JP2013164832A - オブジェクト認識装置および方法 - Google Patents

Abstract

【課題】本発明は、映像の画素情報と距離情報を利用して映像内の各オブジェクトを認識するオブジェクト認識装置を提供する。
【解決手段】本発明のオブジェクト認識装置は、オブジェクトが含まれた映像フレームから特徴点を抽出する特徴点抽出部、抽出された特徴点を前記映像フレームから得た各画素の深さ値に応じてクラスタリングする特徴点クラスタリング部、およびクラスタリングされた特徴点に基づいて前記映像フレームに含まれた各オブジェクトを認識するオブジェクト認識部を含むことを特徴とする。本発明は、映像内に複数のオブジェクトが存在する場合、各オブジェクトの認識性能を既存よりもさらに向上させることができる。
【選択図】図４

Description

本発明は、オブジェクトを認識する装置および方法に関し、より詳細には、映像を基盤としてオブジェクトを認識する装置および方法に関する。

オブジェクト認識方法は、単純な物体の認識応用だけではなく、ロボットなどのような多様な分野で活発に用いられる技術である。オブジェクト認識方法に関して、従来には多様な形態のアルゴリズムが提案されている。映像を基盤としたオブジェクト認識方法もそのうちの１つである。

映像を基盤としたオブジェクト認識方法は、映像の特徴点に基づいてオブジェクトを認識する。すなわち、ＲＧＢイメージやＹＵＶイメージからオブジェクトを適切に表現することができる複数の特徴点を抽出し、この特徴点を予め準備した認識対象オブジェクトの特徴点と比較し、類似する特徴点の個数を基準としてオブジェクト認識を実行する。

しかし、映像内に複数の距離に位置した多数のオブジェクトが存在する場合、特徴点が所望するオブジェクトだけではなく他の距離に存在するオブジェクトにマッチングする場合が頻繁に発生する。これにより、映像内に所望するオブジェクトが存在しても、該当するオブジェクトを認識することができなかったり、他のオブジェクトと誤認して認識したりするという問題点が発生する。

本発明は、上述したような問題点を解決するために案出されたものであって、映像の画素情報と距離情報を利用して映像内の各オブジェクトを認識するオブジェクト認識装置および方法を提案することを目的とする。

本発明は、上述したような目的を達成するために案出されたものであって、オブジェクトが含まれた映像フレームから特徴点を抽出する特徴点抽出部、抽出された特徴点を前記映像フレームから得た各画素の深さ値に応じてクラスタリングする特徴点クラスタリング部、およびクラスタリングされた特徴点に基づいて前記映像フレームに含まれた各オブジェクトを認識するオブジェクト認識部を含むことを特徴とするオブジェクト認識装置を提案する。

好ましくは、前記特徴点クラスタリング部は、Ｋ−平均群集化アルゴリズム（Ｋ−ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）を利用し、前記映像フレームから区分された平面フレームごとに１つのオブジェクトだけが位置するように、前記抽出された特徴点をクラスタリングする。

一実施形態として、前記特徴点クラスタリング部は、前記深さ値の範囲を基準として前記映像フレームを平面フレームに区分する深さ値基盤フレーム区分部、および各平面フレームと関連する前記深さ値の範囲に基づき、前記抽出された特徴点のうちで同一平面フレームに位置する特徴点どうしをクラスタリングする深さ値基盤クラスタリング部を含む。

他の実施形態として、前記特徴点クラスタリング部は、前記映像フレームに含まれたオブジェクトの個数を基準として前記映像フレームを平面フレームに区分するオブジェクト基盤フレーム区分部、および１つの平面フレームと関連する前記深さ値の範囲に基づき、前記抽出された特徴点のうちで同一平面フレームに位置する特徴点どうしをクラスタリングするオブジェクト基盤クラスタリング部を含む。

好ましくは、前記オブジェクト認識装置は、前記映像フレームとして画素の色相値と画素の距離値がすべて含まれた映像フレームを獲得する映像フレーム獲得部をさらに含む。より好ましくは、前記特徴点抽出部は、ＳＩＦＴ（Ｓｃａｌａｒ Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ）アルゴリズムまたはＳＵＲＦ（Ｓｐｅｅｄｅｄ Ｕｐ Ｒｏｂｕｓｔ Ｆｅａｔｕｒｅｓ）アルゴリズムを利用し、前記画素の色相値に基づいて前記特徴点を抽出する。

好ましくは、前記オブジェクト認識部は、前記クラスタリングされた特徴点による特徴点集団のうちから１つの特徴点集団を選択する特徴点集団選択部、選択された特徴点集団に含まれた各特徴点と前記映像フレームから区分された各平面フレームの間に特徴点マッチングを実行する特徴点マッチング部、および前記特徴点マッチングによって各平面フレームから１つのオブジェクトを認識する特徴点マッチング基盤認識部を含む。

また、本発明は、オブジェクトが含まれた映像フレームから特徴点を抽出する特徴点抽出ステップ、抽出された特徴点を前記映像フレームから得た各画素の深さ値に応じてクラスタリングする特徴点クラスタリングステップ、およびクラスタリングされた特徴点に基づいて前記映像フレームに含まれた各オブジェクトを認識するオブジェクト認識ステップを含むことを特徴とするオブジェクト認識方法を提案する。

好ましくは、前記特徴点クラスタリングステップは、Ｋ−平均群集化アルゴリズム（Ｋ−ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）を利用し、前記映像フレームから区分された平面フレームごとに１つのオブジェクトだけが位置するように、前記抽出された特徴点をクラスタリングする。

一実施形態として、前記特徴点クラスタリングステップは、前記深さ値の範囲を基準として前記映像フレームを平面フレームに区分する深さ値基盤フレーム区分ステップ、および各平面フレームと関連する前記深さ値の範囲に基づき、前記抽出された特徴点のうちで同一平面フレームに位置する特徴点どうしをクラスタリングする深さ値基盤クラスタリングステップを含む。

他の実施形態として、前記特徴点クラスタリングステップは、前記映像フレームに含まれたオブジェクトの個数を基準として前記映像フレームを平面フレームに区分するオブジェクト基盤フレーム区分ステップ、および１つの平面フレームと関連する前記深さ値の範囲に基づき、前記抽出された特徴点のうちから同一平面フレームに位置する特徴点どうしをクラスタリングするオブジェクト基盤クラスタリングステップを含む。

好ましくは、前記オブジェクト認識方法は、前記映像フレームとして画素の色相値と画素の距離値がすべて含まれた映像フレームを獲得する映像フレーム獲得ステップをさらに含む。より好ましくは、前記特徴点抽出ステップは、ＳＩＦＴ（Ｓｃａｌａｒ Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ）アルゴリズムまたはＳＵＲＦ（Ｓｐｅｅｄｅｄ Ｕｐ Ｒｏｂｕｓｔ Ｆｅａｔｕｒｅｓ）アルゴリズムを利用し、前記画素の色相値に基づいて前記特徴点を抽出する。

好ましくは、前記オブジェクト認識ステップは、前記クラスタリングされた特徴点による特徴点集団のうちから１つの特徴点集団を選択する特徴点集団選択ステップ、選択された特徴点集団に含まれた各特徴点と前記映像フレームから区分された各平面フレームの間に特徴点マッチングを実行する特徴点マッチングステップ、および前記特徴点マッチングによって各平面フレームから１つのオブジェクトを認識する特徴点マッチング基盤認識ステップを含む。

本発明は、映像の画素情報と距離情報を利用して映像内の各オブジェクトを認識することにより、次のような効果を得ることができる。第１に、映像内に多数のオブジェクトが存在しても、所望するオブジェクトを正確に認識することができ、オブジェクト認識性能を向上させることができる。第２に、距離情報を活用することにより、既存の特徴点基盤オブジェクト認識アルゴリズムを修正せずに用いることができる。

本発明の好ましい実施形態に係るオブジェクト認識装置を概略的に示すブロック図である。 図１に示すオブジェクト認識装置の内部構成を詳細的に示すブロック図である。 従来のオブジェクト認識過程を示す概念図である。 本発明に係るオブジェクト認識過程を示す概念図である。 本発明に係るオブジェクト認識過程を示すフローチャートである。 本発明の好ましい実施形態に係るオブジェクト認識方法を概略的に示すフローチャートである。

以下、本発明の好ましい実施形態について、添付の図面を参照しながら詳しく説明する。まず、各図面の構成要素に参照符号を付与することにおいて、同じ構成要素に対しては、たとえ他の図面上に表示されていても可能な限り同じ符号を付与するようにしていることに留意しなければならない。また、本発明を説明するにおいて、関連する公知構成または機能に対する具体的な説明が本発明の要旨を不明確にし得ると判断される場合には、その詳細な説明は省略する。さらに、以下で本発明の好ましい実施形態を説明するが、本発明の技術的思想はこれに限定されたり制限されたりすることはなく、当業者によって変形されて多様に実施されることができることは勿論である。

図１は、本発明の好ましい実施形態に係るオブジェクト認識装置を概略的に示すブロック図である。図２は、図１に示すオブジェクト認識装置の内部構成を詳細的に示すブロック図である。以下の説明は、図１と図２を参照する。

図１によれば、オブジェクト認識装置１００は、特徴点抽出部１１０、特徴点クラスタリング部１２０、オブジェクト認識部１３０、電源部１４０、および主制御部１５０を含む。

オブジェクト認識装置１００は、映像基盤オブジェクト認識装置であって、映像の画素情報と距離情報を利用してオブジェクトを認識する装置である。このオブジェクト認識装置１００は、映像の画素情報を利用して特徴点を抽出し、この特徴点の距離情報を利用して特徴点が群集した複数の面に分類し、各面単位で客体の特徴点とマッチングさせることによってオブジェクトを認識する。

既存の映像基盤オブジェクト認識装置は、適切に準備されたテーブルのように制限された環境に位置したオブジェクトのみを効果的に認識することができる。これにより、ロボットが活用される環境では認識性能が低下し、その活用が極めて不備な実情にある。最近では、ステレオカメラ、マイクロソフト社のＫｉｎｅｃｔカメラなどが導入されながら、カメラ映像から色相情報（例：ＲＧＢ情報）だけでなく距離情報も共に提供できるようになった。オブジェクト認識装置１００は、このようなイメージの距離情報を活用することにより、既存のように制限された環境だけではなく任意の環境でＳＩＦＴ、ＳＵＲＦなどの特徴マッチング（ｆｅａｔｕｒｅ ｍａｔｃｈｉｎｇ）基盤のオブジェクト認識アルゴリズムを用い、改善されたオブジェクト認識性能を示すことができる。オブジェクト認識装置１００は、既存のオブジェクト認識アルゴリズムをそのまま用いるという長所を有しながらも、より少ない追加費用でも緩和した環境で改善されたオブジェクト認識性能を示すことができる。

特徴点抽出部１１０は、オブジェクトが含まれた映像フレームから特徴点を抽出する機能を実行する。特徴点抽出部１１０は、ＳＩＦＴ（Ｓｃａｌａｒ Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ）アルゴリズムまたはＳＵＲＦ（Ｓｐｅｅｄｅｄ Ｕｐ Ｒｏｂｕｓｔ Ｆｅａｔｕｒｅｓ）アルゴリズムを利用し、映像に含まれた画素の色相値に基づいて特徴点を抽出することができる。

特徴点クラスタリング部１２０は、抽出された特徴点を映像フレームから得た各画素の深さ値に応じてクラスタリングする機能を実行する。特徴点クラスタリング部１２０は、Ｋ−平均群集化アルゴリズム（Ｋ−ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）を利用し、映像フレームから区分された平面フレームごとに１つのオブジェクトのみが位置されるように、抽出された特徴点をクラスタリングする。

一例として、特徴点クラスタリング部１２０は、図２（ａ）に示すように、深さ値基盤フレーム区分部１２１と、深さ値基盤クラスタリング部１２２とを含むことができる。深さ値基盤フレーム区分部１２１は、深さ値の範囲を基準として映像フレームを平面フレームに区分する機能を実行する。深さ値基盤クラスタリング部１２２は、各平面フレームに関する深さ値の範囲に基づいて抽出された特徴点のうち、同一平面フレームに位置する特徴点どうしをクラスタリングする機能を実行する。

他の一例として、特徴点クラスタリング部１２０は、図２（ｂ）に示すように、オブジェクト基盤フレーム区分部１２３と、オブジェクト基盤クラスタリング部１２４とを含むことができる。オブジェクト基盤フレーム区分部１２３は、映像フレームに含まれたオブジェクトの個数を基準として、映像フレームを平面フレームに区分する機能を実行する。オブジェクト基盤クラスタリング部１２４は、１つの平面フレームに関する深さ値の範囲に基づいて抽出された特徴点のうち、同一平面フレームに位置する特徴点どうしをクラスタリングする機能を実行する。

オブジェクト認識部１３０は、クラスタリングされた特徴点に基づいて映像フレームに含まれた各オブジェクトを認識する機能を実行する。

オブジェクト認識部１３０は、図２（ｃ）に示すように、特徴点集団選択部１３１、特徴点マッチング部１３２、および特徴点マッチング基盤認識部１３３を含むことができる。特徴点集団選択部１３１は、クラスタリングされた特徴点による特徴点集団のうちから１つの特徴点集団を選択する機能を実行する。特徴点マッチング部１３２は、選択された特徴点集団に含まれた各特徴点と映像フレームから区分された各平面フレームの間に特徴点マッチングを実行する機能を実行する。特徴点マッチング基盤認識部１３３は、特徴点マッチングによって各平面フレームから１つのオブジェクトを認識する機能を実行する。

電源部１４０は、オブジェクト認識装置１００を構成する各構成部に電源を供給する機能を実行する。

主制御部１５０は、オブジェクト認識装置１００を構成する各構成部の全体作動を制御する機能を実行する。

オブジェクト認識装置１００は、映像フレーム獲得部１６０をさらに含むことができる。映像フレーム獲得部１６０は、映像フレームとして画素の色相値と画素の距離値がすべて含まれた映像フレームを獲得する機能を実行する。映像フレーム獲得部１６０は、立体カメラ（ｓｔｅｒｅｏｓｃｏｐｉｃ ｃａｍｅｒａ）を利用して映像フレームを獲得することができる。

次に、オブジェクト認識装置１００について、一実施形態を例示しながら説明する。

一実施形態に係るオブジェクト認識装置は、イメージ内の距離情報を活用した映像基盤オブジェクト認識装置である。この装置は、マイクロソフトＫｉｎｅｃｔ（Ｍｉｃｒｏｓｏｆｔ Ｋｉｎｅｃｔ）のように、ＲＧＢ映像だけではなく距離情報（ｄｅｐｔｈ ｉｎｆｏｒｍａｔｉｏｎ）を利用し、既存のテーブルのように制限された環境でだけではなく、任意の環境で獲得したイメージからオブジェクトを認識する装置である。

図３は、従来のオブジェクト認識過程を示す概念図である。図４は、本発明に係るオブジェクト認識過程を示す概念図である。以下の説明は、図３と図４を参照する。

既存のイメージを利用した特徴基盤オブジェクト認識方式は、大部分がＲＧＢイメージやＹＵＶイメージからオブジェクトを適切に表現することができる複数の特徴点を抽出し、予め準備された認識対象オブジェクトの特徴点と比較し、類似する特徴点の個数を基準としてオブジェクト認識を実行した。このようなオブジェクト認識方法は、単純なオブジェクトの認識応用だけではなく、ロボットなどのような多様な分野で活発に用いられる技術である。

しかし、この方法は、適切に準備されたテーブルのように制限された環境下に位置した物体のみが効果的に認識されるという限界点を有しており、特に、ロボット分野のようにロボットが運用される環境に予め定められない場合に、物体認識性能が急激に低下するという現象が発生する。すなわち、図３のように、映像内に複数の距離に位置した多数のオブジェクトが存在する場合、特徴点が所望するオブジェクトだけではなく他の距離に存在するオブジェクトにマッチングする場合が発生するようになり、映像内に所望するオブジェクトが存在しても、オブジェクトを認識できなかったり、他のオブジェクトとして認識されたりする場合が頻繁に発生する。図３の場合は、物体ＤＢに存在する四角形オブジェクト３１０の特徴点のうちの一部が、映像内の四角形ではなく、三角形オブジェクト３２０と平行四辺形オブジェクト３３０の特徴点にマッチングする現象を示している。

しかし、大部分の既存の方法は、適切に準備されたテーブルのように制限された環境に位置したオブジェクトのみが効果的に認識されるという限界点を有しており、特に、ロボット分野のようにロボットが活用される環境に予め定められない場合に効果的な認識性能を発揮することができず、その活用が極めて不備な実情にある。

最近では、ステレオカメラやＭＳ社のＫｉｎｅｃｔカメラなどのように、カメラが単にＲＧＢ映像値だけではなくイメージ内の物体の距離情報も提供するカメラが普遍化し始めた。一実施形態に係るオブジェクト認識装置は、このようなカメラから提供される画素の距離情報値を利用し、映像内の特徴点を図４のように予め指定された個数に分類する（４１０〜４３０）。このとき、距離別に分類された特徴点集合を断面と呼ぶ。

映像内の特徴点を距離別に分類するときは、Ｋ−平均群集化アルゴリズム（Ｋ−ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）を活用する。この方法を利用して特徴点を分類する場合は、映像内の特徴点を分布に応じて動的に分類できるという長所と、同一物体はほぼ類似した距離値を有するという仮定を用いれば、同一物体に付与された特徴点が同じ断面に含まれるという長所を有する。

図５は、本発明に係るオブジェクト認識過程を示すフローチャートである。以下の説明は、図５を参照する。

Ｓ５１０ステップでは、オブジェクト認識機がカメラからＲＧＢ−Ｄイメージを獲得する過程を示している。ＲＧＢ−Ｄイメージは、画素の色相情報と距離情報をすべて得ることができるイメージを意味する。

Ｓ５２０ステップでは、オブジェクト認識機が獲得したＲＧＢ−Ｄイメージ情報からＲＧＢ情報のみを用いて映像内の特徴点を抽出する過程を示している。特徴点を抽出する方法として、ＳＩＦＴ（Ｓｃａｌａｒ Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ）方法またはＳＵＲＦ（Ｓｐｅｅｄｅｄ Ｕｐ Ｒｏｂｕｓｔ Ｆｅａｔｕｒｅｓ）方法を利用することができる。しかし、これに限定されることはない。

Ｓ５３０ステップでは、オブジェクト認識機が抽出された特徴点の映像内（ｘ、ｙ）値に該当する距離情報値を基準とし、Ｋ−平均群集化アルゴリズム（Ｋ−ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）によって予め指定された個数に群集化させる。

Ｓ５４０ステップでは、オブジェクト認識機がＫ−平均群集化アルゴリズム（Ｋ−ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）によって区分された各断面に対し、特徴点マッチングアルゴリズムを用いてイメージデータベース内の対象特徴点と比較する。特徴点マッチングアルゴリズムは、Ｓ５２０ステップで特徴点抽出のときに用いた方法と関連するアルゴリズムを用いる。

Ｓ５４０ステップの後、オブジェクト認識機の認識する平面が存在するか否かを判別する（Ｓ５５０）。認識する平面があればＳ５４０ステップを繰り返し実行し、認識する平面がこれ以上ないときにはＳ５６０ステップを実行する。

Ｓ５６０ステップでは、オブジェクト認識機がＳ５４０ステップを通じて分類されたすべての断面に含まれた特徴点とのマッチングによって認識された物体を集めてオブジェクト認識結果を出力する過程を示している。

次に、オブジェクト認識装置１００のオブジェクト認識方法について説明する。図６は、本発明の好ましい実施形態に係るオブジェクト認識方法を概略的に示すフローチャートである。以下の説明は、図６を参照する。

まず、特徴点抽出部は、オブジェクトが含まれた映像フレームから特徴点を抽出する（Ｓ１０）。Ｓ１０ステップでは、特徴点抽出部がＳＩＦＴ（Ｓｃａｌａｒ Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ）アルゴリズムまたはＳＵＲＦ（Ｓｐｅｅｄｅｄ Ｕｐ Ｒｏｂｕｓｔ Ｆｅａｔｕｒｅｓ）アルゴリズムを利用し、映像フレームに含まれた画素の色相値に基づいて特徴点を抽出することができる。

Ｓ１０ステップの後、特徴点クラスタリング部が抽出された特徴点を映像フレームから得た各画素の深さ値に応じてクラスタリングする（Ｓ２０）。Ｓ２０ステップでは、特徴点クラスタリング部がＫ−平均群集化アルゴリズム（Ｋ−ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）を利用し、映像フレームから区分された平面フレームごとに１つのオブジェクトのみが位置されるように、抽出された特徴点をクラスタリングすることができる。

一例として、Ｓ２０ステップは、次のように具体的に実行することができる。まず、深さ値基盤フレーム区分部が深さ値の範囲を基準として映像フレームを平面フレームに区分する。この後、深さ値基盤クラスタリング部が各平面フレームに関する深さ値の範囲に基づいて抽出された特徴点のうち、同一平面フレームに位置する特徴点どうしをクラスタリングする。

他の一例として、Ｓ２０ステップは、次のように具体的に実行することができる。まず、オブジェクト基盤フレーム区分部が映像フレームに含まれたオブジェクトの個数を基準として映像フレームを平面フレームに区分する。この後、オブジェクト基盤クラスタリング部が１つの平面フレームに関する深さ値の範囲に基づいて抽出された特徴点のうち、同一平面フレームに位置する特徴点どうしをクラスタリングする。

Ｓ２０ステップの後、オブジェクト認識部がクラスタリングされた特徴点に基づき、映像フレームに含まれた各オブジェクトを認識する（Ｓ３０）。

Ｓ３０ステップは、次のように具体的に実行することができる。まず、特徴点集団選択部がクラスタリングされた特徴点による特徴点集団のうちから１つの特徴点集団を選択する。この後、特徴点マッチング部が選択された特徴点集団に含まれた各特徴点と映像フレームから区分された各平面フレームの間に特徴点マッチングを実行する。この後、特徴点マッチング基盤認識部が特徴点マッチングによって各平面フレームから１つのオブジェクトを認識する。

図６のオブジェクト認識方法は、Ｓ１０ステップ以前に映像フレーム獲得部が映像フレームから画素の色相値と画素の距離値がすべて含まれた映像フレームを獲得するステップを実行することができる。

本発明は、ＲＧＢ−Ｄカメラから獲得する映像画素（ＲＧＢ）情報を利用し、既存の特徴基盤のオブジェクト認識アルゴリズムを利用して特徴点を抽出した後、この特徴点の距離情報を利用して複数の面に分類し、各面単位でオブジェクトデータベース内のオブジェクトの特徴点とマッチングする方法であって、さらに正確にオブジェクトを認識する方法を提案する。

本発明によれば、映像内の複数のオブジェクトが互いに異なる距離で混合している映像において距離情報を活用し、既存のオブジェクト認識アルゴリズムよりも優れた認識性能を示すという長所を有する。また、既存の特徴点基盤オブジェクト認識アルゴリズムをほぼ修正なく用いることができるという長所を有する。また、距離情報を利用して特徴点を分類する方法は、既存に優れた性能を示しながら容易に実現物を求めることができるＫ−平均群集化アルゴリズム（Ｋ−ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）を用いるという長所を有する。また、本発明の分類された断面別に特徴点マッチングを実行し、マッチングアルゴリズム実行回数は断面の個数だけが増加するが、実際にマッチングする特徴点の個数は既存の方法と同じであるため、実行負荷が既存の方法に比べて小さいという長所を有する。

以上の説明は、本発明の技術思想を例示的に説明するものに過ぎず、本発明が属する技術分野において通常の知識を有する者であれば、本発明の本質的な特性から逸脱しない範囲内で多様な修正、変更、および置換が可能であろう。したがって、本発明に開示された実施形態および添付の図面は、本発明の技術思想を限定するためではなく説明するためのものであり、このような実施形態および添付の図面によって本発明の技術思想の範囲が限定されることはない。本発明の保護範囲は添付の請求範囲によって解釈されなければならず、これと同等な範囲内に存在するすべての技術思想は、本発明の権利範囲に含まれるものと解釈されなければならないであろう。

１００ ・・・オブジェクト認識装置
１１０ ・・・特徴点抽出部
１２０ ・・・特徴点クラスタリング部
１２１ ・・・深さ値基盤フレーム区分部
１２２ ・・・深さ値基盤クラスタリング部
１２３ ・・・オブジェクト基盤フレーム区分部
１２４ ・・・オブジェクト基盤クラスタリング部
１３０ ・・・オブジェクト認識部
１３１ ・・・特徴点集団選択部
１３２ ・・・特徴点マッチング部
１３３ ・・・特徴点マッチング基盤認識部
１４０ ・・・電源部
１５０ ・・・主制御部
１６０ ・・・映像フレーム獲得部

Claims (9)

1. オブジェクトが含まれた映像フレームから特徴点を抽出する特徴点抽出部、
   抽出された特徴点を前記映像フレームから得た各画素の深さ値に応じてクラスタリングする特徴点クラスタリング部、および
   クラスタリングされた特徴点に基づいて前記映像フレームに含まれた各オブジェクトを認識するオブジェクト認識部
   を含むことを特徴とする、オブジェクト認識装置。
2. 前記特徴点クラスタリング部は、Ｋ−平均群集化アルゴリズム（Ｋ−ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）を利用し、前記映像フレームから区分された平面フレームごとに１つのオブジェクトのみが位置するように、前記抽出された特徴点をクラスタリングすることを特徴とする、請求項１に記載のオブジェクト認識装置。
3. 前記特徴点クラスタリング部は、
   前記深さ値の範囲を基準として前記映像フレームを平面フレームに区分する深さ値基盤フレーム区分部、および
   各平面フレームに関する前記深さ値の範囲に基づき、前記抽出された特徴点のうちで同一平面フレームに位置する特徴点どうしをクラスタリングする深さ値基盤クラスタリング部
   を含むことを特徴とする、請求項１に記載のオブジェクト認識装置。
4. 前記特徴点クラスタリング部は、
   前記映像フレームに含まれたオブジェクトの個数を基準として前記映像フレームを平面フレームに区分するオブジェクト基盤フレーム区分部、および
   １つの平面フレームと関連する前記深さ値の範囲に基づき、前記抽出された特徴点のうちで同一平面フレームに位置する特徴点どうしをクラスタリングするオブジェクト基盤クラスタリング部、
   を含むことを特徴とする、請求項１に記載のオブジェクト認識装置。
5. 前記映像フレームとして画素の色相値と画素の距離値がすべて含まれた映像フレームを獲得する映像フレーム獲得部
   をさらに含むことを特徴とする、請求項１に記載のオブジェクト認識装置。
6. 前記特徴点抽出部は、ＳＩＦＴ（Ｓｃａｌａｒ Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ）アルゴリズムまたはＳＵＲＦ（Ｓｐｅｅｄｅｄ Ｕｐ Ｒｏｂｕｓｔ Ｆｅａｔｕｒｅｓ）アルゴリズムを利用し、前記画素の色相値に基づいて前記特徴点を抽出することを特徴とする、請求項５に記載のオブジェクト認識装置。
7. 前記オブジェクト認識部は、
   前記クラスタリングされた特徴点による特徴点集団のうちから１つの特徴点集団を選択する特徴点集団選択部、
   選択された特徴点集団に含まれた各特徴点と前記映像フレームから区分された各平面フレームの間に特徴点マッチングを実行する特徴点マッチング部、および
   前記特徴点マッチングによって各平面フレームから１つのオブジェクトを認識する特徴点マッチング基盤認識部
   を含むことを特徴とする、請求項１に記載のオブジェクト認識装置。
8. オブジェクトが含まれた映像フレームから特徴点を抽出する特徴点抽出ステップ、
   抽出された特徴点を前記映像フレームから得た各画素の深さ値に応じてクラスタリングする特徴点クラスタリングステップ、および
   クラスタリングされた特徴点に基づいて前記映像フレームに含まれた各オブジェクトを認識するオブジェクト認識ステップ
   を含むことを特徴とする、オブジェクト認識方法。
9. 前記特徴点クラスタリングステップは、Ｋ−平均群集化アルゴリズム（Ｋ−ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）を利用し、前記映像フレームから区分された平面フレームごとに１つのオブジェクトのみが位置するように、前記抽出された特徴点をクラスタリングすることを特徴とする、請求項８に記載のオブジェクト認識方法。

Images