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 논문에서는 기존의 컬러 히스토그램 방법들의 단점을 극복하고자 객체 영역을 이용한 영상검색 방법을 제안한다. 영상을 일정크기의 영역으로 나누어서 컬러 정보를 HSV로 변환하여 순수 컬러 정보인 hue 성분만을 양자화하여 각 영역에 대하여 히스토그램을 구해 색상 특징벡터(RCFV)를 얻는다.
제안 방법
- 1,000장의 자연 영상[12]인 말, 꽃, 버스 아프리카 영상 등을 사용하여 제안한 검색 방법을 실험하였다.
- 영상을 일정크기의 영역으로 나누어서 컬러 정보를 HSV로 변환하여 순수 컬러 정보인 hue 성분만을 양자화하여 각 영역에 대하여 히스토그램을 구해 색상 특징벡터(RCFV)를 얻는다. 공간 정보가 부족한 것을 해결하기 위해 객체 영역은 RCFV와 영역 상관관계를 이용하여 선정한다. 객체가 있는 영역에서는 검색율을 높이기 위해 에지를 이용한 모양 특징벡터(RSFV), DC정보를 이용한 질감 특징벡터(RTFV)를 추가로 사용한다.
- 객관적인 평가를 위하여 내용기반 영상 기법에서 주로 사용하는 prEsion과 recall을 이용하였다. 또한 최근 논문인 S#ia[ll] 등이 제안한 질감과 퍼지 컬러를 이용한 방법을 추가적으로 비교하였다. 본 논문에서는 말과 꽃 영상의 각 그룹에서 무작위로 10개의 영상을 질의하여 각 그룹별로 precision과 recall의 평균을 구하였다.
- 또한 최근 논문인 S#ia[ll] 등이 제안한 질감과 퍼지 컬러를 이용한 방법을 추가적으로 비교하였다. 본 논문에서는 말과 꽃 영상의 각 그룹에서 무작위로 10개의 영상을 질의하여 각 그룹별로 precision과 recall의 평균을 구하였다. 식 (5)는 precision R를 구하는 식이고, 식 ⑹은 recall Rk를 구 하는 식이다.
- 본 논문에서는 제안한 방법의 시각적 검색 성능을 평가하기 위해 Song[8] 등이 제안한 컬러 히스토그램 방법과 류은주[9] 등이 제안한 중앙영역 히스토그램 방법을 가지고 비교하였다.
- 본 논문은 순수 색상 정보인 hue 성분만을 양자화하여 히스토그램을 구해 명암, 이동, 회전 등에 강인한 특징으로 사용한다. 그리고 16개의 영역으로 나눈 각 영역에서 중앙영역에서 제1 객체 색상을 선택하고, 그 밖의 영역에서 제2 객체 색상을 선택한다.
- 제 1 객체 색상의 컬러 히스토그램의 빈도가 높은 6개의 영역을 우선 선택하고, 그 중 빈도가 낮은 영역은 제2 객체 색상으로 선택한 영역으로 교체하여 6개의 객체 영역을 선정한다. 선정된 객체 영역에서는 검색정보를 추가하기 위해 모양 특징인 에지와 질감 특징인 DC(Direct Current)를 이용하여 검 색한다.
- 본 논문에서는 기존의 컬러 히스토그램 방법들의 단점을 극복하고자 객체 영역을 이용한 영상검색 방법을 제안한다. 영상을 일정크기의 영역으로 나누어서 컬러 정보를 HSV로 변환하여 순수 컬러 정보인 hue 성분만을 양자화하여 각 영역에 대하여 히스토그램을 구해 색상 특징벡터(RCFV)를 얻는다. 공간 정보가 부족한 것을 해결하기 위해 객체 영역은 RCFV와 영역 상관관계를 이용하여 선정한다.
- 실험에서는 64 X64 크기로 블록화하여 N을 16으로 하였다. 영역 구성 후 순수 색상 정보인 hue를 얻기 위해 영상을 변환하여 HSV 색상 공간을 만든다.
- 그리고 16개의 영역으로 나눈 각 영역에서 중앙영역에서 제1 객체 색상을 선택하고, 그 밖의 영역에서 제2 객체 색상을 선택한다. 제 1 객체 색상의 컬러 히스토그램의 빈도가 높은 6개의 영역을 우선 선택하고, 그 중 빈도가 낮은 영역은 제2 객체 색상으로 선택한 영역으로 교체하여 6개의 객체 영역을 선정한다. 선정된 객체 영역에서는 검색정보를 추가하기 위해 모양 특징인 에지와 질감 특징인 DC(Direct Current)를 이용하여 검 색한다.
- 제안 방법은 입력영상을 전처리 단계로 256X256 크기의 영상으로 표준화한다. 표준화된 영상을 영역으로 구성하기 위해 N개의 영역으로 분할한다.
대상 데이터
- 표준화된 영상을 영역으로 구성하기 위해 N개의 영역으로 분할한다. 실험에서는 64 X64 크기로 블록화하여 N을 16으로 하였다. 영역 구성 후 순수 색상 정보인 hue를 얻기 위해 영상을 변환하여 HSV 색상 공간을 만든다.
이론/모형
- 객관적인 평가를 위하여 내용기반 영상 기법에서 주로 사용하는 prEsion과 recall을 이용하였다. 또한 최근 논문인 S#ia[ll] 등이 제안한 질감과 퍼지 컬러를 이용한 방법을 추가적으로 비교하였다.
성능/효과
- 말 영상의 경우 객체인 말이 중앙뿐만 아니라 배경 영역에도 존재하기 때문에 중앙 영역 위주로 검색한 류은주 방법 보다 검색률이 전체 평균으로 6% 정도 많이 좋아졌다. Saha 방법은 질감과 색상 정보만을 사용하여 recafl이 커지면 제안방법보다 낮은 검색률을 보이며 전체 평균으론 제안 방법이 2%가량 검색률이 좋았다.
- 한편 제안 방법이 Song의 방법보다는 두 영상 모두 10% 정도 좋은 검색률을 보인다. 결과적으로 제안한 방법의 성능이 기존의 검색 방법들보다 우수함을 알 수 있다.
- 꽃 영상의 경우는 객체인 꽃이 중앙에만 있으므로 류은주 방법보다 검색률이 3% 정도 약간 좋아진 것을 알 수 있다. Saha 방법은 제안방법보다 2%정도 낮은 검색율을 보였다.
- 그러나 제안한 방법은 8번을 빼고 모두 횐색과 갈색 말이 함께 있는 영상을 검색하였다. 따라서 제안된 방법이 기존 방법들보다 원 영상과 시각적으로 더 유사한 영상을 검색함을 알 수 있다.
- [그림 4]는 각 검색 방법에 대한 비교 결과이다. 말 영상의 경우 객체인 말이 중앙뿐만 아니라 배경 영역에도 존재하기 때문에 중앙 영역 위주로 검색한 류은주 방법 보다 검색률이 전체 평균으로 6% 정도 많이 좋아졌다. Saha 방법은 질감과 색상 정보만을 사용하여 recafl이 커지면 제안방법보다 낮은 검색률을 보이며 전체 평균으론 제안 방법이 2%가량 검색률이 좋았다.
- 실험 결과 Song이 제안한 방법은 10번째 나온 결과 영상이 양자화 오차에 따라 검색에 실패하였다. 류은주가 제안한 방법은 모두 말 영상을 검색하였으나 대부분 흰색 말과 갈색 말이 함께 있는 영상을 검색하지 못하였다.
- 자연 컬러 영상 1000개를 가지고 실험한 결과 기존의 방법들보다 precision과 recall이 우수하였다. 향후 연구 과제는 객체 영역을 선정하는 부분에 있어서 배경이 복잡한 경우 오류가 발생할 수 있는 부분을 보완하는 것이다.
- 한편 제안 방법이 Song의 방법보다는 두 영상 모두 10% 정도 좋은 검색률을 보인다. 결과적으로 제안한 방법의 성능이 기존의 검색 방법들보다 우수함을 알 수 있다.
후속연구
- 자연 컬러 영상 1000개를 가지고 실험한 결과 기존의 방법들보다 precision과 recall이 우수하였다. 향후 연구 과제는 객체 영역을 선정하는 부분에 있어서 배경이 복잡한 경우 오류가 발생할 수 있는 부분을 보완하는 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.