KR20110076219A - 영상 인식 시스템 및 그 방법 - Google Patents

영상 인식 시스템 및 그 방법 Download PDF

Info

Publication number
KR20110076219A
KR20110076219A KR1020090132870A KR20090132870A KR20110076219A KR 20110076219 A KR20110076219 A KR 20110076219A KR 1020090132870 A KR1020090132870 A KR 1020090132870A KR 20090132870 A KR20090132870 A KR 20090132870A KR 20110076219 A KR20110076219 A KR 20110076219A
Authority
KR
South Korea
Prior art keywords
recognition
image
candidate region
cumulative
specific object
Prior art date
Application number
KR1020090132870A
Other languages
English (en)
Other versions
KR101084594B1 (ko
Inventor
손행선
민경원
최종찬
Original Assignee
전자부품연구원
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 전자부품연구원 filed Critical 전자부품연구원
Priority to KR1020090132870A priority Critical patent/KR101084594B1/ko
Publication of KR20110076219A publication Critical patent/KR20110076219A/ko
Application granted granted Critical
Publication of KR101084594B1 publication Critical patent/KR101084594B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/14—Picture signal circuitry for video frequency region
    • H04N5/144—Movement detection
    • H04N5/145—Movement estimation

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

누적 에지 분포를 통해 인식할 특정 대상이 위치할 것으로 판단되는 후보영역을 효율적으로 추출하여 인식부에 제공함으로써 고속으로 영상 인식을 수행할 수 있고, 영상 인식에서 후보영역의 개수를 효과적으로 줄이고 영상 인식 시간을 단축함으로써 영상 인식을 실시간으로 처리할 수 있는 영상 인식 시스템 및 그 방법이 제공된다. 영상 인식 시스템은, 정지 화상 또는 동영상을 포함하는 영상을 획득하는 카메라; 획득된 영상 내에서 인식할 특정 대상의 에지를 선명하게 전처리하는 영상 전처리부; 영상 전처리부에서 선명하게 전처리된 특정 대상의 수평에지 및 수직에지를 추출하고, 이를 누적하여 누적 수평에지 분포 및 누적 수직에지 분포를 추출하는 누적 에지 분포 추출부; 누적 에지 분포를 통해 특정 대상의 존재 위치 및 크기를 예측하고, 해당 후보영역을 추출하는 후보영역 추출부; 후보영역을 학습 영상의 크기와 동일한 크기로 스케일을 변경하는 후보영역 스케일러; 스케일링된 후보영역에서 특징벡터를 추출하는 특징벡터 추출부; 및 추출된 특징벡터를 이용하여 특정 대상이 인식 대상인지 여부를 판단하는 인식부를 포함한다.
영상 인식, 누적 에지 분포, 후보영역, 스케일러, 특징벡터

Description

영상 인식 시스템 및 그 방법 {Real time image recognition system, and method thereof}
본 발명은 영상 인식에 관한 것으로, 보다 구체적으로, 정지 영상이나 동영상에서 특정 대상을 고속으로 실시간 인식하는 영상 인식 시스템 및 그 방법에 관한 것이다.
일반적으로, 카메라를 통해 획득된 영상에서 특정 대상을 인식하기 위해서는 영상 인식 장치의 학습을 위한 학습 데이터와 영상에서 특정 대상을 판별하기 위한 후보영역의 정보가 영상 인식 장치에 입력되어야 한다. 이때, 특정 대상 정보와 후보영역의 화소 정보를 모두 사용하는 것은 매우 많은 시간과 컴퓨팅 파워를 요구하게 된다.
이에 따라 종래에는 특정 대상을 판별하기 위한 관심 영역의 모든 정보를 입력하지 않고, 특징 정보나 에지 정보 등을 이용하여 영상 인식에 사용되는 정보의 양을 줄여 왔다. 이것은 특징 정보를 추출하는 방법에 따라 여러 가지 방법이 있을 수 있으나 에지 영상에서 추출된 특징 정보나 고유 벡터와 고유값을 이용하여 특정 대상을 판별한다.
그러나 종래에는 영상에서 특정 대상을 판별하기 위한 후보영역의 최소 크기가, 예를 들어 64×64의 픽셀일 경우라 하더라도 그 픽셀 양은 4096개의 픽셀이 된다. 여기서, x 좌표 및 y 좌표와 RGB 값을 곱하면, 그 정보는 20480 차원이 된다. 만일 이보다 더 큰 후보영역일 경우에는 수만 개의 픽셀을 사용해야 하기 때문에 입력 정보의 차원도 수십만 차원에서 수백만 차원이 될 수 있다.
이러한 정보량은 인식 장치의 성능을 떨어뜨릴 뿐만 아니라 초기 학습에도 많은 시간이 걸리게 한다. 그리고 컴퓨팅 파워가 적은 휴대단말이나 네트워크를 통한 서버 환경에도 맞지 않게 된다.
또한, 종래의 기술에 따른 영상 인식에 사용되는 정보의 양을 줄이기 위해 사용된 에지 영상을 구하는 여러 가지 방법은 보다 자세한 에지 정보를 추출하는 방법에 불과하며, 실질적으로 입력되는 정보의 양을 줄이는 방법은 아니다.
한편, 전술한 문제점을 해결하기 위한 선행 기술로서, 대한민국 특허등록번호 제10-703528호(출원일: 2004년 12월 09일)에는 "영상 인식 장치 및 방법"이라는 명칭의 발명이 개시되어 있는데, 영상 인식에 필요한 정보량을 줄여 고속으로 인식하기 위한 장치 및 방법에 관한 것으로, 도 1 및 도 2를 참조하여 구체적으로 설명한다.
도 1은 종래의 기술에 따른 영상 인식 장치의 구성도이고, 도 2는 도 1의 영상 인식 장치를 이용한 영상 인식 방법의 동작흐름도이다.
도 1을 참조하면, 종래의 기술에 따른 영상 인식 장치는, 영상 전처리부(10), 에지 추출부(20), 특징 템플릿 처리부(30) 및 인식부(40)를 포함한다.
영상 전처리부(10)는 특정 대상의 전체적인 윤곽을 선명하게 하는 기능을 수행한다. 즉, 카메라를 통해 획득된 영상은 본격적인 영상 처리 과정을 거치기 전에 영상 전처리부(10)에서 조명으로 인한 특정 대상 인식의 불명확성을 없애도록 전처리 과정을 거친다. 이러한 영상 전처리부(10)는 입력되는 모든 영상에 대하여 전처리 과정을 수행한다.
에지 추출부(120)는 상기 영상 전처리부(10)의 전처리 과정을 거친 영상에서 수평에지와 수직에지를 추출한다.
특징 템플릿 처리부(30)는 수평에지 정보와 수직에지 정보에 해당 특징 템플릿들을 적용하여 특징벡터 값을 추출하여 인식부(40)로 전달한다.
인식부(40)는 학습 과정인지 인식 과정인지 판단하고, 학습 과정일 경우에는 특징벡터 값들을 이용하여 인식할 특정 대상을 판별하는 분류 기준을 추출하고, 인식 과정일 경우, 해당 분류 기준을 이용하여 특정 대상이 인식 대상인지 아닌지 판별한다.
도 2를 참조하면, 종래의 기술에 따른 영상 인식 장치는 입력되는 영상에 대하여 영상 전처리부(10)에서 전처리 과정을 통하여 영상의 윤곽을 선명하게 하고(S11), 에지 추출부(20)로 전달한다.
에지 추출부(20)는 전처리된 영상에서 수평에지와 수직에지를 추출하여(S12) 특징 템플릿 처리부(30)로 전달한다.
특징 템플릿 처리부(30)는 수평에지 정보와 수직에지 정보에 해당 특징 템플릿들을 적용하여 특징벡터 값을 추출하여(S13) 인식부(40)로 전달한다.
이후, 인식부(40)는 학습 과정인지(S14) 인식 과정인지(S16) 판단하고, 학습 과정일 경우, 특징벡터 값들을 이용하여 인식할 특정 대상을 판별하는 분류 기준을 추출한다(S15). 그리고 인식 과정일 경우, 해당 분류 기준을 이용하여 특정 대상이 인식 대상인지 아닌지 판별한다(S17).
종래의 기술에 따른 영상 인식 장치는 영상 인식을 위한 후보영역을 복수의 영역으로 나누는 특징 템플릿을 사용하여 영상 인식에 필요한 정보량을 줄일 수 있고, 인식할 대상의 학습 데이터의 양을 줄일 수 있다.
한편, 도 3은 종래의 기술에 따른 영상 인식 방법의 동작흐름도로서, 카메라만을 이용하여 영상을 인식하는 방법을 예시한다.
도 3을 참조하면, 종래의 기술에 따른 카메라만을 이용하여 영상을 인식하는 방법은, 먼저, 인식 또는 학습 여부를 판단하여(S21), 인식 과정 또는 학습 과정을 수행한다. 영상에서 특정 대상을 인식하기 위해서는 영상 인식 시스템의 학습을 위한 학습 데이터와 영상에서 특정 대상을 판별하기 위한 후보영역의 정보가 영상 인식 시스템에 입력되어야 한다. 이때, 학습 과정에서는 인식 대상 영상과 인식 대상이 아닌 영상에 대하여 특징벡터를 추출하고, 이 특징벡터를 이용하여 학습을 수행하여 인식 대상과 인식 대상이 아닌 영상을 구별하는 분류 기준을 추출한다.
구체적으로, 학습 과정인 경우, 학습 영상을 전처리하고(S31), 특징벡터를 추출하며(S32), 학습을 수행하며(S33), 인식 기준을 선정한다(S34).
다음으로, 인식 과정인 경우, 인식 영상을 전처리하고(S41), 전체 영역에서 후보영역을 추출한다(S42). 이후, 특징벡터를 추출하며(S43), 추출된 특징벡터 및 상기 학습 과정에서 선정된 인식 기준에 따라 인식 여부를 판별한다(S44). 이후, 인식 윈도우가 충분히 크거나 작은지 판별하고(S45), 인식 윈도우가 충분히 크거나 작지 않은 경우, 인식 윈도우의 크기를 변화시키면서(S46) 전술한 S42 내지 S45 단계를 반복하여 수행한다. 이러한 인식 과정은 후보영역에서 특징벡터를 추출하고, 상기 학습에 의해 추출된 분류 기준과 이 특징벡터 값을 비교하여 인식 대상인지 아닌지의 여부를 판단한다.
그런데, 영상에서 인식하고자 하는 특정 대상이 사람이나 차량과 같은 이동체인 경우, 입력 영상 전체 어느 위치에나 존재할 수 있으며, 존재하는 영상의 크기 또한 카메라와의 거리에 따라 가변적이다.
따라서 종래의 기술에 따른 영상 인식 시스템은 초음파, 적외선, 레이더 등의 여러 센서의 도움을 받아 획득된 영상 내에서 특정 대상이 존재하는 위치를 판단하여, 해당 영역을 인식부로 넘겨주거나, 또는 다른 센서가 존재하지 않는 경우 영상의 전범위에 걸쳐 후보영역을 추출하였다.
만약 다른 센서로부터의 위치 정보가 없는 경우, 카메라 영상만 가지고는 인식 대상의 위치를 파악할 수 없으므로 영상의 전범위에 걸쳐 후보영역을 추출하여야 한다. 그 방법은 하나의 인식 윈도우를 생성하여, 가로 방향과 세로 방향으로 특정 픽셀을 슬라이딩 시키면서 후보영역을 추출한다. 이러한 방법을 사용할 경우, 해상도가 640×480개의 영상에 대하여 64×48개의 인식 윈도우를 사용하고, 예를 들어 8픽셀씩 이동한다면, 이에 대한 후보영역은 총 4015개에 해당하게 된다.
또한, 인식하고자 하는 특정 대상이 어떤 크기로 카메라 영상 내에 위치할지 알 수 없으므로, 다양한 크기의 인식 윈도우에 대하여 위의 방법을 반복하거나, 인식 윈도우의 크기를 고정시킨다면 영상 자체의 크기를 늘리거나 줄여서 전술한 과정을 반복적으로 수행하여야 한다.
종래의 기술에 따른 영상 인식 시스템은, 전술한 바와 같이 다른 센서로부터 위치 정보가 없는 경우, 특정 대상을 인식하기 위한 후보영역이 영상의 전범위에 걸쳐 추출되어야 하므로, 그 수가 무수히 많으며, 또한 영상의 크기가 커짐에 따라 기하급수적으로 증가하게 된다. 이것은 영상 인식 과정의 수행 시간을 급격히 증가시켜, 실시간 처리를 어렵게 한다는 문제점이 있다.
전술한 문제점을 해결하기 위한 본 발명이 이루고자 하는 기술적 과제는, 누적 에지 분포를 통해 인식할 특정 대상이 위치할 것으로 판단되는 후보영역을 효율적으로 추출하여 인식부에 제공함으로써 고속으로 영상 인식을 수행할 수 있는 영상 인식 시스템 및 그 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 영상 인식에서 후보영역의 개수를 효과적으로 줄이고 영상 인식 시간을 단축함으로써 영상 인식을 실시간으로 처리할 수 있는 영상 인식 시스템 및 그 방법을 제공하기 위한 것이다.
전술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명에 따른 영상 인식 시스템은, 정지 화상 또는 동영상을 포함하는 영상을 획득하는 카메라; 상기 획득 된 영상 내에서 인식할 특정 대상의 에지를 선명하게 전처리하는 영상 전처리부; 상기 영상 전처리부에서 선명하게 전처리된 특정 대상의 수평에지 및 수직에지를 추출하고, 이를 누적하여 누적 수평에지 분포 및 누적 수직에지 분포를 추출하는 누적 에지 분포 추출부; 상기 누적 에지 분포를 통해 상기 인식된 특정 대상의 존재 위치 및 크기를 예측하고, 해당 후보영역을 추출하는 후보영역 추출부; 상기 후보영역을 학습 영상의 크기와 동일한 크기로 스케일을 변경하는 후보영역 스케일러; 상기 스케일링된 후보영역에서 특징벡터를 추출하는 특징벡터 추출부; 및 상기 추출된 특징벡터를 이용하여 상기 특정 대상이 인식 대상인지 여부를 판단하는 인식부를 포함하여 구성된다.
또한, 본 발명에 따른 영상 인식 시스템은, 상기 후보영역이 이전의 인식 영역과 중복하는지 여부를 판단하고, 상기 추출된 후보영역이 이전에 수행된 인식 과정 결과를 참조하여, 인식 대상이 존재하는 영역이 포함된 경우, 상기 포함된 부분의 인식이 반복적으로 수행되지 않도록 상기 포함된 부분을 후보영역에서 제외시키는 후보영역 검증부를 추가로 포함할 수 있다.
또한, 본 발명에 따른 영상 인식 시스템은, 상기 인식 대상에 대한 인식결과로서, 상기 후보영역이 인식 대상으로 확정되면 인식결과를 텍스트 또는 영상으로 화면상에 디스플레이하는 인식결과 표시부를 추가로 포함할 수 있다.
여기서, 상기 후보영역 추출부는, 상기 누적 에지 분포 추출부로부터 추출된 수평에지 값 및 수직에지 값의 누적 분포를 이용하여 인식하고자 하는 특정 대상의 위치를 파악하고, 상기 파악된 특정 대상의 위치와 상기 카메라와의 거리 관계에 따라 인식 대상의 크기를 추정하는 것을 특징으로 한다.
여기서, 상기 후보영역 추출부는 상기 수평에지 및 수직에지의 값을 각각 누적하여 산출한 누적 수평에지 분포값 및 누적 수직에지 분포값이 각각 기설정된 문턱치를 넘는 위치를 포함하는 후보영역을 추출하며, 상기 문턱치는 일정한 값으로 고정시키거나, 주변값을 기준으로 적응적으로 변화시키는 것을 특징으로 한다.
여기서, 상기 후보영역의 크기는 상기 카메라와 상기 특정 대상과의 거리관계에 따라 상기 획득된 영상의 바닥 기준점에서 예측한 위치까지의 수직거리가 클수록 작게 설정하는 것을 특징으로 한다.
한편, 전술한 기술적 과제를 달성하기 위한 다른 수단으로서, 본 발명에 따른 영상 인식 방법은, a) 카메라를 통해 획득된 영상에 대해 인식 과정 또는 학습 과정을 수행할지 여부를 판단하는 단계; b) 상기 인식 과정을 수행할 경우, 상기 획득된 영상 내에서 인식할 특정 대상의 에지를 선명하게 전처리하는 단계; c) 상기 선명하게 전처리된 특정 대상의 수평에지 및 수직에지를 추출하고, 이를 누적하여 누적 수평에지 분포 및 누적 수직에지 분포를 추출하는 단계; d) 상기 누적 에지 분포를 통해 상기 인식된 특정 대상의 존재 위치 및 크기를 예측하고, 해당 후보영역을 추출하는 단계; e) 상기 후보영역을 학습 영상의 크기와 동일한 크기로 스케일을 변경하는 단계; f) 상기 스케일링된 후보영역에서 특징벡터를 추출하는 단계; 및 g) 상기 추출된 특징벡터를 이용하여 상기 특정 대상이 인식 대상인지 여부를 판단하는 단계를 포함하여 이루어진다.
본 발명에 따르면, 누적 에지 분포를 통해 인식할 특정 대상이 위치할 것으로 판단되는 후보영역을 효율적으로 추출하여 인식부에 제공함으로써 고속으로 영상 인식을 수행할 수 있다.
본 발명에 따르면, 영상 인식에서 후보영역의 개수를 효과적으로 줄이고 영상 인식 시간을 단축함으로써 영상 인식을 실시간으로 처리할 수 있다.
아래에서는 첨부한 도 을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도 에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
본 발명의 실시예로서, 정지 영상이나 동영상 내의 특정 대상이 위치할 것으로 판단되는 후보영역을 효율적으로 추출하여 인식부에 제공함으로써 고속으로 영상을 인식할 수 있고, 영상 인식에서 후보영역의 개수를 효과적으로 줄여 영상 인 식을 실시간으로 처리할 수 있는 영상 인식 시스템 및 그 방법이 제공된다.
도 4는 본 발명의 실시예에 따른 영상 인식 시스템의 구성도이다.
도 4를 참조하면, 본 발명의 실시예에 따른 영상 인식 시스템(100)은, 카메라(110), 영상 전처리부(120), 누적 에지 분포 추출부(130), 후보영역 추출부(140), 후보영역 검증부(150), 후보영역 스케일러(160), 특징벡터 추출부(170), 인식부(180) 및 인식결과 표시부(190)를 포함한다.
카메라(110)는 정지 화상 또는 동영상을 획득하여 제공한다.
영상 전처리부(120)는 상기 획득된 영상 내에서 인식할 특정 대상의 에지를 선명하게 전처리한다. 예를 들면, 조명의 변화는 전체적인 시스템의 성능을 좌우하게 되는데, 조명이 너무 밝거나 어둡게 되면 대상의 윤곽이 명확하지 않아 대상을 인식하는데 어려움이 많기 때문이다. 이러한 전처리 과정에는 히스토그램 평활화 방식과 최대 최소 정규화 방법 등이 있으며, 전처리 방법으로 최대 최소 정규화 방법을 이용할 수 있다.
누적 에지 분포 추출부(130)는 상기 영상 전처리부(130)에서 선명하게 전처리된 특정 대상의 수평에지 및 수직에지를 추출하고, 이를 누적하여 누적 수평에지 분포 및 누적 수직에지 분포를 추출한다. 즉, 입력되는 영상 정보를 그대로 영상 인식에 바로 사용하는 것보다 특징 정보를 추출하여 사용하는 것이 정보의 양을 줄이기 때문이다. 그리고 에지 영상은 일반적으로 전체 영상의 픽셀값을 사용하는 것보다 조명의 변화에 덜 민감한 특징이 있다.
후보영역 추출부(140)는 상기 누적 에지 분포를 통해 상기 인식된 특정 대상 의 존재 위치 및 크기를 예측하고, 해당 후보영역을 추출한다.
이러한 후보영역 추출부(140)는, 상기 누적 에지 분포 추출부(130)로부터 추출된 수평에지 값 및 수직에지 값의 누적 분포를 이용하여 인식하고자 하는 특정 대상의 위치를 파악하고, 상기 파악된 특정 대상의 위치와 상기 카메라(110)와의 거리 관계에 따라 인식 대상의 크기를 추정하게 된다. 구체적으로, 상기 후보영역 추출부(140)는 상기 수평에지 및 수직에지의 값을 각각 누적하여 산출한 누적 수평에지 분포값 및 누적 수직에지 분포값이 각각 기설정된 문턱치를 넘는 위치를 포함하는 후보영역을 추출하며, 이때, 문턱치는 일정한 값으로 고정시키거나, 주변값을 기준으로 적응적으로 변화시킬 수 있다. 또한, 상기 후보영역의 크기는 상기 카메라(110)와 상기 특정 대상과의 거리관계에 따라 상기 획득된 영상의 바닥 기준점에서 예측한 위치까지의 수직거리가 클수록 작게 설정할 수 있다.
후보영역 검증부(150)는 상기 후보영역이 이전의 인식 영역과 중복하는지 여부를 판단하고, 상기 추출된 후보영역이 이전에 수행된 인식 과정 결과를 참조하여, 인식 대상이 존재하는 영역이 포함된 경우, 상기 포함된 부분의 인식이 반복적으로 수행되지 않도록 상기 포함된 부분을 후보영역에서 제외시킨다.
후보영역 스케일러(160)는 상기 후보영역을 학습 영상의 크기와 동일한 크기로 스케일을 변경한다.
특징벡터 추출부(170)는 상기 스케일링된 후보영역에서 특징벡터를 추출한다.
인식부(180)는 상기 추출된 특징벡터를 이용하여 상기 특정 대상이 인식 대 상인지 여부를 판단한다. 이때, 인식부(180)는 학습된 결과를 바탕으로 특징벡터의 값을 비교하여 인식 여부를 판정한다.
인식결과 표시부(190)는 상기 인식 대상에 대한 인식결과로서, 상기 후보영역이 인식 대상으로 확정되면 인식결과를 텍스트 또는 영상으로 화면상에 디스플레이한다.
본 발명의 실시예에 따른 영상 인식 시스템은, 누적 에지 분포를 구하여 인식 대상의 위치를 추정하게 되는데, 인식 대상이 위치할 것으로 예측되는 후보영역을 추출하기 위하여 수직에지와 수평에지를 추출하고, 이를 이용하여 누적분포를 구하여 누적 분포가 일정 문턱치를 넘은 곳에 인식 대상이 위치한다고 가정한다. 이와 같이 추정한 인식 대상의 위치를 기반으로 하여, 카메라(110) 거리 관계로 추정된 인식 윈도우의 크기를 설정하여 후보영역을 추출한다.
본 발명의 실시예에 따른 영상 인식 시스템은, 인식 대상의 위치를 예측하여, 이러한 위치에 적절한 크기의 인식 윈도우를 설정하여 후보영역을 추출해주는 영상 인식 시스템으로서, 특히, 실시간 처리가 필요한 차량에 탑재하여 차량 및 보행자 인식에 적용하거나 로봇에 탑재하여 특정 물체 인식에 적용할 수 있다.
이하, 본 발명의 실시예에 따른 영상 인식 시스템을 구체적으로 설명하면 다음과 같다.
먼저, 영상 전처리부(120)는 입력 영상에 대하여 히스토그램 균등화(Histogram Equalization)를 수행하여 입력 영상에 대하여 균일한 히스토그램을 얻는다. 이때, 카메라(110)로부터 획득된 영상은 외부 조도 환경에 따라 영상이 어둡거나 밝게 나타나게 되는데, 이로 인해 인식부의 성능 변화를 최소화하기 위해 수행한다. 따라서 본 발명의 실시예에 따른 전처리 과정은 인식 과정뿐만 아니라 학습 과정에서도 동일하게 적용될 수 있다.
도 5a 및 도 5b는 본 발명의 실시예에 따른 영상 인식 시스템에서 영상 전처리 과정을 예시하는 도면으로서, 영상 전처리부(120)의 처리 과정을 보여주며, 도 5a에 도시된 바와 같이, 카메라(110)로부터 입력된 영상은 영상 전처리부(120)를 거치면, 도 5b에 도시된 바와 같이 변해 조도에 덜 민감하도록 처리됨으로써, 이후에 수행될 에지 추출 성능을 더욱 높일 수 있다.
다음으로, 누적 에지 분포 추출부(130)는 상기 전처리 과정을 거친 영상을 수평에지 성분 및 수직에지 성분을 추출하고, 이에 대해 누적 분포를 추출한다. 이러한 에지 추출 방법은 소벨(Sobel) 필터, 프르윗(Prewitt) 필터, 로버츠(Roberts) 필터, 라플라시안(Laplacian) 필터, 캐니(Canny) 필터 등의 모폴로지(Morphology) 기반의 필터를 사용하여 추출할 수 있다.
도 6은 본 발명의 실시예에 따른 영상 인식 시스템에서 수평에지 추출 및 누적 수평에지 분포 추출을 예시하는 도면이고, 도 7은 본 발명의 실시예에 따른 영상 인식 시스템에서 수직에지 추출 및 누적 수직에지 분포 추출을 예시하는 도면이다.
도 6의 a)는 소벨 필터를 적용하여 추출한 수평에지 성분을 나타내며, 이러한 수평에지 성분을 수평 방향으로 누적함으로써 도 6의 b)와 같은 누적 수평에지 분포를 구할 수 있다.
마찬가지 방법으로, 도 7의 a)는 소벨 필터를 적용하여 추출한 수직에지 성분을 나타내며, 이를 수직 방향으로 누적함으로써, 도 7의 b)와 같은 누적 수직에지 분포를 추출할 수 있다.
도 7의 b)에 도시된 바와 같이, 누적 수직에지 분포를 보면, 물체가 존재하는 곳을 경제로 하여, 분포의 값이 주변값에 비해 크게 나타나는 것을 확인할 수 있으며, 또한, 도 6의 b)에 도시된 바와 같이, 누적 수평에지 분포에서도 물체가 존재하는 영역 안에 분포의 값이 주변값에 비해 크게 나타나는 것을 확인할 수 있다.
따라서 누적 수평에지 분포 및 누적 수직에지 분포의 값이 일정 문턱치를 넘는 것을 중심으로 인식하고자 하는 물체가 존재할 확률이 커지는 것이다.
다음으로, 후보영역 추출부(140)는 상기에 누적 수평에지 분포 및 누적 수직에지 분포를 통해 영상 위치를 예측하고, 예측된 영상 위치에 대한 인식 윈도우의 크기를 설정함으로써 후보영역을 추출한다.
도 8a 및 도 8b는 본 발명의 실시예에 따른 영상 인식 시스템에서 문턱치 설정을 예시하는 도면들이다.
상기 문턱치를 구하는 방법은, 도 8a에 도시된 바와 같이, 문턱치를 일정 상수값으로 고정시키는 방법 있고, 또한, 도 8b에 도시된 바와 같이, 주변 누적 분포에 따라 적응적으로 변화시키는 방법이 있다.
도 8b에 도시된 바와 같은 적응적으로 변화시키는 방법에서 문턱치를 계산하는 방법을 수학식으로 표현하면, 다음의 수학식 1과 같다.
Figure 112009081233235-PAT00001
여기서,
Figure 112009081233235-PAT00002
는
Figure 112009081233235-PAT00003
위치에서의 누적 에지 분포값이고,
Figure 112009081233235-PAT00004
위치를 중심으로 좌
Figure 112009081233235-PAT00005
개 우
Figure 112009081233235-PAT00006
개의 분포값을 더하여 상수값
Figure 112009081233235-PAT00007
와 곱한다. 또한,
Figure 112009081233235-PAT00008
는 0보다 크고 1보다 작은 상수값에 해당하며, 수학식 1은 주변 분포값이 크면 문턱치가 크게 변하고, 주변 분포값이 작으면 문턱치는 낮게 설정되는 것을 의미한다. 이때,
Figure 112009081233235-PAT00009
값이 크면 주변 에지 분포의 변화가 문턱치 설정에 크게 반영되며,
Figure 112009081233235-PAT00010
의 개수를 늘리면 주변 참고치의 개수가 늘어난다.
도 8a 및 도 8b는 각각 누적 에지 분포값의 문턱치(Threshold)를 구하고, 이러한 문턱치를 넘는 지점들((a)~(e))을 구하는 것을 예시한다.
누적 수평에지 분포를 전체 영상에 대해 세로축으로 하고, 누적 수직에지 분포를 가로축으로 하여 문턱치를 넘는 곳에 인식 대상이 존재할 것으로 예측하고, 인식 윈도우를 설정한다.
도 9는 본 발명의 실시예에 따른 영상 인식 시스템에서 거리에 따른 인식 윈도우의 크기 설정을 예시하는 도면이다.
도 9에 도시된 바와 같이, 인식 윈도우의 크기는, 영상의 가장 바닥 라인을 기준선으로 설정하고, 기준선으로 얼마나 떨어져 있느냐에 따라 인식 윈도우의 크기를 결정한다. 예를 들면, 실제 카메라로부터 들어오는 인식 물체에 대한 영상은 기준선에 가까이 놓여 있을수록 카메라와의 거리가 가까우므로 영상이 크게 나타나 며, 지평선에 가까이 놓여 있을수록 카메라와의 거리가 멀어 영상이 작게 나타나게 된다.
따라서 이러한 현상을 이용하여 인식 윈도우의 크기를 설정할 수 있다. 이러한 인식 윈도우의 크기는 특정 대상을 인식하기 위한 것이므로, 인식 대상이 무엇인지에 따라 가로 및 세로의 비율을 설정하고, 그 크기는 카메라와의 예측 거리에 따라 달라질 수 있다.
본 발명의 실시예에 따른 영상 인식 시스템(100)은, 누적 에지 분포를 통해 입력 영상에서 인식 대상의 위치를 예측하고, 예측한 위치에 해당하는 인식 윈도우의 크기를 설정하여 후보영역을 설정하며, 이를 인식부(180)에 넘겨줌으로써, 전체 영역에 대하여 빠르게 영상 인식을 수행할 수 있다. 예를 들면, 후보영역 추출부(140)가 존재하지 않으면, 다른 센서의 도움 없이는 인식해야 할 대상이 어디에 위치하는지 어떠한 크기로 위치하는지 알 수 없으므로 무수히 많은 후보영역에 대하여 인식과정을 수행해야 할 것이다.
한편, 도 10은 본 발명의 실시예에 따른 영상 인식 시스템에서 인식 윈도우 설정 및 후보영역 추출을 예시하는 도면으로서, 전술한 방법에 의해 설정된 인식 윈도우가 추출되는 것을 예시하며, 이와 같이 인식 윈도우에 의해 설정된 영상을 추출하여 후보영역으로 결정하게 된다.
먼저, 수평에지 분포에서 (e), (d) 및 (c)의 지점에 해당하는 인식 윈도우의 크기를 설정하고, 각 인식 윈도우가 수직에지 분포에서 추출된 (a)과 (b) 지점을 포함하고 있는지 여부를 판단한다.
이러한 인식 윈도우의 추출은 인식 대상의 특성이 차량과 같이 수직 성분의 에지가 양쪽으로 분명히 나타나는 물체일 경우, (a) 및 (b) 두 지점이 인식 윈도우내에 반드시 포함되도록 설정하여야 하나, 인식 대상에 따라 수직에지 성분이 양쪽으로 강하게 나타날 수도 있고, 하나만 나타날 수도 있으므로 인식 대상이 무엇인지에 따라 하나만 포함시킬 것인지, 두 개를 포함시킬 것인지, 아니면 그 이상을 포함시켜야 하는지를 결정한다.
다음으로, 후보영역 검증부(150)는 이렇게 추출된 후보영역이 인식 대상의 존재로 인해 확정된 부분을 포함하고 있는지를 확인한다. 만약 이전의 인식 절차를 통해 인식 대상이 존재하는 것으로 판별된 부분을 후보영역으로 추출한 경우, 이는 인식 대상에서 제외시킨다.
다음으로, 후보영역 스케일러(160)는 이렇게 추출된 후보영역의 영상을 학습 시에 설정하였던 학습 영상의 크기로 스케일링한다.
다음으로, 특징벡터 추출부(170)는 스케일링된 후보영역에 대하여 특징벡터를 추출하는데, 학습 시에 적용된 특징벡터와 동일한 방법으로 추출하여야 한다. 이러한 특징벡터를 추출하는 예로서, Haar-like(하알 유사) 특징 템플릿을 적용하는 방법, 가버 웨이블릿을 적용하는 방법, 또는 기울기(Gradient) 기반의 히스토그램을 이용하는 방법이 있다.
다음으로, 인식부(180)는 상기 특징벡터 추출부(170)에서 추출된 특징벡터를 이용하여, 입력되는 영상에서 인식할 대상을 학습시키거나 인식한다. 이러한 특징벡터를 이용한 영상 인식 시스템은 인식 대상을 정확히 인식하기 위하여 인식할 대 상과 인식하지 말아야 할 대상을 구분하여 미리 학습하는 과정(S121~S125)이 필요하다. 즉, 본 발명의 실시예에 따른 영상 인식 시스템은, 인식할 대상과 인식하지 말아야 할 대상에 대하여 전처리 과정을 거친 영상에서 특징벡터를 추출하여, 학습을 수행하고 이렇게 수행된 학습 결과를 인식부(180) 내부에 데이터베이스화한다. 따라서 인식부(180)는 이와 같이 선행하여 수행된 학습 결과를 통해 인식해야 할 대상과 인식하지 말아야 할 대상을 구분 지을 수 있다.
또한, 학습 과정과 인식 과정에서 추출되는 특징벡터는 동일해야 하며, 학습 시에 사용한 영상의 크기와 인식시에 입력되는 후보영역의 크기 또한 동일해야 하는데, 상기 후보영역 스케일러(160)에서 이를 맞춰 준다.
또한, 이러한 인식부(180)는 인식 대상의 분류 기준을 추출하는 방법과 그 분류 기준을 이용하여 인식해야 할 대상을 인식하는 방법의 예로서, SVM(Support Vector Machine)과 아다부스트(AdaBoost)가 있다.
상기 SVM은 인식할 대상의 특징벡터와 인식하지 말아야 할 대상의 특징벡터 사이를 분류하는 최적의 초평면(Hyperplane)을 제시한다. 여기서, 최적의 초평면이란 인식할 대상과 그렇지 않은 대상 사이의 거리를 최대화시키는 최적의 분류 기준이다. 이렇게 학습에 의해 확정된 분류 기준을 통해 후보영역이 인식 대상인지 아닌지를 인식하는 것이다.
또 하나의 예로서, 아다부스트가 있는데, 아다부스트는 특징벡터를 통해 분류 규칙을 순차적으로 생성하고, 이전의 분류 규칙을 적용하여 얻은 관측값에서 특징벡터의 분포를 재조정한다. 또한, 학습 초기에 특징 데이터에 대한 가중치는 동 일한 상태에서 시작하지만, 매 라운드가 진행될수록 이전의 분류 규칙을 적용하여 얻은 관측값으로 오분류한 특징벡터에는 높은 가중치를 부여하고, 반대로 정분류된 특징벡터에는 낮은 가중치를 부여하는 방식으로, 특징 데이터에 대한 분포를 재조정한다. 이러한 과정은 분류하기 힘든 데이터에 우선권을 주기 위한 것이다.
이러한 후보영역이 인식 대상으로 확정되면 인식결과를 텍스트 또는 영상으로 디스플레이부(190)에 표시한다.
또한, 인식 대상이 확정되면 이를 후보영역 검증부(150)로 피드백함으로써, 이후에 후보영역 추출부(140)에서 추출된 후보영역에 이러한 부분이 포함되어 있는지를 확인하고 포함되어 있지 않는 것에 대해서만 인식 과정으로 넘겨준다.
한편, 도 11은 본 발명의 실시예에 따른 영상 인식 방법의 동작흐름도이다.
도 11을 참조하면, 본 발명의 실시예에 따른 영상 인식 방법은, 먼저, 영상의 인식 또는 학습 여부를 판단하여(S110), 학습 과정 또는 인식 과정을 수행하게 된다.
상기 학습 과정으로서, 학습 영상을 전처리하고(S121), 특징벡터를 추출하며(S122), 학습을 수행한다(S123). 이후, 인식 기준을 선정하며(S124), 이러한 인식 기준의 제공 여부를 판단하게 된다(S125). 여기서, 본 발명의 실시예에 따른 영상 인식 방법이 인식 과정에 대한 것이므로, 학습 과정에 대한 구체적인 설명은 종래의 기술과 동일하므로 상세한 설명은 생략한다.
상기 인식 과정으로서, 인식 영상을 예를 들면, 히스토그램 평활화 방식 또는 최대 최소 정규화 방법 등을 이용하여 전처리한다(S131). 즉, 정지 화상 또는 동영상을 획득하고, 획득된 영상 내에서 인식된 특정 대상의 에지를 선명하게 전처리한다.
다음으로, 선명하게 전처리된 특정 대상의 수평에지 및 수직에지를 추출하고, 이를 누적하여 누적 수평에지 분포 및 누적 수직에지 분포를 추출한다(S132).
다음으로, 상기 누적 에지 분포를 통해 인식 대상의 존재 위치를 예측하고(S133), 이러한 영상 위치에 대한 인식 윈도우 크기를 예측하며(S134), 상기 예측된 인식 대상의 존재 위치 및 인식 윈도우 크기에 따라 해당 후보영역을 추출한다(S135).
구체적으로, 수평에지 추출값 및 수직에지 추출값을 누적하여 구한 누적 수평에지 분포값 및 누적 수직에지 분포값이 각각 기설정된 문턱치를 넘는 위치를 포함하도록 후보영역을 추출하며, 이때, 상기 문턱치는 일정한 값으로 고정시키거나, 주변값을 기준으로 적응적으로 변화시킬 수 있다.
또한, 수평에지 추출값 및 수직에지 추출값의 누적 분포를 이용하여 인식하고자 하는 대상의 위치를 파악하고, 이 위치와 카메라와의 거리 관계에 따라 인식 대상의 크기를 추정하게 된다. 상기 후보영역의 크기는 카메라와 대상과의 거리관계에 따라 영상의 바닥 기준점에서 예측한 위치까지의 수직거리가 클수록 작게 설정할 수 있다.
다음으로, 상기 후보영역이 이전의 인식 영역과 중복하는지 여부를 판단함으로써 후보영역을 검증한다(S136). 이때, 추출된 후보영역이 이전에 수행된 인식 과정 결과에 참조하여, 인식 대상이 존재하는 영역이 포함되었다면, 상기 포함된 부분을 반복수행하지 않도록 이를 후보영역에서 제외시킬 수 있다.
다음으로, 상기 후보영역을 학습 영상의 크기와 동일한 크기로 스케일을 변경하고(S137), 상기 스케일링된 후보영역에서 특징벡터를 추출한다(S138).
다음으로, 상기 추출된 특징벡터를 이용하여 상기 특정 대상이 인식 대상인지 여부를 판별한다(S139).
다음으로, 상기 특정 대상이 인식 대상이 아닌 것으로 판별된 경우, 인식결과를 반영하며(S140), 상기 특정 대상이 인식 대상인 경우로 판별될 때까지 전술한 S136 내지 S139 단계를 반복하여 수행할 수 있다.
후속적으로, 상기 인식 대상에 대한 인식결과를 화면상에 디스플레이할 수 있다.
결국, 본 발명의 실시예에 따른 영상 인식 시스템 및 그 방법은, 영상을 기반으로 인식 대상의 위치 및 크기를 추정하여 후보영역을 추출하여 영상 인식을 수행함으로써, 실시간 영상 인식 처리가 가능하기 때문에, 차량용 영상 인식 시스템, 로봇용 영상 인식 시스템 또는 영상 인식을 이용한 보안 시스템에 적용될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소 들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
도 1은 종래의 기술에 따른 영상 인식 장치의 구성도이다.
도 2는 도 1의 영상 인식 장치를 이용한 영상 인식 방법의 동작흐름도이다.
도 3은 종래의 기술에 따른 영상 인식 방법의 동작흐름도이다.
도 4는 본 발명의 실시예에 따른 영상 인식 시스템의 구성도이다.
도 5a 및 도 5b는 본 발명의 실시예에 따른 영상 인식 시스템에서 영상 전처리 과정을 예시하는 도면이다.
도 6은 본 발명의 실시예에 따른 영상 인식 시스템에서 수평에지 추출 및 누적 수평에지 분포 추출을 예시하는 도면이다.
도 7은 본 발명의 실시예에 따른 영상 인식 시스템에서 수직에지 추출 및 누적 수직에지 분포 추출을 예시하는 도면이다.
도 8a 및 도 8b는 본 발명의 실시예에 따른 영상 인식 시스템에서 문턱치 설정을 예시하는 도면들이다.
도 9는 본 발명의 실시예에 따른 영상 인식 시스템에서 거리에 따른 인식 윈도우의 크기 설정을 예시하는 도면이다.
도 10은 본 발명의 실시예에 따른 영상 인식 시스템에서 인식 윈도우 설정 및 후보영역 추출을 예시하는 도면이다.
도 11은 본 발명의 실시예에 따른 영상 인식 방법의 동작흐름도이다.
< 도 부호의 간단한 설명 >
100: 영상 인식 시스템
110: 카메라
120: 영상 전처리부
130: 누적 에지 분포 추출부
140: 후보영역 추출부
150: 후보영역 검증부
160: 후보영역 스케일러
170: 특징벡터 추출부
180: 인식부
190: 인식결과 표시부

Claims (14)

  1. 정지 화상 또는 동영상을 포함하는 영상을 획득하는 카메라;
    상기 획득된 영상 내에서 인식할 특정 대상의 에지를 선명하게 전처리하는 영상 전처리부;
    상기 영상 전처리부에서 선명하게 전처리된 특정 대상의 수평에지 및 수직에지를 추출하고, 이를 누적하여 누적 수평에지 분포 및 누적 수직에지 분포를 추출하는 누적 에지 분포 추출부;
    상기 누적 에지 분포를 통해 상기 인식된 특정 대상의 존재 위치 및 크기를 예측하고, 해당 후보영역을 추출하는 후보영역 추출부;
    상기 후보영역을 학습 영상의 크기와 동일한 크기로 스케일을 변경하는 후보영역 스케일러;
    상기 스케일링된 후보영역에서 특징벡터를 추출하는 특징벡터 추출부; 및
    상기 추출된 특징벡터를 이용하여 상기 특정 대상이 인식 대상인지 여부를 판단하는 인식부
    를 포함하는 영상 인식 시스템.
  2. 제1항에 있어서,
    상기 후보영역이 이전의 인식 영역과 중복하는지 여부를 판단하고, 상기 추출된 후보영역이 이전에 수행된 인식 과정 결과를 참조하여, 인식 대상이 존재하는 영역이 포함된 경우, 상기 포함된 부분의 인식이 반복적으로 수행되지 않도록 상기 포함된 부분을 후보영역에서 제외시키는 후보영역 검증부를 추가로 포함하는 영상 인식 시스템.
  3. 제1항에 있어서,
    상기 인식 대상에 대한 인식결과로서, 상기 후보영역이 인식 대상으로 확정되면 인식결과를 텍스트 또는 영상으로 화면상에 디스플레이하는 인식결과 표시부를 추가로 포함하는 영상 인식 시스템.
  4. 제1항에 있어서,
    상기 후보영역 추출부는, 상기 누적 에지 분포 추출부로부터 추출된 수평에지 값 및 수직에지 값의 누적 분포를 이용하여 인식하고자 하는 특정 대상의 위치를 파악하고, 상기 파악된 특정 대상의 위치와 상기 카메라와의 거리 관계에 따라 인식 대상의 크기를 추정하는 것을 특징으로 하는 영상 인식 시스템.
  5. 제4항에 있어서,
    상기 후보영역 추출부는 상기 수평에지 및 수직에지의 값을 각각 누적하여 산출한 누적 수평에지 분포값 및 누적 수직에지 분포값이 각각 기설정된 문턱치를 넘는 위치를 포함하는 후보영역을 추출하는 것을 특징으로 하는 영상 인식 시스템.
  6. 제5항에 있어서,
    상기 문턱치는 일정한 값으로 고정시키거나, 주변값을 기준으로 적응적으로 변화시키는 것을 특징으로 하는 영상 인식 시스템.
  7. 제1항에 있어서,
    상기 후보영역의 크기는 상기 카메라와 상기 특정 대상과의 거리관계에 따라 상기 획득된 영상의 바닥 기준점에서 예측한 위치까지의 수직거리가 클수록 작게 설정하는 것을 특징으로 하는 영상 인식 시스템.
  8. a) 카메라를 통해 획득된 영상에 대해 인식 과정 또는 학습 과정을 수행할지 여부를 판단하는 단계;
    b) 상기 인식 과정을 수행할 경우, 상기 획득된 영상 내에서 인식할 특정 대상의 에지를 선명하게 전처리하는 단계;
    c) 상기 선명하게 전처리된 특정 대상의 수평에지 및 수직에지를 추출하고, 이를 누적하여 누적 수평에지 분포 및 누적 수직에지 분포를 추출하는 단계;
    d) 상기 누적 에지 분포를 통해 상기 인식된 특정 대상의 존재 위치 및 크기를 예측하고, 해당 후보영역을 추출하는 단계;
    e) 상기 후보영역을 학습 영상의 크기와 동일한 크기로 스케일을 변경하는 단계;
    f) 상기 스케일링된 후보영역에서 특징벡터를 추출하는 단계; 및
    g) 상기 추출된 특징벡터를 이용하여 상기 특정 대상이 인식 대상인지 여부를 판단하는 단계
    를 포함하는 영상 인식 방법.
  9. 제8항에 있어서,
    상기 d) 단계 이후에, 상기 후보영역이 이전의 인식 영역과 중복하는지 여부를 판단하고, 상기 추출된 후보영역이 이전에 수행된 인식 과정 결과를 참조하여, 인식 대상이 존재하는 영역이 포함된 경우, 상기 포함된 부분의 인식이 반복적으로 수행되지 않도록 상기 포함된 부분을 후보영역에서 제외시키는 단계를 포함하는 영상 인식 방법.
  10. 제8항에 있어서,
    상기 인식 대상에 대한 인식결과로서, 상기 후보영역이 인식 대상으로 확정되면 인식결과를 텍스트 또는 영상으로 화면상에 디스플레이하는 단계를 추가로 포함하는 영상 인식 방법.
  11. 제8항에 있어서,
    상기 d) 단계는, 상기 누적 에지 분포 추출부로부터 추출된 수평에지 값 및 수직에지 값의 누적 분포를 이용하여 인식하고자 하는 특정 대상의 위치를 파악하고, 상기 파악된 특정 대상의 위치와 상기 카메라와의 거리 관계에 따라 인식 대상 의 크기를 추정하는 것을 특징으로 하는 영상 인식 방법.
  12. 제8항에 있어서,
    상기 d) 단계는, 상기 수평에지 및 수직에지의 값을 각각 누적하여 산출한 누적 수평에지 분포값 및 누적 수직에지 분포값이 각각 기설정된 문턱치를 넘는 위치를 포함하는 후보영역을 추출하는 것을 특징으로 하는 영상 인식 방법.
  13. 제12항에 있어서,
    상기 문턱치는 일정한 값으로 고정시키거나, 주변값을 기준으로 적응적으로 변화시키는 것을 특징으로 하는 영상 인식 방법.
  14. 제8항에 있어서,
    상기 d) 단계의 후보영역의 크기는 상기 카메라와 상기 특정 대상과의 거리관계에 따라 상기 획득된 영상의 바닥 기준점에서 예측한 위치까지의 수직거리가 클수록 작게 설정하는 것을 특징으로 하는 영상 인식 방법.
KR1020090132870A 2009-12-29 2009-12-29 영상 인식 시스템 및 그 방법 KR101084594B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090132870A KR101084594B1 (ko) 2009-12-29 2009-12-29 영상 인식 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090132870A KR101084594B1 (ko) 2009-12-29 2009-12-29 영상 인식 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20110076219A true KR20110076219A (ko) 2011-07-06
KR101084594B1 KR101084594B1 (ko) 2011-11-17

Family

ID=44916142

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090132870A KR101084594B1 (ko) 2009-12-29 2009-12-29 영상 인식 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR101084594B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101459268B1 (ko) * 2011-11-09 2014-11-07 라쿠텐 인코포레이티드 화상 처리 장치 및 화상 처리 장치의 제어 방법
KR101480072B1 (ko) * 2013-06-20 2015-01-09 (주)베라시스 차량패턴 히스토그램 생성방법 및 이를 이용한 차량패턴 검출방법
KR101480067B1 (ko) * 2013-06-20 2015-01-09 (주)베라시스 사람패턴 히스토그램 생성방법 및 이를 이용한 사람패턴 검출방법
KR101957810B1 (ko) * 2018-07-10 2019-03-13 주식회사 뷰노 영상을 다배율로 촬영하는 방법, 이를 위한 제어 장치 및 촬영 장치
KR20200054555A (ko) * 2018-11-12 2020-05-20 라온프렌즈 주식회사 의료 이미지 처리 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101490027B1 (ko) * 2013-06-11 2015-02-06 한양대학교 에리카산학협력단 영상 처리 방법 및 장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101459268B1 (ko) * 2011-11-09 2014-11-07 라쿠텐 인코포레이티드 화상 처리 장치 및 화상 처리 장치의 제어 방법
US9240064B2 (en) 2011-11-09 2016-01-19 Rakuten, Inc. Image processing device, method for controlling image processing device, program, and information storage medium
KR101480072B1 (ko) * 2013-06-20 2015-01-09 (주)베라시스 차량패턴 히스토그램 생성방법 및 이를 이용한 차량패턴 검출방법
KR101480067B1 (ko) * 2013-06-20 2015-01-09 (주)베라시스 사람패턴 히스토그램 생성방법 및 이를 이용한 사람패턴 검출방법
KR101957810B1 (ko) * 2018-07-10 2019-03-13 주식회사 뷰노 영상을 다배율로 촬영하는 방법, 이를 위한 제어 장치 및 촬영 장치
KR20200054555A (ko) * 2018-11-12 2020-05-20 라온프렌즈 주식회사 의료 이미지 처리 장치

Also Published As

Publication number Publication date
KR101084594B1 (ko) 2011-11-17

Similar Documents

Publication Publication Date Title
KR102641115B1 (ko) 객체 검출을 위한 영상 처리 방법 및 장치
TWI651662B (zh) 影像標註方法、電子裝置及非暫態電腦可讀取儲存媒體
US10635946B2 (en) Eyeglass positioning method, apparatus and storage medium
Yan et al. A multistage adaptive thresholding method
US9361672B2 (en) Image blur detection
US9053384B2 (en) Feature extraction unit, feature extraction method, feature extraction program, and image processing device
KR101848019B1 (ko) 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치
US10043090B2 (en) Information processing device, information processing method, computer-readable recording medium, and inspection system
KR101084594B1 (ko) 영상 인식 시스템 및 그 방법
US10445602B2 (en) Apparatus and method for recognizing traffic signs
US11908117B2 (en) Image processing method and apparatus for object detection
US20140341421A1 (en) Method for Detecting Persons Using 1D Depths and 2D Texture
US8948522B2 (en) Adaptive threshold for object detection
CN109242032B (zh) 一种基于深度学习的目标检测方法
CN109284673B (zh) 对象跟踪方法及装置、电子设备及存储介质
CN110458093B (zh) 一种基于驾驶员监控系统的安全带检测方法以及相应的设备
EP3493103A1 (en) Human body gender automatic recognition method and apparatus
Gilly et al. A survey on license plate recognition systems
KR101921717B1 (ko) 지역 윤곽 패턴을 이용한 얼굴 특징 추출 방법 및 이를 이용한 얼굴 인식 방법
CN109712134B (zh) 虹膜图像质量评价方法、装置及电子设备
US9727780B2 (en) Pedestrian detecting system
JP6772059B2 (ja) 電子制御装置、電子制御システムおよび電子制御方法
Anagnostopoulos et al. Using sliding concentric windows for license plate segmentation and processing
KR100703528B1 (ko) 영상 인식 장치 및 방법
CN111091056A (zh) 图像中的墨镜识别方法及装置、电子设备、存储介质

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
FPAY Annual fee payment

Payment date: 20140708

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20150626

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20161107

Year of fee payment: 6