KR20230001620A - 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램 - Google Patents
이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램 Download PDFInfo
- Publication number
- KR20230001620A KR20230001620A KR1020210084252A KR20210084252A KR20230001620A KR 20230001620 A KR20230001620 A KR 20230001620A KR 1020210084252 A KR1020210084252 A KR 1020210084252A KR 20210084252 A KR20210084252 A KR 20210084252A KR 20230001620 A KR20230001620 A KR 20230001620A
- Authority
- KR
- South Korea
- Prior art keywords
- sliding windows
- moving object
- sample
- sample sliding
- selecting
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
본 발명의 실시 예에 따른 이동 객체 검출 방법은 수집된 이미지를 기 설정된 이동 폭에 따라 스캔(scan)하기 위한 복수의 슬라이딩 윈도우들(sliding windows) 중에서 일부에 해당하는 샘플(sample) 슬라이딩 윈도우들을 선택하는 단계, 선택된 샘플 슬라이딩 윈도우들을 이용하여 상기 수집된 이미지로부터 추출된 특징을 약분류기를 통하여 스코어링하는 단계, 상기 약분류기를 통한 스코어링 결과에 따라, 상기 샘플 슬라이딩 윈도우들 중에서 상대적으로 높은 스코어링 결과를 가지는 적어도 하나의 후보 슬라이딩 윈도우를 선택하는 단계 및 선택된 적어도 하나의 후보 슬라이딩 윈도우를 이용하여 상기 수집된 이미지로부터 추출된 특징을 강분류기를 통하여 스코어링하고, 스코어링 결과에 따라 이동 객체를 검출하는 단계를 포함한다.
Description
본 발명은 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램에 관한 것으로, 보다 상세하게는 선별된 샘플 슬라이딩 윈도우들을 이용하여 추출된 특징을 약분류기를 통하여 스코어링하고, 상대적으로 높은 스코어링 결과를 가지는 후보 슬라이딩 윈도우를 선택하고, 후보 슬라이딩 윈도우를 이용하여 추출된 특징을 강분류기를 통하여 스코어링하여 스코어링 결과에 따라 이동 객체를 검출할 수 있는 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램에 관한 것이다.
이동 객체 검출 기술은 수집된 이미지로부터 이미지 속에 포함된 이동 객체를 찾아내는 기술이다.
최근에는 차량 등의 자율주행과 관련된 기술 발전이 급속히 진행되고 있으며, 이동 객체 검출 기술은 특히 차량에 설치되는 카메라를 활용하여 수집된 이미지로부터 이동 객체를 검출하고, 이동 객체 검출 정보를 활용하여 차량 주행을 보조하거나 차량 주행을 제어하는 측면에서 많이 활용되고 있다.
본 발명이 이루고자 하는 기술적 과제는 선별된 샘플 슬라이딩 윈도우들을 이용하여 추출된 특징을 약분류기를 통하여 스코어링하고, 상대적으로 높은 스코어링 결과를 가지는 후보 슬라이딩 윈도우를 선택하고, 후보 슬라이딩 윈도우를 이용하여 추출된 특징을 강분류기를 통하여 스코어링하여 스코어링 결과에 따라 이동 객체를 검출할 수 있는 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램을 제공하는 것이다.
본 발명의 실시 예에 따른 이동 객체 검출 방법은 수집된 이미지를 기 설정된 이동 폭에 따라 스캔(scan)하기 위한 복수의 슬라이딩 윈도우들(sliding windows) 중에서 일부에 해당하는 샘플(sample) 슬라이딩 윈도우들을 선택하는 단계, 선택된 샘플 슬라이딩 윈도우들을 이용하여 상기 수집된 이미지로부터 추출된 특징을 약분류기를 통하여 스코어링하는 단계, 상기 약분류기를 통한 스코어링 결과에 따라, 상기 샘플 슬라이딩 윈도우들 중에서 상대적으로 높은 스코어링 결과를 가지는 적어도 하나의 후보 슬라이딩 윈도우를 선택하는 단계, 및 선택된 적어도 하나의 후보 슬라이딩 윈도우를 이용하여 상기 수집된 이미지로부터 추출된 특징을 강분류기를 통하여 스코어링하고, 스코어링 결과에 따라 이동 객체를 검출하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 이동 객체 검출 방법은, 상기 샘플 슬라이딩 윈도우들을 선택하는 단계 이전에, 상기 수집된 이미지를 그레이 스케일(gray scale) 이미지로 변환하는 단계를 더 포함할 수 있다.
실시 예에 따라, 상기 이동 객체 검출 방법은, 상기 수집된 이미지를 그레이 스케일 이미지로 변환하는 단계 이후에, 변환된 이미지에서 관심 영역을 설정하는 단계를 더 포함하고, 상기 샘플 슬라이딩 윈도우들을 선택하는 단계는, 상기 관심 영역 내에 위치하는 슬라이딩 윈도우들 중에서 상기 샘플 슬라이딩 윈도우들을 선택할 수 있다.
실시 예에 따라, 상기 관심 영역을 설정하는 단계는, 기 설정된 비율에 따라 상기 수집된 이미지에서 가장자리 영역을 제외한 중심 영역을 상기 관심 영역으로 설정하며, 상기 기 설정된 비율은, 상기 이미지를 수집하는 카메라의 높이에 따라 서로 다르게 설정될 수 있다.
실시 예에 따라, 상기 샘플 슬라이딩 윈도우들을 선택하는 단계는, 상기 복수의 슬라이딩 윈도우들 중에서 서로 다른 높이에서 복수개의 샘플 슬라이딩 윈도우들을 선택하며, 상기 샘플 슬라이딩 윈도우들을 선택하는 단계는, 서로 동일한 높이에서 선택된 샘플 슬라이딩 윈도우들 간에는 서로 중첩되지 않고, 서로 다른 높이에서 선택된 샘플 슬라이딩 윈도우들 간에는 서로 중첩되도록, 상기 샘플 슬라이딩 윈도우들을 선택할 수 있다.
실시 예에 따라, 상기 샘플 슬라이딩 윈도우들은, 서로 다른 이동 객체 타입에 상응하는 샘플 슬라이딩 윈도우들을 포함하며, 서로 다른 이동 객체 타입에 상응하는 샘플 슬라이딩 윈도우들은 서로 다른 가로와 세로의 비율을 가지며, 서로 다른 크기의 사각형 형태를 가질 수 있다.
실시 예에 따라, 상기 이동 객체 검출 방법은, 상기 서로 다른 이동 객체 타입에 상응하는 샘플 슬라이딩 윈도우들의 처리 우선순위를 다르게 설정할 수 있다.
실시 예에 따라, 상기 이동 객체 검출 방법은, 컬러 데이터를 포함하는 상태의 상기 수집된 이미지로부터 추출된 특징을 이용하여 상기 강분류기를 학습시키는 단계를 더 포함할 수 있다.
본 발명의 실시 예에 따른 이동 객체 검출 장치는 수집된 이미지를 기 설정된 이동 폭에 따라 스캔(scan)하기 위한 복수의 슬라이딩 윈도우들(sliding windows) 중에서 일부에 해당하는 샘플 슬라이딩 윈도우들을 선택하는 샘플 슬라이딩 윈도우 선택기, 선택된 샘플 슬라이딩 윈도우들을 이용하여 상기 수집된 이미지로부터 추출된 특징을 스코어링하는 약분류기, 상기 약분류기를 통한 스코어링 결과에 따라, 상기 샘플 슬라이딩 윈도우들 중에서 상대적으로 높은 스코어링 결과를 가지는 적어도 하나의 후보 슬라이딩 윈도우를 선택하는 후보 슬라이딩 윈도우 선택기, 선택된 적어도 하나의 후보 슬라이딩 윈도우를 이용하여 상기 수집된 이미지로부터 추출된 특징을 스코어링하는 강분류기 및 스코어링 결과에 따라 이동 객체를 검출하는 이동 객체 검출기를 포함할 수 있다.
본 발명의 실시 예에 따른 프로세서(processor)와 결합되어 교통 신호를 식별하는 방법을 수행하기 위한 매체에 저장된 프로그램은 수집된 이미지를 기 설정된 이동 폭에 따라 스캔(scan)하기 위한 복수의 슬라이딩 윈도우들(sliding windows) 중에서 일부에 해당하는 샘플 슬라이딩 윈도우들을 선택하는 단계, 선택된 샘플 슬라이딩 윈도우들을 이용하여 상기 수집된 이미지로부터 추출된 특징을 약분류기를 통하여 스코어링하는 단계, 상기 약분류기를 통한 스코어링 결과에 따라, 상기 샘플 슬라이딩 윈도우들 중에서 상대적으로 높은 스코어링 결과를 가지는 적어도 하나의 후보 슬라이딩 윈도우를 선택하는 단계 및 선택된 적어도 하나의 후보 슬라이딩 윈도우를 이용하여 상기 수집된 이미지로부터 추출된 특징을 강분류기를 통하여 스코어링하고, 스코어링 결과에 따라 이동 객체를 검출하는 단계를 수행하는 프로그램 코드를 포함할 수 있다.
본 발명의 실시 예에 따른 방법과 장치들은 선별된 샘플 슬라이딩 윈도우들을 이용하여 추출된 특징을 약분류기를 통하여 스코어링하고, 상대적으로 높은 스코어링 결과를 가지는 후보 슬라이딩 윈도우를 선택하고, 후보 슬라이딩 윈도우를 이용하여 추출된 특징을 강분류기를 통하여 스코어링하여 스코어링 결과에 따라 이동 객체를 검출함으로써 이동 객체의 검출에 소요되는 처리량을 경량화하여 신속한 이동 객체의 검출이 가능한 효과가 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시 예에 따른 이동 객체 검출 장치의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 이동 객체 검출 방법의 플로우차트이다.
도 3과 도 4는 도 2의 이동 객체 검출 방법에 따라 이동 객체를 검출하는 과정을 나타내는 도면이다.
도 1은 본 발명의 일 실시 예에 따른 이동 객체 검출 장치의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 이동 객체 검출 방법의 플로우차트이다.
도 3과 도 4는 도 2의 이동 객체 검출 방법에 따라 이동 객체를 검출하는 과정을 나타내는 도면이다.
본 발명의 기술적 사상은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 이를 상세히 설명하고자 한다. 그러나, 이는 본 발명의 기술적 사상을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상의 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명의 기술적 사상을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processer), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Drive Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있으며, 적어도 하나의 기능이나 동작의 처리에 필요한 데이터를 저장하는 메모리(memory)와 결합되는 형태로 구현될 수도 있다.
그리고 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
도 1은 본 발명의 일 실시 예에 따른 이동 객체 검출 장치의 블록도이다.
도 1을 참조하면, 이동 객체 검출 장치(100)는 이미지 캡쳐 유닛(110), 메모리(120), 통신 인터페이스(130), 및 프로세서(140)를 포함할 수 있다.
실시 예에 따라, 이동 객체 검출 장치(100)는 차량 주변의 이미지를 획득하여 처리할 수 있는 다양한 장치(예컨대, 차량용 블랙박스 등)로 구현될 수 있다.
다른 실시 예에 따라, 이미지 캡쳐 유닛(110)은 이동 객체 검출 장치(100)와 별개로 구현될 수 있으며, 이 경우 이동 객체 검출 장치(100)는 이미지 캡쳐 유닛(110)으로부터 이미지 데이터를 수신할 수 있다.
실시 예에 따라, 이동 객체 검출 장치(100) 또는 이동 객체 검출 장치(100)를 구성하고 있는 구성들 중에서 적어도 일부는 임베디드 시스템(embedded system)으로 구현될 수 있다.
이미지 캡쳐 유닛(110)은 차량 주변(예컨대, 차량의 전방)의 이미지를 캡쳐하여 획득할 수 있다.
본 명세서에서 "이미지"는 정적 이미지와 동적 이미지(즉, 영상)를 모두 포함하는 개념을 의미할 수 있다.
실시 예에 따라, 이미지 캡쳐 유닛(110)은 이미지를 캡쳐하기 위한 이미지 센서(예컨대, CCD(Charge Coupled Device) 이미지 센서, CMOS(Complementary Metal-Oxide Semiconductor) 이미지 센서 등)와 렌즈를 포함하는 광학계를 포함할 수 있다.
메모리(120)는 이동 객체 검출 장치(100)의 동작 전반에 필요한 데이터 또는 프로그램을 저장할 수 있다.
메모리(120)는 이미지 캡쳐 유닛(110)에 의해 획득한 이미지 또는 프로세서(140)에 의해 처리 중이거나 처리된 이미지를 저장할 수 있다.
통신 인터페이스(130)는 이동 객체 검출 장치(100)와 외부의 타 장치와의 통신을 수행하고, 통신을 인터페이싱할 수 있다.
예컨대, 통신 인터페이스(130)는 이동 객체 검출 장치(100)에 의해 검출된 이동 객체에 관한 정보를 차량의 주행보조제어 시스템 또는 자율주행제어 시스템 측으로 전송할 수 있다.
본 명세서에서 "이동 객체"는 이동할 수 있는 다양한 대상들을 포함할 수 있다. 예컨대, 차량 주변의 이동 객체를 검출하는 경우, 이동 객체에는 보행자, 자전거, 오토바이, 또는 퍼스널 모빌리티(personal mobility) 등 차량 주행 중에 충돌 가능성이 있어 검출이 필요한 다양한 형태의 이동 객체들이 포함될 수 있다.
프로세서(140)는 샘플 슬라이딩 윈도우 선택기(142), 약분류기(144), 후보 슬라이딩 윈도우 선택기(146), 및 강분류기(148)를 포함할 수 있다.
윈도우 선택기(142), 약분류기(144), 후보 슬라이딩 윈도우 선택기(146), 및 강분류기(148) 각각은 기능 및 논리적으로 분리될 수 있음을 나타내는 것이며, 반드시 구성들 각각이 별도의 물리적 장치로 구분되거나 별도의 코드로 작성됨을 의미하는 것은 아니다.
실시 예에 따라, 프로세서(140)는 CPU(Central Processing Unit), NPU(Neural Processing Unit), 또는 GPU(Graphic Processing Unit) 등 다양한 형태로 구현될 수 있다.
실시 예에 따라, 프로세서(140)는 프로세싱 성능에 차이가 있는 복수의 프로세서들의 조합(예컨대, CPU 및 NPU)을 포함하는 형태로 구현될 수 있다.
실시 예에 따라, 프로세서(140)에는 이미지 전처리 모듈이 더 포함될 수 있다. 이미지 전처리 모듈은 획득한 이미지에 대하여 노이즈(noise) 제거, 감마 보정(Gamma Correction), 색필터 배열 보간(color filter array interpolation), 색 보정(color correction), 색 향상(color enhancement) 등의 화질 개선을 위한 이미지 처리, 또는 컬러 이미지를 그레이 스케일(gray scale) 이미지로 색 변환하는 등의 이미지 처리량을 줄이기 위한 이미지 처리를 수행할 수 있다.
샘플 슬라이딩 윈도우 선택기(142)는 수집된 이미지를 기 설정된 이동 폭(stride)에 따라 스캔(scan)하기 위한 복수의 슬라이딩 윈도우들(sliding windows) 중에서 일부에 해당하는 샘플(sample) 슬라이딩 윈도우들을 선택할 수 있다.
실시 예에 따라, 샘플 슬라이딩 윈도우 선택기(142)는 그레이 스케일 이미지로 변환된 이미지에서 관심 영역을 설정할 수 있다. 이 경우, 샘플 슬라이딩 윈도우 선택기(142)는 설정된 관심 영역 내에 위치하는 슬라이딩 윈도우들 중에서만 샘플 슬라이딩 윈도우들을 선택할 수 있다.
샘플 슬라이딩 윈도우 선택기(142)가 관심 영역을 설정하고, 관심 영역 내에서 슬라이딩 윈도우들을 선택하는 상세한 과정은 도 2 내지 도 4를 참조하여 후술하도록 한다.
약분류기(weak classifier, 144)는 강분류기(strong classifier, 148)에 비하여 상대적으로 낮은 처리량으로 분류를 수행할 수 있는 분류기를 폭 넓게 의미할 수 있다. 실시 예에 따라, 약분류기(144)는 ANN(Artificial Neural Network) 모델을 이용하여 구현될 수 있다.
약분류기(144)는 샘플 슬라이딩 윈도우 선택기(142)에 의해서 복수의 슬라이딩 윈도우들 중에서 선택된 일부에 해당하는 샘플 슬라이딩 윈도우들을 이용하여 수집된 이미지로부터 추출된 특징을 분류하고 스코어링할 수 있다.
후보 슬라이딩 윈도우 선택기(146)는 약분류기(144)에 의한 스코어링 결과에 따라, 샘플 슬라이딩 윈도우들 중에서 상대적으로 높은 스코어링 결과를 가지는 적어도 하나의 후보 슬라이딩 윈도우들을 선택할 수 있다.
실시 예에 따라, 후보 슬라이딩 윈도우 선택기(146)는 N(상기 N은 2이상의 자연수)개의 샘플 슬라이딩 윈도우들 중에서 스코어링 결과가 높은 상위 M개(상기 M은 상기 N보다 작은 자연수)의 샘플 슬라이딩 윈도우를 후보 슬라이딩 윈도우로 선택할 수 있다.
강분류기(148)는 후보 슬라이딩 윈도우 선택기(146)에 의해 선택된 적어도 하나의 후보 슬라이딩 윈도우를 이용하여 수집된 이미지로부터 추출된 특징을 스코어링할 수 있다.
강분류기(148)는 스코어링 결과에 따라, 스코어링 결과가 기준치를 넘어선 경우에 대하여 이동 객체가 검출된 것으로 판단할 수 있다. 실시 예에 따라, 강분류기(148)는 CNN(Convolutional Neural Network) 모델을 이용하여 구현될 수 있다.
실시 예에 따라, 강분류기(148)는 컬러 데이터를 포함하는 상태의 이미지, 즉 그레이 스케일로 변환되기 이전 이미지로부터 추출된 특징을 이용하여 학습될 수 있다.
이동 객체를 검출하는 세부적인 과정은 도 2 내지 도 4를 참조하여 후술하도록 한다.
도 2는 본 발명의 일 실시 예에 따른 이동 객체 검출 방법의 플로우차트이다. 도 3과 도 4는 도 2의 이동 객체 검출 방법에 따라 이동 객체를 검출하는 과정을 나타내는 도면이다.
도 1 내지 도 4를 참조하면, 이미지 캡쳐 유닛(110)는 이동 객체 검출 장치(100)의 커버리지에 상응하는 영역에 대한 이미지를 수집할 수 있다(S210).
실시 예에 따라, S210 단계에서 수집된 이미지는 컬러 이미지일 수 있으며, 본 발명의 실시 예에 따른 이동 객체 검출 방법에서는 수집된 이미지를 그레이 스케일 이미지로 변환하는 전처리 과정이 더 포함될 수 있다.
샘플 슬라이딩 윈도우 선택기(142)는 S210 단계에서 수집된 이미지(또는 수집되어 그레이 스케일로 변환된 이미지)를 스캔하기 위한 복수의 슬라이딩 윈도우들 중에서 일부에 해당하는 샘플 슬라이딩 윈도우들을 선택할 수 있다(S220).
도 3을 함께 참조하면, 슬라이딩 윈도우는 기 설정된 이동 폭(stride(STR))에 따라 이동하면서 수집된 이미지 전체를 스캔할 수 있도록 구성된다. 즉, 신속한 스캔이 요구되지 않는 경우라면 기 설정된 이동 폭에 따라 이동하는 모든 슬라이딩 윈도우(예컨대, SW-1~SW-N)에 대하여 특징을 추출하고 분류 및 스코어링을 수행하는 과정이 이루어질 수 있다.
도 4를 함께 참조하면, 본 발명에서는 기 설정된 이동 폭에 따라 이동하는 복수의 슬라이딩 윈도우들(예컨대, SW-1~SW-N) 중에서 일부에 해당하는 샘플 슬라이딩 윈도우들(예컨대, SSW-11~SSW-16)가 선택될 수 있으며, 선택된 샘플 슬라이딩 윈도우들(예컨대, SSW-11~SSW-16)에 대해서만 이미지의 특징 추출 및 스코어링이 수행될 수 있다.
실시 예에 따라, 샘플 슬라이딩 윈도우 선택기(142)는 관심 영역(ROI)을 설정하고, 수집된 이미지(IMG) 전체 영역에 대하여 스캔할 수 있도록 구성되는 복수의 슬라이딩 윈도우들 중에서 설정된 관심 영역(ROI) 내에 위치하는 슬리이딩 윈도우들 중에서만 샘플 슬라이딩 윈도우들(예컨대, SSW-11~SSW-16, SSW-21~SSW-26, SSW-31~SSW-36)을 선택할 수 있다.
실시 예에 따라, 관심 영역(ROI)은 기 설정된 비율에 따라 수집된 이미지(IMG)에서 가장자리 영역을 제외한 중심 영역으로 설정될 수 있다.
실시 예에 따라, 전체 이미지(IMG)에서 관심 영역(ROI)을 선택하기 위한 기 설정된 비율은, 해당 이미지를 수집하는 카메라의 높이에 따라 서로 다르게 설정될 수 있다.
예컨대, 카메라의 높이가 상대적으로 높은 경우에 관심 영역(ROI)은 이미지(IMG) 내에서 상대적으로 낮은 위치로 설정될 수 있고, 반대로 카메라의 높이가 상대적으로 낮은 경우에 관심 영역(ROI)은 이미지(IMG) 내에서 상대적으로 높은 위치로 설정될 수 있다.
예컨대, 카메라의 높이가 상대적으로 높은 경우에 관심 영역(ROI)은 상대적으로 가로 길이 대비 세로 길이의 비율이 낮은 값으로 설정될 수 있고(즉, 가로 길이 대비 세로 길이가 짧은 비율로 설정), 반대로 카메라의 높이가 상대적으로 낮은 경우에 관심 영역(ROI)은 상대적으로 가로 길이 대비 세로 길이의 비율이 높은 값으로 설정(즉, 가로 길이 대비 세로 길이가 긴 비율로 설정)될 수 있다.
실시 예에 따라, 관심 영역(ROI)은 이미지(IMG)의 패턴에 따라 이동 객체가 존재할 확률이 현저히 낮은 영역을 제외한 영역 중에서 설정될 수 있다. 예컨대, 이미지(IMG) 내에서 건물이 존재하는 것으로 판단된 영역의 경우 관심 영역(ROI)에서 제외될 수 있다.
실시 예에 따라, 샘플 슬라이딩 윈도우 선택기(142)는 서로 다른 높이에서 복수개의 샘플 슬라이딩 윈도우들을 선택할 수 있다. 예컨대, 제1높이에서 복수개의 샘플 슬라이딩 윈도우들(SSW-11~SSW-16)을 선택하고, 제2높이에서 복수개의 샘플 슬라이딩 윈도우들(SSW-21~SSW-26)을 선택하고, 제3높이에서 복수개의 샘플 슬라이딩 윈도우들(SSW-31~SSW-36)을 선택할 수 있다.
실시 예에 따라, 서로 다른 높이에서 선택되는 샘플 슬라이딩 윈도우들 각각은 서로 다른 거리에 위치한 이동 객체를 검출하기 위한 슬라이딩 윈도우일 수 있다.
실시 예에 따라, 샘플 슬라이딩 윈도우 선택기(142)는 동일한 높이에서 선택된 샘플 슬라이딩 윈도우들(예컨대, SSW-11 ~SSW-16) 간에는 서로 중첩되지 않고, 서로 다른 높이에서 선택된 샘플 슬라이딩 윈도우들(예컨대, SSW-12와 SSW21) 간에선 서로 중첩되도록 샘플 슬라이딩 윈도우들을 선택할 수 있다. 이 경우, 서로 다른 높이에서 선택된 샘플 슬라이딩 윈도우들(예컨대, SSW-12와 SSW21) 간에 서로 중첩되는 비율이 기 설정된 비율이 되도록 샘플 슬라이딩 윈도우들이 선택할 수 있다. 실시 예에 따라, 샘플 슬라이딩 윈도우 선택기(142)는 이동 객체가 검출되었던 이력에 따라, 이동 객체가 검출된 빈도가 높은 곳에서는 상기 기 설정된 비율이 높아지도록 조절하고, 이동 객체가 검출된 빈도가 낮은 곳에서는 상기 기 설정된 비율이 낮아지도록 적응적으로 중첩 비율을 조절할 수 있다.
실시 예에 따라, 서로 다른 높이에서 선택된 샘플 슬라이딩 윈도우들은 동일한 가로와 세로 비율을 가지되, 서로 다른 크기의 사각형 형태를 가질 수 있다. 이 때, 상대적으로 더 높은 높이에서 선택된 샘플 슬라이딩 윈도우의 크기가 상대적으로 더 작게 구성될 수 있다.
실시 예에 따라, 샘플 슬라이딩 윈도우 선택기(142)는 서로 다른 높이에서 선택된 샘플 슬라이딩 윈도우들은 서로 중심축이 서로 일치하지 않도록 샘플 슬라이딩 윈도우들을 선택할 수 있다.
실시 예에 따라, 샘플 슬라이딩 윈도우 선택기(142)가 전체 슬라이딩 윈도우들 중에서 샘플 슬라이딩 윈도우들을 선택하는 비율은, 프로세서(140)의 성능 및 이동 객체 검출에 요구되는 QoS(Quality of Service) 중 적어도 어느 하나에 기초하여 설정될 수 있다.
다른 실시 예에 따라, 샘플 슬라이딩 윈도우 선택기(142)가 전체 슬라이딩 윈도우들 중에서 샘플 슬라이딩 윈도우들을 선택하는 비율은, 이동 객체가 검출되었던 이력에 기초하여 설정될 수 있다. 샘플 슬라이딩 윈도우 선택기(142)는 이동 객체가 검출된 빈도가 높은 곳에서는 상기 비율이 높아지도록 설정하고, 이동 객체가 검출된 빈도가 낮은 곳에서는 상기 비율이 낮아지도록 적응적으로 선택 비율을 조절할 수 있다.
도 2로 돌아와서, 이동 객체 검출 장치(100)는 S220 단계에서 선택된 샘플 슬라이딩 윈도우들을 이용하여 수집된 이미지로부터 추출된 특징을 약분류기를 통하여 스코어링할 수 있다(S230).
도 4에는 도시되지 않았지만, 샘플 슬라이딩 윈도우들은 서로 다른 이동 객체 타입(예컨대, 보행자 타입, 자전거 타입, 오토바이 타입, 또는 퍼스널 모빌리티 타입 등 )에 상응하는 샘플 슬라이딩 윈도우들을 포함할 수 있다. 이 경우, 서로 다른 이동 객체 타입에 상응하는 샘플 슬라이딩 윈도우들은 서로 다른 가로 길이 대 세로 길이의 비율을 가지며, 서로 다른 크기의 사각형 형태를 가질 수 있다.
실시 예에 따라, 샘플 슬라이딩 윈도우들에 서로 다른 이동 객체 타입에 상응하는 샘플 슬라이딩 윈도우들이 포함되어 있는 경우, S240 단계 내지 S260 단계는 우선순위가 높은 이동 객체 타입의 샘플 슬라이딩 윈도우들에 대해서 먼저 수행될 수 있다.
실시 예에 따라, 상기 우선순위는 이동 객체 타입별 이동 객체의 이동 속도에 따라 설정될 수 있다. 예컨대, 이동속도가 빠른 자전거 타입의 경우 이동속도가 느린 보행자 타입보다 높은 우선순위로 처리될 수 있다.
이동 객체 검출 장치(100)는 S230 단계의 스코어링 결과에 따라 샘플 슬라이딩 윈도우들 중에서, 상대적으로 높은 스코어링 결과를 가지는, 즉 상위의 스코어링 결과를 가지는 적어도 하나의 후보 슬라이딩 윈도우를 선택할 수 있다(S240).
실시 예에 따라, 이동 객체 검출 장치(100)가 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율은, 전체 슬라이딩 윈도우들 중에서 샘플 슬라이딩 윈도우들을 선택하는 비율에 기초하여 설정될 수 있다.
실시 예에 따라, 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율은, 전체 슬라이딩 윈도우들 중에서 샘플 슬라이딩 윈도우들을 선택하는 비율에 비례할 수 있다. 예컨대, 전체 슬라이딩 윈도우들 중에서 샘플 슬라이딩 윈도우들을 선택하는 비율이 상대적으로 높았던 경우, 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율은 높아지도록 설정될 수 있다. 예컨대, 전체 슬라이딩 윈도우들 중에서 샘플 슬라이딩 윈도우들을 선택하는 비율이 상대적으로 낮았던 경우, 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율은 낮아지도록 설정될 수 있다.
다른 실시 예에 따라, 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율은, 전체 슬라이딩 윈도우들 중에서 샘플 슬라이딩 윈도우들을 선택하는 비율에 반비례할 수 있다. 예컨대, 전체 슬라이딩 윈도우들 중에서 샘플 슬라이딩 윈도우들을 선택하는 비율이 상대적으로 높았던 경우, 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율은 낮아지도록 설정될 수 있다. 예컨대, 전체 슬라이딩 윈도우들 중에서 샘플 슬라이딩 윈도우들을 선택하는 비율이 상대적으로 낮았던 경우, 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율은 높아지도록 설정될 수 있다.
이동 객체 검출 장치(100)는 S240 단계에서 선택된 적어도 하나의 후보 슬라이딩 윈도우를 이용하여 수집된 이미지로부터 특징을 추출하고, 추출된 특징을 강분류기를 통하여 스코어링할 수 있다(S250).
이동 객체 검출 장치(100)는 S250 단계의 스코어링 결과에 따라 이동 객체를 검출할 수 있다(S260).
실시 예에 따라, 이동 객체 검출 장치(100)가 이동 객체를 검출할 때의 기준이 되는 스코어링 값은 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율에 따라 달라지도록 설정될 수 있다. 이동 객체 검출 장치(100)가 이동 객체를 검출할 때의 기준이 되는 스코어링 값은, 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율에 비례할 수 있다. 예컨대, 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율이 상대적으로 높았던 경우, 이동 객체 검출 장치(100)가 이동 객체를 검출할 때의 기준이 되는 스코어링 값은 높아지도록 설정(즉, 이동 객체로 보는 기준이 강화되도록 설정)될 수 있다. 예컨대, 샘플 슬라이딩 윈도우들 중에서 후보 슬라이딩 윈도우를 선택하는 비율이 상대적으로 낮았던 경우, 이동 객체 검출 장치(100)가 이동 객체를 검출할 때의 기준이 되는 스코어링 값은 낮아지도록 설정(즉, 이동 객체로 보는 기준이 완화되도록 설정)될 수 있다.
본 발명의 실시 예에 따른 이동 객체 검출 방법은 프로그램 코드로 구현되어 메모리에 저장될 수 있으며, 상기 메모리는 프로세서와 결합되어 본 발명의 실시 예에 따른 이동 객체 검출 방법을 수행 시킬 수 있다.
이상, 본 발명을 바람직한 실시 예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시 예에 한정되지 않고, 본 발명의 기술적 사상 및 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러가지 변형 및 변경이 가능하다.
100 : 이동 객체 검출 장치
110 : 이미지 캡쳐 유닛
120 : 메모리
130 : 통신 인터페이스
140 : 프로세서
110 : 이미지 캡쳐 유닛
120 : 메모리
130 : 통신 인터페이스
140 : 프로세서
Claims (10)
- 수집된 이미지를 기 설정된 이동 폭에 따라 스캔(scan)하기 위한 복수의 슬라이딩 윈도우들(sliding windows) 중에서 일부에 해당하는 샘플(sample) 슬라이딩 윈도우들을 선택하는 단계;
선택된 상기 샘플 슬라이딩 윈도우들을 이용하여 상기 수집된 이미지로부터 추출된 특징을 약분류기를 통하여 스코어링하는 단계;
상기 약분류기를 통한 스코어링 결과에 따라, 상기 샘플 슬라이딩 윈도우들 중에서 상대적으로 높은 스코어링 결과를 가지는 적어도 하나의 후보 슬라이딩 윈도우를 선택하는 단계; 및
선택된 상기 적어도 하나의 후보 슬라이딩 윈도우를 이용하여 상기 수집된 이미지로부터 추출된 특징을 강분류기를 통하여 스코어링하고, 스코어링 결과에 따라 이동 객체를 검출하는 단계를 포함하는, 이동 객체 검출 방법.
- 제1항에 있어서,
상기 이동 객체 검출 방법은,
상기 샘플 슬라이딩 윈도우들을 선택하는 단계 이전에,
상기 수집된 이미지를 그레이 스케일(gray scale) 이미지로 변환하는 단계를 더 포함하는, 이동 객체 검출 방법.
- 제2항에 있어서,
상기 이동 객체 검출 방법은,
상기 수집된 이미지를 그레이 스케일 이미지로 변환하는 단계 이후에, 변환된 이미지에서 관심 영역을 설정하는 단계를 더 포함하고,
상기 샘플 슬라이딩 윈도우들을 선택하는 단계는,
상기 관심 영역 내에 위치하는 슬라이딩 윈도우들 중에서 상기 샘플 슬라이딩 윈도우들을 선택하는, 이동 객체 검출 방법.
- 제3항에 있어서,
상기 관심 영역을 설정하는 단계는,
기 설정된 비율에 따라 상기 수집된 이미지에서 가장자리 영역을 제외한 중심 영역을 상기 관심 영역으로 설정하며,
상기 기 설정된 비율은,
상기 이미지를 수집하는 카메라의 높이에 따라 서로 다르게 설정되는, 이동 객체 검출 방법.
- 제1항에 있어서,
상기 샘플 슬라이딩 윈도우들을 선택하는 단계는,
상기 복수의 슬라이딩 윈도우들 중에서 서로 다른 높이에서 복수개의 샘플 슬라이딩 윈도우들을 선택하며,
상기 샘플 슬라이딩 윈도우들을 선택하는 단계는,
서로 동일한 높이에서 선택된 샘플 슬라이딩 윈도우들 간에는 서로 중첩되지 않고, 서로 다른 높이에서 선택된 샘플 슬라이딩 윈도우들 간에는 서로 중첩되도록, 상기 샘플 슬라이딩 윈도우들을 선택하는, 이동 객체 검출 방법.
- 제1항에 있어서,
상기 샘플 슬라이딩 윈도우들은,
서로 다른 이동 객체 타입에 상응하는 샘플 슬라이딩 윈도우들을 포함하며,
서로 다른 이동 객체 타입에 상응하는 샘플 슬라이딩 윈도우들은 서로 다른 가로와 세로의 비율을 가지며, 서로 다른 크기의 사각형 형태를 가지는, 이동 객체 검출 방법.
- 제6항에 있어서,
상기 이동 객체 검출 방법은,
상기 서로 다른 이동 객체 타입에 상응하는 샘플 슬라이딩 윈도우들의 처리 우선순위를 다르게 설정하는, 이동 객체 검출 방법.
- 제2항에 있어서,
상기 이동 객체 검출 방법은,
컬러 데이터를 포함하는 상태의 상기 수집된 이미지로부터 추출된 특징을 이용하여 상기 강분류기를 학습시키는 단계를 더 포함하는, 이동 객체 검출 방법.
- 수집된 이미지를 기 설정된 이동 폭에 따라 스캔(scan)하기 위한 복수의 슬라이딩 윈도우들(sliding windows) 중에서 일부에 해당하는 샘플 슬라이딩 윈도우들을 선택하는 샘플 슬라이딩 윈도우 선택기;
선택된 상기 샘플 슬라이딩 윈도우들을 이용하여 상기 수집된 이미지로부터 추출된 특징을 스코어링하는 약분류기;
상기 약분류기를 통한 스코어링 결과에 따라, 상기 샘플 슬라이딩 윈도우들 중에서 상대적으로 높은 스코어링 결과를 가지는 적어도 하나의 후보 슬라이딩 윈도우를 선택하는 후보 슬라이딩 윈도우 선택기;
선택된 상기 적어도 하나의 후보 슬라이딩 윈도우를 이용하여 상기 수집된 이미지로부터 추출된 특징을 스코어링하는 강분류기; 및
스코어링 결과에 따라 이동 객체를 검출하는 이동 객체 검출기를 포함하는, 이동 객체 검출 장치.
- 프로세서(processor)와 결합되어 교통 신호를 식별하는 방법을 수행하기 위한 매체에 저장된 프로그램으로서,
수집된 이미지를 기 설정된 이동 폭에 따라 스캔(scan)하기 위한 복수의 슬라이딩 윈도우들(sliding windows) 중에서 일부에 해당하는 샘플 슬라이딩 윈도우들을 선택하는 단계;
선택된 샘플 슬라이딩 윈도우들을 이용하여 상기 수집된 이미지로부터 추출된 특징을 약분류기를 통하여 스코어링하는 단계;
상기 약분류기를 통한 스코어링 결과에 따라, 상기 샘플 슬라이딩 윈도우들 중에서 상대적으로 높은 스코어링 결과를 가지는 적어도 하나의 후보 슬라이딩 윈도우를 선택하는 단계; 및
선택된 적어도 하나의 후보 슬라이딩 윈도우를 이용하여 상기 수집된 이미지로부터 추출된 특징을 강분류기를 통하여 스코어링하고, 스코어링 결과에 따라 이동 객체를 검출하는 단계를 수행하는 프로그램 코드를 포함하는, 매체에 저장된 프로그램.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210084252A KR102583655B1 (ko) | 2021-06-28 | 2021-06-28 | 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램 |
| KR1020230126613A KR102659027B1 (ko) | 2021-06-28 | 2023-09-21 | 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210084252A KR102583655B1 (ko) | 2021-06-28 | 2021-06-28 | 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230126613A Division KR102659027B1 (ko) | 2021-06-28 | 2023-09-21 | 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230001620A true KR20230001620A (ko) | 2023-01-05 |
| KR102583655B1 KR102583655B1 (ko) | 2023-10-05 |
Family
ID=84925873
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210084252A KR102583655B1 (ko) | 2021-06-28 | 2021-06-28 | 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램 |
| KR1020230126613A KR102659027B1 (ko) | 2021-06-28 | 2023-09-21 | 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230126613A KR102659027B1 (ko) | 2021-06-28 | 2023-09-21 | 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102583655B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150120774A (ko) * | 2014-04-18 | 2015-10-28 | 삼성전자주식회사 | 관심영역 검출 시스템 및 방법 |
| KR20170045813A (ko) * | 2015-10-20 | 2017-04-28 | 삼성전자주식회사 | 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치 |
| KR20180062683A (ko) * | 2016-12-01 | 2018-06-11 | 주식회사 만도 | 이미지 피라미드를 이용한 차량 인식 장치 및 방법 |
-
2021
- 2021-06-28 KR KR1020210084252A patent/KR102583655B1/ko active IP Right Grant
-
2023
- 2023-09-21 KR KR1020230126613A patent/KR102659027B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150120774A (ko) * | 2014-04-18 | 2015-10-28 | 삼성전자주식회사 | 관심영역 검출 시스템 및 방법 |
| KR20170045813A (ko) * | 2015-10-20 | 2017-04-28 | 삼성전자주식회사 | 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치 |
| KR20180062683A (ko) * | 2016-12-01 | 2018-06-11 | 주식회사 만도 | 이미지 피라미드를 이용한 차량 인식 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230140445A (ko) | 2023-10-06 |
| KR102583655B1 (ko) | 2023-10-05 |
| KR102659027B1 (ko) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
| CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
| US8861864B2 (en) | Image feature detection based on application of multiple feature detectors | |
| KR102399017B1 (ko) | 이미지 생성 방법 및 장치 | |
| EP3651055A1 (en) | Gesture recognition method, apparatus, and device | |
| US9373034B2 (en) | Apparatus and method for tracking object | |
| US20200005151A1 (en) | Artificial neural network | |
| US20110211233A1 (en) | Image processing device, image processing method and computer program | |
| KR101848019B1 (ko) | 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 | |
| CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
| CN105930822A (zh) | 一种人脸抓拍方法及系统 | |
| JP2011188496A (ja) | 逆光検知装置及び逆光検知方法 | |
| CN106886778B (zh) | 一种监控场景下车牌字符分割与识别方法 | |
| Yao et al. | License plate detection based on multistage information fusion | |
| CN113673584A (zh) | 一种图像检测方法及相关装置 | |
| CN110378934B (zh) | 主体检测方法、装置、电子设备和计算机可读存储介质 | |
| CN117269193B (zh) | 合成革表观质量智能化检测方法 | |
| CN114170153A (zh) | 一种晶圆缺陷检测方法、装置、电子设备及存储介质 | |
| KR102659027B1 (ko) | 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램 | |
| US20190340416A1 (en) | Artificial neural network | |
| JP6377214B2 (ja) | テキスト検出方法および装置 | |
| CN110688876A (zh) | 一种基于视觉的车道线检测方法及装置 | |
| CN111583341B (zh) | 云台像机移位检测方法 | |
| CN108334823A (zh) | 基于机器学习的高分辨率遥感影像集装箱区域检测方法 | |
| JP2008084109A (ja) | 目開閉判定装置及び目開閉判定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E701 | Decision to grant or registration of patent right | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |