• Proceedings of the Korea Institute of Convergence Signal Processing
• /
• 2001.06a
• /
• pp.161-164
• /
• 2001

본 논문에서는 배경과 색 정보를 이용하여 얼굴을 추출하는 알고리즘을 제안한다. 영상에서의 얼굴 추출에 관한 방법에는 칼라 영상을 가정한 방법, 농담 영상을 가정한 방법, 얼굴의 회전에 덜 민감한 방법, 복잡한 배경에서의 얼굴 추출 방법 등이 연구되어 있다. 본 논문에서는 배경생성을 통해 물체를 구분하고 칼라 정보(HSI 칼라 모델)를 이용하여 얼굴을 추출한다. 배경생성은 각 픽셀 위치에서의 밝기 값을 장시간 평균하거나 혹은 장시간 누적된 밝기 값들 중 최빈 값을 사용하는데 이 방법은 영상 내 물체의 이동이 정체가 별로 없이 원활한 곳에서는 질 좋은 배경을 생성 할 수 있다. 하지 만 배경의 밝기 값을 누적하는 과정에서 물체의 정지상황이 장시간 반영될 경우 배경 영상의 질이 낮아지는 난점이 있다. 따라서, 배경생성 과정에 하이레벨 정보인 물체의 탐지 결과를 이용하여 움직임이 없는 부분에 대해서만 배경생성에 반영함으로써 좀 더 나은 배경을 생성할 수 있다. 이렇게 생성된 배경을 이용해서 입력 영상과의 배경차이를 하게되면 영상 내에서 배경이 아닌 모든 물체를 추출할 수 있다. 물체를 추출 한 후 얼굴 색깔과 유사한 칼라 영역을 분리하고 추출된 물체의 윗 부분에 얼갈이 위치한다는 가정 하에 일괄을 추출한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2005.07b
• /
• pp.787-789
• /
• 2005

본 논문에서는 로봇이나 감시 시스템에서 주로 쓰이고 있는 배경 모델링의 정확성을 지속 시키는 방법을 제안한다. 오브젝트를 추출하려면 정확한 배경 모델이 필요하다. 정확한 배경 모델을 유지하기 위해서는 전경의 정보가 배경 모델에 반영되면 안 된다. 본 논문에서는 오브젝트의 움직임을 기반으로 한 배경 무효화 기법을 사용하여 전경이 배경 모델에 영향을 주는 것을 방지함으로써 정확한 배경 모델을 유지하는 방법을 제안한다.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.17 no.10
• /
• pp.2419-2424
• /
• 2013

In a conventional MOG algorithm, a small threshold for background decision causes the background recognition delay in a periodic background and a large threshold makes it recognize passing objects as background in a stationary background. This paper proposes the improved MOG algorithm using adaptive threshold. The proposed algorithm estimates changes of weight in the dominant model of the MOG algorithm both in the short and long terms, classifies backgrounds into the stationary and periodic ones, and assigns proper thresholds to them. The simulation results show that the proposed algorithm decreases the maximum number of frame in background recognition delay from 137 to 4 in the periodic background keeping the equal performance with the conventional algorithm in the stationary background.

• Proceedings of the Korea Institute of Convergence Signal Processing
• /
• 2001.06a
• /
• pp.157-160
• /
• 2001

영상검지기에서 차량 탐지를 위해 사용하는 방법은 배경차이(Background Differencing), 장면차이(Frame Differencing), 공간차이(Spatial Differencing), 밝기값 비교(Gray-Level Comparison) 등이 있다. 이 방법들중에서 배경차이 방법은 기준이 되는 배경영상과 입력영상의 차를 구해 차량을 탐지하는데 대부분의 영상검지기에서 채택 되어 사용되는 방법이다. 배경차이 방법에서 가장 중요한 것은 매번 기준이 되는 배경영상을 정확하게 구하는 것 인데, 영상내 차량의 흐름이 원활하다면 어느 배경생성 방법을 사용해도 좋은 결과를 얻을 수 있지만 차량의 정체 가 심하거나 장기간 지속되면 좋은 배경을 생성하기가 어렵다 특히 교차로의 경우 진행중인 차량 및 신호 대기중 인 차량이 통시에 존재하므로 배경생성에 더욱 어려움을 겪게된다. 이상에서 제시된 세 가지 배경생성 방법을 고속도로와 교차로에서 적용시켜 각 배경영상 생성 방법을 비교 분석한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.04b
• /
• pp.505-507
• /
• 2004

시트콤 동염상은 고정된 배경을 갖는 중 아웃에 연이어 오는 줌 인으로 구성되어 있고, 또한 활영되는 배경의 수는 한정되어 있는 특성이 때문에, 이러한 배경의 시각적 특성을 사용하여 배경들을 학습시키고 자동으로 분리시킬 수 있다. 본 논문에서는 신경망의 일종인 LVQ[1]를 사용하여 이러한 증류의 비디오 동영상에 대한 자동 배경 분류 방법을 제안한다. 우선, MPEG-7 시각 기술자를 이용하여 신(scene) 배경의 시각적인 특성을 추출하고 이러한 시각적 특성을 미리 제작자에 의해서 주어진 배경 점보로서 LVQ를 학습시킨다. 학습이 진행되면서 특정 배경의 시각적 특성은 LVQ의 가중치로서 표현되며, 다른 배경을 자동으로 분류하는데 사용된다 제안된 LVQ기반의 분류 방법을 사용한 두 종류의 시트콤 동영상에 대한 실험 결과는 분류에 대한 어떠한 하드코딩 없이 80-90%의 정확도로 시트콤 동영상의 배경을 자동으로 분류한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2020.05a
• /
• pp.530-531
• /
• 2020

