KR101165357B1 - 이미지 특징 데이터 생성 장치 및 방법 - Google Patents

이미지 특징 데이터 생성 장치 및 방법 Download PDF

Info

Publication number
KR101165357B1
KR101165357B1 KR1020110012741A KR20110012741A KR101165357B1 KR 101165357 B1 KR101165357 B1 KR 101165357B1 KR 1020110012741 A KR1020110012741 A KR 1020110012741A KR 20110012741 A KR20110012741 A KR 20110012741A KR 101165357 B1 KR101165357 B1 KR 101165357B1
Authority
KR
South Korea
Prior art keywords
feature point
feature
image
points
point
Prior art date
Application number
KR1020110012741A
Other languages
English (en)
Inventor
이재형
Original Assignee
(주)엔써즈
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 (주)엔써즈 filed Critical (주)엔써즈
Priority to KR1020110012741A priority Critical patent/KR101165357B1/ko
Priority to US13/985,129 priority patent/US8983199B2/en
Priority to PCT/KR2011/008600 priority patent/WO2012111906A1/ko
Application granted granted Critical
Publication of KR101165357B1 publication Critical patent/KR101165357B1/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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Abstract

본 발명은 이미지의 특징을 나타내는 특징점을 적절하게 결정하고 특징점을 기술하는 특징 데이터를 효율적으로 생성할 수 있는 장치 및 방법에 관한 것으로서, 이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출하는 특징점 결정부; 상기 특징점 결정부에서 결정된 특징점 중에서 적어도 하나 이상의 특징점을 최종 특징점으로 결정하는 특징점 여과부; 및 상기 특징점 여과부에서 결정된 최종 특징점과 최종 특징점의 특징점 정보에 기초하여 이미지의 특징 데이터를 생성하는 특징 데이터 생성부를 포함하는 이미지 특징 데이터 생성 장치 및 이를 이용한 방법을 제공한다.

