KR102188649B1 - 영상 처리 장치 및 방법 - Google Patents

영상 처리 장치 및 방법 Download PDF

Info

Publication number
KR102188649B1
KR102188649B1 KR1020190086021A KR20190086021A KR102188649B1 KR 102188649 B1 KR102188649 B1 KR 102188649B1 KR 1020190086021 A KR1020190086021 A KR 1020190086021A KR 20190086021 A KR20190086021 A KR 20190086021A KR 102188649 B1 KR102188649 B1 KR 102188649B1
Authority
KR
South Korea
Prior art keywords
image
threshold value
detection
numerical information
threshold
Prior art date
Application number
KR1020190086021A
Other languages
English (en)
Other versions
KR20200021398A (ko
Inventor
김원태
강신욱
이명재
김동민
김필수
Original Assignee
(주)제이엘케이
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 (주)제이엘케이 filed Critical (주)제이엘케이
Priority to KR1020190086021A priority Critical patent/KR102188649B1/ko
Publication of KR20200021398A publication Critical patent/KR20200021398A/ko
Application granted granted Critical
Publication of KR102188649B1 publication Critical patent/KR102188649B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Abstract

객체가 검색 대상 객체에 해당하는지를 판단하는 영상 처리 방법 및 장치가 제공된다. 본 개시의 영상 처리 방법은 하나 이상의 객체를 포함하는 분석 대상 영상을 수신하는 단계, 인공지능 모델을 이용하여 상기 분석 대상 영상에 포함된 상기 하나 이상의 객체가 검출 대상 객체에 해당하는지에 관한 수치 정보를 획득하는 단계, 상기 획득된 수치 정보가 제1 임계값 이상인 경우, 상기 하나 이상의 객체를 상기 검출 대상 객체로 판단하는 1차 검출 단계 및 상기 판단한 결과를 출력하는 단계를 포함하고, 상기 수치 정보의 획득과 관련된 상기 인공지능 모델 내부의 파라미터 또는 상기 제1 임계값을 조정함으로써, 상기 1차 검출 단계의 민감도를 조정하는 것을 특징으로 한다.

Description

영상 처리 장치 및 방법{IMAGE PROCESSING APPARATUS AND METHOD}
본 개시는 객체 검출을 위한 영상 처리 장치 및 방법에 관한 것이다. 보다 구체적으로, 본 개시는 인공지능 모델을 이용하여 분석 대상 영상에 포함된 객체가 검출 대상 객체에 해당하는지를 판단하는 영상 처리 장치, 방법 및 본 개시의 영상 처리 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체에 관한 것이다.
객체 인식은 임의의 영상 내에서 객체로 인식된 영역을 기설정된 복수의 부류(class) 중 하나로 인식하는 프로세싱으로서, 객체란 영상 내의 특정한 물체를 의미할 수 있다.
최근 인공지능 모델을 이용하여 영상에 포함되어 있는 객체를 인식하거나 분류하는 연구가 늘어나고 있는 추세이다.
한편, 딥러닝(deep learning)은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택하는 인공지능 모델로서, 영상에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아낼 수 있다.
본 개시의 기술적 과제는, 영상에 포함된 객체가 검출 대상 객체에 해당하는지를 판단하는 영상 처리 장치 및 방법을 제공하는 것이다.
본 개시의 다른 기술적 과제는, 인공지능 모델에 기초하여 객체 검출의 민감도를 조정함으로써 검출 객체가 검출 대상 객체에 해당하는지를 판단하는 영상 처리 장치 및 방법을 제공하는 것이다.
본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 양상에 따르면, 하나 이상의 객체를 포함하는 분석 대상 영상을 수신하는 단계; 인공지능 모델을 이용하여 상기 분석 대상 영상에 포함된 상기 하나 이상의 객체가 검출 대상 객체에 해당하는지에 관한 수치 정보를 획득하는 단계; 상기 획득된 수치 정보가 제1 임계값 이상인 경우, 상기 하나 이상의 객체를 상기 검출 대상 객체로 판단하는 1차 검출 단계; 및 상기 판단한 결과를 출력하는 단계를 포함하고, 상기 수치 정보의 획득과 관련된 상기 인공지능 모델 내부의 파라미터 또는 상기 제1 임계값을 조정함으로써, 상기 1차 검출 단계의 민감도를 조정하는 것을 특징으로 하는 영상 처리 방법이 제공될 수 있다.
본 개시의 다른 양상에 따르면, 하나 이상의 객체를 포함하는 분석 대상 영상을 수신하는 영상 수신부; 인공지능 모델을 이용하여 상기 분석 대상 영상에 포함된 상기 하나 이상의 객체가 검출 대상 객체에 해당하는지에 관한 수치 정보를 획득하고, 상기 획득된 수치 정보가 제1 임계값 이상인 경우, 상기 하나 이상의 객체를 상기 검출 대상 객체로 판단하는 1차 검출 단계를 수행하는 객체 검출부; 및 상기 판단한 결과를 출력하는 출력부를 포함하고, 상기 수치 정보의 획득과 관련된 상기 인공지능 모델 내부의 파라미터 또는 상기 제1 임계값을 조정함으로써, 상기 1차 검출 단계의 민감도를 조정하는 것을 특징으로 하는 영상 처리 장치가 제공될 수 있다.
본 개시의 또 다른 양상에 따르면, 본 개시의 영상 처리 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.
본 개시에 따르면, 영상에 포함된 객체가 검출 대상 객체에 해당하는지를 판단하는 영상 처리 장치 및 방법이 제공될 수 있다.
본 개시에 따르면, 인공지능 모델에 기초하여 객체 검출의 민감도를 조정함으로써 검출 객체가 검출 대상 객체에 해당하는지를 판단하는 영상 처리 장치 및 방법이 제공될 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시 예에 따른 영상 처리 장치의 구성을 나타내는 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 영상에 포함된 객체가 검출 대상 객체에 해당하는지를 판단하는 과정을 나타내는 도면이다.
도 3은 본 개시의 일 실시 예에 따른 영상의 맥락 정보를 생성하고 분석하는 과정을 나타내는 도면이다.
도 4는 본 개시의 일 실시 예에 따른 영상 처리 장치가 영상을 분석하여 객체를 검출하는 과정을 나타내는 도면이다.
도 5는 본 개시의 일 실시 예에 따른 객체의 물성에 기초하여 색상이 표현된 영상을 나타내는 도면이다.
도 6은 본 개시의 일 실시 예에 따른 영상 처리 방법을 나타내는 도면이다.
이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 개시의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시 예에서의 제1 구성요소는 다른 실시 예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시 예에서의 제2 구성요소를 다른 실시 예에서 제1 구성요소라고 칭할 수도 있다.
본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 개시의 범위에 포함된다.
본 개시에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들은 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 개시의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 개시의 범위에 포함된다.
이하, 첨부한 도면을 참조하여 본 개시의 실시 예들에 대해서 설명한다.
도 1은 본 개시의 일 실시 예에 따른 영상 처리 장치의 구성을 나타내는 블록도이다.
도 1을 참조하면, 영상 처리 장치(100)는 영상 수신부(110), 객체 검출부(120), 객체 분석부(130) 및/또는 출력부(미도시)를 포함할 수 있다. 다만, 이는 본 실시예를 설명하기 위해 필요한 일부 구성요소만을 도시한 것일 뿐, 영상 처리 장치(100)에 포함된 구성요소가 전술한 예에 한정되는 것은 아니다. 예컨대, 둘 이상의 구성부가 하나의 구성부 내에서 구현될 수도 있고, 하나의 구성부에서 실행되는 동작이 분할되어 둘 이상의 구성부에서 실행되도록 구현될 수도 있다. 또한, 일부 구성부가 생략되거나 부가적인 구성부가 추가될 수도 있다.
일 실시 예에 따른 영상 처리 장치(100)는 분석 대상 영상(140)을 수신하고, 인공지능 모델을 이용하여 수신된 분석 대상 영상(140)에 포함되어 있는 하나 이상의 객체를 검출하고, 검출된 객체가 검출 대상 객체에 해당하는지를 판단할 수 있다.
영상 수신부(110)는 분석 대상 영상(140)을 수신할 수 있다. 분석 대상 영상(140)은 적어도 하나 이상의 객체를 포함할 수 있다. 예컨대, 분석 대상 영상(140)은 적어도 하나 이상의 객체를 포함하는 물품에 관한 영상일 수 있다. 또한 예컨대, 분석 대상 영상(140)은 X-Ray 판독 기기가 촬영한 물품에 관한 X-Ray 영상일 수 있다. 상기 영상은 X-Ray 영상 기기가 촬영한 로(raw) 이미지이거나 상기 로 이미지를 저장 또는 전송하기 위한 임의의 형태(포맷)의 이미지일 수 있다. 상기 영상은 X-Ray 판독 기기가 촬영하여 모니터와 같은 출력 장치로 전송하는 영상 정보를 캡쳐하여 데이터화함으로써 획득될 수도 있다.
객체 검출부(120)는 영상 수신부(110)에서 수신된 분석 대상 영상에 포함되어 있는 객체를 검출할 수 있다. 예컨대, 객체 검출부(120)는 인공지능 기술을 이용하여 분석 대상 영상에 포함되어 있는 객체를 검출할 수 있다. 구체적으로, 인공지능 모델은 객체 검출을 위한 딥러닝 모델일 수 있다.
인공지능 기술은 컴퓨터에게 데이터를 학습시켜 마치 사람처럼 스스로 의사결정을 할 수 있게 하는데, 인공 신경망(artificial neural network)은 생물학의 신경망에서 영감을 얻은 수학적 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시킴으로써 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 일반적으로 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)로 구성되어 있으며 각 층에 포함된 뉴런들이 가중치를 통해 연결되어 있으며, 가중치와 뉴런값의 선형 결합과 비선형 활성화 함수를 통해 인공 신경망은 복잡한 함수를 근사화할 수 있는 형태를 가질 수 있다. 인공 신경망 학습의 목적은 출력층에서 계산된 출력과 실제 출력의 값 차이를 최소화 시키는 가중치를 찾는데 있다.
심층 신경망(deep neural network)은 입력층과 출력층 사이에 여러 개의 은닉층들로 이루어진 인공 신경망으로서, 많은 은닉층을 통해 복잡한 비선형 관계들을 모델링할 수 있으며, 이처럼 층의 개수를 늘림으로써 고도화된 추상화가 가능한 신경망 구조를 딥러닝(deep learning)이라고 부른다. 딥러닝은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택하기 때문에 영상에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아낼 수 있다.
