이미지를 기반으로 하는 증강현실 시스템에서 가상의 객체를 실제 영상에 저작할 때 생기는 이질감을 줄이기 위해서는 실제 영상에 저작된 가상객체의 방향과 위치에 대해 정확하게 추정을 해야 하며, 이때 호모그래피를 사용한다. 호모그래피를 추정하기 위해서는 SURF와 같은 특징점을 추출하고 추출된 특징점들을 통해 호모그래피 행렬을 추정한다. 호모그래피 행렬의 추정을 위해서 RANSAC 알고리즘이 주로 사용되고 있으며, 특히 RANSAC에 제약 조건 만족 문제(Constraint Satisfaction Problem)와 여기에 사용되는 제약조건을 동적으로 적용하여 속도와 정확도를 높인 DCS-RANSAC 알고리즘이 연구되었다. DCS-RANSAC 알고리즘에서 사용된 이미지 그룹 데이터는 수동적인 방법을 통해 직관적으로 분류되어 있지만 특징점 분포 패턴이 다양하지 않고, 이미지들을 정확하게 분류하기가 어려워서 이로 인해 알고리즘의 성능이 저하되는 경우가 있다. 따라서 본 논문에서는 K-means 클러스터링을 적용하여 이미지들을 자동으로 분류하고 각 이미지 그룹마다 각기 다른 제약조건을 적용하는 KCS-RANSAC 알고리즘을 제안한다. 제안하는 알고리즘은 머신러닝 기법인 K-means 클러스터링을 사용하여 전처리 단계에서 이미지를 특징점 분포 패턴에 따라 자동으로 분류하고, 분류된 이미지에 제약조건을 적용하여 알고리즘의 속도와 정확도를 향상시켰다. 실험 결과 본 논문에서 제안하는 KCS-RANSAC이 DCS-RANSAC 알고리즘에 비해 수행시간이 약 15% 단축되었고, 오차율은 약 35% 줄어들었으며, 참정보 비율은 약 14% 증가되었다.
이미지를 기반으로 하는 증강현실 시스템에서 가상의 객체를 실제 영상에 저작할 때 생기는 이질감을 줄이기 위해서는 실제 영상에 저작된 가상객체의 방향과 위치에 대해 정확하게 추정을 해야 하며, 이때 호모그래피를 사용한다. 호모그래피를 추정하기 위해서는 SURF와 같은 특징점을 추출하고 추출된 특징점들을 통해 호모그래피 행렬을 추정한다. 호모그래피 행렬의 추정을 위해서 RANSAC 알고리즘이 주로 사용되고 있으며, 특히 RANSAC에 제약 조건 만족 문제(Constraint Satisfaction Problem)와 여기에 사용되는 제약조건을 동적으로 적용하여 속도와 정확도를 높인 DCS-RANSAC 알고리즘이 연구되었다. DCS-RANSAC 알고리즘에서 사용된 이미지 그룹 데이터는 수동적인 방법을 통해 직관적으로 분류되어 있지만 특징점 분포 패턴이 다양하지 않고, 이미지들을 정확하게 분류하기가 어려워서 이로 인해 알고리즘의 성능이 저하되는 경우가 있다. 따라서 본 논문에서는 K-means 클러스터링을 적용하여 이미지들을 자동으로 분류하고 각 이미지 그룹마다 각기 다른 제약조건을 적용하는 KCS-RANSAC 알고리즘을 제안한다. 제안하는 알고리즘은 머신러닝 기법인 K-means 클러스터링을 사용하여 전처리 단계에서 이미지를 특징점 분포 패턴에 따라 자동으로 분류하고, 분류된 이미지에 제약조건을 적용하여 알고리즘의 속도와 정확도를 향상시켰다. 실험 결과 본 논문에서 제안하는 KCS-RANSAC이 DCS-RANSAC 알고리즘에 비해 수행시간이 약 15% 단축되었고, 오차율은 약 35% 줄어들었으며, 참정보 비율은 약 14% 증가되었다.
Estimating the correct pose of augmented objects on the real camera view efficiently is one of the most important questions in image tracking area. In computer vision, Homography is used for camera pose estimation in augmented reality system with markerless. To estimating Homography, several algorit...
Estimating the correct pose of augmented objects on the real camera view efficiently is one of the most important questions in image tracking area. In computer vision, Homography is used for camera pose estimation in augmented reality system with markerless. To estimating Homography, several algorithm like SURF features which extracted from images are used. Based on extracted features, Homography is estimated. For this purpose, RANSAC algorithm is well used to estimate homography and DCS-RANSAC algorithm is researched which apply constraints dynamically based on Constraint Satisfaction Problem to improve performance. In DCS-RANSAC, however, the dataset is based on pattern of feature distribution of images manually, so this algorithm cannot classify the input image, pattern of feature distribution is not recognized in DCS-RANSAC algorithm, which lead to reduce it's performance. To improve this problem, we suggest the KCS-RANSAC algorithm using K-means clustering in CS-RANSAC to cluster the images automatically based on pattern of feature distribution and apply constraints to each image groups. The suggested algorithm cluster the images automatically and apply the constraints to each clustered image groups. The experiment result shows that our KCS-RANSAC algorithm outperformed the DCS-RANSAC algorithm in terms of speed, accuracy, and inlier rate.
Estimating the correct pose of augmented objects on the real camera view efficiently is one of the most important questions in image tracking area. In computer vision, Homography is used for camera pose estimation in augmented reality system with markerless. To estimating Homography, several algorithm like SURF features which extracted from images are used. Based on extracted features, Homography is estimated. For this purpose, RANSAC algorithm is well used to estimate homography and DCS-RANSAC algorithm is researched which apply constraints dynamically based on Constraint Satisfaction Problem to improve performance. In DCS-RANSAC, however, the dataset is based on pattern of feature distribution of images manually, so this algorithm cannot classify the input image, pattern of feature distribution is not recognized in DCS-RANSAC algorithm, which lead to reduce it's performance. To improve this problem, we suggest the KCS-RANSAC algorithm using K-means clustering in CS-RANSAC to cluster the images automatically based on pattern of feature distribution and apply constraints to each image groups. The suggested algorithm cluster the images automatically and apply the constraints to each clustered image groups. The experiment result shows that our KCS-RANSAC algorithm outperformed the DCS-RANSAC algorithm in terms of speed, accuracy, and inlier rate.
본 논문에서는 머신러닝 기법인 K-means 클러스터링 알고리즘을 사용하여 입력된 이미지들을 특징점 분포 패턴에 따라 자동으로 분류하는 방법을 제안한다. 제안하는 알고리즘에서는 전처리 단계에서 이미지들에서 SURF 특징점을 추출한 후 특징점들을 K-means 클러스터링 알고리즘을 통해 클러스터링 하여 이미지 그룹들을 특징점 분포 패턴에 따라 분류하고 입력된 이미지들은 클러스터에 의해 이미 분류된 이미지 그룹에 자동으로 분류한다.
제안 방법
본 장에서는 전처리 단계에서 머신러닝 기법인 K-means 알고리즘을 사용하여 입력된 이미지를 특징점 분포 패턴에 따라 자동으로 분류하는 방법을 적용한 K-means clustering CSRANSAC (이하 KCS-RANSAC) 알고리즘을 제안한다. Fig.
본 논문에서는 머신러닝 기법인 K-means 클러스터링 알고리즘을 사용하여 입력된 이미지들을 특징점 분포 패턴에 따라 자동으로 분류하는 방법을 제안한다. 제안하는 알고리즘에서는 전처리 단계에서 이미지들에서 SURF 특징점을 추출한 후 특징점들을 K-means 클러스터링 알고리즘을 통해 클러스터링 하여 이미지 그룹들을 특징점 분포 패턴에 따라 분류하고 입력된 이미지들은 클러스터에 의해 이미 분류된 이미지 그룹에 자동으로 분류한다.
데이터처리
본 논문에서는 입력된 이미지를 특징점 분포 패턴에 따라 K-means clustering 알고리즘을 사용하여 그룹별로 구별하고 이미지 그룹마다 최적화된 단위격자 크기를 적용시킨 KCS-RANSAC 알고리즘을 제안하였다. KCS-RANSAC의 성능 평가를 위하여 K-means 클러스터링 알고리즘을 사용하여 입력된 이미지를 특징점 분포 패턴에 따라 분류하고 호모그래피 오차율, 수행시간, 참정보 비율을 측정하였다. 이미지 그룹 10개에 대해 동적 제약 조건인 단위격자 크기를 적용했기 때문에 특징점 분포에 강건한 결과를 보였다.
본 성능비교는 10개의 이미지 그룹에 대하여 RANSAC, CS-RANSAC, T-RANSAC, KCS-RANSAC 네 가지 알고리즘을 동일한 환경에서 각 그룹마다 2쌍의 이미지를 적용하여 알고리즘을 100번 반복수행하여 얻은 값들의 평균값을 비교하였다. 실험결과 KCS-RANSAC의 수행시간, 오차율, 참 정보 포함 비율이 다른 알고리즘보다 우수한 것을 볼 수 있다.
성능/효과
이미지 그룹 10개에 대해 동적 제약 조건인 단위격자 크기를 적용했기 때문에 특징점 분포에 강건한 결과를 보였다. 또한 랜덤 샘플링 과정에서 불필요한 탐색 연산을 줄여 알고리즘의 효율성을 향상시켰다. 수행시간 측면에서는 평균 34%의 성능 향상을 보였고 오차율은 17.
또한 랜덤 샘플링 과정에서 불필요한 탐색 연산을 줄여 알고리즘의 효율성을 향상시켰다. 수행시간 측면에서는 평균 34%의 성능 향상을 보였고 오차율은 17.6%, 참정보 비율은 1%의 성능향상을 보였다.
본 논문의 알고리즘은 증강현실 기술 중에서 비마커 기반의 객체 추적에 사용되는 알고리즘이지만 빠르게 진행되는 영상보다는 정적인 영상에 적합한 알고리즘이다. 특히 항공기 정비와 같이 대부분 정적인 영상에서 HMD (head Mounted Display)를 가지고 작업하는 환경에서는 정확하고 빠른 추적을 통해 가상의 객체를 HMD에 증강시킬 수 있으므로 항공기 정비를 보다 효율적으로 할 수 있게 된다.
후속연구
본 논문에서는 이미지에서 랜덤 샘플링 과정을 진행 할 때 특징점 분포가 희박한 부분의 특징점이 선택되어 불필요한 연산이 증가하여 오버헤드가 발생하는 문제점이 있다. 따라서 향후 연구에서는 샘플링 단계에서 특징점 분포가 적은 부분의 특징점들을 필터링하여 선택이 되지 않게 하는 연구가 필요하다.
본 논문에서는 이미지에서 랜덤 샘플링 과정을 진행 할 때 특징점 분포가 희박한 부분의 특징점이 선택되어 불필요한 연산이 증가하여 오버헤드가 발생하는 문제점이 있다. 따라서 향후 연구에서는 샘플링 단계에서 특징점 분포가 적은 부분의 특징점들을 필터링하여 선택이 되지 않게 하는 연구가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
본 논문에서는 K-means 클러스터링을 적용하여 이미지들을 자동으로 분류하고 각 이미지 그룹마다 각기 다른 제약조건을 적용하는 KCS-RANSAC 알고리즘을 제안한 이유는?
호모그래피 행렬의 추정을 위해서 RANSAC 알고리즘이 주로 사용되고 있으며, 특히 RANSAC에 제약 조건 만족 문제(Constraint Satisfaction Problem)와 여기에 사용되는 제약조건을 동적으로 적용하여 속도와 정확도를 높인 DCS-RANSAC 알고리즘이 연구되었다. DCS-RANSAC 알고리즘에서 사용된 이미지 그룹 데이터는 수동적인 방법을 통해 직관적으로 분류되어 있지만 특징점 분포 패턴이 다양하지 않고, 이미지들을 정확하게 분류하기가 어려워서 이로 인해 알고리즘의 성능이 저하되는 경우가 있다. 따라서 본 논문에서는 K-means 클러스터링을 적용하여 이미지들을 자동으로 분류하고 각 이미지 그룹마다 각기 다른 제약조건을 적용하는 KCS-RANSAC 알고리즘을 제안한다.
증강현실 시스템은 무엇을 기반으로 하는가?
이미지를 기반으로 하는 증강현실 시스템에서 가상의 객체를 실제 영상에 저작할 때 생기는 이질감을 줄이기 위해서는 실제 영상에 저작된 가상객체의 방향과 위치에 대해 정확하게 추정을 해야 하며, 이때 호모그래피를 사용한다. 호모그래피를 추정하기 위해서는 SURF와 같은 특징점을 추출하고 추출된 특징점들을 통해 호모그래피 행렬을 추정한다.
호모그래피를 추정하기 위해 어떻게 하는가?
이미지를 기반으로 하는 증강현실 시스템에서 가상의 객체를 실제 영상에 저작할 때 생기는 이질감을 줄이기 위해서는 실제 영상에 저작된 가상객체의 방향과 위치에 대해 정확하게 추정을 해야 하며, 이때 호모그래피를 사용한다. 호모그래피를 추정하기 위해서는 SURF와 같은 특징점을 추출하고 추출된 특징점들을 통해 호모그래피 행렬을 추정한다. 호모그래피 행렬의 추정을 위해서 RANSAC 알고리즘이 주로 사용되고 있으며, 특히 RANSAC에 제약 조건 만족 문제(Constraint Satisfaction Problem)와 여기에 사용되는 제약조건을 동적으로 적용하여 속도와 정확도를 높인 DCS-RANSAC 알고리즘이 연구되었다.
참고문헌 (13)
R. T. Azuma, "A survey of augmented reality," Presence: Teleoperators and Virtual Environments, Vol.6, Issue 4, pp.355-385, 1997.
F. Zhou, H. B. Duh, and M. Billinghurst, "Trends Augmented Reality Tracking, Interaction and Display: A Review of Ten Years of ISMAR," IEEE International Symposium on Mixed and Augmented Reality, pp.193-202, 2008.
F. D. Crescenzio, M. Fantini, F. Persiani, L. D. Stefano, P. Azzari, and S. Salti, "Augmented Reality for Aircraft Maintenance Training and Operations Support," IEEE Computer Graphics and Applications, Vol.31, Issue 1, pp.96-101, 2011.
K. S. Lee, A. N. Rosli and G. S. Jo, "A Method for Automatically Creating an Interactive Semantic Video based on AR System," IEEE International Conference on Systems, Man, and Cybernetics, in press, 2012.
H. Bay, A. Ess, T. Tuytelaars, and L. Van Gool, L. V., "SURF: Speeded Up Robust Features," Computer Vision and Image Understanding, Vol.110, No.3, pp.346-359, 2008.
O. Faugeras and F. Lustman, "Motion and structure from motion in a piecewise planar environment," International Journal of Pattern Recognition and Artificial Intelligence, Vol.2, No.3, pp.485-508, 1988.
D. Stricker, "Tracking with Reference Images: A Real-Time and Markerless Tracking Solution for Out-Door Augmented Reality Applications," International Symposium on Virtual Reality, Archeology, and Cultural Heritage, ACM, pp.77-82, 2001.
E. Vincent and R. Laganiere, "Detecting planar homographies in an image pair," IEEE International Symposium on Image and Signal Processing and Analysis, pp.182-187, 2001.
UKbench dataset (Center for Visualization&Virtual Environ ments) 2016 [Internet], http://vis.uky.edu/-stewe/ukbench/.
B. Subbiah and S. Christopher, "Image Classification through Integrated K-means Algorithm," International Journal of Computer Science Issues, Vol.9, No.2, pp.518-524, 2012.
D. Chandra, "Automatic Determination of Constraint Parameter for Improving Homography Matrix Calculation in RANSAC Algorithm," Korea Information Processing Society, Vol.21, No.1, 2014.
G. S. Jo, K. S. Lee, C. Devy, C. H. Jang, and M. H. Ga, "RANSAC versus CS-RANSAC," American Association for Artificial Intelligence (AAAI), pp.1350-1356, 2015.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.