Minhyeok의 Notion - 노션에서 옮기는 중

Detection

• Training
  1. 객체/비객체 이미지 수집
  2. 객체를 대표할 적합한 Feature 추출
  3. Classifier or Threshold를 통한 객체 분류
• Testing
  1. input image에서 Feature 추출
  2. Trained Classifier을 통한 객체 탐지

Face Detection

• Harr-like feature

  • 사각형 영역의 픽셀 합의 차이 계산

  • 검은 영역 픽셀 합에서 흰 영역 픽셀 합 뺌

    

• Training
  • 사각형 크기와 위치를 바꾸면서 여러 Feature 생성
  • 생성된 Feature 중 얼굴을 분류하는 특징 선택
  • Adaboost (Adaptive Boosting)

    • Boosting: set of weak-learner 로부터 strong-learner 생성

    • Adaptive: 각 샘플의 가중치는 already-trained weak learners의 정확도에 의해 조정됨

      

• Cascade classifier
  • 여러 weak learner로부터 strong learner 생성 (계단식)
  • 비얼굴 영역 빠르게 제거
• Integral image
  • 특정 지점까지의 누적 합
  • 빠르게 영역의 픽셀합을 계산할 수 있음
    

Tracking

• 사용자가 ROI를 지정하거나, Detecting을 통한 영역 설정

Mean-Shift

• 데이터에서 density function의 최댓값을 찾는 반복적 방법
• Histogram Backprojection
  • input image에 대한 찾을 object model 에 대한 확률 값을 픽셀 값을 통해 계산, 표현

⇒ 1. initial detection 에서 object model을 만든 후, input image에 대해 object model을 활용하여 histogram backprojection

2. backprojection image에서 mean-shift localization을 통해 object tracking

• Camshift
  • mean-shift의 개선 버전
  • search window can be changed

Optical Flow

• 프레임 간 픽셀 밝기 패턴의 움직임을 나타냄
• KLT Algorithm (Kanade-Lucas-Tomasi):
  • Assumption
    • Intensity of object 는 연속적인 프레임에서는 변화 x
    • Movement of pixels 는 인접 pixel과 유사
      
  • 빠른 움직임은 감지하기 힘듬 ⇒ Image Pyramid 사용