KR101817440B1 - 다중 카메라를 통한 3차원 모델 기반 객체 인식 기법과 시스템 - Google Patents

다중 카메라를 통한 3차원 모델 기반 객체 인식 기법과 시스템 Download PDF

Info

Publication number
KR101817440B1
KR101817440B1 KR1020160122115A KR20160122115A KR101817440B1 KR 101817440 B1 KR101817440 B1 KR 101817440B1 KR 1020160122115 A KR1020160122115 A KR 1020160122115A KR 20160122115 A KR20160122115 A KR 20160122115A KR 101817440 B1 KR101817440 B1 KR 101817440B1
Authority
KR
South Korea
Prior art keywords
image
dimensional
modeling
database
space
Prior art date
Application number
KR1020160122115A
Other languages
English (en)
Inventor
서동환
성주현
박동욱
이수환
이준희
이승현
Original Assignee
한국해양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국해양대학교 산학협력단 filed Critical 한국해양대학교 산학협력단
Priority to KR1020160122115A priority Critical patent/KR101817440B1/ko
Application granted granted Critical
Publication of KR101817440B1 publication Critical patent/KR101817440B1/ko

Links

Images

Classifications

    • H04N13/0242—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/204—Image signal generators using stereoscopic image cameras
    • H04N13/243—Image signal generators using stereoscopic image cameras using three or more 2D image sensors
    • G06K9/00201—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • G06T7/596—Depth or shape recovery from multiple images from stereo images from three or more stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects

Abstract

객체 인식 방법 및 시스템에 관한 것이다. 일 실시예에 따른 객체 인식 방법에 있어서, 다중 카메라를 이용하여 3차원 영상을 수집하는 단계; 상기 3차원 영상으로부터 객체를 추출하는 단계; 상기 3차원 영상으로부터 추출된 객체에 대하여 학습을 수행하는 단계; 상기 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 단계; 상기 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 상기 분류된 객체 모델 및 상기 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장하는 단계; 영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 단계; 및 상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 단계를 포함할 수 있다.

