[논문]단일이미지에 기반한 내벽구조 검출 방법

정도욱; 정성기; 최형일

doi:10.7472/jksii.2017.18.1.43

단일이미지에 기반한 내벽구조 검출 방법
Inside Wall Frame Detection Method Based on Single Image 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.18 no.1, 2017년, pp.43 - 50

정도욱 (School of Media, Soongsil Univ.) , 정성기 (School of Media, Soongsil Univ.) , 최형일 (School of Media, Soongsil Univ.)

초록
AI-Helper

본 논문에서는 한 장의 실내이미지에서 내벽구조 검출을 위한 개선된 소실점 검출방법과 세그먼트 레이블링 방법을 제안한다. AR 기술 수요의 증가로 이미지로부터 건축물의 구조를 인식하는 것과 관련된 연구가 많이 이루어 지고 있다. 그러나 폐색을 발생시키는 객체들이 많은 실내 이미지에서 실내 내부 구조를 인식하는 것은 여전히 어려운 문제이다. 소실점 검출 방법을 개선하기 위하여 육면체를 이루는 실내 내벽들 사이의 직교성을 이용하는 방법을 제안하였다. 또한 실내 이미지 내의 세그먼트들을 레이블링 하기 위하여 슈퍼픽셀 기반의 군집화 방법과 트리기반 학습기를 통한 레이블링 방법을 제안하였다. 마지막으로 실험 결과에서 제안한 방법들에 의하여 실내 구조 검출 결과가 개선됨을 보였다.

Abstract ▼ AI-Helper

In this paper, we are proposing improved vanishing points detection and segments labeling methods for inside wall frame detection from indoor image of a piece of having a colour RGB. A lot of research related to recognizing the frame of artificial structures from the image is being performed due to increase in demand for AR technology. But detect the inside wall frame in indoor images have many objects that caused the occlusion is still a difficult issue. Inner wall frame detection methods are usually segment labeling methods and detect vanishing point methods are used together. In order to improve the vanishing point detection method we proposed using inner wall orthogonality which forms the cube. Also we proposed labeling method using tree based learning and superpixel based segmentation method for labelingthe segments in indoor images. Finally, in experiments have shown improved results about inside wall frame detection according to our methods.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 소실점을 검출하기 위하여 실내 이미지로부터 선분을 검출하고, 라인으로부터 라인간의 교점을 구하여 각각의 교점들 중 소실점에 해당하는 교점을 찾는다.
실내에서 촬영된 한 장의 RGB 영상으로부터 실내 공간을 인식하는 연구와 관련하여 내벽구조를 인식하기 위한 연구를 수행하였고 본 논문을 통하여 관련된 연구와 그 결과를 보였다.

가설 설정

(1) 트리의 깊이는 4이하이다.
검출된 선분의 양 끝점 L_i, L_j에 대하여 이미지의 수직 성분 상으로 거리 z가 1만큼 떨어져 있다고 가정한 벡터의 외적 을 구한다. 이때 모든 선분에서 구해진 외적들에 대하여 다시 각 선분의 외적 끼리 외적을 수행한 결과 에 대하여 로 정규화하여, 이미지 상에서 모든 쌍의 선분이 그리는 교점 C'=(x', y')을 구한다.

제안 방법

구해진 캐니에지로부터 연속된 픽셀 성분들을 레이블링하고 레이블링 된 픽셀들에 대하여 공분산을 구하는 방법으로 선분을 검출하였다[8].
이를 엔트로피의 관점에서 보면 상위노드의 엔트로피는 적고 하위노드의 엔트로피는 높은 결과가 노드 분할 조건으로 바람직하다. 본 논문에서는 information gain 함수를 이용하여 노드 분할 여부를 결정한다.
본 연구에서는 이 문제를 다루기 위하여 소실점 (vanishing point) 인식과, 슈퍼픽셀 (superpixel)로 군집화된 이미지를 트리기반 학습기로 학습하는 방법을 적용 한다.
소실점을 검출하기 위한 선분을 검출하기 위하여 우선 에지를 검출한다. 에지 검출에는 RGB 이미지를 gray 이미지로 변환시킨 후 캐니 에지(canny edge) 를 적용하여 검출하였다[7].
소실점을 검출하기 위한 선분을 검출하기 위하여 우선 에지를 검출한다. 에지 검출에는 RGB 이미지를 gray 이미지로 변환시킨 후 캐니 에지(canny edge) 를 적용하여 검출하였다[7].
이와 같이 생성된 내벽구조의 후보로부터 내벽의 정확한 위치를 찾아내기 위하여 내벽구조 후보군들의 이미지와 레이블링 된 세그먼트 이미지의 동일 좌표에 대하여 같은 레이블일 때 높은 점수를 부가하여 높은 점수가 할당된 후보를 검출한다.
제안된 방법에 따라 실험한 결과를 측정하기 위하여 정확도에 영향을 미치는 세그먼트 레이블링 결과를 학습에 사용된 참값과 비교하여 픽셀 간의 레이블링 오차를 측정하였다.
현재 연구되고 있는 방법들은 대부분 소실점 인식을 기반으로 두고 있으며, 더 개선된 방법에 대한 연구가 진행되더라도 초기에 소실점에서 검출에서 실패하면 내벽 구조 인식 결과가 나올 수 없다는 점에서 출발하여 강인한 소실점 검출 방법을 제안하였다.

대상 데이터

학습과 실험에 사용된 데이터는 Hoiem 이 실험에 사용한 308장의 실내 이미지와 8장의 복도에서 촬영된 이미지를 추가하여 구성하였다.

이론/모형

본 논문에서 기하학적 영역을 분류하기 위해 재귀적 아다부스트 (Adaboost)와 실수형 아다-부스트를 적용한 부스티드 결정트리(boosted decision tree)를 사용하였다.
슈퍼픽셀은 각 방법에 따라서 기울기 기반 방법[9,10]과 그래프 기반 방법[11]으로 나눌 수 있으며 본 논문에서는 그래프 기반 방법을 사용하였다. 이 방법은 각 화소를 노드로 하고 화소 간의 관계를 그래프의 에지값으로 하여 그래프를 구성하고 그래프의 모든 노드에 대한 가중치로부터 그래프를 반복적으로 두 개의 부 그래프로 나누는 방법이며 최종적으로 (그림 6)과 같은 형태의 세그먼트로 나누어진다.
실내 이미지에서 실내 각 벽을 구성하는 바닥, 천장, 벽면을 구분하는데 있어서 각 면의 최소 원소를 분할하기 위한 방법으로 슈퍼픽셀 (superpixel) 기반의 세그멘테이션 방법을 사용하였다[9].
박스 레이아웃(box layout)을 평가하기 위한 레이블링 결과를 만들어 내는데 있어서 각 레이블의 경계는 실제 벽면의 경계와 같이 직선으로 나타나지 않으므로 불연속 아다부스트의 경우 경계의 모호함이 박스 레이아웃을 평가하는데 악영향을 미칠 수 있다. 이를 보완하기 위해 본 논문에서는 실수형 아다부스트에 데이터의 가중치를 적용한 로그 비율함수 (weighted log-ratio) 함수를 사용하였다.

성능/효과

(2) 노드 분할 시 모든 데이터가 한 개의 자식 노드에 할당 될 경우 현재의 노드가 리프 노드이다.
왼쪽, 가운데, 오른쪽 벽 의 레이블은 사전에 레이블 된 벽에 대하여 다시 레이블링한 것으로 천장, 벽, 바닥의 레이블링 결과에 비하여 높은 분산을 보였는데 이는 Hoiem 의 실험 결과에 비해 약 12.56% 개선된 것으로 2.2장의 소실점 보완 방법으로부터 영향을 받았다[2].

후속연구

추후 이미지 표면에 대한 세그멘테이션 결과를 개선하는 방향으로 추가 연구를 진행하면 내벽구조 인식의 전체적인 성능을 개선할 수 있을 것으로 예상한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	소실점 인식 방법은 무엇에 사용되어지는가?	소실점 인식 방법은 이미지가 촬영된 실내 공간이 삼차원 공간상에서 육면체의 구조를 가짐으로써 세 개의 직교하는 법선 벡터를 가지고 있다는 가정을 바탕으로, 실내 공간의 구조적 정보를 얻는 단서를 얻는데 사용되어진다.
	실내공간인식에 관련된 기술은 무엇인가?	실내공간인식에 관련된 기술은 실내 공간에서 얻어진 센서데이터로부터 실내 공간에 놓여진 사물들과 벽면의 형태 및 텍스쳐를 인식하는 기술로 천장, 바닥, 벽면, 가구들을 구분할 수 있어야 한다. 이를 위하여 기존의 방법들은 RGB 이미지뿐만 아니라 깊이기반 (depth-based)영상을 사용하며, 이를 통하여 높은 정확도의 공간 인식 성능을 얻는다[1].
	깊이기반 카메라 또는 라이다 등의 센서를 필요로 하는 방법의 한계점을 해결하기 위해 행해지는 연구는?	이를 위해서는 깊이기반 카메라 또는 라이다(light detection and ranging, LiDAR) 등의 센서를 필요로 하나 스마트폰 어플리케이션 등의 비전문가용 시스템에서는 이를 이용하기 어렵다. 이와 같은 문제를 해결하기 위하여 단일이미지로부터 실내 공간을 인식하는 기술에 대한 연구가 행해지고 있다. 그 중, 소실점(vanishing point)를 사용하여 실내 구조를 파악하려 한 연구들이 있다.

참고문헌 (13)

Chen, Y., Pan, D., Pan, Y., Liu, S., Gu, A., & Wang, M., "Indoor scene understanding via monocular RGB-D images." Information Sciences, 320, pp. 361-371 , Nov. 2015.

상세보기
D. Hoiem, A. A. Efros, M. Hebert. "Recovering surface layout from an image." International Journal of Computer Vision, 75.1: 151-172, 2007.

상세보기
Hedau, Varsha, Derek Hoiem, David Forsyth. "Recovering the spatial layout of cluttered rooms." 2009 IEEE 12th international conference on computer vision. IEEE 2009, pp. 1849-1856, 2009.
D. C. Lee, M. Hebert, T. Kanade. "Geometric reasoning for single image structure recovery." Computer Vision and Pattern Recognition, IEEE Conference on. IEEE, 2009. pp. 2136-2143, 2009.
A. Gupta, M. Hebert, T. Kanade, D. M. Blei. "Estimating spatial layout of rooms using volumetric reasoning about objects and surfaces." In NIPS, pp. 1288-1296, 2010.
L. Del Pero, J. Bowdish, D. Fried, B. Kermgard, E. Hartley, K. Barnard. "Bayesian geometric modeling of indoor scenes." In CVPR, 2012, pp. 2719-2726, 2012.
Canny, John. "A computational approach to edge detection." IEEE Transactions on pattern analysis and machine intelligence, 6, pp. 679-698, 1986.
Kosecka, Jana, Wei Zhang. "Video compass." European conference on computer vision. Springer Berlin Heidelberg, 2002.
Felzenszwalb, Pedro F., and Daniel P. Huttenlocher. "Efficient graph-based image segmentation." International Journal of Computer Vision 59.2: 167-181, 2004.

상세보기
Shi, Jianbo, and Jitendra Malik. "Normalized cuts and image segmentation." IEEE Transactions on pattern analysis and machine intelligence 22.8: 888-905, 2000.

상세보기
Achanta, Radhakrishna, et al. Slic superpixels. No. EPFL-REPORT-149300. 2010.
Y. Zhao and S.-C. Zhu. "Scene parsing by integrating function, geometry and appearance models." In CVPR. IEEE, 2013, pp. 3119-3126, 2013.
A. G. Schwing, R. Urtasun. "Efficient exact inference for 3d indoor scene understanding." In ECCV, pp. 299-313, 2012.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증