KR100888751B1 - 객체 인식 장치 및 방법 - Google Patents

Abstract

객체 인식 장치 및 그 방법이 개시된다. 본 발명의 바람직한 일 실시예에 따른 객체 인식 장치는 다수의 포즈 각도별 영상에 대한 특징 벡터 정보를 유지하는 포즈별 특징 벡터 데이터베이스; 획득된 입력 영상의 포즈 각도를 추정하는 포즈 추정부; 상기 획득된 입력 영상으로부터 특징 벡터를 생성하는 특징 벡터 생성부; 상기 포즈별 특징 벡터 데이터베이스로부터 상기 포즈 추정부에서 추정된 포즈 각도 및 상기 추정된 포즈 각도와 인접한 각도에 상응하는 포즈 각도들에 대한 영상의 특징 벡터를 추출하여 특징 벡터 평면을 형성하는 특징 벡터 평면 형성부; 상기 특징 벡터 평면 형성부에서 형성된 특징 벡터 평면과 상기 입력 영상의 특징 벡터와의 거리를 이용하여 객체를 인식하는 객체 인식부를 포함하되, 상기 특징 벡터 평면 형성부는 상기 추정된 포즈 각도와 인접한 각도에 상응하는 적어도 두개의 포즈 각도들에 대한 영상의 특징 벡터들을 추출하여 특징 벡터 평면을 형성한다.

얼굴, 다중, PCA

Description

객체 인식 장치 및 방법{Apparatus and method for recognizing object}

도 1은 종래의 다중 영상을 이용한 객체 인식 시스템의 일례를 도시한 도면.

도 2는 본 발명의 일 실시예에 따른 객체 인식 장치의 구성을 도시한 블록도.

도 3은 본 발명의 바람직한 일 실시예에 따른 포즈별로 획득되는 다중 영상의 일례를 도시한 도면.

도 4는 종래의 입력 영상의 특징 벡터와 데이터베이스에 저장된 특징 벡터와의 거리를 계산하는 방법을 도식화한 도면.

도 5는 본 발명의 바람직한 일 실시예에 따른 입력 영상의 특징 벡터와 데이터베이스에 저장된 특징 벡터를 이용하여 형성되는 특징 벡터 평면과의 거리를 계산하는 방법을 도식화한 도면.

도 6은 본 발명의 바람직한 일 실시예에 따른 포즈 변화에 대비한 다중 영상의 객체 인식 방법의 전체적인 흐름을 도시한 순서도.

본 발명은 객체 인식 장치 및 방법에 관한 것으로서, 더욱 상세하게는 객체 의 포즈 변화에 대비한 다중 영상 객체 인식 장치 및 방법에 관한 것이다.

카메라, 센서 등의 촬영 또는 감지 장치에 의해 포착되는 객체의 인식에 대한 연구는 수년에 설쳐 이루어져왔다. 객체 인식 중 가장 활발하게 연구가 되는 분야는 얼굴 인식 분야이며, 가장 일반적인 방법은 얼굴 영상의 특징 벡터를 추출하고 이를 이용하여 얼굴을 인식하는 방법이었다.

특징 벡터를 추출하기 위해 가장 일반적으로 사용하는 방법은 PCA(Principal Component Analysis)이며, PCA 방법 이외에도 LDA(Linear Discriminant Analysis) 방법이 이용되기도 한다.

PCA 방법은 비교적 고차원으로 이루어진 데이터를 낮은 차원으로 변환하여 다루도록 하는 통계적 기법으로서, 얼굴 인식 분야에서는 가장 보편적으로 이용되는 방법이다.

PCA 방법을 이용할 경우, 변수에 대해 공분산 행렬을 구하고, 공분산 행렬로부터 고유값 및 고유벡터를 추출한다. 구해진 고유 벡터로부터 특징 벡터를 추출하며, 이와 같이 추출된 특징 벡터와 입력된 영상의 특징 벡터와의 유사도를 측정하여 얼굴 인식을 수행한다.

일반적으로 유사도 측정 시에는 입력 영상의 특징 벡터와 데이터베이스에 저장된 특징 벡터와의 유클리디언 거리를 이용한다.

이와 같은 종래의 방법은 입력 영상의 포즈와 데이터베이스에 미리 저장된 영상의 포즈와 동일하여야만 정확한 객체 인식이 이루어질 수 있는 문제점이 있었다. 예를 들어, 동일한 사람의 얼굴이 입력 영상으로 입력되더라도 데이터베이스에 저장될 영상을 촬영할 때와 다른 포즈로 촬영할 경우 동일인을 다른 사람으로 인식하는 문제점이 발생하였다.

이와 같이 단일 영상을 데이터베이스에 저장하는 종래의 방법은 동일한 포즈의 영상만을 동일인으로 인식하는 문제점이 있었는바, 이러한 문제점을 해결하기 위해 다중 영상을 이용한 객체 인식 시스템이 제안되었다.

도 1은 종래의 다중 영상을 이용한 객체 인식 시스템의 일례를 도시한 도면이다.

도 1을 참조하면, 종래의 다중 영상을 이용한 객체 인식 시스템은 포즈 추정부(100), 고유치 분석부(102), 객체 인식부(104) 및 포즈별 특징 벡터 데이터베이스(106)를 포함한다.

도 1에서, 포즈별 특징 벡터 데이터베이스(106)에는 포즈별로 구해진 특징 벡터 데이터가 저장된다. 예를 들어, 좌 90도에서 우 90도까지 5도 간격으로 촬영된 객체의 특징 벡터 데이터가 저장될 수 있다.

영상이 입력되면, 포즈 추정부(100)는 입력된 영상의 포즈를 추정한다. 예를 들어, 포즈 추정부(100)는 좌 90도에서 우 90도까지 5도 간격으로 정해진 포즈 중 어떠한 포즈의 영상인지 여부를 추정한다.

포즈 추정부(100)에서 입력 영상의 포즈가 추정되면, 고유치 분석부(102)는 입력 영상으로부터 고유값(eigen value) 및 고유 벡터(eigen vector)를 추출한다. 고유값 및 고유 벡터는 입력 영상 데이터에 대한 공분산 행렬을 구하여 추출할 수 있다.

고유치 분석부(102)에서 고유값 및 고유벡터가 추출되면, 객체 인식부(104)는 고유값 및 고유벡터 정보를 이용하여 입력 영상의 특징 벡터를 생성한다.

고유치 분석부는 데이터베이스의 영상에 대에서도 고유값 및 고유 벡터를 추출하는 작업을 시스템 초기화 시에 수행하며, 이를 이용한 데이터 베이스의 특징 벡터 역시 생성되어 특징 벡터 데이터베이스에 저장된다.

또한, 객체 인식부(104)는 포즈 추정부에서 추정한 포즈에 상응하는 특징 벡터 데이터를 포즈별 특징 벡터 데이터베이스(106)로부터 추출한다. 예를 들어, 포즈 추정부(100)에서 포즈가 우 35도의 포즈라고 추정한 경우, 객체 인식부(104)는 우 35도에 상응하는 포즈의 특징 벡터 데이터를 추출한다.

객체 인식부(104)는 입력 영상의 특징 벡터와 추정된 포즈에 대해 미리 저장된 영상의 특징 벡터 사이의 유사도를 계산하여 오류를 측정한다.

상술한 다중 영상을 이용한 종래의 객체 인식 방법은 여전히 입력 영상의 포즈를 정확히 추정하였다는 가정하에서만 정확한 인식이 가능한 문제점이 있었다. 즉, 입력된 영상에는 조명, 표정 등의 에러만이 존재하고 포즈 추정 에러는 고려하지 않은 채 입력 영상의 특징 벡터와 데이터베이스에 저장된 영상의 특징 벡터 사이의 유클리디언 거리를 이용하여 얼굴 인식이 수행되었다.

따라서, 종래의 다중 영상을 이용한 객체 인식 방법은 포즈 추정 시의 에러로 인해 인식률의 감소를 초래하는 문제점이 있었다.

상기한 바와 같은 종래의 문제점을 해결하기 위해, 본 발명에서는 객체 인식 시 발생하는 오류를 최소화할 수 있는 다중 영상을 이용한 객체 인식 장치 및 방법을 제안하고자 한다.

본 발명의 다른 목적은 포즈 추정 시 발생할 수 있는 에러를 보정할 수 있는 다중 영상을 이용한 객체 인식 장치 및 방법을 제안하는 것이다.

본 발명의 또 다른 목적들은 이하의 실시예에 대한 설명을 통해 쉽게 이해될 수 있을 것이다.

상기한 바와 같은 목적을 달성하기 위해, 본 발명의 일 측면에 따르면 다수의 포즈 각도별 영상에 대한 특징 벡터 정보를 유지하는 포즈별 특징 벡터 데이터베이스; 획득된 입력 영상의 포즈 각도를 추정하는 포즈 추정부; 상기 획득된 입력 영상으로부터 특징 벡터를 생성하는 특징 벡터 생성부; 상기 포즈별 특징 벡터 데이터베이스로부터 상기 포즈 추정부에서 추정된 포즈 각도 및 상기 추정된 포즈 각도와 인접한 각도에 상응하는 포즈 각도들에 대한 영상의 특징 벡터를 추출하여 특징 벡터 평면을 형성하는 특징 벡터 평면 형성부; 상기 특징 벡터 평면 형성부에서 형성된 특징 벡터 평면과 상기 입력 영상의 특징 벡터와의 거리를 이용하여 객체를 인식하는 객체 인식부를 포함하되, 상기 특징 벡터 평면 형성부는 상기 추정된 포즈 각도와 인접한 각도에 상응하는 적어도 두개의 포즈 각도들에 대한 영상의 특징 벡터들을 추출하여 특징 벡터 평면을 형성하는 다중 영상 객체 인식 장치가 제공된다.

상기 다중 영상 객체 인식 장치는 상기 획득된 입력 영상의 잡음을 제거하고 정규화를 수행하는 전처리부; 상기 전처리된 영상으로부터 고유벡터(eigen vector) 및 고유값(eigen value)을 추출하는 고유치 분석부를 더 포함할 수 있다.

상기 특징 벡터 생성부는 상기 고유 벡터 및 고유값으로부터 PCA 방법을 이용하여 특징 벡터를 생성한다.

상기 포즈별 특징 벡터 데이터베이스에 저장되는 특징 벡터 및 상기 입력 영상의 특징 벡터는 3차원인 것이 바람직하다.

상기 특징 벡터 평면은 상기 포즈별 특징 벡터 데이터베이스로부터 추출되는 특징 벡터들의 좌표를 연결하여 생성된다.

본 발명의 다른 측면에 따르면, 다수의 포즈 각도별 영상에 대한 특징 벡터 정보를 저장하는 데이터베이스를 유지하는 단계(a); 입력 영상을 획득하고 획득된 입력 영상의 포즈 각도를 추정하는 단계(b); 상기 획득된 입력 영상으로부터 특징 벡터를 생성하는 단계(c); 상기 포즈별 특징 벡터 데이터베이스로부터 상기 추정된 포즈 각도 및 상기 추정된 포즈 각도와 인접한 각도에 상응하는 포즈 각도들에 대한 영상의 특징 벡터를 추출하여 특징 벡터 평면을 형성하는 단계(d); 및 상기 특징 벡터 평면 형성부에서 형성된 특징 벡터 평면과 상기 입력 영상의 특징 벡터와의 거리를 이용하여 객체를 인식하는 단계(d)를 포함하되, 상기 단계(d)는 상기 추정된 포즈 각도와 인접한 각도에 상응하는 적어도 두개의 포즈 각도들에 대한 영상의 특징 벡터들을 추출하여 특징 벡터 평면을 형성하는 다중 영상 객체 인식 방법이 제공된다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 객체 인식 장치 및 방법을 상세히 설명한다.

도 2는 본 발명의 일 실시예에 따른 객체 인식 장치의 구성을 도시한 블록도이다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 객체 인식 장치는 전처리부(200), 포즈 추정부(202), 고유치 분석부(204), 특징 벡터 생성부(206), 특징 벡터 평면 형성부(208), 포즈별 특징 벡터 데이터베이스(210) 및 객체 인식부(212)를 포함할 수 있다.

전처리부(200)는 센서로부터 영상 획득 후 입력 영상에 대한 잡음 제거 및 정규화 등과 같은 전처리 작업을 수행한다. 센서에 의해 획득된 입력 영상은 기하학적 정보와 광학적 영상 정보를 포함한다. 획득된 입력 영상의 객체별로 기하학적 정보의 절대범위가 다양한 바, 이를 보정하지 않고 사용할 경우 인식률의 저하가 초래된다. 따라서, 전처리부(200)는 이러한 인식률 저하를 방지하기 위해 입력 영상의 정규화 작업을 수행하며, 영상 데이터의 정규화에 대해서는 다양한 방법이 공지되어 있는 바 이에 대한 상세한 설명은 생략하기로 한다.

포즈 추정부(202)는 전처리부(200)에 의해 처리된 입력 영상의 포즈를 추정한다. 본 발명의 일 실시예에 따르면, 좌 90도에서 우 90도까지 5도 간격으로 포즈를 변화시킨 영상의 특징 벡터가 포즈별 특징 벡터 데이터베이스(210)에 저장되며, 포즈 추정부(202)는 좌 90도에서 우 90도에서 5도 간격으로 변하는 포즈 중 어떠한 각도의 포즈에 해당되는지 여부를 추정한다. 포즈를 추정하는 방법에 대해서도 다양한 알고리즘이 공지되어 있는 바 이에 대한 상세한 설명은 생략하기로 한다.

고유치 분석부(204)는 입력 영상을 분석하여 고유값(eigen value) 및 고유 벡터(eigen vector)를 추출하는 기능을 한다. 고유치 분석부(204)는 입력 영상 데이터에 대해 공분산 행렬을 생성하며, 공분산 행렬로부터 고유값 및 고유 벡터를 추출한다. 여기서, 공분산 행렬은 다 차원의 데이터에 대한 공분산 연산을 행렬로 표현한 것을 의미하며, 공분산 행렬의 변환을 통해 고유값 및 고유벡터를 도출하는 것은 공지된 방법이다.

고유치 분석부는 데이터베이스의 영상에 대에서도 고유값 및 고유 벡터를 추출하는 작업을 시스템 초기화 시에 수행하며, 이를 이용한 데이터 베이스의 특징 벡터 역시 생성되어 특징 벡터 데이터베이스에 저장된다.

특징 벡터 생성부(206)는 고유치 분석부에서 출력하는 고유값 및 고유 벡터를 이용하여 입력 영상의 특징 벡터를 생성한다. 객체 인식부에서 생성하는 특징 벡터 및 포즈별 특징 벡터 데이터베이스(210)에 저장되는 특징 벡터는 3차원 벡터인 것이 바람직하다. 고유 벡터는 3차원 이상의 다차원 데이터인 것이 일반적이나 PCA 기법을 이용하여 3차원의 특징 벡터를 생성하는 것이 가능하다. 여기서, 3차원의 특징 벡터를 생성하는 것은 차후에 설명할 특징 벡터 평면을 용이하게 형성하기 위해서이다. 그러나, 본 발명이 3차원의 특징 벡터를 생성하는 것에 한정되는 것은 아니며, 보다 차원이 높은 특징 벡터가 이용될 수도 있다는 점은 당업자에게 있어 자명할 것이다.

한편, 특징 벡터 평면 형성부(208)는 포즈 추정부에서 추정된 입력 영상의 포즈 추정 정보를 이용하여 특징 벡터 평면을 형성하는 기능을 한다. 특징 벡터 평 면은 포즈 추정부에서 추정된 포즈에 상응하여 데이터베이스에 저장된 특징 벡터와 추정된 포즈와 인접한 포즈에 상응하는 적어도 두 개의 특징 벡터 요소를 이용하여 형성된다. 예를 들어, 추정된 포즈가 우 35도일 경우, 우 35도의 특징 벡터와 우 30도 및 우 40도의 특징 벡터를 이용하여 특징 벡터 평면이 형성된다.

평면 형성을 위해 적어도 3개의 특징 벡터 요소가 필요하므로 포즈 추정부(202)에서 추정한 포즈와 인접한 적어도 두 개의 포즈에 대한 특징 벡터를 추출하여 특징 벡터 평면을 형성하며, 본 발명이 3개의 요소를 가지는 특징벡터 A=(x,y,z)를 이용하여 하나의 특징 벡터 평면을 형성하는 것에 한정되지는 않는다. 예를 들어, 6개의 요소를 가지는 특징벡터 (특징벡터 A=(x,y,z,, v,w,q))를 이용할 경우 특징벡터의 1~3번째 요소에 해당하는 평면1과 4~6번째 요소에 해당하는 평면2를 형성할 수도 있다.

객체 인식부(212)는 입력 영상의 특징 벡터와 데이터베이스에 저장된 영상의 특징 벡터를 이용하여 형성되는 특징벡터 평면과의 거리를 계산하여 객체를 인식한다.

즉, 본 발명은 종래와 같이 추정된 포즈에 대해 미리 저장된 특징 벡터와 입력 영상의 특징 벡터와의 거리를 계산하여 객체를 인식하지 않고 추정된 포즈와 추정된 포즈 외에 추정된 포즈와 인접한 포즈들의 특징 벡터를 이용하여 특징 벡터 평면을 형성한 후 형성된 평면과 입력 영상의 특징 벡터와의 거리를 계산하여 객체를 인식한다. 즉, 객체 인식 시 추정된 포즈 외에도 이와 인접한 포즈에 대해서도 함께 고려하므로 다중 영상 인식 시 문제시 되는 포즈 추정 오류로 인한 에러를 종 래 방식에 비해 최소화할 수 있는 장점이 있다.

도 3은 본 발명의 바람직한 일 실시예에 따른 포즈별로 획득되는 다중 영상의 일례를 도시한 도면이다.

도 3을 참조하면, 좌에서 우로 일정 각도별로 영상을 획득하며, 획득된 영상별로 특징 벡터를 생성하여 포즈별 특징 벡터 데이터베이스에 저장한다. 일례로, 좌 90도에서 우 90도까지 5도 간격으로 포즈를 변화시키면서 2D 영상공간으로 투영할 경우 36개의 서로 다른 포즈에 대한 영상이 획득될 것이며, 36개 영상에 대한 특징 벡터가 포즈별 특징 벡터 데이터베이스에 저장된다.

도 4는 종래의 입력 영상의 특징 벡터와 데이터베이스에 저장된 특징 벡터와의 거리를 계산하는 방법을 도식화한 도면이며, 도 5는 본 발명의 바람직한 일 실시예에 따른 입력 영상의 특징 벡터와 데이터베이스에 저장된 특징 벡터를 이용하여 형성되는 특징 벡터 평면과의 거리를 계산하는 방법을 도식화한 도면이다.

도 4를 참조하면, 포인트 O는 입력 영상에 대한 특징 벡터를 3차원 좌표계에 표현한 것이며, 포인트 G1 및 포인트 G2는 추정된 포즈에 상응하는 특징 벡터들을 3차원 좌표계에 표현한 것이다.

종래의 의할 경우, 포인트 O와 포인트 G1간의 거리(D1)가 계산되며, 포인트 P와 포인트 G2간의 거리(D2)가 계산된다. 추정된 포즈에 상응하는 복수의 특징 벡터들과의 거리를 계산하여 가장 짧은 거리를 가지는 특징 벡터에 상응하는 영상이 입력된 영상과 일치하는 영상이라고 판단하게 된다.

이를 수식으로 표현하면 다음과 같다.

위 수학식 1에서 dm은 추정된 입력 영상의 A=(x,y,z)와 추정된 포즈에 상응하는 m번째 데이터베이스에 해당하는 특징벡터(xm, ym, zm )과의 거리를 나타낸다.

상술한 바와 같이, 특징 벡터 포인트 사이의 거리를 계산하는 것과는 달리, 본 발명의 바람직한 실시예에 따르면 포인트와 특징 벡터 평면 사이의 거리가 계산되며, 이를 도 5를 참조하여 설명하면 다음과 같다.

도 5에서, 포인트 O는 입력 영상에 대한 특징 벡터를 3차원 좌표계에 표현한 것이며, P1 및 P2는 각각 데이터베이스의 제1 사람과 제 2 사람에 대한 특징 벡터들로 이루어진 특징 벡터 평면이다.

전술한 바와 같이, 특징 벡터 평면은 추정된 포즈 각도 및 추정된 포즈 각도와 인접한 각도에 상응하는 포즈들의 특징 벡터를 이용하여 형성된다. 예를 들어, 입력 영상에 대해 추정된 포즈 각도가 35도일 경우, 30도, 35도 및 40도에 대한 특징 벡터가 추출되어 특징 벡터 평면을 형성한다.

본 발명의 바람직한 실시예에 따르면, 포인트 O와 특징벡터 평면 P1간의 거리(D1)가 계산되며, 포인트 O와 특징벡터 평면 P2간의 거리(D2)가 계산되고, 특징 벡터 평면들과의 거리를 계산하여 가장 짧은 거리를 가지는 평면에 상응하는 영상이 입력된 영상과 일치하는 영상이라고 판단하게 된다.

이를 수식으로 표현하면 다음의 수학식 2와 같다.

위 수학식 2에서 dm은 추정된 입력 영상의 특징벡터와 추정된 포즈에 상응하는 m번째 데이터 베이스의 해당하는 평면과의 거리를 내고,

은 m번째 데이터 베이스의 특징 벡터로 형성된 평면의 법선 벡터이고

은 동일 평면상의 임의의 점을 나타낸다.

은 고유 공간에서 입력 영상의 특징 벡터이다.

도 6은 본 발명의 바람직한 일 실시예에 따른 포즈 변화에 대비한 다중 영상의 객체 인식 방법의 전체적인 흐름을 도시한 순서도이다.

도 6을 참조하면, 다양한 포즈별로 영상을 획득하고 이에 대한 특징 벡터를 유지하는 데이터베이스를 구축한다(단계 600). 전술한 바와 같이, 예를 들어, 5도 간격으로 포즈가 변화된 영상의 특징 벡터를 추출하여 데이터베이스에 저장할 수 있으며, 포즈의 변화 각도는 다양하게 설정될 수 있을 것이다.

포즈별 데이터베이스가 구축되면, 센서 또는 기타의 영상 획득 수단으로부터 입력 영상을 획득한다(단계 602).

입력 영상이 획득되면, 획득된 영상의 잡을 제거하고 정규화하는 전처리 과정을 수행한다(단계 604).

전처리 과정이 완료되면, 입력 영상의 포즈를 추정한다(단계 606). 또한, 입력 영상으로부터 고유 벡터 및 고유값을 추출한다(단계 608). 전술한 바와 같이, 입력 영상 데이터의 공분산 행렬을 이용하여 고유 벡터 및 고유값을 추출할 수 있다.

고유 벡터 및 고유값을 추출하면 이를 이용하여 입력 영상의 특징 벡터를 생성한다(단계 610). 전술한 바와 같이, PCA 방법을 이용하여 특징 벡터를 생성하며, 고유 벡터에 비해 차원이 축소된 특징 벡터가 생성된다. 특징 벡터의 차원은 3차원인 것이 바람직하다.

한편, 상기 단계 606에서 추정된 포즈를 이용하여 추정된 포즈 각도와 추정된 포즈 각도의 인접한 각도의 포즈들에 대해 저장된 영상의 특징 벡터를 이용하여 특징 벡터 평면을 형성한다. 5도 각도 간격으로 영상의 포즈가 데이터베이스에 저장되어 있는 경우, 추정된 포즈 각도의 영상, 추정된 포즈 각도 보다 5도 작은 포즈의 영상 및 추정된 포즈 각도보다 5도 큰 포즈의 영상에 대한 특징 벡터가 추출되어 특징 벡터 평면을 형성한다(단계 612).

특징 벡터 평면이 형성되면, 입력 영상의 특징 벡터와 형성된 특징 벡터와의 거리를 계산하여 객체를 인식하는 과정이 수행된다(단계 614).

전술한 예와 같이, 3개 이상의 요소를 갖는 특징 벡터(특징벡터A=(x,y,z,v,w...))가 이용되어 둘 이상의 특징 벡터 평면이 형성되는 경우 같은 방식을 2번 이상 반복하고 이들의 오류값을 합하여 최소값을 인식하는 방식으로 확장 가능하다.

본 발명의 다른 실시예에 따르면, 복수의 특징 벡터 요소가 이용되는 경우, 복수의 특징 벡터 요소에 상응하는 하나의 평면을 형성하여 오류를 검출하는 방식이 사용될 수도 있다. 이때, 복수의 특징 벡터가 하나의 동일 평면에 존재하지는 않으나, 복수의 특징 벡터에 가장 근접한 하나의 가상 특징 벡터 평면을 형성하도록 한다. 동일 평면상에 존재하지 않는 복수의 특징 벡터 요소가 이용될 경우, N개의 특징 벡터 요소 포인트를 다음과 같이 정의한다

이때, N 개의 포인트에 대한 평균점을

로 정의한다.

이때, N 개의 포인트와의 거리 Di의 제곱의 합이 가장 적고 동시에 평균점 Pm을 지나는 평면의 법석 벡터를

로 정의한다.

만일 N개의 포인트가 평면상에 있다면, 다음의 수학식 3과 같은 평면 방정식이 성립한다.

그러나, 실질적으로 N개의 포인트가 동일 평면상에 존재하지는 않으므로 실제로는 다음의 수학식 4와 같은 에러값이 존재한다.

이때, 다음의 수학식 5를 통해 수학식 5의 결과 값이 최소가 되는 평면의 법선 벡터(a,b,c)를 구함으로써 가상 특징 벡터 평면을 구하도록 한다.

즉, 가상 특징 벡터 평면은 수학식 5를 통해 구한 e룰 법선 벡터로 하며 평균점 Pm을 지나는 평면이다.

상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

이상에서 설명한 바와 같이, 본 발명의 바람직한 실시예에 따르면, 객체 인식 시 발생하는 오류를 최소화할 수 있으며, 포즈 추정 시 발생할 수 있는 에러를 보정할 수 있는 장점이 있다.

Claims (9)

1. 다수의 포즈 각도별 영상에 대한 특징 벡터 정보를 유지하는 포즈별 특징 벡터 데이터베이스;

   획득된 입력 영상의 포즈 각도를 추정하는 포즈 추정부;

   상기 획득된 입력 영상으로부터 특징 벡터를 생성하는 특징 벡터 생성부;

   상기 포즈별 특징 벡터 데이터베이스로부터 상기 포즈 추정부에서 추정된 포즈 각도 및 상기 추정된 포즈 각도와 인접한 각도에 상응하는 포즈 각도들에 대한 영상의 특징 벡터를 추출하여 특징 벡터 평면을 형성하는 특징 벡터 평면 형성부;

   상기 특징 벡터 평면 형성부에서 형성된 특징 벡터 평면과 상기 입력 영상의 특징 벡터와의 거리를 이용하여 객체를 인식하는 객체 인식부를 포함하되,

   상기 특징 벡터 평면 형성부는 상기 추정된 포즈 각도 및 상기 추정된 포즈 각도와 인접한 각도에 상응하는 적어도 두개의 포즈 각도들에 대한 영상의 특징 벡터들을 추출하여 특징 벡터 평면을 형성하는 것을 특징으로 하는 다중 영상 객체 인식 장치.
2. 제1항에 있어서,

   상기 획득된 입력 영상의 잡음을 제거하고 정규화를 수행하는 전처리부;

   상기 전처리된 영상으로부터 고유벡터(eigen vector) 및 고유값(eigen value)을 추출하는 고유치 분석부를 더 포함하는 것을 특징으로 하는 다중 영상 객체 인식 장치.
3. 제2항에 있어서,

   상기 특징 벡터 생성부는 상기 고유 벡터 및 고유값으로부터 PCA 방법을 이용하여 특징 벡터를 생성하는 것을 특징으로 하는 다중 영상 객체 인식 장치.
4. 제3항에 있어서,

   상기 포즈별 특징 벡터 데이터베이스에 저장되는 특징 벡터 및 상기 입력 영상의 특징 벡터는 3차원인 것을 특징으로 하는 다중 영상 객체 인식 장치.
5. 제1항에 있어서,

   상기 특징 벡터 평면은 상기 포즈별 특징 벡터 데이터베이스로부터 추출되는 특징 벡터들의 좌표를 연결하여 생성되는 것을 특징으로 하는 다중 영상 객체 인식 장치.
6. 다수의 포즈 각도별 영상에 대한 특징 벡터 정보를 저장하는 데이터베이스를 유지하는 단계(a);

   입력 영상을 획득하고 획득된 입력 영상의 포즈 각도를 추정하는 단계(b);

   상기 획득된 입력 영상으로부터 특징 벡터를 생성하는 단계(c);

   상기 포즈별 특징 벡터 데이터베이스로부터 상기 추정된 포즈 각도 및 상기 추정된 포즈 각도와 인접한 각도에 상응하는 포즈 각도들에 대한 영상의 특징 벡터를 추출하여 특징 벡터 평면을 형성하는 단계(d); 및

   상기 특징 벡터 평면 형성부에서 형성된 특징 벡터 평면과 상기 입력 영상의 특징 벡터와의 거리를 이용하여 객체를 인식하는 단계(d)를 포함하되,

   상기 단계(d)는 상기 추정된 포즈 각도 및 상기 추정된 포즈 각도와 인접한 각도에 상응하는 적어도 두개의 포즈 각도들에 대한 영상의 특징 벡터들을 추출하여 특징 벡터 평면을 형성하는 것을 특징으로 하는 다중 영상 객체 인식 방법.
7. 제6항에 있어서,

   상기 획득된 입력 영상의 잡음을 제거하고 정규화를 수행하는 전처리 단계; 및

   상기 전처리된 영상으로부터 고유벡터(eigen vector) 및 고유값(eigen value)을 추출하는 단계를 더 포함하는 것을 특징으로 하는 다중 영상 객체 인식 방법.
8. 제7항에 있어서,

   상기 입력 영상의 특징 벡터는 상기 고유 벡터 및 고유값으로부터 PCA 방법을 이용하여 생성되는 것을 특징으로 하는 다중 영상 객체 인식 방법.
9. 제6항에 있어서,

   상기 포즈별 특징 벡터 데이터베이스에 저장되는 특징 벡터 및 상기 입력 영 상의 특징 벡터는 3차원인 것을 특징으로 하는 다중 영상 객체 인식 방법.

Images