Earticle

본 논문에서는 기존 파티클 스웜 최적화를 기반으로 추적 대상 객체의 이동 궤적을 이용하는 객체 추적기에서 시간 정보 활용의 문제점을 개선한 강인한 객체 추적 알고리즘을 제안한다. 제안하는 알고리즘은 추적 대상 객체와 유사 한 특징을 가지는 변위들의 집합에 대한 위치들의 온라인 업데이트와 추적을 가능하게 한다. 객체들의 중첩을 검출 하고 추적 대상의 위치를 결정하기 위해 궤적 정보와 변위들의 집합을 기반으로 적응적 파라미터를 사용하는 규칙 기반 접근을 사용한다. 기존 알고리즘들과 비교해보면 제안하는 접근법은 가용한 정보를 복합적으로 사용함으로써 각종 임계값에 대한 적응적 조정을 가능하게 한다. 또한, 파티클 스웜 최적화에서 발산에 의한 손실과 불완전한 수 렴의 문제를 해결하기 위해 효율적인 가중치 조절 함수를 제안하고 있다. 제안하는 가중치 조절 함수는 파티클들이 최적의 해에 수렴하기 이전에 전체 프레임 영역에서 탐색할 수 있도록 한다. 유사한 특징 조합을 가지는 다중 객체 가 존재하는 환경에서 제안 알고리즘을 테스트한 결과, 기존 스웜 최적화 기반의 객체 추적기들에 비해 기존 유사 변위들에 대한 잘못된 추적을 현저히 줄이는 것을 확인할 수 있었다.

This paper proposes an enhanced object tracking algorithm to compensate the lack of temporal information in existing particle swarm optimization based object trackers using the trajectory of the target object. The proposed scheme also enables the tracking and documentation of the location of an online updated set of distractions. Based on the trajectories information and the distraction set, a rule based approach with adaptive parameters is utilized for occlusion detection and determination of the target position. Compare to existing algorithms, the proposed approach provides more comprehensive use of available information and does not require manual adjustment of threshold values. Moreover, an effective weight adjustment function is proposed to alleviate the diversity loss and pre-mature convergence problem in particle swarm optimization. The proposed weight function ensures particles to search thoroughly in the frame before convergence to an optimum solution. In the existence of multiple objects with similar feature composition, this algorithm is tested to significantly reduce convergence to nearby distractions compared to the other existing swarm intelligence based object trackers.

이동 객체에 대한 추적 기술은 최근 중요성이 강조되고 있는 동영상 이해에서 가장 핵심적인 기술의 하나라 할 수있다. 하지만, 동영상이 가지는 조명의 불안정, 객체의 크기나 형태 변화, 카메라 움직임, 그리고 중첩 등으로 인해동영상 내의 이동 객체 추적은 많은 어려움을 가지고 있다. 객체 추적의 가장 대표적인 종래의 방법인 칼만 필터와파티클 필터의 문제점을 개선하는 방법으로 스웜 기반의 방법이 제안되어 있으나 동적으로 변화하는 이동 객체의 특징을 반영하는 개선된 알고리즘이 요구된다. 본 논문에서는 이러한 특징을 반영하여 파티클 스웜 최적화 방법에서사용되는 파라미터 중 가중치 값을 동적으로 변화하는 적응적 파라미터 제어 방법을 제안한다. 각 파티클을 특성에따라 3가지 종류로 구분하고 각각 서로 다른 가중치 값을 부여하는 방식으로 객체 추적의 성능을 개선할 수 있다. 제안된 알고리즘의 적용 결과 중첩 또는 예측하기 어려운 움직임 등과 같은 객체의 비선형적인 움직임이 있는 동영상에 대해 기존 파티클 스웜 방식에 비해 현저한 성능 개선을 보이는 것을 확인할 수 있었다.

