□ 기존 기술의 문제점

- 다중 객체 추적(Multi-object tracking; MOT)은 다중 객체의 상태(즉, 위치, 속도 또는 크기)를 연속적인 프레임(또는 스캔)에서 찾는 것으로, 부정확한 탐지, 객체 움직임이나 외형의 갑작스러운 변화, 그리고 클러터(clutter)나 다른 객체에 의한 빈번한 폐색 등의 어려운 문제가 존재하였음

□ 기술의 특징

• 다른 객체 간 차별성을 개선하기 위해 온라인 추적 중 몇 가지 시각적 및 진폭 객체 모델을 학습하는 방법 및 장치를 제공. 학습된 객체 모델을 관련도 평가에 적용하여 신뢰 기반 연관성을 향상시키고, 트랙을 초기화 또는 종료하고 중복 거짓 트랙을 제거하는 실용적 트랙 관리 방법을 제안

• 및 레이더 특징 학습 기반 온라인 다중 객체 추적 방법

• (110) : 객체 탐지부로부터 탐지된 객체의 탐지 박스 및 진폭 특성을 신뢰도  기반 데이터 연결부에 전달

• (120) : 신뢰도 기반 데이터 연결부가 탐지 박스 및 진폭 특성을 이용하여 트랙의 신뢰도 점수를 평가, 평가된 신뢰도에 따라 트랙을 분류
• (130) : 신뢰도 기반 데이터 연결부가 분류된 트랙에 대하여 신뢰도에 따라 프레임별 연결을 통해 트랙을 순차적으로 확장

• (140) : 학습부가 트랙에 관하여 객체를 추적하는 동안 시각적 특징에서 객체의 외형 모델, 움직임 모델, 형상 모델 및 진폭 모델을 학습하여 신뢰도 기반 데이터 연관을 위한 관련도 점수를 평가
•  (150) : 추적 결과 생성부의 점수에 따라 조정된 추적 박스 및 트랙을 구성하기 위해 트랙을 초기화 또는 종료하고 중복된 거짓 트랙 제거

• 및 레이더 특징 학습 기반 온라인 다중 객체 추적 장치

• 탐지부(210): 탐지된 객체의 탐지 박스 및 진폭 특성을 신뢰도 기반 데이터 연결부에 전달

• 기반 데이터 연결부(220): 탐지 박스 및 진폭 특성을 이용하여 트랙의 신뢰도 점수를 평가하고, 평가된 신뢰도에 따라 트랙을 분류하여 프레임 별 연결을 통해 트랙을 순차적으로 확장
• (230): 객체 추적 동안 시각적 특징에서 객체의 외형 모델, 움직임 모델, 형상 모델 및 진폭 모델을 학습하고, 신뢰도 기반 데이터 연관을 위한 관련도 점수를 평가

• 결과 생성부(250): 트랙을 초기화 또는 종료하고 중복된 거짓 트랙을 제거

□ 기술의 효과

- 서로 다른 객체 간의 차별성을 개선하기 위해 온라인 추적 중 몇 가지 시각적 및 진폭 객체 모델을 학습하고, 학습된 객체 모델을 관련도 평가에 적용하여 신뢰 기반 연관성을 향상시킬 수 있음

- 트랙을 초기화 또는 종료하고 중복된 거짓 트랙을 제거함으로써 트랙을 실용적으로 관리 가능