Mean Shift 상세
Hill Climb 탐색 방법
. Mean Shift
. gradient descent search
. blind search
. greedy search
1. 정의
사용자가 설정한 ROI 데이터(특징점,코너,색상) 밀도 분포의 peak 또는 무게중심을 찾아 간다.
단계
- 현재 위치에서 반경 r 이내에 들어오는 데이터들을 구한다: (x1,y1), (x2,y2), ..., (xn,yn)
- 이들의 무게중심의 좌표 (∑xi/n, ∑yi/n)로 현재 위치를 이동시킨다.
- 1~2 과정을 위치변화가 거의 없을 때까지, 즉 수렴할 때까지 반복한다.
기본 아이디어 (eg. 색상 히스토그램 이용시 :ROI중심으로 일정 거리 내에서(탐색 윈도우) 가장 비슷한 히스토그램을 쫒아다니는 방식으로 물체를 추적한다.)
추적하고자 하는 대상 물체에 대한 색상 히스토그램(histogram)과 현재 입력 영상의 히스토그램을 비교해서 가장 유사한 히스토그램을 갖는 윈도우 영역을 찾는 것이다.
- 단점 : 모든 가능한 윈도우 위치에 대해 각각 히스토그램을 구하고 또 비교해야 하기 때문에 시간이 너무 오래 걸린다.
개선 방안
histogram backprojection 기법과 mean shift를 결합한 방법
- 먼저, 영상에서 추적할 대상 영역이 정해지면 해당 윈도우 영역에 대해 히스토그램을 구하여 객체 모델로 저장한다.
- 이후 입력 영상이 들어오면 histogram backprojection을 이용해서 입력 영상의 픽셀값들을 확률값으로 변경시킨다.
- 이렇게 구한 확률값 분포에 대해 mean shift를 적용하여 물체의 위치를 찾는다.
- 만일 물체의 크기 변화까지 따라가고 싶은 경우에는 찾아진 위치에서 윈도우의 크기를 조절해 가면서 저장된 모델과 가장 히스토그램 유사도가 큰 스케일(scale)을 선택한다.
3. 절차
4. 문제점
- 탐색윈도우가 작을 때는 Local minimum 에 빠져서 더 이상 추적이 불가능하다.
- 영상속의 물체가 커지거나 작아져도 ROI 크기가 일정하다.
- 색상히스토그램을 사용하는 경우 조도변화나 잡음이 많은 환경에서는 성능이 좋지 않다.