Moving object tracking techniques can be considered as one of the most essential technique in the video understanding of which the importance is much more emphasized recently. However, irregularity of light condition in the video, variations in shape and size of object, camera motion, and occlusion make it difficult to tracking moving object in the video. Swarm based methods are developed to improve the performance of Kalman filter and particle filter which are known as the most representative conventional methods, but these methods also need to consider dynamic property of moving object. This paper proposes adaptive parameter control method which can dynamically change weight value among parameters in particle swarm optimization. The proposed method classifies each particle to 3 groups, and assigns different weight values to improve object tracking performance. Experimental results show that our scheme shows considerable improvement of performance in tracking objects which have nonlinear movements such as occlusion or unexpected movement.

본 논문에서는 별도의 고사양 카메라 또는 센서를 사용하지 않고, 단일 RGB 카메라와 경량화된 자세추 정 모델만으로 3차원 다중 객체 추정 방법에 대하여 제안하였다. 이를 위하여 자세추정 모델로부터 추정한 2D 관 절 키포인트 좌표값으로 검출 박스를 추정하였으며, 검출 박스의 jitter 오류를 보완하고자 OneEuroFilter를 사용 하였다. 검출된 박스의 중심점을 사용하여 객체의 좌우 이동을 추적하였으며, 박스의 크기와 높이 그리고 비율을 사용한 깊이 추정을 통하여 객체 추적 알고리즘을 개발하였다. 또한, 다중 객체 추적을 위하여 객체가 검출된 프 레임을 ID 값으로 하여 전후 프레임간 검출된 관절 키포인트의 유사도를 검사하여 ID 매칭을 수행하였다.

This paper proposed a 3D MOT method with only a single RGB camera and a lightweight pose estimation model without using a separate high-end camera or sensor. To this end, the detection box was estimated from the 2D joint keypoint coordinate estimated from the pose estimation model and OneEuroFilter was used to compensate for the jitter error in the detection box. The center point of the detected box was used to track the left and right movement of the object, and an object tracking algorithm was developed through depth estimation using the size, height, and ratio of the box. In addition, for multiple object tracking, ID matching was performed by examining the similarity of joint key points detected between current and previous frames using the frame in which the object was detected as an ID value.

본 논문에서는 실시간으로 보행자를 추적할 때 배경 제거를 이용하여 변형된 HOG(Histogram of Oriented Gradients) 특징 추출을 제안하였다. 기존의 HOG 특징 추출은 연산량이 많아 추적 속도가 느린 문제가 있다. 배경 제거를 통해 연산량 감소와 추적률을 향상시키기 위해 연구하였다. 불필요한 영역에서의 특징 추출을 감소시키기 위해 HSV 색공간 에서 S 채널과 V 채널을 이용하여 영역 제거를 진행하였다. 영상의 평균 S 채널과 V 채널로 배경 제거 후 입력 영상이 전체적으로 어두워 객체 추적에 실패하는 경우가 있다. 이러한 경우를 방지하기 위해 히스토그램 평활화를 하였다. 제거된 영역에서 추출되는 HOG 특징이 감소되고, 객체에서는 명확한 HOG 특징이 추출되어 객체 추적 속도와 추적률이 향상되었 다. 본 실험에서는 다수의 보행자나 한명의 보행자가 존재하는 영상, 배경이 복잡한 영상, 흔들림이 심한 영상을 가지고 실험 하였다. 제안하는 방법은 기존의 HOG-SVM 방법과 비교하여 처리 속도는 약 41.84% 향상되었으며 오 추적률은 약 52.29% 감소되어 개선된 추적률을 보였다.

In this paper, we proposed extracting modified Histogram of Oriented Gradients (HOG) features using background removal when tracking pedestrians in real time. HOG feature extraction has a problem of slow processing speed due to large computation amount. Background removal has been studied to improve computation reductions and tracking rate. Area removal was carried out using S and V channels in HSV color space to reduce feature extraction in unnecessary areas. The average S and V channels of the video were removed and the input video was totally dark, so that the object tracking may fail. Histogram equalization was performed to prevent this case. HOG features extracted from the removed region are reduced, and processing speed and tracking rates were improved by extracting clear HOG features. In this experiment, we experimented with videos with a large number of pedestrians or one pedestrian, complicated videos with backgrounds, and videos with severe tremors. Compared with the existing HOG-SVM method, the proposed method improved the processing speed by 41.84% and the error rate was reduced by 52.29%.

