KR101836346B1 - 유사도판별장치 및 거리 계산 방법 - Google Patents

유사도판별장치 및 거리 계산 방법 Download PDF

Info

Publication number
KR101836346B1
KR101836346B1 KR1020160148653A KR20160148653A KR101836346B1 KR 101836346 B1 KR101836346 B1 KR 101836346B1 KR 1020160148653 A KR1020160148653 A KR 1020160148653A KR 20160148653 A KR20160148653 A KR 20160148653A KR 101836346 B1 KR101836346 B1 KR 101836346B1
Authority
KR
South Korea
Prior art keywords
data
similarity
row
column
degree
Prior art date
Application number
KR1020160148653A
Other languages
English (en)
Inventor
최현석
이상헌
손명규
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020160148653A priority Critical patent/KR101836346B1/ko
Application granted granted Critical
Publication of KR101836346B1 publication Critical patent/KR101836346B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G06K9/00288—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 시간정보를 포함한 2차원 특성을 가지는 특징 행렬 간의 유사도 판별과 관련하여, 특징 행렬의 각각의 행 및 열이 가지는 데이터 변화량에 기초한 중요도를 반영하여 특징 행렬 간의 거리를 계산하기 위한 유사도판별장치 및 거리 계산 방법을 제안한다.

Description

유사도판별장치 및 거리 계산 방법{APPARATUS FOR DISTINGUISHING SIMILARITY, AND CALCULATION METHOD FOR CALCULATION MATRIX CORRELATION DISTANCE}
본 발명은 시간정보를 포함한 2차원 특성을 가지는 특징 행렬 간의 유사도 판별과 관련하여, 특징 행렬의 각각의 행 및 열이 가지는 데이터 변화량에 기초한 중요도를 반영하여 특징 행렬 간의 거리를 계산하기 위한 방안에 관한 것이다.
유사도란 개체 사이의 닮음의 정도를 표시하는 척도로서 패턴(동작) 인식에 있어 유사도라 함은 이를 수치적으로 표현한 것이며, 기하학적으로는 동일한 공간에서 두 점 사이의 거리에 반비례하는 값을 의미하기도 한다.
통상적으로 패턴 인식을 위한 데이터는 비디오 신호 즉 영상으로 주어지게 되며, 이러한 영상을 분석하기 위해서는 해당 영상을 인식에 용이한 형태로 나타낼 필요가 있다.
따라서, 영상은 2 차원 행렬 데이터 즉 시간정보가 포함된 특징 행렬로 나타낼 수 있으며, 이러한 영상에서의 패턴 인식은 특징 행렬 간의 유사도 판별하는 방식 다시 말해, 특징 행렬 간의 거리(correlation distance)를 계산하는 방식을 통해서 이루어질 수 있다.
헌데, 특징 행렬 간의 거리를 계산하는 기존 방식의 경우 특징 행렬을 1 차원 벡터로 변환하여 변환된 벡터 간의 거리를 계산하는 방식들이 주를 이루고 있는데, 이처럼 2 차원 특징 행렬을 1 차원 벡터로 변환하는 경우, 각 행과 열이 가진 공간 정보(spatial information)가 손실된다는 문제가 따른다.
한편, 이러한 문제점을 해결하기 위한 기존 방식으로서 2차원 행렬 형태를 유지하며 거리를 계산하는 방식들이 존재하기는 하나, 거리 계산 결과에 있어서 행렬의 각 행 및 열의 데이터 값이 차등적인 영향을 미칠 수 있음에도 불구하고, 이를 모두 균등하게 반영하게 되는 방식인 관계로 그 계산 결과의 신뢰도를 장담할 수 없다 할 것이다.