Description

다중 카메라를 통한 3차원 모델 기반 객체 인식 기법과 시스템{THE 3D MODEL-BASED OBJECT RECOGNITION TECHNIQUES AND SYSTEMS WITH A MULTI-CAMERA}
아래의 설명은 객체 인식 기술에 관한 것으로, 카메라를 이용한 3차원 모델 기반의 객체 인식 방법 및 시스템에 관한 것이다.
산업 자동화 3차원 의료 영상 분석 및 장소 인식 등의 다양한 영역에서 3차원 객체 인식을 위한 연구가 활발히 진행되고 있다. 예를 들면, 다수의 카메라를 통해 획득한 영상으로부터 객체를 인식하는 방법, 3차원 레이저 스캐너 등의 특수한 장비를 사용하여 객체를 인식하는 방법 및 단일 영상을 통한 객체 인식 방법 등이 존재한다.
하지만 특수 장비를 활용한 방법은 비용적인 문제와 장소가 한정되는 문제로 인하여 일반적으로 활용되기에는 한계가 있다.
또한, 종래의 객체 인식 기술은 영상을 통해 객체를 인식하려 할 때, 2차원의 이미지를 기반으로 인식하거나 RGB-D 영상 기반으로 인식하였기 때문에 주변의 사물 혹은 지형의 복잡도 및 객체 자체의 복잡도에 크게 영향을 받는다는 문제점이 있고, 학습 기법을 훈련 당시에 사용되었던 특징 기술자들을 저장해야 했기 때문에 이를 탐색하는데 시간이 오래 소요된다는 어려움이 존재한다.
본 발명이 해결하고자 하는 과제는 상기 서술한 기존 기술의 문제점을 해결하기 위하여 어떠한 시점에서도 강건한 모델 기반의 객체 인식 기술 및 상기 모델의 구성을 위한 다중 카메라를 이용한 공간 및 객체 모델링 방법을 제안할 수 있다.
일 실시예에 따르면, 객체 인식 방법은, 다중 카메라를 이용하여 3차원 영상을 수집하는 단계; 상기 3차원 영상으로부터 객체를 추출하는 단계; 상기 3차원 영상으로부터 추출된 객체에 대하여 신경망 학습을 수행하는 단계; 상기 신경망 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 단계; 상기 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 상기 분류된 객체 모델 및 상기 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장하는 단계; 영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 단계; 및 상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 단계를 포함할 수 있다.
상기 3차원 영상으로부터 특정된 객체에 대하여 신경망 학습을 수행하는 단계는, 심층 학습을 통하여 상기 객체의 특징을 추출하고, 상기 객체의 특징에 대한 구조를 분석하여 구조 맵을 구성하는 단계를 포함할 수 있다.
상기 3차원 공간 신경망 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 단계는, 상기 객체에 대한 구조 맵이 생성됨에 따라 유사도에 기초하여 3D 맵핑을 수행하는 단계를 포함할 수 있다.
상기 다중 카메라를 이용하여 3차원 영상을 수집하는 단계는, 적어도 하나 이상의 카메라를 기 설정된 단일의 초점으로 조정하여 다중 카메라를 구성하고, 상기 단일의 초점에 맞춰진 적어도 하나 이상의 카메라에 설정된 각각의 각도에 기초하여 촬영된 각각의 2차원 영상을 획득하고, 상기 각각의 2차원 영상을 결합함으로써 상기 3차원 영상을 생성하는 단계를 포함할 수 있다.
상기 영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 단계는, 다각도로 촬영된 2차원의 입력 영상을 전처리 과정을 수행하여 3차원 영상으로 도출함에 따라 상기 3차원 영상을 신경망 학습을 통해 3차원 공간에 투영시켜 보정한 뒤 모델링하는 단계를 포함할 수 있다.
상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 단계는, 상기 모델링된 공간 모델과 상기 데이터베이스에 저장된 통합 정보를 3차원 인식용 신경망 학습을 통해 객체를 식별하고, 상기 식별된 객체와 상기 데이터베이스에 저장된 상기 객체에 대한 통합 정보에 기초하여 결과를 표시하는 단계를 포함할 수 있다.
일 실시예에 따르면, 객체 인식 시스템은, 다중 카메라를 이용하여 3차원 영상을 수집하는 수집부; 상기 3차원 영상으로부터 객체를 추출하는 추출부; 상기 3차원 영상으로부터 추출된 객체에 대하여 신경망 학습을 수행하는 학습부; 상기 신경망 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 객체 모델링부; 상기 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 상기 분류된 객체 모델 및 상기 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장하는 저장부; 영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 공간 모델링부; 및 상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 표시부를 포함할 수 있다.
상기 학습부는, 심층 학습을 통하여 상기 객체의 특징을 추출하고, 상기 객체의 특징에 대한 구조를 분석하여 구조 맵을 구성할 수 있다.
상기 객체 모델링부는, 상기 객체에 대한 구조 맵이 생성됨에 따라 유사도에 기초하여 3D 맵핑을 수행할 수 있다.
상기 수집부는, 적어도 하나 이상의 카메라를 기 설정된 단일의 초점으로 조정하여 다중 카메라를 구성하고, 상기 단일의 초점에 맞춰진 적어도 하나 이상의 카메라에 설정된 각각의 각도에 기초하여 촬영된 각각의 2차원 영상을 획득하고, 상기 각각의 2차원 영상을 결합함으로써 상기 3차원 영상을 생성할 수 있다.
상기 공간 모델링부는, 다각도로 촬영된 2차원의 입력 영상을 전처리 과정을 수행하여 3차원 영상으로 도출함에 따라 상기 3차원 영상을 신경망 학습을 통해 3차원 공간에 투영시켜 보정한 뒤 모델링할 수 있다.
상기 표시부는, 상기 모델링된 공간 모델과 상기 데이터베이스에 저장된 통합 정보를 3차원 인식용 신경망 학습을 통해 객체를 식별하고, 상기 식별된 객체와 상기 데이터베이스에 저장된 상기 객체에 대한 통합 정보에 기초하여 결과를 표시할 수 있다.
일 실시예에 따른 객체 인식 시스템은 객체로부터 추출된 특징 부분만을 이용함으로써 신경학습망에 기반한 심층 학습에 소요되는 많은 자원을 단순화시키고 소요되는 시간을 줄임으로써 처리 속도를 높일 수 있다.
일 실시예에 따른 객체 인식 시스템은 특별한 구조의 설계 없이 복수의 카메라를 대상의 한 초점에 맞추어 다각도로 촬영하여 3차원 영상을 획득함으로써 각도 및 시점에 제한없이 실시간으로 객체를 인식할 수 있으며, 비용적인 문제를 최소화할 수 있다.
도 1은 일 실시예에 따른 객체 인식 시스템의 동작을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 객체 인식 시스템에서 객체의 특징을 추출하는 방법을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 객체 인식 시스템에서 모델링을 수행하는 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 객체 인식 시스템의 구성을 설명하기 위한 블록도이다.
도 5는 일 실시예에 따른 객체 인식 시스템의 객체 인식 방법을 설명하기 위한 흐름도이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 따른 객체 인식 시스템의 동작을 설명하기 위한 도면이다.
객체 인식 시스템은 어떠한 시점, 방향에서도 객체를 인식하기 위한 것으로, 다중 카메라를 이용하여 3차원 모델을 구성하고, 입력 영상과 상기 3차원 모델을 비교함으로써 객체를 인식할 수 있다.
객체 인식 시스템은 다중 카메라를 이용하여 3차원 영상을 수집할 수 있다. 이때, 다중 카메라는 적어도 하나 이상의 카메라를 기 설정된 단일의 초점으로 조정하여 구성될 수 있고, 단일의 초점에 맞춰진 적어도 하나 이상의 카메라에 설정된 각각의 각도에 기초하여 촬영된 각각의 2차원 영상(101)을 획득하고, 각각의 2차원 영상(101)을 결합함으로써 3차원 영상(102)을 생성할 수 있다. 예를 들면, 3개 이상의 카메라를 대상의 한 초점에 맞추어 놓고 각각의 카메라를 통하여 다각도로 촬영함으로써 획득한 2차원의 영상을 결합하여 3차원 영상을 생성할 수 있다.
객체 인식 시스템은 3차원 영상을 미리 저장된 정보를 기반으로 객체를 특정(111)하여 추출할 수 있다. 예를 들면, 3차원 영상에는 객체 및 공간이 포함되어 있을 수 있으며, 객체 인식 시스템은 객체와 공간을 분리하고, 미리 저장된 정보에 기초하여 객체를 특정하여 추출할 수 있다. 이때, 미리 저장된 정보를 객체의 위치, 객체의 크기 등 객체를 식별할 수 있는 정보일 수 있다. 또는 객체 인식 시스템은 3차원 영상으로부터 특정 영역에 다른 색이 존재함을 감지할 경우, 상기 영역을 객체 영역으로 특정하여 추출할 수 있다.
객체 인식 시스템은 3차원 영상으로부터 특정된 객체에 대한 신경망 학습(112)을 수행할 수 있다. 예를 들면, 객체 인식 시스템은 예를 들면, 심층신경망(Deep Neural Network)의 한 종류인 Convolutional 신경망(Convolutional Neural Network -CNN) 기반의 심층 학습(Deep Learning) 알고리즘 등의 특이점 검출 기법을 이용하여 3차원 공간 신경망 학습을 구현할 수 있다. 신경망 학습을 통하여 객체를 분류하거나 군집화가 가능할 수 있다.
실시예에서는 여러 단계를 거쳐 특징을 추출하여 학습하는 방식인 심층 학습을 통하여 객체의 주요 특징을 추출하는 것을 예를 들어 설명하기로 한다. 도 2를 참고하면, 객체의 특징을 추출하는 방법을 설명하기 위한 도면이다. 객체 인식 시스템은 3차원 영상(210)으로부터 객체의 특징을 추출하는 제1 과정 및 객체의 특징 구조를 분석하는 제2 과정을 수행할 수 있다.
객체 인식 시스템은 3차원 영상(210)으로부터 심층 학습(220)을 통하여 객체의 주요 특징을 추출할 수 있다. 예를 들면, 객체 인식 시스템은3차원 영상(210)에 객체가 존재한다고 가정하자. 객체 인식 시스템은 객체에 대하여 심층 학습을 수행함에 따라 객체가 삼각 형태(230)를 이루고 있음을 판단할 수 있다.
객체 인식 시스템은 객체의 특징에 대한 구조를 분석(240)하여 구조 맵을 생성할 수 있다. 이때, 객체 인식 시스템은 객체의 특징에 대한 구조를 분석함으로써 객체간 특징을 분류할 수 있다. 객체 인식 시스템은 객체의 특징, 예를 들면, 객체가 삼각 형태를 이루며 각각 유기적으로 연결되어 있음을 판단할 수 있다(250). 객체 인식 시스템은 객체의 주요 특징을 추출하고, 추출된 특징에 대한 구조를 기하학적으로 분석하여 구조 맵을 구성하게 된다.
일 실시예에 따른 객체 인식 시스템은 객체로부터 추출된 특징 부분만을 이용함으로써 신경학습망에 기반한 심층 학습에 소요되는 많은 자원을 단순화시키고 소요되는 시간을 줄임으로써 처리 속도를 높일 수 있다.
객체 인식 시스템은 3차원 공간 신경망 학습을 수행한 객체를 3차원 공간에 투영하여 보정(113)할 수 있다. 객체 인식 시스템은 객체를 3차원 공간에 투영한 뒤 모델링하여 객체의 모델을 생성(114)할 수 있다.
도 3을 참고하면, 모델링을 수행하는 방법을 설명하기 도면이다. 객체 인식 시스템은 생성된 복수의 구조 맵들을 유사 구조에 기초하여 매칭(310)함으로써 3D 모델을 생성할 수 있다. 객체 인식 시스템은 객체 간 특징을 비교함으로써 유사도에 기초하여 3D 모델을 생성할 수 있다. 객체 인식 시스템은 생성된 3D 모델(330)을 데이터베이스(320)에 저장할 수 있다. 이때, 도 3에 도시된 부분은 모델 생성과 객체를 검색하는데 동시에 이용될 수 있다.
객체 인식 시스템은 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류(122)할 수 있다. 예를 들면, 객체 인식 시스템은 객체 모델과 동일한 객체에 대한 식별 정보(121)를 기준으로 분류할 수 있다.