Three-dimensional (3D) object tracking is crucial in computer vision applications, particularly in autonomous driving, robotics, and surveillance. Despite advancements, effectively utilizing multimodal data to improve multi-object detection and tracking (MODT) remains challenging. This study introduces ACMODT, an affinity computation-based multi-object detection and tracking framework that integrates camera (2D) and LiDAR (3D) data for enhanced MODT performance in autonomous driving. This approach leverages EPNet as a backbone, utilizing 2D?3D feature fusion for accurate proposal generation. A deep neural network (DNN) extracts robust appearance and geometric features, while an improved affinity computation module combines Refined Boost Correlation Features (RBCF) and 3D-Extended Geometric IoU (3D-XGIoU) for precise object association. Motion prediction is refined using a Kalman filter (KF), and Gaussian Mixture Model (GMM)-based data association ensures consistent tracking. Experiments on the KITTI car tracking benchmark for quantitative analysis and the RADIATE dataset for visualization demonstrate that our method achieves superior tracking accuracy and precision compared to state-of-the-art multi-object tracking (MOT) approaches, proving its effectiveness for real-time object tracking.

This study proposes a mother-slave robot tracking system that identifies the target, predicts its location, and tracks it based on a single image. The proposed system utilizes a Convolutional Neural Network (CNN) for object detection, to identify the target robot. The distance and angle between the robots are then calculated through linear regression analysis, which offers a more efficient and cost-effective solution than traditional methods. The performance of the system was evaluated, resulting in an accuracy of 99.59% for object detection, and an average distance error of 2.04% for the estimated location.

Multi-object tracking techniques are receiving increasing attention due to the growing demand of autonomous driving. Recently, the performance of multi-object tracking has been improved significantly thank to deep learning technique. Most of multi-object tracking methods based on deep learning, however, are highly prone to frequent tracking losses and track-ID switching in case of limited viewpoint and occluded objects. To alleviate this problem, we propose a multi-camera Collaborate Multi Object Tracking (CMOT) method which performs online association of multiple tracked vehicles from stereo vision camera. CMOT not only provides global tracking IDs between multiple cameras but also helps reduce the problem of ID switching compared with the conventional multi-object tracking based on single camera. It can, therefore, improve the overall performance of multi-vehicle tracking compared to each individual camera. We demonstrate the multi-object tracking performance of the proposed method using stereo images of the KITTI dataset.

In autonomous driving, environmental perception and decision-making are technologies that acquire signals based on various sensors and generate information that enables obstacle avoidance, emergency stops, and path planning. Such environmental perception technologies are limited in that they depend on expensive sensors such as LIDAR and RADAR, so research on environmental perception technologies using only cameras is actively being conducted. Studies predicting traffic accidents based on dashcam footage have also been performed as part of such research. This is challenging because only limited forward-looking footage can be acquired, and the surrounding environment is dynamic and changes quickly, making analysis difficult. Existing research has focused on learning the spatialtemporal feature representation to solve these problems. This paper extracts the trajectories of the ego-vehicle and surrounding vehicles using Visual SLAM and Multiple Object Tracking algorithms and uses them as inputs to the graph convolutional neural network(GCN) to learn the spatialtemporal feature representation. In addition, the features learned through the GCN are used as inputs to a bayesian neural network(BNN) to predict the probability of accidents, and its ability to predict accidents in advance has been verified by comparison with existing studies.

The usage of Unmanned Aerial Vehicles (UAVs) has escalated widely in recent years. The mobility they provide and their capability to be used autonomously has made them applicable to a wide range of fields for both the civilians and the military. However, the flight safety is pivotal during UAV flights for any application and it is necessary that the recently ordained rules are complied with. Ensuring the compliance of such rules and regulations is especially difficult when using these UAVs are used in Autonomous mode. To establish the flight safety and compliance with the regulations, computer vision can be utilized while in autonomous mode. This is predominantly true when the flight is conducted in the proximity of crowds, animals, moving vehicles or when emergency and precision landings need to be performed. To that extent, we present a concept of drone flight control system which utilizes object detection and tracking algorithms.

다중 객체 추적 과제(multiple-object tracking task, MOT)는 참가자가 무선적으로 움직이는 다수의 자극 중 일부 표적자극의 움직임을 추적하는 과제로, 이를 성공적으로 수행하기 위해서는 표적자극에 주의가 할당되어야 한다. MOT 수행에 방해자극의 정보가 영향을 끼치는 지에 대해서는 논란이 있어왔다. 본 연구에서는 표적자극과 방해자극 간의 지각적 조직화가 주의 할당 과정을 방해하는 경우의 MOT 수행에 초점을 맞추었다. 공통 운명 법칙에 따라 동일한 움직임을 공유하며 집단화되는 표적 및 방해자극의 개수를 체계적으로 조작하여(표적자극-방해자극 각각 5개-0개, 4개-1개, 3개-2개, 2개-3개, 1개-4개, 0개-5개), MOT 수행이 달라지는지 확인하였다. 그 결과, 표적자극만으로 조직화되었을 때보다, 표적 및 방해자극이 혼합되어 조직화된 조건에서 상대적으로 더 낮은 추적 정확도를 보였다. 하지만 방해자극만으로 조직화되었을 때에는 높은 정확도가 발견되었다. 이 결과는 지각적 조직화가 주의를 포획하여 MOT 수행에 영향을 끼치며, 단 한 개의 방해자극이라도 표적자극과 지각적으로 조직화가 될 경우 MOT 수행에 부정적인 영향을 끼친다는 것을 보여주었다.

The Multiple-object tracking task (MOT) is a task in which participants track the movement of some targets out of the randomly moving stimuli. In order to successfully perform MOT, attention should be assigned to the targets. There has been controversy over whether information of the distractors affects MOT performance. The current study focused on MOT performance when the perceptual organization between targets and distractors interferes with the attentional allocation on the targets. We manipulated the ratio of targets and distractors constituting a perceptually organized group by sharing the same movement according to the common fate law (target-distractor respectively 5-0, 4-1, 3-2, 2-3, 1-4, 0-5), and checked whether MOT performance was changed according to the manipulation. As a result, compared to when grouped by targets alone, the conditions in which targets and distractors were grouped together showed relatively lower tracking accuracy. However, when grouped by distractors alone, high accuracy was found. These results indicate that perceptional grouping affects MOT performance by capturing attention, and that even one of distractors negatively affects MOT performance if it is grouped perceptually by targets.

본 논문에서는 엣지컴퓨팅 기반 객체검출 및 Pan-Tilt-Zoom(PTZ) 제어를 활용한 다중객체의 순차추적 방법을 제 안한다. 제안하는 방법은 순찰단계와 순차추적단계로 나누어 PTZ 제어를 수행한다. 먼저 순찰 단계에서 카메라의 화각을 기준점으로 이동시킨 후 사전 정의된 이동 패턴에 따라 순찰 기동을 반복 수행한다. 순찰 기동 중 입력되는 모든 영상 프레임에서 사전 정의된 이상상황의 발생여부를 확인하기 위하여 객체검출 및 식별자 부여를 수행한다. 이상상황이 발생중이라고 판단되면 제안하는 방법은 순차추적단계로 진입하여 사전에 정의된 규칙과 현재 상황이 반영된 객체별 우선 추적 순위를 설정한다. 이 순위에 따라 제안하는 방법은 각 객체를 집중 촬영하기 위한 PTZ 제 어를 순차적으로 수행한다. 순차추적이 모두 끝나면 제안하는 방법은 이상상황을 처음 인지한 화각으로 돌아간 뒤 여전히 이상상황이 존재한다면 순차추적을 반복하고, 그렇지 않다면 순찰단계로 돌아오게 된다. 제안하는 방법의 성 능을 평가하기 위해 스쿨존에서의 돌발상황을 즉시 인지하는 시나리오에 맞춰 실험을 설계하였다. 실험결과, 제안하는 방법은 0.951의 F1 Score로 이상상황을 판별하면서 24 frame per seconds의 처리 속도를 보이며 그 유효성을 입증하였다.

In this paper, a method for sequential tracking of multi-object using edge computing-based object detection and Pan-Tilt-Zoom(PTZ) control is proposed. The proposed method performs PTZ control in two procedures, which are patrol stage and sequential tracking stage. In the patrol stage, the proposed method firstly moves the camera’s angle of view to the reference point then follows the predefined moving procedure for sequential patrol. During the patrol, object detection and identifier assignment are conducted on inputted video frames to recognize incident of the predefined abnormal situations. In case the abnormal situation is on going, the proposed method switches the mode into sequential tracking stage, and by the predefined rules and current situations, assigns the tracking priorities. Followed by the priority, the proposed method conducts PTZ controls in sequential order to capture each objects related to the incident. After all the sequential tracking is over, the proposed method returns back to the angle of view at which the initial abnormal situation was recognized, and then repeats the sequential tracking if the abnormal situation still exists, and returns to the patrol stage otherwise. In order to evaluate the performance of the proposed method, an experiment was designed according to the scenario of immediately recognizing traffic accidents in the school zone. As a result of the experiment, the proposed method proved its effectiveness by showing an F1 score of 0.95 for discriminating abnormal situations with showing a processing speed of 24 frames per seconds.

최근 주목을 받고 있는 Particle Filtering은 실제 객체 추적에서 발생하는 비선형, 비 가우시안 분포를 가지는 상태 벡터의 사후확률 을 추정하기 위한 Monte Carlo 시뮬레이션에 기반을 둔 추적 방법론이다. 우리는 본 논문에서 Particle Filtering을 이용한 객체 추적 성능을 향상시킬 수 있는 두 가지 방법론을 제안한다. 첫 번째는 확률이 가장 낮은 샘플을 이전 프레임의 추정된 상태 벡터로 대치하 는 피드백 방법론이고, 두 번째는 객체 확률 분포를 추정된 객체 후보영역에 역투영하여 신뢰구간을 구함으로써 추적 박스의 정확도 를 향상시키는 방법이다. 또한, 실험을 통해 구한 추적 샘플의 진화 방정식을 제시하였다. 우리는 다양한 상황이 설정된 실험 데이터 셋을 구성하여 실험을 실시하여 제안한 방법론의 우수성을 입증하였다.

The object tracking method using particle filtering has been proved successful since it is based on the Monte Carlo simulation to estimate the posterior distribution of the state vector that is nonlinear and non-Gaussian in the real-world situation. In this paper, we present two nobel methods that can improve the performance of the object tracking algorithm based on the particle filtering. First one is the feedback method that replace the low-weighted tracking sample by the estimated state vector in the previous frame. The second one is an tracking box correction method to find an confidence interval of back projection probability on the estimated candidate object area. An sample propagation equation is also presented, which is obtained by experiments. We designed well-organized test data set which reflects various challenging circumstances, and, by using it, experimental results proved that the proposed methods improves the traditional particle filter based object tracking method.

본 연구에서는 다중 물체 추적 기술 (Multi-Object Tracking)과 공간 데이터베이스를 이용한 실내 환경에서의 객체 위치 데이터 수집 및 분석 시스템을 제안한다. 기존의 다중 물체 추적의 결과는 영상 내 3차원 공간에 위치한 객체의 좌표를 2차원 좌표로 반환하여 객체 위치 분석에 직접적으로 사용하기 어려웠으나 평면 투영 (Ground Projection)을 통해 2차원 목표 지도상 좌표로 변환하여 이를 해결하고, 공간 데이터베이스의 쿼리를 이용하여 대상 공간에서의 객체 위치 분석에 활용될 수 있도록 하였다.

본 논문에서는 컴퓨터 비전 분야의 대표적인 도전 과제 중의 하나인 강인한 객체 추적을 위한 새로운 접근을 제안하 고 있다. 중첩과 같이 객체의 추적을 어렵게 하는 문제를 해결하기 위해 색상과 깊이를 함께 사용하는 복합 특징 공 간에서의 스웜 최적화를 기반으로 하는 강인한 객체 추적 모델을 제안한다. 추적하고자 하는 대상에 대한 색상 특징 과 함께 깊이 특징을 복합적으로 사용함으로써 추적 대상의 중첩과 재등장 상황에서도 추적 성능을 제고할 수 있다. 먼저, 입력 영상을 여러 개의 패치로 구분하고 각 패치로부터 색상 특징과 깊이 특징의 동기화 및 통합을 수행하여 색상-깊이 복합 특징 공간에서 특징을 추출한다. 다음으로 스웜 최적화를 통해 파티클의 위치를 업데이트하며 추적 대상 객체를 추적한다. 이 과정에서 추적 대상의 중첩 및 크기 변화에 대응하여 강인한 객체 추적을 가능하게 한다. 제안하는 접근법의 검증을 위해 색상-깊이 공개 데이터셋인 프린스턴 트래킹 벤치마크(PTB; Princeton Tracking Benchmark)를 사용한다. 제안하는 방법에 의한 실험 결과 기존 방법에 비해 추적 성능의 개선을 가져온다는 것을 확인할 수 있다.

This paper proposes a robust object tracking scheme that is one of the most representative challenge in computer vision research area. In order to solve the problems in object tracking such as occlusion, this paper employs swarm optimization in complex feature space using color and depth features. This complex feature space can increase performance of target tracking in occlusion and reappearance situation. First, the input image is divided into several patches, and the color and depth features are synchronized and integrated from each patch to extract features from the color-depth composite feature space. Then, the target object is tracked by updating the position of particles in swarm optimization. During this process, it enables to track target object robustly even in occlusion and size changes of the target. For performance evaluation, this paper uses Princeton Tracking Benchmark (PTB), a color-depth public dataset. The experimental results using the proposed method, it can be confirmed that tracking performance is improved compared to the existing methods.

본 논문은 서베일런스 네트워크에서 이동하는 객체 추적 시 영상 데이터의 전송량을 감소시키는 신경망 계산 시간의 단축 알고리즘을 제안한다. 객체 검출은 디지털화 연속된 영상으로부터 객체 존재 유무를 판단하고, 객체가 존재할 경우 영상 내 객체의 위치, 방향, 크기 등을 알아내는 기술로 정의된다. 그러나 영상 내의 객체는 위치, 크기, 빛의 방향 및 밝기, 장애물 등의 환경적 변화로 인해 객체 모양이 다양해지므로 정확하고 빠른 검출이 어렵다. 따라서 본 논문에서는 신경망을 사용하여 몇 가지 환경적 조건을 극복한 정확하고 빠른 객체 검출 방법을 제안한다. 검색 영역의 축소는 영상 내 색상 영역의 분할과 차영상을 이용하였고, 주성분 분석을 통해 신경망의 입력 벡터를 축소시킴으로써 신경망 수행 시간과 학습 시간을 단축시켰다. 실시간으로 입력되는 동영상에서 모두 실험하였으며, 색상 영역의 분할을 사용할 경우 입력 영상의 칼라 설정의 유무에 따른 검출 성공률의 차를 보였다. 실험 결과에서 보면 제안하는 방법으로써 객체의 움직임을 탐지하였을 때 기존의 방법보다 30% 정도 더 높은 인식 성능을 보여준다.

