객체 추적

객체 추적은 비디오 프레임 시퀀스에서 하나 이상의 움직이는 객체를 식별하고 따라가는 것을 포함하는 컴퓨터 비전(CV)의 기본 작업입니다. 단일 이미지에서 객체의 위치를 찾는 객체 탐지와 달리, 객체 추적은 각 객체에 고유한 ID를 할당하고 객체가 움직이거나, 모양이 바뀌거나, 일시적으로 가려질 때도 ID를 유지함으로써 시간적 차원을 추가합니다. 이 기능은 시간이 지남에 따라 객체의 행동, 상호 작용 및 움직임 패턴을 더 깊이 이해할 수 있게 해주어 많은 동적 비디오 분석 애플리케이션의 초석이 됩니다.

객체 추적 작동 방식

객체 추적 과정은 일반적으로 객체 탐지 모델을 사용하여 비디오의 첫 번째 프레임에서 객체를 식별하고 위치를 파악하는 것으로 시작합니다. 탐지된 각 객체에는 고유한 추적 ID가 할당됩니다. 후속 프레임에서 추적 알고리즘은 이러한 객체의 새로운 위치를 예측하고 새로 탐지된 객체와 일치시키려고 시도합니다. 이 과정은 다양한 기술에 의존합니다.

• 움직임 예측: 칼만 필터(KF)와 같은 알고리즘은 과거 상태(위치, 속도)를 기반으로 객체의 미래 위치를 추정하는 데 사용됩니다. 이는 다음 프레임에서 객체에 대한 검색 영역을 좁히는 데 도움이 됩니다.
• 외형 매칭: 여기에는 색상 히스토그램 또는 딥러닝 기반 임베딩과 같이 객체에서 고유한 특징을 추출하는 작업이 포함됩니다. 이러한 특징은 폐색 또는 외형의 상당한 변화 후에도 객체를 다시 식별하는 데 도움이 되는 고유한 서명을 만듭니다.
• 데이터 연결: 이는 기존 트랙을 새로운 탐지와 일치시키는 중요한 단계입니다. 헝가리안 알고리즘 또는 ByteTrack 및 BoT-SORT와 같은 고급 방법은 많은 객체가 있는 복잡한 시나리오에서도 이 연결을 처리합니다.

객체 추적 vs. 객체 탐지

객체 추적과 객체 탐지는 밀접하게 관련되어 있지만, 서로 다른 목적을 수행합니다.

• 객체 탐지(Object Detection): 이는 단일 이미지 또는 비디오 프레임 내에서 객체를 식별하고 분류하는 프로세스입니다. 출력은 각 객체에 대한 바운딩 박스(bounding boxes), 클래스 레이블 및 신뢰도 점수(confidence scores)의 집합입니다. 이는 "이 프레임에 어떤 객체가 있습니까?"라는 질문에 대한 답변을 제공합니다.
• 객체 추적: 이는 객체 탐지를 기반으로 합니다. 각 프레임에서 탐지된 객체를 가져와 전체 비디오 시퀀스에서 연결하고 각 객체에 영구 ID를 할당합니다. 이는 "이 특정 객체는 어디로 향하고 있는가?"라는 질문에 대한 해답을 제공합니다.

본질적으로 객체 탐지는 스냅 사진을 찍는 것으로 생각할 수 있으며, 객체 추적은 비디오에서 각 객체의 여정에 대한 지속적인 스토리를 만듭니다. Ultralytics YOLO 모델은 이 두 가지를 완벽하게 통합하여 사용자가 높은 효율성과 정확도로 다중 객체 추적을 수행할 수 있도록 합니다.

실제 애플리케이션

객체 추적은 다양한 산업 분야에서 수많은 응용 분야를 가진 혁신적인 기술입니다.

• 스마트 감시 및 보안: 보안에서 객체 추적은 사람과 차량을 실시간으로 모니터링하는 데 사용됩니다. 시스템은 제한 구역에 들어가는 사람을 자동으로 추적하거나, 주차장에서 의심스러운 차량을 추적하거나, 건물에 출입하는 사람 수를 계산하도록 구성할 수 있습니다. 이를 통해 지속적인 사람의 감독 없이 자동화된 경고 및 포렌식 분석이 가능합니다. 예를 들어, 근무 시간 이후에 미리 정의된 구역으로 이동하는 사람이 추적되면 트리거되도록 보안 경보 시스템을 구축할 수 있습니다.
• 자율 주행 차량: 자율 주행 자동차의 경우 다른 차량, 보행자 및 자전거 타는 사람을 추적하는 것이 안전한 탐색에 매우 중요합니다. 주변 객체를 추적함으로써 차량은 해당 궤적을 예측하고(예: 길을 건너려는 보행자) 충돌을 피하기 위해 정보에 입각한 결정을 내릴 수 있습니다. 이 지속적인 추적은 단일 프레임 감지보다 훨씬 풍부한 환경 이해를 제공합니다.
• 스포츠 분석: 코치와 분석가는 객체 추적을 사용하여 경기장에서 선수 움직임을 모니터링합니다. 각 선수를 추적하여 포메이션을 분석하고, 이동 거리 및 속도와 같은 성능 지표를 측정하고, 더 나은 게임 전략을 개발할 수 있습니다. 이는 자세 추정과 결합하여 선수 기술을 자세히 분석할 수 있습니다.
• 소매 분석: 소매업체는 추적을 사용하여 매장 내 고객 행동을 파악합니다. 통행 패턴, 다양한 통로에서의 체류 시간, 제품과의 상호 작용을 분석하여 기업은 매장 레이아웃을 최적화하고 고객 경험을 개선할 수 있습니다. 이는 대기열 관리에 사용하여 계산대에서의 대기 시간을 줄이는 데에도 사용할 수 있습니다.

도구 및 구현

최신 도구와 프레임워크를 통해 강력한 객체 추적 솔루션 구현이 그 어느 때보다 쉬워졌습니다.

• 라이브러리 및 프레임워크: OpenCV와 같은 라이브러리는 비디오 처리를 위한 기본 도구를 제공하며 여러 가지 고전적인 추적 알고리즘을 포함합니다. 딥 러닝 프레임워크(예: PyTorch 및 TensorFlow)는 추적의 백본 역할을 하는 강력한 감지 모델을 구축하는 데 사용됩니다.
• Ultralytics YOLO 모델: Ultralytics는 고성능 추적 구현을 간소화합니다. YOLO11과 같은 모델은 간단한 명령으로 활성화할 수 있는 기본 제공된 고도로 최적화된 추적 기능을 제공합니다. 이 통합을 통해 개발자는 객체, 인스턴스 세분화 및 포즈 추적과 같은 작업에 최첨단 감지를 활용할 수 있습니다. YOLO11 객체 추적 가이드에 따라 빠르게 시작할 수 있습니다.
• End-to-End 플랫폼: 데이터 어노테이션에서 모델 배포에 이르기까지 전체 머신 러닝 수명 주기를 관리하기 위해 Ultralytics HUB와 같은 플랫폼은 포괄적인 도구 모음을 제공합니다. 이를 통해 맞춤형 모델 훈련 및 프로덕션 환경으로의 배포 프로세스를 간소화합니다.