객체 인식 시스템은 분류된 객체 모델 및 객체에 대한 식별 정보(121)를 결합한 통합 정보를 데이터베이스(123)에 저장할 수 있다. 예를 들면, 객체에 대한 식별 정보는 객체(물체)의 크기, 객체의 가격, 객체의 질량, 객체의 시간, 객체의 날짜 등에 대한 정보를 포함할 수 있다. 또는, 객체 인식 시스템은 3차원 영상으로부터 분리된 객체에 대한 3D 객체 모델 및 공간에 대한 3D 공간 모델 각각을 객체에 대한 식별 정보를 결합하여 데이터베이스에 저장할 수도 있다.
객체 인식 시스템은 영상이 입력됨에 따라 입력된 영상(이하에서는 '입력 영상'으로 기재)으로부터 공간을 모델링할 수 있다. 이때, 입력 영상에서의 공간은 객체 및 배경을 모두 포함하고 있을 수 있다. 예를 들면, 객체 인식 시스템은 산업 시설에 설치된 CCTV를 기반으로 촬영된 다각도의 입력 영상을 전처리(132) 과정을 처리하여 3차원 영상으로 도출함에 따라 3차원 영상을 공간에 대한 신경망 학습(133)을 통해 3차원 공간에 투영시켜 보정(134)한 뒤 공간을 모델링할 수 있다.
객체 인식 시스템은 모델링된 공간 모델을 데이터베이스(123)에 저장된 통합 정보와 비교함으로써 입력 영상으로부터 객체를 식별하고, 식별된 결과를 표시(140)할 수 있다. 객체 인식 시스템은 모델링된 공간 모델과 데이터베이스(123)에 저장된 통합 정보를 3차원 인식용 신경망 학습(135)을 통해 객체를 식별하고, 식별된 객체와 데이터베이스에 저장된 상기 객체에 대한 통합 정보에 기초하여 결과를 표시(140)할 수 있다.
일 실시예에 따른 객체 인식 시스템에서 3차원 객체 모델을 구성하기 위한 다중 카메라 기반의 모델링으로 컨베이어 벨트와 같은 객체를 입고시키는 과정에서 기존의 입고 시스템의 정지(멈춤)없이 객체를 한 순간에 포착하여 모델을 구성할 수 있다.
또한, 객체 인식 시스템은 3차원 객체 모델과 상기 객체 정보를 저장하는 데이터베이스를 갖춘 서버로 종래의 객체 관리 역할뿐만 아니라 연산 및 처리 부분을 강화시킬 수 있다.
또한, 객체 인식 시스템은 산업 공간 내에 촘촘하게 설치된 CCTV를 기반으로 산업 설비 내 설치된 공간에 대한 모델링을 수행할 수 있다.
도 4는 일 실시예에 따른 객체 인식 시스템의 구성을 설명하기 위한 블록도이다.
객체 인식 시스템의 프로세서(400)는 수집부(410), 추출부(420), 학습부(430), 보정부(440), 객체 모델링부(450), 저장부(460), 공간 모델링부(470) 및 표시부(480)를 포함할 수 있다.
프로세서(400) 및 프로세서(400)의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서의 구성요소들은 객체 인식 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서(400)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다.
수집부(410)는 다중 카메라를 이용하여 3차원 영상을 수집할 수 있다. 수집부(410)는 적어도 하나 이상의 카메라를 기 설정된 단일의 초점으로 조정하여 다중 카메라를 구성하고, 단일의 초점에 맞춰진 적어도 하나 이상의 카메라에 설정된 각각의 각도에 기초하여 촬영된 각각의 2차원 영상을 획득하고, 각각의 2차원 영상을 결합함으로써 상기 3차원 영상을 생성할 수 있다.
추출부(420)는 3차원 영상으로부터 객체를 추출할 수 있다.
학습부(430)는 3차원 영상으로부터 추출된 객체에 대하여 신경망 학습을 수행할 수 있다. 학습부(430)는 심층 학습을 통하여 객체의 특징을 추출하고, 객체의 특징에 대한 구조를 분석하여 구조 맵을 구성할 수 있다.
보정부(440)는 신경망 학습을 수행한 객체를 3차원 공간에 투영하여 보정할 수 있다.
객체 모델링부(450)는 객체를 3차원 공간에 투영하여 보정한 뒤, 모델링을 수행할 수 있다. 객체 모델링부(450)는 객체에 대한 구조 맵이 생성됨에 따라 유사도에 기초하여 3D 맵핑을 수행할 수 있다. 이때, 모델링부(450)는 3차원 영상으로부터 추출된 객체에 대한 모델링 및 공간에 대한 모델링 각각을 수행할 수도 있다.
저장부(460)는 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 분류된 객체 모델 및 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장할 수 있다.
공간 모델링부(470)는 영상이 입력됨에 따라 입력 영상으로부터 공간을 모델링할 수 있다. 공간 모델링부(470)는 다각도로 촬영된 2차원의 입력 영상을 전처리 과정을 수행하여 3차원 영상으로 도출함에 따라 3차원 영상을 신경망 학습을 통해 3차원 공간에 투영시켜 공간을 모델링할 수 있다.
표시부(480)는 모델링된 공간 모델을 데이터베이스에 저장된 통합 정보와 비교함으로써 입력 영상으로부터 객체를 식별하고, 식별된 결과를 표시할 수 있다. 표시부(480)는 모델링된 공간 모델과 데이터베이스에 저장된 통합 정보를 3차원 인식용 신경망 학습을 통해 객체를 식별하고, 식별된 객체와 데이터베이스에 저장된 객체에 대한 통합 정보에 기초하여 결과를 표시할 수 있다.
도 5는 일 실시예에 따른 객체 인식 시스템의 객체 인식 방법을 설명하기 위한 흐름도이다.
객체 인식 방법은 객체 인식 시스템에 의하여 수행될 수 있으며, 객체 인식 시스템에 대한 설명은 도 1 내지 도 4를 참고하기로 한다.
단계(510)에서 객체 인식 시스템은 다중 카메라를 이용하여 3차원 영상을 수집할 수 있다. 이때, 객체 인식 시스템은 적어도 하나 이상의 카메라를 기 설정된 단일의 초점으로 조정하여 다중 카메라를 구성하고, 단일의 초점에 맞춰진 적어도 하나 이상의 카메라에 설정된 각각의 각도에 기초하여 촬영된 각각의 2차원 영상을 획득하고, 각각의 2차원 영상을 결합함으로써 3차원 영상을 생성할 수 있다.
단계(520)에서 객체 인식 시스템은 3차원 영상으로부터 객체를 추출할 수 있다.
단계(530)에서 객체 인식 시스템은 3차원 영상으로부터 추출된 객체에 대하여 신경망 학습을 수행할 수 있다. 예를 들면, 객체 인식 시스템은 심층 학습을 통하여 객체의 특징을 추출하고, 객체의 특징에 대한 구조를 분석하여 구조 맵을 구성할 수 있다.
단계(540)에서 객체 인식 시스템은 신경망 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤, 모델링을 수행할 수 있다. 객체 인식 시스템은 객체에 대한 구조 맵이 생성됨에 따라 유사도에 기초하여 3D 맵핑을 수행할 수 있다.
단계(550)에서 객체 인식 시스템은 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 분류된 객체 모델 및 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장할 수 있다.
단계(560)에서 객체 인식 시스템은 영상이 입력됨에 따라 입력 영상으로부터 공간을 모델링할 수 있다. 객체 인식 시스템은 다각도로 촬영된 2차원의 입력 영상을 전처리 과정을 수행하여 3차원 영상으로 도출함에 따라 3차원 영상을 신경망 학습을 통해 3차원 공간에 투영시켜 보정한 뒤 모델링할 수 있다.
단계(570)에서 객체 인식 시스템은 모델링된 공간 모델을 데이터베이스에 저장된 통합 정보와 비교함으로써 입력 영상으로부터 객체를 식별하고, 식별된 결과를 표시할 수 있다. 객체 인식 시스템은 모델링된 공간 모델과 데이터베이스에 저장된 통합 정보를 3차원 인식용 신경망 학습을 통해 객체를 식별하고, 식별된 객체와 데이터베이스에 저장된 객체에 대한 통합 정보에 기초하여 결과를 표시할 수 있다. 예를 들면, 객체 인식 시스템은 인식된 객체에 대한 식별 정보와 인식된 객체의 이미지 등을 제공하게 된다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

  1. 객체 인식 방법에 있어서,
    다중 카메라를 이용하여 3차원 영상을 수집하는 단계;
    상기 3차원 영상으로부터 객체를 추출하는 단계;
    상기 3차원 영상으로부터 추출된 객체에 대하여 학습을 수행하는 단계;
    상기 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 단계;
    상기 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 상기 분류된 객체 모델 및 상기 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장하는 단계;
    영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 단계; 및
    상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 단계
    를 포함하고,
    상기 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 단계는,
    상기 객체에 대한 구조 맵이 생성됨에 따라 유사도에 기초하여 3D 맵핑을 수행하는 단계
    를 포함하는 객체 인식 방법.
  2. 제1항에 있어서,
    상기 3차원 영상으로부터 특정된 객체에 대하여 학습을 수행하는 단계는,
    심층 학습을 통하여 상기 객체의 특징을 추출하고, 상기 객체의 특징에 대한 구조를 분석하여 구조 맵을 구성하는 단계
    를 포함하는 객체 인식 방법.
  3. 삭제
  4. 객체 인식 방법에 있어서,
    다중 카메라를 이용하여 3차원 영상을 수집하는 단계;
    상기 3차원 영상으로부터 객체를 추출하는 단계;
    상기 3차원 영상으로부터 추출된 객체에 대하여 학습을 수행하는 단계;
    상기 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 단계;
    상기 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 상기 분류된 객체 모델 및 상기 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장하는 단계;
    영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 단계; 및
    상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 단계
    를 포함하고,
    상기 다중 카메라를 이용하여 3차원 영상을 수집하는 단계는,
    적어도 하나 이상의 카메라를 기 설정된 단일의 초점으로 조정하여 다중 카메라를 구성하고, 상기 단일의 초점에 맞춰진 적어도 하나 이상의 카메라에 설정된 각각의 각도에 기초하여 촬영된 각각의 2차원 영상을 획득하고, 상기 각각의 2차원 영상을 결합함으로써 상기 3차원 영상을 생성하는 단계
    를 포함하는 객체 인식 방법.
  5. 객체 인식 방법에 있어서,
    다중 카메라를 이용하여 3차원 영상을 수집하는 단계;
    상기 3차원 영상으로부터 객체를 추출하는 단계;
    상기 3차원 영상으로부터 추출된 객체에 대하여 학습을 수행하는 단계;
    상기 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 단계;
    상기 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 상기 분류된 객체 모델 및 상기 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장하는 단계;
    영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 단계; 및
    상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 단계
    를 포함하고,
    상기 영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 단계는,
    다각도로 촬영된 2차원의 입력 영상을 전처리 과정을 수행하여 3차원 영상으로 도출함에 따라 상기 3차원 영상을 신경망 학습을 통해 3차원 공간에 투영시켜 보정한 뒤 모델링하는 단계
    를 포함하는 객체 인식 방법.
  6. 제1항, 제4항 및 제5항 중 한 항에 있어서,
    상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 단계는,
    상기 모델링된 공간 모델과 상기 데이터베이스에 저장된 통합 정보를 3차원 인식용 신경망 학습을 통해 객체를 식별하고, 상기 식별된 객체와 상기 데이터베이스에 저장된 상기 객체에 대한 통합 정보에 기초하여 결과를 표시하는 단계
    를 포함하는 객체 인식 방법.
  7. 객체 인식 시스템에 있어서,
    다중 카메라를 이용하여 3차원 영상을 수집하는 수집부;
    상기 3차원 영상으로부터 객체를 추출하는 추출부;
    상기 3차원 영상으로부터 추출된 객체에 대하여 학습을 수행하는 학습부;
    상기 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 객체 모델링부;
    상기 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 상기 분류된 객체 모델 및 상기 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장하는 저장부;
    영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 공간 모델링부; 및
    상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 표시부
    를 포함하고,
    상기 객체 모델링부는,
    상기 객체에 대한 구조 맵이 생성됨에 따라 유사도에 기초하여 3D 맵핑을 수행하는
    객체 인식 시스템.
  8. 제7항에 있어서,
    상기 학습부는,
    심층 학습을 통하여 상기 객체의 특징을 추출하고, 상기 객체의 특징에 대한 구조를 분석하여 구조 맵을 구성하는
    것을 특징으로 하는 객체 인식 시스템.
  9. 삭제
  10. 객체 인식 시스템에 있어서,
    다중 카메라를 이용하여 3차원 영상을 수집하는 수집부;
    상기 3차원 영상으로부터 객체를 추출하는 추출부;
    상기 3차원 영상으로부터 추출된 객체에 대하여 학습을 수행하는 학습부;
    상기 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 객체 모델링부;
    상기 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 상기 분류된 객체 모델 및 상기 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장하는 저장부;
    영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 공간 모델링부; 및
    상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 표시부
    를 포함하고,
    상기 수집부는,
    적어도 하나 이상의 카메라를 기 설정된 단일의 초점으로 조정하여 다중 카메라를 구성하고, 상기 단일의 초점에 맞춰진 적어도 하나 이상의 카메라에 설정된 각각의 각도에 기초하여 촬영된 각각의 2차원 영상을 획득하고, 상기 각각의 2차원 영상을 결합함으로써 상기 3차원 영상을 생성하는
    것을 특징으로 하는 객체 인식 시스템.
  11. 객체 인식 시스템에 있어서,
    다중 카메라를 이용하여 3차원 영상을 수집하는 수집부;
    상기 3차원 영상으로부터 객체를 추출하는 추출부;
    상기 3차원 영상으로부터 추출된 객체에 대하여 학습을 수행하는 학습부;
    상기 학습을 수행한 객체를 3차원 공간에 투영하여 보정한 뒤 모델링하는 객체 모델링부;
    상기 모델링된 객체 모델을 기 설정된 기준에 기초하여 분류하고, 상기 분류된 객체 모델 및 상기 객체에 대한 식별 정보를 결합한 통합 정보를 데이터베이스에 저장하는 저장부;
    영상이 입력됨에 따라 상기 입력된 영상으로부터 공간을 모델링하는 공간 모델링부; 및
    상기 모델링된 공간 모델을 상기 데이터베이스에 저장된 통합 정보와 비교함으로써 상기 입력된 영상으로부터 객체를 식별하고, 식별된 결과를 표시하는 표시부
    를 포함하고,
    상기 공간 모델링부는,
    다각도로 촬영된 2차원의 입력 영상을 전처리 과정을 수행하여 3차원 영상으로 도출함에 따라 상기 3차원 영상을 신경망 학습을 통해 3차원 공간에 투영시켜 보정한 뒤 모델링하는
    것을 특징으로 하는 객체 인식 시스템.
  12. 제7항, 제10항 및 제11항 중 한 항에 있어서,
    상기 표시부는,
    상기 모델링된 공간 모델과 상기 데이터베이스에 저장된 통합 정보를 3차원 인식용 신경망 학습을 통해 객체를 식별하고, 상기 식별된 객체와 상기 데이터베이스에 저장된 상기 객체에 대한 통합 정보에 기초하여 결과를 표시하는
    것을 특징으로 하는 객체 인식 시스템.
KR1020160122115A 2016-09-23 2016-09-23 다중 카메라를 통한 3차원 모델 기반 객체 인식 기법과 시스템 KR101817440B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160122115A KR101817440B1 (ko) 2016-09-23 2016-09-23 다중 카메라를 통한 3차원 모델 기반 객체 인식 기법과 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160122115A KR101817440B1 (ko) 2016-09-23 2016-09-23 다중 카메라를 통한 3차원 모델 기반 객체 인식 기법과 시스템

Publications (1)

Publication Number Publication Date
KR101817440B1 true KR101817440B1 (ko) 2018-01-10

Family

ID=60998705

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160122115A KR101817440B1 (ko) 2016-09-23 2016-09-23 다중 카메라를 통한 3차원 모델 기반 객체 인식 기법과 시스템

Country Status (1)

Country Link
KR (1) KR101817440B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102094320B1 (ko) * 2018-09-20 2020-03-30 (주)헤르스 강화 학습을 이용한 이미지 개선 방법
WO2020111307A1 (ko) * 2018-11-28 2020-06-04 전자부품연구원 모바일 증강현실을 위한 3d 객체 인식 및 추적 방법
WO2021040345A1 (ko) * 2019-08-27 2021-03-04 삼성전자주식회사 전자 장치 및 전자 장치의 제어 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102094320B1 (ko) * 2018-09-20 2020-03-30 (주)헤르스 강화 학습을 이용한 이미지 개선 방법
WO2020111307A1 (ko) * 2018-11-28 2020-06-04 전자부품연구원 모바일 증강현실을 위한 3d 객체 인식 및 추적 방법
WO2021040345A1 (ko) * 2019-08-27 2021-03-04 삼성전자주식회사 전자 장치 및 전자 장치의 제어 방법

Similar Documents

Publication Publication Date Title
Akyon et al. Slicing aided hyper inference and fine-tuning for small object detection
US10614310B2 (en) Behavior recognition
Zeng et al. 3dmatch: Learning local geometric descriptors from rgb-d reconstructions
WO2019218824A1 (zh) 一种移动轨迹获取方法及其设备、存储介质、终端
KR102565278B1 (ko) 영상 분할 방법, 영상 분할 장치, 및 영상 분할을 위한 학습 방법
Keller et al. A new benchmark for stereo-based pedestrian detection
JP2020520512A (ja) 車両外観特徴識別及び車両検索方法、装置、記憶媒体、電子デバイス
KR20160096460A (ko) 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법
JP5936561B2 (ja) 画像における外観及びコンテキストに基づく物体分類
KR20220076398A (ko) Ar장치를 위한 객체 인식 처리 장치 및 방법
KR101817440B1 (ko) 다중 카메라를 통한 3차원 모델 기반 객체 인식 기법과 시스템
US20230060211A1 (en) System and Method for Tracking Moving Objects by Video Data
US20230095533A1 (en) Enriched and discriminative convolutional neural network features for pedestrian re-identification and trajectory modeling
Ward et al. RGB-D image-based object detection: from traditional methods to deep learning techniques
Liu et al. A cloud infrastructure for target detection and tracking using audio and video fusion
Le Louedec et al. Segmentation and detection from organised 3D point clouds: A case study in broccoli head detection
Rogelio et al. Object detection and segmentation using Deeplabv3 deep neural network for a portable X-ray source model
Duque et al. The OBSERVER: An intelligent and automated video surveillance system
KR101733288B1 (ko) 방향정보를 이용한 객체 검출기 생성 방법, 이를 이용한 객체 검출 장치 및 방법
CN113869163B (zh) 目标跟踪方法、装置、电子设备及存储介质
Kavimandan et al. Human action recognition using prominent camera
KR20230049969A (ko) 글로벌 측위 장치 및 방법
JP6132996B1 (ja) 画像処理装置，画像処理方法，画像処理プログラム
CN113095347A (zh) 基于深度学习的标记识别方法和训练方法及其系统和电子设备
KR102224218B1 (ko) 비디오 시간 정보를 활용하는 딥러닝 기반 물체 검출 방법 및 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant