KR20230172914A - 이미지 분석을 위한 파생 이미지를 생성하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 - Google Patents
이미지 분석을 위한 파생 이미지를 생성하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Download PDFInfo
- Publication number
- KR20230172914A KR20230172914A KR1020220073665A KR20220073665A KR20230172914A KR 20230172914 A KR20230172914 A KR 20230172914A KR 1020220073665 A KR1020220073665 A KR 1020220073665A KR 20220073665 A KR20220073665 A KR 20220073665A KR 20230172914 A KR20230172914 A KR 20230172914A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- derived
- target object
- size
- basic
- Prior art date
Links
- 238000010191 image analysis Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000010813 municipal solid waste Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
본 발명의 일 태양에 따르면, 이미지 분석을 위한 파생 이미지를 생성하기 위한 방법으로서, 타겟 객체에 관한 기본 이미지를 획득하는 단계, 및 상기 기본 이미지 및 상기 기본 이미지에 관한 스케일 팩터(scale factor)를 결정짓는 유효(valid) 신호에 기초하여 상기 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성하는 단계를 포함하는 방법이 제공된다.
Description
본 발명은 이미지 분석을 위한 파생 이미지를 생성하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
근래에 들어, 머신 러닝 기술에 관한 연구가 활발히 이루어지면서, 이미지 센서와 인공 신경망 모델을 이용하여 촬영 이미지로부터 객체를 검출하는 등의 이미지 분석 기술들이 소개된 바 있다.
이러한 객체 검출(또는 이미지 분석)을 위하여 이용되는 인공 신경망 모델에서는 검출 성능 향상 등 여러 가지 목적으로 촬영 이미지의 사이즈를 줄이는 서브 샘플링(sub sampling) 내지 다운 스케일링(down scaling)(예를 들면, CNN(Convolutional Neural Network) 기반의 인공 신경망 모델에서 수행되는 풀링(pooling))이 수행되고, 이를 바탕으로 다양한 연산이 처리되는 것이 일반적인데, 이를 원활히 수행하기 위하여는 상당히 많은 컴퓨팅 리소스(예를 들면, 고성능의 GPU, 고용량의 메모리 등)가 필수적이었다.
그러나, 이러한 객체 검출(또는 이미지 분석) 기술은 주로 스마트폰, 자율 주행차, 드론, 로봇 등의 에지 디바이스(edge device)에서 실현되기 때문에, 에지 디바이스(또는 에지 디바이스에 포함되는 이미지 분석 시스템(모듈))의 소형화, 생산 비용 절감, 객체 검출 속도 향상 등의 측면에서 객체 검출(또는 이미지 분석)에 필요한 컴퓨팅 리소스를 줄여야 하는 필요성이 큰 실정이었다.
이에 본 발명자(들)는, 타겟 객체에 관한 기본 이미지를 획득하고, 해당 기본 이미지 및 해당 기본 이미지에 관한 스케일 팩터(scale factor)에 기초하여 생성되는 유효(valid) 신호를 이용하여 해당 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성함으로써 객체 검출(또는 이미지 분석)에 필요한 컴퓨팅 리소스(예를 들면, 처리해야 하는 연산량, 필요한 메모리, 칩 사이즈 등)를 줄일 수 있도록 하는 기술을 제안하는 바이다.
본 발명은 전술한 종래 기술의 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 타겟 객체에 관한 기본 이미지를 획득하고, 해당 기본 이미지 및 해당 기본 이미지에 관한 스케일 팩터(scale factor)에 기초하여 생성되는 유효(valid) 신호를 이용하여 해당 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성하는 것을 다른 목적으로 한다.
또한, 본 발명은, 객체 검출(또는 이미지 분석)에 필요한 컴퓨팅 리소스를 줄이는 것을 또 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 타겟 객체에 관한 기본 이미지를 획득하는 단계, 및 상기 기본 이미지 및 상기 기본 이미지에 관한 스케일 팩터(scale factor)에 기초하여 생성되는 유효(valid) 신호를 이용하여 상기 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성하는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 타겟 객체에 관한 기본 이미지를 획득하는 기본 이미지 획득부, 및 상기 기본 이미지 및 상기 기본 이미지에 관한 스케일 팩터(scale factor)에 기초하여 생성되는 유효(valid) 신호를 이용하여 상기 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성하는 파생 이미지 생성부를 포함하는 시스템이 제공된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 타겟 객체에 관한 기본 이미지를 획득하고, 해당 기본 이미지 및 해당 기본 이미지에 관한 스케일 팩터(scale factor)에 기초하여 생성되는 유효(valid) 신호를 이용하여 해당 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성할 수 있게 된다.
또한, 본 발명에 의하면, 객체 검출(또는 이미지 분석)에 필요한 컴퓨팅 리소스를 줄일 수 있게 된다.
도 1은 본 발명의 일 실시예에 따라 이미지 분석을 위한 파생 이미지를 생성하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 이미지 분석 시스템의 내부 구성을 상세하게 도시하는 도면이다.
도 3 및 도 4는 본 발명의 일 실시예에 따라 파생 이미지를 생성하는 과정을 예시적으로 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따라 타겟 객체를 검출하는 과정을 예시적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 이미지 분석 시스템의 내부 구성을 상세하게 도시하는 도면이다.
도 3 및 도 4는 본 발명의 일 실시예에 따라 파생 이미지를 생성하는 과정을 예시적으로 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따라 타겟 객체를 검출하는 과정을 예시적으로 나타내는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
한편, 컴퓨터 비전(computer vision) 분야에서 검출(detection), 인식(recognition) 및 분류(classification)라는 용어가 서로 구분되어 사용되곤 하지만, 본 명세서에서 사용되는 검출이라는 용어의 의미가 반드시 위와 같은 구분을 따르는 것은 아니며, 인식 또는 분류의 의미까지 포함할 수 있는 광의의 개념으로서 이해되어야 한다.
전체 시스템의 구성
도 1은 본 발명의 일 실시예에 따라 이미지 분석을 위한 파생 이미지를 생성하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은 이미지 신호 프로세서(Image Signal Processor(ISP); 100) 및 이미지 분석 시스템(200)을 포함할 수 있다.
먼저, 본 발명의 일 실시예에 따른 이미지 신호 프로세서(100)는 이미지 센서(미도시됨; 예를 들면, CCD 이미지 센서, CMOS 이미지 센서 등)에 의하여 획득되는 데이터에 대하여 감마 보정, 화이트 밸런스/노출 조절, 이미지 안정화 등의 처리를 하는 기능을 수행할 수 있다. 본 발명의 일 실시예에 따른 이미지 신호 프로세서(100)는 굳이 그 명칭에 국한될 필요 없이, 그와 사실상 동일한 기능을 수행하는 이미지 프로세서(Image Processor), 이미지 처리 엔진(Image Processing Engine), 이미지 처리 장치(Image Processing Unit; IPU) 등을 의미할 수도 있는 것으로 이해되어야 한다.
한편, 도 1에는 이미지 신호 프로세서(100)와 이미지 분석 시스템(200)이 별개의 구성인 것처럼 도시되어 있으나, 본 발명의 일 실시예에 따른 이미지 신호 프로세서(100)가 반드시 이미지 분석 시스템(200)과 별개의 구성으로서 취급되어야 하는 것은 아니고, 이미지 신호 프로세서(100)가 이미지 센서와 함께 하나의 모듈 내지 칩셋에 포함되어 이미지 분석 시스템(200)(예를 들면, CMOS 이미지 센서와 이미지 신호 프로세서(100)를 포함하는 이미지 분석 시스템(200))을 구성할 수도 있다. 그리고, 이러한 모듈 내지 칩셋은 타겟 객체를 검출(또는 이미지를 분석)하는 기능을 수행하기 위하여 스마트폰, 자율 주행차, 드론, 로봇 등의 에지 디바이스(미도시됨)에 포함될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 이미지 분석 시스템(200)은 타겟 객체에 관한 기본 이미지를 획득하고, 해당 기본 이미지 및 해당 기본 이미지에 관한 스케일 팩터(scale factor)에 기초하여 생성되는 유효(valid) 신호를 이용하여 해당 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성하는 기능을 수행할 수 있다.
이미지 분석 시스템의 구성
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 이미지 분석 시스템(200)의 내부 구성과 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 이미지 분석 시스템(200)의 내부 구성을 상세하게 도시하는 도면이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 이미지 분석 시스템(200)은, 기본 이미지 획득부(210), 파생 이미지 생성부(220), 통신부(240) 및 제어부(250)를 포함하여 구성될 수 있다. 또한, 본 발명의 일 실시예에 따른 이미지 분석 시스템(200)은, 타겟 객체 검출부(230)를 더 포함하여 구성될 수 있다. 본 발명의 일 실시예에 따르면, 기본 이미지 획득부(210), 파생 이미지 생성부(220), 타겟 객체 검출부(230), 통신부(240) 및 제어부(250)는 그 중 적어도 일부가 외부의 시스템(미도시됨)과 통신하는 프로그램 모듈일 수 있다. 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 또는 기타 프로그램 모듈의 형태로 이미지 분석 시스템(200)에 포함될 수 있고, 물리적으로는 여러 가지 공지의 기억 장치에 저장될 수 있다. 또한, 이러한 프로그램 모듈은 이미지 분석 시스템(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
한편, 이미지 분석 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 이미지 분석 시스템(200)의 구성요소 또는 기능 중 적어도 일부가 필요에 따라 서버(미도시됨) 내에서 실현되거나 외부 시스템(미도시됨) 내에 포함될 수도 있음은 당업자에게 자명하다.
먼저, 본 발명의 일 실시예에 따른 기본 이미지 획득부(210)는, 타겟 객체에 관한 기본 이미지를 획득하는 기능을 수행할 수 있다.
구체적으로, 본 발명의 일 실시예에 따르면, 타겟 객체에 관한 기본 이미지는 이미지 센서에 의하여 획득되는 타겟 객체에 관한 로(raw) 이미지 또는 해당 로 이미지에 대하여 이미지 신호 프로세서(100)에 의한 감마 보정, 화이트 밸런스/노출 조절, 이미지 안정화 등의 적절한 처리가 가해진 이미지를 의미할 수 있다. 본 발명의 일 실시예에 따른 기본 이미지 획득부(210)는, 타겟 객체에 관한 기본 이미지(즉, 타겟 객체를 촬영한 이미지)를 이미지 센서 또는 이미지 신호 프로세서(ISP; 100)로부터 획득할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 타겟 객체는 본 발명의 일 실시예에 따른 타겟 객체 검출부(230)에 의한 검출의 대상이 되는 객체로서, 이미지 분석 시스템(200)이 수행하는 역할이 따라 다르게 정해질 수 있다. 예를 들어, 본 발명의 일 실시예 따르면, 이미지 분석 시스템(200)이 얼굴 인식 기반의 출입 관리 시스템에 포함되는 경우에는 타겟 객체가 사람의 얼굴일 수 있고, 이미지 분석 시스템(200)이 로봇 청소기에 포함되는 경우에는 타겟 객체가 집 안의 가구, 전자 제품과 같이 위치가 고정되어 있거나 상대적으로 크기가 큰 객체 및/또는 바닥에 버려진 쓰레기, 양말과 같이 위치가 변하거나 상대적으로 크기가 작은 객체일 수 있고, 이미지 분석 시스템(200)이 자율 주행차에 포함되는 경우에는 타겟 객체가 가로등, 바위, 건물과 같이 위치가 고정되어 있는 객체 및/또는 신호등, 교통 표지판, 차량, 보행자와 같이 위치가 변하는 객체일 수 있다. 다만, 본 발명의 일 실시예에 따른 타겟 객체는 위의 열거된 것에 한정되지 않으며, 본 발명의 목적을 달성할 수 있는 범위 내에서 다양하게 변경될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 본 발명의 일 실시예에 따른 기본 이미지 획득부(210)에 의하여 획득되는 타겟 객체에 관한 기본 이미지 및 해당 기본 이미지에 관한 스케일 팩터(scale factor)에 기초하여 생성되는 유효(valid) 신호를 이용하여 해당 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성하는 기능을 수행할 수 있다.
구체적으로, 본 발명의 일 실시예에 따르면, 기본 이미지에 관한 스케일 팩터는 해당 기본 이미지 사이즈를 변화시킴으로써 파생 이미지를 생성함에 있어서 적용되는 일종의 배율을 의미할 수 있다. 예를 들어, 본 발명의 일 실시예에 따르면, 기본 이미지에 관한 스케일 팩터가 1/4인 경우에는 가로 사이즈와 세로 사이즈 모두가 기본 이미지의 1/4로 줄어든 파생 이미지, 즉 사이즈가 기본 이미지 사이즈의 1/16(1/4 x 1/4)인 파생 이미지가 생성되고, 기본 이미지에 관한 스케일 팩터가 1/2인 경우에는 가로 사이즈와 세로 사이즈 모두가 기본 이미지의 1/2로 줄어든 파생 이미지, 즉 사이즈가 기본 이미지 사이즈의 1/4(1/2 x 1/2)인 파생 이미지가 생성될 수 있다(기본 이미지 자체에 관한 스케일 팩터는 1이라고 볼 수도 있음). 다만, 본 발명의 일 실시예에 따른 기본 이미지에 관한 스케일 팩터가 2의 지수의 형태일 필요는 없으며, 1/3, 2/3, 4/5와 같이 본 발명의 목적을 달성할 수 있는 범위 내에서 다양하게 변경될 수 있다.
계속하여, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 위와 같은 스케일 팩터에 기초하여 유효 신호가 생성되도록 할 수 있다. 보다 구체적으로, 본 발명의 일 실시예에 따르면, 유효 신호는 기본 이미지를 소정 단위로 읽음에 있어서 특정 신호가 있을 때(또는 High 값일 때)에 읽히는 단위 데이터만을 유효한 것으로 취급하는 경우에 그 특정 신호를 의미할 수 있다.
도 3은 본 발명의 일 실시예에 따라 파생 이미지를 생성하는 과정을 예시적으로 나타내는 도면이다.
도 3에서, VSYNC(Vertical Synchronize; 310) 신호는 20 x 8 사이즈의 프레임을 읽는 것을 시작할 때에 그 시작 지점을 나타내는 신호(시작 지점에서 잠시동안 High 값을 가질 수 있고, 시작 지점부터 해당 프레임의 모든 픽셀을 읽을 때까지 High 값을 유지할 수도 있음)이고, HSYNC(Horizontal Synchronize; 320) 신호는 어떤 하나의 프레임을 구성하는 픽셀들의 행(row)들 중에서 어떤 하나의 행을 읽는 것을 시작할 때에 그 시작 지점을 나타내는 신호(시작 지점부터 해당 행의 모든 픽셀을 읽을 때까지 High 값을 유지할 수 있음)이고, Valid 신호(330)는 위에서 설명한 유효 신호를 의미한다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 스케일 팩터가 1/2인 경우에 생성될 수 있는 유효 신호(330)의 모습을 확인할 수 있다. 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 20 x 8 사이즈 프레임의 한 행(20개의 픽셀이 있음)을 읽는 동안(즉, HSYNC가 High 값을 유지하는 동안)에 10번의 유효 신호가 생성되도록 할 수 있다(301). 그리고, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 해당 프레임의 그 다음 행을 읽는 동안(즉, HSYNC가 High 값을 유지하는 동안)에는 유효 신호가 생성되지 않도록 할 수 있다(302).
계속하면, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 위와 같이 생성되는 유효 신호에 기초하여 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성할 수 있다.
도 4의 (a) 및 도 4의 (b)는 본 발명의 일 실시예에 따라 파생 이미지를 생성하는 과정을 보다 구체적으로 나타내는 도면이다.
도 4의 (a)는, 본 발명의 일 실시예에 따른 스케일 팩터가 1/2인 경우에 20 x 8 사이즈의 기본 이미지(400)로부터 가로 사이즈와 세로 사이즈 모두가 기본 이미지(400)의 1/2로 줄어든 파생 이미지, 즉 사이즈가 기본 이미지 사이즈의 1/4(1/2 x 1/2)인 파생 이미지가 생성되는 과정을 예시적으로 나타내는 도면이다. 도 4의 (a)를 참조하면, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 기본 이미지(400)의 전체 픽셀들 중에서 음영으로 표시된 픽셀들(401a 등; 즉 유효(valid) 신호가 있을 때에 읽힌 픽셀들)만을 유효한 픽셀로 취급함으로써 사이즈가 기본 이미지 사이즈의 1/4인 10 x 4 사이즈의 파생 이미지(즉, 그 유효한 픽셀들로만 구성된 이미지)를 생성할 수 있다.
도 4의 (b)는, 본 발명의 일 실시예에 따른 스케일 팩터가 1/4인 경우에 20 x 8 사이즈의 기본 이미지(400)로부터 가로 사이즈와 세로 사이즈 모두가 기본 이미지(400)의 1/4로 줄어든 파생 이미지, 즉 사이즈가 기본 이미지 사이즈의 1/16(1/4 x 1/4)인 파생 이미지가 생성되는 과정을 예시적으로 나타내는 도면이다. 도 4의 (b)를 참조하면, 기본 이미지(400)의 전체 픽셀들 중에서 음영으로 표시된 픽셀들(401b 등; 즉 유효(valid) 신호가 있을 때에 읽힌 픽셀들)만이 유효한 픽셀로 취급됨으로써 사이즈가 기본 이미지 사이즈의 1/16인 5 x 2 사이즈의 파생 이미지(즉, 그 유효한 픽셀들로만 구성된 이미지)가 생성될 수 있다.
한편, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 유효 신호가 이미지 신호 프로세서(ISP; 100)에서 생성되도록 할 수 있다. 상술한 바와 같이, 객체 검출 관련 기술에서는 대개 검출 성능 향상 등 여러 가지 목적으로 촬영 이미지의 사이즈를 줄이는 서브 샘플링 내지 다운 스케일링이 수행되는데, 이러한 기능을 수행하기 위한 로직 내지 소프트웨어가(또는 그에 더하여 메모리가) 별도로 필요한 것이 일반적이다. 그러나, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 기본 이미지에 관한 스케일 팩터(scale factor)에 기초하여 생성되는 유효 신호가 이미지 신호 프로세서(ISP; 100)에서 하드웨어적으로 생성되도록 하고, 이렇게 생성된 유효 신호를 이용하여 해당 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성함으로써, 위와 같은 별도의 로직 내지 소프트웨어(또는 그에 더하여 별도의 메모리) 없이 간단하면서도 비용 효율적인 방법으로 서브 샘플링 내지 다운 스케일링이 수행된 것과 동일한 효과가 발생되도록 할 수 있다. 그리고, 이를 통해 객체 검출에 필요한 컴퓨팅 리소스(예를 들면, 처리해야 하는 연산량, 필요한 메모리, 칩 사이즈 등)를 줄일 수 있다.
한편, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 이미지 신호 프로세서(ISP; 100)를 포함하는 이미지 분석 시스템(200)이 수행하는 역할에 기초하여 유효 신호가 적응적으로 생성되도록 할 수 있다.
구체적으로, 본 발명의 일 실시예에 따르면, 이미지 분석 시스템(200)은 어떤 디바이스 내지 시스템에 포함되는지에 따라, 또는 그에 더하거나 대신하여 상황에 따라 다양한 역할을 수행할 수 있다. 그리고, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 이러한 역할에 기초하여 기본 이미지에 관한 스케일 팩터를 적응적으로 결정하고, 그 결정되는 스케일 팩터에 기초하여 유효 신호가 적응적으로 생성되도록 할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 이미지 분석 시스템(200)이 로봇 청소기에 포함되는 경우를 가정할 수 있다. 이러한 경우에, 로봇 청소기가 맵을 생성/업데이트하거나 자신의 위치를 파악하기 위하여 가구나 전자 제품과 같이 위치가 고정되어 있거나 상대적으로 크기가 큰 객체들을 검출하는 역할을 수행할 때에는 적은 수의 파생 이미지만 이용해서도 신뢰도 높은 검출 결과를 얻을 수 있으므로, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 1/4인 스케일 팩터에 기초하여 생성되는 유효 신호 및 1/2인 스케일 팩터에 기초하여 생성되는 유효 신호를 이용함으로써, 각각 기본 이미지 사이즈의 1/16 사이즈인 파생 이미지 및 기본 이미지 사이즈의 1/4 사이즈인 파생 이미지만 생성할 수 있다. 그리고, 로봇 청소기가 청소를 위하여 바닥에 버려진 쓰레기, 양말과 같이 위치가 변하거나 상대적으로 크기가 작은 객체를 검출하는 역할을 수행할 때에는 다양한 사이즈의 파생 이미지를 이용해야 신뢰도 높은 검출 결과를 얻을 수 있으므로, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 1/16, 1/8, 1/4 및 1/2인 스케일 팩터에 기초하여 생성되는 유효 신호를 이용함으로써, 각각 기본 이미지 사이즈의 1/256, 1/64, 1/16 및 1/4 사이즈인 파생 이미지를 생성할 수 있다.
다음으로, 본 발명의 일 실시예에 따른 타겟 객체 검출부(230)는, 타겟 객체에 관한 기본 이미지 및 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 인공 신경망 모델에 입력함으로써 위의 기본 이미지 및 적어도 하나의 파생 이미지 중 적어도 하나로부터 타겟 객체를 검출하는 기능을 수행할 수 있다.
구체적으로, 본 발명의 일 실시예에 따르면, 위의 기본 이미지 및 적어도 하나의 파생 이미지가 입력되는 인공 신경망 모델은 CNN 기반의 모델일 수 있다. 예를 들면, 본 발명의 일 실시예에 따른 인공 신경망 모델은 MTCNN(Multi-Task Cascaded Convolutional Neural Network) 기반의 모델일 수 있으나, 이에 제한되는 것은 아니고 본 발명의 목적을 달성할 수 있는 범위 내에서 다양하게 변경될 수 있다.
그리고, 본 발명의 일 실시예에 따른 인공 신경망 모델에서는 풀링(pooling)이 수행되지 않을 수 있다. 즉, CNN 기반의 인공 신경망 모델에는 일반적으로 풀링 레이어가 존재하고, 여기에서 풀링(예를 들면, 최대 풀링(max pooling), 평균 풀링(average pooling) 등)을 통해 서브 샘플링이 수행되는 것이 일반적인데, 본 발명의 일 실시예에 따르면, 상술한 바와 같이, 기본 이미지에 관한 스케일 팩터에 기초하여 생성되는 유효 신호를 이용하여 해당 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성함으로써 이러한 풀링 단계를 생략할 수 있게 된다.
한편, 본 발명의 일 실시예에 따른 타겟 객체 검출부(230)는, 적어도 하나의 파생 이미지의 사이즈가 작은 순으로 인공 신경망 모델에 입력하고, 특정 사이즈의 파생 이미지로부터 타겟 객체가 검출된 결과가 그 다음 사이즈의 파생 이미지의 입력과 연관되도록 할 수 있다. 그리고, 본 발명의 일 실시예에 따른 타겟 객체 검출부(230)는, 가장 큰 사이즈의 파생 이미지가 인공 신경망 모델에 입력된 다음에 기본 이미지를 위의 인공 신경망 모델에 입력하고, 그 결과로서 타겟 객체를 최종적으로 검출할 수 있다. 여기서, 본 발명의 일 실시예에 따른 타겟 객체 검출부(230)는, 파생 이미지들의 경우와 유사하게, 가장 큰 사이즈의 파생 이미지로부터 타겟 객체가 검출된 결과는 기본 이미지(즉, 그 다음 사이즈의 이미지)의 입력과 연관되도록 할 수 있다.
도 5는 본 발명의 일 실시예에 따라 타겟 객체를 검출하는 과정을 예시적으로 나타내는 도면이다. 여기서는 타겟 객체가 얼굴인 경우를 가정하여 설명하기로 한다.
도 5를 참조하면, 본 발명의 일 실시예에 따른 기본 이미지 획득부(210)는, CMOS 이미지 센서로부터 타겟 객체에 관한 기본 이미지를 획득할 수 있다(510). 그리고, 본 발명의 일 실시예에 따른 파생 이미지 생성부(220)는, 기본 이미지에 관한 스케일 팩터에 기초하여 생성되는 유효 신호를 이용하여 해당 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성할 수 있다(520). 도 5에서는 스케일 팩터가 1/4인 경우의 파생 이미지(즉, 기본 이미지 사이즈의 1/16 사이즈인 파생 이미지) 및 스케일 팩터가 1/2인 경우의 파생 이미지(즉, 기본 이미지 사이즈의 1/4 사이즈인 파생 이미지)가 생성된다(530 및 540).
계속하여 도 5를 참조하면, 본 발명의 일 실시예에 따른 타겟 객체 검출부(230)는, 파생 이미지의 사이즈가 작은 순으로 인공 신경망 모델에 입력하고, 특정 사이즈의 파생 이미지로부터 타겟 객체가 검출된 결과가 그 다음 사이즈의 파생 이미지의 입력과 연관되도록 할 수 있다.
보다 구체적으로, 본 발명의 일 실시예에 따른 타겟 객체 검출부(230)는, 가장 사이즈가 작은 파생 이미지를 인공 신경망에 입력하고, 12x12 커널(설명의 편의를 위해 RGB와 같은 채널 수 내지 커널의 깊이는 표시하지 않기로 함)을 사용하여 얼굴(보다 정확하게는 얼굴로 추정되는 후보 얼굴)을 검출하고 그 좌표 정보를 인식할 수 있다(530). 그리고, 발명의 일 실시예에 따른 타겟 객체 검출부(230)는, 그 다음 사이즈의 파생 이미지를 인공 신경망에 입력하고 24x24 커널을 사용하여 얼굴을 검출하되, 앞 단계의 검출 결과를 이용하여 타겟 객체를 보다 정확하게 검출(또는, 앞 단계에서 검출된 후보 얼굴의 좌표 내지 영역에 기초하여 앞 단계에서 검출된 후보 얼굴 중에서 신뢰도가 더 높은 얼굴들을 도출)할 수 있다(540). 이를 위하여 앞 단계의 검출 결과로서 도출된 후보 얼굴들의 좌표 내지 영역이 현재 단계의 파생 이미지에 대응되도록 변환할 수 있다. 다시 말하면, 앞 단계에서는 스케일 팩터가 1/4인 경우에 생성되는 파생 이미지를 바탕으로 후보 얼굴들을 검출하였기 때문에, 해당 후보 얼굴들의 좌표 내지 영역이 스케일 팩터가 1/2인 경우에 생성되는 파생 이미지에 대응되도록 하기 위해서 좌표 변환을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 타겟 객체 검출부(230)는, 기본 이미지를 인공 신경망에 입력하고 48x48 커널을 사용하여 얼굴을 검출하되, 앞단계의 검출 결과를 이용하여 타겟 객체를 최종적으로 검출(또는, 앞 단계에서 검출된 후보 얼굴들 중에서 신뢰도가 가장 높은 얼굴을 도출)할 수 있다(550). 그리고, 본 발명의 일 실시예에 따른 타겟 객체 검출부(230)는, 이렇게 최종적인 검출 결과를 기본 이미지상에 출력(예를 들면, bounding box로 표시)할 수 있다(560).
다음으로, 본 발명의 일 실시예에 따른 통신부(240)는 기본 이미지 획득부(210), 파생 이미지 생성부(220) 및 타겟 객체 검출부(230)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(250)는 기본 이미지 획득부(210), 파생 이미지 생성부(220), 타겟 객체 검출부(230) 및 통신부(240) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명의 일 실시예에 따른 제어부(250)는 이미지 분석 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 이미지 분석 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 기본 이미지 획득부(210), 파생 이미지 생성부(220), 타겟 객체 검출부(230) 및 통신부(240)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: ISP (Image Signal Processor)
200: 이미지 분석 시스템
210: 기본 이미지 획득부
220: 파생 이미지 생성부
230: 타겟 객체 검출부
240: 통신부
250: 제어부
200: 이미지 분석 시스템
210: 기본 이미지 획득부
220: 파생 이미지 생성부
230: 타겟 객체 검출부
240: 통신부
250: 제어부
Claims (13)
- 이미지 분석을 위한 파생 이미지를 생성하기 위한 방법으로서,
타겟 객체에 관한 기본 이미지를 획득하는 단계, 및
상기 기본 이미지 및 상기 기본 이미지에 관한 스케일 팩터(scale factor)에 기초하여 생성되는 유효(valid) 신호를 이용하여 상기 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성하는 단계를 포함하는
방법. - 제1항에 있어서,
상기 생성 단계에서, 상기 유효 신호는 이미지 신호 프로세서(ISP; Image Signal Processor)에서 생성되는
방법. - 제2항에 있어서,
상기 생성 단계에서, 상기 유효 신호는 상기 이미지 신호 프로세서를 포함하는 이미지 분석 시스템이 수행하는 역할에 기초하여 적응적으로 생성되는
방법. - 제1항에 있어서,
상기 기본 이미지 및 상기 적어도 하나의 파생 이미지를 인공 신경망 모델에 입력함으로써 상기 기본 이미지 및 상기 적어도 하나의 파생 이미지 중 적어도 하나로부터 상기 타겟 객체를 검출하는 단계를 더 포함하는
방법. - 제4항에 있어서,
상기 인공 신경망 모델에서는 풀링(pooling)이 수행되지 않는
방법. - 제4항에 있어서,
상기 검출 단계에서, 상기 적어도 하나의 파생 이미지의 사이즈가 작은 순으로 상기 인공 신경망 모델에 입력하고, 특정 사이즈의 파생 이미지로부터 상기 타겟 객체가 검출된 결과가 그 다음 사이즈의 파생 이미지의 입력과 연관되는
방법. - 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능 기록 매체.
- 이미지 분석을 위한 파생 이미지를 생성하기 위한 시스템으로서,
타겟 객체에 관한 기본 이미지를 획득하는 기본 이미지 획득부, 및
상기 기본 이미지 및 상기 기본 이미지에 관한 스케일 팩터(scale factor)에 기초하여 생성되는 유효(valid) 신호를 이용하여 상기 기본 이미지보다 사이즈가 작은 적어도 하나의 파생 이미지를 생성하는 파생 이미지 생성부를 포함하는
시스템. - 제8항에 있어서,
상기 파생 이미지 생성부는, 상기 유효 신호가 이미지 신호 프로세서(ISP; Image Signal Processor)에서 생성되도록 하는
시스템. - 제9항에 있어서,
상기 파생 이미지 생성부는, 상기 이미지 신호 프로세서를 포함하는 이미지 분석 시스템이 수행하는 역할에 기초하여 상기 유효 신호가 적응적으로 생성되도록 하는
시스템. - 제8항에 있어서,
상기 기본 이미지 및 상기 적어도 하나의 파생 이미지를 인공 신경망 모델에 입력함으로써 상기 기본 이미지 및 상기 적어도 하나의 파생 이미지 중 적어도 하나로부터 상기 타겟 객체를 검출하는 타겟 객체 검출부를 더 포함하는
시스템. - 제11항에 있어서,
상기 인공 신경망 모델에서는 풀링(pooling)이 수행되지 않는
시스템. - 제11항에 있어서,
상기 타겟 객체 검출부는, 상기 적어도 하나의 파생 이미지의 사이즈가 작은 순으로 상기 인공 신경망 모델에 입력하고, 특정 사이즈의 파생 이미지로부터 상기 타겟 객체가 검출된 결과가 그 다음 사이즈의 파생 이미지의 입력과 연관되도록 하는
시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220073665A KR20230172914A (ko) | 2022-06-16 | 2022-06-16 | 이미지 분석을 위한 파생 이미지를 생성하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
| PCT/KR2023/007332 WO2023243904A1 (ko) | 2022-06-16 | 2023-05-26 | 이미지 분석을 위한 파생 이미지를 생성하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220073665A KR20230172914A (ko) | 2022-06-16 | 2022-06-16 | 이미지 분석을 위한 파생 이미지를 생성하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230172914A true KR20230172914A (ko) | 2023-12-26 |
Family
ID=89191579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220073665A KR20230172914A (ko) | 2022-06-16 | 2022-06-16 | 이미지 분석을 위한 파생 이미지를 생성하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230172914A (ko) |
| WO (1) | WO2023243904A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102060567B1 (ko) | 2019-05-13 | 2019-12-30 | 호서대학교 산학협력단 | 심층신경망을 이용한 선박 주변 객체 인식 방법 및 시스템 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100601801B1 (ko) * | 2004-08-19 | 2006-07-14 | 엠텍비젼 주식회사 | 이미지 데이터를 처리하는 방법 및 장치 |
| KR102520957B1 (ko) * | 2016-04-15 | 2023-04-12 | 삼성전자주식회사 | 인코딩 장치, 디코딩 장치 및 이의 제어 방법 |
| KR102312337B1 (ko) * | 2018-10-19 | 2021-10-14 | 삼성전자주식회사 | Ai 부호화 장치 및 그 동작방법, 및 ai 복호화 장치 및 그 동작방법 |
| KR102312338B1 (ko) * | 2018-10-19 | 2021-10-14 | 삼성전자주식회사 | Ai 부호화 장치 및 그 동작방법, 및 ai 복호화 장치 및 그 동작방법 |
| US11688039B2 (en) * | 2019-03-25 | 2023-06-27 | Teledyne Digital Imaging, Inc. | Method for generating a super-resolution image and related device |
-
2022
- 2022-06-16 KR KR1020220073665A patent/KR20230172914A/ko not_active Application Discontinuation
-
2023
- 2023-05-26 WO PCT/KR2023/007332 patent/WO2023243904A1/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102060567B1 (ko) | 2019-05-13 | 2019-12-30 | 호서대학교 산학협력단 | 심층신경망을 이용한 선박 주변 객체 인식 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023243904A1 (ko) | 2023-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10769480B2 (en) | Object detection method and system | |
| US11450146B2 (en) | Gesture recognition method, apparatus, and device | |
| US10096122B1 (en) | Segmentation of object image data from background image data | |
| US9965865B1 (en) | Image data segmentation using depth data | |
| US10599228B2 (en) | Information processing device and method, program and recording medium for identifying a gesture of a person from captured image data | |
| US10217195B1 (en) | Generation of semantic depth of field effect | |
| US6925122B2 (en) | Method for video-based nose location tracking and hands-free computer input devices based thereon | |
| US20160300100A1 (en) | Image capturing apparatus and method | |
| US20120170804A1 (en) | Method and apparatus for tracking target object | |
| KR20100072772A (ko) | 스테레오 비전을 이용한 실시간 얼굴 검출 시스템 및 그 방법 | |
| JP2011134114A (ja) | パターン認識方法およびパターン認識装置 | |
| CN109086724A (zh) | 一种加速的人脸检测方法及存储介质 | |
| CN112381061A (zh) | 一种面部表情识别方法及系统 | |
| JP2017033556A (ja) | 画像処理方法及び電子機器 | |
| KR20230172914A (ko) | 이미지 분석을 위한 파생 이미지를 생성하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
| CN113592947B (zh) | 一种半直接法的视觉里程计实现方法 | |
| CN113033551B (zh) | 对象检测的方法、装置、设备和存储介质 | |
| US11270442B2 (en) | Motion image integration method and motion image integration system capable of merging motion object images | |
| JP4449483B2 (ja) | 画像解析装置、および画像解析方法、並びにコンピュータ・プログラム | |
| Zhao et al. | Eye Tracking Based on the Template Matching and the Pyramidal Lucas-Kanade Algorithm | |
| Yuxi et al. | A new motion obstacle detection based monocular-vision algorithm | |
| Wang et al. | Adaptive visual tracking based on discriminative feature selection for mobile robot | |
| US11847823B2 (en) | Object and keypoint detection system with low spatial jitter, low latency and low power usage | |
| JP7539115B2 (ja) | 識別情報付与装置、識別情報付与方法、及びプログラム | |
| US20220012514A1 (en) | Identification information assignment apparatus, identification information assignment method, and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E601 | Decision to refuse application |