본 발명은 상기한 사정을 감안하여 창출된 것으로서, 본 발명에서 도달하고자 하는 목적은, 2차원 특징 행렬 간의 유사도 판별과 관련하여, 특징 행렬의 각각의 행 및 열이 가지는 데이터 변화량에 기초한 중요도를 반영하여 특징 행렬 간의 거리를 계산하는데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 유사도판별장치는, 시간정보가 포함된 특징 행렬 간의 유사도 판별과 관련하여, 상기 특징 행렬을 구성하는 각각의 행 및 열에 대해 시간에 따른 데이터 변화량을 확인하는 확인부; 상기 데이터 변화량을 기초로 상기 유사도 판별에 있어서 상기 각각의 행 및 열이 가지게 되는 중요도를 산출하는 산출부; 및 상기 중요도를 상기 각각의 행 및 열의 데이터 값에 대한 가중치로서 적용하여, 상기 가중치가 적용된 상기 각각의 행 및 열의 데이터 값을 기초로 상기 유사도 판별을 위한 상기 특징 행렬 간의 거리를 계산하는 계산부를 포함하는 것을 특징으로 한다.
보다 구체적으로, 상기 중요도는, 다수의 특징 행렬로 구성되는 학습 데이터 집합 내 각각의 행 및 열의 상기 데이터 변화량을 누적하여 정규화한 결과인 분류 기여도를 포함하는 것을 특징으로 한다.
보다 구체적으로, 상기 산출부는, 상기 각각의 행 및 열에 대해 확인되는 상기 데이터 변화량이 클수록 상기 데이터 변화량이 보다 작은 것으로 확인되는 타 행 또는 타 열에 비해 상기 중요도를 높게 산출하는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 거리 계산 방법은, 시간정보가 포함된 특징 행렬 간의 유사도 판별과 관련하여, 상기 특징 행렬을 구성하는 각각의 행 및 열에 대해 시간에 따른 데이터 변화량을 확인하는 확인단계; 상기 데이터 변화량을 기초로 상기 유사도 판별에 있어서 상기 각각의 행 및 열이 가지게 되는 중요도를 산출하는 산출단계; 및 상기 중요도를 상기 각각의 행 및 열의 데이터 값에 대한 가중치로서 적용하여, 상기 가중치가 적용된 상기 각각의 행 및 열의 데이터 값을 기초로 상기 유사도 판별을 위한 상기 특징 행렬 간의 거리를 계산하는 계산단계를 포함하는 것을 특징으로 한다.
보다 구체적으로, 상기 중요도는, 다수의 특징 행렬로 구성되는 학습 데이터 집합 내 각각의 행 및 열의 상기 데이터 변화량을 누적하여 정규화한 결과인 분류 기여도를 포함하는 것을 특징으로 한다.
보다 구체적으로, 상기 산출단계는, 상기 각각의 행 및 열에 대해 확인되는 상기 데이터 변화량이 클수록 상기 데이터 변화량이 보다 작은 것으로 확인되는 타 행 또는 타 열에 비해 상기 중요도를 높게 산출하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 거리 계산 방법은, 전술한 방법의 각 단계를 실행시키도록 구현되어 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램의 형태를 가지는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 거리 계산 방법은, 전술한 방법의 각 단계를 실행시키기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체의 형태를 가지는 것을 특징으로 한다.
이에, 본 발명에 따른 유사도판별장치 및 거리 계산 방법에 의하면, 두 특징 행렬 각각의 행과 열 사이의 거리(Correlation distance)를 계산하고 이를 선형 결합하여 최종 거리를 계산함에 따라 행렬을 벡터 형태로 변환하는 절차를 거쳐야 하는 기존 방식과는 달리 공간 정보(spatial information)를 보존할 수 있으며, 또한 특징 행렬의 각각의 행 및 열이 가지는 데이터 변화량에 기초한 중요도를 반영하여 특징 행렬 간의 거리를 계산함으로써, 거리 계산 결과의 신뢰도를 제고시킬 수 있는 효과가 성취된다.
도 1은 본 발명의 일 실시예에 따른 유사도 판별 환경을 도시한 도면.
도 2 및 도 3은 본 발명의 일 실시예에 따른 데이터 변화량을 설명하기 위한 예시도.
도 4는 본 발명의 일 실시예에 따른 유사도판별장치의 개략적인 구성도.
도 5는 본 발명의 일 실시예에 따른 유사도판별장치에서의 동작 흐름을 설명하기 위한 순서도.
도 6은 본 발명의 일 실시예에 따른 실험 데이터의 예시도.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예에 대하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 유사도 판별 환경을 도시하고 있다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 유사도 판별 환경은, 유사도 판별과 관련하여 T-by-D 크기를 가지는 두 특징 행렬(Xi, Xj) 간의 거리(Matrix correlation distance)를 계산하는 유사도판별장치(100)를 포함하게 된다.
여기서, 본 발명의 일 실시예에 따라 정의되는 특징 행렬은 하나의 영상(동영상)을 행렬의 형태로 표현한 것으로서, 예컨대, 아래 [수식 1]과 같이 정의될 수 있다.
[수식 1]
Figure 112016109451270-pat00001
예를 들어, 데이터의 길이가 'T1'경우에는 특징 행렬 'A'는 아래 [수식 2]와 같이 표현될 수 있는 것이다.
[수식 2]
Figure 112016109451270-pat00002
여기서, ‘T’는 시퀀스 길이 즉 영상의 프레임 시퀀스를 의미하며, D는 프레임 내 패턴 인식 대상이 되는 특징(객체) 차원의 개수를 의미하게 된다.
즉, 본 발명의 일 실시예에 따른 특징 행렬에서는 행(Row)은 영상에서 하나의 프레임에 해당되며, 열(Column)은 특징 차원을 의미하는 것으로 이해될 수 있다.
이로써, 본 발명의 일 실시예에 따른 특징 행렬은, 하나의 프레임이 하나의 특징 벡터가 되어 프레임 시퀀스에 따라 순차적으로 쌓인 형태로 정의되고 있는 것이다.
한편, 전술한 특징 행렬 간의 거리 계산하는 종래의 방식의 경우, 행과 열의 중요도가 동일하게 적용되어 각 행과 각 열 사이의 상관관계 모두를 측정하여 유사도를 판별하는 방식으로 처리되었다.
이 경우 이 경우 최종 유사도 판별 시 각 행과 열은 균등한 중요도를 가지게 된다.
도 2에는 SKIG 데이터의 하나의 샘플에 대해 특징 행렬을 시각화하고 각 열의 시간에 따른 데이터 변화량을 분석한 결과를 보여주고 있다.
도 2에서 확인할 수 있듯이 각 특징 차원에 따라 시간에 따른 정보의 변화 정도가 다름을 확인할 수 있다.
이는 단 하나의 샘플뿐만 아니라 전체 데이터에서 일관적으로 관찰되는 현상이다.
도 3에는 3개의 동작 데이터베이스(Cambridge Hand Gesture, ChaLearn, SKIG)에 대한 데이터 변화량을 분석한 결과를 보여주고 있는 데, 이는 각 샘플의 데이터 변화량을 계산한 후 이를 누적하고 정규화한 값으로서 전체 값을 더하게 되면 1의 값을 가지게 된다.
참고로 도 3의 분석 결과는 PCA와 LPP를 사용하여 특징 행렬을 표현한 결과로서, 이때 영상의 한 프레임은 50차원의 벡터로 표현되었다.
패턴인식에 있어 시간이 지남에도 불구하고 데이터 값이 변화를 보이지 않는 다면 해당 데이터 값이 분류에 유용한 정보를 가지고 있다고 판단하기 어려울 수 있다.
반면에 시간에 따라 데이터 값이 변화하며 특정한 패턴을 가진다면 해당 신호는 분류에 유용하게 활용할 수 있다.
물론 시간에 따라 데이터 값이 변화한다고 하여 유용한 정보를 가졌다고 단정하기는 어렵지만, 통상적인 패턴인식에 있어 시간에 따른 값이 고정된 데이터와 변화되는 데이터가 있다면 변화되는 데이터에서 보다 분류에 유용한 정보가 포함되었을 가능성이 높다고 유추할 수 있을 것이다.
이에, 본 발명의 일 실시예에서는 이를 전제로 특징 행렬의 각각의 행 및 열이 가지는 데이터 변화량에 기초한 중요도를 반영하여 특징 행렬 간의 거리를 계산하기 위한 방안을 제안하고자 하며, 이하에서는 이를 위한 유사도판별장치(100)의 구성에 대해 구체적으로 설명하기로 한다.
도 4는 본 발명의 일 실시예에 따른 유사도판별장치(100)의 개략적인 구성을 보여주고 있다.
도 4에 도시된 바와 같이, 본 발명의 일 실시예에 따른 유사도판별장치(100)는 데이터 변화량을 확인하는 확인부(110), 중요도를 산출하는 산출부(120), 및 특징 행렬 간 거리를 계산하는 계산부(130)를 포함하는 구성을 가질 수 있다.
이상의 확인부(110), 산출부(120), 및 계산부(130)를 포함하는 유사도판별장치(100)의 구성 전체 내지는 적어도 일부는, 하드웨어 모듈 또는 소프트웨어 모듈 형태로 구현되거나, 내지는 하드웨어 모듈과 소프트웨어 모듈이 조합된 형태로 구현될 수 있다.
여기서, 소프트웨어 모듈이란, 예컨대, 유사도판별장치(100) 내에서 연산을 처리하는 프로세서에 의해 실행되는 명령어로 이해될 수 있으며, 이러한 명령어는 유사도판별장치(100) 내 메모리 또는 별도의 메모리에 저장된 형태를 가질 수 있다.
결국, 본 발명의 일 실시예에 따른 유사도판별장치(100)는 전술한 구성을 통해 특징 행렬의 각각의 행 및 열이 가지는 데이터 변화량에 기초한 중요도를 반영하여 특징 행렬 간의 거리를 계산할 수 있게 되는데, 이하에서는 이를 위한 유사도판별장치(100) 내 각 구성에 대해 보다 구체적으로 설명하기로 한다.
한편, 설명에 앞서 본 발명의 일 실시예에 따라 두 특징 행렬(Xi, Xj) 간의 거리(Matrix correlation distance)는 아래 [수식 3]과 같이 정의하기로 한다.
[수식 3]
Figure 112016109451270-pat00003
이처럼 [수식 2]를 통해 정의되는 값들은 아래 [수식 4]에서와 같이 표현될 수 있다.
