KR20130067612A - 특징 벡터 분류기 및 이를 이용하는 인식 장치 - Google Patents

특징 벡터 분류기 및 이를 이용하는 인식 장치 Download PDF

Info

Publication number
KR20130067612A
KR20130067612A KR1020110134351A KR20110134351A KR20130067612A KR 20130067612 A KR20130067612 A KR 20130067612A KR 1020110134351 A KR1020110134351 A KR 1020110134351A KR 20110134351 A KR20110134351 A KR 20110134351A KR 20130067612 A KR20130067612 A KR 20130067612A
Authority
KR
South Korea
Prior art keywords
feature vector
feature
value
classifier
index
Prior art date
Application number
KR1020110134351A
Other languages
English (en)
Other versions
KR101725126B1 (ko
Inventor
여준기
천익재
석정희
윤상훈
노태문
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020110134351A priority Critical patent/KR101725126B1/ko
Priority to US13/550,833 priority patent/US20130156319A1/en
Publication of KR20130067612A publication Critical patent/KR20130067612A/ko
Application granted granted Critical
Publication of KR101725126B1 publication Critical patent/KR101725126B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/446—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 by matching or filtering using Haar-like filters, e.g. using integral image techniques
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding

Landscapes

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

Abstract

본 발명은 특징 벡터 추출기 및 이를 이용하는 인식 장치에 대한 것이다. 본 발명의 실시예에 의한 인식 장치는 특징 벡터 및 정규화값을 출력하는 특징 벡터 추출기 및 상기 특징 벡터 추출기로부터 입력된 상기 특징 벡터를 상기 정규화값을 기초로 정규화한 뒤 상기 특징 벡터를 분류하는 특징 벡터 분류기를 포함한다. 따라서 본 발명의 특징 벡터 추출기 및 이를 이용하는 인식 장치는 특징 벡터 추출 및 분류 과정에 있어서, 수행 시간 및 그에 요구되는 하드웨어의 크기가 감소된다.

Description

특징 벡터 분류기 및 이를 이용하는 인식 장치{FEATURE VECTOR CLASSIFIER AND RECOGNITION DEVICE USING THE SAME}
본 발명은 특징 벡터 추출기 및 이를 이용하는 인식 장치에 대한 것이다.
영상 인식은 질병 진단, 물체 추적, 로봇 자율 운행 등 다양한 분야에서 이용되는 기술이다. 영상 인식 기술에서는 일반적으로 입력된 영상 신호로부터 각 영역에 대한 검색 윈도우가 설정된다. 그리고 설정된 각 검색 윈도우에 대하여 특징 벡터가 추출된다. 특징 벡터는 영상 인식에 사용되는 특징값으로 구성된다. 추출된 특징 벡터는 미리 학습된 정보를 기초로 판별되고, 이를 통해 영상이 인식된다.
영상 인식 기술에서는 검색 윈도우 각각에 대하여 특징 벡터 추출 연산과 특징 벡터 분류 연산이 수행된다. 따라서 많은 계산량이 요구된다. 이로 인하여 고속으로 입력되는 영상이 실시간으로 처리되기 위해서는 많은 하드웨어 자원이 요구되는 문제점이 있다.
본 발명은 감소된 수행 시간 및 하드웨어의 크기를 가지는 특징 벡터 분류기 및 이를 이용하는 인식 장치를 제공하는 데에 그 목적이 있다.
본 발명의 실시예에 의한 인식 장치는 입력된 화상으로부터 특징 벡터 및 정규화값을 출력하는 특징 벡터 추출기 및 상기 특징 벡터를 상기 정규화값을 기초로 정규화하고, 상기 정규화된 특징 벡터를 분류하여 상기 입력된 화상을 인식하는 특징 벡터 분류기를 포함한다.
실시예에 있어서, 상기 특징 벡터 추출기는 상기 입력된 화상의 검색 윈도우로부터 특징값을 추출하는 특징 추출기 및 상기 특징 추출기로부터 추출된 상기 특징값을 원소로 하는 특징 벡터를 생성하고, 상기 특징값을 기초로 상기 정규화값을 계산하여 상기 특징 벡터 및 상기 정규화값을 출력하는 특징 벡터 생성기를 포함한다.
실시예에 있어서, 상기 특징 벡터 분류기는 LSVM 알고리즘에 의하여 상기 특징 벡터를 분류한다.
실시예에 있어서, 상기 특징 벡터 분류기는 상기 특징 벡터와 미리 지정된 가중치 벡터를 내적 연산하는 내적 연산기 및 상기 내적 연산기로부터 입력된 내적 연산값을 기초로 상기 특징 벡터의 인덱스를 분류하여 상기 특징 벡터를 분류하는 인덱스 분류기를 포함한다.
실시예에 있어서, 상기 특징 벡터는 병렬 연산에 의하여 상기 가중치 벡터와 내적 연산된다.
실시예에 있어서, 상기 내적 연산기는 상기 특징 벡터와 상기 가중치 벡터의 내적 연산 과정에서 상기 정규화값을 기초로 상기 특징 벡터를 정규화한다.
실시예에 있어서, 상기 특징 벡터 분류기는 상기 특징 벡터와 미리 지정된 가중치 벡터를 내적 연산하는 내적 연산기 및 상기 내적 연산기로부터 입력된 내적 연산값을 기초로 상기 특징 벡터의 인덱스를 분류하여 상기 특징 벡터를 분류하는 인덱스 분류기를 포함한다.
본 발명의 특징 벡터 분류기 및 이를 이용하는 인식 장치는 특징 벡터 추출 및 분류 과정에 있어서, 수행 시간 및 그에 요구되는 하드웨어의 크기가 감소된다.
도 1은 본 발명의 실시예에 의한 인식 장치를 도시하는 블록도이다.
도 2는 도 1의 특징 벡터 추출기를 더 자세히 도시한 블록도이다.
도 3은 도 1의 특징 벡터 분류기의 일실시예를 더 자세히 도시한 블록도이다.
도 4는 도 3의 특징 벡터 분류기의 일실시예의 동작 과정을 더 자세하게 도시한 흐름도이다.
도 5는 본 발명의 실시예에 의한 개선된 인식 장치를 도시하는 블록도이다.
도 6은 도 5의 특징 벡터 분류기의 일실시예를 도시한 블록도이다.
도 7은 도 6의 특징 벡터 분류기의 동작을 더 자세히 도시한 흐름도이다.
도 8은 도 5의 특징 벡터 분류기의 다른 실시예를 도시한 블록도이다.
도 9는 도 8의 특징 벡터 분류기의 동작을 더 자세히 도시한 흐름도이다.
도 10은 또 다른 실시예에 의한 특징 벡터 분류기의 동작을 더 자세히 도시한 흐름도이다.
도 1은 본 발명의 실시예에 의한 인식 장치를 도시하는 블록도이다. 도 1을 참조하면, 인식 장치(1)는 특징 벡터 추출기(10) 및 특징 벡터 분류기(20)를 포함한다.
특징 벡터 추출기(feature vector extractor)(10)는 입력된 검색 윈도우(search window)로부터 특징 벡터를 생성한다. 특징 벡터 추출기(10)로 입력되는 검색 윈도우는 영상 신호의 특정 영역에 대응되는 부분 영상 신호이다. 특징 벡터 추출기(10)에서 생성되는 특징 벡터는 영상 인식에 사용되는 특징값(feature)들을 원소(element)로 가지는 벡터이다.
특징 벡터 분류기(feature vector classifier)(20)는 특징 벡터 추출기로부터 입력된 특징 벡터의 인덱스(index)를 분류한다. 분류된 특징 벡터의 인덱스에 따라 인식 장치(1)에 입력된 검색 윈도우가 분류된다. 특징 벡터의 인덱스를 분류하는 분류 알고리즘은 다양하다. 본 실시예에서는 가장 간단한 형태인 LSVM(Linear support vector machine) 알고리즘을 사용한다. 그러나 이는 예시적인 것으로 본 발명은 이에 한정되지 않는다.
LSVM 알고리즘에서, 특징 벡터는 미리 지정된 가중치 벡터와 내적 연산된다. 내적 연산된 값과 미리 지정된 오프셋 상수의 합의 부호(sign)를 통해 특징 벡터의 인덱스가 판별된다.
도 2는 도 1의 특징 벡터 추출기를 더 자세히 도시한 블록도이다. 도 2를 참조하면, 특징 벡터 추출기(10)는 특징 추출기(11), 특징 정규화기(12) 및 특징 벡터 생성기(13)를 포함한다.
특징 추출기(11)는 검색 윈도우로부터 특징값을 추출한다. 특징 추출기(11)에서 추출되는 특징값은 다양할 수 있다. 예를 들어, 특징값은 HOG(histogram of gradient) 특징, 하알 유사(Haar-like) 특징, 웨이블릿(Wavelet)특징일 수 있다. 혹은 위의 특징이 복합된 것일 수 있다. 그러나 이는 예시적인 것으로 본 발명은 이에 한정되지 않는다.
실시예로서 HOG 특징을 특징값으로 이용하는 특징 벡터의 생성 과정을 설명한다. HOG는 국소(local) 영역에 대한 밝기의 분포 방향을 히스토그램으로 표현한 것이다. HOG 특징이 계산되기 위해서, 먼저 검색 윈도우 영상은 다수 개의 셀(cell)로 구성된 블록(block)으로 추출된다. 추출된 각 블록을 구성하는 셀 마다 밝기의 경사 방향 및 경사도가 계산된다.
본 실시예에서 경사 방향은 0° 내지 180°가 20°씩 9등분되어 계산된다. 즉, 하나의 셀은 9개의 방향성 히스토그램 빈(histogram bin)을 가진다. 또한 본 실시예에서 각 블록은 2x2의 셀로 구성된다. 따라서 본 실시예에서 한 블록 당 계산되는 특징값의 수, 즉 특징 벡터의 원소 수는 36개이다. 그러나 이는 예시적인 것으로 본 발명은 이에 한정되지 않는다.
특징 정규화기(12)는 특징 추출기(11)에서 추출된 특징값들을 정규화한다. 특징 벡터 분류기에서 특징 벡터가 분류될 때, 인식된 특징 벡터의 환경과 미리 학습된 정보의 환경은 불일치한다. 이로 인한 분류 결과의 왜곡을 줄이기 위하여 정규화 과정이 요구된다.
정규화 과정은 다양한 방식일 수 있다. 예를 들어, 정규화 과정은 평균(Mean Normalization) 혹은 분산 정규화(Mean and Variance Normalization, MVN)방법일 수 있다. 실시예로서, 가장 간단한 정규화 방식인 평균 방법을 적용하면 수학식 1 및 수학식 2와 같다.
Figure pat00001
Figure pat00002
xi'는 정규화 되기 전의 i번째 특징값이다. xi는 i번째 정규화된 특징값이다. 1/N은 정규화값이다. n은 특징 벡터의 총 원소 수이다. ε은 수학식 1의 분모가 0이 되었을 때의 계산 불능을 방지하는 상수이다. 즉, 평균 방법에 의한 정규화 과정은 특징값에 전체 특징값의 합의 역수, 즉 정규화값을 곱하는 과정이다.
다른 실시예로서, 정규화 과정은 평균 제곱 방법일 수 있다. 그러면 정규화값은 수학식 3과 같이 계산된다.
Figure pat00003
수학식 2와 마찬가지로 1/N은 정규화값이다. n은 특징 벡터의 총 원소 수이다. ε은 수학식 1의 분모가 0이 되었을 때의 계산 불능을 방지하는 상수이다. 평균 제곱 방법에 의하여도 정규화 과정은 특징값에 정규화값을 곱하는 것으로 수행된다.
이때 n개의 원소를 가지는 특징 벡터에 대하여, 각 원소에 대하여 정규화값에 대한 곱셈 연산이 수행되어야 한다. 따라서 하나의 특징 벡터가 생성되기 위하여 정규화값 계산 연산 및 n번의 곱셈 연산이 요구된다.
특징 벡터 생성기(13)는 특징 정규화기(12)에서 정규화된 특징값을 원소로 가지는 특징 벡터를 생성한다. 특징 벡터 생성기(13)는 생성된 특징 벡터를 출력한다.
도 3은 도 1의 특징 벡터 분류기(20)의 일실시예를 더 자세히 도시한 블록도이다. 도 3을 참조하면, 특징 벡터 분류기(20)는 내적 연산기(21) 및 인덱스 분류기(22)를 포함한다. 특징 벡터 분류기(20)는 특징 벡터 및 오프셋을 입력받는다.
내적 연산기(21)(dot-product unit)는 특징 벡터 추출기(10)로부터 입력된 특징 벡터와 가중치 벡터(weight vector)를 내적 연산한다. 가중치 벡터는 특징값에 대한 가중치를 원소로 가지는 벡터로 특징 벡터와 동일한 원소 수를 가진다. 내적 연산기(21)에서 출력된 내적 결과값은 오프셋(b)과 덧셈 연산되어 인덱스 분류기(22)로 전송된다.
인덱스 분류기(index classifier)(22)는 입력된 덧셈 결과값을 기초로 특징 벡터의 인덱스를 분류한다. 예를 들어, 인덱스 분류기는 입력된 덧셈 결과값의 부호(sign)를 계산하여 특징 벡터의 인덱스를 분류할 수 있다. 이 경우 특징 벡터는 2 종류로 분류된다. 그러나 이는 예시적인 것으로 본 발명은 이에 한정되지 않는다. 인덱스 분류기(22)는 특징 벡터의 분류 결과를 기초로 인식 장치에 입력된 검색 윈도우 영상을 분류한다.
도 4는 도 3의 특징 벡터 분류기(20)의 일실시예의 동작 과정을 더 자세하게 도시한 흐름도이다. 특징 벡터(X)는 n개의 특징값(x1, x2, ..., xn)을 가진다고 하자. 또, 가중치 벡터(W)는 n개의 가중치(w1, w2, ..., wn)을 가진다고 하자.
도 4를 참조하면, i번째 특징값(xi)은 i번째 가중치(wn)과 곱셈 연산된다. 연산된 값은 n번째 특징값이 가중(weighted)될 때까지 누적 덧셈 연산된다. n번째 가중된 특징값이 더해지면(x1w1+x2w2+...+xnwn), 계산된 결과는 오프셋(b)이 더해져 부호(sign) 판별기로 입력된다. 부호 판별기는 입력된 값의 부호를 판별하여 결과를 2진 비트(D(x))로 출력한다.
따라서, 도 1 내지 도 4의 인식 장치는 검색 윈도우로부터 정규화된 특징 벡터를 추출하고, 추출된 특징 벡터의 인덱스를 분류하는 것으로 입력된 검색 윈도우를 분류한다. 그러나 특징 벡터를 정규화하는 과정에서 정규화값을 특징값에 곱하는 연산이 요구되는데, 정규화값이 계산되기 전에는 곱셈 연산이 수행될 수 없으므로 모든 특징값이 구해진 이후에 정규화 과정이 시작되어야 한다. 따라서 병렬 연산이 불가능하여 긴 연산 수행 시간이 요구된다.
도 5는 본 발명의 실시예에 의한 개선된 인식 장치를 도시하는 블록도이다. 도 5를 참조하면, 인식 장치(100)는 특징 벡터 추출기(110) 및 특징 벡터 분류기(120)를 포함한다. 특징 벡터 추출기(110)는 특징 추출기(111) 및 특징 벡터 생성기(112)를 포함한다.
특징 벡터 추출기(110)는 입력된 검색 윈도우로부터 특징 벡터를 생성한다. 도 1의 특징 벡터 추출기(10)와 달리, 특징 벡터 추출기(110)는 정규화 되지 않은 특징 벡터와 정규화값을 출력한다.
특징 추출기(111)는 입력된 검색 윈도우로부터 특징값을 추출한다. 특징 추출기(111)에서 추출되는 특징값은 다양할 수 있다. 예를 들어, 특징값은 HOG(histogram of gradient) 특징, 하알 유사(Haar-like) 특징, 웨이블릿(Wavelet)특징일 수 있다. 혹은 위의 특징이 복합된 것일 수 있다. 그러나 이는 예시적인 것으로 본 발명은 이에 한정되지 않는다.
특징 벡터 생성기(112)는 특징 추출기(111)에서 추출된 특징값을 원소로 가지는 특징 벡터를 생성한다. 또, 특징 벡터 생성기(112)는 특징값으로부터 정규화값을 계산한다. 정규화 값은 다양한 방식으로 계산될 수 있다. 예를 들어, 정규화 값은 평균(Mean Normalization) 혹은 분산 정규화(Mean and Variance Normalization, MVN)방법에 의하여 계산될 수 있다. 특징 벡터 생성기(112)는 생성된 특징 벡터와 계산된 정규화값을 출력한다.
따라서 본 실시예에 의한 특징 벡터 추출기에서는 정규화 값을 곱하는 연산이 수행되지 않으므로 하드웨어 크기와 계산 수행 시간이 감소된다.
특징 벡터 분류기(120)는 특징 벡터 추출기(110)로부터 입력된 특징 벡터 및 정규화값을 기초로 특징 벡터를 판별한다. 이하 도면을 참조하여 특징 벡터 분류기의 동작을 설명한다.
도 6은 도 5의 특징 벡터 분류기의 일실시예를 도시한 블록도이다. 도 6을 참조하면, 특징 벡터 분류기(220)는 내적 연산기(221) 및 인덱스 분류기(222)를 포함한다.
내적 연산기(221)는 특징 벡터 및 정규화값을 입력받는다. 내적 연산기(221)는 특징 벡터와 가중치 벡터(221)의 내적을 위한 곱셈 연산을 수행하면서 정규화값을 곱하는 곱셈 연산을 수행한다. 내적 연산기(221)에서 계산된 결과값은 오프셋과 덧셈 연산되어 인덱스 분류기(222)로 전송된다.
인덱스 분류기(index classifier)(222)는 입력된 덧셈 결과값을 기초로 특징 벡터의 인덱스를 분류한다. 예를 들어, 인덱스 분류기(222)는 입력된 덧셈 결과값의 부호(sign)를 계산하여 특징 벡터의 인덱스를 분류할 수 있다. 이 경우 특징 벡터는 2 종류로 분류된다. 그러나 이는 예시적인 것으로 본 발명은 이에 한정되지 않는다. 인덱스 분류기(222)는 특징 벡터의 분류 결과를 기초로 인식 장치에 입력된 검색 윈도우 영상을 분류한다.
도 7은 도 6의 특징 벡터 분류기의 동작을 더 자세히 도시한 흐름도이다. 특징 벡터(X)는 n개의 특징값(x1, x2, ..., xn)을 가진다고 하자. 또, 가중치 벡터(W)는 n개의 가중치(w1, w2, ..., wn)을 가진다고 하자.
도 7을 참조하면, i번째 특징값(xi)은 i번째 가중치(wn)와 곱셈 연산된다. 연산된 값은 다시 정규화값(1/N)과 곱셈 연산된다. 위 연산된 값은 n번째 특징값이 가중(weighted)될 때까지 누적 덧셈 연산된다. n번째 정규화된 가중된 특징값이 더해지면(x1w1/N + x2w2/N +...+ xnwn/N), 계산된 결과는 오프셋(b)이 더해져 부호(sign) 판별기로 입력된다. 부호 판별기는 입력된 값의 부호를 판별하여 결과를 2진 비트(D(x))로 출력한다.
따라서, 도 5 내지 도 7의 인식 장치에서, 특징 벡터 분류기는 특징 벡터 및 정규화값을 입력받아 입력된 특징값을 정규화하고, 정규화된 특징값을 기초로 특징 벡터를 판별한다. 특징 벡터 분류기에서 정규화값에 대한 곱셈 연산은 특징 벡터의 원소 수(n)만큼 수행된다. 따라서 도 1의 인식 장치에서 정규화 과정이 수행되는 것에 비하여 연산 수와 하드웨어 크기의 이득은 없다. 그러나 병렬 연산이 불가능한 도 1의 인식 장치와 달리 본 실시예 인식 장치에서는 정규화 과정이 지연되어 수행됨에 따라 정규화값 계산 전 분류 연산의 일부가 수행될 수 있다. 따라서 계산 수행 시간이 단축된다.
도 8은 도 5의 특징 벡터 분류기의 다른 실시예를 도시한 블록도이다. 도 8을 참조하면, 특징 벡터 분류기(320)는 내적 연산기(321) 및 인덱스 분류기(322)를 포함한다.
내적 연산기(321)는 특징 벡터 및 정규화값을 입력받는다. 내적 연산기(321)는 특징 벡터와 가중치 벡터(321)의 내적을 위한 곱셈 연산을 수행한다. 내적 연산기(321)에서 내적 연산된 결과값은 정규화값과 곱셈 연산된 뒤 오프셋과 덧셈 연산되어 인덱스 분류기(322)로 전송된다.
인덱스 분류기(index classifier)(322)는 입력된 덧셈 결과값을 기초로 특징 벡터의 인덱스를 분류한다. 예를 들어, 인덱스 분류기(322)는 입력된 덧셈 결과값의 부호(sign)를 계산하여 특징 벡터의 인덱스를 분류할 수 있다. 이 경우 특징 벡터는 2 종류로 분류된다. 그러나 이는 예시적인 것으로 본 발명은 이에 한정되지 않는다. 인덱스 분류기(322)는 특징 벡터의 분류 결과를 기초로 인식 장치에 입력된 검색 윈도우 영상을 분류한다.
도 9는 도 8의 특징 벡터 분류기의 동작을 더 자세히 도시한 흐름도이다. 특징 벡터(X)는 n개의 특징값(x1, x2, ..., xn)을 가진다고 하자. 또, 가중치 벡터(W)는 n개의 가중치(w1, w2, ..., wn)을 가진다고 하자.
도 9를 참조하면, i번째 특징값(xi)은 i번째 가중치(wn)와 곱셈 연산된다. 위 연산된 값은 n번째 특징값이 가중(weighted)될 때까지 누적 덧셈 연산된다. n번째 가중된 특징값이 더해지면(x1w1 + x2w2 +...+ xnwn), 계산된 결과는 정규화값(1/N)과 곱셈 연산된다. 연산된 값은 오프셋(b)이 더해져 부호(sign) 판별기로 입력된다. 부호 판별기는 입력된 값의 부호를 판별하여 결과를 2진 비트(D(x))로 출력한다.
따라서, 도 5 내지 도 9의 인식 장치에서, 특징 벡터 분류기는 특징 벡터 및 정규화값을 입력받는다. 특징 벡터 분류기는 입력된 특징값을 가중치와 곱셈 연산하고, 연산된 값을 정규화한다. 특징 벡터 분류기는 정규화된 특징값을 기초로 특징 벡터를 판별한다.
특징 벡터 분류기에서 정규화값에 대한 곱셈 연산은 한 번만 수행된다. 따라서 도 1의 인식 장치에서 정규화 과정이 수행되는 것에 비하여 연산 수 및 연산에 요구되는 하드웨어의 크기가 감소된다. 또한 병렬 연산이 불가능한 도 1의 인식 장치와 달리 본 실시예 인식 장치에서는 정규화 과정이 지연되어 수행됨에 따라 정규화값 계산 전 분류 연산의 일부가 수행될 수 있다. 즉, 정규화값이 계산되기 전에 특징 벡터와 가중치 벡터의 내적 연산까지 수행될 수 있다. 따라서 계산 수행 시간이 더욱 단축된다.
도 10은 또 다른 실시예에 의한 특징 벡터 분류기의 동작을 더 자세히 도시한 흐름도이다. 도 10의 특징 벡터 분류기는 도 9의 특징 벡터 분류기에 추가적인 하드웨어 자원을 이용하여 병렬 연산이 수행되도록 한다. 도 10을 참조하면, 특징 벡터 분류기에서는 내적 연산을 수행할 때 k개의 특징값이 동시에 병렬로 곱셈 연산된다. 정규화값이 계산되는 시간에 맞추어 가중치의 곱셈 연산이 병렬로 수행되면 계산 수행 시간은 크게 단축된다. 병렬 연산에는 추가적인 하드웨어가 요구되지만, 본 실시예에서는 정규화 과정이 지연되어 수행됨에 따라 하드웨어의 크기가 감소되므로 지나치게 큰 하드웨어 크기는 요구되지 않는다.
1, 100: 인식 장치
10, 110: 특징 벡터 추출기
11, 111: 특징 추출기
12: 특징 정규화기
13, 112: 특징 벡터 생성기
20, 120, 220, 320: 특징 벡터 분류기
21, 221, 321: 내적 연산기
22, 222, 322: 인덱스 분류기

Claims (11)

  1. 입력된 화상으로부터 특징 벡터 및 정규화값을 생성하여 출력하는 특징 벡터 추출기;및
    상기 특징 벡터를 상기 정규화값을 기초로 정규화하고, 상기 정규화된 특징 벡터를 분류하여 상기 입력된 화상을 인식하는 특징 벡터 분류기를 포함하는 인식 장치.
  2. 제 1항에 있어서,
    상기 특징 벡터 추출기는
    상기 입력된 화상의 검색 윈도우로부터 특징값을 추출하는 특징 추출기;및
    상기 특징값을 원소로 하는 특징 벡터를 생성하고, 상기 특징값을 기초로 상기 정규화값을 계산하며, 상기 생성된 특징 벡터 및 상기 계산된 정규화값을 출력하는 특징 벡터 생성기를 포함하는 인식 장치.
  3. 제 1항에 있어서,
    상기 특징 벡터 분류기는 LSVM 알고리즘에 의하여 상기 특징 벡터를 분류하는 인식 장치.
  4. 제 3항에 있어서,
    상기 특징 벡터 분류기는
    상기 특징 벡터와 미리 지정된 가중치 벡터를 내적 연산하는 내적 연산기;및
    상기 내적 연산값을 기초로 상기 특징 벡터의 인덱스를 분류하여 상기 특징 벡터를 분류하는 인덱스 분류기를 포함하는 인식 장치.
  5. 제 4항에 있어서,
    상기 특징 벡터는 병렬 연산에 의하여 상기 가중치 벡터와 내적 연산되는 인식 장치.
  6. 제 4항에 있어서,
    상기 내적 연산기는 상기 특징 벡터와 상기 가중치 벡터의 내적 연산 과정에서 상기 정규화값을 기초로 상기 특징 벡터를 정규화하는 인식 장치.
  7. 제 4항에 있어서,
    상기 인덱스 분류기는 상기 정규화값을 기초로 상기 내적 연산기에서 출력된 내적 연산값을 정규화하고,
    상기 정규화된 내적 연산값을 기초로 특징 벡터의 인덱스를 분류하는 인식 장치.
  8. 화상으로부터 추출된 특징 벡터 및 정규화값을 입력받고, 상기 특징 벡터를 상기 정규화값을 기초로 정규화하는 내적 연산기; 및
    상기 정규화된 특징 벡터를 인덱스에 따라 분류하는 인덱스 분류기를 포함하는 특징 벡터 분류기.
  9. 제 8항에 있어서,
    상기 특징 벡터는 HOG 특징값을 원소로 가지는 특징 벡터 분류기.
  10. 제 8항에 있어서,
    상기 정규화값은 평균 방법에 의하여 계산되는 특징 벡터 분류기.
  11. 제 8항에 있어서,
    상기 정규화값은 평균 제곱 방법에 의하여 계산되는 특징 벡터 분류기.
KR1020110134351A 2011-12-14 2011-12-14 특징 벡터 분류기 및 이를 이용하는 인식 장치 KR101725126B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020110134351A KR101725126B1 (ko) 2011-12-14 2011-12-14 특징 벡터 분류기 및 이를 이용하는 인식 장치
US13/550,833 US20130156319A1 (en) 2011-12-14 2012-07-17 Feature vector classifier and recognition device using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110134351A KR101725126B1 (ko) 2011-12-14 2011-12-14 특징 벡터 분류기 및 이를 이용하는 인식 장치

Publications (2)

Publication Number Publication Date
KR20130067612A true KR20130067612A (ko) 2013-06-25
KR101725126B1 KR101725126B1 (ko) 2017-04-12

Family

ID=48610205

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110134351A KR101725126B1 (ko) 2011-12-14 2011-12-14 특징 벡터 분류기 및 이를 이용하는 인식 장치

Country Status (2)

Country Link
US (1) US20130156319A1 (ko)
KR (1) KR101725126B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190121323A (ko) * 2017-02-17 2019-10-25 코기센 에스.알.엘. 콘텐츠 검출에 대한 이미지 프로세싱 방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9140481B2 (en) 2012-04-02 2015-09-22 Whirlpool Corporation Folded vacuum insulated structure
US9298988B2 (en) * 2013-11-08 2016-03-29 Analog Devices Global Support vector machine based object detection system and associated method
WO2015074173A1 (en) * 2013-11-19 2015-05-28 Harman International Industries, Incorporated Object tracking
US20200042862A1 (en) * 2017-04-20 2020-02-06 Hewlett-Packard Development Company, L.P. Recommending a photographic filter
US10740619B2 (en) * 2017-11-21 2020-08-11 Uber Technologies, Inc. Characterizing content with a predictive error representation

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0540823A (ja) * 1991-06-25 1993-02-19 Fuji Xerox Co Ltd 画像信号分析方式
KR20000021855A (ko) * 1998-09-30 2000-04-25 전주범 퍼지-뉴럴 얼굴 인식 장치
KR20090032808A (ko) * 2007-09-28 2009-04-01 삼성전자주식회사 물체 분류 방법 및 시스템
WO2011037097A1 (ja) * 2009-09-24 2011-03-31 国立大学法人京都大学 パターン認識方法及び該方法を用いたパターン認識装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6128608A (en) * 1998-05-01 2000-10-03 Barnhill Technologies, Llc Enhancing knowledge discovery using multiple support vector machines
US7356187B2 (en) * 2004-04-12 2008-04-08 Clairvoyance Corporation Method and apparatus for adjusting the model threshold of a support vector machine for text classification and filtering

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0540823A (ja) * 1991-06-25 1993-02-19 Fuji Xerox Co Ltd 画像信号分析方式
KR20000021855A (ko) * 1998-09-30 2000-04-25 전주범 퍼지-뉴럴 얼굴 인식 장치
KR20090032808A (ko) * 2007-09-28 2009-04-01 삼성전자주식회사 물체 분류 방법 및 시스템
WO2011037097A1 (ja) * 2009-09-24 2011-03-31 国立大学法人京都大学 パターン認識方法及び該方法を用いたパターン認識装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190121323A (ko) * 2017-02-17 2019-10-25 코기센 에스.알.엘. 콘텐츠 검출에 대한 이미지 프로세싱 방법

Also Published As

Publication number Publication date
US20130156319A1 (en) 2013-06-20
KR101725126B1 (ko) 2017-04-12

Similar Documents

Publication Publication Date Title
KR101725126B1 (ko) 특징 벡터 분류기 및 이를 이용하는 인식 장치
US8730157B2 (en) Hand pose recognition
US20120114250A1 (en) Method and system for detecting multi-view human face
Khandelwal et al. Segmentation-grounded scene graph generation
KR20130058286A (ko) 보행자 검출기의 보행자 검출 방법
Fast R-cnn
CN113222149A (zh) 模型训练方法、装置、设备和存储介质
Teng et al. Generative robotic grasping using depthwise separable convolution
Bose et al. In-situ recognition of hand gesture via Enhanced Xception based single-stage deep convolutional neural network
KR101303591B1 (ko) 통합형 서포트 벡터 머신 회로 장치
Soviany et al. Frustratingly easy trade-off optimization between single-stage and two-stage deep object detectors
Zhou et al. A pipeline architecture for traffic sign classification on an FPGA
Singh et al. Wavelet based histogram of oriented gradients feature descriptors for classification of partially occluded objects
Sebti et al. Body orientation estimation with the ensemble of logistic regression classifiers
Miezianko et al. Detecting and recognizing abandoned objects in crowded environments
KR101704736B1 (ko) 다단계의 부분 분류기를 이용한 서포트 벡터 머신 기반 데이터 분류 장치 및 그 방법
CN111145221A (zh) 一种基于多层深度特征提取的目标跟踪算法
US11288534B2 (en) Apparatus and method for image processing for machine learning
KR20210124012A (ko) 이미지 인식 방법, 장치 및 저장 매체
Zhan et al. Facial expression recognition based on hybrid features and fusing discrete HMMs
Thanomsingh et al. A comparison study of using linear and nonlinear classifiers on object recognition based on inception convolutional neural networks with different numbers of inception-block
Jabshetti et al. Object detection using Regionlet transform
Zhang et al. A review of small target detection based on deep learning
Zhao et al. Understanding and Improving the Intermediate Features of FCN in Semantic Segmentation
JP2015187770A (ja) 画像認識装置、画像認識方法及びプログラム

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