KR102223684B1 - 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체 - Google Patents

객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체 Download PDF

Info

Publication number
KR102223684B1
KR102223684B1 KR1020140031510A KR20140031510A KR102223684B1 KR 102223684 B1 KR102223684 B1 KR 102223684B1 KR 1020140031510 A KR1020140031510 A KR 1020140031510A KR 20140031510 A KR20140031510 A KR 20140031510A KR 102223684 B1 KR102223684 B1 KR 102223684B1
Authority
KR
South Korea
Prior art keywords
image
pattern
feature
areas
control unit
Prior art date
Application number
KR1020140031510A
Other languages
English (en)
Other versions
KR20150108567A (ko
Inventor
장언동
전혁준
신형철
전병기
Original Assignee
에스케이플래닛 주식회사
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 에스케이플래닛 주식회사 filed Critical 에스케이플래닛 주식회사
Priority to KR1020140031510A priority Critical patent/KR102223684B1/ko
Priority to PCT/KR2014/010555 priority patent/WO2015133699A1/ko
Publication of KR20150108567A publication Critical patent/KR20150108567A/ko
Application granted granted Critical
Publication of KR102223684B1 publication Critical patent/KR102223684B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체를 개시한다. 즉, 본 발명은 객체 식별을 위한 특징점 학습 시, 이미지에 대해서 사각 영역의 픽셀에 대한 랜덤 패턴 맵을 적용하며, 화이트 패턴과 블랙 패턴을 지정하여 특징 인덱스를 표현하도록 하여 사각 영역의 밝기 평균을 산출함으로써 고속 평균 방식의 디스크립터 적용을 통해 일부 영역의 밝기를 빠르게 산출할 수 있다.

Description

객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체{Object identification apparatus, method thereof and computer readable medium having computer program recorded therefor}
본 발명은 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체에 관한 것으로, 특히 이미지에 대해서 사각 영역의 픽셀에 대한 랜덤 패턴 맵을 적용하며, 화이트 패턴과 블랙 패턴을 지정하여 특징 인덱스를 표현하도록 하여 사각 영역의 밝기 평균을 산출하는 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체에 관한 것이다.
학습 방식 객체 식별은 이미지(또는 영상)로부터 획득되는 특징(또는 특징점)을 근거로 이루어지며, 각 특징을 다양한 형태의 디스크립터로 표현한다.
이러한 학습 방식 객체 식별은 하 라이크 피처(Harr-like feature) 방식을 이용하며, 해당 하 라이크 피처 방식은 이미지에 대해서 특정 패턴을 적용함에 따라 연산 시간이 증가하고 많은 트레이닝을 필요로 한다.
한국등록특허 제10-1064080호 [명칭: 자기 공명 영상에서 밝기 값 분포 및 기울기 정보를 이용한 활성 형상 모델 기반 적립선 영상 자동 분할 장치 및 방법]
본 발명의 목적은 이미지에 대해서 복수 구역으로 나누어진 특징 패턴을 적용하여 이미지에 대한 특징 정보를 산출하는 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체를 제공하는 데 있다.
본 발명의 다른 목적은 복수 구역으로 나누어진 특징 패턴에 대해서 랜덤하게 화이트 패턴과 블랙 패턴으로 미리 설정된(또는 배열된) 특징맵을 통해 이미지의 일부 영역에 대한 밝기 평균을 산출하여 해당 이미지에 대한 특징 정보를 산출하는 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체를 제공하는 데 있다.
본 발명의 실시예에 따른 객체 식별 장치는 이미지에 대해 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용하고, 특징 패턴에 대응하는 미리 설정된 특징맵을 근거로 특징맵의 단위 항목에 포함된 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역을 각각 선택하고, 특징맵에 포함된 하나 이상의 단위 항목별로 각각 선택된 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역에 대한 정보를 이미지에서 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출하는 제어부; 및 산출된 특징 패턴이 위치한 영역의 이미지 특징 정보를 저장하는 저장부를 포함할 수 있다.
본 발명과 관련된 일 예로서 특징 패턴에 포함되는 복수의 구역 각각은 하나의 픽셀 또는 복수의 픽셀로 형성할 수 있다.
본 발명과 관련된 일 예로서 화이트 패턴 구역 및 블랙 패턴 구역은 특징맵에 포함된 복수의 구역 중 하나 이상의 구역에 대한 정보를 각각 포함할 수 있다.
본 발명과 관련된 일 예로서 제어부는 하나 이상의 단위 항목별로 각각 선택된 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값을 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출할 수 있다.
본 발명과 관련된 일 예로서 제어부는 단위 항목별로 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값을 각각 산출하고, 산출된 화이트 패턴 구역의 휘도값의 평균값과 산출된 블랙 패턴 구역의 휘도값의 평균값 간의 차이를 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출할 수 있다.
본 발명과 관련된 일 예로서 제어부는 이미지 중 나머지 모든 영역에 대해서 복수의 구역으로 나뉜 사각형의 특징 패턴을 슬라이딩하면서 적용하여, 전체 이미지의 복수의 영역에 대해서 복수의 영역별 이미지 특징 정보를 산출하고, 산출된 전체 이미지에 대한 복수의 영역별 이미지 특징 정보를 근거로 학습을 수행할 수 있다.
본 발명의 실시예에 따른 객체 식별 장치는 미리 설정된 특징 맵을 구성하는 단위 항목별 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값으로 설정된 복수의 이미지에 대한 복수의 영역별 이미지 특징 정보를 저장하는 저장부; 및 이미지에 대해서 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용하여 산출된 복수의 영역별 이미지 특징 정보와 저장부에 저장된 복수의 이미지에 대한 각각의 복수의 영역별 이미지 특징 정보 간의 유사도를 확인하고, 확인된 유사도를 근거로 이미지 내에 목적으로 하는 객체의 존재 여부를 판단하는 제어부를 포함할 수 있다.
본 발명과 관련된 일 예로서 제어부는, 확인된 유사도가 미리 설정된 기준값 이상일 때, 이미지 내에 목적으로 하는 객체의 존재 여부를 판단하고, 이미지 내에서 객체를 식별할 수 있다.
본 발명과 관련된 일 예로서 제어부는, 확인된 유사도가 미리 설정된 기준값보다 작을 때, 이미지 내에 목적으로 하는 객체가 존재하지 않는 것으로 판단할 수 있다.
본 발명의 실시예에 따른 객체 식별 방법은 제어부를 통해 이미지에 대해 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용하는 단계; 제어부를 통해 특징 패턴에 대응하는 미리 설정된 특징맵을 근거로 특징맵의 단위 항목에 포함된 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역을 각각 선택하는 단계; 제어부를 통해 특징맵에 포함된 하나 이상의 단위 항목별로 각각 선택된 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역에 대한 정보를 이미지에서 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출하는 단계; 및 저장부에 산출된 특징 패턴이 위치한 영역의 이미지 특징 정보를 저장하는 단계를 포함할 수 있다.
본 발명과 관련된 일 예로서 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출하는 단계는 하나 이상의 단위 항목별로 각각 선택된 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값을 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출할 수 있다.
본 발명과 관련된 일 예로서 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출하는 단계는, 단위 항목별로 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값을 각각 산출하는 과정; 및 산출된 화이트 패턴 구역의 휘도값의 평균값과 산출된 블랙 패턴 구역의 휘도값의 평균값 간의 차이를 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출하는 과정을 포함할 수 있다.
본 발명과 관련된 일 예로서 제어부를 통해 특징맵에 포함된 복수의 단위 항목에 대해서 단위 항목별로 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역을 각각 선택하는 과정을 반복 수행하는 단계; 제어부를 통해 이미지 중 나머지 모든 영역에 대해서 복수의 구역으로 나뉜 사각형의 특징 패턴을 슬라이딩하면서 적용하여, 전체 이미지의 복수의 영역에 대해서 복수의 영역별 이미지 특징 정보를 산출하는 단계; 및 제어부를 통해 산출된 전체 이미지에 대한 복수의 영역별 이미지 특징 정보를 근거로 학습을 수행하는 단계;를 더 포함할 수 있다.
본 발명의 실시예에 따른 객체 식별 방법은 제어부를 통해 이미지에 대해서 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용하여, 특징 패턴에 대응하여 미리 설정된 특징 맵을 구성하는 단위 항목별 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값으로 표현되는 복수의 영역별 이미지 특징 정보를 산출하는 단계; 제어부를 통해 산출된 복수의 영역별 이미지 특징 정보와 저장부에 저장된 복수의 이미지에 대한 각각의 복수의 영역별 이미지 특징 정보 간의 유사도를 확인하는 단계; 및 제어부를 통해 확인된 유사도를 근거로 이미지 내에 목적으로 하는 객체의 존재 여부를 판단하는 단계를 포함할 수 있다.
본 발명과 관련된 일 예로서 객체의 존재 여부를 판단하는 단계는, 제어부를 통해 확인된 유사도가 미리 설정된 기준값 이상인지 여부를 판단하는 과정; 판단 결과, 확인된 유사도가 미리 설정된 기준값 이상일 때, 제어부를 통해 이미지 내에 목적으로 하는 객체의 존재 여부를 판단하고, 이미지 내에서 객체를 식별하는 과정; 및 판단 결과, 확인된 유사도가 미리 설정된 기준값보다 작을 때, 제어부를 통해 영상 내에 목적으로 하는 객체가 존재하지 않는 것으로 판단하는 과정을 포함할 수 있다.
본 발명의 실시예에 따른 컴퓨터 프로그램이 기록된 기록매체에는 상술한 실시예에 따른 방법을 수행하는 컴퓨터 프로그램이 저장될 수 있다.
본 발명은 이미지에 대해서 복수 구역으로 나누어진 특징 패턴을 적용하여 이미지에 대한 특징 정보를 산출함으로써, 한 번에 특징을 추출할 수 있는 영역이 넓어 빠른 처리를 수행하며, 특징 추출 성능을 향상시키는 효과가 있다.
또한, 본 발명은 복수 구역으로 나누어진 특징 패턴에 대해서 랜덤하게 화이트 패턴과 블랙 패턴으로 미리 설정된(또는 배열된) 특징맵을 통해 이미지의 일부 영역에 대한 밝기 평균을 산출하여 해당 이미지에 대한 특징 정보를 산출함으로써, 고속 평균 방식의 디스크립터 적용을 통해 일부 영역의 밝기를 빠르게 산출하는 효과가 있다.
도 1은 본 발명의 실시예에 따른 객체 식별 장치(10)의 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 특징 패턴의 예를 나타낸 도이다.
도 3은 본 발명의 실시예에 따른 특징맵의 예를 나타낸 도이다.
도 4는 본 발명의 제 1 실시예에 따른 객체 식별 방법을 나타낸 흐름도이다.
도 5는 본 발명의 실시예에 따른 이미지를 나타낸 도이다.
도 6은 본 발명의 제 2 실시예에 따른 객체 식별 방법을 나타낸 흐름도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서 "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
도 1은 본 발명의 실시예에 따른 객체 식별 장치(10)의 구성을 나타낸 블록도이다.
도 1에 도시된 바와 같이, 객체 식별 장치(10)는 저장부(100) 및 제어부(200)로 구성된다. 도 1에 도시된 객체 식별 장치(10)의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 1에 도시된 구성 요소보다 많은 구성 요소에 의해 객체 식별 장치(10)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 객체 식별 장치(10)가 구현될 수도 있다.
제어부(200)는 이미지(또는 영상)에 대해 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용한다. 이후, 제어부(200)는 특징 패턴에 대응하여 미리 설정된 특징맵을 구성하는 단위 항목에 포함된 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역을 선택한다. 이후, 제어부(200)는 복수의 단위 항목별로 각각 선택되는 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역의 정보(또는 휘도값의 평균값)를 해당 특징 패턴이 위치한 이미지 영역에서의 특징 정보(또는 이미지 특징 정보)로 산출한다. 또한, 제어부(200)는 이미지 중 나머지 모든 영역에 대해서도 복수의 구역으로 나뉜 사각형의 특징 패턴을 슬라이딩하면서 적용하여 전체 원본 이미지의 복수의 영역에 대해서 각각 이미지 특징 정보(또는 복수의 영역별 이미지 특징 정보)를 산출한다. 이후, 제어부(200)는 산출된 원본 이미지에 대한 복수의 영역별 이미지 특징 정보를 근거로 학습을 한다. 또한, 제어부(200)는 미리 학습된 복수의 이미지에 대한 복수의 영역별 이미지 특징 정보를 근거로 다른 이미지로부터 산출된 복수의 영역별 이미지 특징 정보에 대한 객체 식별 기능을 수행한다.
저장부(100)는 사용자 인터페이스(UI), 그래픽 사용자 인터페이스(GUI) 등을 저장한다.
또한, 저장부(100)는 객체 식별 장치(10)가 동작하는데 필요한 데이터와 프로그램 등을 저장한다.
또한, 저장부(100)는 객체 식별 장치(10)에 포함된 입력부(미도시)(또는 카메라(미도시))를 통해 촬영되는 영상(또는 이미지), 객체 식별 장치(10)에 포함된 통신부(미도시)를 통해 수신되는 영상 등을 저장한다.
또한, 저장부(100)는 복수의 구역으로 나뉜 사각형의 특징 패턴, 해당 특징 패턴에 대응하는 미리 설정된 특징맵, 해당 특징맵에 포함되는 복수의(또는 하나 이상의) 단위 항목, 해당 단위 항목에 포함되는 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역 등을 저장한다. 여기서, 화이트 패턴 구역 또는 블랙 패턴 구역은 하나의 픽셀 또는 복수의 픽셀로 형성한다. 이때, 화이트 패턴 구역 또는 블랙 패턴 구역이 하나의 픽셀로 형성된 경우, 해당 화이트 패턴 구역 또는 블랙 패턴 구역은 해당 픽셀의 휘도값을 저장(또는 관리)한다. 또한, 화이트 패턴 구역 또는 블랙 패턴 구역이 복수의 픽셀로 형성된 경우, 해당 화이트 패턴 구역 또는 블랙 패턴 구역은 복수의 픽셀의 휘도값의 평균을 저장한다.
또한, 저장부(100)는 제어부(200)의 제어에 의해 생성되는 이미지에 대한 복수의 영역별 이미지 특징 정보, 학습 결과, 식별된(또는 인식된) 객체 정보 등을 저장한다.
제어부(200)는 객체 식별 장치(10)의 전반적인 제어 기능을 실행한다.
또한, 제어부(200)는 저장부(100)에 미리 저장된 이미지(또는 영상) 또는 통신부나 입력부를 통해 수신되는 이미지에 대해서 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용한다. 여기서, 특징 패턴은 미리 설정된 크기를 갖는다.
즉, 도 2에 도시된 바와 같이, 제어부(200)는 이미지에 대해서 복수의 구역으로 나뉜 사각형의 특징 패턴(210)을 적용한다.
본 발명의 실시예에서는 5×5 매트릭스 형태의 사각형의 특징 패턴에 대해서 설명하고 있으나, 이에 한정되는 것은 아니며, 설계자의 설계에 따라 다양한 크기의 사각형의 특징 패턴으로 다양하게 설계 변경하여 설정할 수도 있다. 또한, 해당 특징 패턴 내의 번호(또는 구역 번호)는 설계자의 설계에 따라 서로 다른 위치로 재설정할 수도 있다.
또한, 제어부(200)는 해당 특징 패턴에 대응하는 특징맵을 설정한다. 여기서, 해당 특징맵은 이미지에 대한 특징 정보를 추출하기 위해서 다른 객체 식별 장치들 간에 상호 공유될 수 있다. 또한, 객체 식별 장치(10)에서 사용되는 특징맵은 다른 객체 식별 장치로부터 제공받은(공유된) 특징맵일 수도 있다.
또한, 도 3에 도시된 바와 같이, 해당 특징맵(300)은 복수의(또는 하나 이상의) 단위 항목(310, 320, 330 등 포함)을 포함한다. 여기서, 각각의 단위 항목(310, 320, 330)은 해당 특징맵(300)에 포함된 복수의 구역 중 하나 이상의 구역에 대한 정보를 포함하는 화이트 패턴 구역(302) 및 블랙 패턴 구역(303)을 포함한다. 이때, 특징맵에 포함되는 단위 항목의 수(또는 특징 인덱스(301)의 수)와 해당 단위 항목에 포함되는 화이트 패턴 구역 및 블랙 패턴 구역에 포함되는 구역의 수는 설계자의 설계에 따라 다양하게 설정할 수 있다.
즉, 도 3에 도시된 바와 같이, 제어부(200)는 3개의 단위 항목(310, 320, 330)에 대해서, 제 1 단위 항목(또는 첫 번째 단위 항목/특징 인덱스가 0인 단위 항목)(510)에 포함되는 하나 이상의 화이트 패턴 구역(예를 들어 0, 6, 7, 8, 9 구역) 및 하나 이상의 블랙 패턴 구역(예를 들어 15, 16, 17 구역)을 선택하고, 제 2 단위 항목(또는 두 번째 단위 항목/특징 인덱스가 1인 단위 항목)(520)에 포함되는 하나 이상의 화이트 패턴 구역(예를 들어 6, 19, 20, 24 구역) 및 하나의 블랙 패턴 구역(예를 들어 0 구역)을 선택하고, 제 3 단위 항목(또는 세 번째 단위 항목/특징 인덱스가 2인 단위 항목)(530)에 포함되는 하나의 화이트 패턴 구역(예를 들어 19 구역) 및 하나 이상의 블랙 패턴 구역(예를 들어 5, 6, 7, 8, 24 구역)을 각각 선택한다.
또한, 제어부(200)는 복수의(또는 하나 이상의) 단위 항목 중에서 각각 선택된 단위 항목별 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역에 대한 정보(또는 해당 구역의 휘도값의 평균값)를 해당 특징 패턴이 위치한 영역의 특징 정보로 산출(또는 설정)한다.
즉, 제어부(200)는 단위 항목별로 하나 이상의 화이트 패턴 구역의 휘도값의 평균값을 산출하고, 단위 항목별로 하나 이상의 블랙 패턴 구역의 휘도값의 평균값을 산출한다. 이후, 제어부(200)는 산출된 화이트 패턴 구역 및 블랙 패턴 구역의 각각의 휘도값의 평균값을 해당 특징 패턴이 위치한 영역의 특징 정보로 산출(또는 설정)한다.
예를 들어, 제어부(200)는 도 3에 도시된 제 1 단위 항목(510)을 구성하는 화이트 패턴 구역에 포함된 0, 6, 7, 8, 9 구역의 휘도값의 평균을 산출하고, 제 1 단위 항목(510)을 구성하는 블랙 패턴 구역에 포함된 15, 16, 17 구역의 휘도값의 평균을 산출하고, 산출된 화이트 패턴 구역 및 블랙 패턴 구역의 평균값을 특징 정보로 산출할 수 있다.
또한, 제어부(200)는 이미지 중 나머지 모든 영역에 대해서도 해당 복수의 구역으로 나뉜 사각형의 특징 패턴을 슬라이딩하면서 적용하여, 전체 원본 이미지의 복수의 영역에 대해서 각각 이미지 특징 정보(또는 복수의 영역별 이미지 특징 정보)를 산출(또는 추출/설정)한다.
또한, 제어부(200)는 산출된 원본 이미지에 대한 복수의 영역별 이미지 특징 정보를 저장부(100)에 저장한다.
또한, 제어부(200)는 산출된 이미지에 대한 복수의 영역별 이미지 특징 정보를 근거로 학습을 한다. 이때, 해당 이미지의 경우, 제어부(200)는 미리 설정된 복수의 서로 다른 크기로 정규화한 후, 정규화된 복수의 이미지 각각에 대해서 복수의 영역별 이미지 특정 정보를 산출할 수도 있다.
또한, 제어부(200)는 산출된 복수의 이미지 각각에 대한 복수의 영역별 이미지 특징 정보를 근거로 학습을 수행할 수도 있다.
또한, 제어부(200)는 학습 결과를 저장부(100)에 저장한다.
또한, 제어부(200)는 저장부(100)에 미리 저장된 다른 이미지(또는 영상) 또는 통신부(미도시)나 입력부(미도시)를 통해 수신되는 다른 이미지에 대해서 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용하여 복수의 영역별 이미지 특징 정보를 산출한다. 여기서, 이미지 특징 정보는 복수의 구역으로 나뉜 사각형의 특징 패턴에 대응하는 미리 설정된 특징 맵을 구성하는 단위 항목별 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값일 수 있다. 또한, 해당 이미지 특징 정보는 단위 항목별 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값 간의 차이일 수도 있다.
또한, 제어부(200)는 산출된 이미지에 대한 복수의 영역별 이미지 특징 정보를 저장부(100)에 저장한다.
또한, 제어부(200)는 저장부(100)에 미리 저장된(또는 학습된/등록된) 복수의 이미지에 대한 각각의 복수의 영역별 이미지 특징 정보와, 다른 이미지에 대해 산출된 복수의 영역별 이미지 특징 정보 간의 유사도를 각각 확인(또는 비교)한다.
또한, 제어부(200)는 확인된 산출된 복수의 영역별 이미지 특징 정보와 저장부(100)에 미리 저장된 복수의 이미지에 대한 각각의 복수의 영역별 이미지 특징 정보 간의 유사도가 미리 설정된 기준값 이상인지 여부를 판단(또는 확인)한다.
즉, 제어부(200)는 확인된 복수의 유사도가 미리 설정된 기준값 이상인지 여부를 각각 판단한다.
판단 결과, 확인된 유사도가 미리 설정된 기준값 이상인 경우, 제어부(200)는 해당 이미지 내에 목적으로 하는 객체가 존재하는 것으로 분류(또는 판단/확인)하고, 해당 이미지 내에서 해당 객체를 식별(또는 인식)하고, 식별된 객체를 저장부(100)에 저장한다.
또한, 판단 결과, 확인된 유사도가 미리 설정된 기준값보다 작은 경우, 제어부(200)는 해당 이미지 내에 목적으로 하는 객체가 존재하지 않는 것으로 분류한다.
이와 같이, 이미지에 대해서 복수 구역으로 나누어진 특징 패턴을 적용하여 이미지에 대한 특징 정보를 산출할 수 있다.
또한, 이와 같이, 복수 구역으로 나누어진 특징 패턴에 대해서 랜덤하게 화이트 패턴과 블랙 패턴으로 미리 설정된(또는 배열된) 특징맵을 통해 이미지의 일부 영역에 대한 밝기 평균을 산출하여 해당 이미지에 대한 특징 정보를 산출할 수 있다.
이하에서는, 본 발명에 따른 객체 식별 방법을 도 1 내지 도 6을 참조하여 상세히 설명한다.
도 4는 본 발명의 제 1 실시예에 따른 객체 식별 방법을 나타낸 흐름도이다.
먼저, 제어부(200)는 원본 이미지 중 일부 영역에 대해서 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용한다. 여기서, 특징 패턴은 미리 설정된 크기를 갖는다. 또한, 해당 구역은 하나의 픽셀 또는 복수의 픽셀로 형성한다.
일 예로, 도 5에 도시한 바와 같이, 제어부(200)는 원본 이미지 중 일부 영역(510)에 대해서 복수의 구역으로 나뉜 사각형의 특징 패턴(520)을 적용한다(S410).
이후, 제어부(200)는 해당 특징 패턴에 대응하는 미리 설정된 특징 맵을 근거로 해당 특징맵을 구성하는 단위 항목에 포함된 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역을 각각 선택(또는 확인)한다. 이때, 제어부(200)는 해당 특징맵에 포함된 복수의(또는 하나 이상의) 단위 항목에 대해서 단위 항목별로 각각 포함된 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역을 선택하는 과정을 반복 수행한다.
일 예로, 도 3에 도시된 바와 같이, 제어부(200)는 도 2에 도시된 사각형의 특징 패턴(210)에 대응하는 미리 설정된 특징맵(300)을 근거로 해당 특징맵(300)에 포함된 제 1 단위 항목(310), 제 2 단위 항목(320) 및 제 3 단위 항목(330)에 해당하는 하나 이상의 화이트 패턴 구역(302) 및 하나 이상의 블랙 패턴 구역(303)을 각각 선택한다.
즉, 도 3에 도시된 바와 같이, 제어부(200)는 특징맵(300)에서 제 1 단위 항목(또는 첫 번째 단위 항목/특징 인덱스가 0인 단위 항목)(310)에 포함되는 하나 이상의 화이트 패턴 구역(예를 들어 0, 6, 7, 8, 9 구역) 및 하나 이상의 블랙 패턴 구역(예를 들어 15, 16, 17 구역)을 선택하고, 제 2 단위 항목(또는 두 번째 단위 항목/특징 인덱스가 1인 단위 항목)(320)에 포함되는 하나 이상의 화이트 패턴 구역(예를 들어 6, 19, 20, 24 구역) 및 하나의 블랙 패턴 구역(예를 들어 0 구역)을 선택하고, 제 3 단위 항목(또는 세 번째 단위 항목/특징 인덱스가 2인 단위 항목)(330)에 포함되는 하나의 화이트 패턴 구역(예를 들어 19 구역) 및 하나 이상의 블랙 패턴 구역(예를 들어 5, 6, 7, 8, 24 구역)을 각각 선택한다(S420).
이후, 제어부(200)는 복수의(또는 하나 이상의) 단위 항목 중에서 각각 선택된 단위 항목별 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역에 대한 정보(또는 해당 구역의 휘도값의 평균값)를 해당 특징 패턴이 위치한 영역의 특징 정보로 산출한다.
즉, 제어부(200)는 단위 항목별로 하나 이상의 화이트 패턴 구역의 휘도값의 평균값을 산출하고, 단위 항목별로 하나 이상의 블랙 패턴 구역의 휘도값의 평균값을 산출한다. 이후, 제어부(200)는 산출된 화이트 패턴 구역 및 블랙 패턴 구역의 각각의 휘도값의 평균값을 해당 특징 패턴이 위치한 영역의 특징 정보로 산출(또는 설정)한다. 이때, 제어부(200)는 산출된 화이트 패턴 구역의 휘도값의 평균값과 산출된 블랙 패턴 구역의 휘도값의 평균값 간의 차이를 해당 특징 패턴이 위치한 영역의 특징 정보로 산출할 수도 있다.
일 예로, 제어부(200)는 도 3에 도시된 제 1 단위 항목(310)에 포함된 하나 이상의 화이트 패턴 구역(예를 들어 0, 6, 7, 8, 9 구역) 및 하나 이상의 블랙 패턴 구역(예를 들어 15, 16, 17 구역)에 대한 제 1 화이트 패턴 구역 평균값 및 제 1 블랙 패턴 구역 평균값을 산출한다. 또한, 제어부(200)는 도 3에 도시된 제 2 단위 항목(320)에 포함된 하나 이상의 화이트 패턴 구역(예를 들어 6, 19, 20, 24 구역) 및 하나의 블랙 패턴 구역(예를 들어 0 구역)에 대한 제 2 화이트 패턴 구역 평균값 및 제 2 블랙 패턴 구역 평균값을 산출한다. 또한, 제어부(200)는 도 3에 도시된 제 3 단위 항목(330)에 포함된 하나의 화이트 패턴 구역(예를 들어 19 구역) 및 하나 이상의 블랙 패턴 구역(예를 들어 5, 6, 7, 8, 24 구역)에 대한 제 3 화이트 패턴 구역 평균값 및 제 3 블랙 패턴 구역 평균값을 산출한다. 이후, 제어부(200)는 제 1 단위 항목(310)에 대해 산출된 제 1 화이트 패턴 구역 평균값 및 제 1 블랙 패턴 구역 평균값, 제 2 단위 항목(320)에 대해 산출된 제 2 화이트 패턴 구역 평균값 및 제 2 블랙 패턴 구역 평균값, 제 3 단위 항목(330)에 대해 산출된 제 3 화이트 패턴 구역 평균값 및 제 3 블랙 패턴 구역 평균값을 해당 이미지에서 사각형의 특징 패턴이 위치한 일부 영역의 이미지 특징 정보로 산출한다.
또한, 제어부(200)는 산출된 제 1 화이트 패턴 구역 평균값 및 제 1 블랙 패턴 구역 평균값 간의 차이, 산출된 제 2 화이트 패턴 구역 평균값 및 제 2 블랙 패턴 구역 평균값 간의 차이, 산출된 제 3 화이트 패턴 구역 평균값 및 제 3 블랙 패턴 구역 평균값 간의 차이를 해당 이미지에서 사각형의 특징 패턴이 위치한 일부 영역의 이미지 특징 정보로 산출할 수도 있다(S430).
이후, 제어부(200)는 원본 이미지 중 나머지 모든 영역에 대해서도 해당 복수의 구역으로 나뉜 사각형의 특징 패턴을 슬라이딩하면서 적용하여, 전체 원본 이미지의 복수의 영역에 대해서 각각 이미지 특징 정보(또는 복수의 영역별 이미지 특징 정보)를 산출(또는 추출/설정)한다.
또한, 제어부(200)는 산출된 원본 이미지에 대한 복수의 영역별 이미지 특징 정보를 저장부(100)에 저장한다(S440).
이후, 제어부(200)는 산출된 원본 이미지에 대한 복수의 영역별 이미지 특징 정보를 근거로 학습을 한다.
또한, 제어부(200)는 학습 결과를 저장부(100)에 저장한다(S450).
도 6은 본 발명의 제 2 실시예에 따른 객체 식별 방법을 나타낸 흐름도이다.
먼저, 제어부(200)는 저장부(100)에 미리 저장된 이미지(또는 영상) 또는 통신부(미도시)나 입력부(미도시)를 통해 수신되는 이미지에 대해서 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용하여 복수의 영역별 이미지 특징 정보를 산출한다. 여기서, 이미지 특징 정보는 복수의 구역으로 나뉜 사각형의 특징 패턴에 대응하는 미리 설정된 특징 맵을 구성하는 단위 항목별 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값일 수 있다. 또한, 해당 이미지 특징 정보는 단위 항목별 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값 간의 차이일 수도 있다.
또한, 제어부(200)는 산출된 이미지에 대한 복수의 영역별 이미지 특징 정보를 저장부(100)에 저장한다(S610).
이후, 제어부(200)는 산출된 복수의 영역별 이미지 특징 정보와 저장부(100)에 미리 저장된(또는 학습된/등록된) 복수의 이미지에 대한 각각의 복수의 영역별 이미지 특징 정보 간의 유사도를 각각 확인(또는 비교)한다.
일 예로, 제어부(200)는 산출된 복수의 영역별 이미지 특징 정보와 저장부(100)에 미리 학습된 ○○개의 이미지에 대한 각각의 복수의 영역별 이미지 특징 정보 간의 유사도를 각각 확인한다(S620).
이후, 제어부(200)는 확인된 산출된 복수의 영역별 이미지 특징 정보와 저장부(100)에 미리 저장된 복수의 이미지에 대한 각각의 복수의 영역별 이미지 특징 정보 간의 유사도가 미리 설정된 기준값 이상인지 여부를 판단(또는 확인)한다.
즉, 제어부(200)는 확인된 복수의 유사도가 미리 설정된 기준값 이상인지 여부를 각각 판단한다.
일 예로, 제어부(200)는 확인된 ○○개의 유사도가 미리 설정된 기준값 이상인지 여부를 각각 판단한다(S630).
판단 결과, 확인된 유사도가 미리 설정된 기준값 이상인 경우, 제어부(200)는 해당 이미지 내에 목적으로 하는 객체가 존재하는 것으로 분류(또는 판단/확인)하고, 해당 이미지 내에서 해당 객체를 식별(또는 인식)하고, 식별된 객체를 저장부(100)에 저장한다.
일 예로, 판단 결과, 확인된 ○○개의 유사도 중에서 미리 설정된 기준값 이상인 유사도가 존재할 때, 제어부(200)는 해당 기준값 이상인 유사도에 대응하는 저장부(100)에 미리 학습된 복수의 영역별 이미지 특징 정보를 근거로 입력 이미지 내에서 해당 객체를 식별하고, 식별된 객체를 저장부(100)에 저장한다(S640).
또한, 판단 결과, 확인된 유사도가 미리 설정된 기준값보다 작은 경우, 제어부(200)는 해당 이미지 내에 목적으로 하는 객체가 존재하지 않는 것으로 분류한다.
일 예로, 판단 결과, 확인된 ○○개의 유사도 모두가 미리 설정된 기준값보다 작을 때, 제어부(200)는 해당 이미지 내에 객체가 존재하지 않는 것으로 분류한다(S650).
본 발명의 실시예에 따른 객체 식별 장치 및 그 방법은 컴퓨터 프로그램으로 작성 가능하며, 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 해당 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 정보저장매체(computer readable media)에 저장되고, 컴퓨터나 본 발명의 실시예에 따른 객체 식별 장치, 사용자 장치(또는 단말) 등에 의하여 읽혀지고 실행됨으로써 객체 식별 장치 및 그 방법을 구현할 수 있다.
정보저장매체는 자기 기록매체, 광 기록매체 및 캐리어 웨이브 매체를 포함한다. 본 발명의 실시예에 따른 객체 식별 장치 및 그 방법을 구현하는 컴퓨터 프로그램은 객체 식별 장치, 사용자 장치 등의 내장 메모리에 저장 및 설치될 수 있다. 또는, 본 발명의 실시예에 따른 객체 식별 장치 및 그 방법을 구현하는 컴퓨터 프로그램을 저장 및 설치한 스마트 카드 등의 외장 메모리가 인터페이스를 통해 객체 식별 장치, 사용자 장치 등에 장착될 수도 있다.
본 발명의 실시예는 앞서 설명된 바와 같이, 이미지에 대해서 복수 구역으로 나누어진 특징 패턴을 적용하여 이미지에 대한 특징 정보를 산출하여, 한 번에 특징을 추출할 수 있는 영역이 넓어 빠른 처리를 수행하며, 특징 추출 성능을 향상시킬 수 있다.
또한, 본 발명의 실시예는 앞서 설명된 바와 같이, 복수 구역으로 나누어진 특징 패턴에 대해서 랜덤하게 화이트 패턴과 블랙 패턴으로 미리 설정된(또는 배열된) 특징맵을 통해 이미지의 일부 영역에 대한 밝기 평균을 산출하여 해당 이미지에 대한 특징 정보를 산출하여, 고속 평균 방식의 디스크립터 적용을 통해 일부 영역의 밝기를 빠르게 산출할 수 있다.
전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
본 발명은 객체 식별을 위한 특징점 학습 시, 이미지에 대해서 사각 영역의 픽셀에 대한 랜덤 패턴 맵을 적용하며, 화이트 패턴과 블랙 패턴을 지정하여 특징 인덱스를 표현하도록 하여 사각 영역의 밝기 평균을 산출함으로써 고속 평균 방식의 디스크립터 적용을 통해 일부 영역의 밝기를 빠르게 산출하는 것으로, 영상 처리 분야, 객체 식별/인식 분야 등에서 광범위하게 이용될 수 있다.
10: 객체 식별 장치 100: 저장부
200: 제어부

Claims (16)

  1. 이미지에 대해 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용하고, 상기 특징 패턴에 대응하는 미리 설정된 특징맵을 근거로 상기 특징맵의 단위 항목에 포함된 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역을 각각 선택하고, 상기 특징맵에 포함된 하나 이상의 단위 항목별로 각각 선택된 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역에 대한 정보를 상기 이미지에서 상기 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출하는 제어부; 및
    상기 산출된 특징 패턴이 위치한 영역의 이미지 특징 정보를 저장하는 저장부를 포함하며,
    상기 제어부는, 상기 하나 이상의 단위 항목별로 각각 선택된 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값을 상기 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출하고, 상기 이미지 중 나머지 모든 영역에 대해서 상기 특징 패턴을 슬라이딩하면서 적용하여, 상기 이미지 전체를 구성하는 복수의 영역에 대해서 상기 복수의 영역별 이미지 특징 정보를 산출한 후 상기 저장부에 저장하며, 복수의 이미지 각각에 대해 상기 복수의 영역별 이미지 특징 정보를 산출하여 상기 저장부에 저장하고,
    상기 제어부는, 특정 이미지에 대해서 상기 특징 패턴을 적용하여 산출된 복수의 영역별 이미지 특징 정보와 상기 저장부에 저장된 상기 복수의 이미지 각각에 대한 복수의 영역별 이미지 특징 정보 간의 유사도를 확인하고, 상기 확인된 유사도를 근거로 상기 특정 이미지 내에 목적으로 하는 객체의 존재 여부를 판단하는 것을 특징으로 하는 객체 식별 장치.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 제어부를 통해 이미지에 대해 복수의 구역으로 나뉜 사각형의 특징 패턴을 적용하는 단계;
    상기 제어부를 통해 상기 특징 패턴에 대응하는 미리 설정된 특징맵을 근거로 상기 특징맵의 단위 항목에 포함된 하나 이상의 화이트 패턴 구역 및 하나 이상의 블랙 패턴 구역을 각각 선택하는 단계;
    상기 제어부를 통해 상기 특징맵에 포함된 하나 이상의 단위 항목별로 각각 선택된 하나 이상의 화이트 패턴 구역의 휘도값의 평균값 및 하나 이상의 블랙 패턴 구역의 휘도값의 평균값을 상기 이미지에서 상기 특징 패턴이 위치한 영역의 이미지 특징 정보로 산출하고, 상기 이미지 중 나머지 모든 영역에 대해서 상기 특징 패턴을 슬라이딩하면서 적용하여 상기 이미지 전체를 구성하는 복수의 영역에 대해서 상기 복수의 영역별 이미지 특징 정보를 산출하여 저장부에 저장하는 단계;
    상기 제어부를 통해 복수의 이미지 각각에 대해 상기 복수의 영역별 이미지 특징 정보를 산출하여 상기 저장부에 저장하는 단계;
    상기 제어부를 통해 특정 이미지에 대해 상기 특징 패턴을 적용하여 산출된 복수의 영역별 이미지 특징 정보와 상기 저장부에 저장된 상기 복수의 이미지 각각에 대한 복수의 영역별 이미지 특징 정보 간의 유사도를 확인하는 단계; 및
    상기 제어부를 통해 상기 확인된 유사도를 근거로 상기 특정 이미지 내에 목적으로 하는 객체의 존재 여부를 판단하는 단계를 포함하는 객체 식별 방법.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
KR1020140031510A 2014-03-06 2014-03-18 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체 KR102223684B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140031510A KR102223684B1 (ko) 2014-03-18 2014-03-18 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체
PCT/KR2014/010555 WO2015133699A1 (ko) 2014-03-06 2014-11-05 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140031510A KR102223684B1 (ko) 2014-03-18 2014-03-18 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체

Publications (2)

Publication Number Publication Date
KR20150108567A KR20150108567A (ko) 2015-09-30
KR102223684B1 true KR102223684B1 (ko) 2021-03-04

Family

ID=54246498

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140031510A KR102223684B1 (ko) 2014-03-06 2014-03-18 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체

Country Status (1)

Country Link
KR (1) KR102223684B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001101405A (ja) * 1999-09-30 2001-04-13 Matsushita Electric Ind Co Ltd 画像認識方法及び画像認識装置
JP2006350645A (ja) * 2005-06-15 2006-12-28 Matsushita Electric Ind Co Ltd 対象物検出装置及びその学習装置
JP2008152672A (ja) 2006-12-19 2008-07-03 Fujitsu Ten Ltd 画像認識装置、画像認識方法および電子制御装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0921610A (ja) * 1995-07-04 1997-01-21 N T T Data Tsushin Kk 画像処理装置及び画像処理方法
KR101064080B1 (ko) 2009-08-18 2011-09-08 서울여자대학교 산학협력단 자기 공명 영상에서 밝기 값 분포 및 기울기 정보를 이용한 활성 형상 모델 기반 전립선 영상 자동 분할 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001101405A (ja) * 1999-09-30 2001-04-13 Matsushita Electric Ind Co Ltd 画像認識方法及び画像認識装置
JP2006350645A (ja) * 2005-06-15 2006-12-28 Matsushita Electric Ind Co Ltd 対象物検出装置及びその学習装置
JP2008152672A (ja) 2006-12-19 2008-07-03 Fujitsu Ten Ltd 画像認識装置、画像認識方法および電子制御装置

Also Published As

Publication number Publication date
KR20150108567A (ko) 2015-09-30

Similar Documents

Publication Publication Date Title
CN109117848B (zh) 一种文本行字符识别方法、装置、介质和电子设备
US10896349B2 (en) Text detection method and apparatus, and storage medium
CN106254933B (zh) 字幕提取方法及装置
US9443164B2 (en) System and method for product identification
CN110853033B (zh) 基于帧间相似度的视频检测方法和装置
JP5775225B2 (ja) マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出
US9141874B2 (en) Feature extraction and use with a probability density function (PDF) divergence metric
CN103955660B (zh) 一种批量二维码图像识别方法
US9239948B2 (en) Feature descriptor for robust facial expression recognition
WO2014094627A1 (en) System and method for video detection and tracking
WO2013112753A1 (en) Rules for merging blocks of connected components in natural images
WO2014092979A1 (en) Method of perspective correction for devanagari text
US9171224B2 (en) Method of improving contrast for text extraction and recognition applications
KR102655789B1 (ko) 얼굴 검출 방법 및 장치
US10528844B2 (en) Method and apparatus for distance measurement
CN106991303B (zh) 一种手势验证码的识别方法及装置
US20150146991A1 (en) Image processing apparatus and image processing method of identifying object in image
Yu et al. Accurate system for automatic pill recognition using imprint information
CN110245673B (zh) 车位检测方法及装置
US11741685B2 (en) Commodity identification device, non-transitory computer-readable storage medium, and learning method
CN103198311A (zh) 基于拍摄的图像来识别字符的方法及装置
US9710703B1 (en) Method and apparatus for detecting texts included in a specific image
Wang et al. A Fast and Robust Ellipse‐Detection Method Based on Sorted Merging
CN105190689A (zh) 包括基于毗连特征的对象检测和/或双边对称对象分段的图像处理
US20160358039A1 (en) Apparatus and method for detecting object

Legal Events

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