KR100785339B1 - 형상인식장치 및 방법 - Google Patents

형상인식장치 및 방법 Download PDF

Info

Publication number
KR100785339B1
KR100785339B1 KR1020060113337A KR20060113337A KR100785339B1 KR 100785339 B1 KR100785339 B1 KR 100785339B1 KR 1020060113337 A KR1020060113337 A KR 1020060113337A KR 20060113337 A KR20060113337 A KR 20060113337A KR 100785339 B1 KR100785339 B1 KR 100785339B1
Authority
KR
South Korea
Prior art keywords
shape
boundary
point
curvature
target
Prior art date
Application number
KR1020060113337A
Other languages
English (en)
Inventor
심덕선
창사무엘
Original Assignee
중앙대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 중앙대학교 산학협력단 filed Critical 중앙대학교 산학협력단
Priority to KR1020060113337A priority Critical patent/KR100785339B1/ko
Application granted granted Critical
Publication of KR100785339B1 publication Critical patent/KR100785339B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/564—Depth or shape recovery from multiple images from contours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/248—Aligning, centring, orientation detection or correction of the image by interactive preprocessing or interactive shape modelling, e.g. feature points assigned by a user

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

형상인식시스템 및 방법이 개시된다. 전처리부는 입력받은 영상으로부터 표적형상을 구성하는 경계선 및 코너점들을 검출하고, 코너점으로부터 제1방향으로 연장되는 경계선을 구성하는 경계점 중에서 선택된 제1경계점과 코너점을 양단으로 하는 제1벡터와 코너점으로부터 제2방항으로 연장되는 경계선을 구성하는 경계점 중에서 선택된 복수의 제2경계점들 각각과 코너점을 양단으로 하는 복수의 제2벡터들 각각과 이루는 각들이 일정한 상수값으로 수렴되는 코너점을 전역점으로 검출하고, 표적형상의 경계선을 전역점을 기준으로 분할하여 생성된 부분 경계선들에 대해 스무딩을 수행한다. 곡률매칭부는 스무딩된 부분 경계선들로 이루어진 표적형상의 곡률을 계산하여 표적 곡률 함수를 생성하고, 표적 곡률 함수와 주어진 모델형상의 모델 곡률 함수 사이의 곡률매칭을 수행하여 물체형상을 검출한다. 본 발명에 따르면, 하나 또는 둘 이상의 물체형상이 겹쳐진 표적형상으로부터 위치, 크기, 방향에 관계없이 특정한 물체형상을 정확하게 인식하고 복원할 수 있다.
형상인식, 코너점, 경계선, 곡률매칭, ICP 알고리즘

Description

형상인식장치 및 방법{Apparatus and method for recognizing shape from an image}
도 1은 본 발명에 따른 형상인식시스템에 대한 일실시예의 구성도를 도시한 도면,
도 2는 표적형상과 모델형상의 외곽선의 일 예를 도시한 도면,
도 3은 표적형상에서 외곽선과 코드점을 탐지한 일 예를 도시한 도면,
도 4는 다양한 접합들의 코너점의 일 예를 도시한 도면,
도 5는 동심원표현법에 의한 코너점을 검출하는 예를 도시한 도면,
도 6은 표적형상으로부터 전역점을 검출하는 과정을 도시한 흐름도,
도 7은 도 2에 도시된 표적형상과 모델형상의 곡률 함수의 일 예를 그래프로 도시한 도면,
도 8은 이동곡률매칭부가 도 7에 도시된 양 곡률 함수들로부터 생성한 오차행렬의 일 예를 도시한 도면,
도 9는 도 8에 도시된 오차행렬로부터 선택된 매칭 오차 영역의 일 예를 그래프로 도시한 도면,
도 10은 도 9에 도시된 오차 영역과 연관된 곡률 함수 영역의 일 예를 도시한 도면,
도 11은 이동곡률매칭부가 도 2에 도시된 표적형상으로부터 복원한 물체형상을 포함하는 표적형상의 일 예를 도시한 도면,
도 12는 각각 다른 방향과 크기를 갖는 물체형상와 모델형상의 외곽선의 일 예를 도시한 도면,
도 13은 도 12에 도시된 물체형상과 모델형상의 곡률 함수의 일 예를 그래프로 도시한 도면,
도 14는 도 12에 도시된 물체형상과 모델 형상에 대한 곡률 매칭 오차의 일 예를 도시한 도면,
도 15는 도 14에 도시된 물체형상의 곡률 함수와 조정된 모델형상 곡률 함수를 함께 도시한 도면,
도 16은 도 12에 도시된 물체형상과 변형된 모델형상을 함께 도시한 도면,
도 17은 ICP 알고리즘의 수행 과정을 도시한 흐름도,
도 18은 도 10에 도시된 복원된 물체형상에 대한 경계 매칭 후 생성된 물체형상을 포함하는 표적형상의 일 예를 도시한 도면,
도 19는 도 10에 도시된 복원된 물체형상과 도 6에 도시된 모델형상에 대해 수행된 경계매칭의 반복에 따른 거리 제곱의 합의 일 예를 그래프로 도시한 도면,
도 20은 본 발명에 따른 형상인식방법에 대한 바람직한 일 실시예의 수행과정을 도시한 흐름도,
도 21은 본 발명에 따른 형상인식방법에 대한 바람직한 다른 실시예의 수행과정을 도시한 흐름도,
도 22a 및 도 22b는 각각 카니자 삼각형과 카니자 사각형을 도시한 도면,
도 23은 도 22a 및 도 22b에 도시된 카니자 삼각형과 카니자 사각형의 곡률 함수를 도시한 도면,
도 24a 및 도 24b는 각각 카니자 원모델과 그것의 곡률 함수의 일 예를 도시한 도면,
도 25a 및 도 25b는 각각 카니자 타원모델과 그것의 곡률 함수의 일 예를 도시한 도면,
도 26a 및 도 26b는 각각 카니자 삼각형모델과 그것의 곡률 함수의 일 예를 도시한 도면,
도 27a 및 도 27b는 각각 카니자 사각형모델과 그것의 곡률 함수의 일 예를 도시한 도면,
도 28a 및 도 28b는 각각 도 23a 및 도 23b에 도시된 카니자 삼각형과 카니자 사각형의 곡률 함수를 각각 도 24b에 도시된 카니자 원모델의 곡률 함수와 곡률매칭을 수행한 후의 매칭 오차의 일 예를 도시한 도면,
도 29a 및 도 29b는 각각 도 22a 및 도 22b에 도시된 카니자 삼각형과 카니자 사각형에 대해 도 24a에 도시된 카니자 원모델을 기초로 곡률매칭을 수행하여 복원한 형상의 예를 도시한 도면,
도 30a 및 도 30b는 각각 도 29a 및 29b에 도시된 복원된 카니자 삼각형과 카니자 사각형 각각에 대한 경계매칭의 반복에 따른 거리 제곱의 합의 일 예를 그래프로 도시한 도면,
도 31a 및 도 31b는 각각 도 22a 및 도 22b에 도시된 카니자 삼각형과 카니자 사각형의 곡률 함수를 도 26b에 도시된 카니자 삼각형 모델의 곡률 함수와 도 27b에 도시된 카니자 사각형 모델의 곡률 함수와 곡률 매칭 결과에 따라 발생한 매칭 오차를 도시한 도면,
도 32a 및 도 32b는 각각 카니자 삼각형 나타낸 복원된 삼각형과 카니자 사각형 위에 나타낸 복원된 사각형을 도시한 도면,
도 33a 및 도 33b는 각각 비행기 표적형상과 비행기 모델형상의 일 예를 도시한 도면,
도 34a 및 도 34b는 각각 스무딩된 비행기 표적형상과 스무딩된 비행기 모델형상을 도시한 도면,
도 35a 및 도 35b는 각각 도 34a 및 도 34b에 도시된 표적형상과 모델형상의 곡률 함수들을 도시한 도면,
도 36a 및 도 36b는 각각 도 35a 및 도 35b에 도시된 표적 곡률 함수와 모델 곡률 함수에 대한 곡률매칭 후의 매칭 오차 결과 및 복원된 비행기 표적형상의 일 예를 도시한 도면, 그리고
도 37a 및 도 37b는 각각 복원된 형상에 대한 경계매칭의 반복에 따른 거리 제곱의 합 및 검출된 비행기형상의 일 예를 그래프로 도시한 도면이다.
본 발명은 영상으로부터 물체형상을 인식하는 형상인식장치 및 방법에 관한 것으로, 보다 상세하게는, 부분적으로 왜곡되고 불일치된 인공 물체의 2차원 영상으로부터 특정한 물체의 형상을 인식하여 기하학적인 정보를 복원하는 장치 및 방법에 관한 것이다.
형상인식기술은 2차원 또는 3차원 디지털 영상으로부터 주어진 모델 클래스에 속하는 물체형상을 검출하고, 그것의 기하학적인 정보를 복원하는 기술이다. 형상인식기술은 컴퓨터 비전, 컴퓨터 그래픽, 영상패턴인식, 영상처리, 지문인식 분야 등에서 연구되고 있으며, 반도체 제조장비 등 각종 산업응용기계에서의 위치인식, 검사, 형상계측 등을 위해 광범위하게 적용된다. 또한 컴퓨터 엔터테인먼트, 게임, 지능로봇, 가정용 로봇 등의 분야에서 응용되고 있다.
기존의 형상인식기술은 형상인식을 위해 단일 물체의 디지털 영상으로부터 경계선 특징을 추출하고, 경계선을 스무딩하여 노이즈를 제거한 후에 지역 특징에 기반하여 통제점을 검출한다. 다음으로, 검출된 통제점을 사용하여 경계선과 모델 경계선의 경계매칭 절차를 수행하고, 위치, 회전, 크기조정 요인들을 계산한다. 이러한 기존의 형성인식기술에서 통제점 검출방법과 물체형상 표현방법은 형상인식의 정확성에 영향을 미치는 요인이다. 기존의 형상인식기술은 허그변형 형상 요소, 양 측정, 최인 인코딩, 다각형의 접근, 분할과 합병 같은 다양한 표현법을 사용하고 있다. 또한 곡률로서 경계선을 특정하는 표현법인 곡률표현의 사용도 점차 증가하고 있다.
물체의 2차원 디지털 영상은 단일 물체형상뿐만 아니라 두 개 이상의 물체형 상이 겹쳐진 영상일 수 있고, 또한 물체형상은 다양한 방향, 위치, 크기를 가질 수 있다. 그러나 기존의 형상인식기술은 단일 물체의 2차원 디지털 영상으로부터 특정한 물체의 형상만을 인식할 수 있었고, 단일한 방향, 위치, 크기를 갖는 물체의 형상만을 인식할 수 있었다. 따라서 다양한 물체의 부분형상이 겹쳐있는 경우에도 특정한 물체의 형상을 인식할 수 있는 방법과 물체의 방향, 위치, 크기에 무관하게 특정한 물체의 형상을 인식할 수 있는 기술의 개발이 필요하다.
한편 기존 형상인식기술에 있어서 경계점 검출을 수행하는 스무딩 절차는 통제점 중에 서로 부분매칭에 적합한 주요한 형상정보를 가지는 고도곡률점의 위치를 이동시킨다. 이러한 고도곡률점의 위치 이동은 선분과 각도와 같은 물체형상의 특징을 변화시킨다. 특히 산업 부품들과 같은 인공 물체의 고도곡률점의 위치 이동은 경계선의 곡률표현을 변경시키는 문제를 낳는다. 이러한 측면에서 곡률 변화는 형상인식기술의 능력을 제한하며, 다양한 부분형상을 가진 가공의 물체에 있어서 불일치를 발생시키는 문제점이 있다. 또한 기존의 형상인식기술은 지역적 특징만을 갖는 통제점을 기반으로 경계매칭을 수행하므로, 경계선의 정확한 형태에 대한 표현을 제공하지 못하는 문제점이 있다.
본 발명이 이루고자 하는 기술적 과제는 부분적으로 겹쳐지고 불일치된 물체의 2차원 이미지로부터 물체의 방향, 위치, 크기에 관계없이 특정한 형상을 인식하는 형상인식장치 및 그 방법을 제공하는 데 있다.
본 발명이 이루고자 하는 다른 기술적 과제는 부분적으로 겹쳐지고 불일치된 물체의 2차원 표현으로부터 물체의 방향, 위치, 크기에 관계없이 특정한 형상을 인식하는 형상인식방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다.
상기의 기술적 과제를 달성하기 위한, 본 발명에 따른 형상인식장치는, 입력받은 영상으로부터 표적형상을 구성하는 경계선 및 상기 경계선이 소정의 각을 형성하는 코너점들을 검출하고, 상기 코너점으로부터 제1방향으로 연장되는 경계선을 구성하는 경계점 중에서 선택된 제1경계점과 코너점을 양단으로 하는 제1벡터와 상기 코너점으로부터 제2방항으로 연장되는 경계선을 구성하는 경계점 중에서 선택된 복수의 제2경계점들 각각과 상기 코너점을 양단으로 하는 복수의 제2벡터들 각각과 이루는 각들이 일정한 상수값으로 수렴되는 코너점을 전역점으로 검출하고, 상기 표적형상의 경계선을 상기 검출된 전역점을 기준으로 분할하여 생성된 부분 경계선들에 대해 스무딩을 수행하는 전처리부; 및 상기 스무딩된 부분 경계선들로 이루어진 표적형상의 곡률을 계산하여 상기 표적형상의 표적 곡률 함수를 생성하고, 상기 표적형상을 소정의 각도 단위로 회전시키면서 상기 표적 곡률 함수와 주어진 모델형상으로부터 생성된 모델 곡률 함수 사이의 매칭을 반복적으로 수행하고, 각각의 회전 상태에 대응하는 매칭 결과인 오차 벡터의 값이 최소가 되는 시점의 상기 표적형상으로부터 상기 모델형상에 대응하는 물체형상을 검출하는 곡률매칭부;를 구비한다.
상기의 다른 기술적 과제를 달성하기 위한, 본 발명에 따른 형상인식방법은, 입력받은 영상으로부터 표적형상을 구성하는 경계선 및 상기 경계선이 소정의 각을 형성하는 코너점들을 검출하는 형상요소검출단계; 상기 코너점으로부터 제1방향으로 연장되는 경계선을 구성하는 경계점 중에서 선택된 제1경계점과 코너점을 양단으로 하는 제1벡터와 상기 코너점으로부터 제2방항으로 연장되는 경계선을 구성하는 경계점 중에서 선택된 복수의 제2경계점들 각각과 상기 코너점을 양단으로 하는 복수의 제2벡터들 각각과 이루는 각들이 일정한 상수값으로 수렴되는 코너점을 전역점으로 검출하는 전역점검출단계; 상기 표적형상의 경계선을 상기 검출된 전역점을 기준으로 분할하여 생성된 부분 경계선들에 대해 스무딩을 수행하는 경계선조작단계; 상기 스무딩된 부분 경계선들로 이루어진 표적형상의 곡률을 계산하여 상기 표적형상의 표적 곡률 함수를 생성하는 곡률검출단계; 상기 표적형상을 소정의 각도 단위로 회전시키면서 상기 표적 곡률 함수와 주어진 모델형상으로부터 생성된 모델 곡률 함수 사이의 매칭을 반복적으로 수행하여 각각의 회전 상태에 대응하는 매칭 결과인 오차 벡터를 생성하는 이동매칭단계; 및 상기 오차 벡터의 값이 최소가 되는 시점의 상기 표적형상으로부터 상기 모델형상에 대응하는 물체형상을 검출하는 물체형상검출단계;를 갖는다.
이에 의해, 부분적으로 겹쳐지고 불일치된 물체의 2차원 영상으로부터 물체의 방향, 위치, 크기에 관계없이 특정한 형상을 정확하게 인식하고 복원할 수 있다.
이하에서 첨부된 도면들을 참조하여 본 발명에 따른 형상인식장치 및 방법의 바람직한 실시예에 대해 상세하게 설명한다.
도 1은 본 발명에 따른 형상인식시스템에 대한 일 실시예의 구성을 도시한 도면이다.
도 1을 참조하면, 본 발명에 따른 형상인식장치는 전처리부(110), 곡률매칭부(130) 및 경계매칭부(140)를 구비한다.
전처리부(110)는 입력된 영상으로부터 검출된 코너점 중에서 물체형상의 전역특성을 반영하는 전역점을 검출하고, 검출된 전역점을 기준으로 물체형상을 분할한 후 스무딩을 수행한다. 이를 위해 전처리부는(110)는 경계점검출부(112), 코너탐지부(114), 전역점검출부(116), 경계선분할부(118), 및 스무딩부(120)를 구비한다.
경계점검출부(112)는 입력받은 영상으로부터 표적형상의 형태를 나타내는 선을 형성하면서 명암 대조를 갖는 지점들을 경계점으로 검출한다. 표적형상은 입력된 영상에 포함되어 있는 2차원 형상을 나타내는 정보를 인코드한 디지털 값이다. 이러한 표적형상은 단일 물체의 부분형상이거나 두 개 이상의 물체가 서로 겹쳐진 형상의 부분형상일 수 있고, 노이즈로 인해 실제 물체형상과 일치하지 않는 형상일 수 있다. 한편 표적형상을 구성하는 물체들은 다양한 위치, 크기, 방향을 갖는다.
경계선은 면과 면이 만나 이루는 선이고, 외곽선은 경계선 중에서 물체와 배경 사이를 구분하는 선이다. 경계점 검출 방법에는 캐니에지탐색(Canny Edge Detector)방법이 있다. 이것은 입력된 영상에서 명암 변화가 다른 지점보다 큰 지점을 찾고, 그 지점을 추적하며 형성되는 선에 속한 점들을 추출하는 방법이다. 본 발명에 적용될 수 있는 경계선 검출방법은 캐니에지탐색법 외에도 여러 방법이 있 다. 도 2는 캐니에지탐색법에 의해 검출된 표적형상과 모델형상의 외곽선의 일 예를 도시한 도면이다. 도 2를 참조하면, 표적형상(210)의 외곽선은 꽃병과 몽키렌치가 겹쳐진 형상이고, 모델형상(220)의 외곽선은 꽃병 형상이다.
코너탐지부(114)는 소정 크기의 탐색윈도우를 입력된 영상에서 이동시키면서 탐색윈도우 영역에 대한 명암의 평균변화량을 검출하고, 사전에 설정된 기준영역 내에서 명암의 평균변화량이 최대인 점을 코너점으로 탐지한다(S200). 탐색윈도우는 한변의 길이가 영상을 구성하는 단위(예를들면, 픽셀)의 n배인 정사각형으로 설정될 수 있으며, 탐색윈도우의 중심점과 그것의 이웃하는 점 사이의 명암의 변화를 반영할 수 있도록 설정되어야 한다. 탐색윈도우의 이동시마다 산출된 명암의 평균변화량은 각각의 이동시 탐색윈도우의 중심점에 연계되어 별도로 구비된 메모리(미도시)에 저장된다. 이때 기준영역의 크기는 탐색윈도우의 크기보다 크고, 입력된 영상의 크기보다 작아야 한다. 코너점을 검출하는 방법의 일 예로 하리스 코너탐지법(Harris corner detector)이 있으며, 이 외에도 기존의 다른 여러 방법이 코너점 검출을 위해 사용될 수 있다.
도 3은 입력된 영상으로부터 탐지된 외곽선과 코너점의 예를 도시한 도면으로, 표적형상의 경계선(310)이 일정한 각을 이루면서 만나는 지점(320)이 코너점으로 검출된다. 도 4는 다양한 형태의 코너점의 예를 도시한 도면이다. 도 4를 참조하면, 경계선에 의해 형성되는 코너점의 형태에는 L-접합의 코너점(410), Y-접합의 코너점(420), T-접합의 코너점(430), 화살표-접합의 코너점(440), X-접합의 코너점(450) 등이 있다.
상술한 방법에 의해 검출된 코너점은 이웃하는 점과의 관계가 반영되어 있지 않은 지역적인 특성을 갖는 코너점이다. 나아가 표적형상의 경계선에 노이즈가 존재한다면 실제보다 더 많은 코너점들이 검출될 수 있다. 이러한 점에서 이웃하는 코너점과의 관계가 반영되어 있는 전역 특성의 코너점을 파악하기 위해 노이즈를 제거한 후 코너점으로부터 전역 특성이 반영된 코너점(즉, 전역점)을 검출하는 과정이 필요하다.
전역점검출부(116)는 코너점 각각에 대한 전역점검출 테스트를 수행한다. 이를 위해 전역점검출부(116)는 코너점으로부터 제1방향으로 연장되는 경계선을 구성하는 경계점 중에서 제1경계점을 선택하고, 제2방항으로 연장되는 경계선을 구성하는 경계점 중에서 복수의 제2경계점으로 선택한다. 다음으로 전역점검출부(116)는 제1경계점과 선택된 코너점을 양단으로 하는 제1벡터와 제2경계점들 각각과 선택된 코너점을 양단으로 하는 복수의 제2벡터들 각각과 이루는 각들이 일정한 상수값으로 수렴되지를 확인한다. 만약 제1벡터와 제2벡터들이 이루는 각이 특정한 각으로 수렴하면, 전역점검출부(116)는 해당 코너점을 전역점으로 검출한다. 이러한 과정은 모든 코너점에 대해 순차적으로 수행된다.
한편 전역점검출부(116)는 노이즈의 제거를 위해 코너점으로부터 일부의 코너점을 제거한 후 전역점을 검출하는 것이 바람직하다. 이를 위해 전역점검출부(116)은 소정의 기준 거리내에 경계점이 존재하는 코너점을 후보코너점으로 선택하고, 후보코너점 중에서 전역점을 검출한다. 이때, 기준 거리는 단위구간의 크기를
Figure 112006083953378-pat00001
라고 할 때
Figure 112006083953378-pat00002
로 설정된다. 일예로, 이미지를 구성하는 픽셀을 단위구 간으로 설정하면, 기준 거리는
Figure 112006083953378-pat00003
픽셀이 된다.
전역점 검출에 있어서 제1벡터와 제2벡터에 의해 이루어지는 각들의 집합은 동심원표현법으로 표현될 수 있다. 동심원표현법은 곡선의 궤적을 인코드하는 8-이웃 최인 코드에 의해 하나의 코너점에 대응하는 각들을 파악한다. 도 5는 동심원 표현법에 의해 전역점을 검출하는 예를 도시한 도면이고, 도 6은 동심원표현법에 의해 전역점을 검출하는 과정을 도시한 흐름도이다.
도 5 및 도 6을 참조하면, 전역점검출부(116)는 코너점 중에서 하나의 코너점(p0)을 선택하고(S600), 선택된 코너점(p0)으로부터
Figure 112006083953378-pat00004
픽셀 거리 내에 경계점이 존재하는지를 확인한다(S610). 만약 경계점이 존재하면, 전역점검출부(116)는 선택된 코너점(p0)으로부터 제1방향으로 연장되는 경계선(510)의 경계점 중에서 제1경계점(R)을 선택한다(S620). 다음으로 전역점검출부(116)는 선택된 코너점(p0)을 중심으로 반지름을 소정 길이 단위로 증가시키면서 형성한 원들과 선택된 코너점(p0)으로부터 제2방향으로 연장되는 경계선(520)과의 교차점(q1, q2, q3 등)들을 제2경계점으로 선택한다(S630). 다음으로 전역점검출부(116)는 선택된 코너점(p0)과 제1경계점(R)을 양단으로 하는 제1벡터와 선택된 코너점(p0)과 제2경계점(qi) 각각을 양단으로 하는 복수의 제2벡터들 각각과 이루는 각(
Figure 112006083953378-pat00005
)들을 산출한다(S640). 다음으로 전역점검출부는 산출된 각(
Figure 112006083953378-pat00006
)들이 일정한 상수값으로 수렴되지 여부를 확인한다(S650). 만약 제1벡터와 제2벡터들이 이루는 각이 일정한 각으로 수렴하면, 전역점검출부(116)는 선택된 코너점(p0)을 전역점으로 검출한다(S660). 이와달리 산출된 각(
Figure 112006083953378-pat00007
)들이 일정한 각으로 수렴하지 않으면, 제2경계점(qi)을 제1경계점(R)으로 설정하고 제1방향으로 연장되는 경계선(510)상의 경계점에 대해 S630단계 내지 S660단계를 수행한다. 마지막으로 전역점검출부(116)는 모든 코너점에 대해 전역점 검출과정이 수행되었는지 확인한다(S670). 만약, 전역점검출과정이 수행되지 않은 코너점이 존재하거나 S610단계에서 선택된 코너점으로부터 기준거리내에 경계점이 존재하지 않으면, 전역점검출부(116)는 다른 코너점을 선택한 후 전역점 검출 과정을 재수행한다.
경계선분할부(118)는 검출된 전역점을 기준으로 표적형상의 경계선을 부분 경계선들로 분할한다. 또한 스무딩부(120)는 분할된 부분 경계선들에 대해 스무딩을 수행한다.
곡률매칭부(130)는 곡률매칭을 수행하여 표적형상으로부터 물체형상을 복원한다. 이를 위해 곡률매칭부(130)는 곡률검출부(132), 이동곡률매칭부(134) 및 조정곡률매칭부(136)를 구비한다.
곡률검출부(132)는 전처리부(110)에 의해 스무딩된 부분 경계선들로 이루어진 표적형상의 곡률을 계산하여 표적형상의 표적 곡률 함수를 생성한다. 곡률 계산은 경계함수의 이차 유도인 연속 함수들에 기초하여 수행될 수 있다. 세부적으로 다양한 레벨을 가진 곡률 함수를 구하기 위해, 형상의 경계선을 구성하는 곡선은 두 함수
Figure 112006083953378-pat00008
와
Figure 112006083953378-pat00009
에 의해 다음의 수학식 1로 표현될 수 있다.
[수학식 1]
Figure 112006083953378-pat00010
여기서, u는 곡선의 길이이고, r은 곡선의 반지름이다.
곡선
Figure 112006083953378-pat00011
의 곡률은 다음의 수학식 2로 표현된다.
[수학식 2]
Figure 112006083953378-pat00012
또한 가우시안 경로 스무스 함수는 다음의 수학식 3으로 표현된다.
[수학식 3]
Figure 112006083953378-pat00013
한편 가우시안 스무스 함수로부터 수학식 4와 수학식 5가 얻어진다.
[수학식 4]
Figure 112006083953378-pat00014
[수학식 5]
Figure 112006083953378-pat00015
수학식 4와 수학식 5에서 t는 적분변수이다.
또한, 수학식 4와 수학식 5로부터 스무스된 곡선
Figure 112006083953378-pat00016
는 수학식 6과 같이 표현된다.
[수학식 6]
Figure 112006083953378-pat00017
결과적으로 수학식 2와 수학식 6을 이용하여 표적형상의 표적 곡률 함수를 생성할 수 있다. 도 7에는 도 2에 도시된 표적형상(210) 및 모델형상(220)으로부터 생성된 표적 곡률 함수와 모델 곡률 함수가 도시되어 있다.
이동곡률매칭부(134)는 표적형상을 소정의 각도 단위(예를 들면, 1°단위)로 회전시키면서 표적 곡률 함수와 모델 곡률 함수 사이의 매칭을 반복적으로 수행하고, 각각의 회전 상태에 대응하는 매칭 결과인 오차 벡터의 값이 최소가 되는 시점의 표적형상으로부터 모델형상에 해당하는 물체형상을 검출한다.
주어진 곡률 공간에서 물체형상의 회전은 곡률 함수의 이동으로 표현될 수 있다. 따라서 표적형상을 소정의 각도 단위로 회전시키면서 모델형상과 매칭시키는 과정은 각각의 회전에 대응하여 표적 곡률 함수의 시작점을 일정한 간격으로 왼쪽에서 오른쪽으로 이동시키면서 매칭하는 과정으로 사상할 수 있다. 이러한 방법에 의해 이동곡률매칭부(134)는 표적형상에 대한 각각의 회전상태에 대응하는 표적 곡률 함수와 모델 곡률 함수 사이의 매칭 오차를 산출하고, 산출된 매칭 오차가 최소가 되는 시점의 표적 곡률 함수에 의해 얻어지는 표적형상의 회전정보와 위치정보에 의해 표적형상으로부터 모델형상을 검출한다.
각각의 회전 상태에 대응하는 매칭 결과인 오차 벡터 중에서 최소의 오차 벡터는 오차 행렬로부터 얻어질 수 있다. 오차 행렬의 각 열은 표적 곡률 함수와 모델 곡률 함수로부터 얻어진 단순 오차로 구성되고, 각 행은 이동매칭으로 인한 오차로 구성된다. 곡률매칭부(134)는 이러한 오차행렬로부터 값이 최소인 행의 오차 벡터를 찾고, 최소의 오차 벡터로부터 매칭결과인 표적형상의 회전정보와 위치정보를 추출한다. 여기서 회전정보는 표적형상의 회전 각을 의미하고, 위치정보는 복원될 물체형상이 표적형상 내에서 위치하는 지점에 대한 정보를 의미한다.
다음으로 이동곡률매칭부(134)는 표적형상의 회전정보와 위치정보를 기초로 모델형상을 표적형상 내의 대응하는 물체형상이 있는 위치로 이동시켜 두 형상을 일치시킨다. 최종적으로 이동곡률매칭부(134)는 표적형상에서 물체형상의 사라진 경계선을 복원하여 모델형상에 대응하는 물체형상을 검출한다.
물체형상을 검출하는 다른 예로 표적형상과 모델형상의 방향을 일치시킨 후에 물체형상의 사라진 경계선을 복원하고, 복원된 물체형상을 원 위치로 이동시키는 방법이 있다.
CT(i)(i=1,…,m)를 표적 곡률 함수라고 하고, CM(i=1,…,n)을 모델 곡률 함수라 할 때, 오차 행렬은 다음의 수학식 7로 나타낼 수 있다.
[수학식 7]
Figure 112006083953378-pat00018
여기서, m > n이고, 벡터 E(i)는 시간 i에서의 매칭 오차이다. 수학식 7로 표현되는 오차 행렬 E(i, j)는 모든 가능한 곡률 매칭을 나타내는 다음의 수학식 8로 변형될 수 있다.
[수학식 8]
Figure 112006083953378-pat00019
여기서, i=1,…,n이고, j=1,…m+n-1이며, CET는 이동 매칭을 수행하기 위해 CT를 m+n-1의 크기로 확장시킨 곡률 함수이다. 수학식 8에 의해 얻어진 곡률 함수 CET의 첫 부분 CET(1:m)은 CT이며, 두 번째 부분 CET(m+1:m+n-1)은 CT(1:n-1)이다.
도 8에는 도 7에 도시된 표적형상 및 모델형상에 대한 곡률 함수로부터 이동곡률매칭부(134)에 의해 생성된 오차행렬의 일 예가 도시되어 있다. 도 8에 도시된 바와 같이 오차 행렬의 각 열은 두 곡률 함수 사이의 단순 오차이고, 각 행은 이동매칭으로 인한 오차이다.
도 9는 도 8에 도시된 오차행렬로부터 선택된 매칭 오차 영역을 도시한 그래프이다. 매칭의 목표는 모델형상과 표적형상의 곡률 함수를 유사하게 하여 두 형상 사이에 일치하는 곡선 영역을 찾고 곡선 조각의 길이를 최대화하는 것이다. 매칭된 곡선 조각의 길이는 최소의 곡률 매칭 경계값을 설정함으로써 계산될 수 있다. 도 9를 참조하면, 오차 벡터의 세그먼트인 오차영역(R)은 도 8에 도시된 오차 행렬의 모든 오차 벡터의 세그먼트 중에서 최대 길이인 204개의 점을 가지면서 0.002의 경계값보다 더 작은 매칭 오차를 갖는다.
도 10에는 최소의 오차 벡터에 대응하는 곡률함수가 도시되어 있다. 도 10에서 오차 영역(R)은 도 9에 도시된 오차 벡터의 세그먼트인 오차영역에 해당하는 영역이다. 매칭된 곡률 쌍은 최선의 매칭된 곡률 쌍으로 간주된다. 상술한 바와 같은 이동매칭 결과에 따르면, 표적 곡률 함수를 766번 위치 이동시키고, 모델 곡률 함수의 시작위치를 시작지점으로부터 39번째 점으로 하는 매칭 변형이 최선의 매칭으로서 선택된다. 따라서 이동곡률매칭부(134)는 모델형상이 39번째 점을 시작점으로 하고 표적형상의 766째와 767번째 위치 이동에 대응하도록 모델형상을 재구성한다. 상술한 과정에 의해 도 11에 도시된 바와 같이 표적형상으로부터 모델형상이 검출된다. 표적형상에서 검출된 모델형상에 해당하는 형상의 외곽선은 꽃병 형상에 해당하는 외곽선과 가까우며, 이로써 변형된 꽃병 형상의 외곽선으로 물체의 외곽선이 복원된다.
조정곡률매칭부(136)는 모델형상의 크기를 소정의 크기 비율로 변화시키면서 표적 곡률 함수와 모델 곡률 함수 사이의 매칭을 반복적으로 수행하고, 각각의 크기 상태에 대응하는 매칭 결과인 오차 벡터의 값이 최소가 되는 시점의 표적형상으로부터 모델형상에 대응하는 물체형상을 검출한다.
주어진 곡률 공간에서 모델형상의 크기변경은 분리된 곡률 계산에서 호의 길이의 조작으로 표현된다. 따라서 모델형상을 소정의 크기 비율로 변화시키면서 매칭하는 과정은 모델 곡률 함수의 각각 분리된 호들을 소정의 크기 비율로 변화시키면서 표적 곡률 함수와 매칭하는 과정으로 사상될 수 있다. 이와 달리 모델형상의 크기를 변경한 후 생성한 곡률 함수를 표적 곡률 함수와 매칭하는 방법이 사용될 수 있다. 이러한 방법을 통해 물체형상과 모델형상 사이의 매핑정보의 하나인 크기정보를 얻을 수 있다.
도 12는 각각 다른 방향과 크기를 갖는 물체형상과 모델형상의 외곽선을 도시한 도면이다.
도 12를 참조하면, 조정곡률매칭부(136)가 조정매칭을 수행하기에 앞서, 곡률검출부(132)는 모델형상(1210)과 물체형상(1220)의 곡률 함수를 생성한다. 도 13에는 오차 벡터의 값이 최소인 시점에서 모델형상(1210)의 곡률 함수와 물체형상(1220)의 곡률 함수가 도시되어 있다. 다음으로 이동곡률매칭부(134)는 두 곡률 함수에 대한 이동매칭을 실시한다. 이동매칭 결과로 생성된 오차벡터의 분포가 도 14에 도시되어 있다. 이때, 모델형상의 곡률 함수의 각 호의 길이를 증가시킴으로써 물체형상의 곡률 함수와 일치시킬 수 있다. 도 15에는 조정곡률매칭부(136)에 의해 변형된 모델형상의 곡률 함수와 물체형상의 곡률 함수의 매칭결과가 도시되어 있다. 도 15로부터 두 곡률 함수가 일치함을 알 수 있다. 또한 도 16에는 조정곡률매칭부(136)에 의해 크기가 조정된 모델형상과 물체형상이 도시되어 있으며, 이로부터 두 형상이 일치하는 것을 확인할 수 있다.
경계매칭부(140)는 곡률매칭부(130)가 생성한 오차 벡터의 값이 최소일 때의 회전정보 및 위치정보를 포함하는 매핑정보를 기초로 모델형상을 표적형상 내의 모델형상에 대응되는 물체형상과 좌표를 일치시킨다. 매핑정보는 이동곡률매칭부(134)가 생성한 표적형상의 회전 정보와 표적형상 내의 물체형상의 위치정보, 그리고 조정곡률매칭부(136)가 생성한 크기정보를 포함한다. 경계매칭부(140)는 물체 형상의 위치정보를 기초로 모델형상의 중심을 표적형상 내의 대응되는 물체형상의 중심과 일치시킨 후 물체형상의 회전정보와 크기정보를 기초로 모델형상의 방향과 크기를 물체형상에 일치시킨다.
이 과정에서 경계매칭부(140)는 일치된 모델형상의 경계선을 구성하는 경계점 중에서 모델형상의 경계선 형태를 유지되게 하면서 모델형상의 경계선의 평균 곡률보다 큰 곡률을 갖는 지점의 경계선을 구성하는 경계점을 통제점으로 검출한다. 다음으로, 경계매칭부(140)는 검출된 통제점에 대응되는 표적형상의 경계점과의 거리 제곱의 합(Sum of Squares of Distances: SSD)이 소정의 경계값 이하가 될 때까지 표적형상의 경계점을 이동시켜 모델형상에 대응하는 물체형상을 검출한다.이때 경계값은 단위구간의 크기로 설정될 수 있다. 경계값을 작게 할수록 더 정확한 물체형상을 복원할 수 있으나, 너무 작은 경우 의미없는 계산이 반복적으로 수행될 수 있으므로, 각 입력받는 표적형상에 따라 적절하게 설정해야 한다. 이러한 경계값은 실험적으로 결정된다.
또한 경계매칭부(140)는 검출된 통제점에 대응되는 표적형상의 경계점과의 거리 제곱의 합의 변화량이 소정의 설정값 이하가 될 때까지 표적형상의 경계점을 이동시켜 모델형상에 대응하는 물체형상을 검출한다. 설정값이 작을수록 더 정확한 물체형상을 복원할 수 있으나, 이 경우에도 설정값을 너무 작게 설정하면 의미없는 계산의 반복이 발생할 수 있다. 이러한 반복계산은 경계매칭의 속도를 감소시킬 수 있다. 여기에서 검출된 통제점에 대응되는 표적형상의 경계점과의 거리 제곱의 합은 두 경계선 사이의 유사성을 측정하기 위한 수치이다. 거리 제곱의 합 이외에도 거리 제곱의 평균이나 분산 등의 값이 두 경계선 사이의 유사성을 측정하기 위한 수치로서 사용될 수 있다. 이때, 검출된 통제점에 대응되는 표적형상의 경계점과의 거리 제곱의 합이 소정의 경계값 이하가 되는 표적형상의 경계점을 찾는 문제는 거리변형 문제로서 다룰 수 있다. 거리변형은 형상의 외곽선의 점을 다른 형상의 가장 인접한 외곽선의 점으로 전환하는 것이다.
한편 표적형상과 모델형상의 경계선을 구성하는 점들의 집합을 각각 P와 Q라 할때, 점집합 P는 다음의 수학식 9에 의해 거리변형된 점집합 Q로 매핑된다.
[수학식 9]
Figure 112006083953378-pat00020
여기서, R은 2×2 회전 행렬이고, T는 2×1 변환 행렬이다. 매핑은 표적형상을 회전시킨 후 위치를 이동시키는 과정이다. 한편, 수학식 9는 수학식 10과 같이 변형될 수 있다.
[수학식 10]
Figure 112006083953378-pat00021
여기서, 3×3 변형 행렬인 A(R,T)는 회전행렬 R과 변환행렬 T를 요소로 갖는다. 변형의 최적 계산 결과는 거리 제곱의 합을 최소화하기 위하여 점집합 P에 있는 모든 점들을 점집합 Q에 있는 모든 점들로 변형시키는 매핑이다. 즉, 거리 제곱의 합을 최소화하는 문제는 점집합 P에 있는 모든 점들을 점집합 P에 대응하는 모든 연관된 점들로 매핑을 수행할 때 거리 제곱의 합이 최소가 되도록 하는 변형 행 렬 A(R,T) 를 찾아내는 것이다. 이러한 과정은 수학식 11로 나타낼 수 있다.
[수학식 11]
Figure 112006083953378-pat00022
여기서, NP는 점집합 P의 원소의 갯수이고, Pi-R는 점집합 P의 원소이며, qi-R은 점집합 Q의 원소이다. 수학식 11로 표현되는 거리 제곱의 합은 ICP 알고리즘을 이용하여 구할 수 있다.
도 17은 ICP 알고리즘의 수행 과정을 도시한 흐름도이다. 점집합 P에 속한 개별 점 Pi와 점집합 Q 사이에 거리 행렬 d는 수학식 12에 의해 구할 수 있다.
[수학식 12]
Figure 112006083953378-pat00023
도 17을 참초하면, 먼저 점집합 P에 속한는 점 Pi로부터 가장 가까운 위치에 있는 점집합 Q에 속하는 점 q를 검출한다(S1700). 다음으로 수학식 12에 의해 점집합 P와 점집합 Q 사이에서 연관된 점 q들을 얻는다(S1710). 다음으로 점집합 P를 시간 t에서 새로운 점집합 P´로 변형하는 변형행렬 A(R,T,t)를 찾고(S1720), A(R,T,t)를 이용하여 점집합 P를 점집합 P´로 변형한다(S1730). 다음으로 점집합 P와 점집합 Q 사이의 거리 제곱의 합을 계산하고(S1740), 이전에 얻어진 거리 제곱의 합과 새롭게 얻어진 거리 제곱의 합의 차이가 미리 설정된 경계값 이하가 되는지 확인한다(S1750). 다음으로, 점집합 P를 점집합 P´로 대체하고(S1760), 상술한 과정을 반복한다. 마지막으로, 이전에 얻어진 거리 제곱의 합과 새롭게 얻어진 거리 제곱의 합의 차이가 미리 설정된 경계값 이하가 되는 시점의 점집합 P´로 구성되는 외곽선에 의해 물체형상을 검출한다(S1770).
한편, 상술한 바와 같은 경계매칭부(140)에 의한 매칭수행시 보다 신속한 매칭을 위해 표적형상의 경계선 중에서 모델형상의 경계선에 대응되지 않는 영역을 제거하는 것이 바람직하다. 이를 위해 경계매칭부(140)는 모델형상으로부터 통제점을 검출한 후 모델형상의 각각의 경계점으로부터 소정의 기준 거리 이내에 위치하는 표적형상의 경계점을 후보경계점으로 선택한다. 그리고 경계매칭부(140)는 검출된 통제점에 대응되는 선택된 후보경계점과의 거리 제곱의 합이 소정의 경계값 이하가 될 때까지 선택된 후보경계점을 이동시켜 모델형상에 대응하는 물체형상을 검출한다. 상술한 바와 같이 경계점으로부터 소정의 기준 거리 이내에 위치하는 표적형상의 경계점을 후보경계점으로 선택함으로써, 표적형상 내에서 복원하고자 하는 물체형상의 경계선에 속하는 경계점만을 대상으로 ICP 알고리즘을 수행할 수 있다. 이러한 방법은 거리 제곱의 합의 최소값을 신속하게 구할 수 있는 장점이 있다. 이때 기준 거리는 단위구간의 크기를
Figure 112006083953378-pat00024
라고 할 때
Figure 112006083953378-pat00025
로 설정된다. 기준 거리를 작게 설정할수록 물체형상의 경계선을 구성하지 않는 점들이 선택되는 가능성이 낮아진다. 그러나 너무 작은 경우에 물체형상의 실제 경계점이 배제될 수 있다.
도 18은 경계매칭부(140)에 의해 복원된 표적형상의 일 예를 도시한 도면이며, 도 19는 복원된 표적형상에 대하여 수행된 ICP 알고리즘의 반복 횟수에 따른 거리 제곱의 합의 변화를 도시한 도면이다.
도 18 및 도 19를 참조하면, 복원된 표적형상에 대해 1회의 ICP 알고리즘을 수행한 후 얻어진 거리 제곱의 합은 3.7987 픽셀이고, ICP 알고리즘을 13회 수행하면 거리 제곱의 합이 0.8746픽셀로 감소한다. ICP 알고리즘을 13회 수행한 시점의 변형 행렬은 다음과 같다.
Figure 112006083953378-pat00026
여기서,
Figure 112006083953378-pat00027
이고,
Figure 112006083953378-pat00028
이다.
도 20은 본 발명에 따른 형상인식방법에 대한 일 실시예의 수행 과정을 도시한 흐름도이다.
도 20을 참조하면, 코너점탐지부(114)는 소정 크기의 탐색윈도우를 입력된 영상 상에서 이동시키면서 탐색윈도우 영역에 대한 명암의 평균변화량을 검출하고, 표적형상에 대해 설정된 기준영역내에서 명암의 평균변화량이 최대인 점을 코너점으로 탐지한다(S2000). 경계점검출부(112)는 표적형상에서 선을 형성하면서 명암 대조를 갖는 지점들을 경계점으로 검출한다(S2005). 전역점검출부(116)는 코너점으로부터 소정의 기준거리내에 경계점이 존재하는 코너점을 후보코너점으로 선택하고, 후보코너점 중에서 전역점을 검출한다(S2010). 이때 기준거리는 단위구간의 크기를
Figure 112006083953378-pat00029
라고 할 때
Figure 112006083953378-pat00030
로 설정된다. 경계선분할부(118)는 검출된 전역점을 기준으로 표적형상의 경계선을 분할한다(S2015). 스무딩부(120)는 분할된 부분 경 계선들에 대해 스무딩을 수행한다(S2020). 곡률검출부(132)는 스무딩된 부분 경계선들로 이루어진 표적형상의 곡률을 계산하여 표적형상의 표적 곡률 함수를 생성한다(S2025).
이동곡률매칭부(134)는 표적형상을 소정의 각도 단위로 회전시키면서 표적 곡률 함수와 모델 곡률 함수 사이의 매칭을 반복적으로 수행하고 각각의 회전 상태에 대응하는 매칭 결과인 오차 벡터를 생성한다(S2030). 다음으로 이동곡률매칭부(134)는 오차 벡터의 값이 최소가 되는 시점의 상기 표적형상으로부터 모델형상에 대응하는 물체형상을 검출한다(S2035). 조정곡률매칭부(136)는 모델형상의 크기를 소정의 크기 비율로 변화시키면서 표적 곡률 함수와 모델 곡률 함수 사이의 매칭을 반복적으로 수행하고, 각각의 크기 상태에 대응하는 매칭 결과인 오차 벡터를 생성한다(S2040). 다음으로 조정곡률매칭부(136)는 오차 벡터의 값이 최소가 되는 시점의 상기 표적형상으로부터 상기 모델형상에 대응하는 물체형상을 검출한다(S2045).
경계매칭부(140)는 오차 벡터의 값이 최소일 때의 회전정보 및 위치정보를 포함하는 매핑정보를 기초로 모델형상을 표적형상 내의 모델형상과 대응되는 물체형상과 좌표를 일치시킨 후에, 일치된 모델형상의 경계선을 구성하는 경계점 중에서 모델형상의 경계선 형태를 유지되게 하면서 모델형상의 경계선의 평균 곡률보다 큰 곡률을 갖는 지점의 경계선을 구성하는 경계점을 통제점으로 검출한다(S2050). 경계매칭부(140)는 검출된 통제점에 대응되는 표적형상의 경계점과의 거리 제곱의 합이 소정의 경계값 이하가 될 때까지 표적형상의 경계점을 이동시켜 모델형상에 대응하는 물체형상을 검출한다(S2060).
S2060단계는 경계매칭부(140)가 모델형상의 각각의 경계점으로부터 소정의 기준 거리 이내에 위치하는 표적형상의 경계점을 후보경계점으로 선택하고(S2055), 검출된 통제점에 대응되는 선택된 후보경계점과의 거리 제곱의 합이 소정의 경계값 이하가 될 때까지 선택된 후보경계점을 이동시켜 모델형상에 대응하는 물체형상을 검출하는 과정으로 대체될 수 있다.
도 21은 전역점이 존재하지 않는 표적형상으로부터 형상을 인식하는 방법의 수행과정을 도시한 흐름도이다.
도 21을 참조하면, 스무딩부(120)는 표적형상의 경계선에 대해 스무딩을 수행한다(S2100). 곡률검출부(132)는 스무딩된 경계선들로 이루어진 표적형상의 곡률을 계산하여 상기 표적형상의 표적 곡률 함수를 생성한다(S2110). 이동곡률매칭부(134)는 표적형상을 소정의 각도 단위로 회전시키면서 표적 곡률 함수와 모델 곡률 함수 사이의 매칭을 반복적으로 수행하고, 각각의 회전 상태에 대응하는 매칭 결과인 오차 벡터의 값이 최소가 되는 시점의 표적형상으로부터 모델형상에 대응하는 물체형상을 검출한다(S2120). 조정곡률매칭부(136)는 모델형상의 크기를 소정의 크기 비율로 변화시키면서 표적 곡률 함수와 모델 곡률 함수 사이의 매칭을 반복적으로 수행하고, 각각의 크기 상태에 대응하는 매칭 결과인 오차 벡터의 값이 최소가 되는 시점의 상기 표적형상으로부터 상기 모델형상에 대응하는 물체형상을 검출한다(S2130).
경계매칭부(140)는 오차 벡터의 값이 최소일 때의 회전정보 및 위치정보를 포함하는 매핑정보를 기초로 모델형상을 표적형상 내의 모델형상과 대응되는 물체형상과 좌표를 일치시킨 후에, 일치된 모델형상의 경계선을 구성하는 경계점 중에서 모델형상의 경계선 형태를 유지되게 하면서 모델형상의 경계선의 평균 곡률보다 큰 곡률을 갖는 지점의 경계선을 구성하는 경계점을 통제점으로 검출하고, 검출된 통제점에 대응되는 표적형상의 경계점과의 거리 제곱의 합이 소정의 경계값 이하가 될 때까지 표적형상의 경계점을 이동시켜 모델형상에 대응하는 물체형상을 검출한다(S2140). 여기서 S2140단계는 경계매핑부(140)가 모델형상으로부터 통제점을 검출한 후 모델형상의 각각의 경계점으로부터 소정의 기준 거리 이내에 위치하는 표적형상의 경계점을 후보경계점으로 선택하고, 검출된 통제점에 대응되는 선택된 후보경계점과의 거리 제곱의 합이 소정의 경계값 이하가 될 때까지 선택된 후보경계점을 이동시켜 모델형상에 대응하는 물체형상을 검출하는 과정으로 대체될 수 있다.
상술한 바와 같은 본 발명에 따른 형상인식장치 및 방법은 카니자 삼각형과 사각형으로부터 특정한 도형형상을 검출하는 과정에 적용될 수 있다. 카니자 삼각형은 가상 외곽선의 전형적 예이다. 도 22a 및 도 22b는 각각 세개의 카니자 삼각형 및 네개의 카니자 사각형으로 구성된 가상의 삼각형과 사각형을 도시한 도면이다. 전처리부(110)는 세개의 카니자 삼각형에서 13개의 코너점과 3개의 분리된 외곽선을 추출하고 9개의 전역점을 검출한다. 또한 전처리부(110)는 3개의 분리된 외곽선을 3개의 전역점으로 분할하여 스무딩을 수행한다. 도 23a 및 도 23b는 각각 도 22a 및 도 22b에 도시된 카니자 삼각형과 카니자 사각형의 곡률 함수가 도시되 어 있다. 도 23a 및 도 23b에 의하면 각 곡률함수의 곡률수치가 전역점을 반영한다는 것을 알 수 있다.
이하에서는 카니자 다각형으로부터 주어진 모델형상을 검출하는 과정에 대해 설명한다. 이때, 원, 타원, 삼각형 및 사각형을 포함하고 네 개의 다각형상이 모델형상으로 주어진다. 도 24a 및 도 24b에는 카니자 원모델과 그것의 곡률 함수가 도시되어 있고, 도 25a 및 도 25b에는 카니자 타원모델과 그것의 곡률 함수가 도시되어 있으며, 도 26a 및 도 26b에는 카니자 삼각형모델과 그것의 곡률 함수가 도시되어 있으며, 도 27a 및 도 27b에는 카니자 사각형모델과 그것의 곡률 함수가 도시되어 있다.
곡률매칭부(130)는 카니자 삼각형 곡률 함수와 카니자 사각형 곡률함수(도 23a에 도시된 곡률함수)를 각각 원 모델의 곡률 함수(도 24b에 도시된 곡률함수)와 곡률매칭을 수행한다. 이때 원 모델의 곡률 함수(도 24b에 도시된 곡률함수)는 상수이므로 이동매칭은 의미를 갖지 못한다. 도 28a 및 도 28b는 각각의 매칭 오차를 도시한 도면이다. 도 28a를 참조하면, 곡률 함수의 세 쌍의 세그먼트의 매칭 오차들은 0에 가까우며, 이는 원 모델의 곡률 함수가 카니자 삼각형으로부터 발견된다는 것을 의미한다. 도 29a 및 도 29b는 변형된 원 모델의 외곽선을 각각 카니자 삼각형과 카니자 사각형 위에 도시한 도면이다. 도 29a를 참조하면, 원 모델로부터 세 개의 변형된 원들은 작은 위치 오차로 원 물체의 부분형상과 잘 매치된다.
도 30a 및 도 30b는 각각 복원된 카니자 삼각형과 카니자 사각형에 대하여 수행된 ICP 알고리즘의 반복 횟수에 따른 거리 제곱의 합의 변화를 도시한 도면이 다.
도 30a 및 도 30b를 참조하면, 최초의 ICP 알고리즘을 수행 후 얻어진 거리 제곱의 합은 1픽셀보다 적다는 것을 알 수 있으며, 이것은 도 19에 도시된 거리 제곱의 합들과 비교될 때 상대적으로 작다. 한편 도 28a 및 도 28b를 참조하면, 최선의 매칭된 곡률 함수의 세그먼트 길이는 표적 곡률 함수 길이의 약 50%의 비율을 갖는다. 이러한 비율은 도 8에 도시된 최선의 매칭된 곡률 함수의 세그먼트 길이가 표적 곡률 함수 길이의 약 15%의 비율을 갖는 것보다 크다. 따라서 도 30a 및 도 30b에 도시된 거리 제곱의 합이 상대적으로 작다.
카니자 삼각형 이미지와 원 모델과의 경계매칭에서 ICP 알고리즘을 적용하여 생성한 변형 행렬은 아래와 같다.
Figure 112006083953378-pat00031
Figure 112006083953378-pat00032
Figure 112006083953378-pat00033
또한 카니자 사각형 이미지와 원 모델과의 경계매칭에서 ICP 알고리즘을 적용하여 생성한 변형 행렬은 아래와 같다.
Figure 112006083953378-pat00034
Figure 112006083953378-pat00035
Figure 112006083953378-pat00036
Figure 112006083953378-pat00037
카니자 삼각형의 곡률 함수와 타원 모델, 삼각형 모델과 사각형 모델의 곡률 함수 각각 사이의 이동매칭은 곡률 함수의 최선의 매칭된 세그먼트 쌍이 나타나지 않는다. 이는 카니자 사각형의 곡률 함수에 대해서도 같다.
도 31a는 카니자 삼각형의 곡률함수(도 23a에 도시된 곡률함수)와 삼각형 모델의 곡률함수(도 26b에 도시된 곡률함수)의 곡률 매칭 오차를 도시한 도면이고, 도 31b는 카니자 사각형의 곡률함수(도 23b에 도시된 곡률함수)와 사각형 모델의 곡률함수(도 27b에 도시된 곡률함수)의 곡률 매칭 오차를 도시한 도면이다. 도 31a를 참조하면, 매칭 오차는 최선의 매칭 쌍으로 3개의 곡률점을 제공한다. 삼각형의 세변의 제로 곡률 때문에 3개 점의 곡률의 합이 2π가깝게 되고, 이에 의해 세 개의 곡률점의 매치된 쌍은 삼각형 모델을 형성한다. 최종적으로 3개의 곡률점의 위치와 연관된 위치를 선택함으로써 카니자 삼각형으로 구성된 삼각형이 복원된다. 동일한 원리가 도 31b에 도시된 카니자 삼각형에 대한 곡률매칭오차에 대해 적용된다. 도 32a에는 복원된 삼각형이 카니자 삼각형 이미지 위에 도시되어 있고, 도 32b에는 복원된 사각형이 카니자 사각형 이미지 위에 도시되어 있다.
한편 본 발명에 따른 형상인식장치 및 방법은 전역점이 존재하지 않는 표적형상을 복원하는 과정에 적용할 수 있다.
도 33a 및 도 33b는 비행기 형상의 표적형상과 모델형상을 도시한 도면이다. 표적형상(3310)과 모델형상(3320)은 모두 비행기형상을 갖지만, 표적형상(3310)은 모델형상(3320)보다 크고, 또한 모델형상(3320)과 방향이 다르다.
도 33을 참조하면, 경계선에는 전역점이 없다는 것이 분명하다. 그러므로 본 실시예에서 전역점검출부(116)에 의한 전역점검출과정을 수행할 필요가 없다. 따라서 스무딩부(120)는 표적형상(3310)의 경계선과 모델형상의 경계선(3320) 전체를 곧 바로 스무딩한다. 도 34a 및 도 34b에는 스무딩된 표적형상(3410)과 모델형상(3420)이 도시되어 있다.
곡률검출부(132)는 스무딩된 표적형상(3410)과 모델형상(3420)의 곡률 함수를 생성한다. 도 35a 및 도 35b에는 표적형상(3410)의 곡률 함수와 모델형상(3420)의 곡률 함수가 도시되어 있다. 또한 도 36a 및 도 36b에는 표적 곡률 함수(도 35a에 도시된 곡률함수)와 모델 곡률 함수(도 35b에 도시된 곡률함수) 사이의 곡률 매칭 오차 결과 및 변형된 모델형상(3610)이 도시되어 있다.
경계매칭부(140)는 복원된 비행기 표적형상에 대하여 15번의 경계매칭을 수행한다. ICP 알고리즘의 15회 수행 시점의 변형 행렬은 다음과 같다.
Figure 112006083953378-pat00038
여기서,
Figure 112006083953378-pat00039
이고,
Figure 112006083953378-pat00040
이다.
도 37a 및 도 37b에는 복원된 형상에 대한 경계매칭 반복에 따른 SSD 및 검출된 비행기형상이 도시되어 있다. 도 37a를 참조하면, 최초의 ICP 알고리즘을 수행한 후 얻어진 거리 제곱의 합은 22.5876 픽셀이고, ICP 알고리즘을 15회 수행한 후 거리 제곱의 합은 11.9563픽셀로 감소한다. 또한 도 37b를 참조하면, 검출된 물체형상(3710)이 변형된 모델형상(3610)과 비교할 때보다 양호한 물체형상의 경계선을 나타낸다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상에서 본 발명의 바람직한 실시예에 대해 도시하고 설명하였으나, 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.
본 발명에 따른 형상인식시스템 및 방법에 의하면, 하나 또는 둘 이상의 물체형상이 겹쳐진 표적형상으로부터 위치, 크기, 방향에 관계없이 특정한 물체형상을 인식할 수 있다. 또한 전역점을 이용함으로써 기하학적인 특징의 변경없이 물체형상을 인식하여 경계선을 복원할 수 있으며, 복원된 물체형상의 경계선에 대해 경계매칭을 수행함으로써 복원된 경계선의 오차를 감소시킬 수 있다. 이러한 본 발명에 따른 형상인식시스템 및 방법은 산업응용기계, 지능로봇, 가정용 로봇 분야 등에 적용함으로써 정확하게 대상을 인식하고 대상 물체에 적절한 작업을 수행할 수 있다.

Claims (17)

  1. 입력받은 영상으로부터 표적형상을 구성하는 경계선 및 상기 경계선이 소정의 각을 형성하는 코너점들을 검출하고, 상기 코너점으로부터 제1방향으로 연장되는 경계선을 구성하는 경계점 중에서 선택된 제1경계점과 코너점을 양단으로 하는 제1벡터와 상기 코너점으로부터 제2방항으로 연장되는 경계선을 구성하는 경계점 중에서 선택된 복수의 제2경계점들 각각과 상기 코너점을 양단으로 하는 복수의 제2벡터들 각각과 이루는 각들이 일정한 상수값으로 수렴되는 코너점을 전역점으로 검출하고, 상기 표적형상의 경계선을 상기 검출된 전역점을 기준으로 분할하여 생성된 부분 경계선들에 대해 스무딩을 수행하는 전처리부; 및
    상기 스무딩된 부분 경계선들로 이루어진 표적형상의 곡률을 계산하여 상기 표적형상의 표적 곡률 함수를 생성하고, 상기 표적형상을 소정의 각도 단위로 회전시키면서 상기 표적 곡률 함수와 주어진 모델형상으로부터 생성된 모델 곡률 함수 사이의 매칭을 반복적으로 수행하고, 각각의 회전 상태에 대응하는 매칭 결과인 오차 벡터의 값이 최소가 되는 시점의 상기 표적형상으로부터 상기 모델형상에 대응하는 물체형상을 검출하는 곡률매칭부;를 포함하는 것을 특징으로 하는 형상인식시스템.
  2. 제 1항에 있어서,
    상기 전처리부는,
    소정 크기의 탐색윈도우를 상기 표적형상 상에서 이동시키면서 상기 탐색윈도우 영역에 대한 명암의 평균변화량을 검출하고, 상기 표적형상에 대해 설정된 기준영역 내에서 상기 명암의 평균변화량이 최대인 점을 코너점으로 탐지하는 코너탐지부;
    상기 표적형상에서 선을 형성하면서 명암 대조를 갖는 지점들을 경계점으로 검출하는 경계점검출부;
    상기 코너점으로부터 제1방향으로 연장되는 경계선을 구성하는 상기 검출된 경계점 중에서 선택된 제1경계점과 코너점을 양단으로 하는 제1벡터와 상기 코너점으로부터 제2방항으로 연장되는 경계선을 구성하는 상기 검출된 경계점 중에서 선택된 복수의 제2경계점들 각각과 상기 코너점을 양단으로 하는 복수의 제2벡터들이 이루는 각들이 일정한 상수값으로 수렴되는 코너점을 전역점으로 검출하는 전역점검출부;
    상기 검출된 전역점을 기준으로 상기 표적형상의 경계선을 복수개의 부분 경계선들로 분할하는 경계선분할부; 및
    상기 부분 경계선들에 대해서 스무딩을 수행하는 스무딩부;를 포함하는 것을 특징으로 하는 형상인식시스템.
  3. 제 1항에 있어서,
    상기 전처리부는 상기 코너점으로부터 소정의 거리내에 경계점이 존재하는 코너점을 후보코너점으로 선택하고, 상기 후보코너점 중에서 상기 전역점을 검출하 는 것을 특징으로 하는 형상인식시스템.
  4. 제 3항에 있어서,
    상기 전처리부는 단위구간의 크기를
    Figure 112006083953378-pat00041
    라고 할 때, 상기 코너점으로부터
    Figure 112006083953378-pat00042
    이내에 위치하는 경계점이 존재하는 코너점을 상기 후보코너점으로 선택하는 것을 특징으로 하는 형상인식시스템
  5. 제 1항에 있어서,
    상기 전처리부는 상기 코너점을 중심으로 반지름을 소정 길이 단위로 증가시키면서 형성한 원들과 상기 코너점으로부터 제2방향으로 연장되는 경계선과의 교차점을 상기 제2경계점으로 선택하는 것을 특징으로 하는 형상인식시스템인식시스템.
  6. 제 1항에 있어서,
    상기 곡률매칭부는,
    상기 스무딩된 부분 경계선들로 이루어진 표적형상의 곡률을 계산하여 상기 표적형상의 표적 곡률 함수를 생성하는 곡률검출부;
    상기 표적형상을 소정의 각도 단위로 회전시키면서 상기 표적 곡률 함수와 주어진 모델형상으로부터 생성된 모델 곡률 함수 사이의 매칭을 반복적으로 수행하고, 각각의 회전 상태에 대응하는 매칭 결과인 오차 벡터의 값이 최소가 되는 시점 의 상기 표적형상으로부터 상기 모델형상에 해당하는 물체형상을 검출하는 이동곡률매칭부; 및
    상기 모델형상의 크기를 소정의 크기 비율로 변화시키면서 상기 표적 곡률 함수와 상기 모델 곡률 함수 사이의 매칭을 반복적으로 수행하고, 각각의 크기 상태에 대응하는 매칭 결과인 오차 벡터의 값이 최소가 되는 시점의 상기 표적형상으로부터 상기 모델형상에 대응하는 물체형상을 검출하는 조정곡률매칭부;를 포함하는 것을 특징으로 하는 형상인식시스템.
  7. 제 1항 또는 제 6항에 있어서,
    상기 오차 벡터의 값이 최소일 때의 회전정보 및 위치정보를 포함하는 매핑정보를 기초로 상기 모델형상을 상기 표적형상 내의 상기 모델형상과 대응되는 물체형상과 좌표를 일치시킨 후에, 상기 일치된 모델형상의 경계선을 구성하는 경계점 중에서 상기 모델형상의 경계선 형태를 유지되게 하면서 상기 모델형상의 경계선의 평균 곡률보다 큰 곡률을 갖는 지점의 경계선을 구성하는 경계점을 통제점으로 검출하고, 상기 검출된 통제점에 대응되는 상기 표적형상의 경계점과의 거리 제곱의 합이 소정의 경계값 이하가 될 때까지 상기 표적형상의 경계점을 이동시켜 상기 모델형상에 대응하는 물체형상을 검출하는 경계매칭부를 더 포함하는 것을 특징으로 하는 형상인식시스템.
  8. 제 1항 또는 제 6항에 있어서,
    상기 오차 벡터의 값이 최소일 때의 회전정보 및 위치정보를 포함하는 매핑정보를 기초로 상기 모델형상을 상기 표적형상 내의 상기 모델형상과 대응되는 물체형상과 좌표를 일치시킨 후에, 상기 일치된 모델형상의 경계선을 구성하는 경계점 중에서 상기 모델형상의 경계선 형태를 유지되게 하면서 상기 모델형상의 경계선의 평균 곡률보다 큰 곡률을 갖는 지점의 경계선을 구성하는 경계점을 통제점으로 검출하고, 상기 모델형상의 각각의 경계점으로부터 소정의 기준 거리이내에 상기 표적형상의 경계점을 후보경계점으로 선택하고, 상기 검출된 통제점에 대응되는 상기 선택된 후보경계점과의 거리 제곱의 합이 소정의 경계값 이하가 될 때까지 상기 선택된 후보경계점을 이동시켜 상기 모델형상에 대응하는 물체형상을 검출하는 경계매칭부를 더 포함하는 것을 특징으로 하는 형상인식시스템.
  9. 입력받은 영상으로부터 표적형상을 구성하는 경계선 및 상기 경계선이 소정의 각을 형성하는 코너점들을 검출하는 형상요소검출단계;
    상기 코너점으로부터 제1방향으로 연장되는 경계선을 구성하는 경계점 중에서 선택된 제1경계점과 코너점을 양단으로 하는 제1벡터와 상기 코너점으로부터 제2방항으로 연장되는 경계선을 구성하는 경계점 중에서 선택된 복수의 제2경계점들 각각과 상기 코너점을 양단으로 하는 복수의 제2벡터들이 이루는 각들이 일정한 상수값으로 수렴되는 코너점을 전역점으로 검출하는 전역점검출단계;
    상기 표적형상의 경계선을 상기 검출된 전역점을 기준으로 분할하여 생성된 부분 경계선들에 대해 스무딩을 수행하는 경계선조작단계;
    상기 스무딩된 부분 경계선들로 이루어진 표적형상의 곡률을 계산하여 상기 표적형상의 표적 곡률 함수를 생성하는 곡률검출단계;
    상기 표적형상을 소정의 각도 단위로 회전시키면서 상기 표적 곡률 함수와 주어진 모델형상으로부터 생성된 모델 곡률 함수 사이의 매칭을 반복적으로 수행하여 각각의 회전 상태에 대응하는 매칭 결과인 오차 벡터를 생성하는 이동매칭단계; 및
    상기 오차 벡터의 값이 최소가 되는 시점의 상기 표적형상으로부터 상기 모델형상에 대응하는 물체형상을 검출하는 물체형상검출단계;를 포함하는 것을 특징으로 하는 형상인식방법.
  10. 제 9항에 있어서,
    상기 형상요소검출단계는,
    소정 크기의 탐색윈도우를 상기 표적형상 상에서 이동시키면서 상기 탐색윈도우 영역에 대한 명암의 평균변화량을 검출하고, 상기 표적형상에 대해 설정된 기준영역내에서 상기 명암의 평균변화량이 최대인 점을 코너점으로 탐지하는 코너점탐지단계; 및
    상기 표적형상에서 선을 형성하면서 명암 대조를 갖는 지점들을 경계점으로 검출하는 경계점검출단계;를 포함하는 것을 특징으로 하는 형상인식방법.
  11. 제 9항에 있어서,
    상기 전역점검출단계에서, 상기 코너점으로부터 소정의 기준거리내에 경계점이 존재하는 코너점을 후보코너점으로 선택하고, 상기 후보코너점 중에서 상기 전역점을 검출하는 것을 특징으로 하는 형상인식방법.
  12. 제 11항에 있어서,
    상기 기준거리는 단위구간의 크기를
    Figure 112006083953378-pat00043
    라고 할 때
    Figure 112006083953378-pat00044
    로 설정되는 것을 특징으로 하는 형상인식방법.
  13. 제 9항에 있어서,
    상기 전역점검출단계에서, 상기 코너점을 중심으로 반지름을 소정 길이 단위로 증가시키면서 형성한 원들과 상기 코너점으로부터 제2방향으로 연장되는 경계선과의 교차점을 상기 제2경계점으로 선택하는 것을 특징으로 하는 형상인식방법.
  14. 제 9항에 있어서,
    상기 모델형상의 크기를 소정의 비율로 변화시키면서 상기 표적 곡률 함수와 상기 모델 곡률 함수 사이의 매칭을 반복적으로 수행하여 각각의 회전 상태에 대응하는 매칭 결과인 오차 벡터를 생성하는 조정매칭단계; 및
    상기 오차 벡터의 값이 최소가 되는 시점의 상기 표적형상으로부터 상기 모델형상에 대응하는 물체형상을 검출하는 물체형상크기조절단계;를 더 포함하는 것을 특징으로 하는 형상인식방법.
  15. 제 9항 또는 제 14항에 있어서,
    상기 오차 벡터의 값이 최소일 때의 회전정보 및 위치정보를 포함하는 매핑정보를 기초로 상기 모델형상을 상기 표적형상 내의 상기 모델형상과 대응되는 물체형상과 좌표를 일치시킨 후에, 상기 일치된 모델형상의 경계선을 구성하는 경계점 중에서 상기 모델형상의 경계선 형태를 유지되게 하면서 상기 모델형상의 경계선의 평균 곡률보다 큰 곡률을 갖는 지점의 경계선을 구성하는 경계점을 통제점으로 검출하는 통제점검출단계; 및
    상기 검출된 통제점에 대응되는 상기 표적형상의 경계점과의 거리 제곱의 합이 소정의 경계값 이하가 될 때까지 상기 표적형상의 경계점을 이동시켜 상기 모델형상에 대응하는 물체형상을 검출하는 경계매칭단계;를 더 포함하는 것을 특징으로 하는 형상인식방법.
  16. 제 9항 또는 제 14항에 있어서,
    상기 오차 벡터의 값이 최소일 때의 회전정보 및 위치정보를 포함하는 매핑정보를 기초로 상기 모델형상을 상기 표적형상 내의 상기 모델형상과 대응되는 물체형상과 좌표를 일치시킨 후에, 상기 일치된 모델형상의 경계선을 구성하는 경계점 중에서 상기 모델형상의 경계선 형태를 유지되게 하면서 상기 모델형상의 경계선의 평균 곡률보다 큰 곡률을 갖는 지점의 경계선을 구성하는 경계점을 통제점으로 검출하는 통제점검출단계;
    상기 모델형상의 각각의 경계점으로부터 소정의 기준 거리이내에 상기 표적형상의 경계점을 후보경계점으로 선택하는 후보경계점선출단계; 및
    상기 검출된 통제점에 대응되는 상기 선택된 후보경계점과의 거리 제곱의 합이 소정의 경계값 이하가 될 때까지 상기 선택된 후보경계점을 이동시켜 상기 모델형상에 대응하는 물체형상을 검출하는 경계매칭단계;를 더 포함하는 것을 특징으로 하는 형상인식방법.
  17. 제 9항 내지 제 14항 중 어느 한 항에 기재된 형상인식방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020060113337A 2006-11-16 2006-11-16 형상인식장치 및 방법 KR100785339B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020060113337A KR100785339B1 (ko) 2006-11-16 2006-11-16 형상인식장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060113337A KR100785339B1 (ko) 2006-11-16 2006-11-16 형상인식장치 및 방법

Publications (1)

Publication Number Publication Date
KR100785339B1 true KR100785339B1 (ko) 2007-12-17

Family

ID=39147027

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060113337A KR100785339B1 (ko) 2006-11-16 2006-11-16 형상인식장치 및 방법

Country Status (1)

Country Link
KR (1) KR100785339B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100951799B1 (ko) * 2008-05-16 2010-04-08 현대자동차주식회사 형상함수 기반의 자동차 외형 생성방법
KR101017798B1 (ko) 2008-11-03 2011-03-02 서울대학교산학협력단 평균 곡률을 이용하는 지정맥 인증 방법 및 장치
KR101453713B1 (ko) 2014-02-03 2014-10-22 연세대학교 산학협력단 객체 인식 방법 및 그 장치
KR101645517B1 (ko) * 2015-04-01 2016-08-05 주식회사 씨케이앤비 특징점 추출 장치 및 방법과 이를 이용한 콘텐츠의 온라인 유통 현황 분석을 위한 이미지 매칭 시스템
KR101757682B1 (ko) 2016-01-11 2017-07-13 주식회사 슈니드 보안 영상의 외부유출을 방지하는 방법 및 그 시스템
CN111784634A (zh) * 2020-05-28 2020-10-16 天津科技大学 一种基于Harris-CPDA的角点检测方法
CN112561853A (zh) * 2020-11-04 2021-03-26 惠州学院 一种角点检测方法、装置、设备及计算机可读存储介质
CN113283425A (zh) * 2021-04-14 2021-08-20 深圳市睿达科技有限公司 一种变形匹配方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07210679A (ja) * 1994-01-14 1995-08-11 Nippon Telegr & Teleph Corp <Ntt> ３次元物体形状記述認識方法
JPH08279043A (ja) * 1995-01-13 1996-10-22 Sgs Thomson Microelettronica Spa イメージ内の幾何学的形状を認識するための方法および装置
JP2001143072A (ja) * 1999-11-10 2001-05-25 Nippon Telegr & Teleph Corp <Ntt> 物体形状識別装置
KR20030017888A (ko) * 2001-08-25 2003-03-04 이상욱 표면 법선 기반의 삼각형 메쉬 영역화 장치 및 그 방법
KR20060010754A (ko) * 2003-04-21 2006-02-02 유지에스 코포레이션 곡률 연속성을 가지는 다면 매칭 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07210679A (ja) * 1994-01-14 1995-08-11 Nippon Telegr & Teleph Corp <Ntt> ３次元物体形状記述認識方法
JPH08279043A (ja) * 1995-01-13 1996-10-22 Sgs Thomson Microelettronica Spa イメージ内の幾何学的形状を認識するための方法および装置
JP2001143072A (ja) * 1999-11-10 2001-05-25 Nippon Telegr & Teleph Corp <Ntt> 物体形状識別装置
KR20030017888A (ko) * 2001-08-25 2003-03-04 이상욱 표면 법선 기반의 삼각형 메쉬 영역화 장치 및 그 방법
KR20060010754A (ko) * 2003-04-21 2006-02-02 유지에스 코포레이션 곡률 연속성을 가지는 다면 매칭 시스템 및 방법

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100951799B1 (ko) * 2008-05-16 2010-04-08 현대자동차주식회사 형상함수 기반의 자동차 외형 생성방법
KR101017798B1 (ko) 2008-11-03 2011-03-02 서울대학교산학협력단 평균 곡률을 이용하는 지정맥 인증 방법 및 장치
KR101453713B1 (ko) 2014-02-03 2014-10-22 연세대학교 산학협력단 객체 인식 방법 및 그 장치
KR101645517B1 (ko) * 2015-04-01 2016-08-05 주식회사 씨케이앤비 특징점 추출 장치 및 방법과 이를 이용한 콘텐츠의 온라인 유통 현황 분석을 위한 이미지 매칭 시스템
US9639921B2 (en) 2015-04-01 2017-05-02 Ck&B Co., Ltd. Apparatus and method of extracting keypoint and image matching system for analyzing distribution state of contents using the same
KR101757682B1 (ko) 2016-01-11 2017-07-13 주식회사 슈니드 보안 영상의 외부유출을 방지하는 방법 및 그 시스템
CN111784634A (zh) * 2020-05-28 2020-10-16 天津科技大学 一种基于Harris-CPDA的角点检测方法
CN111784634B (zh) * 2020-05-28 2024-02-02 天津科技大学 一种基于Harris-CPDA的角点检测方法
CN112561853A (zh) * 2020-11-04 2021-03-26 惠州学院 一种角点检测方法、装置、设备及计算机可读存储介质
CN112561853B (zh) * 2020-11-04 2023-11-28 惠州学院 一种角点检测方法、装置、设备及计算机可读存储介质
CN113283425A (zh) * 2021-04-14 2021-08-20 深圳市睿达科技有限公司 一种变形匹配方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
KR100785339B1 (ko) 형상인식장치 및 방법
Mondéjar-Guerra et al. Robust identification of fiducial markers in challenging conditions
JP7567111B2 (ja) 連帯的な検出と記述システムおよび方法
CN109615702B (zh) 网格补洞方法、图像处理设备及具有存储功能的装置
Tang et al. Robust pattern decoding in shape-coded structured light
Sun et al. Zernet: Convolutional neural networks on arbitrary surfaces via zernike local tangent space estimation
WO2018113911A1 (en) Distance-independent keypoint detection
JP4694624B2 (ja) 画像補正装置及び方法、並びにコンピュータプログラム
Maurice et al. Epipolar based structured light pattern design for 3-d reconstruction of moving surfaces
CN107480710B (zh) 特征点匹配结果处理方法和装置
Usman et al. An extensive approach to features detection and description for 2-d range data using active b-splines
CN112907612A (zh) 一种条形码区域定位的方法和图像的矩形区域拟合的方法
Sakaue et al. Optimization approaches in computer vision and image processing
Kröger et al. Performance evaluation on contour extraction using Hough transform and RANSAC for multi-sensor data fusion applications in industrial food inspection
Zhang et al. Pose estimation of space objects based on hybrid feature matching of contour points
JP7483232B2 (ja) 情報処理装置、検出方法およびプログラム
Chen et al. Subpixel estimation of circle parameters using orthogonal circular detector
Hauenstein et al. Curvature determination in range images: new methods and comparison study
Gomółka et al. The use of the Circular Hough Transform for counting coins
CN110895679A (zh) 机器视觉图像数据处理方法和装置
KR101633507B1 (ko) 엔드 포인트를 보정하는 시스템 및 방법
Paglieroni et al. Phase sensitive cueing for 3D objects in overhead images
Lakaemper et al. Multi robot mapping using force field simulation
US11620479B2 (en) System for determining diverting availability of object recognition model
Vishnyakov et al. Real-time semantic slam with dcnn-based feature point detection, matching and dense point cloud aggregation

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20121011

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20131129

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20151028

Year of fee payment: 9

LAPS Lapse due to unpaid annual fee