Description

이미지 특징 데이터 생성 장치 및 방법{APPARATUS AND METHOD FOR GENERATING IMAGE FEATURE DATA}
본 발명은 이미지 특징 데이터 생성 장치 및 방법에 관한 것으로서, 보다 상세하게는 이미지의 특징을 나타내는 특징점을 적절하게 결정하고 특징점을 기술하는 특징 데이터를 효율적으로 생성할 수 있는 장치 및 방법에 관한 것이다.
일반적으로, 특징점(interest point, feature point)이라 함은, 이미지의 특징을 나타낼 수 있는 점으로서, 이미지의 스케일, 회전, 왜곡 등의 변화 등에 관계 없이 이미지의 특징을 잘 설명할 수 있는 점 또는 점들의 집합을 의미한다. 이러한 특징점은 주어진 이미지의 크기 및 내용 또한 특징점 추출/결정 방법의 종류에 따라 다르지만 예컨대 사진 한장당 수천개~수만개의 특징점이 추출될 수 있다. 이러한 특징점은 이미지 프로세싱이나 컴퓨터 비전 분야에서 널리 사용되고 있는데 예컨대 특징점을 추출하고 추출된 특징점의 특징 데이터를 이용하여 두개의 이미지에서 대응되는 부분을 찾아서 물체 인식, 동작 추적, 이미지의 동일성 판별 등의 작업에 다양하게 사용된다.
주어진 이미지에서 특징점을 추출/결정하는 종래의 기술로서는 여러 가지 방법이 제안되어 있는데, 예컨대, LoG(Laplacian of Gaussian) 필터나 DoG(Difference of Gaussians) 필터의 스케일 공간상의 극대/극소값을 이용하는 방법이 알려져 있다. 이외에도, 헤시안 매트릭스(Hessian Matrix)의 디터미넌트(determinant)를 이용하여 특징점을 결정하는 방법 또한 제안되어 있다.
그러나, 이러한 종래의 특징점 추출/결정 방법에 의하면 주어진 이미지에서 특징점을 지나치게 많이 획득하게 되는 경우가 많아서 이후의 후처리 과정에서 처리해야 할 데이터의 양이 과도해지고 따라서 연산 시간이 크게 소요된다는 한계점이 존재하고 있다. 또한, 추출/결정된 특징점 각각에 대하여 형성되는 특징 데이터 또한 그 양과 처리 시간이 과도하게 소요된다는 단점이 있다.
한편, 이미지의 특징점을 추출하고 추출된 특징점의 특징 데이터를 형성하는 방법으로서는 미국 특허 제6,711,293호(David G. Lowe)에 개시된 바와 같은 SIFT(Scale-Invariant Feature Transform) 알고리듬이나 SURF(Speed Up Robust Features) 알고리듬(H. Bay, T. Tuytelaars and L. van Gool (2006). "SURF: Speeded Up Robust Features". Proceedings of the 9th European Conference on Computer Vision, Springer LNCS volume 3951, part 1. pp.　404~417) 등과 같은 방법도 제안되어 있다. 그러나, 이러한 종래의 특징 데이터 형성 방법은 통상 이미지당 수천 개 가량의 수십 차 특징 벡터를 필요로 하기 때문에 연산 과정이 복잡하고 처리해야 하는 데이터의 양이 많아서 계산 시간이 과도하게 소요된다는 문제가 있어서 대량의 이미지 데이터를 처리해야 하는 경우에는 많은 문제점을 가지고 있다.
본 발명은 상기한 바와 같은 점을 감안하여 안출된 것으로서, 이미지로부터 특징점을 효과적으로 결정할 수 있는 방법 및 장치를 제공하는 것을 목적으로 한다.
본 발명은 또한 이미지의 특징점이 지나치게 많은 경우 이미지의 특징을 잘 나타낼 수 있는 특징점들을 적절하게 선별할 수 있도록 하는 방법 및 장치를 제공하는 것을 또 다른 목적으로 한다.
또한, 본 발명은 이미지의 특징점 각각에 대하여 그 특징을 잘 설명할 수 있으면서도 데이터의 양, 처리 및 연산 시간을 현저하게 감소시킬 수 있는 특징점의 특징 데이터를 생성할 수 있는 방법 및 장치를 제공하는 것을 또 다른 목적으로 한다.
또한, 본 발명은 데이터 생성 및 처리 시간을 단축시키면서도 이미지의 스케일링(scaling), 회전, 관찰각 등의 각종 변화에 강인한 이미지의 특징 데이터를 생성할 수 있는 방법 및 장치를 제공하는 것을 또 다른 목적으로 한다.
상기한 바와 같은 과제를 해결하기 위하여 본 발명은, 이미지의 특징 데이터를 생성하는 장치에 있어서, 이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출하는 특징점 결정부; 상기 특징점 결정부에서 결정된 특징점 중에서 적어도 하나 이상의 특징점을 최종 특징점으로 결정하는 특징점 여과부; 및 상기 특징점 여과부에서 결정된 최종 특징점과 최종 특징점의 특징점 정보에 기초하여 이미지의 특징 데이터를 생성하는 특징 데이터 생성부를 포함하는 이미지 특징 데이터 생성 장치를 제공한다.
여기에서, 상기 특징점 결정부에서 추출되는 특징점 정보는 특징점의 강도를 포함하며, 상기 특징점 여과부는 상기 특징점의 강도에 기초하여 특징점의 주변 영역에 위치하는 점들에 비하여 큰 강도를 갖는 점을 최종 특징점으로 결정하도록 구성할 수 있다.
또한, 상기 특징점 여과부는, 특징점 주변 영역에 위치하는 점들 중에서,
Figure 112011010242005-pat00001
(여기에서, c i 는 i번째 특징점, f( c i )는 i번째 특징점의 강도, R 1 ( c i )은 특징점의 소정 주변 영역의 점들의 집합,
Figure 112011010242005-pat00002
는 R 1 ( c i )중에서 강도의 최대값, T1은 문턱치)의 수식을 만족하는 중요점들인 R 2 ( C i ) 들을 결정하고, 수식
Figure 112011010242005-pat00003
(여기에서, #는 집합의 크기를 얻는 연산자, T2는 문턱치)를 만족하는 특징점을 최종 특징점으로서 결정하도록 구성할 수도 있다.
본 발명의 다른 측면에 의하면, 이미지의 특징 데이터를 생성하는 방법에 있어서, 이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출하는 단계; 상기 결정된 특징점 중에서 적어도 하나 이상의 특징점을 최종 특징점으로 결정하는 단계; 및 상기 결정된 최종 특징점과 최종 특징점의 특징점 정보에 기초하여 이미지의 특징 데이터를 생성하는 단계를 구비하는 이미지의 특징 데이터 생성 방법을 제공한다.
본 발명의 또 다른 측면에 의하면, 이미지의 특징 데이터를 생성하는 장치에 있어서, 이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출하는 특징점 결정부; 상기 특징점 결정부에서 결정된 특징점들 각각에 대한 방향 정보를 추정하는 특징점 방향 추정부; 및 상기 특징점 결정부에서 결정된 특징점 각각에 대하여, 상기 특징점 정보와 상기 방향 정보에 기초하여 이진 특징 벡터를 생성하고, 이진 특징 벡터를 포함하는 이미지의 특징 데이터를 생성하는 특징 데이터 생성부를 포함하는 이미지 특징 데이터 생성 장치를 제공할 수 있다.
여기에서, 상기 특징점 방향 추정부는, 특징점 주변 일정 영역의 모든 점들에 대해서 각 점 주변의 그래디언트를 계산하고 그 방향의 평균값을 구함으로써 특징점의 방향을 추정하도록 구성할 수 있다.
또한, 상기 특징 데이터 생성부는, 상기 특징점 결정부에서 결정된 특징점 각각에 대하여, 상기 특징점 정보와 상기 방향 정보에 기초하여 이진 특징 벡터를 생성하고, 생성된 이진 특징 벡터를 포함하는 이미지의 특징 데이터를 생성하도록 구성할 수도 있다.
여기에서, 상기 특징 데이터 생성부는, 각각의 특징점에 대하여 특징점을 포함하는 주변 이미지 영역을 생성하고 생성된 영역들을 동일 방향으로 정렬한 후, 정렬된 주변 이미지 영역들을 각각 부영역들로 분할하고, 분할된 부영역들의 밝기값의 평균값에 기초하여 이진 특징 벡터를 생성하도록 구성할 수 있다.
또한, 상기 이진 특징 벡터는, 상기 부영역들의 밝기값의 평균값의 차분 벡터와 차차분 벡터 중에서 선택된 적어도 어느 하나에 의해 생성되도록 구성할 수도 있다.
또한, 상기 부영역들의 밝기값의 평균값의 차분 벡터와 차차분 벡터 중에서 적어도 어느 하나를 선택하는 것은 이진 특징 벡터의 각 비트에 대응하여 선택되도록 구성할 수도 있다.
또한, 상기 각 비트에 대응하여 선택된 차분 벡터와 차차분 벡터들에 대해 선형 조합 또는 비선형 조합을 계산하고 그 결과값을 임계치와 비교함으로써 이진 특징 벡터의 해당 비트의 값을 결정하도록 구성할 수도 있다.
또한, 상기 이진 특징 벡터의 각 비트값에 대해 미리 설정해둔 기준에 따라 정렬을 수행하도록 할 수도 있다.
또한, 상기 이미지의 특징 데이터는 특징점의 위치 정보, 크기 정보, 방향 정보 중 적어도 어느 하나 이상을 더 포함하도록 구성할 수 있다.
또한, 상기 특징점 결정부는, 결정된 특징점 중에서 적어도 하나 이상의 특징점을 최종적으로 특징점으로서 결정하는 특징점 여과부를 더 포함하도록 구성할 수도 있다.
또한, 상기 특징점 결정부에서 추출되는 특징점 정보는 특징점의 강도를 포함하며, 상기 특징점 여과부는 상기 특징점의 강도에 기초하여 특징점의 주변 영역에 위치하는 점들에 비하여 큰 강도를 갖는 점을 최종적으로 특징점으로서 결정하도록 구성할 수도 있다.
또한, 상기 특징점 여과부는, 특징점 주변 영역에 위치하는 점들 중에서,
Figure 112011010242005-pat00004
(여기에서, c i 는 i번째 특징점, f( c i )는 i번째 특징점의 강도, R 1 ( c i )은 특징점의 소정 주변 영역의 점들의 집합,
Figure 112011010242005-pat00005
는 R 1 ( c i )중에서 강도의 최대값, T1은 문턱치)의 수식을 만족하는 중요점들인 R 2 ( C i ) 들을 결정하고, 수식
Figure 112011010242005-pat00006
(여기에서, #는 집합의 크기를 얻는 연산자, T2는 문턱치)를 만족하는 특징점을 최종적으로 특징점으로서 결정하도록 구성할 수 있다.
본 발명의 다른 측면에 의하면, 이미지의 특징 데이터를 생성하는 방법에 있어서, 이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출하는 단계; 상기 결정된 특징점들 각각에 대한 방향 정보를 추정하는 단계; 및 상기 결정된 특징점 각각에 대하여, 상기 특징점 정보와 상기 방향 정보에 기초하여 이진 특징 벡터를 생성하고, 이진 특징 벡터를 포함하는 이미지의 특징 데이터를 생성하는 단계를 포함하는 이미지 특징 데이터 생성 방법을 제공할 수 있다.
본 발명에 의하면, 이미지로부터 특징점을 효과적으로 결정할 수 있는 방법 및 장치를 제공할 수 있다. 특히, 본 발명에 의하면, 이미지의 특징점이 지나치게 많은 경우 이미지의 특징을 잘 나타낼 수 있는 특징점들을 적절하게 선별할 수 있도록 하는 방법 및 장치를 제공할 수 있다.
또한, 본 발명은 이미지의 특징점 각각에 대하여 그 특징을 잘 설명할 수 있으면서도 데이터의 양, 처리 및 연산 시간을 현저하게 감소시킬 수 있는 특징점의 특징 데이터를 생성할 수 있는 효과가 있다.
또한, 본 발명은 데이터 생성 및 처리 시간을 단축시키면서도 이미지의 스케일링(scaling), 회전, 관찰각 등의 각종 변화에 강인한 이미지의 특징 데이터를 생성할 수 있는 효과가 있다.
또한, 본 발명에 의하여 생성되는 특징 데이터를 이미지 매칭, 객체 추적, 이미지 동일성 판별 등과 같은 분야에 사용하게 되면, 종래의 기술에 비하여 처리 및 연산 시간이 대폭 단축되므로 신속하고 효율적으로 이미지의 특징 데이터와 관련된 작업을 수행할 수 있으며, 이미지의 스케일링, 회전, 관찰각 등의 각종 변화에 관계없이 강인한 특성을 갖는 이미지의 특징 데이터를 생성 및 이용할 수 있으므로, 전체적인 작업 시간 및 효율을 크게 향상시킬 수 있다.
도 1은 본 발명의 일실시예에 의한 이미지 특징 데이터 생성 장치(10)의 구성을 나타낸 블록도이다.
도 2는 도 1의 이미지 특징 데이터 생성 장치(10)에 의해 구현되는 이미지의 특징 데이터 생성 방법의 일실시예를 나타낸 흐름도이다.
도 3은 본 발명의 다른 실시예에 의한 이미지 특징 데이터 생성 장치(20)의 구성을 나타낸 도면이다.
도 4는 이진 특징 벡터의 생성 과정의 실제 예를 나타낸 화면이다.
도 5는 이진 특징 벡터의 생성 과정을 나타낸 흐름도이다.
도 6은 차분 벡터와 차차분 벡터에 기초하여 이진 특징 벡터를 생성하는 구체적인 과정의 일예를 나타낸 흐름도이다.
도 7은 본 발명에 의한 또 다른 실시예에 의한 이미지 특징 데이터 생성 장치(30)의 구성을 나타낸 도면이다.
도 8은 도 3 내지 도 7의 이미지 특징 데이터 생성 장치(20)에 의해 구현되는 이미지의 특징 데이터 생성 방법을 나타낸 흐름도이다.
이하, 첨부 도면을 참조하여 본 발명에 의한 실시예들을 상세하게 설명한다.
도 1은 본 발명의 일실시예에 의한 이미지 특징 데이터 생성 장치(10)의 구성을 나타낸 블록도이다.
도 1을 참조하면, 이미지 특징 데이터 생성 장치(10)는 특징점 결정부(11), 특징점 여과부(12) 및 특징 데이터 생성부(13)를 포함하며, 이러한 구성에 의하여 주어진 이미지의 특징점을 적절히 결정하고 결정된 특징점으로부터 특징 데이터를 생성하는 기능을 수행한다.
특징점 결정부(11)는, 이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출하는 기능을 수행한다. 여기에서, 이미지(image)라 함은, 정지 영상 데이터를 의미하며, 예컨대 jpg, bmp, tif 등과 같은 파일 포맷에 의해 표현되는 디지털 데이터를 의미한다. 또한, 상기 배경기술 항목에서 설명한 바와 같이, 이미지의 특징점(interest point, feature point)라 함은, 해당 이미지에서 다른 점들에 비해 이미지의 특징을 잘 표현할 수 있는 점들을 의미하는데, 일반적으로 스케일링(scaling), 회전, 관찰각 등의 변화 에 관계없이 이미지 상에서 항상 동일하게 검출할 수 있는 점들을 특징점으로 결정하는 것이 일반적이다.
특징점 결정부(11)는 종래 기술에 의해 알려져 있는 특징점 추출/결정 방법을 그대로 사용할 수 있는데, 전술한 바와 같이 LoG(Laplacian of Gaussian) 필터나 DoG(Difference of Gaussians) 필터의 스케일 공간상의 극대/극소값을 이용하는 방법, 헤시안 매트릭스(Hessian Matrix)의 디터미넌트(determinant)를 이용하는 방법 등을 사용하여 주어진 이미지에서 특징점이 될 수 있는 점들을 결정할 수 있다.
한편, 미국 특허 제6,711,293호(David G. Lowe)에 개시된 바와 같은 SIFT(Scale-Invariant Feature Transform) 알고리듬이나 미국 특허공개공보 US 2009/0238460호에 개시된 바와 같은 SURF(Speed Up Robust Features) 알고리듬 등은 이미지의 특징점 추출/결정을 포함하여 특징 벡터를 생성하는 전체 과정이 나타나 있는데, 여기에 개시되어 있는 이미지의 특징점 추출/결정 방법 또한 사용할 수도 있다. 본 발명에서의 특징점 결정부(11)는 이러한 종래 기술에 알려져 있는 어떠한 방식의 특징점 추출/결정 방법을 그대로 사용할 수 있으며, 이는 본 발명의 핵심적인 사항은 아니므로 상세 설명은 생략한다.
한편, 특징점 결정부(11)는 전술한 바와 같이 이미지의 특징점들을 찾아내는 동시에 찾아낸 특징점과 관계된 특징점의 강도나 특징점의 크기 등과 같은 기타 특징점 정보도 함께 추출한다. 이러한 특징점 정보의 종류, 구체적인 내용은 사용되는 특징점 추출/결정 방법에 따라 다를 수 있으므로, 이미지 매칭, 객체 추적, 이미지 비교 등과 같은 후처리 과정에서 사용되는 데이터에 따라 선택적으로 추출한다.
