KR100924690B1 - 디지털 영상 특징 관리 시스템 및 그 방법 - Google Patents

디지털 영상 특징 관리 시스템 및 그 방법 Download PDF

Info

Publication number
KR100924690B1
KR100924690B1 KR1020070132543A KR20070132543A KR100924690B1 KR 100924690 B1 KR100924690 B1 KR 100924690B1 KR 1020070132543 A KR1020070132543 A KR 1020070132543A KR 20070132543 A KR20070132543 A KR 20070132543A KR 100924690 B1 KR100924690 B1 KR 100924690B1
Authority
KR
South Korea
Prior art keywords
feature
still image
image
feature information
global
Prior art date
Application number
KR1020070132543A
Other languages
English (en)
Other versions
KR20090065099A (ko
Inventor
서용석
유원영
윤영석
이상광
서진수
이승재
오원근
서영호
황치정
이홍로
전형용
정재경
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020070132543A priority Critical patent/KR100924690B1/ko
Publication of KR20090065099A publication Critical patent/KR20090065099A/ko
Application granted granted Critical
Publication of KR100924690B1 publication Critical patent/KR100924690B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 디지털 영상 특징 관리 시스템 및 그 방법에 관한 것으로, 디지털 정지 영상으로부터 고유한 특징을 추출하여 특정 이미지 정보의 인식이나 동일한 이미지의 검색 및 유사 이미지 분류 등 대용량 영상을 효율적으로 관리함으로써, 인터넷 상이나 하드 디스크 상에 유통 혹은 보관되어 있는 방대한 양의 정지영상을 빠르게 분류하고 사용자에게 필요한 정지 영상을 효율적으로 검색하는데 유용하며 고의적, 비고의적인 공격에 의해 변형된 영상에서도 쉽고 빠른 분류 및 검색이 가능하다. 또한, 향후 도래할 개인형 멀티미디어 시대에 매우 유용하게 활용될 뿐만 아니라, 갈수록 늘어가고 있는 콘텐츠 기반의 영상 검색 분야에서 중추적인 역할을 수행할 수 있다.
디지털 영상, 특징점, 전역 특징, 지역 특징

