양고네 연구노트

"파티클 필터의 업데이트는 검증과정에서 결정된 각 파티클의 우도(likelihood) 중 높은 우도를 가진 파티클 위주로 리샘플링되는 과정을 말한다. n개의 파티클이 있을 때 가장 높은 우도를 갖는 파티클을 위주로 0.5n개의 파티클이 리샘플링 되거나 우도가 T 값을 넘는 파티클들을 위주로 리샘플링하는 방법이 있다. 이를 통해 파티클 필터는 객체를 추적할 때 높은 확률을 갖는 파티클을 위주로 다시 예측하여 더 강건한 추적결과를 낳는다."

 

HCI 답지 않게(?) 충실한 내용;
10,000 파티클, particles ≒ 개체 in GA?

1 Introduciton
2 Object representation
3 Feature selection for tracking
 - Color
  . RGB dimensions are highly correlated.
  . Luv and Lab are perceptually uniform color spaeces, while HSV is an approximately uniform color space. However, these color spaces are sensitive to noise.
 - Edges, Optical flow, Texture
4 Object detection
 4.1 Point detectors
  - SIFT and KLT
 4.2 Background subtraction
 4.3 Segmentation
  4.3.1 Mean-shift clustering
   - find clusters in joint spatial+color space [l,u,v,x,y]
  4.3.2 Graph-cuts
  4.3.3 Active contours
 4.4 Supervised learning
5 Object tracking
 5.1 Point tracking
  5.1.1 Deterministic methods for correspondence
  5.1.2 Statistical methods for correspondence
   5.1.2.1 Single object state estimation
    - Kalmal filters
    - Particle filters
   5.1.2.2 Multiobject data association and state estimation
    - Joint probability data association filter
    - Multiple hypothesis tracking
 5.2 Kernel tracking
 5.3 Silhouette tracking
6 Related issues
7 Future directions
8 Concluding remarks

 

양이 매우 많은데 (40페이지) 일단 맛보기로 훑어봄.
particle filters, MHT, mean-shift, graph-cut에 대한 맛을 봄 (맛없음).

non-rigid object tracking.
K-means tracking이라고 주장하고 있으나 random seeds를 쓰는 건 아니고 target object의 target points를 몇 개 지정해줌. 그리고 tracking ellipse의 외곽선을 샘플링하여 background points로 간주함.
타원 안의 점들은 target points와 background points까지의 (Eucledian) 거리를 5-D feature space에서 비교하여 target 또는 background 소속을 결정함.
search 영역은 target points의 95%가 포함된 타원을 1.25배 확대하는 식으로 정하는 듯.

 

5D feature space를 겨우 찾았는데, 실망. 그야말로 pixel-wise.
초기화에 대한 언급 전혀 없음. 아마 manual이겠지.
결과 video를 보면 타원의 방향(장축, 단축?)이 정해지는데... search 영역 설명 부분에 언급이 없다.
→ Gaussian pdf에서 x-y 평면에 존재하는 여러 points에 의한 covariance이므로 방향(?)이 생기게 됨.

제목 그대로 histogram-based search에 대한 comparative study를 기대했으나, 실은 속도와 메모리 사용량을 개선한 논문. Hebert 등이 2007년 TIP에 발표한 "Median filtering in constant time"의 기법을 그대로 histogram search에 적용함. 이런 건 먼저 줏어먹는 놈이 임자? 97년도 SSD 계산의 redundancy를 줄이면 어떨까 하고 생각했던 그 기법인 것 같다.

 

최근 역시 CVPR은 다른 학회와는 다르구나... 하는 느낌이었는데, 이 논문은 그저 그렇다..
어쨌거나 다른 서베이 논문을 또 찾아야 하겠군.

for a camera undergoing a motion about a plane-normal rotation axis --> linear solution.

 

(다시 한 번) 역시 CVPR인가? 귀감.