 한다.
전체 알고리즘의 데이터베이스, 인식물체 변화 확률 등의 주요 정보글 관리하는 전문가 시스템을 추가함으로써, 훈련데이터로부터 알지 못했던 클래스를 추가하거나, 최근의 변화정보를 추가함으로써 필요없게된 클래스를 삭제하는 역할을 하게 된다.
본 연구는 인식해야할 물체의 변화가능 형태를 알 수 있는 경우, 이들간의 상호 연관관계를 변화확률로서 제시 또는 훈련데이터로부터 학습하고 물체의 추적 및 인식 문제를 해결하게 된다. 이러한 환경은 우리 주변에서 쉽게 접할 수 있게 되며, 본 연구에서 몇 가지 예제로서 해결할 수 있는 문제를 제시 및 해결하였다.
