KR20160083099A

KR20160083099A - 검출 방법 및 그 설비

Info

Publication number: KR20160083099A
Application number: KR1020167015104A
Authority: KR
Inventors: 리 장; 즈창 첸; 창 리; 젠 장; 젠핑 구; 진 추이
Original assignee: 눅테크 컴퍼니 리미티드
Priority date: 2013-11-07
Filing date: 2014-11-07
Publication date: 2016-07-11
Also published as: CL2016000960A1; JP6246355B2; JP2016535888A; US20160335503A1; US10013615B2; WO2015067208A1; CN104636707A; EP3067823A4; CN104636707B; EP3067823A1; KR20180035930A

Abstract

본 발명은 검출 방법 및 그 설비를 제공한다. 상기 방법은, 피검체의 투시 이미지를 취득하는 단계; 투시 이미지를 처리하여 관심영역을 취득하는 단계; 및 담배 모델을 이용하여 관심영역을 자동적으로 검출함으로써, 투시 이미지의 관심영역이 담배에 속하는지를 결정하는 단계를 포함한다. 본 발명은, 화물, 특히 컨테이너에 대하여 스캔을 행하여 담배를 검출하므로, 전통 방식에 의한 검출 누락 및 인공적인 판단 효과가 비교적 떨어지는 문제를 피할 수 있어, 담배 밀수의 단속에 있어서 중요한 의의를 가진다.

Description

검출 방법 및 그 설비 {DETECTION METHOD AND DEVICE}

본 발명의 실시예는 복사 이미지 중의 의심 물품에 대한 자동 검출에 관한 것으로, 구체적으로는 대형 컨테이너의 스캔 시스템에서 담배 검출 방법 및 대응 보안검색 설비에 관한 것이다.

담배의 밀수를 단속하는 것은 극히 중요한 의의가 있다. 담배의 밀수는 세계적으로 마약 밀수에 뒤따르는 두번째로 큰 밀수 활동으로 간주되고 있다. 십여년 이래, 각 나라들에서는 담배의 밀수를 적극적으로 단속하여 왔으나, 밀수된 담배의 양은 여전히 증가하는 추세를 보이고 있다. 밀수된 담배는, 1996년에는 담배 총 판매량의 6.5%를 차지하였다. 그런데 2009년에는 이 수치가 11.6%로 증가하여 6750억 개피에 달하여, 각 나라 정부들에게 4천억 달러의 손실을 입혔다. 또한, 담배 밀수의 위해는, 신체 건강에 위협이 되고 정부의 세금 징수에 손실을 입힐 뿐만 아니라, 범죄 조직, 테러 조직의 자금 출처로 되기도 하며, 심지어는 마약 밀수에도 경비를 제공하고 있다. 유럽 연합은 심지어 “모든 국제 범죄 조직은 모두 담배의 밀수에 참여하고 있다” 라고 선언한다. 담배 밀수의 위해가 날로 악화되는 것은 관련 검출 수단이 부족하여, 범죄자에게 올라탈 수 있는 기회를 제공하고 있음을 반영하는 것이다.

현재, 국제적으로 담배 밀수를 검출하는 효과적인 수단이 부족하다. 비록 담배에 여러가지 유형의 바코드, 워터마크를 이미 대량 사용하고 있으나, 이러한 수단으로는 담배가 통관할 때 효과적으로 검역하기 어려워서 그 효과도 극히 낮다. 연구에 따르면, 담배 밀수는 주로 컨테이너를 이용하여 대량으로 운반되고 있다. 복사 촬상은 화물, 수화물 등을 투시하여 촬상함으로써 비침입성 검출의 목적에 도달한다. 현재 이미 공항, 세관, 기차역, 대규모 집회 장소 등에 널리 적용되고 있는 바, 금지물품의 보안검색 분야에서 가장 중요한 검색수단이다. 컨테이너를 검출하는 과정에서 컨테이너 내 화물의 이미지를 취득하였어도, 화물 종류가 천차만별이고, 검역원의 경험 차이, 밀수 물품의 출현 확률이 또한 비교적 낮아, 인공적인 판단 효과는 이상적이지 않다.

최근, 패턴 인식, 이미지 처리 등 관련 학문 분야의 빠른 발전에 따라, 금지물품에 대한 자동 검출은 업계 및 학계로부터 주목을 받고 있다. 하지만, 현재로 본다면, 대형 컨테이너의 디지털 라디오그래피(DR: Digital Radiography) 이미지 중 자동 검출 관련된 문헌은 여전히 극히 적다. 촬상 수단, 응용 분야, 데이터 소스 등 여러가지 요소들의 제한의 영향으로 인하여, 소형 수화물의 보안검색 설비에 관한 연구가 비교적 많은데, 예를 들면, 듀얼 에너지 DR, 컴퓨터단층촬영(CT: Computed Tomography) 등이 있다. 특히, 폭파물, 총기에 대한 자동 검출은 항공 안전에 직접적으로 관련되므로 더욱 많은 연구자들의 주목을 받고 있다. 담배 밀수라는 이 특정적인 분야에 관하여서는 아직 대응되는 문헌은 공개되어 있지 않다.

물체 검출 (Object Detection)은 현재 컴퓨터 시각 인식, 패턴 인식 분야의 뜨거운 화제이며, 이미지 검색의 발전과 더불어 참고 가능한 연구 성과가 대량으로 제출되고 있다. 특히, HOG(Histogram of Oriented Gradients)특징, DPM(Deformable Part-based Model)에 기초한 알고리즘, Deep Learning 방법의 출현은 물체 검출 효과를 대폭 향상시켰다. 본 발명은 관련 연구에 기초한 것으로, 복사 이미지 중의 담배 모델을 전문적으로 연구하여 비교적 양호한 효과를 취득하였다.

상기 과제에 대하여, 시장의 수요에 따라 본 발명의 실시예에서는 컨테이너 DR 이미지를 기초로 자동 물체 검출과 관련된 연구에 의하여, 새로운 담배 밀수 자동 검출 방법을 제공한다. 이는 컨테이너의 밀수 검사 과정에 있어서, 복사선 스캔 촬상 수단을 사용하여 알고리즘을 통해 자동 검출 이미지에 담배가 존재하는지 아닌지를 자동적으로 검출하는 것을 그 목적으로 한다. 담배가 존재하는 경우, 이미지 중의 담배의 위치를 제공함으로써, 밀수인지 아닌지에 관한 인공적 판단을 보조한다.

인공적 판단을 보조하는 목적을 달성하기 위하여서는, 알고리즘의 성능도 반드시 고려하여야 한다. 검출 알고리즘은 반드시 통지 오류율 및 누락률이 비교적 낮아야 할뿐만 아니라, 실시간 검출에 대한 요구도 만족시켜야 한다. 본 발명의 실시예에서는, 담배 패턴에 대한 전문적인 연구를 통하여 비교적 양호한 효과를 얻었다. 알고리즘의 통지 오류율이 0.5%보다 낮고 누락률이 10%보다 작으며 이를 1초 이내에 계산을 완성할 수 있으므로, 상술한 적용 요구를 만족시킬 수 있다.

또한, 알고리즘은 특정적인 장소에도 적용되도록 자율학습기능을 가지는 것이 바람직하다. 알고리즘은 담배임이 확인되었으나 검출해낼 수 없는 이미지에 대하여 자율학습을 할 수 있어, 담배의 포장이 변화될 때 담배의 패턴 변화의 검출 요구를 만족시킬 수 있다. 여기서, 확인 메커니즘은 담배 이미지에 대한 인공적 입력 및 세관신고서 등에 의한 담배 이미지의 자동 취득 등을 포함한다.

본 발명의 실시예에 의하면, 컨테이너 보안검색 투시 이미지로부터 담배를 자동적으로 검출하는 방법을 제공한다. 상기 방법은: 피검체의 투시 이미지를 취득하는 단계; 상기 투시 이미지를 처리하여 관심영역을 취득하는 단계; 및 담배 모델을 이용하여 관심영역에 대해 자동적으로 검출함으로써, 상기 투시 이미지의 관심영역이 담배에 속하는지를 결정하는 단계를 포함한다.

컨테이너는 그 부피가 비교적 크므로, 실시간으로 검출하기 위해서는, 이미지의 해상도가 크게 높지 않아도 된다. 5mm/픽셀의 이미지를 예로 들면, 대량의 담배는 이미지에서 줄무늬 형상으로 나타나지만, 이 특징이 반영하는 것은 실제 담배 자체가 아니라 담배의 포장을 반영한다. 이런 특징을 나타내는 원인은: 흡연의 위해를 떨어뜨리고 개성화된 포장이 청소년에 대해 흡인력을 나타내는 것을 방지하기 위하여, 세계 각국의 담배 포장이 통일화되는 추세에 있기 때문인데, 이로부터 공교롭게도 효율적인 검출을 위한 조건을 제공하게 되었다. 본 발명에서는 바로 상기 특징을 이용하고 이미지의 취득, 관심영역의 취득, 담배 모델의 구축 및 자동 검출 등 단계를 통하여, 컨테이너에 대한 보안검색 투시 이미지 중의 담배를 정확하고 신속하게 식별한다.

일부 실시예에 의하면, 상기 담배 모델을 이용하여 관심영역을 자동적으로 검출하는 단계 전에, 담배 모델을 구축하는 단계를 더 포함하고, 상기 담배 모델을 구축하는 단계는: 담배 이미지 데이터베이스를 구축하는 단계; 및 상기 담배 이미지 데이터베이스 중의 이미지를 처리하여 각각의 관심영역을 취득하는 단계;를 포함한다.

상기 담배 이미지 데이터베이스 중의 이미지의 관심영역으로부터 특징을 추출하는 단계; 및 추출된 특징에 기초하여 분류기를 훈련시켜 상기 담배 모델을 생성하는 단계를 포함한다.

일부 실시예에 의하면, 상기 담배 이미지 데이터베이스를 구축하는 단계는: 컨테이너 내의 각각의 배열 형식과 수량이 상이한 담배 이미지를 스캔하여 담배 모델의 포지티브 샘플 데이터베이스를 취득하는 단계; 및 담배와 유사한 물체 및 랜덤 물체의 이미지를 샘플링하여, 담배 모델의 네거티브 샘플 데이터베이스를 형성하는 단계를 포함하는데, 상기 네거티브 샘플 데이터베이스 중의 각 이미지들은 모두 담배의 이미지를 포함하지 않는다.

일부 실시예에 의하면, 상기 담배 모델을 구축하는 단계에 있어서, 여러가지 규칙적으로 중첩된 담배의 스캔 이미지는 폭이 상이한 복수 종류의 패턴으로 구획되며, 상기 복수 종류의 패턴에 의하여 상기 담배 모델의 포지티브 샘플 데이터베이스를 생성한다.

일부 실시예에 의하면, 상기 담배 이미지 데이터베이스 중의 이미지의 관심영역으로부터 특징을 추출하는 단계는: 박스를 단위로 하여 담배의 위치를 인공적으로 표식하여 상기 복수의 패턴의 포지티브 샘플의 특징 집합을 형성하는 단계; 및 네거티브 샘플 데이터베이스로부터 복수의 샘플을 랜덤으로 추출하여 특징을 추출함으로써 네거티브 샘플의 특징 집합을 형성하는 단계를 포함한다.

일부 실시예에 의하면, 추출된 특징에 기초하여 분류기를 훈련시키는 단계는: (1)포지티브 샘플과 네거티브 샘플의 특징 집합이 정해진 조건에서, 분류기를 훈련시키는 단계; (2)분류기를 이용하여, 포지티브 샘플과 네거티브 샘플을 분류하는 단계; (3)결과의 신뢰도에 따라, 분류하기 쉬운 네거티브 샘플을 제거하고, 충분한 랜덤 네거티브 샘플을 새로이 추가하는 단계; 및 (4)분류기의 분류 결과의 변화가 충분히 작거나 또는 반복 회수가 충분해질 때까지, 상기 단계(1), 단계(2), 및 단계(3)을 반복하는 단계를 포함한다.

일부 실시예에 의하면, 상기 방법은 담배가 검출되지 않은 이미지에 대하여, 인공적으로 표식 또는 세관신고서에 대한 자동 분석을 통하여, 새로운 담배 이미지를 취득하여 담배 모델을 갱신하는 단계를 더 포함한다.

실제 검출에 있어서, 상이한 검출 환경(예를 들면 스캔 방식, 컨테이너 상태 등이 있으나, 이에 국한되지 않는다), 스캔 설비 및 배열 패턴에 있어, 이미 구축된 모델에 비하여 담배 이미지는 비교적 큰 차이를 보일 수 있다. 본 발명의 방법을 보다 구체적인 검출 환경, 스캔 설비 및 배열 패턴에 적용시키기 위하여, 본 발명의 실시예에 의하면, 상기 방법은 자율학습기능을 더 포함한다. 담배 모델을 부단히 갱신함으로써 상기 방법을 상이한 검출 환경, 스캔 설비 및 보다 많은 포장 형태의 담배에 적용시킨다.

일부 실시예에 의하면, 피검체의 투시 이미지를 취득하는 단계에 있어서, 이미지의 사이즈를 균일한 해상도로 축소하고 계조를 확장함으로써, 이미지값 영역이 전체의 가능한 값 취득 범위에 충만하게 분포되도록 하여 정규화 조작을 행한다.

일부 실시예에 의하면, 상기 투시 이미지를 처리하여 관심영역을 취득하는 단계에 있어서, 상기 투시 이미지 중의 공기 부분을 제거하여 공기 노이즈에 의한 영향이 검출 결과에 반영되지 않도록 한다.

일부 실시예에 의하면, 상기 투시 이미지를 처리하여 관심영역을 취득하는 단계에 있어서, 공기 휘도 문턱값 방법을 통하여, 공기값으로 상기 투시 이미지를 이진화하여, 문턱값 이하의 이미지 부분에 대하여서만 담배 검출을 행한다.

일부 실시예에 의하면, 상기 담배 모델을 이용하여 관심영역을 자동적으로 검출하는 단계는: 검출하려는 이미지를 결정하고 정규화 및 관심영역을 취득하는 것을 통하여 관심영역의 HOG특징을 생성하는 단계; 슬라이딩 윈도우를 이용하여 순회하여, 여러 종류의 패턴하에서의 각 윈도우의 최대 신뢰도를 구하는 단계; 및 신뢰도가 특정 문턱값보다 큰 부분을 담배의 위치라 판단하는 단계를 포함한다.

일부 실시예에 의하면, 복수의 척도 하에서 담배를 검출한다.

본 발명의 실시예에서는 검출 설비를 더 제공하는데: 피검체에 대하여 복사선 검출을 행하여 피검체의 투시 이미지를 취득하는 디지털 복사 촬상 장치; 및 상기 투시 이미지를 처리하여 관심영역을 취득하며, 담배 모델을 이용하여 관심영역을 자동적으로 검출함으로써, 상기 투시 이미지의 관심영역이 담배에 속하는지를 결정하는 이미지 처리 장치를 구비한다.

일부 실시예에 의하면, 상기 설비는 담배의 밀수를 자동적으로 검출하는데 사용된다.

본 발명의 실시예는, 화물, 특히 컨테이너의 스캔 이미지로부터 담배를 검출하여, 전통 방식에 의한 검출 누락 및 인공적인 판단 효과가 비교적 떨어지는 문제를 피할 수 있어, 담배 밀수를 단속함에 있어서 중요한 의의를 가진다. 본 발명은 본 분야에서 검출 알고리즘에 의해 담배 밀수를 자동적으로 판단하는 방안을 최초로 제공하였으며 뛰어난 성능 및 실용성을 가진다는 것을 이미 실제 검증받은 바이다.

아래에 설명하는 실시예를 통해, 본 발명의 이러한 면과 기타 면은 명확하게 설명된다. 도면은 다음과 같다:
도 1은 본 발명의 실시예에 따른 검출 설비를 보이는 구조의 개략도이다.
도 2는 본 발명의 실시예에 따른 검출 설비를 나타내는 구조의 블록도이다.
도 3은 본 발명의 실시예에 따른 담배 자동 검출 방법을 나타내는 흐름도이다.
도 4는 본 발명의 실시예에 따른 담배 모델을 구축하는 단계를 나타내는 흐름도이다.
도 5는 담배의 여섯가지 배열 방식을 나타낸다.
도 6은 컨테이너 중의 담배를 스캔하는 것을 나타내는 개략도이다.
도 7은 담배 이미지의 세가지 패턴을 나타낸다.
도 8은 본 발명의 실시예에 따른 자동 검출 단계를 나타내는 흐름도이다.
도 9는 본 발명의 실시예에 따른 담배의 검출 결과를 나타내는 개략도이다. 그리고,
도 10은 본 발명의 실시예에 따른 자율학습 단계를 나타내는 흐름도이다.

아래 본 발명의 구체적인 실시예를 상세히 설명하며, 주의할 것은, 여기에서 설명하는 실시예는 예시적인 것일 뿐 본 발명을 제한하기 위한 것이 아니라는 것이다. 아래의 설명에 있어서 본 발명에 대한 철저한 이해를 돕기 위하여 많은 부분에 대해 특정 세부사항을 설명하였다. 하지만, 본 분야의 통상의 기술자들은 이러한 특정 상세한 부분을 채용하지 않아도 본 발명을 실시할 수 있다는 것을 쉽게 이해할 수 있을 것이다. 기타 실시예에 있어서, 본 발명의 취지를 흐리지 않도록, 공지 회로, 재료, 또는 방법에 대해서는 구체적인 설명을 생략하기로 한다.

전체 명세서에 있어서, “일 실시예”, “실시예”, “하나의 예”, 또는 “예”에 대한 언급 및 의미는: 그 실시예 또는 예와 결합하여 설명하는 특정 특징, 구조, 또는 특성들이 본 발명의 적어도 하나의 실시예에 포함된다는 것을 의미한다. 따라서 명세서의 각 부분에서 나타나는 단축 용어, “일 실시예에 있어서”, “실시예에서”, “일 예에 있어서” 또는 “예”는 동일한 실시예 또는 예시적인 예에 국한되지 않는다. 또한, 임의의 적절한 조합 및/또는 서브 조합들은 특정 특징, 구조 또는 특성들을 하나 또는 복수개의 실시예 또는 예시로부터 조합하여 사용될 수 있다. 또한, 본 분야의 통상의 기술자들은, 여기에 제공된 도면들은 모두 설명의 목적을 달성하기 위한 것이며 반드시 비례적으로 도시되어 있는 것은 아니라는 것을 이해할 수 있을 것이다. 또한, 한 소자가 다른 소자에 “결합” 또는 “연결”된다는 것은, 다른 소자에 직접 결합 또는 연결될 수도 있고 중간 소자가 존재할 수도 있다는 것을 이해할 수 있을 것이다. 이와 반대로, 한 소자가 다른 소자에 “직접 결합” 또는 “직접 연결”된다는 것은, 중간 소자가 존재하지 않는다는 것을 말한다. 동일한 부호는 동일한 소자를 표시한다. 여기에서 사용되는 용어, “및/또는”은 하나 또는 복수 개의 관련 항목의 임의의 조합 및 모든 조합을 포함한다는 것을 이해할 수 있을 것이다

아래, 도면을 참조하여, 본 발명의 이동대상에 대하여 촬상 검출을 행하는 설비를 설명한다. 도면에 도시된 바와 같이, 컨테이너 검출 설비를 일 실시예로 하여 설명한다. 아래의 설명은 실시예를 조합하여 본 발명을 설명하는 것에 불과한 바, 본 발명을 하기 내용에 한정하려는 것은 아니다.

본 발명의 일부 실시예에서는, 담배 밀수를 자동적으로 검출할 수 없었던 종래 기술 중의 과제에 대하여 검출 방법을 제공한다. 당해 방법에 의하면, 우선 피검체의 투시 이미지를 취득한다. 그런 다음, 상기 투시 이미지를 처리하여 관심영역을 취득한다. 다음, 담배 모델을 이용하여 관심영역을 자동적으로 검출하여, 상기 투시 이미지의 관심영역이 담배에 속하는지를 결정한다. 이와 같이, 컨테이너 차량과 같은 이동대상(검출 물체)을 검출할 때, 차량에 담배 밀수가 존재하는지 아닌지를 자동적으로 검출하고, 이미지 검출담당자에게 통지하거나 이미지 상에 담배의 위치 결정을 정확하게 행할 수 있다.

도 1은 본 발명의 일 실시 형태에 의한 검출 설비를 나타내는 도면이다. 도 1에 도시된 바와 같이, 복사선 소스(110)는, X 복사선을 발생하고, 콜리메이터(120)에 의하여 보정되어, 이동하는 컨테이너트럭(140)에 대하여 보안검색을 행하고, 검출기(150)는 트럭을 투과한 복사선을 수신하여 투사이미지를 생성한다. 상기 검출을 행하는 동시에, 컴퓨터 등 이미지 처리 장치(160)를 더 이용하여 투사이미지를 처리하여, 담배가 있는지 없는지를 판단한다. 일부 실시예에 의하면, 담배가 있다고 판단된 경우, 이미지상에 표식하거나, 검출담당자에게 당해 컨테이너트럭에 담배가 있다는 것을 통지한다.

도 2는 본 발명의 실시예의 검출 설비의 배치도이다. 도 2에 도시된 바와 같이, 예를 들면, 가속기(210)의 복사선 소스 및 검출기(250)는 하드웨어이고, 데이터 수집 및 제어모듈(251)은 검출기(250)에 연결되어 제어하고, 제어장치(211)는 가속기(210)에 연결되어 가속기(210)로부터의 빔 출력을 제어한다.

이미지 검출 스테이션(280) 및 운행 검출 스테이션(270)은 스캔 설비와 협업하는 워크 스테이션으로서, 교환기(260)를 경유하여 데이터 수집 및 제어 모듈(251)에 연결되어 통신하고, 이미지의 판단 결과는 프린터(290)에 의해 인쇄될 수 있다. 스캐너(271)는, 운행 검출 스테이션(270)에 연결되어 세관신고서 데이터 등 기타 정보를 입력하기 위한 것이다. 기타 실시예에 있어서, 예를 들면, 키보드 류 등 기타 입력장치를 사용하여 정보를 입력할 수도 있다.

일부 실시예에 있어서, 상술한 설비를 이용하여, 가속기(210)는 X선을 발생하고, 피검체(240)를 투과한 X선은 검출기(250)에 수신되어 피검체에 대하여 투사 촬상을 행한다. 예를 들면, 컴퓨터 류 등 이미지 처리 장치(예를 들면, 이미지 검출 스테이션(280))를 사용하여 투사이미지를 처리하여, 담배가 있는지 없는지를 판단한다. 일부 실시예에 의하면, 담배가 있다고 판단된 경우, 이미지에 표식하거나, 검출담당자에게 당해 컨테이너 트럭에 담배가 있다는 것을 통지한다. 이와 같이, 차량과 같은 이동하는 대상을 검출하는 경우, 담배가 존재하면, 당해 대상의 이미지 상에 이를 정확하게 위치 결정할 수 있다.

도 3은 본 발명의 실시예에 따른 컨테이너의 보안검색 투시 이미지에 대한 담배 자동 검출 방법을 나타낸다. 도 3에 도시된 바와 같이, 단계(S301)에서, 피검체의 투시 이미지를 취득한다. 단계(S302)에서, 투시 이미지를 처리하여 관심영역을 취득한다. 그리고, 단계(S303)에서, 담배 모델을 이용하여 관심영역을 검출함으로써 상기 투시 이미지의 관심영역이 담배에 속하는지를 결정한다. 일부 실시예에 의하면, 상기 자동 검출 방법은, 검출 대기 이미지로부터의 특징 추출, 판단, 의심 영역에 대한 표식 등을 포함한다.

이하, 상기 방법의 각 단계들을 실현하는 방식을 상세히 설명하기로 한다. 통상의 기술자들은, 이하의 개시는 예시적인 것일 뿐 본 발명을 제한하기 위한 것이 아님을 이해할 수 있을 것이다.

이미지 취득

서로 다른 스캔설비는, 복사선 소스의 에너지/복사량의 차이 및 검출기의 사이즈가 서로 다르므로, 취득되는 이미지도 서로 다르다. 우선, 이미지에 대하여 정규화 처리를 행함으로써 그 차이를 감소시키는 것이 바람직하다.

컨테이너는 부피가 비교적 크므로, 실시간으로 검출하는 경우, 이미지의 해상도가 많이 높지 않아도 된다. 5mm/픽셀의 이미지를 예로 들면, 대량의 담배는 이미지에서 줄무늬 형상을 나타내고, 이 특징이 반영하는 실제는 담배 자체가 아니라 담배의 포장이다. 이런 특징을 생성하는 원인은: 흡연의 위해를 떨어뜨리고, 개성화된 포장이 청소년에 대해 흡인력을 나타내는 것을 방지하기 위해, 세계 각 국의 담배 포장은 동일화 추세에 있기 때문인데, 이는 공교롭게도 효과적인 검출을 위해 조건을 제공하였다. 따라서, 일반성을 잃지 않고, 이미지의 사이즈를 예를 들면 약 5mm/픽셀의 균일한 해상도로 축소하고 계조를 확장함으로써, 이미지값의 범위가 전체적으로 가능한 값 취득 범위에 분포되도록 하여 정규화 조작을 완성한다.

이상 열거한 이미지의 화소 해상도는 5mm/픽셀이나, 본 분야의 기술자들은 상술한 해상도가 유일한 선택이 아니며, 담배 포장의 실제 사이즈에 따라 상술한 해상도를 적절하게 수정할 수 있다는 것을 이해할 수 있을 것이다.

관심영역 추출

검출을 행하기 전에, 바람직하게는 이미지 중의 공기 부분을 제거하여 공기의 노이즈에 의한 영향이 검출 결과에 반영되지 않도록 한다. 선택 가능하게, 공기 휘도 문턱값 방법을 채용하여, 공기값으로 이미지를 이진화할 수 있다. 예를 들면, 공기의 휘도 문턱값을 미리 설정하고, 휘도가 상기 휘도 문턱값을 초과하는 영역을 공기 영역으로 할 수 있다. 따라서, 문턱값 이하의 이미지 부분에 대하여서만 담배의 검출을 행하면 된다.

모델 구축

물체에 대한 검출은 주로 슬라이딩 윈도우(Sliding Window)에 의한 방법과, 서브 영역(Sub Region)에 의한 방법 이 두가지를 포함한다. 전자는 순회 방식을 채용하여 고정 사이즈의 윈도우로 이미지의 각 척도 상에서 슬라이드함으로써, 각각의 화소가 각 척도에서 대상물체인지 아닌지를 계산한다; 후자는 이미지 분할 등 방법을 채용하여 이미지 중의 비고정 형상의 서브 영역으로부터, 특징 추출 및 대상검출을 행한다.

발명자의 대비 연구에 의하면, 슬라이딩 윈도우 방법은 계산량이 서브 영역의 방법보다 훨씬 크나 정밀도가 아주 높다. 따라서, 본 발명의 실시예에 있어서, 슬라이딩 윈도우 방법을 사용하는 것이 바람직하다.

도 4에 도시된 바와 같이, 상기 담배 모델을 구축하는 단계는: 담배의 이미지 데이터베이스를 구축하는 단계(S401); 관심영역을 취득하는 단계(S402); 특징을 추출하는 단계(S403); 및 분류기를 훈련시켜 담배 모델을 생성하는 단계(S404);를 포함한다.

담배 모델은 담배의 이미지 패턴을 모델화한 것이므로, 이미지 패턴을 추출하는 것은 알고리즘의 중점 내용이다. 일반성을 잃지 않고, 담배의 포장 형식, 배열 방법 및 수량의 상이성으로 인해 담배 이미지에는 차이가 초래된다. 여기서, 포장 형식의 통일화는 이 과제를 간단하게 하는 바, 소량의 패턴만으로도 대부분의 상황을 총괄할 수 있으며; 수량의 차이는 이미지의 계조, 줄무늬 강도의 변화를 초래하는데, 이는 특징 추출의 알고리즘으로 극복하여야 하고; 배열 형식에 의한 영향은 아주 큰데, 발명자는 이들을 세가지 패턴으로 분류하였다. 일반성을 잃지 않고, 담배의 가능한 배열 형식은 도 5의 여섯가지 배열 형식 중의 임의의 하나이다. 컨테이너에 대한 스캔은 기본적으로 부채꼴 형의 복사선 빔을 사용하므로(도 4를 참조), 가로 방향의 엣지는 복사선 방향에서 입체적으로 중첩되고, 그 결과 담배는 폭이 상이한 세로 줄무늬 형상을 나타낸다. 발명자의 연구에 의하면, 담배의 세로 줄무늬 형상은 도 7에 나타내는 세가지 패턴으로 종합할 수 있다. 즉, 도 5(a) 및 도 5(ｄ)는 도 7(a)에 나타내는 넓은 줄무늬 형상을 생성하고, 도 5(ｂ) 및 도 5(e)는 도 7(ｂ)의 약간 좁은 줄무늬 형상을 생성하며, 도 5(ｃ) 및 도 5(ｆ)는 도 7(ｃ)의 좁은 줄무늬 형상을 발생한다. 상술한 분석을 기초로, 발명자는 상이한 배열 형식 하에서의 세가지 담배 패턴을 제공하여, 알고리즘을 통하여 모델을 구축하였다. 본 발명은, 상술한 세가지 패턴의 특징을 이용하여, 모델을 구축한 다음, 초기의 인공적인 표식에 의존하지 않고 자동적으로 훈련 및/또는 학습을 행할 수 있어, 인력 비용을 대폭 절감함과 동시에, 검출 효율 및 정확도를 향상시킬 수 있다. 본 분야의 기술자들은, 기타 실시예에 있어서, 보다 많은 배열 형식에 의하여 기타 패턴을 발생하여도 된다는 것을 이해할 수 있을 것이다.

모델은 특징 추출의 알고리즘 및 분류기를 포함한다. 상술한 분석에 의하면, 모델을 구축하는 과정은 아래와 같다:

(A) 담배 검출 데이터베이스를 구축한다. 많은 수량의 담배 이미지를 수집함으로써, 여섯가지 배열 형식이 균일하게 분포되도록 하고; 수량은 최소로 1박스, 최대로 컨테이너의 전체 폭을 차지하도록 균일하게 분포시킨다. 스캔하여 얻어지는 2차원 이미지에서, 박스를 단위로 사각형의 담배 영역을 인공적으로 표식한다. 표식된 사각형 중의 모든 이미지는 포지티브 샘플 데이터베이스를 형성한다. 또한, 기타 여러가지 유형의 화물을 랜덤으로 스캔하여, 네거티브 샘플 데이터베이스를 형성한다;

(B) 단계(A)에서 취득한 모든 담배 영역의 이미지로부터 특징을 추출하여, 세가지 패턴 하의 세개의 특징 집합을 형성한다;

(C) 네거티브 샘플로부터 샘플량이 충분히 많은 네거티브 샘플 집합을 랜덤으로 세개 선택하여 특징을 추출한다;

(D) 단계(B) 및 (C)로부터 얻은 포지티브, 네거티브 샘플에 대하여, 분류기를 훈련시킨다;

(E) 기계학습, 패턴 인식 분야의 종래의 알고리즘을 통하여 분류기를 최적화할 수 있다. 예를 들면, Boosting 사상을 기초로, 분류하기 쉬운 샘플을 부단히 폐기하고 새로운 랜덤 샘플을 추가하여, 통지 오류율이 충분히 낮아질 때까지 또는 알고리즘이 수렴할 때까지 단계(C) 및 단계(D)를 반복하여 분류기를 얻는다.

(F) 종래의 알고리즘을 통하여 포지티브 샘플의 위치를 조정하여 인공적 표식의 오차에 의한 영향을 감소시킬 수 있다. 예를 들면, DPM 중의 잠재적 변수 모델링 사상을 기초로, 인공적으로 표식된 위치가 정확하지 않다고 가정할 경우, 단계(D)에서 분류기를 얻은 후, 단계(A) 중의 포지티브 샘플의 위치를 일정하게 시프트시켜 분류기에 의한 포지티브 샘플의 위치를 취득하고, 단계(B)～단계(E)를 반복함으로써, 최적화된 분류기를 얻는다.

본 발명에 있어서, 담배 모델의 구축은, 담배의 자동 검출과 별도로 행하여도 되는데, 즉 담배 모델을 구축한 다음, 이미 구축된 담배 모델을 이용하여 투시 이미지에 대하여 자동으로 담배 검출을 행할 수 있다.

자동 검출 과정

도 6은 담배를 검출하는 과정을 나타내고, 담배는 복사선 소스에 대하여 상대적으로 운동하여 투사 이미지를 발생한 다음 자동 검출을 행한다. 실제로, 자동 검출 과정은 모델을 구축하는 과정의 서브집합이다: 도 8에 도시된 바와 같이, 단계(S801)에 있어서, 검출 대기 이미지를 입력한다. 단계(S802)에 있어서, 검출 대기 이미지로부터 특징을 추출한다. 일부 실시예에 의하면, 이 과정에 있어서, 이미지를 처리하여 관심영역을 취득하여도 된다. 단계(S803)에 있어서, 담배 모델을 이용하여, 검출 대기 이미지에 대하여 모든 관심영역 내의 화소 포인트들을 순회하여, 해당 포인트의 주변 영역의 이미지를 추출하고, 특징을 추출하며, 분류를 판단함으로써, 해당 포인트가 담배의 영역인지 아닌지를 판단하고 그 결론의 신뢰도를 취득한다. 단계(S804)에 있어서, 담배가 존재하는지 아닌지를 판단한다. 담배가 존재하는 경우, 단계(S805)에 있어서, 각각의 화소들이 담배 의심 영역인지 아닌지에 관한 결과를 취득한 다음, 연통 영역을 추출함으로써, 담배 영역을 취득한다. 담배가 존재하지 않을 경우, 단계(S806)에 있어서, “검출되지 않음”을 출력하거나, 검출 대기 이미지를 폐기한다. 도 9는 사각형으로 담배를 검출한 것을 표식한 개략도를 나타낸다.

자율학습 과정

상이한 검출 환경, 스캔 설비 및 보다 많은 포장 형식의 담배에 적용할 수 있도록, 알고리즘은 자율학습기능을 구비하는 것이 바람직하다. 자율학습에 사용되는 알고리즘은, 모델 구축 시에 사용되는 것과 기본적으로 일치하는 바, 다만 검출 과정에서 포지티브 샘플 만을 취득한다는 점이 다르다(도 10을 참조).

도 10은 본 발명의 실시예에 따른 자율학습의 흐름도를 나타낸다. 도 10에 도시된 바와 같이, 단계(S1001)에 있어서, 검출 대기 이미지를 입력한다. 단계(S1002)에 있어서, 검출 대기 이미지로부터 특징을 추출한다. 일부 실시예에 의하면, 이 과정에서는, 이미지를 처리하여 관심영역을 취득할 수도 있다. 단계(S1003)에 있어서, 담배 모델을 이용하여 검출을 행한다. 단계(S1004)에 있어서, 담배가 존재하는지 아닌지를 판단한다. 담배가 존재하는 경우, 단계(S1005)에 있어서, 각각의 화소들이 담배 의심 영역인지 아닌지에 관한 결과를 취득한 다음, 연통 영역의 추출을 통하여, 담배의 영역을 취득한다. 단계(S1006)에 있어서, 검출 과정에서, 알고리즘이 담배를 검출하지 못한 것이 인공적으로 발견되고, 이를 표식하면, 알고리즘은 표식된 영역을 포지티브 샘플에 추가하고, 단계(S1007)에 있어서, 다시 훈련시키거나 또는 학습의 양을 늘림으로써, 갱신된 모델을 취득한다. 하지만, 이로부터 얻은 모델을 이용하여도 추가된 샘플을 여전히 검출할 수 없다면, 이번의 갱신을 포기한다.

또한, 세관신고서에 대한 자동적인 분석 (예를 들면, 전자식 세관신고서 중의 키워드 또는 문자 인식)을 통하여, 어느 한번의 스캔 이미지에 담배가 포함되어 있다는 것을 파악했을 경우, 알고리즘은 검출 과정에서 얻은 신뢰도 맵으로부터, 점수가 가장 높은 영역을 선택하고 이를 담배로 내정하여 훈련을 거듭한다. 그러나 얻어지는 모델을 이용하여도 이번 스캔에서 여전히 담배를 검출할 수 없다면, 이번의 갱신을 포기한다.

실예

이상의 설명에 의하면 상술한 방법의 일반 형식을 나타내며, 구체적인 알고리즘의 실시에 대하여서는 기존의 여러 알고리즘으로부터 선택하여 실현하면 된다. 예를 들면, 상술한 HOG, DPM, Deep Learning은 모두 본 발명에 직접 적용될 수 있는 바, 포지티브 샘플네거티브 샘플에 대한 특징 추출, 분류를 통하여 검출 기능을 실현할 수 있다. 구체적으로는, 이미지 특징 추출 방면에 있어서, 예를 들면 HOG, LBP(Local Binary Pattern), MR8(Maximum Response Sets)과 같은 구배에 기초한 기술인자, 텍스톤 기술인자 등을 사용할 수도 있고, 별도로 BOW(Bag of Words), 텍스톤 표현(Texton), 스파스 표현(Sparse Representation)등을 사용하여 구조화 특징 처리를 행하여도 된다; 분류기는, 예를 들면 Fisher 분류기, SVM(Support Vector Machine), 부스팅(Boosting), 랜덤 포레스트, 다층 퍼셉트론 등과 같은 각 종 선형, 비선형, 집적 분류기, 신경망을 사용할 수 있다.

일반성을 잃지 않고, 여기서는 어느 한번의 구체적인 알고리즘을 사용한 실시예를 개시한다. 그러나 통상의 기술자들은 본 발명의 시사에 따라 본 발명의 취지를 이탈하지 않는 범위 내에서, 실시예의 구체적인 알고리즘을 변화 또는 대체하여도 된다는 것을 이해할 수 있을 것이다.

1. 이미지 취득

본 발명의 알고리즘은 각종 대형 화물/컨테이너의 스캔 설비에 보편적으로 적용된다. 알고리즘의 유효성을 확보하기 위하여, 이미지를 취득할 때 이미지를 정규화할 필요가 있다. 원래의 2차원 이미지의 신호를 X로 하고, 스캔 설비의 물리적 파라미터에 따라 X의 해상도를 5mm/픽셀로 축소하고 계조를 확장함으로써, 정규화된 이미지

를 취득한다.

2. 관심영역 (ROI: Region Of Interest) 추출

중의 공기 부분을 검출하고 이를 검출 과정에서 배제한다. 공기 부분을 배제하는 것은, 계산 속도를 향상시킬 수 있을 뿐 만 아니라, 공기에 의한 오류를 피할 수 도 있다.

의 히스토그램을 통계로 하여 가장 밝은 피크(a)를 계산하여, 이를 중심으로 하는 공기 정규 분포(a，σ_a)를 피팅하여, 문턱값을 t_a＝a－3*σ_a로 한다.

중에서 문턱값(t_a)보다 큰 화소는 공기로 간주하며 이에 대하여서는 검출을 행하지 않는다.

3. 모델 구축

(A)담배의 검출 데이터베이스 구축

컨테이너 중의, 각 배열 형식, 서로 다른 수량 하에서의 담배 이미지를 스캔하여, 담배 이미지 데이터베이스｛

｝를 취득한다. 이미지 양이 100 폭 정도이면 실용성 요구를 만족시킬 수 있다. 유사한 물체 및 랜덤 물체를 샘플링하여, 네거티브 샘플 데이터베이스{Y}를 형성하고, 네거티브 샘플 {Y} 중의 모든 이미지는 담배를 포함하지 않는다.

(B)포지티브 샘플로부터의 특징 추출

박스를 단위로 하여, 담배의 위치를 인공적으로 표식하고, 세가지 패턴 하에서의 포지티브 샘플 데이터베이스 P＝P₁∪P₂∪P₃＝｛I_1m，m∈［1，M］｝∪ ｛I_2n，n∈［1，N］｝∪｛I_3k，k∈［1，K］｝를 형성한다. 여기서, P_i＝｛I_ij｝는, 패턴(i) 하에서 얻어지는 포지티브 샘플 데이터베이스를 나타내고, 각각의 이미지 I_ij는 ｛

｝ 중의 이미지의 일부이다. 포지티브 샘플 데이터베이스 중의 각 이미지들에는 담배만 포함되며, M， N， K 각각은 세가지 패턴의 샘플 양이고, m， n， k는 범위가 각각 ［1，M］，［1，N］，［1，K］인 변수이다. 상술한 세가지 종류의 담배 패턴에 대하여 별도로 훈련시키는 것이 바람직하므로, 샘플의 양을 나타내는 M， N， K가 동일하지 않아도 된다. 그러나, 어느 정도의 성능에 도달하기 위하여서는, 세가지 패턴의 샘플 양이 거의 일치한 것이 바람직하다.

I_ij의 특징을 추출한다. 일반성을 일지 않고, 본 실시예에서는 HOG특징을 사용한다. 그러나 통상의 기술자들은 본 발명의 시사 하에, 기타 공지의 방법을 사용하여 특징을 추출할 수도 있다는 것을 이해할 수 있을 것이다. 특징을 추출한 후, 2차원 이미지(I_ij)를 고차원 벡터(F_ij)로 변환시킨다. 샘플데이터베이스(P)를, 특징 데이터베이스인 F＝｛F_1m｝∪｛F_2n｝∪｛F_3k｝로 변환시킨다.

세가지 패턴은 별도로 훈련될 수 있으므로, 아래에서는 하나의 패턴으로 훈련시키는 것 만을 예시한다.

(C)네거티브 샘플로부터 특징을 랜덤으로 추출

{Y}로부터 충분한 양의 샘플을 랜덤으로 추출하여 특징을 추출함으로써 네거티브 샘플의 특징 집합{N}을 형성한다. HOG 알고리즘에 있어서, 특징의 차원은 이미지의 크기에 의하여 결정되므로, 세가지 패턴 하에서의 차원은 상이하다는 것에 주의하여야 한다. 네거티브 샘플로부터의 추출은, 상이한 패턴에 하에서 영역의 크기가 상이하다.

(D)포지티브 샘플 집합 및 네거티브 샘플 집합이 정해진 조건에서, 분류기(C)를 훈련시킨다. 훈련방법은, 패턴을 인식하는 각 류의 종래의 알고리즘을 사용할 수 있다. 일반성을 잃지 않고, 본 실시예에서는 오픈소스툴(Open Source tools)인 LIBSVM을 사용하여 분류기(C)를 훈련시킬 수 있다.

(E)분류하기 어려운 샘플을 선택하여 분류기를 최적화

분류기(C)를 이용하여, 샘플을 포지티브 샘플과 네거티브 샘플로 분류한다. 결과의 신뢰도에 따라, 분류하기 쉬운 네거티브 샘플을 제거하고, 충분한 양의 랜덤 네거티브 샘플을 추가한다. 그리고, 분류기의 변화가 충분히 작거나 또는 반복 회수가 충분해질 때까지, 단계(D)와 단계(E)를 반복한다.

(F)포지티브 샘플을 조정하여 분류기를 최적화

단계(B) 중의 인공적인 표식은 비교적 큰 오차를 초래하여 담배 줄무늬 형상의 상대적 위치가 불명확해지게 된다. 이러한 요소의 영향을 감소하기 위하여, 분류기(C)를 사용하여, 단계(B) 중의 I_ij 이미지의 주변을 검출하여 I_ij의 최적 위치를 찾아, I_ij를 I_ij ^′로 갱신한 다음, 분류기의 변화가 충분히 작거나 또는 반복 회수가 충분해질 때까지, 단계(C)～단계(F)를 반복한다.

4. 검출

검출하려는 이미지를 규정하고, 정규화 및 ROI 추출을 통하여, ROI 영역의 HOG 특징(H)을 생성한다. 슬라이딩 윈도우가, H를 순회하도록 하여, 세가지 패턴 하에서의 각각의 윈도우의 최대 신뢰도를 구한다. 신뢰도가 소정의 문턱값보다 큰 부분은 담배의 위치이다.

검출 효율을 향상시키기 위하여, 복수의 척도(즉, 상이한 축소 비례)로 담배를 검출하여도 된다. 예를 들면, ［0.9，1.0，1.1］ 이 세가지 척도로 상기 투시 이미지를 검출함으로써, 담배의 배열에 일정한 위치 편이가 존재하는 문제를 비교적 양호하게 해결할 수 있다.

통지 오류율을 감소시키기 위하여, 검출 결과를 후처리하여 노이즈를 제거하여도 된다. 예를 들면, 상기 신뢰도 맵에 대하여 중간값 필터 처리를 행하거나 또는, 상기 신뢰도 맵에 대하여 이진화 처리를 행한 다음 연통 영역 면적에 대해 필터 처리 등을 행하여도 된다.

또한, 실시간 검출을 위하여 균일/랜덤 샘플링 방법을 통하여, 이미지의 일부에 대하여서만 검출을 행하여도 된다. 실제로, HOG와 같은 대다수 특징 추출 알고리즘은 중첩하지 않는 윈도우를 사용하여, 윈도우로 부근 영역의 화소를 대체하여 면 대신 포인트를 사용함으로써, 근사화하면서 순회하는 효과를 달성한다.

5. 자율학습 과정

자율학습은 모델의 갱신 전략과 관련된다. 자율학습에 사용되는 알고리즘은 모델을 구축할 때 사용된 것과 기본적으로 일치하는데, 검출 과정에서 포지티브 샘플만을 취득한다는 점이 상이하다(도 10을 참조).

검출 과정에서, 알고리즘에 의하여 담배가 검출되지 않은 것을 인공적으로 발견하고 이를 표식하면, 알고리즘은 표식된 영역을 포지티브 샘플에 추가하여 다시 훈련하거나 또는 학습의 양을 늘려서 학습함으로써, 갱신된 모델을 취득한다. 그러나, 얻은 모델을 이용하여도, 추가 직후의 샘플을 여전히 검출할 수 없을 경우, 이번의 갱신을 포기한다.

또한, 세관신고서에 대한 자동 분석(예를 들면, 전자식 세관신고서 중의 키워드 또는 문자 인식)을 통하여, 어느 한번의 스캔 이미지에 담배가 포함되어 있다는 것을 파악한 경우, 알고리즘은 검출 과정에서 얻은 신뢰도 맵으로부터 점수가 가장 높은 영역을 선택하고, 이를 담배로 디폴트하여 다시 훈련시킨다. 그러나 얻은 모델을 이용하여도, 이번 스캔에서 담배를 검출할 수 없다면, 이번 갱신을 포기한다.

이상의 상세한 설명에서는 개략도, 흐름도 및/또는 예시를 통하여, 담배를 자동으로 검출하는 방법과 설비에 관한 많은 실시예를 설명하였다. 이러한 개략도, 흐름도 및/또는 예시가 하나 또는 복수 개의 기능 및/또는 조작을 포함하는 경우, 본 분야의 기술자들은, 이러한 개략도, 흐름도, 또는 예시 중의 각 기능 및/또는 조작은 여러가지 구조, 하드웨어, 소프트웨어, 펌 웨어 또는 실질적으로 이들의 임의 조합으로 개별적으로 및/또는 공통으로 실현될 수 있다는 것을 이해할 수 있을 것이다. 일 실시예에 있어서, 본 발명의 실시예에서 설명한 상기 주요 과제의 일부는 주문형 반도체(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 디지털 신호 처리 프로세서(DSP) 또는 기타 집적 포맷에 의해 실현될 수 있다. 그러나 본 분야의 기술자들은 여기에서 개시된 실시예의 일부가 전체적 또는 부분적으로 집적 회로에 의해 동등하게 실현 가능하고, 하나 또는 복수 개의 컴퓨터에서 실행되는 하나 또는 복수 개의 컴퓨터 프로그램(예를 들면, 하나 또는 복수 개의 컴퓨터 시스템에서 운행되는 하나 또는 복수 개의 프로그램)에 의해 달성될 수도 있고, 하나 또는 복수 개의 프로세서에서 운행되는 하나 또는 복수 개의 프로그램(예를 들면, 하나 또는 복수 개의 마이크로 프로세서에서 운행되는 하나 또는 복수 개의 프로그램)에 의해 실현될 수도 있으며, 펌 웨어에 의해 실현될 수도 있으며, 또는 실제로 상술한 방식의 임의의 조합에 의해 실현될 수도 있다는 것을 이해할 수 있을 것이며. 또한 본 분야의 기술자들은 본 개시를 기초로 회로 설계 및/또는 소프트웨어 기입 및/또는 펌 웨어 코딩 능력을 가질 수 있을 것이다. 또한 본 분야의 기술자들은, 본 개시의 상술한 과제의 메커니즘은 여러가지 형태의 프로그램 제품으로 발행할 수 있을 뿐만 아니라, 발행된 신호를 실제 저장하는 매체의 구체적인 유형에 관계 없이 모두 본 개시의 상술한 과제의 예시적인 실시예가 적용된다는 것을 이해할 수 있을 것이다. 신호를 저장하는 매체는 예를 들면, 플로피 디스켓, 하드 디스크 드라이버, 콤팩트 디스크(CD), 디지털 비디오 디스크(DVD), 디지털 자기 테이프, 컴퓨터 메모리 등과 같은 기록 가능형 매체; 및, 디지털 및/또는 아날로그 통신 매체(예를 들면, 광 파이버 케이블, 도파관, 유선 통신 링크, 무선 통신 링크 등)와 같은 운반형 매체를 포함하나 이에 한정되는 것은 아니다.

비록 일부 전형적인 실시예를 참조하여 본 발명을 설명하였으나 여기에서 사용되는 용어들은 설명을 위한 예시적인 것으로 본 발명을 제한하기 위한 것은 아님을 이해하여야 한다. 본 발명은, 발명의 취지 및 사상을 벗어나지 않는 범위 내에서 여러가지 방식으로 구체적으로 실시될 수 있으며, 따라서 상술한 실시예들은 상술한 상세 부분에 의해 한정되지 않으며 특허청구범위에 의해 한정되는 사상 및 범위 내에서 광범위하게 해석될 수 있다는 것을 이해하여야 한다. 따라서 특허청구범위 또는 그 등가 범위 내에 속하는 모든 변경 및 수정은 모두 본 특허청구범위에 속한다는 것을 이해하여야 한다.

Claims

피검체의 투시 이미지를 취득하는 단계;
상기 투시 이미지를 처리하여 관심영역을 취득하는 단계; 및
담배 모델을 이용하여 관심영역을 자동적으로 검출함으로써, 상기 투시 이미지의 관심영역이 담배에 속하는지를 결정하는 단계를 포함하는 검출 방법.
제1항에 있어서,
상기 담배 모델을 이용하여 관심영역을 자동적으로 검출하는 단계 전에, 담배 모델을 구축하는 단계를 더 포함하며, 상기 담배 모델을 구축하는 단계는:
담배 이미지 데이터베이스를 구축하는 단계;
상기 담배 이미지 데이터베이스 중의 이미지를 처리하여 각각의 관심영역을 취득하는 단계;
상기 담배 이미지 데이터베이스 중의 이미지의 관심영역으로부터 특징을 추출하는 단계;
추출된 특징에 기초하여 분류기를 훈련시켜 상기 담배 모델을 생성하는 단계를 포함하는 검출 방법.
제2항에 있어서,
상기 담배 이미지 데이터베이스를 구축하는 단계는:
컨테이너 중의 각 배열 형식과 수량이 상이한 담배 이미지를 스캔하여 담배 모델의 포지티브 샘플 데이터베이스를 취득하는 단계; 및
담배와 유사한 물체 및 랜덤 물체의 이미지를 샘플링하여, 담배 모델의 네거티브 샘플 데이터베이스를 형성하는 단계를 포함하며,
상기 네거티브 샘플 데이터베이스 중의 각 이미지들은 모두 담배를 포함하지 않는 검출 방법.
제2항 또는 제3항에 있어서,
상기 담배 모델을 구축하는 단계에 있어서, 여러가지 규칙적으로 중첩된 담배의 스캔 이미지는 폭이 상이한 복수 종류의 패턴으로 구획되며, 상기 복수 종류의 패턴에 의하여 상기 담배 모델의 포지티브 샘플 데이터베이스를 생성하는 검출 방법.
제4항에 있어서,
상기 담배 이미지 데이터베이스 중의 이미지의 관심영역으로부터 특징을 추출하는 단계는:
박스를 단위로 하여 담배의 위치를 인공적으로 표식하여 상기 복수 종류의 패턴의 포지티브 샘플의 특징 집합을 형성하는 단계; 및
상기 네거티브 샘플 데이터베이스로부터 복수의 샘플을 랜덤으로 추출하여 특징을 추출함으로써 네거티브 샘플의 특징 집합을 형성하는 단계를 포함하는 검출 방법.
제2항에 있어서,
추출된 특징에 기초하여 분류기를 훈련시키는 단계는:
(1)포지티브 샘플, 네거티브 샘플의 특징 집합이 정해진 조건에서, 분류기를 훈련시키는 단계;
(2)분류기를 이용하여, 상기 포지티브 샘플과 네거티브 샘플을 분류하는 단계;
(3)결과의 신뢰도에 따라, 분류하기 쉬운 네거티브 샘플을 제거하고 충분한 랜덤 네거티브 샘플을 다시 추가하는 단계;
(4)분류기의 분류 결과의 변화가 충분히 작거나 또는 반복 회수가 충분해질 때까지, 상기 단계(1), 단계(2) 및 단계(3)을 반복하는 단계;를 포함하는 검출 방법.
제1항 또는 제2항에 있어서,
담배가 검출되지 않은 이미지에 대하여, 인공적인 표식 또는 세관신고서에 대한 자동 분석을 통하여, 새로운 담배 이미지를 취득하며 담배 모델을 갱신하는 단계;를 더 포함하는 검출 방법.
제1항 또는 제2항에 있어서,
상기 피검체의 투시 이미지를 취득하는 단계에 있어서, 이미지의 사이즈를 균일한 해상도로 축소하고 계조를 확장함으로써, 이미지값 영역이 전체의 가능한 값 취득 범위에 충만하게 분포되도록 하여 정규화 조작을 행하는 검출 방법.
제1항 또는 제2항에 있어서,
상기 투시 이미지를 처리하여 관심영역을 취득하는 단계에 있어서, 상기 투시 이미지 중의 공기 부분을 제거하여, 공기의 노이즈에 의한 영향이 검출 결과에 반영되지 않도록 하는 검출 방법.
제9항에 있어서,
상기 투시 이미지를 처리하여 관심영역을 취득하는 단계에 있어서, 공기 휘도 문턱값 방법을 채용하여, 공기값으로 상기 투시 이미지를 이진화하여, 문턱값 이하의 이미지 부분에 대하여서만 담배 검출을 행하는 검출 방법.
제1항 또는 제2항에 있어서,
담배 모델을 이용하여 관심영역을 자동적으로 검출하는 단계는:
검출하려는 이미지를 결정하고 정규화 및 관심영역 취득을 통하여 관심영역의 HOG 특징을 생성하는 단계;
슬라이딩 윈도우를 이용하여 순회하면서, 복수 종류의 패턴하에서의 각 윈도우의 최대 신뢰도를 구하는 단계; 및
신뢰도가 특정 문턱값보다 큰 부분을 담배의 위치라 판단하는 단계를 포함하는 검출 방법.
제1항 또는 제2항에 있어서,
복수의 척도 하에서 담배를 검출하는 검출 방법.
피검체에 대하여 복사선 검출을 행하여 피검체의 투시 이미지를 취득하는 디지털 복사선 촬상 장치; 및
상기 투시 이미지를 처리하여 관심영역을 취득하며, 담배 모델을 이용하여 관심영역을 자동적으로 검출함으로써, 상기 투시 이미지의 관심영역이 담배에 속하는지를 결정하는 이미지 처리 장치를 구비하는 검출 설비.
제13항에 있어서,
담배의 밀수를 자동적으로 검출하는 검출 설비.