KR20150108577A - 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치 및 방법 및 컴퓨터 프로그램이 기록된 기록매체 - Google Patents

Abstract

본 발명은 객체의 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치 및 방법 및 컴퓨터 프로그램이 기록된 기록매체를 개시한다. 즉, 본 발명은 객체를 식별함에 있어서 객체를 식별한 후, 객체 자체의 특징 외에도 객체의 종류에 따라 객체의 특징이 드러나는 영역까지도 학습 범위로 포함시켜 객체 검출 및 쿼리 생성에 사용함으로써 정확하고 신속한 객체의 학습 또는 쿼리 제공을 가능하게 할 수 있다.

Description

식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치 및 방법 및 컴퓨터 프로그램이 기록된 기록매체{Learning apparatus and method for detecting features in an extended region for object recognition and computer readable medium having computer program recorded therefor}

본 발명은 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치 및 방법에 관한 것으로, 특히 객체의 종류에 따라 객체 자체 외에도 객체를 판단함에 있어서 추가적으로 필요한 구성이 존재하는 경우에는 관련 영역까지도 객체에 대한 학습 범위로 학습 영역을 확장한 후 해당 확장 범위를 학습 대상으로 하여 학습을 진행함으로써 객체를 신속하고 정확하게 식별할 수 있는 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치 및 방법에 관한 것이다.

디지털 컨텐츠에 대한 수요가 증가하면서 우리 주변에는 방대한 양의 멀티미디어 컨텐츠(비디오, 음악, 영상, 이미지 등)가 끈임 없이 생성, 제작, 유통 및 서비스되고 있다. 그 중에서도 디지털 영상 및 이미지는 고성능, 휴대용 디지털 카메라의 보급과 대용량 저장장치나 휴대용 저장매체의 가격하락과 함께 가히 폭발적으로 그 수가 증가하고 있다. 반면에 이러한 영상 및 이미지가 포함하고 있는 정보를, 필요시 효율적으로 찾아내고 원하는 대상을 다른 것과 정확하게 식별하고 분류하여 검색하는 서비스 장치, 사용자 장치 및 방법에 대한 수요도 점점 늘어나고 있다.

종래의 영상 또는 이미지의 분류는 설계자의 기준에 따라 영상 또는 이미지 내에서 관심의 대상이 되는 영역인 관심 영역(region-of-interest: ROI)이 설정되고 학습되어, 이를 사용자에게 적용하여 왔다.

종래에는 관심 영역 내의 객체를 식별함에 있어서, 객체만을 포함하는 영역에 대응되는 바운딩 박스 영역을 선별한 후 이를 기준으로 객체에 대한 학습을 실시하였고, 필요한 경우 인접 특징과의 관계 정보를 이용하는 경우도 있었으나 이는 단순히 인접 특징과의 관계성을 확인하기 위한 것으로, 객체의 식별 및 특징을 추출하는 단계에서 사용되지는 않는 실정이다.

구체적으로, 도 1은 종래 기술에 따른 바운딩 박스의 설정을 나타내는 도면으로, 도 1에 도시된 바와 같이, 종래에는 사용자의 객체 관련 영역(100)인 손등 및 손목에 착용된 손목시계만을 바운딩 박스(300)로 설정하였다. 즉, 식별 대상(200)인 손목시계를 위주로 바운딩 박스(300)를 설정하고, 객체 관련 영역(100)인 사용자의 손등 및 손목은 극히 일부만이 바운딩 박스(300)에 포함되었다.

그러나 손목시계는 손목에 착용하여 사용하는 것이 극히 일반적이므로, 손목시계만을 위주로 하여 바운딩 박스(300)를 설정하면, 객체를 식별하는 검색기가 이를 식별함에 있어서 손목시계만을 위주로 객체를 식별하게 되므로 검색의 신속성 및 정확성에 있어서 제한적이다.

한국등록특허 제10-1294255호 [명칭: 관심영역 결정 방법 및 장치]

본 발명의 목적은 객체를 식별함에 있어서 객체를 식별한 후, 객체 자체의 특징 외에도 객체의 종류에 따라 객체의 특징이 드러나는 영역까지도 학습 범위로 포함시켜 객체 검출 및 쿼리 생성에 사용함으로써 정확하고 신속한 객체의 학습 또는 쿼리 제공을 가능하게 하는, 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치 및 방법 및 컴퓨터 프로그램이 기록된 기록매체를 제공하는데 있다.

본 발명의 실시예에 따른 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치는 입력 이미지에 포함된 객체의 존재를 검출하고 이를 둘러싸도록 바운딩 박스를 설정하는 바운딩 박스 영역 설정부; 바운딩 박스의 내부에 위치하는 객체를 식별하는 객체 식별부; 및 식별된 객체에 근거하여 미리 설정된 비율로 바운딩 박스의 비율을 조정하여 학습 영역을 설정하는 학습 영역 선별부;를 포함할 수 있다.

본 발명과 관련된 일 예로서 객체 식별부는 입력 이미지에 미리 설정된 특징 패턴을 적용하여 입력 이미지에 대한 특징 정보를 산출하고, 산출된 입력 이미지에 대한 특징 정보와 미리 학습된 복수의 이미지에 대한 개별 특징 정보 간의 유사도를 각각 확인하고, 확인된 유사도가 미리 설정된 기준값 이상인지 여부를 판단하고, 판단 결과 확인된 유사도가 기준값 이상일 때 입력 이미지 내에 목적으로 하는 객체가 존재하는 것으로 분류하고, 입력 이미지 내에서 객체를 식별하는 것을 특징으로 한다.

본 발명과 관련된 일 예로서 객체 별로 미리 설정된 비율로 바운딩 박스의 비율을 조정하는 데이터를 저장하는 데이터베이스;를 더 포함할 수 있다.

본 발명과 관련된 일 예로서 학습 영역을 기준으로 객체의 특징을 추출하는 학습 영역 기준 학습부;를 더 포함할 수 있다.

본 발명의 실시예에 따른 식별을 위해 확장된 영역에 대한 특징을 수집하는 방법은 입력 이미지로부터 객체를 식별하여 바운딩 박스 영역을 선별하는 단계; 바운딩 박스와 바운딩 박스 내의 객체를 기준으로 확장 영역을 선별하는 단계; 및 확장 영역을 기준으로 객체의 특징을 재추출하여 이를 기반으로 학습 또는 쿼리 제공을 실시하는 단계;를 포함할 수 있다.

본 발명과 관련된 일 예로서 입력 이미지로부터 객체를 식별하는 단계는, 객체 식별부를 통해 입력 이미지에 미리 설정된 특징 패턴을 적용하여 입력 이미지에 대한 특징 정보를 산출하는 단계; 산출된 입력 이미지에 대한 특징 정보와 미리 학습된 복수의 이미지에 대한 개별 특징 정보 간의 유사도를 각각 확인하는 단계; 확인된 유사도가 미리 설정된 기준값 이상인지 여부를 판단하는 단계; 판단 결과 확인된 유사도가 기준값 이상일 때, 입력 이미지 내에 목적으로 하는 객체가 존재하는 것으로 분류하는 단계; 및 입력 이미지 내에서 객체를 식별하는 단계;를 포함할 수 있다.

본 발명의 실시예에 따른 컴퓨터 프로그램이 기록된 기록매체에는 상술한 실시예에 따른 방법을 수행하는 컴퓨터 프로그램이 저장될 수 있다.

본 발명은 종래에 객체와 연관되나 에러 팩터로 버려지던 내용을 활용하여 객체 검출에 사용함으로써, 신속하고 정확한 객체의 학습 또는 쿼리 제공이 가능한 효과가 있다.

도 1은 종래 기술에 따른 바운딩 박스의 설정을 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 학습 영역의 설정을 나타내는 도면이다.
도 3은 본 발명의 실시예에 따른 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치의 구성을 나타내는 도면이다.
도 4는 본 발명의 실시예에 따라 확장된 학습 영역에 대한 학습 방법을 나타내는 도면이다.

본 발명에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서 "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.

도 2는 본 발명의 실시예에 따른 학습 영역의 설정을 나타내는 도면이다.

도 2에 도시된 바와 같이, 객체인 손목시계의 외곽을 둘러싸도록 바운딩 박스(300)가 설정된다. 바운딩 박스(300)는 객체를 중심으로 설정된 것으로 객체 외의 영역을 거의 포함하지 않는다.

바운딩 박스(300)의 내부에 포함된 객체를 식별하면 객체가 손목시계임을 확인하게 된다. 손목시계는 손목에 착용되어 사용되는 것이 일반적이므로, 이미지 또는 영상에 포함되는 손목시계는 대부분 객체 관련 영역(100)인 손등 및 손목이 관련 영역으로 같이 확인된다.

이에 따라 객체가 손목시계인 경우, 객체뿐만 아니라 객체에 인접한 주변 영역까지도 포함하도록 학습 범위를 확장하는 것이 바람직하다. 구체적으로, 미리 정해진 비율만큼 바운딩 박스(300)를 확장하여 학습 영역(400)을 설정한다.

확장 여부 및 확장되는 비율은 식별된 객체에 따라 상이하게 설정될 수 있다.

예를 들어, 식별된 객체가 컴퓨터용 마우스인 경우, 마우스는 바운딩 박스(300)에 포함된 객체만으로도 식별될 수 있으므로 이를 확장하여 학습 영역을 설정하지 않아도 무방하다.

또한 객체가 수영복 하의인 경우, 다리와 복부가 대부분 같이 나타나므로 해당 부분까지로 학습 영역(400)을 확장하여 일반 복장과 구분되는 특징을 얻을 수 있다. 이에 따라 동일한 디자인이라 하더라도 수영복 하의와 반바지인 경우를 구별할 수 있게 된다.

즉, 수영복 하의가 객체인 경우, 이에 대한 바운딩 박스(300)외에도 상하로 확장된 학습 영역(400)을 설정하여 다리와 복부의 영역을 포함하도록 할 수 있다. 구체적으로, 맨다리와 복부를 학습 영역(400)에 같이 포함하도록 학습 영역(400)을 설정할 수 있다.

이에 따라 사용자가 동일한 디자인의 의상을 검색하고자 하는 경우, 학습 영역(400)을 참고하여 검색함으로서, 수영복 하의인 경우에는 수영복 카테고리에서 이를 검색하고, 반바지인 경우에는 반바지 카테고리에서 이를 검색할 수 있게 되므로, 정확하고 신뢰성있는 검색이 가능하다.

도 3은 본 발명의 실시예에 따른 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치의 구성을 나타내는 도면이다.

발명의 실시예에 따른 학습 장치(500)는 바운딩 박스 영역 선별부(510), 객체 식별부(520), 데이터베이스(530), 학습 영역 선별부(540) 및 학습 영역 기준 학습부(550)를 포함한다.

바운딩 박스 영역 선별부(510)는 객체의 존재를 검출하고 이를 둘러싸도록 바운딩 박스(300)를 설정한다. 바운딩 박스 영역 선별부(510)는 객체를 전부 포함하면서 최소의 면적으로 바운딩 박스(300)를 설정할 수 있다.

바운딩 박스 영역 선별부(510)는 바운딩 박스(300)를 정방형, 원형 및 타원 등으로 설정할 수 있으며 이에 대해 한정하지는 않는다.

객체 식별부(520)는 바운딩 박스(300)의 내부에 위치하는 객체를 식별한다. 객체 식별부(520)는 입력 이미지에 미리 설정된 특징 패턴을 적용하여 입력 이미지에 대한 특징 정보를 산출하고, 산출된 입력 이미지에 대한 특징 정보와 미리 학습된 복수의 이미지에 대한 개별 특징 정보 간의 유사도를 각각 확인하고, 확인된 유사도가 미리 설정된 기준값 이상인지 여부를 판단하여, 판단 결과 확인된 유사도가 기준값 이상일 때 입력 이미지 내에 목적으로 하는 객체가 존재하는 것으로 분류하고, 입력 이미지 내에서 객체를 식별한다.

데이터베이스(530)에 저장된 데이터와의 비교를 통해 객체가 무엇인지 식별될 수 있으며 데이터베이스(530)는 식별된 객체에 근거하여 미리 설정된 비율로 학습 영역(400)을 조정한다. 즉, 데이터베이스(530)는 객체 별로 바운딩 박스(300)의 확장 방향 및 비율을 저장한다.

학습 영역 선별부(540)는 객체 별로 데이터베이스(530)에 저장된 방향 및 비율만큼 바운딩 박스(300)를 확장하여 학습 영역(400)을 설정할 수 있다.

예를 들어, 데이터베이스(530)에 저장된 객체 별 바운딩 박스(300)의 확장 방향 및 비율에 따라 객체 식별부(520)에 의해 식별된 객체가 손목시계인 경우, 상하좌우로 동등하게 바운딩 박스(300)를 확장하여 학습 영역(400)을 설정할 수 있다.

또한, 객체 식별부(520)에 의해 식별된 객체가 수영복 하의인 경우, 상하로 미리 정해진 비율만큼 바운딩 박스(300)를 확장하여 학습 영역(400)을 설정할 수 있다. 그리고, 객체 식별부(520)에 의해 식별된 객체가 컴퓨터용 마우스인 경우, 바운딩 박스(300)를 확장하지 않을 수 있다.

이와 같이 학습 영역 선별부(540)에 의해 객체 별로 바운딩 박스(300)의 확장 방향 및 비율이 조정될 수 있다.

학습 영역 기준 학습부(550)는 학습 영역(400)을 기준으로 객체의 특징을 추출하고 이를 기반으로 학습 또는 쿼리 제공을 실시한다.

구체적으로, 객체에 따라 바운딩 박스(300)를 기준으로 한 객체와 학습 영역(400)을 기준으로 한 객체의 특징은 상이할 수 있다.

도 2에 도시된 바와 같이, 바운딩 박스(300)를 기준으로 한 객체에서는 손목시계에 관한 특징만이 추출될 수 있으나, 바운딩 박스(300)에 비해 학습 범위가 확장된 학습 영역(400)을 기준으로 한 객체에서는 손목시계에 관한 특징 외에도, 객체 관련 영역(100)인 손목 및 손등에 관한 특징을 추출할 수 있다. 이에 따라, 학습 영역 기준 학습부(550)는 손목시계 뿐만 아니라, 객체 관련 영역(100)인 손목 및 손등에 관한 특징을 포함하여 학습하게 된다.

학습 영역 기준 학습부(550)는 학습한 객체의 특징을 데이터베이스(530)에 전달하여 저장한다. 이에 따라 기존에 에러 팩터로 버려지던 내용을 활용하며, 학습한 객체의 특징은 쿼리 생성 시에도 사용될 수 있으므로, 사용자 장치나 서비스 장치 중 임의의 장치에 구성할 수 있다.

도 4는 본 발명의 실시예에 따라 확장된 학습 영역에 대한 학습 방법을 나타내는 도면이다.

처음으로, 입력된 컨텐츠로부터 객체의 존재를 파악하고 바운딩 박스(300) 영역을 설정하고, 바운딩 박스(300) 내의 객체를 식별한다(S100). 객체의 식별은 객체 식별부(520)에 의해 행해질 수 있다.

바운딩 박스(300)의 영역은 객체를 둘러싸도록 설정될 수 있다. 바운딩 박스(300)는 객체를 둘러싸도록 정방형으로 형성될 수 있으나 형상에 대해 한정하는 것은 아니다.

다음으로, 식별된 객체에 따라 바운딩 박스(300)의 영역을 확장하여 학습 영역(400)을 형성한다(S200). 확장되는 비율 및 방향은 객체의 종류에 따라 상이할 수 있으며, 객체의 종류에 따른 확장 비율 및 방향은 데이터베이스(530)에 저장된 값으로 설정될 수 있다. 또한 객체에 따라 바운딩 박스(300)가 확장되지 않을 수도 있다.

다음으로, 확장된 학습 영역(400) 내의 객체의 특징을 추출하여 객체의 특징을 학습한다(S300). 객체의 특징으로는 형상, 색상, 크기, 비율 등을 포함할 수 있으며, 예를 들어, 도 2에서 바운딩 박스(300)가 확장된 학습 영역(400) 내의 객체에는 손목시계 외에도, 객체 관련 영역(100)인 사용자의 손목 및 손등에 관한 특징이 포함될 수 있다.

이와 같이 객체를 식별한 후, 객체 자체의 특징 외에도 객체의 종류에 따라 객체의 특징이 드러나는 영역까지도 학습 범위로 포함시켜 객체 검출 및 쿼리 생성에 사용함으로써 정확하고 신속한 객체의 학습 또는 쿼리 제공이 가능하다.

본 발명의 실시예에 따른 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치 및 방법은 컴퓨터 프로그램으로 작성 가능하며, 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 해당 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 정보저장매체(computer readable media)에 저장되고, 컴퓨터나 본 발명의 실시예에 따른 사용자 장치 등에 의하여 읽혀지고 실행됨으로써 사용자 장치의 잠금 상태 해제 방법을 구현할 수 있다.

정보저장매체는 자기 기록매체, 광 기록매체 및 캐리어 웨이브 매체를 포함한다. 본 발명의 실시예에 따른 사용자 장치의 잠금 상태 해제 방법을 구현하는 컴퓨터 프로그램은 사용자 장치 등의 내장 메모리에 저장 및 설치될 수 있다. 또는, 본 발명의 실시예에 따른 식별을 위해 확장된 영역에 대한 특징을 수집하는 방법을 구현하는 컴퓨터 프로그램을 저장 및 설치한 스마트 카드 등의 외장 메모리가 인터페이스를 통해 단말 등에 장착될 수도 있다.

전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

본 발명은 바운딩 영역을 확장하여 학습 영역을 형성함으로써, 기존에 에러 팩터로 버려지던 내용을 활용하며, 학습한 객체의 특징은 쿼리 생성 시에도 사용될 수 있으므로, 사용자 장치나 서비스 장치 중 임의의 장치에 구성할 수 있다.

100: 객체 관련 영역 200: 식별 대상
300: 바운딩 박스 400: 학습 영역
500: 학습 장치 510: 바운딩 박스 영역 선별부
520: 객체 식별부 530: 데이터베이스
540: 학습 영역 선별부 550: 학습 영역 기준 학습부

Claims (7)

1. 입력 이미지에 포함된 객체의 존재를 검출하고 이를 둘러싸도록 바운딩 박스를 설정하는 바운딩 박스 영역 설정부;
   상기 바운딩 박스의 내부에 위치하는 상기 객체를 식별하는 객체 식별부; 및
   상기 식별된 객체에 근거하여 미리 설정된 비율로 상기 바운딩 박스의 비율을 조정하여 학습 영역을 설정하는 학습 영역 선별부;를 포함하는 것을 특징으로 하는 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치.
2. 제1항에 있어서,
   상기 객체 식별부는 상기 입력 이미지에 미리 설정된 특징 패턴을 적용하여 상기 입력 이미지에 대한 특징 정보를 산출하고, 상기 산출된 입력 이미지에 대한 특징 정보와 미리 학습된 복수의 이미지에 대한 개별 특징 정보 간의 유사도를 각각 확인하고, 상기 확인된 유사도가 미리 설정된 기준값 이상인지 여부를 판단하고, 상기 판단 결과 상기 확인된 유사도가 기준값 이상일 때 상기 입력 이미지 내에 목적으로 하는 객체가 존재하는 것으로 분류하고, 상기 입력 이미지 내에서 상기 객체를 식별하는 것을 특징으로 하는 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치.
3. 제1항에 있어서,
   상기 객체 별로 미리 설정된 비율로 상기 바운딩 박스의 비율을 조정하는 데이터를 저장하는 데이터베이스;를 포함하는 것을 특징으로 하는 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치.
4. 제1항에 있어서,
   상기 학습 영역을 기준으로 상기 객체의 특징을 추출하는 학습 영역 기준 학습부;를 포함하는 것을 특징으로 하는 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 장치.
5. 입력 이미지로부터 객체를 식별하여 바운딩 박스 영역을 선별하는 단계;
   상기 바운딩 박스와 상기 바운딩 박스 내의 상기 객체를 기준으로 확장 영역을 선별하는 단계; 및
   상기 확장 영역을 기준으로 상기 객체의 특징을 추출하여 이를 기반으로 학습 또는 쿼리 제공을 실시하는 단계;를 포함하는 것을 특징으로 하는 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 방법.
6. 제5항에 있어서,
   상기 입력 이미지로부터 객체를 식별하는 단계는,
   상기 객체 식별부를 통해 상기 입력 이미지에 미리 설정된 특징 패턴을 적용하여 상기 입력 이미지에 대한 특징 정보를 산출하는 단계;
   상기 산출된 입력 이미지에 대한 특징 정보와 미리 학습된 복수의 이미지에 대한 개별 특징 정보 간의 유사도를 각각 확인하는 단계;
   상기 확인된 유사도가 미리 설정된 기준값 이상인지 여부를 판단하는 단계;
   상기 판단 결과 상기 확인된 유사도가 기준값 이상일 때, 상기 입력 이미지 내에 목적으로 하는 객체가 존재하는 것으로 분류하는 단계; 및
   상기 입력 이미지 내에서 상기 객체를 식별하는 단계;를 포함하는 것을 특징으로 하는 식별을 위해 확장된 영역에 대한 특징을 수집하는 학습 방법.
7. 제5항 또는 제6항에 따른 방법을 수행하는 컴퓨터 프로그램이 기록된 기록매체.

Images