스포츠 영상에서 팀 구분을 위한 지능형 분류 알고리즘

본 논문은 축구 경기 영상을 대상으로 전경(선수) 검출과 팀 구분을 자동화하기 위한 일련의 영상 처리·분류 알고리즘을 제안한다. 서론에서는 움직임 검출과 객체 분할이 다양한 분야에서 중요해졌으며, 특히 스포츠 영상에서 선수들의 색상·위치 정보를 실시간으로 추출하는 것이 전술 분석에 필수적임을 강조한다. 기존 배경 모델링 기법으로는 칼만 필터, 가우시안 혼합 모델, Wiener 필터 등이 소개되지만, 색 분포가 단일 가우시안으로 표현되지 않을 경우 성능이 저하된다는 문제점을 지적한다. 이에 저자는 두 가지 전처리 방식을 제안한다. 첫 번째는 히스토그램 기반 임계값 설정으로, RGB 각 채널의 히스토그램에서 고·저 임계값을 찾아 이진화한 뒤 논리곱 연산을 수행해 전경을 추출한다. 이 방법은 구현이 간단하지만, 배경과 전경의 색상이 겹칠 경우 오탐이 발생한다. 두 번째는 비모수적 커널 밀도 추정(KDE) 기반 배경 모델링이다. 최근 N개의 픽셀값을 가우시안 커널로 합산해 각 픽셀의 확률밀도 함수를 추정하고, 사전 정의된 임계값 이하이면 전경으로 판정한다. 커널 폭 σ는 각 색채널별 연속 샘플 간 절대 차이의 중앙값을 이용해 동적으로 계산한다. 이 방식은 조명 변화와 그림자에 대한 강인성을 제공한다. 또 다른 핵심 기법으로 특이값 분해(SVD)를 이용한 배경 억제가 소개된다. 영상 행렬 A를 U·Σ·Vᵀ 형태로 분해하고, 에너지 비율이 높은 상위 k개의 특이값만을 보존해 저차원 근사 영상을 재구성한다. 잡음·그림자·하이라이트는 낮은 특이값에 집중되는 특성을 이용해 제거한다. 논문은 전체 특이값의 에너지 분포와 각 색채널별 표준편차 곡선을 분석해 최적 k값을 결정하는 절차를 제시한다. 이를 통해 전경 검출 정확도가 향상되고, 그림자에 의한 오탐이 크게 감소한다는 실험 결과를 제시한다. 분류 단계에서는 네 가지 감독 학습 알고리즘을 적용한다. ① 하이브리드 색공간 기반 분류: RGB 외에 HSV, XYZ 등 19개의 후보 색채널 중 평균 거리 차이가 가장 큰 세 채널(예: Saturation, Green, Blue)을 선택해 3차원 특징벡터를 만든다. 각 선수 영역의 평균 색값을 추출하고, 팀 A·B의 모델 평균과의 유클리드 거리를 계산해 최소 거리 기준으로 클래스를 할당한다. 실험 결과 팀 A 95%, 팀 B 92%의 분류율을 달성한다. ② 색상 순간 차이(moment difference) 알고리즘: 색상 순간(평균, 분산, 왜도)을 이용해 전경과 배경을 구분한다. ③ 퍼지 논리 기반 분류: 색상 멤버십 함수를 정의하고, 퍼지 규칙에 따라 팀을 판정한다. ④ 인공신경망 기반 분류: 다층 퍼셉트론을 학습시켜 색상 특징을 입력으로 팀을 예측한다. 실험은 튀니지 국내 리그 경기 영상 한 편을 대상으로 수행했으며, 전처리 단계에서 SVD와 KDE를 결합한 방법이 기존 히스토그램 기반 방법보다 그림자 억제와 전경 검출에서 우수함을 보였다. 특히 하이브리드 색공간 분류는 전체 93% 수준의 정확도를 기록했다. 그러나 논문에는 몇 가지 한계가 있다. 데이터셋이 한 경기로 제한되어 일반화 가능성을 검증하기 어렵고, 조명 변화·카메라 움직임·다양한 유니폼 색상에 대한 실험이 부족하다. 또한 최신 딥러닝 기반 객체 검출·분할 모델과의 비교가 없으며, 연산 복잡도와 실시간 처리 가능성에 대한 분석이 부재하다. SVD 특이값 선택 기준이 경험적이며 자동화된 파라미터 튜닝 절차가 제시되지 않아 재현성이 떨어진다. 퍼지·신경망 분류 결과도 하이퍼파라미터·교차 검증 등에 대한 상세 설명이 부족하다. 결론적으로, 이 연구는 비모수적 배경 모델링과 SVD 기반 잡음 억제, 그리고 색공간 최적화를 결합해 스포츠 영상에서 팀 구분 문제에 적용한 초기 시도라 할 수 있다. 향후 연구에서는 다양한 경기 환경을 포함한 대규모 데이터셋 구축, 딥러닝 기반 방법과의 성능 비교, 실시간 구현을 위한 알고리즘 최적화 등을 통해 제안 방법의 실용성과 일반화를 강화할 필요가 있다.