KR20220133567A - 객체 추적 방법 및 장치 - Google Patents
객체 추적 방법 및 장치 Download PDFInfo
- Publication number
- KR20220133567A KR20220133567A KR1020210038841A KR20210038841A KR20220133567A KR 20220133567 A KR20220133567 A KR 20220133567A KR 1020210038841 A KR1020210038841 A KR 1020210038841A KR 20210038841 A KR20210038841 A KR 20210038841A KR 20220133567 A KR20220133567 A KR 20220133567A
- Authority
- KR
- South Korea
- Prior art keywords
- template
- feature map
- image
- object tracking
- search
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000001629 suppression Effects 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/12—Bounding box
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
객체 추적 방법 및 장치가 제공된다. 그 방법은 템플릿 영상의 타겟 박스의 형상에 기초하여 템플릿 영상의 억제 영역을 설정하고, 템플릿 영상의 템플릿 특징 맵에서 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 템플릿 특징 맵을 개선하고, 개선된 템플릿 특징 맵에 기초하여 탐색 영상에서 타겟 박스에 대응하는 바운딩 박스를 결정하는 단계들을 포함한다.
Description
아래 실시예들은 객체 추적 방법 및 장치에 관한 것이다.
인식 프로세스의 기술적 자동화는, 예를 들어, 특수한 계산 구조로서 프로세서로 구현된 뉴럴 네트워크 모델을 통해 구현되었으며, 이는 상당한 훈련 후에 입력 패턴과 출력 패턴 사이에서 계산상 직관적인 매핑을 제공할 수 있다. 이러한 맵핑을 생성하는 훈련된 능력은 신경망의 학습 능력이라 할 수 있다. 더구나, 특화된 훈련으로 인해, 이와 같이 특화되어 훈련된 신경망은, 예를 들어, 훈련하지 않은 입력 패턴에 대하여 비교적 정확한 출력을 발생시키는 일반화 능력을 가질 수 있다.
일 실시예에 따르면, 객체 추적 방법은 템플릿 영상의 타겟 박스의 형상에 기초하여 상기 템플릿 영상의 억제 영역을 설정하는 단계; 상기 템플릿 영상의 템플릿 특징 맵에서 상기 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 상기 템플릿 특징 맵을 개선하는 단계; 및 상기 개선된 템플릿 특징 맵에 기초하여 탐색 영상에서 상기 타겟 박스에 대응하는 바운딩 박스를 결정하는 단계를 포함한다.
상기 억제 영역은 상기 템플릿 영상 내 외곽 영역에 해당할 수 있다. 객체 추적 방법은 상기 타겟 박스의 폭과 높이를 비교하는 단계; 및 상기 비교 결과에 기초하여 상기 타겟 박스의 상기 형상을 폭 방향으로 긴 제1 유형 또는 높이 방향으로 긴 제2 유형으로 결정하는 단계를 더 포함할 수 있다. 상기 억제 영역을 설정하는 단계는 상기 타겟 박스가 상기 제1 유형에 해당하면 상기 템플릿 영상의 상기 높이 방향의 외곽에 상기 억제 영역을 설정하는 단계; 및 상기 타겟 박스가 상기 제2 유형에 해당하면 상기 템플릿 영상의 상기 폭 방향의 외곽에 상기 억제 영역을 설정하는 단계를 포함할 수 있다. 상기 템플릿 특징 맵을 개선하는 단계는 상기 템플릿 특징 맵에 기초한 평균 특징 값을 상기 특징 데이터에 적용하여 상기 특징 데이터의 상기 영향력을 억제하는 단계를 포함할 수 있다.
상기 객체 추적 방법은 상기 타겟 박스와 상기 바운딩 박스 간의 차이, 및 상기 바운딩 박스의 신뢰도 중 적어도 하나에 기초하여 상기 개선된 템플릿 특징 맵을 업데이트하는 단계를 더 포함할 수 있다. 상기 개선된 템플릿 특징 맵은 상기 차이가 제1 임계치보다 작고 상기 신뢰도가 제2 임계치보다 큰 경우 업데이트될 수 있다. 상기 개선된 템플릿 특징 맵을 업데이트하는 단계는 상기 탐색 영상의 탐색 특징 맵에 기초하여 새로운 특징 맵을 결정하는 단계; 및 상기 템플릿 특징 맵 및 상기 새로운 특징 맵의 가중 합을 수행하여 상기 개선된 템플릿 특징 맵을 업데이트하는 단계를 포함할 수 있다. 상기 새로운 특징 맵을 결정하는 단계는 상기 탐색 특징 맵에서 상기 템플릿 영상에 대응하는 템플릿 영역을 결정하는 단계; 및 상기 템플릿 영역에서 상기 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 상기 새로운 특징 맵을 결정하는 단계를 포함할 수 있다.
상기 객체 추적 방법은 특징 추출 모델을 이용하여 상기 템플릿 영상으로부터 상기 템플릿 특징 맵을 추출하는 단계; 및 상기 특징 추출 모델을 이용하여 상기 탐색 영상으로부터 탐색 특징 맵을 추출하는 단계를 더 포함할 수 있다. 상기 바운딩 박스를 결정하는 단계는 상기 개선된 템플릿 특징 맵과 상기 탐색 특징 맵 간의 비교 결과에 기초하여 상기 바운딩 박스를 결정하는 단계를 포함할 수 있다.
일 실시예에 따르면, 객체 추적 장치는 프로세서; 및 상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리를 포함하고, 상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는 템플릿 영상의 타겟 박스의 형상에 기초하여 상기 템플릿 영상의 억제 영역을 설정하고, 상기 템플릿 영상의 템플릿 특징 맵에서 상기 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 상기 템플릿 특징 맵을 개선하고, 상기 개선된 템플릿 특징 맵에 기초하여 탐색 영상에서 상기 타겟 박스에 대응하는 바운딩 박스를 결정한다.
일 실시예에 따르면, 전자 장치는 템플릿 영상 및 탐색 영상 중 적어도 하나를 생성하는 카메라; 및 상기 템플릿 영상의 타겟 박스의 형상에 기초하여 상기 템플릿 영상의 억제 영역을 설정하고, 상기 템플릿 영상의 템플릿 특징 맵에서 상기 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 상기 템플릿 특징 맵을 개선하고, 상기 개선된 템플릿 특징 맵에 기초하여 탐색 영상에서 상기 타겟 박스에 대응하는 바운딩 박스를 결정하는, 프로세서를 포함한다.
도 1은 일 실시예에 따른 객체 추적 장치의 구성 및 동작을 개략적으로 나타낸다.
도 2는 일 실시예에 따른 객체 추적 동작의 세부 동작들의 예시를 나타낸다.
도 3은 일 실시예에 따른 불균형 템플릿들의 예시를 나타낸다.
도 4 및 도 5는 일 실시예에 따른 불균형 템플릿들의 추적 결과들 및 템플릿 개선 결과들을 나타낸다.
도 6은 일 실시예에 따른 템플릿 개선 기반의 객체 추적 동작을 나타낸다.
도 7은 일 실시예에 따른 템플릿 업데이트 동작을 나타낸다.
도 8은 일 실시예에 따른 템플릿 업데이트 기반의 객체 추적 동작을 나타낸다.
