KR20140108726A - 이미지들 상의 객체 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법 및 시스템 - Google Patents

이미지들 상의 객체 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법 및 시스템 Download PDF

Info

Publication number
KR20140108726A
KR20140108726A KR20147021680A KR20147021680A KR20140108726A KR 20140108726 A KR20140108726 A KR 20140108726A KR 20147021680 A KR20147021680 A KR 20147021680A KR 20147021680 A KR20147021680 A KR 20147021680A KR 20140108726 A KR20140108726 A KR 20140108726A
Authority
KR
South Korea
Prior art keywords
image
curve
scale
invariant features
descriptor
Prior art date
Application number
KR20147021680A
Other languages
English (en)
Inventor
에르뎀 아카군두즈
Original Assignee
아셀산 엘렉트로닉 사나이 베 티카렛 아노님 시르케티
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 아셀산 엘렉트로닉 사나이 베 티카렛 아노님 시르케티 filed Critical 아셀산 엘렉트로닉 사나이 베 티카렛 아노님 시르케티
Publication of KR20140108726A publication Critical patent/KR20140108726A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/476—Contour-based spatial representations, e.g. vector-coding using statistical shape modelling, e.g. point distribution models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/20—Contour coding, e.g. using detection of edges

Abstract

본 발명은 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 시스템 및 방법과 관련된다. 방법은 다음 단계들을 포함한다; 닫힌 평면 곡선의 매개 방정식을 수신하는 단계; 동일 구간들(intervals)을 가지는 닫힌 평면 곡선 상의 노드들을 선택하는 단계; 곡선 상의 노드들의 연속적인 스케일 공간을 생성하는 단계; 모든 옥타브에서 모든 스케일에 대해 닫힌 곡선 상의 모든 노드에 대한 곡률의 원을 계산하는 단계; 복수의 인접 스케일들 사이의 곡률 차이들의 원을 찾는 단계; 각 곡률 차이 값을 비교하고 최소 또는 최대 곡률 차이로 된 노드들을 특징점들로 선택하는 단계; 모든 특징점들을 포함하는 디스크립터로 된 윤곽선을 표현하는 단계. 이 방법은 다음 단계들을 더 포함한다; 미리 정한 임계보다 서로 더 가까운 특징점들을 제거하는 단계; 및 다양한 윤곽선들에 속하는 각 이전에 기록된 디스크립터와 디스크립터를 비교하는 단계; 좋은 매칭을 가지는 적어도 하나의 디스크립터를 찾는 단계.

Description

이미지들 상의 객체 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법 및 시스템{SYSTEM AND METHOD FOR IDENTIFYING SCALE INVARIANT FEATURES OF OBJECT OUTLINES ON IMAGES}
본 발명은 실루엣 이미지 윤곽 특징들을 추출, 표현 및 매칭하는 방법론들(methodologies) 및 이미지 처리의 분야와 관련된다.
비디오 프레임 또는 스틸 이미지(still image) 상의 객체(또는 동등하게 "대상(target)")을 식별하는 방법들 및 모델들이 있다고 알려져 있다. 이러한 방법들은 예를 들어, 고려 중인(under consideration) 장면의 적외선 이미지를 획득하는 센서가 있고 일반적으로 이 이미지들은 그레이스케일 포맷(greyscale format)으로 변환되는, 적외선 검색 및 추적(IRST, in infrared search and track)에 사용된다. 이 이미지는 다양한 위치들(various locations)에서 적외선 세기(infrared intensity)를 표현하는 픽셀들의 2차원 배열로 구성되어 있다. 현재 입력 객체들의 윤곽선들의 특징들을 추출하고 매칭하는 방법들 및 시스템들이 있다. 이 시스템들은 예를 들어 알려진 타입(known type)의 대상을 판단하기 위해 사용되고, 그 다음에 그에 따라 해석할 수 있을 것이다. 이러한 방법에 있어서, 적은 공간에 저장하고 검색 프로세스의 속도를 높일 수 있도록 효율적으로 다른 윤곽선들을 표현하는 것이 바람직하다.
하나의 이러한 알려진 방법은 곡률 스케일 공간(CSS, curvature scale space)을 사용하고, 여기서 닫힌 곡선인 객체의 윤곽선은 CSS를 생성하는데 사용된다. 이를 위해, 객체의 윤곽 상에 곡선을 피팅하는 또 다른 초기 계산은 일반적으로 고려 중인(under consideration) 객체의 이진 실루엣 이미지 상에 적용된다. 이 알려진 방법에서, 곡률 값들(curvature values)의 원은 닫힌 곡선에 대해 계산되고, 객체 디스크립터들(object descriptors)은 윤곽선의 스케일 공간 표현(scale space representation)으로부터 도출된다. 이들은 그래프들에 의해 나타나고, 이 그래프 상의 피크 값들(peak values)은 특징 매개변수들(parameters)로서 사용된다. 이러한 표현(representation)을 이용하여, 이미지들 상의 다양한 형태들(shapes)이 식별되거나, 매칭되거나, 정렬(align)될 수 있다. CSS 방법의 주요 문제들 중 하나는 실루엣 곡선 상의 계산들의 시작 지점(starting point)에 의존한다는 것이다. 실루엣은 이미지 상의 객체 주변의 닫힌 곡선이기 때문에, 정의된 시작 지점을 가지지 않고, 이는 윤곽선들을 매칭하거나 인식하는 것이 요구될 때 문제를 구성한다. 이 문제의 솔루션(solution)으로서, 피크 값들은, 윤곽선들의 부정확한 부분(incorrect segmentation) 및 잡음(noise)에 민감한, 형태들을 매칭하는데 현재 사용된다. 윤곽선들이 약간의 오차로 추출되는 경우, 그 결과는 이러한 접근(approach)에 따라 크게 달라질 수 있다.
또 다른 현재 사용되는 방법은 CSS 기법에 의해 획득된 그래프 상의 피크들 중 정렬을 실시한다. 예를 들어, 피크 좌표계들(peak coordinates)은 현재 실시(current implementation)에서 피크 높이들(peak heights)에 대해 정렬된다. 반면, 또 다른 기법은 시작 지점으로 최대 피크를 사용하고 있고, 해당 피크로부터 시작하는 윤관석을 표현하고 있다. 다시, 이 방법들은 부정확한 분할 또는 부정확한 곡선 피팅에 약하다.
잘 알려진 스케일 불변 특징 변환(SIFT, scale invariant feature transform)은 한편으로, 2차원 (2D, two dimensional) 그레이스케일 이미지의 스케일 공간 표현을 사용하고, 일반적으로 픽셀 이미지 상의 객체들의 대표 특징들(representative features)은 스케일 공간을 형성하는 가우시안 이미지의 차이를 산출함으로써 발견된다. 이 2차원 방법을 이용함으로써, 픽셀 이미지들 상의 다양한 객체들이 핵심 지점들(salient points)의 목록에 의해 표현될 수 있고, 비교되거나, 식별되거나 또는 매칭될 수 있다. CSS 윤관선 특징 추출 방법들의 단점 및 객체의 윤곽선만을 표현하는 특징점들을 찾는 SIFT 방법들의 무능력(inability)은 새로운 방법을 필요로 한다. 적외선 이미징 시스템들(infrared imaging systems)과 같은 일부 어플리케이션들에서, 이미지 상의 대상들 또는 객체들은 윤곽선 상의 특징들을 일반적으로 가진다. 더 나아가, 일부 객체들은 완전한 표현(complete representation)을 요구하지 않고, 오직 윤곽선에 의해서만 식별될 수 있다. 윤곽선 상의 특징점들만 오직 저장하는 것은 공간을 적게 차지하고, 검색 및 매칭이 훨씬 빨라질 것이다.
현재 방법들은 실루엣 이미지 윤곽 특징들을 추출, 표현, 및 매칭하는 신뢰성 있고 효율적인 방법을 제공하고 있지 못하고, 새로운 방법론이 본 명세서에서 소개된다.
영국 특허 문헌(GB2393012), 기술의 상태(the state of the art)에서 어플리케이션은, 2차원 윤곽선을 검색하기 위한 방법을 개시하고, 쿼리를 입력하는 단계, 객체의 윤곽선의 곡률 스케일 공간 표현으로부터 상기 윤곽선의 디스크립터(descriptor)를 도출하는 단계를 포함하며, CSS 표현의 피크 좌표 값들(peak coordinate values)은 피크 높이 값들(peak height values)에 기초하여 정렬된다.
미국 특허 문헌(US7430303), 기술의 상태에서 어플리케이션은 이미지의 제스쳐 특징들(gesture features)을 추출하고 매칭하기 위한 방법을 개시하고, 제스쳐 이미지의 이진 윤곽 이미지(binary contour image)에 의해 형성되는 닫힌 곡선은 곡률 스케일 공간 (CSS, curvature scale space)을 형성하는데 사용되고, 특징 매개변수들(feature parameters)은 첫번째 복수의 피크들을 추출함으로써 결정된다.
미국 특허 문헌(US6711293), 기술의 상태에서 어플리케이션은,
복수의 차이 이미지들을 제작하고(produce), 블러된 이미지(blurred image)를 제작하기 위해 초기 이미지를 블러링(blurring)하며, 차이 이미지를 제작하기 위해 초기 이미지로부터 블러된 이미지(blurred image)를 빼는(subtracting) 것에 의해 이미지에서 스케일 불변 특징들을 식별하기 위한 방법 및 장치를 개시한다.
본 발명의 목적은 신뢰성 있고(reliably) 효율적으로(efficiently) 실루엣 이미지의 스케일(scale) 및 해상도(resolution)와 독립적인, 실루엣 이미지 윤곽 특징들을 추출, 표현 및 매칭하기 위한 방법론을 제공하기 위한 것이다.
본 발명의 또 다른 목적은 신뢰성 있게 오리엔테이션(orientation)과 독립적인 실루엣 이미지 윤곽 특징들을 추출, 표현 및 매칭하기 위한 방법론을 제공하기 위한 것이다.
본 발명의 목적을 충족시키도록 실현되는 방법 및 시스템은 첨부 도면들에 의해 도시된다.
도 1은 바람직한 실시예(preferred embodiment) 시스템의 개략도(schematic view)이다.
도 2는 두 대표 옥타브들(two representative octaves), 그것들 각각의 스케일 공간들(their respective scale spaces), 곡률 그래프들의 원(circle of curvature graphs), 및 곡률 그래프들의 차이(difference of curvature graphs)의 도면이다.
도 3은 본원 발명에 따른 단일 지점(single point)에 대해 추출되는 개략적인 디스크립터(schematic descriptor)이다.
도 4는 본원 발명의 바람직한 방법의 흐름도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도면에서 도시되는 구성들은 개별적으로 번호가 매겨지고, 번호들은 하기와 같이 참조한다.
1. 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 시스템
2. 특징 및 이미지 데이터베이스(feature and image database)
3. 처리부(Processing unit)
C. 중심 지점(Center point)
D. 점(Dot)
F. 제1 옥타브(First octave)
L. 스케일 레벨 방향(Scale level direction)
S. 제2 옥타브(Second octave)
R. 곡선 매개변수 방향(Curve parameter direction)
100. 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법
해양 어플리케이션들(maritime applications)에서 대상을 감지하기 위한 방법(100)은 기본적으로 하기 단계들을 포함한다,
- 닫힌 평면 곡선(closed planar curve)의 매개 방정식(parametric equation)을 수신하는 단계(101)
- 동일 구간들(equal intervals)로 된 상기 닫힌 평면 곡선 상의 노드들을 선택하는 단계(102);
- 각 옥타브(octave) 후에 연속적으로 상기 평면 곡선을 가우시안 필터(Gaussian filter)로 컨볼루션(convolve) 하고 다운샘플링(down-sampling)함으로써 상기 곡선 상의 상기 노드들의 연속 스케일 공간(continuous scale space)을 생성하는 단계(103);
- 모든 옥타브에서 모든 스케일에 대해 상기 닫힌 곡선 상의 모든 노드에 대해 해당 지점(point)에서 곡률의 상기 양(the amount of curvature) 또는 굴곡의 정도(degree of bending)를 표현하는(represent) 값을 계산하는 단계(104);
- 복수의 인접 스케일들 간의 곡률 차이들(curvature differences)을 찾고 곡률 차이 그룹들(curvature difference groups)를 형성하는 단계(105);
- 각 곡률 차이 값(curvature difference value)을 상기 같고 인접한 그룹들(the same and adjacent groups)에 속하는 곡률 차이들에 비교하고, 특징점들(feature points)로서 최소 또는 최대 곡률 차이로 된 상기 노드들을 선택하는 단계(106);
- 모든 상기 특징점들을 포함하는 디스크립터(descriptor)를 가지는 상기 윤곽선(outline) 및 각 매개변수들(their respective parameters)을 표현하는(represent) 단계(107)
우선, 단계(101)에서는, 디스크립터(descriptor)로 매칭되거나, 식별되거나 또는 표현될 형태의 윤곽선을 표현하는, 닫힌 평면 곡선의 매개 방정식이 수신되고, 수신된다. (First, a parametric equation of a closed planar curve is received which represents the outline of the shape which will be matched, identified, or represented with a descriptor is received in step (101)) 적외선 검색 및 추적(IRST, infrared search and track) 시스템의 경우에서, 로 입력 데이터(raw input data)는 2차원 그레이 스케일 픽셀 이미지가 될 것이고, 각 픽셀은 고려 중인 장면에서 해당 위치에 대한 적외선 밀도(infrared density)를 나타낸다. 이미지 상의 객체(또는 동등하게 대상)의 윤곽선을 찾을 수 있도록, 간단한 접근은 컷아웃 필터(cutout filter)를 이용하여 이것을 처리함으로써 이진 이미지(binary image)로 이것을 표현하는 것이다. 오직 그림자(shadow) 또는 실루엣(silhouette)(하얀 배경 상의 검은 영역)에 의해서만 객체가 표현되는, 이진 이미지를 생성하는 알려진 알고리즘들 및 방법들이 있고, 이것들은 적외선 그레이스케일 이미지들 상에 적용하기 쉽다. 이 실제 세계 문제들(real world problems)은 보통 이진 실루엣 픽셀 이미지와 같은, 이산 형태(discrete form)로 신호들을 제공한다. 해상도 및 스케일과 독립된 특징들을 표현하는 것이 필요할 때, 연속적인 표현이 필요하고, 연속적인 표현이 요구되면, 실루엣은 스플라인(spline) 또는 다항식(polynomial)과 같은 곡선 모델(curve model)에 피팅되어야 한다.
이 동작들은 사소(trivial)하나, 피팅 방법 및 관련된 매개변수들의 선택은 중요하다. 본 진보된 방법의 바람직한 구성에서는, 이미지 윤곽선 상의 이웃 픽셀들의 표현인, 체인 코딩(chain coding) [프리먼 체인 코드(Freeman Chain code 1961)]가, 이진 이미지의 실루엣을 닫힌 B-스플라인들(closed B-splines)로 피팅하는데 사용된다. 체인 코드들은 두 픽셀들 간의 실제 거리(1 또는
Figure pct00001
단위들)를 표현하고, 이 거리들은 k차(k-order) B 스플라인을 주어진 실루엣에 피팅하고 이것의 윤곽선을 찾을 때 사용된다. 닫힌 곡선의 지점들(points of the closed curve)의 일정하게 샘플링된 집합(uniformly sampled set)을 사용하는 것이 신호의 일정한 스케일-공간(uniform scale-space)을 구축할 수 있게 하기 때문에, 실루엣의 연속적인 표현은 필수적으로 요구된다.
단계(102)에서는, 입력 실루엣에 속하는 픽셀들은 곡선에 대해 일정하게 샘플링되지 않고, 픽셀들의 수는 임의이며, 바람직하게는 피팅된 스플라인 곡선(fitted spline curve) 상에 샘플리된 지점들의 상수(constant number)를 요구하고, 하나는 스플라인 함수(spline function)로부터 임의 수(any number)의 지점들의 일정하게 샘플링된 지점 집합(uniformly sampled point set)을 획득한다. 형태의 윤곽선을 표현하는 곡선은, 고려 중인 실루엣 주변에 루프(loop)를 형성하는 같은 지점(same point)에서 시작하고 종료하는 것을 의미하는, 닫힌 평면 곡선이고, 같은 평면 상의 지점들을 나타낸다. 단계(102)에서 곡선은, "노드들(nodes)" 또는 각 분할 위치(each division position)에서의 샘플 지점들을 통해, 동일한 섹션들로 분할된다. 저 해상도 이미지에 대한 지나친 분할은 결과를 개선하지 않고 복잡성(complexity)을 증가시키기 때문에, 분할들(divisions)의 수는 초기 이미지(실루엣 이미지)의 해상도에 의존할 수 있다. 닫힌 매개 스플라인 함수(closed parametric spline function)는 매개변수(직관적으로 0과 1사이의 실수임)가 주어진 각 윤곽선을 따른 위치를 제공하고, 모든 노드는 이 매개변수에 대한 값을 가질 것이다.
평면 곡선 상의 특징점들 또는 주요 지점들(key points)은 선행 기술(prior art)에서 2D 픽셀 이미지들 상에서 수행되었던, 가우시안의 차이(DoG, difference of Gaussians) 접근을 이용하여 수행된다. 단계(103)에서 곡선 상의 노드들의 연속적인 스케일 공간이 생성된다. 이는 이전 CSS 방법들과 유사해보일 수 있으나, 특징 추출 및 관련 중간 단계들(related intermediate steps)이 매우 다르다.
바람직한 구성에서, 평면 곡선은 적어도 하나의 옥타브에서 생성하는 절반으로 다운샘플링된다. 닫힌 매개 곡선의 경우에서, 다운샘플링은 동일하게 분리된 샘플 지점들(노드들)의 수를 감소시킴으로써 적용된다. 바람직한 구성에서, 홀수 또는 짝수 노드들의 모두가 삭제되는 것을 의미하는 곡선을 따라 하나의 노드를 스킵(skip)함으로써 노드들이 제거된다. 각 옥타브에 걸쳐, 연속적인 스케일 공간은 바람직한 실시예에서 가우시안 필터로 평면 곡선을 컨볼루션(convolve)함으로써 생성된다. 그 후, 곡선의 스케일 공간이 구축(construct)될 것이고, 각 옥타브 간의 스케일 갭(scale gap)은 바람직하게는 옥타브들 내의 가우시안 필터링과 동일하도록 스케일들의 수가 조정(adjust)되는 경우, 사실 이 전체 스케일 공간은 연속적인 스케일 공간으로 만들어질 수 있다. 가우시안 필터는 평면 곡선을 따라 적용되고, 그러므로 표준 편차(standard deviation)
Figure pct00002
을 가지는 단일 로우 필터(single row filter)이다. (곡선은 실제로 결정된 시작 지점 및 단일 매개변수를 가지는 1차원이다) 기존 곡선이 닫힌 것이기 때문에, 시작 지점은 사전에(beforehand) 지시되어야 한다. 도 2를 참조하면, 첫번째 열(first column)은 각 스케일에 대한 윤곽선을 표현하고, 가장 아래의 것(the nethermost)은 기존 입력 윤곽선이다. 입력 윤곽선이 가우시안 필터와 컨볼루션됨에 따라, 더 높은 스케일들이 획득되고, 제1 옥타브(F)가 생성된다. 제2 옥타브(S)는, 제2 옥타브(S)의 윤곽선에서 적은 노드들이 있다는 것을 의미하는, 절반으로 다운샘플링된, 초기 윤곽선을 이용하여 다시 생성된다. 제2 옥타브(S)의 서브 스케일들(Sub-scales)은 다운샘플링된 윤곽선을 더 컨볼루션함으로써 생성된다. 이 스케일 공간 생성(scale space generatio)은, 다음 것(next one)에 대한 시작 윤곽선(starting outline)으로서 이전 옥타브의 다운 샘플링된 윤곽선을 이용하여 필요에 따라, 옥타브들에 대해 더 반복된다. 상술한 바와 같이, 다운샘플링 및 필터링 매개변수들의 정확한 구성(correct arrangement)에 의해, 연속적인 스케일 공간이 생성된다.
다음 단계(104)는 모든 옥타브에서 모든 스케일에 대해 닫힌 곡선 상의 모든 노드에 대한 곡률의 원을 계산하는 것이고, 모든 옥타브에서 함수
Figure pct00003
는 1차원 신호(1-D signal)로써 곡률 값들의 원을 결정하는데 사용된다.
Figure pct00004
는, 주어진 지점(노드)에서 곡산에 접하는, 원의 반경의 역수를 출력하는 함수이다. 이 값은 해당 지점에서 곡률의 양(amount of curvature)을 표현하는 값 또는 매개변수에 대한 예시이다. 도 2를 참조하면, 두번째 열(second column)은 곡률(수직축) 대 곡선 매개변수(수평축) 그래프의 원으로서 각 스케일에 대한 윤곽선을 표현한다. 이 신호의 형태는 닫힌 곡선 상의 시작 지점에 의존하고, 이 때문에, 스플라인 매개변수 공간(spline parameter space)에서 이것의 정확한 위치는 조정될 수 있으므로(예를 들어, 0으로 선택될 수 있음), 모든 레이어(layer) 및 옥타브들에서 각 곡선들에 대해, 같은 시작 지점이 사용된다.
스케일 공간의 각 옥타브에 대해, 초기 곡선은, 좌측에 도시된 바(도 2)와 같이 스케일-공간 곡선들(scale-space curves)의 집합을 제작하기 위해 가우신으로 반복적으로 컨볼루션된다. 각 옥타브 이후, 곡선은 절반으로 다운샘플링되고, 프로세스(process)가 반복된다. 그후, 곡률 함수
Figure pct00005
를 이용하여, 이 곡선들에 대한 곡률 값들이 각 옥타브에서 각 레벨에 대해 계산된다. (도 2 상의 중간 열(middle column)) 이 방법에 의해, 고률 값들의 원의 스케일 공간(또는 곡률의 정도를 표현하는 다른 양(any other amount representing the degree of curvature))이 획득된다.
그 후, 단계(105)에서 로컬 극값들(local extrema)이 추출될, 곡률값 레벨들(curvature value levels)의 차이를 계산함으로써 최종 스케일 공간이 구축된다. 곡률 그래프들의 인접 원을 빼는 것에 의해 발견되는, 이 차이는 도 2의 세번째 열(third column)에 보이는 그래프들의 두번째 집합을 형성하는데 사용된다. 두 스케일들로부터 획득되는 각 차이 데이터 집합(Each difference data set)(또는 그래프)는 컨텍스트(context)에서 그룹이라고 한다. 연속적인 스케일 공간은, 옥타브들 사이에서 인접한 레벨들 스케일 레벨들이 여전히 허용되는 것을 의미한다. (The continuous scale space implies that the scale levels are still accepted adjacent levels between octaves.) 윤곽선의 해상도가 변경되는 점에서, 옥타브들 간의 수학적 변환 (mathematical transformation)은 사소하다.
다음 단계(106)에서, 각 곡률 차이 값은 같고 인접한 차이 그룹들에 속한 곡률 차이들에 비교된다. 바람직한 실시예에서 현재 차이 그룹 상의 두 이웃들(two neighbors) 및 인접 그룹들 상의 세 가장 근접한 (곡선 매개변수방향(curve parameter-wise)) 노드들만이 비교를 위해 사용되고, 최소 또는 최대 곡률 차이를 가지는 노드들은 특징점들로서 선택된다. 바람직한 구성에서, 특징 또는 중요 지점들(feature or key points) 중, 서로 미리 정한 임계보다 더 가까운 노드들은 다음 단계(108)에서 제거된다. 그들이 제거될 지 안 될지를 결정하기 위한 노드들 간의 거리는 곡선을 따른 거리이고, 실제 2차원 거리가 아니다. 서로 임계보다 가까운 특징들(features)은 최종 특징 목록(final feature list)에서 사용되지 않을 것이다. 이 임계는, 바람직한 구성에서 전체 실루엣 곡선 길이(entire silhouette curve length)의 1%로 선택된다.
감지된 중요 지점들은, 곡선을 따라 노드의 위치를 지시하는 1차원 곡선 매개변수, 특징 노드의 스케일 레벨을 표현하는 스케일 값(scale value), 및 미리 정한 좌표 시스템(coordinate system)에 대한 특징 노드의 오리엔테이션(orientation)을 표현하는 벡터를 가진다. 바람직한 구성에서 곡선 매개변수는 0과 1 사이이다. 스케일 값은 차이 특징이 어떤 차이 그룹에 속하는 지 나타낸다. 바람직한 구성에서, 제1 옥타브에서 첫 두 스케일들(first two scales)을 빼는 것에 의해 발견되는 차이 그룹은 1.00의 스케일 값이 주어지고, 제2 옥타브의 첫 두 스케일들을 이용하여 발견되는 차이 그룹은 2.00의 스케일 값이 주어진다. (In a preferred configuration, the difference group which is found by subtracting first two scales in the first octave is given a scale value of 1.00 and the difference group which is found using the first two scales of the second octave is given a scale value of 2.00 and etc.) (도 2 상의 차이 그래프들 옆에 도시됨) 이 스케일들 간의 다른 차이 그룹들은 그들 사이에 보간된(interpolated) 실수들(real numbers)이 주어진다. (Other difference groups in between these scales are given real numbers interpolated between them.) 예를 들어, 옥타브마다 네 스케일들 및 세 차이 그룹들이 있다면, 두번째 및 세번째 레벨에 속하는 차이 그룹은 값 1.25가 주어지고, 제2 옥타브의 첫번째 스케일 및 제1 옥타브의 마지막 스케일(last scale)의 차이 그룹은 값 1.75가 주어진다. (For example if there are four scales and three difference groups per octave, then the difference group belonging to the second and third levels is given the value 1.25 and the difference group of the second octave? first scale and first octave? last scale is given the value 1.75.) 중요 지점의 오리엔테이션은, 바람직한 구성에서 해당 지점에서 스케일링된(scaled) 곡선의 접선에 수직인, 단위 벡터의 방향이다. 스케일링된 곡선에 의해, 기존 곡선 자체가 아닌, 우리는 중요 지점의 스케일 값에 대응하는 레벨에서 가우시안 스케일-공간(Gaussian scale-space) 내에 있는(residing) 평탄화된 곡선(smoothed curve)을 의미한다. (By the scaled curve we mean the smoothed curve residing within the Gaussian scale-space at the level which corresponds to the scale value of the keypoint, not the original curve itself.) 임의의 2차원 방향 벡터는, 스케일링된 곡선 상의 중요 지점의 기울기를 표현하는, 오리엔테이션 벡터(orientation vector)로 사용될 수 있다.
중요 지점 주변의 디스크립터를 이용하여, 인식 작업들(recognition tasks)이 방법에 기초한, 한 봉지의 특징들(a bag-of-features)로 수행될 수 있다. 다만, 이미지의 텍스쳐가 디테일에서(in detail) 낮은 경우(예를 들어, 멀리 있는 배(ship)의 적외선(IR, infrared) 이미지)에는, 디스크립터들(descriptors)은 거의 사용을 제공하지 않는다. 이는 실루엣들이 보통 이러한 경우들에서 선호되는 이유이다. 세 매개변수들을 포함하는 이러한 디스크립터들을 이용하고, 단계들(101) 내지 (107) 후에, 윤곽선들에 속하는 특징 집합들(feature sets)을 추출하여, 다른 형태들에 속하는 다양한 윤곽선들을 포함하는 데이터베이스를 생성할 수 있고, 그것들을 비교하거나 매칭할 수 있다. 더 나아가, 닫힌 매개 윤곽선 곡선이 수신되는 경우, 이것의 디스크립터를 데이터베이스의 모든 디스크립터들과 비교할 수 있고 윤곽선이 어떤 형태에 속하는지 결정할 수 있다. 다음 단계(109)에서 디스크립터는 다양한 윤곽선들에 속하는 각 이전에 기록된 디스크립터와 비교되고, 좋은 매칭(good match)을 가지는 적어도 하나의 디스크립터가 발견된다.
곡선 피팅 방식(curve fitting scheme)에 따라, 곡선의 시작 지점이 달라질 수 있고, 그러므로 방법은 실루엣의 회전에 따라 달라진다. 다만, 이 의존성(dependency)은 특별 표현(special representation)에 의해 처리(handled)된다. 단계(107)에서, 2차원(2D, two dimensional) 이미지는 모든 추출된 중요 지점들의 모든 위치, 스케일 및 오리엔테이션 값들을 이용하는 디스크립터로서 생성될 수 있다. 이 (2D) 이미지에서, 중심 지점(C)는 중요 지점들의 가장 높은 가능한 스케일 값을 표현하고, 스케일 값들은 하나(one)가 방향(L)에서 외부(exterior)를 향해(toward) 이동함에 따라 방사상으로 감소한다. 모든 추출된 중요 지점들은 디스크립터 이미지 상의 방사상 영역(radial region)에 대응한다. 방사상 선(radial line)으로부터 시작하여, 방향(R)에서 중심 지점(C) 주변의 회전은, 같은 장소(same place)에서 시작하고 종료하는, 곡선 매개변수를 표현하고, 특징점들은 그것들의 스케일 값을 곡선 매개변수에 매칭하는 장소에서 점(D)으로서 배치된다(placed). 부가적으로, 바람직한 구성에서 특징의 오리엔테이션을 표현하는 2차원 벡터들은 배치된 점(D)의 컬러로 인코딩된다. 더 나아가, 연속적인 색상환(color wheel)을 따라 특징 노드의 회전으로 색조(hue)가 변화하도록 컬러들이 선택되면, 단계(109)에서 비교는 하기 논의되는 바와 같이 단순화된다. 예를 들어, 적색에 의해 0도 및 360도가 표현되는 경우, 120도는 순수 녹색이고 240도는 순수 청색이며, 사이의 영역들(regions in between)은 선형 보간(linearly interpolated)되고 연속적인 색상환이 획득된다. (For example when 0o and 360o is represented by red, 120o is pure green and 240o is pure blue and the regions in between are linearly interpolated a continuous color wheel is obtained.) 여기서, 오리엔테이션 벡터를 표현하는 값들은 컬러들일 필요가 없고, 값들이 최대값(예를 들어 360)에 도달한 후 처음(beginning)부터 반복하고 있는 동안, 임의의 값은 2차원 배열(two dimensional array)을 생성하는데 사용될 수 있다. 컬러들은 사람이 판독 가능한 디스크립터들을 만드는데 사용되고, 이는 또한 디스크립터들이 보통 색깔 있는(colored) 적색, 녹색, 청색 (RGB) 이미지 파일들로서 인코딩되도록 한다. (도 3)
단계(109)에서 두 디스크립터들을 같은 크기의 이미지들로 인코딩된 모든 특징 매개변수들과 비교하는 경우, 그것들은 이미지들의 중심들(가장 높은 스케일 번호 지점)에 매칭하는 서로 위에 배치되고, 오리엔테이션 구성들은 감산된다(subtracted). 이 비교는 윤곽선을 따라 특징점들의 가능한 위치를 제공할, 다른 것(the other) 위의 각 이미지의 모든 가능한 회전에 대해 수행된다. 더 나아가, 한 배열의 오리엔테이션 값들은 또한 각 위치에서 같은 양으로 된 모든 가능한 값에 대해 변화되고, 차이 특징점 오리엔테이션들은 또한 고려된다. 컬러 이미지의 경우에서, 한 이미지의 컬러들은, 이미지 상의 모든 값들은 같은 양을 증가시키거나 감소시키기 때문에 그것들의 상대적 오리엔테이션들을 변경(alter)하지 않고, 특징점들의 가능한 오리엔테이션들을 제공할 선택된 색상환(color wheel)에 따라 변화된다. 비교시 최소 차이를 제공하는 쌍들(pairs)은 윤곽선의 최고 매칭(best matching)을 제공할 것이다. 이러한 이미지를 생성하기 위해 요구되는 해상도가 낮다는 것을 고려하면, 매칭 프로세스는 대형 데이터베이스(larger database)에서 윤곽선을 식별하기에 충분할 정도로 빠르다.
디스크립터들은, 중심으로부터의 방사상 거리가 추출된 중요 지점의 스케일 값을 표현하고, 이 중심 주변의 회전은 윤곽선 곡선 매개변수(outline curve parameter)를 표현하며, 각 지점에서의 값은 단계(107)에서 특징 오리엔테이션을 표현하는, 방사형 배열로서 표현된다고 할 수 있다. 디스크립터 쌍들(Descriptor pairs)은 모든 가능한 상대적 특징 오리엔테이션 값(possible relative feature orientation value)을 이용하여 같은 중심 주변의 모든 가능한 회전에서 비교되고, 상대적 특징 오리엔테이션 값은 오리엔테이션 값이 두 다른 값들(different values) 및 하나의 방사형 배열에 걸쳐 증가되거나 감소되는 같은 양에서 같은 특징 오리엔테이션을 표현하는 방식에서 변화되고, 가장 높거나 가장 낮은 값에 도달할 시 반복한다. (Descriptor pairs are compared at every possible rotation around the same center using every possible relative feature orientation value, which is changed in a scheme in which orientation value represents the same feature orientation at two different values and incremented or decremented the same amount throughout one radial array and repeats upon reaching the highest or lowest value.) 이는 특징들의 상대적 오리엔테이션이 순환 값(cycling value)과 같은 것을 보장한다. 바람직한 구성에서, 방사형 배열은 2차원 컬러 이미지 상에 인코딩된다.
이전 기술에 능숙한 사람은, 매개 방정식이 알려진 윤곽선의 디스크립터, 이 방법(100)을 이용하는 것이 스케일 및 오리엔테이션이 불변인 디스크립터들의 목록과 비교되어 추출될 수 있다는 것을 이해해야 한다. (Anyone who is proficient in the previous art should understand that using this method (100), descriptor of an outline, whose parametric equation is known, can be extracted to be compared with a list of descriptors invariant of scale and orientation.) 그 후, 입력 윤곽선은 식별되거나 매칭될 수 있고, 또는 주어진 윤관선은 방법(100)을 이용하여 다른 객체들의 다른 윤곽선들을 표현하는 디스크립터들의 데이터베이스에서 검색될 수 있다. 다시, 이 데이터베이스는 방법(100)의 단계들, 즉 단계들(101) 내지 (108)의 일부를 이용하여 생성될 수 있다. (도 3)
이미지 윤관석들의 스케일 불변 특징들을 식별하기 위한 시스템(1)은 기본적으로 하기를 포함한다;
- 기존 픽셀 이미지들과 함께 각 윤곽선 및 윤곽선 디스크립터들을 저장하도록 구성되는 적어도 하나의 특징 및 이미지 데이터베이스(2),
특징 및 이미지 데이터베이스(1)로 연결되고, 윤곽선의 매개 방정식을 수신하여 이 곡선을 입력으로써 사용하여 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100)을 실시하도록 구성되는 적어도 하나의 처리부(processing unit)(3)
본 발명의 바람직한 실시예에서, 처리부(3)는 평면 윤곽선의 적어도 하나의 매개 방정식을 수신하도록 구성된다. 이미지 처리 분야에 능숙한 누구나(anyone) 픽셀 이미지들의 시퀀스(sequence) 상에 이 시스템(1) 및 방법(100)이 적용될 수 있고, 융관선들을 가지는 객체들이 연속적으로 모니터링될 수 있다는 것을 이해해야 한다. 본 진보된 시스템(1)의 또 다른 실시예에서, 처리부(3)는 기록되거나 라이브 비디오 스트림 프레임(a recorded or live video stream frame)을 수신하고, 평면 닫힌 매개 윤곽선(planar closed parametric outline)을 획득하기 위해 2차원 픽셀 이미지를 전처리(pre-process)하는 수단을 가지도록 구성된다. 그러므로 처리부(3)는 바람직하게는 적외선 시야 카메라인, 카메라와 연결 가능하도록 구성된다. (도 1)
윤곽선의 수신 시, 처리부(3)는 단계들(101) 내지 (107)에 따라 상술한 바와 같이 디스크립터를 추출하기 위해 이를 사용하고, 이 윤곽선, 이것의 디스크립터 및 (존재한다면) 기존 이미지를 특징 및 이미지 데이터베이스(2)에 저장하도록 구성된다. (Upon reception of an outline, processing unit (3) is either use it to extract a descriptor as described above according to steps (101) to (107) and it is configured to store this outline, its descriptor and original image (if exists) in the feature and image database (2).) 추가 단계(109)가 실행되는 경우, 특징 및 이미지 데이터베이스(2)에서 데이터를 사용하여, 시스템(1)은 모든 기록된 윤곽선들과 입력 윤곽선을 비교하고 좋은 매칭을 가지는 적어도 하나의 결과를 찾을 수 있다. 이전 기술에서 잘 알려진 바와 같이, 결과는 식별된 윤곽선 및/또는 이미지를 보여주는 임의의 인터페이스 장치로 출력될 수 있다. 시스템(1)은, 그것들의 윤곽선 특징들을 이용하여 2D 이미지들 상의 형태들 또는 객체들을 식별하는 것이 의도된 임의의 장치에 적용 가능하다. 인터페이스 장치는 모니터, 디스플레이 또는 프린터 중 어느 하나일 수 있거나, 결과들은 임의의 다른 프로세싱 시스템(processing system)의 입력으로서 사용된다.
결과적으로 오리엔테이션, 스케일 및 해상도에 독립적인, 실루엣 이미지 윤곽 특징들을 추출, 표현 및 매칭하는 신뢰성 있고 효율적인 방법론은 진보된 시스템(1) 및 방법(100)으로 획득된다.
기본 개념의 범위 내에서, 진보된 "이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 시스템 및 방법"(1), (100)의 다양한 종류의 실시예들을 도출할 수 있다. 발명은 본 명세서에 기재된 예시들로 한정되지 않을 수 있다; 이는 청구범위에 있어서 본질적이다. (The invention cannot be limited to the examples described herein; it is essentially according to the claims.)

Claims (15)

  1. 이미지 윤곽선들(image outlines)의 스케일 불변 특징들(scale invariant features)을 식별하기 위한 방법(100)으로서,
    닫힌 평면 곡선(closed planar curve)의 매개 방정식(parametric equation)을 수신하는 단계(101);
    동일 구간들(equal intervals)로 된 상기 닫힌 평면 곡선 상의 노드들을 선택하는 단계(102);
    각 옥타브(octave) 후에 연속적으로 상기 평면 곡선을 가우시안 필터(Gaussian filter)로 컨볼루션(convolve)하고 다운샘플링(down-sampling)함으로써 상기 곡선 상의 상기 노드들의 연속 스케일 공간(continuous scale space)을 생성하는 단계(103);
    모든 옥타브에서 모든 스케일에 대해 상기 닫힌 곡선 상의 모든 노드에 대해 해당 지점(point)에서 곡률의 상기 양(the amount of curvature)을 표현하는(represent) 값을 계산하는 단계(104);
    복수의 인접 스케일들 간의 곡률 차이들(curvature differences)을 찾고 곡률 차이 그룹들(curvature difference groups)를 형성하는 단계(105);
    각 곡률 차이 값(curvature difference value)을 상기 같고 인접한 그룹들(the same and adjacent groups)에 속하는 곡률 차이들에 비교하고, 최소 또는 최대 곡률 차이로 된 상기 노드들을 특징점들(feature points)로서 선택하는 단계(106);
    모든 상기 특징점들을 포함하는 디스크립터(descriptor)를 가지는 상기 윤곽선(outline) 및 그것들의 각 매개변수들(their respective parameters)을 표현하는 단계(107)
    를 포함하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법.
  2. 제1항에 있어서,
    입력 이미지(input image)로부터 바이너리 이미지(binary image)를 생성하고 곡선을 객체의 상기 경계(boundary) 상에 피팅(fit)하는 이미지 전처리 동작(image pre-processing operation)은, 단계(101) 이전에 실시되는 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  3. 제1항 또는 제2항에 있어서,
    상기 평면 곡선은 단계(103)에서 절반으로 다운샘플링되는 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  4. 제1항 내지 제3항에 있어서,
    연속 스케일 공간은 단계(103)에서 각 옥타브에 걸쳐(throughout each octave) 가우시안 필터로 상기 평면 곡선을 컨볼루션함으로써 생성되는 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  5. 제1항 내지 제4항에 있어서,
    주어진 노드에서 상기 곡선에 접하는(tangent to the curve), 상기 원의 상기 반경의 역(inverse)을 출력하는 함수는 단계(104)에서 곡률을 계산하는데 사용되는 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  6. 제1항 내지 제5항에 있어서,
    상기 현재 차이 그룹(the current difference group) 상의 두 이웃들(two neighbours) 및 상기 인접 그룹들 상의 가장 가까운 세 노드들(three closest nodes)은 단계(106)에서 비교를 위해 사용되는 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  7. 제1항 내지 제6항에 있어서,
    상기 윤곽선을 따라 미리 정해진 임계(predetermined threshold)보다 서로에게 더 가까운 상기 특징점들을 제거하는 단계(108)
    를 더 포함하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  8. 제7항에 있어서,
    상기 임계는 단계(108)에서 상기 전체 실루엣 윤곽선 길이(the entire silhouette outline length)의 미리 정해진 퍼센트(predetermined percent)로서 선택되는 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  9. 제1항 내지 제8항에 있어서,
    디스크립터를 다양한 윤곽선들에 속하는 이전에 각각 기록된 디스크립터에 비교하고, 좋은 매칭(good match)을 가지는 적어도 하나의 디스크립터를 찾는 단계(109)
    를 더 포함하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  10. 제1항 내지 제9항에 있어서,
    상기 디스크립터는, 상기 중심(center)로부터의 방사형 거리(radial distance)가 차이 그룹들(difference groups)의 상기 스케일 값을 표현하고, 이 중심(this center) 주변의 회전(rotation)은 상기 윤곽선 곡선 매개변수(the outline curve parameter)를 표현하며, 각 지점에서 상기 값은 단계(107)에서 상기 특징 오리엔테이션(the feature orientation)을 표현하는, 방사형 배열(radial array)로서 표현되는 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  11. 제10항에 있어서,
    상기 방사형 배열은 2차원 컬러 이미지 상에 인코딩되고, 상기 특징들의 오리엔테이션들(the feature? orientations)을 표현하는 상기 2차원 벡터들은 단계(107)에서 상기 배치된 지점(the placed point)의 상기 컬러로 인코딩되는 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  12. 제10항 또는 제11항에 있어서,
    디스크립터 쌍들(descriptor pairs)은 단계(109)에서 상기 같은 중심 주변의 방사형 배열의 모든 가능한 회전(rotation)에서 상기 차이(the difference)를 찾음으로써 비교되는 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  13. 제12항에 있어서,
    상기 디스크립터의 오리엔테이션 값들(descriptors' orientation values) 중 하나는 단계(109)에서 방사형 배열의 적어도 하나의 상대적 회전(relative rotation)에 대해 주기적으로(cyclically) 변화되는 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  14. 제1항 내지 제13항에서,
    비교 시(upon comparison) 상기 최소 차이(the least difference)를 제공하는(give) 쌍들은 단계(109)에서 최고 매칭(best match)을 제공하는(give) 것,
    을 특징으로 하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법(100).
  15. 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 시스템(1)으로서,
    기존 픽셀 이미지들과 함께 각 윤곽선들 및 제1항 내지 제14항 중 어느 하나에서 청구되는 것처럼(as claimed in any of the preceding claims and respective outlines together with original pixel images), 단계들(101) 내지 (108)에 의해 결정되는 윤곽선 디스크립터들(outline descriptors)을 저장하도록 구성되는 적어도 하나의 특징 및 이미지 데이터베이스(2);
    특징 및 이미지 데이터베이스(1)과 연결되고, 윤곽선의 매개 방정식을 수신하고 이 윤곽선을 상기 입력으로서 이용하여, 제1항 내지 제14항 중 하나에서 청구된 대로 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 상기 방법(100)을 실시하도록 구성되는, 적어도 하나의 처리부(3)
    를 포함하는 이미지 윤곽선들의 스케일 불변 특징들을 식별하기 위한 시스템(1).
KR20147021680A 2012-02-27 2012-02-27 이미지들 상의 객체 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법 및 시스템 KR20140108726A (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/IB2012/050883 WO2013128233A1 (en) 2012-02-27 2012-02-27 System and method for identifying scale invariant features of object outlines on images

Publications (1)

Publication Number Publication Date
KR20140108726A true KR20140108726A (ko) 2014-09-12

Family

ID=45922724

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20147021680A KR20140108726A (ko) 2012-02-27 2012-02-27 이미지들 상의 객체 윤곽선들의 스케일 불변 특징들을 식별하기 위한 방법 및 시스템

Country Status (5)

Country Link
US (1) US9135522B2 (ko)
EP (1) EP2724295B1 (ko)
JP (1) JP2015511736A (ko)
KR (1) KR20140108726A (ko)
WO (1) WO2013128233A1 (ko)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10716528B2 (en) 2007-03-08 2020-07-21 Sync-Rx, Ltd. Automatic display of previously-acquired endoluminal images
US11197651B2 (en) 2007-03-08 2021-12-14 Sync-Rx, Ltd. Identification and presentation of device-to-vessel relative motion
US9305334B2 (en) 2007-03-08 2016-04-05 Sync-Rx, Ltd. Luminal background cleaning
US8781193B2 (en) 2007-03-08 2014-07-15 Sync-Rx, Ltd. Automatic quantitative vessel analysis
US9375164B2 (en) 2007-03-08 2016-06-28 Sync-Rx, Ltd. Co-use of endoluminal data and extraluminal imaging
WO2008107905A2 (en) 2007-03-08 2008-09-12 Sync-Rx, Ltd. Imaging and tools for use with moving organs
US11064964B2 (en) 2007-03-08 2021-07-20 Sync-Rx, Ltd Determining a characteristic of a lumen by measuring velocity of a contrast agent
US9968256B2 (en) 2007-03-08 2018-05-15 Sync-Rx Ltd. Automatic identification of a tool
US9629571B2 (en) 2007-03-08 2017-04-25 Sync-Rx, Ltd. Co-use of endoluminal data and extraluminal imaging
US9974509B2 (en) 2008-11-18 2018-05-22 Sync-Rx Ltd. Image super enhancement
US11064903B2 (en) 2008-11-18 2021-07-20 Sync-Rx, Ltd Apparatus and methods for mapping a sequence of images to a roadmap image
US10362962B2 (en) 2008-11-18 2019-07-30 Synx-Rx, Ltd. Accounting for skipped imaging locations during movement of an endoluminal imaging probe
KR101904203B1 (ko) * 2012-06-20 2018-10-05 삼성전자주식회사 시프트 알고리즘을 이용하여 대용량 소스 이미지의 특징점 정보를 추출하는 장치 및 방법
JP6134789B2 (ja) 2012-06-26 2017-05-24 シンク−アールエックス，リミティド 管腔器官における流れに関連する画像処理
WO2014162168A1 (en) * 2013-04-01 2014-10-09 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi System and method for describing image outlines
WO2015080723A1 (en) * 2013-11-27 2015-06-04 Hewlett-Packard Development Company, Lp. Determine the shape of a representation of an object
WO2015104585A1 (en) * 2014-01-10 2015-07-16 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi Method for describing planar curves using morphological scale spaces
EP3142558B1 (en) * 2014-05-14 2018-09-26 Sync-RX, Ltd. Object identification
KR102302621B1 (ko) 2015-03-09 2021-09-16 한국전자통신연구원 고차 라플라시안 오브 가우시안 커널을 이용한 이미지의 특징점 추출 장치 및 방법
CN105678326B (zh) * 2015-12-31 2019-12-10 华南理工大学 一种基于曲率的二维目标轮廓的编码方法
KR102301386B1 (ko) 2017-06-27 2021-09-13 삼성전자주식회사 외부 장치와 무선으로 통신하는 방법 및 이를 지원하는 전자 장치
CN110287783A (zh) * 2019-05-18 2019-09-27 天嗣智能信息科技(上海)有限公司 一种视频监控图像人形识别方法
CN111145228B (zh) * 2019-12-23 2023-05-26 西安电子科技大学 基于局部轮廓点与形状特征融合的异源图像配准方法
CN111695498B (zh) * 2020-06-10 2023-04-07 西南林业大学 一种木材同一性检测方法
CN115439615B (zh) * 2022-11-07 2023-02-17 山东济矿鲁能煤电股份有限公司阳城煤矿 一种基于三维bim的分布式综合管理系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6711293B1 (en) 1999-03-08 2004-03-23 The University Of British Columbia Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image
GB2391678B (en) 1999-07-05 2004-05-05 Mitsubishi Electric Inf Tech Method and apparatus for representing and searching for an object in an image
US7430303B2 (en) 2002-03-29 2008-09-30 Lockheed Martin Corporation Target detection method and system
US20050168460A1 (en) * 2002-04-04 2005-08-04 Anshuman Razdan Three-dimensional digital library system

Also Published As

Publication number Publication date
EP2724295B1 (en) 2017-03-22
WO2013128233A1 (en) 2013-09-06
JP2015511736A (ja) 2015-04-20
US9135522B2 (en) 2015-09-15
US20140212048A1 (en) 2014-07-31
EP2724295A1 (en) 2014-04-30

Similar Documents

Publication Publication Date Title
EP2724295B1 (en) System and method for identifying scale invariant features of object outlines on images
KR101567792B1 (ko) 이미지 윤곽 묘사 시스템 및 방법
TWI750498B (zh) 視訊流的處理方法和裝置
Shi et al. A framework for learning depth from a flexible subset of dense and sparse light field views
US10353271B2 (en) Depth estimation method for monocular image based on multi-scale CNN and continuous CRF
EP2677464B1 (en) Feature detection in numeric data
CN109903331B (zh) 一种基于rgb-d相机的卷积神经网络目标检测方法
US8447114B2 (en) Method and apparatus for calculating pixel features of image data
CN101945257B (zh) 基于监控视频内容提取车辆底盘图像的合成方法
US9256802B2 (en) Object or shape information representation method
Schilling et al. Detection of vehicles in multisensor data via multibranch convolutional neural networks
US9196053B1 (en) Motion-seeded object based attention for dynamic visual imagery
CN110910339B (zh) Logo缺陷检测方法及装置
CN106296587B (zh) 轮胎模具图像的拼接方法
Katramados et al. Real-time visual saliency by division of gaussians
Oliveira et al. A novel Genetic Algorithms and SURF-Based approach for image retargeting
CN109241981B (zh) 一种基于稀疏编码的特征检测方法
CN110516731B (zh) 一种基于深度学习的视觉里程计特征点检测方法及系统
JPH08329247A (ja) 動画像認識装置
Jia et al. One-shot m-array pattern based on coded structured light for three-dimensional object reconstruction
Essa et al. High order volumetric directional pattern for video-based face recognition
CN112749713A (zh) 一种基于人工智能的大数据图像识别系统及方法
Huang et al. Superpixel and plane information based disparity estimation algorithm in stereo matching
CN109871759B (zh) 基于TensorFlow和OpenCV的车道线识别方法
Muhammad et al. TISR: Twin Image Super-Resolution using Deep Convolutional Neural Networks

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application