최근 인공지능을 활용하여 예술 작품에 몰입할 수 있도록 무대 효과를 디자인하는 연구가 진행되고 있다. 무대 효과 중에서 무대 배경은 공연의 분위기를 형성한다. 춤의 장르별로 무대 배경에 사용되는 이미지를 생성하기 위해 소셜 미디어 기반 무대 배경 생성 시스템이 있다. 하지만 같은 장르 춤은 동일한 무대 배경 이미지가 제공되는 문제가 있다. 같은 장르의 춤이지만 노래의 분위기를 반영하여 차별된 무대 배경 이미지를 제공하는 것이 필요하다. 본 논문은 노래 가사의 감정을 활용하여 Generative Adversarial Network(GAN)을 통해 각 노래의 분위기를 고려한 무대 배경 이미지를 생성하는 방법을 제안한다. GAN은 노래에 포함된 단락별 감정 단어를 추출하여 스타일을 생성하도록 학습된다. 학습된 GAN은 노래 가사에 포함된 감정 단어를 활용하여 곡의 분위기를 반영한 무대 배경 이미지를 생성한다. 노래 가사를 고려하여 무대 배경 이미지를 생성함으로써 곡의 분위기가 고려된 무대 배경 이미지 생성이 가능하다.

• Journal of Korea Game Society
• /
• v.4 no.3
• /
• pp.77-84
• /
• 2004

Game environment, game map and background graphic design is very important elements and factors that support fun, look & feel, immersion and player's acting fields. In this paper we defined elements of game background environment. And then make an investigation and refer to sundry records and books, we described elements of periodic environments, historic environments, natural environments, artificial environments, cultural environments, virtual environments, weather environments. Especially, the study suggests the model of game environment desgin to apply game map and game background graphic design.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2014.11a
• /
• pp.160-163
• /
• 2014

본 논문에서는 프레임 내 전체 배경 모델을 도입하여 기존 배경 분리 알고리즘에서의 오검출을 줄여 정확도를 개선하고자 한다. 기존의 알고리즘은 프레임 간의 정보만을 이용하여 배경 확률 모델을 만들고 배경을 제외한 전경만을 검출한다. 제안하는 알고리즘에서는 먼저 기존의 알고리즘을 통해 프레임 간의 정보를 이용하여 간단하게 배경과 전경을 분리한다. 그 후 프레임 내 정보를 통해 전체 배경 모델을 만들고, 앞의 결과에서 한번 더 배경을 제외함으로써 검출 정확도를 개선하고자 한다. 실험결과에서 Change Detection Workshop dataset에 대해 실험을 한 후 결과 영상 비교 및 F-measure 를 통해 개선된 결과를 확인할 수 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2002.11a
• /
• pp.715-718
• /
• 2002

실시간 동영상에서 객체의 추적은 배경영상에서 움직이는 객체를 추출하고 추출된 객체의 이동을 추적하는 것으로 컴퓨터 비전 및 여러 실용적 응용 분야에서 관심을 가지는 주제중 하나이다. 본 논문에서는 실시간 객체의 추적에서 배경영상과 입력영상의 차영상을 이용하는 방법의 전 처리로 시간의 흐름에 따라 변화되는 배경영상의 잡음을 최소화하기 위하여 입력영상의 일부분을 배경영상으로 대체함으로 최신의 배경영상을 유지 할 수 있는 방법을 제안하고자 한다. 실시간 동영상의 객체추적은 배경영상과 입력영상의 차를 이용하는데 최초의 배경영상은 시간의 흐름에 의해 빛의 양이나 주위환경에 의해 많은 변화를 가져오게 된다. 또한 실시간으로 처리해야 하는 시간성으로 인해 최신의 배경영상을 획득하는데 많은 처리시간을 할애할 수 없다. 따라서 전체 영상의 일부분을 대상으로 점진적으로 누적영상을 배경영상에 적용함으로 실시간 환경에서의 배경영상의 변화에 의한 잡음을 최소화 하도록 하였다.

• Smart Media Journal
• /
• v.4 no.3
• /
• pp.50-55
• /
• 2015

In this paper, we present background modeling method based on Gaussian mixture model to subtract background for night-time video surveillance. In night-time video, it is hard work to distinguish the object from the background because a background pixel is similar to a object pixel. To solve this problem, we change the pixel of input frame to more advantageous value to make the Gaussian mixture model using scaled histogram stretching in preprocessing step. Using scaled pixel value of input frame, we then exploit GMM to find the ideal background pixelwisely. In case that the pixel of next frame is not included in any Gaussian, the matching test in old GMM method ignores the information of stored background by eliminating the Gaussian distribution with low weight. Therefore we consider the stacked data by applying the difference between the old mean and new pixel intensity to new mean instead of removing the Gaussian with low weight. Some experiments demonstrate that the proposed background modeling method shows the superiority of our algorithm effectively.