KR20140044173A - 객체 영상 인식 장치 및 객체 영상 인식 방법 - Google Patents

객체 영상 인식 장치 및 객체 영상 인식 방법 Download PDF

Info

Publication number
KR20140044173A
KR20140044173A KR1020120110219A KR20120110219A KR20140044173A KR 20140044173 A KR20140044173 A KR 20140044173A KR 1020120110219 A KR1020120110219 A KR 1020120110219A KR 20120110219 A KR20120110219 A KR 20120110219A KR 20140044173 A KR20140044173 A KR 20140044173A
Authority
KR
South Korea
Prior art keywords
object image
distance
image recognition
feature
boundary
Prior art date
Application number
KR1020120110219A
Other languages
English (en)
Inventor
김혜진
이재연
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 KR1020120110219A priority Critical patent/KR20140044173A/ko
Priority to US14/021,799 priority patent/US20140099030A1/en
Publication of KR20140044173A publication Critical patent/KR20140044173A/ko

Links

Images

Classifications

    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation

Landscapes

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

Abstract

기존의 객체 영상 인식 기술에서는, 객체로부터 많은 수의 특징이 추출되기 때문에 신뢰도 높은 인식을 할 수 있는 반면, 불필요한(redundant) 특징이나 중복되는 특징들이 많아질 수 있다. 또한, 특징이 많아지면 객체 탐색(search) 시간이 길어지는 단점이 있다. 이에 본 발명의 실시예에서는, 객체의 자세(pose), 크기(size), 가려짐(occlusion) 등에 강인하면서 객체 영상 인식을 위한 매칭 시간을 줄일 수 있는 객체 영상 인식 장치 및 객체 영상 인식 방법을 제공하고자 한다.

Description

객체 영상 인식 장치 및 객체 영상 인식 방법{APPARATUS AND METHOD FOR PROVIDING OBJECT IMAGE COGNITION}
본 발명은 객체 영상 인식 기술에 관한 것으로, 특히 객체 인식 및 추적, 객체의 자세 인식에 필요한 특징(feature)을 추출하는데 적합한 객체 영상 인식 장치 및 방법에 관한 것이다.
객체 인식을 위한 특징 추출 방법에는 객체의 국소 특징(local feature)을 추출하고, 객체 데이터베이스 모델과의 대응을 위해 데이터베이스 내 객체의 특징들과 대상 객체의 국소 특징들을 비교하는 기법이 포함된다.
국소 특징 추출 기법은 객체의 국소적인 특징을 이용하기 때문에 객체의 자세(pose), 크기(size), 가려짐(occlusion) 등의 변수가 있는 상황에서도 객체를 인식할 수 있는 장점이 있다.
그러나, 이러한 기법은 다수의 국소 특징들을 추출할 수 있는 객체일 경우에만 정확한 인식이 가능하며, 많은 수의 국소 특징들 간의 비교로 인해 인식률이 떨어지는 단점이 있다.
한편, 종래의 국소 특징 추출 기법으로는, "Harris detector , Harris Laplace detector , Hessian Laplace , Harris / Hessian Affine detector , Uniform detector , Shape Contexts , Image Moments, Gradient Location and Orientation Histogram , Geometric Blur , SIFT( Scale - invariant feature transform ), SURF(Speeded Up Robust Features )" 등이 있으며, 이들 중 SIFT 기법과 SURF 기법은 객체 인식을 위한 특징으로 가장 주목 받고 있다. 그 이유는, SIFT 기법과 SURF 기법들이 객체가 다른 것에 의해 가려지거나 물체의 위치나 자세가 달라지더라도 강인하게 객체를 인식할 수 있기 때문이다.
기존의 국소 특징으로 알려져 있는 기법 외에도 어떠한 특징이든 객체의 특징을 나타내는 특징 값이라면 국소 특징을 추출하는데 이용될 수 있다. 그 일 예로, KLT(Kanade-Lucas-Tomasi) 특징 기법이 한 객체의 국소 특징 값으로 이용될 수 있다.
그러나, 객체로부터 많은 수의 특징이 추출되면 신뢰도 높은 인식을 할 수 있는 반면, 불필요한(redundant) 특징이나 중복되는 특징들이 많아질 수 있다. 또한, 특징이 많아지면 객체 탐색(search) 시간이 길어지는 단점이 있다.
한국공개특허 2010-0053411, 멀티코어 멀티스레드 기반의 KLT 특징점 추적 방법 및 그 장치, 2010.05.20 공개 한국등록특허 10-0712341호, 변형된 저니크 모멘트에 의한 3차원 영상 데이터의 특징 추출 및 검색 방법 및 장치, 2007.05.02 등록 한국등록특허 10-0785339호, 형상 인식 장치 및 방법, 2007.12.17 등록
이에 본 발명의 실시예에서는, 객체의 자세(pose), 크기(size), 가려짐(occlusion) 등에 강인하면서 객체 영상 인식을 위한 매칭 시간을 줄일 수 있는 객체 영상 인식 장치 및 객체 영상 인식 방법을 제공하고자 한다.
본 발명의 실시예에 따른 객체 영상 인식 장치에 따르면, 객체 영상의 경계(boundary)를 추출하는 경계 추출부와, 추출되는 상기 경계로부터 상기 객체 영상의 중심점 및 적어도 하나의 국소 특징점을 추출하고, 추출되는 상기 중심점과 적어도 하나의 국소 특징점 간의 각각의 거리를 연산하는 특징 추출부를 포함할 수 있다.
여기서, 상기 객체 영상 인식 장치는, 상기 특징 추출부를 통해 연산되는 각각의 거리에 대해 중복성 및 방향성을 부가하는 후처리부를 더 포함할 수 있다.
또한, 상기 후처리부는, 상기 특징 추출부를 통해 연산되는 각각의 거리에 대해 소팅(sorting)하거나 클러스터링(clustering)하거나 분류(classifying)하거나 윈도잉(windowing)하는 기법들 중 적어도 하나의 기법이 적용될 수 있다.
또한, 상기 특징 추출부는, 상기 경계 추출부로부터 추출되는 상기 경계로부터 상기 객체 영상의 중심점을 추출하는 중심점 추출부와, 상기 경계 추출부로부터 추출되는 상기 경계로부터 적어도 하나의 국소 특징점을 추출하는 국소 특징 추출부와, 상기 중심점과 상기 적어도 하나의 국소 특징점 간의 상기 각각의 거리를 연산하는 거리 연산부를 포함할 수 있다.
또한, 상기 각각의 거리는, 상기 객체 영상의 자세 또는 위치에 종속되지 않는 값인 것을 특징으로 할 수 있다.
또한, 상기 각각의 거리는, 상기 객체 영상의 국소 특징점의 가려짐(occlusion)에 종속되지 않는 값인 것을 특징으로 할 수 있다.
본 발명의 실시예에 따른 객체 영상 인식 방법에 따르면, 외부로부터 입력되는 객체 영상의 경계(boundary)를 추출하는 과정과, 추출되는 상기 경계로부터 상기 객체 영상의 중심점을 추출하는 과정과, 추출되는 상기 경계로부터 상기 객체 영상의 적어도 하나의 국소 특징점을 추출하는 과정과, 상기 중심점과 상기 적어도 하나의 국소 특징점 간의 거리를 연산하는 과정을 포함할 수 있다.
여기서, 상기 거리를 연산하는 과정은, 상기 중심점과 상기 적어도 하나의 국소 특징점 간의 거리에 대해 후처리하는 과정을 더 포함할 수 있다.
또한, 상기 후처리하는 과정은, 상기 거리를 소팅하는 과정과, 상기 거리를 클러스터링하는 과정과, 상기 거리를 분류하는 과정과, 상기 거리를 윈도잉하는 과정을 포함할 수 있다.
또한, 상기 거리는, 상기 객체 영상의 자세 또는 위치에 종속되지 않는 값인 것을 특징으로 할 수 있다.
또한, 상기 거리는, 상기 객체 영상의 국소 특징점의 가려짐에 종속되지 않는 값인 것을 특징으로 할 수 있다.
본 발명에 의하면, 객체의 중심점과 국소 특징(local feature)들 간의 거리를 연산하여 객체의 특징을 추출함으로써, 객체의 자세, 크기, 가려짐 등에 강인하면서 정확하고 빠르게 객체 영상을 인식할 수 있다.
도 1은 본 발명의 실시예에 따른 객체 영상 인식 장치를 나타낸 개략적인 블록 구성도,
도 2는 도 1의 특징 추출부의 상세 구성 블록도,
도 3은 도 1의 후처리부의 기능을 개념적으로 나타낸 도면,
도 4는 특징 X-D(객체 영상의 중심점과 국소 특징들 간의 거리를 연산한 결과의 특징 정보)의 후처리 방법 중 소팅 기법을 적용한 경우를 예시한 사시도,
도 5는 도 4의 객체 영상의 중심점으로부터의 거리를 소팅한 결과를 예시한 그래프,
도 6은 도 5의 소팅된 값의 의미를 표현한 것으로, 반경 r 내의 특징들을 소팅한 경우를 예시한 사시도,
도 7은 도 4의 후처리 방법 중 클러스터링 또는 분류 기법을 적용한 경우로서, 객체 영상의 국소 특징에 대한 특징 패치(patch)를 예시한 사시도.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
실시예의 설명에 앞서, 본 발명은 객체의 중심점과 국소 특징(local feature)들 간의 거리를 연산하여 객체의 특징을 추출함으로써, 객체의 자세(pose), 크기(size), 가려짐(occlusion) 등에 강인하면서 객체 영상 인식을 위한 매칭 시간을 줄이고자 하는 것으로, 이러한 기술 사상으로부터 본 발명의 목적으로 하는 바를 용이하게 달성할 수 있을 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 객체 영상 인식 장치를 나타낸 개략적인 블록 구성도로서, 경계(boundary) 추출부(100), 특징(feature) 추출부(200), 후처리부(300) 등을 포함할 수 있다.
도 1에 도시한 바와 같이, 경계 추출부(100)는 외부로부터 입력되는 객체 영상의 경계 정보를 추출하는 역할을 할 수 있다.
특징 추출부(200)는 경계 추출부(100)를 통해 추출되는 객체 영상의 경계 정보로부터 객체 영상의 중심점(center point)(C) 및 국소 특징(local feature)(이하, 특징 X라 명명함)을 추출하고, 추출되는 객체 영상의 중심점(C)과 특징 X 간의 거리(D)를 연산하는 역할을 할 수 있다. 이때의 특징 X는 객체의 형상에 따라 다수 개로 정의될 수 있다.
도 1에서는 객체 영상의 경계 정보를 추출하고 특징 정보를 추출하는 것으로 명시하였으나, 이는 하나의 예시일 뿐 그 순서를 한정하는 것이 아님을 당업자라면 용이하게 이해할 수 있을 것이다.
이러한 특징 추출부(200)는 도 2에 도시한 바와 같이, 중심점 추출부(202), 국소 특징 추출부(204), 거리 연산부(206) 등을 포함할 수 있다.
도 2에 도시한 바와 같이, 중심점 추출부(202)는 경계 추출부(100)를 통해 추출되는 객체 영상의 경계 정보로부터 객체 영상의 중심점(C)를 추출하는 역할을 하며, 국소 특징 추출부(204)는 객체 영상의 경계 정보로부터 객체 영상의 다수 개의 특징 X들을 추출하는 역할을 한다. 이와 같은 중심점(C)을 추출하고 특징 X를 추출하는 구성도 그 순서를 한정하는 것은 아님을 주지할 필요가 있다.
본 발명의 실시예에서 국소 특징 추출은, 예를 들어 KLT(Kanade-Lucas-Tomasi) 특징 기법이 사용될 수 있다.
거리 연산부(206)는 객체 영상의 중심점(C)과 특징 X들 간의 각각의 거리(D)를 연산하는 역할을 할 수 있다.
이러한 거리 연산부(206)를 통해 추출되는 거리(D)는 다음 [수학식 1]과 같이 표현될 수 있다. [수학식 1]에서는 특징 k번째 패치(patch) O(k)에 해당하는 특징 Xk(x,y)와, k번째 패치의 중심점 C(k)와의 거리 D(k)를 구하는 경우를 예시하고자 한다.
Figure pat00001
이와 같이, 객체 영상의 중심점(C)과 특징 X 간의 거리를 "특징 X-D"라 명명하기로 한다. 특징 X-D는, 예를 들어 유클리디안(Euclidean) 거리 측정 기법을 이용하여 구할 수 있다. 다만, 이러한 거리 측정 기법은 예시일 뿐이며, 보다 다양한 거리 측정 기법들(p-norm, Mahalanobis distance, RBF distance 등)이 적용될 수 있음을 당업자라면 용이하게 알 수 있을 것이다.
한편, 본 발명의 실시예에서는 영상 내의 객체의 크기 변화에 강인하도록 D(k)를 추가 연산한 D(k)'를 구할 수 있다. 예컨대, 다음 [수학식 2]와 같이 거리 D(k)를 해당 객체의 경계 정보, 즉 임의의 특징 패치의 최대값으로 나누면 객체의 크기 변화에 거리 값이 영향을 받지 않도록 구현할 수 있다.
Figure pat00002
다시 도 1을 참조하면, 후처리부(300)는 특징 추출부(200)를 통해 최종 추출되는 특징 X-D에 대해 후처리를 진행하여 특징적인 의미를 추가로 부여할 수 있다. 즉, 특징 X-D 자체로도 충분히 객체의 특징을 표현할 수 있으나, 본 발명의 실시예에서는 후처리부(300)를 부가하여 중복성이나 방향성, 또는 패치를 구현함으로써, 보다 정확한 정보를 제공할 수도 있다.
이러한 후처리부(300)는 도 3에 예시한 바와 같이, 소팅(sorting)하거나 클러스터링(clustering)하거나 분류(classifying)하거나 윈도잉(windowing)하는 기법들 중 적어도 하나의 기법을 적용하여 특징에 대한 의미 부여를 할 수 있다. 예를 들어, 특징 추출부(200)를 통해 추출되는 거리를 특징 X-D'라 가정했을 때, 후처리부(300)의 소팅, 클러스터링, 분류, 윈도잉 등를 통해 특징 X-D'를 구조화하여 대상 객체의 특징을 나타낼 수 있도록 변경함으로써, 최종적으로 특징 X-D를 획득할 수 있다.
여기서, 소팅은 임의의 연속된 값을 갖는 특징에 대해 적용할 수 있는 기법이며, 클러스터링은 학습 없이 다양한 판별 기준에 의해 패치를 구분하는 기법이다. 또한, 분류는 대상에 대한 영상 패치를 미리 정하여 국소 영역에 대해 학습시켜 놓고 이 영역의 경계 및 상대적 중심점을 찾을 수 있도록 하는 기법이며, 윈도잉은 세부 객체 마다 패치나 경계를 구하기 어려운 복잡한 영상인 경우에 윈도우를 지정하여 윈도우로 시프트(shift)하면서 여러 개의 패치를 생성시키는 기법을 의미한다.
도 4 내지 도 6은 특징 X-D를 소팅하는 경우를 예시한 도면이다.
먼저, 도 4는 임의의 객체 영상(10)을 예시한 것으로, 도면부호 x는 각각의 특징을 나타내며, 도면부호 d는 중심점(c)에서 각각의 특징 x까지의 거리를 나타낸다.
도 5는 도 4의 객체 영상(10)의 중심점(C)으로부터의 거리를 소팅한 결과를 예시한 그래프로서, 예를 들어 KLT(Kanade-Lucas-Tomasi) 특징 기법이 사용될 수 있다.
도 6은 도 5의 소팅된 값의 의미를 표현한 것으로, 반경 r 내의 특징들을 소팅한 경우를 예시한 사시도이다. 소팅된 특징 값은 반경 r의 거리 값을 갖는 원형 내의 특징들의 그룹을 연속적으로 나타낸 것으로, r이 연속된 값일 경우에 소팅으로 표현할 수 있다. 특히, 도 6은 특징의 수가 적게 나타나는 객체에 대하여 빠른 식별을 위한 특징을 선택할 때 사용될 수 있다.
도 7은 도 4의 후처리 방법 중 클러스터링 또는 분류 기법을 적용한 경우로서, 객체 영상의 국소 특징에 대한 특징 패치를 예시한 사시도이다.
클러스터링 기법과 분류 기법은 특징 패치를 만드는 데 유용하게 활용될 수 있으며, 도 7에 예시한 바와 같이 인접한 특징 패치들(a1, a2)끼리 클러스터링 또는 분류해 줌으로써 특징 X-D를 추출할 수 있다.
도 7에서 각 패치들의 경계를 구하는 접근법은 그 대상에 따라 소팅, 클러스터링, 분류, 윈도잉 기법으로도 접근 가능하다.
도 7에서 예시한 특징 X-D를 그룹화하는 방법은 객체에 대한 기하학적(geometry) 혹은 다른 부가적인 정보를 추가함으로써 특징들을 보다 입체적이고 긴밀하게 연관성을 갖도록 할 수 있는 장점이 있다.
앞서 언급한 바와 같이, 특징 X-D는 객체의 중심점으로부터의 거리 값 정보를 포함하고 있기 때문에 객체가 영상의 어느 위치에 있는지 상관없다(객체의 자세 및 위치에 대한 일관성 확보).
또한, 국소 특징이 가려지거나 없어지더라도 다른 특징 값들로부터 획득한 정보를 통해 물체를 인식할 수 있다(객체의 가려짐에 대한 일관성 확보).
이상 설명한 바와 같은 본 발명의 실시예에 의하면, 객체의 중심점과 국소 특징들 간의 거리를 연산하여 객체의 특징을 추출함으로써, 객체의 자세, 크기, 가려짐 등에 강인하면서 정확하고 빠르게 객체 영상을 인식할 수 있는 객체 영상 인식 기술을 구현한 것이다.
100: 경계 추출부
200: 특징 추출부
202: 중심점 추출부
204: 국소 특징 추출부
206: 거리 연산부
300: 후처리부

Claims (11)

  1. 객체 영상의 경계(boundary)를 추출하는 경계 추출부와,
    추출되는 상기 경계로부터 상기 객체 영상의 중심점 및 적어도 하나의 국소 특징점을 추출하고, 추출되는 상기 중심점과 적어도 하나의 국소 특징점 간의 각각의 거리를 연산하는 특징 추출부를 포함하는
    객체 영상 인식 장치.
  2. 제 1 항에 있어서,
    상기 객체 영상 인식 장치는,
    상기 특징 추출부를 통해 연산되는 각각의 거리에 대해 중복성 및 방향성을 부가하는 후처리부를 더 포함하는
    객체 영상 인식 장치.
  3. 제 2 항에 있어서,
    상기 후처리부는, 상기 특징 추출부를 통해 연산되는 각각의 거리에 대해 소팅(sorting)하거나 클러스터링(clustering)하거나 분류(classifying)하거나 윈도잉(windowing)하는 기법들 중 적어도 하나의 기법이 적용되는
    객체 영상 인식 장치.
  4. 제 1 항에 있어서,
    상기 특징 추출부는,
    상기 경계 추출부로부터 추출되는 상기 경계로부터 상기 객체 영상의 중심점을 추출하는 중심점 추출부와,
    상기 경계 추출부로부터 추출되는 상기 경계로부터 적어도 하나의 국소 특징점을 추출하는 국소 특징 추출부와,
    상기 중심점과 상기 적어도 하나의 국소 특징점 간의 상기 각각의 거리를 연산하는 거리 연산부를 포함하는
    객체 영상 인식 장치.
  5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    상기 각각의 거리는, 상기 객체 영상의 자세 또는 위치에 종속되지 않는 값인 것을 특징으로 하는
    객체 영상 인식 장치.
  6. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    상기 각각의 거리는, 상기 객체 영상의 국소 특징점의 가려짐(occlusion)에 종속되지 않는 값인 것을 특징으로 하는
    객체 영상 인식 장치.
  7. 외부로부터 입력되는 객체 영상의 경계(boundary)를 추출하는 과정과,
    추출되는 상기 경계로부터 상기 객체 영상의 중심점을 추출하는 과정과,
    추출되는 상기 경계로부터 상기 객체 영상의 적어도 하나의 국소 특징점을 추출하는 과정과,
    상기 중심점과 상기 적어도 하나의 국소 특징점 간의 거리를 연산하는 과정을 포함하는
    객체 영상 인식 장치의 객체 영상 인식 방법.
  8. 제 7 항에 있어서,
    상기 거리를 연산하는 과정은,
    상기 중심점과 상기 적어도 하나의 국소 특징점 간의 거리에 대해 후처리하는 과정을 더 포함하는
    객체 영상 인식 장치의 객체 영상 인식 방법.
  9. 제 8 항에 있어서,
    상기 후처리하는 과정은,
    상기 거리를 소팅하는 과정 또는,
    상기 거리를 클러스터링하는 과정 또는,
    상기 거리를 분류하는 과정 또는,
    상기 거리를 윈도잉하는 과정 중에서 적어도 하나의 과정을 포함하는
    객체 영상 인식 장치의 객체 영상 인식 방법.
  10. 제 7 항 내지 제 9 항 중 어느 한 항에 있어서,
    상기 거리는, 상기 객체 영상의 자세 또는 위치에 종속되지 않는 값인 것을 특징으로 하는
    객체 영상 인식 장치의 객체 영상 인식 방법.
  11. 제 7 항 내지 제 9 항 중 어느 한 항에 있어서,
    상기 거리는, 상기 객체 영상의 국소 특징점의 가려짐에 종속되지 않는 값인 것을 특징으로 하는
    객체 영상 인식 장치의 객체 영상 인식 방법.
KR1020120110219A 2012-10-04 2012-10-04 객체 영상 인식 장치 및 객체 영상 인식 방법 KR20140044173A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020120110219A KR20140044173A (ko) 2012-10-04 2012-10-04 객체 영상 인식 장치 및 객체 영상 인식 방법
US14/021,799 US20140099030A1 (en) 2012-10-04 2013-09-09 Apparatus and method for providing object image recognition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120110219A KR20140044173A (ko) 2012-10-04 2012-10-04 객체 영상 인식 장치 및 객체 영상 인식 방법

Publications (1)

Publication Number Publication Date
KR20140044173A true KR20140044173A (ko) 2014-04-14

Family

ID=50432714

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120110219A KR20140044173A (ko) 2012-10-04 2012-10-04 객체 영상 인식 장치 및 객체 영상 인식 방법

Country Status (2)

Country Link
US (1) US20140099030A1 (ko)
KR (1) KR20140044173A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101727432B1 (ko) 2016-05-24 2017-04-14 (주)베라시스 단계별 영상을 이용한 객체 인식 성능 향상 장치 및 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9576218B2 (en) * 2014-11-04 2017-02-21 Canon Kabushiki Kaisha Selecting features from image data
JP6424601B2 (ja) * 2014-12-10 2018-11-21 富士通株式会社 表示制御方法、情報処理プログラム、及び情報処理装置
KR20160093809A (ko) * 2015-01-29 2016-08-09 한국전자통신연구원 프레임 영상과 모션 벡터에 기초하는 객체 검출 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4901362A (en) * 1988-08-08 1990-02-13 Raytheon Company Method of recognizing patterns

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101727432B1 (ko) 2016-05-24 2017-04-14 (주)베라시스 단계별 영상을 이용한 객체 인식 성능 향상 장치 및 방법

Also Published As

Publication number Publication date
US20140099030A1 (en) 2014-04-10

Similar Documents

Publication Publication Date Title
US11295123B2 (en) Classification of character strings using machine-learning
CN109063768B (zh) 车辆重识别方法、装置及系统
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
CN104392223B (zh) 二维视频图像中的人体姿态识别方法
CN109145766A (zh) 模型训练方法、装置、识别方法、电子设备及存储介质
EP2957206B1 (en) Robot cleaner and method for controlling the same
US10147015B2 (en) Image processing device, image processing method, and computer-readable recording medium
JP2019036167A5 (ko)
CN109101866B (zh) 基于分割剪影的行人再识别方法及系统
US20190370982A1 (en) Movement learning device, skill discriminating device, and skill discriminating system
JP6487642B2 (ja) 手指形状の検出方法、そのプログラム、そのプログラムの記憶媒体、及び、手指の形状を検出するシステム。
Khurana et al. A survey on object recognition and segmentation techniques
KR20140044173A (ko) 객체 영상 인식 장치 및 객체 영상 인식 방법
JP2013206458A (ja) 画像における外観及びコンテキストに基づく物体分類
KR101733288B1 (ko) 방향정보를 이용한 객체 검출기 생성 방법, 이를 이용한 객체 검출 장치 및 방법
Thai et al. Learning bag of visual words for motorbike detection
CN112699907A (zh) 数据融合的方法、装置和设备
JP6393495B2 (ja) 画像処理装置および物体認識方法
KR20160112055A (ko) 3d 객체 모델 기법을 이용한 객체 인식장치 및 그 방법
Nayan et al. Real time multi-class object detection and recognition using vision augmentation algorithm
Hoang et al. Partially obscured human detection based on component detectors using multiple feature descriptors
Patil et al. Sift based approach: Object recognition and localization for pick-and-place system
Takei et al. SHORT: A fast 3D feature description based on estimating occupancy in spherical shell regions
Chen et al. Automated equipment recognition and classification from scattered point clouds for construction management applications
WO2020003510A1 (ja) 特定方法、判定方法、特定プログラム、判定プログラムおよび情報処理装置

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid