KR102286571B1 - Method for recognizing plural object in image - Google Patents
Method for recognizing plural object in image Download PDFInfo
- Publication number
- KR102286571B1 KR102286571B1 KR1020160032064A KR20160032064A KR102286571B1 KR 102286571 B1 KR102286571 B1 KR 102286571B1 KR 1020160032064 A KR1020160032064 A KR 1020160032064A KR 20160032064 A KR20160032064 A KR 20160032064A KR 102286571 B1 KR102286571 B1 KR 102286571B1
- Authority
- KR
- South Korea
- Prior art keywords
- objects
- cluster
- candidate
- learning
- recognizing
- Prior art date
Links
Images
Classifications
-
- G06K9/00369—
-
- G06K9/00523—
-
- G06K9/00536—
Landscapes
- Image Analysis (AREA)
Abstract
본 발명은 영상에서 다수의 객체를 인식하는 방법에 관한 것으로, 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법은, 복수의 객체별 학습 이미지에서 특징을 추출하고, 상기 추출된 특징 정보를 기반으로 클러스터링 모델링을 수행하여 클러스터 모델을 생성하고, 객체인식 모델링 학습을 수행하여 학습 모델을 생성하는 단계; 인식 대상 이미지를 입력받아서 특징을 추출하고, 추출된 특징 정보를 분석하여 클러스터 중심점 기반의 후보 객체 선정 과정과 클러스터 구성원 기반의 후보 객체 선정 과정을 통해 인식 대상 후보 객체들을 선정하는 단계; 및 상기 클러스터 모델 기반으로 선정된 후보 객체들을 대상으로 상기 학습 모델을 통해 개별적인 객체 인식 처리를 수행하여 복수의 객체를 인식하는 단계를 포함한다.The present invention relates to a method for recognizing a plurality of objects in an image, and the method for recognizing a plurality of objects in an image according to an embodiment of the present invention extracts features from a plurality of object-specific training images, and the extracted generating a cluster model by performing clustering modeling based on the feature information, and generating a learning model by performing object recognition modeling learning; receiving an image to be recognized, extracting a feature, analyzing the extracted feature information, and selecting candidate objects to be recognized through a cluster center point-based candidate object selection process and a cluster member-based candidate object selection process; and recognizing a plurality of objects by performing individual object recognition processing through the learning model on the candidate objects selected based on the cluster model.
Description
본 발명은 영상에서 다수의 객체를 인식하는 방법으로서, 보다 구체적으로는 인식 대상 객체의 종류가 다수일 경우에 효율적으로 영상 인식 처리를 수행할 수 있도록 하기 위한 영상에서 다수의 객체를 인식하는 방법에 관한 것이다.
The present invention relates to a method for recognizing a plurality of objects in an image, and more specifically, to a method for recognizing a plurality of objects in an image for efficiently performing image recognition processing when there are many types of objects to be recognized. it's about
영상으로부터 객체를 인식하는 기술은 영상 처리나 패턴 인식, 컴퓨터 비전과 신경망 등과 같은 다양한 분야에 걸쳐 활발히 연구되고 있으며, 상업적, 법적으로 많은 응용분야에 사용되고 있다.The technology for recognizing an object from an image is being actively studied in various fields such as image processing, pattern recognition, computer vision and neural networks, and is being used in many commercial and legal applications.
이처럼 다양한 분야에 이용되는 객체 인식 기술은 영상 또는 이미지에 포함된 다양한 객체들 즉, 사람, 자동차, 강아지 등과 같은 객체들을 각각 구별하고 인식할 수 있도록 한다. As such, the object recognition technology used in various fields distinguishes and recognizes various objects included in an image or image, that is, objects such as a person, a car, a dog, and the like.
이전까지의 객체 인식 기술은 사람, 자동차와 같은 몇 종류의 객체만을 인식할 수 있었으나, 최근 다양한 필요에 따라 그 인식 대상 객체의 종류가 증가하여 수십, 수백 종의 객체를 인식할 수 있도록 하는 요구가 늘어나고 있는 실정이다.Previous object recognition technology was able to recognize only a few types of objects, such as people and cars. It is increasing.
이에 따라 HOG(Histogram of Oriented Gradient), SIFT(Scale Invariant Feature Transform) 등과 같은 특징들을 추출하고 SVM(Support Vector Machine) 분류기 등을 통해 객체를 인식할 수 있도록 하는 다양한 기술이 개발되고 있다. Accordingly, various technologies have been developed to extract features such as Histogram of Oriented Gradient (HOG) and Scale Invariant Feature Transform (SIFT) and to recognize objects through a Support Vector Machine (SVM) classifier.
그러나, 상술한 바와 같이 적은 종류의 객체를 인식하는 경우 이외에 수백 종 이상의 다양한 종류를 대상으로 객체를 인식하는 경우에는, 이러한 기존 방법이나 기술을 통해서는 객체 인식 처리 시간이 지나치게 늘어나거나 객체 인식 성능이 떨어지는 등의 한계가 있었다. However, in the case of recognizing objects of several hundred or more types other than the case of recognizing a small number of objects as described above, the object recognition processing time is excessively increased or the object recognition performance is deteriorated through these existing methods or techniques. There were limits to falling.
즉, 기존 방식으로 수백 종 이상의 다양한 객체를 인식해야 할 경우에는 우선, 각 객체를 인식하기 위해 인식해야 할 수백 종의 객체에 대한 특징을 추출해야 하고, 추출된 특징에 대해 모두 객체인식을 수행해야 하는 절차가 필요하게 되어, 상술한 바와 같이 처리 시간 및 성능에 많은 문제점이 발생한다. That is, when it is necessary to recognize more than hundreds of various objects in the existing method, first, in order to recognize each object, the features of hundreds of objects to be recognized must be extracted, and object recognition must be performed on all the extracted features. procedure is required, and as described above, many problems occur in processing time and performance.
또한, 수백 종 이상의 객체 인식을 위해 입력되는 이미지에서 모든 특징을 추출하고 해당 특징을 각 인식기에 넣어서 인식결정을 수행하도록 하는 과정들은, 인식해야 할 객체의 종류가 많아 질수록 그 처리 시간이 늘어날 수밖에 없는 한계가 있다. In addition, the process of extracting all features from input images for recognizing more than hundreds of objects and putting the corresponding features into each recognizer to make a recognition decision, the processing time inevitably increases as the number of objects to be recognized increases. There are no limits.
아울러, 인식 대상이 수백 종 이상으로 늘어날수록 이와 같은 기존 방식으로는 그 인식 결과의 성능을 담보할 수 없는 문제점이 있다.
In addition, as the number of recognition targets increases to hundreds or more, there is a problem in that the performance of the recognition result cannot be guaranteed by such an existing method.
따라서, 본 발명은 상기와 같은 필요에 의해 창출된 것으로서, 패턴 인식 및 영상 인식을 통한 객체 검출시에, 인식 대상 객체의 종류가 매우 많은 경우에도 효율적으로 영상 인식 처리를 수행할 수 있는 객체 인식 방법을 제공하는데 그 목적이 있다.Accordingly, the present invention was created by the above needs, and when detecting an object through pattern recognition and image recognition, an object recognition method capable of efficiently performing image recognition processing even when there are very many types of objects to be recognized Its purpose is to provide
본 발명의 다른 목적 및 장점들은 하기에 설명될 것이며, 본 발명의 실시예에 의해 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 첨부된 특허 청구 범위에 나타낸 수단 및 조합에 의해 실현될 수 있다.
Other objects and advantages of the present invention will be set forth below and will be learned by way of example of the present invention. Further, the objects and advantages of the present invention may be realized by means and combinations indicated in the appended claims.
상기와 같은 목적을 달성하기 위한 본 발명의 일 측면에 따른 영상에서 다수의 객체를 인식하는 방법은, 복수의 객체별 학습 이미지에서 학습 이미지 특징 정보를 추출하고, 상기 추출된 학습 이미지 특징 정보를 기반으로 클러스터링 모델링을 수행하여 복수의 클러스터 모델을 생성하고, SVM(Support Vector Machine) 방식에 기반한 객체인식 모델링 학습을 수행하여 학습 모델을 생성하는 단계, 인식 대상 이미지를 입력받아서 특징을 추출하고, 추출된 인식 대상 이미지 특징 정보를 분석하여 클러스터 중심점 기반의 후보 객체를 선정하는 단계, 상기 클러스터 중심점 기반의 후보 객체 중에서 클러스터 구성원 기반의 최종 후보 객체를 선정하는 단계 및 상기 클러스터 모델 기반으로 선정된 후보 객체들을 대상으로 상기 학습 모델을 통해 개별적인 객체 인식 처리를 수행하여 복수의 객체를 인식하는 단계를 포함하고, 상기 SVM 객체인식 모델링 학습을 수행하여 학습 모델을 생성하는 단계는 상기 포지티브(positive) 또는 네가티브(negative) 학습 이미지들의 특징점들을 구분하는 초평면(hyperplane)을 생성하는 단계를 포함하고, 상기 클러스터 중심점 기반의 후보 객체를 선정하는 단계는 상기 인식 대상 이미지 특징 정보를 기준으로 각 객체 클러스터의 중심점까지의 거리를 기초로 KNN(K Nearest Neighbor) 방식에 기반하여 후보 클러스터를 선정하는 단계를 포함하고, 상기 클러스터 구성원 기반의 최종 후보 객체를 선정하는 단계는 상기 인식 대상 이미지 특징 정보를 기준으로 선정된 상기 후보 클러스터에 포함된 모든 구성원 객체의 특징점과 입력된 객체의 특징점과의 거리에 기초하여 KNN 방식을 기반으로 최종 후보 객체를 선정한다.A method for recognizing a plurality of objects in an image according to an aspect of the present invention for achieving the above object is to extract learning image characteristic information from a plurality of object-specific learning images, and based on the extracted learning image characteristic information to create a plurality of cluster models by performing clustering modeling with Selecting a cluster center point-based candidate object by analyzing the image feature information to be recognized, selecting a cluster member-based final candidate object from among the cluster center point-based candidate objects, and selecting candidate objects based on the cluster model and recognizing a plurality of objects by performing individual object recognition processing through the learning model, and generating a learning model by performing SVM object recognition modeling learning is positive or negative. and generating a hyperplane for classifying the feature points of the training images, wherein the selecting of the candidate object based on the cluster center point is based on the distance to the center point of each object cluster based on the recognition target image feature information. and selecting a candidate cluster based on a K Nearest Neighbor (KNN) method, and selecting the final candidate object based on the cluster member is included in the candidate cluster selected based on the recognition target image feature information. The final candidate object is selected based on the KNN method based on the distance between the feature points of all member objects and the feature points of the input object.
본 발명에 따르면, 본 발명의 영상에서 다수의 객체를 인식하는 방법은, 입력받은 이미지에 대한 객체 인식 처리시에, 먼저 클러스터 모델 기반의 후보 객체를 선정하고, 이 후보 객체를 대상으로 SVM 기반의 인식 기능을 수행하여 입력 이미지의 인식 대상 객체의 종류가 매우 많은 경우에도, 입력된 이미지의 모든 객체에 대한 인식 처리를 수행하지 않을 수 있어 인식 처리시 시스템의 부하를 줄일 수 있는 효과를 제공한다.According to the present invention, in the method of recognizing a plurality of objects in an image of the present invention, a cluster model-based candidate object is first selected during object recognition processing for an input image, and SVM-based Even when there are very many types of objects to be recognized in the input image by performing the recognition function, recognition processing for all objects of the input image may not be performed, thereby reducing the load on the system during recognition processing.
아울러, 본 발명에 따른 영상 인식 알고리즘은 클러스터 모델 기반의 후보 객체를 선정하여 인식할 대상을 축소하고 선정된 후보 객체들에 대해서만 인식기를 수행하고 객체를 인식하도록 하여 전체적인 처리 수행 시간을 효율적으로 줄이고 인식 성능을 향상시킬 수 있는 효과를 제공한다.
In addition, the image recognition algorithm according to the present invention reduces the target to be recognized by selecting a cluster model-based candidate object, and performs a recognizer on only the selected candidate objects to recognize the object, thereby effectively reducing the overall processing execution time and recognizing the object. It provides effects that can improve performance.
도 1은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차를 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 모델 기반 후보 객체 선정 절차를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 중심점 기반의 KNN 후보 결정 절차의 예를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 구성원 기반 KNN 후보 결정 절차의 예를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 객체인식을 위한 SVM 학습 절차의 예를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법이 구현되는 객체 인식 장치의 구성을 나타낸 도면이다.1 is a diagram illustrating a procedure of a method for recognizing a plurality of objects in an image according to an embodiment of the present invention.
2 is a diagram illustrating a cluster model-based candidate object selection procedure among the procedures of a method of recognizing a plurality of objects in an image according to an embodiment of the present invention.
3 is a diagram illustrating an example of a KNN candidate determination procedure based on a cluster center point among procedures of a method of recognizing a plurality of objects in an image according to an embodiment of the present invention.
4 is a diagram illustrating an example of a cluster member-based KNN candidate determination procedure among the procedures of a method of recognizing a plurality of objects in an image according to an embodiment of the present invention.
5 is a diagram illustrating an example of an SVM learning procedure for object recognition among procedures of a method of recognizing a plurality of objects in an image according to an embodiment of the present invention.
6 is a diagram illustrating the configuration of an object recognition apparatus in which a method for recognizing a plurality of objects in an image is implemented according to an embodiment of the present invention.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.Advantages and features of the present invention, and a method for achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only these embodiments allow the disclosure of the present invention to be complete, and common knowledge in the art to which the present invention pertains. It is provided to fully inform the possessor of the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
In describing the embodiments of the present invention, if it is determined that a detailed description of a well-known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, the terms to be described later are terms defined in consideration of functions in an embodiment of the present invention, which may vary according to intentions or customs of users and operators. Therefore, the definition should be made based on the content throughout this specification.
도 1은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차를 나타낸 도면이다.1 is a diagram illustrating a procedure of a method for recognizing a plurality of objects in an image according to an embodiment of the present invention.
본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법은, 인식 대상 객체의 종류가 다수일 경우에 효율적으로 영상 인식 처리를 수행할 수 있도록 하기 위한 영상에서 다수의 객체를 인식하는 방법으로써, 그 구성은 크게 학습 모델 생성을 위한 학습 알고리즘 처리 절차(S10 ~ S18)와, 인식할 모든 객체 중에서 클러스터 기반으로 후보 객체를 선정하는 절차(S20 ~ S24)와, 이렇게 선정된 후보 객체들을 통해 최종 객체를 인식하여 결과를 검출하는 절차(S26, S28)로 이루어진다.A method of recognizing a plurality of objects in an image according to an embodiment of the present invention is a method of recognizing a plurality of objects in an image for efficiently performing image recognition processing when there are a plurality of types of objects to be recognized As a result, the configuration is largely composed of a learning algorithm processing procedure (S10 ~ S18) for generating a learning model, a procedure of selecting a candidate object based on a cluster among all objects to be recognized (S20 ~ S24), and through the selected candidate objects It consists of procedures (S26, S28) of recognizing the final object and detecting the result.
이하에서는 도면을 참조하여 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법을 상세히 설명하도록 한다. Hereinafter, a method of recognizing a plurality of objects in an image according to an embodiment of the present invention will be described in detail with reference to the drawings.
먼저, 객체 인식에 이용될 학습 모델을 생성하기 위해, 학습 이미지(화상, 정지화상, 동화상, 영상 포함)를 입력받는 절차가 진행된다(S10). 여기서 입력받는 학습 이미지는 객체 인식을 위해 다양한 종류의 객체별로 준비된다. 또한, 이러한 학습 이미지는 이후, 객체 인식 처리시에 보다 정확한 인식 및 판별을 위해 객체 종류별로 다양한 형태로 준비하는 것이 바람직하다.First, in order to generate a learning model to be used for object recognition, a procedure for receiving a learning image (including an image, a still image, a moving image, and an image) is performed (S10). Here, the input learning image is prepared for each type of object for object recognition. In addition, it is preferable to prepare such a learning image in various forms for each object type for more accurate recognition and discrimination during object recognition processing.
다음으로, 학습 이미지를 입력받게 되면 입력받은 학습 이미지에서 특징을 추출하는 절차가 진행된다(S12). 여기서 특징이라 함은, 객체 인식을 위한 특징 정보로써, LBP(Local Bit Pattern), HOG(Histogram of Oriented Gradient) 등의 특징 정보를 이용할 수 있다. 또한, 이렇게 추출된 특징 정보는 특징 벡터(Vector)로 이용할 수 있다.Next, when a training image is received, a procedure for extracting features from the received training image is performed (S12). Here, the feature is feature information for object recognition, and feature information such as a Local Bit Pattern (LBP) and a Histogram of Oriented Gradient (HOG) may be used. Also, the feature information extracted in this way can be used as a feature vector.
이후, 상기 입력받은 학습 이미지로부터 추출된 특징 정보(또는 특징 벡터)를 이용하여 클러스터링 모델링을 수행하는 절차가 진행된다(S14). 여기서, 클러스터링 모델링은, 특징 벡터를 다차원의 한점으로 생각하고 각 객체들의 특징 벡터 점들의 중심점을 구한다.Thereafter, a procedure of performing clustering modeling using the feature information (or feature vector) extracted from the received training image is performed (S14). Here, clustering modeling considers a feature vector as a multidimensional point and obtains the center point of the feature vector points of each object.
아래 [수학식 1]을 참조하여, 상기 클러스터링 모델링에서 중심점들을 구하는 예를 설명하기로 한다.An example of obtaining center points in the clustering modeling will be described with reference to Equation 1 below.
상기 [수학식 1]에서와 같이, 클러스터 C의 각 구성점들을 개수로 나누어서 클러스터 C의 중심점들을 구한다.As in [Equation 1], the center points of the cluster C are obtained by dividing each constituent point of the cluster C by the number.
상술한, 클러스터링 모델링을 수행함과 함께 객체 인식 모델링 처리를 수행하는 절차가 진행된다(S16). The procedure of performing the object recognition modeling process together with performing the above-described clustering modeling is performed (S16).
객체 인식 모델링을 통한 학습은 입력된 각 객체들의 positive 또는 negative 이미지들의 특징점들을 이용하여, 이들을 구분하는 초평면(hyperplane)을 생성하는 과정으로 이루어진다. Learning through object recognition modeling consists of a process of generating a hyperplane that separates them by using the feature points of the positive or negative images of each input object.
여기서, 초평면은 n차원 공간 상에서 f값이 1이되는 x1, x2, …, xn 점들과 0이되는 x1, x2, …, xn 점들을 두 그룹으로 분리하는 n차원 평면을 의미한다.Here, the hyperplane is x 1 , x 2 , . , x n points and x 1 , x 2 , ... , x n means an n-dimensional plane that separates the points into two groups.
또한, 상기 객체 인식 모델링 처리는 SVM(Support Vector Machine) 방식을 이용하여 분류기를 생성하는 처리를 수행한다. 예를 들어, 사람 객체를 인식하는 분류기를 생성하는 과정을 설명하면, 먼저 사람 객체를 인식하기 위해 positive 와 negative 학습 이미지들로부터 LBP, HOG 등과 같은 특징 정보를 추출하고, 이 특징 정보 또는 특징 벡터를 SVM을 이용하여 분류기를 생성하도록 처리할 수 있다. 이러한 SVM 방식을 이용한 학습 과정에 대한 보다 상세한 설명은 추가 도면을 통해 후술하기로 한다.In addition, the object recognition modeling process performs a process of generating a classifier using a support vector machine (SVM) method. For example, describing the process of creating a classifier that recognizes a human object, first, to recognize a human object, feature information such as LBP and HOG is extracted from positive and negative training images, and this feature information or feature vector is It can be processed to generate a classifier using SVM. A more detailed description of the learning process using the SVM method will be described later with reference to additional drawings.
상술한 바와 같이, 클러스터링 모델링과 객체 인식 모델링을 통해, 복수의 영상 인식 처리에 이용될 학습 모델 정보를 생성하도록 한다(S18). 이렇게 생성된 학습 모델 정보들은 추후 객체 인식을 위해 저장 절차를 거쳐 데이터베이스화 된다.As described above, learning model information to be used for a plurality of image recognition processing is generated through clustering modeling and object recognition modeling (S18). The generated learning model information is stored in a database for later object recognition.
한편, 학습 이미지를 통한 학습 절차를 통해 학습 모델 정보가 데이터베이스에 구축되면, 인식할 대상 이미지를 통해 영상 인식 및 결과를 검출하는 절차를 진행한다.On the other hand, when the learning model information is built in the database through the learning procedure through the learning image, the procedure of image recognition and detection of the result through the target image to be recognized is performed.
우선, 인식할 대상 이미지를 입력받는 절차가 이루어진다(S20). 이때, 인식할 대상 이미지는 다수의 객체가 포함된 이미지가 입력될 수 있다. 또한, 인식 대상 이미지의 입력시에는 상술한 학습 이미지 입력시와 마찬가지로 입력수단을 통해 영상, 동영상, 이미지 등의 다양한 데이터 형태로 입력될 수 있다. 나아가, 상기 입력수단은 스캐너, 카메라, 센서 등 다양한 수단을 통해 이미지 정보를 입력받을 수 있다.First, a procedure for receiving a target image to be recognized is performed (S20). In this case, an image including a plurality of objects may be input as the target image to be recognized. In addition, when inputting the recognition target image, as in the case of inputting the above-described learning image, various data types such as images, moving pictures, and images may be input through the input means. Furthermore, the input means may receive image information through various means such as a scanner, a camera, and a sensor.
이렇게 인식 대상 이미지를 새로 입력받게 되면, 상기 단계 S12에서의 절차와 유사하게 인식 대상 이미지에서 특징을 추출하는 절차가 진행된다(S22). 즉, 입력받은 이미지에서 특징 추출시 LBP(Local Bit Pattern), HOG(Histogram of Oriented Gradient) 등의 특징 정보를 이용할 수 있고, 이렇게 추출된 특징 정보는 특징 벡터(Vector)로 이용할 수 있다. When the recognition target image is newly input in this way, a procedure for extracting features from the recognition target image is performed similarly to the procedure in step S12 (S22). That is, when extracting features from an input image, feature information such as LBP (Local Bit Pattern) and HOG (Histogram of Oriented Gradient) can be used, and the extracted feature information can be used as a feature vector.
한편, 본 발명의 일 실시예에 따라 입력받은 이미지에서 특징을 추출할 경우, LBP, HOG 등의 특징 정보를 이용하는 것으로 설명하고 있으나, 이 외의 다양한 특징 정보가 이용될 수 있음은 물론이다.Meanwhile, when extracting features from an input image according to an embodiment of the present invention, it is described that feature information such as LBP and HOG is used, but it goes without saying that various other feature information may be used.
다음으로, 추출된 특징 정보는 바로 개별 객체 인식기를 통해 인식 처리를 수행하지 않고, 상기 단계 S14에서 생성한 클러스터 모델 기반으로 후보 객체 선정 절차를 진행한다(S24). Next, the extracted feature information is not directly recognized through an individual object recognizer, but a candidate object selection procedure is performed based on the cluster model generated in step S14 (S24).
이때에는, 상술한 절차들을 통해 이미 저장된 클러스터 중심 정보들을 가져와서 추출된 특징 정보를 분석하여 다수의 객체들 중에서 어느 후보 객체인지를 선정하는 과정이 수행된다.In this case, a process of selecting a candidate object from among a plurality of objects by analyzing the extracted feature information by bringing the cluster center information already stored through the above-described procedures is performed.
상기 S24 단계를 통해 선정된 후보 객체 정보가 출력되면, 모든 객체 정보가 아닌 출력된 후보 객체 정보들만을 대상으로 하여 객체 인식 처리를 수행하는 절차가 이루어진다(S26). When the candidate object information selected through the step S24 is output, a procedure for performing object recognition processing is performed by targeting only the output candidate object information, not all object information (S26).
즉, 상기 S22 단계에서 추출된 특징 정보를 모두 객체 인식기를 통해 인식 처리하지 않고, 중간 절차를 통해 클러스터 모델 기반으로 선정된 후보 객체 정보들만을 객체 인식기로 인식 처리함으로써, 객체 인식기에서의 처리 부하와 객체 인식 처리 시간을 대폭 줄일 수 있게 된다.That is, instead of recognizing all the feature information extracted in step S22 through the object recognizer, only the candidate object information selected based on the cluster model through an intermediate procedure is recognized and processed by the object recognizer, thereby increasing the processing load in the object recognizer and It is possible to significantly reduce the object recognition processing time.
이렇게 상기 S24 단계 및 S26 단계의 2가지 절차를 거친 후에, 입력된 이미지 또는 영상에 대한 객체 인식 및 결과를 검출하여 출력하는 절차가 진행된다(S28).
After going through the two procedures of step S24 and step S26 in this way, a procedure of recognizing an object for an input image or image and detecting and outputting the result is performed (S28).
도 2는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 모델 기반 후보 객체 선정 절차를 나타낸 도면이다.2 is a diagram illustrating a cluster model-based candidate object selection procedure among the procedures of a method of recognizing a plurality of objects in an image according to an embodiment of the present invention.
도 2에 도시된 클러스터 모델 기반 후보 객체 선정 절차는 상기 도 1을 통해 설명한 상기 S24 단계의 절차에 대한 예시이다.The cluster model-based candidate object selection procedure shown in FIG. 2 is an example of the procedure of step S24 described with reference to FIG. 1 .
즉, 도 2를 참조하면, 특징 정보 추출 절차를 통해 특징 벡터가 입력되면 입력된 특징 벡터에 대해 클러스터 중심점 기반의 후보 객체 선정 과정을 수행한다(S1, S2).That is, referring to FIG. 2 , when a feature vector is input through the feature information extraction procedure, a cluster center point-based candidate object selection process is performed on the input feature vector ( S1 , S2 ).
여기서, 클러스터 중심점 기반으로 후보 객체를 결정할 때에는 각 객체들의 특징 중심점을 기준으로 KNN(K Nearest Neighbor) 방식 기반으로 가까운 곳에 위치한 후보 객체들을 선정할 수 있다. 아울러, 클러스터 중심점 기반 KNN 후보 결정의 예는 이후에 추가 도면을 통해 설명하기로 한다.Here, when the candidate object is determined based on the cluster center point, candidate objects located nearby may be selected based on the K Nearest Neighbor (KNN) method based on the feature center point of each object. In addition, an example of determining a KNN candidate based on a cluster center point will be described later with reference to additional drawings.
다음으로, 클러스터 중심점 기반으로 후보가 결정되면, 선정된 클러스터 구성원 기반의 후보 객체 선정 절차를 수행한다(S3). 이 과정에서는 선정된 후보 객체들의 구성원 정보들을 이용하여 KNN 방식 기반의 가까운 위치에 있는 최종 후보 객체들을 선정하는 절차가 이루어진다.Next, if a candidate is determined based on the cluster center point, a candidate object selection procedure based on the selected cluster member is performed (S3). In this process, a procedure of selecting final candidate objects in a close position based on the KNN method is performed using member information of the selected candidate objects.
이처럼, 클러스터 중심점 기반으로 후보 객체를 선정하고 난 이후에 선정된 해당 객체들에 속하는 모든 점들에 대해 최종 후보 객체를 선정하는 이유는, 처음부터 각 객체들에 속하는 모든 점들을 이용하여 KNN 방식 기반을 이용하여 가까운 곳의 후보 객체를 모두 선정하도록 할 경우, 모든 점들에 대하여 일일이 거리 및 위치 등을 비교해야 하며, 이는 처리 부하와 처리 시간이 늘어나는 문제가 있으므로 이를 해결하기 위함이다.As such, the reason for selecting the final candidate object for all the points belonging to the selected objects after selecting the candidate object based on the cluster center point is that the KNN method-based In the case of selecting all nearby candidate objects by using them, it is necessary to compare the distances and positions of all points one by one, and this is to solve the problem of increasing processing load and processing time.
즉, 각 객체 클러스터들의 중심점을 이용하여 가까운 곳의 후보 객체들을 선정하고 난 이후에, 선정된 후보 객체들에 대해서만 다시 객체 내의 모든 점들을 이용하여 가까운 곳의 최종 후보 객체를 선정하도록 하여, 모든 객체들을 대상으로 할 경우에 비하여 처리 부하와 처리 시간을 줄일 수 있게 된다.That is, after selecting nearby candidate objects using the center point of each object cluster, only the selected candidate objects are again selected by using all points in the object to select the nearest final candidate object, and all objects It is possible to reduce the processing load and processing time compared to the case where it is targeted.
이와 같이, 두 단계의 후보 객체 선정 절차를 통해 최종 후보 객체를 결정하고, 해당 최종 후보 객체들의 정보를 출력하는 절차를 진행한다(S4).
In this way, the final candidate object is determined through the two-step candidate object selection procedure, and a procedure of outputting information on the final candidate object is performed (S4).
도 3은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 중심점 기반의 KNN 후보 결정 절차의 예를 나타낸 도면이다.3 is a diagram illustrating an example of a KNN candidate determination procedure based on a cluster center point among procedures of a method of recognizing a plurality of objects in an image according to an embodiment of the present invention.
도 3을 참조하여 클러스터 중심점 기반의 KNN 후보 결정 과정의 예를 설명하면, 새로 입력된 특징 벡터 xi를 기준으로 3개의 객체 클러스터에 대해 중심점들을 기반으로 KNN 기반의 가까운 후보 객체 영역을 선정할 수 있다. 예를 들어, K 값이 2인 경우라고 하면 빨간색 객체(a)와 초록색 객체(b)가 후보 객체로 선정된다.
An example of the cluster centroid-based KNN candidate determination process will be described with reference to FIG. 3 . Based on the newly input feature vector xi, a KNN-based close candidate object region can be selected based on the centroids for three object clusters. . For example, if the value of K is 2, a red object (a) and a green object (b) are selected as candidate objects.
도 4는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 구성원 기반 KNN 후보 결정 절차의 예를 나타낸 도면이다.4 is a diagram illustrating an example of a cluster member-based KNN candidate determination procedure among the procedures of a method of recognizing a plurality of objects in an image according to an embodiment of the present invention.
도 4를 참조하면, 클러스터 구성원 기반 KNN 후보 결정 절차의 예는, 새로 입력된 X 점에 대해 예를 들어 선정된 2개의 객체 클러스터들(ω1, ω3)의 구성원 정보를 기준으로 KNN 기반의 가까운 후보 객체를 선정하는 과정이 도면에서와 같이 이루어진다. Referring to FIG. 4 , an example of a cluster member-based KNN candidate determination procedure is a KNN-based close candidate based on, for example, member information of two object clusters (ω1, ω3) selected for a newly input X point. The process of selecting an object is performed as shown in the drawing.
이때에는, 중심점 기반의 객체 선정 절차를 통해 선택된 후보 객체들에 속하는 모든 점들을 기반으로 입력된 점과의 거리를 비교하여 계산하는 처리를 수행하게 되어, 상술한 중심점 기반의 객체 선정 처리에 비하면 그 처리 시간이 조금 더 소요될 수 있다.
At this time, a process of comparing and calculating the distance with the input point is performed based on all points belonging to the candidate objects selected through the center point-based object selection procedure. Compared to the center point-based object selection process described above, Processing may take a little longer.
도 5는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 객체인식을 위한 SVM 학습 절차의 예를 나타낸 도면이다.5 is a diagram illustrating an example of an SVM learning procedure for object recognition among procedures of a method of recognizing a plurality of objects in an image according to an embodiment of the present invention.
도 5에서의 예와 같이, 사람 객체 인식 학습을 위해 positive 와 negative 학습 이미지에서 특징을 추출하고 이 특징 벡터를 가지고 SVM(Support Vector Machine) 학습 절차를 수행한다. 이때, SVM은 입력된 특징 벡터 정보들을 가지고 이들을 분류하기 위한 최적의 초평면(optimal hyperplane)을 생성하는 기능을 수행한다.
As in the example in FIG. 5 , for human object recognition learning, features are extracted from positive and negative training images, and a support vector machine (SVM) learning procedure is performed with these feature vectors. In this case, the SVM performs a function of generating an optimal hyperplane for classifying the input feature vector information.
도 6은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법이 구현되는 객체 인식 장치의 구성을 나타낸 도면이다.6 is a diagram illustrating the configuration of an object recognition apparatus in which a method for recognizing a plurality of objects in an image is implemented according to an embodiment of the present invention.
도 6을 참조하여, 본 발명의 일 실시예에 따른 객체 인식 장치(100)의 구성을 설명하기로 한다.A configuration of the
도면에서와 같이, 본 발명에 따른 영상에서 다수의 객체를 인식하는 방법이 구현되는 객체 인식 장치(100)는 학습 모델 생성부(110), 후보 객체 선정부(120), 객체 인식부(130) 및 학습 모델 DB(140)를 포함한다.As shown in the drawing, the
상기 학습 모델 생성부(110)는 클러스터링 모델링 기능(112)과 객체인식 모델링 학습 기능(114)을 포함하고, 나아가 학습 이미지 입력 수단(미도시)과 특징 추출 수단(미도시) 등을 포함할 수 있다. The learning
상기 학습 모델 생성부(110)는 학습 이미지를 입력받아, 다양한 방법으로 특징 정보를 추출한 다음, 클러스터링 모델링 기능을 통해(112) 클러스터링 모델링을 수행하여 클러스터 모델을 생성하고, 객체인식 모델링 학습 기능(114)을 통해 객체인식 모델링 학습을 수행하여 학습 모델을 생성한다.The learning
상기 후보 객체 선정부(120)는 클러스터 중심점 기반 기능(122)과 클러스터 구성원 기반 기능(124)을 포함하고, 나아가 인식 대상 이미지를 입력받는 수단(미도시)과 특징 추출 수단(미도시)을 더 포함할 수 있다. The candidate
상기 클러스터 중심점 기반 기능(122)은 인식 대상 이미지를 입력받아, 특징 정보를 추출한 다음 특징 정보를 분석하여 클러스터 중심점 기반의 후보 객체 선정 처리를 수행한다. The cluster center point-based
상기 클러스터 구성원 기반 기능(124)은 상기 클러스터 중심점 기반 기능(122)을 통해 선정된 후보 객체들을 구성원으로 하여, 이들 구성원들을 기준으로 KNN 기반의 가까운 후보 객체를 선정하는 처리를 수행한다.The cluster member-based
이와 같이, 상기 후보 객체 선정부(120)는 상기 클러스터 중심점 기반 기능(122)과 클러스터 구성원 기반 기능(124)을 통해 영상 인식 대상이 될 최종 후보 객체들을 선정하는 역할을 수행한다.As such, the candidate
상기 객체 인식부(130)는 상기 후보 객체 선정부(120)를 통해 선정된 최종 후보 객체들을 대상으로 상기 학습 모델 생성부(110)에서 생성된 학습 모델을 통해 개별적인 객체 인식 처리를 수행하여 최종적으로 입력받은 영상 및 이미지에 대한 인식 결과를 검출하여 출력하는 역할을 수행한다.The
상기 학습 모델 DB(140)는 상기 학습 모델 생성부(110)에서 생성된 학습 모델 정보를 저장 관리하는 역할을 수행한다.
The
한편, 본 발명에 따른 IPv6 기반의 LLN에 있어서의 라우팅 노드 및 이의 동작방법을 실시 예에 따라 설명하였지만, 본 발명의 범위는 특정 실시 예에 한정되는 것은 아니며, 본 발명과 관련하여 통상의 지식을 가진 자에게 자명한 범위 내에서 여러 가지의 대안, 수정 및 변경하여 실시할 수 있다.
Meanwhile, although a routing node in an IPv6-based LLN according to the present invention and an operation method thereof have been described according to an embodiment, the scope of the present invention is not limited to a specific embodiment, and common knowledge in relation to the present invention has been described. Various alternatives, modifications, and changes can be implemented within the range that is obvious to those who have it.
따라서, 본 발명에 기재된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
Accordingly, the embodiments and the accompanying drawings described in the present invention are for explanation rather than limiting the technical spirit of the present invention, and the scope of the technical spirit of the present invention is not limited by these embodiments and the accompanying drawings. . The protection scope of the present invention should be construed by the claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.
100 : 객체 인식 장치
110 : 학습 모델 생성부
120 : 후보 객체 선정부
130 : 객체 인식부
140 : 학습 모델 DB100: object recognition device
110: learning model generation unit
120: candidate object selection unit
130: object recognition unit
140: learning model DB
Claims (8)
인식 대상 이미지를 입력받아서 특징을 추출하고, 추출된 인식 대상 이미지 특징 정보를 분석하여 클러스터 중심점 기반의 후보 객체를 선정하는 단계;
상기 클러스터 중심점 기반의 후보 객체 중에서 클러스터 구성원 기반의 최종 후보 객체를 선정하는 단계; 및
상기 클러스터 모델 기반으로 선정된 후보 객체들을 대상으로 상기 학습 모델을 통해 개별적인 객체 인식 처리를 수행하여 복수의 객체를 인식하는 단계를 포함하고,
SVM 객체인식 모델링 학습을 수행하여 학습 모델을 생성하는 단계는 포지티브(positive) 또는 네가티브(negative) 학습 이미지들의 특징점들을 구분하는 초평면(hyperplane)을 생성하는 단계를 포함하고,
상기 클러스터 중심점 기반의 후보 객체를 선정하는 단계는,
상기 인식 대상 이미지 특징 정보를 기준으로 각 객체 클러스터의 중심점까지의 거리를 기초로 KNN(K Nearest Neighbor) 방식에 기반하여 후보 클러스터를 선정하는 단계를 포함하고,
상기 클러스터 구성원 기반의 최종 후보 객체를 선정하는 단계는,
상기 인식 대상 이미지 특징 정보를 기준으로 선정된 상기 후보 클러스터에 포함된 모든 구성원 객체의 특징점과 입력된 객체의 특징점과의 거리에 기초하여 KNN 방식을 기반으로 최종 후보 객체를 선정하는 것인 다수의 객체를 인식하는 방법.Extracting learning image feature information from a plurality of object-specific learning images, performing clustering modeling based on the extracted learning image feature information to create a plurality of cluster models, and object recognition modeling based on SVM (Support Vector Machine) method performing learning to generate a learning model;
selecting a candidate object based on a cluster center point by receiving a recognition target image, extracting features, and analyzing the extracted recognition target image feature information;
selecting a final candidate object based on a cluster member from among the candidate objects based on the cluster center point; and
Recognizing a plurality of objects by performing individual object recognition processing through the learning model for the candidate objects selected based on the cluster model,
The step of generating a learning model by performing SVM object recognition modeling learning includes generating a hyperplane that distinguishes feature points of positive or negative learning images,
The step of selecting a candidate object based on the cluster center point comprises:
Selecting a candidate cluster based on the K Nearest Neighbor (KNN) method based on the distance to the center point of each object cluster based on the recognition target image feature information,
The step of selecting the final candidate object based on the cluster member comprises:
A plurality of objects for selecting the final candidate object based on the KNN method based on the distance between the feature points of all member objects included in the candidate cluster selected based on the recognition target image feature information and the feature points of the input object How to recognize.
상기 생성하는 단계는,
상기 학습 이미지로부터 추출된 학습 이미지 특징 정보를 기반으로 클러스터링 모델링을 수행하여 상기 클러스터 모델을 생성하는 다수의 객체를 인식하는 방법.According to claim 1,
The generating step is
A method of recognizing a plurality of objects generating the cluster model by performing clustering modeling based on the training image feature information extracted from the training image.
상기 생성하는 단계는,
상기 학습 이미지로부터 추출된 학습 이미지 특징 정보를 기반으로 객체 인식 모델링을 수행하여 상기 객체 인식 학습 모델을 생성하는 다수의 객체를 인식하는 방법.According to claim 1,
The generating step is
A method of recognizing a plurality of objects for generating the object recognition learning model by performing object recognition modeling based on the learning image feature information extracted from the learning image.
상기 클러스터링 모델링은,
상기 학습 이미지 특징 정보에 기반하여 상기 학습 이미지에 대한 클러스터의 중심점을 결정하는 다수의 객체를 인식하는 방법.According to claim 1,
The clustering modeling is
A method of recognizing a plurality of objects for determining a center point of a cluster for the training image based on the training image feature information.
상기 인식하는 단계는,
상기 객체 인식 학습 모델에 기반하여 객체 인식 모델링을 수행하여 상기 후보 객체로부터 상기 복수의 객체를 인식하는 다수의 객체를 인식하는 방법.The method of claim 1,
The recognizing step is
A method of recognizing a plurality of objects for recognizing the plurality of objects from the candidate object by performing object recognition modeling based on the object recognition learning model.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160032064A KR102286571B1 (en) | 2016-03-17 | 2016-03-17 | Method for recognizing plural object in image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160032064A KR102286571B1 (en) | 2016-03-17 | 2016-03-17 | Method for recognizing plural object in image |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20170108339A KR20170108339A (en) | 2017-09-27 |
| KR102286571B1 true KR102286571B1 (en) | 2021-08-06 |
Family
ID=60035996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160032064A KR102286571B1 (en) | 2016-03-17 | 2016-03-17 | Method for recognizing plural object in image |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102286571B1 (en) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102040525B1 (en) * | 2018-03-09 | 2019-11-05 | 주식회사 코난테크놀로지 | Artificial intelligence based part search system |
| KR102524220B1 (en) * | 2018-04-26 | 2023-04-24 | 한국전자통신연구원 | Layered protecting apparatus and system for multiple video objects based on neural network learning and method thereof |
| CN111191492A (en) * | 2018-11-15 | 2020-05-22 | 北京三星通信技术研究有限公司 | Information estimation, model retrieval and model alignment methods and apparatus |
| WO2020111307A1 (en) * | 2018-11-28 | 2020-06-04 | 전자부품연구원 | 3d object recognition and tracking method for mobile augmented reality |
| US11526705B2 (en) | 2019-04-01 | 2022-12-13 | Lg Electronics Inc. | Method of classificating outlier in object recognition and device and robot of classifying thereof |
| KR102469120B1 (en) * | 2020-08-26 | 2022-11-21 | 국방과학연구소 | Apparatus, method, computer-readable storage medium and computer program for identifying target from satellite image |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006268820A (en) * | 2004-11-02 | 2006-10-05 | Matsushita Electric Ind Co Ltd | Method, apparatus and program for image identification, image processing method and integrated circuit |
| JP2007193553A (en) * | 2006-01-19 | 2007-08-02 | Fuji Xerox Co Ltd | Image processing method, image processing apparatus, and image processing program |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3530363B2 (en) * | 1997-11-26 | 2004-05-24 | 日本電信電話株式会社 | Recognition model generation method and image recognition method |
-
2016
- 2016-03-17 KR KR1020160032064A patent/KR102286571B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006268820A (en) * | 2004-11-02 | 2006-10-05 | Matsushita Electric Ind Co Ltd | Method, apparatus and program for image identification, image processing method and integrated circuit |
| JP2007193553A (en) * | 2006-01-19 | 2007-08-02 | Fuji Xerox Co Ltd | Image processing method, image processing apparatus, and image processing program |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20170108339A (en) | 2017-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102286571B1 (en) | Method for recognizing plural object in image | |
| Chen et al. | Person search via a mask-guided two-stream cnn model | |
| Bourdev et al. | Describing people: A poselet-based approach to attribute classification | |
| CN108268838B (en) | Facial expression recognition method and facial expression recognition system | |
| JP5929896B2 (en) | Image recognition system, image recognition method, and image recognition program | |
| KR101117549B1 (en) | Face recognition system and method thereof | |
| KR100950776B1 (en) | Method of face recognition | |
| JP6756406B2 (en) | Image processing equipment, image processing method and image processing program | |
| JP6128910B2 (en) | Learning device, learning method and program | |
| Wu et al. | Improving pedestrian detection with selective gradient self-similarity feature | |
| Bourdev et al. | Deep poselets for human detection | |
| WO2013181695A1 (en) | Biometric verification | |
| Lin et al. | Pedestrian detection by exemplar-guided contrastive learning | |
| Paul et al. | Rotation invariant multiview face detection using skin color regressive model and support vector regression | |
| KR101491832B1 (en) | Apparatus and method for selecting image | |
| Shieh et al. | Applications of PCA and SVM-PSO based real-time face recognition system | |
| Singh et al. | Template matching for detection & recognition of frontal view of human face through Matlab | |
| KR20190107480A (en) | Aparatus and method for face recognition | |
| CN114399731B (en) | Target positioning method under supervision of single coarse point | |
| JP2017084006A (en) | Image processor and method thereof | |
| Wijaya et al. | Phonographic image recognition using fusion of scale invariant descriptor | |
| KR102326185B1 (en) | Apparatus and method of matching faces using a deep learning | |
| JP2018036870A (en) | Image processing device, and program | |
| Loderer et al. | Optimization of LBP parameters | |
| US11443552B2 (en) | Image pattern similarity calculation device and recognition device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| AMND | Amendment | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |