KR101844291B1 - 신체 자세군 생성 장치 및 방법 - Google Patents

신체 자세군 생성 장치 및 방법 Download PDF

Info

Publication number
KR101844291B1
KR101844291B1 KR1020120004653A KR20120004653A KR101844291B1 KR 101844291 B1 KR101844291 B1 KR 101844291B1 KR 1020120004653 A KR1020120004653 A KR 1020120004653A KR 20120004653 A KR20120004653 A KR 20120004653A KR 101844291 B1 KR101844291 B1 KR 101844291B1
Authority
KR
South Korea
Prior art keywords
posture
cluster
unit
similarity
clusters
Prior art date
Application number
KR1020120004653A
Other languages
English (en)
Other versions
KR20130083997A (ko
Inventor
유병인
최창규
류희섭
이창교
한재준
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020120004653A priority Critical patent/KR101844291B1/ko
Priority to US13/738,509 priority patent/US20130181988A1/en
Publication of KR20130083997A publication Critical patent/KR20130083997A/ko
Application granted granted Critical
Publication of KR101844291B1 publication Critical patent/KR101844291B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • A01G9/241—Arrangement of opening or closing systems for windows and ventilation panels
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G13/00—Protecting plants
    • A01G13/02—Protective coverings for plants; Coverings for the ground; Devices for laying-out or removing coverings
    • A01G13/0206—Canopies, i.e. devices providing a roof above the plants
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G13/00—Protecting plants
    • A01G13/02—Protective coverings for plants; Coverings for the ground; Devices for laying-out or removing coverings
    • A01G13/0231—Tunnels, i.e. protective full coverings for rows of plants
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • A01G9/246—Air-conditioning systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

하나 이상의 자세 데이터로부터 특징 추출(Feature Extraction)을 수행하고, 유사도 측정 기준(Similarity Measure)을 이용하여 특징 벡터 공간 (Feature Vector Space)로부터 유사한 자세를 각각의 클러스터(Cluster)로 분류한 후, 불균형 측정 기준(Imbalance Measure)을 이용하여 상기 특징 벡터 공간으로부터 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 구성하는 신체 자세군 생성 방법을 제공한다.

Description

신체 자세군 생성 장치 및 방법{APPARATUS AND METHOD FOR CREATING POSE CLUSTER}
본 발명의 실시예들은 자세를 다차원의 벡터로 정의하고, 다차원 벡터 공간상에서 자세 벡터의 분포가 밀집되어 있지 않고 균일하게 분포하도록 하는 장치 및 방법에 관한 것이다.
일상 생활에서 인간은 두 눈을 이용하기 때문에, 원거리의 해상도가 낮은 인체 자세(human body pose)일지라도 잘 인지할 수 있다.
컴퓨터 비젼 시스템에서 인체 자세(human body pose)를 인지하는 방법은 다양한 분야에서 요구되고 있으나, 아직까지 정확하게 인체 자세를 인지하는 것은 어려운 실정이다.
일반적으로 신체 자세군을 생성하는 방법은 미리 모션 캡쳐(Motion Capture) 된 자세에서 각 조인트의 거리를 기준으로 중복되는 자세를 제거하는 방법을 사용하였으나, 미리 모션 캡쳐되지 않은 자세는 포함되지 않을 수 있다.
또한, 일반적으로 사용자의 자세는 대부분 서있는 자세에서 손만을 움직이는 경우가 많기 때문에 하체는 동일하고 상체는 다양한 자세로 구성되는 경우가 많다.
따라서, 신체 자세군은 자세 벡터의 분포가 밀집되어 있지 않고 균일하게 분포되어야 한다.
본 발명의 일실시예에 따른 신체 자세군 생성 장치는 하나 이상의 자세 데이터를 수신하는 데이터 수신부, 상기 각각의 자세 데이터로부터 특징 벡터를 추출하는 특징 추출부, 유사도 측정 기준(Similarity Measure)을 이용하여 특징 벡터 공간 (Feature Vector Space)로부터 유사한 자세를 각각의 클러스터(Cluster)로 분류하는 클러스터 분류부, 불균형 측정 기준(Imbalance Measure)을 이용하여 상기 특징 벡터 공간으로부터 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 구성하는 클러스터 조정부 및 상기 각각의 클러스터가 기설정된 자세 밀집도(Pose Density)를 갖도록 조절하여 자세군을 생성하는 자세군 생성부를 포함한다.
본 발명의 일측에 따르면, 상기 하나 이상의 자세 데이터는 모션 캡쳐 데이터 또는 상기 모션 캡쳐 데이터를 3차원 그래픽 모델을 통하여 리타겟팅(Retargeting) 하여 생성한 영상 데이터를 포함할 수 있다.
본 발명의 일측에 따르면, 상기 특징 추출부는 휴 모멘트(Hue Moment), 레젼드라 모멘트(Legendre Moment) 또는 레벨 설정(Levelset) 중 어느 하나 이상을 통하여 상기 특징 추출을 수행할 수 있다.
본 발명의 일측에 따르면, 상기 클러스터 분류부는 상기 특징 추출을 통하여 추출된 현재 자세의 특징 벡터를 검출하는 특징 벡터 검출부, 상기 특징 벡터와 유사도가 있는 클러스터를 검색하는 클러스터 검색부, 상기 유사도가 있는 클러스터가 존재하는 경우, 상기 클러스터에 현재 자세를 할당하는 제1 자세 할당부 및 상기 유사도가 있는 클러스터가 존재하지 않는 경우, 새로운 클러스터를 생성하여 현재 자세를 할당하는 제2 자세 할당부를 포함할 수 있고, 상기 각각의 모듈의 동작을 반복 수행하여 상기 클러스터 생성을 완료할 수 있다.
본 발명의 일측에 따르면, 상기 클러스터 분류부는 상기 각각의 클러스터를 검출하는 클러스터 검출부, 상기 각각의 클러스터 내의 하나 이상의 자세 데이터 수가 임계치를 초과하는지 여부를 판단하는 판단부 및 상기 각각의 클러스터 내의 하나 이상의 자세 데이터 수가 임계치를 초과한 경우, 상기 각각의 클러스터를 둘 이상으로 분할하는 클러스터 분할부를 포함할 수 있고, 상기 각각의 모듈의 동작을 반복 수행하여 상기 클러스터 생성을 완료할 수 있다.
본 발명의 일측에 따르면, 상기 클러스터 분류부는 상기 각각의 클러스터의 평균 자세 특징 벡터를 연산하는 평균 자세 연산부, 상기 평균 자세 특징 벡터로부터 각 자세 간의 유사도를 기준으로 하나 이상의 자세를 정렬(Sorting)하는 자세 정렬부, 현재 자세와 다음 자세의 유사도를 연산하는 유사도 연산부, 상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최대 임계치보다 큰 경우, 상기 각각의 클러스터에 다른 자세를 추가하는 자세 추가부, 상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최소 임계치보다 작은 경우, 상기 각각의 클러스터 내의 일부 자세를 삭제하는 자세 삭제부 및 상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최대 임계치 이하이고 최소 임계치 이상인 경우, 상기 클러스터 내의 자세를 확보하는 자세 확정부를 포함할 수 있고, 상기 각각의 모듈의 동작을 반복 수행하여 상기 클러스터 분류를 완료할 수 있다.
본 발명의 일측에 따르면, 상기 자세 추가부는 기준 자세를 설정하는 기준 자세 설정부, 상기 다른 자세를 추가하기 위한 하나 이상의 파라미터를 설정하는 파라미터 설정부 및 상기 하나 이상의 파라미터를 기반으로 상기 기준 자세와 다른 신규 자세를 추가하는 신규 자세 추가부를 포함할 수 있다.
본 발명의 일측에 따르면, 상기 클러스터 조정부는 기준 클러스터를 선택하는 기준 클러스터 선택부, 상기 기준 클러스터의 자세 중 기준이 되는 제1 기준 자세를 연산하는 제1 기준 자세 연산부, 인접 클러스터를 선택하는 인접 클러스터 선택부, 상기 인접 클러스터의 자세 중 기준이 되는 제2 기준 자세를 연산하는 제2 기준 자세 연산부, 상기 제1 기준 자세와 상기 제2 기준 자세의 유사도가 기설정된 최대 임계치보다 큰 경우, 상기 기준 클러스터에 다른 자세를 추가하는 자세 추가부를 포함할 수 있고, 상기 각각의 모듈의 동작을 반복 수행하여 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 구성을 완료할 수 있다.
본 발명의 일실시예에 따른 신체 자세군 생성 방법은 하나 이상의 자세 데이터를 수신하는 단계, 상기 각각의 자세 데이터로부터 자세 클러스터링(Clustering)을 위한 다차원 벡터(Multi-dimensional Vector)로 구성된 특징 추출(Feature Extraction)을 수행하는 단계, 유사도 측정 기준(Similarity Measure)을 이용하여 특징 벡터 공간 (Feature Vector Space)로부터 유사한 자세를 각각의 클러스터(Cluster)로 분류하는 단계, 불균형 측정 기준(Imbalance Measure)을 이용하여 상기 특징 벡터 공간으로부터 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 구성하는 단계 및 상기 각각의 클러스터가 기설정된 자세 밀집도(Pose Density)를 갖도록 조절하여 자세군을 생성하는 단계를 포함한다.
본 발명의 일실시예에 따르면 자세 데이터의 자세의 분포가 밀집되어 있지 않고 균일하게 분포하도록 설정할 수 있다.
