KR20220065321A - 영상 인식 기반 앵무새 종 인식 장치 및 방법 - Google Patents

영상 인식 기반 앵무새 종 인식 장치 및 방법 Download PDF

Info

Publication number
KR20220065321A
KR20220065321A KR1020200151697A KR20200151697A KR20220065321A KR 20220065321 A KR20220065321 A KR 20220065321A KR 1020200151697 A KR1020200151697 A KR 1020200151697A KR 20200151697 A KR20200151697 A KR 20200151697A KR 20220065321 A KR20220065321 A KR 20220065321A
Authority
KR
South Korea
Prior art keywords
parrot
species
recognition
image recognition
detection
Prior art date
Application number
KR1020200151697A
Other languages
English (en)
Other versions
KR102528739B1 (ko
Inventor
이의철
장우혁
성시원
Original Assignee
상명대학교산학협력단
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 상명대학교산학협력단 filed Critical 상명대학교산학협력단
Priority to KR1020200151697A priority Critical patent/KR102528739B1/ko
Publication of KR20220065321A publication Critical patent/KR20220065321A/ko
Application granted granted Critical
Publication of KR102528739B1 publication Critical patent/KR102528739B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06K9/627—
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 앵무새 종 인식 기술에 관한 것으로, 보다 구체적으로 영상 인식을 통해 앵무새의 종을 인식하는 기술에 관한 것이다. 상술한 바와 같이 본 발명의 일 실시 예에 따르면, 딥러닝을 이용하여 앵무새 종을 자동으로 인식할 수 있다.

Description

영상 인식 기반 앵무새 종 인식 장치 및 방법{APPARATUS AND METHOD FOR PARROT SPECIES IDENTIFICATION BASED ON IMAGE RECOGNITION}
본 발명은 앵무새 종 인식 기술에 관한 것으로, 더욱 상세하게는 영상 인식 기반의 앵무새 종 인식 장치 및 방법에 관한 것이다.
멸종위기에 처한 야생동식물종의 국제거래에 관한 국제 협약(CITES)에 의해 약 5,000여종의 동물이 멸종위기종으로 등재되어 보호받고 있다. 이에 따라, 멸종 위기에 처한 보호 대상의 야생동물은 공항 또는 항만에서 별도의 허가 및 통관 절차를 거쳐 수출입된다. 하지만, 공항 또는 항만에서는 모든 멸종위기 동물의 종을 확인하는 작업을 수행하기 때문에 통관 과정에 많은 시간과 비용이 소요된다.
본 발명의 배경기술은 대한민국 공개특허 10-2014-0122881호에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 딥러닝을 기반으로 멸종위기의 앵무새 종을 인식할 수 있는 영상 인식 기반 앵무새 종 인식 장치를 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 측면에 따르면, 영상 인식 기반 앵무새 종 인식 장치가 제공된다.
본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치는 앵무새 영상에서 대상 영역을 생성하는 영역생성부, 생성된 대상 영역에 대한 검출 및 분류를 수행하는 영역검출부 및 대상 영역의 검출 및 분류 결과를 기반으로 앵무새 종을 인식하는 인식부를 포함할 수 있다.
본 발명의 다른 일 측면에 따르면, 영상 인식 기반 앵무새 종 인식 방법이 제공된다.
본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 방법은 앵무새 영상에서 대상 영역을 생성하는 단계, 생성된 대상 영역에 대한 객체 검출 및 분류를 수행하는 단계 및 대상 영역의 검출 및 분류 결과를 기반으로 앵무새 종을 인식하는 단계를 포함할 수 있다.
본 발명의 실시 예에 따르면, 영상 인식 기반 앵무새 종 인식 장치는 딥러닝을 기반으로 멸종위기의 앵무새 종을 인식할 수 있다.
본 발명의 실시 예에 따르면, 영상 인식 기반 앵무새 종 인식 장치는 앵무새의 머리 영역을 이용하여 앵무새 종을 자동으로 인식할 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 설명 또는 청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치를 예시한 블록도.
도 2는 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치가 생성한 대상 영역을 예시한 도면.
도 3은 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치가 이용하는 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망의 구조를 예시한 도면.
도 4및 도 5는 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치가 이용하는 샴 네트워크(Siamese Network) 신경망을 설명하기 위한 도면.
도 6은 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치의 인식 프로세스를 설명하기 위한 도면.
도 7은 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치의 순서도를 예시한 도면.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치를 예시한 블록도이고, 도 2는 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치가 생성한 대상 영역을 예시한 도면이고, 도 3은 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치가 이용하는 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망의 구조를 예시한 도면이고, 도 4및 도 5는 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치가 이용하는 샴 네트워크(Siamese Network) 신경망을 설명하기 위한 도면이고, 도 6은 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치의 인식 프로세스를 설명하기 위한 도면이다.
도 1을 참조하면, 영상 인식 기반 앵무새 종 인식 장치(100)는 영역생성부(110), 영역검출부(130) 및 인식부(150)를 포함한다.
영역생성부(110)는 앵무새 영상에서 대상 영역을 생성한다. 여기서, 대상 영역은 앵무새의 머리 영역을 포함할 수 있다. 영역생성부(110)는 도 2와 같이 대상 영역에 라벨(label)값을 부여할 수 있으며, 라벨값은 xmin, ymin, xmax, ymax, class id등을 포함할 수 있다.
영역검출부(130)는 생성된 대상 영역에 대한 검출 및 분류를 수행한다. 구체적으로, 영역검출부(130)는 기학습된 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망을 이용하여 대상 영역에 대한 종(parrot species) 검출 및 분류를 수행한다. SSD 신경망은 물체 인식을 위한 검출 모델로, 컨볼루션 과정을 거치며 추출되는 특징맵(feature map)에서 객체 탐지(Object Detection)를 수행하는 것을 특징으로 한다.
도 3을 참조하면, 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망은 대상 영역에 라벨값이 부여된 앵무새 영상을 입력으로 한다. SSD 신경망은 특징맵 추출 네트워크인 VGG-16 모델을 이용하여 입력된 영상에서의 특징맵을 추출한다. VGG-16 모델은 가중치(weight)를 “he_normal”으로 초기화하며, 초기화 시 정규분포를 이용한다. 또한, kernel_regularizer의 파라미터(parameter) 값은 l2(1e-4)값으로 설정하며, learning_rate = 0.5로 시작하여 에포크(epoch)마다 오차가 정점일 때 1%씩 균일하게 감소시켜 학습하고, 옵티마이저(optimizer) 함수는 Adam(0.001)로 설정한다. 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망이 사용하는 손실 함수(loss function)는 아래 수학식 1 내지 3와 같다.
[수학식 1]
Figure pat00001
[수학식 2]
Figure pat00002
[수학식 3]
Figure pat00003
싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망VGG-16 이외에도 MobileNetV2 등의 다양한 구조를 특징맵 추출 네트워크로 이용할 수 있다. 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망은 컨볼루션 레이어(Convolutional layers)를 거쳐 나온 추출된 특징맵에서의 객체 탐지(Object Detection)를 통해 대상 영역에 대한 종 검출 및 분류를 수행한다.
도 4를 참조하면, 영역검출부(130)는 기설정된 기준에 따라 종 검출 및 분류 신뢰도를 판단하여, 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망을 이용한 대상 영역의 종 검출 및 분류 신뢰도가 90% 미만일 경우, 앵무새 영상에서 대상 영역만을 크롭(crop)한다. 이후, 영역검출부(130)는 크롭된 대상 영역과 외부 데이터베이스에 저장된 앵무새 영상을 이용하여 데이터 세트를 구성한다. 구체적으로, 영역검출부(130)는 동일인과 동일인을 비교하는Genuine(1) 라벨 및 동일인과 타인을 비교하는 Imposter(0) 라벨로 데이터 세트를 구성한다.
여기서, 영역검출부(130)는 무선 통신망을 통해 외부 데이터베이스로부터 앵무새 영상을 수신할 수 있다. 외부 데이터베이스는 다양한 각도에서 추출된 앵무새 영상을 포함하며, 총 11종의 앵무새 영상을 포함할 수 있다. 예를 들어, 외부 데이터베이스는 고핀, 듀컵, 백색유황, 붉은관유황, 스칼렛, 오색앵무, 청금강, 카멜롯, 큰유황, 홍금강, 회색앵무 종의 앵무새 영상을 포함할 수 있다.
도 5를 참조하면, 영역검출부(130)는 데이터 세트를 입력으로 하여 기학습된 샴 네트워크(Siamese Network) 신경망을 통해 대상 영역에 대한 종 검출 및 분류를 수행한다. 샴 네트워크(Siamese Network) 신경망은 두 개의 영상인 데이터 세트를 각각 하나의 네트워크에 입력하여 최종적으로 두 개의 영상이 같은 클래스(class)에 속할 확률을 값으로 출력하는 모델이다. 샴 네트워크(Siamese Network) 신경망은 대칭성을 이루어 컨볼루션 레이어에서 가중치(weight)값을 공유하는 것을 특징으로 한다.
샴 네트워크(Siamese Network) 신경망은 구성된 데이터 세트를 입력으로 하여 ResNet-34컨볼루션 레이어를 거쳐 나온 특징맵을 추출한다. ResNet-34는 가중치(weight)를 “Xavier”으로 초기화 하며, 이것은 균일 분포(uniform distribution)에서 추출된 랜덤(random) 값을 의미한다. 또한, kernel_regularizer의 파라미터(parameter) 값은 l2(1e-4)값으로 설정하고, learning_rate = 0.5로 시작하여 에포크(epoch)마다 오차가 정점일 때 1%씩 균일하게 감소시켜 학습하고, 옵티마이저(optimizer) 함수는 Adam(0.001)로 설정한다.
샴 네트워크(Siamese Network) 신경망이 사용하는 손실 함수(loss function)는 아래 수학식 4로 나타낸다. 여기서
Figure pat00004
는 표준편차가 0인 평균 가우스 분포로
Figure pat00005
의 노드 수 이다.
Figure pat00006
은 두 이미지에 대한 정답 값,
Figure pat00007
은 두 이미지에 대한 예측 값이다. 여기서
Figure pat00008
인덱스는
Figure pat00009
단위,
Figure pat00010
으로 정의된다.
[수학식 4]
Figure pat00011
샴 네트워크(Siamese Network) 신경망은 이외에도 ResNet, DenseNet, VGGNet 등의 네트워크를 컨볼루션 레이어로 이용할 수 있다. 샴 네트워크(Siamese Network) 신경망은 두 개의 네트워크에서 나온 특징들을 아래의 수학식 5를 이용하여 산출한다. 여기서 n은 입력 영상 개수이다.
[수학식 5]
Figure pat00012
이후, 샴 네트워크(Siamese Network) 신경망은 시그모이드(sigmoid) 함수를 통하여 0~1 사이의 값을 확률 값으로 출력하여 대상 영역에 대한 종 검출 및 분류를 수행한다.
다시 도 1을 참조하면, 인식부(150)는 대상 영역의 검출 및 분류 결과를 기반으로 앵무새 종을 인식한다. 예를 들어, 인식부(150)는 도 6과 같이 샴 네트워크(Siamese Network) 신경망을 거쳐 검출 및 분류된 대상 영역의 종을 인식한 후, 인식 결과를 화면, 음성 등으로 출력할 수 있다. 또한, 인식부(150)는 SSD 신경망을 이용한 대상 영역의 종 검출 및 분류 신뢰도가 90% 이상일 경우, SSD 신경망을 거쳐 검출 및 분류된 대상 영역의 종을 인식한 후, 인식 결과를 화면, 음성 등으로 출력할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 영상 인식 기반 앵무새 종 인식 장치의 순서도를 예시한 도면이다.
도 7을 참조하면, 단계 S710에서 영상 인식 기반 앵무새 종 인식 장치(100)는 앵무새 영상에서 대상 영역을 생성한다. 여기서, 대상 영역은 앵무새의 머리 영역을 포함할 수 있다. 영상 인식 기반 앵무새 종 인식 장치(100)는 앞서 설명한 바와 같이 대상 영역에 라벨(label)값을 부여할 수 있으며, 라벨값은 xmin, ymin, xmax, ymax, class id등을 포함할 수 있다.
단계 S720에서 영상 인식 기반 앵무새 종 인식 장치(100)는 생성된 대상 영역에 대한 검출 및 분류를 수행한다. 구체적으로, 영상 인식 기반 앵무새 종 인식 장치(100)는 기학습된 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망을 이용하여 대상 영역에 대한 종(parrot species) 검출 및 분류를 수행한다. 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망은 물체 인식을 위한 검출 모델로, 컨볼루션 과정을 거치며 추출되는 특징맵(feature map)에서 객체 탐지(Object Detection)를 수행하는 것을 특징으로 한다.
앞서 설명한 바와 같이, 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망은 대상 영역에 라벨값이 부여된 앵무새 영상을 입력으로 한다. 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망은 특징맵 추출 네트워크인 VGG-16 모델을 이용하여 입력된 영상에서의 특징맵을 추출한다. 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망은 VGG-16 이외에도 MobileNetV2 등의 다양한 구조를 특징맵 추출 네트워크로 이용할 수 있다. 이후, 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망은 컨볼루션 레이어(Convolutional layers)를 거쳐 나온 추출된 특징맵에서의 객체 탐지(Object Detection)를 통해 대상 영역에 대한 종 검출 및 분류를 수행한다.
단계 S730에서 영상 인식 기반 앵무새 종 인식 장치(100)는 기설정된 기준에 따라 종 검출 및 분류 신뢰도를 판단하여, 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망을 이용한 대상 영역의 종 검출 및 분류 신뢰도가 90% 미만일 경우, 단계 S740에서 영상 인식 기반 앵무새 종 인식 장치(100)는 앵무새 영상에서 대상 영역만을 크롭(crop)한다.
또한, 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망을 이용한 대상 영역의 종 검출 및 분류 신뢰도가 90% 이상일 경우, 단계 S770에서 영상 인식 기반 앵무새 종 인식 장치(100)는 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망을 거쳐 검출 및 분류된 대상 영역의 종을 인식한 후, 인식 결과를 화면, 음성 등으로 출력할 수 있다.
단계 S750에서 영상 인식 기반 앵무새 종 인식 장치(100)는 크롭된 대상 영역과 외부 데이터베이스에 저장된 앵무새 영상을 이용하여 데이터 세트를 구성한다. 구체적으로, 영상 인식 기반 앵무새 종 인식 장치(100)는 동일인과 동일인을 비교하는Genuine(1) 라벨 및 동일인과 타인을 비교하는 Imposter(0) 라벨로 데이터 세트를 구성한다.
여기서, 영상 인식 기반 앵무새 종 인식 장치(100)는 무선 통신망을 통해 외부 데이터베이스로부터 앵무새 영상을 수신할 수 있다. 외부 데이터베이스는 다양한 각도에서 추출된 앵무새 영상을 포함하며, 총 11종의 앵무새 영상을 포함할 수 있다. 예를 들어, 외부 데이터베이스는 고핀, 듀컵, 백색유황, 붉은관유황, 스칼렛, 오색앵무, 청금강, 카멜롯, 큰유황, 홍금강, 회색앵무 종의 앵무새 영상을 포함할 수 있다.
단계 S760에서 영상 인식 기반 앵무새 종 인식 장치(100)는 데이터 세트를 입력으로 하여 기학습된 샴 네트워크(Siamese Network) 신경망을 통해 대상 영역에 대한 종 검출 및 분류를 수행한다. 샴 네트워크(Siamese Network) 신경망은 두 개의 영상인 데이터 세트를 각각 하나의 네트워크에 입력하여 최종적으로 두 개의 영상이 같은 클래스(class)에 속할 확률을 값으로 출력하는 모델이다. 샴 네트워크(Siamese Network) 신경망은 대칭성을 이루어 컨볼루션 레이어에서 가중치(weight)값을 공유하는 것을 특징으로 한다.
샴 네트워크(Siamese Network) 신경망은 구성된 데이터 세트를 입력으로 하여 컨볼루션 레이어를 거쳐 나온 특징맵을 추출한다. 본 발명에서는 ResNet-34를 컨볼루션 레이어로 이용하였으며, 이외에도 ResNet, DenseNet, VGGNet 등의 네트워크를 컨볼루션 레이어로 이용할 수 있다.
이후, 샴 네트워크(Siamese Network) 신경망은 시그모이드(sigmoid) 함수를 통하여 0~1 사이의 값을 확률 값으로 출력하여 대상 영역에 대한 종 검출 및 분류를 수행한다.
단계 S770에서 영상 인식 기반 앵무새 종 인식 장치(100)는 대상 영역의 검출 및 분류 결과를 기반으로 앵무새 종을 인식한다. 예를 들어, 영상 인식 기반 앵무새 종 인식 장치(100)는 샴 네트워크(Siamese Network) 신경망을 거쳐 검출 및 분류된 대상 영역의 종을 인식한 후, 인식 결과를 화면, 음성 등으로 출력할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (4)

  1. 영상 인식 기반 앵무새 종 인식 장치에 있어서,
    앵무새 영상에서 대상 영역을 생성하는 영역생성부;
    상기 생성된 대상 영역에 대한 검출 및 분류를 수행하는 영역검출부; 및
    상기 대상 영역의 검출 및 분류 결과를 기반으로 앵무새 종을 인식하는 인식부를 포함하는 영상 인식 기반 앵무새 종 인식 장치.
  2. 제 1항에 있어서,
    상기 영역검출부는
    싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망을 이용하여 검출 및 분류를 수행하는 영상 인식 기반 앵무새 종 인식 장치.
  3. 영상 인식 기반 앵무새 종 인식 방법에 있어서,
    앵무새 영상에서 대상 영역을 생성하는 단계;
    상기 생성된 대상 영역에 대한 객체 검출 및 분류를 수행하는 단계; 및
    상기 대상 영역의 검출 및 분류 결과를 기반으로 앵무새 종을 인식하는 단계를 포함하는 영상 인식 기반 앵무새 종 인식 방법.
  4. 제 3항에 있어서,
    상기 생성된 대상 영역에 대한 객체 검출 및 분류를 수행하는 단계는
    싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector, SSD) 신경망을 이용하여 객체 검출 및 분류를 수행하는 영상 인식 기반 앵무새 종 인식 방법.
KR1020200151697A 2020-11-13 2020-11-13 영상 인식 기반 앵무새 종 인식 장치 및 방법 KR102528739B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200151697A KR102528739B1 (ko) 2020-11-13 2020-11-13 영상 인식 기반 앵무새 종 인식 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200151697A KR102528739B1 (ko) 2020-11-13 2020-11-13 영상 인식 기반 앵무새 종 인식 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220065321A true KR20220065321A (ko) 2022-05-20
KR102528739B1 KR102528739B1 (ko) 2023-05-04

Family

ID=81798503

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200151697A KR102528739B1 (ko) 2020-11-13 2020-11-13 영상 인식 기반 앵무새 종 인식 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102528739B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170007353A (ko) * 2014-05-07 2017-01-18 닛본 덴끼 가부시끼가이샤 물체 검출 장치, 물체 검출 방법, 및 물체 검출 시스템
JP2018200531A (ja) * 2017-05-26 2018-12-20 富士通株式会社 教師データ生成装置、教師データ生成方法、教師データ生成プログラム、及び物体検出システム
KR102082129B1 (ko) * 2018-12-26 2020-02-27 상명대학교산학협력단 영상 인식 기반 동물 특이 종 인식 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170007353A (ko) * 2014-05-07 2017-01-18 닛본 덴끼 가부시끼가이샤 물체 검출 장치, 물체 검출 방법, 및 물체 검출 시스템
JP2018200531A (ja) * 2017-05-26 2018-12-20 富士通株式会社 教師データ生成装置、教師データ生成方法、教師データ生成プログラム、及び物体検出システム
KR102082129B1 (ko) * 2018-12-26 2020-02-27 상명대학교산학협력단 영상 인식 기반 동물 특이 종 인식 장치 및 방법

Also Published As

Publication number Publication date
KR102528739B1 (ko) 2023-05-04

Similar Documents

Publication Publication Date Title
Wang et al. Research on face recognition based on deep learning
US11651229B2 (en) Methods and systems for face recognition
CN108829900B (zh) 一种基于深度学习的人脸图像检索方法、装置及终端
CN109359541A (zh) 一种基于深度迁移学习的素描人脸识别方法
CN108038466B (zh) 基于卷积神经网络的多通道人眼闭合识别方法
US11594074B2 (en) Continuously evolving and interactive Disguised Face Identification (DFI) with facial key points using ScatterNet Hybrid Deep Learning (SHDL) network
CN106951867A (zh) 基于卷积神经网络的人脸识别方法、装置、系统及设备
Gutta et al. Face recognition using hybrid classifier systems
CN106682578A (zh) 基于眨眼检测的人脸识别方法
Thavalengal et al. Iris liveness detection for next generation smartphones
CN109977867A (zh) 一种基于机器学习多特征融合的红外活体检测方法
Therar et al. Multibiometric system for iris recognition based convolutional neural network and transfer learning
CN107832721A (zh) 用于输出信息的方法和装置
CN112435414A (zh) 一种基于人脸识别的安防监控系统及其监控方法
KR102127946B1 (ko) 사람 재식별 장치 및 방법
Sanghvi et al. Mixnet for generalized face presentation attack detection
Jatain et al. Automatic human face detection and recognition based on facial features using deep learning approach
Lian et al. Region based robust facial expression analysis
Hashem Adaptive technique for human face detection using HSV color space and neural networks
KR20220065321A (ko) 영상 인식 기반 앵무새 종 인식 장치 및 방법
Peng et al. Toward masked face recognition: An effective facial feature extraction and refinement model in multiple scenes
CN112182537A (zh) 监控方法、装置、服务器、系统以及存储介质
Chen Design and simulation of AI remote terminal user identity recognition system based on reinforcement learning
Singla et al. Face Detection and Recognition Using Digital Image Processing:" State of the Art"
Al-Azzawi et al. Localized deep-CNN structure for face recognition

Legal Events

Date Code Title Description
E902 Notification of reason for refusal