KR102484375B1 - 색상 및 거리 데이터를 이용한 객체 추종 방법 및 시스템 - Google Patents

색상 및 거리 데이터를 이용한 객체 추종 방법 및 시스템 Download PDF

Info

Publication number
KR102484375B1
KR102484375B1 KR1020190177926A KR20190177926A KR102484375B1 KR 102484375 B1 KR102484375 B1 KR 102484375B1 KR 1020190177926 A KR1020190177926 A KR 1020190177926A KR 20190177926 A KR20190177926 A KR 20190177926A KR 102484375 B1 KR102484375 B1 KR 102484375B1
Authority
KR
South Korea
Prior art keywords
color
data
representative
similarity
image
Prior art date
Application number
KR1020190177926A
Other languages
English (en)
Other versions
KR20210085166A (ko
Inventor
김홍준
김태형
조한민
천홍석
김재성
김시종
Original Assignee
주식회사 트위니
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 주식회사 트위니 filed Critical 주식회사 트위니
Priority to KR1020190177926A priority Critical patent/KR102484375B1/ko
Publication of KR20210085166A publication Critical patent/KR20210085166A/ko
Application granted granted Critical
Publication of KR102484375B1 publication Critical patent/KR102484375B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06K9/6201—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

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

Abstract

색상 및 거리 데이터를 이용한 객체 추종 방법 및 시스템이 개시된다. 일 실시예에 따른 객체 추종 방법은, 카메라로부터 색상 데이터 및 거리 데이터를 포함하는 이미지를 수신하는 단계와, 상기 이미지에서 상기 거리 데이터에 기준하여 선택한 적어도 하나 이상의 후보 객체에 대한 색상 데이터에 기초하여 대상 객체로의 결정에 기준이 되는 참조 객체와 상기 적어도 하나 이상의 후보 객체 간의 유사도를 계산하는 단계와, 상기 유사도 중에서 가장 큰 유사도를 가지는 후보 객체를 상기 대상 객체로 결정하는 단계를 포함한다.

Description

색상 및 거리 데이터를 이용한 객체 추종 방법 및 시스템{METHOD AND SYSTEM FOR OBJECT TRACKING USING COLOR AND DISTANCE DATA}
아래 실시예들은 색상 및 거리 데이터를 이용한 객체 추종 방법 및 시스템에 관한 것이다.
전자 상거래(e-commerce) 시장의 발전으로 물류 센터의 물류랑이 증가하는 추세다. 이에 따라, 물류 센터는 물류 자동화를 위한 로봇 시스템 연구 및 개발을 진행중이다. 현재까지 물류 자동화를 위한 물류 이송 로봇은 아마존(amazon.com)의 Kiva, Schaefer사의 Weasel이 대표적이다. 하지만, 물류 이송 로봇을 사용하려면 QR 코드 혹은 가이드 라인 등과 같은 사전 인프라 구축이 필요하다.
한편, 이미지를 통한 객체 인식을 위해서 신경망(Neural Network) 기반의 이미지 처리 알고리즘을 활용하는 경우가 많다. 신경망 기반의 이미지 처리 알고리즘은 수많은 이미지 데이터를 통한 학습 과정을 거쳐 이미지를 모델링 해야하기 때문에 객체 인식을 위한 소요 시간 및 계산량이 매우 많다. 또한, 신경망 기반의 이미지 처리 알고리즘은 이미지에 특징점이 별로 없거나 배경과 객체 간 분리가 힘든 경우 신뢰성이 떨어진다는 문제점이 존재한다.
이에, 컬러 이미지 및 깊이 이미지를 획득하여 다수의 클러스터들로 클러스터링한 후 클러스터를 기반으로 물체 인식을 수행하는 방법이 존재한다. 하지만, 1차적으로 수행하게 되는 이미지 기반의 클러스터링이 복잡도 및 객체간 거리에 따라 적절한 클러스터로 구분되지 않은 경우 뒤이어지는 객체 인식을 위한 과정들에서 객체 인식이 제대로 수행되지 않을 수 있다.
즉, 이미지를 이용한 신경망 기반의 객체 인식 알고리즘을 사용할 경우, 신뢰도 확보를 위해 참조 객체 이미지가 다수 필요하다는 점, 학습을 통한 모델링에 소요되는 시간 때문에 생기는 문제점 등이 존재한다.
실시예들은 카메라를 통해 획득한 색상 데이터 및 거리 데이터를 이용하여 대상 객체를 인식함으로써, 대상 객체의 인식을 위한 계산량을 감소시키고, 실시간으로 대상 객체를 추종할 수 있는 기술을 제공할 수 있다.
일 실시예에 따른 객체 추종 방법은, 카메라로부터 색상 데이터 및 거리 데이터를 포함하는 이미지를 수신하는 단계와, 상기 이미지에서 상기 거리 데이터에 기준하여 선택한 적어도 하나 이상의 후보 객체에 대한 색상 데이터에 기초하여 대상 객체로의 결정에 기준이 되는 참조 객체와 상기 적어도 하나 이상의 후보 객체 간의 유사도를 계산하는 단계와, 상기 유사도 중에서 가장 큰 유사도를 가지는 후보 객체를 상기 대상 객체로 결정하는 단계를 포함한다.
상기 계산하는 단계는, 상기 이미지에서 상기 거리 데이터를 이용하여 임계 거리 이하에 존재하는 적어도 하나 이상의 후보 객체를 선택하는 단계와, 상기 적어도 하나 이상의 후보 객체를 포함하는 영역의 색상 포멧을 변환하여 색상 히스토그램(histogram)을 생성하는 단계와, 상기 색상 히스토그램에 색상 빈도수 기반의 클러스터링(clustering)을 수행하여 구분된 각 클러스터(cluster)에서의 제1 대표 색상 및 상기 제1 대표 색상의 제1 비율값을 생성하는 단계와, 상기 제1 대표 색상 및 상기 제1 비율값을 상기 참조 객체의 제2 대표 색상 및 상기 제2 대표 색상의 제2 비율값과 비교하여 유사도를 계산하는 단계를 포함할 수 있다.
상기 방법은 상기 거리 데이터를 이용하여 상기 대상 객체에 대한 위치 데이터를 생성하는 단계를 더 포함할 수 있다.
상기 방법은, 상기 위치 데이터에 따라 상기 대상 객체를 추종하기 위한 이송 장치의 이동 경로 데이터를 생성하는 단계와, 상기 이동 경로 데이터에 따라 상기 이송 장치의 제어를 위한 제어 데이터를 생성하는 단계를 더 포함할 수 있다.
일 실시예에 따른 객체 추종 장치는, 객체 추종을 위한 인스트럭션들을 저장하는 메모리와, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 인스트럭션들이 상기 프로세서에 의해 실행될 때, 상기 프로세서는, 카메라로부터 색상 데이터 및 거리 데이터를 포함하는 이미지를 수신하고, 상기 이미지에서 상기 거리 데이터에 기준하여 선택한 적어도 하나 이상의 후보 객체에 대한 색상 데이터에 기초하여 참조 객체와 상기 적어도 하나 이상의 후보 객체 간의 유사도를 계산하고, 상기 유사도 중에서 가장 큰 유사도를 가지는 후보 객체를 대상 객체로 결정한다.
도 1은 일 실시예에 따른 객체 추종 시스템을 나타낸 도면이다.
도 2는 도 1에 도시된 추종 장치를 개략적으로 나타낸 도면이다.
도 3 및 도 4는 추종 장치가 이미지에서 객체를 분리한 일 예를 나타낸 도면이다.
도 5는 추종 장치가 무채색과 유채색을 구분하여 대표색상을 추출하는 일 예를 나타낸 도면이다.
도 6은 추종 장치가 색상의 전역적인 분포와 지역적인 분포 정보를 종합하여 대표 색상을 추출하는 일 예를 나타낸 도면이다.
도 7은 추종 장치의 동작을 설명하기 위한 순서도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
제1 또는 제2 등의 용어가 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해서 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 실시예의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 객체 추종 시스템을 나타낸 도면이다.
객체 추종 시스템(10)은 카메라(100), 추종 장치(200), 및 이송 장치(300)를 포함한다.
객체 추종 시스템(10)은 이미지에 포함된 색상 데이터 및 거리 데이터에 기초하여 대상 객체를 추종하도록 이송 장치(300)를 제어함으로써, QR 코드 혹은 가이드 라인 등과 같은 사전 인프라 구축 없이도 물류 센터에 물류 자동화를 구현할 수 있다.
객체 추종 시스템(10)은 카메라(100)로부터 획득되는 색상 데이터 및 거리 데이터에 기초하여 주변 조명의 색 및 밝기와 관계없이 강인하게 대상 객체를 인식할 수 있다. 객체 추종 시스템(10)은 이송 로봇의 응용 기술 분야 및 환경 인식 기술 분야에 적용될 수 있다.
객체 추종 시스템(10)은 대상 객체를 강인하게 인식하여 추종함으로써, 물류 및 서비스 산업 등 이송 장치(300)의 응용 분야에 적용될 수 있으며 손쉽게 물류 자동화를 구현할 수 있다.
카메라(100)는 색상 데이터 및 거리 데이터를 포함하는 이미지를 촬영할 수 있다. 예를 들어, 카메라(100)는 깊이 카메라(depth camera)로 구현될 수 있다. 카메라(100)는 이미지를 추종 장치(200)로 전송할 수 있다.
추종 장치(200)는 거리 데이터에 따라 이미지에 포함된 적어도 하나 이상의 후보 객체를 분리할 수 있다. 추종 장치(200)는 색상 데이터를 활용한 적어도 하나 이상의 후보 객체와 대상 객체로의 결정에 기준이 되는 참조 객체 간의 유사도 비교를 통해 대상 객체를 결정할 수 있다. 즉, 후보 객체는 이미지에 포함된 모든 객체를 의미할 수 있다. 참조 객체는 이미지에 포함된 모든 객체들 중에서 목표하는 객체를 의미할 수 있다. 대상 객체는 적어도 하나 이상의 후보 객체 중에서 참조 객체와 가장 유사한 객체를 의미할 수 있다. 이에, 추종 장치(200)는 대상 객체 인식을 위한 소요 시간 및 계산량을 대폭 감소시킬 수 있다.
추종 장치(200)는 후보 객체와 참조 객체 간의 유사도 계산 시 포괄적인 정규화(Comprehensive Normalization)를 통해 주변 조명의 밝기 및 색 변화에 강인한 객체 인식을 수행할 수 있다.
추종 장치(200)는 거리 데이터를 이용하여 대상 객체의 위치 데이터를 생성할 수 있다. 추종 장치(200)는 위치 데이터에 기초하여 이송 장치(300)의 제어를 위한 제어 데이터를 생성할 수 있다. 추종 장치(200)는 제어 데이터를 이송 장치(300)로 전송할 수 있다.
이송 장치(300)는 제어 데이터에 응답하여 대상 객체의 위치로 이동할 수 있다. 이송 장치(300)는 제어 데이터에 응답하여 대상 객체를 추종할 수 있다. 예를 들어, 이송 장치(300)와 대상 객체의 위치는 평면상의 좌표(x, y)와 이송 장치(300)가 바라보는 방향 각도로 구성될 수 있다.
도 2는 도 1에 도시된 추종 장치를 개략적으로 나타낸 도면이고, 도 3 및 도 4는 프로세서가 이미지에서 객체를 분리한 일 예를 나타낸 도면이고, 도 5는 프로세서가 무채색과 유채색을 구분하여 대표 색상을 추출하는 일 예를 나타낸 도면이고, 도 6은 프로세서가 색상의 전역적인 분포와 지역적인 분포 정보를 종합하여 대표 색상을 추출하는 일 예를 나타낸 도면이다.
추종 장치(200)는 송수신기(210), 프로세서(230) 및 메모리(250)를 포함할 수 있다.
송수신기(210)는 무선 통신 또는 유선 통신을 통해서 카메라(100) 및 이송 장치(300) 등과 통신할 수 있다. 송수신기(210)는 카메라(100)로부터 색상 데이터 및 거리 데이터를 포함하는 이미지를 수신할 수 있다. 송수신기(210)는 이미지를 프로세서(230)로 전송할 수 있다.
송수신기(210)는 제어 데이터를 이송 장치(300)로 전송할 수 있다.
프로세서(230)는 중앙처리장치, 어플리케이션 프로세서, 또는 커뮤니케이션 프로세서(communication processor) 중 하나 또는 그 이상을 포함할 수 있다.
프로세서(230)는 추종 장치(200)의 적어도 하나의 다른 구성요소들의 제어에 관한 연산이나 데이터 처리를 실행할 수 있다. 예를 들어, 프로세서(230)는 메모리(250)에 저장된 어플리케이션 및/또는 소프트웨어 등을 실행할 수 있다.
프로세서(230)는 송수신기(210)이 수신한 데이터 및 메모리(250)에 저장된 데이터를 처리할 수 있다. 프로세서(230)는 메모리(250)에 저장된 데이터를 처리할 수 있다. 프로세서(230)는 메모리(250)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(230)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
프로세서(230)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(230)는 이미지에서 거리 데이터에 기준하여 선택한 적어도 하나 이상의 후보 객체에 대한 색상 데이터에 기초하여 대상 객체로의 결정에 기준이 되는 참조 객체와 상기 적어도 하나 이상의 후보 객체 간의 유사도를 계산할 수 있다.
도 3 및 도 4를 참조하면, 프로세서(230)는 이미지에서 거리 데이터를 이용하여 임계 거리 이하에 존재하는 적어도 하나 이상의 후보 객체를 선택할 수 있다.
프로세서(230)는 적어도 하나 이상의 후보 객체를 포함하는 영역의 색상 포멧을 변환하여 색상 히스토그램(histogram)을 생성할 수 있다. 예를 들어, 프로세서(230)는 후보 객체를 포함하는 영역의 색상 데이터가 RGB인 경우 YUV로 변환할 수 있다. 프로세서(230)는 색상 데이터를 RGB, YUV, HSB, YIQ 등으로 표현된 데이터를 사용 및 변환할 수 있다. 프로세서(230)는 색상 히스토그램 생성 시 정수 연산만을 사용하여 연산량을 감소시킬 수 있다.
프로세서(230)는 색상 히스토그램에 색상 빈도수 기반의 클러스터링(clustering)을 수행하여 구분된 각 클러스터(cluster)에서의 제1 대표 색상(Dominant Color) 및 제1 대표 색상의 제1 비율값을 생성할 수 있다. 예를 들어, 도 5를 참조하면, 프로세서(230)는 무채색 구역(510)과 유채색 구역(530)을 구분하여 대표 색상을 추출할 수 있다. 도 6을 참조하면, 프로세서(230)는 색상의 전역적인 분포와 지역적인 분포 정보를 종합하여 대표 색상을 추출할 수 있다.
프로세서(230)는 색상 히스토그램을 빈도수가 0인 빈 공간을 기준으로 클러스터링할 수 있다. 프로세서(230)는 색상 히스토그램 내 각각의 클러스터에서 하나 이상의 대표 색상을 선택하여 대표 색상 집합을 구성할 수 있다. 프로세서(230)는 대표 색상 집합에서 대표 색상들을 빈도 수 기준으로 오름차순이 되도록 정렬할 수 있다. 프로세서(230)는 색상 히스토그램 내에서 빈도수 기반의 클러스터링을 수행하고, 각 클러스터에서 대표 색상 및 대표 색상의 비율값을 계산할 수 있다. 프로세서(230)는 대표 색상의 비율값을 대표 색상에 인접한 임계 색상 범위를 포함하여 비율에 합산할 수 있다.
프로세서(230)는 제1 대표 색상 및 제1 비율값을 참조 객체의 제2 대표 색상 및 제2 대표 색상의 제2 비율값과 비교하여 유사도를 계산할 수 있다.
프로세서(230)는 유사도 계산 시 색상 데이터의 행렬을 반복적으로 정규화하여 주변 조명에 대한 민감도를 줄일 수 있다. 프로세서(230)는 조명의 밝기와 조명 색 변화에 따른 RGB 값의 변화가 유사도 계산에 미치는 영향을 줄이기 위해 색상 데이터에 대해 포괄적인 정규화(Comprehensive Normalization)를 수행할 수 있다. 포괄적인 정규화(Comprehensive Normalization)란 색상 데이터에 대한 행(Row) 방향으로의 정규화와 열(Column) 방향으로의 정규화를 멱등점(idempotent point)에 이를 때까지 반복하는 것을 의미할 수 있다. 행 방향으로의 정규화는 조명 세기에 따른 민감도(Sensitivity)를 줄일 수 있다. 열 방향으로의 정규화는 조명 색 변화에 따른 민감도를 줄일 수 있다. 이에, 프로세서(230)는 주변 조명의 색 및 밝기와 관계없이 강인하게 대상 객체를 인식할 수 있다.
프로세서(230)는 유사도 중에서 가장 큰 유사도를 가지는 후보 객체를 대상 객체로 결정할 수 있다. 즉, 프로세서(230)는 복수의 후보 객체들 각각에 대해 계산한 참조 객체와의 유사도 중에서 가장 큰 유사도를 가지는 후보 객체를 대상 객체로 결정할 수 있다.
프로세서(230)는 거리 데이터를 이용하여 대상 객체에 대한 위치 데이터를 생성할 수 있다. 예를 들어, 프로세서(230)는 파티클 필터 혹은 칼만 필터 등과 같은 확률적 기반 필터를 통해 대상 객체에 대한 위치를 추정할 수 있다.
프로세서(230)는 위치 데이터에 따라 대상 객체를 이동시킬 이송 장치(300)의 이동 경로 데이터를 생성할 수 있다. 예를 들어, 프로세서(230)는 이송 장치(300)의 위치 및 방향과 대상 객체에 대한 위치 데이터에 따라 이송 장치(300)가 이동할 이동 경로 데이터를 생성할 수 있다.
프로세서(230)는 이동 경로 데이터에 따라 이송 장치(300)의 제어를 위한 제어 데이터를 생성할 수 있다. 프로세서(230)는 제어 데이터를 송수신기(210)로 전송할 수 있다.
메모리(250)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(250)는, 추종 장치(200)의 적어도 하나의 다른 구성요소에 관계된 명령 및/또는 데이터를 저장할 수 있다.
메모리(250)는 소프트웨어(software) 및/또는 프로그램(program) 등을 저장할 수 있다. 예를 들어, 메모리(250)는 객체 추종을 위한 어플리케이션 및 소프트 웨어 등을 저장할 수 있다.
도 7은 추종 장치의 동작을 설명하기 위한 순서도이다.
추종 장치(200)는 색상 데이터 및 거리 데이터를 포함하는 이미지를 수신할 수 있다(710).
추종 장치(200)는 이미지에서 거리 데이터에 기준하여 선택한 적어도 하나 이상의 후보 객체에 대한 색상 데이터에 기초하여 대상 객체로의 결정에 기준이 되는 참조 객체와 상기 적어도 하나 이상의 후보 객체 간의 유사도를 계산할 수 있다(720).
추종 장치(200)는 유사도 중에서 가장 큰 유사도를 가지는 후보 객체를 대상 객체로 결정할 수 있다(730).
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), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
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.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 청구범위의 범위에 속한다.

Claims (5)

  1. 객체 추종 방법에 있어서,
    카메라로부터 색상 데이터 및 거리 데이터를 포함하는 이미지를 수신하는 단계;
    상기 이미지에서 상기 거리 데이터에 기준하여 선택한 적어도 하나 이상의 후보 객체에 대한 색상 데이터에 기초하여 대상 객체로의 결정에 기준이 되는 참조 객체와 상기 적어도 하나 이상의 후보 객체 간의 유사도를 계산하는 단계;
    상기 유사도 중에서 가장 큰 유사도를 가지는 후보 객체를 상기 대상 객체로 결정하는 단계
    상기 거리 데이터를 이용하여 상기 대상 객체에 대한 위치 데이터를 생성하는 단계
    상기 위치 데이터에 따라 상기 대상 객체를 추종하기 위한 이송 장치의 이동 경로 데이터를 생성하는 단계; 및
    상기 이동 경로 데이터에 따라 상기 이송 장치의 제어를 위한 제어 데이터를 생성하는 단계
    를 포함하고,
    상기 유사도를 계산하는 단계는,
    상기 이미지에서 상기 적어도 하나 이상의 후보 객체를 포함하는 영역의 색상 포멧을 변환하여 색상 히스토그램(histogram)을 생성하는 단계;
    상기 색상 히스토그램에 색상 빈도수 기반의 클러스터링(clustering)을 수행하여 구분된 각 클러스터(cluster)에 대해 하나 이상의 대표 색상으로 구성된 대표 색상 집합에서 대표 색상을 빈도수 기준으로 정렬함으로써 빈도수가 가장 높은 제1 대표 색상 및 상기 제1 대표 색상의 제1 비율값을 생성하는 단계; 및
    상기 제1 대표 색상 및 상기 제1 비율값을 상기 참조 객체의 제2 대표 색상 및 상기 제2 대표 색상의 제2 비율값과 비교하여 유사도를 계산하는 단계
    를 포함하는, 객체 추종 방법.
  2. 제1항에 있어서,
    상기 유사도를 계산하는 단계는,
    상기 이미지에서 상기 거리 데이터를 이용하여 임계 거리 이하에 존재하는 적어도 하나 이상의 후보 객체를 선택하는 단계
    를 더 포함하는 객체 추종 방법.
  3. 삭제
  4. 삭제
  5. 객체 추종 장치에 있어서,
    객체 추종을 위한 인스트럭션들을 저장하는 메모리; 및
    상기 인스트럭션들을 실행하기 위한 프로세서
    를 포함하고,
    상기 인스트럭션들이 상기 프로세서에 의해 실행될 때, 상기 프로세서는,
    카메라로부터 색상 데이터 및 거리 데이터를 포함하는 이미지를 수신하고,
    상기 이미지에서 상기 거리 데이터에 기준하여 선택한 적어도 하나 이상의 후보 객체에 대한 색상 데이터에 기초하여 참조 객체와 상기 적어도 하나 이상의 후보 객체 간의 유사도를 계산하고,
    상기 유사도 중에서 가장 큰 유사도를 가지는 후보 객체를 대상 객체로 결정하고,
    상기 거리 데이터를 이용하여 상기 대상 객체에 대한 위치 데이터를 생성하고, 상기 위치 데이터에 따라 상기 대상 객체를 추종하기 위한 이송 장치의 이동 경로 데이터를 생성하고, 상기 이동 경로 데이터에 따라 상기 이송 장치의 제어를 위한 제어 데이터를 생성하며,
    상기 프로세서는,
    상기 이미지에서 상기 적어도 하나 이상의 후보 객체를 포함하는 영역의 색상 포멧을 변환하여 색상 히스토그램(histogram)을 생성하고, 상기 색상 히스토그램에 색상 빈도수 기반의 클러스터링(clustering)을 수행하여 구분된 각 클러스터(cluster)에서 하나 이상의 대표 색상으로 구성된 대표 색상 집합에서 대표 색상을 빈도수 기준으로 정렬함으로써 빈도수가 가장 높은 제1 대표 색상 및 상기 제1 대표 색상의 제1 비율값을 생성하고, 상기 제1 대표 색상 및 상기 제1 비율값을 상기 참조 객체의 제2 대표 색상 및 상기 제2 대표 색상의 제2 비율값과 비교하여 유사도를 계산하는, 객체 추종 장치.
KR1020190177926A 2019-12-30 2019-12-30 색상 및 거리 데이터를 이용한 객체 추종 방법 및 시스템 KR102484375B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190177926A KR102484375B1 (ko) 2019-12-30 2019-12-30 색상 및 거리 데이터를 이용한 객체 추종 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190177926A KR102484375B1 (ko) 2019-12-30 2019-12-30 색상 및 거리 데이터를 이용한 객체 추종 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20210085166A KR20210085166A (ko) 2021-07-08
KR102484375B1 true KR102484375B1 (ko) 2023-01-03

Family

ID=76893581

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190177926A KR102484375B1 (ko) 2019-12-30 2019-12-30 색상 및 거리 데이터를 이용한 객체 추종 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102484375B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101617182B1 (ko) * 2015-02-24 2016-05-02 (주)파크인서울 차량의 헤드라이트에 강인한 실시간 객체 영역 검출 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110113948A (ko) * 2010-04-12 2011-10-19 전남대학교산학협력단 객체집합 갱신을 이용한 평균이동 알고리즘기반의 객체 추적방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101617182B1 (ko) * 2015-02-24 2016-05-02 (주)파크인서울 차량의 헤드라이트에 강인한 실시간 객체 영역 검출 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
이윤형 외 2인 공저 ‘색, 거리정보를 이용한 강인한 객체추적,’대한전기학회 학술대회 논문집, 2006.07, 1933-1934 (2006.07.) 1부.*

Also Published As

Publication number Publication date
KR20210085166A (ko) 2021-07-08

Similar Documents

Publication Publication Date Title
KR102565279B1 (ko) 객체 검출 방법, 객체 검출을 위한 학습 방법 및 그 장치들
US10325169B2 (en) Spatio-temporal awareness engine for priority tree based region selection across multiple input cameras and multimodal sensor empowered awareness engine for target recovery and object path prediction
US9483714B2 (en) Image processing apparatus and image processing method
KR102108953B1 (ko) 센서 품질 저하에 강인한 딥러닝 기반 카메라, 라이더 센서 융합 인지 방법 및 시스템
KR102476758B1 (ko) 영상 정규화 장치 및 방법
KR102585216B1 (ko) 영상 인식 방법 및 그 장치
US8639021B2 (en) Apparatus and method with composite sensor calibration
Jin et al. Ellipse proposal and convolutional neural network discriminant for autonomous landing marker detection
KR102108951B1 (ko) 영상의 전역 문맥 정보를 활용하는 딥러닝 기반 물체 검출 방법 및 시스템
KR102287891B1 (ko) 라이다와 카메라 퓨전 기술을 이용한 인공지능 기반 골재 품질 분석 방법, 장치 및 시스템
US11694342B2 (en) Apparatus and method for tracking multiple objects
KR102434574B1 (ko) 이미지에 포함된 특징 포인트의 시간 또는 공간의 움직임에 기초하여 이미지에 존재하는 피사체를 인식하는 장치 및 방법
KR102369413B1 (ko) 영상 처리 장치 및 방법
KR101817440B1 (ko) 다중 카메라를 통한 3차원 모델 기반 객체 인식 기법과 시스템
Spencer et al. Scale-adaptive neural dense features: Learning via hierarchical context aggregation
Lu et al. Knowing where I am: exploiting multi-task learning for multi-view indoor image-based localization.
KR102484375B1 (ko) 색상 및 거리 데이터를 이용한 객체 추종 방법 및 시스템
Kampffmeyer et al. Urban land cover classification with missing data using deep convolutional neural networks
KR102399673B1 (ko) 어휘 트리에 기반하여 객체를 인식하는 방법 및 장치
Kouskouridas et al. Efficient representation and feature extraction for neural network-based 3D object pose estimation
Villamizar et al. Fast online learning and detection of natural landmarks for autonomous aerial robots
KR20230134846A (ko) 멀티스케일 객체탐지 장치 및 방법
Cortés et al. Improving the correspondence establishment based on interactive homography estimation
Gorbatsevich et al. Single-shot semantic matcher for unseen object detection
Liu et al. An RGB‐D‐Based Cross‐Field of View Pose Estimation System for a Free Flight Target in a Wind Tunnel

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
X701 Decision to grant (after re-examination)