Intro 지난 포스트에서는 Lucas-Kanade Algorithm에 추가된 Assumption을 이용해 Optical Flow를 어떻게 구하는지 알아봤다. 이번 포스트에서는 Lucas-Kanade Algorithm을 보완하기 위해 가중치를 통해 정확도를 올리는 방법과 Big Motion에 대응하기 위해 제안된 방법을 다뤄보겠다. 또한, 이전 포스트에서는 다루지 않은 Sparse Optical Flow의 고질적인 문제점에 대해서도 언급할 예정이다. Weighted Window Lucas-Kanade Algorithm은 Window 기반으로 설계되었다. 같은 Window 내의 픽셀들은 같은 Optical Flow 값을 갖는다. 가정이기 때문에 의문을 던지지 않았겠지만, 조금만 생각해보면 현실과 괴리가 크..
Intro 앞서 구했던 Optical Flow Constraint Equation(OFC)는 실제로 Optical Flow를 구하기에는 식이 부족했다. 미지수 2개, 식 1개로 방정식의 해를 특정할 수 없다. 그래서 우리는 가정을 추가해야 하는데 첫 번째 방법은 Lucas-Kanade Method이다. 추가된 Assumption, Optical Flow 계산, 장단점 순으로 글을 전개하겠다. Assumption Lucas-Kanade Method에서 추가한 가정은 이 알고리즘의 특징을 잘 보여준다. 픽셀 (y, x)를 중심으로 생성한 nXn의 윈도우 N(y, x)의 Optical Flow는 같다. 즉, 윈도우 내부의 픽셀은 모두 같은 방향으로 움직이며, 이에 따라 Motion Vector 값이 같다. 이..
Intro 이전 포스트에서 Optical Flow가 무엇인지 알아봤다. 또한, 3차원에서 2차원으로 압축이 되며 발생한 많은 정보 손실에 대해서도 이야기했다. 이러한 문제를 극복하기 위해 Optical Flow는 몇 가지 가정을 하게 된다. 처음 포스트에서 다루었던 Coherence 개념이 여기서 이름만 바꿔서 다시 등장하게 된다. Assumptions 2차원으로 압축된 이미지에서 3차원의 움직임을 계산하기 위해서 우리는 가정을 해야만 한다. 이는 현실을 훼손하지 않는 범위 내에서 이뤄져야 하며, 문제를 풀기 위해 중요한 단서가 되어야만 한다. Brightness is constant Bright Constancy는 첫 포스트에서 다뤘던 Image Coherence와 매칭 되는 가정이다. 이는 이미지의 ..
Intro 이전 포스트에서 Optical Flow의 단서를 찾았다. 정확히 말하면 컴퓨터가 사람처럼 물체의 움직임을 인지하도록 만들 단서를 찾았다. 그러면 Optical Flow 계산만 남은 것일까? 진정 Computer는 사람처럼 물체의 움직임을 인지할 수 있을까? 이번 포스트에서는 이름부터 직접적으로 물체의 움직임을 나타내는 Motion Field와 Optical Flow를 비교한다. 즉, 놀랍게도 Optical Flow는 물체의 움직임을 나타내는 게 아니다. 그렇다면 도대체 무엇인가? 물체의 움직임을 나타낸 Motion Field를 먼저 살펴보도록 하자. Motion Field 우리들의 친절한 이웃 Wikipedia는 Motion Field에 대해 다음과 같이 정의하고 있다. In computer ..
Intro 인간은 어떻게 물체의 움직임을 예측할까? 많은 Computer Vision 분야가 그러듯 Optical Flow 역시 인간의 사고 흐름을 분석하며 발전해왔다. 눈치가 빠른 사람들은 이미 감을 잡았겠지만, Optical Flow는 물체의 움직임을 예측하는데 큰 역할을 한다. 그렇다면 그 이름이 Motion Flow, Object Flow 등이 아니라 왜 하필이면 Optical Flow인가? 이 질문에 답하기 앞서 다시 처음 질문으로 돌아가자. 인간은 어떻게 물체의 움직임을 예측할까? 근육의 움직임을 볼 수도 있고, 경험론적일 수도 있다. 그러다 곰곰이 생각해보면 관성에 의거함을 알 수 있다. 가만히 있는 물체는 가만히 있을 것이라 생각하고, 움직이는 물체는 그 방향으로 나아갈 것을 예상한다. 그..