특징점의 강도는 사용된 특징점 추출/결정 방법에 따라 달라질 수 있는데, 예컨대 LoG(Laplacian of Gaussian) 필터를 사용하는 경우에는, 라플라스 연산자(Laplacian operator)를 특징점의 강도로서 사용할 수 있다. 주어진 이미지 f(x,y)가 소정 스케일 t에 대해서 가우스 커널(Gaussian Kernel)
Figure 112011010242005-pat00007
에 의해 컨볼루션되는 경우, LoG 스케일 평면(scale-space)은
Figure 112011010242005-pat00008
로 나타낼 수 있고, 이 때 라플라스 연산자(Laplacian operator)
Figure 112011010242005-pat00009
가 계산될 수 있는데, 이 라플라스 연산자에 의한 결과값은 이미지의 점의 어두운 점(blob)과 밝은 점(blob)에서 큰 값을 각각 가지게 되므로 해당 이미지가 특징점으로 사용될 수 있는지를 기본적으로 판단할 수 있는 자료가 될 수 있으며 그 값의 크기에 따라 특징점으로서의 강도를 나타내는 지표로서 사용할 수 있다.
한편, DoG(Difference of Gaussian) 필터를 사용하는 경우에도 마찬가지로 라플라스 연산자의 결과값을 특징점 강도로서 사용할 수 있다. 또한, 헤시안 매트릭스(Hessian matrix)를 사용하는 경우에는 헤시안 매트릭스의 디터미넌트(determinant) 값을 특징점 강도로서 사용할 수 있다. 이와 같이, 특징점의 강도는, 종래 기술에 의하여 이미지의 특징점을 추출/결정하는데 사용되는 판별식에 기초한 정보를 사용할 수 있다.
한편, 이미지의 특징점의 크기란, 해당 특징점이 이미지에서 차지하는 영역의 정보를 나타내는 것으로서, 예컨대 사각형인 경우 각 변의 길이, 원인 경우에는 반지름의 길이 등과 같이 표현될 수 있다. 이러한 특징점의 크기 또한 종래 기술에서 사용되는 방법을 사용할 수 있는데, 예컨대 전술한 바와 같은 LoG(Laplacian of Gaussian) 필터를 사용하는 경우에는 특징점의 최대 강도를 나타내는 스케일 t(또는
Figure 112011010242005-pat00010
)값의 k배(여기서, k는 4,6 등과 같은 임의의 상수)와 같은 값을 사용할 수 있다.
한편, 특징점 여과부(12)는 전술한 바와 같이 특징점 결정부(11)에서 결정된 특징점 중에서 적어도 하나 이상의 특징점을 최종 특징점으로 결정하는 기능을 수행한다. 특징점 결정부(11)에서 결정되는 특징점들은 통상적으로 이미지당 적게는 수십개에서 많게는 수천, 수만개에 이를 수 있기 때문에 대용량 및 고속 처리를 위해서는 특징점 중에서 다른 특징점들에 비해 보다 분명한 특징을 갖는 특징점들을 선별할 필요가 있으며, 특징점 여과부(12)는 특징점 결정부(11)에서 결정된 특징점들 중에서 다른 특징점들에 비해 보다 분명하고 명확한 특징을 갖는 특징점들을 선별하고 이들을 최종 특징점으로 선택하는 기능을 수행한다.
특징점 여과부(12)는 다음과 같은 방법에 의하여 특징점들을 선별할 수 있다. 예컨대, 크기가 W×H인 이미지에 대해서, 특징점 결정부(11)에서 결정된 특징점들 c 1 , c 2 ,..., c N 에 대해 i번째 점의 강도를 f( c i )라 하고, 각 점의 주변 영역 예컨대 min(W,H)/10 반경에 속하는 점들의 집합을 R 1 ( c i )라 하면, 이 때, 점 c i 가 특징점으로서 최종 선택될 수 있는지의 여부는 우선 해당 점 주변의 비교적 중요한 점들 R 2 ( C i )들을 수식
Figure 112011010242005-pat00011
에 의해서 찾고, 이들을 이용하여 정의된 다음 수식을 만족하는 특징점들을 최종 특징점으로서 결정할 수 있다.
Figure 112011010242005-pat00012
여기서, #는 집합의 크기를 얻는 연산자이고, T1과 T2는 최적화 가능한 문턱치이다. 상기와 같은 수식을 사용하면 임의의 특징점들 주변의 중요한 점들인 R 2 (C i )들을 찾아내고 이들의 강도를 이용하여 해당 특징점이 주변의 중요한 점들의 강도에 비하여 상대적으로 큰 강도를 갖는 경우에 해당 특징점을 최종 특징점으로서 최종적으로 선택할 수 있다. 즉, 국소적으로 큰 변화가 있는 이미지나 복잡한 텍스쳐를 가진 이미지에 대해서도 안정적으로 수가 적으면서도 전체 영역을 잘 표현하는 특징점을 선별할 수 있으며, 특징점 결정부(11)에서 결정된 특징점의 수를 수십에서 수백 개 정도로 감소시킬 수 있다. 여기에서, 강도라 함은, 앞서 특징점 결정부(11)에서 설명한 바와 같이 라플라시안 연산자 등과 같이 특징점 결정부(11)에서 사용되는 알고리듬에서 특징점 여부를 판별하기 위하여 사용되는 수식의 값을 이용할 수 있다.
한편, 특징 데이터 생성부(13)는 전술한 바와 같이 특징점 여과부(12)에서 결정된 최종 특징점과 최종 특징점의 특징점 정보에 기초하여 이미지의 특징 데이터를 생성하는 기능을 수행한다. 특징 데이터라 함은, 일반적으로 주어진 이미지에 대해서 추출/결정된 특징점과 관련된 정보를 기술하는 데이터(descriptor)를 의미하는데, 이러한 특징 데이터는 예컨대 객체 추적, 이미지 매칭, 이미지 동일성 판별 등과 같은 후처리 과정에서 유용하게 사용된다. 이러한 특징 데이터는 후처리 과정의 종류, 조건이나 알고리듬에 따라 여러 가지 형태로 생성할 수 있다. 도 1의 실시예에서의 특징 데이터 생성부(13)는 종래의 기술에 의해 알려진 특징 데이터 생성 방법을 그대로 사용할 수 있다. 예컨대, 특징 데이터는 특징점의 좌표, 방향 정보(orientation), 특징 벡터 등을 포함할 수 있다. 또한, 도 1의 실시예의 특징 데이터 생성부(13)는 후술하는 실시예에서 사용되는 특징 데이터 생성 방법을 사용할 수도 있는데, 이에 대해서는 도 3 이하를 참조하여 상세하게 설명한다.
도 2는 도 1의 이미지 특징 데이터 생성 장치(10)에 의해 구현되는 이미지의 특징 데이터 생성 방법의 일실시예를 나타낸 흐름도이다.
도 2를 참조하면, 우선 특징점 결정부(11)는 전술한 바와 같이 주어진 이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출한다(S100).
다음으로, 특징점 여과부(12)는 특징점 결정부(11)에서 결정된 특징점 중에서 적어도 하나 이상의 특징점을 최종 특징점으로 결정한다(S110). 이는 전술한 바와 같이, 특징점 결정부(11)에서 특징점 결정시에 사용되는 수식을 이용하여 특징점의 강도를 정의하고 특징점의 강도에 기초하여 주변 점들에 비하여 강도가 높은 특징점을 최종 특징점을 결정하는 방법에 의해 이루어질 수 있다.
최종 특징점이 결정되면, 특징 데이터 생성부(13)는 특징점 여과부(12)에서 결정된 최종 특징점과 최종 특징점의 특징점 정보에 기초하여 이미지의 특징 데이터를 생성하게 된다(S120).
도 3은 본 발명의 다른 실시예에 의한 이미지 특징 데이터 생성 장치(20)의 구성을 나타낸 도면이다.
도 3을 참조하면, 본 실시예의 이미지 특징 데이터 생성 장치(20)는 특징점 결정부(21), 특징점 방향 추정부(22) 및 특징 데이터 생성부(23)를 포함한다.
특징점 결정부(21)는 도 1 내지 도 2의 실시예에서 설명한 특징점 결정부(11)와 구성 및 작용이 동일하므로 상세 설명은 생략한다. 한편, 도 3의 구성에서는 도 1 내지 도 2의 실시예와 비교해 볼 때 특징점 여과부(12)가 생략되어 있다. 도 1 내지 도 2의 실시예는 특징점을 적절한 숫자로 선별한다는 점을 특징으로 하지만, 본 실시예는 특징점을 결정하고 선별하는 과정과는 관계없이 특징점이 결정되기만 하면 결정된 특징점에 대한 특징 데이터를 생성하는 방식에 관한 것이므로 도 1 내지 도 2의 특징점 여과부(12)를 반드시 사용해야 하는 것은 아니다. 물론, 특징점 여과부(12)를 포함하여 구성할 수도 있음은 물론이며, 특징점 여과부(12)가 포함되는 경우에 대한 실시예는 별도로 후술한다.
특징점 방향 추정부(22)는 특징점 결정부(22)에서 결정된 특징점들 각각에 대한 방향 정보를 추정하는 기능을 수행한다. 이는 종래의 기술에서 알려진 그래디언트(gradient) 기반의 다양한 방법들을 사용할 수 있다. 예컨대, 특징점 주변 일정 영역의 모든 점들에 대해서 각 점 주변의 그래디언트를 계산하고 그 방향을 평균냄으로써 특징점의 방향 정보를 추정해 낼 수 있다. 이러한 방법에 의하면, 특징점이 임의의 회전 변환을 거친 경우에도 원래의 방향을 추정할 수 있게 된다. 특징점 방향 추정부(22)에서 특징점의 방향을 추정하는 방법 또한 종래 기술에 의해 알려진 것을 이용할 수 있으며 본 실시예의 직접적인 구성은 아니므로 상세 설명은 생략한다.
특징 데이터 생성부(23)는 특징점 결정부(21)에서 결정된 특징점들 각각에 대하여 특징점 정보와 방향 정보에 기초하여 이진 특징 벡터를 생성하고, 생성된 이진 특징 벡터를 포함하는 이미지의 특징 데이터를 생성하는 기능을 수행한다. 여기서 특징점 정보는 특징점 결정부(21)에서 추출 및 생성되고 방향 정보는 전술한 특징점 방향 추정부(22)에 의해 생성된다.
특징 데이터 생성부(23)는 생성된 특징 데이터를 이용한 이미지 매칭, 객체 추적, 이미지 비교 등과 같은 후처리 과정에서 신속하게 처리될 수 있도록 하는 동시에 해당 특징점의 특징을 잘 나타내면서도 비교적 적은 용량의 데이터로써 특징 데이터를 생성할 수 있도록 이진 특징 벡터를 생성하고 이를 포함하여 특징 데이터를 최종적으로 생성하게 된다. 이러한 이진 특징 벡터는 특징점들 각각에 대하여 강인성을 가지면서 특징점에 고유한 특징을 변질시키지 않아야 한다.
특징 데이터 생성부(23)에서 이진 특징 벡터를 생성하는 과정을 도 4 및 도 5를 참조하여 설명한다. 도 4는 이진 특징 벡터의 생성 과정의 실제 예를 나타낸 화면이고 도 5는 이진 특징 벡터의 생성 과정을 나타낸 흐름도이다.
도 4 및 도 5를 참조하면, 우선 전술한 바와 같은 과정을 통해 결정된 특징점들 각각에 대하여, 특징점의 크기 및 방향 정보를 이용하여, 특징점을 포함하는 주변 이미지 영역을 예컨대 사각형 형태로 생성하고, 이들을 같은 방향으로 정렬한다(S500, S510)). 여기에서, 특징점을 포함하는 주변 이미지 영역을 사각형 형태로 생성하는 것은 특징점 결정부(11)에서 추출한 특징점 정보에 포함된 크기 정보를 이용할 수 있다. 예컨대, 크기 정보로서 한변의 길이(정사각형인 경우), 가로 및 세로변의 길이(직사각형인 경우), 반지름(원인 경우) 등과 같은 정보를 이용하여 사각형 형태의 주변 이미지 영역을 생성할 수 있다. 예컨대, 한변의 길이가 주어진 경우 해당 변의 길이에 따른 정사각형을 생성하고 가로 및 세로변의 길이가 주어진 경우 둘 중 최대값 또는 최소값을 변의 길이로 하는 정사각형을 생성할 수 있다. 또한, 반지름값이 주어진 경우 반지름을 변의 길이로 하는 정사각형을 생성할 수 있다. 또한, 생성된 주변 이미지 영역을 같은 방향으로 정렬하는 것은, 대상 이미지가 다른 이미지의 회전한 형태인 경우에도 같은 특징 벡터를 얻기 위함이다. 한편, 특징점을 포함하는 주변 이미지 영역을 생성할 때 특징점의 크기 정보에 기초하지 않고 미리 설정된 크기 예컨대 특징점 주변 ±10 이내의 좌표를 기준으로 사각형 형태로 생성하는 방법도 가능하다.
다음으로 생성 및 정렬된 이미지 영역들 각각을 도 4의 우측에 나타낸 바와 같이 N×N의 부 영역으로 나눈다(S520). 이들 부 영역들의 이미지 밝기를 평균내어 얻은 N×N개의 값을 I(i), i= 1,2,....,N2라 하고, 아래의 수식에 따라 밝기 차분 벡터와 차차분 벡터를 정의한다(S530).
차분 벡터 : D(i,j)=I(i)-I(j), i,j = 1,2,...,N2
차차분 벡터 : E(i,j,k,l) = D(i,j)-D(k,l) i,j,k,l = 1,2,...,N2
다음으로, 특징 데이터 생성부(23)는 상기 수식에 의해 정의된 차분 벡터 D(i,j)와 차차분 벡터 E(i,j,k,l) 중 적어도 어느 하나 이상을 선택하고 이에 기초하여 이진 특징 벡터를 생성한다(S540).
차분 벡터와 차차분 벡터에 기초하여 이진 특징 벡터를 생성하는 구체적인 과정의 일예를 도 6에 나타내었다.
도 6의 예는 이진 특징 벡터를 M비트로 구성하는 경우에 대한 것으로서, 도 6의 각 과정을 M회 반복하게 된다. 이를 위하여, 우선 최초로 i=1로 설정하고, 주어진 특징점에 대해 정의된 차분 벡터와 차차분 벡터 중에서 적어도 어느 하나 이상을 선택하고 상기 정의된 수식에 의해 차분 벡터와 차차분 벡터를 생성한다(S541). 정의된 차분 벡터와 차차분 벡터 중에서 어떤 것을 선택할 것인지는 미리 설정해 둘 수 있는데, 예컨대 미리 다수의 샘플 이미지를 통해 이진 특징 벡터를 생성해 두고 이들의 통계치에 근거하여 어떠한 차분 벡터와 차차분 벡터를 선택하는 것이 이미지의 변화에 관계없이 강인한 특성을 나타내는가를 결정한 후 그러한 기준에 따라 해당하는 벡터를 선택할 수 있다. 또한, 차분 벡터 중에서만 선택할 수도 있고 차차분 벡터에서만 선택할 수도 있다. 또한, 차분 벡터에서 몇개를 선택할지 차차분 벡터에서 몇개를 선택할지의 여부도 경우에 따라 달라질 수 있다. 예컨대, 차분 벡터 중에서 3개를 선택하고 차차분 벡터에서 2개를 선택하거나 차분 벡터에서 2개를 선택하고 차차분 벡터에서 3개를 선택하는 것도 가능하다.
또한, 차분 벡터와 차차분 벡터 중 적어도 어느 하나를 선택하고 생성하는 것은 이진 특징 벡터의 비트수인 M회에 걸쳐 이루어져야 하는데 선택되는 차분 벡터와 차차분 벡터들의 집합은 서로 달라야 하므로, 각 회수에 대응하여 서로 다른 차분 벡터와 차차분 벡터의 집합이 선택되도록 미리 설정해 두는 것이 바람직하다.
다음으로, 선택 및 생성된 차분 벡터와 차차분 벡터들에 대해 선형 조합(linear combination) 계산을 수행한다(S542). 예컨대, 선택 및 생성된 차분 벡터가 D(1,2), D(3,4), E(1,2,4,5), E(3,5,6,7)의 4개인 경우 이들 각각의 값(이들은 전술한 바와 같이 각각 밝기의 평균값의 차분값과 차차분값을 가지게 된다)에 대해 선형 조합을 계산한다. 즉, 선형 조합인 경우, aD(1,2) + bD(3,4) + cE(1,2,4,5) + dE(3,5,6,7)와 같은 표현되는 선형 조합을 계산할 수 있다(여기서, a,b,c,d는 임의의 계수). 예컨대 차분 벡터가 5개, 차차분 벡터가 5개 존재하는 경우, 이들의 선형 조합의 공간은 실제 무한할 수 있는데, 이들로부터 해당 특징점을 다른 특징점들과 쉽게 구분지을 수 있도록 하는 특정 조합들이 존재한다. 이러한 특정 조합을 미리 다수의 샘플 이미지를 통해 테스트해서 결정해 두고 이러한 테스트 결과값의 통계적 추론에 기초하여 어떠한 선형 조합을 수행할 것인지를 결정해 놓을 수 있다. 한편, 상기 단계(S542)에서 선형 조합 이외에 곱셈 등과 같은 비선형 연산을 포함하는 비선형 조합(nonlinear combination)을 수행할 수도 있음은 물론이며, 경우에 따라서는 선형 조합과 비선형 조합을 혼합하여 사용하는 것도 가능할 수 있다.
이와 같은 과정을 거치게 되면, 그 결과값을 얻게 되는데 그 결과값이 소정의 임계치 예컨대 0보다 큰지 여부를 판단하고(S543), 0보다 큰 경우에는 해당 비트 즉, i번째 비트에 1을 할당하고(S544), 0보다 작은 경우에는 해당 비트 즉, i번째 비트에 0을 할당한다(S545). 이와 같이 하면, 이진 특징 벡터 중에서 i번째 비트의 값이 결정되게 된다.
다음으로, i=M인지(즉, 마지막 비트인지)를 판단하고(S546), 마지막 비트가 아닌 경우 i를 증가시켜서(S547) 상기 단계(S541) 내지 단계(S547)을 반복 수행한다. 마지막 비트인 경우에는 종료하게 된다(S548).
도 6과 같은 과정을 모두 완료하게 되면, 주어진 특징점에 대해 각각의 값이 0 또는 1로 표현되는 M비트로 구성되는 이진 특징 벡터가 생성되게 된다. 도 4의 우측에 나타낸 이진 특징 벡터는 이와 같은 과정을 거쳐서 생성된 것으로서 총 6비트로 구성되며 각각의 비트에는 0 또는 1이 할당되어 있음을 알 수 있다.
한편, 이진 특징 벡터를 생성한 이후, 각각의 비트에 대해 중요도를 기준으로 정렬 과정을 더 수행할 수 있다. 차분 벡터와 차차분 벡터의 선형 또는 비선형 조합 중에서 다른 조합들보다 스케일링, 크기, 각도 등의 변환 등에 보다 강인한 조합이 존재할 수 있는데 이러한 강인성을 갖는 조합을 미리 다수의 샘플 이미지를 통해 테스트하여 결정해 두고 이를 이용하여 그 순서 즉 강인한 순서에 따라 이진 특징 벡터들을 정렬하는 과정을 수행할 수도 있다. 즉, 도 6과 같은 과정을 수행하게 되면, M비트의 값이 "001010"으로 표현되는 경우, 이를 중요도에 따라 "011001"과 같이 정렬할 수 있으며, 도 4의 우측에 이러한 이진 특징 벡터를 나타내었다. 이와 같이 이진 특징 벡터를 중요도 순에 따라 정렬하게 되면 후처리 과정에서 중요도 순서에 따라 데이터의 비교 및 검색이 중요도를 기준으로 신속하게 처리될 수 있는 장점이 있다.
이러한 과정을 통해, 이진 특징 벡터가 각각의 특징점에 대하여 생성되면, 특징 데이터 생성부(23)는 이들 이진 특징 벡터를 포함하여 특징점의 다른 특징점 정보를 포함하여 최종적으로 이미지의 특징 데이터를 생성하게 된다. 특징 데이터에 포함되는 다른 특징점 정보는 예컨대 특징점의 x 좌표값, y 좌표값, 크기 정보, 방향 정보 중에서 적어도 어느 하나 이상을 포함할 수 있다. 이들 정보를 모두 포함할 수도 있고 이들 중 일부만을 선택하여 구성할 수도 있으며, 이는 후처리 과정에서의 조건에 따라 다르게 설정할 수 있다. 예컨대, 상기와 같은 다른 특징점 정보를 모두 포함하여 구성되는 경우 최종적으로 생성되는 특징 데이터는 특징점 각각에 대한 (x 좌표, y 좌표, 크기, 방향, 이진 특징 벡터)로 구성되는 최종 특징점들의 집합일 수 있다. 도 4의 우측에 나타낸 이진수는 해당 특징점의 이진 특징 벡터를 의미하며, 이진수 위쪽의 (x,y,s,θ)는 각각 (x 좌표, y 좌표, 크기, 방향)을 의미한다. 물론, 후처리 과정에서 크기 정보가 필요없는 경우에는 이를 제외하고 나머지 정보만으로 특징 데이터를 구성하는 것도 가능하다.
한편, 도 4 내지 도 6의 실시예에서는 부영역들의 밝기값의 평균값의 차분 벡터와 차차분 벡터를 정의해두고(도 5의 단계(S530)), 이들 중에서 전술한 바와 같은 기준에 따라 어느 하나 이상을 선택하고 선택된 차분 벡터와 차차분 벡터들의 선형 또는 비선형 조합을 생성하여 이진 특징 벡터를 생성하는 경우에 대하여 설명하였으나, 부영역들의 밝기값의 평균값 전부에 대해서 미리 차분 벡터와 차차분 벡터를 생성해 두는 실시예도 가능하다. 이 경우에는 도 5의 단계(S530)에서 미리 차분 벡터와 차차분 벡터를 전체 부영역들의 밝기값의 평균값에 대해서 모두 생성해 둔 후, 도 6의 단계(S541)에서 생성되어 있는 차분 벡터와 차차분 벡터 중에서 전술한 바와 같은 기준으로 선택 과정만을 수행하게 된다. 즉, 단계(S541)에서 차분 벡터와 차차분 벡터를 계산하여 생성하는 과정을 생략할 수 있다.
도 7은 본 발명에 의한 또 다른 실시예에 의한 이미지 특징 데이터 생성 장치(30)의 구성을 나타낸 도면이다.
도 7의 실시예는, 도 3의 실시예와 동일하지만, 특징점 결정부(21)에 특징점 여과부(24)가 더 포함된다는 점에서만 차이가 있다. 여기에서의 특징점 여과부(24)는 도 1 내지 도 2에서 설명한 것과 동일한 것이다. 즉, 도 7의 실시예는 도 3 내지 도 6의 실시예와 동일하되, 다만 특징점 여과부(24)에서 도 1 내지 도 2에서 설명한 바와 같이 특징점을 적절한 갯수로 선별한 후에 특징점 방향 추정부(22) 및 특징 데이터 생성부(23)에 의해 이미지의 특징 데이터를 생성한다는 점에서 차이가 있다. 따라서, 도 7의 실시에는 도 3 내지 도 6의 실시예에 비하여 보다 적은 갯수의 특징점에 대하여 이진 특징 벡터를 생성하고 특징 데이터를 형성하게 되므로 보다 적은 용량의 데이터를 구성할 수 있으므로 보다 빠른 연산이 가능하게 된다는 장점을 갖는다. 도 7에서 다른 구성들은 전술한 바와 동일하므로 상세 설명은 생략한다.
이와 같은 본 발명에 의한 이미지의 특징 데이터가 생성되면, 생성된 특징 데이터를 이용하여 원래 이미지의 특징을 잘 나타내면서도 보다 적은 용량을 갖는 데이터에 의해 이미지 매칭, 객체 추적, 이미지 동일성 판별 등의 후 처리 과정에서 신속하고 효율적인 처리가 가능하게 된다.
도 8은 도 3 내지 도 7의 이미지 특징 데이터 생성 장치(20)에 의해 구현되는 이미지의 특징 데이터 생성 방법을 나타낸 흐름도이다.
도 8을 참조하면, 우선 특징점 결정부(21)는 이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출한다(S800). 다음으로, 특징점 방향 추정부(22)는 상기 결정된 특징점들 각각에 대한 방향 정보를 추정한다(S810).
다음으로, 특징 데이터 생성부(23)는 상기 결정된 특징점 각각에 대하여, 상기 특징점 정보와 상기 방향 정보에 기초하여 이진 특징 벡터를 생성한다(S820). 이는 전술한 바와 같이 다음과 같은 과정을 통해 이루어질 수 있다. 즉, 특징점을 포함하는 주변 이미지 영역을 생성하고 생성된 영역들을 동일 방향으로 정렬한 후, 정렬된 주변 이미지 영역들을 각각 부영역들로 분할한다. 그리고, 분할된 부영역들의 밝기값의 평균값을 구하고, 이들의 차분 벡터와 차차분 벡터를 계산하고, 이들 중에서 이진 특징 벡터의 각 비트에 대응하여 차분 벡터와 차차분 벡터로부터 적어도 어느 하나 이상을 선택하고, 선택된 차분 벡터와 차차분 벡터들에 대해 선형 조합을 계산하고 그 결과값을 임계치와 비교함으로써 이진 특징 벡터의 해당 비트의 값을 결정하는 과정을 통해 이루어질 수 있다.
이러한 과정을 거쳐 각각의 이진 특징 벡터의 해당 비트값들이 결정되면, 이진 특징 벡터를 포함하여 좌표값, 크기, 방향 등의 정보를 포함하여 이미지의 특징 데이터를 각각의 특징점에 대하여 생성하게 된다(S830).
이상에서, 본 발명에 의한 바람직한 실시예들을 참조하여 본 발명을 설명하였으나, 본 발명은 상기 실시예에 한정되는 것이 아니며, 본 발명의 범위 내에서 여러 형태의 변형 및 수정 실시가 가능함은 물론이다.
예컨대, 상기 실시예들에서 이미지만을 예로 들어서 설명하였으나, 본 발명은 이미지의 집합으로 구성되는 동영상에도 적용할 수 있다. 즉, 동영상은 복수개의 프레임으로 구성되는 정지 영상인 이미지의 집합으로 표현될 수 있으므로, 동영상을 구성하는 각각의 프레임을 본 발명의 이미지로 간주하면 본 발명을 그대로 적용할 수 있게 된다. 이러한 경우에는 동영상의 각각의 프레임에 대해 특징 데이터가 생성되는 결과가 된다.
10,20,30...이미지 특징 데이터 생성 장치,
11,21...특징점 결정부,
12...특징점 여과부,
13,23...특징 데이터 생성부,
22...특징점 방향 추정부,
23...특징 데이터 생성부.

Claims (17)

  1. 이미지의 특징 데이터를 생성하는 장치에 있어서,
    이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출하는 특징점 결정부;
    상기 특징점 결정부에서 결정된 특징점 중에서 적어도 하나 이상의 특징점을 최종 특징점으로 결정하는 특징점 여과부; 및
    상기 특징점 여과부에서 결정된 최종 특징점과 최종 특징점의 특징점 정보에 기초하여 이미지의 특징 데이터를 생성하는 특징 데이터 생성부
    를 포함하되,
    상기 특징점 결정부에서 추출되는 특징점 정보는 특징점의 강도를 포함하고,
    상기 특징점 여과부는, 상기 특징점의 강도에 기초하여 특징점의 주변 영역에 위치하는 점들에 비하여 큰 강도를 갖는 점을 최종 특징점으로 결정하되, 특징점 주변 영역에 위치하는 점들 중에서,
    Figure 112012022855122-pat00027

    (여기에서, ci 는 i번째 특징점, f(ci)는 i번째 특징점의 강도, R1(ci)은 특징점의 소정 주변 영역의 점들의 집합,
    Figure 112012022855122-pat00028
    는 R1(ci)중에서 강도의 최대값, T1은 문턱치)의 수식을 만족하는 중요점들인 R2(Ci) 들을 결정하고, 수식
    Figure 112012022855122-pat00029
    (여기에서, #는 집합의 크기를 얻는 연산자, T2는 문턱치)를 만족하는 특징점을 최종 특징점으로서 결정하는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  2. 삭제
  3. 삭제
  4. 이미지의 특징 데이터를 생성하는 방법에 있어서,
    이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출하는 단계;
    상기 결정된 특징점 중에서 적어도 하나 이상의 특징점을 최종 특징점으로 결정하는 단계; 및
    상기 결정된 최종 특징점과 최종 특징점의 특징점 정보에 기초하여 이미지의 특징 데이터를 생성하는 단계
    를 구비하고,
    상기 특징점 정보를 추출하는 단계에서 추출되는 특징점 정보는 특징점의 강도를 포함하고,
    상기 최종 특징점으로 결정하는 단계는, 상기 특징점의 강도에 기초하여 특징점의 주변 영역에 위치하는 점들에 비하여 큰 강도를 갖는 점을 최종 특징점으로 결정하되, 특징점 주변 영역에 위치하는 점들 중에서,
    Figure 112012022855122-pat00030

    (여기에서, ci 는 i번째 특징점, f(ci)는 i번째 특징점의 강도, R1(ci)은 특징점의 소정 주변 영역의 점들의 집합,
    Figure 112012022855122-pat00031
    는 R1(ci)중에서 강도의 최대값, T1은 문턱치)의 수식을 만족하는 중요점들인 R2(Ci) 들을 결정하고, 수식
    Figure 112012022855122-pat00032
    (여기에서, #는 집합의 크기를 얻는 연산자, T2는 문턱치)를 만족하는 특징점을 최종 특징점으로서 결정하는 것을 특징으로 하는 이미지의 특징 데이터 생성 방법.
  5. 이미지의 특징 데이터를 생성하는 장치에 있어서,
    이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출하는 특징점 결정부;
    상기 특징점 결정부에서 결정된 특징점들 각각에 대한 방향 정보를 추정하는 특징점 방향 추정부; 및
    상기 특징점 결정부에서 결정된 특징점 각각에 대하여, 상기 특징점 정보와 상기 방향 정보에 기초하여 이진 특징 벡터를 생성하고 생성된 이진 특징 벡터를 포함하는 이미지의 특징 데이터를 생성하는 특징 데이터 생성부
    를 포함하고,
    상기 특징 데이터 생성부는,
    각각의 특징점에 대하여 특징점을 포함하는 주변 이미지 영역을 생성하고 생성된 영역들을 동일 방향으로 정렬한 후, 정렬된 주변 이미지 영역들을 각각 부영역들로 분할하고, 분할된 부영역들의 밝기값의 평균값에 기초하여 이진 특징 벡터를 생성하는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  6. 제5항에 있어서,
    상기 특징점 방향 추정부는, 특징점 주변 일정 영역의 모든 점들에 대해서 각 점 주변의 그래디언트를 계산하고 그 방향의 평균값을 구함으로써 특징점의 방향을 추정하는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  7. 삭제
  8. 삭제
  9. 제5항에 있어서,
    상기 이진 특징 벡터는, 상기 부영역들의 밝기값의 평균값의 차분 벡터와 차차분 벡터 중에서 선택된 적어도 어느 하나에 의해 생성되는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  10. 제9항에 있어서,
    상기 부영역들의 밝기값의 평균값의 차분 벡터와 차차분 벡터 중에서 적어도 어느 하나를 선택하는 것은 이진 특징 벡터의 각 비트에 대응하여 선택되는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  11. 제10항에 있어서,
    상기 각 비트에 대응하여 선택된 차분 벡터와 차차분 벡터들에 대해 선형 조합 또는 비선형 조합을 계산하고 그 결과값을 임계치와 비교함으로써 이진 특징 벡터의 해당 비트의 값을 결정하는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  12. 제11항에 있어서,
    상기 이진 특징 벡터의 각 비트값에 대해 미리 설정해둔 기준에 따라 정렬을 수행하는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  13. 제5항에 있어서,
    상기 이미지의 특징 데이터는 특징점의 위치 정보, 크기 정보, 방향 정보 중 적어도 어느 하나 이상을 더 포함하는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  14. 제5항에 있어서,
    상기 특징점 결정부는, 결정된 특징점 중에서 적어도 하나 이상의 특징점을 최종적으로 특징점으로서 결정하는 특징점 여과부를 더 포함하는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  15. 제5항에 있어서,
    상기 특징점 결정부에서 추출되는 특징점 정보는 특징점의 강도를 포함하며,
    상기 특징점 여과부는 상기 특징점의 강도에 기초하여 특징점의 주변 영역에 위치하는 점들에 비하여 큰 강도를 갖는 점을 최종적으로 특징점으로서 결정하는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  16. 제15항에 있어서,
    상기 특징점 여과부는, 특징점 주변 영역에 위치하는 점들 중에서,
    Figure 112011010242005-pat00016

    (여기에서, c i 는 i번째 특징점, f( c i )는 i번째 특징점의 강도, R 1 ( c i )은 특징점의 소정 주변 영역의 점들의 집합,
    Figure 112011010242005-pat00017
    는 R 1 ( c i )중에서 강도의 최대값, T1은 문턱치)의 수식을 만족하는 중요점들인 R 2 ( C i ) 들을 결정하고, 수식
    Figure 112011010242005-pat00018
    (여기에서, #는 집합의 크기를 얻는 연산자, T2는 문턱치)를 만족하는 특징점을 최종적으로 특징점으로서 결정하는 것을 특징으로 하는 이미지 특징 데이터 생성 장치.
  17. 이미지의 특징 데이터를 생성하는 방법에 있어서,
    이미지로부터 특징점을 결정하고 결정된 특징점의 특징점 정보를 추출하는 단계;
    상기 결정된 특징점들 각각에 대한 방향 정보를 추정하는 단계; 및
    상기 결정된 특징점 각각에 대하여, 상기 특징점 정보와 상기 방향 정보에 기초하여 이진 특징 벡터를 생성하고 생성된 이진 특징 벡터를 포함하는 이미지의 특징 데이터를 생성하는 단계
    를 포함하고,
    상기 이미지의 특징 데이터를 생성하는 단계는, 각각의 특징점에 대하여 특징점을 포함하는 주변 이미지 영역을 생성하고 생성된 영역들을 동일 방향으로 정렬한 후, 정렬된 주변 이미지 영역들을 각각 부영역들로 분할하고, 분할된 부영역들의 밝기값의 평균값에 기초하여 이진 특징 벡터를 생성하는 것을 특징으로 하는 이미지 특징 데이터 생성 방법.
KR1020110012741A 2011-02-14 2011-02-14 이미지 특징 데이터 생성 장치 및 방법 KR101165357B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020110012741A KR101165357B1 (ko) 2011-02-14 2011-02-14 이미지 특징 데이터 생성 장치 및 방법
US13/985,129 US8983199B2 (en) 2011-02-14 2011-11-11 Apparatus and method for generating image feature data
PCT/KR2011/008600 WO2012111906A1 (ko) 2011-02-14 2011-11-11 이미지 특징 데이터 생성 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110012741A KR101165357B1 (ko) 2011-02-14 2011-02-14 이미지 특징 데이터 생성 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101165357B1 true KR101165357B1 (ko) 2012-07-18

Family

ID=46672789

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110012741A KR101165357B1 (ko) 2011-02-14 2011-02-14 이미지 특징 데이터 생성 장치 및 방법

Country Status (3)

Country Link
US (1) US8983199B2 (ko)
KR (1) KR101165357B1 (ko)
WO (1) WO2012111906A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9189700B2 (en) 2011-02-21 2015-11-17 Enswers Co., Ltd. Device and method for analyzing the correlation between an image and another image or between an image and a video
CN111047650A (zh) * 2019-12-02 2020-04-21 北京深测科技有限公司 一种用于飞行时间相机的参数标定方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6103243B2 (ja) * 2011-11-18 2017-03-29 日本電気株式会社 局所特徴量抽出装置、局所特徴量抽出方法、及びプログラム
KR101491461B1 (ko) * 2013-08-02 2015-02-23 포항공과대학교 산학협력단 공분산 기술자를 이용하는 물체 인식 방법 및 장치
US9008391B1 (en) * 2013-10-22 2015-04-14 Eyenuk, Inc. Systems and methods for processing retinal images for screening of diseases or abnormalities
US20150271514A1 (en) * 2014-03-18 2015-09-24 Panasonic Intellectual Property Management Co., Ltd. Prediction image generation method, image coding method, image decoding method, and prediction image generation apparatus
JP6986721B2 (ja) * 2014-03-18 2021-12-22 パナソニックＩｐマネジメント株式会社 復号装置及び符号化装置
US11159798B2 (en) * 2018-08-21 2021-10-26 International Business Machines Corporation Video compression using cognitive semantics object analysis
CN110895699B (zh) * 2018-09-12 2022-09-13 北京字节跳动网络技术有限公司 用于处理图像的特征点的方法和装置
CN110889904B (zh) * 2019-11-20 2024-01-19 广州智能装备研究院有限公司 一种图像特征精简方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6711293B1 (en) 1999-03-08 2004-03-23 The University Of British Columbia Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image
IT1311443B1 (it) * 1999-11-16 2002-03-12 St Microelectronics Srl Metodo di classificazione di immagini digitali in base al lorocontenuto.
KR100368743B1 (ko) 2000-06-01 2003-01-24 (주)버추얼미디어 적은 수의 특징점을 이용한 얼굴 영상 압축과 손상된 얼굴영상의 복원 방법 및 장치
JP4492036B2 (ja) * 2003-04-28 2010-06-30 ソニー株式会社 画像認識装置及び方法、並びにロボット装置
JP2006268825A (ja) * 2005-02-28 2006-10-05 Toshiba Corp オブジェクト検出装置、学習装置、オブジェクト検出システム、方法、およびプログラム
US20070160308A1 (en) * 2006-01-11 2007-07-12 Jones Michael J Difference of sum filters for texture classification
EP1850270B1 (en) 2006-04-28 2010-06-09 Toyota Motor Europe NV Robust interest point detector and descriptor
KR100866792B1 (ko) * 2007-01-10 2008-11-04 삼성전자주식회사 확장 국부 이진 패턴을 이용한 얼굴 기술자 생성 방법 및장치와 이를 이용한 얼굴 인식 방법 및 장치
KR100884066B1 (ko) 2007-03-30 2009-02-19 한국전자통신연구원 Ｓｖｄ 기반의 영상 비교시스템 및 방법
JP4988408B2 (ja) * 2007-04-09 2012-08-01 株式会社デンソー 画像認識装置
FR2931277B1 (fr) * 2008-05-19 2010-12-31 Ecole Polytech Procede et dispositif de reconnaissance invariante-affine de formes
US8457409B2 (en) * 2008-05-22 2013-06-04 James Ting-Ho Lo Cortex-like learning machine for temporal and hierarchical pattern recognition
US8150170B2 (en) * 2008-05-30 2012-04-03 Microsoft Corporation Statistical approach to large-scale image annotation
CN101609506B (zh) * 2008-06-20 2012-05-23 索尼株式会社 用于识别图像中的模型对象的装置及方法
KR101010904B1 (ko) 2009-02-26 2011-01-25 인천대학교 산학협력단 마커를 사용하지 않는 증강공간 제공 장치
KR101622110B1 (ko) * 2009-08-11 2016-05-18 삼성전자 주식회사 특징점 추출 방법 및 추출 장치, 이를 이용한 영상 기반 위치인식 방법
US8625902B2 (en) * 2010-07-30 2014-01-07 Qualcomm Incorporated Object recognition using incremental feature extraction
EP2717223A4 (en) * 2011-05-24 2015-06-17 Nec Corp INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, AND INFORMATION PROCESSING PROGRAM
US9082235B2 (en) * 2011-07-12 2015-07-14 Microsoft Technology Licensing, Llc Using facial data for device authentication or subject identification
US8453075B2 (en) * 2011-09-02 2013-05-28 International Business Machines Corporation Automated lithographic hot spot detection employing unsupervised topological image categorization
US8774508B2 (en) * 2012-02-27 2014-07-08 Denso It Laboratory, Inc. Local feature amount calculating device, method of calculating local feature amount, corresponding point searching apparatus, and method of searching corresponding point
IL226219A (en) * 2013-05-07 2016-10-31 Picscout (Israel) Ltd Efficient comparison of images for large groups of images

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9189700B2 (en) 2011-02-21 2015-11-17 Enswers Co., Ltd. Device and method for analyzing the correlation between an image and another image or between an image and a video
US9665789B2 (en) 2011-02-21 2017-05-30 Enswers Co., Ltd Device and method for analyzing the correlation between an image and another image or between an image and a video
CN111047650A (zh) * 2019-12-02 2020-04-21 北京深测科技有限公司 一种用于飞行时间相机的参数标定方法
CN111047650B (zh) * 2019-12-02 2023-09-01 北京深测科技有限公司 一种用于飞行时间相机的参数标定方法

Also Published As

Publication number Publication date
WO2012111906A1 (ko) 2012-08-23
US8983199B2 (en) 2015-03-17
US20140050411A1 (en) 2014-02-20

Similar Documents

Publication Publication Date Title
KR101165357B1 (ko) 이미지 특징 데이터 생성 장치 및 방법
KR101165359B1 (ko) 이미지와 이미지 또는 이미지와 동영상 사이의 상호 관계 분석 장치 및 방법
WO2019148739A1 (zh) 一种模糊图像综合处理方法和系统
US9483835B2 (en) Depth value restoration method and system
US9934578B2 (en) Method for edge detection
Lu et al. Deep texture and structure aware filtering network for image smoothing
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
Bora et al. A new approach towards clustering based color image segmentation
Venkatesan et al. Face recognition system with genetic algorithm and ANT colony optimization
Farid et al. Image de-fencing framework with hybrid inpainting algorithm
Kanter Color Crack: Identifying Cracks in Glass
Abdelsamea An automatic seeded region growing for 2d biomedical image segmentation
Wu et al. A new sampling algorithm for high-quality image matting
CN109785283B (zh) 一种用于织物分割的纹理特征匹配方法及装置
Caseiro et al. Foreground segmentation via background modeling on Riemannian manifolds
Wang et al. A fast image segmentation algorithm for detection of pseudo-foreign fibers in lint cotton
Song et al. Scale‐adaptive Structure‐preserving Texture Filtering
CN106446832B (zh) 一种基于视频的实时检测行人的方法
Zou et al. Geodesic-based pavement shadow removal revisited
Jin et al. A color image segmentation method based on improved K-means clustering algorithm
Ahn et al. Segmenting a noisy low-depth-of-field image using adaptive second-order statistics
Kanchev et al. Blurred image regions detection using wavelet-based histograms and SVM
Li et al. Soft clustering guided image smoothing
Frosio et al. Adaptive segmentation based on a learned quality metric.
CN113705660A (zh) 目标识别方法及相关设备

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: 20150702

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160630

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20170616

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20180627

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20190626

Year of fee payment: 8