제한된 경계에서의 상관 필터 효율 향상 방안

초록

본 논문은 기존 상관 필터가 푸리에 영역에서 효율적이지만, 순환 이동에 따른 경계 효과로 실제 성능이 저하되는 문제를 지적한다. 저자는 마스크 행렬을 이용해 학습 샘플의 경계 영향을 크게 감소시키는 새로운 목표 함수를 제안하고, 이를 증강 라그랑주 방법(ADMM)으로 풀어 푸리에 영역의 계산 효율성을 유지한다. 실험 결과, 제안 방법은 MOSSE 등 기존 방법보다 추적·검출 정확도와 속도 모두에서 우수함을 보인다.

상세 분석

본 연구는 상관 필터가 푸리에 변환을 이용해 O(N D log D)의 복잡도로 학습·적용될 수 있다는 장점을 강조하면서도, 실제 영상에서 순환 이동(circular shift)으로 인해 발생하는 경계 효과(boundary effect)가 학습 데이터의 대부분을 왜곡한다는 근본적인 한계를 지적한다. 기존 MOSSE와 같은 방법은 D 차원의 패치를 D개의 순환 이동으로 확장해 학습하지만, 이때 D‑1개의 샘플은 이미지 경계에서 잘려 나가 비현실적인 패치를 만든다. 논문은 이러한 비율이 1/D에 불과함을 수학적으로 보여주며, 경계 효과가 검출·추적 성능을 크게 저하시킨다고 주장한다.

이를 해결하기 위해 저자는 학습 이미지 x를 필터 h보다 크게 설정하고, T > D인 경우 마스크 행렬 P(1과 0으로 구성)를 도입해 실제 유효 영역만을 사용하도록 목표 함수를 재정의한다. 이때 경계에 영향을 받지 않는 샘플 비율은 (T‑D+1)/T가 되어, T≫D일 경우 거의 모든 샘플이 정상적인 형태를 유지한다. 그러나 이렇게 하면 기존의 푸리에 영역에서의 닫힌 형태 해법이 사라지고, 직접적인 공간 도메인 연산으로 전환되면 O(D³+N D²)의 높은 복잡도가 발생한다는 새로운 딜레마가 생긴다.

저자는 이 문제를 증강 라그랑주 방법(ADMM)으로 해결한다. 목표 함수를 보조 변수 𝑔̂와 제약 𝑔̂ = √D F P h 로 분리하고, 라그랑주 승수 ζ̂와 페널티 파라미터 μ를 도입해 교번 최적화를 수행한다. 각 서브문제는 (1) 𝑔̂ 업데이트: 자동 스펙트럼 𝑠̂_xx와 교차 스펙트럼 𝑠̂_xy를 이용해 원소별 연산으로 O(T) 시간에 해결, (2) h 업데이트: 역 FFT와 마스크 적용으로 O(T log T) 시간, (3) 라그랑주 승수 업데이트로 구성된다. 전체 알고리즘의 복잡도는 사전 계산 O(N T log T)와 K번의 반복 비용 O(K T log T)을 합쳐 O(