KR101161580B1 - 인터리빙 히스토그램을 이용한 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법 - Google Patents

인터리빙 히스토그램을 이용한 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법 Download PDF

Info

Publication number
KR101161580B1
KR101161580B1 KR1020100138086A KR20100138086A KR101161580B1 KR 101161580 B1 KR101161580 B1 KR 101161580B1 KR 1020100138086 A KR1020100138086 A KR 1020100138086A KR 20100138086 A KR20100138086 A KR 20100138086A KR 101161580 B1 KR101161580 B1 KR 101161580B1
Authority
KR
South Korea
Prior art keywords
feature vector
interleaving
image
block
histogram
Prior art date
Application number
KR1020100138086A
Other languages
English (en)
Inventor
손행선
민경원
이선영
최종찬
Original Assignee
전자부품연구원
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 전자부품연구원 filed Critical 전자부품연구원
Priority to KR1020100138086A priority Critical patent/KR101161580B1/ko
Application granted granted Critical
Publication of KR101161580B1 publication Critical patent/KR101161580B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G06T5/92—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Abstract

인터리빙 히스토그램을 이용한 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법이 제공된다. 본 영상 특징 벡터 추출 방법은, 영상을 구성하는 블록들에 대해, 블록을 구성하는 픽셀들 중 일부만을 이용하여 인터리빙 히스토그램들을 산출하고, 산출된 인터리빙 히스토그램들로부터 블록 특징 벡터들을 추출하며, 추출된 블록 특징 벡터들을 연결하여 영상 특징 벡터를 생성한다. 이에 의해, 기존의 HOG 알고리즘에 비해 특징 벡터의 차원이 절반으로 감소되는 바, 특징 벡터의 차원 감소로 인한 후속 분류 알고리즘 수행시 메모리 요구량, 연산량 및 수행시간을 감소시킬 수 있게 된다. 그리고, 이와 같은 효과는 인식 성능을 그대로 유지하면서 나타날 수 있다.

Description

인터리빙 히스토그램을 이용한 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법{Method for Generating Feature Vector by Bin-interleaved Histogram and Method for Recognizing Image using the same}
본 발명은 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법에 관한 것으로, 특정 대상을 인식하는데 필요한 특징 벡터를 추출하는 방법 및 이를 적용한 영상 인식 방법에 관한 것이다.
보행자, 차량 등 원하는 특정 대상을 인식하는 기술인 영상 인식을 위해서는 특징 벡터를 추출할 것이 전제된다. 특징 벡터 추출을 위해 HOG 알고리즘이 일반적으로 사용되고 있다.
HOG 알고리즘을 이용하여 추출한 특징 벡터는 그 차원(Dimension)이 매우 커서, Adaboost 혹은 SVM 등의 분류기(Classifier) 알고리즘을 수행시 많은 연산량과 메모리를 요구하고 있다.
뿐만 아니라, 높은 차원의 특징 벡터는 특징 벡터 분류 처리 시간을 증대시켜, 결과적으로 영상 인식 결과가 늦게 제공되는 문제를 유발하고 있다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 기존의 HOG 알고리즘에 비해 차원을 감소시킨 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명에 따른, 영상 특징 벡터 추출 방법은, 영상을 구성하는 블록들에 대해, 블록을 구성하는 픽셀들 중 일부만을 이용하여 인터리빙 히스토그램들을 산출하는 단계; 산출된 인터리빙 히스토그램들로부터 블록 특징 벡터들을 추출하는 단계; 및 추출된 블록 특징 벡터들을 연결하여 영상 특징 벡터를 생성하는 단계;를 포함한다.
블록은, Odd 셀과 Even 셀로 구분되며, 인터리빙 히스토그램 산출단계는, Odd 셀에 대해서는 각도가 Odd 빈에 해당하는 픽셀에 대해 크기를 누적하여 인터리빙 히스토그램들을 산출하는 것이 바람직하다.
인터리빙 히스토그램 산출단계는, Odd 셀에 대해서는 각도가 Even 빈에 해당하는 픽셀에 대해서는 크기를 누적하지 않고 인터리빙 히스토그램들을 산출할 수 있다.
인터리빙 히스토그램 산출단계는, Even 셀에 대해서는 각도가 Even 빈에 해당하는 픽셀에 대해서만 크기를 누적하여 인터리빙 히스토그램들을 산출하는 것이 바람직하다.
인터리빙 히스토그램 산출단계는, Even 셀에 대해서는 각도가 Odd 빈에 해당하는 픽셀에 대해서는 크기를 누적하지 않고 인터리빙 히스토그램들을 산출할 수 있다.
Odd 셀과 Even 셀은 블록에서 가로축과 세로축 모두에 대해 교번적으로 배치되는 것이 바람직하다.
블록은, n×n 셀들로 구성되는 것이 바람직하다.
한편, 본 발명에 따른, 영상 인식 방법은, 영상을 구성하는 블록들에 대해, 블록을 구성하는 픽셀들 중 일부만을 이용하여 인터리빙 히스토그램들을 산출하는 단계; 산출된 인터리빙 히스토그램들로부터 블록 특징 벡터들을 추출하는 단계; 추출된 블록 특징 벡터들을 연결하여 영상 특징 벡터를 생성하는 단계; 및 영상 특징 벡터를 이용하여, 영상 인식을 수행하는 단계;를 포함한다.
이상 설명한 바와 같이, 본 발명에 따르면, 기존의 HOG 알고리즘에 비해 특징 벡터의 차원이 절반으로 감소되는 바, 특징 벡터의 차원 감소로 인한 후속 분류 알고리즘 수행시 메모리 요구량, 연산량 및 수행시간을 감소시킬 수 있게 된다. 그리고, 이와 같은 효과는 인식 성능을 그대로 유지하면서 나타날 수 있다.
도 1은 본 발명의 일 실시예에 따른, 영상 인식 시스템을 도시한 블록도,
도 2는 본 발명의 다른 실시예에 따른, 특징 벡터 추출 방법의 설명에 제공되는 흐름도,
도 3a는 일반 HOG 알고리즘에 의한 히스토그램 구성 및 특징 벡터 추출을 도식적으로 나타낸 도면,
도 3b는 인터리빙 HOG 알고리즘에 의한 히스토그램 구성 및 특징 벡터 추출을 도식적으로 나타낸 도면,
도 4는 영상에서 블록을 이동시키는 방식을 예시한 도면, 그리고,
도 5에는 3×3 셀들로 구성되는 블록을 도시한 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
1. 영상 인식 시스템
도 1은 본 발명의 일 실시예에 따른, 영상 인식 시스템을 도시한 블록도이다. 도 1에 도시된 바와 같이, 본 실시예에 따른 영상 인식 시스템은, 영상 학습부(100)와 영상 인식부(200)를 구비한다.
영상 학습부(100)는 실제 영상 인식을 수행하기 전에, 영상 인식을 위한 학습을 우선적으로 수행하여, 인식 대상에 대한 특징을 추출하고 이에 따른 분류 기준을 정한다.
영상 인식부(200)는 보행자 및 차량 등의 특정 대상을 인식하는 영상 인식을 수행하는데, 영상 학습부(100)의 학습에 의해 확립된 특징 벡터의 분류 기준에 따라 인식해야할 대상인지 아닌지의 여부를 판별한다.
한편, 본 실시예에 따른 영상 인식 시스템은, HOG 알고리즘을 사용하여 특징 벡터를 추출함에 있어, 인터리빙 히스토그램을 이용하여 특징 벡터의 차원을 절반으로 줄인다. 이에 따라, 특징 벡터 분류시 수행시간과 메모리 요구량을 50%로 줄일 수 있다.
1.1 영상 학습
영상 학습부(100)는, 도 1에 도시된 바와 같이, 학습 영상 DB(110), 영상 전처리부(120), 특징 벡터 추출부(130), 학습 수행부(140), 분류기준 선정부(150) 및 학습결과 저장부(160)를 구비한다.
학습 영상 DB(110)는 미리 확보된 인식대상의 영상(포지티브 영상)과 인식대상 이외의 영상(네거티브 영상)이 DB화 되어 있는 저장공간이다. 예를 들어, 인식대상이 자동차인 경우, 포지티브 영상은 다양한 차종의 자동차들에 대한 샘플 영상들이며, 네거티브 영상은 자동차가 아닌 다른 대상들에 대한 샘플 영상들이다.
영상 전처리부(120)는 학습 영상 DB(110)에 저장된 영상들을 읽어들여 노이즈 제거, 히스토그램 정규화, 감마 보정 등의 영상 전처리를 수행하는데, 이는 인식 효율을 높이기 위함이다.
특징 벡터 추출부(130)는 영상 전처리부(120)에서 전처리된 영상으로부터 특징 벡터를 추출한다. 특징 벡터 추출은, 영상으로부터 영상 인식을 위한 특징을 추출하는 과정으로, Haar, HOG 등의 알고리즘을 통해 수행된다.
분류기준 선정부(150)는 특징 벡터 추출부(130)에서 추출된 특징 벡터를 분류 알고리즘(예를 들면, Adaboost, SVM)에 적용하여 포지티브 영상과 네거티브 영상을 분류할 수 있는 수학적 분류식을 구성한다.
그리고, 학습 수행부(140)는 분류기준 선정부(150)에 의한 뷴류기준 선정이 학습으로 수행될 수 있도록 제어한다.
학습결과 저장부(160)는 분류기준 선정부(150)에서 출력되는 수학적 분류식을 학습 결과로 학습결과 DB(270)에 저장한다.
1.2 영상 인식
영상 인식부(200)는 도 1에 도시된 바와 같이, 카메라부(210), 영상 전처리부(220), ROI(Region Of Interest) 생성부(230), 특징 벡터 추출부(240), 특징 벡터 분류부(250), 디스플레이(260)를 구비한다.
카메라부(210)는 촬영을 통해 영상을 생성하고, 영상 전처리부(220)는 카메라부(210)에서 생성된 영상에 대한 전처리를 수행한다.
ROI 생성부(230)는 영상 전처리부(220)에서 전처리된 영상으로부터 ROI를 분리하고, 특징 벡터 추출부(240)는 ROI에 대한 특징 벡터를 추출한다.
특징 벡터 분류부(250)는 특징 벡터 추출부(240)에 의해 추출된 특징 벡터를 통해, ROI가 인식 대상인지 여부를 분류한다. 이를 위해, 특징 벡터 분류부(250)는 학습결과 DB(270)에 저장되어 있는 수학적 분류식을 이용한다.
디스플레이(260)는 특징 벡터 분류부(250)에 의한 인식결과를 표시하여, 카메라부(210)를 통해 촬영된 영상에서 원하는 인식 대상이 인식되었는지 여부를 사용자가 알 수 있도록 한다.
2. 특징 벡터 추출
이하에서는, 영상 학습부(100)의 특징 벡터 추출부(130)와 영상 인식부(200)의 특징 벡터 추출부(240)에 의해, 특징 벡터가 추출되는 과정에 대해, 도 2를 참조하여 상세히 설명한다.
도 2는 본 발명의 다른 실시예에 따른 특징 벡터 추출 방법의 설명에 제공되는 흐름도이다. 본 실시예에 따른 특징 벡터 추출 방법은, HOG(Histogram Of Gradients) 방식을 개선한 인터리빙 HOG 방식을 이용한다.
먼저, 영상/ROI가 입력되면(S310), 특징 벡터 추출부(130, 240)는 S310단계에서 입력된 영상/ROI에 대한 X-방향(횡방향) Gradient와 Y-방향(종방향) Gradient를 계산한다(S320).
영상 내의 픽셀 좌표(x,y)에 대한 X-방향 Gradient Gx(x,y)와 Y-방향 Gradient Gy(x,y)는 기존의 Sobel 필터와 같이 영상의 X-방향 및 Y-방향으로의 변화량을 계산하는 필터를 이용하여 계산가능하다.
이후, S320단계에서 계산된 Gx(x,y)와 Gy(x,y)를 이용하여, 아래의 수학식 1에 따라 크기(Magnitude) 및 각도(Orientation)을 계산한다(S330).
Figure 112010087306290-pat00001
이후, 특징 벡터 추출부(130, 240)는 M(x,y) 및 O(x,y)를 이용하여, 영상의 첫 번째 블록에 대해 인터리빙 히스토그램을 구성하고(S340), S340단계에서 구성된 인터리빙 히스토그램으로부터 블록 특징 벡터를 추출한다(S350).
도 3a에는 일반 HOG 알고리즘에 의한 히스토그램 구성 및 특징 벡터 추출을 도식적으로 나타내었고, 도 3b에는 인터리빙 HOG 알고리즘에 의한 히스토그램 구성 및 특징 벡터 추출을 도식적으로 나타내었다. 도 3a와 도 3b에서, 블록은 2×2 셀들로 구성된다.
도 3a에 도시된 바에 따르면, 일반 HOG 알고리즘에서는 블록 내의 "모든 픽셀들"에 대해 크기를 각도에 따라 누적시키는 방식에 의해 히스토그램을 구성함을 확인할 수 있다. 히스토그램 빈(Bin)의 크기가 20°인 경우를 상정하면, 각도가 86°인 픽셀의 크기는 5번째 히스토그램 빈(80°~ 100°)에 누적된다.
하지만, 도 3b에 도시된 바에 따르면, 인터리빙 HOG 알고리즘에서는 블록을 구성하는 셀들을 Odd 셀과 Even 셀로 구분한다. 블록에서 Odd 셀과 Even 셀은 가로축과 세로축 모두에 대해 교번적으로 배치된다. 즉, 상/하 및 좌/우에 이웃하는 셀은 모두 다르도록 구성한다.
"Odd 셀"에 대해서는 "각도가 Odd 빈에 해당하는 픽셀"에 대해서만 크기를 누적하고, 각도가 Even 빈에 해당하는 픽셀에 대해서는 크기를 누적하지 않고 무시한다. 예를 들어, 히스토그램 빈(Bin)의 크기가 20°인 경우, Odd 셀에서, 각도가 86°(5번째 빈에 해당)인 픽셀의 크기는 5번째 빈에 누적하지만, 각도가 106°(6번째 빈에 해당)인 픽셀의 크기는 어느 빈에도 누적하지 않고 무시된다.
한편, "Even 셀"에 대해서는 "각도가 Even 빈에 해당하는 픽셀"에 대해서만 크기를 누적하고, 각도가 Odd 빈에 해당하는 픽셀에 대해서는 크기를 누적하지 않고 무시한다. 예를 들어, 히스토그램 빈(Bin)의 크기가 20°인 경우, Even 셀에서, 각도가 106°(6번째 빈에 해당)인 픽셀의 크기는 6번째 빈에 누적하지만, 각도가 86°(5번째 빈에 해당)인 픽셀의 크기는 어느 빈에도 누적하지 않고 무시된다.
S350단계에서의 블록에 대한 특징 벡터 추출은, 블록을 구성하는 셀들의 히스토그램 값들을 나열하는 과정을 통해 수행된다.
도 3a와 도 3b를 비교하면, 1) 일반 HOG 알고리즘에 의한 히스토그램 구성시 특징 벡터가 36개의 데이터로 구성(36차원)되지만, 2) 인터리빙 HOG 알고리즘에 의한 히스토그램 구성시 특징 벡터가 18개의 데이터로 구성(18차원)되어, 인터리빙 HOG 알고리즘이 일반 HOG 알고리즘에 비해 특징 벡터의 데이터량(차원)을 절반으로 줄어드는 효과를 확인할 수 있다.
다시, 도 2를 참조하여 S350단계 이후에 대해 상세히 설명한다.
S350단계 이후, 특징 벡터 추출부(130, 240)는 S350단계에서 추출된 블록 특징 벡터를 정규화한다(S360). 블록 특징 벡터의 정규화는 아래의 수학식 2에 따른 일반적인 정규화 방식에 따라 수행한다.
Figure 112010087306290-pat00002
여기서, vIhog는 S350단계에서 추출된 정규화 이전의 블록 특징 벡터이고, ε은 분모가 0이 되는 것을 방지하기 위한 임의의 작은 상수값이다. 즉, 특징 벡터 크기의 제곱에 ε을 더한 후, 제곱근을 취한 값으로 정규화를 수행한다.
특징 벡터 추출부(130, 240)는 영상의 마지막 블록에 대한 특징 벡터 추출이 완료될 때까지, 블록을 이동하면서 S340단계 내지 S360단계를 수행한다(S370 및 S380).
도 4에는 영상에서 블록을 이동시키는 방식을 예시하였다. 예시된 블록 이동은 이전 블록과 오버랩 되도록 블록의 크기보다 작은 일정 픽셀 만큼씩 y축 방향으로 이동시키는 방식이다. 이는 예시적인 것에 불과하며, 블록 이동은 x축 방향으로도 가능하다.
이후, 특징 벡터 추출부(130, 240)는 S350단계에서 추출된 블록 특징 벡터들을 모두 일차원으로 연결하여, 하나의 영상 특징 벡터를 추출하게 된다(S390).
만약, 하나의 영상 또는 ROI에 블록의 개수가 100개이고 히스토그램 빈의 크기가 20°인 경우, 인터리빙 HOG에 의한 영상 또는 ROI 블록 특징 벡터의 차원은 1800인 반면, 일반적인 HOG에 의한 영상 또는 ROI 블록 특징 벡터의 차원은 3600으로 2배이다.
인터리빙 HOG에서 특징 벡터의 차원 감소는, 인식 성능의 열화 없이, 특징 벡터 추출 이후 단에 연결된 분류기준 선정부(150)와 특징 벡터 분류부(250)의 연산량을 크게 감소시키며, 데이터 저장 공간 또한 감소시키는 효과를 낳는다.
3. 변형예
도 3b에서 블록은 2×2 셀들로 구성되는 것으로 상정하였으나, 이는 설명의 편의를 위한 일 예에 불과하다. 블록은 n×n 셀들로 구성가능하다.
도 5에는 3×3 셀들로 구성되는 블록을 도시하였다. 3×3 셀들로 구성되는 블록의 경우도, Odd 셀과 Even 셀은 가로축과 세로축 모두에 대해 교번적으로 배치되어 있음을 도 5를 통해 확인가능하다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100 : 영상 학습부
110 : 학습 영상 DB 120 : 영상 전처리부
130 : 특징 벡터 추출부 140 : 학습 수행부
150 : 분류기준 선정부 160 : 학습결과 저장부
200 : 영상 인식부
210 : 카메라부 220 : 영상 전처리부
230 : ROI 생성부 240 : 특징 벡터 추출부
250 : 특징 벡터 분류부 260 : 디스플레이

Claims (8)

  1. 영상을 구성하는 블록들에 대해, 블록을 구성하는 픽셀들 중 일부만을 이용하여 인터리빙 히스토그램들을 산출하는 단계;
    산출된 인터리빙 히스토그램들로부터 블록 특징 벡터들을 추출하는 단계; 및
    추출된 블록 특징 벡터들을 연결하여 영상 특징 벡터를 생성하는 단계;를 포함하는 것을 특징으로 하는 영상 특징 벡터 추출 방법.
  2. 제 1항에 있어서,
    블록은, Odd 셀과 Even 셀로 구분되며,
    인터리빙 히스토그램 산출단계는,
    Odd 셀에 대해서는, 픽셀에 대한 Gradient의 각도가 Odd 빈에 해당하는 픽셀에 대해 픽셀에 대한 Gradient의 크기를 누적하여 인터리빙 히스토그램들을 산출하는 것을 특징으로 하는 영상 특징 벡터 추출 방법.
  3. 제 2항에 있어서,
    인터리빙 히스토그램 산출단계는,
    Odd 셀에 대해서는, 픽셀에 대한 Gradient의 각도가 Even 빈에 해당하는 픽셀에 대해서는 픽셀에 대한 Gradient의 크기를 누적하지 않고 인터리빙 히스토그램들을 산출하는 것을 특징으로 하는 영상 특징 벡터 추출 방법.
  4. 제 1항에 있어서,
    블록은, Odd 셀과 Even 셀로 구분되며,
    인터리빙 히스토그램 산출단계는,
    Even 셀에 대해서는, 픽셀에 대한 Gradient의 각도가 Even 빈에 해당하는 픽셀에 대해서만 픽셀에 대한 Gradient의 크기를 누적하여 인터리빙 히스토그램들을 산출하는 것을 특징으로 하는 영상 특징 벡터 추출 방법.
  5. 제 4항에 있어서,
    인터리빙 히스토그램 산출단계는,
    Even 셀에 대해서는, 픽셀에 대한 Gradient의 각도가 Odd 빈에 해당하는 픽셀에 대해서는 픽셀에 대한 Gradient의 크기를 누적하지 않고 인터리빙 히스토그램들을 산출하는 것을 특징으로 하는 영상 특징 벡터 추출 방법.
  6. 제 3항에 있어서,
    Odd 셀과 Even 셀은 블록에서 가로축과 세로축 모두에 대해 교번적으로 배치되는 것을 특징으로 하는 영상 특징 벡터 추출 방법.
  7. 제 2항에 있어서,
    블록은, n×n 셀(n은 자연수)들로 구성되는 것을 특징으로 하는 영상 특징 벡터 추출 방법.
  8. 영상을 구성하는 블록들에 대해, 블록을 구성하는 픽셀들 중 일부만을 이용하여 인터리빙 히스토그램들을 산출하는 단계;
    산출된 인터리빙 히스토그램들로부터 블록 특징 벡터들을 추출하는 단계;
    추출된 블록 특징 벡터들을 연결하여 영상 특징 벡터를 생성하는 단계; 및
    영상 특징 벡터를 이용하여, 영상 인식을 수행하는 단계;를 포함하는 것을 특징으로 하는 영상 인식 방법.
KR1020100138086A 2010-12-29 2010-12-29 인터리빙 히스토그램을 이용한 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법 KR101161580B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100138086A KR101161580B1 (ko) 2010-12-29 2010-12-29 인터리빙 히스토그램을 이용한 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100138086A KR101161580B1 (ko) 2010-12-29 2010-12-29 인터리빙 히스토그램을 이용한 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법

Publications (1)

Publication Number Publication Date
KR101161580B1 true KR101161580B1 (ko) 2012-07-04

Family

ID=46716102

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100138086A KR101161580B1 (ko) 2010-12-29 2010-12-29 인터리빙 히스토그램을 이용한 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법

Country Status (1)

Country Link
KR (1) KR101161580B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150106629A (ko) * 2014-03-12 2015-09-22 에스케이플래닛 주식회사 서비스 제공 장치와 사용자 장치, 그를 포함하는 단일 영상 기반의 분류 시스템, 그 제어 방법 및 컴퓨터 프로그램이 기록된 기록매체
KR102174505B1 (ko) 2019-10-23 2020-11-04 주식회사 유니아이 기울기 보정기능을 갖는 필름 두께 측정시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100735236B1 (ko) 2006-02-08 2007-07-03 삼성전자주식회사 영상의 히스토그램 분석 장치, 방법 및 이를 이용한 휘도보정 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100735236B1 (ko) 2006-02-08 2007-07-03 삼성전자주식회사 영상의 히스토그램 분석 장치, 방법 및 이를 이용한 휘도보정 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150106629A (ko) * 2014-03-12 2015-09-22 에스케이플래닛 주식회사 서비스 제공 장치와 사용자 장치, 그를 포함하는 단일 영상 기반의 분류 시스템, 그 제어 방법 및 컴퓨터 프로그램이 기록된 기록매체
KR102213867B1 (ko) 2014-03-12 2021-02-08 에스케이플래닛 주식회사 서비스 제공 장치와 사용자 장치, 그를 포함하는 단일 영상 기반의 분류 시스템, 그 제어 방법 및 컴퓨터 프로그램이 기록된 기록매체
KR102174505B1 (ko) 2019-10-23 2020-11-04 주식회사 유니아이 기울기 보정기능을 갖는 필름 두께 측정시스템

Similar Documents

Publication Publication Date Title
EP3311364B1 (en) A method and system for tracking an object
US9053388B2 (en) Image processing apparatus and method, and computer-readable storage medium
CN109903331B (zh) 一种基于rgb-d相机的卷积神经网络目标检测方法
US20190130215A1 (en) Training method and detection method for object recognition
US8447114B2 (en) Method and apparatus for calculating pixel features of image data
JP6688277B2 (ja) プログラム、学習処理方法、学習モデル、データ構造、学習装置、および物体認識装置
JP5950441B2 (ja) 画像認識装置、画像認識方法および画像認識プログラム
EP2416280A1 (en) Information processing apparatus, information processing method, and storage medium
JP5671928B2 (ja) 学習装置、学習方法、識別装置、識別方法、およびプログラム
CN104036284A (zh) 基于Adaboost算法的多尺度行人检测方法
US11017262B2 (en) Method and device to determine image features using multi-resolution gradient analysis
CN111047626A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN109948457B (zh) 基于卷积神经网络和cuda加速的实时目标识别方法
Costea et al. Fast pedestrian detection for mobile devices
JP4903192B2 (ja) 顔検出装置
JP2008251039A (ja) 画像認識システム及びその認識方法並びにプログラム
CN112381107A (zh) 基于深度学习的物品x光检测方法、装置和计算机设备
JP2013037539A (ja) 画像特徴量抽出装置およびそのプログラム
JP5258506B2 (ja) 情報処理装置
JP5100688B2 (ja) 対象物検出装置及びプログラム
JP5201184B2 (ja) 画像処理装置及びプログラム
KR101161580B1 (ko) 인터리빙 히스토그램을 이용한 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법
US9392146B2 (en) Apparatus and method for extracting object
KR101733288B1 (ko) 방향정보를 이용한 객체 검출기 생성 방법, 이를 이용한 객체 검출 장치 및 방법
JP2013097583A (ja) 特徴量生成装置、方法及びプログラム

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: 20150109

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20151224

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20170512

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20180406

Year of fee payment: 7