본 개시의 딥러닝 기반의 모델은 완전 합성곱 신경망(완전 컨볼루션 뉴럴 네트워크, fully convolutional neural network), 합성곱 신경망(컨볼루션 뉴럴 네트워크, convolutional neural network), 순환 신경망(회귀 뉴럴 네트워크, recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않는다. 또는, 딥러닝 이외의 머신 러닝 방법도 포함할 수 있다. 또는 딥러닝과 머신 러닝을 결합한 하이브리드 형태의 모델도 포함할 수 있다. 예컨대, 딥러닝 기반의 모델을 적용하여 영상의 특징을 추출하고, 상기 추출된 특징에 기초하여 영상을 분류하거나 인식할 때는 머신 러닝 기반의 모델을 적용할 수도 있다. 머신 러닝 기반의 모델은 서포트 벡터 머신(Support Vector Machine, SVM), 에이다부스트(AdaBoost) 등을 포함할 수 있으나, 이에 한정되지 않는다.
또한, 본 개시의 딥러닝 기반의 모델을 학습하는 방법은 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 또는 강화 학습(reinforcement learning) 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않는다. 지도 학습은 일련의 학습 데이터와 그에 상응하는 레이블(label, 목표 출력값)을 이용하여 학습이 이루어지며, 지도 학습에 기초한 신경망 모델은 훈련용 데이터(training data)로부터 함수를 추론해내는 형태의 모델일 수 있다. 지도 학습은 일련의 학습 데이터와 그에 상응하는 목표 출력 값을 수신하고, 입력되는 데이터에 대한 실제 출력 값과 목표 출력 값을 비교하는 학습을 통해 오류를 찾아내고, 해당 결과를 근거로 모델을 수정하게 된다. 지도 학습은 결과물의 형태에 따라 다시 회귀(regression), 분류(classification), 검출(detection), 시멘틱 세그멘테이션(semantic segmentation) 등으로 구분될 수 있다. 지도 학습을 통해 도출된 함수는 다시 새로운 결과값을 예측하는데 사용될 수 있다. 이처럼, 지도 학습에 기초한 신경망 모델은 수많은 학습 데이터의 학습을 통해, 신경망 모델의 파라미터를 최적화하게 된다.
객체 검출부(120)는 인공지능 모델을 이용하여 분석 대상 영상에 포함된 하나 이상의 객체가 검출 대상 객체에 해당하는지에 관한 수치 정보를 획득할 수 있다. 검출 대상 객체는 미리 설정될 수 있으며, 인공지능 모델은 상기 검출 대상 객체에 대해 미리 학습될 수 있다. 또한, 검출 대상 객체는 적용되는 분야에 따라 달라질 수 있다. 예컨대, 반입 금지 물품인지를 판단하는 분야, 기업 보안상 침해 물품인지를 판단하는 분야, 의료 분야 등 다양한 종류의 영상을 처리하고 분석하는 분야에 적용될 수 있다. 구체적으로, 검출 대상 객체는 USB, 노트북, 하드 드라이브 등의 저장 매체, 칼, 라이터, 총 등을 포함할 수 있다. 따라서, 본 개시의 영상 처리 장치 및/또는 영상 처리 방법은 입력되는 영상을 분석해서 특정한 객체를 검출할 수 있으며, 기업 보안 시스템 등의 다양한 분야에 적용될 수 있다.
수치 정보는 하나 이상의 객체를 포함하는 영상에 대해 인공지능 모델을 적용하여 객체를 검출하는 경우, 검출된 객체가 상기 검출 대상 객체에 해당하는지를 나타내는 확률, 점수(score) 또는 분포 등을 의미할 수 있다. 예컨대, 검출 대상 객체가 USB, 칼, 라이터라고 하면 상기 수치 정보는 분석 대상 영상에 포함된 객체가 USB에 해당하는 확률, 칼에 해당하는 확률 및/또는 라이터에 해당하는 확률을 포함할 수 있다.
상기 수치 정보는 인공지능 모델을 이용하여 검출된 객체가 어떤 검출 대상 객체에 해당하는지에 관한 신뢰도 또는 판단 기준을 제공할 수 있다. 예컨대, 객체 검출부(120)는 인공지능 모델의 적용 결과, 상기 객체에 관한 상기 수치 정보가 높은 검출 대상 객체 순서대로 검출 객체가 검출 대상 객체에 해당한다고 판단할 수 있다. 또한, 객체 검출부(120)는 상기 획득된 수치 정보가 제1 임계값 이상인 경우, 상기 하나 이상의 객체를 상기 검출 대상 객체로 판단할 수 있다. 제1 임계값은 검출 대상 객체에 따라 다를 수 있다. 제1 임계값은 기설정되거나 사용자에 의해 입력될 수 있다. 상기 제1 임계값을 이용함으로써 본 개시의 객체 판단 장치는 보다 더 신뢰성을 확보할 수 있다. 또한, 예컨대 제1 임계값은 객체 검출에 관련된 매개변수일 수 있다.
예컨대, 분석 대상 영상에 포함된 객체가 USB에 해당하는 확률, 칼에 해당하는 확률 및/또는 라이터에 해당하는 확률이 수치 정보에 포함되는 경우, 검출 객체가 USB에 해당하는 확률이 제1 임계값 이상이면 검출된 객체는 USB에 해당한다고 판단될 수 있다. 또한 예컨대, 상기 수치 정보에서 검출 객체가 USB에 해당하는 확률 및 칼에 해당하는 확률이 각각 제1 임계값 이상이고 검출 객체가 USB에 해당하는 확률이 칼에 해당하는 확률보다 큰 경우, 검출된 객체는 우선적으로 USB에 해당한다고 판단될 수 있다.
또한, 예컨대, 복수의 검출 대상 객체들이 있는 경우, 적어도 일부의 검출 대상 객체는 나머지 다른 검출 대상 객체와 다른 임계값이 적용될 수 있다. 그런데 이 경우, 검출해야 되는 객체들의 수가 많아지면 그에 따라 임계값들의 수도 증가하게 될 것이다. 또한, 적어도 일부의 검출 대상 객체에 적용되는 임계값은 나머지 다른 검출 대상 객체에 적용되는 임계값과의 차이가 클 수도 있다. 이와 같이, 임계값들의 수가 증가하거나 임계값간의 차이가 크면, 임계값들 각각의 값을 조정하거나 관리하는데 어려움이 있을 수 있다. 따라서, 복수의 검출 대상 객체들이 있는 경우에, 예컨대, 하나의 대표적인 임계값이 설정되고, 또한 검출 대상 객체의 수만큼 객체 검출과 관련된 민감도 계수가 각각 설정될 수 있다. 그리고, 상기 설정된 임계값과 각각의 민감도 계수를 곱해서 검출 대상 객체 별 최종 임계값이 설정될 수 있다. 상기 최종 임계값이 검출 대상 객체마다의 제1 임계값이 될 수 있다. 결국, 본 개시의 영상 처리 장치 및/또는 영상 처리 방법은 다중 목적물, 즉 복수의 검출 대상 객체들에 대해 객체 검출의 민감도를 개별적으로 조정할 수 있다. 다른 실시예로서, 분석 대상 영상에 포함된 하나 이상의 객체가 검출 대상 객체에 해당하는지에 관한 상기 수치 정보를 획득할 때, 검출 대상 객체 별로 민감도에 관한 내부 파라미터(예컨대, 계수)를 다르게 설정할 수 있다. 예컨대, USB에 대해서는 내부 파라미터를 2로 하고, 칼에 대해서는 내부 파라미터를 1로 할 수 있다. 그리고, 실제 획득된 수치 정보에 상기 내부 파라미터를 적용함으로써, (예컨대, 곱함으로써) 획득된 수치 정보를 보정할 수 있다. 이와 같이 하면, 동일한 수치 정보가 획득되더라도 최종적으로는 칼보다 USB에 대해서 높은 보정 수치 정보가 획득될 수 있으므로, USB와 칼에 대해 동일한 임계값을 이용하더라도, USB에 대한 검출 민감도를 높일 수 있다.
또한, 객체 검출부(120)는 상기 검출된 객체가 검출 대상 객체에 해당하는지에 관한 판단 결과를 출력할 수 있다.
또한, 객체 검출부(120)는 상기 제1 임계값을 조정할 수 있다. 상기 조정은 기설정되어 있거나 사용자에 의해 입력될 수 있다. 예컨대, 상기 제1 임계값을 조정함으로써, 영상에 포함된 객체가 검출 대상 객체에 해당한다고 판단될 가능성, 즉, 객체 검출의 민감도를 조정할 수 있다.
또는, 객체 검출부(120)는 상기 수치 정보의 획득과 관련된 상기 인공지능 모델 내부의 파라미터를 조정함으로써, 객체 검출의 민감도를 조정할 수 있다. 상기 인공지능 모델 내부의 파라미터를 조정하면 하나의 입력 영상에 대해 복수의 서로 다른 수치 정보를 획득할 수 있다. 상기 조정은 기설정되어 있거나 사용자에 의해 입력될 수 있다. 예컨대, 인공지능 모델 내부의 파라미터는 합성곱 신경망에서 합성곱 계층 및/또는 풀링 계층의 필터 커널들 내부의 파라미터일 수 있다.
전술한 바와 같이, 인공지능 모델 내부의 파라미터를 조정함으로써 수치 정보를 조정하거나 또는 제1 임계값을 조정함으로써 검출된 객체가 검출 대상 객체에 해당하는지에 관한 판단 정도(민감도)를 조정할 수 있다. 결국, 본 개시의 영상 처리 장치는 객체 검출 과정에서의 검출 민감도를 조정하기 위해 인공지능 모델 내부의 파라미터를 조정하거나 제1 임계값을 조정할 수 있다.
한편, 의료 영상 분야의 경우, 일반적으로 의사들은 X-Ray 의료 영상에 나타난 여러 가지 특징들에 기초하여 환자들에 대한 진단을 한다. 예컨대, 폐 영상에 나타난 내부 기관들의 여러 가지 특징들에 기초하여 환자의 폐 병변 여부가 진단될 수 있다. 의료 영상에 나타난 영역들을 명확하게 구분할 수 있다면 보다 정확한 진단을 내릴 수 있을 것이다. 따라서, 상기 의료 영상에서 영역들을 구분하고 검출할 필요가 있다. 즉, 의료 영상에는 일반적으로 USB, 칼 등의 별개의 객체들이 포함되어 있는 것은 아니나, 내부 장기나 조직, 여러 기관들이 혼재해 있기 때문에 이들을 명확하게 구분할 필요가 있다. 예컨대, 폐 영상의 경우 폐, 에어(air), 흉막, 횡경막 등의 기관들을 보다 명확하게 검출할 필요가 있다. 또는, 폐 영상에는 경화(consolidation), 간질혼탁(interstitial), 혹(nodule), 덩어리(mass), 폐확장부전(atelectasis) 등으로 판단될 수 있는 다양한 영상 내 객체가 존재할 수 있는데, 본 개시에 따라, 이러한 폐 영상 내 객체 검출의 민감도를 조절할 수도 있다.
상기에서는 폐 영상을 예로 들었으나, 이에 한정되지 않는다. 즉, 영상에 기초하여 진단하거나 병변을 검출하는 다양한 의료 영상을 입력으로 하여, 본 개시의 발명을 적용함으로써, 의료 영상 내 객체 검출의 민감도를 조절하는 것도 가능하다. 나아가, 영상이 이용되는 분야와 용도를 불문하고, 입력 영상으로부터 복수의 객체를 검출하고자 하는 모든 분야에 본 개시의 발명이 적용될 수도 있다.
본 개시의 영상 처리 장치 및/또는 영상 처리 방법은 인공지능 모델을 이용하여 의료 영상에 포함된 하나 이상의 영역이 검출 대상 영역에 해당하는지에 관한 수치 정보를 획득할 수 있다. 검출 대상 영역은 미리 설정될 수 있으며, 인공지능 모델은 상기 검출 대상 영역에 대해 미리 학습될 수 있다. 또한, 본 개시의 영상 처리 장치 및/또는 영상 처리 방법은 인공지능 모델 내부의 파라미터를 조정함으로써 수치 정보를 조정하거나 또는 제1 임계값을 조정함으로써 검출된 영역이 검출 대상 영역에 해당하는지에 관한 판단 정도(민감도)를 조정할 수 있다. 검출 대상 영역은 의료 영상의 종류에 따라 달라질 수 있다. 검출 대상 영역은 병변이 발생하였는지를 판단하는 것과 관련된 영역일 수 있다. 예컨대, 폐 영상의 경우 검출 대상 영역은 폐, 에어, 흉막, 횡경막 등의 기관들을 포함할 수 있다.
상기 객체 검출부의 동작은 입력 영상이 의료 영상인 경우에도 적용될 수 있다. 객체 분석부(130)는, 객체 검출부(120)에서 검출 대상 객체로 판단된 하나 이상의 객체에 대해 해당 객체가 상기 검출 대상 객체에 해당하는지의 여부를 2차적으로 판단할 수 있다.
예컨대, 상기 제1 임계값이 상대적으로 큰 경우일 때의 출력 결과는 상기 제1 임계값이 그보다 작은 경우일 때의 출력 결과보다 신뢰성 있는 검출 결과라고 판단될 수 있다. 따라서, 상기 제1 임계값이 상대적으로 작은 경우일 때의 검출된 객체는, 검출 대상 객체에 해당하는지 아니면 상기 검출 대상 객체와 형태적 유사성 등의 이유로 검출된 것으로서 상기 검출 대상 객체에 해당하지 않는지에 관하여 이차적으로 판단할 필요가 있다. 즉, 출력 결과에 대한 과검출 여부 판단이 요구될 수 있다.
예컨대, 상기 2차 검출 단계는, 객체 검출부(120)에서 상기 검출 대상 객체로 판단된 하나 이상의 객체로서, 제2 임계값 이하의 수치 정보를 갖는 객체에 대해서만 수행될 수 있다. 제2 임계값은 검출 대상 객체에 따라 다를 수 있다. 제2 임계값은 기설정되거나 사용자에 의해 입력될 수 있다.
객체 분석부(130)는 영상 매칭 기법 및/또는 영상 인식 기법을 이용할 수 있다. 영상 매칭 기법은 입력 영상과 참조 영상간의 특징점을 추출하여 영상간 유사도를 판단하는 방법일 수 있다. 예컨대, 기업 보안상 반입 금지 물품에 관한 X-ray 영상이 있는 경우처럼 검출 대상 객체에 관한 영상을 미리 확보하고 있는 경우, 상기 검출 대상 객체에 관한 기확보된 영상이 참조 영상으로서 이용될 수 있다. 한편, 영상 인식 기법은 인식(recognition) 또는 분류(classification) 분야에서 일반적으로 이용되는 다양한 방법들이 이용될 수 있다.
객체 분석부(130)는 참조 영상의 유무에 따라 적용 기법을 다르게 적용할 수 있다. 예컨대, 참조 영상이 있는 경우 영상 매칭 기법이나 영상 인식 기법이 적용될 수 있을 것이다. 반면, 참조 영상이 없는 경우에는 입력 영상과 참조 영상간 특징점을 추출 및 비교할 수 없기 때문에 영상 매칭 기법이 적용되기 어려울 수 있다. 또한, 참조 영상이 없는 경우 영상 인식 기법이 적용되기 위해서는 입력 영상을 인식하고 분류할 수 있는 학습된 인공지능 모델이 필요할 수 있다. 예컨대, 상기 인공지능 모델은 객체 검출부(120)에서 이용되는 모델과는 다른 모델일 수 있다.
객체 분석부(130)에서의 이차적인 판단 결과, 객체 검출부(120)에서 판단된 결과와 다른 경우, 본 개시의 영상 처리 장치는 상기 수치 정보에 기초하여 검출 객체가 다른 검출 대상 객체에 해당하는지에 관하여 다시 판단할 수 있다.
예컨대, 검출 객체가 USB에 해당하는 확률, 칼에 해당하는 확률 및/또는 라이터에 해당하는 확률이 수치 정보에 포함되고, 상기 기재된 순서대로 확률값을 가지는 경우, 객체 검출부(120)는 검출 객체를 USB에 해당한다고 일차적으로 판단할 수 있다. 또한, 객체 분석부(130)는 검출 객체가 USB에 해당하는지에 관하여 이차적으로 판단할 수 있다. 객체 분석부(130)에서의 이차적인 판단 결과, 검출 객체가 USB에 해당하지 않은 것으로 판단이 된 경우, 객체 분석부(130)는 이차적인 판단 결과를 최종 결과로서 출력할 수도 있고, 수치 정보에 기초하여 검출 객체가 USB 다음으로 높은 확률값을 가지는(즉, USB를 제외하고 가장 높은 확률값을 가지는) 칼에 해당하는지를 추가적으로 판단할 수 있다. 상기의 추가적인 판단을 함으로써 검출 객체가 검출 대상 객체에 해당하는지 보다 정확하게 판단될 수 있다.
또한, 상기 객체 분석부의 동작은 입력 영상이 의료 영상인 경우에도 적용될 수 있다. 이 경우, 검출 대상 객체는 검출 대상 영역을 의미할 수 있다. 예컨대, 본 개시의 영상 처리 장치 및/또는 영상 처리 방법은 검출 대상 영역으로 판단된 하나 이상의 영역에 대해 해당 영역이 상기 검출 대상 영역에 해당하는지의 여부를 2차적으로 판단할 수 있다.
도 2는 본 개시의 일 실시 예에 따른 영상에 포함된 객체가 검출 대상 객체에 해당하는지를 판단하는 과정을 나타내는 도면이다.
입력 영상(210)은 임의의 물체를 X-Ray 검색 장치에 통과시킴으로써 획득된 X-ray 영상일 수 있다. 예컨대, 입력 영상(210)은 적어도 하나 이상의 검출 대상 객체를 포함하는 영상일 수 있다. 예컨대, 검출 대상 객체는 칼, 라이터, USB, 총 등의 기업 보안상 반입 금지 물품을 포함할 수 있다.
본 개시의 영상 처리 장치는 입력 영상(210)에 대해 인공지능 모델을 이용하여 객체 검출을 수행할 수 있다. 또한, 본 개시의 영상 처리 장치는 상기 검출된 객체가 검출 대상 객체에 해당하는지를 판단할 수 있다. 또한, 본 개시의 영상 처리 장치는 상기 입력 영상에서 검출된 객체의 상기 수치 정보가 제1 임계값 이상인 경우, 상기 검출 객체를 상기 검출 대상 객체로 판단할 수 있다. 또한, 본 개시의 영상 처리 장치는 상기 검출 대상 객체로 판단된 객체를 출력할 수 있다.
예컨대, 본 개시의 영상 처리 장치는 상기 검출 대상 객체로 판단된 객체 영역을 입력 영상에 표시하여, 결과 영상을 생성할 수 있다. 제1 결과 영상(220), 제2 결과 영상(230) 및 제3 결과 영상(240)은 각각 제1 임계값 이상을 가지는 객체 영역들을 입력 영상(210)에 사각형 박스로 표시한 영상일 수 있다. 여기서, 제1 결과 영상(220), 제2 결과 영상(230) 및 제3 결과 영상(240)에 적용된 제1 임계값은 각각 다를 수 있다. 예컨대, 제1 임계값의 크기는 제1 결과 영상(220), 제2 결과 영상(230) 및 제3 결과 영상(240) 순일 수 있다. 도 2를 참조하면, 제1 결과 영상(220)에는 칼에 해당되는 것으로 검출된 제1 영역(222)이 표시될 수 있다. 또한, 제2 결과 영상(230)에는 제1 영역(222) 이외에 USB에 해당되는 것으로 검출된 제2 영역(224)이 추가적으로 표시될 수 있다. 또한, 제3 결과 영상(240)에는 제1 영역(222) 및 제2 영역(224) 이외에 USB에 해당되는 것으로 검출된 제3 영역(226)이 추가적으로 표시될 수 있다.
또한, 본 개시의 영상 처리 장치는 상기 객체 영역을 영상에 표시하기 위해 우선 검출 객체의 위치를 결정할 수 있다. 구체적으로, 본 개시의 영상 처리 장치는 객체 영역을 둘러싸는 사각형 박스(bounding box)를 특정하고, 특정된 사각형 박스에 기초하여, 검출된 객체의 위치 정보를 생성할 수 있다. 객체의 위치 정보는 사각형 박스를 형성하는 네 개의 꼭지점의 위치 정보일 수 있으나, 이에 한정되지 않는다. 예컨대, 위치 정보는 사각형 박스의 하나의 꼭지점의 좌표 (x, y) 및 사각형 박스의 가로 길이(width), 세로 길이(height)에 의해 표현될 수도 있다. 상기 하나의 꼭지점의 좌표 (x, y)는 사각형 박스(262)의 좌측 상단 꼭지점의 좌표일 수 있다. 상기 꼭지점의 좌표 (x, y)는 입력 영상의 좌측 상단 꼭지점의 좌표 (0, 0)을 기준으로 특정될 수 있다.
상술한 바와 같이 수치 정보는 검출 객체가 검출 대상 객체에 해당하는지를 나타내는 확률일 수 있다. 인공지능 모델의 성능이 보장될 수 있는 수준이라고 할 때, 제1 임계값이 클수록 본 개시의 영상 처리 장치에서 검출 대상 객체라고 판단된 객체는 올바르게 판단된 것이라고 볼 수 있다. 즉, 객체 검출에 관한 신뢰도의 관점에서 상기 제1 임계값이 상대적으로 작을 때 검출된 객체의 경우에는 상기 객체가 검출 대상 객체에 부합하는지에 대해 이차적으로 판단될 필요가 있다.
예컨대, 도 2를 참조하면, 제1 임계값의 크기가 가장 작은 경우일 때의 결과 영상인 제3 결과 영상(240)에 표시된 제1 영역(222), 제2 영역(224) 및 제3 영역(226)은 객체 검출에 관한 신뢰도의 관점에서 상기 객체가 검출 대상 객체에 부합하는지에 대해 이차적으로 판단될 필요가 있다. 그런데, 제1 영역(222) 및 제2 영역(224)은 제1 결과 영상(220) 및/또는 제2 결과 영상(230)에 표시된 영역들이고, 제3 영역(226)은 제1 결과 영상(220) 또는 제2 결과 영상(230)에는 표시되지 않은 영역이다. 따라서, 제1 영역(222) 및 제2 영역(224)은 제3 영역(226)과 비교하여 상대적으로 올바르게 판단된 영역이라 볼 수 있다.
따라서, 본 개시의 영상 처리 장치는 상기 제3 영역(226)에 대해 제3 영역(226) 상의 객체가 검출 대상 객체에 해당하는지에 관하여 추가적인 분석을 수행할 수 있다. 예컨대, 본 개시의 영상 처리 장치는 제3 결과 영상(240)에서 추가적인 분석이 필요한 제3 영역(226)을 자르고(crop), 상기 자른 영역(250)에 대해 다양한 형태의 영상 매칭 기법이나 영상 인식 기법들을 적용할 수 있다. 한편, 분석 기법에 따라 검출된 객체를 분석할 수 있는 미리 학습된 인공지능 모델이 필요할 수 있다. 예컨대, 검출 대상 영상이 없는 경우, 딥러닝 모델을 이용하여 검출된 객체를 특정 객체라고 인식하거나 특정 객체로 분류하기 위해서는, 상기 특정 객체를 인식하거나 분류할 수 있는 미리 학습된 딥러닝 모델이 필요할 수 있다.
본 개시의 영상 처리 장치는 제3 영역(226)에 대해 추가적인 분석을 통해 상기 영역 상의 객체가 USB가 아니라고 최종적으로 판단할 수 있다. 또한, 본 개시의 영상 처리 장치는 상기 판단 결과를 출력할 수 있다. 예컨대, 본 개시의 영상 처리 장치는 최종 판단 결과, 검출 대상 객체로 판단된 객체 영역을 입력 영상에 표시할 수 있다. 제4 결과 영상(260)은 제3 영역(226)은 제외하고 제1 영역(222) 및 제2 영역(224)을 입력 영상(210)에 사각형 박스로 표시한 영상이다.
다른 실시 예로서, 본 개시의 영상 처리 장치는, 객체 검출의 민감도를 조정하기 위해, 상기 수치 정보의 획득과 관련된 상기 인공지능 모델 내부의 파라미터를 조정할 수 있다. 상기 인공지능 모델 내부의 파라미터를 조정하면 하나의 입력 영상에 대해 복수의 서로 다른 수치 정보를 획득할 수 있다. 상기 조정은 기설정되어 있거나 사용자에 의해 입력될 수 있다. 한편, 도 2에서 제1 결과 영상(220), 제2 결과 영상(230) 및 제3 결과 영상(240)은 제1 임계값 대신 상기 수치 정보를 조정함으로써 획득될 수 있다.
본 개시의 영상 처리 장치는 객체 검출 시 제1 임계값 및/또는 수치 정보의 획득과 관련된 상기 인공지능 모델 내부의 파라미터를 조정할 수 있다. 또한, 본 개시의 제1 임계값 및/또는 수치 정보의 획득과 관련된 상기 인공지능 모델 내부의 파라미터는 자동적으로 조정될 수 있다. 상기 조정은 기설정되어 있거나 사용자에 의해 입력될 수 있다. 이와 같이, 자동적으로 제1 임계값 및/또는 수치 정보의 획득과 관련된 상기 인공지능 모델 내부의 파라미터를 조절함으로써 그에 대응되는 검출 결과를 생성할 수 있으며, 생성된 검출 결과에 대해 추가적인 객체 분석을 수행할 수 있다. 따라서, 본 개시의 영상 처리 장치는 단순히 일차적인 객체 검출 결과만으로 객체 분석을 완료하는 것이 아니라, 해당 결과를 선별하고, 선별된 결과에 대해 추가적인 객체 인식 기법 등을 적용함으로써 보다 안정적인 인공지능의 성능을 보장할 수 있다.
또한, 본 개시의 영상 처리 장치는 객체를 포함하는 영상으로부터 다중 클래스에 대한 검출 및/또는 2차적인 검증을 수행하는 인공지능 모델을 제공할 수 있다. 예컨대, 다중 클래스에 대한 검출은 인공지능 모델 내부의 파라미터를 조정하거나 제1 임계값을 조정하여 복수의 검출 대상 객체들을 검출하는 것을 의미할 수 있다.
한편, 본 개시의 영상 처리 장치는 영상에 포함된 객체를 검출하거나, 분류하거나 관심 객체의 위치를 찾아내기 위해 분석 대상 영상의 특징을 추출하고, 추출된 특징에 기초하여 맥락 정보를 생성하고, 추출된 특징 및 생성된 맥락 정보를 이용할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 영상의 맥락 정보를 생성하고 분석하는 과정을 나타내는 도면으로서, 본 개시의 영상 처리 장치는 특징 추출부(310), 맥락 생성부(320) 및/또는 특징 및 맥락 분석부(330)를 포함할 수 있다.
구체적으로, 특징 추출부(310)는 입력 영상(312)을 이용하여 입력 영상(312)으로부터 특징을 추출하고, 추출된 특징 정보를 포함하는 특징 영상(314)을 생성할 수 있다. 상기 추출된 특징은 입력 영상의 국소 영역에 대한 특징일 수 있다. 상기 입력 영상(312)은 영상 분석 장치의 입력 영상 또는 합성곱 신경망 모델 내의 각 계층에서의 특징맵을 포함할 수 있다. 또한 상기 특징 영상(314)은 입력 영상(312)에 대해 합성곱 신경망 기법 및/또는 풀링 기법을 적용하여 획득된 특징맵 및/또는 특징 벡터를 포함할 수 있다. 맥락 생성부(320)는 특징 추출부(310)에서 추출된 특징 영상(314)에 대해 합성곱 신경망 기법 및/또는 풀링 기법을 적용하여 맥락 정보를 생성할 수 있다. 예컨대, 상기 맥락 정보는 분석 대상 영상의 전체 또는 일부 영역을 나타내는 대표값일 수 있다. 또한 상기 맥락 정보는 입력 영상의 전역적인 맥락 정보일 수 있다. 예컨대, 맥락 생성부(320)는 풀링의 간격(stride)을 다양하게 조절함으로써 영상 전체, 4등분 영역, 9등분 영역 등의 다양한 크기(scale)의 맥락 정보를 생성할 수 있다. 예컨대, 영상 전체 크기의 영상에 대한 맥락 정보를 포함하는 전체 맥락 정보 영상(322), 영상 전체를 4등분한 크기의 4등분 영상에 대한 맥락 정보를 포함하는 4등분 맥락 정보 영상(324) 및 영상 전체를 9등분한 크기의 9등분 영상에 대한 맥락 정보를 포함하는 9등분 맥락 정보 영상(326)이 획득될 수 있다. 특징 및 맥락 분석부(330)는 상기 특징 영상(314)과 상기 맥락 정보 영상(322, 324, 326)을 모두 이용하여 분석 대상 영상의 특정 영역에 대한 분석을 보다 정확히 수행할 수 있다.
예컨대, 자동차(car)와 유사한 형태를 갖는 보트(boat)가 포함된 영상이 입력 영상인 경우, 특징 추출부(310)가 추출한 국소적인 특징을 포함하는 특징 영상(314)으로부터는 상기 식별된 객체가 자동차인지 보트인지 정확히 판단할 수 없다. 즉, 특징 추출부(310)는 국소적인 특징에 기초하여 객체의 형상을 인식할 수 있으나, 해당 객체의 형상만 가지고는 정확히 객체를 식별하고 분류할 수 없는 경우가 있다. 맥락 생성부(320)는 상기 분석 대상 영상 또는 상기 특징 영상(214)에 기초하여 맥락 정보(322, 324, 326)를 생성함으로써, 보다 정확히 객체를 식별하고 분류할 수 있다. 예컨대, 전체 영상에 대해 추출된 특징이 “자연 경관”으로 인식 또는 분류되고, 4등분 영상에 대해 추출된 특징이 “호수”로 인식 또는 분류되고, 9등분 영상에 대해 추출된 특징이 “물”로 인식 또는 분류되는 경우, 상기 추출된 특징인 “자연 경관”, “호수”, “물”을 맥락 정보로서 생성하고 활용할 수 있다. 특징 및 맥락 분석부(330)는 상기 맥락 정보를 활용함으로써, 상기 보트 또는 자동차의 형상을 갖는 객체를 “보트”로 식별할 수 있다.
도 3을 참조하여 설명한 실시 예에서는 전체 영상에 대한 맥락 정보, 4등분 영상에 대한 맥락 정보, 9등분 영상에 대한 맥락 정보를 생성하고 활용하는 것에 대해 설명하였으나, 맥락 정보를 추출하는 영상의 크기는 이에 한정되지 않는다. 예컨대, 전술한 크기의 영상 이외의 크기를 갖는 영상에 대한 맥락 정보를 생성하고 활용할 수도 있다.
도 4는 본 개시의 일 실시 예에 따른 영상 처리 장치가 영상을 분석하여 객체를 검출하는 과정을 나타내는 도면이다.
예컨대, 영상 처리 장치(400)는 영상(410)을 입력 받고, 다양한 크기의 영상 영역에 대한 정보를 생성함으로써, 영상(410)에 포함된 객체를 정확히 검출 및/또는 분류할 수 있다. 입력 영상(410)은 예컨대, 가방을 포함하는 X-ray 영상일 수 있다. 영상 처리 장치(400)는 전술한 바에 따라 입력 영상(410)을 분석하여, 영상 전체에 대한 특징, 영상의 일부 영역에 대한 특징을 추출하고 이를 이용하여 영상(410)에 포함된 객체를 정확히 식별할 수 있다. 상기 영상 전체에 대한 특징(422)은 예컨대, 가방의 형상에 대한 특징일 수 있다. 상기 영상의 일부 영역에 대한 특징은 예컨대, 손잡이에 대한 특징(424), 지퍼에 대한 특징(426, 고리에 대한 특징(428) 등을 포함할 수 있다. 영상 처리 장치(400)는 상기 생성된 특징들(422, 424, 426, 428)을 맥락 정보로서 활용함으로써, 상기 영상(410)에 포함된 객체가 “가방”이라는 것을 정확히 식별할 수 있다. 만약 상기 생성된 특징들 중 일부가 “가방”과 관련이 없는 특징이라면, 영상 처리 장치(400)는 상기 영상(410)에 포함된 객체가 “가방”이라고 식별할 수 없거나 또는 상기 영상(410)에 포함된 객체를 “가방”으로 식별할 수 없다는 분석 결과를 제공할 수 있다.
또한, 본 개시의 영상 처리 장치는 입력 영상에 포함된 하나 이상의 객체를 검출하거나, 최종 출력 영상을 생성하기 위해 객체의 물성에 따라 색상 표현 범위가 상이하다는 특징을 이용할 수 있다.
도 5는 본 개시의 일 실시 예에 따른 객체의 물성에 기초하여 색상이 표현된 영상을 나타내는 도면으로서, X-Ray 판독 기기에 의해 촬영된 가방 영상(500), 의약품용기 영상(510) 및 캐리어 가방 영상(520)을 나타낸다. 가방 고리(502), 가방 지퍼(504), 의약품(512) 및 병(522)의 경우 각각 객체의 물성에 따라 색상 표현 범위가 상이함을 확인할 수 있다. 한편, 가방 고리(502), 가방 지퍼(504), 의약품(512) 및 병(522)은 다른 객체들과 구분될 수 있도록 비교적 선명하게 색상이 표현되어 있는 반면에, 캐리어 가방 내의 임의의 내용물(524)의 경우에는 캐리어 가방 영상(520)에서 그 임의의 내용물(524)이 무엇인지도 확인하기 어렵고 다른 객체들과 구분하기에도 용이하지 않음을 알 수 있다. 따라서, 본 개시의 영상 처리 장치는 색상 표현 범위에 따라 영상의 강화 정도를 다르게 할 수 있다. 이를 위해, 분할된 영역들 각각에 대한 색상 분포를 분석하여 적어도 일부의 영역에 대해 가중치를 적용할 수 있다.