Description

디지털 영상 특징 관리 시스템 및 그 방법{SYSTEM FOR MANAGING DIGITAL IMAGE FEATURES AND ITS METHOD}
본 발명은 디지털 정지 영상으로부터 고유한 특징을 추출하여 특정 이미지 정보의 인식이나 동일한 이미지의 검색 및 유사 이미지 분류 등 대용량 영상을 효율적으로 관리할 수 있는 시스템 및 방법에 관한 것이다.
본 발명은 정보통신부 및 정보통신연구진흥원의 IT성장동력기술개발사업의 일환으로 수행한 연구로부터 도출된 것이다[과제관리번호: 2007-S-017-01, 과제명: 사용자 중심의 콘텐츠 보호 유통 기술 개발].
주지된 바와 같이, 유사한 영상 또는 변형된 디지털 영상을 식별하는 기술은 다양하게 존재한다. 대표적인 영상 식별 기술은 디지털 영상 전체 영역에 대한 글로벌 특징(global feature)을 이용하는 방법과 영상의 지역적인 로컬 특징(local feature)을 이용한 방법으로 구분된다.
한편 대표적인 전역 특징 추출 기술로는 Jin S.에 의해 제안된 라돈 변환(radon transform)을 이용한 특징 추출 방법이 있다. 이 방법은 영상 고유의 속 성을 핑거프린트(fingerprint)로 정의한 후 400bit의 일차원 벡터로 정의하였다.
그러나, 상기한 바와 같은 종래 기술에서와 같이 영상의 가우시안 필터(gaussian filter), 메디안 필터(median filter)와 같은 필터링같은 변형에 대해서는 강인하였으나 잘림(cropping)에 대해서는 취약한 단점을 가지고 있다.
또한, 컬러 히스토그램(color histogram)이나 에지 히스토그램(edge histogram)을 이용한 방법이 있는데 이는 영상을 특정 블록으로 나눈 후, 각각의 블록에서 컬러 정보나 에지 정보를 히스토그램 형태로 추출하여 식별자를 생성하는 방법으로, 이 방법은 영상의 전역 정보를 이용하기 때문에 영상을 세밀하게 식별하는데 있어서 한계점이 있다.
또한, 특징점 기반 기술로는 Lowe의 SIFT(Scale Invariant Feature Transform)가 있는데 이 방법은 정지영상의 특징으로 특징점 주변 값을 활용하여 그 유사성을 판별한다. 이 방법은 정지영상의 기하학적 변형 중에서 잘림 및 일부 가려짐에 강인하나, 기울어짐, 원근 변환에는 약하다는 단점이 있다. 또한, 두 특징점의 유사성을 판별하기 위해서 높은 복잡도와 계산시간이 요구되는 문제점이 있다.
이에, 본 발명의 기술적 과제는 상술한 문제점을 해결하기 위해 안출한 것으로서, 정보 통신의 정보 보호 분야로 디지털 콘텐츠 관리 및 보호를 위한 방법의 하나인 식별자(descriptor), DNA(deoxyribonucleic acid) 혹은 디지털 핑거프린팅(fingerprinting)과 관련된 정지 영상 관리 시스템에 있어서, 특히 디지털 정지 영상으로부터 고유한 특징을 추출하여 특정 이미지 정보의 인식이나 동일한 이미지의 검색 및 유사 이미지 분류 등 대용량 영상을 효율적으로 관리할 수 있는 영상 특징 관리 시스템 및 그 방법을 제공한다.
본 발명의 일 관점에 따른 영상 특징 관리 시스템은, 디지털 영상의 특징 정보들을 추출하는 정지영상 특징 추출기와, 추출된 특징 정보와 정지영상 특징 데이터베이스에 저장된 특징 정보를 비교하여 분류하는 정지 영상 특징 분류기와, 정지영상 특징 추출기로부터 추출된 특징 정보와 정지영상 특징 데이터베이스로부터 독출한 특징 정보간의 유사도를 측정하여 특정 임계치 이상이 되는 영상들을 검색 결과로 출력하는 정지영상 검색기를 포함하는 것을 특징으로 한다.
또한, 본 발명의 다른 관점에 따른 영상 특징 관리 방법은, 디지털 영상의 특징 정보들을 추출하는 단계와, 추출된 특징 정보와 정지영상 특징 데이터베이스에 저장된 특징 정보를 비교하여 분류하는 단계와, 추출된 특징 정보와 정지영상 특징 데이터베이스로부터 독출한 특징 정보간의 유사도를 측정하여 특정 임계치 이상이 되는 영상들을 검색 결과로 출력하는 단계를 포함하는 것을 특징으로 한다.
본 발명은 디지털 정지 영상으로부터 고유한 특징을 추출하여 특정 이미지 정보의 인식이나 동일한 이미지의 검색 및 유사 이미지 분류 등 대용량 영상을 효 율적으로 관리함으로써, 인터넷 상이나 하드 디스크 상에 유통 혹은 보관되어 있는 방대한 양의 정지영상을 빠르게 분류하고 사용자에게 필요한 정지 영상을 효율적으로 검색하는데 유용하며 고의적, 비고의적인 공격에 의해 변형된 영상에서도 쉽고 빠른 분류 및 검색이 가능하다.
또한, 본 발명은 향후 도래할 개인형 멀티미디어 시대에 매우 유용하게 활용될 뿐만 아니라, 갈수록 늘어가고 있는 콘텐츠 기반의 영상 검색(contents-based image retrieval) 분야에서 중추적인 역할을 수행할 수 있는 효과가 있다.
이하, 첨부된 도면을 참조하여 본 발명의 동작 원리를 상세히 설명한다. 하기에서 본 발명을 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 발명에서의 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.
이하, 본 발명에 따른 실시예를 첨부한 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 바람직한 실시예에 따른 영상 특징 관리 시스템(100)을 위한 블록 구성도로서, 정지영상 특징 추출기(image features extractor)(300)와 정지 영상 특징 분류기(400)와 정지영상 특징 데이터베이스(500)와 정지영상 검색기(600)를 포함한다.
정지영상 특징 추출기(300)는 입력된 디지털 정지 영상(200)에서 그 영상만이 가지고 있는 고유한 속성 정보인 특징 정보들을 추출하여 정지 영상 특징 분류기(image features database)(400)와 정지영상 검색기(image retriever)(600)에 각각 제공한다. 여기서, 정지 영상(200)은 여러 가지 압축 방식에 의해 부호화된 디지털 이미지 파일을 말하며 회전, 크기변환, 절삭과 같은 기하학적 변형뿐만 아니라, 스캐너를 통한 영상 획득 시 발생하는 블러링(흐려짐)이나 뒷면 비침 현상이 포함된 디지털 영상을 의미한다.
정지 영상 특징 분류기(400)는 정지영상 특징 추출기(300)로부터 입력된 영상의 특징 정보와 정지영상 특징 데이터베이스(500)에 저장된 특징 정보를 비교하여 다시 정지영상 특징 데이터베이스(500)에 정지영상 특징을 분류하여 저장한다.
정지영상 검색기(600)는 정지영상 특징 추출기(300)와 정지영상 특징 데이터베이스(500)에서 각각 추출된 특징 정보와 후보군으로 선택된 특징들을 입력으로 특징들 간의 유사도를 계산하여 특정 임계치 이상이 되는 영상들을 검색 결과(700)로 출력한다.
도 2는 도 1에 도시된 정지영상 특징 추출기(300)의 상세 블록 구성도로서, 정지영상 정규화기(310)와 전역 특징 추출기(320)와 지역 특징 추출기(330)으로 이루어져 있다.
정지영상 정규화기(310)는 제어신호에 따라 디지털 정지 영상(200)의 가로 길이(width), 세로 길이(height)를 입력받으며 이 설정에 따라 영상 정규화를 수행하며, 정규화된 정지영상에 대해서 전역 특징 추출기(320)에서는 빠른 이미지 분류 및 검색을 위해서 전역 특징(global feature)을 추출하고, 지역 특징 추출기(330)에서는 세부적인 이미지 분류 및 검색을 위해서 특징점(feature point) 기반의 지역 특징(local feature)을 추출한다. 여기서, 디지털 정지영상(200)은 다양한 크기로 입력될 수 있기 때문에 다양한 크기의 입력 영상에 대해 일정한 크기로 정규화(normalize)를 시켜주는 것이 바람직하다.
전역 특징 추출기(320)는 도 3에 도시된 바와 같이 컬러 히스토그램(color histogram) 식별자(321)와 에지 히스토그램(edge histogram) 식별자(322)로 이루어져 있다.
컬러 히스토그램(color histogram) 식별자(321)는 영상 정규화기(310)에 의해 정규화 된 영상을 특정 블록 크기로 나눈 후, 각 블록마다의 컬러 히스토그램(color histogram)을 추출한 전역 특징에 대응되는 정지 영상 특징(350)을 정지 영상 특징 분류기(400)에 제공한다.
여기서, 컬러 히스토그램(color histogram)을 추출하기 위해 도 4에 도시된 RGB 컬러 공간에서 영상의 각 픽셀값을 양자화 하는 과정에서와 같이, 컬러공간을 불연속의 빈(descrete bins)으로 분리하여 컬러 양자화(color quantization)를 수행한다. 세 개의 채널에 대하여 각각 양자화 인자를 4로 선택하여 총 64개의 빈으로 나눈다. 컬러 스페이스는 3차원이기 때문에 세 채널의 픽셀값이 주어졌을 때 이 에 따른 1차원 히스토그램 빈의 위치는 R(red) 채널의 픽셀 값을 양자화한 단계 값에 G(green) 채널 양자화 인자와 B(blue) 채널 양자화 인자를 곱하고, G채널의 픽셀 값을 양자화한 단계 값에 B채널 양자화 인자를 곱하고, B채널의 픽셀 값을 양자화한 단계 값을 구하여 세가지 값 모두를 더한 값이 된다. 영상의 모든 픽셀에 대하여 히스토그램을 구한 후 영상의 총 크기에 대하여 히스토그램 값을 정규화하여 추출할 수 있다.
에지 히스토그램(color histogram) 식별자(322)는 영상 정규화기(310)에 의해 정규화 된 영상을 특정 블록 크기로 나눈 후, 각 블록마다의 에지 히스토그램(color histogram)을 추출한 전역 특징에 대응되는 정지 영상 특징(350)을 정지 영상 특징 분류기(400)에 제공한다.
여기서, 에지 히스토그램(color histogram)을 추출하기 위해 도 5에 도시된 에지 히스토그램 식별자 추출 방법에서와 같이, 영상 공간을 4x4의 부 영상으로 분할하고 각 부 영상에 대한 지역적 에지 분포를 히스토그램으로 나타낸다. 에지 히스토그램을 추출하기 위해 부 영역에서의 에지는 5가지 범주(가로, 세로, 45도 방향, 135도 방향, 무 방향)의 에지로 분류한다. 16개의 부 영상이 있으므로 총 80개의 히스토그램 빈이 요구된다. 에지 히스토그램 식별자에서 특별한 방향성이 없는 에지를 포함하는 무 방향의 에지와 4가지의 방향성 에지는 블록기반의 에지 추출로 구성된다. 각 부 영상은 겹치지 않는 영상블록으로 나누어지며, 영상블록의 크기는 영상 해상도에 따라 달라진다.
즉, 주어진 영상의 크기에 상관없이 영상 공간은 미리 선언된 수의 영상 블 록으로 나누어진다. 각 영상블록은 위에서 언급된 5가지의 범주 또는 비 에지로 나누어진다. 이 분류를 위한 간단한 방법으로 각 영상블록을 5가지의 2x2의 에지 측정 블록으로 처리하여 에지 강도를 측정한다. 최대의 에지 강도를 보이는 경우에 대하여 주어진 문턱치를 넘으면 상응하는 에지 방향이 해당 블록에 결정된다. 만약 에지 강도가 주어진 문턱치보다 작으면 그 블록은 에지 블록이 아닌 것으로 본다. 부 영상의 모든 블록에 대한 에지 타입이 결정되면 각 빈 값은 총 영상블록의 수로 나누어 정규화한다. 에지가 아닌 블록도 있기 때문에 각 부 영상의 정규화된 히스토그램의 합은 1보다 작거나 같다. 이로서 부 영상에서 에지가 아닌 블록의 분포를 간접적으로 계산할 수 있다.
지역 특징 추출기(330)는 도 6에 도시된 바와 같이 가우시안 필터링(331)블록과 특징점 추출기(332)블록과 그라디언트(gradient) 계산(333)블록과 서브 블록으로 분리(334)블록과 고유벡터(egien vector)와 고유치(egien value) 계산(335)블록과 고유벡터(egien vector)의 각도 벡터 생성(336)블록과 명암 정규화(337)블록과 서브 블록으로 분리(338)블록과 명암 평균값 계산(339)블록과 구 좌표계에서 직교 좌표계로 변환(340)블록으로 이루어져 있다.
가우시안 필터링(331)블록은 영상 정규화기(310)에 의해 정규화된 영상에서 잡음을 제거하여 특징점 추출기(332)블록에 제공한다.
특징점 추출기(332)블록은 잡음이 제거된 영상에서 영상의 코너 점 검출기로 잘 알려진 해리스 코너 검출기(harris corner detector)를 이용하여 특징점을 추출하고, 이 추출된 특징점 주위로 특정 크기의 블록을 생성한다.
여기서, 도 7은 생성된 특징점 기반 블록의 모습을 도시한 것이다. 생성된 블록들을 이용해 고유벡터(egien vector)의 각도로 이루어진 벡터와 정규화된 명암값의 평균값으로 이루어진 벡터를 구하여 구 벡터로 구성 후 직교 좌표계로 변환한다.
첫째로 각 블록마다의 고유벡터의 각으로 이루어진 벡터를 구성하기 위해 블록 전체에 대한 그라디언트(gradient) 계산(333)블록을 통해 그라디언트(gradient)를 계산한다. 계산된 그라디언트 영상을 서브 블록으로 분리(334)블록을 통해
Figure 112007090705091-pat00001
개의 서브블록으로 나눈다. 하나의 서브블록 내의
Figure 112007090705091-pat00002
번째 픽셀에서의 미분값을 이용하여 아래와 같은 행렬
Figure 112007090705091-pat00003
Figure 112007090705091-pat00004
를 생성한다.
하나의 서브블록 내에서 각각의 픽셀에 대한 행렬
Figure 112007090705091-pat00005
Figure 112007090705091-pat00006
개의 서브블록을 합으로 하는 합 행렬
Figure 112007090705091-pat00007
를 생성한다.
Figure 112007090705091-pat00008
(여기서,
Figure 112007090705091-pat00009
는 서브블록 내의 각각의 픽셀을 의미하며, 그 범위는
Figure 112007090705091-pat00010
이 된다. 또한,
Figure 112007090705091-pat00011
은 서브블록의 개수를 의미한다.)
상술한 바와 같이 생성된 공분산 행렬
Figure 112007090705091-pat00012
을 이용하여 고유벡터(egien vector)와 고유치(egien value) 계산(335)블록을 통해 고유벡터(egien vector)와 고유치(egien value)를 계산한다. 이후 생성된 두 개의 고유치 중 장축의 값에 대 응되는 고유벡터를 이용하여
Figure 112007090705091-pat00013
축으로부터의 각도
Figure 112007090705091-pat00014
를 얻을 수 있다. 특징점에 의해 생성된 각각의 블록에 대해서 고유벡터의 각으로 이루어진 벡터
Figure 112007090705091-pat00015
는 고유벡터(egien vector)의 각도 벡터 생성(336)블록을 통해 아래와 같이 얻을 수가 있다.
Figure 112007090705091-pat00016
두 번째로, 각 블록마다의 명암값 정규화에 의한 평균값으로 이루어진 벡터
Figure 112007090705091-pat00017
를 구하기 위해 명암 정규화(337)블록을 통해 각각의 블록에 대해 명암값 정규화를 수행한다. 이후 서브 블록으로 분리(338)블록을 통해 각 서브블록의 크기로 분리한 다음에 명암 평균값 계산(339)블록을 통해 평균값을 계산한다.
여기서,
Figure 112007090705091-pat00018
각 블록에서 생성된 고유벡터를 이용하여 생성한 각도
Figure 112007090705091-pat00019
와 명암값 정규화에 의한 평균값으로 생성한
Figure 112007090705091-pat00020
를 함께 병합하여 구면 좌표계
Figure 112007090705091-pat00021
를 생성한다.
Figure 112007090705091-pat00022
다음에, 도 8과 같이 생성된 구면 좌표계(spherical coordinate system)
Figure 112007090705091-pat00023
는 구 좌표계에서 직교 좌표계로 변환(340)블록과 아래의 식
Figure 112007090705091-pat00024
을 이용하여 다시 직교 좌표계(rectangular coordinate system)
Figure 112007090705091-pat00025
로 변환한다. 이와 같이 생성된 직교 좌표계
Figure 112007090705091-pat00026
는 최종적으로 생성된 영상의 지역 특징(341)으로써 특징점 주위의 블록을 이용하여 특징점 개수만큼 생성된다. 이렇게 생성된 지역 특징에 대응되는 정지 영상 특징(350)을 정지 영상 특징 분류기(400)에 제공 한다.
정지영상 특징 분류기(400)는 도 9에 도시된 바와 같은 흐름도와 같이 정지 영상 특징 추출기(300)로부터 추출된 정지영상 특징(350)을 정지 영상 특징 분류기(400)의 입력으로 사용되며, 최종적으로 분류되어진 정지영상 특징(350)은 정지영상 특징 데이터베이스(500)에 저장되어진다. 즉, 빠르게 영상을 분류하기 위해 정지영상 특징 추출기(300)로부터 추출된 정지 영상 특징(350)중 전역 특징을 이용하여 전역 특징에 의한 영상 선 분류(410)를 수행하고, 선 분류된 영상들을 바탕으로 영상의 지역 특징을 이용해 다시 영상을 분류한다(420). 최종 분류된 정지 영상 특징(350)과 데이터베이스내의 영상 특징(440)을 비교하여 특징간의 유사도를 측정(430)한다. 유사도를 측정하여 임계치 이상이면 새로운 영상으로 판단하여 특징 데이터베이스(500)에 추가한다.
정지영상 검색기(600)는 도 10에 도시된 흐름도와 같이 정지영상 특징 추출기(300)로부터 추출된 정지영상 특징(350)과 정지영상 특징 데이터베이스(500) 내의 영상 특징(440)을 입력받아 전역 특징 거리를 측정(610)하고, 후보를 선별(620)하며, 지역 특징 거리를 측정(630)한 다음에 상호간의 유사도를 측정하여 정지영상 검색 결과(700)를 출력한다. 유사도 측정은 입력 벡터인 정지영상 특징(350)과 데이터베이스의 영상 특징(440) 간의 거리 계산에 의해 이루어진다. 두 벡터간의 유사도 거리
Figure 112009036853211-pat00027
의 계산식은 수학식 1과 같다.
Figure 112007090705091-pat00028
(여기서,
Figure 112007090705091-pat00029
은 서브 블럭의 개수이고,
Figure 112007090705091-pat00030
은 정지영상 특징 추출기로(300)부터 추출된 정지영상 특징(350) 정보이고,
Figure 112007090705091-pat00031
는 정지영상 특징 데이터베이스(500)로부터 독출한 영상 특징(440) 정보이다.) 즉, 두 벡터간의 거리가 최소가 되는 영상 특징을 선택하여 최종적으로 정지 영상 검색 결과(700)을 출력한다.
따라서, 본 발명은 정보 통신의 정보 보호 분야로 디지털 콘텐츠 관리 및 보호를 위한 방법의 하나인 식별자(descriptor), DNA(deoxyribonucleic acid) 혹은 디지털 핑거프린팅(fingerprinting)과 관련된 정지 영상 관리 시스템에 있어서, 특히 디지털 정지 영상으로부터 고유한 특징을 추출하여 특정 이미지 정보의 인식이나 동일한 이미지의 검색 및 유사 이미지 분류 등 대용량 영상을 효율적으로 관리할 수 있다.
한편, 본 발명의 상세한 설명에서는 구체적인 실시예에 관해 설명하였으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되지 않으며, 후술되는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.
도 1은 본 발명의 바람직한 실시예에 따른 영상 특징 관리 시스템을 위한 블록 구성도,
도 2는 도 1에 도시된 정지영상 특징 추출기의 상세 블록 구성도,
도 3은 도 2에 도시된 전역 특징 추출기의 상세 블록 구성도,
도 4는 도 2에 도시된 전역 특징 추출기의 상세 동작 예시도,
도 5는 도 2에 도시된 전역 특징 추출기의 실제 추출 영역 예시도,
도 6은 도 2에 도시된 지역 특징 추출기의 상세 블록 구성도,
도 7은 도 2에 도시된 지역 특징 추출기의 실제 추출 영역 예시도,
도 8은 도 2에 도시된 지역 특징 추출기의 구 좌표계에서 직교 좌표계로의 변환 동작 예시도,
도 9는 도 1에 도시된 정지 영상 특징 분류기의 상세 블록 구성도,
도 10은 도 1에 도시된 정지영상 검색기의 상세 블록 구성도.
<도면의 주요 부호에 대한 간략한 설명>
100 : 영상 특징 관리 시스템 200 : 정지 영상
300 : 정지영상 특징 추출기 310 : 영상 정규화기
320 : 전역 특징 추출기 321 : 컬러 히스토그램 식별자
322 : 에지 히스토그램 식별자 330 : 지역 특징 추출기
400 : 정지영상 특징 분류기 500 : 정지 영상 특징 데이터베이스
600 : 정지영상 검색기

Claims (12)

  1. 삭제
  2. 디지털 영상의 특징 정보들을 추출하는 정지영상 특징 추출기와,
    상기 추출된 특징 정보와 정지영상 특징 데이터베이스에 저장된 특징 정보를 비교하여 분류하는 정지 영상 특징 분류기와,
    상기 정지영상 특징 추출기로부터 추출된 특징 정보와 상기 정지영상 특징 데이터베이스에서 독출한 특징 정보를 입력받아 전역 특징 거리를 측정하고, 후보를 선별하며, 지역 특징 거리를 측정한 다음에 상호간의 유사도를 측정하여 정지영상 검색 결과를 출력하는 정지영상 검색기
    를 포함하는 디지털 영상 특징 관리 시스템.
  3. 제 2 항에 있어서,
    상기 전역 특징 거리 측정은,
    상기 추출된 특징 정보의 전역 특징과 상기 정지영상 특징 데이터베이스에 저장된 전역 특징의 거리를 측정하는 것을 특징으로 하는 디지털 영상 특징 관리 시스템.
  4. 제 2 항에 있어서,
    상기 지역 특징 거리 측정은,
    상기 추출된 특징 정보의 지역 특징과 상기 정지영상 특징 데이터베이스에 저장된 지역 특징의 거리를 측정하는 것을 특징으로 하는 디지털 영상 특징 관리 시스템.
  5. 디지털 영상의 특징 정보들을 추출하는 정지영상 특징 추출기와,
    상기 추출된 특징 정보와 정지영상 특징 데이터베이스에 저장된 특징 정보를 비교하여 분류하는 정지 영상 특징 분류기와,
    상기 정지영상 특징 추출기로부터 추출된 특징 정보와 상기 정지영상 특징 데이터베이스에서 독출한 특징 정보를 입력받아 전역 특징 거리를 측정하고, 후보를 선별하며, 지역 특징 거리를 측정한 다음에 상호간의 유사도를 측정하여 정지영상 검색 결과를 출력하는 정지영상 검색기
    를 포함하며,
    상기 유사도 측정은,
    상기 정지영상 특징 추출기로부터 추출된 특징 정보와 상기 정지영상 특징 데이터베이스로부터 독출한 특징 정보간의 거리 계산 수학식
    Figure 112009036853211-pat00032
    (여기서,
    Figure 112009036853211-pat00033
    은 서브 블럭의 개수이고,
    Figure 112009036853211-pat00034
    은 정지영상 특징 추출기로부터 추출된 특징 정보이고,
    Figure 112009036853211-pat00035
    는 정지영상 특징 데이터베이스로부터 독출한 특징 정보이다.)
    에서 두 벡터간의 거리가 최소가 되는 영상 특징을 선택하여 계산되는 것을 특징으로 하는 디지털 영상 특징 관리 시스템.
  6. 디지털 영상을 동일한 규격으로 정규화시키는 영상 정규화기와, 상기 정규화된 규격의 영상으로부터 전역 특징 정보를 추출하는 전역 특징 추출기와, 상기 정규화된 규격의 영상으로부터 특징점을 추출하여 상기 특징점 주변의 지역 특징 정보를 추출하는 지역 특징 추출기로 이루어져 있는 정지영상 특징 추출기와,
    상기 추출된 전역 특징정보 및 지역 특징 정보와, 정지영상 특징 데이터베이스에 저장된 특징 정보를 비교하여 분류하는 정지 영상 특징 분류기와,
    상기 정지영상 특징 추출기로부터 추출된 전역 특징 정보 및 지역 특징 정보와, 상기 정지영상 특징 데이터베이스에서 독출한 특징 정보를 입력받아 전역 특징 거리를 측정하고, 후보를 선별하며, 지역 특징 거리를 측정한 다음에 상호간의 유사도를 측정하여 정지영상 검색 결과를 출력하는 정지영상 검색기
    를 포함하는 디지털 영상 특징 관리 시스템.
  7. 디지털 영상의 특징 정보들을 추출하는 정지영상 특징 추출기와,
    전역 특징에 의한 영상을 분류하고, 상기 전역 특징에 의해 분류된 결과를 바탕으로 지역 특징에 의해 다시 분류하며, 상기 다시 분류된 결과와 정지영상 특징 데이터베이스에 저장된 영상 특징을 비교하여 분류하기 위해 유사성을 측정하는 정지 영상 특징 분류기와,
    상기 정지영상 특징 추출기로부터 추출된 특징 정보와 상기 정지영상 특징 데이터베이스에서 독출한 특징 정보를 입력받아 전역 특징 거리를 측정하고, 후보를 선별하며, 지역 특징 거리를 측정한 다음에 상호간의 유사도를 측정하여 정지영상 검색 결과를 출력하는 정지영상 검색기
    를 포함하는 디지털 영상 특징 관리 시스템.
  8. 삭제
  9. (a)디지털 영상의 가로 길이, 세로 길이를 일정한 기준 값으로 리사이징하여 동일한 규격으로 정규화시키고, 상기 정규화되어 입력된 영상을 특정 블록 크기로 나누어 각 블록마다의 컬러 히스토그램과 에지 히스토그램의 정보를 이용하여 전역 특징 정보를 추출하며, 상기 정규화된 규격의 영상으로부터 특징점을 추출하여 상기 특징점 주변의 지역 특징 정보를 추출하는 단계와,
    (b)상기 추출된 전역 및 지역 특징 정보와, 정지영상 특징 데이터베이스에 저장된 특징 정보를 비교하여 분류하는 단계와,
    (c)상기 추출된 전역 특징 정보 및 지역 특정 정보와 상기 정지영상 특징 데이터베이스에서 독출한 특징 정보를 입력받아 전역 특징 거리를 측정하고, 후보를 선별하며, 지역 특징 거리를 측정한 다음에 상호간의 유사도를 측정하여 정지영상 검색 결과를 출력하는 단계
    를 포함하는 디지털 영상 특징 관리 방법.
  10. 제 9 항에 있어서,
    상기 (a) 단계에서 지역 특징 정보 추출은,
    (a31)상기 정규화되어 입력된 영상을 가우시안 필터링을 거쳐 영상의 잡음을 제거하여 특징점을 선택하는 단계와,
    (a32)상기 필터링된 영상으로부터 기하학적 변형에도 남을 수 있는 특징점을 추출하기 위해 해리스 코너 검출기를 사용하여 특징점을 추출하는 단계와,
    (a33)상기 추출된 특징점 주변의 블록 영상을 기반으로 한 특정 블록 내에서 특정 개의 서브 블록으로 나누어 각각의 서브 블록 내에서 에지들의 방향성을 이차원적으로 분석하여 고유벡터의 각도로 구성된 특징을 추출하는 단계와,
    (a34)상기 특징점 주변의 블록 영상을 기반으로 한 각각의 블록마다의 명암값 정규화에 의한 평균값으로 이루어진 벡터를 구하여 평균 명암값을 추출하는 단계와,
    (a35)상기 고유벡터로 구성된 특징과 평균 명암값을 조합하여 3차원적인 구 좌표계로 생성하여 구 좌표계를 생성하고, 상기 생성된 구 좌표계를 이용하여 직교 좌표계로 변환하는 단계
    를 포함하는 디지털 영상 특징 관리 방법.
  11. 디지털 영상의 특징 정보들을 추출하는 단계와,
    상기 추출된 특징 정보의 전역 특징과 정지영상 특징 데이터베이스에 저장된 전역 특징의 유사성을 측정하여 전역 특징에 의한 영상을 분류하고, 상기 추출된 특징 정보의 지역 특징과 상기 정지영상 특징 데이터베이스에 저장된 지역 특징의 유사성을 측정하여 상기 전역 특징에 의해 분류된 결과를 바탕으로 지역 특징에 의해 다시 분류하며, 상기 전역 특징 및 지역 특징을 기반으로 분류된 영상 특징을 기반으로 유사성을 측정하여 상기 정지영상 특징 데이터베이스에 저장하며, 상기 다시 분류된 결과와 상기 정지영상 특징 데이터베이스에 저장된 영상 특징을 비교하여 유사성을 측정하는 단계와,
    상기 정지영상 특징 추출기로부터 추출된 특징 정보와 상기 정지영상 특징 데이터베이스에서 독출한 특징 정보를 입력받아 전역 특징 거리를 측정하고, 후보를 선별하며, 지역 특징 거리를 측정한 다음에 상호간의 유사도를 측정하여 정지영상 검색 결과를 출력하는 단계
    를 포함하는 디지털 영상 특징 관리 방법.
  12. 디지털 영상의 특징 정보들을 추출하는 단계와,
    상기 추출된 특징 정보와 정지영상 특징 데이터베이스에 저장된 특징 정보를 비교하여 분류하는 단계와,
    상기 추출된 특징 정보와 상기 정지영상 특징 데이터베이스에서 독출한 특징 정보를 입력받아 전역 특징 거리를 측정하고, 상기 측정된 전역 특징 거리를 바탕으로 지역 특징의 거리를 측정할 후보를 선별하며, 상기 추출된 특징 정보의 지역 특징 정보와 상기 정지영상 특징 데이터베이스에 저장된 지역 특징 정보의 거리를 측정한 다음에 상호간의 유사도를 측정하여 정지영상 검색 결과를 출력하는 단계
    를 포함하는 디지털 영상 특징 관리 방법.
KR1020070132543A 2007-12-17 2007-12-17 디지털 영상 특징 관리 시스템 및 그 방법 KR100924690B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070132543A KR100924690B1 (ko) 2007-12-17 2007-12-17 디지털 영상 특징 관리 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070132543A KR100924690B1 (ko) 2007-12-17 2007-12-17 디지털 영상 특징 관리 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20090065099A KR20090065099A (ko) 2009-06-22
KR100924690B1 true KR100924690B1 (ko) 2009-11-03

Family

ID=40993550

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070132543A KR100924690B1 (ko) 2007-12-17 2007-12-17 디지털 영상 특징 관리 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR100924690B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101863227B1 (ko) * 2016-07-12 2018-05-31 주식회사 인피니트헬스케어 디지털 병리 시스템의 환자 케이스 동일성 판단 방법
KR101902621B1 (ko) * 2016-07-12 2018-10-01 주식회사 인피니트헬스케어 디지털 병리 시스템의 샘플 유사도 측정 방법
US11989931B2 (en) 2021-09-24 2024-05-21 Samsung Electronics Co., Ltd. Method and apparatus with object classification

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101675785B1 (ko) 2010-11-15 2016-11-14 삼성전자주식회사 특징점을 이용한 영상 검색 방법 및 상기 방법을 수행하는 장치
KR101279484B1 (ko) * 2012-04-18 2013-06-27 한국항공우주연구원 영상 처리 장치 및 방법
KR101507709B1 (ko) * 2013-11-27 2015-04-07 (주)마크애니 방송프로그램 관련 부가정보 서비스를 제공하기 위한 핑거프린팅 방법
KR102176787B1 (ko) * 2018-08-31 2020-11-10 한국항공대학교산학협력단 영상분류 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980064651A (ko) * 1996-12-16 1998-10-07 가네코 히사시 영상 특징 추출기, 영상 특징 분석기 및 영상 정합 시스템
KR100712341B1 (ko) * 1999-11-30 2007-05-02 주식회사 팬택앤큐리텔 변형된 저니크 모멘트에 의한 3차원 영상 데이터의 특징추출 및 검색 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980064651A (ko) * 1996-12-16 1998-10-07 가네코 히사시 영상 특징 추출기, 영상 특징 분석기 및 영상 정합 시스템
KR100712341B1 (ko) * 1999-11-30 2007-05-02 주식회사 팬택앤큐리텔 변형된 저니크 모멘트에 의한 3차원 영상 데이터의 특징추출 및 검색 방법 및 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101863227B1 (ko) * 2016-07-12 2018-05-31 주식회사 인피니트헬스케어 디지털 병리 시스템의 환자 케이스 동일성 판단 방법
KR101902621B1 (ko) * 2016-07-12 2018-10-01 주식회사 인피니트헬스케어 디지털 병리 시스템의 샘플 유사도 측정 방법
US11989931B2 (en) 2021-09-24 2024-05-21 Samsung Electronics Co., Ltd. Method and apparatus with object classification

Also Published As

Publication number Publication date
KR20090065099A (ko) 2009-06-22

Similar Documents

Publication Publication Date Title
KR100924690B1 (ko) 디지털 영상 특징 관리 시스템 및 그 방법
JP5844783B2 (ja) テキスト領域を含むグレースケール文書画像を処理する方法、グレースケール文書画像の少なくともテキスト領域を二値化する方法、グレースケール文書画像においてグリッドを形成するテーブルの抽出方法及びプログラム
Ardizzone et al. Copy-move forgery detection via texture description
US20070041638A1 (en) Systems and methods for real-time object recognition
KR101637229B1 (ko) Sift 기반의 특징점 추출 장치 및 방법과 이를 이용한 얼굴 인식 시스템
AU2017201281B2 (en) Identifying matching images
KR100836740B1 (ko) 영상 데이터 처리 방법 및 그에 따른 시스템
WO2006066325A1 (en) Segmenting digital image and producing compact representation
JP2010026603A (ja) 画像処理装置、画像処理方法、及びコンピュータプログラム
Isaac et al. Image forgery detection using region–based Rotation Invariant Co-occurrences among adjacent LBPs
Rathgeb et al. Effects of image compression on ear biometrics
Biswas et al. Logo recognition technique using sift descriptor, surf descriptor and hog descriptor
Kanchev et al. Blurred image regions detection using wavelet-based histograms and SVM
JP4612477B2 (ja) パターン認識装置、パターン認識方法、パターン認識プログラム、及びパターン認識プログラムの記録媒体
Ghandour et al. Building shadow detection based on multi-thresholding segmentation
Silverman et al. Automated clustering/segmentation of hyperspectral images based on histogram thresholding
Mohamed et al. Face detection based on skin color in image by neural networks
Parnak et al. A Novel Image Splicing Detection Algorithm Based on Generalized and Traditional Benford’s Law
KR101741761B1 (ko) 멀티 프레임 기반 건물 인식을 위한 특징점 분류 방법
Roy et al. Temporal integration for word-wise caption and scene text identification
Valle et al. Content-based retrieval of images for cultural institutions using local descriptors
Sahli et al. Robust vehicle detection in aerial images based on salient region selection and superpixel classification
Kumar et al. A review of image features extraction techniques and their applications in image forensic
Zakir et al. A novel road traffic sign detection and recognition approach by introducing CCM and LESH
Priya et al. A wavelet based method for text segmentation in color images

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
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: 4

FPAY Annual fee payment

Payment date: 20130923

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20140926

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee