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 인공신경망을 이용하여 마커 검출 및 인식의 성능을 향상시키는 방법을 제안하였다. 본 논문에서는 입력 영상을 이진영상으로 변환하고 객체들의 윤곽선을 추출한 다음에 윤곽선의 기하학적 특징을 이용하여 사각형을 찾고 워 핑 기법을 이용하여 사각형 영상을 정사각형 형태로 정규화한 다음에 PCA를 통하여 사각형 영상으로부터 특징벡터를 추출한다.
- 본 논문에서는 인식률이 촬영 각도에 따라 어떻게 변화하는지 살펴보기 위해 인식 실험을 카메라와 마커의 각도별로 수행하였다. 카메라와 마커의 각도를 90도, 75도, 60도, 45 도 30도 15도로 달리하면서 각 마커 당 20장의 이미지를 촬영하였다.
- 또한 등록된 마커 패턴과 비교하여 유사도가 임계값을 벗어나면 마커가 아닌 것으로 판별하는데, 마커가 아닌 사각형 영역을 마커로 인식하는 오류를 범하는 경우가 있다. 이러한 문제를 극복하기 위하여 본 논문에서는 인공신경망을 이용하여 마커와 비 마커를 분류하여 마커 검출의 정확성을 향상시키고 여러 예제 마커를 이용하여 인공신경망을 학습시킴으로써 마커 인식률을 향상시키는 방법을 제안한다.
- ARTag⑴, SCR⑵, HOM⑶의 마커는 2차원 바코드처럼 격자 형태의 구조에 데이터를 코드화한 형태를 취하고 있어서 사람이 봐서는 어떤 의미를 가진 마커인 지 인지하기는 거의 불가능하다. 이러한 문제를 해결하기 위해 본 논문에서는 그림 1과 같이 사람이 인지할 수 있는 마커를 사용하여 마커 검출 및 인식을 수행한다.
제안 방법
- PCA를 이용하여 특징벡터의 크기를 30부터 90까지 10 씩 증가시켜가면서 실험을 수행하였고 90도에서 15도까지 15도 간격으로 촬영각도를 감소시켜가면서 실험을 수행하였다. 표의 실험 결과를 보면 ARToolkit의 경우에는 각도가 큰 경우에는 인식률이 높게 나타나지만 각도가 작아지면서 인식률이 떨어져서 각도가 15도인 경우에는 90%에도 못 미치는 것을 알 수 있다.
- 그리고 정규화되고 이 진화된 영상을 주성분 축에 투영함으로써 크기가 100인 특징벡터를 구하였다.
- 먼저 마커와 비마커 영상의 분류를 위한 실험을 수행하였다. 디지털카메라로 촬영된 영상에 대하여 검출 및 인식 실험을 수행하였다. 마커와 비 마커의 분류를 올바르게 분류하는지 검사하기 위해 사무실 환경에서 PC 카메라를 이용하여 수백장의 영상을 취득하였다.
- 특징벡터에 인공신경망을 적용하여 사각형 영역의 영상이 마커 영상인지 비마커인지를 판별함으로써 마커가 아닌 시각형 영상은 인식 대상에서 제외시킨다. 마커 영상으로 판별된 영역에 대해서 인공신경망을 적용하여 마커의 종류를 인식한다. 마커 검출과 인식 실험을 해본 결과 인공신경망을 이용함으로써 마커 검출의 정확성을 향상시킬 수 있고 마커 인식률을 향상시킬 수 있었다.
- 마커의 종류를 인식하였다. 마커 인식을 위한 인공신경망도 3계층으로 구성하였으며 입력 계층의 뉴런 수는 특징 벡터의 수와 같이 하였고 은닉 계층의 뉴런수는 특징벡터의 수의 반절이 되도록 하였다. 출력계층의 뉴런은 마커의 종류 수인 30으로 하였다.
- 마커로 판별된 사각형 영상에 대해서 인공신경망을 이용하여 마커의 종류를 인식하였다. 마커 인식을 위한 인공신경망도 3계층으로 구성하였으며 입력 계층의 뉴런 수는 특징 벡터의 수와 같이 하였고 은닉 계층의 뉴런수는 특징벡터의 수의 반절이 되도록 하였다.
- 마커 영상인지 아닌지를 분류하였다. 마커와 비 마커를 분류하기 위해서는 특징벡터의 각 값을 입력 계층 뉴런에 연결하였고 출력계층의 두 개의 뉴런 중 하나는 마커 다른 하나는 비마커를 나타내도록 하였다. 따라서 마커와 비 마커 분류를 위한 인공신경망에서는 입력 뉴런은 100개, 출력 뉴런은 2개, 내부 계층의 뉴런은 100개이다.
- 0을 이용하여 구현하였다. 먼저 마커와 비마커 영상의 분류를 위한 실험을 수행하였다. 디지털카메라로 촬영된 영상에 대하여 검출 및 인식 실험을 수행하였다.
- 일반 사각형 형태를 정사각형 형태로 변환하기 위해 본 논문에서는 워 핑 기법과 확대/축소변환을 사용한다. 먼저 워핑 연산으로 직사각형 형태로 변환한 다음에 축소/확대 변환으로 크기가 64x64인 정사각형 형태로 변환하였다. 그림 3에는 정규화 과정의 예가 나타나 있다.
- 수행하였다. 본 논문에서 사용하는 마커는 정사각형 형태이다. 하지만 카메라가 마커 표면과 어떤 각도로 놓여 있느냐에 따라 마커의 형태가 많이 달라 보이게 된다.
- 본 논문에서 제안된 방법은 CPU가 Pentium IV 3.2GHz이고 주메모리 용량이 1GB인 시스템에서 Visual C + + 6.0을 이용하여 구현하였다. 먼저 마커와 비마커 영상의 분류를 위한 실험을 수행하였다.
- 이 진화를 수행한 다음에는 윤곽선 검출을 수행한다. 본 논문에서는 객체의 가장자리에 있는 한 픽셀로부터 시작하여 가장자리에 있는 픽셀을 계속 따라가다가 시작점에 도착하면 추적을 멈추는 방법〔13〕을 사용하였다. n 다음에는 윤곽선을 선분으로 근사화한다.
- 본 논문에서는 마커와 비마커를 분류하기 위하여 마커 영상과 비마커 영상 각각 700개씩 모두 1400개의 영상을 사용하여 주성분 분석을 수행함으로써 100개의 주성분축을 구하였다. 그리고 정규화되고 이 진화된 영상을 주성분 축에 투영함으로써 크기가 100인 특징벡터를 구하였다.
- 본 논문에서는 입력 영상을 이진영상으로 변환하고 객체들의 윤곽선을 추출한 다음에 윤곽선을 선분으로 근사화하고 근사화된 선분으로부터 기하학적 특징을 이용하여 사각형을 찾는다. 사각형 영역을 찾은 다음에는 사각형 영역의 영상에 대하여 워핑기법을 적용하여 정사각형 형태로 정규화한다.
- 성능을 향상시키는 방법을 제안하였다. 본 논문에서는 입력 영상을 이진영상으로 변환하고 객체들의 윤곽선을 추출한 다음에 윤곽선의 기하학적 특징을 이용하여 사각형을 찾고 워 핑 기법을 이용하여 사각형 영상을 정사각형 형태로 정규화한 다음에 PCA를 통하여 사각형 영상으로부터 특징벡터를 추출한다. 특징벡터에 인공신경망을 적용하여 사각형 영역의 영상이 마커 영상인지 비마커인지를 판별함으로써 마커가 아닌 시각형 영상은 인식 대상에서 제외시킨다.
- 본 논문에서는 특징벡터를 구한 다음에는 인공신경망을 이용하여 마커 영상인지 아닌지를 분류하였다. 마커와 비 마커를 분류하기 위해서는 특징벡터의 각 값을 입력 계층 뉴런에 연결하였고 출력계층의 두 개의 뉴런 중 하나는 마커 다른 하나는 비마커를 나타내도록 하였다.
- 사각형 마커는 흰색 배경에 검정색으로 되어있지만 카메라로부터 촬영된 입력 영상에서는 주변 환경의 빛의 밝기에 따라 배경과 마커의 명암도가 많은 영향을 받으므로, 이진화를 위한 적절한 임계값을 정하는 문제는 그리 간단한 문제가 아니다. 본 논문에서는 흑백 영상이 가질 수 있는 명암도 값인 0에서 255사이에 일정 간격으로 9개의 임계값을 지정하여 이진영상 9개를 생성하고 각 이진영상으로부터 사각형을 검출하는 방법을 사용한다. 이 진화를 수행한 다음에는 윤곽선 검출을 수행한다.
- 이 과정은 참고문헌〔12〕의 마커 검출 과정을 확장한 것으로써 인공신경망을 이용한 마커/ 비마커 분류 단계를 추가한 것이다. 사각형 마커를 검출하기 위해 먼저 입력 영상을 이진영상으로 변환하고 윤곽선을 검출한다. 그 다음에는 사각형 검출을 위해 윤곽선을 선분으로 근사화한다.
- 선분으로 근사화한 다음에는 윤곽선을 이루는 선분의 수가 4개인지 아닌지. 윤곽선 내부의 면적이 비정상적으로 작거나 크지는 않는지, 변의상대적인 길이가 비정상적이지는 않는지, 볼록 객체인지 등의 기하학적 특징을 검출하여 이로부터 윤곽선이 사각형인지 아닌지를 판단한다.
- ARToolkit⑷이 있다. 이 방법에서는 이 진화 영상에 대해 마커 영역을 검출한 다음에 마커 영상에 대한 기하학적 불변량(geometrical invariants)을 구하여 미리 정의된 값들과 비교하여 마커를 인식한다. 기하학적 불변량이란 어떤 영상에 회전, 확대, 축소.
- 본 논문에서는 흑백 영상이 가질 수 있는 명암도 값인 0에서 255사이에 일정 간격으로 9개의 임계값을 지정하여 이진영상 9개를 생성하고 각 이진영상으로부터 사각형을 검출하는 방법을 사용한다. 이 진화를 수행한 다음에는 윤곽선 검출을 수행한다. 본 논문에서는 객체의 가장자리에 있는 한 픽셀로부터 시작하여 가장자리에 있는 픽셀을 계속 따라가다가 시작점에 도착하면 추적을 멈추는 방법〔13〕을 사용하였다.
- 사각형 영역을 찾은 다음에는 사각형 영역의 영상에 대하여 워핑기법을 적용하여 정사각형 형태로 정규화한다. 정규화된 영상에 대하여 주성분 분석을 수행하여 특징벡터를 추출하고 이 특징벡터에 대하여 인공신경망을 적용하여 사각형 영역이 마커 영역인지 아닌지를 판별한다. 마커로 판별된 영역에 대하여 인공신경망을 이용하여 마커의 종류를 인식한다.
- 특징벡터의 크기는 30에서 90까지 10 씩 증가시켜 가면서 여러 값을 시도해 보았다. 출력 계층 뉴런의 출력 값은 입력된 마커가 해당 부류이면 1의 값에 가까이 가도록 하고 해당 부류가 아니면 0의 값에 가까이 가도록 학습하였다. 학습이 끝난 후 인식할 마커가 입력되면 인공신경망의 각 뉴런이 한 번 씩 연산을 수행하고 출력 계층의 모든 뉴런에 값이 출력되는데 가장 큰 값을 가지는 뉴런에 해당하는 부류로 인식하였다.
- 카메라와 마커의 각도를 90도, 75도, 60도, 45 도 30도 15도로 달리하면서 각 마커 당 20장의 이미지를 촬영하였다. 그림 9에는 각 각도별로 촬영된 예가 나타나 있다.
- 출력계층의 뉴런은 마커의 종류 수인 30으로 하였다. 특징벡터의 크기는 30에서 90까지 10 씩 증가시켜 가면서 여러 값을 시도해 보았다. 출력 계층 뉴런의 출력 값은 입력된 마커가 해당 부류이면 1의 값에 가까이 가도록 하고 해당 부류가 아니면 0의 값에 가까이 가도록 학습하였다.
- 출력 계층 뉴런의 출력 값은 입력된 마커가 해당 부류이면 1의 값에 가까이 가도록 하고 해당 부류가 아니면 0의 값에 가까이 가도록 학습하였다. 학습이 끝난 후 인식할 마커가 입력되면 인공신경망의 각 뉴런이 한 번 씩 연산을 수행하고 출력 계층의 모든 뉴런에 값이 출력되는데 가장 큰 값을 가지는 뉴런에 해당하는 부류로 인식하였다.
대상 데이터
- 그림 9에는 각 각도별로 촬영된 예가 나타나 있다. 각 마커별로 10장 또는 5장의 이미지는 인공신경망의 학습에 이용하였고 10장의 이미지는 인식 실험에 사용하였다. 인공 신경망도 학습에 사용되는 영상의 개수에 영향을 받을 수 있으므로 5장과 10장 두 가지의 경우에 대하여 실험을 수행하였다.
- 각각 700장의 이미지는 인공신경망의 학습에 사용하였고 각각 300 장의 이미지는 인식에 사용하였다. 본 논문에서 제안한 방법으로 모두 600장의 이미지에 대하여 마커와 비마커의 분류를 실험해본 결과 100%의 정확도로 마커를 검출하는 것을 확인할 수 있었다.
- 그림 7과 같이 촬영된 영상으로부터 사각형 영역을 검출하여 마커와 비마커 각각 10G0장의 이미지를 준비하였다. 각각 700장의 이미지는 인공신경망의 학습에 사용하였고 각각 300 장의 이미지는 인식에 사용하였다.
- 디지털카메라로 촬영된 영상에 대하여 검출 및 인식 실험을 수행하였다. 마커와 비 마커의 분류를 올바르게 분류하는지 검사하기 위해 사무실 환경에서 PC 카메라를 이용하여 수백장의 영상을 취득하였다. 그림 7에는 취득된 영상의 예가 나타나 있다.
- 크기와 모양이 되도록 변환한다. 본 논문에서는 크기가 64x64 픽셀 인 정사각형 형태의 마커를 사용한다. 일반 사각형 형태를 정사각형 형태로 변환하기 위해 본 논문에서는 워 핑 기법과 확대/축소변환을 사용한다.
- 각 마커별로 10장 또는 5장의 이미지는 인공신경망의 학습에 이용하였고 10장의 이미지는 인식 실험에 사용하였다. 인공 신경망도 학습에 사용되는 영상의 개수에 영향을 받을 수 있으므로 5장과 10장 두 가지의 경우에 대하여 실험을 수행하였다.
이론/모형
- 기하학적 특징으로는 윤곽선 내부의 면적, 각선분 사이의 각도, 볼록 객체 여부, 윤곽선을 구성하는 선분의 수, 선분의 길이를 이용한다. 기하학적 특징을 계산하는 방법은 참고문헌〔12〕의 방법을 이용하였다.
- 따라서 마커와 비 마커 분류를 위한 인공신경망에서는 입력 뉴런은 100개, 출력 뉴런은 2개, 내부 계층의 뉴런은 100개이다. 본 논문에서 사용한 신경망은 가장 일반적인 형태의 신경망인 다층퍼셉트론 (MLP)을 사용하였으며, 오류 역전파 알고리즘을 적용하여 신경망을 학습하였다. 적용된 다층 퍼셉트론의 구조는 그림5 와 같은 모델을 사용하였다.
- 신경망의 수렴 성 향상을 위하여 (식3)에서와 같이 모멘텀 기법을 사용하여 실험하였다〔15〕.
- n 다음에는 윤곽선을 선분으로 근사화한다. 윤곽선을 구성하는 픽셀들을 선분으로 근사화하는 방법으로 본 논문에서는 Douglas-Peucker 알고리즘〔14〕이라 불리는 방법을 사용한다. 선분으로 근사화한 다음에는 사각형인 지 아닌지를 판단하기 위하여 기하학적 특징을 이용한다.
- 본 논문에서는 크기가 64x64 픽셀 인 정사각형 형태의 마커를 사용한다. 일반 사각형 형태를 정사각형 형태로 변환하기 위해 본 논문에서는 워 핑 기법과 확대/축소변환을 사용한다. 먼저 워핑 연산으로 직사각형 형태로 변환한 다음에 축소/확대 변환으로 크기가 64x64인 정사각형 형태로 변환하였다.
성능/효과
- 마커 영상으로 판별된 영역에 대해서 인공신경망을 적용하여 마커의 종류를 인식한다. 마커 검출과 인식 실험을 해본 결과 인공신경망을 이용함으로써 마커 검출의 정확성을 향상시킬 수 있고 마커 인식률을 향상시킬 수 있었다.
- 표의 실험 결과를 보면 ARToolkit의 경우에는 각도가 큰 경우에는 인식률이 높게 나타나지만 각도가 작아지면서 인식률이 떨어져서 각도가 15도인 경우에는 90%에도 못 미치는 것을 알 수 있다. 본 논문에서 제안된 방법도 각도가 작아지면서 인식률이 떨어지기는 하지만 ARToolkit에 비해서는 떨어지는 비율이 훨씬 작은 것을 알 수 있다. 본 논문에서 제안된 방법은 PCA의 계수 크기에도 영향을 받는데, 대체적으로 계수의 크기가 커지면서 인식률이 약간 증가하는 것을 볼 수 있다.
- 본 논문에서 제안된 방법도 각도가 작아지면서 인식률이 떨어지기는 하지만 ARToolkit에 비해서는 떨어지는 비율이 훨씬 작은 것을 알 수 있다. 본 논문에서 제안된 방법은 PCA의 계수 크기에도 영향을 받는데, 대체적으로 계수의 크기가 커지면서 인식률이 약간 증가하는 것을 볼 수 있다. 또한 학습에 사용된 영상의 수가 5개인 경우보다 10 개인 경우에 인식률이 향상되었다.
- 각각 700장의 이미지는 인공신경망의 학습에 사용하였고 각각 300 장의 이미지는 인식에 사용하였다. 본 논문에서 제안한 방법으로 모두 600장의 이미지에 대하여 마커와 비마커의 분류를 실험해본 결과 100%의 정확도로 마커를 검출하는 것을 확인할 수 있었다. 이와 같이 높은 정확도를 얻을 수 있었던 것은 다양한 마커와 비마커 영상을 취득하여 인공신경망을 학습시킴으로써 인공신경망이 마커와 비마커를 분류하는 데 충분한 정보를 가지고 있기 때문인 것으로 분석된다.
- 마커로 판별된 영역에 대하여 인공신경망을 이용하여 마커의 종류를 인식한다. 실험 결과 본 논문의 방법은 ARToolkit 방법보다 마커 검출의 오류를 줄일수 있었고 마커 인식의 정확도가 개선됨을 알 수 있다.
- PCA를 이용하여 특징벡터의 크기를 30부터 90까지 10 씩 증가시켜가면서 실험을 수행하였고 90도에서 15도까지 15도 간격으로 촬영각도를 감소시켜가면서 실험을 수행하였다. 표의 실험 결과를 보면 ARToolkit의 경우에는 각도가 큰 경우에는 인식률이 높게 나타나지만 각도가 작아지면서 인식률이 떨어져서 각도가 15도인 경우에는 90%에도 못 미치는 것을 알 수 있다. 본 논문에서 제안된 방법도 각도가 작아지면서 인식률이 떨어지기는 하지만 ARToolkit에 비해서는 떨어지는 비율이 훨씬 작은 것을 알 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.