[수식 4]
Figure 112016109451270-pat00004
여기서,'Xi ,d'와 'Xj ,d'는 각각 두 특징 행렬의 d 번째 열 벡터를 의미하며, 'Xi,t'와 'Xj , t'는 각각 두 특징 행렬의 t 번째 행 벡터를 의미하게 된다.
확인부(110)는 데이터 변화량을 확인하는 기능을 수행한다.
보다 구체적으로, 확인부(110)는 두 특징 행렬(Xi, Xj) 간의 거리(Matrix correlation distance)를 계산하기에 앞서 각각의 행 및 열에 대해 시간에 따른 데이터 변화량을 확인하게 된다.
이때, 확인부(110)는 다수개의 특징 행렬로 구성되는 학습 데이터 집합을 마련하고, 학습 데이터 집합 내 각각의 행과 열에 대한 특징 차원의 누적된 데이터 변화량을 확인하게 된다.
한편, N 개의 특징 행렬로 구성되는 학습 데이터 집합은 아래 [수식 5]와 같이 가정할 수 있다.
[수식 5]
Figure 112016109451270-pat00005
여기서, 'Xk'에 대한 특징 차원 데이터 변화량은 아래 [수식 6]과 같이 정의될 수 있다.
[수식 6]
Figure 112016109451270-pat00006
Figure 112016109451270-pat00007
,
Figure 112016109451270-pat00008
다음으로, 전체 학습 데이터 집합에 대한 행과 열의 특징 차원의 누적된 데이터 변화량은 아래 [수식 7]과 같이 정의된다.
[수식 7]
Figure 112016109451270-pat00009
산출부(120)는 데이터 변화량을 기초로 중요도를 산출하는 기능을 수행한다.
보다 구체적으로, 산출부(120)는 각각의 행 및 열에 대해 시간에 따른 데이터 변화량이 확인되면, 확인된 데이터 변화량을 기초로 유사도 판별에 있어서 각각의 행 및 열이 가지게 되는 중요도를 산출한다.
한편, 도 3을 참조한 앞선 설명에서 각각의 행 및 열 각각은 누적 및 정규화된 데이터 변화량에서 차이가 있음을 언급한바 있으며, 이에 따라 특징 행렬 간 거리를 계산함에 있어서, 이러한 데이터 변화량에 차이를 반영하는 것이 이점이 있음을 언급한 바 있다.
이에, 산출부(120)는 학습 데이터 집합으로부터 확인되는 각각의 행과 열에 대한 특징 차원의 누적된 데이터 변화량을 정규화하여 분류 기여도를 도출하고, 이를 각각의 행 및 열이 가지게 되는 중요도로서 산출하게 된다.
여기서, 학습 데이터 집합으로부터 확인되는 각각의 행과 열에 대한 특징 차원의 누적된 데이터 변화량을 정규화를 위한 도출 방식은 아래 [수식 8]과 같이 정의될 수 있다.
[수식 8]
Figure 112016109451270-pat00010
여기서, 'ωd'는 d 번째 행의 분류 기여도를 의미하며, 'νt'는 t 번째 열의 분류 기여도를 의미하는 것으로서 이러한 분류 기여도가 클수록 각 행 또는 열에서의 누적된 데이터 변화량이 크다는 것으로 이해될 수 있다.
결국, 산출부(120)는 학습 데이터 집합으로부터 확인되는 각각의 행과 열에 대한 특징 차원의 누적된 데이터 변화량이 비례하는 크기로 각각의 행과 열에 대한 중요도를 산출하게 되는 것이다.
이는 다시 말해, 각각의 행 및 열에 대해 확인되는 누적된 데이터 변화량이 클수록 데이터 변화량이 보다 작은 것으로 확인되는 타 행 또는 타 열에 비해 중요도가 높게 산출될 수 있다는 것으로 이해될 수 있을 것이다.
계산부(130)는 특징 행렬 간의 거리를 계산하는 기능을 수행한다.
보다 구체적으로, 계산부(130)는 각각의 행 및 열에 대한 중요도 산출이 완료되면, 산출된 중요도를 각각의 행 및 열의 데이터 값에 대한 가중치로서 적용하는 방식을 통해서 특징 행렬 간의 거리를 계산하게 된다.
이때, 계산부(130)는 앞선 [수식 3] 및 [수식 4]를 통해 정의되는 계산식에 대해 각각의 행 및 열에 대한 중요도를 반영하는 방식을 통해서 특징 행렬 간의 거리를 계산하게 되는데, 이처럼 중요도가 가중치로서 적용된 유사도 함수 계산식은 아래 [수식 9]와 같이 정의될 수 있다.
[수식 9]
Figure 112016109451270-pat00011
Figure 112016109451270-pat00012
Figure 112016109451270-pat00013
이상에서 살펴본 바와 같이, 본 발명의 일 실시예에 따른 유사도판별장치(100)의 구성에 따르면, 두 특징 행렬 각각의 행과 열 사이의 거리(Correlation distance)를 계산하고 이를 선형 결합하여 최종 거리를 계산함에 따라 행렬을 벡터 형태로 변환하는 절차를 거쳐야 하는 기존 방식과는 달리 공간 정보(spatial information)를 보존할 수 있으며, 또한 특징 행렬의 각각의 행 및 열이 가지는 데이터 변화량에 기초한 중요도를 반영하여 특징 행렬 간의 거리를 계산함으로써, 거리 계산 결과의 신뢰도를 제고시킬 수 있게 된다.
이하에서는, 도 5를 참조하여 본 발명의 일 실시예에 따른 유사도판별장치(100)에서의 동작 흐름 즉, 유사도 판별을 위한 특징 행렬 간 거리 계산 방법에 대해 설명하기로 한다.
먼저, 확인부(110)는 단계 'S10'에 따라 두 특징 행렬(Xi, Xj) 간의 거리(Matrix correlation distance)를 계산하기에 앞서 각각의 행 및 열에 대해 시간에 따른 데이터 변화량을 확인한다.
이때, 확인부(110)는 다수개의 특징 행렬로 구성되는 학습 데이터 집합을 마련하고, 학습 데이터 집합 내 각각의 행과 열에 대한 특징 차원의 누적된 데이터 변화량을 확인하게 된다.
이어서, 산출부(120)는 각각의 행 및 열에 대해 시간에 따른 데이터 변화량이 확인되면, 단계 'S20' 및 'S30'에 따라 확인된 데이터 변화량을 기초로 유사도 판별에 있어서 각각의 행 및 열이 가지게 되는 중요도를 산출한다.
이때, 산출부(120)는 학습 데이터 집합으로부터 확인되는 각각의 행과 열에 대한 특징 차원의 누적된 데이터 변화량을 정규화하여 분류 기여도를 도출하고, 이를 각각의 행 및 열이 가지게 되는 중요도로서 산출하게 된다.
여기서, 산출부(120)는 학습 데이터 집합으로부터 확인되는 각각의 행과 열에 대한 특징 차원의 누적된 데이터 변화량이 비례하는 크기로 각각의 행과 열에 대한 중요도를 산출하게 되는 것이다.
이는 다시 말해, 각각의 행 및 열에 대해 확인되는 누적된 데이터 변화량이 클수록 데이터 변화량이 보다 작은 것으로 확인되는 타 행 또는 타 열에 비해 중요도가 높게 산출될 수 있다는 것으로 이해될 수 있을 것이다.
이후, 계산부(130)는 ‘S40’ 및 ‘S50’에 따라 각각의 행 및 열에 대한 중요도 산출이 완료되면, 산출된 중요도를 각각의 행 및 열의 데이터 값에 대한 가중치로서 적용하는 방식을 통해서 특징 행렬 간의 거리를 계산한다.
이상에서 살펴본 바와 같이, 본 발명의 일 실시예에 따른 유사도판별장치(100)의 동작 흐름에 따르면, 두 특징 행렬 각각의 행과 열 사이의 거리(Correlation distance)를 계산하고 이를 선형 결합하여 최종 거리를 계산함에 따라 행렬을 벡터 형태로 변환하는 절차를 거쳐야 하는 기존 방식과는 달리 공간 정보(spatial information)를 보존할 수 있으며, 또한 특징 행렬의 각각의 행 및 열이 가지는 데이터 변화량에 기초한 중요도를 반영하여 특징 행렬 간의 거리를 계산함으로써, 거리 계산 결과의 신뢰도를 제고시킬 수 있게 된다.
본 발명에 의해 위와 같은 효과가 성취된다는 것은 이하의 실험 섹션에서의 연구를 통해 더 증명될 수 있다.
본 발명에 대한 실험
제안한 유사도의 검증을 위한 데이터로 동작 인식 데이터인 Cambridge Hand Gesture, ChaLearn, 그리고 SKIG 데이터를 사용하였다. 이들 데이터는 손동작 인식을 위한 데이터로 Cambridge hand gesture의 경우 RGB 카메라를 이용하여 획득된 데이터이며, ChaLearn 및 SKIG 데이터는 Kinect를 이용하여 획득된 데이터이다.
도 6은 실험에 사용된 데이터의 예를 나타낸 것이다.
본 발명의 일 실시예에서 [수식 9]와 같이 제안되는 유사도 함수의 인식 성능 비교를 위해 일반적인 시계열 데이터의 유사도 측정을 위한 척도인 동적시간정합(DTW, dynamic time warping) 비용 함수와 동적시간정합을 통해 크기 정규화된 특징 행렬을 벡터화 한 후 Manhattan distance, Euclidean distance및 correlation distance를 적용하였다. 또한 기존의 중요도를 적용하지 않은 matrix correlation과의 비교도 수행하였다.
아래 [표 1]은 데이터 및 거리 척도에 따른 인식률을 정리한 것이다. 표 1에서 볼 수 있듯이 기존의 동적시간정합 비용 함수 및 벡터화된 데이터에 대한 거리 척도는 matrix correlation distance에 비해 낮은 인식 성능을 보여 주었다.
한편 제안한 특징차원 변화량에 기반한 유사도 함수의 경우 Cambridge Hand Gesture데이터와 ChaLearn(RGB)를 제외한 모든 경우에서 기존에 비해 향상된 인식 성능을 보여 주었다.
특히SKIG 데이터의 경우 인식 성능의 향상이 다른 데이터보다 높게 나타났다. 이를 통해 matrix correlation distance를 사용한 유사도 계산에 있어 특징차원 변화량의 활용이 성능 개선에 유용함을 확인할 수 있었다.
