GPU를 이용한 군집화 기반의 다중 카메라 환경에서의 객체 추적
Clustering method for feature matching to establish consistent tracking in multi-camera system using GPU
- 주제(키워드) 다중 카메라 , 객체 추적 , GPU , Clustering
- 발행기관 서강대학교 대학원
- 지도교수 김경환
- 발행년도 2009
- 학위수여년월 2009. 2
- 학위명 석사
- 실제URI http://www.dcollection.net/handler/sogang/000000044887
- 본문언어 한국어
초록/요약
본 논문에서는 다중 카메라 환경에서의 객체 특징을 이용한 객체 일치성 판단을 통하여, 동일 객체의 연속적인 추적 방법을 제안한다. 다중 카메라 시스템은 단일 카메라의 제한된 시야를 극복할 수 있다. 하지만 연속적인 객체 추적을 위한 카메라간의 객체 인계 과정에서의 객체 일치성 판단 문제를 해결해야 한다. 기존의 카메라들의 기하(geometry) 정보를 이용하는 방법은 비교적 카메라간의 객체 인계 과정이 빠르고 정확하다는 장점이 있지만, 적용할 수 있는 환경이 제약적이며, 시스템의 초기 설치와 확장이 어렵다. 따라서, 본 논문에서는 객체의 특징을 이용하여, 환경적 제약이 적고 시스템의 초기 설치와 확장이 용이한 카메라간 객체 인계 방법을 제시한다. 객체의 특징은 칼라 정보와 공간 정보로 이루어진 5차원 가우시안 혼합 모델(Gaussian Mixture Model)로 정의되며, 가우시안 혼합 모델의 파라미터(parameter)는 Gustafon-Kessel 군집화 알고리듬(clustering algorithm)을 통하여 추정된다. 그리고 카메라간 객체 인계를 위하여 Kullback-Leibler divergence를 통하여 객체와 모델간의 유사도를 측정한다. 제안하는 시스템을 구성하고 있는 알고리듬의 연산량이 많아 실시간 처리에 적합하지 않으므로, 이를 해결하기 위하여 병렬 처리 구조의 GPU(Graphic Processing Unit)를 이용한 구현 방법을 제안한다. 본 논문의 방법은 이웃하는 카메라간의 겹침이 없거나 최소의 영역으로 존재하는 환경에서도 동작하는 것을 확인하였다. 그리고 GPU를 통한 시스템 구현으로 처리 시간을 단축하고 시스템의 실시간 처리 가능성을 확인하였다.
more초록/요약
This thesis proposes a method to establish consistent tracking in multi-camera system, using object feature matching. Multi-camera system can overcome the problems of limited Field Of View which is frequently emerged in single-camera systems. However, correspondence problem is inevitably introduced in multi-camera system. Geometric approaches provide relatively fast and accurate hand-over operation, but under constrained environments. Also, difficulties in initialization and extension of system are shortcomings of geometric approaches. In this thesis, we propose a new feature-based hand-over scheme which is more free from the constraints, compared to those approaches. The proposed method is composed of modeling stage and matching stage. In the modeling stage, an object is modeled as a Gaussian Mixture Model(GMM) in 5 dimensional feature space. The feature space is consist of colorimetric and spacial informations and parameters of GMM are estimated by the Gustafon-Kessel clustering algorithm. In the matching stage, the Kullback-Leibler divergence is used for measuring similarities among objects and the models. In the implementation of the proposed hand-over scheme, GPU is introduced for reducing computation time by exploiting parallel architecture of GPUs. The proposed method is proven to be effective and efficient by experimental results.
more목차
제 1 장 서론 = 1
1.1 연구 목적 = 1
1.2 관련 연구 = 3
1.3 제안하는 시스템 = 4
1.4 논문의 구성 = 5
제 2 장 다중 카메라 연동을 위한 객체 전이 = 6
2.1 객체 전이 영역 = 7
2.2 객체 상태 및 객체 인계 규칙 = 10
제 3 장 특징 모델링과 정합 = 18
3.1 객체 특징 = 18
3.1.1 칼라 히스토그램 = 19
3.1.2 가우시안 혼합 모델 = 20
3.2 군집화 알고리듬 = 22
3.2.1 k-mean 군집화와 fuzzy c-mean 군집화 = 24
3.2.2 Gustafson-Kessel 군집화 = 25
3.3 Kullback-Leibler divergence를 이용한 모델 정합 = 27
3.4 GK 군집화 알고리듬의 초기화 과정 개선 = 28
3.4.1 계층적 처리 구조 = 29
3.4.2 연속하는 영상간의 유사성 이용 = 30
제 4 장 GPU를 이용한 구현 = 31
4.1 개요 = 31
4.2 nVIDIA 사 계열의 GPU 구조 및 특징 = 33
4.3 CUDA 프로그래밍 = 34
4.4 GPU의 하드웨어 점유율 = 37
4.5 GPU를 이용한 모델링 모듈과 모델 정합 모듈 구현 = 39
제 5 장 실험 결과 및 분석 = 45
5.1 시스템 환경 = 45
5.2 GK 군집화 알고리듬 실험 결과 = 45
5.3 Kullback-Leibler divergence를 이용한 유사도 측정 실험 결과 = 46
5.4 다중 카메라 시스템의 객체 인계 과정 실험 결과 = 49
5.5 CPU 상의 구현과 GPU 상의 구현의 처리 시간 비교 = 49
5.6 성능 비교 = 50
제 6 장 결론 및 추후 과제 = 55
참고문헌 = 57
