KR20210023470A - Method and Apparatus for Object Feature Recognition Based on Bezier Curves - Google Patents
Method and Apparatus for Object Feature Recognition Based on Bezier Curves Download PDFInfo
- Publication number
- KR20210023470A KR20210023470A KR1020190103702A KR20190103702A KR20210023470A KR 20210023470 A KR20210023470 A KR 20210023470A KR 1020190103702 A KR1020190103702 A KR 1020190103702A KR 20190103702 A KR20190103702 A KR 20190103702A KR 20210023470 A KR20210023470 A KR 20210023470A
- Authority
- KR
- South Korea
- Prior art keywords
- control point
- object recognition
- initial filter
- bezier curve
- bezier
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G06K9/6202—
-
- G06K9/6267—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Generation (AREA)
- Image Processing (AREA)
Abstract
Description
본 발명은 베지어 곡선을 기반으로 대상의 특징을 인식하는 방법 및 그를 위한 장치에 관한 것이다. The present invention relates to a method and apparatus for recognizing a feature of an object based on a Bezier curve.
이 부분에 기술된 내용은 단순히 본 발명의 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described in this section merely provides background information on the embodiments of the present invention and does not constitute the prior art.
심층 컨볼루션 네트워크(DCN)는 많은 패턴 인식 응용 프로그램에서 성공적으로 사용되었지만 여전히 몇 가지 한계와 문제점이 있다. 예를 들어, 심층 컨볼루션 네트워크(DCN)는 적대적 이미지에 대해 잘못된 동작을 보인 것으로 확인된다. Deep convolutional networks (DCNs) have been successfully used in many pattern recognition applications, but still have some limitations and problems. For example, a deep convolutional network (DCN) has been found to exhibit erroneous behavior on hostile images.
이에, 심층 컨볼루션 네트워크(DCN)의 작동 원리를 이해하기 위한 노력이 이루어 졌으며, 도 1에서와 같이, 인간의 눈으로는 인식 할 수 없는 약간 수정 된 이미지가 잘못 분류된다는 사실을 확인하였다. 도 1의 (a)는 올바르게 '2'로 분류된 원본 이미지를 나타내고, 도 1의 (b)는 '9'로 잘못 분류된 이미지, 도 1의 (c)는 확대된 차영상 이미지(최대 픽셀 : 1, 최소 픽셀 : -3)로 잘못 분류된 적대적 이미지의 예시이다. 이러한, 심층 컨볼루션 네트워크(DCN)의 잘못된 동작이 발생하는 이유는 네트워크가 교육 샘플에 매우 근접한 결정 경계를 도출할 수 있기 때문이다. Accordingly, efforts were made to understand the principle of operation of the deep convolutional network (DCN), and as shown in FIG. 1, it was confirmed that a slightly modified image that cannot be recognized by the human eye is classified incorrectly. (A) of FIG. 1 shows the original image correctly classified as '2', (b) of FIG. 1 is an image that is incorrectly classified as '9', and (c) of FIG. 1 is an enlarged difference image (maximum pixel This is an example of a hostile image that is incorrectly classified as: 1, minimum pixel: -3). The reason why the deep convolutional network (DCN) malfunctions is because the network can derive a decision boundary that is very close to the training sample.
또한, 현재 심층 컨볼루션 네트워크(DCN)의 성능은 입력 이미지의 크기가 크게 조정되거나 회전되거나 이동 될 때 어려움을 겪는다. 심층 학습은 큰 데이터베이스에서 솔루션을 찾아 내면 큰 잠재력을 보여 주지만 일관성과 안정성 문제는 여전히 존재한다.In addition, the current performance of the deep convolutional network (DCN) suffers when the size of the input image is largely adjusted, rotated or moved. Deep learning shows great potential when finding solutions in large databases, but consistency and stability issues still exist.
일반적인 심층 컨볼루션 네트워크(DCN)에서는 입력 이미지를 위하여 다수의 필터(필터 뱅크)가 적용된다. 또한, 더 많은 컨볼루션과 full-connection 레이어를 추가할 수 있다. In a typical deep convolutional network (DCN), a number of filters (filter banks) are applied for an input image. Also, more convolution and full-connection layers can be added.
도 2는 학습완료 후 첫 번째 레이어의 최종 필터를 나타낸다. 최종 필터의 대부분은 그래디언트 또는 라플라스 연산자로 볼 수 있다. 도 3은 일반적인 심층 컨볼루션 네트워크(DCN)의 가중치 분포(weight distributions)와 함께 ImageNet 데이터베이스의 '배구공' 이미지를 나타낸다. 배구공만이 목표물이지만, 주변 픽셀은 출력 뉴런에 많은 영향을 미친다. 도 3의 (a)는 ImageNet 데이터베이스의 이미지(대상: 배구공), 도 3의 (b)는 출력 뉴런을 계산하기 위해 심층 컨볼루션 네트워크(DCN)에서 사용하는 가중치 분포를 나타낸다. 이 결과는 현재 심층 컨볼루션 네트워크(DCN)이 입력 이미지를 분류할 때 객체에 관련되지 않은 정보를 사용할 수 있다는 것을 나타낸다.2 shows the final filter of the first layer after completion of learning. Most of the final filter can be viewed as a gradient or Laplace operator. 3 shows an image of a'volleyball ball' of an ImageNet database along with weight distributions of a general deep convolutional network (DCN). The only target is a volleyball ball, but the surrounding pixels have a lot of influence on the output neurons. FIG. 3(a) shows an image of the ImageNet database (target: volleyball), and FIG. 3(b) shows a weight distribution used by a deep convolutional network (DCN) to calculate output neurons. This result indicates that the current deep convolutional network (DCN) can use information that is not related to the object when classifying the input image.
본 발명은 베지어 곡선을 이용하여 초기 필터를 설정하고, 초기 필터에 의해 생성된 학습 데이터를 기반으로 제어점을 조정한 후 객체를 인식하는 베지어 곡선 기반의 대상 인식 방법 및 그를 위한 장치를 제공하는 데 주된 목적이 있다.The present invention provides a Bezier curve-based object recognition method and apparatus for recognizing an object after setting an initial filter using a Bezier curve and adjusting a control point based on the learning data generated by the initial filter. It has a main purpose.
본 발명의 일 측면에 의하면, 상기 목적을 달성하기 위한 베지어 곡선 기반의 대상 인식 방법은, 제어점을 포함하는 적어도 하나의 초기 필터를 설정하는 초기 필터 설정 단계; 상기 초기 필터에 근거하여 생성된 학습 데이터를 기반으로 상기 제어점을 조정하는 제어점 조정 단계; 및 조정된 상기 제어점을 기반으로 객체를 인식하는 객체 인식 처리 단계를 포함할 수 있다. According to an aspect of the present invention, a method for recognizing an object based on a Bezier curve for achieving the above object comprises: an initial filter setting step of setting at least one initial filter including a control point; A control point adjustment step of adjusting the control point based on the training data generated based on the initial filter; And an object recognition processing step of recognizing an object based on the adjusted control point.
또한, 본 발명의 다른 측면에 의하면, 상기 목적을 달성하기 위한 베지어 곡선 기반의 대상 인식 장치는, 제어점을 포함하는 적어도 하나의 초기 필터를 설정하는 초기 필터 설정부; 상기 초기 필터에 근거하여 생성된 학습 데이터를 기반으로 상기 제어점을 조정하는 제어점 조정부; 및 조정된 상기 제어점을 기반으로 객체를 인식하는 객체 인식 처리부를 포함할 수 있다.In addition, according to another aspect of the present invention, a Bezier curve-based object recognition apparatus for achieving the above object includes: an initial filter setting unit for setting at least one initial filter including a control point; A control point adjustment unit for adjusting the control point based on the training data generated based on the initial filter; And an object recognition processing unit that recognizes an object based on the adjusted control point.
이상에서 설명한 바와 같이, 본 발명은 인식 대상 객체의 정보를 이용하여 정확하게 객체를 인식할 수 있다는 효과가 있다. As described above, the present invention has the effect of accurately recognizing an object by using information on the object to be recognized.
또한, 본 발명은 입력 이미지의 크기가 크게 조정되거나 회전되더라도 일관성과 안정성을 유지하면서 객체를 인식할 수 있다는 효과가 있다. In addition, the present invention has the effect of recognizing an object while maintaining consistency and stability even if the size of the input image is largely adjusted or rotated.
도 1은 일반적인 대상 인식 방식에서의 이미지를 분류 오류 결과를 나타낸 예시도이다.
도 2는 일반적인 심층 컨볼루션 네트워크(DCN)의 첫 번째 레이어의 최종 필터를 나타낸 에시도이다.
도 3은 일반적인 심층 컨볼루션 네트워크(DCN)의 이미지 및 가중치 분포를 나타낸 예시도이다.
도 4는 본 발명의 실시예에 따른 선형 및 2 차 베지어 곡선을 나타낸 예시도이다.
도 5는 본 발명의 실시예에 따른 제어점을 조정하여 대상 객체에 베지어 곡선을 정렬하는 동작을 설명하기 위한 예시도이다.
도 6은 본 발명의 실시예에 따른 객체 인식을 위한 심층 컨볼루션 네트워크(DCN)의 구조를 나타낸 예시도이다.
도 7은 본 발명의 실시예에 따른 베지어 곡선에 의해 생성된 초기 필터의 예시도이다.
도 8은 본 발명의 실시예에 따른 제어점을 이동하여 곡선 모양을 변경하는 동작을 나타낸 예시도이다.
도 9는 본 발명의 실시예에 따른 복수의 베지어 곡선을 결합하여 대상 특징을 인식하는 동작을 나타낸 예시도이다.
도 10은 본 발명의 실시예에 따른 100 개의 베지어 필터를 나타낸 예시도이다.
도 11 및 도 12는 본 발명의 실시예에 따른 곡선의 폭을 가변하여 생성한 베지어 필터를 나타낸 예시도이다.