Figure 112016109451270-pat00014
한편, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물들은 디지털 전자 회로로 구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다.　 본 명세서에서 설명하는 주제의 구현물들은 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 처리 시스템의 동작을 제어하기 위하여 혹은 이것에 의한 실행을 위하여 유형의 프로그램 저장매체 상에 인코딩된 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다.
컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장 장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 혹은 이들 중 하나 이상의 조합일 수 있다.
본 명세서에서 "시스템"이나 "장치"라 함은 예컨대 프로그래머블 프로세서, 컴퓨터 혹은 다중 프로세서나 컴퓨터를 포함하여 데이터를 처리하기 위한 모든 기구, 장치 및 기계를 포괄한다. 처리 시스템은, 하드웨어에 부가하여, 예컨대 프로세서 펌웨어를 구성하는 코드, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 체제 혹은 이들 중 하나 이상의 조합 등 요청 시 컴퓨터 프로그램에 대한 실행 환경을 형성하는 코드를 포함할 수 있다.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 어플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다. 컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다. 컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터나 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.
한편, 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체는, 예컨대 EPROM, EEPROM 및 플래시메모리 장치와 같은 반도체 메모리 장치, 예컨대 내부 하드디스크나 외장형 디스크와 같은 자기 디스크, 자기광학 디스크 및 CD-ROM과 DVD-ROM 디스크를 포함하여 모든 형태의 비휘발성 메모리, 매체 및 메모리 장치를 포함할 수 있다. 프로세서와 메모리는 특수 목적의 논리 회로에 의해 보충되거나, 그것에 통합될 수 있다.
본 명세서에서 설명한 주제의 구현물은 예컨대 데이터 서버와 같은 백엔드 컴포넌트를 포함하거나, 예컨대 어플리케이션 서버와 같은 미들웨어 컴포넌트를 포함하거나, 예컨대 사용자가 본 명세서에서 설명한 주제의 구현물과 상호 작용할 수 있는 웹 브라우저나 그래픽 유저 인터페이스를 갖는 클라이언트 컴퓨터와 같은 프론트엔드 컴포넌트 혹은 그러한 백엔드, 미들웨어 혹은 프론트엔드 컴포넌트의 하나 이상의 모든 조합을 포함하는 연산 시스템에서 구현될 수도 있다. 시스템의 컴포넌트는 예컨대 통신 네트워크와 같은 디지털 데이터 통신의 어떠한 형태나 매체에 의해서도 상호 접속 가능하다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 마찬가지로, 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
또한, 본 명세서에서는 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다
이와 같이, 본 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하려는 의도가 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명에 일 실시예에 따른 유사도판별장치 및 거리 계산 방법에 따르면, 시간정보를 포함한 2차원 특성을 가지는 특징 행렬 간의 유사도 판별과 관련하여, 특징 행렬의 각각의 행 및 열이 가지는 데이터 변화량에 기초한 중요도를 반영하여 특징 행렬 간의 거리를 계산할 수 있다는 점에서 기존 기술의 한계를 뛰어 넘음에 따라 관련 기술에 대한 이용만이 아닌 적용되는 장치의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.
100: 유사도판별장치
110: 확인부 120: 산출부
130: 계산부

Claims (8)

  1. 시간정보가 포함된 특징 행렬 간의 유사도 판별과 관련하여, 상기 특징 행렬을 구성하는 각각의 행 및 열에 대해 시간에 따른 데이터 변화량을 확인하는 확인부;
    상기 데이터 변화량을 기초로 상기 유사도 판별에 있어서 상기 각각의 행 및 열이 가지게 되는 중요도를 산출하는 산출부; 및
    상기 중요도를 상기 각각의 행 및 열의 데이터 값에 대한 가중치로서 적용하여, 상기 가중치가 적용된 상기 각각의 행 및 열의 데이터 값을 기초로 상기 유사도 판별을 위한 상기 특징 행렬 간의 거리를 계산하는 계산부를 포함하는 것을 특징으로 하는 유사도판별장치.
  2. 제 1 항에 있어서,
    상기 중요도는,
    다수의 특징 행렬로 구성되는 학습 데이터 집합 내 각각의 행 및 열의 상기 데이터 변화량을 누적하여 정규화한 결과인 분류 기여도를 포함하는 것을 특징으로 하는 유사도판별장치.
  3. 제 1 항에 있어서,
    상기 산출부는,
    상기 각각의 행 및 열에 대해 확인되는 상기 데이터 변화량이 클수록 상기 데이터 변화량이 보다 작은 것으로 확인되는 타 행 또는 타 열에 비해 상기 중요도를 높게 산출하는 것을 특징으로 하는 유사도판별장치.
  4. 시간정보가 포함된 특징 행렬 간의 유사도 판별과 관련하여, 상기 특징 행렬을 구성하는 각각의 행 및 열에 대해 시간에 따른 데이터 변화량을 확인하는 확인단계;
    상기 데이터 변화량을 기초로 상기 유사도 판별에 있어서 상기 각각의 행 및 열이 가지게 되는 중요도를 산출하는 산출단계; 및
    상기 중요도를 상기 각각의 행 및 열의 데이터 값에 대한 가중치로서 적용하여, 상기 가중치가 적용된 상기 각각의 행 및 열의 데이터 값을 기초로 상기 유사도 판별을 위한 상기 특징 행렬 간의 거리를 계산하는 계산단계를 포함하는 것을 특징으로 하는 거리 계산 방법.
  5. 제 4 항에 있어서,
    상기 중요도는,
    다수의 특징 행렬로 구성되는 학습 데이터 집합 내 각각의 행 및 열의 상기 데이터 변화량을 누적하여 정규화한 결과인 분류 기여도를 포함하는 것을 특징으로 하는 거리 계산 방법.
  6. 제 4 항에 있어서,
    상기 산출단계는,
    상기 각각의 행 및 열에 대해 확인되는 상기 데이터 변화량이 클수록 상기 데이터 변화량이 보다 작은 것으로 확인되는 타 행 또는 타 열에 비해 상기 중요도를 높게 산출하는 것을 특징으로 하는 거리 계산 방법.
  7. 제 4 항 내지 제 6 항 중 어느 한 항의 각 단계를 실행시키도록 구현되어 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  8. 제 4 항 내지 제 6 항 중 어느 한 항의 각 단계를 실행시키기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체.
KR1020160148653A 2016-11-09 2016-11-09 유사도판별장치 및 거리 계산 방법 KR101836346B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160148653A KR101836346B1 (ko) 2016-11-09 2016-11-09 유사도판별장치 및 거리 계산 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160148653A KR101836346B1 (ko) 2016-11-09 2016-11-09 유사도판별장치 및 거리 계산 방법

Publications (1)

Publication Number Publication Date
KR101836346B1 true KR101836346B1 (ko) 2018-03-08

Family

ID=61726093

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160148653A KR101836346B1 (ko) 2016-11-09 2016-11-09 유사도판별장치 및 거리 계산 방법

Country Status (1)

Country Link
KR (1) KR101836346B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080419A (ko) * 2018-12-19 2020-07-07 한국항공대학교산학협력단 인공신경망 기반 손동작 인식 방법 및 장치
CN111723339A (zh) * 2020-06-10 2020-09-29 国网河南省电力公司郑州供电公司 基于趋势相似性和距离测度的台区低压挂接辨识方法
KR102492484B1 (ko) * 2022-09-05 2023-01-27 박종문 분석 대상의 비교 특징이 담긴 히트맵 구조화 시스템 및 이를 포함한 인공지능 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101306576B1 (ko) 2012-11-12 2013-09-26 재단법인대구경북과학기술원 차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101306576B1 (ko) 2012-11-12 2013-09-26 재단법인대구경북과학기술원 차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
논문1:(2014.03)
논문2:(2011.12)
동작데이터의 유사도 함수 학습을 위한 계층구조 설계

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080419A (ko) * 2018-12-19 2020-07-07 한국항공대학교산학협력단 인공신경망 기반 손동작 인식 방법 및 장치
KR102179999B1 (ko) * 2018-12-19 2020-11-17 한국항공대학교산학협력단 인공신경망 기반 손동작 인식 방법 및 장치
CN111723339A (zh) * 2020-06-10 2020-09-29 国网河南省电力公司郑州供电公司 基于趋势相似性和距离测度的台区低压挂接辨识方法
CN111723339B (zh) * 2020-06-10 2023-02-24 国网河南省电力公司郑州供电公司 基于趋势相似性和距离测度的台区低压挂接辨识方法
KR102492484B1 (ko) * 2022-09-05 2023-01-27 박종문 분석 대상의 비교 특징이 담긴 히트맵 구조화 시스템 및 이를 포함한 인공지능 시스템

Similar Documents

Publication Publication Date Title
US10366313B2 (en) Activation layers for deep learning networks
US10891468B2 (en) Method and apparatus with expression recognition
US9117444B2 (en) Methods and apparatus for performing transformation techniques for data clustering and/or classification
US20170263003A1 (en) Tracking objects between images
US20160104056A1 (en) Spatial pyramid pooling networks for image processing
KR101956071B1 (ko) 사용자 인증 방법 및 장치
US11126660B1 (en) High dimensional time series forecasting
KR101836346B1 (ko) 유사도판별장치 및 거리 계산 방법
JP7425147B2 (ja) 画像処理方法、テキスト認識方法及び装置
CN110991261A (zh) 交互行为识别方法、装置、计算机设备和存储介质
WO2020186943A1 (zh) 移动设备的姿态确定装置、方法和视觉里程计
US11501110B2 (en) Descriptor learning method for the detection and location of objects in a video
US10878071B2 (en) Biometric authentication anomaly detection
CN112329505A (zh) 用于检测对象的方法和装置
CN109345460B (zh) 用于矫正图像的方法和装置
CN111428805A (zh) 显著性物体的检测方法、装置、存储介质及电子设备
US8868571B1 (en) Systems and methods for selecting interest point descriptors for object recognition
KR20200013271A (ko) 딥 러닝 기반의 사용자 몸을 이용한 신원 인식 장치 및 방법
CN111429194A (zh) 用户轨迹确定系统、方法、装置及服务器
CN111914841A (zh) 一种ct图像处理方法和装置
KR102184833B1 (ko) 사용자 단말을 이용한 시공 방법
US20180052699A1 (en) Generating Computer Executable Instructions
KR102561883B1 (ko) 오프라인 가상 제품 진열 매장에서의 고객 추적을 위한 고객 인식 방법 및 그 시스템
JP4997179B2 (ja) 画像処理装置、方法およびプログラム
CN114898350A (zh) 一种银行卡识别方法、识别系统、电子设备及存储介质

Legal Events

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