상기 하나 이상의 가중치는 n개의 색상 표현 범위 중 적어도 일부에 대한 가중치를 포함할 수 있다. 예컨대, 하나의 영역이 n개의 색상 표현 범위를 가진다고 하면, 해당 영역에서의 가중치의 개수는 1부터 n개를 가질 수 있다.
예컨대, 하나의 영역에 대해 하나의 가중치가 결정되는 경우, 상기 하나의 영역에 포함된 모든 색상 표현 범위에 대해 상기 결정된 가중치를 적용할 수 있다. 또는 상기 하나의 영역에 포함된 모든 색상 표현 범위 중 적어도 일부에 대해 상기 결정된 가중치를 적용할 수도 있다. 예컨대, 영상 강화의 대상이 되는 소정의 색상 표현 범위에 대해서만 상기 결정된 가중치를 적용할 수 있다.
또는 예컨대, n개의 색상 표현 범위의 각각에 대해 가중치가 결정될 수 있다. 즉, 하나의 영역에 대한 가중치의 개수는 n일 수 있다. 이 경우, 상기 영역에 포함된 모든 색상 표현 범위의 각각에 대응되는 가중치를 해당하는 색상 표현 범위에 적용할 수 있다. 가중치는 영상 강화의 대상이 되는 소정의 색상 표현 범위에 대해 상대적으로 높은 가중치가 부여될 수 있다.
또는 예컨대, 1보다 크고 n보다 작은 m개의 색상 표현 범위의 각각에 대해 가중치가 결정될 수 있다. 즉, 하나의 영역에 대한 가중치의 개수는 m일 수 있다. 이 경우, 상기 영역에 포함된 색상 표현 범위 중 가중치가 부여된 색상 표현 범위에 대해서만 상기 부여된 가중치를 적용할 수 있다. 영상 강화의 대상이 되는 소정의 색상 표현 범위에 대해 상대적으로 높은 가중치가 부여되는 것은 전술한 바와 같다.
전술한 바와 같이, n개의 색상 표현 범위 중 소정의 색상 표현 범위에 대해서는 가중치를 상대적으로 높게 결정할 수 있다. 예컨대, X-Ray 영상에 포함된 객체가 유기물인 경우 다른 물성(금속, 무기물 등)을 가진 객체에 비해 상대적으로 경계가 덜 선명하게 영상에 표현되는 경우가 많다. 따라서, 분할 영역 중 유기물을 나타내는 색상 표현 범위에 해당하는 부분에 대해서 상대적으로 높은 가중치가 부여될 수 있다.
상대적으로 높은 가중치가 부여되는 상기 소정의 색상 표현 범위는 하나 이상일 수 있다. 예컨대, 전체 색상 표현 범위가 n개일 때, 상대적으로 높은 가중치가 부여되는 상기 소정의 색상 표현 범위는 1 내지 n-1개일 수 있다. 상기 소정의 색상 표현 범위가 복수 개일 때, 각각에 대해 요구되는 영상 강화의 정도는 상이할 수 있으며, 그에 따라 가중치가 부여될 수 있다. 예컨대, 금속->무기물->유기물의 순서로 영상이 선명하게 표현될 때, 유기물에 대한 색상 표현 범위에 대해서만 상대적으로 높은 가중치를 부여할 수도 있으나, 무기물과 유기물에 대해 금속보다 상대적으로 높은 가중치를 부여할 수도 있다. 이때, 무기물보다는 유기물에 상대적으로 높은 가중치가 부여될 수 있다.
예컨대, 각각 0 내지 255의 값을 갖는 Red, Green, Blue의 조합에 의해 색상이 표현될 수 있다. 이 경우, 예컨대, Red로 표현되는 색상 표현 범위는 (R, G, B) = (10~255, 0~10, 0~10)일 수 있다. 또한, 예컨대, Green으로 표현되는 색상 표현 범위는 (R, G, B) = (0~10, 10~255, 0~10)일 수 있다. 또한, 예컨대, Blue로 표현되는 색상 표현 범위는 (R, G, B) = (0~10, 0~10, 10~255)일 수 있다. 예컨대, 적색인 색상 표현 범위가 강화의 대상일 수 있으며, 이 경우, 적색의 색상 표현 범위에 높은 가중치가 부여될 수 있다. 예컨대, 소정의 영역의 색상이 (R, G, B) = (50, 8, 3)으로 표현되는 경우, 해당 색상은 상기 적색의 색상 표현 범위에 포함되므로, 강화의 대상이 된다. 만약 적색의 색상 표현 범위에 부여되는 가중치가 2라면, 해당 영역의 색상은 강화에 의해, (R, G, B) = (50x2, 8x2, 3x2)으로 강화될 수 있다. 또는 특정 요소 색상에만 가중치가 부여되어 (R, G, B) = (50x2, 8, 3)으로 강화될 수도 있다. 상기 가중치는 강화의 정도에 따라 상이하게 결정될 수 있다.
상기 색상의 강화는 Green으로 표현되는 색상 표현 범위 및/또는 Blue로 표현되는 색상 표현 범위에 적응적으로 적용될 수 있다.
각각의 색상 표현 범위에 대해서는 동일하거나 상이한 가중치가 적용될 수 있다. 또는 일부의 색상 표현 범위에 대해서는 가중치가 적용되지 않을 수 있다.
도 6은 본 개시의 일 실시 예에 따른 영상 처리 방법을 설명하기 위한 도면이다.
S600 단계에서 하나 이상의 객체를 포함하는 분석 대상 영상을 수신할 수 있다.
분석 대상 영상은 적어도 하나 이상의 객체를 포함할 수 있다. 예컨대, 영상은 X-Ray 영상 기기가 촬영한 로(raw) 이미지이거나 상기 로 이미지를 저장 또는 전송하기 위한 임의의 형태(포맷)의 이미지일 수 있다. 상기 영상은 X-Ray 판독 기기가 촬영하여 모니터와 같은 출력 장치로 전송하는 영상 정보를 캡쳐하여 데이터화함으로써 획득될 수도 있다.
S610 단계에서 인공지능 모델을 이용하여 상기 분석 대상 영상에 포함된 상기 하나 이상의 객체가 검출 대상 객체에 해당하는지에 관한 수치 정보를 획득할 수 있다.
예컨대, 인공지능 모델은 객체 검출을 위한 딥러닝 모델일 수 있다. 검출 대상 객체는 미리 설정될 수 있으며, 인공지능 모델은 상기 검출 대상 객체에 대해 미리 학습될 수 있다. 또한, 검출 대상 객체는 적용되는 분야에 따라 달라질 수 있다. 예컨대, USB, 노트북, 하드 드라이브 등의 저장 매체, 칼, 라이터, 총 등을 포함할 수 있다. 따라서, 본 개시의 영상 처리 장치 및/또는 영상 처리 방법은 입력되는 영상을 분석해서 특정한 객체를 검출할 수 있으며, 기업 보안 시스템 등의 다양한 분야에 적용될 수 있다.
수치 정보는 하나 이상의 객체를 포함하는 분석 대상 영상에 대해 인공지능 모델을 적용하여 객체를 검출하는 경우, 검출된 객체가 상기 검출 대상 객체에 해당하는지를 나타내는 확률, 점수 또는 분포 등을 의미할 수 있다. 예컨대, 검출 대상 객체가 USB, 칼, 라이터라고 하면 상기 수치 정보는 분석 대상 영상에 포함된 객체가 USB에 해당되는 확률, 칼에 해당되는 확률 및/또는 라이터에 해당되는 확률을 포함할 수 있다.
S620 단계에서 획득된 수치 정보가 제1 임계값 이상인 경우, 1차 검출 단계로서 하나 이상의 객체를 검출 대상 객체로 판단할 수 있다.
제1 임계값은 검출 대상 객체에 따라 다를 수 있다. 제1 임계값은 기설정되거나 사용자에 의해 입력될 수 있다. 상기 제1 임계값을 이용함으로써 본 개시의 객체 판단 방법은 보다 더 신뢰성을 확보할 수 있다. 또한, 예컨대 제1 임계값은 객체 검출에 관련된 매개변수일 수 있다.
한편, 상기 1차 검출 단계의 민감도는 수치 정보의 획득과 관련된 인공지능 모델 내부의 파라미터 또는 제1 임계값을 이용하여 조정할 수 있다. 상기 인공지능 모델 내부의 파라미터를 조정하면 하나의 입력 영상에 대해 복수의 서로 다른 수치 정보를 획득할 수 있다. 상기 조정은 기설정되어 있거나 사용자에 의해 입력될 수 있다. 예컨대, 인공지능 모델 내부의 파라미터는 합성곱 신경망에서 합성곱 계층 및/또는 풀링 계층의 필터 커널들을 포함할 수 있다. 따라서, 인공지능 모델 내부의 파라미터를 조정하여 수치 정보를 조정하거나 또는 제1 임계값을 조정함으로써 검출된 객체가 검출 대상 객체에 해당하는지에 관한 판단 정도를 조정할 수 있다.
S630 단계에서 S620 단계에서 검출 대상 객체로 판단된 하나 이상의 객체에 대해, 2차 검출 단계로서 영상 매칭 기법 또는 영상 인식 기법을 적용함으로써 하나 이상의 객체가 검출 대상 객체에 해당하는지의 여부를 판단할 수 있다.
예컨대, 상기 2차 검출 단계는, S620 단계에서 상기 검출 대상 객체로 판단된 하나 이상의 객체로서, 제2 임계값 이하의 수치 정보를 갖는 객체에 대해서만 수행될 수 있다. 제2 임계값은 검출 대상 객체에 따라 다를 수 있다. 제2 임계값은 기설정되거나 사용자에 의해 입력될 수 있다.
한편, 검출 대상 객체에 관한 영상이 있는 경우(예를 들어, 기업 보안상 반입 금지 물품에 관한 X-ray 영상이 있는 경우), 상기 영상을 이용한 영상 매칭 기법이 적용될 수 있다. 여기서 영상 매칭 기법은, 예컨대, 입력 영상들간의 특징점을 추출하여 영상간 유사도를 판단하는 방법일 수 있다. 또한, 검출 대상 객체에 관한 영상이 없는 경우에는, 인식(recognition) 또는 분류(classification) 분야에서 일반적으로 이용되는 다양한 영상 인식 방법들이 적용될 수 있다.
또한, 상기 이차적인 판단 결과, S620 단계에서 판단된 결과와 다른 경우, 본 개시의 방법은 상기 수치 정보에 기초하여 검출 객체가 다른 검출 대상 객체에 해당하는지에 관하여 다시 판단할 수 있다. 예컨대, 상기 수치 정보에 기초하여 S630 단계에서 판단된 검출 대상 객체를 제외하고 그 다음의 확률값을 가지는 검색 대상 객체에 상기 객체가 해당하는지를 판단할 수 있다.
본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.
본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.
또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.

Claims (23)

  1. 적어도 하나의 프로세서 및 저장매체를 포함하는 영상 분석 장치가 분석 대상 영상을 처리하는 방법에 있어서,
    상기 영상 분석 장치가, 객체를 포함하는 분석 대상 영상을 수신하는 단계;
    상기 영상 분석 장치가, 인공지능 모델을 이용하여 상기 분석 대상 영상에 포함된 상기 객체가 검출 대상 객체에 해당하는지에 관한 수치 정보를 획득하는 단계;
    상기 영상 분석 장치가, 상기 수치 정보가 제 1 임계값 이상인지 여부를 판단하는 1차 검출 단계;
    상기 영상 분석 장치가, 상기 수치 정보가 제 2 임계값 이상인지 여부를 판단하는 2차 검출 단계; 및
    상기 영상 분석 장치가, 상기 1차 검출 단계 및 상기 2차 검출 단계의 결과를 바탕으로 상기 객체가 상기 검출 대상 객체에 해당하는지 여부를 결정하는 단계를 포함하되,
    상기 1차 검출 단계는,
    제1대표 임계값을 설정하는 단계와,
    복수의 검출 대상 객체 각각에 적용되는 복수의 제1가중치 계수를 설정하는 단계와,
    상기 제1대표 임계값에 상기 복수의 제1가중치 계수를 곱셈 연산하여 상기 복수의 검출 대상 객체 각각에 대한 제1최종 임계값을 설정하는 단계와,
    상기 복수의 검출 대상 객체 각각에 대한 제1최종 임계값에 기초하여, 상기 수치 정보가 제 1 임계값 이상인지 여부를 판단하는 단계를 포함하고,
    상기 제 2 임계값은 상기 제 1 임계값보다 크고,
    상기 2차 검출 단계는 상기 수치 정보가 제 1 임계값 이상인 경우에만 수행되는 것을 특징으로 하는, 영상 처리 방법.
  2. 제 1항에 있어서,
    상기 2차 검출 단계는,
    제2대표 임계값을 설정하는 단계와,
    복수의 검출 대상 객체 각각에 적용되는 복수의 제2가중치 계수를 설정하는 단계와,
    상기 제2대표 임계값에 상기 복수의 제2가중치 계수를 곱셈 연산하여 상기 복수의 검출 대상 객체 각각에 대한 제2최종 임계값을 설정하는 단계와,
    상기 복수의 검출 대상 객체 각각에 대한 제2최종 임계값에 기초하여, 상기 수치 정보가 제 2 임계값 이상인지 여부를 판단하는 단계를 포함하는,
    영상 처리 방법.
  3. 제 2항에 있어서,
    상기 제 1 임계값 또는 상기 제 2 임계값은, 상기 인공지능 모델의 학습에 기초하여 결정되는 것을 특징으로 하는, 영상 처리 방법.
  4. 제 1항에 있어서,
    상기 인공지능 모델 내부의 파라미터를 조정함으로써, 상기 1차 검출 단계 또는 상기 2차 검출 단계의 민감도를 조절하는 단계를 더 포함하는, 영상 처리 방법.
  5. 제 1항에 있어서,
    상기 제 1 임계값 및 상기 제 2 임계값은 상기 검출 대상 객체의 종류에 따라 다르게 결정되는 것을 특징으로 하는, 영상 처리 방법.
  6. 제 1항에 있어서,
    상기 수치 정보가 상게 제 1 임계값 이상이고, 상기 제 2 임계값 이하인 경우, 상기 객체는 상기 검출 대상 객체가 아닌 것으로 판단되는 것을 특징으로 하는, 영상 처리 방법.
  7. 제 6항에 있어서,
    상기 객체가 상기 검출 대상 객체가 아닌 것으로 판단되는 경우, 상기 검출 대상 객체의 종류를 변경하는 단계를 더 포함하는, 영상 처리 방법.
  8. 제 1항에 있어서,
    상기 수치 정보를 획득하는 단계는,
    상기 객체의 특징을 추출하는 특징 추출 단계;
    상기 추출된 특징에 기초하여 맥락 정보를 생성하는 맥락 정보 생성 단계; 및
    상기 추출된 특징 및 상기 생성된 맥락 정보에 기초하여 상기 수치 정보를 획득하는 단계를 포함하는 영상 처리 방법.
  9. 제 8항에 있어서,
    상기 맥락 정보 생성 단계는 상기 분석 대상 영상의 전체 또는 일부 영역에 대한 상기 맥락 정보를 생성하는 단계를 포함하고,
    상기 맥락 정보는 상기 분석 대상 영상의 전체 또는 일부 영역을 나타내는 것을 특징으로 하는, 영상 처리 방법.
  10. 제 9항에 있어서,
    상기 맥락 정보 생성 단계는 합성곱 신경망 기법 및 풀링 기법 중 적어도 하나를 상기 추출된 특징에 적용하여 상기 맥락 정보를 생성하는 것을 특징으로 하는, 영상 처리 방법.
  11. 제 10항에 있어서,
    상기 맥락 정보 생성 단계는 상기 풀링의 간격(stride)을 조절함으로써 상기 분석 대상 영상의 전체 또는 일부 영역에 대한 상기 맥락 정보를 생성하는 단계를 포함하는, 영상 처리 방법.
  12. 객체를 포함하는 분석 대상 영상을 수신하는 영상 수신부;
    상기 분석 대상 영상의 분석 결과를 출력하는 출력부; 및
    상기 수신부 및 상기 출력부를 제어하는 프로세서를 포함하되,
    상기 프로세서는,
    인공지능 모델을 이용하여 상기 분석 대상 영상에 포함된 상기 객체가 검출 대상 객체에 해당하는지에 관한 수치 정보를 획득하고,
    상기 수치 정보가 제 1 임계값 이상인지 여부를 판단하는 1차 검출을 수행하고,
    상기 수치 정보가 제 2 임계값 이상인지 여부를 판단하는 2차 검출을 수행하고,
    상기 1차 검출 및 상기 2차 검출의 결과를 바탕으로 상기 객체가 상기 검출 대상 객체에 해당하는지 여부를 결정하되,
    상기 1차 검출 수행은,
    제1대표 임계값을 설정하고,
    복수의 검출 대상 객체 각각에 적용되는 복수의 제1가중치 계수를 설정하고,
    상기 제1대표 임계값에 상기 복수의 제1가중치 계수를 곱셈 연산하여 상기 복수의 검출 대상 객체 각각에 대한 제1최종 임계값을 설정하고,
    상기 복수의 검출 대상 객체 각각에 대한 제1최종 임계값에 기초하여, 상기 수치 정보가 제 1 임계값 이상인지 여부를 판단하고,
    상기 제 2 임계값은 상기 제 1 임계값보다 크고,
    상기 2차 검출은 상기 수치 정보가 제 1 임계값 이상인 경우에만 수행되는 것을 특징으로 하는, 영상 처리 장치.
  13. 제 12항에 있어서,
    상기 2차 검출 수행은,
    제2대표 임계값을 설정하고,
    복수의 검출 대상 객체 각각에 적용되는 복수의 제2가중치 계수를 설정하고,
    상기 제2대표 임계값에 상기 복수의 제2가중치 계수를 곱셈 연산하여 상기 복수의 검출 대상 객체 각각에 대한 제2최종 임계값을 설정하고,
    상기 복수의 검출 대상 객체 각각에 대한 제2최종 임계값에 기초하여, 상기 수치 정보가 제 2 임계값 이상인지 여부를 판단하는 것을 특징으로 하는, 영상 처리 장치.
  14. 제 13항에 있어서,
    상기 제 1 임계값 또는 상기 제 2 임계값은, 상기 인공지능 모델의 학습에 기초하여 결정되는 것을 특징으로 하는, 영상 처리 장치.
  15. 제 12항에 있어서,
    상기 프로세서는
    상기 인공지능 모델 내부의 파라미터를 조정함으로써, 상기 1차 검출 또는 상기 2차 검출의 민감도를 조절하는 것을 특징으로 하는, 영상 처리 장치.
  16. 제 12항에 있어서,
    상기 제 1 임계값 및 상기 제 2 임계값은 상기 검출 대상 객체의 종류에 따라 다르게 결정되는 것을 특징으로 하는, 영상 처리 장치.
  17. 제 12항에 있어서,
    상기 수치 정보가 상게 제 1 임계값 이상이고, 상기 제 2 임계값 이하인 경우, 상기 객체는 상기 검출 대상 객체가 아닌 것으로 판단되는 것을 특징으로 하는, 영상 처리 장치.
  18. 제 17항에 있어서,
    상기 프로세서는,
    상기 객체가 상기 검출 대상 객체가 아닌 것으로 판단되는 경우, 상기 검출 대상 객체의 종류를 변경하는, 영상 처리 장치.
  19. 제 12항에 있어서,
    상기 프로세서는,
    상기 객체의 특징을 추출하고,
    상기 추출된 특징에 기초하여 맥락 정보를 생성하고,
    상기 추출된 특징 및 상기 생성된 맥락 정보에 기초하여 상기 수치 정보를 획득하는 것을 특징으로 하는, 영상 처리 장치.
  20. 제 19항에 있어서,
    상기 맥락 정보는 상기 분석 대상 영상의 전체 또는 일부 영역에 대해서 생성되고,
    상기 맥락 정보는 상기 분석 대상 영상의 전체 또는 일부 영역을 나타내는 것을 특징으로 하는, 영상 처리 장치.
  21. 제 20항에 있어서,
    상기 맥락 정보는 합성곱 신경망 기법 및 풀링 기법 중 적어도 하나를 상기 추출된 특징에 적용하여 생성되는 것을 특징으로 하는, 영상 처리 장치.
  22. 제 21항에 있어서,
    상기 맥락 정보는 상기 풀링의 간격(stride)을 조절함으로써, 상기 분석 대상 영상의 전체 또는 일부 영역에 대해서 생성되는 것을 특징으로 하는, 영상 처리 장치.
  23. 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체로서,
    상기 컴퓨터에 의해 판독되는 상기 프로그램은,
    객체를 포함하는 분석 대상 영상을 수신하는 단계;
    인공지능 모델을 이용하여 상기 분석 대상 영상에 포함된 상기 객체가 검출 대상 객체에 해당하는지에 관한 수치 정보를 획득하는 단계;
    상기 수치 정보가 제 1 임계값 이상인지 여부를 판단하는 1차 검출 단계;
    상기 수치 정보가 제 2 임계값 이상인지 여부를 판단하는 2차 검출 단계; 및
    상기 1차 검출 단계 및 상기 2차 검출 단계의 결과를 바탕으로 상기 객체가 상기 검출 대상 객체에 해당하는지 여부를 결정하는 단계를 실행하는 프로그램을 포함하되,
    상기 1차 검출 단계는,
    제1대표 임계값을 설정하는 단계와,
    복수의 검출 대상 객체 각각에 적용되는 복수의 제1가중치 계수를 설정하는 단계와,
    상기 제1대표 임계값에 상기 복수의 제1가중치 계수를 곱셈 연산하여 상기 복수의 검출 대상 객체 각각에 대한 제1최종 임계값을 설정하는 단계와,
    상기 복수의 검출 대상 객체 각각에 대한 제1최종 임계값에 기초하여, 상기 수치 정보가 제 1 임계값 이상인지 여부를 판단하는 단계를 포함하고,
    상기 제 2 임계값은 상기 제 1 임계값보다 크고,
    상기 2차 검출 단계는 상기 수치 정보가 제 1 임계값 이상인 경우에만 수행되는 것을 특징으로 하는, 컴퓨터로 판독 가능한 기록 매체.
KR1020190086021A 2019-07-16 2019-07-16 영상 처리 장치 및 방법 KR102188649B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190086021A KR102188649B1 (ko) 2019-07-16 2019-07-16 영상 처리 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190086021A KR102188649B1 (ko) 2019-07-16 2019-07-16 영상 처리 장치 및 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020180096575 Division 2018-08-20

Publications (2)

Publication Number Publication Date
KR20200021398A KR20200021398A (ko) 2020-02-28
KR102188649B1 true KR102188649B1 (ko) 2020-12-09

Family

ID=69638516

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190086021A KR102188649B1 (ko) 2019-07-16 2019-07-16 영상 처리 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102188649B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102416828B1 (ko) * 2020-12-28 2022-07-05 주식회사 래디센 실시간 자동 엑스레이 원시 영상 판독 방법 및 시스템

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022039319A1 (ko) * 2020-08-21 2022-02-24 (주)와토시스 개인정보 비식별화 처리 방법, 검증 방법 및 시스템
KR102633843B1 (ko) * 2021-03-31 2024-02-07 한국과학기술연구원 인공지능 기반 실시간 음향 시뮬레이션 방법 및 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101158041B1 (ko) * 2010-11-01 2012-06-22 전남대학교산학협력단 폐 색전증 검출 시스템 및 그 방법
KR20150098119A (ko) * 2014-02-19 2015-08-27 삼성전자주식회사 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법
KR102112840B1 (ko) * 2014-10-07 2020-05-19 에스케이 텔레콤주식회사 대화형 객체 인식 장치
KR101856867B1 (ko) * 2016-10-26 2018-05-10 고려대학교 산학협력단 구강 병변의 진단 시스템 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102416828B1 (ko) * 2020-12-28 2022-07-05 주식회사 래디센 실시간 자동 엑스레이 원시 영상 판독 방법 및 시스템
WO2022145898A1 (ko) * 2020-12-28 2022-07-07 주식회사 래디센 인공지능 기반 실시간 자동 엑스레이 원시 영상 판독 방법 및 시스템

Also Published As

Publication number Publication date
KR20200021398A (ko) 2020-02-28

Similar Documents

Publication Publication Date Title
Baumgartner et al. SonoNet: real-time detection and localisation of fetal standard scan planes in freehand ultrasound
US11593943B2 (en) RECIST assessment of tumour progression
US10650518B2 (en) Computer aided diagnosis (CAD) apparatus and method
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
Hu et al. Deep learning for the identification of bruised apples by fusing 3D deep features for apple grading systems
EP3637320B1 (en) Computer program, learning apparatus, detecting apparatus, learning method, and detecting method
Ramakrishna et al. Pose machines: Articulated pose estimation via inference machines
Karlinsky et al. The chains model for detecting parts by their context
Sainju et al. Automated bleeding detection in capsule endoscopy videos using statistical features and region growing
KR102188649B1 (ko) 영상 처리 장치 및 방법
KR102045223B1 (ko) 골 연령 분석 방법, 장치 및 컴퓨터 프로그램
Oktay et al. Localization of the lumbar discs using machine learning and exact probabilistic inference
TW201926140A (zh) 影像標註方法、電子裝置及非暫態電腦可讀取儲存媒體
CN106156778A (zh) 用于识别三维机器视觉系统的视野中的已知对象的装置和方法
Khowaja et al. A framework for retinal vessel segmentation from fundus images using hybrid feature set and hierarchical classification
Prasetyo et al. A comparison of yolo and mask r-cnn for segmenting head and tail of fish
Hu et al. Classification of melanoma based on feature similarity measurement for codebook learning in the bag-of-features model
Gonzalo-Martín et al. Improving deep learning sorghum head detection through test time augmentation
Niu et al. Automatic localization of optic disc based on deep learning in fundus images
Khellal et al. Pedestrian classification and detection in far infrared images
KR102048948B1 (ko) 영상 분석 장치 및 방법
KR102158967B1 (ko) 영상 분석 장치, 영상 분석 방법 및 기록 매체
CN107886060A (zh) 基于视频的行人自动检测与跟踪方法
Dieste et al. Resbagan: A residual balancing gan with data augmentation for forest mapping
Balakrishnan et al. Computing WHERE-WHAT classification through FLIKM and deep learning algorithms

Legal Events

Date Code Title Description
A107 Divisional application of patent
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant