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 연구는 문자열과 배경이 혼합된 장면에서 문자열을 인식하기 위한 기울기 보정을 제안하였다. 기존의 경계선 투영 히스토그램을 이용한 기울기 보정 방법 coarse-to-fine 알고리즘과 Ishitani 알고리즘은 문서 영상에서 빠르고 정확도가 높은 기울기 검출이 가능하다 하지만 문자열과 배경이 혼합된 장면에서는 상대적으로 낮은 정확도를 보여주고 있다.
제안 방법
- 본 논문에서는 문자열과 배경이 혼합된 장면에서 기울기를 검출하기 위해 모폴로지를 이용하여 전처리하고 전처리 후 결과물에 캐니 연산자를 적용하여 경계선을 검출한다. 검출된 경계선을 분할하고 분할된 영상에서 경계선이 포함된 유의미한 영역만을 사용하여 투영 히스토그램을 생성한다. 투영 히스토그램을 이용하여 최대 경계선 집중도를 구한 후 이를 사용하여 기울기를 검출하는 방법을 제안한다.
- 여기서 열기는 침식 후 팽창 연산으로 주로 잡영을 제거할 때 사용하며 닫기는 팽창 후 침식 연산으로 주로 패인 부분을 채워줄 때 사용한다. 모폴로지 연산 중 영상 뺄셈을 열기 및 닫기와 결합하여 얻을 수 있는 top-hat 변환 및 bottom-hat 변환 중 bottom-hat 변환과 열기의 차를 이용하여 모폴로지 연산을 수행하였다.
- 이 방법들을 이용하여 경계선을 추출할 때 정확도를 높이기 위한 전처리 방법으로 모폴로지를 이용한 전처리 방법[8]과 히스토그램의 다중 임계영역을 이용한 전처리 방법[9]이 있다. 본 논문에서는 문자열과 배경이 혼합된 장면에서 기울기를 검출하기 위해 모폴로지를 이용하여 전처리하고 전처리 후 결과물에 캐니 연산자를 적용하여 경계선을 검출한다. 검출된 경계선을 분할하고 분할된 영상에서 경계선이 포함된 유의미한 영역만을 사용하여 투영 히스토그램을 생성한다.
- 본 연구에서는 문자와 배경이 섞여있는 영상의 특성을 고려하여 추출한 경계선 영상을 (그림 6)과 같이 분할한다.
- 본 장에서는 장면 영상에서 문자열 인식을 위한 기울기 검출 및 보정을 제안한다.
- 이 방법은 문자 영역에서 캐니 연산자를 사용하여 경계선 영상을 구한다. 이 후 경계선 영상을 다양한 방향으로 투영시켜 경계선의 집중도를 계산하고 최대 경계선 집중도가 생성되는 최적의 기울기를 구한다. 최적 기울기를 검출하는 3단 coarse-to-fine 탐색 알고리즘은 다음과 같다.
- 이런 문자열의 특성은 가로 방향으로 경계선을 많이 발생시킨다. 이를 이용하여 경계선 누적 히스토그램을 생성하고 최적 기울기를 검출한다. 최적 기울기를 검출하기 위해 투영 히스토그램을 이용하여 다음과 같은 3단계 검출 알고리즘을 사용한다.
- 소벨 연산자 영상은 잡음에는 민감하지 않으나 경계선이 뚜렷하지 않고 라플라시안 연산자 영상은 경계선은 강하나 잡음에 민감하다. 캐니 연산자 영상은 잡음에도 민감하지 않으며 경계선도 뚜렷하여 본 연구에서는 캐니 연산자를 사용하여 경계선을 추출한다.
- 검출된 경계선을 분할하고 분할된 영상에서 경계선이 포함된 유의미한 영역만을 사용하여 투영 히스토그램을 생성한다. 투영 히스토그램을 이용하여 최대 경계선 집중도를 구한 후 이를 사용하여 기울기를 검출하는 방법을 제안한다. 제안된 방법을 이용하여 문자열과 배경이 혼합된 장면에서 기울기를 검출한 결과 높은 정확도로 보정이 된다는 것을 볼 수 있다.
대상 데이터
- 식 (3)에서 d는 수평선과 문자열 기울기의 각도, m은 직선의 기울기, p는 정확도를 의미하고 이는 육안으로 식별 가능한 문자열의 기울기와수평간의 근사치를 의미한다. 본 실험을 진행한 시스템 환경으로는 Windows 10 Enterprise 64비트 운영체제, 4GB 메모리를 사용하였다.
데이터처리
- 제안된 방법의 성능을 평가하기 위한 척도는 기존의 방법과 제안된 방법의 기울기 추출의 정확도를 비교한다. 기존의 Ishitani 알고리즘[3]과 coarse-to-fine 알고리즘[4], 본 연구에서 제안한 알고리즘을 비교하였다. (그림 11)은 본 연구에서 제안한 알고리즘을 적용하여 기울기를 보정한 영상이다.
- 제안된 방법의 성능을 평가하기 위한 척도는 기존의 방법과 제안된 방법의 기울기 추출의 정확도를 비교한다. 기존의 Ishitani 알고리즘[3]과 coarse-to-fine 알고리즘[4], 본 연구에서 제안한 알고리즘을 비교하였다.
이론/모형
- 본 연구에서는 영상에서 경계선을 효과적으로 추출하기 위한 전처리 방법으로 모폴로지 연산을 사용한다. (그림 4)는 모폴로지 연산 전 회색조 영상을 두고 캐니 연산자를 이용하여 경계선을 추출한 영상과 닫기 후 열기 모폴로지 연산을 한 후 캐니 연산자를 이용하여 경계선을 추출한 영상을 비교하였다.
- 이 방법은 문자열에 포함된 각 문자에 사격형의 영역을 생성한다. 생성한 각 영역의 무게중심을 추출하고 추출된 무게중심 집합과 최소자승법을 이용하여 기울기를 구한다.
성능/효과
- 51이다. 결론적으로 제안 방법이 기존의 방법에 비해 0.7% 우수한 기울기 추출 방법임을 볼 수 있었다.
- 기존의 경계선 투영 히스토그램을 이용한 기울기 보정 방법 coarse-to-fine 알고리즘과 Ishitani 알고리즘은 문서 영상에서 빠르고 정확도가 높은 기울기 검출이 가능하다 하지만 문자열과 배경이 혼합된 장면에서는 상대적으로 낮은 정확도를 보여주고 있다. 본 연구에서 제안한 방법은 영상을 분할하고 무의미한 영역을 배제한 후 유의미한 영역만을 이용하여 0.7% 기울기를 추출, 정확도를 높일 수 있었다.
- 100에 가까운 값일수록 성능이 우수한 것이다. 제안 방법의 평균 정확도는 99.29이며, [4] 방법의 평균은 98.53이며, [3] 방법의 평균은 98.51이다. 결론적으로 제안 방법이 기존의 방법에 비해 0.
- 투영 히스토그램을 이용하여 최대 경계선 집중도를 구한 후 이를 사용하여 기울기를 검출하는 방법을 제안한다. 제안된 방법을 이용하여 문자열과 배경이 혼합된 장면에서 기울기를 검출한 결과 높은 정확도로 보정이 된다는 것을 볼 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.