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
- 하지만 이러한 방법은 초기 소실점이 잘못된 경우 나머지 소실점 역시 정확도가 떨어질 수 있다. 본 논문은 이를 개선할 수 있는 방법을 제안한다.
제안 방법
- s는 선분, p는 교점, α는 교점과 선분이 이루는 각도, dist는 교점과 선분의 중심까지의 거리이다. 교점들 중 소실점을 검출해내기 위해서 영상 내의 선분들이 교점에 얼마나 영향을 주는지를 투표 함수 vote를 통해 평가한다[3]. vote함수에 관한 수식은 수식 (1)와 같다
- [표 1]의 1~5는 정해놓은 횟수 n만큼 반복된다. 기존의 방식을 사용하여 교점들 중 투표 함수를 통해 계산한 투표합이 가장 큰 교점을 초기 소실점 후보로 검출한다. 나머지 두 소실점 후보는 앞 절의 구조적 소실점검출 방법을 이용하여 검출한다.
- 그럴 경우 의미 있는 결과를 얻기 힘들다. 따라서 검출된 초기 소실점 후보 주위의 교점들을 다음 후보에서 제거해줌으로 이전에 검출된 초기 소실점 후보에서 떨어져 있는 교점들이 다음 초기 소실점 후보로 검출되도록 하였다.
- 본 절에서는 투표합이 가장 높은 최상위 한 개의 교점만을 가지고 초기 소실점을 구했던 방식 대신 [그림6]과 같이 여러 개의 후보 초기 소실점을 두는 방식을 제안한다. [그림 6]의 빨간 원형의 점은 첫 초기 소실점 후보를 의미하고 파란 원형의 점은 다음에 검출된 초기소실점 후보를 의미한다.
- 검출한 소실점set의 세 소실점에 각각 [표 2]의 mean-shift 알고리즘을 통한 작업을 해준다. 소실점의 위치를 vpold에 저장하고 [표2]의 알고리즘을 진행한다.
- 입력 영상 내의 선분들의 교점 중에서 소실점을 검출하기 때문에 우선 영상에서 에지를 검출한 후 에지로부터 선분을 검출한다. 그리고 가우시안 구를 이용해 선분들의 교점을 검출한다[7].
대상 데이터
- 실험을 위해 직접 촬영한 영상과 온라인을 통해 수집한 실내 영상 204장을 데이터로 사용하였다. 벽이 1개만 보이는 영상부터 3개가 보이는 경우까지 다양한 영상을 준비했고, 각 벽면 사이의 모서리가 실내 객체로 인하여 폐색되는 영상도 사용하였으며, 바닥은 모든 영상에서 노출되도록 하였다.
- 실험을 위해 직접 촬영한 영상과 온라인을 통해 수집한 실내 영상 204장을 데이터로 사용하였다. 벽이 1개만 보이는 영상부터 3개가 보이는 경우까지 다양한 영상을 준비했고, 각 벽면 사이의 모서리가 실내 객체로 인하여 폐색되는 영상도 사용하였으며, 바닥은 모든 영상에서 노출되도록 하였다.
이론/모형
- 세 소실점들을 단순히 검출한 이후에 후처리를 통해 더욱 최적화된 소실점을 검출해내는 것이 가능하다. 본 절에서는 [그림 7]과 같이 mean-shift 알고리즘[8]을 통해서 소실점들에 대해 후처리해주는 방법을 적용했다.
- 초기 소실점을 산출한 후 두, 세 번째 소실점을 추출하기 위해서 소실점 간의 직교성을 이용한 구조적 소실점 검출 방법을 이용한다[6].
성능/효과
- 첫 번째 열은 Ground Truth 영상, 두 번째 열은 기존 방식[6]을 통해 검출된 영상, 세 번째 열은 제안하는 방식을 통해 검출된 영상이다. 결과를 통해 보이듯이 제안하는 방식을 통한 결과 영상이 기존 방식에 비해 개선된 것을 확인할 수 있다.
- 2장에서는 Mean-Shift 알고리즘을 이용한 소실점 후처리를 설명한다. 결론에서는 제안하는 방법을 사용한 실험 결과 및 제안하는 방법을 통해 개선되는 면을 설명한다.
- 실험을 통해 기존 방식으로 소실점을 검출할 때보다 제안하는 방식으로 소실점을 검출할 때 소실점 검출의 정확도가 향상됨을 확인하였다. 다중 초기 소실점 방식과 mean-shift 방식 모두 기존 방식보다는 개선된 결과를 보였고 두 방법 중에서는 다중 초기 소실점 방식이 더 나은 결과를 보였다. 하지만 mean-shift 와 같은 후처리 알고리즘을 적절히 사용 시 더 향상된 결과를 가져올 수 있다는 가능성을 보여주었으므로 추가적인 연구가 필요할 것으로 보인다.
- [표 3]에서 확인할 수 있듯이 기존 방식에 비해 제안하는 방식의 인식률이 높은 것을 확인 할 수 있다. 다중 초기 소실점과 mean-shift 방식은 Pass, Fail만으로 평가하였을 경우 그 결과가 유사함을 보였다. [표 4]에서는 mean-shift보다는 다중 초기 소실점을 이용할 경우가 향상된 영상의 수와 약화된 영상의 수 면에서 미세하게 더 나은 결과를 보였다.
- 또한 초기 소실점 후보를 일단 구하면 그 주위의 교점들을 다음 초기 소실점 후보에서 제거함으로써 초기소실점이 한 곳에 집중되어 검출되는 것을 방지하였다. [그림 6]에서 큰 원 안의 초록 원형의 점들이 초기 소실점 주변의 교점들이고 X표시는 교점들이 다음 후보에서 제거됨을 의미한다.
- 세 소실점들을 단순히 검출한 이후에 후처리를 통해 더욱 최적화된 소실점을 검출해내는 것이 가능하다. 본 절에서는 [그림 7]과 같이 mean-shift 알고리즘[8]을 통해서 소실점들에 대해 후처리해주는 방법을 적용했다.
- 실험을 통해 기존 방식으로 소실점을 검출할 때보다 제안하는 방식으로 소실점을 검출할 때 소실점 검출의 정확도가 향상됨을 확인하였다. 다중 초기 소실점 방식과 mean-shift 방식 모두 기존 방식보다는 개선된 결과를 보였고 두 방법 중에서는 다중 초기 소실점 방식이 더 나은 결과를 보였다.
후속연구
- 다중 초기 소실점 방식과 mean-shift 방식 모두 기존 방식보다는 개선된 결과를 보였고 두 방법 중에서는 다중 초기 소실점 방식이 더 나은 결과를 보였다. 하지만 mean-shift 와 같은 후처리 알고리즘을 적절히 사용 시 더 향상된 결과를 가져올 수 있다는 가능성을 보여주었으므로 추가적인 연구가 필요할 것으로 보인다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.