KR20150041428A - 객체 검출방법 및 이를 이용한 검출장치 - Google Patents

Abstract

형태 유사도 특징기반 객체 검출방법 및 장치가 개시된다. 본 발명에 따른 객체 검출장치는 입력 영상에 대한 전처리를 수행한 후, 상기 입력 영상을 일정 크기의 블록들로 분할하는 전처리부; 상기 입력 영상의 블록들에 대한 구배 벡터(gradient vector)들의 도수분포를 나타내는 HOG(Histogram of Oriented Gradients)를 제1 특징으로 산출하는 제1 특징 산출부; 상기 입력 영상에 포함되어 있는 객체의 좌우 대칭성을 이용하여 블록 별로 형태 유사도 기반의 제2 특징을 산출하는 제2 특징 산출부; 및 사전 학습 데이터를 참조하여, 상기 제1 특징 및 상기 제2 특징에 대응하는 대상 객체를 판정하는 객체 판정부를 포함한다.

Description

객체 검출방법 및 이를 이용한 검출장치{Method for object detection and apparatus thereof}

본 발명은 객체 검출방법 및 이를 이용한 검출장치에 관한 것으로서, 보다 상세하게는 형태 유사도 특징기반 객체 검출방법 및 장치에 관한 것이다.

최근 다양한 산업분야에 영상기반 객체검출 기술을 적용하기 위한 연구가 활발하게 진행되고 있다. 객체 검출을 위해서는 적절한 특징을 추출하는 것이 상당히 중요하다. 일반적으로 객체 검출 성능을 향상시키기 위해서 intensity, edge, corner, color, disparity 등 다양한 특징들을 사용한다. 그 중에서도 edge는 외부 밝기 변화에 강인하고, 비교적 많은 정보를 포함하고 있어 많이 사용되는 특징 중에 하나이다. edge를 이용한 대표적인 특징 생성 방법으로는, edge의 크기 및 방향을 추출하고, 이를 히스토그램화하여 특징벡터로 사용하는 방법이 많이 사용된다.

도 1에는 종래 기술에 따른 객체 검출용 특징의 생성방법이 도시된다.

대상 객체는 획득 영상에 대한 특징 벡터(feature vector)와 사전 학습 데이터(pre-learned data)의 비교를 통해 검출될 수 있는데, 이를 위해서는 획득 영상에서 특징 벡터를 구성하는 특징들을 생성해야 하고, 도 1은 전술한 특징들 중에서 HOG(Histogram of Oriented Gradients)를 이용하는 방법을 설명한다.

도 1을 참조하면, 입력되는 획득 영상으로부터 화소에 대한 구배 벡터(gradient vector)를 계산하고, 영상을 블록화한 후 블록 별로 각 구배 벡터에 대한 방향 정보(orientation)를 히스토그램으로 작성하여 이를 특징벡터로 사용한다. 이러한 방법은 특정한 객체, 즉 대표적으로 보행자와 같이 외부 형태가 중요한 특징을 갖는 객체에서 아주 유용한 특징으로 사용될 수 있다.

획득 영상에서 각 화소별 구배 벡터에 대한 방향성 정도를 알 수 있어 객체 검출 성능을 향상시키는데 많은 도움이 된다. 다만, 특징 벡터로서 HOG만을 사용하는 경우에는 객체 검출의 정확도가 떨어질 수 있다. 특히, 객체의 외곽 정보를 그대로 사용하고 있어 추가적인 검출 성능 향상에는 무리가 있다.

본 발명은 상술한 종래 기술의 문제점을 해결하기 위하여, 검출 대상이 되는 객체의 형태 유사도 특징을 특징 벡터로 사용하여 객체 검출 성능이 향상된 객체 검출 방법 및 이를 이용한 검출장치를 제공하는 것을 목적으로 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상술한 본 발명의 목적을 달성하기 위한 본 발명의 일 면에 따른 객체 검출장치는 입력 영상에 대한 전처리를 수행한 후, 상기 입력 영상을 일정 크기의 블록들로 분할하는 전처리부; 상기 입력 영상의 블록들에 대한 구배 벡터(gradient vector)들의 도수분포를 나타내는 HOG(Histogram of Oriented Gradients)를 제1 특징으로 산출하는 제1 특징 산출부; 상기 입력 영상에 포함되어 있는 객체의 좌우 대칭성을 이용하여 블록 별로 형태 유사도 기반의 제2 특징을 산출하는 제2 특징 산출부; 및 사전 학습 데이터를 참조하여, 상기 제1 특징 및 상기 제2 특징에 대응하는 대상 객체를 판정하는 객체 판정부를 포함한다.

바람직한 실시예에 있어서, 상기 제2 특징 산출부는 상기 입력 영상을 좌우 절반 구획으로 분할하고, 좌측 영상 또는 우측 영상 중 어느 하나의 영상의 좌우를 반전하는 미러링(mirroring)를 수행한다.

또한, 상기 제2 특징 산출부는 상기 미러링이 수행된 어느 일 측 영상과 타 측 영상에 대한 HOG의 유사도를 측정하여 상기 제2 특징을 산출한다.

또한, 상기 제2 특징 산출부는 상기 일 측 영상의 제1 블록의 HOG와, 상기 타 측 영상의 상기 제1 블록에 대응되는 위치에 있는 제2 블록의 HOG를 비교하여 유사도를 측정한다.

일 실시예로서, 상기 제2 특징 산출부는 L1-norm, L2-norm, 히스토그램 인터섹션(Histogram intersection), Chi-square distance 중 어느 하나의 방법을 이용하여 HOG의 유사도를 측정한다.

일 실시예로서, 상기 제2 특징 산출부는 상기 입력 영상에서 검출 대상이 되는 객체의 종류에 따라 블록의 위치 별로 가중치를 달리 적용하여 형태 유사도 기반의 제2 특징을 산출한다.

바람직한 실시예에 있어서, 상기 제1 특징 산출부는 상기 블록들 각각에 대해 구배 강도 및 구배 방향을 산출하고, 상기 구배 강도 및 상기 구배 방향을 이용하여 상기 HOG를 산출하는 HOG 산출모듈을 포함한다.

바람직한 실시예에 있어서, 상기 제2 특징 산출부는 상기 입력 영상을 좌우 절반 구획으로 분할하고, 좌측 영상 또는 우측 영상 중 어느 하나의 영상의 좌우를 반전하는 미러링(mirroring)를 수행하는 미러링 수행 모듈; 및 상기 일 측 영상의 제1 블록의 HOG와, 상기 타 측 영상의 상기 제1 블록에 대응되는 위치에 있는 제2 블록의 HOG사이의 유사도를 측정하는 유사도 측정 모듈을 포함하되, 상기 유사도 측정 모듈은 상기 입력 영상에서 검출 대상이 되는 객체의 종류 및 상기 제1 블록 및 상기 제2 블록의 위치에 따라 가중치를 달리 적용하여 유사도를 측정한다.

전술한 목적을 달성하기 위한 본 발명의 다른 면에 따른 객체 검출방법은 입력 영상에 대한 전처리를 수행한 후, 상기 입력 영상을 일정 크기의 블록들로 분할하는 단계; 상기 입력 영상의 블록들에 대한 구배 벡터(gradient vector)들의 도수분포를 나타내는 HOG(Histogram of Oriented Gradients)를 제1 특징으로 산출하는 단계; 상기 입력 영상을 좌우 절반 구획으로 분할하고, 좌측 영상 또는 우측 영상 중 어느 하나의 영상의 좌우를 반전하는 미러링(mirroring)를 수행하는 미러링 수행 단계; 상기 일 측 영상의 제1 블록의 HOG와, 상기 타 측 영상의 상기 제1 블록에 대응되는 위치에 있는 제2 블록의 HOG사이의 유사도를 측정하여 제2 특징을 산출하는 단계; 및 사전 학습 데이터를 참조하여, 상기 제1 특징 및 상기 제2 특징에 대응하는 대상 객체를 판정하는 단계를 포함한다.

이상 상술한 바와 같은 본 발명에 따르면, HOG 및 객체 자체의 형태 유사도 특징 정보를 이용하여 특징 벡터를 구성함으로써 객체 검출의 정확도를 높일 수 있다.

도 1에는 종래 기술에 따른 객체 검출용 특징의 생성방법을 설명하기 위한 예시도.
도 2는 본 발명의 실시예에 따른 객체 검출장치를 보여주는 블록 구성도.
도 3은 본 발명의 실시예에서 획득 영상을 구성하는 화소들에 대한 HOG 특징을 생성하는 일 예를 보여주는 도면.
도 4는 본 발명의 실시예에서 형태 유사도 기반 특징을 생성하는 일 예를 보여주는 도면.
도 5는 도 4에서 형태 유사도 기반 특징을 생성할 때 적용되는 가중치를 생성하는 일 예를 보여주는 도면.
도 6는 본 발명의 실시예에 따른 객체 검출방법을 설명하기 위한 순서도.

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 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

도 2는 본 발명의 실시예에 따른 객체 검출장치를 보여주는 블록 구성도이다.

도 2를 참조하면, 본 발명에 따른 객체 검출장치는 영상 획득부(image acquisition unit, 110), 특징 벡터 산출부(feature vector calculation unit, 130), 사전 학습 데이터 저장부(pre-learned data storage unit, 140) 및 객체 판정부(object judgment unit, 150)를 포함하여 구성된다.

영상 획득부(110)는 대상 객체(target objet)를 포함하는 영상을 외부 장치로부터 획득한다. 예를 들어, 영상 획득부(110)는 촬상 장치, 영상 저장 장치 등으로부터 제공되는 영상을 획득할 수 있다. 영상 획득부(110)는 획득 영상에 대한 전처리를 수행한다.

예컨대, 도 3의 (b)에 도시된 바와 같이, 영상 획득부(110)는 획득 영상에 대해 색상보정을 수행한다. 대표적인 방법으로는 감마 보정방법이 있다. 또한, 영상 획득부(110)는 획득 영상의 화소별로 구배 벡터를 구하고, 구배 벡터의 강도(magnitude) 및 방향 정보(orientation)를 산출한다(도 3의 (c) 참조). 예컨대, 소벨, 캐니 등과 같은 방법이 구배 벡터를 구하는데 사용될 수 있다. 다음으로 가우시안 가중치가 구배 벡터에 적용되는데(도 3의 (d) 참조), 이는 향후 구배 벡터의 강도(크기) 및 방향을 화소별로 비교하지 않고, 일정 크기의 블록 별로 비교하는데 블록의 중앙 부분의 특징은 가중치를 높게 하고, 블록 외곽의 특징은 가중치를 낮게 하여, 객체 검출 성능을 향상시키기 위함이다. 다음으로, 영상을 분할하는데, 여기서 영상 획득부(110)는 획득 영상을 크게 몇 개의 구역으로 나누고, 구역 별로 다시 다수의 블록으로 나눈다.

예컨대, 도 3에 도시된 바와 같이 영상 획득부(110)는 획득 영상을 좌우 절반 구획으로 분할하고, 이를 다시 상하 절반 구획으로 분할하여 총 4개의 구획(A,B,C,D)으로 획득 영상을 나눌 수 있다. 이후, 영상 획득부(110)는 각 구획을 일정 크기의 블록으로 분할한다.

영상의 구획 분리 및 블록 분할은 영상 획득부(110)가 수행하는 것으로 전술하였지만, 그 수행의 주체는 영상 획득부(110)에만 한정되지 않는다. 연산 처리의 효율을 위해, 구획 분리 및 블록 분할과 같은 전처리 프로세스는 후술할 제1 특징 산출부 또는 제2 특징 산출부에서 수행될 수 있다.

특징 벡터 산출부(130)는 획득 영상에서 블록 별로 특징 벡터를 산출한다. 일반적으로, 특징 벡터는 HOG(Histogram of Oriented Gradients)만으로 구성된다. 여기서, HOG는 복수의 블록들에 대응하는 구배 벡터(gradient vector)들의 도수 분포를 나타내는 히스토그램을 말한다. 그러나, 본 발명의 실시 예에 따른 특징 벡터는 HOG뿐만 아니라 형태 유사도 기반 특징을 이용하여 산출된다. 여기서, 형태 유사도 기반 특징은 검출 대상이 되는 객체의 좌우 대칭 또는 상하 대칭 유사성 정보를 의미한다.

특징 벡터 산출부(130)는 제1 특징 산출부(131), 제2 특징 산출부(132)를 포함한다.

제1 특징 산출부(131)는 블록 별로 HOG를 산출하기 위해 화소별로 산출된 구배 벡터들에 기초하여 블록 별 HOG를 산출한다.

예컨대, 획득 영상은 복수의 블록들로 분할된다. 예시적으로 4개의 블록들(2×2의 영역들)로 분할될 수 있으나, 블록들의 수는 이에 한정되지 않고, 획득 영상은 다양한 수의 블록들로 분할될 수 있다.

특징 벡터를 구성하는 HOG들은 복수의 블록들에 대해 각각 산출된다. 즉, 특징 벡터를 구성하는 HOG들의 수는 블록들의 수에 대응한다. 이하에서, 하나의 블록에 대한 HOG를 산출하기 위해 사용되는 구배 벡터들의 산출이 예시적으로 설명될 것이다.

하나의 블록은 복수의 화소들을 포함한다. 예컨대, 16개의 화소들(4×4의 화소들)이 하나의 블록을 구성할 수 있고, 이에 한정되지 않고, 다양한 수의 화소들을 포함할 수 있다. 예를 들어, 하나의 블록의 크기는 8×8의 화소들, 16×16의 화소들로 정의될 수 있다.

구배 벡터들은 복수의 화소들에 대해 각각 산출된다. 다만, 각 구배 벡터의 산출 시에, 각 구배 벡터에 대응하는 화소(이하, “대상 화소”라고 칭함)에 인접하는 화소들이 고려되므로, 블록의 가장자리에 위치하는 화소들에 대해서는 구배 벡터의 산출이 생략될 수 있다.

복수의 화소들에 대한 구배 벡터들은 HOG를 산출하는 데 사용된다. HOG의 계급은 구배 방향의 범위(0도 내지 180도)에 대한 양자화된 구간을 의미한다. 그리고, HOG의 도수는 HOG 의 계급에 따른 구배 강도들의 누적 수치를 의미한다.

예컨대 HOG는 8개의 계급들을 갖도록 구현될 수 있으며, HOG의 계급들의 수는 이에 한정되지 않고, HOG는 다양한 수의 계급들을 가질 수 있다.

예컨대, 어느 하나의 블록을 구성하는 화소들에 대해 0도의 구배 방향을 갖는 12개의 구배 벡터들과 90도의 구배 방향을 갖는 4개의 구배 벡터들이 산출될 수 있다. 이때, 이 블록에 대한 HOG는 각 계급의 구배 방향에 대한 화소들의 도수 분포로 생성될 것이다.

제2 특징 산출부(132)는 획득 영상에 포함되어 있는 객체의 좌우 대칭성을 이용하여 블록 별로 형태 유사도 기반의 제2 특징을 산출한다.

구체적으로 설명하면, 도 4의 (f)에 도시된 바와 같이 상기 제2 특징 산출부(132)는 좌우 절반 구획으로 분할된 상기 입력 영상에서 좌측 영상 또는 우측 영상 중 어느 하나의 영상의 좌우를 반전하는 미러링(mirroring)를 수행하고, 상기 미러링이 수행된 어느 일 측 영상과 타 측 영상에 대한 HOG의 유사도를 측정하여 상기 제2 특징을 산출한다.

이때, 상기 제2 특징 산출부(132)는 상기 일 측 영상의 제1 블록의 HOG와, 상기 타 측 영상의 상기 제1 블록에 대응되는 위치에 있는 제2 블록의 HOG를 비교하여 유사도를 측정하고, 유사도 측정은 L1-norm, L2-norm, 히스토그램 인터섹션(Histogram intersection), Chi-square distance 중 어느 하나의 방법이 이용될 수 있다.

도 4의 (f)를 참조하여 설명하면, 상기 제2 특징 산출부(132)는 먼저 구역 B와 D에 대한 미러링을 수행한다. 그리고 각 블록 별로 HOG를 계산하여 블록별 HOG를 비교하는데, 비교 대상의 짝은 도시된 바와 같이 구역 내에서 블록의 위치 순서에 따른다. 즉, A 구역과 B 구역, C 구역과 D 구역이 비교되는데, 각 구역 내에서는 블록의 위치에 따라 서로 상응하는 위치에 있는 블록의 HOG가 비교된다.

이때, 상기 획득 영상에서 검출 대상이 되는 객체의 종류에 따라 블록의 위치 별로 가중치를 달리 적용하여 HOG의 유사도가 산출된다. 이로 인해 형태 유사도 기반의 제2 특징의 성능이 향상될 수 있는데 이에 대한 설명은 도 5를 참조하여 구체적으로 설명한다.

도 5는 도 4에서 형태 유사도 기반 특징을 생성할 때 적용되는 가중치를 생성하는 일 예를 보여주는 도면이다.

도 5를 참조하면, 가중치는 수평라인 내 영역별 가중치(a)와 구역내 가중치(b)를 포함한다.

이와 같은 가중치는 검출 대상이 되는 객체의 종류에 따라 달라지게 되는데 예컨대, 검출 대상의 객체가 보행자인 경우, 수평라인 별 최고 가중치 라인은 노란색으로 표시된다. 즉 보행자의 외곽선은 노란색 주변에 존재할 확률이 높기 때문에 이 부근의 히스토그램 비교 값이 객체 검출을 위한 중요 데이터로 사용된다. 따라서, 이 부근에 대한 HOG의 가중치를 높게 반영하여 형태 유사도 기반 특징을 산출하는데 이용한다.

또한, 도 5에 도시된 바와 같이 수평라인의 위치(d)에 따라서 가중치(p)가 달리 적용되고 혹은 수직 블록 별로도 가중치를 달리 적용한다. 최고 가중치 라인은 객체의 형태 별로 변경되어 적용될 수 있다.

한편, 구역내 가중치(b)에 대해서 설명하면, 검출 대상이 되는 객체가 보행자인 경우 하반신 구역(C, D 구역)은 보행자의 걷는 수준, 포즈에 따라서 HOG 값의 변화 정도가 크지만, 상반신 구역(A, B 구역)은 비교적 강건하게 변하지 않는다. 따라서, 특징 값으로 사용할 때, 상반신의 HOG 비교 값은 비교적 높게 사용하고(q), 하반신의 HOG 비교 값은 낮게 사용하여(r) 보행자의 전체적인 형상 특징을 최대한 반영한다. 이 역시 객체의 형태 및 종류에 따라 변경되어 적용될 수 있다.

전술한 프로세스를 수행하기 위한 구성으로, 상기 제2 특징 산출부(132)는 상기 입력 영상을 좌우 절반 구획으로 분할하고, 좌측 영상 또는 우측 영상 중 어느 하나의 영상의 좌우를 반전하는 미러링(mirroring)를 수행하는 미러링 수행 모듈; 및 상기 일 측 영상의 제1 블록의 HOG와, 상기 타 측 영상의 상기 제1 블록에 대응되는 위치에 있는 제2 블록의 HOG사이의 유사도를 측정하는 유사도 측정 모듈로 구성될 수 있다.

이때, 상기 유사도 측정 모듈은 상기 입력 영상에서 검출 대상이 되는 객체의 종류 및 상기 제1 블록 및 상기 제2 블록의 위치에 따라 가중치를 달리 적용하여 유사도를 측정한다.

사전 학습 데이터 저장부(140)는 인체, 차량 등과 같은 다양한 객체들에 대한 사전 학습 데이터를 저장한다. 사전 학습 데이터 저장부(140)는 대상 객체 판정을 위한 참조 정보로서 사전 학습 데이터를 객체 판정부(150)에 전달한다.

사전 학습 데이터는 객체들의 패턴 정보 및 식별 정보 등을 포함한다. 여기서, 패턴 정보는 특징 벡터와의 비교 대상이 되는 정보를 의미하고, 식별 정보는 객체들의 명칭, 종류, 크기 등과 같이 객체들의 고유 특성을 나타내기 위한 정보를 의미한다.

한편, 사전 학습 데이터는 객체들의 고유 패턴에 대한 반복적인 학습을 통해 생성될 수 있다. 이때, 아다부스트(Adaboost), SVM(Support Vector Machine) 등과 같은 기계 학습 알고리즘이 사전 학습 데이터를 생성하기 위해 적용될 수 있다.

객체 판정부(150)는 사전 학습 데이터를 참조하여 특징 벡터에 대응하는 대상 객체가 무엇인지를 판정한다. 그리고, 객체 판정부(150)는 대상 객체에 대한 판정 결과를 출력한다. 예를 들어, 특징 벡터와 일치하는 패턴 정보가 사전 학습 데이터에 포함되어 있는 경우, 객체 판정부(150)는 검출 성공 알림 정보 및 패턴 정보에 대응하는 대상 객체의 식별 정보를 판정 결과로서 출력할 수 있다. 이와 달리, 특징 벡터와 일치하는 패턴 정보가 사전 학습 데이터에 포함되어 있지 않은 경우, 객체 판정부(150)는 검출 실패 알림 정보를 판정 결과로서 출력할 수 있다. 이러한 판정 결과는 외부 표시 장치, 저장 장치 등에 제공될 수 있다.

도 6는 본 발명의 실시예에 따른 객체 검출방법을 설명하기 위한 순서도이다.

도 6을 참조하면, 단계 S10에서, 대상 객체를 포함하는 영상이 획득되고, 획득된 영상에 대해 S20에서 전처리 과정이 수행된다. 예컨대, 획득 영상에 대해 색상보정 화소별로 구배 벡터를 산출, 가우시안 가중치를 구배 벡터에 적용, 획득 영상 분할 등의 전처리 과정이 수행될 수 있는데 이에 대한 구체 설명은 도 2 내지 도 5를 참조하여 전술하였으며 이하에서는 생략하도록 한다.

단계 S30에서, 객체 검출을 위한 특징 벡터를 산출한다. 구체적으로 설명하면, 상기 S30 단계는 상기 입력 영상의 블록들에 대한 구배 벡터(gradient vector)들의 도수분포를 나타내는 HOG(Histogram of Oriented Gradients)를 제1 특징으로 산출하는 단계와, 상기 입력 영상을 좌우 절반 구획으로 분할하고, 좌측 영상 또는 우측 영상 중 어느 하나의 영상의 좌우를 반전하는 미러링(mirroring)를 수행하는 미러링 수행 단계와, 상기 일 측 영상의 제1 블록의 HOG와, 상기 타 측 영상의 상기 제1 블록에 대응되는 위치에 있는 제2 블록의 HOG사이의 유사도를 측정하여 제2 특징을 산출하는 단계를 포함한다.

여기서, 상기 입력 영상에서 검출 대상이 되는 객체의 종류 및 상기 제1 블록 및 상기 제2 블록의 위치에 따라 가중치를 달리 적용하여 유사도가 측정될 수 있다.

단계 S40에서, 사전 학습 데이터를 참조하여, 상기 제1 특징 및 상기 제2 특징에 대응하는 대상 객체를 판정한다.

한편, 상술한 본 발명에 따른 객체 검출방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.

본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구의 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

110: 영상 획득부(전처리부) 130: 특징벡터 산출부
131: 제1 특징 산출부 132: 제2 특징 산출부
140: 사전학습 데이터 저장부 150: 객체 판정부

Claims (10)

1. 입력 영상에 대한 전처리를 수행한 후, 상기 입력 영상을 일정 크기의 블록들로 분할하는 전처리부;
   상기 입력 영상의 블록들에 대한 구배 벡터(gradient vector)들의 도수분포를 나타내는 HOG(Histogram of Oriented Gradients)를 제1 특징으로 산출하는 제1 특징 산출부;
   상기 입력 영상에 포함되어 있는 객체의 좌우 대칭성을 이용하여 블록 별로 형태 유사도 기반의 제2 특징을 산출하는 제2 특징 산출부; 및
   사전 학습 데이터를 참조하여, 상기 제1 특징 및 상기 제2 특징에 대응하는 대상 객체를 판정하는 객체 판정부
   를 포함하는 객체 검출장치.
2. 제1항에 있어서, 상기 제2 특징 산출부는,
   좌우 절반 구획으로 분할된 상기 입력 영상에서 좌측 영상 또는 우측 영상 중 어느 하나의 영상의 좌우를 반전하는 미러링(mirroring)를 수행하는 것
   인 객체 검출장치.
3. 제2항에 있어서, 상기 제2 특징 산출부는,
   상기 미러링이 수행된 어느 일 측 영상과 타 측 영상에 대한 HOG의 유사도를 측정하여 상기 제2 특징을 산출하는 것
   인 객체 검출장치.
4. 제3항에 있어서, 상기 제2 특징 산출부는,
   상기 일 측 영상의 제1 블록의 HOG와, 상기 타 측 영상의 상기 제1 블록에 대응되는 위치에 있는 제2 블록의 HOG를 비교하여 유사도를 측정하는 것
   인 객체 검출장치.
5. 제3항에 있어서, 상기 제2 특징 산출부는,
   L1-norm, L2-norm, 히스토그램 인터섹션(Histogram intersection), Chi-square distance 중 어느 하나의 방법을 이용하여 HOG의 유사도를 측정하는 것
   인 객체 검출장치.
6. 제1항에 있어서, 상기 제2 특징 산출부는,
   상기 입력 영상에서 검출 대상이 되는 객체의 종류에 따라 블록의 위치 별로 가중치를 달리 적용하여 형태 유사도 기반의 제2 특징을 산출하는 것
   인 객체 검출장치.
7. 제1항에 있어서, 상기 제1 특징 산출부는,
   상기 블록들 각각에 대해 구배 강도 및 구배 방향을 산출하고, 상기 구배 강도 및 상기 구배 방향을 이용하여 상기 HOG를 산출하는 HOG 산출모듈을 포함하는 것
   인 객체 검출장치.
8. 제1항에 있어서, 상기 제2 특징 산출부는,
   상기 입력 영상을 좌우 절반 구획으로 분할하고, 좌측 영상 또는 우측 영상 중 어느 하나의 영상의 좌우를 반전하는 미러링(mirroring)를 수행하는 미러링 수행 모듈; 및
   상기 일 측 영상의 제1 블록의 HOG와, 상기 타 측 영상의 상기 제1 블록에 대응되는 위치에 있는 제2 블록의 HOG사이의 유사도를 측정하는 유사도 측정 모듈을 포함하되,
   상기 유사도 측정 모듈은 상기 입력 영상에서 검출 대상이 되는 객체의 종류 및 상기 제1 블록 및 상기 제2 블록의 위치에 따라 가중치를 달리 적용하여 유사도를 측정하는 것
   인 객체 검출장치.
9. 입력 영상에 대한 전처리를 수행한 후, 상기 입력 영상을 일정 크기의 블록들로 분할하는 단계;
   상기 입력 영상의 블록들에 대한 구배 벡터(gradient vector)들의 도수분포를 나타내는 HOG(Histogram of Oriented Gradients)를 제1 특징으로 산출하는 단계;
   상기 입력 영상을 좌우 절반 구획으로 분할하고, 좌측 영상 또는 우측 영상 중 어느 하나의 영상의 좌우를 반전하는 미러링(mirroring)를 수행하는 미러링 수행 단계;
   상기 일 측 영상의 제1 블록의 HOG와, 상기 타 측 영상의 상기 제1 블록에 대응되는 위치에 있는 제2 블록의 HOG사이의 유사도를 측정하여 제2 특징을 산출하는 단계; 및
   사전 학습 데이터를 참조하여, 상기 제1 특징 및 상기 제2 특징에 대응하는 대상 객체를 판정하는 단계
   를 포함하는 객체 검출방법.
10. 제9항에 있어서, 상기 제2 특징을 산출하는 단계는,
    상기 입력 영상에서 검출 대상이 되는 객체의 종류 및 상기 제1 블록 및 상기 제2 블록의 위치에 따라 가중치를 달리 적용하여 유사도를 측정하는 단계를 포함하는 것
    인 객체 검출방법.

Images