KR101480065B1 - 패턴 히스토그램을 이용한 객체검출방법 - Google Patents

Abstract

본 발명은 패턴 히스토그램을 이용한 객체검출방법에 관한 것으로, 처리영역 설정단계, 처리영역에 대한 패턴 히스토그램 생성단계, 템플릿의 패턴 히스토그램과 처리영역에 대한 패턴 히스토그램의 특징을 비교하는 단계, 관심객체가 포함되어 있는지를 판단하는 단계, 전체영역을 처리했는지를 판단하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따른 패턴 히스토그램을 이용한 객체검출방법에 의하면, 관심객체와 유사한 객체들을 빠르게 검출할 수 있는 효과가 있고, 인식까지의 처리시간을 줄임으로써 기존에 인식기를 사용한 경우보다 빠르게 검출할 수 있는 효과가 있다.

Description

패턴 히스토그램을 이용한 객체검출방법{OBJECT DETECTING METHOD USING PATTERN HISTOGRAM}

본 발명은 패턴 히스토그램을 이용한 객체 검출 방법에 관한 것으로, 더욱 상세하게는, 관심 객체의 외곽선 패턴과 발생 빈도에 대한 정보를 담고 있는 패턴 히스토그램과 이진 입력 영상의 일부 또는 전체에 대한 패턴 히스토그램의 비교를 통해 입력 영상에 관심 객체의 포함 유무 및 위치를 개략적이며 빠르게 검출하는 패턴 히스토그램을 이용한 객체 검출 방법에 관한 것이다.

종래 관심 객체 검출 또는 인식을 위해 bootstrap, boosting 또는 adaboosting 알고리즘을 사용하였다. 이들 알고리즘과 더불어 Haar, HoG(Histogram of oriented Gradient), 또는 LBP(Local Binary Pattern) 등의 특징을 함께 사용한다. 이들 특징과 결합한 boosting 계열의 알고리즘은 학습 속도는 말할 것도 없고 분류(검출) 속도가 매우 느린 치명적인 단점을 갖는다. 특히, 전역 탐색의 경우 분류 속도가 현저히 저하되고 인식률이 매우 낮아진다. 이런 단점을 보안하기 위해 사전에 관심객체의 존재 유무와 위치를 개략적이며 빠른 수행속도로 검출하여 그 결과를 boosting 또는 ababoosting 인식기에 넘겨주면 앞서 언급한 단점을 보안할 수 있다.

본 발명의 목적은 종류가 다른 객체들은 외곽선 정보가 다르다는 점을 활용하여 관심 객체와 유사한 외곽선 특징을 갖는 영역을 빠르게 개략적으로 검출하는 패턴 히스토그램을 이용한 객체검출방법을 제공하는 데 있다.

상기한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따르면,

패턴 히스토그램을 이용한 객체검출방법에 있어서,

처리영역 설정단계,

처리영역에 대한 패턴 히스토그램 생성단계,

템플릿의 패턴 히스토그램과 처리영역에 대한 패턴 히스토그램의 특징을 비교하는 단계,

관심객체가 포함되어 있는지를 판단하는 단계,

전체영역을 처리했는지를 판단하는 단계를 포함하는 패턴 히스토그램을 이용한 객체검출방법이 제공된다.

바람직하게는,

템플릿의 패턴히스토그램과 처리영역 패턴 히스토그램을 비교하여 관심 객체인지를 판별하되,

아래 수학식 4를 만족시키는 패턴 코드의 개수를 세는 것을 특징으로 한다.

[수학식 4]

수학식 4에서, R[ ]은 처리영역의 패턴히스토그램, T[ ]은 템플릿의 패턴 히스토그램, pi는 패턴 히스토그램의 i번째 인덱스이고 , F는 비교 패턴으로 선정된 패턴의 집합이다. 즉, 비교 대상이 되는 패턴 히스토그램의 인덱스 집합이다. Si는 스케일 인자, X는 곱셈 연산자, >는 대소 연산자, 그리고 α는 수학식 5에 의해 결정되는 윈도우 크기 비율을 나타내는 인자이다.

[수학식 5]

또한 바람직하게는,

상기 템플릿의 패턴 히스토그램은 관심 객체만을 포함하는 기준 영상(refrence model)에 대한 이진 외각선 패턴 유형과 발생빈도를 포함하는 것을 특징으로 한다.

또한 바람직하게는,

상기 수학식 4를 만족하는 특징 패턴 코드의 개수가 주어진 임계값 보다 크면 그 영역에 관심 객체가 포함된 것으로 그렇지 않으면 포함되어 있지 않은 것으로 판단하는 것을 특징으로 한다.

이상 설명한 바와 같이, 본 발명에 따른 패턴 히스토그램을 이용한 객체검출방법에 의하면, 관심객체와 유사한 객체들을 빠르게 검출할 수 있는 효과가 있다.

본 발명에 따르면, 인식까지의 처리시간을 줄임으로써 기존에 인식기를 사용한 경우보다 빠르게 검출할 수 있는 효과가 있다.

도 1은 본 발명에 따른 객체 검출 기법에 대한 과정을 나타낸 순서도이다.
도 2는 이진 에지 영상의 특정 영역에 대한 패턴 히스토그램을 나타낸 것이다.
도 3은 객체 정보를 담고 있는 기준 영상(reference image)의 이진 에지 영상으로 템플릿 영상에 대한 템플릿의 패턴 히스토그램을 나타낸 것이다.

이하 본 발명에 따른 패턴 히스토그램을 이용한 객체검출방법에 대하여 첨부도면을 참조로 상세히 설명한다.

종래 전역 탐색의 경우 분류 속도가 현저히 저하되고 인식률이 매우 낮아진다. 이런 단점을 보안하기 위해 사전에 관심객체의 존재 유무와 위치를 개략적이며 빠른 수행속도로 검출하여 그 결과를 boosting 또는 ababoosting 인식기에 넘겨주면 앞서 언급한 단점을 보안할 수 있다.

이로부터 본 발명이 시작되었다. 따라서 패턴 히스토그램을 이용한 객체 검출 방법은 기존의 boosting 계열의 알고리즘에서 전처리 단계로 사용할 수 있으나 독자적으로도 사용 가능하다.

도 1 내지 도 3을 참조하면,

본 발명은 종류가 다른 객체들은 다른 외곽선 정보를 갖는 점을 활용하여 사전에 분석된 관심객체의 외각선 정보를 기반으로 입력영상에서 관심 객체와 유사한 에지 특징을 갖는 영역을 빠르고 개략적으로 검출한다.

이를 위해, 관심 객체로 주어지는 템플릿의 에지 특징을 사전에 분석한다. 이를 기반하여 입력으로 주어진 에지 영상의 영역별 에지 특징과 비교함으로써 관심 객체의 위치 및 존재 유무를 판단한다.

도 1은 본 발명에 따른 객체 검출 기법에 대한 과정을 나타낸 순서도이다.

처리 방법을 설명한다.

처리 영역 설정을 먼저 한다(S2).

단채널 이진(0 과 1) 에지 영상 전체를 중첩 가능한 여러 부분 영역으로 나누어 처리한다. 처리 방식은 처리할 영역을 선택한 후, 그 영역에 대해 일련의 과정들을 처리한다. 그리고 다시 다른 영역을 설정하고 일련의 과정들을 처리한다. 처리 영역은 윈도우라 불리는 시작위치, 가로크기, 그리고 세로 크기로 구성되는 사각형에 의해 설정되며 그 방법은 아래와 같다.

영역 설정 방법 1

단계 1. 초기에 설정된 고정 크기 윈도우를 초기 시작점부터 양의 가로 방향으로 특정 양만큼 증가시켜 윈도우를 설정한다.

단계 2. 가로 한 줄에 대한 설정이 완료되면, 양의 세로 방향으로 특정 양만큼 이동시켜 변경된 세로 위치에서 단계 1과 같이 가로줄에 영역을 설정한다.

단계 3. 영상 전체에 대하여 단계 2를 수행한다.

단계 4. 윈도우의 크기를 가로 그리고/또는 세로를 특정량 만큼 변경한다.

단계 5. 종료 조건으로 주어진 윈도우 크기를 만족할 때까지 단계 1-4를 반복한다.

영역 설정 방법 2

단계 1. 초기 윈도우의 크기와 위치를 정하여 초기 영역을 설정한다.

단계 2. 윈도우의 위치를 고정한 채 윈도우 크기를 조절하면서 영역을 설정한다. 윈도우 크기가 사전에 정한 특정 크기와 같을 때까지 계속한다.

단계 3. 윈도우의 위치를 양의 가로 방향으로 특정 양만큼 이동시키고 단계 2를 반복한다. 그러나 윈도우의 위치가 그 줄의 특정 위치(줄의 끝부분)에 놓이면 단계 4를 수행한다.

단계 4. 윈도우의 위치를 양의 세로 방향을 특정 양만큼 이동시키고 단계 2-3을 반복한다.

단계 5. 종료 조건을 주어진 윈도우의 세로 위치에 이르면 영역 설정을 종료한다.

상기 영역 설정 방법 1과 영역 설정 방법 2 중 하나를 선택하여 적용한다.

처리영역에 대한 패턴 히스토그램 생성(S4)

상기 영역 설정 방법 1과 영역 설정 방법 2 중 하나의 방법에 의해 선택된 처리 영역의 패턴 종류와 빈도를 찾기 위해 NxN 셀 공간에서 패턴 코드를 계산하여 패턴 히스토그램을 생성한다. 패턴 히스토그램에 대한 설명은 본 발명의 출원인에 의해 출원된 내용인 패턴 히스토그램 생성방법이다.

도 2는 이진 에지 영상의 특정 영역에 대한 패턴 히스토그램을 나타낸 것으로서, 좌측 이진 에지 영상에서 확대된 우측의 적색 사각영역에 대한 패턴 히스토그램이다.

템플릿의 패턴 히스토그램

템플릿이란 객체 정보를 담고 있는 기준 영상(reference image)의 이진 에지 영상으로 도 3 좌측(a)에서 그 예가 나타나 있다. 템플릿의 패턴 히스토그램은 사전에 분석되어야 하며 패턴 히스토그램 생성 방법은 아래와 같다.

셀코드를 이용한 패턴 코드를 수학식 1로 생성하고,

상기 수학식 1에서, pcode(x,y)는 위치 (x,y)에서 패턴 코드이고 N은 셀 공간의 크기이며, N/2는 정수연산으로 소수점 이하는 무조건 버린다. cell_space(i,j)는 사전에 정의된 셀 코드를 담고 있는 셀 공간으로 중심 셀의 코드는 0이다. 그리고 region(x,y)는 이진 에지 영상의 일부 영역으로 중심이 1일 때만 패턴 코드를 계산한다. 그리고 *는 곱셈 연산자이다.

패턴 히스토그램의 크기를 의미하는 빈의 개수 total_bins는 수학식 2에 의해 결정된다.

수학식 2에서 cell_space()는 셀공간이고 1을 더한 것은 패턴 히스토그램의 여유분으로 필요에 따라 1을 제거할 수 있다. 이진 입력 영상에 대한 패턴 히스토그램은 패턴들의 발생 빈도를 누적하는 것으로 수학식 3에 의해 결정된다.

상기 수학식 3에서 phist[]는 패턴 히스토그램이고 pcode(x,y)는 패턴 코드로 수학식 1에 의해 결정되며 기호 <-- 은 대입 연산자이다. 이때 패턴 히스토그램의 빈 개수는 수학식 2에 제시된 total_bins이다.

상기 내용은 본 발명의 출원인에 의해 출원된 내용이므로 더 자세한 설명은 생략하기로 한다.

또한 관심 객체에 대해 다수의 템플릿을 분석해야 하며 패턴 히스토그램의 어떤 인덱스(패턴 코드)를 그리고 몇 개를 특징으로 사용할지에 관해 사전에 분석한다.

특징비교(S6)

템플릿의 패턴히스토그램과 처리영역 패턴 히스토그램을 비교하여 관심 객체인지를 판별한다. 수학식 4를 만족시키는 패턴 코드의 개수를 센다.

수학식 4에서, R[ ]은 처리영역의 패턴히스토그램, T[ ]은 템플릿의 패턴 히스토그램, pi는 패턴 히스토그램의 i번째 인덱스이고 , F는 비교 패턴으로 선정된 패턴의 집합이다. 즉, 비교 대상이 되는 패턴 히스토그램의 인덱스 집합이다. Si는 스케일 인자, X는 곱셈 연산자, >는 대소 연산자, 그리고 는 수학식 5에 의해 결정되는 윈도우 크기 비율을 나타내는 인자이다.

상기 단계 S6이후, 관심객체가 포함되어 있는가?를 판단한다.(S8)

수학식 4를 만족하는 특징 패턴 코드의 개수가 주어진 임계값 보다 크면 그 영역에 관심 객체가 포함된 것으로 그렇지 않으면 포함되어 있지 않은 것으로 판단한다.

이후 전체영역을 처리했는가를 판단한다(S10).

본 발명에 따른 패턴 히스토그램을 이용한 객체검출방법에 의하면, 관심객체와 유사한 객체들을 빠르게 검출할 수 있다.

본 발명에 따르면, 관심객체의 인식을 위한 처리시간을 줄임으로써 기존에 인식기를 사용한 경우보다 빠르게 검출할 수 있다.

10: 특정 영역
S2: 처리영역설정
S4: 처리영역에 대한 패턴 히스토그램생성
S6: 특징비교
S8: 관심객체가 포함되어 있는가?
S10: 전체영역을 처리했는가?

Claims (4)

1. 패턴 히스토그램을 이용한 객체검출방법에 있어서,
   처리영역 설정단계,
   처리영역에 대한 패턴 히스토그램 생성단계,
   템플릿의 패턴 히스토그램과 처리영역에 대한 패턴 히스토그램의 특징을 비교하는 단계,
   관심객체가 포함되어 있는지를 판단하는 단계,
   전체영역을 처리했는지를 판단하는 단계를 포함하는 패턴 히스토그램을 이용한 객체검출방법.
   
2. 제 1 항에 있어서,
   템플릿의 패턴히스토그램과 처리영역 패턴 히스토그램을 비교하여 관심 객체인지를 판별하되,
   아래 수학식 4를 만족시키는 패턴 코드의 개수를 세는 것을 특징으로 하는 패턴 히스토그램을 이용한 객체검출방법.
   [수학식 4]
   

   

   
   수학식 4에서, R[ ]은 처리영역의 패턴히스토그램, T[ ]은 템플릿의 패턴 히스토그램, pi는 패턴 히스토그램의 i번째 인덱스이고 , F는 비교 패턴으로 선정된 패턴의 집합이다. 즉, 비교 대상이 되는 패턴 히스토그램의 인덱스 집합이다. Si는 스케일 인자, X는 곱셈 연산자, >는 대소 연산자, 그리고 α는 수학식 5에 의해 결정되는 윈도우 크기 비율을 나타내는 인자이다.
   [수학식 5]
   

   

   
   
3. 제 2 항에 있어서,
   상기 템플릿의 패턴 히스토그램은 객체 정보를 담고 있는 기준 영상(reference image)의 이진 에지 영상인 것을 특징으로 하는 패턴 히스토그램을 이용한 객체검출방법.
   
4. 제 2 항에 있어서,
   상기 수학식 4를 만족하는 특징 패턴 코드의 개수가 주어진 임계값 보다 크면 그 영역에 관심 객체가 포함된 것으로 그렇지 않으면 포함되어 있지 않은 것으로 판단하는 것을 특징으로 하는 패턴 히스토그램을 이용한 객체검출방법.

Images