This paper proposes algorithm to reduce the computing time in a neural network that reduces transmission of data for tracking mobile objects in surveillance networks in terms of detection and communication load. Object Detection can be defined as follows : Given image sequence, which can forom a digitalized image, the goal of object detection is to determine whether or not there is any object in the image, and if present, returns its location, direction, size, and so on. But object in an given image is considerably difficult because location, size, light conditions, obstacle and so on change the overall appearance of objects, thereby making it difficult to detect them rapidly and exactly. Therefore, this paper proposes fast and exact object detection which overcomes some restrictions by using neural network. Proposed system can be object detection irrelevant to obstacle, background and pose rapidly. And neural network calculation time is decreased by reducing input vector size of neural network. Principle Component Analysis can reduce the dimension of data. In the video input in real time from a CCTV was experimented and in case of color segment, the result shows different success rate depending on camera settings. Experimental results show proposed method attains 30% higher recognition performance than the conventional method.

본 논문은 서베일런스 네트워크에서 영상의 색상 정보를 이용한 객체 추적 방법을 제안한다. 이 방법은 적 응적인 색상 모델을 이용한 객체 검출을 수행한다. 객체 윤곽선 검출은 객체 인식과 같은 응용에서 중요한 역할을 수행한다. 실험 결과는 색상과 크기에서 객체의 다양한 변화가 있을 때에도 성공적인 객체 검출을 증명한다. 실시간 으로 객체를 검출하는 응용 분야에서 대량의 영상 데이터를 전송할 때 색상 분포의 형태를 찾아내는 것이 가능하다. 객체의 특정 색상 정보는 입력 영상에서 동적으로 변화하는 색상에서 자주 수정되어진다. 그래서, 이 알고리즘은 해 당 추적 영역 안에서 객체의 추적 영역 정보를 탐지하고 그 객체의 움직임만을 추적한다. 실험을 통해, 본 논문은 어떤 이상적인 상황하에서 제안하는 객체 추적 알고리즘이 다른 방법보다 더 강인한 면이 있다는 것을 보여준다.

In this paper, we propose an object tracking method using the color information of the image in surveillance network. This method perform a object detection using of adaptive color model. Object contour detection plays an important role in application such as object recognition. Experimental results demonstrate successful object detection over a wide range of object’s variation in color and scale. In applications to detect an object in real time, when transmitting a large amount of image data it is possible to find the mode of a color distribution. The specific color of an object is modified at dynamically changing color in image. So, this algorithm detects the tracking area information of object within relevant tracking area and only tracking the movement of that object.Through experiments, we show that proposed method is more robust than other methods under certain ideal situations.

본 논문은 감지와 통신 데이터 전송량의 관점에서 서베일런스 네트워크에서 움직이는 객체를 추적하기 위하 여 전송 데이터를 감소시키는 최소 윤곽선 추적 알고리즘을 제안한다. 이 알고리즘은 객체 추적에 대한 감지를 수행 하고 서버와의 영상 데이터 전송 시 영상 데이터 전송량을 줄임으로써 서버와의 통신 부하를 최소화한다. 이 알고리 즘은 객체의 운동학을 기초로 최소 추적 영역을 사용한다. 객체의 운동학의 모델링은 예정된 시간 안에서 이동할 수 있는 객체에 의해 운동 역학적으로 방문될 수 없는 추적 영역의 부분을 제거하는 것으로써 시작한다. 실시간으로 객 체를 검출하는 응용 분야에서 대량의 영상 데이터를 전송시에 전송 부하를 줄일 수 있는 효과가 있다.

This paper proposes a minimal contour tracking algorithm that reduces transmission of data for tracking mobile objects in surveillance networks in terms of detection and communication load. This algorithm perform detection for object tracking and when it transmit image data to server from camera, it minimized communication load by reducing quantity of transmission data. This algorithm use minimal tracking area based on the kinematics of the object. The modeling of object's kinematics allows for pruning out part of the tracking area that cannot be mechanically visited by the mobile object within scheduled time. In applications to detect an object in real time,when transmitting a large amount of image data it is possible to reduce the transmission load.