선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구의 특징은 기존의 HD 정합 방법에서 사용한 DT map을 사용하지 않고 앞장의 라인라 벨링에서 획득한 윤곽 픽 셀 정보를 이용한다는 것이다. 이러한 방법은 정합에 필요한 영역을 최소화하여 계산량을 크게 감소시키는 효과가 있다.
가설 설정
- 본 연구에서는 인식대상 물체가 다른 물체에 의해 가려지거나 영상의 훼손으로 인해 잘못된 오류를 범할 수 있는 문제를 최소화하기 위해서 확대율(scale factor)을 적용하였다. 확대율은 정합점 의 좌우 길이 중 긴 쪽을 선정하여 구하였고 X, y 방향의 확대율은 같은 크기라고 가정하였다. 확대율 s는 식(15)과 같이 구할 수 있다.
제안 방법
- 처리된 영상을 다시 이진 영상으로 변환한 후, 고립 점 제거의 방법으로 부분적 잡음 제거를 수행하였다. 다음은 이미지의 훼손과 특징 추출이 용이한 라벨을 선정해야만 하는데 본 논문에서는 패턴의 복잡성을 고려한 라인 라벨링 기법을 사용하여 라벨을 선정하고 윤곽 픽셀들의 정보로부터 특징점을 추출하였다. 이때 사전에 주어진 패턴에 대한 특징 정보와의 비교를 통해 패턴 인식을 수행하고 개선된 HD를 적용하였다.
- 본 연구에서는 물체의 형태가 중요한 요소로서 작용하기 때문에 물체의 윤곽 픽 셀을 특징점 (feature point)으로 선정하는 요소로 사용하였다. 또한 이미지 처리 시간 및 고려해야 할 많은 문제를 최소화하기 위하여 윤곽 픽셀 모두를 사용하지 않고 연속적인 윤곽 픽셀 정보를 사용하였다. 영상 이미지에서 물체의 모양은 각각의 픽셀에 대한 접선의 기울기 조합으로 이루진 점을 고려하여, 본 연구에서는 일정 픽셀 수에 대한 기울 기 변화가 심한 픽셀을 특징점으로 선정하였다.
- 복잡한 이미지는 라인 라벨링 기법을 통하여 단 순화된 이미지로 변환하였으며, 다중라벨링 기법을 적용함으로서 이미지 처리 시간을 크게 단축 시 키는 결과를 얻었다. 이러한 이유는 배경이 포함된 전체 영상에서 윤곽 픽셀만을 픽셀 정보로 활용하여 이미지 처리에 불필요한 공간을 효과적으로 제거할 수 있었기 때문으로 판단된다.
- 본 논문에서 제안한 이미지정합 기법을 이용하여 대상 물체 인식실험을 하였다. 우선 CCD 카메라로부터 영상을 획득하고 Canny 에지 연산자를 이용하여 에지 맵을 구성하였다.
- 본 연구에서는 물체의 형태가 중요한 요소로서 작용하기 때문에 물체의 윤곽 픽 셀을 특징점 (feature point)으로 선정하는 요소로 사용하였다. 또한 이미지 처리 시간 및 고려해야 할 많은 문제를 최소화하기 위하여 윤곽 픽셀 모두를 사용하지 않고 연속적인 윤곽 픽셀 정보를 사용하였다.
- 본 연구에서는 이미지 정합에 많이 적용되는 HD를 이용하여 본 논문에서 제안한 이미지정합 알고리듬과 함께 이미지 정합을 수행하였다. HD 는 대상물체 모델과 비교 영상의 에지점 집합들 사이의 거리 값을 계산하여 유사도 차이를 결정하는 척도를 나타내는 것이며, 일반적인 방법으로는 최대 최소(max-min) 거리를 사용하는 방법으로 실제 영상의 정합에 있어 잡음에 대단히 민감한 성능을 나타낸다.
- 또한 이미지 처리 시간 및 고려해야 할 많은 문제를 최소화하기 위하여 윤곽 픽셀 모두를 사용하지 않고 연속적인 윤곽 픽셀 정보를 사용하였다. 영상 이미지에서 물체의 모양은 각각의 픽셀에 대한 접선의 기울기 조합으로 이루진 점을 고려하여, 본 연구에서는 일정 픽셀 수에 대한 기울 기 변화가 심한 픽셀을 특징점으로 선정하였다.
- 본 논문에서 제안한 이미지정합 기법을 이용하여 대상 물체 인식실험을 하였다. 우선 CCD 카메라로부터 영상을 획득하고 Canny 에지 연산자를 이용하여 에지 맵을 구성하였다. 처리된 영상을 다시 이진 영상으로 변환한 후, 고립 점 제거의 방법으로 부분적 잡음 제거를 수행하였다.
- 6은 라벨링 된 대상 물체의 특징점에 대한 내 각과 좌우 길이를 이용한 특징점 정합 알고리듬을 도식적으로 보여준다. 우선 대상 물체의 각 특징점에 대한 내각과 패턴의 각 특징점에 대한 내 각을 비교 검사하고 두 각의 차가 가장 적은 것을 우선적인 정 합섬으로 간주하였다. 다음은 적합한 정합점을 판단하기 위해서 특징점을 바탕으로 패턴과 대상 물체의 좌우 길이에 대한 비, , 을 이용하였다.
- 1은 본 논문에서 사용된 라인 라벨링을 위한 픽셀의 위치설정 및 검색 방향이다. 윤곽 픽셀의 검색은 시계 반대 방향으로 3×3의 영역에서 윤곽 픽셀의 존재 여부를 검색하기 위하여 중심 를 기준으로 6가지의 경우를 고려하였다. 시계 반대 방향으로 검색을 하면서 최종 윤곽 픽셀로 판단된 곳을 다시 시작점으로 6가지의 경우를 고려해 검색을 반복한다.
- 다음은 이미지의 훼손과 특징 추출이 용이한 라벨을 선정해야만 하는데 본 논문에서는 패턴의 복잡성을 고려한 라인 라벨링 기법을 사용하여 라벨을 선정하고 윤곽 픽셀들의 정보로부터 특징점을 추출하였다. 이때 사전에 주어진 패턴에 대한 특징 정보와의 비교를 통해 패턴 인식을 수행하고 개선된 HD를 적용하였다.
- 이미지 처리 시간을 줄이기 위해서 대상 이미 지의 전 영역을 검사하지 않고 위에서 언급된 라 인 라벨링 기법을 통해 얻은 윤곽 픽셀의 집합을 이용하여 이미지 정합을 시도하였다. 획득된 특징점의 정합을 기준으로 하여 크기, 위치 및 회전에 대한 파라미터를 구하였으며, 파라미터의 값들을 이용하여 이미지 정합을 수행하였다.
- 식 (13) 에서와 같이 /이 1에 가장 가까운 특징점을 정합점으로 최종 선택하였다. 이와 같은 방법으로 정합점을 정한 후 크기, 위치 및 회전 변환에 적용되는 값들은 좌우 길이 중 긴 쪽을 선정하여 구하였다. 이것은 실제 영상에서 발생될 수 있는 가려진 물체를 고려하였기 때문이다.
- 9는 크기 및 회전변화가 있고 일부분이 가려 진 물체에 대한 이 미지정 합 결과를 보여준다. 정합에 관한 오류를 범하는지 알아보기 위하여 패턴과 유사한 사각형을 포함시켜 정합을 시도하였다. (a) 는 사각형 모양의 패턴이며, (b) 는 유사한 사각형이 포함된 대상 이미지를 보여준다.
- 우선 CCD 카메라로부터 영상을 획득하고 Canny 에지 연산자를 이용하여 에지 맵을 구성하였다. 처리된 영상을 다시 이진 영상으로 변환한 후, 고립 점 제거의 방법으로 부분적 잡음 제거를 수행하였다. 다음은 이미지의 훼손과 특징 추출이 용이한 라벨을 선정해야만 하는데 본 논문에서는 패턴의 복잡성을 고려한 라인 라벨링 기법을 사용하여 라벨을 선정하고 윤곽 픽셀들의 정보로부터 특징점을 추출하였다.
- 특징점 정합은 특징점 추출기법과 특징점의 좌 우길 이, 다각형의 내각을 이용하여 시도하였다. Fig.
- 특징점을 정합점에 일치시킨 후, 정합점과 각 끝 점간의 기울기를 측정하여 회전된 양을 구하였다. 그림으로 표현하면 Fig.
- 본 논문에서는 계산 시간의 효율성과 정확한 인식을 위해서 개선된 하우스도르프 척도(Modified Hausdorff Distance)를 적용한다. 패턴과 대상 물체 에 관한 구체적인 정보는 라인 라벨링 (line labeling) 기법과 특징추출 알고리듬 (feature extraction algorithm)을 통해 획득하고 특징점 (feature point)을 이용한 이미지정합 알고리듬 (image matching algorithm)을 제안한다.
- 회전량은 정합점의 좌우길이 중 긴 쪽을 선정하여 정합점과 끝점간의 기울기를 이용하여 측정하였다. 회전한 양을 측정하기 위해서, 우선 정합 점을 원점으로 좌표변환하고 패턴과 대상 물체의
- 이미지 처리 시간을 줄이기 위해서 대상 이미 지의 전 영역을 검사하지 않고 위에서 언급된 라 인 라벨링 기법을 통해 얻은 윤곽 픽셀의 집합을 이용하여 이미지 정합을 시도하였다. 획득된 특징점의 정합을 기준으로 하여 크기, 위치 및 회전에 대한 파라미터를 구하였으며, 파라미터의 값들을 이용하여 이미지 정합을 수행하였다. 두 개의 벡터 X, y 사이의 거리에서 가장 좋은 측정치는 유클리디안 거리로 알려져 있다.
대상 데이터
- 경계선은 물체의 윤곽점을 구하는 과정 또는 기타 구획 방법에 의해 얻어지는 경계선으로 직선 또는 곡선의 특별한 함수의 식으로 표현할 수 있다. 본 연구에서는 경계선 검출 연산자로서 Canny 에지(edge) 연산자를 사용하였다.®
- (d) 는 정합 결과를 보여주고 있으며, 주요 라벨로부터 사람의 전체 모습에 대해 개선된 HD를 적용하여, 여러 개의 라벨로 이루어진 패턴과 동일한 이미지를 검출하였다. 실험에 적용한 영상 데이터 처리 장치는 펜티엄 3OOMHz 퍼스널 컴퓨터이며, 시간 소요가 가장 많이 예상되는 여러 개의 라벨로 이루어진 패턴에 대해서 패턴 영상의 크기 또는 복잡성에 의해 미소한 인식 시간 차이는 발생하지만 패턴과 동일한 물체를 인식하는 데는 1000ms 내외의 시간이 소요되었다.
이론/모형
- 본 논문에서는 복잡한 이미지를 단순화시키기 위하여 라인 라벨링 기법을 사용하였다. 물체의 경계선을 추적하는 기법 중 내부경계추적(inner boundary tracing) 기법을 사용하여 이미지 라벨링을 시도하였다. 따라서 연결된 윤곽 픽셀은 하나의 군집이 되어 다른 윤곽 픽셀과 구분된다.
- 본 논문에서는 계산 시간의 효율성과 정확한 인식을 위해서 개선된 하우스도르프 척도(Modified Hausdorff Distance)를 적용한다. 패턴과 대상 물체 에 관한 구체적인 정보는 라인 라벨링 (line labeling) 기법과 특징추출 알고리듬 (feature extraction algorithm)을 통해 획득하고 특징점 (feature point)을 이용한 이미지정합 알고리듬 (image matching algorithm)을 제안한다.
- 본 논문에서는 복잡한 이미지를 단순화시키기 위하여 라인 라벨링 기법을 사용하였다. 물체의 경계선을 추적하는 기법 중 내부경계추적(inner boundary tracing) 기법을 사용하여 이미지 라벨링을 시도하였다.
- 본 연구에서는 인식대상 물체가 다른 물체에 의해 가려지거나 영상의 훼손으로 인해 잘못된 오류를 범할 수 있는 문제를 최소화하기 위해서 확대율(scale factor)을 적용하였다. 확대율은 정합점 의 좌우 길이 중 긴 쪽을 선정하여 구하였고 X, y 방향의 확대율은 같은 크기라고 가정하였다.
성능/효과
- 대상 물체 일부가 가려져 사각형 모양의 특징점이 25% 정도 소실된 영상에 대한 인식실험과 여 러개의 라벨로 이루어진 복잡한 패턴을 성공적으로 찾아내는 인식실험을 통하여 본 연구에서 제안한 알고리듬이 효과적임을 입증하였다.
- 이러한 이유는 배경이 포함된 전체 영상에서 윤곽 픽셀만을 픽셀 정보로 활용하여 이미지 처리에 불필요한 공간을 효과적으로 제거할 수 있었기 때문으로 판단된다. 또한 고립 점을 고려하여 5개 이하의 픽셀로 이루어진 라벨을 제거함으로서 잡음 제거 효과와 동시에 잡음에 의해 발생할 수 있는 오류를 방지할 수 있었고, 윤곽 픽셀의 기울기를 이용하여 다양하게 변화된 패턴에 대해 회전변환, 크기변환, 이동변 환된 대상 물체를 정확하게 인식할 수 있었다.
- 본 논문에서는 제안된 라인 라벨링 기법과 특징점 추출 및 특징점 정합 기법을 적용하고 HD를 이용한 이미지 정합에 관한 연구를 수행하여, 단 순한 이미지로부터 복잡한 이미지에서의 이미지 정합 과정과 규칙적인 형상으로부터 불규칙한 형 상에 이르는 이미지 정합을 시도하여 효과적으로 대상 물체를 인식하는 결과를 얻었다.
- 일정 픽셀 수에 대한 기울기 값은 최소자승법을 사용하여 잡음에 의해 발생할 수 있는 오차를 가능한 줄였다. Fig.
- 이러한 방법으로 경계선을 군집화하여 이미지정합 을 수행하고 이미지 해석이 어려운 5개 이하의 픽셀로 이루어진 라벨은 제거함으로써 잡음 제거의 효과를 얻음과 동시에 잡음에 대한 강건성을 부여한다. 특히, 라인 라벨링 기법을 사용함으로써 기존의 정합기법으로 하우스도르프 척도 (Hausdorff Distance)를 적용할 때 생기는 많은 계산량과 긴 처리 시간을 현저히 감소시키는 장점을 얻을 수 있다. Fig.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.