KR20170091496A - 양안 시차 영상의 처리 방법 및 장치 - Google Patents

양안 시차 영상의 처리 방법 및 장치 Download PDF

Info

Publication number
KR20170091496A
KR20170091496A KR1020160099085A KR20160099085A KR20170091496A KR 20170091496 A KR20170091496 A KR 20170091496A KR 1020160099085 A KR1020160099085 A KR 1020160099085A KR 20160099085 A KR20160099085 A KR 20160099085A KR 20170091496 A KR20170091496 A KR 20170091496A
Authority
KR
South Korea
Prior art keywords
parallax
image
pixels
eye image
feature
Prior art date
Application number
KR1020160099085A
Other languages
English (en)
Other versions
KR102483641B1 (ko
Inventor
조우 동킹
구오 핑
왕 창
조백환
박근주
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to US15/338,618 priority Critical patent/US10582179B2/en
Publication of KR20170091496A publication Critical patent/KR20170091496A/ko
Application granted granted Critical
Publication of KR102483641B1 publication Critical patent/KR102483641B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106—Processing image signals
    • H04N13/0007—
    • H04N13/0022—
    • H04N13/0239—
    • H04N13/0246—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106—Processing image signals
    • H04N13/128—Adjusting depth or disparity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/204—Image signal generators using stereoscopic image cameras
    • H04N13/239—Image signal generators using stereoscopic image cameras using two 2D image sensors having a relative position equal to or related to the interocular distance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/204—Image signal generators using stereoscopic image cameras
    • H04N13/246—Calibration of cameras
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

양안 시차 영상의 처리 방법 및 장치가 개시된다. 양안 시차 영상의 시차 결정 방법은 좌안 영상과 우안 영상을 포함하는 상기 양안 시차 영상의 이벤트의 분포에 기초하여 상기 양안 시차 영상에 포함된 복수의 픽셀들의 특징을 획득하는 단계; 상기 픽셀들의 특징에 기초하여 상기 좌안 영상과 상기 우안 영상 간의 매칭되는 픽셀들의 비용 행렬을 계산하는 단계; 및 상기 비용 행렬에 기초하여 상기 매칭되는 픽셀들 각각의 시차를 결정하는 단계를 포함할 수 있다.

Description

양안 시차 영상의 처리 방법 및 장치{METHOD AND APPARATUS FOR PROCESSING BINOCULAR IMAGE}
아래의 설명은 양안 시차 영상의 처리 기술에 관한 것이다.
종래의 양안 시차 영상에 대한 처리 기술과 관련하여, 다이나믹 시각 센서(Dynamic Vision Sensor, DVS)는 CMOS(Complementary Metal Oxide Semiconductor)로 구성된 영상 센서의 일종이다. DVS에 의해 획득된 영상은 조명 변화의 크기에 근거하여 이벤트를 생성한다. 이벤트 부분은 조명 변화의 크기와 임계값을 비교하여 결정된다. 하지만, DVS에 의해 획득된 영상은 외부 영향에 민감하기 때문에 이벤트 부분에 노이즈가 많고 이벤트의 분포와 수량이 일치하지 않을 수 있다.
일 실시예에 따른 양안 시차 영상의 시차를 결정하는 방법은, 좌안 영상과 우안 영상을 포함하는 상기 양안 시차 영상의 이벤트의 분포에 기초하여 상기 양안 시차 영상에 포함된 복수의 픽셀들의 특징을 획득하는 단계, 상기 픽셀들의 특징에 기초하여 상기 좌안 영상과 상기 우안 영상 간의 매칭되는 픽셀들의 비용 행렬을 계산하는 단계, 상기 비용 행렬에 기초하여 상기 매칭되는 픽셀들 각각의 시차를 결정하는 단계를 포함한다.
상기 특징을 획득하는 단계는, 상기 양안 시차 영상에 포함된 복수의 픽셀들을 이벤트 부분과 비-이벤트 부분으로 분할함으로써 이벤트의 분포를 획득하는 단계, 상기 비-이벤트 부분에 포함된 복수의 픽셀들 각각으로부터 이벤트 부분에 포함된 가장 가까운 픽셀까지의 유클라디언 거리를 계산하는 단계 및 상기 유클라디언 거리들 각각을 상기 비-이벤트 부분에 포함된 복수의 픽셀들의 각각의 특징으로 설정하는 단계를 포함할 수 있다.
상기 유클라디언 거리를 계산하는 단계는, 상기 비-이벤트 부분에 포함된 복수의 픽셀들과 상기 이벤트 부분에 포함된 복수의 픽셀들 사이의 유클라디언 거리를 나타내는 복수의 함수의 포물선들을 획득하는 단계, 상기 포물선들 사이의 교점들을 획득하는 단계 및 상기 교점들의 아래쪽 인벨로프를 기초로 상기 가장 가까운 픽셀까지의 유클라디언 거리를 계산하는 단계를 포함할 수 있다.
상기 비용 행렬을 계산하는 단계는, 상기 픽셀들의 특징에 기초하여 상기 좌안 영상과 상기 우안 영상 간의 매칭되는 픽셀들의 특징 매칭 비용을 계산하는 단계, 상기 픽셀들의 극성에 기초하여 상기 매칭되는 픽셀들의 극성 매칭 비용을 계산하는 단계 및 상기 특징 매칭 비용과 상기 극성 매칭 비용을 기초로 상기 매칭되는 픽셀들의 비용 행렬을 획득하는 단계를 포함할 수 있다.
상기 시차를 결정하는 단계는, 상기 비용 행렬을 필터링할 수 있다.
상기 양안 시차 영상의 시차 결정 방법은 상기 양안 시차 영상에서 노이즈를 제거하는 단계를 더 포함할 수 있다.
상기 노이즈를 제거하는 단계는, 상기 양안 시차 영상에 직교 분석을 적용함으로써 복수의 특징 벡터들을 획득하는 단계, 상기 복수의 특징 벡터들로부터 특징값들을 계산하는 단계, 상기 특징값들에 기초하여 상기 양안 시차 영상에서 노이즈를 제거하는 단계를 포함할 수 있다.
상기 양안 시차 영상의 시차 결정 방법은 상기 획득된 시차를 최적화하는 단계를 더 포함할 수 있다.
상기 최적화하는 단계는, 상기 복수의 픽셀들의 시차들 사이의 연관관계를 획득하는 단계 및 상기 획득된 시차들을 상기 연관관계에 기초하여 최적화하는 단계를 포함할 수 있다.
상기 연관관계를 획득하는 단계는, 상기 시차들에 대하여 교차 검증을 적용함으로써 상기 각 시차들에 대한 강인성 값을 획득하는 단계 및 상기 각 시차들에 대한 강인성 값을 기초로 모든 시차들 사이의 연관관계를 획득하는 단계를 포함할 수 있다.
상기 연관관계에 기초하여 최적화하는 단계는, 상기 강인성 값과 상기 연관관계를 기초로 밀집 조건부 랜덤 필드를 획득하는 단계 및 상기 시차들을 상기 밀집 조건부 랜덤 필드를 이용하여 최적화하는 단계를 포함할 수 있다.
상기 밀집 조건부 랜덤 필드를 이용하여 최적화하는 단계는, 상기 밀집 조건부 랜덤 필드에 기초하여 상기 매칭되는 픽셀들의 서브 픽셀 수준의 시차를 결정하는 단계 및 상기 서브 필셀 수준의 시차 및 상기 양안 시차 영상을 촬영한 카메라의 초점거리에 기초하여 상기 매칭되는 픽셀들의 깊이 값을 획득하는 단계를 포함할 수 있다.
일 실시예에 따른 양안 시차 영상을 생성하는 장치는, 좌안 영상과 우안 영상을 포함하는 상기 양안 시차 영상의 이벤트의 분포에 기초하여 상기 양안 시차 영상에 포함된 복수의 픽셀들의 특징을 획득하는 특징 획득부, 상기 픽셀들의 특징에 기초하여 상기 좌안 영상과 상기 우안 영상 간의 매칭되는 픽셀들의 비용 행렬을 계산하는 행렬 계산부, 상기 비용 행렬에 기초하여 상기 매칭되는 픽셀들 각각의 시차를 결정하는 시차 결정부를 포함할 수 있다.
상기 양안 시차 영상의 시차 결정 장치는 상기 양안 시차 영상에서 노이즈를 제거하는 노이즈 제거부를 더 포함할 수 있다.
상기 양안 시차 영상의 시차 결정 장치는 상기 획득된 시차를 최적화하는 최적화부를 더 포함할 수 있다.
도 1은 일 실시예에 따른 시점이 다른 복수의 카메라를 이용하여 오브젝트에 대한 양안 시차 영상을 획득하는 상황을 도시한 도면이다.
도 2는 일 실시예에 따른 양안 시차 영상의 시차를 결정하는 방법의 순서를 도시한 순서도이다.
도 3은 일 실시예에 따른 좌안 영상과 우안 영상으로부터 픽셀들의 특징을 획득하는 순서를 도시한 순서도이다.
도 4는 일 실시예에 따른 양안 시차 영상의 시차를 결정하는 방법에 따라 추출된 특징을 시각화한 도면이다.
도 5는 일 실시예에 따른 양안 시차 영상의 시차를 결정하는 방법에 따라 획득된 시차를 시각화한 도면이다.
도 6은 일 실시예에 따른 최적화 방법에 따라 최적화된 효과를 비교하기 위한 도면이다.
도 7은 일 실시예에 따른 양안 시차 영상의 시차 결정 장치의 전체적인 구성을 도시한 도면이다.
도 8은 일 실시예에 따른 양안 시차 영상의 시차 결정 장치의 각 구성에 의해 수행되는 동작을 도시한 흐름도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
이하 DVS에 의해 획득된 영상은 DVS 영상이라고 지칭될 수 있다. 양안 시차 영상은 스테레오 영상이라고 지칭될 수 있다.
도 1은 일 실시예에 따른 시점이 다른 복수의 카메라를 이용하여 오브젝트에 대한 양안 시차 영상을 획득하는 상황을 도시한 도면이다.
카메라(110)와 카메라(120)는 DVS로 구성될 수 있다. 카메라(110)와 카메라(120)는 각도 θ만큼의 위상 차이에 배치되어 오브젝트(100)을 촬영할 수 있다.
예를 들어, 오브젝트(100)에는 설명을 위해 x마크가 가운데 표시되어 있다. 카메라(110)에 의해 획득된 영상(111)과 카메라(120)에 의해 획득된 영상(121)은 오브젝트(100)을 다른 방향에서 나타낼 수 있다. 영상(111)에서 x마크는 오브젝트(100)의 가운데 위치하지만, 영상(121)에서 x마크는 오브젝트(100)의 가운데로부터 좌측으로 치우쳐져 있다. 이것은 카메라(110)와 카메라(120)가 각도 θ만큼의 위상 차이로 오브젝트(100)을 촬영하기 때문이다.
양안 시차 영상이 렌더링되기 위해선 카메라(110)와 카메라(120)에 의해 촬영된 동일한 오브젝트(100)에 대한 두 영상간의 시차가 확정되어야 한다. DVS 영상은 조명 변화의 크기에 기초하여 픽셀이 매칭되고 시차가 확정될 수 있다.
조명 변화의 크기가 임계값 이상인 픽셀들이 모인 부분은 이벤트 부분이라고 지칭될 수 있다. DVS 영상에서 이벤트는 보통 오브젝트(100)의 경계 또는 프레임의 주변에 나타난다. 따라서, DVS 영상에서 이벤트는 오브젝트(100)의 구조에 대한 정보를 나타낼 수 있다. DVS 영상에서 동일한 오브젝트(100)은 보통 유사한 구조를 나타낸다. 따라서, 좌안 영상에 대응되는 이벤트와 우안 영상에 대응되는 이벤트는 유사한 구조를 나타낼 수 있다.
DVS 영상은 이벤트 부분에 노이즈가 많고 이벤트의 분포와 수량이 일치하지 않는 등의 문제가 있으므로, 특별한 처리를 요한다. 일 실시예에 따른 양안 시차 영상의 시차 결정 장치는 간단한 알고리즘을 이용하여 픽셀과 이벤트 사이의 연관관계를 구하고 이벤트의 분포를 획득함으로써 픽셀의 특징을 신속하게 획득하기 때문에 계산 시간을 단축시킬 수 있다.
도 2는 일 실시예에 따른 양안 시차 영상의 시차를 결정하는 방법의 순서를 도시한 순서도이다.
일 실시예에 따르면, 단계(210)에서 시차 결정 장치는 양안 시차 영상에서 노이즈를 제거할 수 있다. 단계(210)는 단계(220) 전에 수행될 수 있다. 양안 시차 영상은 좌안 영상과 우안 영상을 포함한다.
단계(211)에서, 시차 결정 장치는 양안 시차 영상에 직교 분석을 적용함으로써 복수의 특징 벡터들을 획득할 수 있다. DVS 영상에서 이벤트 부분은 조명 변화의 크기에 기초하여 생성되며, 이벤트 부분은 보통 오브젝트(100)의 경계 주변에 분포된다. 여기서 이벤트의 분포가 성긴 부분은 노이즈로 판단되고, 이벤트의 분포가 밀집된 부분은 시차 결정을 위한 소스로 판단될 수 있다. 이벤트의 분포가 밀집된 정도는 연관관계가 강하다고 지칭될 수 있다. 이벤트의 분포의 연관관계는 직교 분석을 이용하여 획득될 수 있다.
단계(213)에서, 시차 결정 장치는 복수의 특징 벡터들로부터 특징값들을 계산할 수 있다. 연관 관계는 특징 벡터로 나타낼 수 있다. 연관관계가 강한 이벤트의 분포에 대응되는 특징 벡터의 특징 값은 비교적 크고, 연관관계가 작은 이벤트의 분포에 대응되는 특징 벡터의 특징 값은 비교적 작다. 특징 값이 작은 특징 벡터에 대응되는 이벤트의 부분은 노이즈로 판단될 수 있다.
단계(215)에서, 시차 결정 장치는 특징값들에 기초하여 양안 시차 영상에서 노이즈를 제거할 수 있다. 시차 결정 장치는 특징 벡터들의 특징값을 크기 순으로 정렬할 수 있다. 시차 결정 장치는 오름차순으로 특징 벡터들을 정렬하고 특징값이 작은 순서로 기 설정된 개수의 특징 벡터를 노이즈로 판단할 수 있다. 또는 시차 결정 장치는 내림차순으로 특징 벡터들을 정렬하고 특징값이 작은 순서로 기 설정된 개수의 특징 벡터를 노이즈로 판단할 수 있다. 시차 결정 장치는 노이즈로 판단된 특징 벡터를 제외하고 나머지 특징 벡터를 조합함으로써 노이즈가 제거된 DVS 영상을 획득할 수 있다.
양안 시차 영상은 좌안 영상과 우안 영상을 포함할 수 있으므로, 각 영상에 대하여 노이즈 제거 과정이 수행될 수 있다.
좌안 영상에 직교 분석이 적용되어 특징 벡터가 획득되고, 특징 벡터의 특징값이 제거될 수 있다. 특징값의 크기에 따라 특징 벡터가 오름차순 또는 내림차순으로 정렬된 후, 특징값이 작은 순으로 기 설정된 개수의 특징 벡터가 노이즈로 판단될 수 있다. 시차 결정 장치는 노이즈로 판단된 특징 벡터를 제거한 나머지 특징 벡터에 대응되는 좌안 영상의 부분을 조합하여 노이즈가 제거된 좌안 영상을 획득할 수 있다.
우안 영상에 직교 분석이 적용되어 특징 벡터가 획득되고, 특징 벡터의 특징값이 제거될 수 있다. 특징값의 크기에 따라 특징 벡터가 오름차순 또는 내림차순으로 정렬된 후, 특징값이 작은 순으로 기 설정된 개수의 특징 벡터가 노이즈로 판단될 수 있다. 시차 결정 장치는 노이즈로 판단된 특징 벡터를 제거한 나머지 특징 벡터에 대응되는 우안 영상의 부분을 조합하여 노이즈가 제거된 우안 영상을 획득할 수 있다.
이하에서 노이즈 제거 과정이 수학식 1을 통하여 설명된다.
Figure pat00001
식 1은 예시적인 노이즈 제거 공식을 나타낸다. I가 입력되는 양안 시차 영상이고,
Figure pat00002
는 노이즈가 제거된 양안 시차 영상이며, e는 양안 시차 영상 내의 노이즈로 판단되는 부분이다. 여기서, 내림차순으로 특징 벡터가 정렬되는 경우, 파라미터 k는 특징값이 큰 순서대로 특징 벡터의 개수를 나타낸다. r은 특징 벡터의 전체 개수를 표시하고,
Figure pat00003
는 제i 번째 특징 벡터의 특징값을 표시하고, i는 특징벡터의 번호를 나타내며,
Figure pat00004
와
Figure pat00005
는 제i 번째의 직교하는 특징 벡터를 나타내고, H는 치환 오퍼레이션을 나타낸다. I에서 e를 제거함으로써
Figure pat00006
가 획득될 수 있다.
일 실시예에 따르면, 단계(220)에서 시차 결정 장치는 양안 시차 영상의 이벤트의 분포에 기초하여 양안 시차 영상에 포함된 복수의 픽셀들의 특징을 획득한다.
단계(221)에서 시차 결정 장치는 양안 시차 영상에 포함된 복수의 픽셀들을 이벤트 부분과 비-이벤트 부분으로 분할함으로써 이벤트의 분포를 획득할 수 있다. 이벤트 부분에 포함된 픽셀들의 특징은 초기화될 수 있다. 예를 들어, 이벤트 부분에 포함된 픽셀들의 특징은 0으로 설정될 수 있다.
단계(223)에서 시차 결정 장치는 비-이벤트 부분에 포함된 복수의 픽셀들 각각으로부터 이벤트 부분에 포함된 가장 가까운 픽셀까지의 유클라디언 거리를 계산할 수 있다. 계산된 유클라디언 거리는 비-이벤트 부분에 포함된 복수의 픽셀들 각각의 특징을 나타낼 수 있다.
가장 가까운 픽셀까지의 유클라디언 거리를 계산하기 위하여, 시차 결정 장치는 비-이벤트 부분에 포함된 복수의 픽셀들과 이벤트 부분에 포함된 복수의 픽셀들 사이의 유클라디언 거리를 나타내는 복수의 함수의 포물선들을 획득할 수 있다. 시차 결정 장치는 획득된 포물선들 사이의 교점들을 획득할 수 있다. 시차 결정 장치는 교점들의 아래쪽 인벨로프를 기초로 가장 가까운 픽셀까지의 유클라디언 거리를 계산할 수 있다.
단계(225)에서, 시차 결정 장치는 유클라디언 거리들 각각을 비-이벤트 부분에 포함된 복수의 픽셀들의 각각의 특징으로 설정할 수 있다.
이처럼, 시차 결정 장치는 각 픽셀에 대한 특징의 계산을 유클라디언 거리의 계산으로 치환할 수 있다. 유클라디언 거리의 계산은 간단한 알고리즘이므로 계산량은 현저하게 줄어들 수 있다.
양안 시차 영상은 좌안 영상과 우안 영상을 포함할 수 있으므로, 각 영상에 대하여 유클라디언 거리를 계산하는 알고리즘이 적용될 수 있다.
시차 결정 장치는 좌안 영상에 포함된 복수의 픽셀들을 이벤트 부분과 비-이벤트 부분으로 분할함으로써 이벤트의 분포를 획득할 수 있다. 이벤트 부분에 포함된 픽셀들의 특징은 초기화될 수 있다. 예를 들어, 이벤트 부분에 포함된 픽셀들의 특징은 0으로 설정될 수 있다. 시차 결정 장치는 비-이벤트 부분에 포함된 복수의 픽셀들 각각으로부터 이벤트 부분에 포함된 가장 가까운 픽셀까지의 유클라디언 거리를 계산할 수 있다. 계산된 유클라디언 거리는 좌안 영상의 비-이벤트 부분에 포함된 복수의 픽셀들 각각의 특징을 나타낼 수 있다.
시차 결정 장치는 우안 영상에 포함된 복수의 픽셀들을 이벤트 부분과 비-이벤트 부분으로 분할함으로써 이벤트의 분포를 획득할 수 있다. 이벤트 부분에 포함된 픽셀들의 특징은 초기화될 수 있다. 예를 들어, 이벤트 부분에 포함된 픽셀들의 특징은 0으로 설정될 수 있다. 시차 결정 장치는 비-이벤트 부분에 포함된 복수의 픽셀들 각각으로부터 이벤트 부분에 포함된 가장 가까운 픽셀까지의 유클라디언 거리를 계산할 수 있다. 계산된 유클라디언 거리는 우안 영상의 비-이벤트 부분에 포함된 복수의 픽셀들 각각의 특징을 나타낼 수 있다.
이하에서, 유클라디언 거리를 구하는 과정이 수학식 2를 통하여 설명된다.
Figure pat00007
수학식 2는 예시적인 유클라디언 거리 변환 공식을 나타낸다. 여기서,
Figure pat00008
는 픽셀 (x, y)과 가장 가까운 이벤트 (
Figure pat00009
)의 유클라디언 거리를 나타낸다. f(
Figure pat00010
)는 이벤트 (
Figure pat00011
)의 특징값을 표시한다. x는 픽셀 (x, y)의 횡좌표를 나타내고, y는 픽셀 (x, y)의 종좌표를 나타낸다. x'는 이벤트 (
Figure pat00012
)의 횡좌표를 나타내고, y'는 이벤트 (
Figure pat00013
)의 종좌표를 나타내며, n은 픽셀의 식별 번호이다.
수학식 2로 유클라디언 거리를 직접 구하려면 각 픽셀마다 2차 방정식을 구해야 하기에 계산 시간이 오래 걸린다. 본질적으로 수학식 2는 복수의 ((
Figure pat00014
), f(
Figure pat00015
))을 근으로 하는 포물선의 해를 구하는 문제로 볼 수 있다. 포물선의 해를 구하는 문제는 포물선 사이의 교점을 구하고 교점 이하의 영역을 구하는 문제로 이해될 수 있다. 이처럼, 유클라디언 거리를 구하는 문제는 포물선의 아래쪽 인벨로프 (lower envelope)의 해를 구하는 문제로 변환됨에 따라, 모든 픽셀에 대한 해를 구하는 문제는 최소의 포물선 교점의 집합을 구하는 문제로 변하게 된다.
유클라디언 거리 함수포물선 사이의 교점을 확정하는 것은 비교적 간단할 수 있다. 예를 들면,
Figure pat00016
와
Figure pat00017
를 근으로 하는 포물선 사이의 교점은, 수학식 3으로 신속하게 확정될 수 있다. 여기서, i, j는 이벤트의 식별 번호이다. 이와 같이, 시차 결정 장치는 단순한 알고리즘을 이용함으로써 계산 시간이 단축되고 실시간으로 유클라디언 거리를 구할 수 있다.
Figure pat00018
일 실시예에 따르면, 단계(230)에서 시차 결정 장치는 픽셀들의 특징에 기초하여 좌안 영상과 우안 영상 간의 매칭되는 픽셀들의 비용 행렬(cost matrix)을 계산한다. 비용 행렬은 특징 매칭 비용(feature matching cost)과 극성 매칭 비용(polar matching cost)으로 구성될 수 있다.
단계(231)에서, 시차 결정 장치는 픽셀들의 특징에 기초하여 좌안 영상과 우안 영상 간의 매칭되는 픽셀들의 특징 매칭 비용을 계산할 수 있다. 예를 들어, 특징 매칭 비용은 수학식 4을 이용하여 도출될 수 있다.
Figure pat00019
여기서,
Figure pat00020
는 매칭되는 픽셀(x, y)의 특징 매칭 비용을 나타낸다. W는 양안 시차 영상 내의 부분들의 집합을 나타내고,
Figure pat00021
는 W에 포함된 부분의 식별 번호를 나타내고, d는 현재 시차를 나타내며, N은 픽셀의 총 개수, n은 픽셀의 식별 번호를 나타낸다.
단계(233)에서, 시차 결정 장치는 픽셀들의 극성에 기초하여 매칭되는 픽셀들의 극성 매칭 비용을 계산할 수 있다. 예를 들어, 극성 매칭 비용은 수학식 5을 이용하여 도출될 수 있다.
Figure pat00022
여기서 CP(x, y, d)는 매칭되는 픽셀(x, y)의 극성 매칭 비용을 나타낸다. E(x, y)는 픽셀(x, y)의 좌표계 내에서의 극성을 나타내고, E(x+d, y)는 픽셀(x+d, y)의 좌표계 내에서의 극성을 나타낸다.
단계(235)에서, 시차 결정 장치는 특징 매칭 비용과 극성 매칭 비용을 기초로 매칭되는 픽셀들의 비용 행렬을 획득할 수 있다. 예를 들어, 극성 매칭 비용은 식5을 이용하여 도출될 수 있다.
Figure pat00023
여기서, C(x, y, d)는 매칭되는 픽셀(x, y)의 비용 행렬을 나타낸다. α는 선형 가중치이다.
이처럼, 시차 결정 장치는 이벤트를 매칭하는 과정을 픽셀을 매칭하는 과정으로 전환함으로써 희소한 이벤트 간의 매칭을 밀집한 픽셀 간의 매칭으로 전환 할 수 있다. 이를 통하여, 시차 결정 장치는 후속적으로 가능한 3차원 광경 모델링 및 영상 렌더링 등의 구체적인 응용 기술에 용이하게 적용될 수 있다.
일 실시예에 따르면, 단계(240)에서 시차 결정 장치는 비용 행렬에 기초하여 매칭되는 픽셀들 각각의 시차를 결정한다. 예를 들어, 시차 결정 장치는 그리디 승자 독식 전략(greedy strategy winner take all) 등의 알고리즘을 이용하여 좌안 영상과 우안 영상의 매칭되는 픽셀들 각각의 시차를 결정할 수 있다. 예를 들어, 시차 결정 장치는 수학식 7과 수학식 8을 이용하여 좌안 영상과 우안 영상의 시차를 결정할 수 있다.
Figure pat00024
여기서,
Figure pat00025
는 좌안 영상의 비용행렬이고,
Figure pat00026
는 픽셀(x, y)의 시차이다.
Figure pat00027
여기서,
Figure pat00028
는 우안 영상의 비용행렬이고,
Figure pat00029
는 픽셀(x, y)의 시차이다.
DVS 영상에서 비-이벤트 부분은 보통 미리 설정된 임계값보다 조명 변화의 크기가 낮다. 여기서, 픽셀들의 조명 변화의 크기가 유사하다는 것은 픽셀들에 대응하는 시점이 근접하다는 것을 의미한다. 인접한 비-이벤트 부분에 포함된 픽셀의 비용 값은 유사할 수 있다. 단계(235)에서 획득된 비용행렬에 대하여 스무딩 필터링 방식으로 필터링을 적용함으로써 비-이벤트 부분의 인접한 픽셀들의 비용 값을 유사하게 만들 필요가 있다.
단계(241)에서, 시차 결정 장치는 비용 행렬을 스무딩(smoothing) 필터링 방식으로 필터링할 수 있다. 시차 결정 장치는 스무딩 필터링 방식의 스무딩 인자를 설정할 수 있고, 스무딩 인자에 기초하여 비용행렬을 스무딩 필터링 방식으로 필터링할 수 있다. 단계(243)에서, 시차 결정 장치는 필터링된 비용 행렬을 기초로 매칭되는 픽셀들 각각의 시차를 결정할 수 있다.
예를 들어, 시차 결정 장치는 비용 행렬을 수학식 9를 이용하여 스무딩 필터링 방식으로 필터링할 수 있다.
Figure pat00030
여기서,
Figure pat00031
는 스무딩 필터링 방식으로 필터링된 비용 행렬을 나타낸다. p는 제p 번째 픽셀을 나타내고, d는 픽셀에 대응하는 시차를 표시하고; K는 근접한 부분에 속하는 픽셀의 개수를 나타낸다. q는 p에 근접한 부분에 속하는 픽셀을 나타내고,
Figure pat00032
는 스무딩 인자를 나타낸다.
Figure pat00033
는 수학식 10을 통해 계산될 수 있다.
Figure pat00034
여기서,
Figure pat00035
는 픽셀 p의 극성을 나타내고, v는 기 설정된 값이며 상수이다.
다른 실시예에 따르면, 단계(250)에서 시차 결정 장치는 획득된 시차를 최적화할 수 있다. 시차 결정 장치는 픽셀들의 시차 및 픽셀들의 특징들 사이의 연관관계에 기초하여 강인하지 않은 픽셀들의 시차를 최적화할 수 있다. 단계(250)는 단계(240) 이후에 수행될 수 있다.
단계(251)에서 시차 결정 장치는 복수의 픽셀들의 시차들 사이의 연관관계를 획득할 수 있다. 시차 결정 장치는 각 픽셀들의 특징을 확정한 후, 각 픽셀들의 특징에 기초하여 좌안 영상의 픽셀들의 특징과 우안 영상의 픽셀들의 특징 사이의 연관관계를 획득할 수 있다. 시차 결정 장치는 시차들에 대하여 교차 검증을 적용함으로써 각 시차들에 대한 강인성 값을 획득할 수 있다. 시차 결정 장치는 각 시차들에 대한 강인성 값을 기초로 모든 시차들 사이의 연관관계를 획득할 수 있다.
이처럼, 시차 결정 장치는 희소한 이벤트의 분포를 기초로 양안 시차 영상의 각 픽셀들의 특징을 얻을 수 있고 좌안 영상의 픽셀들의 특징과 우안 영상의 픽셀들의 특징 사이의 연관관계를 획득할 수 있다. 따라서, 시차 결정 장치는 비교적 간단한 알고리즘을 이용하여 각 픽셀들의 특징을 추출함으로써 계산 속도를 효과적으로 향상시킬 수 있다.
단계(253)에서 시차 결정 장치는 획득된 시차들을 연관관계에 기초하여 최적화할 수 있다. 시차 결정 장치는 밀집 조건부 랜덤 필드를 이용하여 시차들을 최적화할 수 있다. 시차 결정 장치는 밀집 조건부 랜덤 필드에 기초하여 매칭되는 픽셀들의 서브 픽셀 수준의 시차를 결정할 수 있다.
시차 결정 장치는 강인성 값과 연관관계를 기초로 밀집 조건부 랜덤 필드를 획득 할 수 있다. 시차 결정 장치는 강인한 픽셀의 시차를 기초로 밀집 조건부 랜덤 필드를 획득할 수 있고 이벤트 간의 연관관계를 나타낼 수 있다. 시차 결정 장치는 이벤트 간의 연관관계를 기초로 매칭되지 않는 픽셀의 시차를 효과적으로 예측하고 최적화하고 인접한 픽셀들의 시차에 스무딩 필터링 방식의 필터링을 적용하여 서브 픽셀 수준의 시차를 결정할 수 있다.
시차 결정 장치는 서브 필셀 수준의 시차 및 양안 시차 영상을 촬영한 카메라의 초점거리에 기초하여 매칭되는 픽셀들의 깊이 값을 획득할 수 있다. 시차 결정 장치는 픽셀들의 깊이 값을 기초로 시차들을 최적화할 수 있다.
양안 시차 영상은 좌안 영상과 우안 영상을 포함할 수 있으므로, 각 영상에 대하여 픽셀들의 깊이 값이 적용될 수 있다.
예를 들어, 좌안 DVS 영상에 대하여, 좌안 DVS 영상의 카메라 초점거리, 좌안 DVS 카메라와 우안 DVS 카메라 사이의 거리 및 좌안 DVS 영상내의 각 픽셀들의 서브 픽셀 수준에서의 시차에 기초하여 좌안 DVS 영상내의 각 픽셀들의 깊이 값이 획득될 수 있다.
예를 들어, 우안 DVS 영상에 대하여, 우안 DVS 영상의 카메라 초점거리, 우안 DVS 카메라와 좌안 DVS 카메라 사이의 거리 및 우안 DVS 영상내의 각 픽셀들의 서브 픽셀 수준에서의 시차에 기초하여 우안 DVS 영상내의 각 픽셀들의 깊이 값이 획득될 수 있다.
예를 들어, 시차 결정 장치는 수학식 11을 이용하여 시차들에 대하여 교차 검증을 적용함으로써 각 시차들에 대한 강인성 값을 획득할 수 있다.
Figure pat00036
여기서, 시차 결정 장치는
Figure pat00037
와
Figure pat00038
가 같은지 여부를 판단한다. 같은 경우 픽셀 (x, y)은 강인한 픽셀로 판단되고, 다른 경우 픽셀 (x, y)은 강인하지 않은 픽셀로 판단된다.
강인하지 않은 픽셀의 시차를 예측하기 위하여, 시차 결정 장치는 임의의 픽셀과 기타 모든 나머지 픽셀의 연관 관계를 계산함으로써 밀집 조건부 랜덤 필드 E(D)를 구축하고, 이를 이용하여 픽셀의 시차를 최적화할 수 있다. 예를 들어, 시차 결정 장치는 수학식 12를 이용하여 시차를 최적화할 수 있다.
여기서,
Figure pat00040
은 에너지 공식으로 각 픽셀의 시차의 강인성 값을 나타낸다. 교차 검증이 수행된 후에, 강인한 픽셀의 강인성 값은 N이고, 강인하지 않은 픽셀의 값은 0일 수 있다. 예를 들면 N=10일 수 있다.
Figure pat00041
은 에너지 공식으로 시차들 사이의 연관 관계를 나타낸다. 예를 들어, 그 정의는 수학식 13과 같을 수 있다.
Figure pat00042
여기서, di≠dj이면
Figure pat00043
이고, 그러지 않으면
Figure pat00044
은 0이다. i, j는 픽셀의 식별 번호이고, w1과 w2는 가중치이며,
Figure pat00045
,
Figure pat00046
와
Figure pat00047
는 입력된 수치 파라미터다.
시차 결정 장치는 픽셀의 시차들 사이의 연관관계에 근거하여 강인하지 않은 픽셀들의 시차를 최적화함으로써 서브 픽셀 수준의 시차를 얻을 수 있다. 경사하강법(gradient descent method)이 적용됨으로써 최적화 공식은 단순화될 수 있다. 단순화된 결과는 각 픽셀의 서브 픽셀 수준에서의 시차가 된다.
예를 들어, 시차 결정 장치는 카메라의 초점 f와 카메라의 거리 B에 기초하여 각 픽셀의 깊이 값 Z를 계산할 수 있다. 여기서, Z = f*B/d이고, d는 픽셀의 서브 픽셀 수준에서의 시차이다.
이상에서 구체적인 식을 통하여 각 단계가 설명되었으나, 각 단계의 수행은 상기 식들로 한정되지 않는다.
도 3은 일 실시예에 따른 좌안 영상과 우안 영상으로부터 픽셀들의 특징을 획득하는 순서를 도시한 순서도이다.
일 실시예에 따르면, 단계(310)에서, 시차 결정 장치는 DVS 카메라를 보정할 수 있다. 좌안 DVS 카메라의 초점거리, 우안 DVS 카메라의 초점거리 및 좌안 DVS 카메라와 우안 DVS 카메라 사이의 거리 등의 파라미터가 보정될 수 있다.
일 실시예에 따르면, 단계(320)에서 시차 결정 장치는 양안 시차 영상의 이벤트의 분포에 기초하여 양안 시차 영상에 포함된 복수의 픽셀들의 특징을 획득한다. 단계(320)는 좌안 영상으로부터 픽셀의 특징을 추출하는 과정과 우안 영상으로부터 픽셀의 특징을 추출하는 과정을 포함할 수 있다. 각 과정은 동시에 수행될 수도 있고, 순차적으로 수행될 수도 있다.
좌안 영상으로부터 픽셀의 특징을 추출하는 과정은 양안 시차 영상으로부터 좌안 영상을 획득하는 단계(321), 좌안 영상에 대해 직교 분해를 수행하여 노이즈 이벤트를 제거하는 단계(322) 및 노이즈 이벤트가 제거된 좌안 영상에 대하여 유클라디언 거리 변환을 수행하고 픽셀의 특징을 추출하는 단계(323)를 포함할 수 있다.
우안 영상으로부터 픽셀의 특징을 추출하는 과정은 양안 시차 영상으로부터 우안 영상을 획득하는 단계(321), 우안 영상에 대해 직교 분해를 수행하여 노이즈 이벤트를 제거하는 단계(322) 및 노이즈 이벤트가 제거된 우안 영상에 대하여 유클라디언 거리 변환을 수행하고 픽셀의 특징을 추출하는 단계(323)를 포함할 수 있다.
일 실시예에 따르면, 단계(230)에서 시차 결정 장치는 픽셀들의 특징에 기초하여 좌안 영상과 우안 영상 간의 매칭되는 픽셀들의 비용 행렬을 계산한다.
일 실시예에 따르면, 단계(240)에서 시차 결정 장치는 비용 행렬에 기초하여 매칭되는 픽셀들 각각의 시차를 결정한다. 단계(241)에서, 시차 결정 장치는 비용 행렬을 스무딩(smoothing) 필터링 방식으로 필터링할 수 있다. 단계(243)에서, 시차 결정 장치는 필터링된 비용 행렬을 기초로 매칭되는 픽셀들 각각의 시차를 결정할 수 있다. 이후, 단계(250)에서 시차 결정 장치는 획득된 시차를 최적화할 수 있다.
도 4는 일 실시예에 따른 양안 시차 영상의 시차를 결정하는 방법에 따라 추출된 특징을 시각화한 도면이다.
도 4는 본 발명의 실시방식에 따라 픽셀포인트 특징을 추출한 가시화 설명도이다. 이미지(410)는 입력되는 DVS 영상이며, 좌안 영상 또는 우안 영상일 수 있다. 이미지(420)는 이미지(410)에 대하여 픽셀로부터 추출된 특징을 가시화한 결과이다.
도 5는 일 실시예에 따른 양안 시차 영상의 시차를 결정하는 방법에 따라 획득된 시차를 시각화한 도면이다.
도 5에서, 이미지(510)는 입력되는 DVS 카메라로 촬영된 양안 시차 영상을 나타낸다. 이미지(510)에서 흑색이 아닌 부분은 이벤트가 발생된 부분을 나타낸다. 이미지(520)는 이미지(510)에 대하여 획득된 각 픽셀에 대한 시차를 밝기로 표시한 이미지다. 이미지(510)에서 더 밝을수록 시차가 큰 것을 나타내며, 카메라와의 거리가 더 가깝다는 것을 나타낸다.
도 6는 일 실시예에 따른 최적화 방법에 따라 최적화된 효과를 비교하기 위한 도면이다.
이미지(610)는 최적화 전의 예측 시차를 시각화한 이미지이고, 도면(620)은 최적화 후의 예측 시차를 시각화한 이미지이다. 이미지(610)에서 볼 수 있듯이, 시차를 최적화 하기 전에는 DVS 카메라로 촬영된 오브젝트의 형태가 유지되지 못하여 오브젝트의 형태가 비교적 크게 변형되어 있다. 이미지(620)에서 볼 수 있듯이, 시차를 최적화한 후에는 DVS 카메라로 촬영된 오브젝트의 형태가 유지되며 오브젝트의 형태가 비교적 작게 변형되어 있다.
도 7은 일 실시예에 따른 양안 시차 영상의 시차 결정 장치의 전체적인 구성을 도시한 도면이다. 도 8은 일 실시예에 따른 양안 시차 영상의 시차 결정 장치의 각 구성에 의해 수행되는 동작을 도시한 흐름도이다.
일 실시예에 따르면, 시차 결정 장치(700)는 특징 획득부(720), 행렬 계산부(730) 및 시차 결정부(750) 를 포함한다. 다른 실시예에 따르면, 시차 결정 장치(700)는 노이즈 제거부(710), 필터링부(740) 및 최적화부(760)를 더 포함할 수 있다.
노이즈 제거부(710)는 입력되는 양안 시차 영상에서 노이즈를 제거할 수 있다. 노이즈 제거부(710)는 직교 분석을 이용하여 이벤트의 분포가 밀집된 정도를 기초로 이벤트의 분포의 연관관계를 획득할 수 있다. 노이즈 제거부(710)는 연관 관계를 특징 벡터로 나타낼 수 있고, 특징 벡터의 특징 값이 작은 특징 벡터에 대응되는 이벤트 부분을 노이즈로 판단함으로써 양안 시차 영상에서 노이즈를 제거할 수 있다.
특징 획득부(720)는 양안 시차 영상의 이벤트의 분포에 기초하여 양안 시차 영상에 포함된 복수의 픽셀들의 특징을 획득한다. 또한, 특징 획득부(720)는 노이즈가 제거된 양안 시차 영상의 이벤트의 분포에 기초하여 양안 시차 영상에 포함된 복수의 픽셀들의 특징을 획득할 수 있다.
특징 획득부(720)는 유클라디언 거리 변환을 이용하여 픽셀들의 특징을 획득할 수 있다. 특징 획득부(720)는 수평 방향과 수직 방향 각각에 대하여 유클라디언 거리 변환을 적용하고 각 방향에 대하여 획득된 유클라디언 거리를 조합하여 픽셀의 특징을 획득할 수 있다.
행렬 계산부(730)는 픽셀들의 특징에 기초하여 좌안 영상과 우안 영상 간의 매칭되는 픽셀들의 비용 행렬을 계산한다. 행렬 계산부(730)는 특성 매칭을 이용하여 좌안 영상과 우안 영상 간의 매칭되는 픽셀들의 특징 매칭 비용을 구할 수 있다. 행렬 계산부(730)는 극성 매칭을 이용하여 좌안 영상과 우안 영상 간의 매칭되는 픽셀들의 극성 매칭 비용을 구할 수 있다. 행렬 계산부(730)는 특징 매칭 비용과 극성 매칭 비용을 기초로 비용 행렬을 계산할 수 있다.
필터링부(740)는 비용 행렬을 필터링할 수 있다. 필터링부(740)는 스무딩 필터링 방식의 스무딩 인자를 설정할 수 있고, 스무딩 인자에 기초하여 비용행렬을 스무딩 필터링 방식으로 필터링할 수 있다. 또한, 필터링부(740)는 가우시안(Gaussian) 필터링 방식으로 필터링할 수 있다.
시차 결정부(750)는 필터링된 비용 행렬을 기초로 매칭되는 픽셀들 각각의 시차를 결정할 수 있다. 예를 들어, 시차 결정부(750)는 그리디 승자 독식 전략 등의 알고리즘을 이용하여 좌안 영상과 우안 영상의 매칭되는 픽셀들 각각의 시차를 결정할 수 있다.
최적화부(760)는 획득된 시차를 최적화할 수 있다. 최적화부(760)는 시차들에 대하여 교차 검증을 적용함으로써 각 시차들에 대한 강인성 값을 획득할 수 있다. 강인하지 않은 픽셀의 시차를 예측하기 위하여, 최적화부(760)는 임의의 픽셀과 기타 모든 나머지 픽셀의 연관 관계를 계산함으로써 밀집 조건부 랜덤 필드를 구축하고, 이를 이용하여 픽셀의 시차를 최적화할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (16)

  1. 양안 시차 영상의 시차를 결정하는 방법에 있어서,
    좌안 영상과 우안 영상을 포함하는 상기 양안 시차 영상의 이벤트 분포에 기초하여 상기 양안 시차 영상에 포함된 복수의 픽셀들의 특징을 획득하는 단계;
    상기 픽셀들의 특징에 기초하여 상기 좌안 영상과 상기 우안 영상 간의 매칭되는 픽셀들의 비용 행렬을 계산하는 단계; 및
    상기 비용 행렬에 기초하여 상기 매칭되는 픽셀들 각각의 시차를 결정하는 단계
    를 포함하는 양안 시차 영상의 시차 결정 방법.
  2. 제1항에 있어서,
    상기 특징을 획득하는 단계는,
    상기 양안 시차 영상에 포함된 복수의 픽셀들을 이벤트 부분과 비-이벤트(non-event) 부분으로 분할함으로써 이벤트의 분포를 획득하는 단계;
    상기 비-이벤트 부분에 포함된 복수의 픽셀들 각각으로부터 이벤트 부분에 포함된 가장 가까운 픽셀까지의 유클라디언 거리를 계산하는 단계; 및
    상기 유클라디언 거리들 각각을 상기 비-이벤트 부분에 포함된 복수의 픽셀들의 각각의 특징으로 설정하는 단계
    를 포함하는 양안 시차 영상의 시차 결정 방법.
  3. 제2항에 있어서,
    상기 유클라디언 거리를 계산하는 단계는,
    상기 비-이벤트 부분에 포함된 복수의 픽셀들과 상기 이벤트 부분에 포함된 복수의 픽셀들 사이의 유클라디언 거리를 나타내는 복수의 함수의 포물선들을 획득하는 단계;
    상기 포물선들 사이의 교점들을 획득하는 단계; 및
    상기 교점들의 아래쪽 인벨로프를 기초로 상기 가장 가까운 픽셀까지의 유클라디언 거리를 계산하는 단계
    를 포함하는 양안 시차 영상의 시차 결정 방법.
  4. 제1항에 있어서,
    상기 비용 행렬을 계산하는 단계는,
    상기 픽셀들의 특징에 기초하여 상기 좌안 영상과 상기 우안 영상 간의 매칭되는 픽셀들의 특징 매칭 비용을 계산하는 단계;
    상기 픽셀들의 극성에 기초하여 상기 매칭되는 픽셀들의 극성 매칭 비용을 계산하는 단계; 및
    상기 특징 매칭 비용과 상기 극성 매칭 비용을 기초로 상기 매칭되는 픽셀들의 비용 행렬을 획득하는 단계
    를 포함하는 양안 시차 영상의 시차 결정 방법.
  5. 제1항에 있어서,
    상기 시차를 결정하는 단계는, 상기 비용 행렬을 필터링하는, 양안 시차 영상의 시차 결정 방법.
  6. 제1항에 있어서,
    상기 양안 시차 영상에서 노이즈를 제거하는 단계를 더 포함하는, 양안 시차 영상의 시차 결정 방법.
  7. 제6항에 있어서,
    상기 노이즈를 제거하는 단계는,
    상기 양안 시차 영상에 직교 분석을 적용함으로써 복수의 특징 벡터들을 획득하는 단계;
    상기 복수의 특징 벡터들로부터 특징값들을 계산하는 단계;
    상기 특징값들에 기초하여 상기 양안 시차 영상에서 노이즈를 제거하는 단계
    를 포함하는 양안 시차 영상의 시차 결정 방법.
  8. 제1항에 있어서,
    상기 획득된 시차를 최적화하는 단계를 더 포함하는 양안 시차 영상의 시차 결정 방법.
  9. 제8항에 있어서,
    상기 최적화하는 단계는,
    상기 복수의 픽셀들의 시차들 사이의 연관관계를 획득하는 단계; 및
    상기 획득된 시차들을 상기 연관관계에 기초하여 최적화하는 단계
    를 포함하는 양안 시차 영상의 시차를 결정하는 방법.
  10. 제9항에 있어서,
    상기 연관관계를 획득하는 단계는,
    상기 시차들에 대하여 교차 검증을 적용함으로써 상기 각 시차들에 대한 강인성 값을 획득하는 단계; 및
    상기 각 시차들에 대한 강인성 값을 기초로 모든 시차들 사이의 연관관계를 획득하는 단계
    를 포함하는 양안 시차 영상의 시차를 결정하는 방법.
  11. 제9항에 있어서,
    상기 연관관계에 기초하여 최적화하는 단계는,
    상기 강인성 값과 상기 연관관계를 기초로 밀집 조건부 랜덤 필드를 획득하는 단계; 및
    상기 시차들을 상기 밀집 조건부 랜덤 필드를 이용하여 최적화하는 단계
    를 포함하는 양안 시차 영상의 시차를 결정하는 방법.
  12. 제11항에 있어서,
    상기 밀집 조건부 랜덤 필드를 이용하여 최적화하는 단계는,
    상기 밀집 조건부 랜덤 필드에 기초하여 상기 매칭되는 픽셀들의 서브 픽셀 수준의 시차를 결정하는 단계; 및
    상기 서브 필셀 수준의 시차 및 상기 양안 시차 영상을 촬영한 카메라의 초점거리에 기초하여 상기 매칭되는 픽셀들의 깊이 값을 획득하는 단계
    를 포함하는 양안 시차 영상의 시차를 결정하는 방법.
  13. 컴퓨팅 하드웨어가 제1항 내지 제12항 중 어느 하나의 항의 방법을 실행하도록 하는 인스트럭션들을 저장하는 비일시적인(non-transitory) 컴퓨터 판독 가능한 저장 매체.
  14. 좌안 영상과 우안 영상을 포함하는 양안 시차 영상의 이벤트 분포에 기초하여 상기 양안 시차 영상에 포함된 복수의 픽셀들의 특징을 획득하는 특징 획득부;
    상기 픽셀들의 특징에 기초하여 상기 좌안 영상과 상기 우안 영상 간의 매칭되는 픽셀들의 비용 행렬을 계산하는 행렬 계산부; 및
    상기 비용 행렬에 기초하여 상기 매칭되는 픽셀들 각각의 시차를 결정하는 시차 결정부
    를 포함하는 양안 시차 영상의 시차 결정 장치.
  15. 제14항에 있어서,
    상기 양안 시차 영상에서 노이즈를 제거하는 노이즈 제거부를 더 포함하는, 양안 시차 영상의 시차 결정 장치.
  16. 제14항에 있어서,
    상기 획득된 시차를 최적화하는 최적화부를 더 포함하는, 양안 시차 영상의 시차 결정 장치.
KR1020160099085A 2016-02-01 2016-08-03 양안 시차 영상의 처리 방법 및 장치 KR102483641B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/338,618 US10582179B2 (en) 2016-02-01 2016-10-31 Method and apparatus for processing binocular disparity image

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610070550.XA CN107025660B (zh) 2016-02-01 2016-02-01 一种确定双目动态视觉传感器图像视差的方法和装置
CN201610070550.X 2016-02-01

Publications (2)

Publication Number Publication Date
KR20170091496A true KR20170091496A (ko) 2017-08-09
KR102483641B1 KR102483641B1 (ko) 2023-01-02

Family

ID=59523991

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160099085A KR102483641B1 (ko) 2016-02-01 2016-08-03 양안 시차 영상의 처리 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102483641B1 (ko)
CN (1) CN107025660B (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020032473A2 (en) 2018-08-08 2020-02-13 Samsung Electronics Co., Ltd. Electronic device for blurring image obtained by combining plural images based on depth information and method for driving the electronic device
CN113222945A (zh) * 2021-05-19 2021-08-06 西安电子科技大学 基于双目事件相机的深度信息测量方法
KR102334332B1 (ko) 2020-07-31 2021-12-02 숭실대학교 산학협력단 가이디드 필터링을 이용한 딥러닝 네트워크 기반 깊이 영상 결과 개선 방법, 이를 수행하기 위한 기록 매체 및 장치

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610069B (zh) * 2017-09-29 2020-10-09 西安电子科技大学 基于共享k-svd字典的dvs可视化视频去噪方法
US11143879B2 (en) * 2018-05-25 2021-10-12 Samsung Electronics Co., Ltd. Semi-dense depth estimation from a dynamic vision sensor (DVS) stereo pair and a pulsed speckle pattern projector
CN111209770B (zh) * 2018-11-21 2024-04-23 北京三星通信技术研究有限公司 一种车道线识别方法及装置
CN114365191A (zh) * 2019-11-06 2022-04-15 Oppo广东移动通信有限公司 图像的深度值的确定方法、图像处理器以及模组
CN111311667B (zh) * 2020-02-14 2022-05-17 苏州浪潮智能科技有限公司 一种内容自适应双目匹配方法和装置
CN113378684B (zh) * 2021-06-04 2024-03-29 北京顺造科技有限公司 清洁设备及用于清洁设备的光触发事件识别方法
CN113923319B (zh) * 2021-12-14 2022-03-08 成都时识科技有限公司 降噪装置、方法、芯片、事件成像装置及电子设备
CN115908170B (zh) * 2022-11-04 2023-11-21 浙江华诺康科技有限公司 双目图像的降噪方法、装置、电子装置和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110073198A (ko) * 2009-12-21 2011-06-29 한국전자통신연구원 스테레오 매칭 결과를 개선하는 장치, 상기 장치를 이용한 스테레오 매칭 결과를 개선 방법 및 스테레오 매칭 결과를 수신하는 시스템
KR20150070629A (ko) * 2013-12-17 2015-06-25 가톨릭대학교 산학협력단 스테레오스코픽 영상에서의 주요 객체 검출 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5404263B2 (ja) * 2009-09-07 2014-01-29 パナソニック株式会社 視差算出方法、および視差算出装置
US9361699B2 (en) * 2012-06-27 2016-06-07 Imec Taiwan Co. Imaging system and method
KR101887988B1 (ko) * 2012-07-03 2018-08-14 삼성전자 주식회사 이미지 센서 칩, 이의 동작 방법, 및 이를 포함하는 시스템
CN103325120A (zh) * 2013-06-30 2013-09-25 西南交通大学 一种快速自适应支持权值双目视觉立体匹配方法
CN104956654B (zh) * 2013-11-12 2018-09-18 康斯乔最高科学研究公司 用于检测光传感器矩阵中的光强时变的方法和设备
CN104766342A (zh) * 2015-03-30 2015-07-08 天津师范大学 基于时域视觉传感器的运动目标跟踪系统及测速方法
CN104902260B (zh) * 2015-06-30 2018-04-27 Tcl集团股份有限公司 一种图像视差的获取方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110073198A (ko) * 2009-12-21 2011-06-29 한국전자통신연구원 스테레오 매칭 결과를 개선하는 장치, 상기 장치를 이용한 스테레오 매칭 결과를 개선 방법 및 스테레오 매칭 결과를 수신하는 시스템
KR20150070629A (ko) * 2013-12-17 2015-06-25 가톨릭대학교 산학협력단 스테레오스코픽 영상에서의 주요 객체 검출 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020032473A2 (en) 2018-08-08 2020-02-13 Samsung Electronics Co., Ltd. Electronic device for blurring image obtained by combining plural images based on depth information and method for driving the electronic device
KR102334332B1 (ko) 2020-07-31 2021-12-02 숭실대학교 산학협력단 가이디드 필터링을 이용한 딥러닝 네트워크 기반 깊이 영상 결과 개선 방법, 이를 수행하기 위한 기록 매체 및 장치
CN113222945A (zh) * 2021-05-19 2021-08-06 西安电子科技大学 基于双目事件相机的深度信息测量方法
CN113222945B (zh) * 2021-05-19 2024-02-09 西安电子科技大学 基于双目事件相机的深度信息测量方法

Also Published As

Publication number Publication date
CN107025660B (zh) 2020-07-10
KR102483641B1 (ko) 2023-01-02
CN107025660A (zh) 2017-08-08

Similar Documents

Publication Publication Date Title
KR102483641B1 (ko) 양안 시차 영상의 처리 방법 및 장치
JP6622972B2 (ja) ポイントクラウドで特徴領域を抽出する方法及び装置
CN109829875B (zh) 用于估计视差的方法和装置
US8755630B2 (en) Object pose recognition apparatus and object pose recognition method using the same
KR20180087994A (ko) 스테레오 매칭 방법 및 영상 처리 장치
JP6471448B2 (ja) 視差深度画像のノイズ識別方法及びノイズ識別装置
US8433157B2 (en) System and method for three-dimensional object reconstruction from two-dimensional images
KR102455632B1 (ko) 스테레오 매칭 방법 및 장치
US9338437B2 (en) Apparatus and method for reconstructing high density three-dimensional image
US10582179B2 (en) Method and apparatus for processing binocular disparity image
EP2016559A2 (en) System and method for three-dimensional object reconstruction from two-dimensional images
CN112116639B (zh) 一种图像配准方法、装置及电子设备和存储介质
JP2009133753A (ja) 画像処理装置及びその方法
KR20160098012A (ko) 영상 매칭 방법 및 장치
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
JP2013185905A (ja) 情報処理装置及び方法、並びにプログラム
KR20190078890A (ko) 그리드 기반의 평면 추정 방법 및 장치
CN109961092B (zh) 一种基于视差锚点的双目视觉立体匹配方法及系统
Lee et al. Automatic 2d-to-3d conversion using multi-scale deep neural network
JP2017126264A (ja) 情報処理装置、情報処理方法およびプログラム
JP6601893B2 (ja) 画像処理装置、画像処理方法、及びプログラム
JP6156922B2 (ja) 三次元データ生成装置、三次元データ生成方法、及びプログラム
KR102240570B1 (ko) 신장 트리 생성 방법 및 장치，스테레오 매칭 방법 및 장치，업 샘플링 방법 및 장치，및 기준 픽셀 생성 방법 및 장치
KR20230060029A (ko) 평면 검출 장치 및 방법
JP6641313B2 (ja) 領域抽出装置及びプログラム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant