KR20170108339A

KR20170108339A - 영상에서 다수의 객체를 인식하는 방법

Info

Publication number: KR20170108339A
Application number: KR1020160032064A
Authority: KR
Inventors: 고종국; 박종열; 윤영석; 황중원
Original assignee: 한국전자통신연구원
Priority date: 2016-03-17
Filing date: 2016-03-17
Publication date: 2017-09-27
Also published as: KR102286571B1

Abstract

본 발명은 영상에서 다수의 객체를 인식하는 방법에 관한 것으로, 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법은, 복수의 객체별 학습 이미지에서 특징을 추출하고, 상기 추출된 특징 정보를 기반으로 클러스터링 모델링을 수행하여 클러스터 모델을 생성하고, 객체인식 모델링 학습을 수행하여 학습 모델을 생성하는 단계; 인식 대상 이미지를 입력받아서 특징을 추출하고, 추출된 특징 정보를 분석하여 클러스터 중심점 기반의 후보 객체 선정 과정과 클러스터 구성원 기반의 후보 객체 선정 과정을 통해 인식 대상 후보 객체들을 선정하는 단계; 및 상기 클러스터 모델 기반으로 선정된 후보 객체들을 대상으로 상기 학습 모델을 통해 개별적인 객체 인식 처리를 수행하여 복수의 객체를 인식하는 단계를 포함한다.

Description

영상에서 다수의 객체를 인식하는 방법{METHOD FOR RECOGNIZING PLURAL OBJECT IN IMAGE}

본 발명은 영상에서 다수의 객체를 인식하는 방법으로서, 보다 구체적으로는 인식 대상 객체의 종류가 다수일 경우에 효율적으로 영상 인식 처리를 수행할 수 있도록 하기 위한 영상에서 다수의 객체를 인식하는 방법에 관한 것이다.

영상으로부터 객체를 인식하는 기술은 영상 처리나 패턴 인식, 컴퓨터 비전과 신경망 등과 같은 다양한 분야에 걸쳐 활발히 연구되고 있으며, 상업적, 법적으로 많은 응용분야에 사용되고 있다.

이처럼 다양한 분야에 이용되는 객체 인식 기술은 영상 또는 이미지에 포함된 다양한 객체들 즉, 사람, 자동차, 강아지 등과 같은 객체들을 각각 구별하고 인식할 수 있도록 한다.

이전까지의 객체 인식 기술은 사람, 자동차와 같은 몇 종류의 객체만을 인식할 수 있었으나, 최근 다양한 필요에 따라 그 인식 대상 객체의 종류가 증가하여 수십, 수백 종의 객체를 인식할 수 있도록 하는 요구가 늘어나고 있는 실정이다.

이에 따라 HOG(Histogram of Oriented Gradient), SIFT(Scale Invariant Feature Transform) 등과 같은 특징들을 추출하고 SVM(Support Vector Machine) 분류기 등을 통해 객체를 인식할 수 있도록 하는 다양한 기술이 개발되고 있다.

그러나, 상술한 바와 같이 적은 종류의 객체를 인식하는 경우 이외에 수백 종 이상의 다양한 종류를 대상으로 객체를 인식하는 경우에는, 이러한 기존 방법이나 기술을 통해서는 객체 인식 처리 시간이 지나치게 늘어나거나 객체 인식 성능이 떨어지는 등의 한계가 있었다.

즉, 기존 방식으로 수백 종 이상의 다양한 객체를 인식해야 할 경우에는 우선, 각 객체를 인식하기 위해 인식해야 할 수백 종의 객체에 대한 특징을 추출해야 하고, 추출된 특징에 대해 모두 객체인식을 수행해야 하는 절차가 필요하게 되어, 상술한 바와 같이 처리 시간 및 성능에 많은 문제점이 발생한다.

또한, 수백 종 이상의 객체 인식을 위해 입력되는 이미지에서 모든 특징을 추출하고 해당 특징을 각 인식기에 넣어서 인식결정을 수행하도록 하는 과정들은, 인식해야 할 객체의 종류가 많아 질수록 그 처리 시간이 늘어날 수밖에 없는 한계가 있다.

아울러, 인식 대상이 수백 종 이상으로 늘어날수록 이와 같은 기존 방식으로는 그 인식 결과의 성능을 담보할 수 없는 문제점이 있다.

따라서, 본 발명은 상기와 같은 필요에 의해 창출된 것으로서, 패턴 인식 및 영상 인식을 통한 객체 검출시에, 인식 대상 객체의 종류가 매우 많은 경우에도 효율적으로 영상 인식 처리를 수행할 수 있는 객체 인식 방법을 제공하는데 그 목적이 있다.

본 발명의 다른 목적 및 장점들은 하기에 설명될 것이며, 본 발명의 실시예에 의해 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 첨부된 특허 청구 범위에 나타낸 수단 및 조합에 의해 실현될 수 있다.

상기와 같은 목적을 달성하기 위한 본 발명의 일 측면에 따른 영상에서 다수의 객체를 인식하는 방법은, 복수의 객체별 학습 이미지에서 특징을 추출하고, 상기 추출된 특징 정보를 기반으로 클러스터링 모델링을 수행하여 클러스터 모델을 생성하고, 객체인식 모델링 학습을 수행하여 학습 모델을 생성하는 단계; 인식 대상 이미지를 입력받아서 특징을 추출하고, 추출된 특징 정보를 분석하여 클러스터 중심점 기반의 후보 객체 선정 과정과 클러스터 구성원 기반의 후보 객체 선정 과정을 통해 인식 대상 후보 객체들을 선정하는 단계; 및 상기 클러스터 모델 기반으로 선정된 후보 객체들을 대상으로 상기 학습 모델을 통해 개별적인 객체 인식 처리를 수행하여 복수의 객체를 인식하는 단계를 포함한다.

본 발명에 따르면, 본 발명의 영상에서 다수의 객체를 인식하는 방법은, 입력받은 이미지에 대한 객체 인식 처리시에, 먼저 클러스터 모델 기반의 후보 객체를 선정하고, 이 후보 객체를 대상으로 SVM 기반의 인식 기능을 수행하여 입력 이미지의 인식 대상 객체의 종류가 매우 많은 경우에도, 입력된 이미지의 모든 객체에 대한 인식 처리를 수행하지 않을 수 있어 인식 처리시 시스템의 부하를 줄일 수 있는 효과를 제공한다.

아울러, 본 발명에 따른 영상 인식 알고리즘은 클러스터 모델 기반의 후보 객체를 선정하여 인식할 대상을 축소하고 선정된 후보 객체들에 대해서만 인식기를 수행하고 객체를 인식하도록 하여 전체적인 처리 수행 시간을 효율적으로 줄이고 인식 성능을 향상시킬 수 있는 효과를 제공한다.

도 1은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차를 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 모델 기반 후보 객체 선정 절차를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 중심점 기반의 KNN 후보 결정 절차의 예를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 구성원 기반 KNN 후보 결정 절차의 예를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 객체인식을 위한 SVM 학습 절차의 예를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법이 구현되는 객체 인식 장치의 구성을 나타낸 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.

본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차를 나타낸 도면이다.

본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법은, 인식 대상 객체의 종류가 다수일 경우에 효율적으로 영상 인식 처리를 수행할 수 있도록 하기 위한 영상에서 다수의 객체를 인식하는 방법으로써, 그 구성은 크게 학습 모델 생성을 위한 학습 알고리즘 처리 절차(S10 ~ S18)와, 인식할 모든 객체 중에서 클러스터 기반으로 후보 객체를 선정하는 절차(S20 ~ S24)와, 이렇게 선정된 후보 객체들을 통해 최종 객체를 인식하여 결과를 검출하는 절차(S26, S28)로 이루어진다.

이하에서는 도면을 참조하여 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법을 상세히 설명하도록 한다.

먼저, 객체 인식에 이용될 학습 모델을 생성하기 위해, 학습 이미지(화상, 정지화상, 동화상, 영상 포함)를 입력받는 절차가 진행된다(S10). 여기서 입력받는 학습 이미지는 객체 인식을 위해 다양한 종류의 객체별로 준비된다. 또한, 이러한 학습 이미지는 이후, 객체 인식 처리시에 보다 정확한 인식 및 판별을 위해 객체 종류별로 다양한 형태로 준비하는 것이 바람직하다.

다음으로, 학습 이미지를 입력받게 되면 입력받은 학습 이미지에서 특징을 추출하는 절차가 진행된다(S12). 여기서 특징이라 함은, 객체 인식을 위한 특징 정보로써, LBP(Local Bit Pattern), HOG(Histogram of Oriented Gradient) 등의 특징 정보를 이용할 수 있다. 또한, 이렇게 추출된 특징 정보는 특징 벡터(Vector)로 이용할 수 있다.

이후, 상기 입력받은 학습 이미지로부터 추출된 특징 정보(또는 특징 벡터)를 이용하여 클러스터링 모델링을 수행하는 절차가 진행된다(S14). 여기서, 클러스터링 모델링은, 특징 벡터를 다차원의 한점으로 생각하고 각 객체들의 특징 벡터 점들의 중심점을 구한다.

아래 [수학식 1]을 참조하여, 상기 클러스터링 모델링에서 중심점들을 구하는 예를 설명하기로 한다.

상기 [수학식 1]에서와 같이, 클러스터 C의 각 구성점들을 개수로 나누어서 클러스터 C의 중심점들을 구한다.

상술한, 클러스터링 모델링을 수행함과 함께 객체 인식 모델링 처리를 수행하는 절차가 진행된다(S16).

객체 인식 모델링을 통한 학습은 입력된 각 객체들의 positive 또는 negative 이미지들의 특징점들을 이용하여, 이들을 구분하는 초평면(hyperplane)을 생성하는 과정으로 이루어진다.

여기서, 초평면은 n차원 공간 상에서 f값이 1이되는 x₁, x₂, …, x_n 점들과 0이되는 x₁, x₂, …, x_n 점들을 두 그룹으로 분리하는 n차원 평면을 의미한다.

또한, 상기 객체 인식 모델링 처리는 SVM(Support Vector Machine) 방식을 이용하여 분류기를 생성하는 처리를 수행한다. 예를 들어, 사람 객체를 인식하는 분류기를 생성하는 과정을 설명하면, 먼저 사람 객체를 인식하기 위해 positive 와 negative 학습 이미지들로부터 LBP, HOG 등과 같은 특징 정보를 추출하고, 이 특징 정보 또는 특징 벡터를 SVM을 이용하여 분류기를 생성하도록 처리할 수 있다. 이러한 SVM 방식을 이용한 학습 과정에 대한 보다 상세한 설명은 추가 도면을 통해 후술하기로 한다.

상술한 바와 같이, 클러스터링 모델링과 객체 인식 모델링을 통해, 복수의 영상 인식 처리에 이용될 학습 모델 정보를 생성하도록 한다(S18). 이렇게 생성된 학습 모델 정보들은 추후 객체 인식을 위해 저장 절차를 거쳐 데이터베이스화 된다.

한편, 학습 이미지를 통한 학습 절차를 통해 학습 모델 정보가 데이터베이스에 구축되면, 인식할 대상 이미지를 통해 영상 인식 및 결과를 검출하는 절차를 진행한다.

우선, 인식할 대상 이미지를 입력받는 절차가 이루어진다(S20). 이때, 인식할 대상 이미지는 다수의 객체가 포함된 이미지가 입력될 수 있다. 또한, 인식 대상 이미지의 입력시에는 상술한 학습 이미지 입력시와 마찬가지로 입력수단을 통해 영상, 동영상, 이미지 등의 다양한 데이터 형태로 입력될 수 있다. 나아가, 상기 입력수단은 스캐너, 카메라, 센서 등 다양한 수단을 통해 이미지 정보를 입력받을 수 있다.

이렇게 인식 대상 이미지를 새로 입력받게 되면, 상기 단계 S12에서의 절차와 유사하게 인식 대상 이미지에서 특징을 추출하는 절차가 진행된다(S22). 즉, 입력받은 이미지에서 특징 추출시 LBP(Local Bit Pattern), HOG(Histogram of Oriented Gradient) 등의 특징 정보를 이용할 수 있고, 이렇게 추출된 특징 정보는 특징 벡터(Vector)로 이용할 수 있다.

한편, 본 발명의 일 실시예에 따라 입력받은 이미지에서 특징을 추출할 경우, LBP, HOG 등의 특징 정보를 이용하는 것으로 설명하고 있으나, 이 외의 다양한 특징 정보가 이용될 수 있음은 물론이다.

다음으로, 추출된 특징 정보는 바로 개별 객체 인식기를 통해 인식 처리를 수행하지 않고, 상기 단계 S14에서 생성한 클러스터 모델 기반으로 후보 객체 선정 절차를 진행한다(S24).

이때에는, 상술한 절차들을 통해 이미 저장된 클러스터 중심 정보들을 가져와서 추출된 특징 정보를 분석하여 다수의 객체들 중에서 어느 후보 객체인지를 선정하는 과정이 수행된다.

상기 S24 단계를 통해 선정된 후보 객체 정보가 출력되면, 모든 객체 정보가 아닌 출력된 후보 객체 정보들만을 대상으로 하여 객체 인식 처리를 수행하는 절차가 이루어진다(S26).

즉, 상기 S22 단계에서 추출된 특징 정보를 모두 객체 인식기를 통해 인식 처리하지 않고, 중간 절차를 통해 클러스터 모델 기반으로 선정된 후보 객체 정보들만을 객체 인식기로 인식 처리함으로써, 객체 인식기에서의 처리 부하와 객체 인식 처리 시간을 대폭 줄일 수 있게 된다.

이렇게 상기 S24 단계 및 S26 단계의 2가지 절차를 거친 후에, 입력된 이미지 또는 영상에 대한 객체 인식 및 결과를 검출하여 출력하는 절차가 진행된다(S28).

도 2는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 모델 기반 후보 객체 선정 절차를 나타낸 도면이다.

도 2에 도시된 클러스터 모델 기반 후보 객체 선정 절차는 상기 도 1을 통해 설명한 상기 S24 단계의 절차에 대한 예시이다.

즉, 도 2를 참조하면, 특징 정보 추출 절차를 통해 특징 벡터가 입력되면 입력된 특징 벡터에 대해 클러스터 중심점 기반의 후보 객체 선정 과정을 수행한다(S1, S2).

여기서, 클러스터 중심점 기반으로 후보 객체를 결정할 때에는 각 객체들의 특징 중심점을 기준으로 KNN(K Nearest Neighbor) 방식 기반으로 가까운 곳에 위치한 후보 객체들을 선정할 수 있다. 아울러, 클러스터 중심점 기반 KNN 후보 결정의 예는 이후에 추가 도면을 통해 설명하기로 한다.

다음으로, 클러스터 중심점 기반으로 후보가 결정되면, 선정된 클러스터 구성원 기반의 후보 객체 선정 절차를 수행한다(S3). 이 과정에서는 선정된 후보 객체들의 구성원 정보들을 이용하여 KNN 방식 기반의 가까운 위치에 있는 최종 후보 객체들을 선정하는 절차가 이루어진다.

이처럼, 클러스터 중심점 기반으로 후보 객체를 선정하고 난 이후에 선정된 해당 객체들에 속하는 모든 점들에 대해 최종 후보 객체를 선정하는 이유는, 처음부터 각 객체들에 속하는 모든 점들을 이용하여 KNN 방식 기반을 이용하여 가까운 곳의 후보 객체를 모두 선정하도록 할 경우, 모든 점들에 대하여 일일이 거리 및 위치 등을 비교해야 하며, 이는 처리 부하와 처리 시간이 늘어나는 문제가 있으므로 이를 해결하기 위함이다.

즉, 각 객체 클러스터들의 중심점을 이용하여 가까운 곳의 후보 객체들을 선정하고 난 이후에, 선정된 후보 객체들에 대해서만 다시 객체 내의 모든 점들을 이용하여 가까운 곳의 최종 후보 객체를 선정하도록 하여, 모든 객체들을 대상으로 할 경우에 비하여 처리 부하와 처리 시간을 줄일 수 있게 된다.

이와 같이, 두 단계의 후보 객체 선정 절차를 통해 최종 후보 객체를 결정하고, 해당 최종 후보 객체들의 정보를 출력하는 절차를 진행한다(S4).

도 3은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 중심점 기반의 KNN 후보 결정 절차의 예를 나타낸 도면이다.

도 3을 참조하여 클러스터 중심점 기반의 KNN 후보 결정 과정의 예를 설명하면, 새로 입력된 특징 벡터 xi를 기준으로 3개의 객체 클러스터에 대해 중심점들을 기반으로 KNN 기반의 가까운 후보 객체 영역을 선정할 수 있다. 예를 들어, K 값이 2인 경우라고 하면 빨간색 객체(a)와 초록색 객체(b)가 후보 객체로 선정된다.

도 4는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 클러스터 구성원 기반 KNN 후보 결정 절차의 예를 나타낸 도면이다.

도 4를 참조하면, 클러스터 구성원 기반 KNN 후보 결정 절차의 예는, 새로 입력된 X 점에 대해 예를 들어 선정된 2개의 객체 클러스터들(ω1, ω3)의 구성원 정보를 기준으로 KNN 기반의 가까운 후보 객체를 선정하는 과정이 도면에서와 같이 이루어진다.

이때에는, 중심점 기반의 객체 선정 절차를 통해 선택된 후보 객체들에 속하는 모든 점들을 기반으로 입력된 점과의 거리를 비교하여 계산하는 처리를 수행하게 되어, 상술한 중심점 기반의 객체 선정 처리에 비하면 그 처리 시간이 조금 더 소요될 수 있다.

도 5는 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법의 절차 중 객체인식을 위한 SVM 학습 절차의 예를 나타낸 도면이다.

도 5에서의 예와 같이, 사람 객체 인식 학습을 위해 positive 와 negative 학습 이미지에서 특징을 추출하고 이 특징 벡터를 가지고 SVM(Support Vector Machine) 학습 절차를 수행한다. 이때, SVM은 입력된 특징 벡터 정보들을 가지고 이들을 분류하기 위한 최적의 초평면(optimal hyperplane)을 생성하는 기능을 수행한다.

도 6은 본 발명의 일 실시예에 따른 영상에서 다수의 객체를 인식하는 방법이 구현되는 객체 인식 장치의 구성을 나타낸 도면이다.

도 6을 참조하여, 본 발명의 일 실시예에 따른 객체 인식 장치(100)의 구성을 설명하기로 한다.

도면에서와 같이, 본 발명에 따른 영상에서 다수의 객체를 인식하는 방법이 구현되는 객체 인식 장치(100)는 학습 모델 생성부(110), 후보 객체 선정부(120), 객체 인식부(130) 및 학습 모델 DB(140)를 포함한다.

상기 학습 모델 생성부(110)는 클러스터링 모델링 기능(112)과 객체인식 모델링 학습 기능(114)을 포함하고, 나아가 학습 이미지 입력 수단(미도시)과 특징 추출 수단(미도시) 등을 포함할 수 있다.

상기 학습 모델 생성부(110)는 학습 이미지를 입력받아, 다양한 방법으로 특징 정보를 추출한 다음, 클러스터링 모델링 기능을 통해(112) 클러스터링 모델링을 수행하여 클러스터 모델을 생성하고, 객체인식 모델링 학습 기능(114)을 통해 객체인식 모델링 학습을 수행하여 학습 모델을 생성한다.

상기 후보 객체 선정부(120)는 클러스터 중심점 기반 기능(122)과 클러스터 구성원 기반 기능(124)을 포함하고, 나아가 인식 대상 이미지를 입력받는 수단(미도시)과 특징 추출 수단(미도시)을 더 포함할 수 있다.

상기 클러스터 중심점 기반 기능(122)은 인식 대상 이미지를 입력받아, 특징 정보를 추출한 다음 특징 정보를 분석하여 클러스터 중심점 기반의 후보 객체 선정 처리를 수행한다.

상기 클러스터 구성원 기반 기능(124)은 상기 클러스터 중심점 기반 기능(122)을 통해 선정된 후보 객체들을 구성원으로 하여, 이들 구성원들을 기준으로 KNN 기반의 가까운 후보 객체를 선정하는 처리를 수행한다.

이와 같이, 상기 후보 객체 선정부(120)는 상기 클러스터 중심점 기반 기능(122)과 클러스터 구성원 기반 기능(124)을 통해 영상 인식 대상이 될 최종 후보 객체들을 선정하는 역할을 수행한다.

상기 객체 인식부(130)는 상기 후보 객체 선정부(120)를 통해 선정된 최종 후보 객체들을 대상으로 상기 학습 모델 생성부(110)에서 생성된 학습 모델을 통해 개별적인 객체 인식 처리를 수행하여 최종적으로 입력받은 영상 및 이미지에 대한 인식 결과를 검출하여 출력하는 역할을 수행한다.

상기 학습 모델 DB(140)는 상기 학습 모델 생성부(110)에서 생성된 학습 모델 정보를 저장 관리하는 역할을 수행한다.

한편, 본 발명에 따른 IPv6 기반의 LLN에 있어서의 라우팅 노드 및 이의 동작방법을 실시 예에 따라 설명하였지만, 본 발명의 범위는 특정 실시 예에 한정되는 것은 아니며, 본 발명과 관련하여 통상의 지식을 가진 자에게 자명한 범위 내에서 여러 가지의 대안, 수정 및 변경하여 실시할 수 있다.

따라서, 본 발명에 기재된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

100 : 객체 인식 장치
110 : 학습 모델 생성부
120 : 후보 객체 선정부
130 : 객체 인식부
140 : 학습 모델 DB

Claims

복수의 객체별 학습 이미지에서 특징을 추출하고, 상기 추출된 특징 정보를 기반으로 클러스터링 모델링을 수행하여 클러스터 모델을 생성하고, 객체인식 모델링 학습을 수행하여 학습 모델을 생성하는 단계;
인식 대상 이미지를 입력받아서 특징을 추출하고, 추출된 특징 정보를 분석하여 클러스터 중심점 기반의 후보 객체 선정 과정과 클러스터 구성원 기반의 후보 객체 선정 과정을 통해 인식 대상 후보 객체들을 선정하는 단계; 및
상기 클러스터 모델 기반으로 선정된 후보 객체들을 대상으로 상기 학습 모델을 통해 개별적인 객체 인식 처리를 수행하여 복수의 객체를 인식하는 단계를 포함하는
영상에서 다수의 객체를 인식하는 방법.