도 13은 본 발명의 실시예에 따른 베지어 곡선 기반의 대상 인식 장치를 개략적으로 나타낸 블록 구성도이다.
도 14는 본 발명의 실시예에 따른 베지어 곡선 기반의 대상 인식 방법을 설명하기 위한 순서도이다. 1 is an exemplary diagram showing an error result of classifying an image in a general object recognition method.
2 is a diagram showing the final filter of the first layer of a general deep convolutional network (DCN).
3 is an exemplary diagram showing an image and weight distribution of a general deep convolutional network (DCN).
4 is an exemplary view showing linear and quadratic Bezier curves according to an embodiment of the present invention.
5 is an exemplary view illustrating an operation of aligning a Bezier curve with a target object by adjusting control points according to an exemplary embodiment of the present invention.
6 is an exemplary diagram showing the structure of a deep convolutional network (DCN) for object recognition according to an embodiment of the present invention.
7 is an exemplary diagram of an initial filter generated by a Bezier curve according to an embodiment of the present invention.
8 is an exemplary view showing an operation of changing a shape of a curve by moving a control point according to an embodiment of the present invention.
9 is an exemplary view showing an operation of recognizing a target feature by combining a plurality of Bezier curves according to an embodiment of the present invention.
10 is an exemplary diagram showing 100 Bezier filters according to an embodiment of the present invention.
11 and 12 are exemplary views showing a Bezier filter generated by varying the width of a curve according to an embodiment of the present invention.
13 is a block diagram schematically illustrating an apparatus for recognizing an object based on a Bezier curve according to an embodiment of the present invention.
14 is a flowchart illustrating a method for recognizing an object based on a Bezier curve according to an embodiment of the present invention.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다. 이하에서는 도면들을 참조하여 본 발명에서 제안하는 베지어 곡선 기반의 대상 인식 방법 및 그를 위한 장치에 대해 자세하게 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the subject matter of the present invention, a detailed description thereof will be omitted. In addition, a preferred embodiment of the present invention will be described below, but the technical idea of the present invention is not limited or limited thereto, and may be modified and variously implemented by a person skilled in the art. Hereinafter, a method for recognizing an object based on a Bezier curve proposed by the present invention and an apparatus therefor will be described in detail with reference to the drawings.
본 발명은 베지어 곡선 기반의 초기 필터를 사용하는 기계 학습 방법을 제안한다. 제안된 방법은 대상 특징을 정확하게 인지하기 위하여 곡선 함수의 매개 변수를 최적화한다. The present invention proposes a machine learning method using an initial filter based on a Bezier curve. The proposed method optimizes the parameters of the curve function to accurately recognize the target feature.
도 4는 본 발명의 실시예에 따른 선형 및 2 차 베지어 곡선을 나타낸 예시도이며, 도 5는 본 발명의 실시예에 따른 제어점을 조정하여 대상 객체에 베지어 곡선을 정렬하는 동작을 설명하기 위한 예시도이다.4 is an exemplary diagram showing a linear and quadratic Bezier curve according to an embodiment of the present invention, and FIG. 5 is a diagram illustrating an operation of aligning a Bezier curve with a target object by adjusting control points according to an embodiment of the present invention. It is an exemplary diagram for.
베지어 곡선은 제어점의 집합에 의해 정의된다. 2 개의 제어점을 포함하는 선형 베지어 곡선은 다음과 같다. Bezier curves are defined by a set of control points. The linear Bezier curve including two control points is as follows.
(B(t): 선형 베지어 곡선 함수, P0, P1: 제어점, t: 변수)(B(t): linear Bezier curve function, P 0 , P 1 : control point, t: variable)
3 개의 제어점을 포함하는 2차 베지어 곡선은 다음과 같다. The quadratic Bezier curve including three control points is as follows.
(B(t): 2차 베지어 곡선 함수, P0, P1, P3: 제어점, t: 변수)(B(t): quadratic Bezier curve function, P 0 , P 1 , P 3 : control point, t: variable)
도 4는 선형 베지어 곡선 및 2차 베지어 곡선을 나타낸다. 4 shows a linear Bezier curve and a quadratic Bezier curve.
본 발명은 선형 베지어 곡선 및 2차 베지어 곡선을 이용하여 도 5에 도시된 바와 같이, 제어점을 조정함으로써 대상 객체(예: 손으로 쓴 숫자 또는 대상 객체의 윤곽선 등)와 함께 베지어 곡선을 정렬할 수 있다. 고차 베지어 곡선을 이용하여, 라인 객체 또는 에지 윤곽선을 정확하게 접근할 수 있다. The present invention uses a linear Bezier curve and a quadratic Bezier curve to create a Bezier curve together with a target object (for example, a handwritten number or an outline of the target object) by adjusting control points as shown in FIG. 5. Can be sorted. Using higher-order Bezier curves, it is possible to accurately approach line objects or edge contours.
본 발명은 베지어 곡선을 심층 컨볼루션 네트워크(DCN)의 초기 필터(즉, 첫 번째 레이어의 필터)로 사용하는 방법을 제안한다. 베지어 곡선을 사용하면, 복잡성을 줄일 수 있고 심층 컨볼루션 네트워크(DCN) 결과는 적대적인 공격에 강인한 특성을 보인다. The present invention proposes a method of using a Bezier curve as an initial filter (ie, a filter of the first layer) of a deep convolutional network (DCN). By using the Bezier curve, the complexity can be reduced and the deep convolutional network (DCN) results are robust against hostile attacks.
도 6은 본 발명의 실시예에 따른 객체 인식을 위한 심층 컨볼루션 네트워크(DCN)의 구조를 나타낸 예시도이다. 6 is an exemplary diagram showing the structure of a deep convolutional network (DCN) for object recognition according to an embodiment of the present invention.
본 발명에서, 도 6의 첫 번째 레이어 필터는 다양한 차원 및 크기의 베지어 곡선에 의해 생성된다. In the present invention, the first layer filter of FIG. 6 is generated by Bezier curves of various dimensions and sizes.
도 7은 본 발명의 실시예에 따른 베지어 곡선에 의해 생성된 초기 필터의 예시도이다. 도 7은 베지어 곡선의 몇 가지 예를 보여준다. 학습 절차는 첫 번째 레이어 필터를 제외하고는 종래의 심층 컨볼루션 네트워크(DCN)과 유사하다.7 is an exemplary diagram of an initial filter generated by a Bezier curve according to an embodiment of the present invention. 7 shows some examples of Bezier curves. The learning procedure is similar to a conventional deep convolutional network (DCN) except for the first layer filter.
도 8은 본 발명의 실시예에 따른 제어점을 이동하여 곡선 모양을 변경하는 동작을 나타낸 예시도이다. 첫 번째 레이어의 베지어 곡선에 의해 생성된 필터를 조정하기 위해, 본 발명에서는 제어점을 조정한다. [수학식 1] 및 [수학식 2]에 도시된 바와 같이, 베지어 곡선은 제어점에 의해 완전히 결정된다. 제어점을 이동시킴으로써, 도 8과 같이 곡선 모양을 변경할 수 있다. 2차 베이어 곡선의 경우, 세 개의 제어점이 있으며, 각 제어점에는 2 개의 자유도 (x, y)가 있습니다. 이러한 2차 베이어 곡선은 [수학식 3]과 같이 정의될 수 있다. 8 is an exemplary view showing an operation of changing a shape of a curve by moving a control point according to an embodiment of the present invention. In order to adjust the filter generated by the Bezier curve of the first layer, the control points are adjusted in the present invention. As shown in [Equation 1] and [Equation 2], the Bezier curve is completely determined by the control point. By moving the control point, it is possible to change the shape of the curve as shown in FIG. 8. For a quadratic Bayer curve, there are three control points, and each control point has two degrees of freedom (x, y). This quadratic Bayer curve may be defined as in [Equation 3].
(B(t): 2차 베지어 곡선 함수, P0, P1, P3: 제어점, t: 변수, x, y: 자유도)(B(t): quadratic Bezier curve function, P 0 , P 1 , P 3 : control point, t: variable, x, y: degrees of freedom)
예를 들어, 손실 함수는 [수학식 4]와 같이 주어진다.For example, the loss function is given as [Equation 4].
(L: 손실 함수, t(i)는 특정 출력 노드의 값)(L: loss function, t(i) is the value of a specific output node)
손실 함수는 세 개의 제어점의 함수로 볼 수 있으므로, 해당 기울기를 계산하여 손실 함수를 감소 시키는 이동값을 산출하고, 산출된 이동값에 따라 제어점을 이동시킬 수 있다. 여기서, 손실 함수는 세 개의 제어점 각각에 대한 기울기를 계산하고, 손실 함수의 결과가 최소값을 가지는 이동값을 산출하여 제어점을 이동시킬 수 있다. Since the loss function can be viewed as a function of three control points, a movement value that reduces the loss function is calculated by calculating the corresponding slope, and the control point can be moved according to the calculated movement value. Here, the loss function may move the control point by calculating a slope for each of the three control points, and calculating a moving value having a minimum value as a result of the loss function.
(
본 발명은 제어점을 조정하여, 인식 대상 객체의 회전 및 크기 조정 문제를 효과적으로 처리할 수 있다. The present invention can effectively handle the problem of rotating and resizing an object to be recognized by adjusting control points.
본 발명은 제어점을 조정하여, 인식 대상 객체의 회전 및 크기 조정 문제를 효과적으로 처리할 수 있다. The present invention can effectively handle the problem of rotating and resizing an object to be recognized by adjusting control points.
도 9는 본 발명의 실시예에 따른 복수의 베지어 곡선을 결합하여 대상 특징을 인식하는 동작을 나타낸 예시도이다. 도 9에 도시된 바와 같이, 복수의 베지어 곡선을 결합하여 더 복잡한 모양을 생성할 수 있으므로 복잡한 곡선에 접근할 수 있다. 즉, 제어점을 공유하여 복수 개의 베지어 곡선을 결합하여 다양한 형태의 객체를 효율적으로 인식할 수 있다.9 is an exemplary view showing an operation of recognizing a target feature by combining a plurality of Bezier curves according to an embodiment of the present invention. As shown in FIG. 9, since a more complex shape can be created by combining a plurality of Bezier curves, a complex curve can be accessed. That is, it is possible to efficiently recognize various types of objects by combining a plurality of Bezier curves by sharing control points.
다음으로, 첫 번째 레이어의 필터는 베지어 곡선으로 생성된다. 첫 번째 레이어의 필터는 입력 이미지와 크기가 같으므로 컨벌루션 연산이 입력 이미지와 베지어 곡선으로 생성된 필터 사이의 내적(inner-products)으로 계산된다.Next, the filter of the first layer is created as a Bezier curve. Since the filter in the first layer is the same size as the input image, the convolution operation is calculated as the inner-products between the input image and the filter generated by Bezier curves.
공간 이동을 처리하기 위해, 베지어 필터를 다른 공간 이동(수직 및 수평)으로 여러 번 적용하였고, 최대값을 선택할 수 있다. 이 연산에서 max-pooling 연산은 사용되지 않는다. To handle the spatial movement, the Bezier filter was applied several times with different spatial movements (vertical and horizontal), and the maximum value can be selected. In this operation, the max-pooling operation is not used.
도 10은 본 발명의 실시예에 따른 100 개의 베지어 필터를 나타낸 예시도이다. 도 10은 훈련 이후 초기 베지어 필터 100 개가 어떻게 변경되었는지를 나타낸다. 도 10에서 빨간색은 초기 필터 디자인을 나타내고, 초록색은 훈련 후 최종 필터 디자인을 나타낸다. 10 is an exemplary diagram showing 100 Bezier filters according to an embodiment of the present invention. 10 shows how the initial 100 Bezier filters are changed after training. In FIG. 10, red represents the initial filter design, and green represents the final filter design after training.
도 11 및 도 12는 본 발명의 실시예에 따른 곡선의 폭을 가변하여 생성한 베지어 필터를 나타낸 예시도이다. 11 and 12 are exemplary views showing a Bezier filter generated by varying the width of a curve according to an embodiment of the present invention.
본 발명에서는 다른 선 폭을 갖는 베지에 곡선을 사용하여 객체를 인식할 수 있다. 도 11는 두꺼운 베지어 곡선이 있는 예를 보여준다. 두꺼운 베지어 곡선을 사용하면 유사한 분류 정확도(0.973, 100 베지어 필터)가 얻어진다. 도 12는 훈련 후에 초기 베지어 필터가 어떻게 변경되었는지를 나타낸다.In the present invention, an object can be recognized using a Bezier curve having a different line width. 11 shows an example with a thick Bezier curve. Similar classification accuracy (0.973, 100 Bezier filter) is obtained using a thick Bezier curve. 12 shows how the initial Bezier filter was changed after training.
[표 1]은 기존의 심층 컨볼루션 네트워크(DCN)을 사용하여 적대적인 이미지를 생성한 경우 베지어 곡선을 기반으로 한 제안된 본 발명의 심층 컨볼루션 네트워크(DCN)의 성능을 나타낸다. 본 발명은 적대적인 이미지에 대하여 강인한 특성을 갖는 다는 것을 확인할 수 있다. [Table 1] shows the performance of the proposed deep convolutional network (DCN) of the present invention based on the Bezier curve when a hostile image is generated using a conventional deep convolution network (DCN). It can be seen that the present invention has strong properties against hostile images.
도 13은 본 발명의 실시예에 따른 베지어 곡선 기반의 대상 인식 장치를 개략적으로 나타낸 블록 구성도이다. 13 is a block diagram schematically illustrating an apparatus for recognizing an object based on a Bezier curve according to an embodiment of the present invention.
본 실시예에 따른 대상 인식 장치(1500)는 초기 필터 설정부(1510), 제어점 조정부(1520) 및 객체 인식 처리부(1530)를 포함한다. 도 13의 대상 인식 장치(1500)은 일 실시예에 따른 것으로서, 도 13에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 대상 인식 장치(1500)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. The
초기 필터 설정부(1510)는 제어점을 포함하는 적어도 하나의 초기 필터를 설정한다. The initial
본 실시예에 따른 초기 필터 설정부(1510)는 적어도 2 개의 제어점을 포함하는 베지어 곡선(Bezier Curves)을 기반으로 초기 필터를 설정한다. 초기 필터에 적용된 베지어 곡선은 수학식 1 및 2 등에 의해 정의될 수 있다.The initial
또한, 초기 필터 설정부(1510)는 적어도 하나의 베지어 곡선을 결합하여 초기 필터를 설정할 할 수도 있다. 적어도 하나의 베지어 곡선을 결합한 경우, 초기 필터 설정부(1510)는 초기 필터에 적어도 두 개의 베지어 곡선들이 제어점을 공유한다. 여기서, 공유 제어점은 도 9에 도시된 바와 같이 서로 다른 색의 베지어 곡선이 만나는 접점일 수 있다. Also, the initial
제어점 조정부(1520)는 초기 필터에 의해 생성된 학습 데이터를 기반으로 제어점을 조정한다. The control
구체적으로, 제어점 조정부(1520)는 초기 필터를 이용하여 학습된 학습 데이터에 따라 제어점이 이동되도록 조정한다. 여기서, 제어점 조정부(1520)는 제어점을 이동시켜 초기 필터를 갱신할 수 있다. Specifically, the control
제어점 조정부(1520)는 적어도 2 개의 제어점 각각에 대한 손실함수를 통해 각 제어점의 기울기를 계산하여 조정할 수 있다. 여기서, 손실함수는 수학식 4 등을 사용할 수 있다. The control
제어점 조정부(1520)는 각 제어점에 대한 2 개의 자유도 좌표가 존재하며, 2 개의 자유도 좌표에 의해 생성되는 기울기를 계산하여 제어점을 조정할 수 있다. 여기서, 자유도 좌표를 포함하는 베지어 곡선은 수학식 3 등과 같다. The control
제어점 조정부(1520)는 적어도 하나의 제어점 각각의 기울기를 계산하여 이동값을 산출하고, 산출된 이동값에 따라 제어점을 이동시킬 수 있다. The
객체 인식 처리부(1530)는 조정된 제어점을 기반으로 객체를 인식하는 동작을 수행한다. 객체 인식 처리부(1530)는 학습된 베지어 곡선을 기반으로 객체 인식을 수행하고, 인식 결과값이 수렴할 때까지 제어점을 조정하는 동작을 반복하여 수행한다. The object
도 14는 본 발명의 실시예에 따른 베지어 곡선 기반의 대상 인식 방법을 설명하기 위한 순서도이다. 14 is a flowchart illustrating a method for recognizing an object based on a Bezier curve according to an embodiment of the present invention.
대상 인식 장치(1500)는 복수 개의 초기 필터를 설정한다(S1610). The
대상 인식 장치(1500)는 적어도 2 개의 제어점을 포함하는 베지어 곡선(Bezier Curves)을 기반으로 초기 필터를 설정한다. 또한, 대상 인식 장치(1500)는 복수의 베지어 곡선을 결합하여 초기 필터를 설정할 할 수도 있다. 복수의 베지어 곡선을 결합한 경우, 초기 필터 설정부(1510)는 복수의 베지어 곡선이 제어점을 공유하도록 한다. The
대상 인식 장치(1500)는 학습 데이터를 기반으로 제어점을 조정한다(S1620). The
대상 인식 장치(1500)는 적어도 2 개의 제어점에 대한 손실함수를 통해 각 제어점의 기울기를 계산하여 조정할 수 있다.The
대상 인식 장치(1500)는 학습 완료 후 객체 인식을 수행한다(S1630). 대상 인식 장치(1500)는 조정된 제어점을 기반으로 생성된 베지에 곡선을 이용하여 객체 인식을 수행하고, 인식 결과값이 수렴할 때까지 제어점을 조정하는 단계 S1620을 반복하여 수행할 수 있다. The
도 14에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 3에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.In FIG. 14, it is described that each step is sequentially executed, but is not limited thereto. In other words, since it may be applicable to changing and executing the steps illustrated in FIG. 3 or executing one or more steps in parallel, FIG. 3 is not limited to a time-series order.
도 14에 기재된 본 실시예에 따른 대상 인식 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 대상 인식 방법을 구현하기 위한 애플리케이션(또는 프로그램)이 기록되고 단말장치(또는 컴퓨터)가 읽을 수 있는 기록매체는 컴퓨팅 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치 또는 매체를 포함한다.The object recognition method according to the present embodiment illustrated in FIG. 14 may be implemented as an application (or program) and recorded on a recording medium that can be read by a terminal device (or a computer). The application (or program) for implementing the object recognition method according to the present embodiment is recorded, and the recording medium that can be read by the terminal device (or computer) is any type of recording device that stores data that can be read by the computing system or Includes the medium.
이상의 설명은 본 발명의 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 실시예들은 본 발명의 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical idea of the embodiments of the present invention, and those of ordinary skill in the technical field to which the embodiments of the present invention belong to, various modifications and modifications without departing from the essential characteristics of the embodiments of the present invention Transformation will be possible. Accordingly, the embodiments of the present invention are not intended to limit the technical idea of the embodiment of the present invention, but to explain the technical idea, and the scope of the technical idea of the embodiment of the present invention is not limited by these embodiments. The scope of protection of the embodiments of the present invention should be interpreted by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the rights of the embodiments of the present invention.
1500: 대상 인식 장치
1510: 초기 필터 설정부
1520: 제어점 조정부
1530: 객체 인식 처리부1500: target recognition device 1510: initial filter setting unit
1520: control point adjustment unit 1530: object recognition processing unit
Claims (14)
학습 데이터를 기반으로 상기 초기 필터의 제어점을 조정하는 제어점 조정 단계; 및
조정된 상기 제어점을 기반으로 객체를 인식하는 객체 인식 처리 단계
를 포함하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 방법.An initial filter setting step of setting at least one initial filter including a control point;
A control point adjustment step of adjusting a control point of the initial filter based on training data; And
Object recognition processing step of recognizing an object based on the adjusted control point
Bezier curve-based object recognition method comprising a.
상기 초기 필터 설정 단계는,
적어도 2 개의 제어점을 포함하는 베지어 곡선(Bezier Curve)을 기반으로 상기 초기 필터를 설정하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 방법.The method of claim 1,
The initial filter setting step,
A Bezier curve-based object recognition method, characterized in that the initial filter is set based on a Bezier curve including at least two control points.
상기 초기 필터 설정 단계는,
적어도 하나의 베지어 곡선을 결합하여 상기 초기 필터를 설정하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 방법.The method of claim 2,
The initial filter setting step,
A Bezier curve-based object recognition method, characterized in that the initial filter is set by combining at least one Bezier curve.
상기 초기 필터 설정 단계는,
상기 적어도 하나의 베지어 곡선을 결합한 경우, 상기 초기 필터의 제어점을 공유하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 방법.The method of claim 3,
The initial filter setting step,
When the at least one Bezier curve is combined, the control point of the initial filter is shared.
상기 제어점 조정 단계는,
상기 초기 필터를 이용하여 학습 데이터에 따라 적어도 2 개의 상기 제어점이 이동되도록 조정하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 방법.The method of claim 2,
The control point adjustment step,
The Bezier curve-based object recognition method, characterized in that adjusting to move at least two of the control points according to the training data using the initial filter.
상기 제어점 조정 단계는,
상기 적어도 2 개의 상기 제어점 각각에 대한 손실함수를 통해 각 제어점의 기울기를 계산하여 조정하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 방법.The method of claim 5,
The control point adjustment step,
A Bezier curve-based object recognition method, characterized in that the slope of each control point is calculated and adjusted through a loss function for each of the at least two control points.
상기 제어점 조정 단계는,
각 제어점에 대한 2 개의 자유도 좌표가 존재하며, 상기 2 개의 자유도 좌표에 의해 생성되는 상기 기울기를 계산하여 상기 제어점을 조정하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 방법.The method of claim 6,
The control point adjustment step,
There are two degrees of freedom coordinates for each control point, and the control point is adjusted by calculating the slope generated by the two degrees of freedom coordinates.
상기 객체 인식 처리 단계는,
조정된 상기 제어점을 기반으로 객체 인식을 수행하고, 인식 결과값이 수렴할 때까지 상기 제어점을 조정하는 과정을 반복하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 방법.The method of claim 1,
The object recognition processing step,
An object recognition method based on a Bezier curve, characterized in that object recognition is performed based on the adjusted control point, and the process of adjusting the control point is repeated until a recognition result value converges.
상기 초기 필터에 근거하여 생성된 학습 데이터를 기반으로 상기 제어점을 조정하는 제어점 조정부; 및
조정된 상기 제어점을 기반으로 객체를 인식하는 객체 인식 처리부
를 포함하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 장치.An initial filter setting unit for setting at least one initial filter including a control point;
A control point adjustment unit for adjusting the control point based on the training data generated based on the initial filter; And
Object recognition processing unit that recognizes an object based on the adjusted control point
Bezier curve-based object recognition device comprising a.
상기 초기 필터 설정부는,
적어도 2 개의 제어점을 포함하는 베지어 곡선(Bezier Curve)을 기반으로 상기 초기 필터를 설정하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 장치.The method of claim 9,
The initial filter setting unit,
A Bezier curve-based object recognition device, characterized in that the initial filter is set based on a Bezier curve including at least two control points.
상기 제어점 조정부는,
학습 데이터에 따라 적어도 2 개의 상기 제어점이 이동되도록 조정하되,
상기 적어도 2 개의 상기 제어점 각각에 대한 손실함수를 통해 각 제어점의 기울기를 계산하여 조정하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 장치.The method of claim 9,
The control point adjustment unit,
Adjust to move at least two of the control points according to the training data,
The Bezier curve-based object recognition apparatus, characterized in that the slope of each control point is calculated and adjusted through a loss function for each of the at least two control points.
상기 제어점 조정부는,
상기 적어도 2 개의 상기 제어점 각각에 대한 상기 기울기를 계산하여 상기 손실함수를 감소시키는 이동값을 산출하고, 산출된 이동값에 따라 상기 제어점을 조정하되,
상기 제어점 조정부는 상기 손실함수의 결과가 최소값을 가지는 상기 이동값을 산출하여 상기 제어점을 조정하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 장치.The method of claim 11,
The control point adjustment unit,
Calculating the slope for each of the at least two control points to calculate a movement value for reducing the loss function, and adjusting the control point according to the calculated movement value,
The control point adjustment unit adjusts the control point by calculating the movement value having a minimum value as a result of the loss function.
상기 객체 인식 처리 단계는,
조정된 상기 제어점을 기반으로 객체 인식을 수행하고, 인식 결과값이 수렴할 때까지 상기 제어점을 조정하는 과정을 반복하는 것을 특징으로 하는 베지어 곡선 기반의 대상 인식 장치.The method of claim 9,
The object recognition processing step,
An object recognition device based on Bezier curves, characterized in that object recognition is performed based on the adjusted control point, and the process of adjusting the control point is repeated until a recognition result value converges.
A computer program stored in a recording medium to cause a computer to execute the object recognition method according to any one of claims 1 to 8.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190103702A KR102225557B1 (en) | 2019-08-23 | 2019-08-23 | Method and Apparatus for Object Feature Recognition Based on Bezier Curves |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190103702A KR102225557B1 (en) | 2019-08-23 | 2019-08-23 | Method and Apparatus for Object Feature Recognition Based on Bezier Curves |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210023470A true KR20210023470A (en) | 2021-03-04 |
| KR102225557B1 KR102225557B1 (en) | 2021-03-08 |
Family
ID=75174629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190103702A KR102225557B1 (en) | 2019-08-23 | 2019-08-23 | Method and Apparatus for Object Feature Recognition Based on Bezier Curves |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102225557B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854116A (en) * | 2024-03-08 | 2024-04-09 | 中国海洋大学 | Sea cucumber in-situ length measurement method based on Bezier curve |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009020892A (en) * | 2007-07-13 | 2009-01-29 | Dr Ing Hcf Porsche Ag | Method for determining display image |
| KR20140015079A (en) * | 2012-07-27 | 2014-02-06 | 삼성전자주식회사 | Method and apparatus of correcting central line |
| KR20160052949A (en) * | 2014-10-29 | 2016-05-13 | 연세대학교 산학협력단 | Method and apparatus for detecting vascular based on medical image |
-
2019
- 2019-08-23 KR KR1020190103702A patent/KR102225557B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009020892A (en) * | 2007-07-13 | 2009-01-29 | Dr Ing Hcf Porsche Ag | Method for determining display image |
| KR20140015079A (en) * | 2012-07-27 | 2014-02-06 | 삼성전자주식회사 | Method and apparatus of correcting central line |
| KR20160052949A (en) * | 2014-10-29 | 2016-05-13 | 연세대학교 산학협력단 | Method and apparatus for detecting vascular based on medical image |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854116A (en) * | 2024-03-08 | 2024-04-09 | 中国海洋大学 | Sea cucumber in-situ length measurement method based on Bezier curve |
| CN117854116B (en) * | 2024-03-08 | 2024-05-17 | 中国海洋大学 | Sea cucumber in-situ length measurement method based on Bezier curve |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102225557B1 (en) | 2021-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bautista et al. | Convolutional neural network for vehicle detection in low resolution traffic videos | |
| KR102516360B1 (en) | A method and apparatus for detecting a target | |
| Roy et al. | Impulse noise removal using SVM classification based fuzzy filter from gray scale images | |
| CN110148104B (en) | Infrared and visible light image fusion method based on significance analysis and low-rank representation | |
| CN107529650B (en) | Closed loop detection method and device and computer equipment | |
| CN112818862B (en) | Face tampering detection method and system based on multi-source clues and mixed attention | |
| AU2016201292B2 (en) | Digital image processing using convolutional neural networks | |
| Spreeuwers et al. | Towards robust evaluation of face morphing detection | |
| CN111951153B (en) | Face attribute refined editing method based on generation of countering network hidden space deconstructment | |
| CN109766898A (en) | Image character recognition method, device, computer equipment and storage medium | |
| CN106709456B (en) | Unmanned aerial vehicle target tracking frame initialization method based on computer vision | |
| CN109784358B (en) | No-reference image quality evaluation method integrating artificial features and depth features | |
| CN111768415A (en) | Image instance segmentation method without quantization pooling | |
| CN112465889A (en) | Plant point cloud segmentation method, system and storage medium based on two-dimensional-three-dimensional integration | |
| KR102225557B1 (en) | Method and Apparatus for Object Feature Recognition Based on Bezier Curves | |
| CN107784284B (en) | Face recognition method and system | |
| CN116563410A (en) | Electrical equipment electric spark image generation method based on two-stage generation countermeasure network | |
| Phillips et al. | Bayesian faces via hierarchical template modeling | |
| CN112560960A (en) | Hyperspectral image classification method and device and computing equipment | |
| DE102020209189A1 (en) | CROSS-DOMAIN METRIC LEARNING SYSTEM AND PROCEDURES | |
| CN117058554A (en) | Power equipment target detection method, model training method and device | |
| Yu et al. | Detail enhancement decolorization algorithm based on rolling guided filtering | |
| CN106886791A (en) | Fat location recognition methods in a kind of two-dimensional ct picture based on condition random field | |
| Chanklan et al. | Fingerprint recognition with edge detection and dimensionality reduction techniques | |
| Manchanda et al. | An improved multifocus image fusion algorithm using deep learning and adaptive fuzzy filter |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |