KR101355258B1 - 이미지 시그니처 매칭 장치 - Google Patents

Abstract

매칭을 위해 사용되는 이미지 시그니처는 다음 생성 방법에 의해 생성된다. 먼저, 이미지의 서브 영역들의 복수의 쌍들의 각각의 서브 영역들로부터 영역 특징이 추출되고, 서브 영역들의 각각의 쌍들에 대하여, 쌍을 형성하는 2개의 서브 영역들의 영역 특징들 간의 차분값이 양자화된다. 이후, 서브 영역들의 각각의 쌍들에 대하여 계산된 양자화 값들인 엘리먼트들의 집합이 이미지를 구별하는 데 사용되는 이미지 시그니처로서 사용된다. 이미지 시그니처 매칭 장치는, 상기 생성 방법에 의해 생성된 제 1 이미지의 이미지 시그니처와 제 2 이미지의 이미지 시그너처로부터, 이미지들 각각의 마진 영역을 특정한다. 이미지 시그니처 매칭 장치는, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 특정된 마진 영역에 포함되는, 엘리먼트의 가중치가 감소되는 방식으로, 제 1 이미지의 이미지 시그니처와 제 2 이미지의 이미지 시그니처를 매칭한다.

Description

이미지 시그니처 매칭 장치{IMAGE SIGNATURE MATCHING DEVICE}

본 발명은 이미지들을 구별하기 위한 (이미지들의 동일성을 결정하기 위한) 특징들인 이미지 시그니처들을 이용하여 이미지들을 매칭하기 위한 장치에 관한 것이다.

이미지 시그니처들은 이미지를 구별하기 위한 (이미지의 동일성을 결정하기 위한) 이미지 특징들이다. 이미지로부터 추출된 이미지 시그니처를 또 다른 이미지로부터 추출된 이미지 시그니처와 비교함으로써, 2개의 이미지들이 동일한 정도를 표시하는 동일성 척도 (일반적으로, 유사도 또는 거리로 지칭됨) 가 비교 결과에 따라 계산될 수 있다. 또한, 계산된 동일성 척도를 임계치와 비교함으로써, 2개의 이미지들이 동일한지 여부를 결정하는 것이 가능하다. 이 맥락에서, "2개의 이미지들이 동일하다"의 의미는 2개의 이미지들이 이미지 신호들의 레벨 (이미지들을 구성하는 픽셀들의 픽셀 값들) 에서 동일한 경우뿐만 아니라 이미지의 압축 포맷의 변환, 이미지의 사이즈/종횡비의 변환, 이미지의 컬러 톤 조정, 이미지에 적용되는 다양한 필터링 프로세스들 (선명도, 평활도 등), 이미지에 적용되는 로컬 프로세싱 (자막 합성, 컷아웃 등), 및 이미지의 재취득과 같은 다양한 변경 프로세스들에 의해 하나의 이미지가 다른 이미지의 복제 이미지가 되는 경우를 포함한다. 이미지 시그니처들을 사용함으로써, 이미지 또는 이미지들의 세트인 동영상의 복제를 검출하는 것이 가능하기 때문에, 예를 들어, 이미지 시그니처들은 이미지들 또는 동영상들을 위한 불법 복제 검출 시스템에 적용 가능하다.

특허 문헌 1 은 이미지 시그니처의 일 예를 설명한다. 도 18 은 특허 문헌 1 에 설명된 이미지 시그니처를 추출하는 방법을 도시하는 도면이다. 이러한 이미지 시그니처는 다수의 차원들 (도 18 에서 16 개 차원들) 의 특징 벡터이다. 이 방법은 이미지 (240) 내의 소정의 위치들에서 사각형 영역들 (244) 의 32개 부분들 (그 중, 사각형 영역들의 16개 부분들은 도 18에 도시됨) 로부터 각각 평균 휘도를 계산하고, 쌍을 이루는 직사각형 영역들 (쌍이 되는 직사각형 영역들은 도 18 에서 점선들 (248) 에 의해 서로 연결됨) 사이에 평균 휘도의 차이를 계산하여 16개 차원들에서 차분 벡터 (250) 를 획득한다. 차분 벡터 (250) 와 관련하여, 합성 벡터는 벡터 변환에 의해 생성되며, 합성 벡터의 개별 차원들을 양자화함으로써 취득되는 16개 차원들에서의 양자화 인덱스 벡터는 이미지 시그니처로서 사용된다.

특허 문헌 1: 일본 미심사 특허 공개공보 평 8-500471 호.

복수의 차원들의 특징 벡터로 형성되는 이미지 시그니처에서, 차원들 간의 상관 관계가 작을수록 특징 벡터가 가지는 정보량이 커지기 때문에 (리던던시가 작아지기 때문에), 이러한 이미지 시그니처는 서로 다른 이미지들을 구별하는 정도인 구별 능력이 높아진다. 이와 반대로, 특징 벡터의 차원들 간의 상관 관계가 크면, 특징 벡터가 가지는 정보량은 작아지기 때문에 (리던던시는 커지기 때문에), 구별 능력이 낮아진다. 차원들 간의 상관 관계는 차원들의 특징들로부터 발생하는 유사도이며, 수학적으로는, 예컨대 각 차원의 특징의 발생이 확률 변수로서 설정되는 경우에 확률 변수들 사이의 상관 계수 또는 상호 정보량으로서 계산되는 값이라는 것을 주목한다. 이와 같이, 복수의 차원들의 특징 벡터로 형성된 이미지 시그니처는 차원들 간의 상관 관계가 작도록 설계되는 것이 바람직하다.

이미지 신호들 (이미지를 구성하는 픽셀들의 픽셀 값들) 은 이미지의 로컬 영역들 간에 상관 관계를 갖는다. 일반적으로, 로컬 영역들 사이의 거리가 가까울수록 상관 관계는 크다. (특히 이미지 패턴이 규칙적인 주기로 반복해서 나타나는 경우에) 특히 특정 이미지 패턴이 반복해서 나타나는 이미지 (예를 들면, 격자 패턴으로 배치된 건물의 창문들의 이미지, 도면 19a 참조) 에서, 또는 특정 텍스처로 형성되는 이미지 (도면 19b 참조) 에서, 예컨대 이미지의 로컬 영역들 간의 상관 관계는 크다.

[제 1 문제점]

특허 문헌 1에서 설명되는 것과 같이, 이미지의 복수의 로컬 영역들로부터 추출된 특징들을 포함하는 특징 벡터로 형성되는 종래의 이미지 시그니처와 관련하여, 그 특징들을 추출하기 위한 로컬 영역들의 형상들은, 이미지 내의 로컬 영역들 간의 상관 관계가 큰 이미지에 대하여 각 차원에서 동일하기 때문에 (특허 문헌 1의 예에서, 동일한 형상의 사각형 영역들), 추출된 특징들의 차원들 간의 상관 관계는 크다. 이와 같이, 제 1 문제점은 이미지 시그니처 (특징 벡터) 의 구별 능력이 낮아지는 것이다. 형상들이 동일하다는 것은 영역들이 이러한 사이즈 및 각도 (기울기 또는 방위) 를 포함하여 동일하다는 것을 의미한다는 것에 주목한다.

예를 들어, 특정 이미지 패턴이 반복해서 나타나는 이미지 (도 19a 참조) 또는 특정 텍스처로 형성되는 이미지 (도 19b 참조) 에 대해서, 특허 문헌 1에 설명된 것과 같은 종래의 이미지 시그니처는 구별 능력이 낮다.

[제 2 문제점]

특허 문헌 1에서 설명되는 종래의 이미지 시그니처의 두 번째 문제점은 특징들 (특징 벡터) 을 계산하기 위한 개별 차원들의 영역들의 형상들이 동일한 사각형 형상 (사이즈 및 각도를 포함함) 이기 때문에, 사각형의 한 변의 길이와 동일하거나 그 정수 부분인 일 사이클을 가지는 주파수 성분들을 검출하는 것이 불가능한 주파수들에서 맹점 (blind spot) 이 존재한다는 것이다. 그 이유는 이러한 특정 주파수의 신호 성분에 대하여 영역에서 종래의 방법에 따라서 평균이 계산되는 경우에, 신호 성분의 크기에 상관없이 그 값이 0 이 되어, 이러한 주파수 성분의 신호들이 전혀 검출될 수 없기 때문이다. 보다 구체적으로, 사각형의 한 변의 길이와 동일한 사이클을 가진 주파수가 f₀ 이라고 가정할 때, 주파수 nf₀ (n = 1, 2, 3, …) 의 성분들은 검출될 수 없다. 이와 같이, 신호들이 직류 성분들 및 이러한 주파수 성분들에 집중하는 이미지에 대하여, 평균 픽셀 값은 직류 성분과 동일하게 되며, 따라서 영역들 간의 값들의 차이가 없어진다. 결과적으로, 영역들 간의 평균 픽셀 값들의 차이로 추출되는 모든 특징의 값은 0 이 되며, 따라서 구별이 수행될 수 없다 (구별 능력이 현저하게 저하된다). 사실, 주파수 nf₀ (n = 1, 2, 3, …) 의 성분들뿐만 아니라 그 근방의 일정한 주파수 영역들을 검출하는 것이 어렵기 때문에, 신호들이 상술된 특정 주파수에 집중하지 않는 경우에도 그 주파수 대역의 신호 성분들은 사용되지 않을 수 있으며, 따라서 구별 능력이 저하된다. 이러한 문제점을 해소하기 위해, 주파수 f₀ 값을 증가시켜 검출하기 어려운 주파수 대역 내에 있는 신호 전력을 감소시키는 것이 가능할 수도 있다. 그러나, 주파수 f₀ 값을 증가시키는 것은 영역의 사이즈를 감소시키는 것을 의미하며, 주파수의 견고성 (각종 변경 프로세스들 또는 잡음에도 특징이 변화하지 않는 정도) 의 저하를 발생시킨다. 예를 들어, 영역이 작아지는 경우에, 약간의 위치 시프트에 대해서도 특징 값이 크게 변화하며, 따라서 특징의 견고성이 저하된다. 상술된 것과 같이, 동일한 직사각형 영역들을 사용할 때, 구별 능력을 증가시키면서 견고성을 확보하는 것은 매우 어렵다.

본 발명의 목적은 상기 상술한 문제점, 즉 상이한 이미지를 구별하는 정도인 구별 능력이 낮은 이미지 시그니처를 이용하는 매칭에 있어서 매칭 정확도가 저하된다는 문제점을 해결할 수 있는 이미지 시그니처 매칭 디바스를 제공하는 것이다.

본 발명에 대한 양태에 따르면, 이미지 시그니처 매칭 장치는, 이미지의 복수의 서브 영역 쌍들의 각각의 서브 영역들로부터 영역 특징들을 추출하는 단계; 서브 영역 쌍들 각각에 대하여, 쌍을 형성하는 2개의 서브 영역의 영역 특징들 간의 차분값을 양자화하는 단계; 및 서브 영역들의 각각의 쌍들에 대하여 계산된 양자화 값들을 엘리먼트로 하는 집합을, 이미지를 구별하는 데 사용되는 이미지 시그니처로서 생성하는 단계를 포함하는 생성 방법에 의해 생성된, 제 1 이미지의 이미지 시그니처와 제 2 이미지의 이미지 시그니처로부터, 이미지들 각각의 마진 영역을 특정하는 마진 영역 특정 유닛을 포함하고, 또한 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 특정된 마진 영역에 포함되는, 엘리먼트의 가중치가 감소되는 방식으로, 제 1 이미지의 이미지 시그니처와 제 2 이미지의 이미지 시그니처를 매칭시키는 매칭 유닛을 포함한다.

상술된 바와 같이 본 발명이 구성되기 때문에, 상이한 이미지를 구별하는 정도인 구별 능력이 높은 이미지 시그니처를 이용하여 고 정밀도로 제 1 이미지와 제 2 이미지 사이의 매칭이 실시될 수 있다. 특히, 이 유리한 효과는 그 로컬 영역들 간의 상관이 높은 이미지에 대하여 크게 달성된다.

또한, 본 발명에 의하면, 특정 주파수에 집중되는 신호를 가진 이미지에 대하여 구별 능력이 저하되지 않는 이미지 시그니처를 이용하여 매칭이 실시될 수 있다.

또한, 본 발명에 의하면, 제 1 이미지 및 제 2 이미지의 마진 영역이 특정되는 방법에 의해 매칭이 실시되기 때문에, 쌍을 형성하는 2개의 서브 영역 중 적어도 하나가 특정 마진 영역에 포함되는, 엘리먼트의 가중치가 감소되는 방식으로 매칭을 실시하기 위해, 보다 높은 정확도로 매칭이 실시될 수 있다. 또한, 마진 영역이 이미지 시그니처 그 자신들로부터 특정되기 때문에, 마진 영역을 개별적으로 특정하기 위한 유닛이 이미지 시그니처의 추출측 (추출 스테이지) 상에서 불필요하다는 유리한 효과도 있다.

도 1 은 본 발명의 제 1 실시 형태를 도시하는 블록도이다.
도 2 는 차원별 추출 정보에 의해 도시되는 개별 차원들에 대한 예시적인 추출 영역 쌍들을 보여주는 도면이다.
도 3 은 본 발명의 제 1 실시 형태의 비교 유닛의 일 예를 도시하는 블록도이다.
도 4 는 본 발명의 제 1 실시 형태의 비교 유닛의 또 다른 예를 도시하는 블록도이다.
도 5 는 본 발명의 제 1 실시 형태의 프로세싱 흐름을 도시하는 흐름도이다.
도 6 은 본 발명의 제 2 실시 형태의 주요 부분을 도시하는 블록도이다.
도 7 은 본 발명의 제 2 실시 형태의 프로세싱 흐름을 도시하는 흐름도이다.
도 8 은 본 발명의 제 3 실시 형태를 도시하는 블록도이다.
도 9 는 개별 차원들에 대한 영역 특징 계산 방법들의 예들 도시하는 테이블이다.
도 10 은 본 발명의 제 3 실시 형태의 프로세싱 흐름을 도시하는 흐름도이다.
도 11 은 본 발명의 제 4 실시 형태를 도시하는 블록도이다.
도 12 는 개별 차원들에 대한 비교 및 양자화 방법들의 예들을 도시하는 테이블이다.
도 13 는 본 발명의 제 4 실시 형태의 프로세싱 흐름을 도시하는 흐름도이다.
도 14a 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 추출 영역 정보를 도시하는 테이블이다.
도 14b 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 추출 영역 정보를 도시하는 테이블이다.
도 14c 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 추출 영역 정보를 도시하는 테이블이다.
도 14d 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 추출 영역 정보를 도시하는 테이블이다.
도 14e 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 추출 영역 정보를 도시하는 테이블이다.
도 14f 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 추출 영역 정보를 도시하는 테이블이다.
도 14g 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 추출 영역 정보를 도시하는 테이블이다.
도 14h 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 추출 영역 정보를 도시하는 테이블이다.
도 14i 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 추출 영역 정보를 도시하는 테이블이다.
도 14j 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 추출 영역 정보를 도시하는 테이블이다.
도 15a 는 본 발명의 제 6 실시 형태에서 사용되는 차원별 영역 특징 계산 방법 정보를 도시하는 테이블이다.
도 15b 는 본 발명의 제 6 실시 형태에서 사용되는 차원별 영역 특징 계산 방법 정보를 도시하는 테이블이다.
도 15c 는 본 발명의 제 6 실시 형태에서 사용되는 차원별 영역 특징 계산 방법 정보를 도시하는 테이블이다.
도 15d 는 본 발명의 제 6 실시 형태에서 사용되는 차원별 영역 특징 계산 방법 정보를 도시하는 테이블이다.
도 15e 는 본 발명의 제 6 실시 형태에서 사용되는 차원별 영역 특징 계산 방법 정보를 도시하는 테이블이다.
도 16a 는 본 발명의 제 7 실시 형태에서 사용되는 차원별 영역 특징 계산 방법 정보를 도시하는 테이블이다.
도 16b 는 본 발명의 제 7 실시 형태에서 사용되는 차원별 영역 특징 계산 방법 정보를 도시하는 테이블이다.
도 16c 는 본 발명의 제 7 실시 형태에서 사용되는 차원별 영역 특징 계산 방법 정보를 도시하는 테이블이다.
도 16d 는 본 발명의 제 7 실시 형태에서 사용되는 차원별 영역 특징 계산 방법 정보를 도시하는 테이블이다.
도 16e 는 본 발명의 제 7 실시 형태에서 사용되는 차원별 영역 특징 계산 방법 정보를 도시하는 테이블이다.
도 17a 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 비교 및 양자화 방법 정보를 도시하는 테이블이다.
도 17b 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 비교 및 양자화 방법 정보를 도시하는 테이블이다.
도 17c 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 비교 및 양자화 방법 정보를 도시하는 테이블이다.
도 17d 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 비교 및 양자화 방법 정보를 도시하는 테이블이다.
도 17e 는 본 발명의 제 6 실시 형태 및 제 7 실시 형태에서 사용되는 차원별 비교 및 양자화 방법 정보를 도시하는 테이블이다.
도 18 은 특허 문헌 1에서 설명되는 이미지 시그니처를 추출하는 방법을 도시하는 도면이다.
도 19 는 로컬 영역들 간의 상관 관계가 큰 이미지들의 예들을 도시하는 도면이다.
도 20 은 양자화 인덱스 벡터들 간에 매칭을 실시하는 매칭 유닛을 도시하는 블록도이다.
도 21 은 양자와 인덱스 벡터들 간에 매칭을 실시하는 매칭 유닛에 의해 실시된 예시적인 프로세스를 도시하는 흐름도이다.
도 22 는 양자화 인덱스 벡터들 간에 매칭을 실시하는 매칭 유닛에 의해 실시된 다른 예시적인 프로세스를 도시하는 흐름도이다.
도 23 은 양자화 인덱스 벡터들 간에 매칭을 실시하는 매칭 유닛에 의해 실시된 또 다른 예시적인 프로세스를 도시하는 흐름도이다.
도 24 는 이미지를 종방향으로 32개 그리고 횡방향으로 32개로 분할함으로써 형성된 1024개의 블록들에 적용된 인덱스들의 예를 도시하는 테이블이다.
도 25a 는 본 발명의 제 8 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 25b 는 본 발명의 제 8 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 25c 는 본 발명의 제 8 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 25d 는 본 발명의 제 8 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 25e 는 본 발명의 제 8 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 25f 는 본 발명의 제 8 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 25g 는 본 발명의 제 8 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 26 은 각 차원의 영역 타입 중, 차원수, 및 임계치에 대응하는 인덱스의 관계를 도시하는 테이블이다.
도 27a 는 영역 타입 a의 차원의 제 1 및 제 2 추출 영역들의 예를 도시하는 도면이다.
도 27b 는 영역 타입 b의 차원의 제 1 및 제 2 추출 영역들의 예를 도시하는 도면이다.
도 27c 는 영역 타입 c의 차원의 제 1 및 제 2 추출 영역들의 예를 도시하는 도면이다.
도 27d 는 영역 타입 d의 차원의 제 1 및 제 2 추출 영역들의 예를 도시하는 도면이다.
도 27e 는 영역 타입 e의 차원의 제 1 및 제 2 추출 영역들의 예를 도시하는 도면이다.
도 27f 는 영역 타입 f의 차원의 제 1 및 제 2 추출 영역들의 예를 도시하는 도면이다.
도 27g 는 영역 타입 g의 차원의 제 1 및 제 2 추출 영역들의 예를 도시하는 도면이다.
도 28 은 양자화 인덱스 벡터를 매칭하기 위한 매칭 유닛의 제 2 실시형태의 구성을 도시하는 블록도이다.
도 29 는 마진 영역 (블랙 바) 이 추가되는 예시적인 이미지를 도시하는 도이다.
도 30a 는 본 발명의 제 9 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 30b 는 본 발명의 제 9 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 30c 는 본 발명의 제 9 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 30d 는 본 발명의 제 9 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 30e 는 본 발명의 제 9 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 30f 는 본 발명의 제 9 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 30g 는 본 발명의 제 9 실시형태의 개별 차원들에 대응하는 영역들 중, 일 타입에 속하는 영역들을 도시하는 테이블이다.
도 31 은 각 차원의 영역 타입, 차원 수 및 임계치에 대응하는 인덱스의 관련성을 도시하는 테이블이다.
도 32 는 단조 비증가 함수 f(D) 의 예를 도시하는 그래프이다.
도 33 은 본 발명의 제 5 실시형태를 도시하는 블록도이다.
도 34 는 양자화 인덱스 벡터를 매칭시키는 매칭 유닛에 의해 실시된 또 다른 예시적인 프로세스를 도시하는 흐름도이다.
도 35 는 양자화 인덱스 벡터를 매칭시키는 매칭 유닛에 의해 실시된 다른 예시적인 프로세스를 도시하는 흐름도이다.
도 36 은 양자화 인덱스 벡터를 매칭시키는 매칭 유닛의 제 3 실시형태의 구성을 도시하는 블록도이다.
도 37 은 양자화 인덱스 벡터를 매칭시키는 매칭 유닛의 제 3 실시형태에 의해 실시된 예시적인 프로세스를 도시하는 흐름도이다.
도 38 은 양자화 인덱스 벡터를 매칭시키는 매칭 유닛의 제 3 실시형태에 의해 실시된 다른 예시적인 프로세스를 도시하는 흐름도이다.

[제 1 실시 형태]

[제 1 실시 형태의 구성]

다음에, 본 발명의 제 1 실시 형태는 도면들을 참조하여 상세히 설명될 것이다.

도 1 을 참조하면, 본 발명의 제 1 실시 형태에 따른 이미지 시그니처 추출 장치는 입력된 이미지에 대하여 복수의 차원들로 형성된 특징 벡터 (더 구체적으로는, 양자화 인덱스 벡터) 를 이미지 시그니처로 출력하기 위한 시스템이다. 이미지 시그니처 추출 장치는 차원 결정 유닛 (1), 추출 영역 취득 유닛 (2), 영역 특징 계산 유닛 (3) 및 비교 유닛 (4) 을 포함한다.

차원 결정 유닛 (1) 은 다음에 추출될 특징 벡터의 차원을 결정하고, 추출 영역 취득 유닛 (2) 에 공급한다. 차원 결정 유닛 (1) 은 추출될 특징 벡터의 차원들을 순차적으로 공급하고, 추출 영역 취득 유닛 (2) 이후의 구성 요소들은 공급 차원들에 대응하는 특징들을 추출한다. 예를 들어, 특징 벡터가 N 개 차원들로 형성되는 경우에, 차원 결정 유닛 (1) 은 제 1 차원부터 제 N 차원까지 순차적으로 추출 영역 취득 유닛 (2) 에 공급할 수도 있다. 결과적으로 특징 벡터의 차원들 모두에 공급되는 경우에 차원들은 임의의 순서로 공급될 수도 있다. 복수의 차원들을 동시에 공급하는 것 또한 가능하다.

차원 결정 유닛 (1) 으로부터 공급되는 차원들과는 별도로, 추출 영역 취득 유닛 (2) 에는 차원별 추출 영역 정보가 입력으로서 공급된다.

차원별 추출 영역 정보는 특징 벡터의 각 차원과 연관된, 차원의 특징을 추출하기 위한 제 1 추출 영역과 제 2 추출 영역의 소정의 쌍을 나타내는 정보이다. 제 1 및 제 2 추출 영역들은 전제 조건들로서 다음과 같은 특징들을 갖는다.

[제 1 및 제 2 추출 영역들의 전제 조건들]

제 1 및 제 2 추출 영역들의 전제 조건들은 추출 영역 쌍의 상대적인 위치들이 차원들 사이에서 서로 다르고, 추출 영역 쌍의 형상들의 조합이 차원들 사이에서 서로 다른 것이다.

도 2 는 차원별 추출 정보에 의해 표시되는 차원들의 각각에 대하여, 그러한 전제 조건들을 만족하는 예시적인 추출 영역 쌍을 도시한다. 도 18에 도시된 이미지 시그니처에 대한 추출 영역들과 달리, 추출 영역 쌍들의 형상들의 조합들은 개별 차원들 사이에서 서로 다르다. 형상이 서로 다른 것은 서로 다른 각도들의 동일한 형상들 (예를 들어, 도 2에서 제 1 차원의 제 2 추출 영역과 제 7 차원의 제 1 추출 영역) 및 서로 다른 사이즈의 유사한 형상들 (예를 들어, 도 2에서 제 1 차원의 제 2 추출 영역과 제 9 차원의 제 2 추출 영역) 을 포함한다. 최소 조건은 추출 영역 쌍이 서로 다른 형상들의 조합을 가지는 적어도 하나의 차원이 특징 벡터의 차원들 모두에 포함된다는 것을 주목한다. 특징 벡터가 서로 다른 형상들 (의 조합) 의 추출 영역 쌍들을 가진 다수의 차원들을 포함하는 것이 바람직하다. 이것은 특징 벡터가 서로 다른 형상들 (의 조합) 의 추출 영역 쌍들을 더 많이 가질수록 특징 벡터에서 차원들 간의 다수의 상관 관계들이 작아지고, 따라서 구별 능력이 높아지기 때문이다. 예를 들어, 추출 영역 쌍의 형상들은 특징 벡터의 차원들 마다 서로 다를 수도 있다.

하나의 차원에서 제 1 추출 영역과 제 2 추출 영역은 도 2의 제 9 차원에 도시된 영역들과 동일한 형상이어야 할 필요는 없지만, 도 2의 다른 차원들에 도시된 것과 서로 다른 형상일 수도 있다. 각 차원에서 제 1 추출 영역과 제 2 추출 영역의 형상들이 서로 다른 경우에, 제 1 추출 영역과 제 2 추출 영역에서 추출되는 특징들의 상관 관계는 작아지며, 구별 능력은 높아진다. 이와 같은 경우는 바람직하다. 또한, 이러한 경우에 제 1 추출 영역과 제 2 추출 영역이 동시에 동일 주파수에 대해 맹점이 될 가능성이 낮기 때문에, 구별 능력은 높아진다.

개별 추출 영역들은 임의의 형상들을 취할 수도 있다. 예를 들어, 도 2의 제 6 차원의 제 2 추출 영역과 같은 임의의 복잡한 형상들 또한 허용될 수 있다. 추출 영역들이 이미지의 복수의 픽셀들로 형성되는 경우에, 도 2의 제 7 차원 및 제 10 차원에 도시된 것과 같이 선 부분이나 곡선도 허용될 수 있다. 또한, 추출 영역은 제 8 차원의 제 1 추출 영역, 제 11 차원의 제 1 및 제 2 추출 영역, 제 12 차원의 제 1 추출 영역과 같이, 복수의 연속하지 않는 작은 영역들로 구성될 수도 있다. 상술된 것과 같이, 특징 벡터가 복잡한 형상의 추출 영역들을 포함하는 경우에, 그로부터 추출된 특징들의 차원들 간의 상관 관계는 작아질 수도 있고, 따라서 구별 능력은 높아질 수 있다.

또한, 도 2의 제 5 차원에서와 같이, 제 1 추출 영역과 제 2 추출 영역의 부분들은 서로 중복할 수 있다. 또한, 추출 영역 쌍 중 하나의 추출 영역은 다른 하나에 포함될 수도 있다. 상술된 것과 같이, 추출 영역 쌍의 중복을 허용함으로써, 추출 영역 쌍들에 대하여 더 많은 수의 패턴들 (상대적인 위치, 거리) 이 취득될 수록, 차원들 간의 상관을 감소시킬 수 있는 패턴들이 증가될 수 있으며, 따라서 구별 능력을 개선할 확률이 증가된다.

또한, 추출 영역들의 부분들은 도 18에 도시된 이미지 시그니처에 대한 추출 영역들과 달리 도 2에 도시된 개별 차원들과 같은 차원들 사이에서 서로 중복할 수도 있다. 도 18에 도시된 이미지 시그니처에 대한 추출 영역들에서 도시된 것과 같은 차원들 사이에서 추출 영역들이 독점적으로 취득되는 경우에, 추출 영역 쌍들의 가능한 패턴들이 한정된다. 도 2에 도시된 것과 같은 차원들 사이에 추출 영역들의 중복을 허용함으로써, 차원들 간의 상관 관계를 감소시킬 수 있는 패턴들을 증가시킬 수 있으며, 따라서 구별 능력을 개선할 확률이 증가된다. 그러나, 차원들 사이에 추출 영역들의 중복되는 부분들이 너무 많으면, 차원들 간의 상관 관계가 커지며 따라서, 구별 능력이 낮아지게 된다. 이와 같은 경우는 바람직하지 않다.

또한, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역의 형상의 조합은 서로 상이한 것이 바람직하다. 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역의 형상의 조합은 서로 상이할 수도 있다. 그 경우, 추출 영역이 서로 근방에 존재하는 모든 차원들 (차원 쌍) 사이에서, 그러한 차원 (차원 쌍) 의 추출 영역 쌍의 형상의 조합은 서로 상이할 수도 있다. 또한, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서 추출 영역 쌍의 형상의 조합이 서로 상이할 수도 있고, 또는, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원에서 추출 영역 쌍의 형상의 조합이 서로 상이할 수도 있다는 것이 가능하다.

여기서, 추출 영역이 서로 근방에 존재하는 차원 쌍은, 소정의 방법에 의해 계산되는, 2개 차원의 추출 영역들 (제 1 추출 영역과 제 2 추출 영역) 사이의 거리는 소정의 임계치보다 작은 차원의 쌍을 의미한다는 것을 주목한다. 2개 차원의 추출 영역들 (제 1 추출 영역과 제 2 추출 영역) 사이의 거리는, 예를 들어, 개별 차원의 추출 영역 (제 1 추출 영역과 제 2 추출 영역) 에 포함되는 모든 픽셀들 사이의 거리의 평균값으로서 계산될 수도 있다. 또, 예를 들어, 이 거리는 개별 차원의 추출 영역 (제 1 추출 영역과 제 2 추출 영역) 에 포함되는 모든 픽셀들 사이의 거리의 최소값으로서 계산될 수도 있다. 또한, 개별 차원의 추출 영역의 중심 좌표 (제 1 추출 영역의 중심 좌표와 제 2 추출 영역의 중심 좌표) 를 계산하고, 이들 사이의 거리를 계산하고 (총 4개의 거리가 계산된다), 그 평균값이나 최소값으로서 2개 차원의 추출 영역들 사이의 거리를 정의하는 것이 가능하다. 그러나, 2개 차원의 추출 영역들 사이의 거리를 계산하는 방법은 이러한 계산 방법으로 제한되지 않는다.

추출 영역이 서로 근방에 존재하는 차원간 (차원 쌍) 에 추출 영역 쌍의 형상의 조합을 서로 상이하게 하는 것으로 다음의 유리한 효과가 달성될 수 있다. 추출 영역이 서로 근방에 존재하는 차원간에서는, 추출되는 특징들 간의 상관이 커지는 경향이 된다. 이러한 영역 내 추출 영역 쌍의 형상의 조합이 같다면, 특징들 간의 상관이 더 커져, 전체 특징 벡터의 리던던시가 높아져, 구별 능력이 저하된다. 이와 같이, 추출 영역이 서로 근방에 있다는 사실로 인해 추출되는 특징들 간의 상관이 커지는 것을 상쇄시키기 위해서, 추출 영역 쌍의 형상의 조합을 이러한 영역에서 상이하게 함으로써, 특징들 간의 상관이 감소될 수 있고, 이로써, 전체 특징 벡터의 리던던시가 낮아질 수 있어, 구별 능력의 저하를 방지할 수 있다.

반대 관점에서, 차원들의 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역들 사이의 거리가 큰 것이 바람직하다. 예를 들어, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원들 (차원 쌍) 사이의 거리가 소정의 임계치보다 클 수도 있다. 그 경우, 추출 영역 쌍의 형상의 조합이 동일한 모든 차원들 (차원 쌍) 사이에서, 이러한 차원간 (차원 쌍) 의 거리는 소정의 임계치보다 클 수도 있다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 가운데, 차원들 (차원 쌍) 사이의 거리는 소정의 비율 이상의 차원 (차원 쌍) 에서의 소정의 임계치보다 클 수도 있고, 또는 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 가운데, 차원들 (차원 쌍) 사이의 거리는 적어도 한 쌍의 차원에서의 소정의 임계치보다 클 수도 있다는 것이 가능하다.

또한, 추출 영역이 서로 인접하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역 쌍의 형상의 조합은 서로 상이한 것이 바람직하다. 추출 영역이 인접하는 차원 (차원 쌍) 이란, 추출 영역의 일부의 주변이 접하는 것을 의미한다는 것을 주목한다. 예를 들어, 추출 영역이 인접하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역 쌍의 형상의 조합이 서로 상이할 수도 있다. 그 경우, 추출 영역이 인접하는 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역 쌍의 형상의 조합이 서로 상이할 수도 있다. 또한, 추출 영역이 인접하는 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서 추출 영역 쌍의 형상의 조합이 서로 상이할 수도 있고, 또는 추출 영역이 인접하는 차원들 (차원 쌍) 가운데, 추출 영역 쌍의 형상의 조합이 적어도 한 쌍의 차원에서 서로 상이할 수도 있다는 것이 가능하다.

추출 영역이 서로 인접하는 차원들 (차원 쌍) 사이에서, 추출 영역 쌍의 형상의 조합을 서로 상이하게 하여 다음의 유리한 효과가 달성될 수 있다. 추출 영역이 인접하는 차원 사이에서, 추출되는 특징들 간의 상관이 커지는 경향이 된다. 이것은 추출 영역이 서로 인접하는 차원 사이에서는, 2개 차원의 추출 영역들 사이의 거리가 가깝기 때문이다 (이미지 내의 가까운 영역들 사이에서 상관이 높음). 이러한 영역 내 추출 영역 쌍의 형상의 조합이 같다면, 특징들 간의 상관이 더 커짐으로서, 전체 특징 벡터의 리던던시가 높아져, 구별 능력이 저하된다. 이와 같이, 추출 영역이 서로 인접해 있다는 사실로 인해 추출되는 특징들 간의 상관이 커지는 것을 상쇄시키기 위해서, 추출 영역 쌍의 형상의 조합을 이러한 영역에서 상이하게 함으로써, 특징들 간의 상관이 감소될 수 있고, 이로써, 전체 특징 벡터의 리던던시가 낮아질 수 있어, 구별 능력의 저하를 방지할 수 있다.

반대 관점에서, 차원들의 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 인접하지 않은 것이 바람직하다. 예를 들어, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 인접하지 않을 수도 있다. 그 경우, 추출 영역 쌍의 형상의 조합이 동일한 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 인접하지 않을 수도 있다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 가운데, 추출 영역은 소정의 비율 이상의 차원 (차원 쌍) 에서 인접하지 않을 수도 있고, 또는 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 가운데, 추출 영역은 적어도 한 쌍의 차원에서 인접하지 않을 수도 있다는 것이 가능하다.

또한, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역 쌍의 형상의 조합은 서로 상이한 것이 바람직하다. 예를 들어, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역 쌍의 형상의 조합이 서로 상이할 수도 있다. 그 경우, 추출 영역이 일부 중복하는 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역 쌍의 형상의 조합이 서로 상이할 수도 있다. 또한, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서 추출 영역 쌍의 형상의 조합이 서로 상이할 수도 있고, 또는 추출 영역이 일부 중복하는 차원들 (차원 쌍) 가운데, 추출 영역 쌍의 형상의 조합이 적어도 한 쌍의 차원에서 서로 상이할 수도 있다는 것이 가능하다.

추출 영역이 서로 일부 중복하는 차원들 (차원 쌍) 사이에서 추출 영역 쌍의 형상의 조합을 서로 상이하게 하여 다음의 유리한 효과가 달성될 수 있다. 추출 영역이 일부 중복하는 차원 사이에서, 추출되는 특징들 간의 상관이 커지는 경향이 된다. 이것은 추출 영역이 일부 중복하는 차원 사이에서, 특징을 계산하는데 사용된 영역이 일부 공유되기 때문이다. 이러한 영역 내 추출 영역 쌍의 형상의 조합이 같다면, 특징들 간의 상관이 더 커짐으로서, 전체 특징 벡터의 리던던시가 높아져, 구별 능력이 저하된다. 이와 같이, 추출 영역이 일부 중복된다는 사실로 인해 추출되는 특징들 간의 상관이 커지는 것을 상쇄시키기 위해서, 추출 영역 쌍의 형상의 조합을 이러한 영역에서 상이하게 함으로써, 특징들 간의 상관이 감소될 수 있고, 이로써, 전체 특징 벡터의 리던던시가 낮아질 수 있어, 구별 능력의 저하를 방지할 수 있다.

추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서 추출 영역 쌍의 형상의 조합을 서로 상이하게 하는 것으로 다른 유리한 효과가 달성될 수 있다. 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서 추출 영역 쌍의 형상의 조합을 서로 상이하게 하는 것으로, 이미지의 개찬 (falsification)(특히, 악의가 있는 개찬) 에 대한 내성을 강화할 수 있다는 유리함이 있다. 이미지에 대한 악의가 있는 개찬은, 그 이미지로부터 추출되는 이미지 시그니처 (특징 벡터) 에 의한 동일성 결정의 정밀도를 열화시키려는 의도로, 예를 들어, 이미지의 일부의 영역의 픽셀 값을 변경함으로써 행해진다. 추출 영역이 일부 중복하는 차원 사이에서, 이미지의 중복 영역이 개찬되는 경우, 즉, 중복 영역의 픽셀 값을 변경되는 경우, 그곳으로부터 추출되는 특징 (영역 특징) 이 영향을 받아, 그 특징이, 개찬되지 않았던 영역으로부터 추출한 특징과는 상이할 가능성이 높아진다. 이러한 차원의 추출 영역 쌍의 형상의 조합이 같은 경우, 개별 차원의 추출 영역으로부터 추출되는 특징은 비슷한 방식으로 영향을 받아, 동시에 특징이 변경될 가능성이 높아지므로, 견고성이 낮다. 이러한 차원의 추출 영역 쌍의 형상의 조합이 상이한 경우, 중복 영역이 개찬되더라도, 특징이 비슷한 방식으로 영향을 받아 동시에 특징이 변경될 가능성이 감소할 수 있으므로, 견고성을 확보할 수 있다. 즉, 중복 영역을 공유하는 복수의 차원의 특징을 동시에 변경함으로써 중복 영역을 개찬하는 것이 곤란해진다. 따라서, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서 추출 영역 쌍의 형상의 조합을 서로 상이하게 하는 것으로, 이미지의 개찬 (특히, 악의가 있는 개찬) 에 대한 내성을 강화할 수 있다.

반대 관점에서, 차원의 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 중복하지 않는 것이 바람직하다. 예를 들어, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 중복하지 않을 수도 있다. 그 경우, 추출 영역 쌍의 형상의 조합이 동일한 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 중복하지 않을 수도 있다. 또, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서 추출 영역이 서로 중복하지 않을 수도 있고, 또는, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원에서 추출 영역이 서로 중복하지 않을 수도 있다는 것이 가능하다.

또한, 모든 차원들에 대한 추출 영역들이 결합될 때, 특징들이 추출되지 않는 영역이 작도록 (즉, 스크린 이미지의 거의 전체가 커버될 수 있음) 추출 영역들을 취득하는 것이 바람직하다. 도 18의 경우에서와 같이 특징들이 추출되지 않는 영역이 크면, 이미지 신호 내에 포함된 정보 (이미지를 구성하는 픽셀들의 픽셀 값) 의 대부분이 사용되지 않으며, 따라서 구별 능력은 크지 않다. 모든 차원들에 대한 추출 영역들이 결합되는 경우, 특징들이 추출되지 않는 영역이 작도록 (즉, 스크린 이미지의 거의 전체가 커버될 수 있음) 영역들을 추출함으로써, 이미지 신호 내에 포함되는 정보의 대부분이 특징들에 반영될 수 있으며, 따라서 구별 능력이 높아질 수 있다. 또한, 모든 차원들에 대한 추출 영역들이 결합되는 경우, 추출 특징들이 바이어스되지 않고 전체 이미지로부터 균일하게 획득되는 것이 바람직하다. 그러나, 특정 영역에 대한 자막 합성과 같은 로컬 프로세싱을 수행할 확률이 높은 경우에, 그 영역을 피해 추출 영역들을 획득하는 것이 바람직하다. 또한, 일반적으로 이미지의 에지 주변 영역들은 종종 이미지의 특징 부분들을 포함하지 않기 때문에, 그러한 주변 영역들을 피해 추출 영역을 획득하는 것이 바람직하다.

게다가, 추출 영역들의 사이즈 및 상대적인 위치 (거리, 방향) 가 특정한 분포 (예컨대, 균일한 분포) 를 따르는 것이 바람직하며, 이는 상대적인 위치 (거리, 방향) 가 균일 분포를 따르는 경우에 추출 영역은 거리와 방향에 대해 바이어스되지 않으며, 따라서 추출 영역들은 특정 거리 또는 방향에 집중되지 않고, 더 넓은 다양성이 달성될 수 있기 때문이다. 또한, 상대적인 위치들이 가까울수록 그 영역들 간의 상관 관계가 커지기 때문에, 그러한 영향을 상쇄시키기 위하여, 상대적인 위치들이 가까울수록 형상의 차이가 큰 것이 바람직하다.

차원별 추출 영역 정보는 각 차원에 대한 제 1 추출 영역과 제 2 추출 영역이 그 정보를 사용하여 고유하게 규정될 수 있는 경우에 임의의 형식이 될 수도 있다. 또한, 추출 영역은 임의의 사이즈 또는 종횡비의 이미지에 대하여 항상 같은 영역이 되어야 하므로, 차원별 추출 영역 정보는 임의의 사이즈 또는 종횡비의 이미지에 대하여 같은 추출 영역을 획득할 수 있는 형식이 되어야 한다. 예를 들어, 영역별 추출 영역은 소정의 사이즈와 종횡비를 갖는 이미지 (예를 들어, 가로폭 320 픽셀 × 세로폭 240 픽셀의 이미지) 에 대해 그 추출 영역의 위치 및 형상을 설명할 수도 있다. 이러한 경우에, 임의의 사이즈와 종횡비로 입력된 이미지에 대하여, 먼저 이미지를 소정의 사이즈와 종횡비를 갖도록 리사이즈한 후, 차원별 추출 영역 정보에서 설명되는 추출 영역의 위치 및 형상에 따라 추출 영역을 규정한다. 이와 반대로, 입력된 이미지의 임의의 사이즈와 종횡비에 대응하여 차원별 추출 영역 정보에 설명된 추출 영역의 위치 및 형상을 변환하는 것이 가능하며, 따라서 추출 영역을 규정할 수 있다.

차원별 추출 영역 정보에 포함된 각 추출 영역을 나타내는 정보는 소정의 사이즈와 종횡비의 이미지 (예를 들어, 가로폭 320 픽셀 × 세로폭 240 픽셀 이미지) 에 대해 추출 영역을 구성하는 모든 픽셀들의 좌표값들의 집합을 설명하는 정보일 수도 있다. 또한, 차원별 추출 영역 정보 내에 포함된 각 추출 영역을 나타내는 정보는 소정의 사이즈와 종횡비의 이미지에 대하여 추출 영역의 위치와 형상을 파라미터들을 사용하여 설명하는 정보일 수도 있다. 예를 들어, 추출 영역의 형상이 사각형인 경우에, 정보는 사각형의 4개의 모서리들의 좌표값들을 설명할 수도 있다. 또한, 추출 영역의 형상이 원형인 경우에, 정보는 원형의 중심의 좌표값들과 반경 값을 설명할 수도 있다.

또한, 차원별 추출 영역 정보와 같은 의사 난수들의 시드 (seed) 를 사용하여, 추출 영역 취득 유닛 (2) 내부의 시드에서 시작하여 난수들 (예컨대, 사각형의 4개의 모서리들은 난수들에 따라 결정됨) 에 따라 서로 다른 형상들로 추출 영역들을 생성할 수 있도록 의사 난수들을 생성하는 방법을 채용할 수도 있다. 구체적으로, 차원별 추출 영역은 하기의 절차에 따라 취득될 수 있다.

(1) 의사 난수들의 시드가 차원별 추출 영역 정보로서 공급된다.

(2) 차원 n은 n = 1 로 세팅된다.

(3) 의사 난수들이 생성되고, 차원 n에 대한 제 1 추출 영역의 사각형의 4개 모서리들이 결정된다.

(4) 의사 난수들이 생성되고, 차원 n에 대한 제 2 추출 영역의 사각형의 4개 모서리들이 결정된다.

(5) 차원 n은 n = n +1 로 세팅되고, 절차는 (3) 으로 복귀한다.

추출 영역들은 난수들에 따라 결정되기 때문에, 생성되는 추출 영역들은 개별 차원들에 대하여 서로 다르다. 또한, 의사 난수들의 시드가 동일한 경우에, 매번 (임의의 이미지에 관련하여) 동일한 난수들이 생성되기 때문에, 서로 다른 이미지들에 대하여 동일한 추출 공간이 재현된다.

추출 영역 취득 유닛 (2) 은 입력으로서 공급되는 차원별 추출 영역 정보로부터, 차원 결정 유닛 (1) 으로부터 공급되는 차원에 대응하는 제 1 추출 영역과 제 2 추출 영역을 나타내는 정보를 취득하고, 이러한 정보를 추출 영역 대표값 계산 유닛 (3) 에 출력한다.

영역 특징 계산 유닛 (3) 에는, 추출 영역 취득 유닛 (2) 으로부터의 입력 (제 1 추출 영역과 제 2 추출 영역을 나타내는 정보) 과는 별도로, 이미지 시그니처에 대한 추출 타겟인 이미지가 입력으로서 공급된다. 영역 특징 계산 유닛 (3) 은 제 1 영역 특징 계산 유닛 (31) 및 제 2 영역 특징 계산 유닛 (32) 을 포함한다. 제 1 영역 특징 계산 유닛 (31) 을 사용하여, 영역 특징 계산 유닛 (3) 은 입력으로서 공급되는 이미지로부터, 추출 영역 취득 유닛 (2) 으로부터 공급되는 제 1 추출 영역을 나타내는 정보에 기초하여 각 차원에 대한 제 1 영역 특징으로서 제 1 추출 영역의 특징을 계산하고, 그 특징을 비교 유닛 (4) 으로 공급한다. 또한, 제 2 영역 특징 계산 유닛 (32) 을 사용하여, 영역 특징 계산 유닛 (3) 은 입력으로 공급된 이미지로부터, 추출 영역 취득 유닛 (2) 으로부터 공급되는 제 2 추출 영역을 나타내는 정보에 기초하여 각 차원에 대한 제 2 영역 특징으로서 제 2 추출 영역의 특징을 계산하고, 그 특징을 비교 유닛 (4) 으로 공급한다.

제 1 추출 영역과 제 2 추출 영역을 나타내는 정보에 기초하는 입력된 이미지에 대하여 개별 추출 영역들을 규정하기 위해서, 영역 특징 계산 유닛 (3) 은 필요한 경우 차원별 추출 영역 정보 내에 소정의 사이즈와 종횡비를 갖도록 이미지를 리사이즈한다는 것을 주목한다.

영역 특징 계산 유닛 (3) 은 개별 추출 영역 내에 포함된 픽셀 그룹의 픽셀 값들을 이용하여 개별 추출 영역들의 영역 특징들을 계산한다. 이러한 실시형태에서, 픽셀 값은 이미지의 각 픽셀에 의해 수용되는 신호의 값이며, 스칼라 양 또는 벡터 양이다. 예를 들어, 이미지가 밝기 이미지인 경우에, 픽셀 값은 휘도 값 (스칼라 양) 이고, 이미지가 컬러 이미지인 경우에, 픽셀 값은 색상 성분을 나타내는 벡터 양이다. 컬러 이미지가 RGB 이미지인 경우에, 픽셀 값은 R 성분, G 성분, B 성분의 3 차원 벡터 양이다. 또한, 컬러 이미지가 YCbCr 이미지인 경우에, 픽셀 값은 Y 성분, Cb 성분, Cr 성분의 3 차원 벡터 양이다.

추출 영역들의 영역 특징들을 계산하기 위해, 해당 차원의 추출 영역들 (제 1 추출 영역과 제 2 추출 영역) 을 계산하는 방법이 일정한 경우에 (어떤 입력 이미지들에 대해서도 동일한 계산 방법이 사용되는 경우에), 임의의 방법들이 사용될 수 있다.

또한, 계산될 영역 특징은 스칼라 양 또는 벡터 양이 될 수도 있다. 예를 들어, 픽셀 값이 휘도 값과 같은 스칼라 양인 경우, 영역 특징은 평균값, 메디안값, 모드값, 최대값, 최소값 등 (이들 각각은 스칼라 양임) 으로서 계산될 수도 있다. 또한, 추출 영역에 포함된 픽셀 값들을 정렬하고, 그 분포 (소팅된 순서) 의 위 또는 아래부터 소정의 비율 위치에서 픽셀 값을 영역 특징 (이는 또한 스칼라 양임) 으로서 획득하는 것이 가능하다. 보다 구체적으로, 백분율의 P% (예를 들어 P = 25 %) 가 소정의 비율인 경우를 설명할 것이다. 추출 영역에 포함된 총 N 개의 픽셀들의 픽셀 값들 (휘도 값들) 이 오름차순으로 정렬되고, 오름차순으로 정렬된 픽셀 값들 (휘도 값들)의 집합이 Y(i) = {Y(0), Y(1), Y(2), ..., Y(N-1)} 로서 표시된다. 이러한 예에서, 오름차순으로 정렬된 순열의 맨 아래부터 P%의 위치에 있는 픽셀 값은 예를 들어, Y(floor(N*P/100)) 이며, 따라서, 이러한 값은 추출 영역의 영역 특징으로 획득된다. floor()는, 소수점 이하를 잘라버리는 함수라는 것을 주목한다. 이러한 예에서, 추출 영역에 포함된 픽셀의 휘도 값에 대하여 이러한 식 (Y(floor(N*P/100))) 을 적용함으로써 계산된 영역 특징은 "백분위 휘도값 특징" 이라 지칭된다.

또한, 픽셀 값이 색 성분과 같은 벡터 양인 경우에, 먼저 그 값을 임의의 방법에 의해 스칼라 양으로 변환한 후에, 상술된 방법에 따라 영역 특징을 계산하는 것이 가능하다. 예를 들어, 픽셀 값이 RGB 성분들의 3 차원 벡터 양인 경우에, 먼저 그 값을 스칼라 양인 휘도 값으로 변환한 후에, 상술된 방법에 따라 영역 특징을 계산하는 것이 가능하다. 또한 픽셀 값이 벡터 양인 경우에, 추출 영역 내에 포함된 픽셀 값들의 평균 벡터를 영역 특징으로 사용하는 것 또한 가능하다.

또한, 추출 영역에 대하여 에지 검출 또는 템플릿 매칭과 같은 임의의 연산 (미분 연산, 필터 연산) 을 수행하고, 연산 결과를 영역 특징으로 사용하는 것 또한 가능하다. 예를 들어, 이러한 연산 결과는 에지 방향 (경사 방향) 을 나타내는 2 차원 벡터 양 또는 템플릿의 유사도를 나타내는 스칼라 양이 될 수도 있다.

또한, 추출 영역 내에 포함된 색상 분포, 에지 방향 분포, 또는 에지 강도 분포를 나타내는 히스토그램이 영역 특징 (이들 각각은 벡터 양임) 으로 획득될 수도 있다.

또한, ISO/IEC 15938-3에 정의되어 있는 각종 특징 타입들 중 임의의 타입이 사용될 수도 있고, 이는 우세한 컬러, 컬러 레이아웃, 확장성 컬러, 컬러 구조, 에지 히스토그램, 동종의 텍스처, 텍스처 브라우징, 영역 형상, 윤곽 형상, 3D 형상, 매개변수 동작, 움직임 활동을 포함한다.

비교 유닛 (4) 은 각 차원에 대해 영역 특징 계산 유닛 (3) 으로부터 공급되는 제 1 영역 특징과 제 2 영역 특징을 비교하고, 그 비교 결과를 양자화하여 취득된 양자화 인덱스를 출력한다. 비교 유닛 (4) 이 개별 차원들에 대한 양자화 인덱스들을 출력하기 때문에, 결과적으로 복수의 차원들의 양자화 인덱스들을 구성하는 양자화 인덱스 벡터가 출력된다.

비교 유닛 (4) 은 제 1 영역 특징을 제 2 영역 특징과 비교하고, 양자화를 수행하기 위해 임의의 방법들을 사용할 수도 있다. 또한, 각 차원에 대한 양자화 인덱스들의 개수는 선택적이다.

예를 들어, 영역 특징들이 스칼라 양들 (예컨대, 휘도값의 평균값) 인 경우에, 비교 유닛 (4) 은 이러한 크기들을 비교하여, 제 1 영역 특징이 더 큰 경우에 양자화 인덱스를 +1 이 되도록 세팅하고, 다른 경우들에 양자화 인덱스를 -1 이 되도록 세팅하며, 비교 결과를 양자화 인덱스들의 2개의 값들, +1 및 -1 로 양자화할 수 있다. 차원 n 과 관련하여, 제 1 영역 특징이 Vn1 이고, 제 2 영역 특징이 Vn2이면, 차원 n 의 양자화 인덱스 Qn 은 하기의 식에 의해 계산될 수 있다는 것을 주목한다.

[수학식 1]

Qn = +1 (Vn1 > Vn2 의 경우)

-1 (Vn1 ≤ Vn2 의 경우)

도 3은 비교 유닛 (4) 이 상기 식 1에 기초하여 비교 및 양자화를 수행할 때 비교 유닛 (4) 의 구성도를 보다 상세하게 도시한다.

도 3을 참조하면, 비교 유닛 (4) 은 크기 비교 유닛 (41) 과 양자화 유닛 (42) 을 포함한다.

제 1 영역 특징과 제 2 영역 특징이 공급될 때, 크기 비교 유닛 (41) 은 제 1 영역 특징의 값과 제 2 영역 특징의 값을 비교하고, 비교 결과를 양자화 유닛 (42) 에 공급한다. 이는, 크기 비교 유닛 (41) 이 Vn1 의 크기와 Vn2 의 크기를 비교하여, 비교 결과가 Vn1 > Vn2 인지 아니면 Vn1 ≤ Vn2 인지를 나타내는 정보를 양자화 유닛 (42) 에 크기 비교 결과로서 공급하는 것을 의미한다.

크기 비교 유닛 (41) 으로부터 공급되는 크기 비교 결과에 기초하여, 양자화 유닛 (42) 은 식 1에 따라 양자화를 수행하고, 양자화 인덱스를 출력한다. 이와 같이, 양자화 유닛 (42) 은 비교 결과가 Vn1 > Vn2 임을 나타내는 정보가 공급되는 경우, 양자화 인덱스는 +1 이 되고, 비교 결과가 Vn1 ≤ Vn2 임을 나타내는 정보가 공급되는 경우, 양자화 인덱스는 -1 이 되는 방식으로 양자화 인덱스를 출력한다.

식 1에 따른 비교 및 양자화 방법은 하기에서 비교 및 양자화 방법 A로 지칭된다는 것을 주목한다.

또한, 영역 특징이 스칼라 양 (예컨대, 휘도값의 평균값) 인 경우에, 비교 유닛 (4) 은 차분값의 절대값이 소정의 임계치보다 작거나 동일한 경우에는 제 1 영역 특징과 제 2 의 영역 특징 간에 차이가 없는 것으로 결정되어, 차이가 없는 것을 나타내는 양자화 인덱스 0 이 세팅되고, 그 이외의 경우에 비교 유닛 (4) 이 이러한 크기를 비교하여 제 1 영역 특징이 더 큰 경우에는 양자화 인덱스 +1 이 세팅되고, 다른 경우에는 양자화 인덱스 -1 이 세팅되도록 하는 방식으로 양자화를 수행할 수도 있으며, 따라서, 양자화 인덱스는 +1, 0, 및 -1 의 3개의 값들 중 임의의 값이 될 수 있다. 차원 n의 제 1 영역 특징이 Vn1 이고, 제 2 영역 특징이 Vn2 이며, 소정의 임계치가 th라고 가정하면, 차원 n 의 양자화 인덱스 Qn 은 하기의 식으로부터 계산될 수 있다.

[수학식 2]

Qn = +1 (|Vn1 - Vn2| > th이고 Vn1> Vn2 인 경우)

0 (|Vn1 - Vn2| ≤ th인 경우)

-1 (|Vn1 - Vn2| > th이고 Vn1 ≤ Vn2 인 경우)

도 4는 비교 유닛 (4) 이 식 2에 따라 비교 및 양자화하는 수행할 때 비교 유닛 (4) 의 상세한 구성도를 도시한다.

도 4를 참조하면, 비교 유닛 (4) 은 차분값 계산 유닛 (43) 과 양자화 유닛 (44) 을 포함한다. 양자화 유닛 (44) 에는, 양자화의 경계를 나타내는 소정의 정보 (양자화 경계 정보) 인 임계치가 입력으로서 미리 공급된다.

제 1 영역 특징과 제 2 영역 특징과 공급되면, 차분값 계산 유닛 (43) 은 제 1 영역 특징의 값과 제 2 영역 특징의 값 사이의 차분값을 계산하여 계산된 차분값을 양자화 유닛 (44) 에 공급한다. 이는 차분값 계산 유닛 (43) 이 Vn1 - Vn2를 계산하고, 그 결과값을 양자화 유닛 (44) 에 공급하는 것을 의미한다.

양자화 유닛 (44) 은 차분값 계산 유닛 (43) 으로부터 공급되는 차분값과 입력으로서 공급되는 소정의 양자화의 경계를 나타내는 정보 (양자화 경계 정보) 인 임계치에 기초하여 식 2에 따라 양자화를 수행하고, 양자화 인덱스를 출력한다. 이는 양자화 유닛 (44) 이 차분값 계산 유닛 (43) 으로부터 공급되는 Vn1 - Vn2 의 값과 입력으로서 공급되는 임계치 th에 기초하여, |Vn1 - Vn2| > th이고 Vn1 - Vn2 > 0 인 경우에 양자화 인덱스는 +1 이고, |Vn1 - Vn2| > th이고 Vn1 - Vn2 ≤ 0 인 경우에 양자화 인덱스는 -1 이고, |Vn1 - Vn2| ≤ th인 경우에 양자화 인덱스는 0 인 방식으로 양자화 인덱스를 출력하는 것을 의미한다.

식 2에 기초하는 비교 및 양자화 방법은 하기에서 비교 및 양자화 방법 B로 지칭된다.

이러한 예에서, 양자화는 차분값에 기초하여 3개의 값들에서 수행되지만, 차분값의 크기에 따라 더 많은 수의 (레벨의) 양자화 인덱스들에서 양자화를 수행하는 것이 가능하다. 그러한 경우에도, 비교 유닛 (4) 은 도 4에 도시된 것과 같은 구성을 가지고, 양자화 유닛 (44) 에는 개별 레벨들에 대하여 소정의 양자화의 경계들을 나타내는 정보 (양자화 경계 정보) 로서 복수의 임계치들이 입력들로 공급된다. 또한 이러한 차분값과 입력들로 공급되는 임계치들에 기초하여, 4개 이상의 레벨들로 양자화하기 위한 비교 및 양자화 방법은 하기에서 비교 및 양자화 방법 C로 지칭된다.

상술된 것과 같이, 제 1 영역 특징과 제 2 영역 특징 간의 차이가 작기 때문에 (소정의 임계치보다 작거나 동일하기 때문에) 차이가 없는 것으로 결정되는 경우에 대하여 차이가 없음을 나타내는 양자화 인덱스를 도입함으로써, 영역 특징들 간에 작은 차이를 가지는 추출 영역 쌍의 차원에서 특징 (양자화 인덱스) 이 더 안정되도록, 즉 식 1에 따른 방법에 비해 다양한 변경 프로세스 및 잡음에 대하여 더 견고하도록 하는 것이 가능하다. 이와 같이, 로컬 영역들 간에 차이가 전반적으로 적은 이미지, 즉 전반적으로 변화들이 적은 평탄한 이미지 (예를 들어 푸른 하늘의 이미지) 에 대해서도 안정적이고, 다양한 변경 프로세스들 및 잡음에 대해서도 견고한, 이미지 시그니처 (양자화 인덱스 벡터) 를 출력하는 것이 가능하다.

또한, 예를 들어, 영역 특징이 벡터 양인 경우에, 비교 유닛 (4) 은 먼저 임의의 방법으로 벡터 양을 스칼라 양으로 변환한 후에, 상술된 방법에 따라 양자화를 수행한다 (이 비교 및 양자화 방법은 하기에서 비교 및 양자화 방법 D로 지칭된다). 제 1 추출 영역의 벡터와 제 2 추출 영역의 벡터 사이의 차이인 차분 벡터를 계산하고, 차분 벡터를 양자화하여 양자화 인덱스를 획득하는 것이 가능하다. 이 경우, 개별 양자화 인덱스들에 대하여 미리 결정된 대표 벡터들 (중심 벡터들 등) 이 공급되고, 이러한 대표 벡터들은 대표 벡터들과 차분 벡터들 간에 최대 유사도 (최소 거리) 를 갖는 양자화 인덱스들로 분류된다 (이 비교 및 양자화 방법은 하기에서 비교 및 양자화 방법 E로 지칭된다). 또한, 상술된 식 2에 따른 스칼라 양의 양자화와 마찬가지로, 차분 벡터의 노름 (norm) 이 소정의 임계치보다 작거나 동일한 경우에, 제 1 영역 특징과 제 2 영역 특징 간에 차이가 없음을 결정하여 차이가 없음을 나타내는 양자화 인덱스를 차이가 없음을 나타내는 양자화 인덱스 0 으로서 도입하는 것이 가능하다.

또한, 본 발명에서 출력되는 양자화 인덱스 벡터들을 매칭할 경우 (하나의 이미지에서 추출한 양자화 인덱스 벡터와 또 다른 이미지에서 추출한 양자화 인덱스 벡터를 비교하여 그 이미지들이 동일한지의 여부를 결정할 경우), 양자화 인덱스들이 일치하는 차원들의 수 (유사도) 또는 양자화 인덱스들이 일치하지 않는 차원들의 수 (해밍 거리) 는 동일성 척도로서 계산될 수도 있고, 이러한 동일성 척도는 임계치와 비교되어, 이미지의 동일성이 결정될 수 있다는 것을 주목한다.

또한, 비교 유닛 (4) 에서 양자화 인덱스들이 식 2 에 기초하여 계산된 경우에, 동일성 척도 (유사도) 는 다음과 같이 계산될 수 있다. 먼저, 2개 이미지들의 양자화 인덱스 벡터들은 대응하는 차원들 사이에서 서로 비교되며, "양자화 인덱스 둘 모두가 0"이 아닌 차원들의 수가 계산된다 (이러한 값은 A로 세팅된다). 다음, "양자화 인덱스 둘 모두가 0"이 아닌 차원들에서, 양자화 인덱스들이 일치하는 차원들의 수가 계산된다 (이러한 값은 B로 세팅된다). 그 후에, 유사도는 B/A로 계산된다. A = 0 인 경우 (즉, 차원마다 양자화 인덱스 둘 모두가 0 인 경우), 유사도는 소정의 수치 값 (예컨대, 0.5) 이 되도록 세팅된다.

또, "양자화 인덱스 둘 모두가 0"이 아닌 차원에서, 양자화 인덱스가 일치하지 않는 차원의 수를 계산하여 (이 값을 C로 세팅한다), 동일성 척도 (거리) 를 C/A로서 계산하는 것이 가능하다. A = 0 인 경우 (즉, 차원 마다 양자화 인덱스 둘 모두가 0이 되는 경우), 동일성 척도 (거리) 를 소정의 수치 값 (예를 들어 0.5) 으로 세팅한다. 이 동일성 척도를 C/A로서 계산하는 방법의 유리한 효과를, 동일성 척도를 B/A로서 계산하는 방법과 비교하여, 이하에 나타낸다. B＋C=A이기 때문에, B (양자화 인덱스가 일치하는 차원의 수) 를 계산해 B/A를 획득하는 경우와 C (양자화 인덱스가 일치하지 않는 차원의 수) 를 계산해 C/A를 획득하는 경우 사이에는, 이미지의 동일성 결정의 정밀도에 차이가 없다 (B/A=1-C/A, C/A=1-B/A이므로, B/A는 동일성 척도를 "유사도"로서 계산하는 한편, C/A는 동일성 척도를 "거리"로서 계산한다는 이들 간의 차이뿐이기 때문이다). 그러나, 계산되는 동일성 척도를 미리 주어진 임계치와 비교해 동일성을 결정할 때, 계산 비용을 경감하기 위해서 동일성 척도의 계산이 중단되는 경우 2개의 방법 간에 계산 비용의 차이가 발생한다. 동일성 척도의 계산의 중단은 다음과 같다. 미리, 동일성 결정을 위한 임계치가 주어진다. 개별 차원에 대하여, 순서대로 양자화 인덱스가 서로 {일치하는지·일치하지 않는지} 를 결정하고, 양자화 인덱스가 서로 {일치하는·일치하지 않는} 차원수의 값을 계산 (증분) 하고, 이 값을 순서대로 임계치와 비교한다. 양자화 인덱스가 {일치하는·일치하지 않는} 차원수가, 임계치를 초과하는 시점에서, 계산을 종료할 수도 있다 (계산이 계속된다 해도, 이 값이 임계치를 초과하는 것이 자명하기 때문이다). 일반적으로, 동일성 결정을 위한 임계치는, 동일성 척도 (유사도) 를 B/A로서 계산한다면 0.5 (절반) 보다 큰 값으로 세팅되고, 또는, 동일성 척도 (거리) 를 C/A로서 계산한다면 0.5 (절반) 보다 작은 값으로 세팅된다 (전자의 경우, 계산한 값이 임계치보다 크면 이미지가 동일한 것으로 결정하고, 후자의 경우, 계산한 값이 임계치보다 작으면 이미지가 동일한 것으로 결정한다) 는 것을 주목한다. 예를 들어 B/A가 계산되는 경우 임계치를 0.8로 세팅하고, C/A가 계산되는 경우 임계치를 0.2로 세팅한다. A=100인 경우, B/A를 계산하는 경우, B의 값을 순서대로 계산하고, B의 값이 80을 초과하는 경우, 계산을 종료할 수도 있다. C/A를 계산하는 경우, C의 값을 순서대로 계산하고, C의 값이 20을 초과하는 경우, 계산을 종료할 수도 있다. 즉, B를 계산하는 경우에는 값이 80을 초과할 때까지 계산을 종료할 수 없지만, C를 계산하는 경우에는 값이 20을 초과하는 시점에서 종료할 수 있다는 것을 의미한다. 그 때문에, 동일성 척도를 C/A로서 계산하는 것이 B/A로서 계산하는 것보다, 예상보다 더 이른 포인트에서 계산이 종료될 수 있기 때문에, 동일성 척도를 C/A로서 계산하는 것은 계산 비용을 경감하는 유리한 효과가 있다.

또한, "양자화 인덱스 둘 모두가 0"인 차원의 수를 D로서 계산하여 (총 차원수가 N인 경우, A＋D=N), 임의의, D의 단조 비증가 함수 f(D) 를 이용하여, 동일성 척도를 B/f(D) 또는 C/f(D) 로서 계산하는 것도 가능하다. D의 단조 비증가 함수 f(D) 란, D1＜D2에 대해 f(D1)≥f(D2)를 만족하는 함수이다. D에 대한 f(D) 의 예를 도시한 그래프를 도 32에 나타낸다 (가로축은 D를 나타내고, 세로축은 f(D)를 나타낸다). 도 32에서, 함수 (i) 는, f(D)=상수, 단순히 B 또는 C로서 계산하는 것과 동일한 값을 갖는 동일성 척도를 전달하고, 함수 (ⅱ) 는, f(D)=N-D=A, B/A 또는 C/A로서 계산된 것과 동일한 값을 갖는 동일성 척도를 전달한다. f(D)는 함수 (i) 또는 함수 (ⅱ) 와 같이 D 에 대해 선형일 필요는 없고, 이것이 D의 단조 비증가 함수인 한, 함수 (ⅲ) 또는 함수 (ⅳ) 와 같이 비선형 함수일 수도 있다는 것을 주목한다. 상술된 바와 같이, 임의의, D의 단조 비증가 함수 f(D) 를 이용하여 동일성 척도를 B/f(D) 또는 C/f(D) 로서 계산하는 유리한 효과를 아래에 제공한다. 양자화 인덱스 0은, 식 2를 참조하면, 2개의 추출 영역의 영역 특징의 값 간에 차이가 없는 (임계치 이하이다) 것을 나타내고 있다. 전체적으로 변화가 작은, 즉 국소 영역의 특징들 간의 차가 작은, 평탄한 이미지 영역 (예를 들어, 하늘 영역, 흰벽 영역 등) 에서, 양자화 인덱스의 수 0이 커지는 경향이 있고 (예를 들어 전체적으로 평탄한 푸른 하늘의 이미지에서, 거의 모든 차원에서 양자화 인덱스가 0이 된다), 또한, 이와 같은 평탄한 이미지 영역이 많은 이미지에 포함되기 때문에, 양자화 인덱스가 0인 차원은, 2개의 이미지의 양자화 인덱스 벡터를 비교함으로써 동일성을 결정하는데 있어서 낮은 유효성을 갖는다는 것을 나타낸다. 2개의 비교된 이미지의 양자화 인덱스 벡터에서, "양자화 인덱스 둘 모두가 0"인 차원은, 2개의 이미지의 양자화 인덱스 벡터를 비교함으로써 동일성을 결정하는데 있어서 보다 덜 유효한 차원이라고 생각된다. B 및 C에서, 유효성이 낮은 "양자화 인덱스 둘 모두가 0"인 차원을 제외하여, 유효성이 높은 "양자화 인덱스 둘 모두가 0"이 아닌 차원으로 한정함으로써, 양자화 인덱스가 일치하는 차원수 (B) 또는 양자화 인덱스가 일치하지 않는 차원수 (C) 를 계산한다. 유효성이 낮은 차원을 제외하여, 유효성이 높은 차원으로 한정하여 동일성 척도를 계산함으로써, 이미지의 동일성의 결정을 위한 고정밀의 매칭을 실현할 수 있다. 또한, f(D)는, "양자화 인덱스 둘 모두가 0"인 차원의 수, 즉 유효성이 낮은 차원의 수에 따라, B 또는 C의 값을 정규화한다 (D가 큰 만큼 A가 작아져, B나 C의 값이 작아지기 때문에, D에 대해 단조 비증가 함수에 의해 정규화가 실시된다). 임의의 단조 비증가 함수는 정규화를 위한 함수로서 사용되기 때문에, 동일성 척도의 거동을 조정 (제어) 할 수 있고, 동일성 결정을 실시하는 이미지 데이터베이스나 어플리케이션에 따라 최적화가 달성될 수 있다는 것을 주목한다.

전단락 (단락 0076) 에서 설명한 동일성 척도의 계산 방법에서, 유효성이 낮은 "양자화 인덱스 둘 모두가 0"인 차원을 제외하고, 유효성이 높은 "양자화 인덱스 둘 모두가 0"이 아닌 차원으로 한정하여, 동일성 척도를 계산한다. 그러나, 유효성이 낮은 "양자화 인덱스 둘 모두가 0"인 차원을 완전하게 제외하지 않고, "양자화 인덱스 둘 모두가 0"인 차원의 수인 D에 대하여 단조 비감소 함수 g(D) 를 이용하여, 동일성 척도를 (B/f(D))＋g(D) 로서 계산한다. 전반의 B/f(D)는, 유효성이 높은 "양자화 인덱스 둘 모두가 0"이 아닌 차원으로부터 계산된 동일성 척도이고, 후반의 g(D) 는 유효성이 낮은 "양자화 인덱스 둘 모두가 0"인 차원으로부터 계산된 동일성 척도이고, 그 합으로서 전체의 동일성 척도를 정의한다는 것을 주목한다. 전반의 B/f(D) 보다 후반의 g(D)의 영향 (가중치) 이 작아지도록, 단조 비감소 함수 g(D) 를 설계함으로써, 유효성이 높은 전반의 B/f(D) 의 가중치가 크게 동일성 척도를 계산할 수 있다. 예를 들어, 작은 가중치 β를 이용하여, 동일성 척도를 (B/f(D))＋β*D로서 계산하는 것이 가능하다. 또한, f(D)=상수인 경우, 1/f(D)=α인 경우, 동일성 척도를α*B＋β*D로 계산할 수도 있다. 이와 같이, 유효성이 높은 "양자화 인덱스 둘 모두가 0"이 아닌 차원과 유효성이 낮은 "양자화 인덱스 둘 모두가 0"인 차원을 나누어 동일성 척도를 계산함으로써, 전체 차원을 고려하면서, 유효성이 높은 차원과 유효성이 낮은 차원과의 상대적인 가중치를 조정 (제어)(예를 들어, 유효성이 높은 차원의 가중치를 증가시키는 것) 할 수 있다. 동일성 결정을 실시하는 이미지 데이터베이스 또는 어플리케이션에 따라 최적화가 실시될 수 있는 유리한 효과를 제공한다.

단락 0074 내지 단락 0077에서, 비교되는 2개의 양자화 인덱스 벡터 에 있어서, "양자화 인덱스 둘 모두가 0"인 차원(의 수) 및 "양자화 인덱스 둘 모두가 0"이 아닌 차원(의 수) 에 기초하여 동일성 척도의 계산 방법을 설명하였지만, "양자화 인덱스 중 어느 하나가 0"인 차원(의 수) 및 "양자화 인덱스 중 어느 하나가 0"이 아닌 차원(의 수) 에 기초하여 유사한 계산 방법에 의해 동일성 척도를 계하는 것이 가능하다. 이것은, 단락 0074 내지 단락 0077에 있어서 "양자화 인덱스 둘 모두가 0"인 차원(의 수) 및 "양자화 인덱스 둘 모두가 0"이 아닌 차원(의 수) 를 "양자화 인덱스 중 어느 하나가 0"인 차원(의 수) 및 "양자화 인덱스 중 어느 하나가 0"이 아닌 차원(의 수) 로 대체될 수도 있다는 것을 의미한다.

단락 0074 내지 단락 0078에 기재된 매칭 방법 (동일성 척도의 계산 방법) 이 양자화 인덱스가 식 2에 기초하여 계산되는 전제에 기초하여 설명하였지만, 매칭 방법은 양자화 인덱스가 식 2에 기초하여 계산되는 경우로 한정되지 않는다. 양자화 인덱스를 도입하는 양자화 방법이, 비교 유닛 (4) 에서, 2개의 추출 영역 (제 1 추출 영역과 제 2 추출 영역) 의 특징인 제 1 영역 특징과 제 2 영역 사이에 차이가 없음 (차이가 작은, 즉, 소정의 임계치 이하) 을 나타내는 경우, 이러한 매칭 방법을 적용할 수도 있다. 즉, 단락 0074 내지 단락 0078에서 양자화 인덱스 0은 "제 1 영역 특징과 제 2 영역 특징 사이에 차이가 없음 (차이가 작은, 즉, 소정의 임계치 이하) 을 나타내는 양자화 인덱스"로서 이해한다.

단락 0073 내지 단락 0079에서 설명한, 2개의 이미지로부터 추출된 양자화 인덱스를 매칭시키는 방법에 의해 동일성 척도를 계산하는 수단이 매칭 수단인 경우, 매칭 유닛을 구성 요소로 포함하는 이미지 시그니처 매칭 장치를 구성하는 것이 가능하다. 매칭 유닛은, 비교 유닛 (4) 으로부터 출력된 제 1 이미지의 양자화 인덱스 벡터와 제 2 이미지의 양자화 인덱스 벡터를 비교하고, 동일성 척도를 계산하여 이것을 출력한다. 또한, 이미지 시그니처 매칭 장치는, 매칭 유닛 이외에 동일성 결정 유닛을 포함할 수도 있다. 동일성 결정 유닛은, 매칭 유닛으로부터 공급되는 동일성 척도의 크기를 주어진 임계치와 비교하고, 제 1 이미지와 제 2 이미지가 동일인지 여부를 결정하고, 그 결정 결과를 출력한다.

단락 0073 내지 단락 0080에 기재된 양자화 인덱스 벡터를 조합하는 방법은 아래에 기재된 모든 실시형태 (제 2 실시형태, 제 3 실시형태, 제 4 실시형태, 및 그 밖의 실시형태) 에 적용할 수도 있다.

[제 1 실시 형태의 동작]

다음에, 도 5의 흐름도를 참조하여 제 1 실시 형태에 따른 이미지 시그니처 추출 장치의 동작이 설명될 것이다. 도 5의 흐름도에서, 특징 벡터의 차원 (번호) 은 "n" 으로 표시되고, 1에서 N까지 총 N개 차원들이 존재한다.

먼저, 차원 결정 유닛 (1) 은 특징 벡터를 추출하기 위한 제 1 차원으로서 차원 1 을 결정하고 (n = 1), 이를 추출 영역 취득 유닛 (2) 에 공급한다 (단계 A1).

다음에, 추출 영역 취득 유닛 (2) 은 입력으로서 공급되는 차원별 추출 영역 정보로부터 차원 n 의 제 1 추출 영역과 제 2 추출 영역을 나타내는 정보를 취득하고, 이를 영역 특징 계산 유닛 (3) 에 공급한다 (단계 A2).

그 후에, 영역 특징 계산 유닛 (3) 은 입력으로서 공급되는 이미지로부터 차원 n 의 제 1 영역 특징과 제 2 영역 특징을 계산하고, 그 특징들을 비교 유닛 (4) 으로 공급한다 (단계 A3).

그 후에, 비교 유닛 (4) 은 차원 n 의 제 1 영역 특징과 제 2 영역 특징을 비교하고, 비교 결과를 양자화하여, 양자화 인덱스를 출력한다 (단계 A4) .

그 후에, 모든 차원들에 대한 양자화 인덱스들의 출력이 완료되었는지 여부가 결정된다 (즉, n < N 이 참인지, 거짓인지 결정된다) (단계 A5). 모든 차원들에 대한 양자화 인덱스들의 출력이 완료되면 (즉, n < N 이 거짓인 경우), 프로세싱은 종료한다. 모든 차원들에 대한 양자화 인덱스의 출력이 완료되지 않으면 (즉, n < N 이 참인 경우), 프로세싱은 단계 A6 로 진행한다. 단계 A6 에서, 차원 결정 유닛 (1) 은 특징 벡터를 추출하기 위한 다음 차원을 결정하고 (n = n + 1), 이를 추출 영역 취득 유닛 (2) 에 공급한다. 그 후에, 프로세싱은 단계 A2로 복귀한다.

추출 프로세싱은 차원 1 부터 차원 N 까지의 순서로 수행되지만, 이러한 순서에 제한되지 않고 임의의 순서로 실시될 수 있다는 것을 주목한다. 또한, 상술된 프로세싱 절차에 제한되지 않고 복수의 차원들에 대한 추출 프로세싱을 동시에 수행하는 것이 가능하다.

[제 1 실시 형태의 효과들]

다음에, 본 발명의 제 1 실시 형태의 유리한 효과들이 설명될 것이다.

첫 번째로 유리한 효과는 복수의 차원들의 특징 벡터들로 구성되는 이미지 시그니처의 서로 다른 이미지들을 구별하는 정도인 구별 능력이 개선될 수 있는 것이다. 특히, 이미지의 로컬 영역들 간에 큰 상관 관계를 가지는 이미지에 대하여, 이 효과는 현저하다.

그 이유는 특징들을 추출하기 위한 영역들의 형상들이 차원들 사이에서 서로 다르기 때문에 (영역들의 형상들이 다양하기 때문에), 차원들 간의 상관 관계가 감소될 수 있기 때문이다.

두 번째의 유리한 효과는 신호들이 특정 주파수에 집중하는 이미지에 대해서도 구별 능력이 저하되지 않는다는 것이다.

그 이유는 특징을 추출하기 위한 영역들의 형상들이 차원들 사이에서 서로 다르기 때문에 (영역들의 형상들이 다양하기 때문에) 신호들이 특정 주파수에 집중하는 이미지에 대해서도 동시에 모든 (다수의) 추출 영역 쌍들 (차원들) 의 특징들 사이에 차이가 없어져 구별 능력이 저하되는 경우가 덜 발생되기 때문이다.

[제 2 실시 형태]

[제 2 실시 형태의 구성]

다음에, 본 발명의 제 2 실시 형태는 도면들을 참조하여 상세히 설명될 것이다.

본 발명의 제 2 실시 형태는 도 1에 도시된 제 1 실시 형태의 비교 유닛 (4) 이 도 6 에 자세히 도시된 비교 유닛 (4A) 으로 대체된다는 점에서 제 1 실시 형태와 다르다. 비교 유닛 (4A) 이외의 컴포넌트들은 제 1 실시 형태와 동일하기 때문에, 본 실시예에서 이러한 컴포넌트들에 대한 설명은 생략된다.

도 6을 참조하면, 비교 유닛 (4A) 은 차분값 계산 유닛 (43), 양자화 경계 결정 유닛 (45), 및 양자화 유닛 (44) 을 포함한다.

차분값 계산 유닛 (43) 은 각 차원에 대해 영역 특징 계산 유닛 (3) 으로부터 공급되는 제 1 영역 특징과 제 2 영역 특징 간의 차분값을 계산하고, 그 차분값을 양자화 경계 결정 유닛 (45) 및 양자화 유닛 (44) 에 공급한다.

영역 특징들이 스칼라 양들 (예컨대, 휘도값의 평균값) 인 경우에, 예를 들어, 차분값은 제 1 영역 특징에서 제 2 의 영역 특징을 감산하여 (또는 그 반대로 감산하여) 획득되는 스칼라 양이다. 영역 특징들이 벡터 양들인 경우, 임의의 방법에 의해 개별 벡터들을 스칼라 양들로 변환한 이후에 스칼라 양들의 차분값을 획득하는 것 또한 가능하다. 또한, 영역 특징들이 벡터 양들인 경우, 제 1 영역 특징과 제 2 영역 특징 간의 차분 벡터를 차분값 (벡터 양) 으로 사용하는 것이 가능하다.

차분값 계산 유닛 (43) 으로부터 공급되는 특징 벡터의 모든 차원에 대한 차분값들이 양자화 경계 결정 유닛 (45) 에 공급되면, 양자화 경계 결정 유닛 (45) 은 모든 차원의 차분값들의 분포에 기초하여 양자화 경계를 결정하고, 결정된 양자화 경계에 관한 정보를 양자화 유닛 (44) 에 공급한다. 모든 차원들의 차분값들의 분포는 차분값들 (또는 차분 벡터) 에 대한 발생 빈도 (확률) 를 의미하는 것에 유의하여야 한다.

또한, 양자화의 경계를 결정하는 것은 차분값들을 양자화할 때 실수없이 독점적으로 양자화 인덱스들에 할당될 파라미터들을 결정하는 것을 의미한다. 차분값이 스칼라 양인 경우, 각 양자화 인덱스 (양자화 레벨) 에 대하여 값 범위 (즉, 임계치) 가 결정되고, 이러한 값 범위 (임계치) 는 예컨대, 양자화 경계의 정보로서 양자화 유닛 (44) 에 공급된다. 대안적으로, 차분값이 벡터 양인 경우, 예를 들어 벡터 양자화를 수행하기 위한 파라미터, 즉, 개별 양자화 인덱스들의 대표 벡터가 결정되고, 이는 양자화 경계의 정보로서 양자화 유닛 (44) 에 공급된다.

차분값이 스칼라 양이고, M 값 (M = 2, 3, ... 등) 의 양자화가 수행될 경우에, 양자화 경계 결정 유닛 (45) 은 모든 차원들의 차분값들의 분포에 기초하여 양자화를 위한 값 범위 (임계치) 를 결정할 수도 있고, 따라서 모든 차원에 대하여 개별 양자화 인덱스들의 비율들은 동일하게 된다.

예를 들면, 식 1 의 변형으로서, 상수 α를 사용하여 2개의 값들 (M=2) 에 양자화를 수행하는 경우에, Vn1 + α > Vn2 인 경우에 양자화 인덱스는 +1 이고, Vn1 + α ≤ Vn 경우에 양자화 인덱스는 -1 이며, 차분값들의 분포의 중심점 (좌우 적분 값들의 분포가 동일한 점) 은 양자화 임계치 α 인 것으로 결정될 수 있고, 따라서 양자화 인덱스들 +1 과 양자화 인덱스들 -1 의 비율들은 동일하게 된다. 유사하게, 차분값들이 벡터 양들인 경우에 M 값들에서 양자화를 수행할 때, 모든 차원들의 차분 벡터들의 분포에 기초하여, 모든 차원들에 대한 개별 양자화 인덱스들의 비율들이 동일하도록 개별 양자화 인덱스들에 할당된 벡터 공간의 영역들을 결정하거나, 벡터 양자화를 수행할 때 개별 양자화 인덱스들의 대표 벡터 (예컨대, 벡터의 중심) 를 결정하는 것이 가능하다. 상술된 것과 같이, 모든 차원들에 대한 양자화 인덱스들의 비율들을 동일하게 함으로써 (즉, 양자화 인덱스들의 바이어스를 제거함으로써), 엔트로피가 증가될 수 있고, 따라서 구별 능력이 개선될 수 있다.

양자화 경계 결정 유닛 (45) 이 모든 차원들에 대한 양자화 인덱스들의 비율들이 동일하게 되도록 양자화의 경계를 결정하고, 결정된 경계에 기초하여 양자화 유닛 (44) 이 양자화를 수행하는 비교 및 양자화 방법은 하기에서 비교 및 양자화 방법 F로 지칭된다.

또한, 차분값이 스칼라 양이고, 식 2에 의해 3개의 값들 (양자화 인덱스들은 +1, 0, -1) 에 양자화가 수행되는 경우에, 예를 들어, 양자화 경계 결정 유닛 (45) 은 모든 차원의 차분값들의 분포에 기초하여, 차이가 없음을 나타내는 양자화 인덱스 0 으로의 양자화를 위해 사용되는 임계치 th (양자화 인덱스가 이러한 임계보다 작거나 동일한 경우에 양자화 인덱스는 0으로 세팅됨) 를 결정하고, 결정된 임계치 th를 양자화 유닛 (44) 에 공급할 수도 있다 (제 1 실시 형태의 도 4 에 도시된 비교 유닛 (4) 에서, 임계치 th는 사전에 세팅되어 있다). 예를 들어, 양자화 경계 결정 유닛 (45) 은 모든 차원들의 차분값들의 절대값들을 계산하고, 계산된 값들을 소팅하여, 위 또는 아래부터 소정의 비율에서 (이러한 소정의 비율이 예를 들어, 입력으로서 공급된다) 하나의 지점이 임계치 th가 되도록 세팅할 수도 있다 (이러한 비교 및 양자화 방법은 하기에서 비교 및 양자화 방법 G로 지칭된다). 또한, 소정의 비율에 의해서가 아니라 +1, 0, -1 의 양자화 인덱스들의 비율들이 거의 동일하게 되도록 하는 방식에 의해 임계치 th를 결정하는 것이 가능하다 (이러한 비교 및 양자화 방법은 하기에서 비교 및 양자화 방법 H로 지칭된다). 비교 및 양자화 방법 H는 식 2에 따라 수행되는 비교 및 양자화 방법 F의 구체적인 예에 해당한다.

비교 및 양자화 방법 G의 더 구체적인 방법은 소정의 백분율이 P% (예를 들어, P = 25 %) 인 것을 예를 들어 설명될 것이다. 모든 차원들 (차원들의 수 = N) 의 차분값들의 절대값들이 오름차순으로 소팅되고, 차분값들의 오름차순으로 소팅된 절대값들의 세트는 D(i) = {D(0), D(1), D(2), ..., D(N-1)} 로 표시된다. 이러한 예에서, 오름차순으로 정렬된 순서의 아래부터 P%의 위치에 있는 값은 예를 들어, D(floor(N*P/100)) 이며, 임계치 th = D(floor(N*P/100)) 이다. floor( )는, 소수점 이하는 잘라버리는 함수라는 것을 주목한다.

본 실시 형태의 방법은 비교 유닛 (4) 이 제 1 실시 형태로서 도 4 에 도시된 구성을 취하는 경우와 비교될 수 있다. 제 1 실시 형태의 도 4에 도시된 구성에서 소정의 임계치 th가 입력으로서 공급되는 반면, 제 2 실시 형태의 상술된 방법에서 양자화 경계 결정 유닛 (45) 은 모든 차원들의 차분값들의 분포에 기초하여 이미지에 대해 적응적으로 임계치 th를 계산한다. 상술된 것과 같이, 제 1 실시 형태에서는 임계치 th가 고정되지만, 제 2 실시 형태에서는 이미지에 대하여 임계치 th가 적응적으로 계산된다. 임계치 th가 이미지에 대하여 적응적으로 계산되기 때문에, 임계치 th가 (특히 덜 선명한 이미지에 대하여) 고정되는 경우와 비교하여 특징 벡터의 차원들의 값들이 특정 양자화 인덱스들로 바이어스되는 것을 (특정 양자화 인덱스 출현 확률이 높은 것을) 방지하는 것이 가능하며, 구별 능력이 높아질 수 있다. 예를 들어, 제 1 실시 형태에서와 같이 고정된 임계치 th를 이용하는 경우, 양자화 인덱스들은 덜 선명한 이미지 내의 특징 벡터의 차원들의 대부분 (또는 모든 차원들) 에서 0 이 된다. 그러나, 제 2 실시 형태의 적응형 임계치 th가 사용되는 경우에, 덜 선명한 이미지에 대해서는 임계치 th가 작은 값으로 자동으로 조정되기 때문에, 특징 벡터의 대부분의 차원들에서 양자화 인덱스들이 0 이 되는 경우는 발생되지 않을 것이다.

양자화 유닛 (44) 은 차분값 계산 유닛 (43) 으로부터 공급되는 개별 차원들의 차분값들 및 양자화 경계 결정 유닛 (45) 으로부터 공급되는 양자화 경계의 정보에 기초하여 양자화를 수행하고, 양자화 인덱스를 출력한다.

양자화 유닛 (44) 이 양자화 경계 결정 유닛 (45) 으로부터 출력된 양자화 경계 정보를 무시하고 양자화를 수행한다면 의미가 없기 때문에, 양자화 유닛 (44) 은 양자화 경계 결정 유닛 (45) 이 양자화 경계를 결정했을 때 예상되는 양자화 방법을 반드시 따라야 한다는 것을 주목한다.

[제 2 실시 형태의 동작]

다음에, 도 7의 흐름도를 참조하여 제 2 실시 형태에 따른 이미지 시그니처 추출 장치의 동작이 설명될 것이다. 도 7의 흐름도에서, 특징 벡터의 차원 (번호) 은 "n"으로 표시되고, 1에서 N까지 총 N개의 차원들이 존재한다.

먼저, 차원 결정 유닛 (1) 은 특징 벡터를 추출하기 위해 제 1 차원으로서 차원 1을 결정하고 (n = 1), 이를 추출 영역 취득 유닛 (2) 에 공급한다 (단계 B1).

다음에, 추출 영역 취득 유닛 (2) 은 입력으로서 공급되는 차원별 추출 영역 정보로부터 차원 n 의 제 1 추출 영역과 제 2 추출 영역을 나타내는 정보를 취득하고, 이러한 정보를 영역 특징 대표값 계산 유닛 (3) 에 공급한다 (단계 B2).

그 후에, 영역 특징 대표값 계산 유닛 (3) 은 입력으로서 공급되는 이미지로부터 차원 n 의 제 1 영역 특징과 제 2 영역 특징을 계산하고, 그 특징들을 차분값 계산 유닛 (43) 에 공급한다 (단계 B3).

그 후에, 차분값 계산 유닛 (43) 은 차원 n 의 제 1 영역 특징과 제 2 영역 특징 간의 차분값을 계산하고, 그 차분값을 양자화 경계 결정 유닛 (45) 및 양자화 유닛 (44) 에 공급한다 (단계 B4).

그 후에, 모든 차원들에 대한 차분값들의 계산까지의 프로세싱이 완료되었는지의 여부가 결정된다 (즉, n < N 이 참인지, 거짓인지 결정된다) (단계 B5). 만약 모든 차원들에 대한 차분값들의 계산까지의 프로세싱이 완료되면 (즉, n < N이 거짓인 경우), 프로세싱은 단계 B7로 진행한다. 모든 차원들에 대한 차분값들의 계산까지의 프로세싱이 완료되지 않으면 (즉, n < N 이 참인 경우), 프로세싱은 단계 B6 로 진행한다. 단계 B6 에서, 차원 결정 유닛 (1) 은 특징 벡터를 추출하기 위한 다음 차원을 결정하고 (n = n + 1), 이를 추출 영역 취득 유닛 (2) 에 공급한다. 그 후에, 프로세싱은 단계 B2 로 복귀한다.

본 실시 형태에서 차원 1부터 차원 N까지의 순서로 추출 프로세싱이 수행되지만, 이러한 순서에 제한되지 않고 임의의 순서로 실시될 수도 있다.

그 후에, 차분값 계산 유닛 (43) 으로부터 공급되는 특징 벡터의 모든 차원들에 대한 차분값들이 공급되면, 양자화 경계 결정 유닛 (45) 은 모든 차원들의 차분값들의 분포에 기초하여 양자화의 경계를 결정하고, 결정된 양자화 경계 정보를 양자화 유닛 (44) 에 공급한다 (단계 B7).

그 후에, 단계 B8에서, 양자화를 수행하기 위해 차원 1 이 제 1 차원으로 설정된다 (n = 1) (양자화 인덱스들이 계산된다).

그 후에, 양자화 유닛 (44) 은 차원 n의 차분값 및 양자화 경계 결정 유닛 (45) 으로부터 공급되는 양자화 경계에 기초하여 양자화를 수행하고, 양자화 인덱스를 출력한다 (단계 B9).

그 후에, 모든 차원들에 대한 양자화 인덱스들의 출력이 완료되었는지 여부가 결정된다 (즉, n < N 이 참인지, 거짓인지 결정된다) (단계 B10). 모든 차원들에 대한 양자화 인덱스들의 출력이 완료되면 (즉, n < N 이 거짓인 경우에), 프로세싱은 종료한다. 모든 차원들에 대한 양자화 인덱스들의 출력이 완료되지 않으면 (즉, n < N 이 참인 경우), 프로세싱은 단계 B11로 진행한다. 단계 B11에서, 양자화를 수행하기 위한 특징 벡터의 차원으로서, 다음 차원이 세팅된다 (n = n + 1). 그 후에, 프로세싱은 단계 B9로 복귀한다.

본 실시 형태에서, 차원 1 부터 차원 N까지의 순서로 추출 프로세싱이 수행되지만, 이러한 순서로 제한되지 않고 임의의 순서로 수행될 수도 있다는 것을 주목한다.

[제 2 실시 형태의 효과]

양자화의 경계가 고정되는 제 1 실시 형태와 비교하여, 제 2 실시 형태는 양자화의 경계가 이미지에 대하여 적응적으로 (동적으로) 계산된다는 점이 상이하다. 제 1 실시 형태에서와 같이 양자화 경계가 고정되는 경우에, 특정 이미지 (예를 들어, 덜 선명한 편평한 이미지) 에 대해 특징 벡터의 차원들의 값들이 특정 양자화 인덱스들로 바이어스되는 (특정 양자화 인덱스들의 출현 확률이 높은) 경우가 발생하여 (엔트로피가 낮아짐), 이러한 이미지에 대하여 구별 능력이 저하되는 문제가 발생한다. 한편, 제 2 실시 형태에서와 같이 양자화의 경계가 이미지에 대하여 적응적으로 (동적으로) 계산되는 경우에, 임의의 이미지들에 대하여 특징 벡터의 차원들의 값들이 특정 양자화 인덱스들로 바이어스되는 (특정 양자화 인덱스들의 출현 확률이 높은) 경우를 방지할 수 있기 때문에, 구별 능력이 개선될 수 있다.

[제 3 실시 형태]

[제 3 실시 형태의 구성]

다음에, 본 발명의 제 3 실시 형태는 도면들을 참조하여 상세히 설명될 것이다.

도 8을 참조하면, 본 발명의 제 3 실시 형태의 구성은 영역 특징 계산 방법 취득 유닛 (5) 이 추가되고, 영역 특징 계산 유닛 (3) 이 제 1 영역 특징 계산 유닛 (31A) 및 제 2 영역 특징 계산 유닛 (32A) 을 포함하는 영역 특징 계산 유닛 (3A) 으로 대체된다는 점에서 도 1에 도시된 제 1 실시 형태의 구성과 상이하다. 다른 컴포넌트들은 제 1 실시 형태와 동일하기 때문에, 본 실시예에서 그 설명은 생략된다. 본 실시예에서는 제 1 실시 형태와의 조합이 설명되지만, 제 2 실시 형태와의 조합도 가능하다.

영역 특징 계산 방법 취득 유닛 (5) 에는, 차원 결정 유닛 (1) 으로부터의 차원과 차원별 영역 특징 계산 방법 정보가 공급된다.

차원별 영역 특징 계산 방법 정보는 특징 벡터의 각 차원과 연관되는, 차원 내의 영역 특징을 계산하는 방법을 나타내는 정보이고, 영역 특징 계산 방법들이 차원들 사이에서 서로 달라야만 하는 것이 전제 조건이다. 서로 다른 영역 특징 계산 방법들은 서로 다른 파라미터들 (임계치 등) 을 동일한 절차에 적용하는 것을 포함하는 것에 유의하여야 한다.

본 실시예에서, 영역 특징 계산 방법들은 제 1 실시 형태의 영역 특징 계산 유닛 (3) 의 설명에서 기술된 다양한 타입의 방법들과 그에 따른 파라미터들을 포함한다.

차원별 영역 특징 계산 방법 정보에 의해 표시되는 각 차원에 대한 영역 특징 계산 방법은 영역 특징 계산 방법들이 서로 다른 적어도 하나의 차원들의 쌍이 특징 벡터의 모든 차원들 내에 포함되도록 하는 최소 조건을 갖는다는 것을 주목한다. 영역 특징 계산 방법들이 상이한, 차원들의 수가 많아지는 것이 바람직하며, 그 이유는 그러한 차원들의 수가 많아지면 특징 벡터에서 그들 사이에 상관 관계가 작아지는 차원들의 수가 적어지기 때문이며, 따라서 구별 능력은 더 높아진다. 예를 들어, 특징 벡터의 모든 차원들에서 영역 특징 계산 방법들은 서로 다를 수 있다.

각 차원에 대한 영역 특징 계산 방법을 나타내는 정보는 영역 특징을 계산하는 방법이 고유하게 규정되는 경우에, 임의의 형식을 취할 수도 있다는 것을 주목한다.

도 9는 개별 차원들에 대한 영역 특징 계산 방법들의 예들을 도시한다. 도 9 에 도시된 것과 같이, 영역 특징 계산 방법들은 차원들 사이에서 서로 다르다. 또한, 도 9 예들에 도시된 것과 같이, 스칼라 양들과 벡터 양들의 특징들이 혼합될 수도 있다 (제 1 차원, 제 3 차원, 제 5 차원, 제 6 차원, 제 8 차원, 제 9 차원, 제 10 차원, 및 제 12 차원들은 스칼라 양들이고, 제 2 차원, 제 4 차원, 제 7 차원, 및 제 11 차원은 벡터 양들이다).

또한, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 영역 특징 계산 방법은 서로 상이한 것이 바람직하다. 예를 들어, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 영역 특징 계산 방법은 서로 상이할 수도 있다. 그 경우, 추출 영역이 서로 근방에 존재하는 모든 차원들 (차원 쌍) 사이에서, 그러한 차원 (차원 쌍) 의 영역 특징 계산 방법은 서로 상이할 수도 있다. 또한, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서 영역 특징 계산 방법이 서로 상이할 수도 있고, 또는, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원에서 영역 특징 계산 방법이 서로 상이할 수도 있다는 것이 가능하다.

추출 영역이 서로 근방에 존재하는 차원 쌍은, 소정의 방법에 의해 계산되는, 2개 차원의 추출 영역들 (제 1 추출 영역과 제 2 추출 영역) 사이의 거리가 소정의 임계치보다 작은 차원의 쌍을 의미한다는 것을 주목한다. 2개 차원의 추출 영역들 (제 1 추출 영역과 제 2 추출 영역) 사이의 거리는, 예를 들어, 개별 차원의 추출 영역 (제 1 추출 영역과 제 2 추출 영역) 에 포함되는 모든 픽셀들 사이의 거리의 평균값으로서 계산될 수도 있다. 예를 들어, 이 거리는 개별 차원의 추출 영역 (제1 추출 영역과 제 2 추출 영역) 에 포함되는 모든 픽셀들 사이의 거리의 최소값으로서 계산될 수도 있다. 또한, 개별 차원의 추출 영역의 중심 좌표 (제 1 추출 영역의 중심 좌표와 제 2 추출 영역의 중심 좌표) 를 계산하여, 이들 사이의 거리를 계산하고 (총 4개의 거리가 계산된다), 그 평균값이나 최소값으로서 2개 차원의 추출 영역들 사이의 거리를 정의하는 것이 가능하다. 그러나, 2개 차원의 추출 영역들 사이의 거리를 계산하는 방법은 이러한 계산 방법으로 한정되지 않는다.

추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 사이에 영역 특징 계산 방법을 서로 상이하게 하는 것으로 다음의 유리한 효과가 달성될 수 있다. 추출 영역이 서로 근방에 존재하는 차원 사이에서, 추출되는 특징들 간의 상관이 커지는 경향이 된다. 이러한 영역 내 영역 특징 계산 방법이 같다면, 특징들 간의 상관이 더 커져, 전체 특징 벡터의 리던던시가 높아져, 구별 능력이 저하된다. 이와 같이, 추출 영역이 서로 근방에 있다는 사실로 인해 추출되는 특징들 간의 상관이 커지는 것을 상쇄시키기 위해서, 영역 특징 계산 방법을 이러한 영역에서 상이하게 함으로써, 특징들 간의 상관이 감소될 수 있고, 이로써, 전체 특징 벡터의 리던던시가 낮아질 수 있어, 구별 능력의 저하를 방지할 수 있다.

반대 관점에서, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역들 사이의 거리가 큰 것이 바람직하다. 예를 들어, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원들 (차원 쌍) 사이의 거리는 소정의 임계치보다 클 수도 있다. 그 경우, 영역 특징 계산 방법이 동일한 모든 차원들 (차원 쌍) 사이에서, 이러한 차원간 (차원 쌍) 의 거리는 소정의 임계치보다 클 수도 있다. 또한, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 가운데, 차원들 (차원 쌍) 사이의 거리는 소정의 비율 이상의 차원 (차원 쌍) 에서의 소정의 임계치보다 클 수도 있고, 또는 차원들 (차원 쌍) 사이의 거리는 적어도 한 쌍의 차원에서의 소정이 임계치보다 클 수도 있다는 것이 가능하다.

또한, 추출 영역이 서로 인접하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 영역 특징 계산 방법은 서로 상이한 것이 바람직하다. 추출 영역이 인접하는 차원 (차원 쌍) 이란, 추출 영역의 일부의 주변이 접하는 것을 의미한다는 것을 주목한다. 예를 들어, 추출 영역이 인접하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 영역 특징 계산 방법이 서로 상이할 수도 있다. 그 경우, 추출 영역이 인접하는 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 영역 특징 계산 방법이 서로 상이할 수도 있다. 또한, 추출 영역이 인접하는 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서, 영역 특징 계산 방법이 서로 상이할 수도 있고, 또는 추출 영역이 인접하는 차원들 (차원 쌍) 가운데, 영역 특징 계산 방법이 적어도 한 쌍의 차원에서 서로 상이할 수도 있다는 것이 가능하다.

추출 영역이 서로 인접하는 차원들 (차원 쌍) 사이에서, 영역 특징 계산 방법을 서로 상이하게 하여 다음의 유리한 효과가 달성될 수 있다. 추출 영역이 인접하는 차원 사이에서, 추출되는 특징들 간의 상관이 커지는 경향이 된다. 이것은 추출 영역이 인접하는 차원 사이에서는, 2개 차원의 추출 영역들 사이의 거리가 가깝기 때문이다 (이미지 내의 가까운 영역들 사이에서 상관이 높음). 이러한 영역 내 영역 특징 계산 방법이 같다면, 특징들 간의 상관이 더 커짐으로서, 전체 특징 벡터의 리던던시가 높아져, 구별 능력이 저하된다. 이와 같이, 추출 영역이 인접한다는 사실로 인해 추출되는 특징들 간의 상관이 커지는 것을 상쇄시키기 위해서, 영역 특징 계산 방법을 이러한 영역에서 상이하게 함으로써, 특징들 간의 상관이 감소될 수 있고, 이로써, 전체 특징 벡터의 리던던시가 낮아질 수 있어, 구별 능력의 저하를 방지할 수 있다.

반대 관점에서, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 인접하지 않는 것이 바람직하다. 예를 들어, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역 인접하지 않을 수도 있다. 그 경우, 영역 특징 계산 방법이 동일한 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 인접하지 않을 수도 있다. 또한, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 가운데, 추출 영역은 소정의 비율 이상의 차원 (차원 쌍) 에서 인접하지 않을 수도 있고, 또는 추출 영역은 적어도 한 쌍의 차원에서 인접하지 않을 수도 있다는 것이 가능하다.

또한, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍)의 영역 특징 계산 방법은 서로 상이한 것이 바람직하다. 예를 들어, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 영역 특징 계산 방법이 서로 상이할 수도 있다. 그 경우, 추출 영역이 일부 중복하는 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 영역 특징 계산 방법이 서로 상이할 수도 있다. 또한, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서 영역 특징 계산 방법이 서로 상이할 수도 있고, 또는 추출 영역이 일부 중복하는 차원들 (차원 쌍) 가운데, 영역 특징 계산 방법이 적어도 한 쌍의 차원에서 서로 상이할 수도 있다는 것이 가능하다.

추출 영역이 서로 일부 중복하는 차원들 (차원 쌍) 사이에서 영역 특징 계산 방법을 서로 상이하게 하여 다음의 유리한 효과가 달성될 수 있다. 추출 영역이 일부 중복하는 차원 사이에서, 추출되는 특징들 간의 상관이 커지는 경향이 된다. 이것은 추출 영역이 일부 중복하는 차원 사이에서는, 특징을 계산하는데 사용된 영역이 일부 공유되기 때문이다. 이러한 영역 내 영역 특징 계산 방법이 같다면, 특징들 간의 상관이 더 커짐으로써, 전체 특징 벡터의 리던던시가 높아져, 구별 능력이 저하된다. 이와 같이, 추출 영역이 일부 중복된다는 사실로 인해 추출되는 특징들 간의 상관이 커지는 것을 상쇄시키기 위해서, 영역 특징 계산 방법을 이러한 영역에서 상이하게 함으로써, 특징들 간의 상관이 감소될 수 있고, 이로써, 전체 특징 벡터의 리던던시가 낮아질 수 있어, 구별 능력의 저하를 방지할 수 있다.

추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서 영역 특징 계산 방법을 서로 상이하게 하는 것으로, 다른 유리한 효과가 달성될 수 있다. 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서 영역 특징 계산 방법을 서로 상이하게 하는 것으로, 이미지의 개찬 (특히, 악의가 있는 개찬) 에 대한 내성을 강화할 수 있다는 유리함이 있다. 이미지에 대한 악의가 있는 개찬은, 그 이미지로부터 추출되는 이미지 시그니처 (특징 벡터) 에 의한 동일성 결정의 정밀도를 열화시키려는 의도로, 예를 들어, 이미지의 일부의 영역의 픽셀 값을 변경함으로써 행해진다. 추출 영역이 일부 중복하는 차원 사이에서, 이미지의 중복 영역이 개찬되는 경우, 즉, 중복 영역의 픽셀 값이 변경되는 경우, 그곳으로부터 추출되는 특징 (영역 특징) 이 영향을 받아, 그 특징이, 개찬되지 않았던 영역으로부터 추출한 특징과는 상이할 가능성이 높아진다. 이러한 차원의 영역 특징 계산 방법이 같은 경우, 개별 차원의 추출 영역으로부터 추출되는 특징은 비슷한 방식으로 영향을 받아, 동시에 특징이 변경될 가능성이 높아지므로, 견고성이 낮다. 이러한 차원의 영역 특징 계산 방법이 상이한 경우, 중복 영역이 개찬되더라도, 특징이 비슷한 방식으로 영향을 받아 동시에 특징이 변경될 가능성이 감소할 수 있으므로, 견고성을 확보할 수 있다. 즉, 중복 영역을 공유하는 복수의 차원의 특징을 동시에 변경함으로써 중복 영역을 개찬하는 것이 곤란해진다. 따라서, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서 영역 특징 계산 방법을 서로 상이하게 하는 것으로, 이미지의 개찬 (특히, 악의가 있는 개찬) 에 대한 내성을 강화할 수 있다.

반대 관점에서, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 중복하지 않는 것이 바람직하다. 예를 들어, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서는, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 중복하지 않을 수도 있다. 그 경우, 영역 특징 계산 방법이 동일한 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 중복하지 않을 수도 있다. 또, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서 추출 영역이 서로 중복하지 않을 수도 있고, 또는, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원에서 추출 영역이 서로 중복하지 않을 수도 있다는 것이 가능하다.

비슷한 관점에서, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 사이에서, 추출 영역 쌍의 형상의 조합이 상이한 것이 바람직하다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서, 영역 특징 계산 방법이 상이한 것이 바람직하다. 예를 들어, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 사이에서, 추출 영역 쌍의 형상의 조합이 상이할 수도 있다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서, 영역 특징 계산 방법이 상이할 수도 있다. 그 경우, 영역 특징 계산 방법이 동일한 모든 차원들 (차원 쌍) 사이에서, 추출 영역 쌍의 형상의 조합이 상이할 수도 있다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 모든 차원들 (차원 쌍) 사이에서, 영역 특징 계산 방법이 상이할 수도 있다. 또, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서, 추출 영역 쌍의 형상의 조합이 상이할 수도 있다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서, 영역 특징 계산 방법이 상이할 수도 있다는 것이 가능하다. 또, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원에서, 추출 영역 쌍의 형상의 조합이 상이할 수도 있다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원 (차원 쌍) 에서, 영역 특징 계산 방법이 상이할 수도 있다는 것이 가능하다.

영역 특징 계산 방법 취득 유닛 (5) 은 입력으로서 공급되는 차원별 영역 특징 계산 방법 정보로부터, 차원 결정 유닛 (1) 으로부터 공급되는 차원과 연관된 영역 특징 계산 방법을 나타내는 정보를 취득하고, 그 정보를 영역 특징 계산 유닛 (3A) 에 공급한다.

영역 특징 계산 유닛 (3A) 은 각 차원에 대해 추출 영역 취득 유닛으로부터 공급되는 제 1 추출 영역과 제 2 추출 영역을 나타내는 정보에 기초하여, 영역 특징 계산 방법 취득 유닛 (5) 으로부터 공급되는 영역 특징 계산 방법을 나타내는 정보에 따라, 입력으로서 공급되는 이미지로부터 제 1 추출 영역의 특징과 제 2 추출 영역의 특징을 각각 제 1 영역 특징 및 제 2 영역 특징으로 계산하고, 그 특징들을 비교 유닛 (4) 으로 공급한다.

영역 특징 계산 유닛 (3A) 에서, 공급될 추출 영역을 나타내는 정보의 차원과 영역 특징 계산 방법을 나타내는 정보의 차원이 동기화될 필요가 있다.

[제 3 실시 형태의 동작]

다음에, 도 10 의 흐름도를 참조하면, 제 3 실시 형태에 따른 이미지 시그니처 추출 장치의 동작이 설명될 것이다. 도 10의 흐름도에서, 특징 벡터의 차원 (번호) 은 "n" 으로 표시되고, 1에서 N까지 총 N 개의 차원들이 존재한다.

먼저, 차원 결정 유닛 (1) 은 특징 벡터를 추출하기 위해 차원 1을 제 1 차원으로 결정하고 (n = 1), 이를 추출 영역 취득 유닛 (2) 및 영역 특징 계산 방법 취득 유닛 (5) 에 공급한다 (단계 C1). 다음에, 추출 영역 취득 유닛 (2) 은 입력으로서 공급되는 차원별 추출 영역 정보로부터 차원 n 의 제 1 추출 영역과 제 2 추출 영역을 나타내는 정보를 취득하며, 그 정보를 영역 특징 계산 유닛 (3A) 에 공급한다 (단계 C2).

그 후에, 영역 특징 계산 방법 취득 유닛 (5) 은 입력으로서 공급되는 차원별 영역 특징 계산 방법 정보로부터 차원 n 에 대응하는 영역 특징 계산 방법을 나타내는 정보를 취득하며, 그 정보를 영역 특징 계산 유닛 (3A) 에 공급한다 (단계 C3).

그 후에, 영역 특징 계산 유닛 (3A) 은 입력으로서 공급되는 이미지로부터 차원 n 의 제 1 영역 특징과 제 2 영역 특징을 계산하고, 그 특징들을 비교 유닛 (4) 으로 공급한다 (단계 C4). 그 후에, 비교 유닛 (4) 은 차원 n 의 제 1 영역 특징과 제 2 영역 특징을 비교하고, 비교 결과를 양자화하여, 양자화 인덱스를 출력한다 (단계 C5). 그 후에, 모든 차원들에 대해 양자화 인덱스들의 출력이 완료되었는지의 여부를 결정한다 (단계 C6). 모든 차원들에 대해 양자화 인덱스들의 출력이 완료되면, 프로세싱은 종료한다. 모든 차원들에 대해 양자화 인덱스들의 출력이 완료되지 않으면. 프로세싱은 단계 C7로 진행한다. 단계 C7에서, 차원 결정 유닛 (1) 은 특징 벡터를 추출하기 위해 다음의 차원을 결정하고 (n = n +1), 이를 추출 영역 취득 유닛 (2) 및 영역 특징 계산 방법 취득 유닛 (5) 에 공급한다. 그 후에, 프로세싱은 단계 C2로 복귀한다.

본 실시 형태에서, 차원 1 부터 차원 N까지의 순서로 추출 프로세싱이 수행될 수 있지만, 이러한 순서에 제한되지 않고 임의의 순서가 선택될 수도 있다. 또한, 복수의 차원들에 대한 추출 프로세싱은 이러한 프로세싱 절차들에 제한되지 않고 동시에 수행하는 것 또한 가능하다. 또한, 단계 C2 및 단계 C3 는 역순이 될 수도 있다.

[제 3 실시 형태의 효과]

제 1 실시 형태의 유리한 효과 이외에, 제 3 실시 형태는 서로 다른 이미지들을 구별하는 정도인 구별 능력이 추가로 개선될 수 있는 유리한 효과를 갖는다.

그 이유는 영역 특징 계산 방법들이 차원들 중에서 서로 다름에 따라 (다양한 영역 특징 계산 방법들이 사용됨에 따라), 차원들 중의 상관 관계가 작아질 수 있기 때문이다.

[제 4 실시 형태]

[제 4 실시 형태의 구성]

다음에, 본 발명의 제 4 실시 형태는 도면들을 참조하여 상세히 설명될 것이다.

도 11을 참조하면, 본 발명의 제 4 실시 형태의 구성은 비교 방법 취득 유닛 (6) 이 추가되고, 비교 유닛 (4) 이 비교 유닛 (4B) 로 대체된다는 점에서 도 1에 도시된 제 1 실시 형태의 구성과 다르다. 다른 컴포넌트들은 제 1 실시 형태의 컴포넌트들과 동일하기 때문에, 본 실시 형태에서 그 설명은 생략된다. 본 실시 형태에서 제 1 실시 형태와의 조합이 설명되지만, 제 2 실시 형태와의 조합 및 제 3 실시 형태와의 조합도 가능하다는 것을 주목한다.

비교 방법 취득 유닛 (6) 에는, 차원 결정 유닛 (1) 으로부터의 차원과 차원별 비교 방법 정보가 공급된다.

차원별 비교 및 양자화 방법 정보는 특징 벡터의 각 차원과 연관되는, 차원 내의 영역 특징들을 비교하는 방법을 나타내는 정보이며, 비교 및 양자화 방법이 차원들 사이에서 서로 달라야만 하는 것이 전제 조건이다. 또한 서로 다른 비교 및 양자화 방법들은 동일한 절차에 서로 다른 파라미터들 (임계치, 양자화 인덱스 수 등) 을 적용하는 것을 포함한다는 것을 주목한다.

본 실시 형태에서, 비교 및 양자화 방법은 제 1 실시 형태의 비교 유닛 (4) 의 설명에서 기술된 다양한 타입의 비교 및 양자화 방법들 및 그와 연관된 파라미터들 (임계치, 양자화 인덱스들의 수 등) 을 포함하며, 제 2 실시 형태의 비교 유닛 (4A) 의 설명에서 기술된 다양한 타입의 비교 및 양자화 방법들 및 그와 연관된 파라미터들 (임계치, 양자화 인덱스들의 수 등) 을 포함한다.

차원별 비교 및 양자화 방법 정보에 의해 표시되는 각 차원에 대한 비교 및 양자화 방법은 비교 및 양자화 방법이 상이한, 적어도 하나의 차원들의 쌍이 특징 벡터의 모든 차원들 내에 포함되어야 하는 최소 조건을 갖는다는 것을 주목한다. 비교 및 양자화 방법들이 상이한, 차원들이 많아지는 것은 바람직하며, 이는 이러한 차원들의 수가 많아질수록 특징 벡터에서 그들 사이에 상관 관계가 작은 차원들의 수가 많아지기 때문이며, 따라서, 구별 능력은 높아진다. 예를 들어, 특징 벡터의 모든 차원들에서 비교 및 양자화 방법들은 서로 다를 수도 있다.

각 차원에 대한 비교 및 양자화 방법을 나타내는 정보는 영역 특징을 비교 및 양자화하는 방법이 고유하게 특정되는 경우에, 임의의 형식을 취할 수도 있다는 것을 주목한다.

도 12는 개별 차원들에 대한 비교 및 양자화 방법들의 예들을 도시한다. 도 12에 도시된 것과 같이, 비교 및 양자화 방법들은 차원들 사이에서 서로 다르다. 또한 제 3 차원, 제 5 차원, 및 제 12 차원에서와 동일한 비교 및 양자화 방법들로 서로 다른 파라미터들 (임계치 th) 이 세팅될 수도 있다. 도 12에 도시된 개별 차원들에 대한 비교 및 양자화 방법들의 예들은 도 9에 도시된 개별 차원들에 대한 영역 특징 계산 방법들과 연관된다는 것을 주목한다. 이와 같이, 스칼라 양들에 대한 비교 및 양자화 방법들은 스칼라 양들의 영역 특징에 대한 예들로서 도시되고, 벡터 양들에 대한 비교 및 양자화 방법들은 벡터 양들의 영역 특징들에 대한 예들로서 도시된다.

또한, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 비교 및 양자화 방법은 서로 상이한 것이 바람직하다. 예를 들어, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 비교 및 양자화 방법은 서로 상이할 수도 있다. 그 경우, 추출 영역이 서로 근방에 존재하는 모든 차원들 (차원 쌍) 사이에서, 그러한 차원 (차원 쌍) 의 비교 및 양자화 방법은 서로 상이할 수도 있다. 또한, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서 비교 및 양자화 방법이 서로 상이할 수도 있고, 또는, 추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원에서 비교 및 양자화 방법이 서로 상이할 수도 있다는 것이 가능하다.

추출 영역이 서로 근방에 존재하는 차원 쌍은, 소정의 방법에 의해 계산되는, 2개 차원의 추출 영역들 (제 1 추출 영역과 제 2 추출 영역) 사이의 거리가 소정의 임계치보다 작은 차원의 쌍을 의미한다는 것을 주목한다. 2개 차원의 추출 영역 (제 1 추출 영역과 제 2 추출 영역) 사이의 거리는, 예를 들어, 개별 차원의 추출 영역 (제 1 추출 영역과 제 2 추출 영역) 에 포함되는 모든 픽셀들 사이의 거리의 평균값으로서 계산될 수도 있다. 예를 들어, 이 거리는 개별 차원의 추출 영역 (제1 추출 영역과 제 2 추출 영역) 에 포함되는 모든 픽셀들 사이의 거리의 최소값으로서 계산될 수도 있다. 또한, 예를 들어, 개별 차원의 추출 영역의 중심 좌표 (제 1 추출 영역의 중심 좌표와 제 2 추출 영역의 중심 좌표) 를 계산하여, 이들 사이의 거리를 계산하고 (총 4개의 거리가 계산된다), 그 평균값이나 최소값으로서 2개 차원의 추출 영역들 사이의 거리를 정의하는 것이 가능하다. 그러나, 2개 차원의 추출 영역들 사이의 거리를 계산하는 방법은 이러한 계산 방법으로 한정되지 않는다.

추출 영역이 서로 근방에 존재하는 차원들 (차원 쌍) 사이에 비교 및 양자화 방법을 서로 상이하게 하는 것으로 다음의 유리한 효과가 달성될 수 있다. 추출 영역이 서로 근방에 존재하는 차원 사이에서, 추출되는 특징들 간의 상관이 커지는 경향이 된다. 이러한 영역 내 비교 및 양자화 방법이 같다면, 특징들 간의 상관이 더 커져, 전체 특징 벡터의 리던던시가 높아져, 구별 능력이 저하된다. 이와 같이, 추출 영역이 서로 근방에 있다는 사실로 인해 추출되는 특징들 간의 상관이 커지는 것을 상쇄시키기 위해서, 이러한 영역에서 상이한 비교 및 양자화 방법을 이용함으로써, 특징들 간의 상관이 감소될 수 있고, 이로써, 전체 특징 벡터의 리던던시가 낮아질 수 있어, 구별 능력의 저하를 방지할 수 있다.

반대 관점에서, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역들 사이의 거리가 큰 것이 바람직하다. 예를 들어, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원들 (차원 쌍) 사이의 거리는 소정의 임계치보다 클 수도 있다. 그 경우, 비교 및 양자화 방법이 동일한 모든 차원들 (차원 쌍) 사이에서, 이러한 차원간 (차원 쌍) 의 거리는 소정의 임계치보다 클 수도 있다. 또한, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 가운데, 차원들 (차원 쌍) 사이의 거리는 소정의 비율 이상의 차원 (차원 쌍) 에서의 소정의 임계치보다 클 수도 있고, 또는 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 가운데, 차원들 (차원 쌍) 사이의 거리는 적어도 한 쌍의 차원에서의 소정의 임계치보다 클 수도 있다는 것이 가능하다.

또한, 추출 영역이 서로 인접하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 비교 및 양자화 방법은 서로 상이한 것이 바람직하다. 추출 영역이 인접하는 차원 (차원 쌍) 이란, 추출 영역의 일부의 주변이 접하는 것을 의미한다는 것을 주목한다. 예를 들어, 추출 영역이 인접하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 비교 및 양자화 방법이 서로 상이할 수도 있다. 그 경우, 추출 영역이 인접하는 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 비교 및 양자화 방법이 서로 상이할 수도 있다. 또한, 추출 영역이 인접하는 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서, 비교 및 양자화 방법이 서로 상이할 수도 있고, 또는 추출 영역이 인접하는 차원들 (차원 쌍) 가운데, 비교 및 양자화 방법이 적어도 한 쌍의 차원에서 서로 상이할 수도 있다는 것이 가능하다.

추출 영역이 서로 인접하는 차원들 (차원 쌍) 사이에서, 비교 및 양자화 방법을 서로 상이하게 하여 다음의 유리한 효과가 달성될 수 있다. 추출 영역이 인접하는 차원 사이에서, 추출되는 특징들 간의 상관이 커지는 경향이 된다. 이것은 추출 영역이 인접하는 차원 사이에서는, 2개 차원의 추출 영역들 사이의 거리가 가깝기 때문이다 (이미지 내의 가까운 영역들 사이에서 상관이 높음). 이러한 영역 내 비교 및 양자화 방법이 같다면, 특징들 간의 상관이 더 커짐으로서, 전체 특징 벡터의 리던던시가 높아져, 구별 능력이 저하된다. 이와 같이, 추출 영역이 인접한다는 사실로 인해 추출되는 특징들 간의 상관이 커지는 것을 상쇄시키기 위해서, 이러한 영역에서 상이한 비교 및 양자화 방법을 이용함으로써, 특징들 간의 상관이 감소될 수 있고, 이로써, 전체 특징 벡터의 리던던시가 낮아질 수 있어, 구별 능력의 저하를 방지할 수 있다.

반대 관점에서, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 인접하지 않는 것이 바람직하다. 예를 들어, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역 인접하지 않을 수도 있다. 그 경우, 비교 및 양자화 방법이 동일한 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 인접하지 않을 수도 있다. 또한, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 가운데, 추출 영역은 소정의 비율 이상의 차원 (차원 쌍) 에서 인접하지 않을 수도 있고, 또는 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 가운데, 추출 영역은 적어도 한 쌍의 차원에서 인접하지 않을 수도 있다는 것이 가능하다.

또한, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 비교 및 양자화 방법은 서로 상이한 것이 바람직하다. 예를 들어, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 비교 및 양자화 방법이 서로 상이할 수도 있다. 그 경우, 추출 영역이 일부 중복하는 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 비교 및 양자화 방법이 서로 상이할 수도 있다. 또한, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서 비교 및 양자화 방법이 서로 상이할 수도 있고, 또는 추출 영역이 일부 중복하는 차원들 (차원 쌍) 가운데, 비교 및 양자화 방법이 적어도 한 쌍의 차원에서 서로 상이할 수도 있다는 것이 가능하다.

추출 영역이 서로 일부 중복하는 차원들 (차원 쌍) 사이에서 비교 및 양자화 방법을 서로 상이하게 하여 다음의 유리한 효과가 달성될 수 있다. 추출 영역이 일부 중복하는 차원 사이에서, 추출되는 특징들 간의 상관이 커지는 경향이 된다. 이것은, 추출 영역이 일부 중복하는 차원 사이에서는, 특징을 계산하는데 사용된 영역이 일부 공유되기 때문이다. 이러한 영역 내 비교 및 양자화 방법이 같다면, 특징들 간의 상관이 더 커짐으로써, 전체 특징 벡터의 리던던시가 높아져, 구별 능력이 저하된다. 이와 같이, 추출 영역이 일부 중복된다는 사실로 인해 추출되는 특징들 간의 상관이 커지는 것을 상쇄시키기 위해서, 이러한 영역에서 상이한 비교 및 양자화 방법을 이용함으로써, 특징들 간의 상관이 감소될 수 있고, 이로써, 전체 특징 벡터의 리던던시가 낮아질 수 있어, 구별 능력의 저하를 방지할 수 있다.

추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서 비교 및 양자화 방법을 서로 상이하게 하는 것으로, 다른 유리한 효과가 달성될 수 있다. 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서 비교 및 양자화 방법을 서로 상이하게 하는 것으로, 이미지의 개찬 (특히, 악의가 있는 개찬) 에 대한 내성을 강화할 수 있다는 유리함이 있다. 이미지에 대한 악의가 있는 개찬은, 그 이미지로부터 추출되는 이미지 시그니처 (특징 벡터) 에 의한 동일성 결정의 정밀도를 열화시키려는 의도로, 예를 들어, 이미지의 일부의 영역의 픽셀 값을 변경함으로써 행해진다. 추출 영역이 일부 중복하는 차원 사이에서, 이미지의 중복 영역이 개찬되는 경우, 즉, 중복 영역의 픽셀 값이 변경되는 경우, 그곳으로부터 추출되는 특징 (영역 특징) 이 영향을 받아, 그 특징이, 개찬되지 않았던 영역으로부터 추출한 특징과는 상이할 가능성이 높아진다. 이러한 차원의 비교 및 양자화 방법이 같은 경우, 개별 차원의 추출 영역으로부터 추출되는 특징이 비슷한 방식으로 영향을 받아, 동시에 특징이 변경될 가능성이 높아지므로, 견고성이 낮다. 이러한 차원의 비교 및 양자화 방법이 상이한 경우, 중복 영역이 개찬되더라도, 특징이 비슷한 방식으로 영향을 받아 동시에 특징이 변경될 가능성이 감소할 수 있으므로, 견고성을 확보할 수 있다. 즉, 중복 영역을 공유하는 복수의 차원의 특징을 동시에 변경함으로써 중복 영역을 개찬하는 것이 곤란해진다. 따라서, 추출 영역이 일부 중복하는 차원들 (차원 쌍) 사이에서 비교 및 양자화 방법을 서로 상이하게 하는 것으로, 이미지의 개찬 (특히, 악의가 있는 개찬) 에 대한 내성을 강화할 수 있다.

반대 관점에서, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 중복하지 않는 것이 바람직하다. 예를 들어, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서는, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 중복하지 않을 수도 있다. 그 경우, 비교 및 양자화 방법이 동일한 모든 차원들 (차원 쌍) 사이에서, 이러한 차원 (차원 쌍) 의 추출 영역이 서로 중복하지 않을 수도 있다. 또, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서 추출 영역이 서로 중복하지 않을 수도 있고, 또는, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원에서 추출 영역이 서로 중복하지 않을 수도 있다는 것이 가능하다.

비슷한 관점에서, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 사이에서, 추출 영역 쌍의 형상의 조합이 상이한 것이 바람직하다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서, 비교 및 양자화 방법이 상이한 것이 바람직하다. 예를 들어, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 사이에서, 추출 영역 쌍의 형상의 조합이 상이할 수도 있다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 사이에서, 비교 및 양자화 방법이 상이할 수도 있다. 그 경우, 비교 및 양자화 방법이 동일한 모든 차원들 (차원 쌍) 사이에서, 추출 영역 쌍의 형상의 조합이 상이할 수도 있다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 모든 차원들 (차원 쌍) 사이에서, 비교 및 양자화 방법이 상이할 수도 있다. 또, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서, 추출 영역 쌍의 형상의 조합이 상이할 수도 있다는 것이 가능하다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서, 비교 및 양자화 방법이 상이할 수도 있다. 또, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원에서, 추출 영역 쌍의 형상의 조합이 상이할 수도 있다. 또한, 추출 영역 쌍의 형상의 조합이 동일한 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원 (차원 쌍) 에서, 비교 및 양자화 방법이 상이할 수도 있다는 것이 가능하다.

비슷한 관점에서, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 사이에서, 영역 특징 계산 방법이 상이한 것이 바람직하다. 또한, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 사이에서, 비교 및 양자화 방법이 상이한 것이 바람직하다. 예를 들어, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 사이에서, 영역 특징 계산 방법이 상이할 수도 있다. 또한, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 사이에서, 비교 및 양자화 방법이 상이할 수도 있다. 그 경우, 비교 및 양자화 방법이 동일한 모든 차원들 (차원 쌍) 사이에서, 영역 특징 계산 방법이 상이할 수도 있다. 또한, 영역 특징 계산 방법이 동일한 모든 차원들 (차원 쌍) 사이에서, 비교 및 양자화 방법이 상이할 수도 있다. 또, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서, 영역 특징 계산 방법이 상이할 수도 있다는 것이 가능하다. 또한, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 가운데, 소정의 비율 이상의 차원 (차원 쌍) 에서, 비교 및 양자화 방법이 상이할 수도 있다. 또, 비교 및 양자화 방법이 동일한 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원에서, 영역 특징 계산 방법이 상이할 수도 있다. 또한, 영역 특징 계산 방법이 동일한 차원들 (차원 쌍) 가운데, 적어도 한 쌍의 차원 (차원 쌍) 에서, 비교 및 양자화 방법이 상이할 수도 있다는 것이 가능하다.

비교 방법 취득 유닛 (6) 은 입력으로서 공급되는 차원별 비교 및 양자화 방법 정보로부터, 차원 결정 유닛 (1) 으로부터 공급되는 차원에 대응하는 비교 및 양자화 방법을 나타내는 정보를 취득하고, 그 정보를 비교 유닛 (4B) 에 공급한다.

비교 유닛 (4B) 은 각 차원에 대해 영역 특징 계산 유닛 (3) 으로부터 공급되는 제 1 영역 특징을 제 2 영역 특징과 비교하고, 비교 방법 취득 유닛 (6) 으로부터 공급되는 비교 및 양자화 방법을 나타내는 정보에 따라 양자화하여, 양자화 인덱스를 출력한다. 비교 유닛 (4B) 는 필요한 경우에, 비교 및 양자화 방법에 따라 제 1 실시 형태의 비교 유닛 (4) 및 제 2 실시 형태의 비교 유닛 (4B) 양자를 포함하는 구성을 가질 수도 있다.

비교 유닛 (4B) 에서, 공급될 영역 특징의 차원과 비교 및 양자화 방법을 나타내는 정보의 차원이 동기화될 필요가 있다.

[제 4 실시 형태의 동작]

다음에, 도 13의 흐름도를 참조하면, 제 4 실시 형태에 따른 이미지 시그니처 추출 장치의 동작이 설명될 것이다. 도 13의 흐름도에서, 특징 벡터의 차원 (번호) 는 "n" 으로 표시되고, 1에서 N까지 총 N개 차원들이 존재한다.

먼저, 차원 결정 유닛 (1) 은 특징 벡터를 추출하기 위해 차원 1을 제 1 차원으로 결정하고 (n = 1), 이를 추출 영역 취득 유닛 (2) 및 비교 방법 취득 유닛 (6) 에 공급한다 (단계 D1). 다음에, 추출 영역 취득 유닛 (2) 은 입력으로서 공급되는 차원별 추출 영역 정보로부터 차원 n 의 제 1 추출 영역과 제 2 추출 영역을 나타내는 정보를 취득하고, 이를 영역 특징 계산 유닛 (3) 에 공급한다 (단계 D2).

그 후에, 비교 방법 취득 유닛 (6) 은 입력으로서 공급되는 차원별 비교 및 양자화 방법 정보로부터 차원 n 에 대응하는 비교 및 양자화 방법을 나타내는 정보를 취득하고, 이를 비교 유닛 (4B) 에 공급한다 (단계 D3).

그 후에, 영역 특징 계산 유닛 (3) 은 입력으로서 공급되는 이미지로부터 차원 n 의 제 1 영역 특징 및 제 2 영역 특징을 계산하고, 그 특징들을 비교 유닛 (4B) 에 공급한다 (단계 D4). 그 후에, 비교 유닛 (4B) 은 차원 n 의 제 1 영역 특징을 제 2 영역 특징과 비교하고, 비교 결과를 양자화하여, 양자화 인덱스 출력한다 (단계 D5). 그 후에, 모든 차원들에 대한 양자화 인덱스들의 출력이 완료되었는지 여부를 결정한다 (단계 D6). 모든 차원들에 대한 양자화 인덱스들의 출력이 완료되면, 프로세싱은 종료한다. 모든 차원들에 대한 양자화 인덱스들의 출력이 완료되지 않으면, 프로세싱은 단계 D7로 진행한다. 단계 D7에서, 차원 결정 유닛 (1) 은 특징 벡터를 추출하기 위해 다음 차원을 결정하고 (n = n + 1), 이를 추출 영역 취득 유닛 (2) 및 비교 방법 취득 유닛 (6) 에 공급한다. 그 후에, 프로세싱은 단계 D2 로 복귀한다.

본 실시 형태에서, 차원 1 부터 차원 N까지의 순서로 추출 프로세싱이 수행되지만, 이러한 순서에 제한되지 않고 임의의 순서로 실시될 수도 있다는 것을 주목한다. 또한, 이러한 프로세싱 절차들에 제한되지 않고, 복수의 차원들에 대한 추출 프로세싱을 동시에 수행하는 것 또한 가능하다. 또한, 단계 D2와 단계 D3은 역순이 될 수도 있고, 단계 D3이 단계 D5 직전에 수행될 수도 있다.

[제 4 실시 형태의 효과]

제 1 실시 형태의 유리한 효과들 이외에, 제 4 실시 형태는 서로 다른 이미지들을 구별하는 정도인 구별 능력이 추가로 개선될 수 있는 유리한 효과를 갖는다.

그 이유는 비교 및 양자화 방법이 차원들 사이에서 상이함에 따라 (가변적인 비교 및 양자화 방법들이 사용됨에 따라), 차원들 간의 상관 관계가 작아질 수 있기 때문이다.

[제 5 실시 형태]

[제 5 실시 형태의 구성]

다음으로, 본 발명의 제 5 실시 형태 에 대해 도면을 참조해 상세하게 설명한다.

도 33을 참조하면, 본 발명의 제 5 실시 형태는, 도 1에 나타낸 제 1 실시형태의 구성에, 인코딩 유닛 (7) 이 추가되는 점에서 상이하다. 그 이외의 구성은 제 1 실시형태의 구성과 같기 때문에, 여기서는 설명을 생략한다. 이 실시 형태에서 제 1 실시형태와의 조합을 설명하지만, 제 2 실시 형태, 또는 제 3 실시 형태, 또는 제 4 실시 형태와의 조합도 가능하다.

인코딩 유닛 (7) 은, 비교 유닛 (4) 로부터 공급되는 양자화 인덱스 벡터를, 데이터량이 감소하도록 고유하게 디코딩가능한 형식으로 인코딩하여, 인코딩된 양자화 인덱스 벡터를 출력한다.

인코딩 유닛 (7) 은, 양자화 인덱스 벡터의 차원들 각각을 독립적으로 인코딩하는 것이 아니라, 복수의 차원을 집합적으로 인코딩함으로써, 데이터량이 더 작도록 양자화 인덱스 벡터를 인코딩할 수도 있다.

여기서, 양자화 인덱스가 식 2에 기초하여 계산되는 경우, 인코딩 유닛 (7) 에 의해 효율적으로 양자화 인덱스 벡터를 인코딩하는 방법을 설명한다. 식 2에 기초하여 양자화 인덱스가 계산되는 경우, 각 차원의 양자화 인덱스는, (+1, 0,-1) 의 3개 값 중 어느 하나를 취할 수도 있다. 각 차원에 대해 독립적으로 인코딩이 실시되는 경우, 각 차원에 대해 2 비트(=4 상태) 가 필요하다. 여기서, 5 차원을 집합적으로 인코딩한다면 (5 차원은, 예를 들어 연속하는 5 차원을 비롯한, 어떠한 조합일 수도 있다), 그 상태 수는 3의 5승 = 243 상태가 되어, 1 바이트 = 8비트 (=256 상태)(256 상태 이내) 로 나타낼 수 있다. 그 경우, 1 차원을 위해 필요한 평균 수는 8/5 = 1.6 비트가 되어, 각 차원에 대해 독립적으로 인코딩하는 경우와 비교하여 데이터 량이 감소될 수 있다 (차원 당 0.4 비트의 감소가 가능하다). 예를 들어, 양자화 인덱스 벡터의 총 차원 수가 300 차원의 경우, 각 차원에 대해 독립적으로 인코딩을 실시한 경우 2 비트 * 300 = 600 비트 = 75 바이트가된다. 한편으로, 5 차원에 대하여 집합적으로 인코딩이 실시되는 경우, 1.6 비트 * 300 = 480 비트 = 60 바이트가 되어, 15 바이트가 감소될 수 있다.

식 2에 따라 계산되는, (+1, 0,-1) 의 3개 값에서 5 차원 마다 인코딩을 실시하는 구체예를 이하에 설명한다. 각 5 차원의 세트는 어떠한 조합을 취할 수도 있지만, 연속하는 5개의 차원의 세트 마다 인코딩하는 방법이 있다. 즉, 제 1 차원로부터 제 5 차원을 집합적으로 인코딩하고, 제 6 차원부터 제 10 차원을 집합적으로 인코딩하고, 제 11 차원부터 제 15 차원을 집합적으로 인코딩한다 (물론, 이들이 서로 중복하지 않는다면, 어떠한 5 차원의 조합도 가능하다). 여기서, 집합적으로 인코딩될 5 차원의 양자화 인덱스의 값을 Q_n, Q_{n ＋1}, Q_{n ＋2}, Q_{n ＋3}, Q_{n ＋4}라고 가정하면 (각각은 +1, 0, -1 중 어느 하나의 값을 취한다), 예를 들어, 이하의 식에 따라 값 Z를 계산할 수 있다.

[수학식 3]

Z= {3⁴*(Q_n＋1)} ＋ {3³*(Q_{n ＋1}＋1)} ＋ {3²*(Q_{n ＋2}＋1)} ＋ {3¹*(Q_{n ＋3}＋1)} ＋ {3⁰*(Q_n＋4＋1)}

이 인코딩된 값 Z가 0에서 242의 값을 취하기 때문에 (243 상태), 1 바이트 (8 비트) 데이터로서 인코딩된다. 집합적으로 인코딩하는 5 차원의 양자화 인덱스의 값 Q_n, Q_{n ＋1}, Q_{n ＋2}, Q_{n ＋3}, Q_{n ＋4}를, 0에서 242의 값 (243 상태) 에 매핑하는 방법은, [수학식 3]으로 한정되지 않는다. 5 차원의 양자화 인덱스의 상이한 조합이 상이한 값 (243 상태의 값) 에 매핑하는 방법이면, 어떠한 방법도 가능하다. [수학식 3]과 같이 주어진 식에 기초하여, 매핑 (인코딩 후의 값) 을 계산하고, 인코딩할 수도 있고, 미리 매핑을 위한 대응표를 생성 및 기억해 두어, 기억된 대응표를 참조하면서 매핑 (인코딩 후의 값) 을 취득하고, 인코딩할 수 있다.

단락 0187 내지 단락 0190에 있어서 설명한, 양자화 인덱스가 식 2에 기초하여 계산되는 경우 효율적으로 인코딩하는 방법은, 양자화 인덱스가 식 2에 기초하여 계산되는 경우로 한정되지 않고, 양자화 인덱스가 3 치 상태인 어떠한 양자화 인덱스 벡터에도 동일하게 적용 가능하다. 즉, 양자화 인덱스 벡터가, 3치 상태의 양자화 인덱스로 이루어지는 경우, 5 차원을 집합적으로 1 바이트 = 8비트로서 인코딩할 수 있다. 3 치 상태에서 5 차원의 양자화 인덱스의 243 종류의 상이한 조합이 가능하기 때문에, 각각의 조합을 0에서 242의 값 (243 상태) 에 매핑함으로써, 1 바이트 = 8 비트로 인코딩할 수 있다. 이 매핑은, [수학식 3] 과 같이 주어진 식 에 기초하여, 매핑 (인코딩 후의 값) 을 계산하고, 인코딩을 실시하거나, 미리 매핑을 위한 대응표를 생성 및 기억시켜, 기억된 대응표를 참조하면서 매핑 (인코딩 후의 값) 을 취득하여, 인코딩을 실시함으로써 수행될 수도 있다.

상술된 바와 같이, 양자화 인덱스 벡터의 각 차원을 독립적으로 인코딩하는 것보다는 복수의 차원을 집합적으로 인코딩함으로써, 양자화 인덱스 벡터의 각 차원을 독립적으로 인코딩하는 경우와 비교하여, 데이터량을 감소시키면서 인코딩할 수 있다는 유리한 효과가 있다.

이것은, 양자화 인덱스가 3 치의 상태로 표현되는 경우로 한정되지 않는다. 예를 들어, 양자화 인덱스가 5 치의 상태로 표현되는 경우, 3 차원을 집합적으로 인코딩함으로써, 상태 수는 5의 3승 = 125 상태가 되어, 양자화 인덱스가 7 비트 = 128 (128 상태 이내) 로 인코딩될 수 있다. 3 차원을 독립적으로 인코딩하면, 3 비트 (8 상태) × 3 차원 = 9 비트가 요구된다. 따라서, 3 차원을 집합적으로 인코딩함으로써 2 비트를 감소시킬 수 있다.

인코딩 유닛 (7) 으로부터 출력된 인코딩된 양자화 인덱스 벡터를 매칭을 실시하는 경우 (이미지로부터 추출한 양자화 인덱스 벡터를 다른 이미지로부터 추출한 양자화 인덱스 벡터와 비교하여 그 이미지들이 동일한지 여부를 결정하는 경우), 인코딩된 상태에서, 각 차원의 양자화 인덱스의 값을 디코딩하고 (상기 예에서, 인코딩된 값을 각 차원에 대하여 +1, 0, -1의 양자화 인덱스 값으로 디코딩하고), 디코딩된 양자화 인덱스 값에 기초하여, 동일성 척도 (양자화 인덱스가 일치하는 차원 수 (유사도)), 또는 양자화 인덱스가 일치하지 않는 차원 수 (해밍 (Hamming) 거리) 를 계산하는 것이 가능하다.

또한, 룩업 테이블을 사용하여, 인코딩된 상태에서, 그 값을 각 차원에 대한 양자화 인덱스 값으로 디코딩하지 않고 매칭을 실시하는 것도 가능하다. 이것은, 각각의 인코딩 단위에 대하여 미리 동일성 척도 (유사도 또는 거리) 를 테이블 (룩업 테이블) 의 형태로 저장하고 이 룩업 테이블을 참조함으로써, 각각의 인코딩 단위에 대하여 동일성 척도 (유사도 또는 거리) 를 취득하여, 이 동일성 척도를 합계를 냄으로써 (예를 들어, 총합을 계산한다), 모든 차원의 동일성 척도를 획득하는 것이 가능하다는 것을 의미한다.

예를 들어, 5 차원이 집합적으로 1 바이트 (8비트) 로 인코딩되는 경우, 각각의 5 차원 단위가 243 상태 중 어느 것이기 때문에, 243*243 사이즈의 룩업 테이블을 미리 생성함으로써 대처할 수 있다. 즉, 비교하는 2개의 5 차원 단위의 코드의, 가능한 모든 조합 상태 (243 상태 × 243 상태) 의 사이의 동일성 척도, 즉, 5 차원 중 양자화 인덱스가 일치하는 수 (유사도) 또는 5 차원 중 양자화 인덱스가 일치하지 않는 수 (해밍 거리) 를 미리 계산해 두고 그것을 243 * 243 사이즈의 룩업 테이블로서 기억해 둔다. 이 테이블에 의해, 각각의 5 차원 단위에 대한 룩업 테이블을 참조하여 (인코딩된 값을 각 차원의 양자화 인덱스로 디코딩하지 않고), 각각의 5 차원 단위에 대한 동일성 척도를 취득할 수 있다. 예를 들어, 양자화 인덱스 벡터의 총 차원수가 300 차원인 경우, 5 차원이 1 바이트로 인코딩되어, 양자화 인덱스 벡터가 총 60 바이트로 인코딩되기 때문에, 룩업 테이블을 60회 참조하여, 각각의 5 차원 단위에 대한 동일성 척도를 취득하고, 그들을 총합함으로써, 전체 벡터 (300 차원) 의 동일성 척도 (유사도 또는 해밍 거리) 를 계산할 수 있다. 룩업 테이블을 사용하여, 인코딩된 값을 각 차원의 양자화 인덱스로 디코딩하지 않고 매칭 (동일성 척도의 계산) 의 실시가 가능하기 때문에, 매칭 (동일성 척도의 계산) 을 위한 처리 비용을 저감할 수 있고, 고속으로 매칭 (동일성 척도의 계산) 이 실시될 수 있다는 효과가 있다.

또한, 2개의 양자화 인덱스 벡터의 사이의 동일성 척도를, 단순하게, 양자화 인덱스가 일치하는 차원수 (유사도) 또는 양자화 인덱스가 일치하지 않는 차원수 (해밍 거리) 로서 동일성 척도를 계산하는 것이 아니라, 보다 복잡한 계산식에 기초하여 계산하는 경우에도, 룩업 테이블을 사용하면, 그 값을 개별 차원의 양자화 인덱스로 디코딩하지 않고 매칭 (동일성 척도의 계산) 의 실시가 가능하다. 예를 들어, 양자화 인덱스가 식 2에 기초하여 계산된 양자화 인덱스 벡터의 동일성 척도로서, 아래에 나타낸 바와 같은 동일성 척도 계산 방법을 생각할 수 있다. 먼저, 2개의 이미지의 양자화 인덱스 벡터를 대응하는 차원들을 비교하고, "양자화 인덱스 둘 모두가 0"이 아닌 차원의 수를 계산하고, 이 값을 A로 세팅한다. 다음으로, "양자화 인덱스 둘 모두가 0"이 아닌 차원에서, 양자화 인덱스가 일치하는 차원 수를 B로서 계산한다 (또는, "양자화 인덱스 둘 모두가 0"이 아닌 차원에서, 양자화 인덱스가 일치하지 않는 차원 수를 C로서 계산한다). 이후, 동일성 척도를 B/A로서 계산한다 (또는, 동일성 척도를 C/A로서 계산한다). 단, A = 0 인 경우 (즉, 모든 차원에서 양자화 인덱스 둘 모두가 0이 되는 경우), 동일성 척도를 소정의 수치 (예를 들어 0.5) 로 설정한다. 이와 같은 동일성 척도의 계산 방법을 채용하는 경우, A 값과 B 값 (또는 C 값) 의 2개의 값을 계산할 필요가 있다. 그 경우, 각각의 5 차원 단위에 대한 A의 값을 참조하기 위한 243*243 사이즈의 룩업 테이블과 각각의 5 차원 단위의 B의 값 (또는 C의 값) 을 참조하기 위한 243*243 사이즈의 룩업 테이블을 미리 생성시킴으로써 대처할 수 있다. 즉, 비교하는 2개의 5 차원 단위의 코드에 대한, 가능한 모든 조합 상태 (243 상태×243 상태) 사이의 A의 값 ("양자화 인덱스 둘 모두가 0"이 아닌 차원 수) 과 가능한 모든 조합 상태 (243 상태 × 243 상태) 사이의 B의 값 (또는 C의 값) 을 미리 계산해둔다는 것을 의미한다. 이후, 이들 각각을 243*243 사이즈의 룩업 테이블로서 기억해 둔다. 이렇게 함으로써, 각각의 5 차원 단위에 대하여 룩업 테이블을 참조하여 (개별 차원의 양자화 인덱스를 디코딩하지 않고), A의 값과 B의 값 (또는 C의 값) 을 취득할 수 있다. 예를 들어, 양자화 인덱스의 총 차원수가 300 차원의 경우, 5 차원 당 1 바이트로, 총 60 바이트로 인코딩되기 때문에, 룩업 테이블을 60회*2회 참조하여, 각각의 5 차원 단위에 대하여 A의 값과 B의 값 (또는 C의 값) 을 취득하고, 모든 차원 (300 차원) 의 A의 값과 B의 값 (또는 C의 값) 을 합계를 냄으로써, A의 값과 B의 값 (또는 C의 값) 을 계산할 수 있다. 최종적으로, B/A (또는 C/A) 를 계산함으로써, 동일성 척도를 계산할 수 있다. 상술된 바와 같이, 동일성 척도를, 단순하게 양자화 인덱스가 일치하는 차원 수 (유사도) 또는 양자화 인덱스가 일치하지 않는 차원 수 (해밍 거리) 로서 계산하는 것이 아니라, 보다 복잡한 계산식에 기초하여 계산하는 경우에도, 룩업 테이블을 참고하면, 그 값을 양자화 인덱스로 또는 개별 차원으로 디코딩하지 않고 매칭 (동일성 척도의 계산) 의 실시가 가능하다. 이것은, 매칭 (동일성 척도의 계산) 을 위한 처리 비용을 감소시킬 수 있고, 고속으로 매칭 (동일성 척도의 계산) 이 실시될 수 있다는 유리한 효과가 있다.

[제 5 실시 형태의 효과]

보다 작은 데이터량으로 양자화 인덱스 벡터를 출력하는 할 수 있다.

다음으로, 본 발명의 그 밖의 실시형태를 나타낸다.

[제 6 실시 형태]

이 실시형태에서, 추출될 특징 벡터의 차원들의 수는 300개 차원들 (제 1 차원부터 제 300 차원까지) 이다.

이 실시 형태에서, 개별 차원들에 대한 추출 영역들 (제 1 추출 영역들 및 제 2 추출 영역들) 은 다양한 형상의 사각형들로 형성된다. 도 14는 이 실시 형태에서 추출 영역 취득 유닛 (2) 에 입력으로서 공급될 차원별 추출 영역 정보를 도시한다. 도 14는 소정의 이미지 사이즈가 가로 320 픽셀과 세로 240 픽셀인 이미지 사이즈에 대하여 개별 차원에 대한 추출 영역들 (제 1 추출 영역들 및 제 2 추출 영역들) 의 사각형들의 4개의 모서리들의 XY 좌표값들을 도시한다. 예를 들어, 제 1 차원에 대한 추출 영역은 좌표값 (262.000, 163.000), 좌표값 (178.068, 230.967), 좌표값 (184.594, 67.411), 및 좌표값 (100.662, 135.378) 의 4개의 모서리들을 갖는 사각형으로 구성된 제 1 추출 영역과 좌표값 (161.000, 133.000), 좌표값 (156.027, 132.477), 좌표값 (164.240, 102.170), 및 좌표값 (159.268, 101.647) 의 4개의 모서리들을 가진 사각형으로 구성되는 제 1 추출 영역으로 형성된다.

각 차원에 대한 추출 영역들 (제 1 추출 영역 및 제 2 추출 영역) 은 가로 320 픽셀과 세로 240 픽셀의 이미지 사이즈로 정규화된 이미지에 대하여 4개의 모서리들의 이러한 좌표값들에 의해 정의되는 영역에 포함된 정수 값들의 좌표값들을 가진 픽셀들의 집합이다. 그러나, 4개의 모서리들에 의해 정의되는 영역 내에 포함되는 음의 좌표값들은 추출 영역에 포함되지 않는다.

도 15는 이 실시 형태에서 영역 특징 계산 방법 취득 유닛 (5) 에 입력으로서 공급되는 차원별 영역 특징 계산 방법 정보를 도시한다. 제 6 실시 형태에서, 추출 영역들 각각 (제 1 추출 영역 및 제 2 추출 영역) 에 포함된 픽셀들의 그룹의 휘도값의 평균값은 차원 마다, 추출 영역들 각각의 영역 특징으로서 제공된다.

도 17은 이 실시 형태에서 비교 방법 취득 유닛 (6) 에 입력으로서 공급되는 차원별 비교 및 양자화 방법 정보를 도시한다. 이 실시 형태에서, 각 차원에 대해, 비교 및 양자화 방법 B 또는 비교 및 양자화 방법 G가 사용되고, 각 차원에 대해, 파라미터의 값도 다르다. 예를 들어, 제 1 차원에는 비교 및 양자화 방법 G가 사용되고, 임계치 th는 D(floor(300*5.0/100)) 이다. 제 2 차원에는 비교 및 양자화 방법 G가 사용되고, 임계치 th는 D(floor(300*10.0/100)) 이다. 또한, 예를 들어 제 9 차원에는 비교 및 양자화 방법 B가 사용되고, 임계치 th는 3.0 이다.

[제 7 실시 형태]

이 실시 형태에서, 추출될 특징 벡터의 차원들의 수는 제 6 실시 형태에서와 같이 300개 차원들 (제 1 차원부터 제 300 차원까지) 이다. 이 실시 형태에서, 추출 영역 취득 유닛 (2) 에 입력으로서 공급되는 차원별 추출 영역 정보로서, 제 6 실시 형태에서와 같이, 도 14에 도시된 정보가 사용된다. 또한, 이 실시 형태에서, 비교 방법 취득 유닛 (6) 에 입력으로서 공급되는 차원별 비교 및 양자화 방법 정보로서, 제 6 실시 형태에서와 같이, 도 17에 도시된 정보가 사용된다.

도 16은 이 실시 형태에서 영역 특징 계산 방법 취득 유닛 (5) 에 입력으로서 공급되는 차원별 영역 특징 계산 방법 정보를 도시한다. 이 실시 형태에서, 각 차원에 대하여, 추출 영역들 (제 1 추출 영역 및 제 2 추출 영역) 에 포함된 픽셀들의 그룹의 휘도값의 평균값 또는 백분위 휘도값 특징이 사용되고, 동일한 백분위 휘도값 특징이 사용되는 경우에도 각 차원에 대하여 특징은 서로 다르다. 예를 들어, 제 1 차원에서, 추출 영역들에 포함된 픽셀들의 휘도값의 평균값이 사용된다. 예컨대, 제 4 차원에서, 백분위 휘도값 특징이 사용되며, 그 값은 Y(floor(N*20.0/100)) 이다. 또한, 제 8 차원에서, 백분위 휘도값 특징이 사용되며, 그 값은 Y(floor(N*80.0/100))이다.

[제 8 실시 형태]

이 실시 형태에서, 추출하는 특징 벡터의 차원 수는 325 차원 (제 1 차원부터 제 325 차원) 이다. 이 실시 형태에서, 각 영역은, 이미지를 종방향으로 32개, 횡방향으로 32개로 분할함으로써 형성된 1024개의 블록의 조합으로 구성된다. 각각의 블록들에 대해, 도 24에 도시된 좌상 부분으로부터 0부터 시작하는 인덱스를 부여하고, 이 인덱스를 이용하여 영역들이 기술된다. 구체적으로, 직사각형 영역을 좌상 블록의 인덱스 "a"와 우하 블록의 인덱스 "b"를 이용하여 "a-b"의 방식으로 표현된다. 예를 들어, 인덱스 0, 1, 32, 33의 4개의 블록으로 이루어지는 직사각형은 0-33과 같이 기술된다. 또, 이러한 방식으로 형성된 직사각형을 기호 "|"를 이용하여 연결한 경우, 그 기호의 전후의 직사각형들을 연결함으로써 형성된 영역을 표현하는 것으로 한다. 예를 들어,0-33|2-67은, 0-33으로 정의된 직사각형과 2-67로 정의된 직사각형을 연결함으로써 형성된 영역을 나타내며, 즉, 블록 번호 0, 1, 2, 3, 32, 33, 34, 35, 66 및 67에 의해 형성된 영역을 나타내고 있다.

도 25는 이러한 방식으로 기술된, 이 실시 형태의 개별 차원에 대응하는 영역을 도시한다. 도 25에서, 도 25a, 도 25b, 도 25c, 도 25d, 도 25e, 도 25f, 도 25g의 타입에 의해 이들을 분류함으로써, 325 차원이 기술된다. 이러한 도면들에서, 영역의 타입이란, 제 1, 제 2 추출 영역들 간의 상대 위치나 형상의 조합에 의해 결정된 유사한 영역 패턴을 가진 차원들로 구성된 그룹을 의미한다.

구체적으로, 도 25a는, 도 27a에 도시된 실시예에서, 수직으로 4개의 블록과 수평으로 4개의 블록으로 정의된 직사각형을 종방향 또는 횡방향으로 분할함으로써 형성된 2개의 영역을 제 1 및 제 2 추출 영역으로 사용되는 경우에 해당한다. 이 때문에, 제 1 추출 영역 및 제 2 추출 영역 양자의 형상은 수직으로 4개의 블록과 수평으로 2개의 블록으로 정의된 직사각형 또는 수직으로 2개의 블록과 수평으로 4개의 블록으로 이루어지는 직사각형이다. 또한, 제 1 추출 영역과 제 2 추출 영역 간의 상대적인 위치 관계에 관하여, 직사각형의 긴 변들이 서로 중복하도록 서로 인접하는 위치에 존재한다.

도 25b는, 도 27b에 도시된 실시예에서, 종방향 및 횡방향에서 수직으로 8개의 블록과 수평으로 8개의 블록으로 정의된 직사각형을 4 개의 직사각형으로 동일하게 분할하고 좌상과 우하 직사각형 그리고 우상과 좌하 직사각형을 각각 결합함으로써 형성된 2개의 영역을 제 1 및 제 2 추출 영역들로서 사용된 경우에 해당한다. 이 때문에, 제 1 및 제 2 추출 영역들의 형상은, 수직으로 2개의 블록과 수평으로 2개의 블록으로 정의된 2개의 직사각형이 1개의 정점을 공유하도록 45도 또는 135도의 각도로 대각선 상에 배열되는 형상이다. 또한, 영역들 간의 상대적인 위치 관계에 관하여, 제 2 영역을 구성하는 2개의 직사각형은 제 1 영역의 좌상 직사각형의 왼쪽 아래에 인접하는 위치에 존재한다.

도 25c의 경우, 도 27c에 도시된 실시예에서, 제 1 추출 영역 및 제 2 추출 영역 양자의 형상은 수직으로 10개의 블록과 수평으로 10개의 블록으로 정의된 직사각형이다. 제 1 추출 영역과 제 2 추출 영역 간의 상대적인 위치 관계에 관하여, 수직 및 수평으로 10개의 블록의 정수배 만큼 서로로부터 떨어진 위치에 존재한다.

도 25d의 경우, 도 27d에 도시된 실시예에서, 제 1 추출 영역 및 제 2 추출 영역 양자의 형상은 수직으로 8개의 블록과 수평으로 8개의 블록으로 정의된 직사각형이다. 제 1 추출 영역과 제 2 추출 영역 간의 상대적인 위치 관계에 관하여, 수직 및 수평으로 6개의 블록의 정수배 만큼 서로로부터 떨어진 위치에 존재한다.

도 25e는, 도 27e에 도시된 실시예에서, 직사각형 영역을 중심 부분과 외부 부분으로 분할함으로써 형성된 2개의 영역을 제 1 및 제 2 추출 영역들로 사용되는 경우에 해당한다. 이 때문에, 제 2 추출 영역의 형상은 중심 부분이 직사각형이고, 제 1 추출 영역의 형상은 전체 직사각형으로부터 제 2 추출 영역을 절단한 직사각형이다. 또한, 영역들 간의 상대적인 위치 관계에 관하여, 제 1 추출 영역의 중앙 홀에 제 2 추출 영역이 존재한다.

도 25f의 경우, 도 27f에 도시된 실시예에서, 제 1 추출 영역의 형상은 수직으로 6개의 블록과 수평으로 10개의 블록으로 정의된 직사각형이고, 제 2 추출 영역의 형상은 수직으로 10개의 블록과 수평으로 6개의 블록으로 정의된 직사각형이다. 제 1 추출 영역과 제 2 추출 영역 간의 상대적인 위치 관계에 관하여, 그 중심 위치가 일치하도록 배치된다.

도 25g의 경우, 도 27g에 도시된 실시예에서, 수직으로 4개의 블록과 수평으로 12개의 블록으로 정의된 직사각형 또는 수직으로 12개의 블록과 수평으로 4개의 블록으로 구성된 직사각형을 긴 변을 3 등분함으로써 형성된 중앙 직사각형 영역 및 다른 영역으로 분할함으로써 형성된 2개의 영역이 제 1 및 제 2 추출 영역들로 사용되는 경우에 해당한다. 이 때문에, 제 1 추출 영역의 형상은 수직이나 수평으로 4개의 블록만큼 서로로부터 떨어져 있는 수직으로 4개의 블록과 수평으로 4 블록으로 정의된 2개의 정사각형이고, 제 2 추출 영역의 형상은 수직으로 4개의 블록과 수평으로 4개의 블록으로 정의된 2개의 정사각형에 있다. 또한, 영역들 간의 상대적인 위치 관계에 관하여, 제 1 영역의 직사각형들 사이에 제 2 영역이 존재한다.

이후, 도 25a, 도 25b, 도 25c, 도 25d, 도 25e, 도 25f, 도 25g의 영역 타입을, 각각 영역 타입 a, 영역 타입 b, 영역 타입 c, 영역 타입 d, 영역 타입 e, 영역 타입 f, 영역 타입 g로 지칭한다.

이 실시형태에서, 도 25에 도시된 각각의 영역에서, 영역 특징으로서 휘도값의 평균값을 계산하고, 각 차원의 특징을 계산한다. 물론, 휘도값의 평균값 대신에 메디안값 또는 최대값과 같은 상술한 여러 가지 추출 방법에 의해 추출한 값을 영역 특징으로서 획득하는 것이 가능하다.

각 차원의 특징의 양자화에서는, 그 영역 타입 각각에 대해 임계치를 세팅하여 양자화를 실시한다. 예를 들어, 식 2에 따라서 특징을 3개의 값으로 양자화하는 경우, 영역의 타입 각각에 대해, 0, 1, 및 -1의 발생의 비율이 균등하게 되도록 양자화의 임계치 th를 결정하고, 양자화를 실시한다. 구체적으로, 단락 0104에 기술한 방법을, P=33.333%, N을 영역의 각각의 타입에 대한 차원 수를 나타는, 영역의 각각의 타입에 대해 적용함으로써 임계치 th를 획득한다. 예를 들어, 영역 타입 a의 경우 N = 113이 되므로, th=D(floor(113*33.333/100))=D(37)에 의해 임계치를 계산한다. 여기서, D(i)(i=0, 1,…, N-1)는, 제 1 차원부터 제 113 차원의 차분값의 절대값을 오름 차순으로 소팅한 집합라는 것을 주목한다. 이 경우, 임계치에 대응하는 인덱스는 37이다. 유사하게, 다른 영역 타입에 대해서도, 임계치에 대응하는 인덱스가 도 26에 도시된 바와 같이 획득될 수 있다. 각 영역 타입에 대한 임계치를 획득함으로써, 집합적으로 임계치를 결정하는 경우에 비해 각 차원에서 0, 1, 및 -1의 발생 확률을 균일화할 수 있게 되어, 구별 능력이 향상된다. 물론, 상술한 다른 여러 가지 양자화 방법에 의해 양자화를 실시하는 것이 가능하다.

또한, 이 실시형태의 경우, 도 24에 도시된 블록마다 대표값 (예를 들어, 블록 내의 픽셀들의 휘도값의 평균값) 를 먼저 계산한 후, 영역 특징을 추출하는 것도 가능하다는 것을 주목한다. 이로써, 영역 내의 모든 픽셀들로부터 직접 영역 특징을 추출하는 경우보다 고속으로 추출이 실시될 수 있다. 또한, 각 영역 타입의 추출 영역은 전체적으로 대칭성을 갖는다. 이 때문에, 이미지의 좌우를 반전시키거나 상하를 반전시키는 경우에서, 차원의 대응 관계와 부호를 적절히 변경함으로써, 좌우 또는 상하 반전된 이미지로부터 추출된 특징으로부터 원래 이미지의 특징을 복원할 수 있다. 이 때문에, 좌우 또는 상하를 반전시킨 이미지에 대해서도 매칭을 실시할 수 있다.

［제 9 실시 형태］

이 실시 형태에서, 추출하는 특징 벡터의 차원 수는 328 차원 (제 1 차원부터 제 325 차원) 이다. 이 실시 형태에서, 각각의 영역은 도 24에 나타낸 1024 개 중에서 블록의 조합으로 구성되고, 제 8 실시 형태의 경우와 같이, 이들을 타입에 따라 도 30a, 도 30b, 도 30c, 도 30d, 도 30e, 도 30f, 도 30g로 분류함으로써 328 차원을 기술한다.

본 실시 형태에서도, 도 30에 도시된 각 영역에서, 영역 특징으로서 휘도값의 평균값을 계산해, 각 차원의 특징을 계산한다. 물론, 휘도값의 평균값의 대신에 메디안값 또는 최대값과 같은 상술한 여러 가지 추출 방법에 의해 추출한 값을 영역 특징으로서 획득하는 것이 가능하다.

각 차원의 양자화도 제 8 실시 형태와 같다. 도 31은 이 경우의 임계치에 대응하는 인덱스를 나타낸다. 물론, 상술한 다른 여러 가지 양자화 방법에 의해 양자화하는 것이 가능하다.

[매칭 유닛의 실시형태]

다음으로, 본 발명에서 출력된 양자화 인덱스 벡터들 간에 매칭을 실시하는 매칭 유닛을 블록도를 이용하여 설명한다.

도 20을 참조하면, 본 발명에서 출력된 양자화 인덱스 벡터들 간에 매칭을 시하는 매칭 유닛 (100) 의 블록도를 도시하며, 차원 결정 유닛 (101), 양자화 값 취득 유닛 (102 및 103), 및 척도 계산 유닛 (104) 을 포함한다.

차원 결정 유닛 (101) 은 양자화 값 취득 유닛 (102 및 103) 에 접속되어 결정된 차원 정보를 출력한다. 양자화 값 취득 유닛 (102) 은, 제 1 양자화 인덱스 벡터로부터, 차원 결정 유닛 (101) 으로부터 입력되는 차원의 양자화 인덱스 값을 취득하여, 그 값을 제 1 양자화 인덱스 값로서 척도 계산 유닛 (104) 에 출력한다. 양자화 값 취득 유닛 (103) 은, 제 2 양자화 인덱스 벡터로부터, 차원 결정 유닛 (101) 로부터 입력되는 차원의 양자화 인덱스 값을 취득하여, 그 값을 제 2 양자화 인덱스 값로서 척도 계산 유닛 (104) 에 출력한다. 척도 계산 유닛 (104) 은, 양자화 값 취득 유닛 (102 및 103) 으로부터 출력된 제 1 및 제 2 양자화 인덱스 값들로부터 동일성을 나타내는 척도를 계산하고, 이를 출력한다.

다음으로, 도 20에 도시된 매칭 유닛 (100) 의 동작에 대해 설명한다.

먼저, 매칭 유닛 (100) 에, 제 1 이미지로부터 추출된 양자화 인덱스 벡터인 제 1 양자화 인덱스 벡터와, 제 2 이미지로부터 추출되는 양자화 인덱스 벡터인 제 2 양자화 인덱스 벡터가 입력된다. 입력된 제 1 및 제 2 양자화 인덱스 벡터는 각각 양자화 값 취득 유닛 (102 및 103) 에 입력된다.

양자화 값 취득 유닛 (102 및 103) 으로, 차원 결정 유닛 (101) 으로부터 출력된 차원 정보도 입력된다. 차원 결정 유닛 (101) 은, N 차원 벡터인 양자화 인덱스 벡터의 개별 차원을 지정하는 정보를 순차 출력한다. 출력 순서는 반드시 1부터 N 까지 1씩 증가할 필요는 없고, 1부터 N 까지 모든 차원이 과부족 없게 지정된다면, 임의의 순서일 수도 있다.

양자화 값 취득 유닛 (102 및 103) 은, 입력된 양자화 인덱스 벡터로부터, 차원 결정 유닛 (101) 으로부터 출력된 차원 정보로 지정되는 차원의 양자화 인덱스 값을 취득하고, 취득한 양자화 인덱스 값을 척도 계산 유닛 (104) 에 출력한다.

척도 계산 유닛 (104) 은, 양자화 값 취득 유닛 (102) 으로부터 출력된 제 1 양자화 인덱스 값과 제 2 양자화 인덱스 값을 비교한다. 이 비교를 개별 차원에 대해 실시하고, 제 1 및 제 2 양자화 인덱스 벡터들 간의 유사성 척도 (또는 거리 척도) 를 동일성 척도로서 계산한다.

얻어진 동일성 척도는 미리 정한 임계치와 비교하여, 동일성을 결정한다. 동일성 척도가 유사 값을 나타내는 척도인 경우, 이 척도 값이 임계치 이상의 경우에 동일한 것으로 결정된다. 한편, 동일성 척도가 거리를 나타내는 척도인 경우, 척도 값이 임계치 이하의 경우에 동일한 것으로 결정된다.

다음으로, 흐름도를 이용하여 도 20에 도시된 매칭 유닛 (100) 의 동작을 설명한다. 먼저, 동일성 척도로서 유사 값을 사용하는 경우의 동작에 대해 설명한다.

도 21은, 매칭 유닛 (100) 의 동작을 나타내는 흐름도이다. 도 21의 흐름도에서, 양자화 인덱스 벡터의 차원 (번호) 이 "n"으로 표시되고, N개의 차원은 1부터 N까지의 합계이다. 또한, 유사 값을 계산하는 변수는 B로 표시된다.

먼저, 차원 결정 유닛 (101) 은, 양자화 인덱스 벡터에 관하여 매칭을 실시하는 첫 번째 차원으로서 차원 1을 결정하고 (n=1), 양자화 값 취득 유닛 (102 및 103) 에 공급하고, 척도 계산 유닛 (104) 에서 변수 B를 0으로 세팅한다 (단계 S100).

다음으로, 양자화 값 취득 유닛 (102 및 103) 은 제 1 양자화 인덱스 벡터 및 제 2 양자화 인덱스 벡터로부터, 차원 n의 제 1 양자화 인덱스 값과 제 2 양자화 인덱스 값을 취득하고, 척도 계산 유닛 (104) 에 이들을 공급한다 (단계 S102).

다음으로, 척도 계산 유닛 (104) 은, 제 1 양자화 인덱스 값과 제 2 양자화 인덱스 값으로부터, 각각의 양자화 인덱스에 대응하는 특징들 간의 유사도 ΔB를 계산한다 (단계 S104). 예를 들어, 양자화 인덱스가 서로 일치하는 경우, ΔB=1이고, 그 이외의 경우에는 ΔB=0이다. 대안으로, 양자화 인덱스로부터 양자화 이전 특징의 대표값을 계산하여, 대표값들 간의 차가 작을수록 증가하는 값을 ΔB로 사용하는 것도 가능하다. 이 경우, 특징의 대표값을 계산하여 차분을 획득하는 대신, 양자화 인덱스 값의 조합으로부터 ΔB의 값을 획득하는 표를 보유하고, 양자화 인덱스 값의 조합으로부터 그 표를 이용하여 ΔB의 값을 직접 획득하는 것이 가능하다.

다음으로, ΔB의 값이 변수 B에 가산된다 (단계 S106). 이때, ΔB의 값이 0인 경우, 변수 B에 0을 가산하는 대신, 가산하지 않도록 제어하는 것이 가능하다.

다음으로, 차원의 번호 n이 차원수 N에 도달했는지 여부를 확인하고 (단계 S108), 도달하지 않는 경우, 프로세싱이 단계 S112로 이동하고, 도달한 경우, 그때의 변수 B의 값을 동일성 척도 (유사도를 나타내는 척도) 로서 출력하고 (단계 S110), 프로세싱이 종료된다.

단계 112에서, 차원 결정 유닛 (101) 이, 취득한 양자화 인덱스에 대한 차원으로서 n=n+1로부터 다음 차원을 결정하고, 양자화 값 취득 유닛 (102 및 103) 에 이것을 공급한다. 이후, 프로세싱이 단계 S102로 복귀한다.

차원 1로부터 N까지 차례로 추출 프로세싱을 실시하지만, 이 차례로 제한되지 않고 임의의 차례로 할 수도 있다는 것을 주목한다.

다음으로, 동일성 척도로서 거리를 사용하는 경우의 동작을 설명할 것이다.

도 22는, 매칭 유닛 (100) 의 동작을 나타내는 다른 흐름도이다. 도 22의 흐름도에서도, 특징 벡터의 차원 (번호) 이 "n"으로 표시되고, 차원은 1부터 N까지의 합계로 N차원이 존재한다. 또한, 거리 척도를 계산하는 변수가 C로 표시된다.

기본적인 흐름은, 도 21의 흐름과 비슷하지만, 도 22는 단계 S100, S104, S106 및 S110가 각각 단계 S200, S204, S206 및 S210으로 대체되는 점이 상이하다.

먼저, 단계 S200에서, 차원 결정 유닛 (101) 은, 매칭을 실시하는 양자화 인덱스 벡터의 최초의 차원으로서 차원 1을 결정하고 (n=1), 양자화 값 취득 유닛 (102 및 103) 에 이것을 공급하고, 척도 계산 유닛 (104) 에서 변수 C를 0으로 세팅한다.

단계 S204에서, 척도 계산 유닛 (104) 이, 제 1 양자화 인덱스 값과 제 2 양자화 인덱스 값으로부터, 각각의 양자화 인덱스에 대응하는 특징들 사이의 거리 ΔC를 계산한다. 예를 들어, 양자화 인덱스가 서로 일치하는 경우 ΔC=0이고, 그 이외의 경우에는 ΔC=1이다. 대안으로, 양자화 인덱스로부터 양자화 이전 특징의 대표값을 계산하여, 대표값들 간의 차가 작을수록 감소하는 값을 ΔC로 사용하는 것도 가능하다. 이 경우, 특징의 대표값을 계산하여 차를 획득하는 대신, 양자화 인덱스 값의 조합으로부터 ΔC의 값을 획득하는 표를 보유하고, 양자화 인덱스 값의 조합으로부터 그 표를 이용하여 ΔC의 값을 직접 획득하는 것이 가능하다.

단계 S206에서, ΔC의 값이 변수 C에 가산된다. 이때, ΔC의 값이 0인 경우, 변수 C에 0을 가산하는 대신, 가산하지 않도록 제어하는 것이 가능하다.

단계 S210에서, 그때의 변수 C의 값을 동일성 척도 (거리를 나타내는 척도)로서 출력하고 프로세싱을 종료한다.

그 이외의 단계는 도 21의 경우의 단계와 같다. 그러나, 단계 S108에서 차원 번호 n이 차원 수 N에 도달한다면, 프로세싱은 단계 S210으로 이동한다.

차원 1부터 N까지의 순서로 추출 프로세싱을 실시하고 있지만, 이 순서로 제한되지 않고 임의의 순서로 실시할 수도 있다는 것을 주목한다.

다음으로, 제 1 양자화 인덱스 값과 제 2 양자화 인덱스 값에 대하여, "양자화 인덱스들 둘 모두가 0"인 차원을 제거하고, 동일성 척도로서 유사도가 사용되는 경우의 동작에 대하여 설명한다.

도 23은, 매칭 유닛 (100) 의 동작을 나타내는 다른 흐름도이다. 도 23의 흐름도에서도, 특징 벡터의 차원 (번호) 이 "n"으로 표시되고, 1부터 N까지 총 N개의 차원이 존재한다. 또한, 유사도를 계산하는 변수가 B로 표시되고, "양자화 인덱스 둘 모두가 0"이 아닌 차원을 카운트하기 위한 변수는 A로 표시된다.

먼저, 차원 결정 유닛 (101) 은, 매칭을 실사하는 양자화 인덱스 벡터의 최초의 차원으로서 차원 1을 결정하고 (n=1), 양자화 값 취득 유닛 (102 및 103) 에 이들을 공급하고, 척도 계산 유닛 (104) 에서 변수 A 및 B를 0으로 세팅 (단계 S300) 한 후, 단계 S102로 이동한다.

단계 S102는 도 21의 경우와 같고, 단계 S102가 종료한 후, 이 프로세싱은 단계 S314로 이동한다.

단계 S314에서, 척도 계산 유닛 (104) 은, 제 1 양자화 인덱스 값과 제 2 양자화 인덱스 값 양자가 0인지 여부를 확인한다. 값이 양자 모두 0인 경우, 프로세싱이 단계 S108로 이동하고, 이들 중 어느 하나가 0이 아닌 경우, 변수 A의 값을 1씩 증가시키고 (단계 S316), 프로세싱은 단계 S104로 이동한다.

단계 S104, S106, S108 및 S112에서의 프로세싱은 도 21의 경우와 같다. 단계 S108에서 차원 번호 n이 차원수 N에 도달한다면, 프로세싱은 단계 S310으로 이동한다.

단계 S310에서, 척도 계산 유닛 (104) 은 B/A의 값을 계산하고, 동일성 척도로서 이것을 출력하고, 프로세싱을 종료한다. 그러나, A = 0 인 경우, 척도 계산 유닛 (104) 은 소정의 값 (예를 들어 0.5) 을 출력한다.

차원 1부터 N까지 순서로 추출 프로세싱을 실시하지만, 이 순서로 제한되지 않고 임의의 순서로 할 수도 있다는 것을 주목한다.

또, 단락 0076으로 말한 것처럼, 단계 S310에서, B/A를 계산하는 대신에, D=N-A를 계산하고 B/f(D) (f(D)는 단조 비증가 함수이다) 에 의해 동일성 척도를 계산하는 것이 가능하다. 대안으로, 단락 0077으로 말한 것처럼, 동일성 척도를 (B/f(D))+g(D) 로서 계산할 수도 있다.

또한, A의 값을 계산하지 않고 D의 값을 직접 계산하는 것도 가능하다. 이 경우의 플로우를 나타낸 것이 도 35이다. 기본적으로는 도 23과 같지만, 단계 S500에서 A의 대신에 변수 D에 0을 세팅하고, 단계 S314에서 양자화 인덱스 둘 모두가 0의 경우 단계 S516에서 변수 D를 1씩 증가시키고 처리가 단계 S108로 진행하여, 양자화 인덱스 중 어느 하나가 0이 아닌 경우 처리가 단계 S104로 진행하고, 단계 S510에서 B 및 D로부터 동일성 척도를 상기 서술한 방법에 의해 계산하는 점이 상이하다.

다음으로, 제 1 양자화 인덱스 값과 제 2 양자화 인덱스 값에 대하여, "양자화 인덱스 둘 모두가 0"인 차원을 제외하고, 동일성 척도로서 거리를 사용하는 경우의 동작에 대해 설명한다.

도 34는, 매칭 유닛 (100) 의 동작을 나타내는 다른 흐름도이다. 도 34의 흐름도에서도, 양자화 인덱스 벡터의 차원 (의 번호) 을 "n"으로 나타내고, 차원은 1부터 N까지의 합계 N차원인 것으로 한다. 또, 거리 척도를 계산하는 변수를 C로 나타내고, "양자화 인덱스 둘 모두가 0"이 아닌 차원을 카운트하기 위한 변수를 A로 나타낸다.

기본적인 플로우는, 도 23의 경우와 같지만, 도 34는 단계 S300, S104, S106, S310이 각각 단계 S400, S204, S206, S410으로 대체된다는 점이 상이하다.

먼저, 단계 S400에서, 차원 결정 유닛 (101) 은, 양자화 인덱스 벡터를 매칭하기 위한 최초의 차원으로서 차원 1을 결정하고 (n=1), 양자화 취득 유닛 (102, 103) 에 이것을 공급하고, 척도 계산 유닛 (104) 에 있어서 변수 A 및 변수 C를 0으로 세팅한다.

단계 S204 및 단계 S206은 도 22의 경우와 같다.

단계 S410에서, 척도 계산 유닛 (104) 은, C/A의 값을 계산하고, 이것을 동일성 척도로서 출력하여, 처리를 종료한다. 단, A = 0 인 경우, 척도 계산 유닛 (104) 는 소정의 값 (예를 들어 0.5) 을 출력한다.

다른 단계는 도 23의 경우와 같다. 단계 S108에서 차원 번호 n이 차원 수 N에 도달한 경우, 처리는 단계 S410으로 진행한다.

차원 1부터 N까지 차례로 추출 처리를 실시하지만, 차례는 이 순서로 한정되지 않고 임의로 된다는 것을 주목한다. 또한, 도 23의 단계 S310의 경우와 마찬가지로, C/A를 계산하는 대신에, D=N-A를 계산하고 C/f(D) 등에 의해 동일성 척도를 계산할 수 있다. 또, 도 35와 마찬가지로, A의 값을 계산하지 않고 D의 값을 직접 계산할 수 있다.

[매칭 유닛의 제 2 실시 형태]

다음으로, 본 발명에서 출력된 양자화 인덱스 벡터를 매칭시키는 매칭 유닛의 제 2 실시 형태를 블록도를 이용해 설명한다.

본 발명에서 출력된 양자화 인덱스 벡터를 매칭시키는 매칭 유닛 (110) 의 블록도를 도시하는 도 28을 참조하면, 매칭 유닛 (110) 은 차원 결정 유닛 (101), 양자화 값 취득 유닛 (102, 103), 마진 영역 특정 유닛 (105), 보정 척도 계산 유닛 (106) 을 포함한다.

차원 결정 유닛 (101) 은 양자화 값 취득 유닛 (102, 103) 에 접속되어 결정된 차원 정보를 출력한다. 양자화 값 취득 유닛 (102) 은, 제 1 양자화 인덱스 벡터로부터, 차원 결정 유닛 (101) 으로부터 입력되는 차원의 양자화 인덱스 값을 취득하고, 이 값을 제 1 양자화 인덱스 값으로서 마진 영역 특정 유닛 (105) 에 출력한다. 양자화 값 취득 유닛 (103) 은, 제 2 양자화 인덱스 벡터로부터, 차원 결정 유닛 (101) 으로부터 입력되는 차원의 양자화 인덱스 값을 취득하고, 이 값을 제 2 양자화 인덱스 값으로서 마진 영역 특정 유닛 (105) 에 출력한다.

마진 영역 특정 유닛 (105) 은, 양자화 값 취득 유닛 (102, 103) 으로부터 각각 출력된 개별 차원의 제 1, 제 2 양자화 인덱스 값 (양자화 인덱스 벡터의 각 차원의 값) 으로부터, 각각의 값들이 추출된 원래의 이미지 (양자화 인덱스 벡터가 추출된 이미지, 이 실시형태에서 제 1 이미지와 제 2 이미지로 지칭한다) 에 있어서의 마진 영역을 특정하고, 특정한 마진 영역을 나타내는 정보 (마진 영역 정보) 를 보정 척도 계산 유닛 (106) 에 공급한다. 예를 들어, 마진 영역 특정 유닛 (105) 은, 소정의 1 이상의 마진 영역의 후보마다, 그 후보의 마진 영역에 적어도 하나의 추출 영역이 포함되는 차원이 취할 수 있는 양자화 인덱스와 실제 양자화 인덱스가 일치하는 정도를 나타내는 수치를 임계치와 비교하여, 마진 영역을 특정한다. 마진 영역이 없다고 판단되면, 마진 영역 특정 유닛 (105) 는 마진 영역이 없다는 정보를 마진 영역 정보로서 보정 척도 계산 유닛 (106) 에 공급한다는 것을 주목한다.

이 실시형태에서, 마진 영역이란, 이미지 또는 영상의 디스플레이의 종횡비의 조정이나 추가 정보를 제시하기 위해서, 이미지의 주가 되는 (중심) 영역의 외측 (에지) 에 부가되는 영역이다.

마진 영역의 대표적인 예는 블랙 바이다. 블랙 바는, 영상 자체의 종횡비와 디스플레이 스크린의 종횡비가 상이한 경우, 종횡비를 조정하기 위해서 부가된다 (블랙 바가 부가된 이미지를 레터박스라고 지칭한다). 일반적으로 흑색이지만, 흑색에 한정되지 않는다 (본 명세서에서, 흑색이 아닌 바도 블랙 바라고 지칭한다).

도 29는 블랙 바가 부가된 이미지의 예를 나타낸다. 도 29에 나타내는 바와 같이, 이미지의 주가 되는 (중심) 영역 (꽃이 도시된 영역) 의 외측 (상하, 좌우, 4 변, 및 L 형상) 에 블랙 바가 부가된다.

마진 영역의 다른 예는, 데이터 브로드캐스팅 등을 위한 이미지의 데이터 제시 영역, L 형상 브로드캐스팅을 위한 이미지의 L형상 영역을 포함한다. 마진 영역은, 이미지의 주가 되는 영역의 외측에 부가되는 영역이면, 이러한 영역들로 한정되지 않는다는 것을 주목한다.

마진 영역을 제외한, 이미지의 주요 부분으로서 역할을 하는 (중심) 영역을 이 실시형태에서 주 영역으로 지칭한다.

또한, 특정한 마진 영역을 나타내는 정보 (마진 영역 정보) 로서, 각각의 원 이미지인 제 1 이미지와 제 2 이미지에 대하여 각각 특정된 마진 영역을 나타내는 정보를 출력할 수 있다. 또한, 제 1 이미지의 마진 영역과 제 2 이미지의 마진 영역이 중복하는 영역 (중복 영역) 을 나타내는 정보를 출력할 수 있다. 또한, 제 1 이미지의 마진 영역과 제 2 이미지의 마진 영역의 총합 영역 (총합 영역) 을 나타내는 정보를 출력할 수 있다.

마진 영역 정보는, 예를 들어, 특정된 마진 영역에 추출 영역이 포함되는 차원 (의 집합) 을 식별하는 정보 (예를 들어, 차원을 특정하는 번호) 일 수도 있다. 이 실시 형태에서, 특정된 마진 영역에 추출 영역이 포함되는 차원이란, 2개의 추출 영역 중 둘 모두 또는 어느 하나가 특정된 마진 영역에 포함되는 차원을 의미한다. 대안으로, 특정된 마진 영역 이외의 영역 (즉, 주 영역) 에 추출 영역이 포함되는 차원 (의 집합) 을 식별하는 정보도 수용가능하다.

마진 영역 특정 유닛 (105) 이, 개별 차원에 대한 제 1, 제 2 양자화 인덱스 값 (양자화 인덱스 벡터의 각 차원의 값) 으로부터, 각각이 추출되는 원래의 이미지 (양자화 인덱스 벡터가 추출되는 이미지) 에 있어서 마진 영역을 특정하는 방법의 예를 이하에 나타낸다.

이 방법에서, 미리 마진 영역의 후보 영역 (마진 후보 영역) 을 세팅해두고, 세팅된 마진 후보 영역에 추출 영역이 포함되는 차원의 양자화 인덱스 값이, 영역 특징의 "차이가 없다"는 것을 나타내는 양자화 인덱스 값인 차원의 백분율을 계산한다. 이 백분율이 임계치보다 큰 경우, 세팅된 마진 후보 영역이 마진 영역으로 결정된다. 예를 들어, 양자화 인덱스가 식 2에 기초하여 계산된 경우에는, 세팅된 마진 후보 영역에 추출 영역이 포함되는 차원 가운데, "양자화 인덱스가 0"인 차원의 백분율이, 임계치보다 큰 경우, 세팅된 마진 후보 영역이 마진 영역으로서 특정된다. 이 방법은, 마진 영역 내 (특히 블랙 바 등) 에서 2개의 추출 영역의 영역 특징 (휘도 값 등) 에 차이가 없다는 (예를 들어, 블랙 바에서, 블랙 바 영역 내의 2개의 추출 영역의 휘도 값은 같다) 특성을 이용한다. 마진 후보 영역에 추출 영역이 포함되는 차원이란, 추출 영역 둘 모두가 마진 후보 영역에 포함되는 차원이라는 것을 주목한다.

이하에서, 추출하는 특징 벡터가 제 8 실시 형태에서 설명한 325 차원인 경우, 마진 영역 결정 유닛 (105) 의 구체예를 나타낸다.

먼저, 미리 마진 후보 영역을 세팅해 둔다. 예를 들어, 마진 후보 영역으로서 도 29의 (a) 상하 블랙 바 (가로 블랙 바) 와 (b) 좌우 블랙 바 (세로 블랙 바) 를 세팅한다. 각각의 마진 후보 영역에 대해, 븍랙 바의 폭에 대응하여 2 단계의 폭 (좁은 폭과 넓은 폭) 을 세팅한다. 이후, 세팅한 마진 후보 영역에 추출 영역이 포함되는 차원의 집합을 정의한다. 이 예에서, 마진 후보 영역에 포함되는 도 25a의 타입의 차원 (총 113 차원) 을 대상으로 한다. 예를 들어, (a) 상하 블랙 바 (좁은 폭), (a) 상하 블랙 바 (넓은 폭), (b) 좌우 블랙 바 (좁은 폭), 및 (b) 좌우 블랙 바 (넓은 폭) 에 포함되는 차원이 아래에 도시된 같이 세팅된다 (도 25a를 참조).

(a) 상하 블랙 바 (좁은 폭) 에 추출 영역이 포함되는 차원은 {1, 2, 3, 4, 17, 18, 19, 20, 45, 46, 47, 48, 61, 62, 63, 64} 가 된다.

(a) 상하 블랙 바 (넓은 폭) 에 추출 영역이 포함되는 차원은 {1, 2, 3, 4, 17, 18, 19, 20, 45, 46, 47, 48, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 107, 108, 109, 110, 111, 112, 113} 이 된다.

(b) 좌우 블랙 바 (좁은 폭) 에 추출 영역이 포함되는 차원은 {1, 5, 9, 13, 20, 24, 28, 32, 33, 37, 41, 45, 52, 56, 60, 64} 가 된다.

(b) 좌우 블랙 바 (넓은 폭) 에 추출 영역이 포함되는 차원은 {1, 5, 9, 13, 20, 24, 28, 32, 33, 37, 41, 45, 52, 56, 60, 64, 65, 71, 72, 78, 79, 85, 86, 92, 93, 99, 100, 106, 107, 113} 이 된다.

상술된 바와 같이 세팅한 마진 후보 영역에 포함되는 차원의 정보가 마진 영역 특정 유닛 (105) 에 입력으로서 주어진다.

마진 영역 특정 유닛 (105) 은, 공급된 양자화 인덱스 값 (양자화 인덱스 벡터의 개별 차원의 값) 으로부터, 상기와 같이 세팅된 마진 후보 영역에 추출 영역이 포함되는 차원 가운데, 양자화 인덱스가 0 (차이가 없음) 인 차원의 백분율을 계산한다. 예를 들어, (a) 상하 블랙 바 (좁은 폭) 에 포함되는 16 차원 가운데, 양자화 인덱스가 0인 차원 수가 7 차원의 경우에는, 7/16이다. 이 백분율이 미리세팅된 임계치보다 큰 경우, 세팅된 마진 후보 영역이 그 양자화 인덱스 벡터가 추출된 원래 이미지의 마진 영역으로서 특정된다.

예를 들어, 임계치를 0.9로 세팅했다고 가정한다. 그러면, 미리 세팅된 마진 후보 영역, 즉, 상하 블랙 바 (좁은 폭), 상하 블랙 바 (넓은 폭), 좌우 블랙 바 (좁은 폭), 좌우 블랙 바 (넓은 폭) 각각에 대해 계산한 양자화 인덱스가 0인 차원의 백분율이, 각각 16/16 (1.0), 20/30 (0.666), 5/16 (0.3125), 및 10/30 (0.333) 인 경우, 상하 블랙 바 (좁은 폭) 의 마진 후보 영역은 마진 영역으로서 특정된다 (좁은 폭이 넓은 폭에 포함되기 때문이다). 또한, 예를 들어, 각각의 백분율이, 16/16 (1.0), 20/30 (0.666), 15/16 (0.9375), 및 18/30 (0.6) 인 경우, 2가지 타입의 마진 후보 영역의 총합 영역, 즉, 상하 블랙 바 (좁은 폭) 와 좌우 블랙 바 (좁은 폭) 가, 마진 영역으로서 특정된다. 또한, 각각의 백분율이, 1/16 (0.0625), 4/30 (0.1333), 5/16 (0.3125), 10/30 (0.333) 인 경우, 마진 영역이 없는 것으로 결정된다.

마진 영역 특정 유닛 (105) 은, 공급되는 제 1, 제 2 양자화 인덱스 값 (양자화 인덱스 벡터의 개별 차원의 값) 둘 모두에 대해 상기 처리를 실시하고, 이들이 추출된 원래 이미지인 제 1 이미지와 제 2 이미지의 마진 영역을 특정한다.

마진 영역을 나타내는 정보 (마진 영역 정보) 로서, 제 1 이미지와 제 2 이미지에 대해 특정된 마진 영역을 나타내는 정보를 출력할 수 있다. 예를 들어, 제 1 이미지에 대해 마진 영역이 상하 블랙 바 (좁은 폭) 로 특정되고 제 2 이미지에 대해 마진 영역이 좌우 블랙 바 (넓은 폭) 로 특정되는 경우, 제 1 이미지에 대해 마진 영역이 상하 블랙 바 (좁은 폭) 인 것을 나타내는 정보 (예를 들어, 마진 후보 영역을 나타내는 인덱스 번호) 와, 제 2 이미지에 대해 마진 영역이 좌우 블랙 바 (넓은 폭) 인 것을 나타내는 정보를 출력할 수 있다. 또, 각각의 이미지의 특정된 마진 영역의 중복 영역이나 총합 영역의 정보를 출력하는 것이 가능하다.

마진 영역을 나타내는 정보 (마진 영역 정보) 로서, 특정된 마진 영역에 추출 영역이 포함되는 차원 (의 집합) 을 나타내는 정보를 출력할 수 있다. 예를 들어, 제 1 이미지에 대해 마진 영역이 상하 블랙 바 (좁은 폭) 로 특정되고, 제 2 이미지에 대해 마진 영역이 좌우 블랙 바 (넓은 폭) 로 특정되는 경우, 제 1 이미지에 대해 차원 {1, 2, 3, 4, 17, 18, 19, 20, 45, 46, 47, 48, 61, 62, 63, 64} 를 나타내는 정보 (예를 들어, 차원의 번호의 집합) 와, 제 2 이미지에 대해 차원 {1, 5, 9, 13, 20, 24, 28, 32, 33, 37, 41, 45, 52, 56, 60, 64, 65, 71, 72, 78, 79, 85, 86, 92, 93, 99, 100, 106, 107, 113} 을 나타내는 정보를 출력할 수 있다. 또, 각각의 이미지의 특정된 마진 영역의 중복 영역이나 총합 영역에 포함되는 차원 (의 집합) 을 나타내는 정보를 출력할 수 있다. 특정된 마진 영역에 포함되는 도 25a에 도시된 타입의 차원 (총 113 차원) 을 예시적인 출력으로서 도시하지만, 특정된 마진 영역에 포함되는 다른 타입의 차원 (도 25b부터 도 25g) 을 출력할 수 있고, 또는, 특정된 마진 영역 이외의 영역 (즉, 주 영역) 에 추출 영역이 포함되는 차원 (의 집합) 을 나타내는 정보를 출력할 수 있다는 것을 주목한다.

상기의 예에서, 마진 영역 특정 유닛 (105) 은 미리 세팅한 마진 후보 영역에 추출 영역이 포함되는 차원이 "양자화 인덱스가 0"인 차원의 백분율을 이용했지만, 마진 후보 영역 중 안과 밖 (주 영역) 둘 모두에 추출 영역이 포함되는 차원 (즉, 일 추출 영역이 마진 후보 영역 내에 존재하지만, 다른 마진 후보 영역 내에는 존재하지 않는다) 에서, 마진 영역 특정 유닛 (105) 은 "양자화 인덱스가 0"인 차원의 백분율을 계산하고, 그 백분율이 있는 임계치보다 큰 경우, 마진 후보 영역을 마진 영역으로서 특정할 수도 있다. 이것은, 마진 영역과 주 영역 사이에 영역 특징의 차이가 있다는 특성을 이용한다. 또한, 블랙 바의 경우, 마진 영역 (블랙 바 영역) 의 휘도값은 작다. 이와 같이, 일반적으로 마진 영역 내의 추출 영역의 휘도 값이 주 영역 내의 추출 영역의 휘도 값보다 작다는 사실을 이용함으로써, +1, -1의 부호까지도 고려하여, 백분율을 계산할 수도 있다.

또한, 예를 들어, 마진 후보 영역에 포함되는 차원의 전형적인 양자화 인덱스 값을 템플릿으로서 저장하여, 공급되는 개별 차원에 대한 양자화 인덱스 값들 (양자화 인덱스 벡터의 개별 차원의 값들) 간의 유사도를 결정하고, 유사도가 임계치보다 크다면, 마진 후보 영역은 마진 영역으로 특정된다.

이 방법은 본원에 기재된 방법으로 한정하지 않고 공급되는 개별 차원의 양자화 인덱스 값 (양자화 인덱스 벡터의 개별 차원의 값) 자체로부터 마진 영역을 특정하는 방법이면 어떠한 방법도 사용될 수도 있다.

보정 척도 계산 유닛 (106) 은, 양자화 값 취득 유닛 (102, 103) 으로부터 각각 출력된 개별 차원의 제 1, 제 2 양자화 인덱스 값 (양자화 인덱스 벡터의 개별 차원의 값) 로부터, 마진 영역 특정 유닛 (105) 으로부터 공급되는 마진 영역을 나타내는 정보 (마진 영역 정보) 에 의해 나타내어진 마진 영역에 추출 영역이 포함되는 차원의 가중치를 감소시킴으로써, 이미지의 동일성 (유사도) 을 나타내는 척도를 계산하고, 이것을 동일성 척도로서 출력한다.

이 실시형태에서, 마진 영역에 추출 영역이 포함되는 차원이란, 2개의 추출 영역 중 둘 모두 또는 어느 하나가 마진 영역에 포함되는 차원을 의미한다.

제 1 이미지와 제 2 이미지의 각각에 대해 마진 영역 정보가 공급되는 경우, 마진 영역 정보가 나타내는 마진 영역이 중복하는 영역 (중복 영역) 또는 총합의 영역 (총합 영역) 을 획득하여 마진 영역을 일원화할 수 있다.

또한, 마진 영역 정보가, 마진 영역에 추출 영역이 포함되는 차원 (의 집합) 을 나타내는 정보의 경우, 마진 영역에 추출 영역이 포함되는 차원은, 공급되는 차원의 집합에 포함되는 차원에 한정되지 않고, 같은 마진 영역에 추출 영역이 포함되는 차원일 수도 있다. 예를 들어, 추출하는 특징 벡터가 제 8 실시형태에 설명한 325 차원인 경우, 마진 영역 정보가, 도 25a에 도시된 타입의 차원으로부터 선택된 차원으로 한정하는 경우, 도 25b 내지 도 25g에 도시된 다른 타입에 포함되는 차원에서, 같은 마진 영역에 추출 영역이 포함되면, 이러한 차원은 "마진 영역에 추출 영역이 포함되는 차원"의 대상이 될 수도 있다.

마진 영역에 포함되는 차원의 가중치를 감소시키는 것은, 상대적으로 마진 영역에 포함되지 않는 차원, 즉 주 영역에 포함되는 차원의 가중치를 증가시켜 동일성 척도를 계산함으로써 획득된 것과 동일한 값을 제공한다. 따라서, 명시적으로, 마진 영역에 포함되지 않는 차원 (주 영역에 포함되는 차원) 의 가중치를 증가시켜 동일성 척도를 계산할 수 있다.

또한, 마진 영역에 포함되는 차원의 가중치를 0으로 세팅함으로써, 동일성 척도를 계산할 수 있다. 이것은, 마진 영역에 포함되는 차원을 제외함으로써, 마진 영역에 포함되지 않는 차원 (주 영역에 포함되는 차원) 만을 이용하여 동일성 척도를 계산할 수 있다. 예를 들어, 마진 영역에, 어떤 추출 영역도 포함되지 않는 차원만을 이용하여, 동일성 척도를 계산할 수 있다.

또한, 보정 척도 계산 유닛 (106) 에 관하여, 마진 영역에 포함되는 차원의 가중치를 감소시킴으로써, 이미지의 동일성 척도를 계산하는 방법이면, 어떤 동일성 척도의 계산 방법도 사용될 수 있다. 예를 들어, 개별 차원의 제 1, 제 2 양자화 인덱스 값 (양자화 인덱스 벡터의 개별 차원의 값) 으로부터, 대응하는 차원들을 비교하여, 양자화 인덱스가 일치하는 차원 수 (유사도) 또는, 양자화 인덱스가 일치하지 않는 차원 수 (해밍 거리) 를 획득하는, 동일성 척도를 계산하는 방법을 사용할 수 있다. 또한, L1 거리 또는 L2 거리 (유클리드 (Euclidean) 거리)(식 2에 기초하여 양자화 인덱스가 계산되는 경우) 등을 사용할 수 있다. 또한, 그 외, 지금까지 상술한 동일성 척도의 계산 방법을 사용할 수도 있다.

마진 영역 정보로서 마진 영역이 없음을 나타내는 정보가 공급되는 경우, 통상적인 척도 계산 유닛 (104) 과 비슷한 방식으로 동일성 척도를 계산할 필요만 있다는 것을 주목한다.

예를 들어, 마진 영역에 포함되는 차원의 가중치를 0으로 세팅함으로써, 즉, 마진 영역에 포함되는 영역을 제외함으로써, 주 영역에 포함되는 차원을 선택하고, 주영역에 포함되는 차원만을 이용함으로써, 양자화 인덱스가 일치하는 차원 수 (유사도), 양자화 인덱스가 일치하지 않는 차원 수 (해밍 거리), L1 거리 또는 L2거리를 계산하여, 이것을 동일성 척도로서 출력할 수도 있다.

또한, 예를 들어, 마진 영역에 포함되는 차원의 가중치가 W1이고, 마진 영역에 포함되지 않는 차원 (주 영역에 포함되는 차원) 의 가중치가 W2이고, W1<W2인 경우, 예를 들어, 개별 차원의 제 1, 제 2 양자화 인덱스 값 (양자화 인덱스 벡터의 개별 차원의 값) 로부터, 대응하는 차원들을 비교하고, 양자화 인덱스가 일치하는 차원에 그 차원의 가중치 값을 가산하여 (즉, 마진 영역에 포함되는 차원의 양자화 인덱스가 일치하면 W1를 가산, 마진 영역에 포함되지 않는 차원의 양자화 인덱스가 일치하면 W2를 가산, 양자화 인덱스가 일치하지 않는 차원은 0을 가산), 가중된 유사도로서 동일성 척도를 계산할 수 있다.

예를 들어, 추출하는 특징 벡터가 제 8 실시 형태에 설명한 325 차원인 경우, 상하 블랙 바 (좁은 폭) 에 해당하는 차원 {1, 2, 3, 4, 17, 18, 19, 20, 45, 46, 47, 48, 61, 62, 63, 64} 이 마진 영역 정보로서 공급되었을 경우에 대한 예를 나타낸다. 이 경우, 단순하게 이러한 차원 {1, 2, 3, 4, 17, 18, 19, 20, 45, 46, 47, 48, 61, 62, 63, 64} (16 차원) 을 마진 영역에 포함되는 차원으로, 그리고 다른 차원 (325-16=309 차원) 을 마진 영역에 포함되지 않는 차원 (주 영역에 포함되는 차원) 으로 결정할 수 있다. 또한, 상하 블랙 바 (좁은 폭) 에 해당하는 마진 영역으로서, 상하 블랙 바 (좁은 폭) 에 추출 영역이 포함되는 모든 차원을 마진 영역으로 결정할 수도 있다. 예를 들어, 상하 블랙 바 (좁은 폭) 에 추출 영역 중 임의의 하위 영역이 포함되는 차원, 즉, 차원 {114, 115, 116, 117, 126, 127, 128, 129} 이 마진 영역에 포함되는 차원으로 결정될 수도 있다. 이 경우, 다른 차원, 즉, 상하 블랙 바 (좁은 폭) 와 어느 추출 영역도 중복하지 않는 차원이 마진 영역에 포함되지 않는 차원 (주 영역에 포함되는 차원) 인 것으로 결정된다.

마진 영역에 추출 영역이 포함되는 차원과 마진 영역에 추출 영역이 포함되지 않는 차원 (주 영역에 포함되는 차원) 을 참고로 하면, 양자화 인덱스가 일치하는 차원 수 (유사도), 양자화 인덱스가 일치하지 않는 차원 수 (해밍 거리), L1 거리 또는 L2 거리를 계산하고, 이것을 동일성 척도로서 출력할 수도 있다. 또한, 마진 영역에 포함되는 차원의 가중치가 W1이고, 마진 영역에 포함되지 않는 차원 (주 영역에 포함되는 차원) 의 가중치가 W2인, W1<W2인 경우, 개별 차원의 제 1, 제 2 양자화 인덱스 값 (양자화 인덱스 벡터의 개별 차원의 값) 으로부터, 대응하는 차원들을 비교하여, 양자화 인덱스가 일치하는 차원에 대해 그 차원의 가중치 값을 가산함으로써, 가중된 유사도로서 동일성 척도를 계산하고 이것을 출력할 수 있다.

[매칭 유닛의 제 2 실시 형태의 효과]

매칭 유닛의 제 2 실시 형태의 유리한 효과에 대해 설명한다.

매칭 유닛의 제 2 실시 형태에, 마진 영역 특정 유닛 (105) 이 동일성의 결정과는 무관한 마진 영역 (블랙 바 등) 을 특정하고, 보정 척도 계산 유닛 (106) 이 마진 영역에 포함되는 차원의 가중치를 감소시킴으로써 동일성 척도를 계산하기 때문에 (즉, 동일성의 결정을 위한 주 영역의 가중치를 증가시킴으로써 동일성 척도를 계산하기 때문에), 보다 정확하게 동일성 척도를 계산할 수 있다. 따라서, 보다 고 정밀도로 동일성을 결정할 수 있다.

특히, 블랙 바와 같은 마진 영역을 포함하는 상이한 2개의 이미지에 관해 매칭이 실시되는 경우, 마진 영역 (블랙 바) 이 공통된다. 통상적인 매칭 유닛 (100) 은, 주 영역이 상이한 이미지의 동일성 척도를 큰 값으로 계산할 수도 있다는 문제가 있었다. 매칭 유닛의 제 2 실시 형태 (매칭 유닛 (110)) 는, 마진 영역의 가중치를 감소시킴으로써 동일성 척도의 계산하기 때문에, 이러한 문제는 발생하지 않는다.

또한, 매칭 유닛의 제 2 실시형태에서, 마진 영역 특정 수단 (105) 이, 양자화 인덱스 벡터 자체로부터 마진 영역을 특정하기 때문에, 이미지 식별자의 추출측 (추출의 단계) 에서, 마진 영역을 별도로 특정할 필요가 없다는 효과가 있다. 따라서, 이미지 식별자의 추출 측에서의 로드 (처리 속도, 탑재 비용과 같은 로드) 가 걸리지 않는 효과가 있다.

또한, 상술한 매칭 유닛의 제 2 실시 형태 (도 28, 매칭 유닛 (110)) 는, 도 20 (매칭 유닛 (100)) 에 도시한 매칭 유닛의 실시 형태에 연결되어, 계층적인 매칭을 실시할 수 있다. 이것은, 먼저, 매칭 유닛 (100) 이 통상적인 동일성 척도 (척도 계산 유닛 (104) 의 출력) 를 출력한다는 것을 의미한다. 매칭 유닛 (100) 으로부터 출력된 통상적인 동일성 척도를 소정의 임계치와 비교하고 동일성 척도가 임계치보다 작은 (동일한 정도가 작다) 경우, 그대로 통상적인 동일성 척도를 출력한다. 동일성 척도가 임계치보다 큰 (동일한 정도가 크다) 경우, 매칭 유닛 (110) 은, 마진 영역을 특정하고, 마진 영역에 포함되는 차원의 가중치를 감소시킴으로써 보정된 동일성 척도를 계산하고, 이것을 출력한다.

상술된 바와 같이 매칭 유닛 (100) 및 매칭 유닛 (110) 에 의해 계층적인 매칭을 실시함으로써, 매칭 유닛 (100) 에 의해 계산된 통상적인 동일성 척도가 큰 경우에만, 매칭 유닛 (110) 에 의해 보정된 동일성 척도가 계산되기 때문에, 매칭의 처리 속도를 고속화할 수 있다는 유리한 효과가 있다. 통상적으로, 많은 수의 상이한 이미지를 포함하는 데이터베이스에서의 동일성 결정을 실시하는 경우, 대부분의 경우에, 매칭 유닛 (100) 에 의해 계산된 통상적인 동일성 척도가 임계치보다 작다. 따라서, 매칭 유닛 (100) 에 의해 처리가 종료하기 때문에, 처리 속도를 상당히 더 높일 수 있다.

［매칭 유닛의 제 3 실시 형태]

다음으로, 본 발명으로 출력된 양자화 인덱스 벡터를 조합하는 매칭 유닛의 제 3의 실시 형태를 블록도를 이용하여 설명한다.

도 36을 참조하면, 본 발명으로 출력된 양자화 인덱스 벡터를 조합하는 매칭 유닛 (200) 의 블록도를 나타내며, 매칭 유닛 (200) 은 코드 결정 유닛 (201), 코드 값 취득 유닛 (202, 203), 척도 계산 유닛 (204) 을 포함한다.

코드 결정 유닛 (201) 은 코드 값 취득 유닛 (202, 203) 에 접속되어, 결정된 코드 지정 정보를 출력한다. 코드 값 취득 수단 (202) 은, 제 1 양자화 인덱스 벡터로부터, 코드 결정 유닛 (201) 으로부터 입력되는 코드 지정 정보에 의해 정해지는 코드의 값을 취득하고, 이 값을 제 1 코드 값으로서 척도 계산 유닛 (204) 에 출력한다. 코드 값 취득 유닛 (203) 은, 제 2 양자화 인덱스 벡터로부터, 코드 결정 유닛 (201) 으로부터 입력되는 코드 지정 정보에 의해 정해지는 코드의 값을 취득하고, 이 값을 제 2 양자화 인덱스 값으로서 척도 계산 유닛 (204) 에 출력한다. 척도 계산 유닛 (204) 은, 코드 값 취득 유닛 (202 , 203) 으로부터 각각 출력된 제 1, 제 2 코드 값으로부터 동일성을 나타내는 척도를 계산하여, 이것을 출력한다.

다음으로, 도 36에 도시된 매칭 유닛 (200) 의 동작을 설명한다.

먼저, 매칭 유닛 (200) 에는, 제 1 이미지로부터 추출되는 양자화 인덱스 벡터를 인코딩함으로써 생성된 벡터인 제 1 인코딩 양자화 인덱스 벡터와, 제 2 이미지로부터 추출되는 양자화 인덱스 벡터를 인코딩함으로서 생성된 벡터인 제 2 인코딩 양자화 인덱스 벡터가 입력된다. 인코딩 양자화 인덱스 벡터는, 양자화 인덱스 벡터의 양자화 인덱스 값을 복수의 차원에 대해 집합적으로 인코딩함으로써 획득된 코드 열이라는 것을 주목한다. 단락 0187에 기재된 바와 같이, 특징 벡터의 개별 차원의 특징을 3개 값으로 양자화하고 5 차원 씩 집합적으로 인코딩하는 경우, 5 차원 마다 1개의 코드가 생성된다. 따라서, 특징 벡터의 차원 수가 N인 경우, N/5개의 코드가 생성된다. 이 경우, 인코딩된 양자화 인덱스 벡터는 N/5개의 코드로 이루어진 코드 열이다.

입력된 제 1, 제 2 인코딩 양자화 인덱스 벡터는 각각 코드 값 취득 유닛 (202, 203) 에 입력된다.

코드 값 취득 유닛 (202, 203) 에는, 코드 결정 유닛 (201) 부터 출력된 코드 지정 정보도 입력된다. 코드 결정 유닛 (201) 은, 코드 열 중 각 코드를 지정하는 정보를 순차 출력한다. 코드 열 중 코드의 수가 M (상기 서술한 예에서는 M=N/5) 인 경우, 출력 순서는 반드시 1부터 M까지 1씩 증가할 필요는 없고, 1 부터 M까지의 모든 값이 과부족 없게 지정되는 순서이면 어떠한 순서도 된다.

코드 값 취득 유닛 (202, 203) 은, 입력된 인코딩 양자화 인덱스 벡터로부터, 코드 결정 유닛 (201) 으로부터 출력된 코드 지정 정보로 지정되는 코드의 값을 취득하고, 취득한 코드 값을 척도 계산 유닛 (204) 에 출력한다.

척도 계산 유닛 (204) 은, 코드 값 취득 유닛 (202, 203) 으로부터 출력된 제 1 코드 값과 제 2 코드 값을 비교한다. 이 처리에서, 양자화 인덱스 값으로 디코딩하지 않고 바로 코드 값들을 비교한다. 단락 0195 내지 단락 0197에 설명한 바와 같이, 2개의 코드 값 간의 유사도가 획득될 수 있는 룩업 테이블이 준비되고, 이 테이블을 이용하여 코드 단위로 동일성 척도를 계산한다. 이 프로세스가 각 코드에 대하여 실시됨으로써, 제 1, 제 2 코드 값들 간의 유사도 척도 (또는 거리 척도) 를 동일성 척도로서 계산한다.

취득된 동일성 척도 값을 소정의 임계치와 비교하여 동일성을 결정한다. 동일성 척도가 유사도를 나타내는 척도인 경우, 척도 값이 임계치 이상인 경우, 동일인 것으로 결정한다. 한편, 동일성 척도가 거리를 나타내는 척도인 경우, 척도 값이 임계치 이하의 경우 동일인 것으로 결정한다.

다음으로, 흐름도를 이용하여 도 36에 도시된 매칭 유닛 (200) 의 동작을 설명한다. 먼저, 동일성 척도로서 유사도를 사용하는 경우의 동작을 설명한다.

도 37은, 매칭 유닛 (200) 의 동작을 나타내는 흐름도이다. 도 37의 흐름도에서, 인코딩 양자화 인덱스 벡터의 코드 번호를 "m"으로 나타내고, 1부터 M까지의 총 M개의 차원이 있는 것으로 한다. 또한, 유사도를 계산하기 위한 변수를 B로 나타내다.

먼저, 코드 결정 유닛 (201) 은, 매칭시키는 인코딩 양자화 인덱스 벡터의 최초 코드로서 첫 번째 코드를 취득하는 것을 결정하고 (m=1), 이것을 코드 값 취득 유닛 (202, 203) 에 공급하고, 척도 계산 유닛 (204) 에서 변수 B를 0으로 세팅한다 (단계 S600).

그런다음, 코드 값 취득 유닛 (202, 203) 은 제 1 양자화 인덱스 벡터 및 제 2 양자화 인덱스 벡터로부터, m 번째 제 1 코드 값과 제 2 코드 값을 취득하고, 이들을 척도 계산 유닛 (204) 에 공급한다 (단계 S602).

그런다음, 척도 계산 유닛 (204) 은, 제 1 코드 값과 제 2 코드 값으로부터, 각각의 코드 값에 대응하는 복수 차원의 특징들 간의 유사도 ΔB를, 단락 0195 내지 0197에서 설명한 룩업 테이블을 참조하여 계산한다 (단계 S604).

다음으로, ΔB의 값이 변수 B에 가산된다 (단계 S106). 이때, ΔB의 값이 0의 경우, 변수 B에 0을 가산하는 대신, 가산하지 않게 제어할 수 있다.

다음으로, 코드 번호 m이 코드 수 M에 도달했는지 여부를 확인하고 (단계 S608), 번호가 도달하지 않는 경우, 처리가 단계 S612로 진행하고, 반면에, 번호가 도달한 경우, 그때의 변수 B의 값을 동일성 척도 (유사도를 나타내는 척도) 로서 출력하고 (단계 S110), 처리를 종료한다.

단계 612에서, 코드 결정 유닛 (201) 은, 취득하는 양자화 인덱스를 위한 차원으로서 m=m+1으로부터 다음 코드 번호를 결정하고, 이것을 코드 지정 정보로서 코드 값 취득 유닛 (202, 203) 에 공급한다. 그런다음, 처리는 단계 S602로 복귀한다.

코드 번호 m부터 차원 M까지 차례로 추출 처리를 실시하지만, 차례는 이 순서로 한정되지 않고 어떠한 순서도 될 수 있다는 것을 주목한다. 또한, 유사도를 계산하는 경우에 대해 설명하였지만, 비슷한 방식으로 거리 척도를 동일성 척도로도 계산할 수 있다. 그 경우, 룩업 테이블은 유사도의 대신에 거리 척도를 저장하도록 구성된다.

도 38은 매칭 유닛 (200) 의 동작을 나타내는 다른 흐름도이다. 도 38의 흐름도에서도, 인코딩 양자화 인덱스 벡터의 코드 번호를 "m"으로 나타내고, 1 부터 M까지 총 M개의 차원이 있다. 또한, 유사도를 계산하는 변수를 B로 나타내고, "양자화 인덱스 둘 모두가 0"이 아닌 차원을 카운트하기 위한 변수를 A로 나타낸다.

먼저, 코드 결정 유닛 (201) 은, 매칭시키는 인코딩 양자화 인덱스 벡터의 최초 코드로서 첫 번째 코드를 취득하는 것을 결정하여 (n=1), 이것을 코드 값 취득 유닛 (202, 203) 에 공급하고, 척도 계산 유닛 (204) 에 변수 A, B를 0으로 세팅하고 (단계 S700), 단계 S602로 진행한다.

단계 S602는 도 37의 경우와 같고, 단계가 종료하는 경우, 처리가 단계 S714로 진행한다.

단계 S714에서, 척도 계산 유닛 (204) 은 제 1 코드 값과 제 2 코드 값으로부터, 코드 값에 대응하는 특징 벡터의 차원 내에, "값 둘 모두 0이"아닌 차원의 수를 확인한다. 이 값을 ΔA로 세팅한다. 이것은 또한, 단락 0197에 기재된 바와 같이, 코드 값과 ΔA 간의 관계를 기술한 룩업 테이블을 사용하여 계산된다.

그런다음, ΔA의 값이 변수 A에 가산된다 (단계 S716). 이때, ΔA의 값이 0의 경우, 변수 A에 0을 가산하는 대신, 가산하지 않게 제어할 수 있다.

단계 S604, S106, S608, S612의 처리는 도 37의 경우와 같다. 단계 S608에서 코드 번호 m이 코드 수 M에 도달한다면, 처리는 단계 S310으로 진행한다.

단계 S310에서, 척도 계산 유닛 (204) 은 B/A의 값을 계산하고 이것을 동일성 척도로서 출력하여, 이 처리를 종료한다. 그러나, A = 0 인 경우, 척도 계산 유닛 (204) 은 소정의 값 (예를 들어 0.5) 을 출력한다.

코드 번호 m부터 M까지 차례로 추출 처리를 실시하지만, 차례는 이 순서로 한정되지 않고 어떠한 순서도 될 수 있다는 것을 주목한다. 또한, 유사도를 계산하는 경우에 대해 설명하였지만, 비슷한 방식으로 거리 척도를 동일성 척도로도 계산할 수 있다. 그 경우, 룩업 테이블은 유사도의 대신에 거리 척도를 저장하도록 구성된다.

본 발명의 실시 형태들을 상술하였지만, 본 발명은 이러한 예들에 제한되지 않고, 다양한 부가 및 변경이 이루어질 수도 있다. 또한, 본 발명의 이미지 시그니처 추출 장치 및 매칭 장치는 그 기능이 하드웨어뿐만 아니라 컴퓨터 및 프로그램에 의해 실현될 수 있도록 구성된다. 이러한 프로그램은 자기 디스크, 반도체 메모리 등의 컴퓨터 판독가능 기록 매체에 기록되는 형태로 제공되고, 예컨대 컴퓨터가 시작될 때 컴퓨터에 의해 판독되며, 해당 컴퓨터의 동작을 제어함으로써 컴퓨터가 상술된 실시 형태들의 이미지 시그니처 추출 장치 및 매칭 장치로서 기능하게 한다.

본 출원은 그 개시물이 전체적으로 명세서 내에서 참조로서 통합되는, 2009년 6월 16일 출원된 일본 특허 출원 제 2009-143352 호와 2009년 6월 24일 출원된 일본 특허 출원 제 2009-149893 호에 기초하고, 이것을 우선권으로 주장한다.

부호의 설명

1 차원 결정 유닛

2 추출 영역 취득 유닛

3, 3A 영역 특징 계산 유닛

31, 31A 제 1 영역 특징 계산 유닛

32, 32A 제 2 영역 특징 계산 유닛

4, 4B 비교 유닛

41 크기 비교 유닛

42, 44 양자화 유닛

43 차분치 계산 유닛

45 양자화 경계 결정 유닛

5 영역 특징 계산 방법 취득 유닛

6 비교 방법 취득 유닛

7 인코딩 유닛

100, 110, 200 매칭 유닛

101 차원 결정 유닛

102, 103 양자화 값 취득 유닛

104, 204 척도 계산 유닛

105 마진 영역 특정 유닛

106 보정 척도 계산 유닛

201 코드 결정 유닛

202, 203 코드 값 취득 유닛

Claims (25)

1. 이미지의 복수의 서브 영역 쌍들의 각각의 서브 영역들로부터 영역 특징들을 추출하는 단계; 서브 영역 쌍들 각각에 대하여, 쌍을 형성하는 2개의 서브 영역의 상기 영역 특징들 간의 차분값을 양자화하는 단계; 및 각각의 서브 영역 쌍들에 대하여 계산된 양자화 값들인 엘리먼트들의 집합을 상기 이미지를 구별하는 데 사용되는 이미지 시그니처로서 생성하는 단계를 포함하는 생성 방법에 의해 생성된 제 1 이미지의 이미지 시그니처와 제 2 이미지의 이미지 시그니처로부터, 이미지들 각각의 마진 영역을 특정하는 마진 영역 특정 유닛, 및
   쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 상기 특정된 마진 영역에 포함되는 엘리먼트의 가중치가 감소되는 방식으로, 상기 제 1 이미지의 이미지 시그니처와 상기 제 2 이미지의 이미지 시그니처를 매칭시키는 매칭 유닛을 포함하는, 이미지 시그니처 매칭 장치.
2. 제 1 항에 있어서,
   상기 마진 영역 특정 유닛은, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는, 이미지 시그니처 매칭 장치.
3. 제 1 항 또는 제 2 항에 있어서,
   상기 마진 영역 특정 유닛은, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 후보 영역들에 포함되는 상기 엘리먼트의 양자화 값에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는, 이미지 시그니처 매칭 장치.
4. 제 1 항 또는 제 2 항에 있어서,
   상기 마진 영역 특정 유닛은, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 후보 영역들에 포함되는 상기 엘리먼트들의 양자화 값들을 소정의 값과 비교한 결과에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는, 이미지 시그니처 매칭 장치.
5. 제 1 항 또는 제 2 항에 있어서,
   상기 마진 영역 특정 유닛은, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 후보 영역들에 포함되는 상기 엘리먼트들의 양자화 값들을 소정의 값과 비교하고, 일치하는 엘리먼트들의 백분율을 임계치와 비교한 결과에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는, 이미지 시그니처 매칭 장치.
6. 제 1 항 또는 제 2 항에 있어서,
   상기 마진 영역 특정 유닛은, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 후보 영역들에 포함되는 상기 엘리먼트들의 양자화 값들을 소정의 값과 비교하고, 일치하지 않는 엘리먼트들의 백분율을 임계치와 비교한 결과에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는, 이미지 시그니처 매칭 장치.
7. 제 1 항 또는 제 2 항에 있어서,
   상기 마진 영역 특정 유닛은, 쌍을 형성하는 2개의 서브 영역들 중 둘 모두가 후보 영역들에 포함되는 엘리먼트들의 양자화 값들을, 상기 차분값의 절대값이 규정된 값보다 작을 경우 얻어지는 양자화 값과 비교하고, 일치하는 엘리먼트들의 백분율을 임계치와 비교한 결과에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는, 이미지 시그니처 매칭 장치.
8. 제 1 항 또는 제 2 항에 있어서,
   상기 마진 영역 특정 유닛은, 쌍을 형성하는 2개의 서브 영역들 중 둘 모두가 후보 영역들에 포함되는 엘리먼트들의 양자화 값들을, 상기 차분값의 절대값이 규정된 값보다 작을 경우 얻어지는 양자화 값과 비교하고, 일치하지 않는 엘리먼트들의 백분율을 임계치와 비교한 결과에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는, 이미지 시그니처 매칭 장치.
9. 제 1 항 또는 제 2 항에 있어서,
   상기 마진 영역은 이미지의 외측의 영역인, 이미지 시그니처 매칭 장치.
10. 제 1 항 또는 제 2 항에 있어서,
    상기 매칭 유닛은, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 상기 특정된 마진 영역에 포함되는 엘리먼트를 제외함으로써 상기 제 1 이미지의 이미지 시그니처와 상기 제 2 이미지의 이미지 시그니처를 매칭시키는, 이미지 시그니처 매칭 장치.
11. 제 1 항 또는 제 2 항에 있어서,
    상기 매칭 유닛은, 상기 제 1 이미지의 이미지 시그니처와 상기 제 2 이미지의 이미지 시그니처의 대응하는 엘리먼트들을 비교하고, 상기 제 1 이미지와 상기 제 2 이미지가 동일한 정도를 나타내는 동일성 척도를 계산하는, 이미지 시그니처 매칭 장치.
12. 제 1 항 또는 제 2 항에 있어서,
    상기 복수의 서브 영역 쌍들은, 쌍을 이루는 2개의 서브 영역들의 형상들의 조합 및 쌍을 이루는 2개의 서브 영역들 간의 상대적인 위치 관계 둘 모두가, 다른 서브 영역 쌍들의 적어도 하나의 서브 영역 쌍과는 상이한 적어도 하나의 서브 영역 쌍을 포함하는, 이미지 시그니처 매칭 장치.
13. 이미지의 복수의 서브 영역 쌍들의 각각의 서브 영역들로부터 영역 특징들을 추출하는 단계; 서브 영역 쌍들 각각에 대하여, 쌍을 형성하는 2개의 서브 영역의 상기 영역 특징들 간의 차분값을 양자화하는 단계; 및 각각의 서브 영역 쌍들에 대하여 계산된 양자화 값들인 엘리먼트들의 집합을 상기 이미지를 구별하는 데 사용되는 이미지 시그니처로서 생성하는 단계를 포함하는 생성 방법에 의해 생성된, 제 1 이미지의 이미지 시그니처와 제 2 이미지의 이미지 시그니처로부터, 이미지들 각각의 마진 영역을 특정하는 단계, 및
    쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 상기 특정된 마진 영역에 포함되는, 엘리먼트의 가중치가 감소되는 방식으로, 상기 제 1 이미지의 이미지 시그니처와 상기 제 2 이미지의 이미지 시그니처를 매칭시키는 단계를 포함하는, 이미지 시그니처 매칭 방법.
14. 제 13 항에 있어서,
    상기 마진 영역을 특정하는 단계는, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는 단계를 포함하는, 이미지 시그니처 매칭 방법.
15. 제 13 항 또는 제 14 항에 있어서,
    상기 마진 영역을 특정하는 단계는, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 후보 영역들에 포함되는 상기 엘리먼트의 양자화 값에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는 단계를 포함하는, 이미지 시그니처 매칭 방법.
16. 제 13 항 또는 제 14 항에 있어서,
    상기 마진 영역을 특정하는 단계는, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 후보 영역들에 포함되는 상기 엘리먼트들의 양자화 값들을 소정의 값과 비교한 결과에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는 단계를 포함하는, 이미지 시그니처 매칭 방법.
17. 제 13 항 또는 제 14 항에 있어서,
    상기 마진 영역을 특정하는 단계는, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 후보 영역들에 포함되는 상기 엘리먼트들의 양자화 값들을 소정의 값과 비교하고, 일치하는 엘리먼트들의 백분율을 임계치와 비교한 결과에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는 단계를 포함하는, 이미지 시그니처 매칭 방법.
18. 제 13 항 또는 제 14 항에 있어서,
    상기 마진 영역을 특정하는 단계는, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 후보 영역들에 포함되는 상기 엘리먼트들의 양자화 값들을 소정의 값과 비교하고, 일치하지 않는 엘리먼트들의 백분율을 임계치와 비교한 결과에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는 단계를 포함하는, 이미지 시그니처 매칭 방법.
19. 제 13 항 또는 제 14 항에 있어서,
    상기 마진 영역을 특정하는 단계는, 쌍을 형성하는 2개의 서브 영역들 중 둘 모두가 후보 영역들에 포함되는 엘리먼트들의 양자화 값들을, 상기 차분값의 절대값이 규정된 값보다 작을 경우 얻어지는 양자화 값과 비교하고, 일치하는 엘리먼트들의 백분율을 임계치와 비교한 결과에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는 단계를 포함하는, 이미지 시그니처 매칭 방법.
20. 제 13 항 또는 제 14 항에 있어서,
    상기 마진 영역을 특정하는 단계는, 쌍을 형성하는 2개의 서브 영역들 중 둘 모두가 후보 영역들에 포함되는 엘리먼트들의 양자화 값들을, 상기 차분값의 절대값이 규정된 값보다 작을 경우 얻어지는 양자화 값과 비교하고, 일치하지 않는 엘리먼트들의 백분율을 임계치와 비교한 결과에 기초하여, 상기 마진 영역의 하나 이상의 후보 영역들로부터 상기 이미지들 각각의 마진 영역을 특정하는 단계를 포함하는, 이미지 시그니처 매칭 방법.
21. 제 13 항 또는 제 14 항에 있어서,
    상기 마진 영역은 이미지의 외측의 영역인, 이미지 시그니처 매칭 방법.
22. 제 13 항 또는 제 14 항에 있어서,
    상기 매칭시키는 단계는, 쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 상기 특정된 마진 영역에 포함되는 엘리먼트를 제외함으로써 상기 제 1 이미지의 이미지 시그니처와 상기 제 2 이미지의 이미지 시그니처를 매칭시키는 단계를 포함하는, 이미지 시그니처 매칭 방법.
23. 제 13 항 또는 제 14 항에 있어서,
    상기 매칭시키는 단계는, 상기 제 1 이미지의 이미지 시그니처와 상기 제 2 이미지의 이미지 시그니처의 대응하는 엘리먼트들을 비교하고, 상기 제 1 이미지와 상기 제 2 이미지가 동일한 정도를 나타내는 동일성 척도를 계산하는 단계를 포함하는, 이미지 시그니처 매칭 방법.
24. 제 13 항 또는 제 14 항에 있어서,
    상기 복수의 서브 영역 쌍들은, 쌍을 이루는 2개의 서브 영역들의 형상들의 조합 및 쌍을 이루는 2개의 서브 영역들 간의 상대적인 위치 관계 둘 모두가, 다른 서브 영역 쌍들의 적어도 하나의 서브 영역 쌍과는 상이한 적어도 하나의 서브 영역 쌍을 포함하는, 이미지 시그니처 매칭 방법.
25. 컴퓨터로 하여금,
    이미지의 복수의 서브 영역 쌍들의 각각의 서브 영역들로부터 영역 특징들을 추출하는 단계, 서브 영역 쌍들 각각에 대하여, 쌍을 형성하는 2개의 서브 영역의 상기 영역 특징들 간의 차분값을 양자화하는 단계, 각각의 서브 영역 쌍들에 대하여 계산된 양자화 값들인 엘리먼트들의 집합을 상기 이미지를 구별하는 데 사용되는 이미지 시그니처로서 생성하는 단계를 포함하는 생성 방법에 의해 생성된 제 1 이미지의 이미지 시그니처와 제 2 이미지의 이미지 시그니처로부터, 이미지들 각각의 마진 영역을 특정하는 마진 영역 특정 유닛, 및
    쌍을 형성하는 2개의 서브 영역들 중 적어도 하나가 상기 특정된 마진 영역에 포함되는 엘리먼트의 가중치가 감소되는 방식으로, 상기 제 1 이미지의 이미지 시그니처와 상기 제 2 이미지의 이미지 시그니처를 매칭시키는 매칭 유닛으로서 기능하게 하는 명령들을 포함하는 프로그램을 기록한, 컴퓨터로 판독가능한 기록 매체.

Images