KR20170047780A - 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치 및 그 방법 - Google Patents

적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치 및 그 방법 Download PDF

Info

Publication number
KR20170047780A
KR20170047780A KR1020150148266A KR20150148266A KR20170047780A KR 20170047780 A KR20170047780 A KR 20170047780A KR 1020150148266 A KR1020150148266 A KR 1020150148266A KR 20150148266 A KR20150148266 A KR 20150148266A KR 20170047780 A KR20170047780 A KR 20170047780A
Authority
KR
South Korea
Prior art keywords
image
window
information
mask
texture
Prior art date
Application number
KR1020150148266A
Other languages
English (en)
Inventor
정재찬
장지호
최승민
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 KR1020150148266A priority Critical patent/KR20170047780A/ko
Priority to US14/992,984 priority patent/US9721348B2/en
Publication of KR20170047780A publication Critical patent/KR20170047780A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • H04N13/02—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G06V10/7515—Shifting the patterns to accommodate for positional errors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/44—Secrecy systems
    • H04N1/448—Rendering the image unintelligible, e.g. scrambling
    • H04N1/4493—Subsequently rendering the image intelligible using a co-operating image, mask or the like
    • H04N13/0246—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
    • H04N21/4318—Generation of visual interfaces for content selection or interaction; Content or additional data rendering by altering the content in the rendering process, e.g. blanking, blurring or masking an image region
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20228—Disparity calculation for image-based rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/759—Region-based matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Signal Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

본 발명은 스테레오 영상을 매칭하여 하나의 영상으로 결합하기 위하여 필요한 로우 코스트(Raw cost)를 계산하기 위한 장치 및 그 방법에 관한 것으로, 영상정보 획득부, 윈도우 생성부, 윈도우 마스크 생성부, 윈도우 마스킹부, 로우 코스트 계산부를 포함할 수 있으며, 이를 통해 스테레오 영상을 매칭하여 영상을 결합할 때 얇은 물체의 경계선 부분에서도 정교한 3D 정보를 획득 하기 위하여 필요한 로우 코스트(Raw cost)를 적응적 윈도우 마스크를 이용하여 계산하는 것을 그 목적이 있다.

Description

적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치 및 그 방법{Low-cost calculation apparatus using the adaptive window mask and method therefor}
본 발명은 스테레오 영상을 매칭하여 하나의 영상으로 결합하기 위한 것으로서, 보다 구체적으로는 하나의 영상으로 결합하기 위하여 필요한 로우 코스트(Raw cost)를 계산하기 위한 장치 및 그 방법에 관한 것이다.
종래의 3D 정보를 추정하기 위한 대표적인 방식은 스테레오 매칭(Stereo matching)이 주로 사용되고 있으며, 스테레오 매칭 기법은 두 대 이상의 카메라를 기저거리(Base line)를 두고 설치하고 동일 시점에 촬영된 두 개의 영상을 이용하여 3D 정보를 획득하는 방식을 의미한다.
스테레오 매칭은 화면상의 물체와 배경에 텍스처가 부족하거나, 반복되는 경우에 정교한 3D 정보를 획득하기 어려운 점이 존재한다.
이런 점을 해결하기 위해서 능동형 광원과 패턴을 이용한 능동형 스테레오 매칭 기법이 많이 제안되고 연구되고 있으나 스테레오 방식이 원천적으로 가지고 있는 가려짐 영역의 문제로 의해서 경계선 부분에서 정교한 3D 정보를 획득하는데 제약이 여전히 존재하고 있다.
본 발명은 스테레오 영상을 매칭하여 영상을 결합할 때 얇은 물체의 경계선 부분에서도 정교한 3D 정보를 획득 하기 위하여 필요한 로우 코스트(Raw cost)를 적응적 윈도우 마스크를 이용하여 계산하는 것을 그 목적으로 한다.
본 발명의 실시 예에 따른 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치는 기준 영상에 대한 패턴 및 텍스처 정보와 대상 영상에 대한 패턴 및 텍스처 정보를 포함하는 영상정보를 획득하는 영상정보 획득부; 상기 회득한 영상 정보 중 텍스처 정보를 사용자로부터 입력 받거나 미리 설정된 크기로 분할하여 적어도 하나의 픽셀을 포함하는 다수의 윈도우를 생성하는 윈도우 생성부; 상기 생성한 윈도우와 동일한 크기를 가지며, 회득한 영상 정보 중 패턴 정보를 미리 설정한 알고리즘에 따라 변환할 수 있는 윈도우 마스크를 생성하는 윈도우 마스크 생성부; 회득한 영상 정보 중 기준 영상 및 대상 영상의 패턴 정보를 변환하기 위해 상기 생성한 윈도우 마스크로 마스킹하는 윈도우 마스킹부; 상기 마스킹된 기준 영상의 패턴 정보를 기준으로 하여 마스킹된 대상 영상의 패턴 정보를 각각 대응하여 그 차이를 산출하여 로우 코스트를 계산하는 로우 코스트 계산부를 포함할 수 있다.
본 발명의 일 실시 예에 따르면 상기 윈도우 생성부는, 수신한 텍스처 영상의 해상도 또는 텍스처 영상의 피사체의 종류에 따라 미리 설정된 기준에 따라 윈도우의 크기가 결정될 수 있다.
본 발명의 일 실시 예에 따르면 상기 윈도우 마스크 생성부는, 상기 마스크에는 마스킹 설정 값이 포함될 수 있으며, 상기 마스크 설정 값은 상기 수신한 텍스처 영상의 카메라 설정 또는 광량, 조명의 상태, 영상의 해상도에 따라 변경될 수 있다.
본 발명의 일 실시 예에 따르면 상기 윈도우 마스크 생성부는, 상기 마스킹 설정 값이 미리 설정된 일정 수준 값 이상인 경우 윈도우에 포함된 전체 픽셀을 포함하는 윈도우 마스크를 생성할 수 있다.
본 발명의 일 실시 예에 따르면 상기 로우 코스트 계산부는, 상기 생성한 기준 영상의 윈도우와 대상 영상의 윈도우를 대응하여 산출한 X축의 차이의 절대 값을 W, Y축의 차이의 절대 값을 H, 상기 X축와 Y축을 가지는 영상에 대한 차이의 최대 절대 값을 D라고 하여, 상기 W, H, D값을 이용하여 미리 설정한 알고리즘을 통해 로우 코스트의 볼륨을 산출하고, 상기 산출된 로우 코스트 볼륨을 주변 픽셀과 통합하여 최종 로우 코스트를 계산할 수 있다.
본 발명의 실시 예에 따른 적응적 윈도우 마스크를 이용하는 로우 코스트 계산방법은 기준 영상에 대한 패턴 및 텍스처 정보와 대상 영상에 대한 패턴 및 텍스처 정보를 포함하는 영상정보를 획득하는 단계; 상기 회득한 영상 정보 중 텍스처 정보를 사용자로부터 입력 받거나 미리 설정된 크기로 분할하여 적어도 하나의 픽셀을 포함하는 다수의 윈도우를 생성하는 단계; 상기 생성한 윈도우와 동일한 크기를 가지며, 회득한 영상 정보 중 패턴 정보를 미리 설정한 알고리즘에 따라 변환할 수 있는 윈도우 마스크를 생성하는 단계; 회득한 영상 정보 중 기준 영상 및 대상 영상의 패턴 정보를 변환하기 위해 상기 생성한 윈도우 마스크로 마스킹하는 단계; 및 상기 마스킹된 기준 영상의 패턴 정보를 기준으로 하여 마스킹된 대상 영상의 패턴 정보를 각각 대응하여 그 차이를 산출하여 로우 코스트를 계산하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따르면 상기 다수의 윈도우를 생성하는 단계는, 수신한 텍스처 영상의 해상도 또는 텍스처 영상의 피사체의 종류에 따라 미리 설정된 기준에 따라 윈도우의 크기가 결정될 수 있다.
본 발명의 일 실시 예에 따르면 상기 윈도우 마스크를 생성하는 단계는, 상기 마스크에는 마스킹 설정 값이 포함될 수 있으며, 상기 마스크 설정 값은 상기 수신한 텍스처 영상의 카메라 설정 또는 광량, 조명의 상태, 영상의 해상도에 따라 변경될 수 있다.
본 발명의 일 실시 예에 따르면 상기 윈도우 마스크를 생성하는 단계는, 상기 마스킹 설정 값이 미리 설정된 일정 수준 값 이상인 경우 윈도우에 포함된 전체 픽셀을 포함하는 윈도우 마스크를 생성할 수 있다.
본 발명의 일 실시 예에 따르면 상기 로우 코스트를 계산하는 단계는, 상기 생성한 기준 영상의 윈도우와 대상 영상의 윈도우를 대응하여 산출한 X축의 차이의 절대 값을 W, Y축의 차이의 절대 값을 H, 상기 X축와 Y축을 가지는 영상에 대한 차이의 최대 절대 값을 D라고 하여, 상기 W, H, D값을 이용하여 미리 설정한 알고리즘을 통해 로우 코스트의 볼륨을 산출하고, 상기 산출된 로우 코스트 볼륨을 주변 픽셀과 통합하여 최종 로우 코스트를 계산할 수 있다.
도 1은 본 발명의 실시 예에 따른 스테레오 매칭 장치의 구성도이다.
도 2는 본 발명의 실시 예에 따른 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치의 구성도이다.
도 3은 본 발명의 실시 예에 따른 윈도우 마스크를 나타낸 도면이다.
도 4는 본 발명의 일 실시 예에 따라 Census transform의 방법을 사용하여 마스킹하는 것을 나타낸 도면이다.
도 5는 본 발명의 실시 예에 따른 영상에 대한 차이의 최대 절대 값인 D 를 나타낸 도면이다.
도 6은 본 발명의 일 실시 예에 따라 마스킹을 통해 매트릭스 구조가 이진수로 변환되었을 때의 차이 절대값을 hamming distance방법으로 산출하는 것을 나타낸 도면이다.
도 7은 Sum of Absolute Difference를 사용하는 실시 예에 따라 로우 코스트를 계산하는 것이 나타나 있다.
도 8은 본 발명의 실시 예에 따라 영상의 피사체에 따라 다르게 생성되는 윈도우를 나타낸 도면이다.
도 9는 본 발명의 일 실시 예에 따라 스테레오 영상의 매칭에 있어 적응적 윈도우 마스크를 적용하는 경우와 적용하지 않은 경우를 나타낸 도면이다.
도 10은 본 발명의 실시 예에 따른 적응적 윈도우 마스크를 이용하는 로우 코스트 계산방법의 흐름을 나타낸 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하, 도면을 참조하여 본 발명의 실시 예에 따른 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치 및 그 방법에 대하여 설명한다.
도 1은 본 발명의 실시 예에 따른 스테레오 매칭 장치(2000)의 구성도이다.
도 1을 참조하면 스테레오 매칭 장치(2000)은 영상 획득장치(10), 영상 전처리 장치(20), 로우 코스트 계산 장치(1000), 차이 값 보정장치(30)를 포함할 수 있다.
영상 획득장치(10)는 스테레오 카메라(stereo camera)를 이용하여 촬영하고자 하는 피사체를 대상으로 하는 좌우 영상을 획득할 수 있다.
여기서 스테레오 카메라는 일정한 간격을 두고 위치하는 2개의 촬영용 렌즈를 통해 동일한 피사체를 촬영하여 동시에 2장의 영상을 획득할 수 있는 카메라를 의미한다.
이러한 스테레오 카메라로 촬영한 영상을 스테레오 매칭을 통해 결합하면 두 렌즈의 시점(視點)의 차로 인한 시차로 인해 피사체가 입체적으로 보이게 된다.
영상 전처리 장치(20)는 획득한 영상을 대상으로 노이즈 제거 또는 영상 교정 등의 전처리 작업을 수행하여 좌우 영상간의 밝기와 등극선(epipolar line)을 균등하게 할 수 있다.
여기서 등극선은 3차원의 한 점을 피사체로 하여 획득한 두 스테레오 카메라에서 얻은 영상에서 카메라의 위치와 이를 보는 영상점의 두 벡터가 존재하는 공통평면상의 선을 의미할 수 있다.
로우 코스트 계산 장치(1000)는 전처리 된 영상을 획득하여 기준 영상의 패턴 또는 텍스처 영상, 대상 영상의 패턴 또는 텍스처 영상으로 분류하고, 분류된 영상으로부터 윈도우 및 윈도우 마스크를 생성하여 마스킹을 수행하고, 마스킹된 영상을 대응하여 그 차이를 통해 로우 코스트를 계산할 수 있다.
로우 코스트 계산 장치(1000)는 도 2를 참조하여 더 자세히 설명하도록 한다.
차이 값 보정장치(30)는 계산된 로우 코스트를 이용하여 디스패리티 맵(disparity map)을 생성하고, 생성한 디스패리티 맵을 통해 차이 값을 보정하여 기준 영상과 대상 영상의 스테레오 매칭을 수행할 수 있다.
여기서 디스패리티 맵은 기준 영상 및 대상 영상을 대응하여 산출한 차이의 절대 값, 즉 디스패리티를 이미지에 매핑(mapping)한 것을 의미할 수 있다.
도 2는 본 발명의 실시 예에 따른 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치(1000)의 구성도이다.
도 2를 참조하면 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치(1000)는 영상정보 획득부(100), 윈도우 생성부(200), 윈도우 마스크 생성부(300), 윈도우 마스킹부(400), 로우 코스트 계산부(500)를 포함할 수 있다.
영상정보 획득부(100)는 기준 영상에 대한 패턴 및 텍스처 정보와 대상 영상에 대한 패턴 및 텍스처 정보를 포함하는 영상정보를 획득할 수 있다.
여기서 텍스처는 3D 오브젝트(3D Object)에 UV 좌표 값을 맞춰 렌더링(Rendering)했을 때 보이게 되는 2D 이미지를 의미한다.
이러한 텍스처는 용도에 따라 색상과 질감 같은 색에 관한 정보를 포함한 '컬러 텍스처'(Color Texture), 두드러진 요철이나 세밀한 형태를 포함해 주는 '노멀 텍스처'(Normal Texture), 빛의 반사를 표현해 재질 표현을 극대화하기 위한 '하이라이트 텍스처'(Highlight Texture), 물체(Object) 주변의 반사를 표현하는 '환경 텍스처' 등 다양한 종류가 존재한다.
여기서 패턴은 영상 이미지 데이터를 분석해서 산출한 데이터의 고유 특징을 의미한다.
본 발명의 일 실시 예에 따르면 기준 영상의 패턴을 기준 패턴으로 작성해 두었다가, 대상 영상과 대응 시에 기준 패턴과 대상 영상의 패턴을 대응(패턴 정합)하여 차이 절대 값을 산출할 수 있다.
여기서 기준 영상은 스테레오 카메라를 통해 획득한 2개의 영상 중 하나를 선정할 수 있으며 나머지 영상은 대상 영상으로 정의 될 수 있다.
윈도우 생성부(200)는 회득한 영상 정보 중 텍스처 정보를 사용자로부터 입력 받거나 미리 설정된 크기로 분할하여 적어도 하나의 픽셀을 포함하는 다수의 윈도우를 생성할 수 있다.
본 발명의 일 실시 예에 따르면 윈도우의 크기는 사용자로부터 입력 받거나 미리 설정된 크기가 될 수 있으며 N개의 픽셀로 가로, 세로가 이루어진 N X N의 크기로 생성될 수 있다.
그리하여 상기 실시 예에 따르면 윈도우는 기준 영상 및 대상 영상의 텍스처 영상을 N X N의 크기로 분할하여 생성될 수 있다.
본 발명의 일 실시 예에 따르면 수신한 텍스처 영상의 해상도 또는 텍스처 영상의 피사체의 종류에 따라가 미리 설정된 기준에 따라 윈도우의 크기가 결정될 수 있다.
윈도우 마스크 생성부(300)는 생성한 윈도우와 동일한 크기를 가지며, 회득한 영상 정보 중 패턴 정보를 미리 설정한 알고리즘에 따라 변환할 수 있는 윈도우 마스크를 생성할 수 있다.
여기서 윈도우 마스크는 도 3을 참조하여 더 자세히 설명하도록 한다.
도 3은 본 발명의 실시 예에 따른 윈도우 마스크를 나타낸 도면이다.
도 3을 참조하면 텍스처 영상에 대하여 생성한 윈도우의 크기와 동일한 크기의 윈도우 마스크를 생성할 수 있다.
도 3을 보면 윈도우의 크키가 3X3, 즉 픽셀 9개로 구성된 경우 윈도우 마스크의 크기 또한 3X3, 즉 픽셀 9개로 크기가 서로 동일할 수 있다.
도 3을 참조하면 3X3 매트릭스 구조의 윈도우에 생성된 윈도우 마스크를 통해 영상 데이터를 변환하는 것이 나타나 있다.
또한 도 3에는 윈도우 마스크는 1/9가 3X3으로 이루어져 있어 3X3 매트릭스 구조의 윈도우의 각각에 곱해지고, 곱한 값을 합산하는 방법으로 마스킹 하여 3X3 매트릭스 구조의 윈도우가 십진수 39로 변환하는 실시 예가 나타나 있다.
이렇게 변환을 위해 미리 설정된 알고리즘은 본 발명의 일 실시 예에 따르면 도 3에 나타난 바와 같이 윈도우 마스크를 곱하여, 곱한 값을 합산하는 방법을 사용할 수 있으나 이에 한정되지 아니하며, 패턴 정보를 변환할 수 있는 알고리즘이 라면 제한 없이 사용될 수 있다.
본 발명의 일 실시 예에 따르면 상기 마스크에는 마스킹 설정 값이 포함될 수 있으며, 상기 마스크 설정 값은 상기 수신한 텍스처 영상의 카메라 설정 또는 광량, 조명의 상태, 영상의 해상도에 따라 변경될 수 있다.
본 발명의 일 실시 예에 따르면 마스킹 설정 값이 미리 설정된 일정 수준 값 이상인 경우 윈도우에 포함된 전체 픽셀을 포함하는 윈도우 마스크를 생성할 수 있으며, 이하인 경우에는 미리 설정된 수의 픽셀을 포함하는 윈도우 마스크를 생성할 수 있다.
여기서 마스킹 설정 값은 원도우의 중심 픽셀에서 주변픽셀의 차이를 산출하여 생성할 수 있다.
윈도우 마스킹부(400)는 수신한 기준 영상의 패턴 정보 및 대상 영상의 패턴 정보를 변환하기 위해 생성한 윈도우 마스크로 마스킹 할 수 있다.
본 발명의 일 실시 예에 따르면 생성한 윈도우 마스크로 패턴 정보를 마스킹 함으로써 미리 설정된 알고리즘에 따라 N X N 매트릭스 구조를 가진 패턴 정보의 이미지가 십진수 또는 이진수로 변환될 수 있다.
본 발명의 일 실시 예에 따르면 마스킹에는 도 3과 같이 십진수로 변환하는 알고리즘을 사용할 수도 있으나 이에 한정되지 아니하며 도 4와 같이 이진수로 변환하는 알고리즘 등 원하는 특정한 형식으로 변환할 수 있는 알고리즘이라면 제한 없이 사용될 수 있다.
도 4는 본 발명의 일 실시 예에 따라 Census transform의 방법을 사용하여 마스킹하는 것을 나타낸 도면이다.
도 4를 참조하면 census transform을 사용하여 생성된 윈도우 마스크의 크기에 해당하는 패턴 정보의 중심 픽셀 값을 기준으로 그보다 더 큰 값이면 1, 작은 값이면 0으로 표시할 수 있다.
또한 이렇게 표시된 8개의 숫자를 좌측 상단부터 우측으로 하나씩 행의 마지막까지 읽고, 행이 끝나면 다음 행의 좌측부터 우측으로 읽는 것을 행이 끝날 때까지 반복하여 3X3 매트리스를 마스킹을 통해 이진수로 변환할 수 있다.
로우 코스트 계산부(500)는 마스킹된 기준 영상의 패턴 정보를 기준으로 하여 마스킹된 대상 영상의 패턴 정보를 각각 대응하여 그 차이를 산출하여 로우 코스트를 계산할 수 있다.
본 발명의 일 실시 예에 따르면 기준 영상의 패턴을 기준 패턴으로 작성해 두었다가, 대상 영상과 대응 시에 기준 패턴과 대상 영상의 패턴을 대응(패턴 정합)하여 차이 절대 값을 산출하여 이를 통해 로우 코스트를 계산할 수 있다.
여기서 로우 코스트는 스테레오 매칭에서 기저거리(Base Line)를 가지고 설치된 두 개의 카메라에서 촬영된 영상에서 두 영상의 유사성을 수치로 표현한 것을 의미한다.
이러한 유사성을 수치로 표현하기 위해서 본 발명의 실시 예에 따르면 두 영상의 차이의 절대 값을 생성하여 이를 로우 코스트 사용할 수 있다.
본 발명의 일 실시 예에 따르면 로우 코스트는 Raw Cost는 3차원 행렬 형태(Width x Height x Disparity)로 표현될 수 있다.
도 5를 참조하여 차이의 절대 값을 설명하도록 한다.
도 5는 본 발명의 실시 예에 따른 영상에 대한 차이의 최대 절대 값인 D 를 나타낸 도면이다.
기준영상과 대상 영상의 패턴 정보로부터 획득한 각각의 패턴을 대응시켜 발생한 차이를 D, 즉 차이 절대 값으로 산출할 수 있다.
이때 차이 절대 값을 산출하는 방법으로는 도 6을 참조하여 설명하도록 한다.
도 6은 본 발명의 일 실시 예에 따라 마스킹을 통해 매트릭스 구조가 이진수로 변환되었을 때의 차이 절대값을 hamming distance방법으로 산출하는 것을 나타낸 도면이다.
도 6을 참조하면 기준 영상 및 대상 영상의 패턴정보를 마스킹 하여 산출된 각각의 이진수를 bit 단위로 대응시켜 각 bit 단위마다 동일한 경우는 0, 상이한 경우는 1로 환산하여 이를 합산한 것을 차이 절대 값으로 산출할 수 있다.
이렇게 차이 절대 값을 산출하는 방법으로는 hamming distance가 사용될 수 있으나 이에 한정되지 아니하고 각 영상의 차이 값을 산출할 수 있는 방법이라면 제한 없이 사용될 수 있다.
도 7은 Sum of Absolute Difference를 사용하는 실시 예에 따라 로우 코스트를 계산하는 것이 나타나 있다.
도 7을 참조하면 산출된 차이 절대 값을 이용하여 로우 코스트를 계산하기 위하여 Sum of Absolute Difference를 사용하는 실시 예에 따라 로우 코스트를 계산하는 것이 나타나 있다.
패턴 정보 중 일정한 크기의 윈도우(S)를 상호 대응하여 발생하는 차이 절대 값을 d로 하고 윈도우의 가로, 세로를 각각 X, Y로 하여
Figure pat00001
로 계산할 수 있다.
이렇게 로우 코스트를 산출하는 방법으로는 Sum of Absolute Difference가 사용될 수 있으나 이에 한정되지 아니하고 (Width x Height x Disparity)형식으로 로우 코스트를 계산할 수 있는 방법이라면 제한 없이 사용될 수 있다.
본 발명의 일 실시 예에 따르면 생성한 기준 영상의 윈도우와 대상 영상의 윈도우를 대응하여 산출한 X축의 차이의 절대 값을 W, Y축의 차이의 절대 값을 H, 상기 X축와 Y축을 가지는 영상에 대한 차이의 최대 절대 값을 D라고 하여, 상기 W, H, D값을 이용하여 미리 설정한 알고리즘을 통해 로우 코스트의 볼륨을 산출하고, 상기 산출된 로우 코스트 볼륨을 주변 픽셀과 통합하여 최종 로우 코스트를 계산할 수 있다.
도 8은 본 발명의 실시 예에 따라 영상의 피사체에 따라 다르게 생성되는 윈도우를 나타낸 도면이다.
도 8을 참조하면 영상의 피사체에 따라 물체의 중심점과 주변 픽셀이 색상 차이가 없는 경우와 그렇지 않은 경우에 윈도우의 생성 여부에 따라 어떻게 결과가 발생하는지가 나타나 있다.
피사체가 없는 배경이 포함된 영상과 같이 물체의 중심점과 주변 픽셀이 색상 차이가 없는 경우에는 윈도우가 영상 전체를 대상으로 생성되어 윈도우를 사용하지 아니한 경우와 차이가 없으나, 피사체의 경계를 포함하는 영상의 경우 중심 픽셀과 주변 픽셀의 색상차이가 존재하여 윈도우를 사용하는 하는 것이 그 경계를 더욱 명확하게 판단할 수 있어 로우 코스트를 산출하는데 유리할 수 있다.
도 9는 본 발명의 일 실시 예에 따라 스테레오 영상의 매칭에 있어 적응적 윈도우 마스크를 적용하는 경우와 적용하지 않은 경우를 나타낸 도면이다.
도 9을 참조하면 윈도우 마스크를 적용하여 스테레오 매칭을 수행한 결과, 적용하지 않고 스테레오 매칭을 수행한 것과 대비하여 더욱 경계가 뚜렷하고 선명하게 구분이 되는 것이 나타나 있다.
배경이나 면적이 넓은 물체에서는 윈도우를 사용하지 않은 것과 유사한 결과를 보이나 특히 얇은 물체나 경계선 부분에서 윈도우를 사용하지 않는 것보다 상대적으로 정확하게 구별되는 것이 나타나 있다.
도 10은 본 발명의 실시 예에 따른 적응적 윈도우 마스크를 이용하는 로우 코스트 계산방법의 흐름을 나타낸 도면이다.
기준 영상 및 대상 영상에 대한 영상정보를 획득한다(S10).
본 발명의 일 실시 예에 따르면 기준 영상에 대한 패턴 및 텍스처 정보와 대상 영상에 대한 패턴 및 텍스처 정보를 포함하는 영상정보를 획득할 수 있다.
본 발명의 일 실시 예에 따르면 기준 영상의 패턴을 기준 패턴으로 작성해 두었다가, 대상 영상과 대응 시에 기준 패턴과 대상 영상의 패턴을 대응(패턴 정합)하여 차이 절대 값을 산출할 수 있다.
회득한 영상 정보 중 텍스처 정보로부터 다수의 윈도우를 생성한다(S20).
본 발명의 일 실시 예에 따르면 회득한 영상 정보 중 텍스처 정보를 사용자로부터 입력 받거나 미리 설정된 크기로 분할하여 적어도 하나의 픽셀을 포함하는 다수의 윈도우를 생성할 수 있다.
본 발명의 일 실시 예에 따르면 윈도우의 크기는 사용자로부터 입력 받거나 미리 설정된 크기가 될 수 있으며 N개의 픽셀로 가로, 세로가 이루어진 N X N의 크기로 생성될 수 있다.
본 발명의 일 실시 예에 따르면 수신한 텍스처 영상의 해상도 또는 텍스처 영상의 피사체의 종류에 따라가 미리 설정된 기준에 따라 윈도우의 크기가 결정될 수 있다.
생성한 윈도우와 동일한 크기의 윈도우 마스크를 생성한다(S30).
본 발명의 일 실시 예에 따르면 생성한 윈도우와 동일한 크기를 가지며, 회득한 영상 정보 중 패턴 정보를 미리 설정한 알고리즘에 따라 변환할 수 있는 윈도우 마스크를 생성할 수 있다.
본 발명의 일 실시 예에 따르면 상기 마스크에는 마스킹 설정 값이 포함될 수 있으며, 상기 마스크 설정 값은 상기 수신한 텍스처 영상의 카메라 설정 또는 광량, 조명의 상태, 영상의 해상도에 따라 변경될 수 있다.
본 발명의 일 실시 예에 따르면 마스킹 설정 값이 미리 설정된 일정 수준 값 이상인 경우 윈도우에 포함된 전체 픽셀을 포함하는 윈도우 마스크를 생성할 수 있으며, 이하인 경우에는 미리 설정된 수의 픽셀을 포함하는 윈도우 마스크를 생성할 수 있다.
생성한 윈도우 마스크로 패턴 정보를 마스킹 한다(S40).
본 발명의 일 실시 예에 따르면 수신한 기준 영상의 패턴 정보 및 대상 영상의 패턴 정보를 변환하기 위해 생성한 윈도우 마스크로 마스킹 할 수 있다.
본 발명의 일 실시 예에 따르면 생성한 윈도우 마스크로 패턴 정보를 마스킹 함으로써 미리 설정된 알고리즘에 따라 N X N 매트릭스 구조를 가진 패턴 정보의 이미지가 십진수 또는 이진수로 변환될 수 있다.
마스킹된 패턴 정보를 대응하여 산출한 차이로 로우 코스트를 계산한다(S50).
본 발명의 일 실시 예에 따르면 마스킹된 기준 영상의 패턴 정보를 기준으로 하여 마스킹된 대상 영상의 패턴 정보를 각각 대응하여 그 차이를 산출하여 로우 코스트를 계산할 수 있다.
본 발명의 일 실시 예에 따르면 기준 영상의 패턴을 기준 패턴으로 작성해 두었다가, 대상 영상과 대응 시에 기준 패턴과 대상 영상의 패턴을 대응(패턴 정합)하여 차이 절대 값을 산출하여 이를 통해 로우 코스트를 계산할 수 있다.
본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
1000 : 로우 코스트 계산장치 2000 : 스테레오 영상 매칭 장치

Claims (10)

  1. 기준 영상에 대한 패턴 및 텍스처 정보와 대상 영상에 대한 패턴 및 텍스처 정보를 포함하는 영상정보를 획득하는 영상정보 획득부;
    상기 회득한 영상 정보 중 텍스처 정보를 사용자로부터 입력 받거나 미리 설정된 크기로 분할하여 적어도 하나의 픽셀을 포함하는 다수의 윈도우를 생성하는 윈도우 생성부;
    상기 생성한 윈도우와 동일한 크기를 가지며, 회득한 영상 정보 중 패턴 정보를 미리 설정한 알고리즘에 따라 변환할 수 있는 윈도우 마스크를 생성하는 윈도우 마스크 생성부;
    회득한 영상 정보 중 기준 영상 및 대상 영상의 패턴 정보를 변환하기 위해 상기 생성한 윈도우 마스크로 마스킹하는 윈도우 마스킹부; 및
    상기 마스킹된 기준 영상의 패턴 정보를 기준으로 하여 마스킹된 대상 영상의 패턴 정보를 각각 대응하여 그 차이를 산출하여 로우 코스트를 계산하는 로우 코스트 계산부를 포함하는 것을 특징으로 하는 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치.
  2. 제 1 항에 있어서 상기 윈도우 생성부는,
    수신한 텍스처 영상의 해상도 또는 텍스처 영상의 피사체의 종류에 따라 미리 설정된 기준에 따라 윈도우의 크기가 결정되는 것을 특징으로 하는 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치.
  3. 제 1 항에 있어서 상기 윈도우 마스크 생성부는,
    상기 마스크에는 마스킹 설정 값이 포함될 수 있으며, 상기 마스크 설정 값은 상기 수신한 텍스처 영상의 카메라 설정 또는 광량, 조명의 상태, 영상의 해상도에 따라 변경되는 것을 특징으로 하는 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치.
  4. 제 3 항에 있어서 상기 윈도우 마스크 생성부는,
    상기 마스킹 설정 값이 미리 설정된 일정 수준 값 이상인 경우 윈도우에 포함된 전체 픽셀을 포함하는 윈도우 마스크를 생성하는 것을 특징으로 하는 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치.
  5. 제 1 항에 있어서 상기 로우 코스트 계산부는,
    상기 생성한 기준 영상의 윈도우와 대상 영상의 윈도우를 대응하여 산출한 X축의 차이의 절대 값을 W, Y축의 차이의 절대 값을 H, 상기 X축와 Y축을 가지는 영상에 대한 차이의 최대 절대 값을 D라고 하여, 상기 W, H, D값을 이용하여 미리 설정한 알고리즘을 통해 로우 코스트의 볼륨을 산출하고, 상기 산출된 로우 코스트 볼륨을 주변 픽셀과 통합하여 최종 로우 코스트를 계산하는 것을 특징으로 하는 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치.
  6. 기준 영상에 대한 패턴 및 텍스처 정보와 대상 영상에 대한 패턴 및 텍스처 정보를 포함하는 영상정보를 획득하는 단계;
    상기 회득한 영상 정보 중 텍스처 정보를 사용자로부터 입력 받거나 미리 설정된 크기로 분할하여 적어도 하나의 픽셀을 포함하는 다수의 윈도우를 생성하는 단계;
    상기 생성한 윈도우와 동일한 크기를 가지며, 회득한 영상 정보 중 패턴 정보를 미리 설정한 알고리즘에 따라 변환할 수 있는 윈도우 마스크를 생성하는 단계;
    회득한 영상 정보 중 기준 영상 및 대상 영상의 패턴 정보를 변환하기 위해 상기 생성한 윈도우 마스크로 마스킹하는 단계; 및
    상기 마스킹된 기준 영상의 패턴 정보를 기준으로 하여 마스킹된 대상 영상의 패턴 정보를 각각 대응하여 그 차이를 산출하여 로우 코스트를 계산하는 단계를 포함하는 것을 특징으로 하는 적응적 윈도우 마스크를 이용하는 로우 코스트 계산방법.
  7. 제 6 항에 있어서 상기 다수의 윈도우를 생성하는 단계는,
    수신한 텍스처 영상의 해상도 또는 텍스처 영상의 피사체의 종류에 따라 미리 설정된 기준에 따라 윈도우의 크기가 결정되는 것을 특징으로 하는 적응적 윈도우 마스크를 이용하는 로우 코스트 계산방법.
  8. 제 6 항에 있어서 상기 윈도우 마스크를 생성하는 단계는,
    상기 마스크에는 마스킹 설정 값이 포함될 수 있으며, 상기 마스크 설정 값은 상기 수신한 텍스처 영상의 카메라 설정 또는 광량, 조명의 상태, 영상의 해상도에 따라 변경되는 것을 특징으로 하는 적응적 윈도우 마스크를 이용하는 로우 코스트 계산방법.
  9. 제 8 항에 있어서 상기 윈도우 마스크를 생성하는 단계는,
    상기 마스킹 설정 값이 미리 설정된 일정 수준 값 이상인 경우 윈도우에 포함된 전체 픽셀을 포함하는 윈도우 마스크를 생성하는 것을 특징으로 하는 적응적 윈도우 마스크를 이용하는 로우 코스트 계산방법.
  10. 제 1 항에 있어서 상기 로우 코스트를 계산하는 단계는,
    상기 생성한 기준 영상의 윈도우와 대상 영상의 윈도우를 대응하여 산출한 X축의 차이의 절대 값을 W, Y축의 차이의 절대 값을 H, 상기 X축와 Y축을 가지는 영상에 대한 차이의 최대 절대 값을 D라고 하여, 상기 W, H, D값을 이용하여 미리 설정한 알고리즘을 통해 로우 코스트의 볼륨을 산출하고, 상기 산출된 로우 코스트 볼륨을 주변 픽셀과 통합하여 최종 로우 코스트를 계산하는 것을 특징으로 하는 적응적 윈도우 마스크를 이용하는 로우 코스트 계산방법.
KR1020150148266A 2015-10-23 2015-10-23 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치 및 그 방법 KR20170047780A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150148266A KR20170047780A (ko) 2015-10-23 2015-10-23 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치 및 그 방법
US14/992,984 US9721348B2 (en) 2015-10-23 2016-01-11 Apparatus and method for raw-cost calculation using adaptive window mask

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150148266A KR20170047780A (ko) 2015-10-23 2015-10-23 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20170047780A true KR20170047780A (ko) 2017-05-08

Family

ID=58558728

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150148266A KR20170047780A (ko) 2015-10-23 2015-10-23 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치 및 그 방법

Country Status (2)

Country Link
US (1) US9721348B2 (ko)
KR (1) KR20170047780A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102090666B1 (ko) * 2019-02-11 2020-03-18 주식회사 넥스트칩 스테레오 영상들에 대한 시차 맵 생성 방법 및 장치

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018006296A1 (en) * 2016-07-06 2018-01-11 SZ DJI Technology Co., Ltd. Systems and methods for stereoscopic imaging
CN109313708B (zh) * 2017-12-22 2023-03-21 深圳配天智能技术研究院有限公司 图像匹配方法和视觉系统
CN109816711B (zh) * 2019-01-07 2020-10-27 华南理工大学 一种采用自适应结构的立体匹配方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2478329B (en) * 2010-03-03 2015-03-04 Samsung Electronics Co Ltd Medical image processing
EP2693951B1 (en) * 2011-04-08 2018-10-24 Algotec Systems Ltd. Image analysis for specific objects
CN102628676B (zh) 2012-01-19 2014-05-07 东南大学 一种光学三维测量中的自适应窗口傅里叶相位提取法
US9292927B2 (en) 2012-12-27 2016-03-22 Intel Corporation Adaptive support windows for stereoscopic image correlation
KR20140099098A (ko) * 2013-02-01 2014-08-11 한국전자통신연구원 능동 스테레오 매칭 방법 및 그 장치
US9407896B2 (en) * 2014-03-24 2016-08-02 Hong Kong Applied Science and Technology Research Institute Company, Limited Multi-view synthesis in real-time with fallback to 2D from 3D to reduce flicker in low or unstable stereo-matching image regions
KR102178978B1 (ko) * 2014-07-31 2020-11-13 한국전자통신연구원 스테레오 매칭 방법 및 이를 수행하는 장치
CN104299261B (zh) * 2014-09-10 2017-01-25 深圳大学 人体三维成像方法及系统
KR101622344B1 (ko) * 2014-12-16 2016-05-19 경북대학교 산학협력단 적응적 영역 가중치가 적용된 센서스 변환 기반 스테레오 정합을 통한 시차 계산 방법 및 그 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102090666B1 (ko) * 2019-02-11 2020-03-18 주식회사 넥스트칩 스테레오 영상들에 대한 시차 맵 생성 방법 및 장치

Also Published As

Publication number Publication date
US20170116739A1 (en) 2017-04-27
US9721348B2 (en) 2017-08-01

Similar Documents

Publication Publication Date Title
JP7350343B2 (ja) 対象物の３次元画像を生成するための方法およびシステム
TWI729995B (zh) 基於場景之拍攝圖像而產生合併、融合三維點雲
JP7403528B2 (ja) シーンの色及び深度の情報を再構成するための方法及びシステム
CN109751973B (zh) 三维测量装置、三维测量方法以及存储介质
CN107750370B (zh) 用于确定图像的深度图的方法和装置
CN107592449B (zh) 三维模型建立方法、装置和移动终端
KR100681320B1 (ko) 헬름홀츠 교환조건으로부터 유도되는 편미분 방정식의레벨셋 풀이 방법을 이용한 물체의 3차원 형상 모델링 방법
US9349073B2 (en) Apparatus and method for image matching between multiview cameras
CN109640066B (zh) 高精度稠密深度图像的生成方法和装置
JP2015096812A (ja) 画像処理装置、撮像装置および距離補正方法
WO2012096747A1 (en) Forming range maps using periodic illumination patterns
WO2019082797A1 (ja) 再構成方法および再構成装置
US20130272600A1 (en) Range image pixel matching method
JP6566768B2 (ja) 情報処理装置、情報処理方法、プログラム
WO2019167453A1 (ja) 画像処理装置、画像処理方法、およびプログラム
JP2017181298A (ja) ３次元形状測定装置および３次元形状測定方法
KR20130003135A (ko) 다시점 카메라를 이용한 라이트 필드 형상 캡처링 방법 및 장치
WO2017214735A1 (en) Systems and methods for obtaining a structured light reconstruction of a 3d surface
JP7168077B2 (ja) ３次元計測システム及び３次元計測方法
KR20170047780A (ko) 적응적 윈도우 마스크를 이용하는 로우 코스트 계산장치 및 그 방법
TW201436552A (zh) 用於使用至少一較高訊框率之影像流而增加影像流之訊框率之方法及裝置
JP7156624B2 (ja) デプスマップフィルタ処理装置、デプスマップフィルタ処理方法及びプログラム
KR20080047673A (ko) 입체영상 변환 장치 및 그 방법
KR20170025214A (ko) 다시점 깊이맵 생성 방법
Benveniste et al. Nary coded structured light-based range scanners using color invariants

Legal Events

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