비지도 객체 탐지·추적을 위한 종속 디리클레 프로세스 혼합 모델

초록

본 논문은 프레임 차분으로 얻은 공간·색상 픽셀 정보를 이용해, 특정 객체에 맞춘 검출·위치 추정 없이도 다양한 영상에서 객체를 자동으로 탐지하고 추적하는 프레임워크를 제안한다. 종속 디리클레 프로세스 혼합 모델(Generalized Polya Urn DDPM)을 기반으로 두 가지 추론 알고리즘을 설계했으며, 합성·실제 벤치마크 영상에서 복잡한 배경, 다양한 물리적 특성, 가림 현상을 극복하며 높은 성능을 보였다.

상세 분석

이 연구는 비지도 방식으로 객체를 탐지·추적하기 위해 확률적 비모수 모델인 종속 디리클레 프로세스 혼합(DDPM)을 도입한다. 기존의 디리클레 프로세스(DP)는 정적 데이터에 적합하지만, 영상에서는 시간에 따라 객체 수와 특성이 변한다는 점을 고려해야 한다. 이를 해결하기 위해 저자들은 Generalized Polya Urn (GPUDDPM)이라는 확장된 DDPM을 사용한다. GPUDDPM은 각 시간 단계마다 새로운 클러스터(객체)를 생성하거나 기존 클러스터에 데이터를 할당하는 ‘폴리아 우른’ 메커니즘을 통해 객체의 출현·소멸을 자연스럽게 모델링한다.

입력 데이터는 프레임 차분을 통해 전경을 추출하고, 전경 픽셀의 2‑D 좌표와 RGB 색상값을 결합한 5‑차원 벡터로 표현한다. 이 벡터는 가우시안-와이불 분포(공간·색상)와 디리클레 기반 클러스터링을 동시에 수행할 수 있는 혼합 모델에 바로 투입된다. 모델은 각 클러스터에 대해 공간적 평균·공분산과 색상 평균·공분산을 파라미터화하고, 클러스터 존재 확률을 디리클레 과정의 베타 파라미터로 제어한다. 시간 의존성은 ‘삭제·복제’ 규칙을 통해 구현되며, 이는 객체가 프레임 사이에 사라지거나 재등장할 때 파라미터를 적절히 업데이트한다.

추론 알고리즘은 두 가지로 제시된다. 첫 번째는 Gibbs 샘플링 기반의 마르코프 체인 몬테카를로(MCMC) 방법으로, 각 픽셀을 현재 클러스터 할당에 따라 재샘플링하고, 클러스터 파라미터를 사후 분포에서 직접 추출한다. 이 방법은 정확도가 높지만 연산 비용이 크다. 두 번째는 입자 필터링(particle filtering) 기반의 순차적 추론으로, 실시간 처리에 적합하도록 설계되었다. 입자들은 클러스터 할당과 파라미터를 동시에 샘플링하며, 중요도 가중치를 통해 최신 프레임에 대한 적합도를 평가한다. 두 방법 모두 클러스터 수가 자동으로 조절되며, 사전 지정된 하이퍼파라미터(예: α, β)만으로도 다양한 시나리오에 적용 가능하다.

실험에서는 합성 데이터(다양한 크기·속도·색상의 원형·사각형 객체)와 실제 벤치마크( PETS2009, CAVIAR 등) 영상을 사용했다. 결과는 정밀도·재현율, ID 전환 수, 프레임당 처리 시간 등 여러 지표에서 기존의 전용 검출기 기반 트래킹(예: KLT, GMM‑HMM)보다 우수함을 보여준다. 특히 배경이 비균일하거나 조명 변화가 심한 경우에도 프레임 차분만으로 충분히 전경을 추출하고, 색상 정보가 객체 구분에 크게 기여함을 확인했다. 모델은 객체가 완전히 가려졌다가 재등장할 때도 클러스터 재활성화 메커니즘을 통해 ID 일관성을 유지한다.

한계점으로는 프레임 차분에 의존하기 때문에 정적인 카메라가 전제이며, 급격한 카메라 움직임이나 복잡한 동적 배경에서는 전처리 단계가 추가로 필요할 수 있다. 또한 색상 기반 클러스터링은 조명 변화에 민감하므로, 색상 정규화 혹은 다른 특징(텍스처, 모양)과의 결합이 향후 연구 과제로 남는다.

전반적으로 이 논문은 비지도, 비모수, 시간 의존적 모델링을 통합함으로써 객체 검출·추적 파이프라인을 크게 단순화하고, 다양한 응용 분야(감시, 로봇 비전, 교통 분석)에서 사전 학습된 검출기 없이도 실용적인 성능을 달성할 수 있음을 입증한다.