WO2023191371A1 - 이미지 기반 바코드 인식 방법 및 시스템 - Google Patents

이미지 기반 바코드 인식 방법 및 시스템 Download PDF

Info

Publication number
WO2023191371A1
WO2023191371A1 PCT/KR2023/003750 KR2023003750W WO2023191371A1 WO 2023191371 A1 WO2023191371 A1 WO 2023191371A1 KR 2023003750 W KR2023003750 W KR 2023003750W WO 2023191371 A1 WO2023191371 A1 WO 2023191371A1
Authority
WO
WIPO (PCT)
Prior art keywords
barcode
barcodes
products
product
detected
Prior art date
Application number
PCT/KR2023/003750
Other languages
English (en)
French (fr)
Inventor
이용수
임현택
임동현
최재홍
김민수
Original Assignee
주식회사 날비컴퍼니
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 주식회사 날비컴퍼니 filed Critical 주식회사 날비컴퍼니
Publication of WO2023191371A1 publication Critical patent/WO2023191371A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
    • G07G1/00—Cash registers
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/22—Electrical actuation
    • G08B13/24—Electrical actuation by interference with electromagnetic field distribution

Definitions

  • the present disclosure relates to an image-based barcode recognition method and system, and specifically, to a method and system for recognizing a product and barcode from an image in which one or more products are captured, and decoding the barcode.
  • POS point-of-sale
  • checkout terminals typically include one or more checkout terminals and a database containing prices and inventory of the items being purchased.
  • each product includes a machine-readable barcode
  • the checkout counter includes a barcode scanner to identify the scanned product items.
  • the barcode scanner transmits a signal corresponding to the number of scanned products to the data processing unit of the POS system and obtains detailed information about the scanned item from the database.
  • Unmanned checkout systems are equipped with unmanned checkout counters and allow customers to scan the barcode of the items they purchase. Unmanned checkout systems allow customers to perform actions such as scanning barcodes on product items, deciding on a payment method, making a payment, and requesting instructions on how to use the checkout counter.
  • the present disclosure provides an image-based barcode recognition method, a computer-readable non-transitory recording medium and a device (system) recording commands to solve the above problems.
  • the present disclosure may be implemented in various ways, including a method, a device (system), or a computer-readable non-transitory recording medium recording instructions.
  • an image-based barcode recognition method performed by at least one processor includes receiving a target frame image in which one or more products and one or more barcodes are captured, selecting one or more products from the target frame image. and detecting one or more barcodes, associating the one or more detected barcodes with each of the one or more detected products, and decrypting a barcode that has not been decrypted among the one or more detected barcodes.
  • the detecting step includes detecting an object using one or more products as a detection target using an object detection algorithm and using one or more barcodes as a detection target using an object detection algorithm. It includes the step of detecting an object.
  • the detecting step includes extracting a plurality of feature maps based on the target frame image by adjusting the stride differently, and extracting a plurality of feature maps using an artificial neural network-based object detection algorithm. Based on this, detecting an object using one or more products as a detection target and using an artificial neural network-based object detection algorithm to detect an object using one or more barcodes as a detection target based on a plurality of extracted feature maps. Includes steps.
  • one or more barcodes include one or more product barcodes and one or more anti-theft barcodes
  • the step of detecting an object using one or more barcodes as a detection target includes one or more product barcodes and one or more anti-theft barcodes. It includes the step of detecting an object using an anti-theft barcode as a detection target.
  • the method further includes extracting each characteristic point of one or more detected products and each characteristic point of one or more detected barcodes, wherein each characteristic point of one or more products is attached to each of the products.
  • An image-based barcode recognition method in which each feature point of one or more barcodes is extracted to point to a point associated with a product presumed to be a product to which each barcode is attached. .
  • the step of associating each of the one or more detected products with the one or more detected barcodes includes a characteristic point of the first product among the one or more detected products and a first barcode among the one or more detected barcodes. If it is determined that the characteristic point of the first barcode indicates an associated point and indicates a point associated with the first product, the method includes associating the first barcode with the first product.
  • the step of associating each of the one or more detected products with the one or more detected barcodes includes searching for the first barcode detected closest to the feature point of the first product among the one or more detected products. Step, determining whether the distance between the feature point of the first product and the center point of the first barcode is less than a first predetermined threshold, the distance between the feature point of the first product and the center point of the first barcode is less than the first predetermined threshold.
  • the predetermined threshold determines whether the distance between the feature point of the first barcode and the center point of the first product is less than the second predetermined threshold value, and the distance between the feature point of the first barcode and the center point of the first product If the distance is less than a second predetermined threshold, associating the first barcode with the first product.
  • the method further includes tracking at least one of one or more products or one or more barcodes, wherein the tracking step comprises associating one or more tracks with at least one of one or more products or one or more barcodes. It includes a step, wherein the one or more tracks include data associated with a product or barcode detected from one or more previous frame images captured up to the time when the target frame image was captured.
  • the step of associating one or more tracks with at least one of one or more products or one or more barcodes includes (a) using a machine learning model, one or more products and one detected from a target frame image; Obtaining a feature vector from the barcode, and (b) associating one of the one or more tracks with at least one of the one or more products or the one or more barcodes based on the one or more tracks and the obtained feature vector.
  • matching the one or more tracks with at least one of the one or more products or one or more barcodes includes (c) comparing the one or more tracks and at least one of the one or more products or one or more barcodes, Associating at least one of a product or a barcode with a track whose Intersection Over Union (IOU) value is greater than or equal to a third predetermined threshold, (d) using a machine learning model, one or more products and one or more products detected from the target frame image Obtaining a feature vector from at least one of the product or barcode not associated in step (c) among the barcodes, and based on the track not associated in step (c) among one or more tracks and the feature vector obtained in step (d) , comprising matching one of the one or more tracks with at least one of one or more products or one or more barcodes.
  • IOU Intersection Over Union
  • step (b) includes at least one of one or more products or one or more barcodes, based on one or more tracks, a prediction result for one or more tracks using a Kalman filter, and an obtained feature vector. and associating one of the one or more tracks.
  • the step of associating one or more tracks with at least one of one or more products or one or more barcodes includes (b) among the one or more tracks with at least one of the products or barcodes that are not associated in step (b). ) further comprising associating at least one of the product or the barcode with a track whose IOU value is greater than or equal to a fourth predetermined threshold by comparing the unmatched tracks in the step.
  • the method further includes converting an unmatched track among one or more tracks to a hold state and deleting a track in a hold state from a predefined number of frame images among the one or more tracks.
  • the step of decoding a barcode that has not been decoded among one or more detected barcodes includes preprocessing a barcode that has not been decoded among one or more detected barcodes and decoding the preprocessed barcode.
  • the step of preprocessing an undecoded barcode among one or more detected barcodes includes calculating an x-axis direction gradient value and a y-axis direction gradient value in each of a plurality of pixels of the undecoded barcode.
  • the step of preprocessing an undecoded barcode among one or more detected barcodes includes calculating a rotation angle for the undecoded barcode based on the undecoded barcode using a machine learning model. It includes steps of calculating an affine transformation parameter based on the calculated rotation angle, and rotating the undecoded barcode based on the calculated affine transformation parameter.
  • the step of preprocessing an undecoded barcode among one or more detected barcodes includes at least one of parallel transformation, enlargement, or distortion based on the undecoded barcode using a machine learning model. It includes calculating an affine transformation parameter and applying an affine transformation to the undecoded barcode based on the calculated affine transformation parameter.
  • a computer-readable non-transitory recording medium recording instructions for executing a method according to an embodiment of the present disclosure on a computer is provided.
  • an image-based barcode recognition system includes a memory and at least one processor connected to the memory and configured to execute at least one computer-readable program included in the memory, and at least one program Receive a target frame image in which one or more products and one or more barcodes are captured, detect the one or more products and one or more barcodes from the target frame image, and associate the detected one or more barcodes with each of the one or more detected products and , Contains instructions for decoding a barcode that has not been decrypted among one or more detected barcodes.
  • FIG. 1 is a diagram illustrating an example in which an image-based barcode recognition method according to an embodiment of the present disclosure is utilized.
  • Figure 2 is a block diagram showing the internal configuration of an image-based barcode recognition system according to an embodiment of the present disclosure.
  • Figure 3 is a block diagram showing the internal configuration of a processor according to an embodiment of the present disclosure.
  • FIG. 4 is a diagram illustrating an example of outputting the result of detecting an object from a target frame image according to an embodiment of the present disclosure.
  • Figure 5 is a diagram illustrating an example of a method for detecting a product and a barcode from a target frame image according to an embodiment of the present disclosure.
  • Figure 6 is a flowchart illustrating an example of a method for recognizing the association between a product and a barcode according to an embodiment of the present disclosure.
  • Figure 7 is a diagram showing an example of a method for tracking a product according to an embodiment of the present disclosure.
  • Figure 8 is a diagram illustrating an example of a barcode preprocessing process according to an embodiment of the present disclosure.
  • Figure 9 is a diagram illustrating an example of barcode recognition through OCR according to an embodiment of the present disclosure.
  • FIG. 10 is a flowchart illustrating an example of an image-based barcode recognition method according to an embodiment of the present disclosure.
  • a modulee' or 'unit' refers to a software or hardware component, and the 'module' or 'unit' performs certain roles.
  • 'module' or 'unit' is not limited to software or hardware.
  • a 'module' or 'unit' may be configured to reside on an addressable storage medium and may be configured to run on one or more processors.
  • a 'module' or 'part' refers to components such as software components, object-oriented software components, class components and task components, processes, functions and properties. , procedures, subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, or variables.
  • Components and 'modules' or 'parts' may be combined into smaller components and 'modules' or 'parts' or further components and 'modules' or 'parts'.
  • a 'module' or 'unit' may be implemented with a processor and memory.
  • 'Processor' should be interpreted broadly to include general-purpose processors, central processing units (CPUs), microprocessors, digital signal processors (DSPs), controllers, microcontrollers, state machines, etc.
  • 'processor' may refer to an application-specific integrated circuit (ASIC), programmable logic device (PLD), field programmable gate array (FPGA), etc.
  • ASIC application-specific integrated circuit
  • PLD programmable logic device
  • FPGA field programmable gate array
  • 'Processor' refers to a combination of processing devices, for example, a combination of a DSP and a microprocessor, a combination of a plurality of microprocessors, a combination of one or more microprocessors in combination with a DSP core, or any other such combination of configurations. You may. Additionally, 'memory' should be interpreted broadly to include any electronic component capable of storing electronic information.
  • RAM random access memory
  • ROM read-only memory
  • NVRAM non-volatile random access memory
  • PROM programmable read-only memory
  • EPROM erasable-programmable read-only memory
  • a memory is said to be in electronic communication with a processor if the processor can read information from and/or write information to the memory.
  • the memory integrated into the processor is in electronic communication with the processor.
  • 'system' may include at least one of a server device and a cloud device, but is not limited thereto.
  • a system may consist of one or more server devices.
  • a system may consist of one or more cloud devices.
  • the system may be operated with a server device and a cloud device configured together.
  • 'machine learning model' may include any model used to infer an answer to a given input.
  • the machine learning model may include an artificial neural network model including an input layer (layer), a plurality of hidden layers, and an output layer.
  • each layer may include multiple nodes.
  • a machine learning model may refer to an artificial neural network model
  • an artificial neural network model may refer to a machine learning model.
  • 'display' may refer to any display device associated with a barcode recognition system, for example, any display device controlled by or provided by the barcode recognition system. It can refer to a display device.
  • 'each of a plurality of A' or 'each of a plurality of A' may refer to each of all components included in a plurality of A, or may refer to each of some components included in a plurality of A. .
  • 'barcode' includes a product barcode attached/displayed on a product or product packaging for product sales, calculation, inventory management, etc., and/or an anti-theft barcode attached/displayed on a product or product packaging to prevent theft of the product. can do.
  • 'product' may refer to an area in an image where the product is captured or an area in which the product is detected from the image.
  • 'barcode' may refer to an area in an image where a barcode is captured or an area in which a barcode is detected from an image.
  • 'object' may refer to a product/barcode, an area in an image where the product/barcode is captured, and/or an area in which the product/barcode is detected from the image.
  • an image-based barcode recognition method can be used at an unmanned checkout counter in a store.
  • a user 110 e.g., a customer of a store
  • the camera 140 arranged to take pictures above the checkout counter 120 can photograph or record one or more products 130 on the checkout counter 120 in real time.
  • each frame image captured or recorded by the camera 140 may be transmitted to a processor (eg, at least one processor of an image-based barcode recognition system) and analyzed.
  • the processor that receives each frame image captured by the camera 140 detects and classifies the product and barcode from the frame image, recognizes the association between the product and the barcode, tracks the product, and detects and classifies the product and barcode from the frame image. Barcodes can be decoded. Accordingly, the processor can identify information about the type and quantity of the product 130 on the checkout counter 120 and add it to the calculation list without omission and duplication.
  • the unmanned checkout may further include any input/output device associated with the barcode recognition system.
  • an unmanned checkout counter may be controlled by or include a display or touch screen capable of displaying any information/data provided from the barcode recognition system.
  • the display may output a frame image captured in real time by the camera 140 and information visualizing the product and/or barcode detected by the barcode recognition system.
  • the unmanned checkout counter may be configured to include a container belt.
  • the conveyor belt can be linked to a barcode recognition system. For example, if there is a product whose barcode is not detected among the products detected by the barcode recognition system, the conveyor belt may be stopped.
  • the user 110 may be requested to rearrange the product by visually displaying the product through a display or outputting a message requesting that the product be rearranged so that the side to which the product's barcode is attached is visible to the camera 140. You can.
  • FIG. 2 is a block diagram showing the internal configuration of an image-based barcode recognition system 200 according to an embodiment of the present disclosure.
  • the image-based barcode recognition system 200 may include a memory 210, a processor 220, a communication module 230, and an input/output interface 240.
  • the image-based barcode recognition system 200 may be configured to communicate information and/or data over a network using the communication module 230.
  • Memory 210 may include any non-transitory computer-readable recording medium.
  • the memory 210 may include a non-permanent mass storage device, such as a read only memory (ROM), a disk drive, a solid state drive (SSD), or flash memory. You can.
  • non-perishable mass storage devices such as ROM, SSD, flash memory, disk drive, etc. may be included in the image-based barcode recognition system 200 as a separate persistent storage device that is distinct from memory.
  • the memory 210 stores an operating system and at least one program code (e.g., code for object detection, product tracking, barcode preprocessing, barcode decoding, etc. installed and driven in the image-based barcode recognition system 200). It can be.
  • These software components may be loaded from a computer-readable recording medium separate from the memory 210.
  • These separate computer-readable recording media may include recording media directly connectable to the image-based barcode recognition system 200, for example, floppy drives, disks, tapes, DVD/CD-ROM drives, and memory. It may include a computer-readable recording medium such as a card.
  • software components may be loaded into the memory 210 through the communication module 230 rather than a computer-readable recording medium.
  • at least one program may be a computer program (e.g., object detection, product tracking, , programs for barcode preprocessing, barcode decoding, etc.) may be loaded into the memory 210.
  • the processor 220 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. Commands may be provided to a user terminal (not shown) or another external system by the memory 210 or the communication module 230. For example, the processor 220 receives a target frame image in which one or more products and one or more barcodes are captured, detects one or more products and one or more barcodes from the target frame image, and detects each of the one or more detected products. You can associate one or more barcodes. Additionally, the processor 220 can track the product by receiving product/barcode detection results for each frame image. Additionally, the processor 220 may decrypt a barcode that has not been decoded among one or more detected barcodes.
  • the communication module 230 may provide a configuration or function for the image-based barcode recognition system 200 to communicate with an external device, etc. through a network, and the image-based barcode recognition system 200 may be connected to an external system (for example, a separate Configuration or functions for communicating with cloud systems, etc. can be provided.
  • control signals, commands, data, etc. provided under the control of the processor 220 of the image-based barcode recognition system 200 are transmitted to the communication module of the external device and/or external system through the communication module 230 and the network. It may be transmitted to an external device and/or external system.
  • the input/output interface 240 of the image-based barcode recognition system 200 is connected to the image-based barcode recognition system 200 or is a device for input or output that the image-based barcode recognition system 200 may include (not shown). ) may be a means for interfacing with.
  • the input/output interface 240 is shown as an element configured separately from the processor 220, but the present invention is not limited thereto, and the input/output interface 240 may be included in the processor 220.
  • the image-based barcode recognition system 200 may include more components than those shown in FIG. 2 . However, there is no need to clearly show most prior art components.
  • FIG. 3 is a block diagram showing the internal configuration of the processor 220 according to an embodiment of the present disclosure.
  • the processor 220 may include an object detection unit 310, a correlation recognition unit 320, a product tracking unit 330, a barcode pre-processing unit 340, a barcode decoding unit 350, etc. .
  • the configuration of the processor 220 is described separately for each function, but this does not necessarily mean that they are physically separated.
  • the processor 220 in FIG. 3 is shown as a single processor, it is not limited thereto, and in some embodiments, the image-based barcode recognition system 200 may include a plurality of processors.
  • each component included in the processor 220 includes a plurality of components. It may also be distributed and included in the processor.
  • the object detection unit 310 may receive a frame image in which one or more products and one or more barcodes are captured, and detect an object from the frame image.
  • the object may include a product and/or a barcode
  • the barcode may include a product barcode and an anti-theft barcode.
  • the object detection unit 310 may detect products and barcodes through a plurality of detection steps with different detection targets.
  • a specific example in which the object detection unit 310 detects an object from a frame image will be described in detail later with reference to FIGS. 4 and 5.
  • each characteristic point of one or more products is a point associated with a barcode presumed to be a barcode attached to each product (for example, the center point of a product barcode presumed to be a barcode attached to the product or an anti-theft barcode can be extracted to point to the center point of .
  • each feature point of one or more barcodes may be extracted to point to a point associated with the product presumed to be the product to which each barcode is attached (for example, the center point of the product presumed to be the product to which the barcode is attached).
  • Information about the extracted feature points is provided to the association recognition unit 320 and can be used to recognize the association between the product and the barcode.
  • the association recognition unit 320 may receive information on object detection results and feature points from the object detection unit 310 and perform the task of recognizing the association between the product and the barcode. According to one embodiment, the association recognition unit 320 may associate the product and the barcode when the characteristic points of the specific product and the specific barcode are adjacent to their respective midpoints. For example, the association recognition unit 320 indicates a point where a characteristic point of a first product among one or more detected products is associated with a first barcode among one or more detected barcodes, and a point where the characteristic point of the first barcode is associated with the first product. If it is determined that it indicates , the first barcode can be associated with the first product.
  • the association recognition unit 320 associates a product with a barcode will be described in detail later with reference to FIG. 6 .
  • the product tracking unit 330 may receive the object detection result from the object detection unit 310 and track the detected object. Object tracking can be performed based on information about objects detected in consecutive frame images. According to one embodiment, tracking may be performed by associating objects detected in the target frame image with tracks. A specific example in which the product tracking unit 330 tracks an object by associating the detected object with a track will be described in detail later with reference to FIG. 7 .
  • the product tracking unit 330 determines whether the detected product is included in the payment list and/or whether the barcode has been recognized, based on information about the tracked product and/or information about the association between the product and the barcode. Status information can be obtained.
  • the product tracking unit 330 is a barcode patch that cuts the barcode part of a product whose barcode needs to be decoded (for example, a product not included in the payment list and whose barcode is not recognized) based on the product status information. (patches) can be provided to the barcode preprocessing unit 340.
  • the barcode preprocessing unit 340 may receive barcode patches that require decoding from the product tracking unit 330 and perform barcode preprocessing on the barcode patches.
  • the barcode preprocessor 340 may preprocess the barcode using techniques such as image rotation, core enlargement, and contrast enhancement. A specific example in which the barcode preprocessing unit 340 preprocesses a barcode will be described in detail later with reference to FIG. 8.
  • the barcode decoding unit 350 may receive a barcode preprocessed by the barcode preprocessing unit 340 and perform image-based decoding. In one embodiment, when image-based decoding of the preprocessed barcode fails, the barcode decoder 350 may perform decoding using OCR. This will be described in detail later with reference to FIG. 9.
  • FIG. 4 is a diagram illustrating an example of outputting the result of detecting an object from the target frame image 410 according to an embodiment of the present disclosure.
  • the processor 400 e.g., at least one processor of a barcode recognition system
  • detecting an object may be a concept that includes detecting and classifying an object.
  • the processor 400 may detect/classify an object from the target frame image 410 and then output an output frame image 420 reflecting the detection result.
  • the output frame image 420 output by the processor 400 may be an image displayed by visualizing the object detection and classification results in the target frame image 410.
  • the output frame image 420 includes a bounding box surrounding each detected object, a type of each detected object (e.g., product, barcode (product barcode/anti-theft barcode), etc.), and each detected object. It may include the possibility of existence (confidence value), etc.
  • the processor 400 may detect an object from the frame image 410 through a plurality of detection steps with different detection targets.
  • the processor 400 uses an object detection algorithm to detect an object using one or more products as a detection target and one or more barcodes (product barcodes/theft prevention barcodes) as the detection target.
  • the object can be detected from the frame image 410 through the second detection step of detecting .
  • the center coordinates of the object center point
  • the size of the object bounding box
  • the type of the object class
  • the possibility of the object's existence can be output.
  • a specific example of a method for detecting a product and a barcode from the frame image 410 through a plurality of detection steps will be described in detail later with reference to FIG. 5.
  • FIG. 5 is a diagram illustrating an example of a method for detecting a product and a barcode from a target frame image 512 according to an embodiment of the present disclosure.
  • the processor may detect an object from the target frame image 512 using various object detection algorithms.
  • anchor size uses the average size of objects to detect all objects in an image.
  • objects can be detected efficiently even if they are detected using the average size of the objects.
  • images containing products and barcodes they may not be detected efficiently because the size distributions of the products and barcodes are different. You can.
  • an object may be detected from the target frame image 512 through a plurality of detection steps 522 and 524 with different detection targets.
  • independent detection can be performed by separating objects into multiple subgroups.
  • the processor uses an object detection algorithm to detect an object using one or more products as a detection target (522) and a second detection step (522) to detect an object using one or more barcodes as a detection target. 524), an object can be detected from the target frame image.
  • the barcode may include a product barcode and an anti-theft barcode. Since the product barcode and the anti-theft barcode have a similar average size distribution and have similar visual characteristics, the same detection step (e.g., Detection and classification performance can be improved by detecting in the second detection step (524).
  • the average size of each subgroup is used in each independent detection step to efficiently identify the object. It can be detected and only the discrimination points can be accurately learned from similar objects, improving classification performance. Additionally, even when objects overlap, the overlapped objects can be effectively classified and detected within each independent subgroup.
  • the multiple detection model of the present disclosure has a high mean average precision (mAP) due to better recall than the single detection model.
  • Figure 5 shows a specific example of detecting an object from the target frame image 512 through a plurality of detection steps 522 and 524 using an anchor-based artificial neural network model.
  • the processor may extract the feature map 514 from the target frame image 512 (e.g., an RGB image) (510).
  • the feature map 514 can be extracted using YOLOv5's PANet (Path Aggregation Network).
  • the processor may extract a plurality of feature maps 514 by adjusting the stride according to the size of the object.
  • the extracted feature map 514 can be applied to a plurality of detection steps 522 and 524, respectively, to evaluate separate object groups.
  • the plurality of extracted feature maps 514 may be applied to a first detection step 522 using a product as a detection target and a second detection step 524 using a barcode as a detection target.
  • an object may be detected and/or classified based on the feature map 514. For example, in each detection step (522, 524), the center coordinates (center point) of the detected object, the size of the object (bounding box), the type of the object (class), the possibility of the existence of the object (confidence), etc. can be output. there is.
  • the processor may synthesize the information extracted through each detection step 522 and 524 for each feature map 514 and perform post-processing 530 (e.g., Non-Maximum Suppression (NMS)). . Additionally, the processor may visualize the detection and/or classification results and output them to an output frame image.
  • NMS Non-Maximum Suppression
  • Figure 6 is a flowchart illustrating an example of a method 600 for recognizing the association between a product and a barcode according to an embodiment of the present disclosure.
  • multiple products may frequently overlap within the target frame image 512. Therefore, one barcode can be detected on multiple products. Accordingly, there is a need to recognize the relationship between products and barcodes.
  • the processor can extract information about keypoints.
  • each characteristic point of one or more products is a point associated with a barcode presumed to be a barcode attached to each product (for example, the center point of a product barcode presumed to be a barcode attached to the product or an anti-theft barcode can be extracted to point to the center point of .
  • each feature point of one or more barcodes may be extracted to point to a point associated with the product presumed to be the product to which each barcode is attached (for example, the center point of the product presumed to be the product to which the barcode is attached). .
  • the extracted feature points can be used to recognize the relationship between the product and the barcode.
  • the processor may associate a product and a barcode when the characteristic points of the specific product and the specific barcode are adjacent to their respective midpoints. For example, the processor determines that the characteristic point of a first product among one or more detected products indicates a point associated with a first barcode among one or more detected barcodes, and that the characteristic point of the first barcode indicates a point associated with the first product. In this case, the first barcode may be associated with the first product.
  • FIG. 6 A specific example of a method 600 for recognizing the association between a product and a barcode is shown in FIG. 6.
  • the processor may search for the first barcode detected closest to the characteristic point of the first product among one or more detected products (S610). Then, it may be determined whether the distance between the feature point of the first product and the center point of the first barcode is less than a first predetermined threshold (S620).
  • S610 the distance between the feature point of the first product and the center point of the first barcode is less than a first predetermined threshold
  • this distance is greater than or equal to the first predetermined threshold, it is determined that the barcode of the first product has not been detected, and the first product and the first barcode may not be associated.
  • the processor determines that the distance between the feature point of the first barcode and the center point of the first product is less than the second predetermined threshold. You can decide whether to recognize it or not (S630). If the distance between the feature point of the first barcode and the center point of the first product is less than the second predetermined threshold, it may be determined that the feature point of the first barcode also indicates the first product. In this case, the processor may associate the first barcode and the first product (S640).
  • the first barcode indicated by the first product is connected to another product (for example, another product overlapping with the first product). Since it means that it is a barcode included in a product, the first product and the first barcode may not be associated.
  • the processor can perform a correlation recognition task on all products detected in the above-described manner.
  • Figure 7 is a diagram showing an example of a method for tracking a product according to an embodiment of the present disclosure.
  • the processor may track the detected object. Object tracking can be performed based on information about objects detected in consecutive frame images. According to one embodiment, the processor may track detected products based on object detection results for each frame image. In one embodiment, product tracking may take the form of real-time video streaming. The processor can track the detected objects every frame and determine the status of the product, such as whether it is included in the payment list.
  • tracking may be performed by associating objects detected in the target frame image with tracks.
  • the object may include at least one of a product or a barcode
  • the track may include data associated with the object detected from one or more previous frame images captured before the time when the target frame image was captured.
  • the track may include data about the object obtained from the moment the object is first detected to the immediately previous frame, and can be said to be the movement path of the object.
  • a track may include information about the location of the object in each frame, a bounding box surrounding the object, an image cropped based on the bounding box, and the last tracked time. Tracks can be classified into Tentative, Confirmed, and Lost states depending on the number of tracks and the result of association with the detection object.
  • the processor uses a machine learning model 730 (e.g., Re-Identification model (hereinafter referred to as Re-ID model), a specific example, an OSNet-based model) to obtain a feature vector from the object detected from the target frame image, , Based on one or more tracks and the obtained feature vectors, an object and a track can be associated.
  • the machine learning model 730 can find similar features for the same object even if the object's state (rotation, shape deformation, movement, occlusion, etc.) changes, and match based on the similarity of the features. It could be a model.
  • an N-dimensional vector can be obtained as an inference result of the machine learning model 730, and the angle formed by the vectors (for example, cosine distance) can be calculated to associate an object with similar characteristics with a track.
  • the processor may additionally use the Kalman filter 710 to associate the detected object with the track. For example, the processor may associate an object with a track based on one or more tracks, a prediction result for one or more tracks using the Kalman filter 710, and a feature vector obtained from the detected object.
  • the Kalman filter 710 may refer to a probability-based model that can predict and measure the location of an object in the next frame using data about the object obtained in the previous frame.
  • the data about the object may include the position of the object (x, y), the horizontal and vertical values of the box surrounding the object (w, h), and the speed of the four values described above (vx, vy, vw, vh). You can. If the data of the current object actually obtained is close to 0 in probability when predicted through the Kalman filter 710, the data of the current object actually obtained can be considered uncertain. Therefore, by using the prediction result using the Kalman filter, errors that may occur during the object tracking process can be reduced.
  • the processor may supplementally use an Intersection Over Union (IOU) value to associate an object with a track.
  • IOU value can be calculated using the box of the object obtained from the last tracked frame image and the box of the object obtained from the target frame among the data included in the track.
  • the processor can calculate the IOU value using the union of the areas of two boxes as the denominator and the intersection of the areas of the two boxes as the numerator. In this case, the closer the IOU value is to 0, the greater the change in the object's position in one frame. The closer the IOU value is to 1, the greater the change in the object's position.
  • the processor before associating objects and tracks using the machine learning model 730 and/or the Kalman filter 710, the processor first associates objects with little movement with tracks using an IOU value. After 720, the track can be associated with the remaining unrelated objects using the IOU value. Specifically, the processor may associate a product/barcode with a track whose IOU value is greater than or equal to a third predetermined threshold by comparing the track with an object detected from the target image frame (720). Then, using the machine learning model 730 and/or Kalman filter 710, the IOU value of one or more products and one or more barcodes detected from the target frame image is used to associate the track with an unrelated product or barcode. You can do it.
  • the more objects detected from the target frame image the more inference time the machine learning model 730 may take.
  • the processor may associate the product/barcode and the track with each other using the machine learning model 730 and/or the Kalman filter 710, and then additionally use the IOU value to associate the product/barcode with the track.
  • the processor compares the track with an unrelated product/barcode in an association process using the machine learning model 730 and/or the Kalman filter 710, thereby comparing the track and the product/barcode whose IOU value is greater than or equal to the fourth predetermined threshold. Barcodes can be associated.
  • the object detected from the target frame image in the detection step is not associated with any track, the object may be a newly detected object from the target frame image.
  • the processor may add a newly detected object that does not match any track as a new track.
  • the new track may be set to a provisional state.
  • a track in a tentative state may later be changed to a definite state if it is tracked in a predefined number of frames or more (e.g., more than N frames).
  • the processor may place tracks that are not associated with any of the objects in a pending state. Additionally, among tracks in a pending state, tracks that are in a pending state for a predefined number of frames or more (for example, M frames or more) can be deleted.
  • the processor can crop the barcode portion of the product (for example, a product that is not included in the payment list and the barcode is not recognized) for which the barcode needs to be decoded (cropping). Then, the barcode can be decoded using the corresponding barcode patches.
  • FIG. 8 is a diagram illustrating an example of a barcode preprocessing process according to an embodiment of the present disclosure.
  • a processor eg, at least one processor of a barcode recognition system
  • the processor may perform preprocessing before performing barcode decoding. For example, the processor may select a barcode that has not been decoded (e.g., a barcode for a product not included in the calculation list) among one or more detected barcodes, preprocess the barcode, and then decrypt the preprocessed barcode.
  • Techniques such as image rotation, core enlargement, and contrast enhancement can be used for barcode preprocessing.
  • the barcode 810 in the first state detected in the object detection step is converted into a barcode 820 in the second state through image rotation, and the barcode 820 in the second state is converted to the third state by enlarging the core portion.
  • An example of conversion to a barcode 830 and conversion to a barcode 840 in the fourth state through improvement compared to the barcode 830 in the third state is shown.
  • the processor may rotate the barcode 810 in the first state and convert it into the barcode 820 in the second state.
  • the barcode recognition system can determine the direction (eg, angle) of the barcode from the image and perform preprocessing to rotate the image to match the direction.
  • the processor can rotate the barcode by applying a rule-based method or a learning-based method.
  • the processor applies an image filter (e.g., Sobel filter, etc.) to the barcode image, Axial gradient values can be calculated. Then, the rotation angle for the barcode can be calculated based on the calculated gradient values in each of the plurality of pixels. Thereafter, the processor may calculate an affine transformation parameter based on the calculated rotation angle and rotate the barcode based on the calculated affine transformation parameter.
  • image filter e.g., Sobel filter, etc.
  • the processor may calculate an affine transformation parameter based on the calculated rotation angle and rotate the barcode based on the calculated affine transformation parameter.
  • contrast limited adaptive histogram equalization can be applied before applying the image filter.
  • the processor may rotate the barcode using a learning-based method. Specifically, the processor may use a machine learning model (eg, CNN) to calculate the rotation angle for the barcode based on the barcode. Then, the processor may calculate an affine transformation parameter based on the calculated rotation angle and rotate the undecoded barcode based on the calculated affine transformation parameter.
  • a machine learning model eg, CNN
  • the machine learning model used when rotating a barcode using a learning-based method may be a model learned to infer the direction of the barcode included in the image from the image.
  • the training objective of the machine learning model can be set in various ways.
  • data labeled by humans can be collected and used as GT values (ground truth values).
  • the direction of the barcode calculated using a rule-based method can be used as a pseudo GT value.
  • a loss function can be defined using a gradient value calculated using an image filter (eg, Sobel filter).
  • perceptual loss based on artificial neural networks can be used.
  • the L2 distance between internal feature maps in an artificial neural network model e.g., VGG or AlexNet pre-trained with ImageNet data, etc.
  • the perceptual loss can be used as the perceptual loss.
  • the processor may enlarge the core part of the barcode 820 in the second state and convert it into the barcode 830 in the third state.
  • the barcode 810 in the first state or the barcode 820 in the second state does not only include the core portion of the barcode (a portion consisting of black bars and white bars and contains information associated with the barcode), but also includes the surrounding area of the core portion. It is done. However, in order to improve the performance of barcode decoding, it is advantageous to include only the core part of the barcode. Accordingly, the processor can expand the core part of the barcode by applying a rule-based method or a learning-based method.
  • the processor may apply an image filter (e.g., a Sobel filter) to the barcode image to calculate the gradient value.
  • the x-axis gradient value of the core part of the barcode has a large absolute value
  • the y-axis gradient value has a small absolute value.
  • the processor can calculate the area where the core exists by normalizing the gradient value and then applying a linear time algorithm to find the maximum continuous section in the array.
  • the processor may apply learning-based methods to perform core augmentation.
  • the processor may use a machine learning model (e.g., CNN) to calculate an affine transformation parameter for at least one of translation, scaling, or shearing based on the barcode. there is. Then, based on the calculated affine transformation parameters, an affine transformation can be applied to the barcode.
  • a machine learning model e.g., CNN
  • the processor may perform image rotation and core enlargement together as preprocessing.
  • the processor may use a machine learning model (e.g., CNN) to calculate an affine transformation parameter for at least one of rotation and translation, expansion, or twist based on the barcode 810 in the first state. You can. Then, based on the calculated affine transformation parameters, the barcode 810 in the first state can be converted into the barcode 830 in the third state by applying an affine transformation.
  • a machine learning model e.g., CNN
  • the training objective of the machine learning model used when expanding the core part of the barcode using a learning-based method can be set in various ways.
  • a loss function can be designed based on affine transformation parameter values corresponding to translation, expansion, and torsion, including perceptual metrics based on artificial neural networks.
  • the processor can improve preprocessing performance by using various interpolation methods (e.g., linear interpolation, cubic interpolation, Lanczos interpolation, etc.) during preprocessing, such as image rotation and core enlargement.
  • various interpolation methods e.g., linear interpolation, cubic interpolation, Lanczos interpolation, etc.
  • the processor may improve the contrast of the barcode 830 in the third state and convert it into the barcode 840 in the fourth state.
  • a processor can improve the contrast of a barcode image in a variety of ways, including rule-based or learning-based methods.
  • the processor can improve the contrast of the barcode image on a rule basis using contrast limited adaptive histogram equalization.
  • the processor may use learning-based methods to improve the contrast of barcode images.
  • learning-based methods can be used to improve the overall contrast of an image, as well as sharpen the boundaries between white and black lines and restore damaged areas.
  • the processor can use a learning model that combines a deep convolutional neural network (deep CNN) and a generative adversarial network (GAN).
  • the learning model may include a generator and a discriminator composed of a deep convolutional neural network, and may include a module for attention.
  • the input domain of the adversarial generation network may be a general barcode image whose quality is to be improved, and the target domain may be a high-quality barcode image including a synthetic image.
  • the generator can receive a barcode image as input and output a barcode image with improved quality. Additionally, the discriminator can determine whether a given arbitrary barcode image belongs to the input domain or the destination domain.
  • the loss function of the generator may include an adversarial loss function and a content loss function. The content loss function may be used to ensure that the content of the original barcode image and the improved quality barcode image generated through the generator are the same even though the quality is different.
  • the content loss function can be defined as the L2 distance to the internal activation value of a pre-trained image processing model such as VGG.
  • the processor can decode the barcode for which preprocessing has been completed as described above. If preprocessing is appropriately performed before decoding the barcode, the success rate of barcode decoding can be increased.
  • Figure 9 is a diagram illustrating an example of barcode recognition through OCR according to an embodiment of the present disclosure.
  • the processor may decode the barcode through OCR (Optical Character Recognition). For example, if barcode decoding through image recognition based on the preprocessed barcode fails, the barcode can be decoded through OCR.
  • the number string 920 displayed below the product barcode 910 represents the decoded barcode value, and this number string can be recognized using an OCR model.
  • the OCR model may include multiple detailed models.
  • the OCR model includes a text detection model that finds text information within an image, a transform model that transforms the image to increase recognition rate by correcting rotation and warping of the text, and a text recognition model that recognizes the image. It may include a text recognition model that derives text information. If barcode recognition fails with a preprocessed barcode image, the processor can recognize the barcode using this OCR model.
  • FIG. 10 is a flowchart illustrating an example of an image-based barcode recognition method 1000 according to an embodiment of the present disclosure.
  • the method 1000 may begin with at least one processor (eg, at least one processor of a barcode recognition system) receiving a target frame image in which one or more products and one or more barcodes are captured (S1010).
  • at least one processor eg, at least one processor of a barcode recognition system
  • the processor may detect and/or classify one or more products and one or more barcodes from the target frame image (S1020).
  • an object may be detected from a target frame image through a plurality of detection steps with different detection targets.
  • the processor uses an object detection algorithm to detect a target frame through a first detection step of detecting an object using one or more products as a detection target and a second detection step of detecting an object using one or more barcodes as a detection target.
  • Objects can be detected from images.
  • the barcode may include several types of barcodes.
  • one or more barcodes may include one or more product barcodes and one or more anti-theft barcodes.
  • the step of detecting an object using one or more barcodes as a detection target may use both one or more product barcodes and one or more anti-theft barcodes as detection targets.
  • the processor may detect an object from the target frame image using an artificial neural network-based object detection algorithm.
  • the processor may detect the object by extracting a plurality of feature maps from the target frame image and then applying the extracted plurality of feature maps to each detection step with different detection targets.
  • the processor may extract a plurality of feature maps based on the target frame image by adjusting the strides differently.
  • a first detection step of detecting an object with one or more products as a detection target based on a plurality of extracted feature maps and a plurality of extracted feature maps The object can be detected from the target frame image through a second detection step in which the object is detected using one or more barcodes as a detection target.
  • the processor may extract characteristic points of each of one or more detected products and characteristic points of each of one or more detected barcodes (product barcodes and anti-theft barcodes).
  • the characteristic point of each of one or more products indicates a point associated with the barcode presumed to be attached to each product (for example, the center point of the product barcode presumed to be the barcode attached to the product or the center point of the anti-theft barcode). It can be extracted to key.
  • each feature point of one or more barcodes may be extracted to point to a point associated with the product presumed to be the product to which each barcode is attached (for example, the center point of the product presumed to be the product to which the barcode is attached). .
  • the extracted feature points can be used to recognize the relationship between the product and the barcode.
  • the processor may then associate the one or more detected barcodes with each of the one or more detected products (S1030).
  • the processor may associate a product and a barcode when the characteristic points of the specific product and the specific barcode are adjacent to their respective midpoints. For example, the processor determines that the characteristic point of a first product among one or more detected products indicates a point associated with a first barcode among one or more detected barcodes, and that the characteristic point of the first barcode indicates a point associated with the first product. In this case, the first barcode may be associated with the first product.
  • the processor may first search for the first barcode detected that is closest to the characteristic point of the first product among one or more detected products. It may then be determined whether the distance between the feature point of the first product and the point associated with the first barcode (e.g., the center point of the first barcode) is less than a first predetermined threshold. Here, if the distance between the feature point of the first product and the point associated with the first barcode is less than the first predetermined threshold, it may be determined that the feature point of the first product indicates the first barcode.
  • the processor determines the distance between the feature point of the first barcode and the point associated with the first product (e.g., the center point of the first product). ) can determine whether the distance between them is less than a second predetermined threshold. If the distance between the feature point of the first barcode and the point associated with the first product is less than the second predetermined threshold, it may be determined that the feature point of the first barcode also indicates the first product. In this case, the processor may associate the first barcode with the first product.
  • the processor may track detected objects.
  • Object tracking can be performed based on information about objects detected in consecutive frame images.
  • tracking may be performed by associating objects detected in the target frame image with tracks.
  • the object may include at least one of a product or a barcode
  • the track may include data associated with the object detected from one or more previous frame images captured before the time when the target frame image was captured.
  • the processor uses a machine learning model to obtain feature vectors from one or more products and one or more barcodes detected from the target frame image, and based on the one or more tracks and the obtained feature vectors, one or more products or one At least one of the above barcodes may be associated with one of the one or more tracks.
  • the processor may additionally use a Kalman filter to associate the detected object with the track. For example, the processor may, based on one or more tracks, a prediction result for one or more tracks using a Kalman filter, and a feature vector obtained from the detected object, at least one of one or more products or one or more barcodes and one of the one or more tracks. can be related.
  • the processor may supplementally use the IOU value to associate the track with the product/barcode. For example, before associating tracks with products/barcodes using machine learning models and/or Kalman filters, the processor first associates objects with little movement with tracks using IOU values, and then uses the IOU values to associate objects with little movement with tracks. This allows you to associate the track with the remaining unrelated objects.
  • the processor may compare the one or more tracks with at least one of the one or more products or one or more barcodes to associate the product/barcode with a track whose IOU value is greater than or equal to a third predetermined threshold. Then, using a machine learning model and/or a Kalman filter, the IOU value of one or more products and one or more barcodes detected from the target frame image may be used to associate the track with an unrelated product or barcode.
  • the processor may associate the product/barcode and the track with each other using a machine learning model and/or a Kalman filter, and then supplementally associate the product/barcode with the track using an IOU value.
  • the processor may associate a product/barcode with a track whose IOU value is greater than or equal to a fourth predetermined threshold by comparing the track with an unrelated product/barcode in an association process using a machine learning model and/or a Kalman filter. .
  • the processor may place a track that is not ultimately associated with any object among one or more tracks into a pending state, and may delete tracks that are in a pending state for a predefined number of frames or more among the tracks.
  • the processor may decrypt a barcode that has not been decrypted among one or more detected barcodes (S1040). For example, the processor may select a barcode that has not been decoded among one or more detected barcodes, preprocess the barcode, and then decrypt the preprocessed barcode. If barcode preprocessing is performed appropriately, the success rate of barcode decoding can be increased. Techniques such as image rotation, core enlargement, and contrast enhancement can be used for barcode preprocessing.
  • the processor may rotate the barcode as preprocessing.
  • the processor may apply an image filter to the barcode image and calculate the x-axis direction gradient value and y-axis direction gradient value at each of a plurality of pixels of the barcode. . Then, the rotation angle for the barcode can be calculated based on the calculated gradient values in each of the plurality of pixels. Thereafter, the processor may calculate an affine transformation parameter based on the calculated rotation angle and rotate the barcode based on the calculated affine transformation parameter.
  • the processor may rotate the barcode using a learning-based method.
  • the processor can use a machine learning model to calculate the rotation angle for the barcode based on the barcode. Based on the calculated rotation angle, an affine transformation parameter may be calculated, and the undecoded barcode may be rotated based on the calculated affine transformation parameter.
  • the processor may perform core augmentation using a learning-based method as preprocessing.
  • the processor may use a machine learning model to calculate an affine transformation parameter for at least one of translation, expansion, and distortion based on the barcode. Then, based on the calculated affine transformation parameters, an affine transformation can be applied to the barcode.
  • the processor may perform image rotation and core augmentation together as preprocessing.
  • the processor may use a machine learning model to calculate an affine transformation parameter for at least one of rotation and translation, expansion, and twist based on the barcode. Then, based on the calculated affine transformation parameters, an affine transformation can be applied to the barcode.
  • the above-described method may be provided as a computer program stored in a computer-readable recording medium for execution on a computer.
  • the medium may continuously store a computer-executable program, or may temporarily store it for execution or download.
  • the medium may be a variety of recording or storage means in the form of a single or several pieces of hardware combined. It is not limited to a medium directly connected to a computer system and may be distributed over a network. Examples of media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, And there may be something configured to store program instructions, including ROM, RAM, flash memory, etc. Additionally, examples of other media include recording or storage media managed by app stores that distribute applications, sites or servers that supply or distribute various other software, etc.
  • the processing units used to perform the techniques may include one or more ASICs, DSPs, digital signal processing devices (DSPDs), or programmable logic devices (PLDs). ), field programmable gate arrays (FPGAs), processors, controllers, microcontrollers, microprocessors, electronic devices, and other electronic units designed to perform the functions described in this disclosure. , a computer, or a combination thereof.
  • the various example logical blocks, modules, and circuits described in connection with this disclosure may be general-purpose processors, DSPs, ASICs, FPGAs or other programmable logic devices, discrete gate or transistor logic, discrete hardware components, or other components of the present disclosure. It may be implemented or performed as any combination of those designed to perform the functions described in.
  • a general-purpose processor may be a microprocessor, but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine.
  • a processor may also be implemented as a combination of computing devices, such as a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other configuration.
  • RAM random access memory
  • ROM read-only memory
  • NVRAM non-volatile random access memory
  • PROM programmable read-only memory
  • EPROM erasable programmable read-only memory
  • EEPROM electrically erasable PROM
  • flash may also be implemented as instructions stored on a processor-readable medium, such as memory, a compact disc (CD), magnetic or optical data storage, etc. Instructions may be executable by one or more processors and may cause the processor(s) to perform certain aspects of the functionality described in this disclosure.
  • Computer-readable media includes both computer storage media and communication media, including any medium that facilitates transfer of a computer program from one place to another.
  • Storage media may be any available media that can be accessed by a computer.
  • such computer readable media may include RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or the desired program code in the form of instructions or data structures. It can be used to transfer or store data and can include any other media that can be accessed by a computer. Any connection is also properly termed a computer-readable medium.
  • disk and disk include CD, laser disk, optical disk, digital versatile disc (DVD), floppy disk, and Blu-ray disk, where disks are usually magnetic. It reproduces data optically, while discs reproduce data optically using lasers. Combinations of the above should also be included within the scope of computer-readable media.
  • a software module may reside in RAM memory, flash memory, ROM memory, EPROM memory, EEPROM memory, registers, hard disk, removable disk, CD-ROM, or any other form of storage medium known.
  • An exemplary storage medium may be coupled to the processor such that the processor may read information from or write information to the storage medium. Alternatively, the storage medium may be integrated into the processor.
  • the processor and storage medium may reside within an ASIC. ASIC may exist within the user terminal. Alternatively, the processor and storage medium may exist as separate components in the user terminal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Electromagnetism (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Toxicology (AREA)
  • Image Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Computer Security & Cryptography (AREA)

Abstract

본 개시는 이미지 기반 바코드 인식 방법에 관한 것이다. 이미지 기반 바코드 인식 방법은, 하나 이상의 상품 및 하나 이상의 바코드가 촬상된 대상 프레임 이미지를 수신하는 단계, 대상 프레임 이미지로부터 하나 이상의 상품 및 하나 이상의 바코드를 탐지하는 단계, 탐지된 하나 이상의 상품의 각각과 탐지된 하나 이상의 바코드를 연관시키는 단계 및 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 복호화하는 단계를 포함한다.

Description

이미지 기반 바코드 인식 방법 및 시스템
본 개시는 이미지 기반 바코드 인식 방법 및 시스템에 관한 것으로, 구체적으로, 하나 이상의 상품이 촬상된 이미지로부터 상품 및 바코드를 인식하고, 바코드를 복호화하는 방법 및 시스템에 관한 것이다.
지난 오랜 시간 동안, 소매 판매시점관리(POS, Point Of Sale) 시스템은 자동화되어왔고 이러한 시스템은 하나 이상의 체크아웃 단말기(계산대)와 구매하려는 품목에 관한 가격 및 재고목록이 저장된 데이터베이스를 포함한다. 일반적으로, 각 상품들은 기계가 판독할 수 있는 바코드를 포함하고, 계산대는 스캔된 상품 품목을 식별하기 위한 바코드 스캐너를 포함한다. 상품 품목이 스캔되면 바코드 스캐너는 스캔된 상품 수에 대응하는 신호를 POS 시스템의 데이터 처리부로 전송하고, 데이터 베이스로부터 스캔된 품목에 관한 상세 정보를 획득한다.
최근 무인 계산 시스템(self-checkout system)의 사용이 확산되고 있다. 이러한 무인 계산 시스템은 무인 계산대를 구비하여 고객들로 하여금 스스로 구매하는 품목의 바코드를 스캔하도록 한다. 무인 계산 시스템은 상품 품목의 바코드를 스캔하고, 지불 방식을 결정하고, 지불을 수행하며, 계산대의 사용 방식에 대한 설명을 요청하는 등의 행위를 고객이 직접 수행할 수 있게 한다.
다만, 종래의 무인 계산 시스템에 따르면, 각 상품마다 바코드를 스캔해야 하는 탓에 상품의 수가 많을 때 시간이 오래 소요된다는 문제점이 있다. 고객이 직접 상품을 한 개씩 바코드 스캐너에 배치하거나, 핸디형 레이저 바코드 스캐너를 품목에 스캔하는 행위는 상품의 수가 많아질수록 장시간의 지연을 초래한다. 더욱이, 고령층과 같이 바코드 스캐너에 익숙하지 않은 고객에게 종래의 무인 계산 시스템에 따른 계산 방법은 매우 복잡한 작업이며, 이를 교육하기 위한 비용 및 시간이 소요된다는 문제점 또한 존재한다.
본 개시는 상기와 같은 문제점을 해결하기 위한 이미지 기반 바코드 인식 방법, 명령어들을 기록한 컴퓨터 판독가능한 비일시적 기록 매체 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 명령어들을 기록한 컴퓨터 판독가능한 비일시적 기록 매체를 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 이미지 기반 바코드 인식 방법은, 하나 이상의 상품 및 하나 이상의 바코드가 촬상된 대상 프레임 이미지를 수신하는 단계, 대상 프레임 이미지로부터 하나 이상의 상품 및 하나 이상의 바코드를 탐지하는 단계, 탐지된 하나 이상의 상품의 각각과 탐지된 하나 이상의 바코드를 연관시키는 단계 및 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 복호화하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 탐지하는 단계는, 객체 탐지 알고리즘을 이용하여, 하나 이상의 상품을 탐지 타겟으로 하여 객체를 탐지하는 단계 및 객체 탐지 알고리즘을 이용하여, 하나 이상의 바코드를 탐지 타겟으로 하여 객체를 탐지하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 탐지하는 단계는, 스트라이드를 상이하게 조정함으로써 대상 프레임 이미지에 기초한 복수의 피쳐맵을 추출하는 단계, 인공신경망 기반 객체 탐지 알고리즘을 이용하여, 추출된 복수의 피쳐맵을 기초로, 하나 이상의 상품을 탐지 타겟으로 하여 객체를 탐지하는 단계 및 인공신경망 기반 객체 탐지 알고리즘을 이용하여, 추출된 복수의 피쳐맵을 기초로, 하나 이상의 바코드를 탐지 타겟으로 하여 객체를 탐지하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 하나 이상의 바코드는, 하나 이상의 상품 바코드 및 하나 이상의 도난방지용 바코드를 포함하고, 하나 이상의 바코드를 탐지 타겟으로 하여 객체를 탐지하는 단계는, 하나 이상의 상품 바코드 및 하나 이상의 도난방지용 바코드를 탐지 타겟으로 하여 객체를 탐지하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 탐지된 하나 이상의 상품의 각각의 특징점 및 탐지된 하나 이상의 바코드의 각각의 특징점을 추출하는 단계를 더 포함하고, 하나 이상의 상품의 각각의 특징점은 상품의 각각에 부착된 바코드로 추정되는 바코드와 연관된 지점을 가리키도록 추출되고, 하나 이상의 바코드의 각각의 특징점은 바코드의 각각이 부착된 상품으로 추정되는 상품과 연관된 지점을 가리키도록 추출되는, 이미지 기반 바코드 인식 방법.
본 개시의 일 실시예에 따르면, 탐지된 하나 이상의 상품의 각각과 탐지된 하나 이상의 바코드를 연관시키는 단계는, 탐지된 하나 이상의 상품 중 제1 상품의 특징점이 탐지된 하나 이상의 바코드 중 제1 바코드와 연관된 지점을 가리키고 제1 바코드의 특징점이 제1 상품과 연관된 지점을 가리킨다고 판단되는 경우, 제1 바코드를 제1 상품과 연관시키는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 탐지된 하나 이상의 상품의 각각과 탐지된 하나 이상의 바코드를 연관시키는 단계는, 탐지된 하나 이상의 상품 중 제1 상품의 특징점과 가장 가까이 탐지된 제1 바코드를 탐색하는 단계, 제1 상품의 특징점과 제1 바코드의 중앙점 사이의 거리가 제1 미리 정해진 임계값 미만인지 여부를 결정하는 단계, 제1 상품의 특징점과 제1 바코드의 중앙점 사이의 거리가 제1 미리 정해진 임계값 미만인 경우, 제1 바코드의 특징점과 제1 상품의 중앙점 사이의 거리가 제2 미리 정해진 임계값 미만인지 여부를 결정하는 단계 및 제1 바코드의 특징점과 제1 상품의 중앙점 사이의 거리가 제2 미리 정해진 임계값 미만인 경우, 제1 바코드와 제1 상품을 연관시키는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나를 추적하는 단계를 더 포함하고, 추적하는 단계는, 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙을 연관시키는 단계를 포함하고, 하나 이상의 트랙은, 대상 프레임 이미지가 촬상된 시각 이전까지 촬상된 하나 이상의 이전 프레임 이미지들로부터 탐지된 상품 또는 바코드와 연관된 데이터를 포함한다.
본 개시의 일 실시예에 따르면, 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙을 연관시키는 단계는, (a) 기계학습 모델을 이용하여, 대상 프레임 이미지로부터 탐지된 하나 이상의 상품 및 하나 이상의 바코드로부터 특징 벡터를 획득하는 단계 및 (b) 하나 이상의 트랙 및 획득된 특징 벡터에 기초하여, 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙 중 하나를 연관시키는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙을 매칭시키는 단계는, (c) 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나 및 하나 이상의 트랙을 비교함으로써, IOU(Intersection Over Union) 값이 제3 미리 정해진 임계값 이상인 트랙과 상품 또는 바코드 중 적어도 하나를 연관시키는 단계, (d) 기계학습 모델을 이용하여, 대상 프레임 이미지로부터 탐지된 하나 이상의 상품 및 하나 이상의 바코드 중 (c) 단계에서 연관되지 않은 상품 또는 바코드 중 적어도 하나로부터 특징 벡터를 획득하는 단계 및 하나 이상의 트랙 중 (c)단계에서 연관되지 않은 트랙 및 (d) 단계에서 획득된 특징 벡터에 기초하여, 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙 중 하나를 매칭시키는 단계를 포함한다.
본 개시의 일 실시예에 따르면, (b) 단계는, 하나 이상의 트랙, 칼만 필터를 이용한 하나 이상의 트랙에 대한 예측 결과 및 획득된 특징 벡터에 기초하여, 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙 중 하나를 연관시키는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙을 연관시키는 단계는, (b) 단계에서 연관되지 않은 상품 또는 바코드 중 적어도 하나와 하나 이상의 트랙 중 (b) 단계에서 매칭되지 않은 트랙을 비교함으로써, IOU 값이 제4 미리 정해진 임계값 이상인 트랙과 상품 또는 바코드 중 적어도 하나를 연관시키는 단계를 더 포함한다.
본 개시의 일 실시예에 따르면, 하나 이상의 트랙 중 매칭되지 않은 트랙을 보류 상태로 전환하는 단계 및 하나 이상의 트랙 중 미리 정의된 수 이상의 프레임 이미지에서 보류 상태인 트랙을 삭제하는 단계를 더 포함한다.
본 개시의 일 실시예에 따르면, 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 복호화하는 단계는, 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 전처리하는 단계 및 전처리된 바코드를 복호화하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 전처리하는 단계는, 복호화되지 않은 바코드의 복수의 픽셀의 각각에서의 x축 방향 그래디언트 값 및 y축 방향 그래디언트 값을 산출하는 단계, 산출된 복수의 픽셀의 각각에서의 그래디언트 값들에 기초하여, 복호화되지 않은 바코드에 대한 회전 각도를 산출하는 단계, 산출된 회전 각도를 기초로, 아핀 변환 모수를 산출하는 단계 및 산출된 아핀 변환 모수를 기초로, 복호화되지 않은 바코드를 회전시키는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 전처리하는 단계는, 기계학습 모델을 이용하여, 복호화되지 않은 바코드를 기초로 복호화되지 않은 바코드에 대한 회전 각도를 산출하는 단계, 산출된 회전 각도를 기초로, 아핀 변환 모수를 산출하는 단계 및 산출된 아핀 변환 모수를 기초로, 복호화되지 않은 바코드를 회전시키는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 전처리하는 단계는, 기계학습 모델을 이용하여, 복호화되지 않은 바코드를 기초로 평행변환, 확대 또는 비틀림 중 적어도 하나에 대한 아핀 변환 모수를 산출하는 단계 및 산출된 아핀 변환 모수를 기초로, 복호화되지 않은 바코드에 대한 아핀 변환을 적용하는 단계를 포함한다.
본 개시의 일 실시예에 따른 방법을 컴퓨터에서 실행하기 위한 명령어들을 기록한 컴퓨터 판독가능한 비일시적 기록 매체가 제공된다.
본 개시의 일 실시예에 따르면, 이미지 기반 바코드 인식 시스템은, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 하나 이상의 상품 및 하나 이상의 바코드가 촬상된 대상 프레임 이미지를 수신하고, 대상 프레임 이미지로부터 하나 이상의 상품 및 하나 이상의 바코드를 탐지하고, 탐지된 하나 이상의 상품의 각각과 탐지된 하나 이상의 바코드를 연관시키고, 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 복호화하기 위한 명령어들을 포함한다.
본 개시의 일부 실시예에 따르면, 카메라와 알고리즘 만으로 이미지에서 여러 개의 상품과 바코드를 인식하고, 상품 개수를 카운팅하여 계산 목록을 생성할 수 있어, 상품 계산 시간을 단축시킬 수 있다.
본 개시의 일부 실시예에 따르면, 스마트폰, 태블릿 PC 등에 바코드 인식 알고리즘을 설치하여 포스기 애플리케이션과 연동함으로써, 가격이 비싼 셀프 계산대용 키오스크, 바코드 리더기 등을 대체할 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 이미지 기반 바코드 인식 방법이 활용되는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 이미지 기반 바코드 인식 시스템의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 프로세서의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따라 대상 프레임 이미지로부터 객체를 탐지한 결과를 출력한 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따라 대상 프레임 이미지로부터 상품 및 바코드를 탐지하는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 상품과 바코드의 연관성을 인식하는 방법의 예시를 나타내는 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 상품을 추적하는 방법의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따라 바코드를 전처리하는 과정의 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따라 OCR을 통해 바코드를 인식하는 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 이미지 기반 바코드 인식 방법의 예시를 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래시 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.
본 개시에서, '기계학습 모델'은 주어진 입력에 대한 해답(answer)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다. 또한, 본 개시에서, 기계학습 모델은 인공신경망 모델을 지칭할 수 있으며, 인공신경망 모델은 기계학습 모델을 지칭할 수 있다.
본 개시에서, '디스플레이'는 바코드 인식 시스템과 연관된 임의의 디스플레이 장치를 지칭할 수 있는데, 예를 들어, 바코드 인식 시스템에 의해 제어되거나 바코드 인식 시스템으로부터 제공된 임의의 정보/데이터를 표시할 수 있는 임의의 디스플레이 장치를 지칭할 수 있다.
본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.
본 개시에서 '바코드'는 상품의 판매, 계산, 재고 관리 등을 위해 상품 또는 상품 포장에 부착/표시된 상품 바코드 및/또는 상품의 도난 방지를 위해 상품 또는 상품 포장에 부착/표시된 도난방지용 바코드를 포함할 수 있다.
본 개시의 일부 실시예에서, '상품'은 이미지 중 상품이 촬상된 영역 또는 이미지로부터 상품이 탐지된 영역을 지칭할 수 있다. 이와 유사하게, 본 개시의 일부 실시예에서, '바코드'는 이미지 중 바코드가 촬상된 영역 또는 이미지로부터 바코드가 탐지된 영역을 지칭할 수 있다. 또한 본 개시의 일부 실시예에서, '객체'는 상품/바코드, 이미지 중 상품/바코드가 촬상된 영역, 및/또는 이미지로부터 상품/바코드가 탐지된 영역 등을 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른 이미지 기반 바코드 인식 방법이 활용되는 예시를 나타내는 도면이다. 일 실시예에 따르면, 이미지 기반 바코드 인식 방법은 상점의 무인 계산대에서 활용될 수 있다. 도시된 바와 같이, 사용자(110)(예를 들어, 상점의 고객)는 계산하고자 하는 하나 이상의 상품(130)을 계산대(120) 위에 무작위로 올려놓을 수 있다. 계산대(120) 위를 촬영하도록 배치된 카메라(140)는 계산대(120) 위의 하나 이상의 상품(130)을 실시간으로 촬영 또는 녹화할 수 있다. 또한, 카메라(140)에 의해 촬영 또는 녹화된 각 프레임 이미지들은 프로세서(예를 들어, 이미지 기반 바코드 인식 시스템의 적어도 하나의 프로세서)로 전송되어 분석될 수 있다.
예를 들어, 카메라(140)에 의해 촬상된 각 프레임 이미지들을 수신한 프로세서는, 프레임 이미지로부터 상품 및 바코드를 탐지 및 분류하고, 상품과 바코드의 연관성을 인식하고, 상품을 추적하고, 복호화되지 않은 바코드를 복호화할 수 있다. 이에 따라, 프로세서는 계산대(120) 위의 상품(130)의 종류 및 수량에 대한 정보를 파악하고, 빠짐없이, 그리고 중복 없이 계산 목록에 추가할 수 있다.
도시되지는 않았지만, 무인 계산대는 바코드 인식 시스템과 연관된 임의의 입출력 장치를 더 포함할 수 있다. 예를 들어, 무인 계산대는 바코드 인식 시스템에 의해 제어되거나 바코드 인식 시스템으로부터 제공된 임의의 정보/데이터를 표시할 수 있는 디스플레이 또는 터치 스크린을 포함할 수 있다. 이 경우, 디스플레이는 카메라(140)에 의해 실시간으로 촬영되는 프레임 이미지와 바코드 인식 시스템에 의해 탐지된 상품 및/또는 바코드를 시각화한 정보를 함께 출력할 수 있다.
일 실시예에 따르면, 무인 계산대는 컨테이너 벨트를 포함하도록 구성될 수도 있다. 이 때, 컨베이어 벨트는 바코드 인식 시스템과 연동될 수 있다. 예를 들어, 바코드 인식 시스템에 의해 탐지된 상품 중 바코드가 탐지되지 않은 상품이 있는 경우, 컨베이어 벨트가 정지될 수 있다. 또한, 해당 상품을 디스플레이 통해 시각적으로 표시하거나, 해당 상품의 바코드가 부착된 면이 카메라(140)에 보이도록 상품을 재배치할 것을 요청하는 메시지를 출력함으로써, 사용자(110)에게 상품의 재배치를 요청할 수 있다.
도 1에서는 본 개시에 따른 이미지 기반 바코드 인식 방법이 상점의 무인 계산대에서 활용되는 예시를 도시하고 상술하였으나, 본 개시의 범위가 이에 한정되는 것은 아니며, 물류 창고, 공장 등 이미지 기반 바코드 인식 방법이 활용될 수 있는 다양한 상황 또는 다양한 기술 분야에 적용될 수 있다.
도 2는 본 개시의 일 실시예에 따른 이미지 기반 바코드 인식 시스템(200)의 내부 구성을 나타내는 블록도이다. 이미지 기반 바코드 인식 시스템(200)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 이미지 기반 바코드 인식 시스템(200)은 통신 모듈(230)을 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다.
메모리(210)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(210)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 이미지 기반 바코드 인식 시스템(200)에 포함될 수 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 이미지 기반 바코드 인식 시스템(200)에 설치되어 구동되는 객체 탐지, 상품 추적, 바코드 전처리, 바코드 복호화 등을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 이미지 기반 바코드 인식 시스템(200)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(230)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 객체 탐지, 상품 추적, 바코드 전처리, 바코드 복호화 등을 위한 프로그램 등)에 기반하여 메모리(210)에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(220)는 하나 이상의 상품 및 하나 이상의 바코드가 촬상된 대상 프레임 이미지를 수신하고, 대상 프레임 이미지로부터 하나 이상의 상품 및 하나 이상의 바코드를 탐지하고, 탐지된 하나 이상의 상품의 각각과 탐지된 하나 이상의 바코드를 연관시킬 수 있다. 또한, 프로세서(220)는 각 프레임 이미지에 대한 상품/바코드 탐지 결과를 수신하여, 상품을 추적할 수 있다. 또한, 프로세서(220)는 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 복호화할 수 있다.
통신 모듈(230)은 네트워크를 통해 외부 장치 등과 이미지 기반 바코드 인식 시스템(200)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 이미지 기반 바코드 인식 시스템(200)이 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 이미지 기반 바코드 인식 시스템(200)의 프로세서(220)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 외부 장치 및/또는 외부 시스템의 통신 모듈을 통해 외부 장치 및/또는 외부 시스템으로 전송될 수 있다.
또한, 이미지 기반 바코드 인식 시스템(200)의 입출력 인터페이스(240)는 이미지 기반 바코드 인식 시스템(200)과 연결되거나 이미지 기반 바코드 인식 시스템(200)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 2에서는 입출력 인터페이스(240)가 프로세서(220)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(240)가 프로세서(220)에 포함되도록 구성될 수 있다. 이미지 기반 바코드 인식 시스템(200)은 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.
도 3은 본 개시의 일 실시예에 따른 프로세서(220)의 내부 구성을 나타내는 블록도이다. 도시된 바와 같이, 프로세서(220)는 객체 탐지부(310), 연관성 인식부(320), 상품 추적부(330), 바코드 전처리부(340), 바코드 복호화부(350) 등을 포함할 수 있다. 도 3에서는 프로세서(220)의 구성을 각각의 기능별로 구분하여 설명하였으나, 반드시 물리적으로 구분되는 것을 의미하지 않는다. 또한, 도 3에서 프로세서(220)는 단일 프로세서인 것으로 도시하였으나, 이에 한정되지 않으며, 일부 실시예에서 이미지 기반 바코드 인식 시스템(200)은 복수의 프로세서를 포함할 수 있다. 또한, 프로세서(220)에 포함되는 객체 탐지부(310), 연관성 인식부(320), 상품 추적부(330), 바코드 전처리부(340), 바코드 복호화부(350) 등의 각 구성이 복수의 프로세서에 분산되어 포함될 수도 있다.
객체 탐지부(310)는 하나 이상의 상품 및 하나 이상의 바코드가 촬상된 프레임 이미지를 수신하고, 프레임 이미지로부터 객체를 탐지할 수 있다. 여기서, 객체는 상품 및/또는 바코드를 포함할 수 있으며, 바코드는 상품 바코드 및 도난방지용 바코드를 포함할 수 있다.
일 실시예에 따르면, 객체 탐지부(310)는 서로 탐지 타겟을 달리하는 복수의 탐지 단계를 통해, 상품과 바코드를 탐지할 수 있다. 객체 탐지부(310)가 프레임 이미지로부터 객체를 탐지하는 구체적인 예시는 도 4 내지 도 5를 참조하여 상세히 후술된다.
추가적으로, 객체 탐지부(310)는 상품과 바코드의 연관성을 인식하기 위해, 탐지된 상품 및 탐지된 바코드로부터 특징점을 추출할 수 있다. 일 실시예에 따르면, 하나 이상의 상품의 각각의 특징점은 상품의 각각에 부착된 바코드로 추정되는 바코드와 연관된 지점(예를 들어, 상품에 부착된 바코드로 추정되는 상품 바코드의 중앙점 또는 도난방지용 바코드의 중앙점)을 가리키도록 추출될 수 있다. 또한, 하나 이상의 바코드의 각각의 특징점은 바코드의 각각이 부착된 상품으로 추정되는 상품과 연관된 지점(예를 들어, 바코드가 부착된 상품으로 추정되는 상품의 중앙점)을 가리키도록 추출될 수 있다. 추출된 특징점에 대한 정보는 연관성 인식부(320)로 제공되어, 상품과 바코드의 연관성 인식 작업에 이용될 수 있다.
연관성 인식부(320)는 객체 탐지부(310)로부터 객체 탐지 결과 및 특징점에 대한 정보를 제공받아, 상품과 바코드의 연관성을 인식하는 작업을 수행할 수 있다. 일 실시예에 따르면, 연관성 인식부(320)는 특정 상품과 특정 바코드의 특징점이 각각의 중점과 인접한 경우, 상품과 바코드를 연관시킬 수 있다. 예를 들어, 연관성 인식부(320)는 탐지된 하나 이상의 상품 중 제1 상품의 특징점이 탐지된 하나 이상의 바코드 중 제1 바코드와 연관된 지점을 가리키고, 제1 바코드의 특징점이 제1 상품과 연관된 지점을 가리킨다고 판단되는 경우, 제1 바코드를 제1 상품과 연관시킬 수 있다. 연관성 인식부(320)가 상품과 바코드를 연관시키는 구체적인 예시는 도 6을 참조하여 상세히 후술된다.
상품 추적부(330)는 객체 탐지부(310)로부터 객체 탐지 결과를 제공받아, 탐지된 객체를 추적할 수 있다. 객체 추적은 연속적인 프레임 이미지에서 탐지된 객체에 대한 정보를 기초로 수행될 수 있다. 일 실시예에 따르면, 추적은 대상 프레임 이미지에서 탐지된 객체를 트랙과 연관시킴으로써 수행될 수 있다. 상품 추적부(330)가 탐지된 객체를 트랙과 연관시킴으로써 객체를 추적하는 구체적인 예시는 도 7을 참조하여 상세히 후술된다.
또한, 상품 추적부(330)는 추적된 상품에 대한 정보 및/또는 상품과 바코드와의 연관성 정보를 기초로, 탐지된 상품이 결제 목록에 포함되어 있는지 여부 및/또는 바코드가 인식되었는지 여부 등 상품의 상태 정보를 파악할 수 있다. 상품 추적부(330)는 상품의 상태 정보를 기초로, 바코드를 복호화할 필요가 있는 상품(예를 들어, 결제 목록에 포함되어 있지 않으며, 바코드가 인식되지 않은 상품)의 바코드 부분을 자른 바코드 패치(patch)들을 바코드 전처리부(340)로 제공할 수 있다.
바코드 전처리부(340)는 상품 추적부(330)로부터 복호화가 필요한 바코드 패치를 제공받아, 바코드 패치들에 대한 바코드 전처리를 수행할 수 있다. 예를 들어, 바코드 전처리부(340)는 이미지 회전, 핵심부 확대, 대비 향상 등의 기법을 사용하여 바코드를 전처리할 수 있다. 바코드 전처리부(340)가 바코드를 전처리하는 구체적인 예시는 도 8을 참조하여 상세히 후술된다.
바코드 복호화부(350)는 바코드 전처리부(340)에 의해 전처리된 바코드를 제공받아, 이미지 기반의 복호화를 수행할 수 있다. 일 실시예에서, 전처리된 바코드에 대한 이미지 기반의 복호화에 실패한 경우, 바코드 복호화부(350)는 OCR을 이용한 복호화를 수행할 수 있다. 이와 관련하여서는 도 9를 참조하여 상세히 후술된다.
도 4는 본 개시의 일 실시예에 따라 대상 프레임 이미지(410)로부터 객체를 탐지한 결과를 출력한 예시를 나타내는 도면이다. 프로세서(400)(예를 들어, 바코드 인식 시스템의 적어도 하나의 프로세서)는 하나 이상의 상품 및 하나 이상의 바코드가 촬상된 프레임 이미지(410)를 수신하고, 수신된 프레임 이미지(410)로부터 객체를 탐지할 수 있다. 본 개시의 일부 실시예에서, 객체를 탐지하는 것은 객체를 탐지하고 분류하는 것을 포함하는 개념일 수 있다.
일 실시예에 따르면, 프로세서(400)는 대상 프레임 이미지(410)로부터 객체를 탐지/분류한 뒤, 탐지 결과를 반영한 출력 프레임 이미지(420)를 출력할 수 있다. 예를 들어, 프로세서(400)에 의해 출력된 출력 프레임 이미지(420)는 대상 프레임 이미지(410)에 객체 탐지 및 분류 결과를 시각화하여 표시한 이미지일 수 있다. 구체적 예로, 출력 프레임 이미지(420)는 탐지된 객체 각각을 둘러싸는 바운딩 박스, 탐지된 객체 각각의 종류(예를 들어, 상품, 바코드(상품 바코드/도난방지용 바코드) 등), 탐지된 객체 각각의 존재 가능성(confidence 값) 등을 포함할 수 있다.
일 실시예에 따르면, 프로세서(400)는 탐지 타겟을 달리하는 복수의 탐지 단계를 통해 프레임 이미지(410)로부터 객체를 탐지할 수 있다. 예를 들어, 프로세서(400)는 객체 탐지 알고리즘을 이용하여, 하나 이상의 상품을 탐지 타겟으로 하여 객체를 탐지하는 제1 탐지 단계 및 하나 이상의 바코드(상품 바코드/도난방지용 바코드)를 탐지 타겟으로 하여 객체를 탐지하는 제2 탐지 단계를 통해 프레임 이미지(410)로부터 객체를 탐지할 수 있다. 각 탐지 단계에서 탐지 결과로서 객체의 중앙 좌표(center point), 객체의 크기(bounding box), 객체의 종류(class), 객체 존재 가능성(confidence) 등을 출력할 수 있다. 복수의 탐지 단계를 통해 프레임 이미지(410)로부터 상품 및 바코드를 탐지하는 방법의 구체적인 예시는 도 5를 참조하여 상세히 후술된다.
도 5는 본 개시의 일 실시예에 따라 대상 프레임 이미지(512)로부터 상품 및 바코드를 탐지하는 방법의 예시를 나타내는 도면이다. 프로세서는 다양한 객체 탐지 알고리즘을 이용하여, 대상 프레임 이미지(512)로부터 객체를 탐지할 수 있다.
앵커 기반(Anchor-based)의 인공신경망 모델을 사용하여 객체를 탐지하는 경우, 탐지를 위한 피쳐맵(feature map)을 여러 층에서 추출하고, 특정 크기의 앵커(anchors)를 각 층에 지정하여 크기에 맞는 객체들을 개별적으로 학습할 수 있다. 일반적으로, 앵커 크기는 이미지 내의 모든 객체들을 탐지하기 위해, 객체들의 평균적인 크기를 사용한다. 이미지 내 객체들의 크기 분포가 비슷할 때에는 객체들의 평균적인 크기를 사용하여 객체를 탐지하여도 효율적으로 탐지되지만, 상품 및 바코드가 포함된 이미지에서는 상품과 바코드의 크기 분포가 상이하기 때문에 효율적으로 탐지되지 않을 수 있다.
따라서, 본 개시의 일 실시예에 따르면, 탐지 타겟을 달리하는 복수의 탐지 단계(522, 524)를 통해 대상 프레임 이미지(512)로부터 객체를 탐지할 수 있다. 즉, 객체들을 복수의 소집단으로 분리하여 독립적인 탐지를 수행할 수 있다. 예를 들어, 프로세서는 객체 탐지 알고리즘을 이용하여, 하나 이상의 상품을 탐지 타겟으로 하여 객체를 탐지하는 제1 탐지 단계(522) 및 하나 이상의 바코드를 탐지 타겟으로 하여 객체를 탐지하는 제2 탐지 단계(524)를 통해 대상 프레임 이미지로부터 객체를 탐지할 수 있다. 일 실시예에서, 바코드는 상품 바코드와 도난방지용 바코드를 포함할 수 있는데, 상품 바코드와 도난방지용 바코드는 평균적인 크기 분포가 유사하며 시각적으로 유사한 특징을 갖고 있으므로, 동일한 탐지 단계(예를 들어, 제2 탐지 단계(524))에서 탐지함으로써 탐지 및 분류 성능을 향상시킬 수 있다.
이와 같이, 객체들을 복수의 소집단으로 분리하여 복수의 탐지 단계(522, 524)를 통해 독립적인 탐지를 수행하는 경우, 서로 독립적인 각 탐지 단계에서 각 소집단의 평균적인 크기를 사용하여 객체를 효율적으로 탐지할 수 있으며, 유사한 객체들로부터 차별점 만을 정확하게 학습할 수 있어 분류 성능을 향상시킬 수 있다. 또한, 객체가 겹쳐져 있는 경우에도, 각각 독립적인 소집단들 내에서 겹쳐진 객체들을 효과적으로 분류 및 탐지할 수 있다. 본 개시의 복수 탐지 모델은, 단일 탐지 모델보다 우수한 재현율(Recall)에 의해 높은 mAP(mean average precision)를 갖는다.
도 5에는 앵커 기반의 인공신경망 모델을 사용하여, 복수의 탐지 단계(522, 524)를 통해 대상 프레임 이미지(512)로부터 객체를 탐지하는 구체적인 예시가 도시되어 있다. 먼저, 프로세서는 대상 프레임 이미지(512)(예를 들어, RGB 이미지)로부터 피쳐맵(514)을 추출할 수 있다(510). 예를 들어, YOLOv5의 PANet(Path Aggregation Network)를 사용하여 피쳐맵(514)을 추출할 수 있다. 일 실시예에 따르면, 프로세서는 객체의 크기에 따라 스트라이드(Stride)를 조정함으로써 복수의 피쳐맵(514)을 추출할 수 있다.
그런 다음, 추출된 피쳐맵(514)은 복수의 탐지 단계(522, 524)에 각각 인가되어 별개의 객체 집단을 평가할 수 있다. 예를 들어, 추출된 복수의 피쳐맵(514)은 상품을 탐지 타겟으로 하는 제1 탐지 단계(522) 및 바코드를 탐지 타겟으로 하는 제2 탐지 단계(524)에 각각 인가될 수 있다.
각 탐지 단계(522, 524)에서는 피쳐맵(514)에 기초하여, 객체가 탐지 및/또는 분류될 수 있다. 예를 들어, 각 탐지 단계(522, 524)에서 탐지된 객체의 중앙 좌표(center point), 객체의 크기(bounding box), 객체의 종류(class), 객체 존재 가능성(confidence)등이 출력될 수 있다. 프로세서는 각 피쳐맵(514)에 대해 각 탐지 단계(522, 524)를 통해 추출된 정보들을 종합하고, 후처리(530)(예를 들어, NMS(Non-Maximum Suppression))를 수행할 수 있다. 추가적으로, 프로세서는 탐지 및/또는 분류 결과를 시각화하여 출력 프레임 이미지에 출력할 수 있다.
도 6은 본 개시의 일 실시예에 따른 상품과 바코드의 연관성을 인식하는 방법(600)의 예시를 나타내는 흐름도이다. 시나리오 상, 대상 프레임 이미지(512) 내에서 여러 상품이 겹치는 경우가 빈번하게 발생할 수 있다. 따라서, 하나의 바코드가 여러 상품 위에서 탐지될 수 있다. 이에 따라, 상품과 바코드 간의 연관성을 인식할 필요성이 있다. 상품과 바코드 간의 연관성을 파악하기 위해, 프로세서는 특징점(keypoints)에 대한 정보를 추출할 수 있다.
일 실시예에 따르면, 하나 이상의 상품의 각각의 특징점은 상품의 각각에 부착된 바코드로 추정되는 바코드와 연관된 지점(예를 들어, 상품에 부착된 바코드로 추정되는 상품 바코드의 중앙점 또는 도난방지용 바코드의 중앙점)을 가리키도록 추출될 수 있다. 또한, 하나 이상의 바코드의 각각의 특징점은 바코드의 각각이 부착된 상품으로 추정되는 상품과 연관된 지점(예를 들어, 바코드가 부착된 상품으로 추정되는 상품의 중앙점)을 가리키도록 추출될 수 있다. 추출된 특징점은 상품과 바코드의 연관성 인식 작업에 이용될 수 있다.
일 실시예에 따르면, 프로세서는 특정 상품과 특정 바코드의 특징점이 각각의 중점과 인접한 경우, 상품과 바코드를 연관시킬 수 있다. 예를 들어, 프로세서는 탐지된 하나 이상의 상품 중 제1 상품의 특징점이 탐지된 하나 이상의 바코드 중 제1 바코드와 연관된 지점을 가리키고, 제1 바코드의 특징점이 제1 상품과 연관된 지점을 가리킨다고 판단되는 경우, 제1 바코드를 제1 상품과 연관시킬 수 있다.
상품과 바코드의 연관성을 인식하는 방법(600)의 구체적인 예시가 도 6에 도시되어 있다. 이미지 내에서 바코드가 탐지되지 않은 상품은 존재할 수 있지만, 상품이 탐지되지 않은 바코드는 존재할 수 없기 때문에, 탐지된 상품으로부터 바코드와의 연관성을 찾을 수 있다. 먼저, 프로세서는 탐지된 하나 이상의 상품 중 제1 상품의 특징점과 가장 가까이 탐지된 제1 바코드를 탐색할 수 있다(S610). 그런 다음, 제1 상품의 특징점과 제1 바코드의 중앙점 사이의 거리가 제1 미리 정해진 임계값 미만인지 여부를 결정할 수 있다(S620). 여기서, 제1 상품의 특징점과 제1 바코드의 중앙점 사이의 거리가 제1 미리 정해진 임계값 미만이라면, 제1 상품의 특징점이 제1 바코드를 가리킨다고 판단할 수 있다. 반면, 이 거리가 제1 미리 정해진 임계값 이상이라면, 제1 상품의 바코드가 검출되지 않은 것으로 판단하고, 제1 상품과 제1 바코드를 연관시키지 않을 수 있다.
제1 상품의 특징점과 제1 바코드의 중앙점 사이의 거리가 제1 미리 정해진 임계값 미만인 경우, 프로세서는 제1 바코드의 특징점과 제1 상품의 중앙점 사이의 거리가 제2 미리 정해진 임계값 미만인지 여부를 결정할 수 있다(S630). 제1 바코드의 특징점과 제1 상품의 중앙점 사이의 거리가 제2 미리 정해진 임계값 미만인 경우, 제1 바코드의 특징점 역시 제1 상품을 가리킨다고 판단할 수 있다. 이 경우, 프로세서는 제1 바코드와 제1 상품을 연관시킬 수 있다(S640). 만약, 제1 바코드의 특징점과 제1 상품의 중앙점 사이의 거리가 제2 미리 정해진 임계값 이상인 경우, 제1 상품이 가리키는 제1 바코드가 다른 상품(예를 들어, 제1 상품과 겹쳐져 있는 다른 상품)에 포함된 바코드임을 의미하므로 제1 상품과 제1 바코드를 연관시키지 않을 수 있다. 프로세서는 상술한 방식으로 탐지된 모든 상품들에 대해 연관성 인식 작업을 수행할 수 있다.
도 7은 본 개시의 일 실시예에 따른 상품을 추적하는 방법의 예시를 나타내는 도면이다. 프로세서는 탐지된 객체를 추적할 수 있다. 객체 추적은 연속적인 프레임 이미지에서 탐지된 객체에 대한 정보를 기초로 수행될 수 있다. 일 실시예에 따르면, 프로세서는 각 프레임 이미지에 대한 객체 탐지 결과를 기초로 탐지된 상품들을 추적할 수 있다. 일 실시예에서, 상품 추적은 실시간 비디오 스트리밍의 형태로 이뤄질 수 있다. 프로세서는 매 프레임마다 탐지된 객체들을 추적하면서 결제 목록에 포함되어 있는지 여부와 같은 상품 상태를 결정할 수 있다.
일 실시예에 따르면, 추적은 대상 프레임 이미지에서 탐지된 객체를 트랙과 연관시킴으로써 수행될 수 있다. 여기서, 객체는 상품 또는 바코드 중 적어도 하나를 포함할 수 있으며, 트랙은 대상 프레임 이미지가 촬상된 시각 이전까지 촬상된 하나 이상의 이전 프레임 이미지들로부터 탐지된 객체와 연관된 데이터를 포함할 수 있다. 즉, 트랙은 객체가 처음 탐지된 순간부터 바로 이전 프레임까지 얻은 객체에 대한 데이터를 포함할 수 있으며, 객체의 이동 경로라고 할 수 있다. 예를 들어, 트랙은 각 프레임에서 객체의 위치, 객체를 둘러싼 바운딩 박스, 바운딩 박스를 기준으로 잘라낸 이미지, 마지막으로 추적된 시각 등에 대한 정보를 포함할 수 있다. 트랙은 추적 횟수 및 탐지 객체와의 연관 결과에 따라 잠정(Tentative), 확실(Confirmed), 보류(Lost) 상태로 구분될 수 있다.
프로세서는 기계학습 모델(730)(예를 들어, Re-Identification model(이하 Re-ID 모델), 구체적 예로, OSNet 기반의 모델)을 이용하여, 대상 프레임 이미지로부터 탐지된 객체로부터 특징 벡터를 획득하고, 하나 이상의 트랙 및 획득된 특징 벡터에 기초하여, 객체와 트랙을 연관시킬 수 있다. 일 실시예에 따르면, 기계학습 모델(730)은 동일한 객체에 대해서는 객체의 상태(회전, 형태 변형, 움직임, 가려짐 등)가 바뀌어도 유사한 특징들을 찾아내고, 특징들의 유사도를 기준으로 매칭할 수 있는 모델일 수 있다. 구체적 예로, 기계학습 모델(730)의 추론 결과로서 N차원 벡터를 획득하여, 벡터들이 이루는 각도(예를 들어, cosine distance)를 계산함으로써 유사한 특징을 가지는 객체와 트랙을 연관시킬 수 있다.
객체 추적을 위한 특징을 찾기 위해서는, 객체의 전체적인 특징과 세부적인 특징들을 모두 잘 추출하여야 객체의 상태 변화(회전, 형태 변형, 움직임, 가려짐 등)에도 좋은 성능을 나타낼 수 있다. 이를 위해, 기계학습 모델(730)을 이용한 추론 과정에서, 다양한 스케일의 피쳐맵을 사용할 수 있다.
일 실시예에 따르면, 프로세서는 칼만 필터(710)를 추가적으로 이용하여, 탐지된 객체와 트랙을 연관시킬 수 있다. 예를 들어, 프로세서는 하나 이상의 트랙, 칼만 필터(710)를 이용한 하나 이상의 트랙에 대한 예측 결과 및 탐지된 객체로부터 획득된 특징 벡터에 기초하여, 객체와 트랙을 연관시킬 수 있다.
칼만 필터(710)란, 이전 프레임에서 얻은 객체에 대한 데이터를 이용하여, 다음 프레임의 객체의 위치를 예측하고 측정할 수 있는 확률 기반 모델을 지칭할 수 있다. 여기서, 객체에 대한 데이터는 객체의 위치(x,y), 객체를 둘러싼 박스의 가로 및 세로 값(w,h), 상술한 4개 값들의 속도(vx, vy, vw, vh)를 포함할 수 있다. 실제로 얻은 현재 객체의 데이터가 칼만 필터(710)를 통해 예측했을 때 확률상 0에 가깝다면, 실제로 얻은 현재 객체의 데이터가 불확실하다고 간주할 수 있다. 따라서, 칼만 필터를 이용한 예측 결과를 이용하면, 객체 추적 과정에서 발생할 수 있는 오류들을 감소시킬 수 있다.
일 실시예에 따르면, 프로세서는 객체와 트랙을 연관시키는데, IOU(Intersection Over Union) 값을 보충적으로 사용할 수 있다. IOU 값은 트랙에 포함된 데이터 중 마지막으로 추적된 프레임 이미지에서 획득된 객체의 박스 및 대상 프레임에서 획득된 객체의 박스를 이용하여 산출될 수 있다. 예를 들어, 프로세서는 두 박스의 영역의 합집합을 분모로 하고, 두 박스의 영역의 교집합을 분자로 하여 IOU 값을 산출할 수 있다. 이 경우, IOU 값이 0에 가까울수록 한 프레임 만에 객체의 위치에 큰 변화가 있다고 할 수 있으며, IOU 값이 1에 가까울수록 객체의 위치에 거의 변화가 없다고 할 수 있다.
일 실시예에 따르면, 프로세서는 기계학습 모델(730) 및/또는 칼만 필터(710)를 이용하여 객체와 트랙을 서로 연관시키기 전에, IOU 값을 이용하여 움직임이 거의 없는 객체들을 먼저 트랙과 연관시킨 뒤(720), IOU 값을 이용하여 연관되지 않은 나머지 객체들과 트랙을 연관시킬 수 있다. 구체적으로, 프로세서는 대상 이미지 프레임으로부터 탐지된 객체와 트랙을 비교함으로써, IOU 값이 제3 미리 정해진 임계값 이상인 트랙과 상품/바코드를 연관시킬 수 있다(720). 그런 다음, 기계학습 모델(730) 및/또는 칼만 필터(710)를 이용하여, 대상 프레임 이미지로부터 탐지된 하나 이상의 상품 및 하나 이상의 바코드 중 IOU 값을 이용하여 연관되지 않은 상품 또는 바코드와 트랙을 연관시킬 수 있다.
대상 프레임 이미지로부터 탐지된 객체들이 많을수록 기계학습 모델(730)의 추론 시간이 많이 소요될 수 있다. 그런데, 일반적으로 무인 계산대에서 상품들을 계산하는 과정에서는 위치가 크게 바뀌지 않는 상품들이 많을 수 있다. 따라서 움직임이 거의 없다고 볼 수 있는 상품들을 먼저 필터링한 후, 기계학습 모델(730)을 이용한 추론을 할 경우, 기계학습 모델의 추론 횟수를 줄일 수 있어, 소요 시간을 크게 감소시킬 수 있다.
추가적으로 또는 대안적으로, 프로세서는 기계학습 모델(730) 및/또는 칼만 필터(710)를 이용하여 상품/바코드와 트랙을 서로 연관시킨 후, 보충적으로 IOU 값을 이용하여 상품/바코드와 트랙을 서로 연관시킬 수 있다(740). 예를 들어, 프로세서는 기계학습 모델(730) 및/또는 칼만 필터(710)를 이용한 연관 과정에서 연관되지 않은 상품/바코드과 트랙을 비교함으로써, IOU 값이 제4 미리 정해진 임계값 이상인 트랙과 상품/바코드를 연관시킬 수 있다.
탐지 단계에서 대상 프레임 이미지로부터 탐지된 객체가 어느 트랙과도 연관되지 않은 경우, 해당 객체는 대상 프레임 이미지에서 새롭게 탐지된 객체일 수 있다. 일 실시예에 따르면, 프로세서는 어느 트랙과도 매칭되지 않은 새롭게 탐지된 객체를 새로운 트랙으로 추가할 수 있다. 여기서, 새로운 트랙은 잠정 상태로 설정될 수 있다. 잠정 상태의 트랙은 이후, 미리 정의된 수 이상의 프레임(예를 들어, N 프레임 이상)에서 추적된 경우, 확실 상태로 변경될 수 있다.
일 실시예에 따르면, 프로세서는 트랙 중 어느 객체와도 연관되지 않은 트랙을 보류 상태로 전환할 수 있다. 또한, 보류 상태의 트랙 중 미리 정의된 수 이상의 프레임(예를 들어, M 프레임 이상) 동안 보류 상태인 트랙은 삭제할 수 있다.
상술한 과정에 따라 추적된 상품에 대한 정보 및/또는 상품과 바코드와의 연관성 정보를 기초로, 탐지된 상품이 결제 목록에 포함되어 있는지 여부 및/또는 바코드가 인식되었는지 여부 등 상품의 상태 정보를 파악할 수 있다. 프로세서는 상품의 상태 정보를 기초로, 바코드를 복호화할 필요가 있는 상품(예를 들어, 결제 목록에 포함되어 있지 않으며, 바코드가 인식되지 않은 상품)의 바코드 부분을 자를 수 있다(Cropping). 그런 다음, 해당 바코드 패치(patch)들을 이용하여, 바코드를 복호화할 수 있다.
도 8은 본 개시의 일 실시예에 따라 바코드를 전처리하는 과정의 예시를 나타내는 도면이다. 프로세서(예를 들어, 바코드 인식 시스템의 적어도 하나의 프로세서)는 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 복호화할 수 있다. 일 실시예에 따르면, 프로세서는 바코드 복호화를 수행하기 전, 전처리를 수행할 수 있다. 예를 들어, 프로세서는 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드(예를 들어, 계산 목록에 포함되지 않은 상품의 바코드)를 선택하고, 해당 바코드를 전처리한 뒤, 전처리된 바코드를 복호화할 수 있다. 바코드 전처리에는 이미지 회전, 핵심부 확대, 대비 향상 등의 기법을 사용할 수 있다.
도 8에서는, 객체 탐지 단계에서 탐지된 제1 상태의 바코드(810)가 이미지 회전을 통해 제2 상태의 바코드(820)로 변환되고, 제2 상태의 바코드(820) 핵심부 확대를 통해 제3 상태의 바코드(830)로 변환되고, 제3 상태의 바코드(830) 대비 향상을 통해 제4 상태의 바코드(840)로 변환된 예시가 도시되어 있다.
일 실시예에 따르면, 프로세서는 전처리로서, 제1 상태의 바코드(810)를 회전시켜 제2 상태의 바코드(820)로 변환할 수 있다. 1차원 바코드의 경우, 바(bar)에 대해 수직인 방향으로 읽었을 때 해독될 수 있다. 따라서, 바코드 인식 시스템은 이미지로부터 바코드의 방향(예를 들어, 각도)을 알아내고, 해당 방향에 맞게 이미지를 회전시키는 전처리를 수행할 수 있다. 프로세서는 규칙 기반 방법 또는 학습 기반 방법 등을 적용하여 바코드를 회전시킬 수 있다.
프로세서가 규칙 기반 방법을 이용하여 바코드를 회전시키는 예로, 프로세서는 바코드 이미지에 이미지 필터(예를 들어, 소벨 필터 등)를 적용하여, 바코드의 복수의 픽셀의 각각에서의 x축 방향 그래디언트 값 및 y축 방향 그래디언트 값을 산출할 수 있다. 그런 다음, 산출된 복수의 픽셀의 각각에서의 그래디언트 값들에 기초하여, 바코드에 대한 회전 각도를 산출할 수 있다. 그 후, 프로세서는 산출된 회전 각도를 기초로, 아핀 변환 모수를 산출하고, 산출된 아핀 변환 모수를 기초로 바코드를 회전시킬 수 있다. 일 실시예에 따르면, 이미지 필터는 고대비 이미지에서 더 정확한 계산 결과를 출력할 수 있으므로, 이미지 필터를 적용하기 전 대비 제한 적응적 히스토그램 평활화(contrast limited adaptive histogram equalization)를 적용할 수 있다.
다른 예로, 프로세서는 학습 기반 방법을 이용하여 바코드를 회전시킬 수 있다. 구체적으로, 프로세서는 기계학습 모델(예를 들어, CNN)을 이용하여, 바코드를 기초로 바코드에 대한 회전 각도를 산출할 수 있다. 그런 다음, 프로세서는 산출된 회전 각도를 기초로, 아핀 변환 모수를 산출하는 단계 및 산출된 아핀 변환 모수를 기초로, 복호화되지 않은 바코드를 회전시킬 수 있다.
학습 기반 방법을 이용하여 바코드를 회전시킬 때 이용되는 기계학습 모델은, 이미지로부터 이미지에 포함된 바코드의 방향을 추론하도록 학습된 모델일 수 있다. 이 때, 기계학습 모델의 학습 목표(training objective)는 다양한 방식으로 설정될 수 있다. 예를 들어, 사람에 의해 라벨링된 데이터를 수집하여 GT값(ground truth 값)으로 사용할 수 있다. 다른 예로, 규칙 기반 방법으로 산출한 바코드의 방향을 pseudo GT값으로 활용할 수 있다. 또 다른 예로, 이미지 필터(예를 들어, 소벨 필터)를 이용하여 산출한 그래디언트 값을 이용하여 손실 함수(loss function)를 정의할 수 있다. 또 다른 예로, 인공신경망 기반의 지각 손실(perceptual loss)을 활용할 수 있다. 구체적 예로, 인공신경망 모델(예를 들어, ImageNet 데이터 등으로 미리 훈련된 VGG 또는 AlexNet 등)에서의 내부 피쳐 맵 사이의 L2 거리를 지각 손실로서 사용할 수 있다.
일 실시예에 따르면, 프로세서는 전처리로서, 제2 상태의 바코드(820)의 핵심부를 확대시켜 제3 상태의 바코드(830)로 변환할 수 있다. 제1 상태의 바코드(810) 또는 제2 상태의 바코드(820)는 바코드의 핵심부(검은 바 및 흰 바로 구성되어, 바코드와 연관된 정보를 포함하는 부분)만을 포함하지 않으며, 핵심부의 주변 영역까지 포함되어 있다. 그러나, 바코드 복호화의 성능을 높이기 위해서는 바코드의 핵심부만을 포함하는 것이 유리하다. 이에, 프로세서는 규칙 기반 방법 또는 학습 기반 방법 등을 적용하여 바코드의 핵심부를 확대시킬 수 있다.
예를 들어, 프로세서는 이미지 필터(예를 들어, 소벨 필터)를 바코드 이미지에 적용하여 그래디언트 값을 산출할 수 있다. 바코드 핵심부의 x축 방향 그래디언트 값은 절대값이 크고 y축 방향 그래디언트 값은 절대값이 작은 특징이 있다. 프로세서는 그래디언트 값을 정규화(normalization)한 후 배열에서 최대 연속 구간을 찾는 선형 시간 알고리즘을 적용함으로써, 핵심부가 존재하는 영역을 산출할 수 있다.
다른 예로, 프로세서는 학습 기반 방법을 적용하여 핵심부 확대를 수행할 수 있다. 구체적 예로, 프로세서는 기계학습 모델(예를 들어, CNN)을 이용하여, 바코드를 기초로 평행변환(translation), 확대(scaling) 또는 비틀림(shearing) 중 적어도 하나에 대한 아핀 변환 모수를 산출할 수 있다. 그런 다음, 산출된 아핀 변환 모수를 기초로, 바코드에 대해 아핀 변환을 적용할 수 있다.
일 실시예에 따르면, 프로세서는 전처리로서 이미지 회전과 핵심부 확대를 함께 수행할 수 있다. 예를 들어, 프로세서는 기계학습 모델(예를 들어, CNN)을 이용하여, 제1 상태의 바코드(810)를 기초로 회전 및 평행변환, 확대 또는 비틀림 중 적어도 하나에 대한 아핀 변환 모수를 산출할 수 있다. 그런 다음, 산출된 아핀 변환 모수를 기초로, 제1 상태의 바코드(810)에 대해 아핀 변환을 적용하여 제3 상태의 바코드(830)로 변환할 수 있다.
학습 기반 방법을 이용하여 바코드의 핵심부를 확대할 때 이용되는 기계학습 모델의 학습 목표(training objective)는 다양한 방식으로 설정될 수 있다. 예를 들어, 인공신경망 기반의 지각 측정(perceptual metric)을 포함하여, 평행변환, 확대, 비틀림에 해당하는 아핀 변환 모수 값을 기반으로 손실 함수(loss function)를 설계할 수 있다.
추가적으로, 프로세서는 이미지 회전, 핵심부 확대 등의 전처리 과정에서 다양한 보간법(예를 들어, 선형 보간, 삼차 보간, Lanczos 보간 등)을 사용하여 전처리 성능을 향상시킬 수 있다.
일 실시예에 따르면, 프로세서는 전처리로서, 제3 상태의 바코드(830)의 대비를 향상시켜 제4 상태의 바코드(840)로 변환할 수 있다. 예를 들어, 프로세서는 규칙 기반 방법 또는 학습 기반 방법 등 다양한 방법으로 바코드 이미지의 대비를 향상시킬 수 있다.
예를 들어, 프로세서는 대비 제한 적응적 히스토그램 평활화(contrast limited adaptive histogram equalization)를 이용하여, 규칙 기반으로 바코드 이미지의 대비를 향상시킬 수 있다.
다른 예로, 프로세서는 학습 기반 방법을 이용하여, 바코드 이미지의 대비를 향상시킬 수 있다. 일 실시예에서, 학습 기반 방법을 이용하면, 이미지의 전체적인 대비를 향상시킬 뿐만 아니라, 흰 선과 검은 선의 경계를 뚜렷하게 하고 손상된 부분을 복원할 수 있다.
학습 기반 방법을 이용하여, 바코드 이미지의 대비를 향상시키는 구체적인 예로, 프로세서는 심층 합성곱 신경망(deep CNN) 및 적대적 생성망(generative adversarial network, GAN)을 결합한 방식의 학습 모형을 사용할 수 있다. 학습 모형은 심층 합성곱 신경망으로 구성된 생성자(generator) 및 판별자(discriminator)를 포함할 수 있으며, 어텐션(attention)을 위한 모듈을 포함할 수 있다. 적대적 생성망의 입력 도메인(input domain)은 품질을 향상시키고자 하는 일반적인 바코드 이미지일 수 있으며, 목적 도메인(target domain)은 합성 이미지를 포함하는 고품질의 바코드 이미지일 수 있다.
여기서, 생성자는 바코드 이미지를 입력으로 받아 품질이 향상된 바코드 이미지를 출력할 수 있다. 또한, 판별자는 주어진 임의의 바코드 이미지가 입력 도메인에 속하는지 혹은 목적 도메인에 속하는지 판별할 수 있다. 일 실시예에서, 생성자의 손실 함수로는 적대적 손실 함수(adversarial loss) 및 내용 손실 함수(content loss)를 포함할 수 있다. 내용 손실 함수는 원본 바코드 이미지와 생성자를 거쳐 생성된 품질이 향상된 바코드 이미지가 품질은 다를지라도 내용은 동일함을 보장하기 위한 것일 수 있다. 일 실시예에 따르면, 내용 손실 함수는 미리 학습된 VGG 등의 이미지 처리 모형의 내부 activation 값에 대한 L2 거리로 정의될 수 있다.
프로세서는 상술한 바와 같이 전처리가 완료된 바코드를 복호화할 수 있다. 바코드를 복호화하기 전에, 전처리를 적절하게 수행하는 경우, 바코드 복호화의 성공률이 높아질 수 있다.
도 9는 본 개시의 일 실시예에 따라 OCR을 통해 바코드를 인식하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 프로세서는 OCR(Optical Character Recognition)을 통해 바코드를 복호화할 수 있다. 예를 들어, 전처리된 바코드에 기초하여 이미지 인식을 통한 바코드 복호화에 실패한 경우, OCR을 통해 바코드를 복호화할 수 있다. 상품 바코드(910)의 아래에 표시된 숫자열(920)은 복호화된 바코드 값을 의미하는데, 이러한 숫자열을 OCR 모델을 이용하여 인식할 수 있다.
일 실시예에 따르면, OCR 모델은 복수의 세부 모델을 포함할 수 있다. 예를 들어, OCR 모델은 이미지 내에서 텍스트 정보를 찾는 텍스트 탐지(text detection) 모델, 텍스트의 회전, 휘어짐 등을 보정하여 인식률을 높일 수 있도록 이미지를 변환하는 변환(transform) 모델 및 이미지를 인식하여 텍스트 정보를 도출하는 텍스트 인식(text recognition) 모델을 포함할 수 있다. 프로세서는 전처리된 바코드 이미지로 바코드 인식에 실패한 경우, 이러한 OCR 모델을 이용하여, 바코드를 인식할 수 있다.
도 10은 본 개시의 일 실시예에 따른 이미지 기반 바코드 인식 방법(1000)의 예시를 나타내는 흐름도이다. 방법(1000)은 적어도 하나의 프로세서(예를 들어, 바코드 인식 시스템의 적어도 하나의 프로세서)가 하나 이상의 상품 및 하나 이상의 바코드가 촬상된 대상 프레임 이미지를 수신하는 것으로 개시될 수 있다(S1010).
그런 다음, 프로세서는 대상 프레임 이미지로부터 하나 이상의 상품 및 하나 이상의 바코드를 탐지 및/또는 분류할 수 있다(S1020). 일 실시예에 따르면, 탐지 타겟을 달리하는 복수의 탐지 단계를 통해 대상 프레임 이미지로부터 객체를 탐지할 수 있다. 예를 들어, 프로세서는 객체 탐지 알고리즘을 이용하여, 하나 이상의 상품을 탐지 타겟으로 하여 객체를 탐지하는 제1 탐지 단계 및 하나 이상의 바코드를 탐지 타겟으로 하여 객체를 탐지하는 제2 탐지 단계를 통해 대상 프레임 이미지로부터 객체를 탐지할 수 있다.
일 실시예에서, 바코드는 여러 종류의 바코드를 포함할 수 있다. 예를 들어, 하나 이상의 바코드는 하나 이상의 상품 바코드 및 하나 이상의 도난방지용 바코드를 포함할 수 있다. 이 경우, 하나 이상의 바코드를 탐지 타겟으로 하여 객체를 탐지하는 단계는, 하나 이상의 상품 바코드 및 하나 이상의 도난방지용 바코드를 모두 탐지 타겟으로 할 수 있다.
일 실시예에 따르면, 프로세서는 인공신경망 기반 객체 탐지 알고리즘을 이용하여, 대상 프레임 이미지로부터 객체를 탐지할 수 있다. 이 경우, 프로세서는 대상 프레임 이미지로부터 복수의 피쳐맵을 추출한 뒤, 추출된 복수의 피쳐맵을 탐지 타겟을 달리하는 각각의 탐지 단계에 인가함으로써 객체를 탐지할 수 있다. 예를 들어, 프로세서는 스트라이드를 상이하게 조정함으로써 대상 프레임 이미지에 기초한 복수의 피쳐맵을 추출할 수 있다. 그런 다음, 인공신경망 기반 객체 탐지 알고리즘을 이용하여, 추출된 복수의 피쳐맵을 기초로, 하나 이상의 상품을 탐지 타겟으로 하여 객체를 탐지하는 제1 탐지 단계 및 추출된 복수의 피쳐맵을 기초로, 하나 이상의 바코드를 탐지 타겟으로 하여 객체를 탐지하는 제2 탐지 단계를 통해 대상 프레임 이미지로부터 객체를 탐지할 수 있다.
추가적으로, 프로세서는 탐지된 하나 이상의 상품 각각의 특징점 및 탐지된 하나 이상의 바코드(상품 바코드 및 도난방지용 바코드) 각각의 특징점을 추출할 수 있다. 여기서, 하나 이상의 상품 각각의 특징점은 상품 각각에 부착된 바코드로 추정되는 바코드와 연관된 지점(예를 들어, 상품에 부착된 바코드로 추정되는 상품 바코드의 중앙점 또는 도난방지용 바코드의 중앙점)을 가리키도록 추출될 수 있다. 또한, 하나 이상의 바코드의 각각의 특징점은 바코드의 각각이 부착된 상품으로 추정되는 상품과 연관된 지점(예를 들어, 바코드가 부착된 상품으로 추정되는 상품의 중앙점)을 가리키도록 추출될 수 있다. 추출된 특징점은 상품과 바코드의 연관성 인식 작업에 이용될 수 있다.
그런 다음, 프로세서는 탐지된 하나 이상의 상품의 각각과 탐지된 하나 이상의 바코드를 연관시킬 수 있다(S1030). 일 실시예에 따르면, 프로세서는 특정 상품과 특정 바코드의 특징점이 각각의 중점과 인접한 경우, 상품과 바코드를 연관시킬 수 있다. 예를 들어, 프로세서는 탐지된 하나 이상의 상품 중 제1 상품의 특징점이 탐지된 하나 이상의 바코드 중 제1 바코드와 연관된 지점을 가리키고, 제1 바코드의 특징점이 제1 상품과 연관된 지점을 가리킨다고 판단되는 경우, 제1 바코드를 제1 상품과 연관시킬 수 있다.
상품과 바코드를 연관시키는 구체적인 예로, 프로세서는 먼저, 탐지된 하나 이상의 상품 중 제1 상품의 특징점과 가장 가까이 탐지된 제1 바코드를 탐색할 수 있다. 그런 다음, 제1 상품의 특징점과 제1 바코드와 연관된 지점(예를 들어, 제1 바코드의 중앙점) 사이의 거리가 제1 미리 정해진 임계값 미만인지 여부를 결정할 수 있다. 여기서, 제1 상품의 특징점과 제1 바코드와 연관된 지점 사이의 거리가 제1 미리 정해진 임계값 미만이라면, 제1 상품의 특징점이 제1 바코드를 가리킨다고 판단할 수 있다. 제1 상품의 특징점과 제1 바코드와 연관된 지점 사이의 거리가 제1 미리 정해진 임계값 미만인 경우, 프로세서는 제1 바코드의 특징점과 제1 상품과 연관된 지점(예를 들어, 제1 상품의 중앙점) 사이의 거리가 제2 미리 정해진 임계값 미만인지 여부를 결정할 수 있다. 제1 바코드의 특징점과 제1 상품과 연관된 지점 사이의 거리가 제2 미리 정해진 임계값 미만인 경우, 제1 바코드의 특징점 역시 제1 상품을 가리킨다고 판단할 수 있다. 이 경우, 프로세서는 제1 바코드와 제1 상품을 연관시킬 수 있다.
추가적으로, 프로세서는 탐지된 객체를 추적할 수 있다. 객체 추적은 연속된 프레임 이미지에서 탐지된 객체에 대한 정보를 기초로 수행될 수 있다. 일 실시예에 따르면, 추적은 대상 프레임 이미지에서 탐지된 객체를 트랙과 연관시킴으로써 수행될 수 있다. 여기서, 객체는 상품 또는 바코드 중 적어도 하나를 포함할 수 있으며, 트랙은 대상 프레임 이미지가 촬상된 시각 이전까지 촬상된 하나 이상의 이전 프레임 이미지들로부터 탐지된 객체와 연관된 데이터를 포함할 수 있다.
예를 들어, 프로세서는 기계학습 모델을 이용하여, 대상 프레임 이미지로부터 탐지된 하나 이상의 상품 및 하나 이상의 바코드로부터 특징 벡터를 획득하고, 하나 이상의 트랙 및 획득된 특징 벡터에 기초하여, 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙 중 하나를 연관시킬 수 있다.
일 실시예에 따르면, 프로세서는 칼만 필터를 추가적으로 이용하여, 탐지된 객체와 트랙을 연관시킬 수 있다. 예를 들어, 프로세서는 하나 이상의 트랙, 칼만 필터를 이용한 하나 이상의 트랙에 대한 예측 결과 및 탐지된 객체로부터 획득된 특징 벡터에 기초하여, 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙 중 하나를 연관시킬 수 있다.
일 실시예에 따르면, 프로세서는 상품/바코드와 트랙을 연관시키는데 IOU 값을 보충적으로 사용할 수 있다. 예를 들어, 프로세서는 기계학습 모델 및/또는 칼만 필터를 이용하여 상품/바코드와 트랙을 서로 연관시키기 전에, IOU 값을 이용하여 움직임이 거의 없는 객체들을 먼저 트랙과 연관시킨 뒤, IOU 값을 이용하여 연관되지 않은 나머지 객체들과 트랙을 연관시킬 수 있다.
구체적으로, 프로세서는 하나 이상의 상품 또는 하나 이상의 바코드 중 적어도 하나 및 하나 이상의 트랙을 비교함으로써, IOU 값이 제3 미리 정해진 임계값 이상인 트랙과 상품/바코드를 연관시킬 수 있다. 그런 다음, 기계학습 모델 및/또는 칼만 필터를 이용하여, 대상 프레임 이미지로부터 탐지된 하나 이상의 상품 및 하나 이상의 바코드 중 IOU 값을 이용하여 연관되지 않은 상품 또는 바코드와 트랙을 연관시킬 수 있다.
추가적으로 또는 대안적으로, 프로세서는 기계학습 모델 및/또는 칼만 필터를 이용하여 상품/바코드와 트랙을 서로 연관시킨 후, 보충적으로 IOU 값을 이용하여 상품/바코드와 트랙을 서로 연관시킬 수 있다. 예를 들어, 프로세서는 기계학습 모델 및/또는 칼만 필터를 이용한 연관 과정에서 연관되지 않은 상품/바코드과 트랙을 비교함으로써, IOU 값이 제4 미리 정해진 임계값 이상인 트랙과 상품/바코드를 연관시킬 수 있다.
일 실시예에 따르면, 프로세서는 하나 이상의 트랙 중 최종적으로 아무 객체와 연관되지 않은 트랙을 보류 상태로 전환할 수 있으며, 트랙 중 미리 정의된 수 이상의 프레임 동안 보류 상태인 트랙은 삭제할 수 있다.
프로세서는 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 복호화할 수 있다(S1040). 예를 들어, 프로세서는 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 선택하고, 해당 바코드를 전처리한 뒤, 전처리된 바코드를 복호화할 수 있다. 바코드 전처리를 적절하게 수행하는 경우, 바코드 복호화의 성공률이 높아질 수 있다. 바코드 전처리에는 이미지 회전, 핵심부 확대, 대비 향상 등의 기법을 사용할 수 있다.
일 실시예에 따르면, 프로세서는 전처리로서, 바코드를 회전시킬 수 있다. 프로세서가 규칙 기반 방법을 이용하여 바코드를 회전시키는 예로, 프로세서는 바코드 이미지에 이미지 필터를 적용하여, 바코드의 복수의 픽셀의 각각에서의 x축 방향 그래디언트 값 및 y축 방향 그래디언트 값을 산출할 수 있다. 그런 다음, 산출된 복수의 픽셀의 각각에서의 그래디언트 값들에 기초하여, 바코드에 대한 회전 각도를 산출할 수 있다. 그 후, 프로세서는 산출된 회전 각도를 기초로, 아핀 변환 모수를 산출하고, 산출된 아핀 변환 모수를 기초로 바코드를 회전시킬 수 있다.
다른 예로, 프로세서는 학습 기반 방법을 이용하여 바코드를 회전시킬 수 있다. 구체적으로, 프로세서는 기계학습 모델을 이용하여, 바코드를 기초로 바코드에 대한 회전 각도를 산출할 수 있다. 산출된 회전 각도를 기초로, 아핀 변환 모수를 산출하는 단계 및 산출된 아핀 변환 모수를 기초로, 복호화되지 않은 바코드를 회전시킬 수 있다.
일 실시예에 따르면, 프로세서는 전처리로서 학습 기반 방법을 이용하여, 핵심부 확대를 수행할 수 있다. 예를 들어, 프로세서는 기계학습 모델을 이용하여, 바코드를 기초로 평행변환, 확대 또는 비틀림 중 적어도 하나에 대한 아핀 변환 모수를 산출할 수 있다. 그런 다음, 산출된 아핀 변환 모수를 기초로, 바코드에 대해 아핀 변환을 적용할 수 있다. 일 실시예에서, 프로세서는 전처리로서 이미지 회전과 핵심부 확대를 함께 수행할 수도 있다. 예를 들어, 프로세서는 기계학습 모델을 이용하여, 바코드를 기초로 회전 및 평행변환, 확대 또는 비틀림 중 적어도 하나에 대한 아핀 변환 모수를 산출할 수 있다. 그런 다음, 산출된 아핀 변환 모수를 기초로, 바코드에 대해 아핀 변환을 적용할 수 있다.
도 10의 흐름도 및 상술한 설명은 본 개시의 일 실시예에 불과하며, 다른 방식으로 구현될 수 있다. 예를 들어, 일부 실시예에서 하나 이상의 단계가 추가/삭제/변경되거나, 각 단계의 순서가 변경될 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 로직 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 로직 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 임의 액세스 메모리(random access memory; RAM), 판독-전용 메모리(read-only memory; ROM), 비-휘발성 임의 액세스 메모리(non-volatile random access memory; NVRAM), 프로그램가능 판독-전용 메모리(programmable read-only memory; PROM), 소거-프로그램가능 판독 전용 메모리(erasable programmable read-only memory; EPROM), 전기적으로 소거가능 PROM(electrically erasable PROM; EEPROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 저장장치 등과 같은 프로세서-판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

Claims (19)

  1. 적어도 하나의 프로세서에 의해 수행되는, 이미지 기반 바코드 인식 방법에 있어서,
    하나 이상의 상품 및 하나 이상의 바코드가 촬상된 대상 프레임 이미지를 수신하는 단계;
    상기 대상 프레임 이미지로부터 상기 하나 이상의 상품 및 상기 하나 이상의 바코드를 탐지하는 단계;
    상기 탐지된 하나 이상의 상품의 각각과 상기 탐지된 하나 이상의 바코드를 연관시키는 단계; 및
    상기 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 복호화하는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  2. 제1항에 있어서,
    상기 탐지하는 단계는,
    객체 탐지 알고리즘을 이용하여, 상기 하나 이상의 상품을 탐지 타겟으로 하여 객체를 탐지하는 단계; 및
    상기 객체 탐지 알고리즘을 이용하여, 상기 하나 이상의 바코드를 탐지 타겟으로 하여 객체를 탐지하는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  3. 제1항에 있어서,
    상기 탐지하는 단계는,
    스트라이드를 상이하게 조정함으로써 상기 대상 프레임 이미지에 기초한 복수의 피쳐맵을 추출하는 단계;
    인공신경망 기반 객체 탐지 알고리즘을 이용하여, 상기 추출된 복수의 피쳐맵을 기초로, 상기 하나 이상의 상품을 탐지 타겟으로 하여 객체를 탐지하는 단계; 및
    인공신경망 기반 객체 탐지 알고리즘을 이용하여, 상기 추출된 복수의 피쳐맵을 기초로, 상기 하나 이상의 바코드를 탐지 타겟으로 하여 객체를 탐지하는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  4. 제2항에 있어서,
    상기 하나 이상의 바코드는, 하나 이상의 상품 바코드 및 하나 이상의 도난방지용 바코드를 포함하고,
    상기 하나 이상의 바코드를 탐지 타겟으로 하여 객체를 탐지하는 단계는,
    상기 하나 이상의 상품 바코드 및 상기 하나 이상의 도난방지용 바코드를 탐지 타겟으로 하여 객체를 탐지하는 단계를 포함하는, 이미지 기반 바코드 인식 방법.
  5. 제1항에 있어서,
    상기 탐지된 하나 이상의 상품의 각각의 특징점 및 상기 탐지된 하나 이상의 바코드의 각각의 특징점을 추출하는 단계
    를 더 포함하고,
    상기 하나 이상의 상품의 각각의 특징점은 상기 상품의 각각에 부착된 바코드로 추정되는 바코드와 연관된 지점을 가리키도록 추출되고,
    상기 하나 이상의 바코드의 각각의 특징점은 상기 바코드의 각각이 부착된 상품으로 추정되는 상품과 연관된 지점을 가리키도록 추출되는, 이미지 기반 바코드 인식 방법.
  6. 제5항에 있어서,
    상기 탐지된 하나 이상의 상품의 각각과 상기 탐지된 하나 이상의 바코드를 연관시키는 단계는,
    상기 탐지된 하나 이상의 상품 중 제1 상품의 특징점이 상기 탐지된 하나 이상의 바코드 중 제1 바코드와 연관된 지점을 가리키고 상기 제1 바코드의 특징점이 상기 제1 상품과 연관된 지점을 가리킨다고 판단되는 경우, 상기 제1 바코드를 상기 제1 상품과 연관시키는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  7. 제5항에 있어서,
    상기 탐지된 하나 이상의 상품의 각각과 상기 탐지된 하나 이상의 바코드를 연관시키는 단계는,
    상기 탐지된 하나 이상의 상품 중 제1 상품의 특징점과 가장 가까이 탐지된 제1 바코드를 탐색하는 단계;
    상기 제1 상품의 특징점과 상기 제1 바코드의 중앙점 사이의 거리가 제1 미리 정해진 임계값 미만인지 여부를 결정하는 단계;
    상기 제1 상품의 특징점과 상기 제1 바코드의 중앙점 사이의 거리가 상기 제1 미리 정해진 임계값 미만인 경우, 상기 제1 바코드의 특징점과 상기 제1 상품의 중앙점 사이의 거리가 제2 미리 정해진 임계값 미만인지 여부를 결정하는 단계; 및
    상기 제1 바코드의 특징점과 상기 제1 상품의 중앙점 사이의 거리가 상기 제2 미리 정해진 임계값 미만인 경우, 상기 제1 바코드와 상기 제1 상품을 연관시키는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  8. 제1항에 있어서,
    상기 하나 이상의 상품 또는 상기 하나 이상의 바코드 중 적어도 하나를 추적하는 단계
    를 더 포함하고,
    상기 추적하는 단계는,
    상기 하나 이상의 상품 또는 상기 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙을 연관시키는 단계
    를 포함하고,
    상기 하나 이상의 트랙은, 상기 대상 프레임 이미지가 촬상된 시각 이전까지 촬상된 하나 이상의 이전 프레임 이미지들로부터 탐지된 상품 또는 바코드와 연관된 데이터를 포함하는, 이미지 기반 바코드 인식 방법.
  9. 제8항에 있어서,
    상기 하나 이상의 상품 또는 상기 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙을 연관시키는 단계는,
    (a) 기계학습 모델을 이용하여, 상기 대상 프레임 이미지로부터 탐지된 상기 하나 이상의 상품 및 상기 하나 이상의 바코드로부터 특징 벡터를 획득하는 단계; 및
    (b) 상기 하나 이상의 트랙 및 상기 획득된 특징 벡터에 기초하여, 상기 하나 이상의 상품 또는 상기 하나 이상의 바코드 중 적어도 하나와 상기 하나 이상의 트랙 중 하나를 연관시키는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  10. 제8항에 있어서,
    상기 하나 이상의 상품 또는 상기 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙을 매칭시키는 단계는,
    (c) 상기 하나 이상의 상품 또는 상기 하나 이상의 바코드 중 적어도 하나 및 상기 하나 이상의 트랙을 비교함으로써, IOU(Intersection Over Union) 값이 제3 미리 정해진 임계값 이상인 트랙과 상품 또는 바코드 중 적어도 하나를 연관시키는 단계;
    (d) 기계학습 모델을 이용하여, 상기 하나 이상의 상품 및 상기 하나 이상의 바코드 중 상기 (c) 단계에서 연관되지 않은 상품 또는 상기 (c) 단계에서 연관되지 않은 바코드 중 적어도 하나로부터 특징 벡터를 획득하는 단계; 및
    (e) 상기 하나 이상의 트랙 중 상기 (c)단계에서 연관되지 않은 트랙 및 상기 (d) 단계에서 획득된 특징 벡터에 기초하여, 상기 하나 이상의 상품 또는 상기 하나 이상의 바코드 중 적어도 하나와 상기 하나 이상의 트랙 중 하나를 매칭시키는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  11. 제9항에 있어서,
    상기 (b) 단계는,
    상기 하나 이상의 트랙, 칼만 필터를 이용한 상기 하나 이상의 트랙에 대한 예측 결과 및 상기 획득된 특징 벡터에 기초하여, 상기 하나 이상의 상품 또는 상기 하나 이상의 바코드 중 적어도 하나와 상기 하나 이상의 트랙 중 하나를 연관시키는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  12. 제9항에 있어서,
    상기 하나 이상의 상품 또는 상기 하나 이상의 바코드 중 적어도 하나와 하나 이상의 트랙을 연관시키는 단계는,
    상기 (b) 단계에서 연관되지 않은 상품 또는 바코드 중 적어도 하나와 상기 하나 이상의 트랙 중 상기 (b) 단계에서 매칭되지 않은 트랙을 비교함으로써, IOU 값이 제4 미리 정해진 임계값 이상인 트랙과 상품 또는 바코드 중 적어도 하나를 연관시키는 단계
    를 더 포함하는, 이미지 기반 바코드 인식 방법.
  13. 제8항에 있어서,
    상기 하나 이상의 트랙 중 매칭되지 않은 트랙을 보류 상태로 전환하는 단계; 및
    상기 하나 이상의 트랙 중 미리 정의된 수 이상의 프레임 이미지에서 상기 보류 상태인 트랙을 삭제하는 단계
    를 더 포함하는, 이미지 기반 바코드 인식 방법.
  14. 제1항에 있어서,
    상기 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 복호화하는 단계는,
    상기 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 전처리하는 단계; 및
    상기 전처리된 바코드를 복호화하는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  15. 제14항에 있어서,
    상기 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 전처리하는 단계는,
    상기 복호화되지 않은 바코드의 복수의 픽셀의 각각에서의 x축 방향 그래디언트 값 및 y축 방향 그래디언트 값을 산출하는 단계;
    상기 산출된 복수의 픽셀의 각각에서의 그래디언트 값들에 기초하여, 상기 복호화되지 않은 바코드에 대한 회전 각도를 산출하는 단계;
    상기 산출된 회전 각도를 기초로, 아핀 변환 모수를 산출하는 단계; 및
    상기 산출된 아핀 변환 모수를 기초로, 상기 복호화되지 않은 바코드를 회전시키는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  16. 제14항에 있어서,
    상기 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 전처리하는 단계는,
    기계학습 모델을 이용하여, 상기 복호화되지 않은 바코드를 기초로 상기 복호화되지 않은 바코드에 대한 회전 각도를 산출하는 단계;
    상기 산출된 회전 각도를 기초로, 아핀 변환 모수를 산출하는 단계; 및
    상기 산출된 아핀 변환 모수를 기초로, 상기 복호화되지 않은 바코드를 회전시키는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  17. 제14항에 있어서,
    상기 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 전처리하는 단계는,
    기계학습 모델을 이용하여, 상기 복호화되지 않은 바코드를 기초로 평행변환, 확대 또는 비틀림 중 적어도 하나에 대한 아핀 변환 모수를 산출하는 단계; 및
    상기 산출된 아핀 변환 모수를 기초로, 상기 복호화되지 않은 바코드에 대한 아핀 변환을 적용하는 단계
    를 포함하는, 이미지 기반 바코드 인식 방법.
  18. 제1항에 따른 방법을 컴퓨터에서 실행하기 위한 명령어들을 기록한 컴퓨터 판독 가능한 비일시적 기록 매체.
  19. 이미지 기반 바코드 인식 시스템으로서,
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로그램은,
    하나 이상의 상품 및 하나 이상의 바코드가 촬상된 대상 프레임 이미지를 수신하고,
    상기 대상 프레임 이미지로부터 상기 하나 이상의 상품 및 상기 하나 이상의 바코드를 탐지하고,
    상기 탐지된 하나 이상의 상품의 각각과 상기 탐지된 하나 이상의 바코드를 연관시키고,
    상기 탐지된 하나 이상의 바코드 중 복호화되지 않은 바코드를 복호화하기 위한 명령어들을 포함하는, 이미지 기반 바코드 인식 시스템.
PCT/KR2023/003750 2022-03-29 2023-03-21 이미지 기반 바코드 인식 방법 및 시스템 WO2023191371A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20220039109 2022-03-29
KR10-2022-0039109 2022-03-29
KR10-2022-0104922 2022-08-22
KR1020220104922A KR102519711B1 (ko) 2022-03-29 2022-08-22 이미지 기반 바코드 인식 방법 및 시스템

Publications (1)

Publication Number Publication Date
WO2023191371A1 true WO2023191371A1 (ko) 2023-10-05

Family

ID=85984821

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/003750 WO2023191371A1 (ko) 2022-03-29 2023-03-21 이미지 기반 바코드 인식 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR102519711B1 (ko)
WO (1) WO2023191371A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409400A (zh) * 2023-10-18 2024-01-16 无锡九霄科技有限公司 基于深度学习网络的复杂条件字符识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009181219A (ja) * 2008-01-29 2009-08-13 Toshiba Tec Corp バーコード読み取り装置及びその方法
JP2010204846A (ja) * 2009-03-02 2010-09-16 Toshiba Tec Corp 商品決済システムおよび万引き防止装置
KR102120092B1 (ko) * 2019-08-02 2020-06-09 주식회사 딥파인 인공 지능을 이용하는 쇼핑 카트 및 상품 인식 방법
KR102233126B1 (ko) * 2020-08-11 2021-03-26 주식회사 신세계아이앤씨 바코드 스캔 여부 검증 방법 및 시스템
KR20220014520A (ko) * 2020-07-29 2022-02-07 주식회사 포스코아이씨티 딥러닝 기반의 운송장 이미지 인식 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009181219A (ja) * 2008-01-29 2009-08-13 Toshiba Tec Corp バーコード読み取り装置及びその方法
JP2010204846A (ja) * 2009-03-02 2010-09-16 Toshiba Tec Corp 商品決済システムおよび万引き防止装置
KR102120092B1 (ko) * 2019-08-02 2020-06-09 주식회사 딥파인 인공 지능을 이용하는 쇼핑 카트 및 상품 인식 방법
KR20220014520A (ko) * 2020-07-29 2022-02-07 주식회사 포스코아이씨티 딥러닝 기반의 운송장 이미지 인식 장치 및 방법
KR102233126B1 (ko) * 2020-08-11 2021-03-26 주식회사 신세계아이앤씨 바코드 스캔 여부 검증 방법 및 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409400A (zh) * 2023-10-18 2024-01-16 无锡九霄科技有限公司 基于深度学习网络的复杂条件字符识别方法
CN117409400B (zh) * 2023-10-18 2024-06-07 无锡九霄科技有限公司 基于深度学习网络的复杂条件字符识别方法

Also Published As

Publication number Publication date
KR102519711B1 (ko) 2023-04-10

Similar Documents

Publication Publication Date Title
US11704888B2 (en) Product onboarding machine
US8548203B2 (en) Sequential event detection from video
CN104919794B (zh) 用于从主从式相机跟踪系统提取元数据的方法和系统
US8761517B2 (en) Human activity determination from video
US8638380B2 (en) Location-aware event detection
US8854474B2 (en) System and method for quick object verification
US8681232B2 (en) Visual content-aware automatic camera adjustment
Trinh et al. Detecting human activities in retail surveillance using hierarchical finite state machine
KR20070053358A (ko) 감시 시스템을 위한 타깃 속성 맵
WO2023191371A1 (ko) 이미지 기반 바코드 인식 방법 및 시스템
WO2007143642A2 (en) Method and system for the detection of removed objects in video images
Choi et al. Sparse seam-carving for structure preserving image retargeting
US8494214B2 (en) Dynamically learning attributes of a point of sale operator
JP2013195725A (ja) 画像表示システム
Siva et al. Real-time, embedded scene invariant crowd counting using scale-normalized histogram of moving gradients (HoMG)
Zhou et al. Crowd modeling framework using fast head detection and shape-aware matching
Kazantzidis et al. Vide-omics: A genomics-inspired paradigm for video analysis
Anika et al. Multi image retrieval for kernel-based automated intruder detection
CN111881787A (zh) 基于摄像头的门店违规经营行为识别方法及系统
CN112149461A (zh) 用于识别对象的方法和设备
Keshinro Image Detection and Classification: A Machine Learning Approach
Amin et al. A large dataset with a new framework for abandoned object detection in complex scenarios
CN111860070A (zh) 识别发生改变的对象的方法和装置
Koyuncuoğlu et al. Segmentation, Detection and Tracking of Video Objects for Interactive Video Editing Application
US20240020857A1 (en) System and method for identifying a second item based on an association with a first item

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23781227

Country of ref document: EP

Kind code of ref document: A1