다양한 환경에 설치된 방범 카메라에서 관측된 인물영상의 특징은 피사체의 자세, 조명 등의 촬영조건에 의해 크게 변화한다. 그 때문에 특정인물 영상검색에 있어 인물영상의 특징 비교에는 촬영조건에 따라 유사한 특징을 가지는 동일인물 영상의 특징간 거리가 커진다. 또한, 다른 특징을 가지는 다른 사람끼리의 인물영상 특징간 거리가 작아진다고 하는 두 가지 문제가 있다. 기존에 제안돼 온 적합성 피드백에서는 첫 번째 문제에 대응할 수 있지만 두 번째 문제에는 대처할 수 없다. 여기서 제안하는 조건분할형 적합성 피드백에서는 각 방범 카메라에서의 인물추적으로 얻을 수 있는 정보를 바탕으로 촬영조건을 분류해 피드백 함으로써 각 촬영조건의 영상 특징이 혼합되는 것을 회피해 두 가지 문제에 대처할 수 있다.
\r\n
\r\n
이세키 요헤이, 가와니시 야스토모, 무쿠노키 마사유키, 미노 미치히코┃교토대학
\r\n
\r\n
\r\n
최근 방범, 범죄 행위의 증거 확보, 보행자 동향 분석 등을 목적으로 금융기관, 공항, 번화가 등 거리 곳곳에 수많은 고정 카메라(방범 카메라)가 설치돼 있다. 이 방범 카메라 영상은 범죄자 추적이나 미아 수색 등 특정 인물의 행적 조사에도 이용되고 있다. 이러한 조사에는 가능한 한 빠짐없이 그 인물이 찍혀 있는 영상을 찾아내 언제, 어느 카메라에 그 인물이 찍힌 것인지를 알 필요가 있다.
\r\n
\r\n
기존에 이러한 조사는 사람의 손으로 행해져 왔는데 이것에는 방대한 시간과 비용이 필요하다. 이에 대해 특정인물 영상검색을 사용해 방범 카메라 영상 안에서 특정 인물이 찍혀 있는 프레임을 검색하고 방범 카메라 영상 분석에 의해 특정 인물의 행적 조사를 지원하는 것이 제안되었다1)∼3). 특정인물 영상검색이란 방범 카메라에서 관측된 인물의 인물영상(인물을 외접 구형으로 잘라낸 영상)을 등록한 인물영상 데이터베이스를 작성하고 그 속에서 어떤 특정 인물의 인물영상을 모두 검색하는 것이다. 이번 기사에서는 일반적인 특정인물 영상검색 방법과 그 기존에 연구를 소개한 후 우리가 제안하는 조건분할형 적합성 피드백에 의한 정밀도 향상 방법에 대해서 설명하고자 한다.
\r\n
\r\n
특정인물 영상검색
\r\n
기존에 제안돼 온 일반적인 특정인물 영상검색을 실현하는 시스템의 처리순서를 그림 1에 나타낸다. 이 순서는 방범 카메라 영상으로부터 인물영상 데이터베이스를 작성하는 ‘데이터베이스 작성단계’와 사용자가 쿼리(Query) 영상을 준비해서 검색을 실행해 결과를 얻는 ‘검색 실행단계’로 나누어진다.
\r\n
\r\n
방범 카메라 영상의 각 프레임에 대해 인물검출·인물추적을 이용하면 어떤 인물이 카메라에 찍히기 시작하고부터 촬영이 종료될 때까지 트래킹 계열의 인물영상 열(列)을 얻을 수 있다. 특정인물 영상검색 데이터베이스 작성단계에서는 시스템이 이것을 모든 인물·방범 카메라 영상에 대해 실행함으로써 트래킹 계열의 인물영상 열(列) 집합 {I1,…,In} (Ik=ik1,…,iknk})을 얻는다. 여기에서 n은 인물영상 열의 수, Ik는 k번째의 인물영상 열, Ikl은 인물영상 열 Ik의 l번째 인물영상, nk는 인물영상 열 Ik에 포함되는 인물영상의 수를 나타낸다.
\r\n
\r\n
다음에 각 인물영상 열 Ik의 모든 인물영상에 대해 특징을 추출해 인물영상 열 Ik에 대응하는 특징 열 Fk={fk1,…,fknk}(단, fkl은 인물영상ikl의 특징)을 얻는다. 그리고 인물영상 열 Ik,거기에 대응하는 특징 열 Fk, 인물영상 열 Ik이 관측된 카메라 ID x{ck} , 시각정보 Xtk로 구성되는 레코드 Fk를 작성하고 그것들을 데이터베이스에 등록한다. 이 때 데이터베이스에는 R1,…, Rn의 n개 레코드가 등록된다.
\r\n
\r\n
검색 실행단계에서는 사용자가 쿼리 영상 Iq를 준비해 검색을 실행한다. 시스템은 쿼리 영상 Iq으로부터 쿼리 특징 Fq를 추출한다. 그리고 데이터베이스 내의 각 레코드 Rk를 쿼리 특징-레코드간 거리 D(fq,Rk)가 작은 순서대로 검색결과로서 사용자에게 제시한다. 레코드를 사용자에게 제시할 때는 레코드 내에 포함되는 모든 인물영상을 제시한다.
\r\n
\r\n
특정인물 영상검색의 문제점
\r\n
특정인물 영상검색에 있어서 쿼리 특징-레코드간 거리 D(fq,Rk) 계산에는 인물영상의 특징 비교가 필요한데 일반적으로 이것은 어려운 문제라고 여겨지고 있다. 이것은 인물의 특징이 조명, 차폐의 유무, 피사체의 자세, 해상도 등 촬영조건에 의해 크게 변화되므로 특징을 비교할 때에 다음 2가지 문제가 생기기 때문이다.
\r\n
\r\n
첫 번째 문제는 원래 같은 특징을 가지는 동일 인물의 인물영상끼리도 촬영조건이 다르면 특징간의 거리가 벌어져 버린다는 것이다. 이 때 피검색자의 인물영상을 포함하고 있는 레코드 가운데 쿼리 영상의 촬영조건과 유사한 촬영조건의 인물영상을 포함하고 있는 레코드만 검색 상위가 된다. 두 번째 문제는 원래 다른 특징을 가지는 다른 사람의 인물영상 특징이 촬영조건에 따라서는 피검색자의 인물영상 특징과 유사하게 나타날 경우가 있다는 것이다. 이 때 그러한 원래 다른 특징을 가지는 다른 사람의 인물영상을 포함하는 레코드가 검색 상위가 돼버린다.
\r\n
\r\n
\r\n
\r\n
\r\n
\r\n
특정인물 영상검색에 있어 기존에 방법
\r\n
앞에 기술한 문제에 대처하는 시도로서 Metternich 등1)은 특정 인물 영상검색에 대해 적합성 피드백을 이용해 검색 정밀도를 향상시키는 것을 제안했다. Metternich 등1)이 제안하는 적합성 피드백을 이용한 특정인물 영상검색으로 실현되는 시스템의 처리순서를 그림 2에 나타낸다.
\r\n
\r\n
검색 시작 시를 스텝 t=0라고 하고 그 때의 쿼리 특징 fq(t)은 사용자가 준비한 쿼리 영상으로부터 추출한 특징으로 한다. 시스템은 현재의 쿼리 특징 fq(t)을 이용해서 데이터베이스 내 사용자에게 아직 제시하지 않은 모든 레코드에 대해서 그들의 레코드를 쿼리 특징-레코드간 거리D(fq,Rk)가 작은 순서대로 N건을 검색결과로서 사용자에게 제시한다. 사용자는 제시된 검색결과(인물영상)에 대해서 적합/부적합의 피드백을 한다. 시스템은 검색결과의 각 레코드 내에 포함돼 있는 모든 특징을 사용자의 피드백을 바탕으로 적합 집합S+,부적합 집합S-로 나눈다. 그리고 식(1)을 사용해서 쿼리 특징을 갱신하고 다음 스텝으로 이동한다(t←t+1). 이것을 사용자가 검색을 그만둘 때까지 반복한다.
\r\n
\r\n
Metternich 등1)은 적합성 피드백 처리 중에서 쿼리 특징을 갱신하는 방법으로서 쿼리 최적화가 특정인물 영상검색에 있어서 효과적이라고 했다. 쿼리 최적화는 다음의 Rocchio의 식4)에 의거해 1스텝마다 쿼리 특징을 갱신한다.
\r\n
\r\n
\r\n
여기에서 α, β, γ는 쿼리 최적화를 할 때 피드백의 비중을 나타낸다. 쿼리 특징에 대해 사용자가 적합/부적합이라고 한 인물영상 특징의 평균을 비중으로 가산/감산해 쿼리 특징을 갱신한다.
\r\n
\r\n
데이터베이스 내의 각 레코드에는 다양한 촬영조건의 인물영상이 포함돼 있다. 예를 들면 어떤 인물이 카메라 내에서 이동방향을 바꾸면 피사체의 방향이 다른 복수의 인물영상이 하나의 레코드에 포함된다. 또, 그 인물이 음지에서 양지로 이동하면 조명환경이 다른 인물영상이 하나의 레코드에 포함된다. 그 때문에 적합성 피드백을 이용해서 검색하면 쿼리 영상의 촬영조건과는 다른 촬영조건 하에서 촬영된 피검색자의 인물영상 특징을 쿼리 특징에 반영시킬 수 있다. 이 때 쿼리 최적화를 이용하면 쿼리 특징은 피검색자가 다양한 촬영조건 하에 있을 때 인물영상 특징의 평균에 가까워진다. 즉, 쿼리 특징과 피검색자가 다양한 촬영조건 하에 있을 때 특징과의 거리 평균이 작아진다. 따라서 다른 촬영조건의 동일인물 인물영상 특징간 거리가 커지는 특정인물 영상검색에 있어 특징 비교의 첫 번째 문제에 대처할 수 있다.
\r\n
\r\n
그러나 적합성 피드백은 사용자가 피드백한 인물영상의 특징에만 주목하기 때문에 원래 다른 특징을 가지는 다른 사람의 인물영상특징이 촬영조건에 따라서는 피검색자의 인물영상 특징과 유사해져 버릴 경우가 있어 특징비교 두 번째 문제에는 대처할 수 없다.
\r\n
\r\n
\r\n
\r\n
\r\n
조건분할형 적합성 피드백
\r\n
조건분할에 의한 검색
\r\n
특정인물 영상검색에 있어 특징 비교의 두 번째 문제에는 특징 비교를 촬영조건별로 분할해서 실행하는 것으로 대처할 수 있다. 이것에 의해 어떤 촬영조건 하에서 촬영된 피검색자의 인물영상 특징 분포와 다른 촬영조건 하에서 촬영된 다른 사람의 인물영상 특징 분포가 중복되었다고 해도 중복된 분포에 존재하는 다른 사람의 인물영상을 포함하는 레코드가 검색 상위에 나타나는 것을 억제할 수 있어 검색 정밀도가 향상된다. 이것을 조건분할에 의한 검색이라고 한다.
\r\n
\r\n
예를 들면 그림 3(a)와 같이 쿼리 영상의 밝은 상황에서 관측된 인물영상과 다른 사람의 어두운 상황에서 촬영된 인물영상(그림 3 오른쪽 아래 레코드에 포함돼 있는 인물영상)이 유사할 때 통상의 검색에서는 이 인물의 인물영상이 포함되는 레코드가 검색 상위가 돼버린다. 이 때 조명조건의 명암별로 쿼리 영상을 준비해 밝은 촬영조건의 인물영상은 밝은 촬영조건의 쿼리 특징과, 어두운 촬영조건의 인물영상은 어두운 촬영조건의 쿼리 특징과 비교하는 것으로 그림 3(a)의 오른쪽 아래 레코드가 검색 상위에 나타나지 않게 된다(그림 3(b)).
\r\n
이 조건분할에 의한 검색을 실현하기 위해서는 사전에 데이터베이스 내 인물영상에 대해 촬영조건을 부여할 필요가 있다. 또, 각 촬영조건 아래에서 피검색자의 인물영상을 미리 준비할 필요가 있다.
\r\n
\r\n
조건분할형 적합성 피드백
\r\n
그래서 우리는 ‘적합성 피드백’과 ‘조건분할에 의한 검색’을 조합해 인물추적으로 얻을 수 있는 정보를 이용해 데이터베이스 내 인물영상에 촬영조건을 부여하고 조건분할에 사용하는 촬영조건 하에서의 인물영상을 적합성 피드백을 이용해서 획득하는 것으로 특징 비교의 양쪽 문제에 대응한 조건분할형 적합성 피드백(Condition-Separating Relevance Feedback: CSRF)을 제안했다5)(그림 4).
\r\n
\r\n
CSRF를 이용해서 특정인물 영상검색을 하는 시스템은 데이터베이스 작성단계에서 미리 정한 m개의 촬영조건 C={c1,…,cm}에 대해 인물추적으로 얻을 수 있는 정보를 바탕으로 데이터베이스 내의 각 레코드Rk에 포함돼 있는 각 인물영상과 그것에 대응하는 특징 세트 (ikl,fkl)에 촬영조건 ckl∈C을 부여한다. 이 때 얻을 수 있는 각 레코드Rk의 인물영상 열Ik,특징 열Fk에 대응하는 촬영조건 Ck={ckl,…cknk}열을 레코드Rk에 추가한다.
\r\n
\r\n
다음에 검색 실행단계에서 처음에 사용자가 준비한 쿼리 영상iq로부터 추출한 쿼리 특징 fq을 바탕으로 각 촬영조건c1,…,cm에 대응하는 m개의 쿼리 특징 fqc1(t),…fqcm(t)을 복제해서 작성한다(여기에서 . CSRF를 이용한 검색에서는 이들 쿼리 특징을 모은 쿼리 특징 집합 Q(t)={fqc1(t),…,fqcm(t)}을 이용해서 검색한다.
\r\n
\r\n
CSRF를 이용한 검색에서는 적합성 피드백을 이용한 검색과 마찬가지로 사용자가 검색결과에 대해 적합/부적합의 피드백을 한다. 이 때 시스템은 검색결과의 각 레코드 내에 포함돼 있는 모든 특징을 사용자의 피드백과 그 특징에 대응하는 인물영상의 촬영조건을 바탕으로 m개의 촬영조건에 대응하는 적합 집합 S+c1,…,S+cm 부적합 집합 S-c1,…,S-cm 으로 나눈다. 예를 들면 시스템이 검색결과로서 제시한 레코드 Rk의 l번째 인물영상 ikl을 사용자가 적합이라고 판단했을 경우 시스템은 특징fkl을 그 촬영조건 Ckl에 대응하는 적합 집합 S+ckl에 추가한다. 그리고 각 촬영조건에 대응하는 적합 집합 S+ci, 부적합 집합 S-ci에 포함돼 있는 특징을 다음 식을 이용해 비중을 붙여 각 쿼리 특징 fqci(t)에 반영시키는 것으로 대응하는 촬영조건으로 특화한 각 쿼리 특징 fqci(t+1)으로 갱신한다.
\r\n
\r\n
\r\n
\r\n
\r\n
여기에서 α, β, γ는 쿼리 최적화를 할 때의 피드백 비중, wji는 촬영조건cj에서 촬영조건 ci로의 피드백 비중이다. 이 식은 촬영조건 cj에 관한 피드백을 wji이라 하는 비율로 비중을 주어 촬영조건ci에 대응하는 쿼리 특징 fqci(t+1)에도 전파시키는 것을 의미하고 있다.
\r\n
\r\n
이 식을 이용함으로써 각 촬영조건에 대응하는 쿼리 특징 fqci(t)속에 피드백 건수 |S+ci|+|S-ci|가 적어 적합성 피드백의 효과가 적은 쿼리 특징이 있었다고 해도 다른 촬영조건에서의 피드백을 전파시켜 각 촬영조건에 대응하는 쿼리 특징을 갱신할 수 있다.
\r\n
\r\n
또, 쿼리 특징 집합 Q(t)과 레코드 Rk내 특징 열 Fk와의 거리계산에는 각 특징 fkl과 같은 촬영조건 ckl에 대응하는 쿼리 특징 fqci(t)을 이용해서 비교하는 것으로 어떤 촬영조건 아래에서 촬영된 피검색자의 인물영상 특징 분포와 다른 촬영조건 아래에서 촬영된 다른 사람의 인물영상 특징 분포가 중복돼 있다고 해도 중복된 분포에 존재하는 다른 사람의 인물영상을 가지고 있는 레코드가 검색 상위에 오는 것을 막아 검색 정밀도를 향상시킬 수 있다. 이 때 쿼리 특징 집합 Q(t)와 각 레코드와의 거리 D(Q(t),Rk)는 다음 식으로 계산한다.
\r\n
\r\n
\r\n
\r\n
여기에서
\r\n
이다.
\r\n
\r\n
\r\n
\r\n
\r\n
\r\n
\r\n
상업시설 환경에서 특정인물 영상검색
\r\n
방범 카메라 영상으로부터의 특정인물 영상검색으로 있어서 CSRF를 이용하는 것의 유효성을 확인하기 위해 실제 상업시설에 설치돼 있는 방범 카메라 영상에 대해 특정인물 영상검색을 실시했다.
\r\n
\r\n
\r\n
조건분할에 사용한 촬영조건
\r\n
CSRF에서 사용하는 조건은 그 조건 자체가 어떠한 방법에 의해 자동으로 판별 가능할 필요가 있다. 또, 그 조건은 인물영상의 특징에 대해 크게 영향을 주는 것이 바람직하다. 그래서 이번에는 방범 카메라 영상의 각 프레임에 대해 인물추적을 해 얻을 수 있는 정보를 이용해서 판별 가능하게 하고 인물영상의 특징에 영향을 주는 조건으로서 피사체의 방향조건, 조명조건 이 2가지 조건을 사용했다.
\r\n
\r\n
\r\n
\r\n
\r\n
\r\n
피사체의 방향에 의한 조건분할
\r\n
피사체의 방향조건은 피사체가 몸의 방향에 따라 색이나 모양이 변화되는 복장을 하고 있을 경우에 인물영상의 특징에 영향을 준다고 생각할 수 있다. 예를 들면 피사체가 반소매 옷을 입고 있을 경우나 등에 가방을 메고 있을 경우는 피사체의 방향에 따라서는 복장의 외견이 변해 특징이 변화된다(표1). 데이터베이스 내 각 인물영상에 대한 피사체의 방향조건 부여에 대해서는 인물이 이동할 때는 몸의 방향이 항상 진행방향을 향하고 있다는 가정을 바탕으로 방범 카메라 영상 속 검출 좌표의 이동방향에 의해 그 인물이 향하고 있는 방향을 판단한다. 피사체의 방향조건은 경험적으로 앞쪽방향, 옆쪽방향, 뒤쪽방향 3방향으로 분할하고 이 조건에의 피드백은 1.0의 비중을, 다른 조건에의 피드백은 0.6의 비중을 가하는 것으로 했다.
\r\n
\r\n
\r\n
조명에 의한 조건분할
\r\n
조명조건은 방범 카메라가 관측하고 있는 상황의 조명 정도를 나타내며 인물영상의 특징 중에서 주로 색 특징에 큰 영향을 준다. 예를 들면 회색 옷을 입은 인물의 인물영상 특징은 조명조건에 의해 검은색이나 백색 옷을 입은 인물의 인물영상 특징과 유사한 특징으로 변화된다. 광원을 백색이라고 가정하면 조명조건에 의한 인물의 특징 변화는 특징 속에서 휘도, 색상에 대한 영향이 크다. 그래서 본 방법에서는 인물영상의 조명조건을 그 인물영상에 찍혀 있는 인물의 모든 촬영조건 아래에서의 인물영상 집합을 생각하고 그 중에서 인물영상의 평균 휘도, 평균 색상의 상대적인 대소라고 생각한다(표2). 데이터베이스 내 각 인물영상에 대한 조명조건의 부여에 대해서는 그 인물의 모든 촬영조건 아래에서의 인물영상 집합을 알 수는 없기 때문에 각 레코드 내에 있는 인물영상의 평균 휘도, 평균 색상의 상대적인 대소로 했다. 조명조건은 경험적으로 휘도, 색상 모두 3개로 분할해 3×3=9조건으로 조명조건을 표현했다. 또, 휘도·색상 모두 하나 옆에 있는 조건에 대해 0.7, 2개 옆에 있는 조건에 대해 0.4의 비중을 가했다.
\r\n
\r\n
\r\n
실험에 사용하는 인물영상 데이터베이스
\r\n
이번 실험에 사용한 인물영상 데이터베이스는 상업시설에 설치된 22대의 방범 카메라에서 관측된 3시간분의 영상, 합계 66시간분의 영상을 이용해서 작성했다. 인물영상 데이터베이스 내에는 레코드가 합계=12,673개 존재하고 총 인물영상 매수는 368,356장이었다.
\r\n
\r\n
\r\n
검색대상
\r\n
이번 실험에서 검색대상으로 하는 인물은 그 인물의 인물영상을 포함하는 레코드가 인물영상 데이터베이스 내에 존재하는 특정 10명으로 했다. 1인당 레코드 수는 33∼72건이며 10명의 합계 레코드 수는 586건이다.
\r\n
\r\n
\r\n
검색방법
\r\n
우선 인물영상 데이터베이스 내 10명의 검색대상 인물영상을 포함하는 레코드 중에서 다른 카메라로부터 작성된 레코드를 1인당 13∼15개, 합계 146개 선택한다. 다음에 각 레코드 내에 포함돼 있는 검색대상 인물의 인물영상을 1장 선택해 146장의 인물영상을 쿼리 영상으로 추출하고 146회의 검색을 했다. 각 파라미터로서 적합성 피드백 1스텝마다 사용자에게 제시하는 검색결과 레코드 수 N의 값은 20으로 했다. 또, 쿼리 최적화의 파라미터 α, β, γ의 비율은 경험적으로 2:5:4(α+β+γ=1)로 했다. 모든 파라미터는 통상의 적합성 피드백, CSRF 양쪽 모두 동일한 파라미터로 했다.
\r\n
\r\n
\r\n
평가방법
\r\n
‘특정인물 영상검색’ 장에서 기술한 기존에 방법의 통상 쿼리 최적화와 쿼리 최적화로 CSRF를 이용했을 경우에 검색 정밀도를 비교했다. 본 방법이 생각하는 특정 인물의 행적조사에서는 데이터베이스 내에 있는 피검색자의 인물영상이 포함돼 있는 레코드를 가능한 한 빠짐없이 찾아내는 것이 중요하다. 그래서 평가방법은 Metternich 등1)과 마찬가지로 검색순위에 대한 재현율을 이용해서 평가했다. 재현율은 데이터베이스 내에 포함돼 있는 모든 피검색자의 인물영상을 포함하는 레코드 수 가운데 어떤 레코드가 발견되었는가의 비율을 나타낸다. 146회의 검색결과에 대해서 검색대상이 되는 인물별로 검색결과를 평균하고 그것을 10명으로 평균한 결과로 평가했다.
\r\n
\r\n
실험결과
\r\n
통상의 쿼리 최적화를 이용한 특정인물 영상검색과 쿼리 최적화로 CSRF를 이용한 특정인물 영상검색의 비교를 그림 5에 나타낸다. Base Line은 적합성 피드백을 사용하지 않는 검색, RF(Relevance Feedback)는 통상의 적합성 피드백에 의한 검색, CSRF는 피사체의 방향, 조명조건으로 제안 방법을 사용했을 경우의 결과이다.
\r\n
\r\n
실험 결과 쿼리 최적화에 의한 적합성 피드백을 이용해서 검색한 쪽이 Base Line보다 상위 1,000건째에서 재현율이 26.4%로부터 58.5%로 32.1포인트 상승했다. 또, 쿼리 최적화에 피사체의 방향조건, 조명조건으로 CSRF를 이용해서 검색을 한 것이 기존에 쿼리 최적화보다 상위 1,000건째에서의 재현율이 58.5%로부터 72.2%로 13.7포인트 상승했다. 따라서 방범 카메라 영상으로부터의 특정인물 영상검색에 있어서 CSRF가 효과적이라는 것이 확인되었다.
\r\n
\r\n
이번 원고에서는 특정인물 영상검색에 있어 특징 비교의 2가지 문제점에 대해 문제 ①에 대처할 수 있는 ‘적합성 피드백과 문제 ②에 대처할 수 있는 ‘조건분할에 의한 검색’을 조합시킨 조건분할형 적합성 피드백에 대해서 설명했다. 또, 문자수의 관계로 본고에서는 제안 방법의 내용을 일부 생략했다. 자세한 내용은 참고문헌5)를 참조하기 바란다.
\r\n
\r\n
앞으로의 과제로서는 특정인물 영상검색에 있어 인물영상의 특징으로서 복장의 외관 특징뿐 아니라 얼굴 특징이나 걷는 모습 특징 등 복수의 특징을 이용함으로써 검색 정밀도를 향상시키는 것과 SVM 등의 학습방법을 이용한 적합성 피드백 방법으로 조건분할형 적합성 피드백을 적용하는 것을 생각할 수 있다.
\r\n
\r\n
\r\n
\r\n
\r\n
\r\n
참고문헌
\r\n
1) M.J.Metternich and M.Worring. Semi-interactive tracing of persons in real-life surveillance data. In Proceedings of the 2nd ACM workshop on Multimedia in forensics, security and intelligence, pages 43-48 (2010)
\r\n
\r\n
2) M.Fischer, H.K.Ekenel and R.Stiefelhagen. Person re-identification in TV series using robust face recognition and user feedback. Multimedia Tools and Applications, pages 83-104 (2011)
\r\n
\r\n
3) Martin Bauml, Makarand Tapaswi, Arne Schumann and Rainer Stiefelhagen. Contextual constraints for person retrieval in camera networks. In Proceedings of the 9th IEEE International Conference on Advanced Video and Signal- Based Surveillance (AVSS), pages 221-227 (2012)
\r\n
\r\n
4) Rocchio, J.: Relevance feedback in information retrieval (1971)
\r\n
\r\n
5) 이세키 요헤이, 가와니시 야스토모, 무쿠노키 마사유키, 미노 미치히코: 방범 카메라 영상에 있어 조건분할형 적합성 피드백에 의한 특정인물 영상검색, 정보처리학회 연구보고(CVIM), pages 1-8 (2013)
\r\n
\r\n
인물 검출 : 어떤 1장의 영상이 주어졌을 때 그 영상 속에 찍혀 있는 인물의 외접 구형 영역을 획득하는 것.
\r\n
\r\n
인물 추적 : 카메라 영상 속에 어떤 인물이 관측되었을 때 그 인물이 카메라 내로 들어와서 나갈 때까지의 궤적을 획득하는 것.
\r\n
\r\n
적합성 피드백 : 정보검색에 있어서 사용자에 대해 검색결과의 적합/ 부적합 피드백을 요구하고 그것을 검색 시 순위에 반영하는 방법.
\r\n
\r\n
\r\n
\r\n
[월간 시큐리티월드 통권 제205호(sw@infothe.com)]
\r\n
\r\n
<저작권자 : www.securityworldmag.co.kr) 무단전재-재배포금지>
\r\n
