KR102118783B1 - 조명환경에 강인한 색상 필터링을 위한 전처리 방법 및 그 시스템 - Google Patents
조명환경에 강인한 색상 필터링을 위한 전처리 방법 및 그 시스템 Download PDFInfo
- Publication number
- KR102118783B1 KR102118783B1 KR1020180025599A KR20180025599A KR102118783B1 KR 102118783 B1 KR102118783 B1 KR 102118783B1 KR 1020180025599 A KR1020180025599 A KR 1020180025599A KR 20180025599 A KR20180025599 A KR 20180025599A KR 102118783 B1 KR102118783 B1 KR 102118783B1
- Authority
- KR
- South Korea
- Prior art keywords
- color
- image data
- channel
- unit
- filtering
- Prior art date
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007781 pre-processing Methods 0.000 title claims abstract description 48
- 238000005286 illumination Methods 0.000 title claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G06K9/00818—
-
- G06K9/4652—
-
- G06K9/4661—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
본 발명은 색상의 집중도 향상을 위해 도로 영상의 색상을 전처리하고, 고정 임계값을 사용하여 도로 환경에서의 교통표지판을 검출하는 색상 필터링을 위한 전처리 방법 및 그 시스템에 관한 것으로, 전처리 기법 및 고정된 임계값을 사용함으로써, 교통표지판을 검출하는 가설생성(HG) 단계의 성능을 개선할 수 있고, 교통표지판의 미분류(FN)를 최소화할 수 있다.
Description
본 발명은 조명환경에 강인한 색상 필터링을 위한 전처리 방법 및 그 시스템에 관한 것으로, 보다 상세하게는 색상의 집중도 향상을 위해 도로 영상의 색상을 전처리하고, 고정 임계값을 사용하여 도로 환경에서의 교통표지판을 검출하는 기술에 관한 것이다.
교통표지판의 검출 및 인식은 자율주행 자동차 또는 ADAS(Advanced Driver Assistance System, 첨단 운전자 지원 시스템)를 위한 필수적인 기능 가운데 하나이다. 이를 구현하기 위한 일반적인 접근 방법을 크게 구분하면 도로 영상에서 교통표지판의 후보 영역을 검출하는 가설생성(Hypothesis Generation, HG) 단계와 검출된 영역의 교통표지판의 내용을 인식하는 가설검증(Hypothesis Verification, HV) 단계로 나뉠 수 있다.
도로의 교통표지판은 운전자의 주의를 집중시키기 위해서 정해진 형태와 뚜렷한 색상을 특징으로 갖고 있다. 따라서, 가설생성 단계에서는 형태적 특징 또는 색상적 특징을 이용하는 것이 바람직하다. 다만, 도로 영상에서 교통표지판의 색상을 추출하는 작업은 환경의 영향을 많이 받는다. 우선, 도로 영상의 조도 조건은 날씨, 태양광의 방향, 시간, 그림자 등 다양한 주위 환경에 따라 상당한 변화를 나타내며, 교통표지판의 색상 특징 역시, 영상의 조도에 매우 민감하게 반응한다. 나아가, 시간이 흐름에 따라 교통표지판의 색상이 희미해지는 경우가 발생하기도 하며, 주위 건물의 조명이나 다른 자동차의 전조등 등의 영향으로 교통표지판의 색상이 왜곡될 가능성이 존재한다.
이러한 교통표지판의 색상을 걸러내기 위해, 많은 연구에서 RGB 색상 공간 대신에 다른 색상 공간을 선택하였다. 대표적으로, HIS 색상 공간이 밝기 성분과 색상 성분을 분리하기 때문에 조도의 변화에 상대적으로 강인하다는 측면에서 많이 이용되고 있다.
그러나, 상대적으로 강인한 색상 공간을 선택하더라도 태양광의 방향이나 그림자의 영향 등으로 영상의 색상이 왜곡되는 문제를 해결하지 못한다. 이에 따라서, 조도 환경에 따라 서로 다른 임계값을 적용하는 적응적인 방법이 제안되기도 하였으나, 이는 다양한 경우의 수를 포함하는 환경변화에 모두 적용되기 어렵다는 한계가 존재하였다.
Bishesh Khanal, Sharib Ali and Desir ′ e Sidib ′ e′ Universite de Bourgogne, Laboratoire Le2i, UMR CNRS 5158, 12 rue de la Fonderie, 71200, Le Creusot, France, "ROBUST ROAD SIGNS SEGMENTATION IN COLOR IMAGES"
본 발명의 목적은 전처리 기법을 이용하여 도로 영상에 대한 색상의 집중도를 향상시켜, 조도 환경에 무관하게 높은 정확도의 오브젝트 후보영역을 검출할 수 있는 기술을 제공하고자 한다.
또한, 본 발명의 목적은 전처리 기법 및 고정된 임계값을 사용함으로써, 교통표지판을 검출하는 가설생성(HG) 단계의 성능을 개선할 수 있고, 교통표지판의 미분류(FN)를 최소화할 수 있는 기술을 제공하고자 한다.
본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법은 오브젝트의 후보영역 검출을 위한 영상 데이터를 수집하는 단계, 상기 영상 데이터로 인한 일부 영역에 대하여, 3원색의 각 채널 별로 색상 균형 알고리즘(Simplest Color Balance)을 적용하는 단계, 상기 색상 균형 알고리즘이 적용된 영상 데이터를 색상(Hue), 채도(Chroma/Saturation), 명도(Intensity/Luminance)를 채널로 하는 컬러 모델로 변환하는 단계 및 상기 컬러 모델로 변환된 영상 데이터에 고정 임계값을 적용하여 색상 필터링하며, 특정 색상에 대한 이진 영상 데이터를 출력하는 단계를 포함한다.
상기 색상 균형 알고리즘을 적용하는 단계는 상기 영상 데이터에서, 기 설정된 조도 기준(recommended levels of illumination)을 초과하는 밝은 영역을 제거하는 단계, 상기 밝은 영역을 제거한 상기 일부 영역에 대하여 각 R(적색) 채널, G(녹색) 채널, B(청색) 채널의 히스토그램을 스케일링한 후, 상기 영상 데이터의 픽셀 값들을 정렬하는 단계, 상기 정렬된 픽셀 값들 중 조건 범위에 대응하는 최소값 및 최대값을 획득하는 단계 및 상기 조건 범위에 따라 상기 영상 데이터의 픽셀 값들을 재 스케일링하여 색의 밸런스(balance)를 이루는 단계를 포함할 수 있다.
상기 밝은 영역을 제거하는 단계는 기 설정된 조도 기준 이상의 상기 밝은 영역을 제거하고, 기 설정된 조도 기준 이하의 픽셀을 대상에서 제외할 수 있다.
상기 컬러 모델로 변환하는 단계는 상기 색상 균형 알고리즘이 적용된 영상 데이터에서, 색의 밸런스를 이루는 상기 R(적색) 채널, 상기 G(녹색) 채널 및 상기 B(청색) 채널의 임의의 점을 색상(Hue), 채도(Chroma/Saturation), 명도(Intensity/Luminance)를 채널로 하는 상기 컬러 모델로 변환할 수 있다.
상기 이진 영상 데이터를 출력하는 단계는 상기 컬러 모델로 변환된 영상 데이터에 기 설정된 상기 고정 임계값을 적용하여 색상 필터링을 수행하고, 색상 필터링이 수행된 영상의 잡음을 제거하기 위한 모폴로지(morphology) 연산을 수행할 수 있다.
상기 이진 영상 데이터를 출력하는 단계는 색상 필터링 및 모폴로지 연산을 수행한 영상 데이터의 특정 색상을 이진화하여 상기 이진 영상 데이터를 출력할 수 있다.
또한, 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법은 상기 이진 영상 데이터로부터 오브젝트의 내용을 인식하는 단계를 더 포함할 수 있다.
상기 오브젝트의 내용을 인식하는 단계는 상기 이진 영상 데이터로부터 획득되는 상기 오브젝트의 후보영역에 대한 기계학습 알고리즘을 적용하여 상기 오브젝트의 내용을 인식할 수 있다.
본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템은 오브젝트의 후보영역 검출을 위한 영상 데이터를 수집하는 수집부, 상기 영상 데이터로 인한 일부 영역에 대하여, 3원색의 각 채널 별로 색상 균형 알고리즘(Simplest Color Balance)를 적용하는 알고리즘 적용부, 상기 색상 균형 알고리즘이 적용된 영상 데이터를 색상(Hue), 채도(Chroma/Saturation), 명도(Intensity/Luminance)를 채널로 하는 컬러 모델로 변환하는 변환부 및 상기 컬러 모델로 변환된 영상 데이터에 고정 임계값을 적용하여 색상 필터링하며, 특정 색상에 대한 이진 영상 데이터를 출력하는 출력부를 포함한다.
상기 알고리즘 적용부는 상기 영상 데이터에서, 기 설정된 조도 기준(recommended levels of illumination)을 초과하는 밝은 영역을 제거하는 제거부, 상기 밝은 영역을 제거한 상기 일부 영역에 대하여 각 R(적색) 채널, G(녹색) 채널, B(청색) 채널의 히스토그램을 스케일링한 후, 상기 영상 데이터의 픽셀 값들을 정렬하는 픽셀 정렬부, 상기 정렬된 픽셀 값들 중 조건 범위에 대응하는 최소값 및 최대값을 획득하는 획득부 및 상기 조건 범위에 따라 상기 영상 데이터의 픽셀 값들을 재 스케일링하여 색의 밸런스(balance)를 이루는 밸런스부를 포함할 수 있다.
상기 제거부는 기 설정된 조도 기준 이상의 상기 밝은 영역을 제거하고, 기 설정된 조도 기준 이하의 픽셀을 대상에서 제외할 수 있다.
상기 변환부는 상기 색상 균형 알고리즘이 적용된 영상 데이터에서, 색의 밸런스를 이루는 상기 R(적색) 채널, 상기 G(녹색) 채널 및 상기 B(청색) 채널의 임의의 점을 색상(Hue), 채도(Chroma/Saturation), 명도(Intensity/Luminance)를 채널로 하는 상기 컬러 모델로 변환할 수 있다.
상기 출력부는 상기 컬러 모델로 변환된 영상 데이터에 기 설정된 상기 고정 임계값을 적용하여 색상 필터링을 수행하고, 색상 필터링이 수행된 영상의 잡음을 제거하기 위한 모폴로지(morphology) 연산을 수행하며, 색상 필터링 및 모폴로지 연산을 수행한 영상 데이터의 특정 색상을 이진화하여 상기 이진 영상 데이터를 출력할 수 있다.
또한, 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템은 상기 이진 영상 데이터로부터 오브젝트의 내용을 인식하는 인식부를 더 포함할 수 있다.
상기 인식부는 상기 이진 영상 데이터로부터 획득되는 상기 오브젝트의 후보영역에 대한 기계학습 알고리즘을 적용하여 상기 오브젝트의 내용을 인식할 수 있다.
본 발명의 실시예에 따르면, 전처리 기법을 이용하여 도로 영상에 대한 색상의 집중도를 향상시켜, 조도 환경에 무관하게 높은 정확도의 오브젝트 후보영역을 검출할 수 있다.
또한, 본 발명의 실시예에 따르면, 전처리 기법 및 고정된 임계값을 사용함으로써, 교통표지판을 검출하는 가설생성(HG) 단계의 성능을 개선할 수 있고, 교통표지판의 미분류(FN)를 최소화할 수 있다.
도 1은 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법의 흐름도를 도시한 것이다.
도 2는 본 발명의 실시예에 따른 알고리즘 적용 단계의 흐름도를 도시한 것이다.
도 3은 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템의 세부 구성을 블록도로 도시한 것이다.
도 4는 본 발명의 실시예에 따른 알고리즘 적용부의 세부 구성을 블록도로 도시한 것이다.
도 5 및 도 6은 본 발명의 실시예에 따른 원본의 영상 데이터와 전처리 과정이 수행된 영상 데이터의 HS 분포를 그래프화하여 도시한 것이다.
도 2는 본 발명의 실시예에 따른 알고리즘 적용 단계의 흐름도를 도시한 것이다.
도 3은 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템의 세부 구성을 블록도로 도시한 것이다.
도 4는 본 발명의 실시예에 따른 알고리즘 적용부의 세부 구성을 블록도로 도시한 것이다.
도 5 및 도 6은 본 발명의 실시예에 따른 원본의 영상 데이터와 전처리 과정이 수행된 영상 데이터의 HS 분포를 그래프화하여 도시한 것이다.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
또한, 본 명세서에서 사용되는 용어(terminology)들은 본 발명의 바람직한 실시예를 적절히 표현하기 위해 사용된 용어들로서, 이는 시청자, 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.
도 1은 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법의 흐름도를 도시한 것이고, 도 3은 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템의 세부 구성을 블록도로 도시한 것이다.
도 1 및 도 3을 참조하면, 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법 및 그 시스템은 색상의 집중도 향상을 위해 도로 영상의 색상을 전처리하고, 고정 임계값을 사용하여 도로 환경에서의 교통표지판을 검출한다.
이를 위해, 도 3에서 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템(300)은 수집부(310), 알고리즘 적용부(320), 변환부(330) 및 출력부(340)를 포함한다. 또한, 도 1의 각 단계들(단계 110 내지 단계 140)은 도 3의 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템(300)의 구성요소들 즉, 수집부(310), 알고리즘 적용부(320), 변환부(330) 및 출력부(340)에 의해 수행될 수 있다.
본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법 및 그 시스템은 도로 상의 교통표지판을 검출하고, 인식하기 위해 가설생성(Hypothesis Generation, HG) 단계 및 가설검증(Hypothesis Verification, HV) 단계를 수행할 수 있다.
도 1 및 도 3을 참조하면, 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법 및 그 시스템은 단계 110 내지 단계 140에서 수집부(310), 알고리즘 적용부(320), 변환부(330) 및 출력부(340)로부터 가설생성 단계(360)를 수행하고, 단계 150에서 인식부(350)로부터 가설검증 단계(370)를 수행할 수 있다.
본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템(300)은 차량의 내부에 설치될 수 있으며, 카메라, 메모리 및 컨트롤러(또는 제어부)를 포함할 수 있다. 이 때, 차량 내 카메라의 배치와, 카메라와 결합된 메모리 및 컨트롤러의 구성을 별도로 도시하지 않았으나, 제한되거나 한정되지 않으며, 메모리 및 컨트롤러와 카메라는 별도의 장치로 구비될 수도 있고, 카메라는 복수 개일 수 있다.
카메라는 차량의 전방을 향해 미리 설정된 각도에 따른 시야의 영상 데이터를 획득할 수 있다. 이 때, 카메라는 컨트롤러의 모드에 따라, 고화질의 이미지 또는 저화질의 이미지를 선택적으로 획득할 수 있다.
예를 들어, 카메라는 컨트롤러가 주행 모드로 설정된 경우, 미리 설정된 화질 이상의 고화질 이미지를 획득할 수 있고, 컨트롤러가 주차 모드로 설정된 경우, 미리 설정된 화질 미만의 저화질 이미지를 획득할 수 있다. 실시예에 따라서, 카메라는 주차 모드에서는 작동 오프(off) 상태일 수 있다.
이미지의 화질 및 작동 온(on)/오프(off) 등의 카메라의 상태는 선택적으로 설정됨으로써, 영상 데이터를 획득하는 과정에서의 전력 소모를 최소화할 수 있다. 이와 같이, 카메라 각각으로부터 획득되는 영상 데이터는 메모리에 저장될 수 있다.
컨트롤러는 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템(300)의 수집부(310), 알고리즘 적용부(320), 변환부(330), 출력부(340) 및 인식부(350)를 관리 및 제어하는 구성으로, 차량의 주행 여부를 기초로, 주행 모드 또는 주차 모드 중 어느 하나로 설정되어, 카메라로부터 획득되는 영상 데이터에서 교통표지판의 오브젝트에 대한 후보영역을 검출하고, 후보영역에서의 내용을 인식하도록 제어할 수 있다.
단계 110에서, 수집부(310)는 오브젝트의 후보영역 검출을 위한 영상 데이터를 수집한다.
예를 들면, 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템(300)에 포함되는 카메라는 주행 모드로 설정된 컨트롤러의 제어에 따라, 차량의 전방을 향해 미리 설정된 각도에 따른 시야 즉, 영상 데이터를 획득할 수 있으며, 수집부(310)는 차량 내 카메라로부터 획득되는 영상 데이터를 수집할 수 있다.
이 때, 카메라는 통상의 RGB 카메라로서, RGB 색상 영상인 영상 데이터를 획득할 수 있다. 나아가, 카메라의 배치 형태, 각도, 개수, 종류는 한정되지 않는다.
단계 120에서, 알고리즘 적용부(320)는 영상 데이터로 인한 일부 영역에 대하여, 3원색의 각 채널 별로 색상 균형 알고리즘(Simplest Color Balance)를 적용한다.
이하에서는 도 2 및 도 4를 참조하여 본 발명의 실시예에 따른 단계 120 및 알고리즘 적용부(320)에 대해 상세히 설명하고자 한다.
도 2는 본 발명의 실시예에 따른 알고리즘 적용 단계의 흐름도를 도시한 것이고, 도 4는 본 발명의 실시예에 따른 알고리즘 적용부의 세부 구성을 블록도로 도시한 것이다.
도 4에서 본 발명의 실시예에 따른 알고리즘 적용부(320)는 제거부(321), 픽셀 정렬부(322), 획득부(323) 및 밸런스부(324)를 포함할 수 있다. 또한, 도 2의 각 단계들(단계 121 내지 단계 124)은 도 4의 본 발명의 실시예에 따른 알고리즘 적용부(320)의 구성요소들 즉, 제거부(321), 픽셀 정렬부(322), 획득부(323) 및 밸런스부(324)에 의해 수행될 수 있다.
단계 121에서, 제거부(321)는 영상 데이터에서, 기 설정된 조도 기준(recommended levels of illumination)을 초과하는 밝은 영역을 제거할 수 있다.
예를 들면, 제거부(321)는 수집부(310)로부터 수집된 영상 데이터의 각 프레임에서, 기 설정된 조도 기준 이상의 밝은 영역을 제거하고, 기 설정된 조도 기준 이하의 픽셀에 대해서는 3원색의 각 채널 별로 색상 균형 알고리즘을 적용하기 위한 대상에서 제외할 수 있다. 이 때, 상기 조도 기준은 영상 데이터에서 밝은 영역을 제거하기 위한 기준이므로, 한정된 값은 아니다.
이로 인해, 제거부(321)는 프레임에서 기 설정된 조도 기준을 초과하는 일부분의 영역 즉, 밝은 영역을 제거하고, 기 설정된 조도 기준을 미만하는 일부분의 영역을 상기 대상에서 제외함으로써, 영상 데이터의 밝기를 균일하게 형성할 수 있다.
단계 122에서, 픽셀 정렬부(322)는 밝은 영역을 제거한 일부 영역에 대하여 각 R(적색) 채널, G(녹색) 채널, B(청색) 채널의 히스토그램을 스케일링한 후, 영상 데이터의 픽셀 값들을 정렬할 수 있다.
예를 들면, 픽셀 정렬부(322)는 밝은 영역을 제거한 일부 영역에 대하여 각 R(적색) 채널, G(녹색) 채널, B(청색) 채널의 0부터 255사이의 조건 범위[0, 255]로 스케일링한 후, 영상 데이터의 픽셀 값들의 최소값 및 최대값을 획득하기 위해 픽셀 값들을 정렬할 수 있다. 일반적으로 이미지 픽셀 값 정렬에는 O(Nlog(N))의 시간 복잡도를 갖는다. 그러나, 히스토그램 기반을 사용하면 시간 복잡도를 O(N)으로 감소시킬 수 있으며 메모리 공간 또한 적게 든다.
단계 123에서, 획득부(323)는 정렬된 픽셀 값들 중 조건 범위에 대응하는 최소값 및 최대값을 획득할 수 있다. 누적 히스토그램을 생성하여 픽셀 값들을 정렬한 후, 획득부(323)는 정렬된 픽셀 값들 중 변위치를 선택하여 조건 범위에 맞는 최소값과 최대값을 획득할 수 있다.
이 때, 변위치는 결과 영상 데이터의 질에 영상을 주는 파라미터로서, 조절 가능하며 일반적으로 1~3% 사이의 값을 사용한다. 예를 들면, 변위치가 2%의 포화도를 갖는 경우, 픽셀의 조건 범위 내에서 첫 번째와 99번째 백분위가 최소값 및 최대값으로 선택될 수 있다.
단계 124에서, 밸런스부(324)는 조건 범위에 따라 영상 데이터의 픽셀 값들을 재 스케일링하여 색의 밸런스(balance)를 맞출 수 있다.
이에 따라서, 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법 및 그 시스템의 알고리즘 적용부(320)는 단계 120에서, 색 균형 알고리즘을 통해 전처리 과정을 수행할 수 있다.
실시예에 따르면, 본 발명의 실시예에 따른 알고리즘 적용부(320)는 하나의 색상 채널만 있는 8비트 정수 공간(예를 들면, min=0, max=255)의 픽셀 값을 포함하는 영상 데이터에 하기의 [알고리즘 1]을 적용할 수 있다.
[알고리즘 1]
여기서, 
는 픽셀 값을 나타내고, N은 픽셀 수를 나타내며, 
는 초기에 제로(zero, 0)로 채워지는 N을 저장하는 큰 데이터 유형으로, 256개의 부호 없는 정수 배열을 나타낸다. 또한, 배열의 인덱스는 0에서 시작한다.
다시 도 1 및 도 3을 참조하면, 단계 130에서, 변환부(330)는 색상 균형 알고리즘이 적용된 영상 데이터를 색상(Hue), 채도(Chroma, Saturation), 명도(Intensity, Luminance)를 채널로 하는 컬러 모델로 변환한다.
예를 들면, 변환부(330)는 전처리된 영상 데이터에서, 색의 밸런스를 이루는 R(적색) 채널, G(녹색) 채널 및 B(청색) 채널의 임의의 점을 색상(Hue, H), 채도(Chroma/Saturation, C), 명도(Intensity/Luminance, I)를 채널로 하는 컬러 모델로 변환할 수 있다. 이 때, 상기 컬러 모델은 원통형 컬러 모델로서, 명도는 원통의 높이, 채도는 원통의 중심축으로부터의 거리 및 색상은 원통의 중심축을 기준으로 한 각도로 표현될 수 있다.
변환부(330)는 하기의 [수식 1]을 통해 전처리된 영상 데이터를 컬러 모델로 변환할 수 있다.
[수식 1]
여기서, H는 변환된 컬러 모델의 색상, C는 변환된 컬러 모델의 채도, I는 변환된 컬러 모델의 명도를 나타내며, R은 변환 전 컬러 모델의 적색, G는 변환 전 컬러 모델의 녹색, B는 변환 전 컬러 모델의 청색을 나타낸다.
단계 140에서, 출력부(340)는 컬러 모델로 변환된 영상 데이터에 고정 임계값을 적용하여 색상 필터링하며, 특정 색상에 대한 이진 영상 데이터를 출력한다.
예를 들면, 출력부(340)는 컬러 모델로 변환된 영상 데이터에 기 설정된 고정 임계값을 적용하여 색상 필터링을 수행하고, 색상 필터링이 수행된 영상의 잡음을 제거하기 위한 모폴로지(morphology) 연산을 수행할 수 있다. 이 때, 고정 임계값은 오브젝트(예를 들면, 교통표지판)의 후보영역을 검출하기 위한 값으로, 도로 교통법 상에 존재하는 오브젝트에 관련된 고정 값일 수 있다. 또한, 상기 오브젝트의 후보영역은 오브젝트의 프레임, 형태 즉, 영상 데이터 내의 오브젝트 영역을 나타낼 수 있다.
이후, 출력부(340)는 색상 필터링 및 모폴로지 연산을 수행한 영상 데이터에서, 특정 색상을 이진화하여 이진 영상 데이터를 출력할 수 있다. 출력부(340)는 색상 필터링 및 모폴로지 연산을 통해 영상 데이터 내의 노이즈를 제거할 수 있으며, 구성 요소들의 분리와 결합, 또는 특징을 추출할 수 있다. 이로 인해, 출력부(340)는 색상 필터링 및 모폴로지 연산을 수행한 영상 데이터에서, 특정 색상에 해당하는 이진 영상 데이터를 출력할 수 있다.
여기서, 상기 특정 색상은 빨간색일 수 있으나, 빨간색 외에 교통표지판에 사용되는 색상일 수 있으므로, 한정되지 않는다.
즉, 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법 및 그 시스템은 가설생성 단계(360)에서, 색상 균형 알고리즘을 적용하고, 3원색의 각 채널을 컬러 모델로 변환하며, 색상 필터링하여 이진 영상 데이터를 생성하는 전처리 과정을 수행함으로써, 오브젝트의 후보영역을 보다 명확하고, 높은 정확도로 검출할 수 있으며, 미분류(FN)를 최소화할 수 있다.
이후, 단계 150에서, 인식부(350)는 이진 영상 데이터로부터 오브젝트의 내용을 인식할 수 있다. 즉, 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법 및 그 시스템은 가설검증 단계(370)에서, 검출된 오브젝트의 후보영역에 포함된 내용을 인식할 수 있다.
인식부(350)는 이진 영상 데이터로부터 획득되는 상기 오브젝트의 후보영역에 대한 기계학습 알고리즘을 적용하여 상기 오브젝트의 내용을 인식할 수 있다.
예를 들면, 인식부(350)는 이진 영상 데이터로부터 획득되는 오브젝트의 후보영역에 대하여 SVM(Support Vector Machine, 서포트 벡터 머신) 또는 CNN(Convolutional Neural Network, 콘볼루션 신경망) 등의 정교하고 복잡한 기계학습 알고리즘을 적용하여 후보영역에 대한 오분류(FP)를 최소화함으로써, 오브젝트의 내용을 인식할 수 있다. 즉, 인식부(350)는 기계학습 알고리즘을 이용하여 교통표지판인 오브젝트의 내용 예를 들어, 교통에 필요한 주의, 규제, 지시 등을 인식할 수 있다.
도 5 및 도 6은 본 발명의 실시예에 따른 원본의 영상 데이터와 전처리 과정이 수행된 영상 데이터의 HS 분포를 그래프화하여 도시한 것이다.
보다 상세하게는, 도 5는 카메라로부터 획득되는 원본의 영상 데이터에서 교통표지판에 해당하는 빨간색 화소의 HS 분포를 도시한 것이고, 도 6은 전처리 과정이 수행된 영상 데이터에서 교통표지판에 해당하는 빨간색 화소의 HS 분포를 도시한 것이다.
이 때, HS 분포는 색상(Hue)과 채도(Saturation)의 상관 관계에 따른 분포범위로, 색상(Hue)은 100 내지 100의 분포범위를 포함하고, 채도(Saturation)는 0 내지 300의 분포범위를 포함할 수 있다.
도 5 및 도 6에 도시된 그래프에서, 가로축은 색상(Hue, H) 성분을 나타내고, 세로축은 채도(Saturation, S) 성분을 나타낸다. 도 5 및 도 6을 참조하면, 원본의 영상 데이터에서 색상(H)의 분산 정도는 채도(S) 성분에 따라 달라지는 것을 알 수 있다.
도 5를 참조하면, 채도(S)가 클수록 색상(H)의 분산 정도는 빨간색에 해당하는 0 부근에 포집되는 현상을 나타내는 것을 확인할 수 있고, 채도(S)가 낮을수록 색상(H)의 분산 정도는 광범위하게 퍼지는 현상을 나타내는 것을 확인할 수 있다. 이러한 현상은 맑은 날 태양광이 교통표지판의 후면에서 비추게 되는 경우 발생될 수 있다.
반면에, 도 6을 참조하면, 전처리 과정이 수행된 후, 색상(H)의 분산 정도는 0 부근으로의 집중도가 매우 높아진 것을 확인할 수 있다.
이로 인해, 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 방법 및 그 시스템은 차량 내 카메라로부터 획득되는 영상 데이터의 색상을 전처리함으로써, 도로 영상인 영상 데이터에 동일한 고정 임계값을 적용하더라도 빨간색 영역의 추출을 놓치는 미분류(FN)를 최소화할 수 있으며, 가설검증(HV) 단계에서의 오분류(FP)를 최소화할 수 있다.
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, FPA(field programmable 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 어플리케이션을 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 장치, 또는 전송되는 신호 파(signal wave)에 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), CDROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기광 매체(magnetooptical 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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
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.
300: 본 발명의 실시예에 따른 색상 필터링을 위한 전처리 시스템
360: 가설생성(Hypothesis Generation, HG) 단계
370: 가설검증(Hypothesis Verification, HV) 단계
360: 가설생성(Hypothesis Generation, HG) 단계
370: 가설검증(Hypothesis Verification, HV) 단계
Claims (16)
- 색상 필터링 전처리 방법에 있어서,
오브젝트의 후보영역 검출을 위한 영상 데이터를 수집하는 단계;
상기 영상 데이터로 인한 일부 영역에 대하여, 3원색의 각 채널 별로 색상 균형 알고리즘(Simplest Color Balance)을 적용하는 단계;
상기 색상 균형 알고리즘이 적용된 영상 데이터를 색상(Hue), 채도(Chroma/Saturation), 명도(Intensity/Luminance)를 채널로 하는 컬러 모델로 변환하는 단계; 및
상기 컬러 모델로 변환된 영상 데이터에 상기 오브젝트의 후보영역을 검출하기 위한 고정 임계값을 적용하여 색상 필터링하며, 특정 색상에 대한 이진 영상 데이터를 출력하는 단계를 포함하되,
상기 색상 균형 알고리즘을 적용하는 단계는
상기 영상 데이터에서, 기 설정된 조도 기준(recommended levels of illumination)을 초과하는 밝은 영역을 제거하는 단계;
상기 밝은 영역을 제거한 상기 일부 영역에 대하여 각 R(적색) 채널, G(녹색) 채널, B(청색) 채널의 히스토그램을 스케일링한 후, 상기 영상 데이터의 픽셀 값들을 정렬하는 단계;
상기 정렬된 픽셀 값들 중 조건 범위에 대응하는 최소값 및 최대값을 획득하는 단계; 및
상기 조건 범위에 따라 상기 영상 데이터의 픽셀 값들을 재 스케일링하여 색의 밸런스(balance)를 이루는 단계를 포함하며,
상기 컬러 모델로 변환하는 단계는
상기 색상 균형 알고리즘이 적용되어 전처리된 영상 데이터에서, 색의 밸런스를 이루는 상기 R(적색) 채널, 상기 G(녹색) 채널 및 상기 B(청색) 채널의 임의의 점을 사용하여 원통의 높이를 나타내는 명도(Intensity/Luminance), 원통의 중심축으로부터의 거리를 나타내는 채도(Chroma/Saturation) 및 원통의 중심축을 기준으로 한 각도를 나타내는 색상(Hue)으로 표현되는 상기 컬러 모델로 변환하고,
상기 영상 데이터의 픽셀 값들을 정렬하는 단계는
시간 복잡도를 O(N)으로 감소시키는 상기 히스토그램을 기반으로 사용하며,
상기 색상 필터링을 위한 전처리 시스템의 동작 방법은
상기 영상 데이터를 수집하는 단계, 상기 색상 균형 알고리즘을 적용하는 단계, 상기 컬러 모델로 변환하는 단계 및 상기 이진 영상 데이터를 출력하는 단계를 통해 상기 영상 데이터의 색상을 전처리하여 빨간색 영역의 추출을 놓치는 미분류(FN) 및 가설검증(HV) 단계에서의 오분류(FP)를 최소화하는 것을 특징으로 하는, 색상 필터링을 위한 전처리 방법. - 제1항에 있어서,
상기 이진 영상 데이터로부터 오브젝트의 내용을 인식하는 단계
를 더 포함하는 색상 필터링을 위한 전처리 방법. - 삭제
- 제1항에 있어서,
상기 밝은 영역을 제거하는 단계는
기 설정된 조도 기준 이상의 상기 밝은 영역을 제거하고, 기 설정된 조도 기준 이하의 픽셀을 대상에서 제외하는 것을 특징으로 하는 색상 필터링을 위한 전처리 방법. - 삭제
- 제1항에 있어서,
상기 이진 영상 데이터를 출력하는 단계는
상기 컬러 모델로 변환된 영상 데이터에 기 설정된 상기 고정 임계값을 적용하여 색상 필터링을 수행하고, 색상 필터링이 수행된 영상의 잡음을 제거하기 위한 모폴로지(morphology) 연산을 수행하는 색상 필터링을 위한 전처리 방법. - 제6항에 있어서,
상기 이진 영상 데이터를 출력하는 단계는
색상 필터링 및 모폴로지 연산을 수행한 영상 데이터의 특정 색상을 이진화하여 상기 이진 영상 데이터를 출력하는 색상 필터링을 위한 전처리 방법. - 제2항에 있어서,
상기 오브젝트의 내용을 인식하는 단계는
상기 이진 영상 데이터로부터 획득되는 상기 오브젝트의 후보영역에 대한 기계학습 알고리즘을 적용하여 상기 오브젝트의 내용을 인식하는 것을 특징으로 하는 색상 필터링을 위한 전처리 방법. - 제1항, 제2항, 제4항, 제6항 내지 제8항 중 어느 한 항의 방법을 수행하기 위하여 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 색상 필터링을 위한 전처리 시스템에 있어서,
오브젝트의 후보영역 검출을 위한 영상 데이터를 수집하는 수집부;
상기 영상 데이터로 인한 일부 영역에 대하여, 3원색의 각 채널 별로 색상 균형 알고리즘(Simplest Color Balance)를 적용하는 알고리즘 적용부;
상기 색상 균형 알고리즘이 적용된 영상 데이터를 색상(Hue), 채도(Chroma/Saturation), 명도(Intensity/Luminance)를 채널로 하는 컬러 모델로 변환하는 변환부; 및
상기 컬러 모델로 변환된 영상 데이터에 상기 오브젝트의 후보영역을 검출하기 위한 고정 임계값을 적용하여 색상 필터링하며, 특정 색상에 대한 이진 영상 데이터를 출력하는 출력부를 포함하되,
상기 알고리즘 적용부는
상기 영상 데이터에서, 기 설정된 조도 기준(recommended levels of illumination)을 초과하는 밝은 영역을 제거하는 제거부;
상기 밝은 영역을 제거한 상기 일부 영역에 대하여 각 R(적색) 채널, G(녹색) 채널, B(청색) 채널의 히스토그램을 스케일링한 후, 상기 영상 데이터의 픽셀 값들을 정렬하는 픽셀 정렬부;
상기 정렬된 픽셀 값들 중 조건 범위에 대응하는 최소값 및 최대값을 획득하는 획득부; 및
상기 조건 범위에 따라 상기 영상 데이터의 픽셀 값들을 재 스케일링하여 색의 밸런스(balance)를 이루는 밸런스부를 포함하며,
상기 변환부는
상기 색상 균형 알고리즘이 적용되어 전처리된 영상 데이터에서, 색의 밸런스를 이루는 상기 R(적색) 채널, 상기 G(녹색) 채널 및 상기 B(청색) 채널의 임의의 점을 사용하여 원통의 높이를 나타내는 명도(Intensity/Luminance), 원통의 중심축으로부터의 거리를 나타내는 채도(Chroma/Saturation) 및 원통의 중심축을 기준으로 한 각도를 나타내는 색상(Hue)으로 표현되는 상기 컬러 모델로 변환하고,
상기 픽셀 정렬부는
시간 복잡도를 O(N)으로 감소시키는 상기 히스토그램을 기반으로 사용하며,
상기 색상 필터링을 위한 전처리 시스템은
상기 수집부, 상기 알고리즘 적용부, 상기 변환부 및 상기 출력부를 통해 상기 영상 데이터의 색상을 전처리하여 빨간색 영역의 추출을 놓치는 미분류(FN) 및 가설검증(HV) 단계에서의 오분류(FP)를 최소화하는 것을 특징으로 하는, 색상 필터링을 위한 전처리 시스템. - 제10항에 있어서,
상기 이진 영상 데이터로부터 오브젝트의 내용을 인식하는 인식부
를 더 포함하는 색상 필터링을 위한 전처리 시스템. - 삭제
- 제10항에 있어서,
상기 제거부는
기 설정된 조도 기준 이상의 상기 밝은 영역을 제거하고, 기 설정된 조도 기준 이하의 픽셀을 대상에서 제외하는 것을 특징으로 하는 색상 필터링을 위한 전처리 시스템. - 삭제
- 제10항에 있어서,
상기 출력부는
상기 컬러 모델로 변환된 영상 데이터에 기 설정된 상기 고정 임계값을 적용하여 색상 필터링을 수행하고, 색상 필터링이 수행된 영상의 잡음을 제거하기 위한 모폴로지(morphology) 연산을 수행하며, 색상 필터링 및 모폴로지 연산을 수행한 영상 데이터의 특정 색상을 이진화하여 상기 이진 영상 데이터를 출력하는 색상 필터링을 위한 전처리 시스템. - 제11항에 있어서,
상기 인식부는
상기 이진 영상 데이터로부터 획득되는 상기 오브젝트의 후보영역에 대한 기계학습 알고리즘을 적용하여 상기 오브젝트의 내용을 인식하는 것을 특징으로 하는 색상 필터링을 위한 전처리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180025599A KR102118783B1 (ko) | 2018-03-05 | 2018-03-05 | 조명환경에 강인한 색상 필터링을 위한 전처리 방법 및 그 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180025599A KR102118783B1 (ko) | 2018-03-05 | 2018-03-05 | 조명환경에 강인한 색상 필터링을 위한 전처리 방법 및 그 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190105273A KR20190105273A (ko) | 2019-09-17 |
| KR102118783B1 true KR102118783B1 (ko) | 2020-06-03 |
Family
ID=68070083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180025599A KR102118783B1 (ko) | 2018-03-05 | 2018-03-05 | 조명환경에 강인한 색상 필터링을 위한 전처리 방법 및 그 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102118783B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102344585B1 (ko) * | 2019-11-22 | 2021-12-30 | 가천대학교 산학협력단 | 딥러닝 학습을 이용한 내시경 영상으로부터 용종 진단 방법, 장치 및 프로그램 |
| WO2022092555A1 (ko) * | 2020-10-27 | 2022-05-05 | 삼성전자 주식회사 | 노이즈 저감 처리된 이미지 데이터를 생성하는 방법 및 이를 수행하는 전자 장치 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013069278A (ja) * | 2011-09-23 | 2013-04-18 | Ricoh Co Ltd | 交通標識検知方法及び交通標識検知装置 |
| KR101490466B1 (ko) * | 2013-09-10 | 2015-02-05 | 이엔지정보기술 주식회사 | 영상 내 도로표지 검출 및 도로표지 지주 인식 시스템, 그 방법 |
| KR101557271B1 (ko) * | 2014-06-26 | 2015-10-06 | 한밭대학교 산학협력단 | 영상 내 원 형상 검출에 따른 검출 원 형상의 근사화 방법 |
-
2018
- 2018-03-05 KR KR1020180025599A patent/KR102118783B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013069278A (ja) * | 2011-09-23 | 2013-04-18 | Ricoh Co Ltd | 交通標識検知方法及び交通標識検知装置 |
| KR101490466B1 (ko) * | 2013-09-10 | 2015-02-05 | 이엔지정보기술 주식회사 | 영상 내 도로표지 검출 및 도로표지 지주 인식 시스템, 그 방법 |
| KR101557271B1 (ko) * | 2014-06-26 | 2015-10-06 | 한밭대학교 산학협력단 | 영상 내 원 형상 검출에 따른 검출 원 형상의 근사화 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190105273A (ko) | 2019-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10303983B2 (en) | Image recognition apparatus, image recognition method, and recording medium | |
| Rotaru et al. | Color image segmentation in HSI space for automotive applications | |
| US9811746B2 (en) | Method and system for detecting traffic lights | |
| Ajmal et al. | A comparison of RGB and HSV colour spaces for visual attention models | |
| KR101848019B1 (ko) | 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 | |
| Youssef et al. | Fast traffic sign recognition using color segmentation and deep convolutional networks | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| US8103058B2 (en) | Detecting and tracking objects in digital images | |
| US20170228606A1 (en) | Information processing apparatus, information processing method, and recording medium | |
| KR101778605B1 (ko) | 차량 번호판 인식 방법 및 장치 | |
| KR101738129B1 (ko) | 단일 카메라를 이용한 원거리 영상에서의 차량 번호판 인식 장치 및 그 방법 | |
| KR101224164B1 (ko) | 번호판영역 검출을 위한 전처리 방법 및 장치 | |
| US11055584B2 (en) | Image processing apparatus, image processing method, and non-transitory computer-readable storage medium that perform class identification of an input image using a discriminator that has undergone learning to perform class identification at different granularities | |
| Liu et al. | Identifying immature and mature pomelo fruits in trees by elliptical model fitting in the Cr–Cb color space | |
| US20210295529A1 (en) | Method and system for image processing | |
| KR101875891B1 (ko) | 다중 검출 방식을 이용한 얼굴 검출 장치 및 방법 | |
| WO2020130799A1 (en) | A system and method for licence plate detection | |
| CN112101260B (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
| KR102118783B1 (ko) | 조명환경에 강인한 색상 필터링을 위한 전처리 방법 및 그 시스템 | |
| US9256803B2 (en) | Automatic detection of persistent changes in naturally varying scenes | |
| CN107038690A (zh) | 一种基于多特征融合的运动阴影去除方法 | |
| JP2017174380A (ja) | 認識装置、物体の認識方法、プログラム、及び、記憶媒体 | |
| US10417518B2 (en) | Vehicle camera system | |
| Liu et al. | Modified grey world method to detect and restore colour cast images | |
| CN116310889A (zh) | 无人机环境感知数据的处理方法、控制终端以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |