KR20170082412A - 인식 대상 맞춤형 비전 시스템 생성 장치 및 방법 - Google Patents

인식 대상 맞춤형 비전 시스템 생성 장치 및 방법 Download PDF

Info

Publication number
KR20170082412A
KR20170082412A KR1020160001772A KR20160001772A KR20170082412A KR 20170082412 A KR20170082412 A KR 20170082412A KR 1020160001772 A KR1020160001772 A KR 1020160001772A KR 20160001772 A KR20160001772 A KR 20160001772A KR 20170082412 A KR20170082412 A KR 20170082412A
Authority
KR
South Korea
Prior art keywords
recognition
feature vector
vision system
image information
feature
Prior art date
Application number
KR1020160001772A
Other languages
English (en)
Inventor
이재연
김재홍
윤우한
이아현
이주행
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 KR1020160001772A priority Critical patent/KR20170082412A/ko
Publication of KR20170082412A publication Critical patent/KR20170082412A/ko

Links

Images

Classifications

    • G06K9/4604—
    • G06K9/481—
    • G06K9/6256—
    • G06K9/627—

Abstract

인식 대상 맞춤형 비전 시스템 생성 장치 및 그 방법이 개시된다. 본 발명에 따른 인식 대상 맞춤형 비전 시스템 생성 장치는, 입력받은 영상 정보에 상응하는 작업 환경과 하나 이상의 물체를 포함하는 인식 대상의 특성을 고려하여 분할 알고리즘을 선택하는 알고리즘 선택부, 상기 영상 정보로부터 특징 추출 컴포넌트에 상응하는 복수의 특징 벡터를 생성하는 특징 추출부, 상기 인식 대상에 포함된 각 물체에 상응하는 복수의 훈련용 영상 정보를 입력받아 저장하는 데이터 수집부, 상기 복수의 훈련용 영상 정보를 이용하여, 상기 특징 벡터 중에서 상기 인식 대상에 대한 분별력이 임계치 이상인 유의미 특징 벡터를 선택하고, 선택된 상기 유의미 특징 벡터를 이용하여 기계학습을 수행하는 인식 훈련부, 그리고 상기 분할 알고리즘이 적용된 상기 영상 정보로부터 상기 물체의 위치, 방향, 무게중심, 기본 성분 중에서 적어도 하나를 포함하는 상기 물체의 자세를 인식하는 인식부를 포함한다.

Description

인식 대상 맞춤형 비전 시스템 생성 장치 및 방법{APPARATUS AND METHOD FOR GENERATING CUSTOMIZED OBJECT VISION SYSTEM}
본 발명은 인식 대상 맞춤형으로 물체를 인식하는 비전 시스템 생성 기술에 관한 것으로, 특히 사전에 구현된 다양한 영상 인식 알고리즘 모듈을 작업 환경 및 인식 대상의 시각적 특성을 고려하여 자동으로 재구성하고, 재구성된 영상 인식 알고리즘을 이용하여 작업 대상 물체를 인식하는 비전 시스템을 생성하는 기술에 관한 것이다.
비전 시스템(Vision System)이란, 기계 또는 컴퓨터가 사람의 눈과 같이 인지하고 이해할 수 있도록 구현한 시스템을 의미하며, 수집한 데이터를 영상 처리하여 기계 또는 컴퓨터가 물체를 인식하거나, 위치를 파악할 수 있도록 한다.
비전 시스템은 공장 자동화 시스템에 주로 적용되며, 카메라로부터 얻은 영상정보를 분석 및 처리하여 조립, 가공 및 검사와 같은 생산 작업을 자동화한다. 컴퓨터 비전 기술을 이용한 물체 인식 기술은 카메라로부터 입력받은 영상을 분석함으로써, 현재 작업 영역에 있는 물체의 종류, 위치 및 자세를 인식하고, 인식된 정보를 매니퓰레이터에 전달하여 생산 자동화를 실현한다. 이때, 비전 시스템의 핵심은 작업 대상이 되는 물체의 종류, 위치 및 자세를 얼마나 정확하게 인식할 수 있는가에 있다.
오늘날, 사용자의 요구가 다양해짐에 따라 점차 소품종 대량 생산 시스템에서 다품종 소량 생산 시스템 쪽으로 무게 중심이 옮겨가고 있다. 이와 같은 변화는 물체 인식에 있어서도 인식 대상 물체가 다양해질 수 있으며, 인식 대상 물체가 자주 바뀔 수 있다는 것을 의미한다.
다품종 소량 생산 시스템의 구현을 위하여 기존의 물체 인식 기술은 표준적인 작업환경 및 표준적인 물체의 시각적 특성을 가정한 상태에서, 인식을 위한 알고리즘 전체를 사전에 구축해 놓는다. 그리고 새로운 물체의 특성에 해당하는 파라미터를 등록하는 방식으로 인식 대상 물체의 변화에 대응한다.
예를 들어, 일반적인 사람의 얼굴을 인식할 수 있는 인식 시스템을 개발한 후, 제1 사용자와 제2 사용자를 시스템에 등록함으로써, 제1 사용자와 제2 사용자를 인식할 수 있도록 하는 방법이다. 그러나, 물체 인식은 사람의 얼굴에 비하여 그 형태 및 특성이 매우 다양하므로, 등록 데이터를 변경하는 방법만으로는 원하는 인식 결과를 얻기 어렵다.
따라서, 이러한 문제를 해결하기 위해서는 영상의 획득에서 최종 인식 결과를 획득하기까지의 일련의 과정을 실제 작업 환경 및 인식 대상 물체의 시각적 특성을 고려하여 맞춤형으로 생성해야 한다. 즉, 작업환경 및 인식 대상의 변화에 따라 인식 알고리즘을 맞춤형으로 구축할 수 있는 매커니즘이 필요하다.
일반적으로, 컴퓨터 비전 분야에서 새로운 환경이나 인식 대상에 상응하는 새로운 인식 시스템을 빠르게 구축하기 위해서는 컴퓨터 비전 라이브러리를 활용하는 경우가 많다. 다양한 알고리즘을 미리 구현해두고, 필요에 따라 원하는 함수를 호출하여 사용함으로써 종래에 비하여 훨씬 효율적으로 맞춤형 인식 시스템을 구현할 수 있다.
여기서, 미리 구현된 다양한 알고리즘으로는 OpenCV, HALCON과 같은 상용라이브러리, 연구현장에서 널리 쓰이는 MatLab, Mathematica 같은 툴(Tool) 등이 있으며, SimuLink와 같이 제공되는 함수를 그래픽 인터페이스를 이용해서 인터랙티브하게 조합함으로써 원하는 영상인식 시스템을 구축할 수 있도록 도와주는 툴도 많이 사용되고 있다.
그러나, 이와 같은 라이브러리를 이용하기 위해서는 그 라이브러리가 제공하는 컴퓨터 비전 알고리즘에 대한 상세한 이해가 필수적이다. 즉, 이러한 라이브러리들은 코드의 재활용을 통하여 개발의 효율성을 높이는데 기여를 할 수는 있으나, 문제를 보고 그 문제를 풀기에 적합한 알고리즘의 흐름을 유추해 내기 위해서는 비전 전문가의 직관에 의존할 수밖에 없다.
현장의 작업 환경이 바뀌고, 인식 대상 물체가 자주 바뀔 때마다 비전 전문가의 도움이 필수적인 경우, 해당 인식 시스템의 적용 가능성은 현저하게 낮아진다. 따라서, 일반적인 물체 인식 시스템의 흐름을 바탕으로, 각 단계에서 적용될 함수를 다양한 방법으로 탐색함으로써, 현장의 작업자가 비전 전문가의 도움 없이도 현재의 작업환경 및 인식 대상 물체에 적합한 인식 시스템을 자동으로 구축할 수 있도록 하는 기술의 필요성이 절실하게 대두된다.
한국 공개 특허 제10-2005-0097314호, 2005년 10월 07일 공개(명칭: 물체인식 시스템 및 방법)
본 발명의 목적은 컴퓨터 비전 분야의 비 전문가인 현장 작업자가 비전 전문가의 도움 없이도 작업 환경 및 인식 대상 물체에 적합한 비전 시스템을 생성하거나 기 생성된 비전 시스템 중에서 선택하여 사용할 수 있도록 하는 것이다.
또한, 본 발명의 목적은 다품종 소량 생산 방식에 따라, 자주 바뀌는 인식 대상 물체 또는 작업 환경의 변화에 쉽고 빠르게 대응할 수 있도록 하는 것이다.
또한, 본 발명의 목적은 컴퓨터 비전 분야의 비 전문가인 현장 작업자가 유한한 인식 대상 물체의 종류, 위치 및 자세를 인식하는 비전 시스템을 작업 현장에서 구축 및 적용할 수 있도록 하는 것이다.
상기한 목적을 달성하기 위한 본 발명에 따른 인식 대상 맞춤형 비전 시스템 생성 장치는, 입력받은 영상 정보에 상응하는 작업 환경과 하나 이상의 물체를 포함하는 인식 대상의 특성을 고려하여 분할 알고리즘을 선택하는 알고리즘 선택부, 상기 영상 정보로부터 특징 추출 컴포넌트에 상응하는 복수의 특징 벡터를 생성하는 특징 추출부, 상기 인식 대상에 포함된 각 물체에 상응하는 복수의 훈련용 영상 정보를 입력받아 저장하는 데이터 수집부, 상기 복수의 훈련용 영상 정보를 이용하여, 상기 특징 벡터 중에서 상기 인식 대상에 대한 분별력이 임계치 이상인 유의미 특징 벡터를 선택하고, 선택된 상기 유의미 특징 벡터를 이용하여 기계학습을 수행하는 인식 훈련부, 그리고 상기 분할 알고리즘이 적용된 상기 영상 정보로부터 상기 물체의 위치, 방향, 무게중심, 기본 성분 중에서 적어도 하나를 포함하는 상기 물체의 자세를 인식하는 인식부를 포함한다.
이 때, 상기 인식 훈련부는, 상기 훈련용 영상 정보에 포함된 제1 물체의 특징 벡터와 제2 물체의 특징 벡터간 차분인 차분 벡터를 이용하여 상기 제1 물체 및 상기 제2 물체를 동일 물체 클래스 또는 이종 물체 클래스로 분류할 수 있다.
이 때, 상기 동일 물체 클래스에 상응하는 특징 벡터의 평균 및 표준편차와 상기 이종 물체 클래스에 상응하는 특징 벡터의 평균 및 표준편차를 이용하여 상기 특징 벡터를 상기 유의미 특징 벡터로 선택할지 여부를 결정할 수 있다.
이 때, 상기 인식 훈련부는, 상기 복수의 특징 벡터 중에서 어느 한 특징 추출 컴포넌트가 생성한 상기 특징 벡터를 제외한 테스트 특징 벡터를 생성하고, 상기 테스트 특징 벡터에 상응하는 상기 기계 학습의 결과를 이용하여, 상기 어느 한 특징 추출 컴포넌트가 생성한 상기 특징 벡터를 상기 유의미 특징 벡터로 선택할지 여부를 결정할 수 있다.
이 때, 다음의 수학식을 통해 상기 특징 벡터를 상기 유의미 특징 벡터로 선택할지 여부를 결정할 수 있다.
Figure pat00001
여기서, Ai는 i번째 특징 추출 컴포넌트가 생성한 특징 벡터의 평가 결과를 의미하고, RT는 모든 특징 벡터를 활용하였을 때의 물체 인식률을 의미하며, RT-i는 특징벡터 i를 제외한 테스트 특징 벡터의 물체 인식률을 의미하고, Ti는 특징 추출 컴포넌트 i가 특징벡터 Fi를 처리하는데 소요되는 시간을 의미하며,
Figure pat00002
와
Figure pat00003
는 각각 물체 인식률 가중치 및 소요 시간 가중치를 의미한다.
이 때, 상기 알고리즘 선택부는, 상기 작업 환경 및 상기 인식 대상의 특성을 고려하여 복수의 메타 모델을 생성하여 사용자에게 제공하고, 상기 사용자로부터 선택받은 상기 메타 모델을 상기 분할 알고리즘으로 선택할 수 있다.
이 때, 상기 복수의 메타 모델은, 상기 작업 환경과 상기 인식 대상의 명도차를 이용하는 고대비 모델, 상기 작업 환경의 시각성 특성을 이용하는 배경 특징 모델, 상기 인식 대상의 시각성 특성을 이용하는 물체 특징 모델 및 변화가 적은 상기 작업 환경의 특징을 이용하는 정적 배경 모델 중에서 적어도 하나를 포함할 수 있다.
이 때, 복수의 파라미터 값에 상응하는 상기 복수의 메타 모델을 생성하고, 각각의 상기 메타 모델을 적용한 결과값을 영상 형태로 상기 사용자에게 제공할 수 있다.
이 때, 상기 복수의 훈련용 영상 정보는, 상기 인식 대상에 포함된 각 물체의 자세, 위치, 방향 중에서 적어도 하나가 다르게 설정되어 촬영된 것일 수 있다.
이 때, 상기 작업 환경 및 상기 인식 대상의 특성을 고려하여 선택된 상기 분할 알고리즘 및 상기 유의미 특징 벡터가 설정된 맞춤형 물체 인식 알고리즘을 패키지화하여 저장하는 패키지 구성부를 더 포함할 수 있다.
또한, 본 발명의 일실시예에 따른 인식 대상 맞춤형 비전 시스템 생성 장치에 의해 수행되는 인식 대상 맞춤형 비전 시스템 생성 방법은, 입력받은 영상 정보에 상응하는 작업 환경과 하나 이상의 물체를 포함하는 인식 대상의 특성을 고려하여 분할 알고리즘을 선택하는 단계, 상기 영상 정보로부터 특징 추출 컴포넌트에 상응하는 복수의 특징 벡터를 생성하는 단계, 상기 인식 대상에 포함된 각 물체에 상응하는 복수의 훈련용 영상 정보를 입력받아 저장하는 단계, 상기 복수의 훈련용 영상 정보를 이용하여, 상기 특징 벡터 중에서 상기 인식 대상에 대한 분별력이 임계치 이상인 유의미 특징 벡터를 선택하는 단계, 선택된 상기 유의미 특징 벡터를 이용하여 기계학습을 수행하는 단계, 그리고 상기 분할 알고리즘이 적용된 상기 영상 정보로부터 상기 물체의 위치, 방향, 무게중심, 기본 성분 중에서 적어도 하나를 포함하는 상기 물체의 자세를 인식하는 단계를 포함한다.
본 발명에 따르면, 컴퓨터 비전 분야의 비 전문가인 현장 작업자가 비전 전문가의 도움 없이도 작업 환경 및 인식 대상 물체에 적합한 인식 시스템을 선택하여 사용할 수 있다.
또한 본 발명에 따르면, 다품종 소량 생산 방식에 따라, 자주 바뀌는 인식 대상 물체 또는 작업 환경의 변화에 쉽고 빠르게 대응할 수 있다.
또한, 본 발명에 따르면, 컴퓨터 비전 분야의 비 전문가인 현장 작업자가 유한한 인식 대상 물체의 종류, 위치 및 자세를 인식하는 시스템을 작업 현장에서 구축 및 적용할 수 있다.
도 1은 본 발명의 일실시예에 따른 인식 대상 맞춤형 비전 시스템 생성 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 인식 대상 맞춤형 비전 시스템 생성 방법을 나타낸 순서도이다.
도 3은 S210 단계에서 사용자로부터 입력받은 파라미터 값에 상응하도록 생성된 메타 모델을 설명하기 위한 도면이다.
도 4는 S210 단계에서 생성된 복수의 메타 모델을 설명하기 위한 도면이다.
도 5는 S240 단계에서 2군 분류 문제를 이용하여 유의미 특징 벡터를 선택하는 과정을 설명하기 위한 도면이다.
도 6은 S240 단계에서 특징 벡터의 조합을 이용하여 유의미 특징 벡터를 선택하는 과정을 설명하기 위한 도면이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 인식 대상 맞춤형 비전 시스템 생성 장치의 구성을 나타낸 블록도이다.
도 1에 도시한 바와 같이, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 알고리즘 선택부(110), 특징 추출부(120), 데이터 수집부(130), 인식 훈련부(140), 인식부(150) 및 패키지 구성부(160)를 포함한다.
먼저, 알고리즘 선택부(110)는 입력받은 영상 정보에 상응하는 작업 환경과 인식 대상의 특성을 고려하여 분할 알고리즘(Segmentation Algorithm)을 선택한다. 여기서, 인식 대상은 하나 이상의 물체를 포함할 수 있다.
그리고 알고리즘 선택부(110)는 작업 환경 및 인식 대상의 특성을 고려하여 복수의 메타 모델을 생성하고, 복수의 메타 모델 중에서 사용자로부터 선택받은 메타 모델을 분할 알고리즘으로 선택할 수 있다.
여기서, 복수의 메타 모델은 작업 환경과 인식 대상의 명도차를 이용하는 고대비 모델(High Contrast Model), 작업 환경의 시각성 특성을 이용하는 배경 특징 모델(Distinctive Background Model), 인식 대상의 시각성 특성을 이용하는 물체 특징 모델(Distinctive Foreground Model) 및 변화가 적은 작업 환경의 특징을 이용하는 정적 배경 모델(Background Subtraction Model) 중에서 적어도 하나를 포함할 수 있다.
알고리즘 선택부(110)는 사용자로부터 현재의 문제 상황에 따라 복수의 메타 모델 중에서 하나를 선택받거나, 입력받은 영상 정보를 분석하여 자동으로 메타 모델 중에서 하나를 선택할 수도 있다.
그리고 알고리즘 선택부(110)는 각각의 메타 모델들에 적용 가능한 복수의 이미지 분할(Segmentation) 방법을 설정할 수 있으며, 이미지 분할 방식의 설정은 정해진 Description 방식에 따라 추가 및 확장이 가능하다. 또한, 알고리즘 선택부(110)는 입력된 영상 정보에 이미지 분할 방식을 적용한 결과를 영상 형태로 사용자에게 제공하여, 컴퓨터 비전에 대한 전문 지식이 없는 사용자로부터도 최적의 분할 알고리즘을 선택받을 수 있다.
다음으로 특징 추출부(120)는 영상 정보로부터 특징 추출 컴포넌트에 상응하는 복수의 특징 벡터를 생성한다.
그리고 데이터 수집부(130)는 인식 대상에 포함된 각 물체에 상응하는 복수의 훈련용 영상 정보를 입력받아 저장한다. 여기서, 훈련용 영상 정보는 인식 대상에 포함된 각 물체의 자세, 위치 및 방향 중에서 적어도 하나가 다르게 설정되어 촬영된 것을 의미한다.
또한, 인식 훈련부(140)는 복수의 훈련용 영상 정보를 이용하여 특징 벡터 중에서 인식 대상에 대한 분별력이 임계치 이상인 유의미 특징 벡터를 선택하고, 선택된 유의미 특징 벡터를 이용하여 기계 학습을 수행한다.
이때, 인식 훈련부(140)는 두 가지 방법으로 유의미 특징 벡터를 선택할 수 있다. 첫 번째로, 인식 훈련부(140)는 훈련용 영상 정보에 포함된 제1 물체의 특징 벡터와 제2 물체의 특징 벡터간 차분인 차분 벡터를 이용하여 제1 물체와 제2 물체가 동일 물체인지 판단한다.
그리고 인식 훈련부(140)는 제1 물체와 제2 물체가 동일 물체인 경우, 동일 물체 클래스로 분류하고, 동일 물체가 아닌 경우, 이종 물체 클래스로 분류한다. 인식 훈련부(140)는 동일 물체 클래스에 상응하는 특징 벡터의 평균 및 표준편차와 이종 물체 클래스에 상응하는 특징 벡터의 평균 및 표준편차를 이용하여 해당 특징 벡터를 유의미 특징 벡터로 선택할지 여부를 결정한다.
또한, 인식 훈련부(140)는 테스트 특징 벡터를 이용하여 유의미 특징 벡터를 선택할 수도 있다. 인식 훈련부(140)는 복수의 특징 벡터 중에서 어느 한 특징 추출 컴포넌트가 생성한 특징 벡터를 제외하여 테스트 특징 벡터를 생성한다. 그리고 테스트 특징 벡터에 상응하는 기계 학습의 결과를 이용하여 해당 특징 추출 컴포넌트가 생성한 특징 벡터를 유의미 특징 벡터로 선택할지 여부를 결정한다.
이때, 인식 훈련부(140)는 모든 특징 벡터를 활용하였을 때의 물체 인식률과 테스트 특징 벡터의 물체 인식률의 차이와 테스트 특징 벡터에 상응하는 특징 추출 컴포넌트가 특징 벡터를 계산하기 위하여 소요되는 시간을 이용하여 해당 특징 벡터를 유의미 특징 벡터로 선택할지 여부를 결정할 수 있다.
설명의 편의상, 인식 훈련부(140)가 차분 벡터를 이용하여 유의미 특징 벡터를 선택하거나, 테스트 특징 벡터를 이용하여 유의미 특징 벡터를 선택하는 것으로 설명하였으나, 이에 한정하지 않고, 인식 훈련부(140)는 두 가지 방법을 모두 적용하여 유의미 특징 벡터를 선택할 수도 있다.
다음으로 인식부(150)는 분할 알고리즘이 적용된 영상 정보로부터 인식 대상에 포함된 물체의 위치, 방향, 무게중심 및 기본 성분 중에서 적어도 하나를 포함하는 물체의 자세를 인식한다. 여기서, 인식부(150)는 인식 훈련부(140)에서 훈련된 인식기가 생성되면 자동으로 결정될 수 있다.
마지막으로 패키지 구성부(160)는 작업 환경 및 인식 대상의 특성을 고려하여 선택된 분할 알고리즘 및 유의미 특징 벡터가 설정된 맞춤형 비전 시스템 알고리즘을 패키지화하여 저장한다. 패키지 구성부(160)는 맞춤형 비전 시스템 알고리즘을 패키지화하여 저장함으로써, 컴퓨터 시스템을 다른 장소로 옮겨가더라도 간단하게 기존의 맞춤형 비전 시스템 알고리즘을 적용할 수 있도록 한다.
인식 대상 맞춤형 비전 시스템 생성 장치(100)는 Gaussian Smoothing이나 Otsu Binarization 등과 같이 다양한 컴퓨터 비전 알고리즘들이 컴포넌트 형태로 사전에 구현되어 있다고 가정한다. 그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 기 구현된 컴포넌트를 조합하여 주어진 작업 환경 및 인식 대상에 적합한 맞춤형 비전 시스템을 생성한다.
인식 대상 맞춤형 비전 시스템 생성 장치(100)는 컴퓨터 비전 컴포넌트로 기존의 라이브러리 등을 활용하거나, 필요에 따라 추가할 수 있다. 여기서, 컴퓨터 비전 컴포넌트들은 인식 대상 맞춤형 비전 시스템 생성 장치(100)와 상호 작용이 가능한 인터페이스를 갖추어야 한다.
설명의 편의상, 인식 대상 맞춤형 비전 시스템 생성 장치(100)이 미리 약속된 인터페이스 기능(Interface Function)을 Export하는 DLL의 형태로 규정하였으나, 이에 한정하지 않고, 다양한 상호작용 인터페이스의 방법을 적용하여 구현할 수 있다.
이하에서는 도 2 내지 도 6을 통하여 본 발명의 일실시예에 따른 인식 대상 맞춤형 비전 시스템 생성 장치에 의한 인식 대상 맞춤형 비전 시스템 생성 방법에 대하여 더욱 상세하게 설명한다.
도 2는 본 발명의 실시예에 따른 인식 대상 맞춤형 비전 시스템 생성 방법을 나타낸 순서도이다.
먼저, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 입력받은 영상 정보에 상응하는 분할 알고리즘을 선택한다(S210).
이때, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 입력받은 영상 정보에 상응하는 작업 환경과 영상 정보에 포함된 인식 대상의 특성을 고려하여 분할 알고리즘을 선택할 수 있다.
시각적인 특징을 이용하는 컴퓨터 비전 알고리즘은 일반적으로 조명, 배경 등 환경의 영향을 많이 받는다. 특히, 배경과 물체 영역을 구별해야 하는 분할(Segmentation) 부분은 환경 및 인식 대상에 대한 의존도가 매우 크다.
영상의 어느 부분이 인식 대상인 물체의 영역에 해당하는지 여부는 작업하고자 하는 내용에 따라 달라질 수 있는 사항이다. 따라서, 분할(Segmentation)이 제대로 되었는지에 대한 평가는 작업자의 주관적인 평가에 의존할 수 밖에 없다.
이러한 한계점을 해결하기 위하여, 본 발명의 실시예에 따른 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 사용자와의 상호작용(interaction)을 통하여 주어진 문제(작업하고 있는 내용)에 적합한 분할 알고리즘(Segmentation Algorithm)을 선택한다.
인식 대상 맞춤형 비전 시스템 생성 장치(100)는 작업 환경 및 인식 대상의 특성을 고려하여 복수의 메타 모델을 생성하고, 생성된 복수의 메타 모델을 사용자에게 제공한다. 그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 사용자로부터 선택받은 메타 모델을 분할 알고리즘으로 선택할 수 있다.
여기서, 복수의 메타 모델은 작업 환경과 인식 대상의 명도차를 이용하는 고대비 모델(High Contrast Model), 작업 환경의 시각성 특성을 이용하는 배경 특징 모델(Distinctive Background Model), 인식 대상의 시각성 특성을 이용하는 물체 특징 모델(Distinctive Foreground Model) 및 변화가 적은 작업 환경의 특징을 이용하는 정적 배경 모델(Background Subtraction Model) 중에서 적어도 하나를 포함할 수 있다.
먼저, 고대비 모델(High Contrast Model)은 영상 정보에서 작업 환경인 배경과 인식 대상의 명도 차가 큰 경우 적용 가능한 모델이고, 배경 특징 모델(Distinctive Background Model)은 작업 환경이 특별한 시각적 특성을 가지고 있어, 작업 환경인 배경을 인식함으로써 인식 대상인 물체를 분할 할 수 있는 경우 적용이 가능하다.
그리고 물체 특징 모델(Distinctive Foreground Model)은 인식 대상의 영역이 특별한 시각적 특성을 가지고 있어, 인식 대상에 해당하는 부분을 직접적으로 분할할 수 있는 경우 적용이 가능하다. 또한, 정적 배경 모델(Background Subtraction Model)은 작업 환경인 배경이 매우 안정적이고, 변화가 적은 경우, 작업 환경에 상응하는 배경 영상을 미리 저장해 두고, 기 저장된 배경 영상과 입력받은 영상 정보의 차분을 이용하여 인식 대상을 분할할 수 있는 경우 적용이 가능하다.
또한, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 복수의 파라미터 값에 상응하는 복수의 메타 모델을 생성하고, 각각의 메타 모델을 적용한 결과값을 영상 형태로 사용자에게 제공한다. 그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 영상 형태로 제공한 결과값 중에서 사용자로부터 메타 모델을 분할 알고리즘으로 선택한다.
도 3은 S210 단계에서 사용자로부터 입력받은 파라미터 값에 상응하도록 생성된 메타 모델을 설명하기 위한 도면이다.
도 3에 도시한 바와 같이, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 입력된 영상 정보(310)에 메타 모델을 적용한 메타 모델 적용 결과 영상(320)을 출력하여 사용자에게 제공한다.
이때, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 기 설정된 메타 모델에 상응하는 메타 모델 적용 결과 영상(320)을 출력하여 사용자에게 제공하거나, 사용자로부터 파라미터 조정 패널(330)을 이용하여 입력받은 파라미터 값에 상응하는 메타 모델 적용 결과 영상(320)을 사용자에게 제공할 수 있다.
사용자가 파라미터 조정 패널(330)의 슬라이드 바(slide-bar)를 조절하는 경우, 슬라이드 바의 조절에 따른 파라미터 값의 변화를 실시간으로 반영하여, 메타 모델 적용 결과 영상(320)을 사용자에게 실시간으로 제공할 수 있다.
또한, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 다양한 이미지 분할 방식의 적용 결과 영상(340)를 사용자에게 제공할 수도 있으며, 이미지 분할 방식의 적용 결과 영상(340)에 적용된 이미지 분할 방식의 흐름도(350)에 관한 정보도 사용자에게 제공할 수 있다.
도 4는 S210 단계에서 생성된 복수의 메타 모델을 설명하기 위한 도면이다.
도 3과 같이, 사용자가 파라미터 조정 패널(330)의 슬라이드 바(slide-bar)를 조절할 수 있도록 하는 경우, 초보자가 파라미터 조절에 어려움을 겪을 수 있다. 따라서, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 도 4와 같이 사용자가 파라미터 값을 세세하게 조절하지 않고도 분할 알고리즘을 선택할 수 있도록 구현될 수 있다.
도 4에서, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 파라미터 값의 범위를 일정 간격으로 나누어 복수의 메타 모델을 생성한다. 그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 복수의 메타 모델이 포함된 메타 모델 리스트(420)와 선택된 메타 모델 적용 결과 영상(410)를 사용자에게 제공하고, 사용자로부터 메타 모델 리스트(420)에 포함된 메타 모델 중에서 어느 하나를 분할 알고리즘으로 선택받는다.
또한, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 메타 모델 리스트(420)에 포함된 각각의 메타 모델 하단에 메타 모델 각각에 상응하는 파라미터 값을 표시하여 사용자에게 제공할 수 있다. 그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 사용자로부터 메타 모델 리스트(420)에 포함된 메타 모델 중에서 어느 하나를 선택받으면, 선택된 메타 모델에 상응하는 적용 결과를 메타 모델 적용 결과 영상(410)을 통하여 사용자에게 제공한다.
즉, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 도 4와 같이 일정한 간격으로 복수의 파라미터 값을 설정하여 복수의 메타 모델을 설정하고, 복수의 메타 모델에 상응하는 적용 결과를 사용자에게 제공함으로써, 컴퓨터 비전 전문가가 아닌 사용자도 쉽게 분할 알고리즘을 선택하도록 할 수 있다.
다시 도 2에 대해 설명하면, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 복수의 특징 벡터를 생성한다(S220).
인식 대상에 포함된 물체들의 인식에 유용한 특징들은 인식 대상에 포함된 물체의 종류에 의존적이다. 예를 들어, 인식 대상이 검정색의 물체들로만 구성된 경우, 색상이라는 특징은 분별력이 거의 없고, 모양이라는 특징이 중요한 의미를 가질 수 있다. 또한, 인식 대상이 다양한 색상의 물체들로 구성된 경우, 색상이라는 특징이 물체를 구별할 수 있는 주요 특징이 될 수 있다.
그러나, 해당 특징이 인식 대상의 주요 특징이 될 수 있는지 여부는 특징을 추출하고 난 후, 데이터를 분석하는 과정에서 확인할 수 있는 사항이다. 따라서, S220 단계에서 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 활용 가능한 모든 특징 추출 컴포넌트를 적용하여 복수의 특징 벡터를 생성한다.
다음으로, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 복수의 훈련용 영상 정보를 입력받고, 입력받은 훈련용 영상 정보를 저장한다(S230).
여기서, 훈련용 영상 정보는 인식 대상에 포함된 각 물체의 자세, 위치 및 방향 중에서 적어도 하나가 다르게 설정되어 촬영된 것을 의미한다. 다양한 자세나 위치, 방향 및 상태에서의 훈련용 영상 정보를 수집할수록 인식 장치의 정확성 향상에 유리하다. 따라서 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 수동 또는 자동으로 작업 환경 또는 인식 대상을 움직이며 촬영한 훈련용 영상 정보를 입력받아 저장한다. 이때, 훈련용 영상 정보는 턴 테이블(Turn Table) 등을 이용하여 인식 대상에 포함된 물체를 자동으로 움직여서 촬영된 것일 수 있다.
그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 입력받은 훈련용 영상 정보가 인식 대상 맞춤형 비전 시스템 생성 장치(100)의 기계 학습에 적합한지 여부를 먼저 판단한 뒤, 해당 훈련용 영상 정보를 저장할 수 있다.
여기서, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 해당 영상이 기 저장된 이전 영상과 임계치 이상의 차이가 존재하는지 확인하여 해당 영상이 인식기의 훈련에 적합한지 여부를 판단할 수 있다. 이를 통하여 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 동일한 영상을 여러 번 수집하는 것을 방지할 수 있다.
또한, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 유의미 특징 벡터를 선택한다(S240).
인식 대상 맞춤형 비전 시스템 생성 장치(100)는 복수의 훈련용 영상 정보를 이용하여 복수의 특징 벡터 중에서 인식 대상에 대한 분별력이 임계치 이상인 유의미 특징 벡터를 선택한다.
인식 대상 맞춤형 비전 시스템 생성 장치(100)가 인식기 훈련에 주로 사용되는 인공 신경망, SVM(Support Vector Machine) 등의 기계 학습(Machine Learning) 기술을 사용하는 경우, 분별력이 낮은 특징 벡터들은 훈련이 진행되는 과정에서 가중치가 낮아져 자연스럽게 무시될 수 있다. 따라서, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 유의미 특징 벡터를 선택하는 S240 단계를 생략하고 인식 대상 맞춤형 비전 시스템을 생성 할 수도 있다.
그러나, 특징 벡터 추출에 많은 시간이 소요되고, 전체적인 효율성을 저하시킨다고 판단되는 경우, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 S240 단계를 통하여 유의미 특징 벡터를 선택한 후 후술할 기계 학습 과정을 수행할 수 있다.
S240 단계에서 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 두 가지 방법으로 유의미 특징 벡터를 선택할 수 있다. 먼저, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 훈련용 영상 정보에 포함된 제1 물체의 특징 벡터와 제2 물체의 특징 벡터간 차분인 차분 벡터를 이용하여 제1 물체와 제2 물체를 동일 물체 클래스 또는 이종 물체 클래스로 분류한다.
그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 동일 물체 클래스에 상응하는 특징 벡터의 평균 및 표준편차와 이종 물체 클래스에 상응하는 특징 벡터의 평균 및 표준편차를 이용하여 해당 특징 벡터를 유의미 특징 벡터로 선택할지 여부를 결정한다.
인식 대상 맞춤형 비전 시스템 생성 장치(100)는 이종 물체 클래스에 상응하는 특징벡터간의 차이(Inter-class Variation)가 크고, 동일 물체 클래스에 상응하는 특징 벡터간의 차이(Intra-class Variation)가 작은 것을 유의미 특징 벡터로 선택할 수 있다.
그리고 이를 위하여, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 인식 대상에 포함된 각각의 물체를 독립적인 클래스로 취급하지 않고, 도 5와 같이 동일 물체 클래스 및 이종 물체 클래스의 2군 분류 문제(Two Class Problem)으로 처리할 수 있다.
도 5는 S240 단계에서 Two Class Problem를 이용하여 유의미 특징 벡터를 선택하는 과정을 설명하기 위한 도면이다.
도 5에 도시한 바와 같이, 물체 클래스 i에서 추출한 특징 벡터 Vi와 물체 클래스 j로부터 추출한 특징벡터 Vj 사이의 차분인 차분 벡터(Difference Vector)를 Di,j라 할 때, 동일 물체 클래스(i=j)와 이종 물체 클래스(i≠j)의 Two Class Problem로 처리할 수 있으며, 인식 대상에 포함된 물체의 종류 개수에 상관없이 Two Class Problem로 처리할 수 있다.
인식 대상 맞춤형 비전 시스템 생성 장치(100)는 도 5에 도시된 바와 같이, 동일 물체 클래스와 이종 물체 클래스 총 2개의 클래스가 정의된 상태에서, 각 특징 추출 컴포넌트가 생성한 특징 벡터의 차분에 대한 통계적인 특성을 계산한다.
기본적으로 N차원 특징 벡터의 차분도 N차원 벡터가 된다. 동일 물체 클래스 특징 벡터의 평균 및 표준편차 {ms, σs}이고, 이종 물체 클래스 특징 벡터의 평균 및 표준편차가 {md, σd}라고 할 때, 이종 물체 클래스에 상응하는 특징벡터간의 차이(Inter-class Variation)가 크고, 동일 물체 클래스에 상응하는 특징 벡터간의 차이(Intra-class Variation)가 작다는 것은 ms와 md 간의 통계적인 거리가 멀다는 것을 의미한다.
따라서, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 수학식 1 및 수학식 2의 거리 측정값(Distance Measure)인 Gs와 Gd를 이용하여 해당 특징 벡터가 인식 대상을 인식하는데 얼마나 유용한지를 알아볼 수 있다.
Figure pat00004
여기서, Gs는 동일 물체 클래스의 특징 벡터를 기준으로 한 거리 측정값을 의미하고, ms는 동일 물체 클래스 특징 벡터의 평균을 의미하며, md는 이종 물체 클래스 특징 벡터의 평균을 의미하고, σs는 동일 물체 클래스 특징 벡터의 표준 편차를 의미한다.
Figure pat00005
여기서, Gd는 이종 물체 클래스의 특징 벡터를 기준으로 한 거리 측정값을 의미하고, ms는 동일 물체 클래스 특징 벡터의 평균을 의미하며, md는 이종 물체 클래스 특징 벡터의 평균을 의미하고, σd는 이종 물체 클래스 특징 벡터의 표준 편차를 의미한다.
Gs 및 Gd가 기 설정된 값 보다 작다는 것은 해당 특징 벡터가 유용하지 않다는 것을 의미하며, 이 경우 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 해당 벡터를 유의미 벡터로 선택하지 않을 수 있다.
즉, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 인식 대상 물체를 명백하게 분별하지 못하는 특징 벡터를 제거하는 목적으로 Gs 및 Gd를 사용할 수 있으며, Gs 및 Gd가 기 설정된 범위 내의 값을 가질 경우, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 기계 학습 및 평가와 연계하여 특징 벡터가 인식 성능에 미치는 영향을 평가하는데 활용할 수 있다.
또한, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 테스트 특징 벡터를 이용하여 해당 특징 벡터를 유의미 특징 벡터로 선택할지 여부를 결정할 수도 있다.
도 6은 S240 단계에서 특징 벡터의 조합을 이용하여 유의미 특징 벡터를 선택하는 과정을 설명하기 위한 도면이다.
도 6과 같이, C1부터 CK가지 K개의 특징추출 컴포넌트는 각각 Ni (i=1, ... K)차원의 특징 벡터를 생성한다. 그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 생성된 K개의 특징 벡터를 조합하여 기계학습에 사용할 특징 벡터(Fc)를 생성한다.
모든 특징 추출 컴포넌트가 인식 대상의 분류 시 의미 있는 결과를 낼 것이라고 가정할 때, 처리 시간에 관계없이 가장 좋은 인식 성능을 내기 위해서는 모든 특징 벡터를 활용하면 된다. 즉, Fc={F1, F2, ... FK}인 경우, 가장 좋은 성능을 낼 수 있다.
그러나, 모든 특징 벡터를 활용할 경우 처리시간의 부담이 커지므로, 인식 대상 맞춤형 비전 시스템 생성 장치(100) 유의미 특징 벡터를 선택하여, 유의미 특징 벡터를 이용하여 인식을 수행하도록 한다.
이를 위하여, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 모든 특징 벡터를 활용하는 FT를 이용하여 기계 학습을 수행하고, 특징벡터 Fi를 제거한 FT-i를 생성하여 기계 학습을 수행한다. 그리고 FT를 이용한 경우의 평가 결과 RT와 FT-i를 이용한 경우의 평가 결과인 RT-i를 이용하여 해당 특징벡터 Fi를 유의미 특징 벡터로 선택할지 여부를 결정한다.
인식 대상 맞춤형 비전 시스템 생성 장치(100)가 특징벡터 Fi를 유의미 특징 벡터로 선택할지 여부를 결정하기 위한 특징벡터의 평가 결과 Ai는 다음의 수학식 3을 통하여 연산될 수 있다.
Figure pat00006
여기서, Ai는 i번째 특징 추출 컴포넌트가 생성한 특징 벡터 Fi의 평가 결과를 의미하고, RT는 모든 특징 벡터를 활용하였을 때의 물체 인식률을 의미하며, RT-i는 특징벡터 Fi를 제외한 테스트 특징 벡터의 물체 인식률을 의미하고, Ti는 특징 추출 컴포넌트 i가 특징벡터 Fi를 처리하는데 소요되는 시간을 의미하며,
Figure pat00007
와
Figure pat00008
는 각각 물체 인식률 가중치 및 소요 시간 가중치를 의미한다.
수학식 3에서, (RT-RT-i)가 크다는 것은, 특징 벡터 Fi가 채용됨으로써 발생하는 인식 성능 개선의 효과가 크다는 것을 의미하고, Ti가 크다는 것은 특징 벡터 Fi가 채용됨으로써 소요되는 처리 시간의 부담이 커진다는 것을 의미한다.
따라서, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 물체 인식의 용도 및 특성에 상응하도록 물체 인식률 가중치
Figure pat00009
와 소요 시간 가중치
Figure pat00010
를 설정하여 해당 특징 벡터 Fi를 채용할지 여부를 결정할 수 있다.
예를 들어, 실시간 처리가 요구되는 인식을 수행해야 하는 경우, 성능 개선 효과가 매우 좋더라도, 소요 시간이 크다면 해당 특징 벡터는 채용될 수 없다. 또한, 시간 부담이 적은 특징 벡터는 성능 개선 효과가 크게 좋지 않더라도 채용할 수 있다. 따라서 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 이러한 점을 고려하여 물체 인식률 가중치 및 소요 시간 가중치를 설정하거나, 사용자로부터 가중치 설정값을 입력받을 수 있다.
또한, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 특징 벡터 Fi를 채용할 지 여부를 결정하는 Ai값의 임계값도 사용자로부터 입력받아 설정할 수 있다. 그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 Ai가 임계치 이상의 값을 갖는 모든 조합의 결과인 처리 시간 및 인식률을 사용자에게 제시하고, 사용자로부터 선택받을 수도 있다.
그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 선택된 유의미 특징 벡터를 이용하여 기계학습을 수행한다(S250).
다음으로, 기계학습을 통하여 훈련된 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 인식 대상에 포함된 물체의 자세를 인식한다(S260).
이때, 인식 대상 맞춤형 비전 시스템 생성 장치(100)에는 인공 신경망뿐만 아니라 SVM(Support Vector Machine), Maximum Likelihood Classifier 등과 같은 Supervised Training에 기반한 분류기가 모두 적용될 수 있으며, 인식 대상 맞춤형 비전 시스템 생성 장치(100)의 지정된 인터페이스를 갖춘 경우 모두 활용 가능하다.
그리고 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 분할 알고리즘이 적용된 영상 정보로부터 물체의 위치, 방향(Orientation), 영상의 무게중심 및 기본 성분(Principal Component) 중에서 적어도 하나를 포함하는 물체의 자세를 인식한다.
마지막으로, 인식 대상 맞춤형 비전 시스템 생성 장치(100)는 맞춤형 비전 시스템 알고리즘을 패키지화하여 저장한다(S270).
인식 대상 맞춤형 비전 시스템 생성 장치(100)는 작업 환경 및 인식 대상의 특성을 고려하여 선택된 분할 알고리즘 및 유의미 특징 벡터가 설정된 맞춤형 비전 시스템 알고리즘이 완성되면, 완성된 맞춤형 비전 시스템 알고리즘을 시스템에 쉽게 적용할 수 있도록 패키지화 한다.
여기서, 패키지화라는 것은 맞춤형 비전 시스템 알고리즘을 생성한 시스템 이외의 시스템에서도 간단하게 수행할 수 있도록 전체적인 인식 알고리즘의 처리 과정에 관한 정보, 관련 컴포넌트 자체 및 각각의 컴포넌트에 대한 파라미터 등을 모두 포함하는 데이터 패키지(Data Package)를 생성하는 것을 의미한다. 이렇게 생성된 데이터 패키지는 동일한 실행 환경에서 간단하게 적용되어 활용될 수 있다.
이상에서와 같이 본 발명에 따른 인식 대상 맞춤형 비전 시스템 생성 장치 및 그 방법은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
100: 인식 대상 맞춤형 비전 시스템 생성 장치
110: 알고리즘 선택부
120: 특징 추출부
130: 데이터 수집부
140: 인식 훈련부
150: 인식부
160: 패키지 구성부
310: 입력된 영상 정보
320: 메타 모델 적용 결과 영상
330: 파라미터 조정 패널
340: 이미지 분할 방식의 적용 결과 영상
350: 이미지 분할 방식의 흐름도
410: 선택된 메타 모델 적용 결과 영상
420: 파라미터 값에 따른 메타 모델 리스트

Claims (1)

  1. 입력받은 영상 정보에 상응하는 작업 환경과 하나 이상의 물체를 포함하는 인식 대상의 특성을 고려하여 분할 알고리즘을 선택하는 알고리즘 선택부,
    상기 영상 정보로부터 특징 추출 컴포넌트에 상응하는 복수의 특징 벡터를 생성하는 특징 추출부,
    상기 인식 대상에 포함된 각 물체에 상응하는 복수의 훈련용 영상 정보를 입력받아 저장하는 데이터 수집부,
    상기 복수의 훈련용 영상 정보를 이용하여, 상기 특징 벡터 중에서 상기 인식 대상에 대한 분별력이 임계치 이상인 유의미 특징 벡터를 선택하고, 선택된 상기 유의미 특징 벡터를 이용하여 기계학습을 수행하는 인식 훈련부, 그리고
    상기 분할 알고리즘이 적용된 상기 영상 정보로부터 상기 물체의 위치, 방향, 무게중심, 기본 성분 중에서 적어도 하나를 포함하는 상기 물체의 자세를 인식하는 인식부를 포함하는 인식 대상 맞춤형 비전 시스템 생성 장치.
KR1020160001772A 2016-01-06 2016-01-06 인식 대상 맞춤형 비전 시스템 생성 장치 및 방법 KR20170082412A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160001772A KR20170082412A (ko) 2016-01-06 2016-01-06 인식 대상 맞춤형 비전 시스템 생성 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160001772A KR20170082412A (ko) 2016-01-06 2016-01-06 인식 대상 맞춤형 비전 시스템 생성 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20170082412A true KR20170082412A (ko) 2017-07-14

Family

ID=59358670

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160001772A KR20170082412A (ko) 2016-01-06 2016-01-06 인식 대상 맞춤형 비전 시스템 생성 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20170082412A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180112324A (ko) * 2017-04-03 2018-10-12 한국전자통신연구원 공정 레시피 기반의 자동 조립 장치 및 방법
CN110823218A (zh) * 2018-08-10 2020-02-21 极光飞行科学公司 物体跟踪系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180112324A (ko) * 2017-04-03 2018-10-12 한국전자통신연구원 공정 레시피 기반의 자동 조립 장치 및 방법
CN110823218A (zh) * 2018-08-10 2020-02-21 极光飞行科学公司 物体跟踪系统

Similar Documents

Publication Publication Date Title
Hoang Ngan Le et al. Robust hand detection and classification in vehicles and in the wild
CN109145766B (zh) 模型训练方法、装置、识别方法、电子设备及存储介质
US10068131B2 (en) Method and apparatus for recognising expression using expression-gesture dictionary
CN107180226A (zh) 一种基于组合神经网络的动态手势识别方法
CN107194323A (zh) 车辆定损图像获取方法、装置、服务器和终端设备
EP3647992A1 (en) Face image processing method and apparatus, storage medium, and electronic device
CN103926999A (zh) 手掌开合手势识别方法和装置、人机交互方法和设备
Dutta et al. Predicting human actions taking into account object affordances
Rea et al. Human motion understanding for selecting action timing in collaborative human-robot interaction
CN109753884A (zh) 一种基于关键帧提取的视频行为识别方法
CN108073851A (zh) 一种抓取手势识别的方法、装置及电子设备
CN114730407A (zh) 使用神经网络对工作环境中的人类行为进行建模
KR20210020065A (ko) 비전 시스템을 갖는 이미지에서 패턴을 찾고 분류하기 위한 시스템 및 방법
CN115048969A (zh) 用于评估、理解和改进深度神经网络的视觉分析系统
EP2535787A2 (en) 3D free-form gesture recognition system for character input
US11132577B2 (en) System and a method for efficient image recognition
JP6812076B2 (ja) ジェスチャ認識装置およびジェスチャ認識プログラム
KR20170082412A (ko) 인식 대상 맞춤형 비전 시스템 생성 장치 및 방법
CN109493370A (zh) 一种基于空间偏移学习的目标跟踪方法
CN116994049A (zh) 全自动针织横机及其方法
CN115565146A (zh) 基于自编码器获取鸟瞰图特征的感知模型训练方法及系统
KR102430742B1 (ko) 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법
US20210390419A1 (en) Device and Method for Training and Testing a Classifier
KR102466433B1 (ko) 영상 분석 기반 작업 동작 인식 장치 및 방법
JP2023516776A (ja) 製造プロセスのためのシステム、方法及び媒体