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
- 따라서 본 논문에서는 반사가 존재하는 자연환경에서 목표 물체를 강인하게 검출하는 방법을 제안한다. Fig.
- 본 논문에서는 거울 반사가 존재하는 자연 환경에서 사용자가 원하는 대상 물체만을 강인하게 검출하는 알고리즘을 새롭게 제안하였다. 제안된 알고리즘은 먼저 스테레오 카메라를 이용하여 대상 물체를 촬영한 후, 대상 물체를 대표하는 특징을 추출하였다.
제안 방법
- 제안된 알고리즘은 먼저 스테레오 카메라를 이용하여 대상 물체를 촬영한 후, 대상 물체를 대표하는 특징을 추출하였다. 그런 다음, 호모그래픽 변환을 이용하여 거울반사에 의해 형성된 가상의 특징들을 제거하고 실제로 존재하는 특징만을 선택하였다. 마지막으로, 실제 존재하는 특징들만을 군집화하여 목표물체를 강인하게 검출하였다.
- 직선 검출은 먼저 에지를 연결(linking)하고 에지의 수가 적은 연결된 에지는 제거한다. 그리고 각각의 연결된 에지에 대해 시작 에지와 끝 에지를 연결한 직선으로부터 가장 멀리 떨어진 에지의 거리가 임계치를 초과하면 가장 멀리 떨어진 에지에서 연결 에지를 분할하는 과정을 반복 적용하여 최종적인 2D 라인을 검출한다. 보통, 캐니 에지 연산자는 임계값의 설정에 따라서 결과영상이 다르게 나타나는데, 반복적인 실험을 통해서 해당 도메인에 맞는 임계치를 결정해야 된다.
- 기본적으로 본 논문에서는 거울 반사된 특징을 효과 적으로 제거하기 위해서 카메라와 대상 물체가 존재하는 평면 사이의 거리 정보를 활용한다. 즉, 스테레오 카메라와 추출된 임의 특징 사이의 3차원 거리가 카메라와 물체 사이의 거리와 동일하다면 그 특징을 실제로 존재하는 특징이라고 판단하고, 그렇지 않을 경우에는 거울반사에 의해 생성된 가상의 특징이라고 판단한다.
- 좌우 스테레오 영상으로부터 추출된 2차원의 라인과 해리스 코너 특징에는 거울반사로 인해 실제로 존재하지 않는 반사된 특징들도 많이 포함되어 있다. 따라서 본 논문에서는 호모그래픽 변환(homographic transform) [8,9]을 이용하여 반사로 인해 생성된 가상의 특징들을 제거하고, 실제로 존재하는 특징만을 선택한다.
- 본 논문에서는 대상 물체를 대표하는 중요한 특징으로 라인(line)과 코너(corner) 특징을 사용한다. 먼저, 본 논문에서는 캐니(Canny) 에지 기반의 2D 라인을 추출하여 물체 검출의 첫 번째 특징으로 사용한다[5]. 본 논문에서 사용하는 2D 라인 검출은 에지 검출 단계와 직선 검출 단계로 구성된다.
- 먼저, 본 논문에서는 캐니(Canny) 에지 기반의 2D 라인을 추출하여 물체 검출의 첫 번째 특징으로 사용한다[5]. 본 논문에서 사용하는 2D 라인 검출은 에지 검출 단계와 직선 검출 단계로 구성된다.
- 본 논문에서 사용하는 캐니 에지 연산자는 잡음을 제거하는 가우시안 스무딩, 소벨(sobel) 연산자를 이용한 에지의 크기와 방향 계산, 이중 임계치를 이용하여 에지를 추적하면서 크기가 작은 에지를 제거하는 순으로 진행된다[6]
- 본 논문에서는 그림 4와 같이 획득한 실제 존재하는 특징들만을 군집화하여 물체 단위로 분할한다. 본 논문에서는 제안된 반사에 강인한 대상물체 검출 알고리즘의 성능을 정량적으로 측정하기 위해서 식 (10)과 같은 정확도 척도(measure)를 사용하였다.
- 본 논문에서는 대상 물체를 대표하는 중요한 특징으로 라인(line)과 코너(corner) 특징을 사용한다. 먼저, 본 논문에서는 캐니(Canny) 에지 기반의 2D 라인을 추출하여 물체 검출의 첫 번째 특징으로 사용한다[5].
- 본 논문에서는 먼저 물체가 존재하는 평면을 검출하기 위해서 체스보드 마커(chessboard marker)를 해당 평면에 부착한다. 그런 다음, 좌우 스테레오 영상에서 체스 보드 마커에 존재하는 코너를 추출한 후, 추출된 코너의 좌우 정합을 통해서 3차원의 좌표를 추출한다.
- 식 (3)에서 a, b, c, d는 평면의 방정식을 구성하는 상수를 의미한다. 본 논문에서는 체스보드 마커 내에 존재 하는 16개의 코너에 대한 좌표를 추출한 후, 특이값 분해(SVD: singular value decomposition)를 이용해 평면의 방정식을 계산한다.
- 본 논문에서는 거울 반사가 존재하는 자연 환경에서 사용자가 원하는 대상 물체만을 강인하게 검출하는 알고리즘을 새롭게 제안하였다. 제안된 알고리즘은 먼저 스테레오 카메라를 이용하여 대상 물체를 촬영한 후, 대상 물체를 대표하는 특징을 추출하였다. 그런 다음, 호모그래픽 변환을 이용하여 거울반사에 의해 형성된 가상의 특징들을 제거하고 실제로 존재하는 특징만을 선택하였다.
대상 데이터
- 본 논문에서 제안된 대상물체 검출 알고리즘의 성능을 비교 평가하기 위한 실험 영상으로는 반사가 많이 존재하며, 특정한 제약조건(constraint)이 주어지지 않은 일반적인 환경에서 범블비(Bumblebee) 스테레오 카메라로 여러 장면을 촬영하여 활용하였다. 특히, 거울 반사가 많이 존재하는 철제 벽면으로 구성된 엘리베이터 안을 촬영하여 실험영상으로 사용하였다.
- 본 논문에서 제안된 대상물체 검출 알고리즘의 성능을 비교 평가하기 위한 실험 영상으로는 반사가 많이 존재하며, 특정한 제약조건(constraint)이 주어지지 않은 일반적인 환경에서 범블비(Bumblebee) 스테레오 카메라로 여러 장면을 촬영하여 활용하였다. 특히, 거울 반사가 많이 존재하는 철제 벽면으로 구성된 엘리베이터 안을 촬영하여 실험영상으로 사용하였다.
이론/모형
- 군집화 알고리즘으로는 군집의 개수를 사전에 알지못하더라도 그룹핑을 수행할 수 있는 비감독 분류 (unsupervised classification) 기법 중의 하나인 아이소데이터(ISODATA) 군집화 알고리즘을 사용한다. 그리고 아이소데이터 군집화 알고리즘의 입력으로는 실제로 존재한다고 판단되는 물체의 특징인 라인 특징과 코너 특징들이 된다.
- 본 논문에서는 코너 특징으로 해리스(Harris)가 제안한 해리스 코너 검출기를 사용한다[8]. 해리스 코너 검출기를 유도하는 기본 식은 식 (1)과 같다.
- 본 논문에서는 평면 호모그래피를 이용하여 거울반사로 생성된 가상의 특징들을 제거하고, 실제로 존재하는 라인과 코너 특징만을 이용하여 목표 물체를 강건하게 검출하기 위해 군집화(clustering) 알고리즘을 적용한다[11, 12].
성능/효과
- 그런 다음, 호모그래픽 변환을 이용하여 거울반사에 의해 형성된 가상의 특징들을 제거하고 실제로 존재하는 특징만을 선택하였다. 마지막으로, 실제 존재하는 특징들만을 군집화하여 목표물체를 강인하게 검출하였다. 실험에서는 제안된 방법이 반사된 특징을 제거하지 않는 기존의 방법에 비해 보다 정확하게 물체를 검출한다는 것을 보여주었다.
- 마지막으로, 실제 존재하는 특징들만을 군집화하여 목표물체를 강인하게 검출하였다. 실험에서는 제안된 방법이 반사된 특징을 제거하지 않는 기존의 방법에 비해 보다 정확하게 물체를 검출한다는 것을 보여주었다.
- 그림 5의 성능평가에서 확인할 수 있듯이, 기존의 알고리즘은 반사된 특징을 제거하지 않고 대상 물체 검출을 시도하므로 정확도 측정 결과가 제안된 방법에 비해 상대적으로 낮다. 이에 비해, 본 논문에서 제안한 알고리즘은 실제로 존재하지 않는 거울 반사된 특징을 제거한 후 대상물체 검출을 시도하므로 비교적 신뢰성 있게 대상 물체를 검출한다는 것을 확인할 수 있었다.
후속연구
- 향후에는 기존에 사용하는 특징들 이외의 다른 특징들을 복합적으로 적용하여 대상물체 검출의 정확도를 보다 향상하기 위한 시도를 수행할 예정이다. 또한, 검출을 시도하는 대상 물체의 종류를 다양화 할 계획이다.
- 향후에는 기존에 사용하는 특징들 이외의 다른 특징들을 복합적으로 적용하여 대상물체 검출의 정확도를 보다 향상하기 위한 시도를 수행할 예정이다. 또한, 검출을 시도하는 대상 물체의 종류를 다양화 할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.