[논문]소실점의 직교성을 이용한 구조적인 소실점 검출 방법

정성기; 이창형; 최형일

doi:10.7472/jksii.2017.18.5.39

소실점의 직교성을 이용한 구조적인 소실점 검출 방법
Method for Structural Vanishing Point Detection Using Orthogonality on Single Image 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.18 no.5, 2017년, pp.39 - 46

정성기 (School of Media, Soongsil Univ) , 이창형 (School of Media, Soongsil Univ) , 최형일 (School of Media, Soongsil Univ)

초록
AI-Helper

본 논문은 도심을 촬영한 실내, 실외의 영상은 대부분 직육면체를 이룬다는 "Manhattan World" 가정을 기반으로 한 소실점의 직교성을 이용한 구조적인 소실점 검출 방법을 제안한다. 소실점들이 서로 직교하는 특징은 3개의 소실점 중 검출되지 않은 소실점을 추론하는데 매우 유용하게 사용될 수 있으며 소실점이 근접하여 검출되는 경우를 방지할 수 있다. 본 논문에서는 통계적인 접근을 통해 수직 소실점을 검출하고 구조적인 방법으로 수평, 전방 소실점을 검출하였다. 실험결과에서는 제안된 방법이 기존 방법과 비교하여 소실점 검출 정확도가 향상됨을 보인다.

Abstract ▼ AI-Helper

In this paper, we proposes method of vanishing point detection using orthogonality of vanishing point, under the "Manhattan World" assumption that the structure of the city is mostly grid and vanishing point are orthogonal to each other. The feature that the vanishing point are orthogonal to each other can be useful for inferring the missing point that are not detected among the three vanishing point, and prevent the vanishing point detected close to the other vanishing point. In this paper, we detect Vertical vanishing point through statistical approach and detect Horizontal and Front vanishing point through structural approach. Experimental results show that the proposed method improves the detection accuracy of the vanishing point compared with the existing method.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 Clutter에 의한 영향을 최소화하기 위하여 Orthogonal Point를 이용한 구조적인 소실점 검출 방법을 제안한다. Orthogonal Point는 소실점 후보와 쌍을 이루며 모든 후보 쌍 들은 소실점의 직교성을 만족한다.
본 연구에서는 구조적인 정의를 만족하는 소실점을 검출하기 위해 통계적인 방법으로 수직 소실점의 후보 군을 축소하는 방법과 투시중심점을 사용하여 구조적으로 소실점을 검출하는 방법을 제안한다.

제안 방법

실험 영상의 해상도는 작게는 256x256부터 1332x750까지 다양한 크기를 가진다. 1개의 벽이 보이는 경우부터 3개의 벽이 보이는 경우까지 존재하며 바닥은 모든 영상에서 보이도록 촬영되었으며 벽과 벽, 벽과 바닥 사이의 모서리를 폐색시키는 실내 객체가 존재하는 영상을 사용하였다. 또한, 소실점 검출의 신뢰도를 파악하기 위하여 모든 영상의 촬영 위치와 방향을 다양하게 구성하였다.
Orthogonal Point를 구하기 위해서 앞서 구한 수직 소실점과 소실점 후보가 직교 할 수 있는 z값을 내적 수식을 응용하여 구한다.
그 결과 그림 3-a의 전방 소실점은 여러 각도에 고르게 분포하여 특징을 정의하기 어려운 반면 그림 3-b, 3-c의 수직, 수평 소실점은 특정 각도에 대부분이 분포 한 결과를 발견하였다. 그 중, 수평과 전방 소실점은 영상 중심과의 거리에 의하여 결정되므로 특징이 가장 뚜렷한 수직 소실점을 가장 먼저 검출하였다. 수직 소실점은 그림 3-c에서 영상 중심으로부터 80˚~110˚사이에 모두 분포하는 것을 알 수 있었다.
1개의 벽이 보이는 경우부터 3개의 벽이 보이는 경우까지 존재하며 바닥은 모든 영상에서 보이도록 촬영되었으며 벽과 벽, 벽과 바닥 사이의 모서리를 폐색시키는 실내 객체가 존재하는 영상을 사용하였다. 또한, 소실점 검출의 신뢰도를 파악하기 위하여 모든 영상의 촬영 위치와 방향을 다양하게 구성하였다.
실내 영상에서 검출된 선분을 이용하여 소실점 후보를 평가한다. 그림 2는 소실점 후보 p와 선분 l의 관계를 나타낸다.
실험 결과는 기존 방법과 제안하는 방법과의 소실점검출 정확도를 측정하여 비교하였다. 실험 결과를 정량적으로 표기하기 위해 Ground Truth와 기존 방법과의 소실점 오차각도, Ground Truth와 제한하는 방법의 소실점 오차각도를 측정 하여 표 3과 같이 비교하였다.
영상 중심점으로부터 수직, 수평, 전방 소실점이 위치한 각도의 분포를 파악하기 위하여 수동으로 Ground Truth에 해당하는 소실점을 구하였다. 그림 3에서 180장의 실험 영상에 대한 수직, 수평, 전방 소실점의 각도 분포를 그래프로 표현 하였다.
입력 영상으로부터 선분을 검출하기 위해 Canny Edge Detector를 사용하여 에지 영상을 구하였다. 에지가 검출된 위치의 화소들의 밝기의 방향을 k단계로 나누어 그룹화하고, 공분산을 이용하여 선분을 검출[9]하였다.
표 3에서 기존 방법과 제안하는 방법 순서로 표시하였고 각 방법에서 수직, 수평, 전방 소실점의 평균 오차 각도와 3개의 소실점의 오차각도를 모두 포함한 평균 오차 각도를 표기하였다. 표 3의 각 방법의 평균 오차율을 비교 한 결과 평균적으로 14.

대상 데이터

본 논문에서 제안하는 알고리즘을 개발 및 실험하기 위한 컴퓨터 환경으로 Intel(R) Core(TM) i5-3470 3.2GHz CPU와 8GByte 메모리를 사용하였다. 운영체제는 Windows 8 Enterprise K 64bit OS를 사용하였으며, 개발 툴은 Visual Studio 2013 Community와 OpenCV 3.
실험 데이터로는 178장의 Hoiem[3]의 실내 영상에 56장의 직접 촬영한 실내영상을 추가한 234장의 영상을 사용하였다. 실험 영상의 해상도는 작게는 256x256부터 1332x750까지 다양한 크기를 가진다.

데이터처리

실험 결과는 기존 방법과 제안하는 방법과의 소실점검출 정확도를 측정하여 비교하였다. 실험 결과를 정량적으로 표기하기 위해 Ground Truth와 기존 방법과의 소실점 오차각도, Ground Truth와 제한하는 방법의 소실점 오차각도를 측정 하여 표 3과 같이 비교하였다.

이론/모형

입력 영상에서 검출된 선분들이 연장선상에서 서로 수렴하는 교점을 소실점 후보로 정의한다. 교점을 검출하기 위해 가우시안 구를 통한 교점 검출[10]을 사용하였다. 가우시안 구의 중심점을 좌표 계의 중심으로 정의하고, 입력영상의 중심은 z축 방향으로 z만큼 떨어진 점이다.

성능/효과

소실점은 공간정보 추론 과정에서 공간정보 후보 군을 생성하는 요소이며, 공간정보 후보 군을 평가하는 특징인 Orientation map, Manhattan Junction 등 에도 기반이 되어 영향을 준다. 본 논문에서 제안하는 구조적인 소실점 검출 방법을 통해 정확한 소실점을 검출하는 것은 앞선 연 구들의 정확도를 향상 시킬 수 있다.
기존 순차적인 소실점 검출 방법에서 처음 검출되는 소실점의 정확도에 비해 2회 또는 3회에 검출되는 소실점의 오차가 증가하는 문제점이 있었다. 제안하는 방법은 각 소실점의 평균 오차 각도의 차이가 감소하여 전체적으로 고른 검출 각도를 보여 기존방법의 문제점이 개선됨을 보인다.
표 3에서 기존 방법과 제안하는 방법 순서로 표시하였고 각 방법에서 수직, 수평, 전방 소실점의 평균 오차 각도와 3개의 소실점의 오차각도를 모두 포함한 평균 오차 각도를 표기하였다. 표 3의 각 방법의 평균 오차율을 비교 한 결과 평균적으로 14.5992도 감소하였으며 분산 또한 9.9999도 감소하였다. 기존 순차적인 소실점 검출 방법에서 처음 검출되는 소실점의 정확도에 비해 2회 또는 3회에 검출되는 소실점의 오차가 증가하는 문제점이 있었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	소실점이란?	소실점은 공간정보 추론 과정에서 공간정보 후보 군을 생성하는 요소이며, 공간정보 후보 군을 평가하는 특징인 Orientation map, Manhattan Junction 등 에도 기반이 되어 영향을 준다. 본 논문에서 제안하는 구조적인 소실점 검출 방법을 통해 정확한 소실점을 검출하는 것은 앞선 연 구들의 정확도를 향상 시킬 수 있다.
	2D 영상에서 소실점을 검출하기 위해 Coughlan[1] 이 1999년에 처음 제안한 아이디어는?	2D 영상에서 소실점을 검출하기 위한 방법으로 “Manhattan World”가정을 이용하여 소실점 위치를 근사화 하려는 아이디어는 Coughlan[1] 이 1999년에 처음 제안하였다. 그 후 Hedau[2]가 입체 박스를 사용하여 실내영상에서 공간 정보를 검출하고자 하였다.
	소실점으로 공간 정보의 후보 군을 생성하고 평가하는 방법에 대한 연구는 무엇이 있는가?	소실점으로 공간 정보의 후보 군을 생성하고 평가하는 방법에 대한 연구는 크게 두 종류의 접근법으로 나뉜다. 공간 정보를 정확하게 검출하기 위해 추가적인 특징 검출에 대한 연구[3-5]와 공간 정보 추론 방법에 대한 연구[6-8]가 있다.

참고문헌 (10)

Coughlan, James M., and Alan L. Yuille. "Manhattan world: Compass direction from a single image by bayesian inference." Computer Vision, 1999. The Proceedings of the Seventh IEEE International Conference on. Vol. 2. IEEE, 1999, pp. 941- 947. https://doi.org/10.1109/ICCV.1999.790349
Hedau, Varsha, Derek Hoiem, and David Forsyth. "Recovering the spatial layout of cluttered rooms." Computer vision, 2009 IEEE 12th international conference on. IEEE, 2009, pp.1849-1856. https://doi.org/10.1109/ICCV.2009.5459411
Hoiem, Derek, Alexei A. Efros, and Martial Hebert. "Recovering surface layout from an image." International Journal of Computer Vision 75.1, 2007, pp. 151-172. https://link.springer.com/article/10.1007/s11263-006-0031-y

상세보기
Lee, David C., Martial Hebert, and Takeo Kanade. "Geometric reasoning for single image structure recovery." Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on. IEEE, 2009, pp 2136-2143. https://doi.org/10.1109/CVPR.2009.5206872
Ramalingam, Srikumar, et al. "Manhattan junction catalogue for spatial reasoning of indoor scenes." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2013, pp. 3065- 3072. https://doi.org/10.1109/CVPR.2013.394
Gupta, Abhinav, et al. "Estimating spatial layout of rooms using volumetric reasoning about objects and surfaces." Advances in neural information processing systems. 2010, pp. 1288-1296. http://papers.nips.cc/paper/4120-estimating-spatial-lay out-of-rooms-using-volumetric-reasoning-about-object s-and-surfaces
Del Pero, Luca, et al. "Bayesian geometric modeling of indoor scenes." Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012, pp.2719-2726. https://doi.org/10.1109/CVPR.2012.6247994
Wang, Huayan, Stephen Gould, and Daphne Roller. "Discriminative learning with latent variables for cluttered indoor scene understanding." Communications of the ACM 56.4, 2013, pp. 92-99. https://doi.org/10.1145/2436256.2436276

상세보기
Kosecka, Jana, and Wei Zhang. "Video compass." European conference on computer vision. Springer Berlin Heidelberg, 2002, pp. 476-490. https://link.springer.com/chapter/10.1007/3-540-47979 -1_32
Lutton, Evelyne, Henri Maitre, and Jaime Lopez- Krahe. "Contribution to the determination of vanishing points using Hough transform." IEEE transactions on pattern analysis and machine intelligence 16.4,1994, pp. 430-438. https://doi.org/10.1109/34.277598

상세보기

LOADING...

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