도 9는 일 실시예에 따른 템플릿 개선 동작 및 템플릿 업데이트 기반의 객체 추적 동작을 나타낸다.
도 10은 일 실시예에 따른 객체 추적 장치의 구성을 나타내는 블록도이다.
도 11은 일 실시예에 따른 객체 추적 방법을 나타내는 플로우 차트이다.
도 12는 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 2는 일 실시예에 따른 객체 추적 동작의 세부 동작들의 예시를 나타낸다.
도 3은 일 실시예에 따른 불균형 템플릿들의 예시를 나타낸다.
도 4 및 도 5는 일 실시예에 따른 불균형 템플릿들의 추적 결과들 및 템플릿 개선 결과들을 나타낸다.
도 6은 일 실시예에 따른 템플릿 개선 기반의 객체 추적 동작을 나타낸다.
도 7은 일 실시예에 따른 템플릿 업데이트 동작을 나타낸다.
도 8은 일 실시예에 따른 템플릿 업데이트 기반의 객체 추적 동작을 나타낸다.
도 9는 일 실시예에 따른 템플릿 개선 동작 및 템플릿 업데이트 기반의 객체 추적 동작을 나타낸다.
도 10은 일 실시예에 따른 객체 추적 장치의 구성을 나타내는 블록도이다.
도 11은 일 실시예에 따른 객체 추적 방법을 나타내는 플로우 차트이다.
도 12는 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 객체 추적 장치의 구성 및 동작을 개략적으로 나타낸다. 도 1을 참조하면, 객체 추적 장치(object tracking apparatus, 100)는 템플릿 영상(template image, 101) 및 탐색 영상(search image, 102)에 기초하여 추적 결과(tracking result, 103)를 출력할 수 있다. 템플릿 영상(101)은 추적의 대상이 되는 타겟 객체의 정보를 제공할 수 있다. 객체 추적 장치(100)는 템플릿 영상(101)의 타겟 객체 정보를 이용하여 탐색 영상(102)에서 타겟 객체를 추적할 수 있다. 추적 결과(103)는 탐색 영상(102) 내 타겟 객체의 위치를 나타낼 수 있다.
일 실시예에 따르면, 템플릿 영상(101)과 탐색 영상(102)은 일련의 연속적인 영상 프레임들에 대응할 수 있다. 예를 들어, 템플릿 영상(101)은 복수의 프레임들을 포함하는 비디오 파일의 어느 하나의 프레임에 대응할 수 있고, 탐색 영상(102)은 템플릿 영상(101)에 대응하는 프레임 이후의 적어도 하나의 프레임에 대응할 수 있다. 다른 일 실시예에 따르면, 템플릿 영상(101)과 탐색 영상(102)은 서로 독립적인 파일에 대응할 수 있다. 예를 들어, 탐색 영상(102)은 복수의 프레임들을 포함하는 비디오 파일에 대응할 수 있고, 템플릿 영상(101)은 해당 비디오 파일과 무관한 스틸 영상 파일에 대응할 수 있다. 어느 경우든 템플릿 영상(101)은 타겟 객체를 포함할 수 있고, 객체 추적 장치(100)는 탐색 영상(102)에서 타겟 객체를 추적하여 추적 결과(103)를 생성할 수 있다. 템플릿 영상(101) 및 탐색 영상(102)은 대응 영상 프레임의 전체 영역에 해당하거나, 혹은 대응 영상 프레임의 일부 영역에 해당할 수 있다.
객체 추적 장치(100)는 객체 추적 모델(110)을 이용하여 추적 결과(103)를 생성할 수 있다. 객체 추적 모델(110)은 기계 학습(machine learning) 기반의 인공지능 모델(artificial intelligence model)일 수 있다. 예를 들어, 객체 추적 모델(110)은 복수의 레이어들을 포함하는 딥 뉴럴 네트워크(deep neural network, DNN)를 포함할 수 있다. 복수의 레이어들은 입력 레이어(input layer), 적어도 하나의 히든 레이어(hidden layer), 및 출력 레이어(output layer)를 포함할 수 있다.
딥 뉴럴 네트워크는 완전 연결 네트워크(fully connected network, FCN), 컨볼루셔널 뉴럴 네트워크(convolutional neural network, CNN), 및 리커런트 뉴럴 네트워크(recurrent neural network, RNN) 중 적어도 하나를 포함할 수 있다. 예를 들어, 뉴럴 네트워크 내 복수의 레이어들 중 적어도 일부는 CNN에 해당할 수 있고, 다른 일부는 FCN에 해당할 수 있다. 이 경우, CNN은 컨볼루셔널 레이어로 지칭될 수 있고, FCN은 완전 연결 레이어로 지칭될 수 있다.
CNN의 경우, 각 레이어에 입력되는 데이터는 입력 특징 맵(input feature map)으로 지칭될 수 있고, 각 레이어에서 출력되는 데이터는 출력 특징 맵(output feature map)으로 지칭될 수 있다. 입력 특징 맵 및 출력 특징 맵은 액티베이션 데이터(activation data)로 지칭될 수도 있다. 컨볼루셔널 레이어가 입력 레이어에 해당하는 경우, 입력 레이어의 입력 특징 맵은 입력 영상일 수 있다. 입력 특징 맵과 웨이트 커널(weight kernel) 간의 컨볼루션 연산을 통해 출력 특징 맵이 생성될 수 있다. 입력 특징 맵, 출력 특징 맵, 및 웨이트 커널은 각각 텐서(tensor) 단위로 구분될 수 있다.
뉴럴 네트워크는 딥 러닝에 기반하여 트레이닝된 후, 비선형적 관계에 있는 입력 데이터 및 출력 데이터를 서로 매핑함으로써 트레이닝 목적에 맞는 추론(inference)을 수행해낼 수 있다. 딥 러닝은 빅 데이터 세트로부터 영상 또는 음성 인식과 같은 문제를 해결하기 위한 기계 학습 기법이다. 딥 러닝은 준비된 트레이닝 데이터를 이용하여 뉴럴 네트워크를 트레이닝하면서 에너지가 최소화되는 지점을 찾아가는 최적화 문제 풀이 과정으로 이해될 수 있다.
딥 러닝의 지도식(supervised) 또는 비지도식(unsupervised) 학습을 통해 뉴럴 네트워크의 구조, 혹은 모델에 대응하는 웨이트(weight)가 구해질 수 있고, 이러한 웨이트를 통해 입력 데이터 및 출력 데이터가 서로 매핑될 수 있다. 뉴럴 네트워크의 폭과 깊이가 충분히 크면 임의의 함수를 구현할 수 있을 만큼의 용량(capacity)을 가질 수 있다. 뉴럴 네트워크가 적절한 트레이닝 과정을 통해 충분히 많은 양의 트레이닝 데이터를 학습하면 최적의 성능을 달성할 수 있다.
아래에서 뉴럴 네트워크가 '미리' 트레이닝된 것으로 표현될 수 있는데, 여기서 '미리'는 뉴럴 네트워크가 '시작'되기 전을 나타낼 수 있다. 뉴럴 네트워크가 '시작'되었다는 것은 뉴럴 네트워크가 추론을 위한 준비가 된 것을 의미할 수 있다. 예를 들어, 뉴럴 네트워크가 '시작'된 것은 뉴럴 네트워크가 메모리에 로드된 것, 혹은 뉴럴 네트워크가 메모리에 로드된 이후 뉴럴 네트워크에 추론을 위한 입력 데이터가 입력된 것을 포함할 수 있다.
객체 추적 장치(100)는 템플릿 영상(101) 및 탐색 영상(102)을 객체 추적 모델(110)에 입력할 수 있고, 객체 추적 모델(110)의 출력으로부터 추적 결과(103)를 획득할 수 있다. 객체 추적 모델(110)은 템플릿 영상(101) 및 탐색 영상(102)의 입력에 기초하여 추적 결과(103)를 출력하도록 미리 트레이닝될 수 있다.
객체 추적 모델(110)의 입력 사이즈는 고정될 수 있고, 고정된 입력 사이즈는 다양한 형태의 타겟 객체를 추적하기에 대처하기에 부적합할 수 있다. 예를 들어, 객체 추적 모델(110)의 입력은 정사각형 혹은 정사각형에 가까운 디멘젼(dimension)을 가질 수 있고, 이 경우 길쭉한 형태의 타겟 객체에 대한 추적 정확도가 떨어질 수 있다. 템플릿 영상(101)에는 타겟 객체 정보 이외에 배경에 해당하는 컨텍스트 정보가 포함되는데, 길쭉한 형태의 타겟 객체에 대해 정사각형의 타겟 박스가 적용되면 템플릿에서 컨텍스트 정보가 차지하는 비중이 지나치게 높을 수 있기 때문이다. 일 실시예에 따르면, 객체 추적 장치(100)는 타겟 객체의 형태에 적합하게 템플릿을 개선(refine)하여 타겟 객체의 형태에 따른 성능 저하를 방지할 수 있다.
또한, 템플릿 영상(101)의 타겟 객체는 탐색 영상(102)에 변형된 형태로 나타날 수 있다. 예를 들어, 어느 육상 선수가 타겟 객체에 해당하는 경우, 육상 선수는 포즈에 따라 탐색 영상(102)에 다양한 형태로 나타날 수 있다. 객체 추적 장치(100)는 타겟 객체의 변화에 따라 템플릿 영상(101)을 업데이트할 수 있다. 일 실시예에 따르면, 객체 추적 장치(100)는 타겟 객체의 변화에 관한 임계치 및/또는 가중 연산(weighted operation)에 기초한 업데이트를 통해 객체 추적의 안정성을 유지할 수 있다. 일 실시예에 따르면, 객체 추적 장치(100)는 템플릿 업데이트를 위한 새로운 템플릿에 템플릿 개선을 적용하여 객체 추적 성능을 최대화할 수 있다.
도 2는 일 실시예에 따른 객체 추적 동작의 세부 동작들의 예시를 나타낸다. 도 2를 참조하면, 객체 추적 장치는 특징 추출(feature extracting, 210), 유사도 산정(similarity calculation, 220), 및 바운딩 박스 회귀(bounding box regression, 230)에 기초하여 객체 추적을 수행할 수 있다. 특징 추출(210), 유사도 산정(220), 및 바운딩 박스 회귀(230) 중 적어도 하나는 객체 추적 모델을 통해 수행될 수 있다. 예를 들어, 객체 추적 모델은 특징 추출(210)을 위한 특징 추출 네트워크, 유사도 산정(220)을 위한 유사도 산정 네트워크, 바운딩 박스 회귀(230)를 위한 바운딩 박스 회귀 네트워크 중 적어도 하나를 포함할 수 있다. 특징 추출 네트워크, 유사도 산정 네트워크, 및 바운딩 박스 회귀 네트워크는 각각 뉴럴 네트워크에 해당할 수 있다. 일례로, 객체 추적 모델은 샴 네트워크(Siamese network)를 포함할 수 있다.
객체 추적 장치는 템플릿 영상(201)으로부터 템플릿 특징 맵(211)을 추출할 수 있고, 탐색 영상(203)으로부터 탐색 특징 맵(212)을 추출할 수 있다. 객체 추적 장치는 파라미터를 공유하는 객체 추적 모델 및/또는 특징 추출 모델을 이용하여 특징 맵(211) 및 탐색 특징 맵(212)을 추출할 수 있다. 도 2의 예시는 템플릿 영상(201)이 비디오의 어느 프레임(이하, 제n 프레임이라 지칭)의 일부 영역에 해당하고, 탐색 영상(203)이 해당 프레임의 다음 프레임(이하, 제n+1 프레임이라 지칭)의 일부 영역에 해당하는 경우를 나타낸다.
제n 프레임에서 타겟 객체가 검출되면, 타겟 객체에 대응하는 타겟 박스(202)가 지정될 수 있다. 타겟 박스(202)는 바운딩 박스(bounding box)의 일종으로, 박스 위치 정보(예: x 좌표 및 y 좌표) 및 박스 사이즈 정보(예: 폭(width) 및 높이(height))를 통해 특정될 수 있다. 타겟 박스(202)의 위치 및 사이즈에 기초하여 템플릿 영상(201)이 결정될 수 있다. 템플릿 영상(201)에 기초하여 탐색 영상(203)이 결정될 수 있다. 보다 구체적으로, 제n 프레임 내 템플릿 영상(201)의 위치 및 사이즈에 기초하여 제n+1 프레임에서 탐색 영상(203)이 결정될 수 있다. 탐색 영상(203)의 사이즈는 템플릿 영상(201)에 비해 크게 결정될 수 있다. 템플릿 영상(201)은 타겟 객체의 정보 및 컨텍스트 정보를 포함할 수 있다. 타겟 객체의 정보는 타겟 박스(202)의 내부에 포함될 수 있고, 컨텍스트 정보는 타겟 박스(202)의 외부에 포함될 수 있다. 템플릿 특징 맵(211)은 이러한 타겟 객체의 정보 및 컨텍스트 정보를 포함할 수 있다.
객체 추적 장치는 템플릿 특징 맵(211)과 탐색 특징 맵(212)을 비교하여 유사도를 산정할 수 있다. 유사도 산정(220)은 유사도 산정 네트워크를 통해 수행될 수 있다. 유사도 산정 네트워크는 상호 상관(cross correlation) 레이어를 통해 템플릿 특징 맵(211)과 탐색 특징 맵(212) 간의 상호 상관을 도출할 수 있다. 산정 결과는 타겟 객체의 정보 및/또는 템플릿 특징 맵(211)에 대응하는 탐색 영상(203) 내의 위치를 나타낼 수 있다. 예를 들어, 산정 결과는 탐색 영상(203)에 대응하는 탐색 공간(221)에 대응 위치(222) 및/또는 대응 위치(222)의 스코어를 표시할 수 있다.
객체 추적 장치는 탐색 영상(203)에 대응하는 탐색 공간(231)에서 대응 위치(222)의 바운딩 박스들(232)을 이용한 회귀 분석 수행할 수 있다. 객체 추적 장치는 회귀 분석을 통해 탐색 영상(203)에서 타겟 박스(202)에 대응하는 바운딩 박스(204)를 검출할 수 있고, 바운딩 박스(204)의 위치 정보에 기초하여 추적 결과를 생성할 수 있다.
도 3은 일 실시예에 따른 불균형 템플릿들의 예시를 나타낸다. 상술된 것처럼, 템플릿 영상은 타겟 객체의 정보 및 컨텍스트 정보를 포함할 수 있다. 컨텍스트 정보는 타겟 객체 주변의 정보를 제공하여 타겟 객체의 추적에 도움을 줄 수 있으나, 템플릿 영상에서 컨텍스트 정보의 비중이 지나치게 큰 경우 추적 성능이 떨어질 수 있다. 템플릿 영상 내 타겟 객체의 정보와 컨텍스트 정보 간의 적절한 균형은 추적 성능을 향상시킬 수 있다.
도 3을 참조하면, 불균형 템플릿 영상들(300)은 제1 유형의 제1 타겟 박스(311)를 포함하는 제1 템플릿 영상(310) 및 제2 유형의 제2 타겟 박스(321)를 포함하는 제2 템플릿 영상(320)을 포함한다. 제1 타겟 박스(311)는 폭 방향(301)으로 긴 막대(bar) 형상을 가질 수 있고, 제2 타겟 박스(321)는 높이 방향(302)으로 긴 막대 형상을 가질 수 있다. 막대 형상은 박스의 폭과 높이 간의 차이가 미리 정해진 임계치보다 큰 것을 의미할 수 있다. 예를 들어, 폭:높이=1:2 내지 2:1와 같이, 박스의 폭과 높이 간의 비율에 대해 임계 범위가 설정될 수 있고, 해당 임계 범위를 벗어나는 형상을 막대 형상으로 정의할 수 있다.
객체 추적 네트워크는 고정된 사이즈의 입력을 이용할 수 있다. 예를 들어, 네트워크 입력은 타겟 객체의 형상과 무관하게 타겟 박스의 폭 및 높이에 기초한 정사각형 형상을 가질 수 있다. 사각형의 한 변의 길이는 ((w_z*h_z)^2)^(1/2)과 같이 계산될 수 있고, 여기서 w_z는 박스 폭+(1/2)*(박스 폭+박스 높이), h_z는 박스 높이+(1/2)*(박스 폭+박스 높이)일 수 있다. 따라서, 이러한 막대 형상의 타겟 박스를 포함하는 템플릿 영상에는 컨텍스트 정보의 비중이 지나치게 높게 포함될 수 있다. 불균형 템플릿 영상들(300)의 예시로 막대 형상의 타겟 박스들(311, 312)을 포함하는 템플릿 영상들(310, 320)이 소개되지만, 불균형 템플릿 영상들(300)은 템플릿 영상들(310, 320) 외에 타겟 객체의 정보와 컨텍스트 정보 간에 균형이 맞지 않는 다른 유형의 템플릿 영상을 포함할 수 있다. 객체 추적 장치는 불균형 템플릿 영상들(300)의 정보 균형을 도출하여 추적 성능을 향상시킬 수 있다. 보다 구체적으로, 객체 추적 장치는 과도한 정보에 해당하는 영역을 억제 영역으로 설정하여 정보 균형을 도출할 수 있다. 예를 들어, 객체 추적 장치는 템플릿 영상들(310, 320)에서 컨텍스트 정보를 제공하는 영역을 억제하여 정보 균형을 도출할 수 있다.
도 4 및 도 5는 일 실시예에 따른 막대 형상의 타겟 박스들의 추적 결과들 및 템플릿 개선 결과들을 나타낸다. 도 4 및 도 5를 참조하면, 타겟 객체들(411, 511)는 막대 형상에 대응하므로, 템플릿 영상들(410, 510)에 지나치게 많은 컨텍스트 정보가 포함될 수 있다. 이에 따라, 타겟 객체들(421, 521)이 다음 프레임의 대응 영역들(420, 520)을 점차 벗어날 수 있고, 이는 추적 성능을 떨어지는 결과를 초래할 수 있다. 대응 영역들(420, 520)은 탐색 영상의 탐색 영역에서 템플릿 영상들(410, 520)에 대응하는 일부를 나타낼 수 있다. 객체 추적 장치는 템플릿 영상들(410, 510)에 억제 영역들(431, 531)을 설정하여 템플릿 영상들(410, 510)을 개선할 수 있다. 예를 들어, 객체 추적 장치는 템플릿 특징 맵에서 억제 영역들(431, 531)에 대응하는 특징 데이터의 영향력을 억제할 수 있다. 개선된 템플릿 영상들(430, 530)은 타겟 객체의 정보와 컨텍스트 정보를 적절한 비율로 포함하므로 추적 성능의 저하를 막을 수 있다.
도 6은 일 실시예에 따른 템플릿 개선 기반의 객체 추적 동작을 나타낸다. 도 6을 참조하면, 객체 추적 동작(600)은 특징 추출(611, 620), 템플릿 개선(612), 유사도 산정(630), 및 바운딩 박스 회귀(640)를 포함할 수 있다. 객체 추적 장치는 특징 추출 모델을 이용하여 템플릿 영상(601)으로부터 템플릿 특징 맵을 추출하고, 탐색 영상(602)으로부터 탐색 특징 맵을 추출할 수 있다. 객체 추적 장치는 템플릿 영상(601) 및/또는 템플릿 특징 맵에 관한 템플릿 개선(612)을 수행할 수 있다. 보다 구체적으로, 객체 추적 장치는 템플릿 영상(601)의 타겟 박스의 형상에 기초하여 템플릿 영상(601)에 억제 영역(603)을 설정할 수 있고, 템플릿 특징 맵에서 억제 영역(603)에 대응하는 특징 데이터의 영향력을 억제할 수 있다.
억제 영역(603)은 템플릿 영상(601) 내 외곽 영역에 해당할 수 있다. 객체 추적 장치는 타겟 박스의 폭과 높이를 비교하고, 비교 결과에 기초하여 타겟 박스의 형상을 폭 방향으로 긴 제1 유형 또는 높이 방향으로 긴 제2 유형으로 결정할 수 있다. 도 6의 예시에서, 템플릿 영상(601)의 타겟 박스는 제2 유형에 해당할 수 있다. 객체 추적 장치는 타겟 박스가 상기 제1 유형에 해당하면 템플릿 영상(601)의 높이 방향의 외곽에 제1 억제 영역을 설정할 수 있고, 타겟 박스가 제2 유형에 해당하면 템플릿 영상의 폭 방향의 외곽에 제2 억제 영역을 설정할 수 있다. 제1 억제 영역은 템플릿 영상(601)의 상하 외곽 영역에 폭 방향으로 길게 설정될 수 있고, 제2 억제 영역은 템플릿 영상(601)의 좌우 외곽 영역에 높이 방향으로 길게 설정될 수 있다. 도 6의 예시에서, 억제 영역(603)은 제2 억제 영역에 해당할 수 있다.
객체 추적 장치는 템플릿 특징 맵에 기초한 평균 특징 값을 억제 영역(603)에 대응하는 특징 데이터에 적용하여 특징 데이터의 영향력을 억제할 수 있다. 예를 들어, 객체 추적 장치는 억제 영역(603)에 대응하는 특징 데이터를 템플릿 특징 맵의 전체 특징 데이터의 평균 특징 값 또는 타겟 박스에 대응하는 템플릿 특징 맵의 일부 특징 데이터의 평균 특징 값으로 대체할 수 있다. 객체 추적 장치는 개선된 템플릿 특징 맵과 탐색 특징 맵 간의 비교 결과에 기초하여 탐색 영상(602) 내 바운딩 박스(604)를 결정할 수 있다. 템플릿 개선(612)은 억제 영역(603)에 대응하는 특징 데이터의 영향력을 억제할 수 있고, 이에 따라 유사도 산정(630)이 타겟 객체 중심으로 수행될 수 있다.
도 7은 일 실시예에 따른 템플릿 업데이트 동작을 나타낸다. 상술된 것처럼, 탐색 영상에서 타겟 객체의 형태는 다양하게 변형될 수 있다. 제1 영상 프레임 세트(710)의 제1 템플릿 영상(711)의 타겟 박스(712)의 타겟 객체의 형상은 제1 탐색 영상(713)의 바운딩 박스(714)와 같이 변형될 수 있다. 제1 영상 프레임 세트(710)에서 타겟 객체는 책자에 해당하는데, 제1 탐색 영상(713)에서 책자의 일부 페이지가 접혔다. 제2 영상 프레임 세트(720)의 제2 템플릿 영상(721)의 타겟 박스(722)의 타겟 객체의 형상은 제2 탐색 영상(723)의 바운딩 박스(724)와 같이 변형될 수 있다. 제2 영상 프레임 세트(720)에서 타겟 객체는 육상 선수에 해당하는데, 제2 탐색 영상(723)에서 육상 선수의 포즈가 바뀌었다.
객체 추적 장치는 이러한 타겟 객체의 변화에 기초하여 템플릿을 업데이트할 수 있다. 객체 추적 장치는 업데이트 조건에 기초하여 템플릿을 업데이트할 수 있다. 업데이트 조건은 경과 시간, 타겟 박스(712 또는 722)와 바운딩 박스(714 또는 724) 간의 차이, 및 바운딩 박스(714 또는 724)의 신뢰도 중 적어도 하나에 대해 설정될 수 있다. 템플릿 업데이트는 추적 성능을 높일 수 있으나, 템플릿의 과도한 변화는 추적의 안정성을 떨어뜨릴 수 있다. 객체 추적 장치는 작은 변화에 대응하도록 설정된 업데이트 조건 및/또는 가중 연산을 통한 업데이트에 기초하여 추정의 안정성을 유지하면서 추적 성능을 높일 수 있다.
예를 들어, 경과 시간에 관한 임계치가 설정될 수 있고, 경과 시간이 임계치보다 적어야 한다는 업데이트 조건이 설정될 수 있다. 경과 시간이 늘어날수록 타겟 객체의 형상이 많이 바뀔 수 있기 때문이다. 경과 시간은 객체 추적이 수행됨에 따라 경과된 시간을 의미할 수 있다.
또한, 타겟 박스(712 또는 722)와 바운딩 박스(714 또는 724) 간의 차이에 관한 임계치가 설정될 수 있고, 차이가 임계치보다 작아야 한다는 조건이 설정될 수 있다. 타겟 박스(712 또는 722)와 바운딩 박스(714 또는 724) 간의 차이가 클수록 타겟 객체의 형상이 많이 바뀐 것을 의미할 수 있기 때문이다. 박스들 간의 차이는 박스들 간의 거리를 의미할 수 있고, 각 박스의 기준 점(예: 박스 중심) 간의 비교를 통해 결정될 수 있다.
또한, 바운딩 박스(714 또는 724)의 신뢰도에 관한 임계치가 설정될 수 있고, 신뢰도가 임계치보다 커야 한다는 조건이 설정될 수 있다. 유사도 산정 및/또는 바운딩 박스 회귀 시 바운딩 박스(714 또는 724)에 대한 신뢰도가 결정될 수 있다. 신뢰도는 바운딩 박스(714 또는 724)가 타겟 객체에 대응할 가능성을 나타낼 수 있다. 신뢰도가 높다는 것은 타겟 객체의 형상의 변화가 적다는 것을 의미할 수 있기 때문이다.
객체 추적 장치는 경과 시간, 타겟 박스(712 또는 722)와 바운딩 박스(714 또는 724) 간의 차이, 및 바운딩 박스(714 또는 724)의 신뢰도 중 적어도 하나에 대해 업데이트 조건을 설정할 수 있고, 설정된 조건이 모두 만족됨에 따라 템플릿 업데이트를 수행할 수 있다. 예를 들어, 타겟 박스(712 또는 722)와 바운딩 박스(714 또는 724) 간의 차이에 관한 제1 임계치, 및 바운딩 박스(714 또는 724)의 신뢰도에 관한 제2 임계치가 업데이트 조건으로 설정될 수 있다.
제1 영상 프레임 세트(710)의 경우, 제1 타겟 박스(712)와 제1 바운딩 박스(714) 간의 차이가 제1 임계치보다 작고, 제1 바운딩 박스(714)의 신뢰도가 제2 임계치보다 클 수 있다. 이 경우, 객체 추적 장치는 제1 탐색 영상(713)에 기초하여 제1 템플릿 영상(711)을 업데이트할 수 있다. 이와 달리, 제2 영상 프레임 세트(720)의 경우, 제2 타겟 박스(722)와 제2 바운딩 박스(724) 간의 차이가 제1 임계치보다 크거나, 제2 바운딩 박스(724)의 신뢰도가 제2 임계치보다 작을 수 있다. 이 경우, 제2 템플릿 영상(721)은 업데이트되지 않을 수 있다.
제1 영상 프레임 세트(710)의 경우, 객체 추적 장치는 제1 탐색 영상(713)에 대응하는 새로운 템플릿을 결정할 수 있고, 템플릿 영상(711)에 대응하는 기존의 템플릿과 새로운 템플릿에 기초한 가중 연산을 통해 업데이트된 템플릿(730)을 생성할 수 있다. 여기서, 기존의 템플릿, 새로운 템플릿, 및 업데이트된 템플릿(730)은 각각 특징 맵에 대응할 수 있다. 가중 연산은 가중 합에 해당할 수 있고, 안정적인 업데이트를 위해 기존의 템플릿 쪽에 높은 가중치가 부여될 수 있다.
도 8은 일 실시예에 따른 템플릿 업데이트 기반의 객체 추적 동작을 나타낸다. 도 8을 참조하면, 객체 추적 동작(800)은 특징 추출(810, 820), 유사도 산정(830), 바운딩 박스 회귀(840), 업데이트 조건 체크(850), 새로운 템플릿 결정(860), 및 템플릿 업데이트(870)를 포함할 수 있다. 객체 추적 장치는 특징 추출 모델을 이용하여 템플릿 영상(801)으로부터 템플릿 특징 맵을 추출하고, 탐색 영상(802)으로부터 탐색 특징 맵을 추출할 수 있다. 객체 추적 장치는 템플릿 특징 맵 및 탐색 특징 맵에 기초하여 유사도 산정(830) 및 바운딩 박스 회귀(840)를 수행할 수 있고, 탐색 영상(802) 내 바운딩 박스(803)를 결정할 수 있다.
객체 추적 장치는 바운딩 박스(803)에 기초하여 업데이트 조건 체크(850), 새로운 템플릿 결정(860), 및 템플릿 업데이트(870)를 수행할 수 있다. 업데이트 조건 체크(850), 새로운 템플릿 결정(860), 및 템플릿 업데이트(870)는 탐색 영상(802)의 후처리에 해당할 수 있다. 객체 추적 장치는 객체 추적 장치는 경과 시간, 타겟 박스와 바운딩 박스(803) 간의 차이, 및 바운딩 박스(803)의 신뢰도 중 적어도 하나에 관한 업데이트 조건을 체크할 수 있다. 업데이트 조건이 만족되면, 객체 추적 장치는 탐색 영상(802)에 기초하여 새로운 템플릿(861)을 결정할 수 있다. 객체 추적 장치는 탐색 특징 맵에서 템플릿 영상 및/또는 템플릿 특징 맵에 대응하는 일부 특징 데이터를 새로운 템플릿(861)으로 결정할 수 있다.
객체 추적 장치는 템플릿 영상(801)에 대응하는 기존의 템플릿(811)과 탐색 영상(802)에 대응하는 새로운 템플릿(861) 간의 가중 연산에 기초하여 업데이트된 템플릿(871)을 결정할 수 있다. 기존의 템플릿(811), 새로운 템플릿(861), 및 업데이트된 템플릿(871)은 각각 특징 맵에 대응할 수 있고, 가중 연산은 가중 합에 해당할 수 있다. 예를 들어, 기존의 템플릿(811)과 새로운 템플릿(861)에 9:1의 가중치가 부여될 수 있다. 기존의 템플릿(811) 쪽에 높은 가중치가 부여됨에 따라 추적 안정성이 유지될 수 있다.
도 9는 일 실시예에 따른 템플릿 개선 동작 및 템플릿 업데이트 기반의 객체 추적 동작을 나타낸다. 도 9를 참조하면, 객체 추적 동작(900)은 특징 추출(911, 920), 템플릿 개선(912), 유사도 산정(930), 바운딩 박스 회귀(940), 업데이트 조건 체크(950), 새로운 템플릿 결정(960), 및 템플릿 업데이트(970)를 포함할 수 있다. 도 9의 객체 추적 동작(900)은 도 8의 객체 추적 동작(800)에 비해 템플릿 개선(912)을 더 포함할 수 있다. 템플릿 영상(901)이 불균형 유형에 해당하므로, 객체 추적 장치는 템플릿(913)에 억제 영역을 적용하여 개선된 템플릿(914)을 생성할 수 있다. 이 경우, 템플릿 업데이트(970)를 위해 새로운 템플릿(961)도 개선될 필요가 있다. 따라서, 객체 추적 장치는 새로운 템플릿(961)에 억제 영역을 적용하여 새로운 개선된 템플릿(962)을 생성할 수 있다.
보다 구체적으로, 업데이트 조건이 만족되면, 객체 추적 장치는 탐색 특징 맵에서 템플릿 영상(901) 및/또는 템플릿 특징 맵에 대응하는 일부 특징 데이터를 새로운 템플릿(961)으로 결정할 수 있다. 예를 들어, 객체 추적 장치는 탐색 특징 맵에서 템플릿 특징 맵에 대응하는 템플릿 영역을 결정하고, 템플릿 영역에서 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 새로운 특징 맵을 결정할 수 있다. 객체 추적 장치는 새로운 템플릿(961)에 템플릿 영상(901)의 억제 영역 또는 바운딩 박스(903)의 유형에 기초한 새로운 억제 영역을 적용하여 새로운 개선된 템플릿(962)을 생성할 수 있다. 객체 추적 장치는 기존의 개선된 템플릿(914)과 새로운 개선된 템플릿(962) 간의 가중 연산에 기초하여 업데이트된 템플릿(971)을 결정할 수 있다. 템플릿들(913, 914, 961, 962, 971)은 각각 특징 맵에 대응할 수 있다. 가중 연산은 가중 합에 해당할 수 있고, 기존의 개선된 템플릿(914) 쪽에 높은 가중치가 부여될 수 있다. 그 밖에, 도 9의 객체 추적 동작(900)에는 도 6 및 도 8의 설명이 추가로 적용될 수 있다.
도 10은 일 실시예에 따른 객체 추적 장치의 구성을 나타내는 블록도이다. 도 10을 참조하면, 객체 추적 장치(1000)는 프로세서(1010) 및 메모리(1020)를 포함한다. 메모리(1020)는 프로세서(1010)에 연결되고, 프로세서(1010)에 의해 실행가능한 명령어들, 프로세서(1010)가 연산할 데이터 또는 프로세서(1010)에 의해 처리된 데이터를 저장할 수 있다. 메모리(1020)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.
프로세서(1010)는 도 1 내지 도 9, 도 11, 및 도 12의 동작을 수행하기 위한 명령어들을 실행할 수 있다. 예를 들어, 프로세서(1010)는 템플릿 영상의 타겟 박스의 형상에 기초하여 템플릿 영상의 억제 영역을 설정하고, 템플릿 영상의 템플릿 특징 맵에서 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 템플릿 특징 맵을 개선하고, 개선된 템플릿 특징 맵에 기초하여 탐색 영상에서 타겟 박스에 대응하는 바운딩 박스를 결정할 수 있다. 그 밖에, 객체 추적 장치(1000)에는 도 1 내지 도 9, 도 11, 및 도 12의 설명이 적용될 수 있다.
도 11은 일 실시예에 따른 객체 추적 방법을 나타내는 플로우 차트이다. 도 11을 참조하면, 객체 추적 장치는 단계(1110)에서 템플릿 영상의 타겟 박스의 형상에 기초하여 템플릿 영상의 억제 영역을 설정하고, 단계(1120)에서 템플릿 영상의 템플릿 특징 맵에서 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 템플릿 특징 맵을 개선하고, 단계(1130)에서 개선된 템플릿 특징 맵에 기초하여 탐색 영상에서 타겟 박스에 대응하는 바운딩 박스를 결정할 수 있다. 그 밖에, 객체 추적 방법에는 도 1 내지 도 10, 및 도 12의 설명이 적용될 수 있다.
도 12는 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다. 도 12를 참조하면, 전자 장치(1200)는 프로세서(1210), 메모리(1220), 카메라(1230), 저장 장치(1240), 입력 장치(1250), 출력 장치(1260) 및 네트워크 인터페이스(1270)를 포함할 수 있으며, 이들은 통신 버스(1280)를 통해 서로 통신할 수 있다. 예를 들어, 전자 장치(1200)는 이동 전화, 스마트 폰, PDA, 넷북, 태블릿 컴퓨터, 랩톱 컴퓨터 등과 같은 모바일 장치, 스마트 워치, 스마트 밴드, 스마트 안경 등과 같은 웨어러블 디바이스, 데스크탑, 서버 등과 같은 컴퓨팅 장치, 텔레비전, 스마트 텔레비전, 냉장고 등과 같은 가전 제품, 도어 락, CCTV 등과 같은 보안 장치, 자율주행 차량, 스마트 차량, 드론 등과 같은 운송 수단의 적어도 일부로 구현될 수 있다. 전자 장치(1200)는 도 1의 객체 추적 장치(100) 및/또는 도 11의 객체 추적 장치(1100)를 구조적 및/또는 기능적으로 포함할 수 있다.
프로세서(1210)는 전자 장치(1200) 내에서 실행하기 위한 기능 및 명령어들을 실행한다. 예를 들어, 프로세서(1210)는 메모리(1220) 또는 저장 장치(1240)에 저장된 명령어들을 처리할 수 있다. 프로세서(1210)는 도 1 내지 도 11을 통하여 설명된 동작을 수행할 수 있다. 메모리(1220)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 메모리(1220)는 프로세서(1210)에 의해 실행하기 위한 명령어들을 저장할 수 있고, 전자 장치(1200)에 의해 소프트웨어 및/또는 애플리케이션이 실행되는 동안 관련 정보를 저장할 수 있다.
카메라(1230)는 사진 및/또는 비디오를 촬영할 수 있다. 예를 들어, 카메라(1230)는 템플릿 영상 및 탐색 영상 중 적어도 하나를 생성할 수 있다. 저장 장치(1240)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함한다. 저장 장치(1240)는 메모리(1220)보다 더 많은 양의 정보를 저장하고, 정보를 장기간 저장할 수 있다. 예를 들어, 저장 장치(1240)는 자기 하드 디스크, 광 디스크, 플래쉬 메모리, 플로피 디스크 또는 이 기술 분야에서 알려진 다른 형태의 비휘발성 메모리를 포함할 수 있다.
입력 장치(1250)는 키보드 및 마우스를 통한 전통적인 입력 방식, 및 터치 입력, 음성 입력, 및 이미지 입력과 같은 새로운 입력 방식을 통해 사용자로부터 입력을 수신할 수 있다. 예를 들어, 입력 장치(1250)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전자 장치(1200)에 전달할 수 있는 임의의 다른 장치를 포함할 수 있다. 출력 장치(1260)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 전자 장치(1200)의 출력을 제공할 수 있다. 출력 장치(1260)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(1270)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (20)
- 템플릿 영상의 타겟 박스의 형상에 기초하여 상기 템플릿 영상의 억제 영역을 설정하는 단계;
상기 템플릿 영상의 템플릿 특징 맵에서 상기 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 상기 템플릿 특징 맵을 개선하는 단계; 및
상기 개선된 템플릿 특징 맵에 기초하여 탐색 영상에서 상기 타겟 박스에 대응하는 바운딩 박스를 결정하는 단계
를 포함하는 객체 추적 방법. - 제1항에 있어서,
상기 억제 영역은 상기 템플릿 영상 내 외곽 영역에 해당하는,
객체 추적 방법. - 제1항에 있어서,
상기 타겟 박스의 폭과 높이를 비교하는 단계; 및
상기 비교 결과에 기초하여 상기 타겟 박스의 상기 형상을 폭 방향으로 긴 제1 유형 또는 높이 방향으로 긴 제2 유형으로 결정하는 단계
를 포함하는 객체 추적 방법. - 제3항에 있어서,
상기 억제 영역을 설정하는 단계는
상기 타겟 박스가 상기 제1 유형에 해당하면 상기 템플릿 영상의 상기 높이 방향의 외곽에 상기 억제 영역을 설정하는 단계; 및
상기 타겟 박스가 상기 제2 유형에 해당하면 상기 템플릿 영상의 상기 폭 방향의 외곽에 상기 억제 영역을 설정하는 단계
를 포함하는, 객체 추적 방법. - 제1항에 있어서,
상기 템플릿 특징 맵을 개선하는 단계는
상기 템플릿 특징 맵에 기초한 평균 특징 값을 상기 특징 데이터에 적용하여 상기 특징 데이터의 상기 영향력을 억제하는 단계를 포함하는,
객체 추적 방법. - 제1항에 있어서,
상기 타겟 박스와 상기 바운딩 박스 간의 차이, 및 상기 바운딩 박스의 신뢰도 중 적어도 하나에 기초하여 상기 개선된 템플릿 특징 맵을 업데이트하는 단계
를 더 포함하는, 객체 추적 방법. - 제6항에 있어서,
상기 개선된 템플릿 특징 맵은 상기 차이가 제1 임계치보다 작고 상기 신뢰도가 제2 임계치보다 큰 경우 업데이트되는,
객체 추적 방법. - 제6항에 있어서,
상기 개선된 템플릿 특징 맵을 업데이트하는 단계는
상기 탐색 영상의 탐색 특징 맵에 기초하여 새로운 특징 맵을 결정하는 단계; 및
상기 템플릿 특징 맵 및 상기 새로운 특징 맵의 가중 합을 수행하여 상기 개선된 템플릿 특징 맵을 업데이트하는 단계
를 포함하는, 객체 추적 방법. - 제8항에 있어서,
상기 새로운 특징 맵을 결정하는 단계는
상기 탐색 특징 맵에서 상기 템플릿 영상에 대응하는 템플릿 영역을 결정하는 단계; 및
상기 템플릿 영역에서 상기 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 상기 새로운 특징 맵을 결정하는 단계
를 포함하는, 객체 추적 방법. - 제1항에 있어서,
특징 추출 모델을 이용하여 상기 템플릿 영상으로부터 상기 템플릿 특징 맵을 추출하는 단계; 및
상기 특징 추출 모델을 이용하여 상기 탐색 영상으로부터 탐색 특징 맵을 추출하는 단계
를 더 포함하는, 객체 추적 방법. - 제10항에 있어서,
상기 바운딩 박스를 결정하는 단계는
상기 개선된 템플릿 특징 맵과 상기 탐색 특징 맵 간의 비교 결과에 기초하여 상기 바운딩 박스를 결정하는 단계를 포함하는,
객체 추적 방법. - 하드웨어와 결합되어 제1항 내지 제11항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 프로세서; 및
상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리
를 포함하고,
상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는
템플릿 영상의 타겟 박스의 형상에 기초하여 상기 템플릿 영상의 억제 영역을 설정하고,
상기 템플릿 영상의 템플릿 특징 맵에서 상기 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 상기 템플릿 특징 맵을 개선하고,
상기 개선된 템플릿 특징 맵에 기초하여 탐색 영상에서 상기 타겟 박스에 대응하는 바운딩 박스를 결정하는,
객체 추적 장치. - 제13항에 있어서,
상기 프로세서는
상기 타겟 박스의 폭과 높이를 비교하고,
상기 비교 결과에 기초하여 상기 타겟 박스의 상기 형상을 폭 방향으로 긴 제1 유형 또는 높이 방향으로 긴 제2 유형으로 결정하는,
객체 추적 장치. - 제14항에 있어서,
상기 프로세서는
상기 타겟 박스가 상기 제1 유형에 해당하면 상기 템플릿 영상의 상기 높이 방향의 외곽에 상기 억제 영역을 설정하고,
상기 타겟 박스가 상기 제2 유형에 해당하면 상기 템플릿 영상의 상기 폭 방향의 외곽에 상기 억제 영역을 설정하는,
객체 추적 장치. - 제13항에 있어서,
상기 프로세서는
상기 템플릿 특징 맵에 기초한 평균 특징 값을 상기 특징 데이터에 적용하여 상기 특징 데이터의 상기 영향력을 억제하는,
객체 추적 장치. - 제13항에 있어서,
상기 프로세서는
상기 탐색 영상의 탐색 특징 맵에 기초하여 새로운 특징 맵을 결정하고,
상기 템플릿 특징 맵 및 상기 새로운 특징 맵의 가중 합을 수행하여 상기 개선된 템플릿 특징 맵을 업데이트하는,
객체 추적 장치. - 제17항에 있어서,
상기 프로세서는
상기 탐색 특징 맵에서 상기 템플릿 영상에 대응하는 템플릿 영역을 결정하고,
상기 템플릿 영역에서 상기 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 상기 새로운 특징 맵을 결정하는,
객체 추적 장치. - 템플릿 영상 및 탐색 영상 중 적어도 하나를 생성하는 카메라; 및
상기 템플릿 영상의 타겟 박스의 형상에 기초하여 상기 템플릿 영상의 억제 영역을 설정하고,
상기 템플릿 영상의 템플릿 특징 맵에서 상기 억제 영역에 대응하는 특징 데이터의 영향력을 억제하여 상기 템플릿 특징 맵을 개선하고,
상기 개선된 템플릿 특징 맵에 기초하여 탐색 영상에서 상기 타겟 박스에 대응하는 바운딩 박스를 결정하는, 프로세서
를 포함하는 전자 장치. - 제19항에 있어서,
상기 프로세서는
상기 타겟 박스의 폭과 높이 간의 비교 결과에 기초하여 상기 타겟 박스의 상기 형상을 폭 방향으로 긴 제1 유형 또는 높이 방향으로 긴 제2 유형으로 결정하고,
상기 타겟 박스가 상기 제1 유형에 해당하면 상기 템플릿 영상의 상기 높이 방향의 외곽에 상기 억제 영역을 설정하고,
상기 타겟 박스가 상기 제2 유형에 해당하면 상기 템플릿 영상의 상기 폭 방향의 외곽에 상기 억제 영역을 설정하는,
전자 장치.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210038841A KR20220133567A (ko) | 2021-03-25 | 2021-03-25 | 객체 추적 방법 및 장치 |
US17/404,413 US11715216B2 (en) | 2021-03-25 | 2021-08-17 | Method and apparatus with object tracking |
CN202110979669.XA CN115131397A (zh) | 2021-03-25 | 2021-08-25 | 对象跟踪方法和设备 |
EP21207318.3A EP4064216A1 (en) | 2021-03-25 | 2021-11-09 | Method and apparatus with object tracking |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210038841A KR20220133567A (ko) | 2021-03-25 | 2021-03-25 | 객체 추적 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220133567A true KR20220133567A (ko) | 2022-10-05 |
Family
ID=78592686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210038841A KR20220133567A (ko) | 2021-03-25 | 2021-03-25 | 객체 추적 방법 및 장치 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11715216B2 (ko) |
EP (1) | EP4064216A1 (ko) |
KR (1) | KR20220133567A (ko) |
CN (1) | CN115131397A (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11829450B2 (en) * | 2021-03-26 | 2023-11-28 | Siemens Healthineers International Ag | Dual domain tracking of target structures |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4578864B2 (ja) | 2004-06-03 | 2010-11-10 | パナソニック株式会社 | 自動追尾装置及び自動追尾方法 |
KR100696725B1 (ko) | 2005-08-30 | 2007-03-20 | 경북대학교 산학협력단 | 객체의 대칭성과 거리 벡터를 사용한 그림자 제거방법 |
WO2017054941A1 (en) | 2015-09-30 | 2017-04-06 | Fotonation Limited | A method and system for tracking an object |
KR102491638B1 (ko) | 2015-12-23 | 2023-01-26 | 한화테크윈 주식회사 | 영상 처리 장치 및 영상 처리 방법 |
CN107122741B (zh) | 2017-04-27 | 2020-06-09 | 中国科学院长春光学精密机械与物理研究所 | 一种目标跟踪方法及*** |
US10782691B2 (en) * | 2018-08-10 | 2020-09-22 | Buffalo Automation Group Inc. | Deep learning and intelligent sensing system integration |
CN109493367B (zh) | 2018-10-29 | 2020-10-30 | 浙江大华技术股份有限公司 | 一种对目标对象进行跟踪的方法和设备 |
US11030755B2 (en) * | 2019-05-13 | 2021-06-08 | Cisco Technology, Inc. | Multi-spatial scale analytics |
-
2021
- 2021-03-25 KR KR1020210038841A patent/KR20220133567A/ko not_active Application Discontinuation
- 2021-08-17 US US17/404,413 patent/US11715216B2/en active Active
- 2021-08-25 CN CN202110979669.XA patent/CN115131397A/zh active Pending
- 2021-11-09 EP EP21207318.3A patent/EP4064216A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4064216A1 (en) | 2022-09-28 |
US20220309686A1 (en) | 2022-09-29 |
CN115131397A (zh) | 2022-09-30 |
US11715216B2 (en) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11443772B2 (en) | Method for triggering events in a video | |
US10572072B2 (en) | Depth-based touch detection | |
US11640518B2 (en) | Method and apparatus for training a neural network using modality signals of different domains | |
US11948340B2 (en) | Detecting objects in video frames using similarity detectors | |
KR20220059194A (ko) | 대상 객체에 적응적인 객체 추적 방법 및 장치 | |
KR102217003B1 (ko) | 객체 추적 방법 및 이를 수행하는 장치 | |
KR20230053347A (ko) | 좌표 정보를 이용한 객체 검출 네트워크 기법 | |
KR20210115863A (ko) | 뉴럴 네트워크 모델을 위한 병렬 처리 방법 및 장치 | |
KR20230108075A (ko) | 객체 인식 방법 및 장치 | |
KR102637342B1 (ko) | 대상 객체를 추적하는 방법과 장치 및 전자 장치 | |
KR20210108082A (ko) | 위상 차를 이용하는 라이브니스 검출 방법 및 장치 | |
KR20220133567A (ko) | 객체 추적 방법 및 장치 | |
KR20230099244A (ko) | 객체 추적 방법 및 장치 | |
KR20220065209A (ko) | 다양한 품질의 영상을 인식하는 방법 및 장치 | |
KR20220039313A (ko) | 뉴럴 네트워크 연산 처리 방법 및 장치 | |
US20240037930A1 (en) | Online knowledge distillation for multi-task learning system, method, device, and program | |
KR20210058614A (ko) | 적응적인 임계치를 이용한 얼굴 검출 방법 및 장치 | |
KR20210157052A (ko) | 객체 인식 방법 및 객체 인식 장치 | |
CN112800820A (zh) | 面部检测方法和设备 | |
KR20210112834A (ko) | 뉴럴 네트워크 내 레이어에 관한 컨볼루션 연산의 처리 방법 및 장치 | |
KR20230153206A (ko) | 객체 추적 방법 및 장치 | |
KR20240106503A (ko) | 대상 객체를 추적하는 장치와 방법, 및 전자 장치 | |
EP4276759A1 (en) | Method and apparatus with object tracking | |
KR20240061787A (ko) | 객체 추적 방법 및 장치 | |
US20240013407A1 (en) | Information processing apparatus, information processing method, and non-transitory computer-readable storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application | ||
E90F | Notification of reason for final refusal |