도 1은 본 발명의 일실시예에 따른 신체 자세군 생성 장치의 구성을 도시한 블록도이다.
도 2는 본 발명의 일실시예에 따른 신체 자세군 생성 방법을 도시한 흐름도이다.
도 3은 본 발명의 일측에 따른 자세 데이터 클러스터링 방법을 도시한 흐름도이다.
도 4는 본 발명의 다른 측면에 따른 자세 데이터 클러스터링 방법을 도시한 흐름도이다.
도 5는 본 발명의 일측에 따른 자세 클러스터 내의 자세를 균일한 벡터 거리로 형성하는 방법을 도시한 흐름도이다.
도 6은 본 발명의 일측에 따른 포즈 리셈플링 방법을 도시한 흐름도이다.
도 7은 본 발명의 일측에 따른 기준 자세의 예를 도시한 도면이다.
도 8 내지 도 12는 본 발명의 포즈 리셈플링 파라미터에 따른 신규 자세 생성 예를 도시한 도면이다.
도 13은 본 발명의 일측에 따른 클러스터 간의 자세 균일성을 확보하기 위한 방법을 도시한 도면이다.
도 14는 본 발명의 일측에 따른 자세 클러스터의 예를 도시한 도면이다.
이하 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 실시예를 상세하게 설명하지만, 본 발명이 실시예에 의해 제한되거나 한정되는 것은 아니다.
한편, 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 상세한 설명을 생략할 것이다. 그리고, 본 명세서에서 사용되는 용어(terminology)들은 본 발명의 실시예를 적절히 표현하기 위해 사용된 용어들로서, 이는 사용자, 운용자의 의도 또는 본 발명이 속하는 분야의 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 일실시예에 따른 신체 자세군 생성 장치는 자세를 다차원의 벡터로 정의하고, 다차원 벡터 공간상에서 자세 벡터의 분포가 밀집되어 있지 않고 균일하게 분포하도록 조절할 수 있다.
도 1은 본 발명의 일실시예에 따른 신체 자세군 생성 장치의 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 신체 자세군 생성 장치는 하나 이상의 자세 데이터를 수신하는 데이터 수신부(110), 상기 각각의 자세 데이터로부터 특징 벡터를 추출하는 특징 추출부(120), 유사도 측정 기준(Similarity Measure)을 이용하여 특징 벡터 공간 (Feature Vector Space)로부터 유사한 자세를 각각의 클러스터(Cluster)로 분류하는 클러스터 분류부(130), 불균형 측정 기준(Imbalance Measure)을 이용하여 상기 특징 벡터 공간으로부터 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 구성하는 클러스터 조정부(140) 및 상기 각각의 클러스터가 기설정된 자세 밀집도(Pose Density)를 갖도록 조절하여 자세군을 생성하는 자세군 생성부(150)로 구성된다.
아래에서는 도 1의 신체 자세군 생성 장치를 이용하여 신체 자세군 생성 방법을 설명하도록 하며, 본 발명의 이해를 돕고자 각 모듈의 도면 부재는 도 1의 도면 부재를 인용하는 것으로 한다.
도 2는 본 발명의 일실시예에 따른 신체 자세군 생성 방법을 도시한 흐름도이다.
본 발명의 일실시예에 따른 신체 자세군 생성 장치는 하나 이상의 자세 데이터를 수신한다(210).
본 발명의 일실시예에 따른 신체 자세군 생성 장치는 상기 각각의 자세 데이터로부터 특징 벡터를 추출한다(220).
예를 들어, 본 발명의 일측에 따른 신체 자세군 생성 장치는 각각의 자세 데이터에서 자세 클러스터링을 위해 다차원 벡터(Multi-dimensional Vector)로 구성된 특징 추출(Feature Extraction)을 수행할 수 있다.
본 발명의 일실시예에 따른 신체 자세군 생성 장치는 유사도 측정 기준(Similarity Measure)을 이용하여 특징 벡터 공간 (Feature Vector Space)로부터 유사한 자세를 각각의 클러스터(Cluster)로 분류한다(230).
본 발명의 일실시예에 따른 신체 자세군 생성 장치는 불균형 측정 기준(Imbalance Measure)을 이용하여 상기 특징 벡터 공간으로부터 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 구성한다(240).
본 발명의 일실시예에 따른 신체 자세군 생성 장치는 상기 각각의 클러스터가 기설정된 자세 밀집도(Pose Density)를 갖도록 조절하여 자세군을 생성한다(250).
예를 들어, 본 발명의 일측에 따른 신체 자세군 생성 장치는 자세 데이터 클러스터링(Clustering)을 완료하면, 각각의 클러스터가 균일한 자세 밀집도(Pose Density)를 갖도록 하기 위해 자세들을 제거하거나 새로운 자세들을 생성하여 균일한 분포를 갖는 자세군을 생성할 수 있다.
본 발명의 일측에 따르면, 상기 하나 이상의 자세 데이터는 모션 캡쳐 데이터 또는 상기 모션 캡쳐 데이터를 3차원 그래픽 모델(3D Graphical Model)을 통하여 리타겟팅(Retargeting) 하여 생성한 영상 데이터 등의 다양한 데이터를 포함할 수 있다.
본 발명의 일측에 따르면, 특징 추출부(120)는 휴 모멘트(Hue Moment), 레젼드라 모멘트(Legendre Moment) 또는 레벨 설정(Levelset) 등의 다양한 특징 추출 방법을 이용하여 상기 특징 추출을 수행할 수 있으나, 상기 특징 추출 방법에 제한된 것은 아니다.
예를 들어, 본 발명의 일측에 따른 신체 자세군 생성 장치는 자세의 위치 이동(translation), 크기 변환(scale), 회전(rotation)에 강건한 특징 추출을 위해서 휴 모멘트 특징 추출 방법을 이용할 수 있다.
상기 휴 모멘트 특징 추출 방법은 중심 모멘트(Central Moment)의 선형 결합(Linear Combination)으로 구성될 수 있으며, 서로 다른 종류의 중심 모멘트를 선형 결합하여 모멘트 값의 변화를 최소화 한 특징 추출 방법이다.
예를 들어, 휴 모멘트로 분별이 되지 않는 자세는 벡터 공간에서 분명하게 구분되는 속성(Orthogonal Property)을 추가한 레젼드라 모멘트 등을 이용해서 특징 추출을 할 수도 있다.
도 3은 본 발명의 일측에 따른 자세 데이터 클러스터링 방법을 도시한 흐름도이다.
도 3을 참조하면, 본 발명의 일측에 따른 클러스터 분류부(130)는 특징 벡터 검출부를 이용하여 상기 특징 추출을 통하여 추출된 현재 자세의 특징 벡터를 검출할 수 있다(310).
이때, 본 발명의 일측에 따른 클러스터 분류부(130)는 기존 클러스터와의 유사도를 측정할 수 있다(320).
본 발명의 일측에 따른 클러스터 분류부(130)는 클러스터 검색부를 이용하여 상기 특징 벡터와 유사도가 있는 클러스터를 검색할 수 있다(330).
예를 들어, 본 발명의 일측에 따른 클러스터 분류부(130)는 클러스터링(Clustering)할 현재 자세의 특징 벡터를 수신하여 해당 특징 벡터와 유사도가 높은 클러스터가 있는지를 검색할 수 있다.
본 발명의 일측에 따른 클러스터 분류부(130)는 상기 유사도가 있는 클러스터가 존재하는 경우, 제1 자세 할당부를 이용하여 상기 클러스터를 현재 자세를 할당할 수 있다(340).
본 발명의 일측에 따른 클러스터 분류부(130)는 상기 유사도가 있는 클러스터가 존재하지 않는 경우, 제2 자세 할당부를 이용하여 새로운 클러스터를 생성하여 현재 자세를 할당할 수 있다(350).
본 발명의 일측에 따른 클러스터 분류부(130)는 클러스터로 분류해야 할 다른 자세 가 있는지 여부를 판단하고(360), 다른 자세가 있는 경우 상기 각각의 모듈의 동작을 반복 수행할 수 있으며, 다른 자세가 더 이상 없는 경우 상기 클러스터 생성을 완료할 수 있다(370).
예를 들어, 본 발명의 일측에 따른 클러스터 분류부(130)는 유사도가 높은 클러스터가 있는 경우 해당 클러스터에 현재 자세를 할당하고, 유사도가 높은 클러스터가 없는 경우 새로운 클러스터를 생성하고 해당 클러스터에 현재 자세를 할당 할 수 있다.
본 발명의 일측에 따른 클러스터 분류부(130)는 상기 단계(310) 내지 단계(370)를 모든 자세 데이터를 대상으로 반복하여 수행함으로써, 클러터링을 완료할 수 있다.
본 발명의 일측에 따른 유사도 비교를 위한 측정 방법은 유클리드 차이 비교법 (Euclidean Distance) 또는 코사인 유사 비교법(Cosine Similarity) 등을 이용할 수 있다.
본 발명의 일측에 따르면, 현재 자세 데이터로부터 추출한 특징을 u, 특정 클러스터의 평균 특징 벡터(Average Feature Vector)를 v라 가정하고, 특징 벡터의 차원이 N일 때 아래와 같이 유클리드 차이 비교법을 적용할 수 있다.
여기서, 하기 수학식 1과 같이 상기 유클리드 차이 비교법을 적용한 결과 값인 dE가 0에 가까울 수록 현재 자세는 특정 클러스터에 속한 것으로 판단할 수 있다.
[수학식 1]
Figure 112012003705754-pat00001
또는, 하기 수학식 2와 같이 코사인 유사 비교법을 적용할 수 있으며, 이때 나온 결과 값인 dC가 1에 가까울 수록 현재 자세가 특정 클러스터에 속한 것으로 판단할 수 있고, -1에 가까울수록 특정 클러스터에 속하지 않는 자세로 판단할 수 있다.
[수학식 2]
Figure 112012003705754-pat00002
도 4는 본 발명의 다른 측면에 따른 자세 데이터 클러스터링 방법을 도시한 흐름도이다.
도 4를 참조하면, 본 발명의 일측에 따른 클러스터 분류부(130)는 클러스터 검출부를 이용하여 상기 각각의 클러스터를 검출할 수 있다(410).
예를 들어, 본 발명의 일측에 따른 클러스터 분류부(130)는 유사도 등을 고려한 일반적인 자세 클러스터링을 수행할 수 있다.
이때, 본 발명의 일측에 따른 클러스터 분류부(130)는 현재 클러스터 정보를 수신할 수 있다(420).
본 발명의 일측에 따른 클러스터 분류부(130)는 판단부를 이용하여 상기 각각의 클러스터 내의 하나 이상의 자세 데이터 수가 임계치를 초과하는지 여부를 판단할 수 있다(430).
본 발명의 일측에 따른 클러스터 분류부(130)는 클러스터 분할부를 이용하여 상기 각각의 클러스터 내의 하나 이상의 자세 데이터 수가 임계치를 초과한 경우, 상기 각각의 클러스터를 둘 이상으로 분할할 수 있다(440).
본 발명의 일측에 따른 클러스터 분류부(130)는 다른 클러스터가 있는지 여부를 판단하고(450), 다른 클러스터가 있는 경우 상기 각각의 모듈의 동작을 반복 수행할 수 있으며, 다른 클러스터가 더 이상 없는 경우 상기 클러스터 생성을 완료할 수 있다(460).
본 발명의 일측에 따르면, 클러스터 내의 자세 데이터 수를 균일하게 구성하기 위하여 수학식 3과 같은 방법을 이용하여 클러스터 간의 자세 수를 유사하게 유지할 수 있다.
[수학식 3]
Figure 112012003705754-pat00003
본 발명의 일측에 따르면, 상기 S1과 상기 S2는 개별 클러스터의 자세 수를 나타내고, 상기 B를 최소화 하는 경우 두 클래스터 간의 균형을 맞출 수 있다.
본 발명의 일측에 따르면, 현재 클러스터의 자세 수가 특정 자세 수를 초과하는 경우, 클러스터를 복수 개로 분할해서 개별 클러스터의 수가 특정 자세 수를 넘지 않도록 구성할 수 있다.
도 5는 본 발명의 일측에 따른 자세 클러스터 내의 자세를 균일한 벡터 거리로 형성하는 방법을 도시한 흐름도이다.
도 5를 참조하면, 본 발명의 일측에 따른 클러스터 분류부(130)는 평균 자세 연산부를 이용하여 상기 각각의 클러스터의 평균 자세 특징 벡터를 연산할 수 있다(510).
본 발명의 일측에 따른 클러스터 분류부(130)는 클러스터의 평균 자세 특징 벡터를 구할 수 있으며, 클러스터 내의 총 자세수가 P고, 개별 자세의 특징 벡터가 Un이라고 가정할 경우, 평균 자세 특징 벡터 τ는 하기 수학식 4와 같을 수 있다.
[수학식 4]
Figure 112012003705754-pat00004
본 발명의 일측에 따른 클러스터 분류부(130)는 자세 정렬부를 이용하여 상기 평균 자세 특징 벡터로부터 각 자세 간의 유사도를 기준으로 하나 이상의 자세를 정렬(Sorting)할 수 있다(520).
본 발명의 일측에 따르면, 하기 수학식 5와 같은 자세 정렬 방법을 적용할 수 있다.
[수학식 5]
Figure 112012003705754-pat00005
이때, 상기 K는 다수의 자세들이 있는 클러스터, 상기 v는 K에 속한 자세 특징 벡터, 상기 K'은 다수의 자세들이 평균 자세 특징벡터τ와의 차이를 기준으로 정렬된 새로운 클러스터이다,
본 발명의 일측에 따른 클러스터 분류부(130)는 유사도 연산부를 이용하여 현재 자세와 다음 자세의 유사도를 연산할 수 있다(530).
본 발명의 일측에 따른 클러스터 분류부(130)는 상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최대 임계치보다 큰지 여부를 판단한다(540).
본 발명의 일측에 따른 클러스터 분류부(130)는 상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최대 임계치보다 큰 경우, 자세 추가부를 이용하여 상기 각각의 클러스터에 다른 자세를 추가할 수 있다(550).
예를 들어, 본 발명의 일측에 따른 클러스터 분류부(130)는 상기 K'에서 자세와 자세 간의 거리가 최대 임계치보다 큰 경우 포즈 리셈플링(Pose Resampling)하여 다른 자세를 추가할 수 있다.
본 발명의 일측에 따른 클러스터 분류부(130)는 상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최소 임계치보다 작은지 여부를 판단한다(560).
본 발명의 일측에 따른 클러스터 분류부(130)는 상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최소 임계치보다 작은 경우, 자세 삭제부를 이용하여 상기 각각의 클러스터 내의 일부 자세를 삭제할 수 있다(570).
예를 들어, 본 발명의 일측에 따른 클러스터 분류부(130)는 최대 임계치보다 작고, 최소 임계치보다 작은 경우, 포즈 웨딩(Pose Weeding)을 수행하여 해당 자세를 클러스터에서 삭제 할 수 있다.
본 발명의 일측에 따른 클러스터 분류부(130)는 상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최대 임계치 이하이고 최소 임계치 이상인 경우, 자세 확정부를 이용하여 상기 클러스터 내의 자세를 확보할 수 있다.
본 발명의 일측에 따른 클러스터 분류부(130)는 다른 클러스터가 있는지 여부를 판단하고(580), 다른 클러스터가 있는 경우 상기 각각의 모듈의 동작을 반복 수행할 수 있으며, 다른 클러스터가 더 이상 없는 경우 상기 클러스터의 균일성 확보를 완료할 수 있다(590).
도 6은 본 발명의 일측에 따른 포즈 리셈플링 방법을 도시한 흐름도이고, 도 7은 본 발명의 일측에 따른 기준 자세의 예를 도시한 도면이다.
도 6을 참조하면, 본 발명의 일측에 따른 자세 추가부는 기준 자세 설정부를 이용하여 도 7에 도시된 바와 같이 기준 자세를 설정할 수 있다(610).
본 발명의 일측에 따른 자세 추가부는 파라미터 설정부를 이용하여 상기 다른 자세를 추가하기 위한 하나 이상의 파라미터를 설정할 수 있다(620).
본 발명의 일측에 따른 파라미터 설정부에 의하여 설정 가능한 파라미터는 하기와 같이 다양하게 변화할 수 있다.
예를 들어, 본 발명의 일측에 따른 파라미터는 중심 위치 변화(Root Translate)로써, 골반(Pelvis)의 상하 높낮이를 조정하는 변화를 줄 수 있다.
다른 예로, 본 발명의 일측에 따른 파라미터는 중심 위치 회전(Root Rotate)으로써, 몸통을 특정 축 기준으로 위 또는 아래로 회전하는 변화를 줄 수 있다.
또 다른 예로, 본 발명의 일측에 따른 파라미터는 왼팔 변환으로써, 왼팔을 특정 축 기준으로 위 또는 아래로 회전하는 변화를 줄 수 있다.
또 다른 예로, 본 발명의 일측에 따른 파라미터는 오른팔 변환으로써, 오른팔을 특정 축 기준으로 위 또는 아래로 회전하는 변화를 줄 수 있다.
또 다른 예로, 본 발명의 일측에 따른 파라미터는 왼발 변환으로써, 왼발을 바닥에 닿은 상태에서 몸의 중심에 가깝게 하거나 멀게 하는 변화를 줄 수 있다.
또 다른 예로, 본 발명의 일측에 따른 파라미터는 오른발 변환으로써, 오른발을 바닥에 닿은 상태에서 몸의 중심에 가깝게 하거나 멀게 하는 변화를 줄 수 있다.
본 발명의 일측에 따르면, 기준 자세와 다음 자세 간의 각각의 연결 차이가 상기 포즈 리셈플링 파라미터의 변화 범위가 될 수 있다.
본 발명의 일측에 따른 자세 추가부는 신규 자세 추가부를 이용하여 상기 하나 이상의 파라미터를 기반으로 상기 기준 자세와 다른 신규 자세를 추가할 수 있다(630).
도 8 내지 도 12는 본 발명의 포즈 리셈플링 파라미터에 따른 신규 자세 생성 예를 도시한 도면이다.
본 발명의 일측에 따른 자세 추가부는 설정한 파라미터에 따라 도 8 내지 도 12에 도시된 바와 같이, 다양한 파라미터의 변화에 따른 포즈 리셈플링을 통하여 생성되는 자세 공간을 균일하게 조성할 수 있다.
본 발명의 일측에 따르면, 포즈 리셈플링을 통하여 적은 수의 자세를 갖는 모션데이터를 이용해서 수많은 변형 자세를 생성하는 독립된 프로그램으로 구성할 수도 있다.
예를 들어, 본 발명의 일측에 따르면 요가 동작과 같은 모션 캡쳐를 수행한 후, 모션 캡쳐 데이터를 읽어 특정 요가 동작에 대해서 몸통의 높낮이 변화, 기울기 변화, 팔 및 발의 위치 변화 등의 약간의 변화 요소를 수동적으로 지정하여 해당 요소가 변화된 다양한 모션 데이터를 생성할 수도 있다.
도 13은 본 발명의 일측에 따른 클러스터 간의 자세 균일성을 확보하기 위한 방법을 도시한 도면이다.
본 발명의 일측에 따르면 자세는 다수의 자세 클러스터(Mixture of Pose Cluster)로 구성될 수 있으며, 자세 클러스터와 자세 클러스터 사이의 자세는 자세 벡터 공간에서 희박하게 존재하므로, 비어 있는 자세 공간을 자세 클러스터 내부와 동일한 밀집도로 구성할 수 있다.
도 13을 참조하면, 본 발명의 일측에 따른 클러스터 조정부(140)는 기준 클러스터 선택부를 이용하여 기준 클러스터를 선택할 수 있다(1310).
본 발명의 일측에 따른 클러스터 조정부(140)는 제1 기준 자세 연산부를 이용하여 상기 기준 클러스터의 자세 중 기준이 되는 제1 기준 자세를 연산할 수 있다(1320).
본 발명의 일측에 따르면, 상기 기준 클러스터는 평균 클러스터 일 수 있으며 상기 평균 클러스터는 전술한 자세 특징 벡터의 평균을 구하고, 상기 자세 특징 벡터의 평균과 가장 유사한 특징 벡터를 갖는 자세를 평균 클러스터로 적용할 수 있다.
본 발명의 일측에 따른 클러스터 조정부(140)는 인접 클러스터 선택부를 이용하여 인접 클러스터를 선택할 수 있다(1330).
본 발명의 일측에 따른 클러스터 조정부(140)는 제2 기준 자세 연산부를 이용하여 상기 인접 클러스터의 자세 중 기준이 되는 제2 기준 자세를 연산할 수 있다(1340).
본 발명의 일측에 따른 클러스터 조정부(140)는 자세 추가부를 이용하여 상기 제1 기준 자세와 상기 제2 기준 자세의 유사도가 기설정된 최대 임계치보다 큰 경우, 상기 기준 클러스터에 다른 자세를 추가할 수 있다(1360).
본 발명의 일측에 따른 클러스터 조정부(140)는 다른 클러스터가 있는지 여부를 판단하고(1360), 다른 클러스터가 있는 경우 상기 각각의 모듈의 동작을 반복 수행할 수 있으며, 다른 클러스터가 더 이상 없는 경우 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 구성을 완료할 수 있다(1370).
본 발명의 일측에 따른 클러스터 조정부(140)는 전체 자세 클러스터를 대상으로 상기 과정을 반복하여 클러스터간(Inter-Cluster)의 자세 균일성(Uniformity)가 확보할 수 있다.
도 14는 본 발명의 일측에 따른 자세 클러스터의 예를 도시한 도면이다.
본 발명에 따른 실시예들은 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 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드디스크, 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. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
110: 데이터 수신부
120: 특징 추출부
130: 클러스터 분류부
140: 클러스터 조정부
150: 자세군 생성부

Claims (15)

  1. 하나 이상의 자세 데이터를 수신하는 데이터 수신부;
    상기 각각의 자세 데이터로부터 특징 벡터를 추출하는 특징 추출부;
    유사도 측정 기준(Similarity Measure)을 이용하여 특징 벡터 공간 (Feature Vector Space)로부터 유사한 자세를 각각의 클러스터(Cluster)로 분류하는 클러스터 분류부;
    불균형 측정 기준(Imbalance Measure)을 이용하여 상기 특징 벡터 공간으로부터 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 조정하는 클러스터 조정부; 및
    상기 각각의 클러스터가 기설정된 자세 밀집도(Pose Density)를 갖도록 조절하여 자세군을 생성하는 자세군 생성부
    를 포함하고,
    상기 클러스터 조정부는,
    기준 클러스터를 선택하는 기준 클러스터 선택부;
    상기 기준 클러스터의 자세 중 기준이 되는 제1 기준 자세를 연산하는 제1 기준 자세 연산부;
    인접 클러스터를 선택하는 인접 클러스터 선택부;
    상기 인접 클러스터의 자세 중 기준이 되는 제2 기준 자세를 연산하는 제2 기준 자세 연산부; 및
    상기 제1 기준 자세와 상기 제2 기준 자세의 유사도가 기설정된 최대 임계치보다 큰 경우, 상기 기준 클러스터에 다른 자세를 추가하는 제1 자세 추가부
    를 포함하고,
    상기 각각의 모듈의 동작을 반복 수행하여 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 조정을 완료하는 신체 자세군 생성 장치.
  2. 제1항에 있어서,
    상기 하나 이상의 자세 데이터는
    모션 캡쳐 데이터 또는 상기 모션 캡쳐 데이터로 생성한 영상 데이터
    를 포함하는 신체 자세군 생성 장치.
  3. 제1항에 있어서,
    상기 특징 추출부는,
    휴 모멘트(Hue Moment), 레젼드라 모멘트(Legendre Moment) 또는 레벨 설정(Levelset) 중 어느 하나 이상을 통하여 상기 특징 추출을 수행하는 신체 자세군 생성 장치.
  4. 제1항에 있어서,
    상기 클러스터 분류부는,
    상기 특징 추출을 통하여 추출된 현재 자세의 특징 벡터를 검출하는 특징 벡터 검출부;
    상기 특징 벡터와 유사도가 있는 클러스터를 검색하는 클러스터 검색부;
    상기 유사도가 있는 클러스터가 존재하는 경우, 상기 클러스터에 현재 자세를 할당하는 제1 자세 할당부; 및
    상기 유사도가 있는 클러스터가 존재하지 않는 경우, 새로운 클러스터를 생성하여 현재 자세를 할당하는 제2 자세 할당부
    를 포함하고,
    상기 각각의 모듈의 동작을 반복 수행하여 상기 클러스터 생성을 완료하는 신체 자세군 생성 장치.
  5. 제1항에 있어서,
    상기 클러스터 분류부는,
    상기 각각의 클러스터를 검출하는 클러스터 검출부;
    상기 각각의 클러스터 내의 하나 이상의 자세 데이터 수가 임계치를 초과하는지 여부를 판단하는 판단부; 및
    상기 각각의 클러스터 내의 하나 이상의 자세 데이터 수가 임계치를 초과한 경우, 상기 각각의 클러스터를 둘 이상으로 분할하는 클러스터 분할부
    를 포함하고,
    상기 각각의 모듈의 동작을 반복 수행하여 클러스터 생성을 완료하는 신체 자세군 생성 장치.
  6. 제1항에 있어서,
    상기 클러스터 분류부는,
    상기 각각의 클러스터의 평균 자세 특징 벡터를 연산하는 평균 자세 연산부;
    상기 평균 자세 특징 벡터로부터 각 자세 간의 유사도를 기준으로 하나 이상의 자세를 정렬(Sorting)하는 자세 정렬부;
    현재 자세와 다음 자세의 유사도를 연산하는 유사도 연산부;
    상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최대 임계치보다 큰 경우, 상기 각각의 클러스터에 다른 자세를 추가하는 제2 자세 추가부;
    상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최소 임계치보다 작은 경우, 상기 각각의 클러스터 내의 일부 자세를 삭제하는 자세 삭제부; 및
    상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최대 임계치 이하이고 최소 임계치 이상인 경우, 상기 클러스터 내의 자세를 확보하는 자세 확정부
    를 포함하고,
    상기 각각의 모듈의 동작을 반복 수행하여 상기 클러스터 분류를 완료하는 신체 자세군 생성 장치.
  7. 제6항에 있어서,
    상기 제2 자세 추가부는,
    기준 자세를 설정하는 기준 자세 설정부;
    상기 다른 자세를 추가하기 위한 하나 이상의 파라미터를 설정하는 파라미터 설정부; 및
    상기 하나 이상의 파라미터를 기반으로 상기 기준 자세와 다른 신규 자세를 추가하는 신규 자세 추가부
    를 포함하는 신체 자세군 생성 장치.

  8. 삭제
  9. 하나 이상의 자세 데이터를 수신하는 단계;
    상기 각각의 자세 데이터로부터 자세 클러스터링(Clustering)을 위한 다차원 벡터(Multi-dimensional Vector)로 구성된 특징 추출(Feature Extraction)을 수행하는 단계;
    유사도 측정 기준(Similarity Measure)을 이용하여 특징 벡터 공간 (Feature Vector Space)로부터 유사한 자세를 각각의 클러스터(Cluster)로 분류하는 단계;
    불균형 측정 기준(Imbalance Measure)을 이용하여 상기 특징 벡터 공간으로부터 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 조정하는 단계; 및
    상기 각각의 클러스터가 기설정된 자세 밀집도(Pose Density)를 갖도록 조절하여 자세군을 생성하는 단계
    를 포함하고,
    상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 조정하는 단계는,
    기준 클러스터를 선택하는 단계;
    상기 기준 클러스터의 자세 중 기준이 되는 제1 기준 자세를 연산하는 단계;
    인접 클러스터를 선택하는 단계;
    상기 인접 클러스터의 자세 중 기준이 되는 제2 기준 자세를 연산하는 단계; 및
    상기 제1 기준 자세와 상기 제2 기준 자세의 유사도가 기설정된 최대 임계치보다 큰 경우, 상기 기준 클러스터에 다른 자세를 추가하는 단계
    를 포함하고,
    상기 각각의 단계를 반복 수행하여 상기 각각의 클러스터에 포함된 자세의 수가 균일(Uniform)하도록 조정을 완료하는 신체 자세군 생성 방법.
  10. 제9항에 있어서,
    상기 각각의 클러스터(Cluster)로 분류하는 단계는,
    상기 특징 추출을 통하여 추출된 현재 자세의 특징 벡터를 검출하는 단계;
    상기 특징 벡터와 유사도가 있는 클러스터를 검색하는 단계;
    상기 유사도가 있는 클러스터가 존재하는 경우, 상기 클러스터에 현재 자세를 할당하는 단계; 및
    상기 유사도가 있는 클러스터가 존재하지 않는 경우, 새로운 클러스터를 생성하여 현재 자세를 할당하는 단계
    를 포함하고,
    상기 각각의 단계를 반복 수행하여 상기 클러스터 생성을 완료하는 신체 자세군 생성 방법.
  11. 제9항에 있어서,
    상기 각각의 클러스터(Cluster)로 분류하는 단계는,
    상기 각각의 클러스터를 검출하는 단계;
    상기 각각의 클러스터 내의 하나 이상의 자세 데이터 수가 임계치를 초과하는지 여부를 판단하는 단계; 및
    상기 각각의 클러스터 내의 하나 이상의 자세 데이터 수가 임계치를 초과한 경우, 상기 각각의 클러스터를 둘 이상으로 분할하는 단계
    를 포함하고,
    상기 각각의 단계를 반복 수행하여 클러스터 생성을 완료하는 신체 자세군 생성 방법.
  12. 제9항에 있어서,
    상기 각각의 클러스터(Cluster)로 분류하는 단계는,
    상기 각각의 클러스터의 평균 자세 특징 벡터를 연산하는 단계;
    상기 평균 자세 특징 벡터로부터 각 자세 간의 유사도를 기준으로 하나 이상의 자세를 정렬(Sorting)하는 단계;
    현재 자세와 다음 자세의 유사도를 연산하는 단계;
    상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최대 임계치보다 큰 경우, 상기 각각의 클러스터에 다른 자세를 추가하는 단계;
    상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최소 임계치보다 작은 경우, 상기 각각의 클러스터 내의 일부 자세를 삭제하는 단계; 및
    상기 현재 자세와 상기 다음 자세의 유사도가 기설정된 최대 임계치 이하이고 최소 임계치 이상인 경우, 상기 클러스터 내의 자세를 확보하는 단계
    를 포함하고,
    상기 각각의 단계를 반복 수행하여 상기 클러스터 분류를 완료하는 신체 자세군 생성 방법.
  13. 제12항에 있어서,
    상기 각각의 클러스터에 다른 자세를 추가하는 단계는,
    기준 자세를 설정하는 단계;
    상기 다른 자세를 추가하기 위한 하나 이상의 파라미터를 설정하는 단계; 및
    상기 하나 이상의 파라미터를 기반으로 상기 기준 자세와 다른 신규 자세를 추가하는 단계
    를 포함하는 신체 자세군 생성 방법.

  14. 삭제
  15. 제9항 내지 제13항 중 어느 한 항의 방법을 수행하는 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.
KR1020120004653A 2012-01-16 2012-01-16 신체 자세군 생성 장치 및 방법 KR101844291B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020120004653A KR101844291B1 (ko) 2012-01-16 2012-01-16 신체 자세군 생성 장치 및 방법
US13/738,509 US20130181988A1 (en) 2012-01-16 2013-01-10 Apparatus and method for creating pose cluster

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120004653A KR101844291B1 (ko) 2012-01-16 2012-01-16 신체 자세군 생성 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20130083997A KR20130083997A (ko) 2013-07-24
KR101844291B1 true KR101844291B1 (ko) 2018-04-03

Family

ID=48782799

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120004653A KR101844291B1 (ko) 2012-01-16 2012-01-16 신체 자세군 생성 장치 및 방법

Country Status (2)

Country Link
US (1) US20130181988A1 (ko)
KR (1) KR101844291B1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102222318B1 (ko) * 2014-03-18 2021-03-03 삼성전자주식회사 사용자 인식 방법 및 장치
US10716517B1 (en) * 2014-11-26 2020-07-21 Cerner Innovation, Inc. Biomechanics abnormality identification
TWI625687B (zh) * 2016-11-01 2018-06-01 緯創資通股份有限公司 互動式服飾試穿方法及其顯示系統與電腦可讀取記錄媒體
KR102439783B1 (ko) * 2017-12-04 2022-09-02 한국전자통신연구원 인체 자세 및 행동 모니터링 장치 및 방법
CN110781957B (zh) * 2019-10-24 2023-05-30 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
EP4053791A4 (en) * 2019-10-31 2022-10-12 NEC Corporation IMAGE PROCESSING DEVICE, IMAGE PROCESSING METHOD, AND NON-TRANSITORY COMPUTER READABLE MEDIA ON WHICH AN IMAGE PROCESSING PROGRAM IS STORED
CN110929679B (zh) * 2019-12-05 2023-06-16 杭州电子科技大学 一种基于gan的无监督自适应行人重识别方法
US11182644B2 (en) * 2019-12-23 2021-11-23 Beijing Institute Of Technology Method and apparatus for pose planar constraining on the basis of planar feature extraction
CN111340104B (zh) * 2020-02-24 2023-10-31 中移（杭州）信息技术有限公司 智能设备的控制规则的生成方法和装置、电子设备及可读存储介质
KR102446923B1 (ko) * 2020-11-24 2022-09-22 연세대학교 산학협력단 밀도 기반 클러스터링을 이용한 사람 자세 데이터셋의 축약 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060204058A1 (en) * 2004-12-07 2006-09-14 Kim Do-Hyung User recognition system and method thereof
US20080089561A1 (en) * 2006-10-11 2008-04-17 Tong Zhang Face-based image clustering
US20080152218A1 (en) * 2006-10-27 2008-06-26 Kabushiki Kaisha Toshiba Pose estimating device and pose estimating method

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5832182A (en) * 1996-04-24 1998-11-03 Wisconsin Alumni Research Foundation Method and system for data clustering for very large databases
US7580774B2 (en) * 2006-05-10 2009-08-25 Honda Motor Co., Ltd. Characterization and classification of pose in low dimension
US20090037440A1 (en) * 2007-07-30 2009-02-05 Stefan Will Streaming Hierarchical Clustering
TWI356357B (en) * 2007-12-24 2012-01-11 Univ Nat Chiao Tung A method for estimating a body pose
EP2385483B1 (en) * 2010-05-07 2012-11-21 MVTec Software GmbH Recognition and pose determination of 3D objects in 3D scenes using geometric point pair descriptors and the generalized Hough Transform

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060204058A1 (en) * 2004-12-07 2006-09-14 Kim Do-Hyung User recognition system and method thereof
US20080089561A1 (en) * 2006-10-11 2008-04-17 Tong Zhang Face-based image clustering
US20080152218A1 (en) * 2006-10-27 2008-06-26 Kabushiki Kaisha Toshiba Pose estimating device and pose estimating method

Also Published As

Publication number Publication date
KR20130083997A (ko) 2013-07-24
US20130181988A1 (en) 2013-07-18

Similar Documents

Publication Publication Date Title
KR101844291B1 (ko) 신체 자세군 생성 장치 및 방법
CN106295460B (zh) 人的检测方法及设备
CN104504410A (zh) 基于三维点云的三维人脸识别装置和方法
Ahalya et al. Data clustering approaches survey and analysis
CN105493078B (zh) 彩色草图图像搜索
Guo et al. Predicting complete 3d models of indoor scenes
US9563822B2 (en) Learning apparatus, density measuring apparatus, learning method, computer program product, and density measuring system
CN105096300B (zh) 对象检测方法和设备
KR101789071B1 (ko) 깊이 영상의 특징 추출 방법 및 장치
Aubry et al. Pose-consistent 3d shape segmentation based on a quantum mechanical feature descriptor
JP2013125322A (ja) 学習装置、プログラム及び学習方法
Wang et al. Enhancing minimum spanning tree-based clustering by removing density-based outliers
Tang et al. 3D Object Recognition in Cluttered Scenes With Robust Shape Description and Correspondence Selection.
US8429163B1 (en) Content similarity pyramid
Yang et al. Ranking 3D feature correspondences via consistency voting
Savelonas et al. Fisher encoding of differential fast point feature histograms for partial 3D object retrieval
CN108021847A (zh) 用于识别脸部表情的装置和方法、图像处理装置和系统
Lu et al. Clustering by Sorting Potential Values (CSPV): A novel potential-based clustering method
CN103995864B (zh) 一种图像检索方法和装置
CN104573722A (zh) 基于三维点云的三维人脸种族分类装置和方法
Pratikakis et al. Partial 3d object retrieval combining local shape descriptors with global fisher vectors
CN110334704A (zh) 基于分层学习的三维模型兴趣点提取方法及系统
CN104123724B (zh) 一种3d点云物体的快速检测方法
Jahangiri et al. Information pursuit: A Bayesian framework for sequential scene parsing
Anand et al. Contextually guided semantic labeling and search for 3d point clouds

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant