드라마 배경 변환 탐지를 위한 베이지안 필터링 방법 (Bayesian Filtering for Background Change Detection in TV Dramas)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 18권 / 4호 / 341 ~ 345페이지
· 저자명 : 유준희, 석호식, 장병탁

초록

이미지 인식 기법과 컴퓨팅 능력의 발달과 함께 비디오 동영상 처리를 위해 다양한 기법들이 연구되었다. 그러나 기존 연구 기법들은 특정 이미지의 반복과 같은 처리 데이터에 특화된 사전 지식을 요구하는 경우가 많았기 때문에 현재 발생하고 있는 다양한 비구조 데이터 처리에 한계를 지니고 있다. 또한 데이터의 구조 및 분포에 대한 가정에 오류가 있으면 데이터를 정확하게 근사하지 못하게 되어 정확한 모델을 추정할 수 없게 된다. 본 논문에서는 이런 문제점을 해결할 수 있도록 데이터에 대한 사전지식을 최소한만 활용하고 실제 데이터의 분석 결과에 기반하여 기저 분포를 추정하는 방법을 소개한다. 제안 방법은 파티클 필터링(particle filtering)에 기반한 것으로 많은 수의 파티클 및 파티클과 연관된 가중치를 이용하여 관찰된 데이터를 설명할 수 있는 은닉 변수(latent variable) 모델을 설정한 후 은닉 변수가 이미지를 생성할 가능성을 감안하여 이미지 변화를 추정하는 방법이다. 파티클 필터링을 이용하여 데이터 분포를 추정할 경우 데이터 분포 형태를 가정하지 않고도 분포 추정이 가능하므로 다양한 변화가 발생하는 데이터 처리에 매우 유용하다. 본 논문에서는 주어진 드라마 동영상의 배경 이미지 변화 추정에 제안 방법을 적용하였다. 제안 방법을 이용하여 동일 동영상 배경 구간을 설명할 수 있는 모델을 구성한 후 모델에 기반하여 새로 관찰된 장면(Scene)이 새로운 배경을 갖고 있을 가능성을 계산하였으며, 제안 방법의 성능을 확인하기 위하여 모델이 예측한 배경 변환 지점과 인간 실험자의 배경 변환 판단 결과를 비교·분석하였다.

영어초록

With the advancement of image recognition techniques and computing power, video analysis has recently attracted much attention. However, previous approaches have limitations for practical analysis of various unstructured video streams because they focus on very restricted features such as repeating frames. In addition, the previous studies do not ensure a proper model with the faulty assumption on the distribution and data organization. In order to alleviate these difficulties, we introduce a particle filtering-based estimation method requiring minimum prior knowledge and assumptions. The proposed method constructs a latent variable model based on a set of particles and their associated weights. This latent variable model is used to compute the likelihood of a newly observed data given the model. This method is especially effective for domains with irregular changes due to particle filtering's flexibility. We apply the proposed method to background segmenting of TV drama episodes. Each background segment is represented by a set of particles. If the likelihood of a newly observed data given the current segment model is low, then a new model is estimated. We validate the performance by comparing its estimation results with those of human estimation.

참고자료

· 없음