$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

시계열 스트리트뷰 데이터베이스를 이용한 시각적 위치 인식 알고리즘
Visual Location Recognition Using Time-Series Streetview Database 원문보기

반도체디스플레이기술학회지 = Journal of the semiconductor & display technology, v.18 no.4, 2019년, pp.57 - 61  

박천수 (성균관대학교 컴퓨터교육과) ,  최준연 (세종대학교 소프트웨어학과)

Abstract ▼ AI-Helper 아이콘AI-Helper

Nowadays, portable digital cameras such as smart phone cameras are being popularly used for entertainment and visual information recording. Given a database of geo-tagged images, a visual location recognition system can determine the place depicted in a query photo. One of the most common visual loc...

주제어

#Visual location recognition   #Bag-of-words   #Geo-tag   #Image retrieval   #Common keypoints  

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 반대로 인근 위치에서 촬영된 이미지에서 공통으로 존재하는 특징점은 쿼리 영상에서도 존재할 가능성이 높기 때문에 이를 이용하여 이미지 검색 성능을 향상 시킬 수 있다 [12,13]. 따라서 본 논문에서는 데이터베이스 이미지의 BoW 히스토그램을 구성하는 경우 부정확한 가변 특징점들을 사전에 제거하고 공통 특징점을 사용하는 기술을 제안한다. 하위 절에서는 본 논문에서 사용한 시계열 스트리트뷰 데이터베이스를 구성하는 방식과, 이를 이용하여 이미지간의 공통 특징점을 추출하는 기술을 구체적으로 설명한다.
  • 본 논문에서는 시계열 스트리트뷰(time-series streetview) 데이터베이스를 이용하여 이미지 검색에 유용한 특징점은 유지하고, 나머지 특징점은 효과적으로 제거하는 기술을 제안한다. 제안하는 기술은 다른 시간에 인근 위치에서 촬영된 복수의 스트리트뷰 이미지를 이용하여, 가장 최근 이미지의 특징점 중에서 과거 사진에서도 존재하는 공통 특징점(common keypoints)를 선별한다.

가설 설정

  • 제안하는 공통 특징점 추출 기술은 SIFT 방식을 이용하여 각 이미지에서 다수의 특징점을 찾고 해당 특성 벡터를 구하는 것으로 시작한다. 먼저 시계열 스트리트뷰 데이터베이스에 특정 위치에서 촬영된 N개의 이미지 {f1, f2, ... , fN}가 저장되어 있다고 가정하자. 여기서 f1은 시간적으로 가장 최근에 촬영된 영상이고 fN은 가장 오래된 영상이다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
BoW기반 기술의 특징은 무엇인가? 이를 해결하기 위해 많은 연구자들은 Bag-of-Words(BoW) 기반의 이미지 검색 기술을 사용해 검색 시스템의 복잡도를 낮추는 연구를 진행해왔다 [4-6]. 기본적으로 BoW기반 기술은 전체 이미지 화소 정보를 이용해 검색 과정을 수행하는 대신, 이미지 내부의 몇몇 특징점(keypoints)을 구하고 이를 이미지 간에 비교함으로써 유사 이미지를 검색한다. 현재까지 BoW 기반 이미지 검색 기술 이외에도 어휘 트리(vocabulary trees) [7], 빠른 공간 매칭(fast approximate spatial matching) [8,9], 해밍 삽입(Hamming embedding) [10]과 같은 기술들이 제안되었다.
시각 기반 위치 인식 문제를 해결하기 위해 수행하는 작업은 무엇인가? 일반적으로 시각 기반 위치 인식 문제를 해결하기 위해 두 가지 작업을 수행해야 한다 [1]. 첫 번째는 데이터베이스 영상 중에서 쿼리(query) 이미지와 시각적으로 유사한 이미지들을 검색하는 작업이고, 두 번째는 검색된 이미지 중에서 쿼리 이미지와 실제로 같은 장소에서 촬영된 이미지를 결정하는 것이다. 위와 같은 작업 과정에서는 데이터베이스의 모든 이미지와 쿼리 이미지 사이의 유사도 계산 과정이 수행되어야 한다.
VLR 기술을 이용하여 어떻게 물리적 위치를 구하는가? 그 중 위치 정보를 포함한 영상(geo-tagged images)으로 구성된 데이터베이스를 이용하여 사용자 사진이 촬영 된 물리적 위치를 구하는 시각적 위치 인식(VLR:visual location recognition) 연구가 활발히 이루어지고 있다. VLR 기술은 사용자가 촬영한 사진이 건물이나 인공 모형 등 위치가 고정된 특정 구조물을 포함하는 경우, 데이터베이스 내부의 인근 위치에서 촬영된 이미지를 검색하여 사용자 사진이 촬영된 위치를 추정한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (16)

  1. T. Sattler, M. Havlena, K. Schindler, M. Pollefeys, "Large-Scale Location Recognition and the Geometric Burstiness Problem", IEEE conference on computer vision and pattern recognition, pp. 1582-1590, 2016. 

  2. G. Schindler, M. Brown, Szeliski, "City-scale location recognition", IEEE conference on computer vision and pattern recognition, pp. 1-7, 2007. 

  3. Y. Li, D. J. Crandall, D. P. Huttenlocher, "Landmark classification in large-scale image collections", Proceedings of the IEEE International Conference on Computer Vision, pp. 1957-1964, 2009. 

  4. Recognizing and Learning Object Categories, http://people.csail.mit.edu/torralba/shortCourseRLOC/index.html. 

  5. P. Bhattacharya, M. Gavrilova, "A survey of landmark recognition using the bag-of-words framework", Intelligent Computer Graphics, pp. 243-263. 2012. 

  6. D. Nister, H. Stew, "Scalable recognition with a vocabulary tree", IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 2161-2168, 2006. 

  7. D. Nister and H. Stewenius, "Scalable recognition with a vocabulary tree", IEEE conference on computer vision and pattern recognition, pp. 2161-2168, 2006. 

  8. J. Philbin, O. Chum, M. Isard, J. Sivic, and A. Zisserman, "Object retrieval with large vocabularies and fast spatial matching", IEEE conference on computer vision and pattern recognition, pp. 1-8, 2007. 

  9. G. Tolias and Y. Avrithis, "Speeded-up Relaxed Spatial Matching", ICCV, pp. 1653-1660, 2011. 

  10. H. Jegou, M. Douze, and C. Schmid, "Hamming Embedding and Weak Geometric Consistency for Large Scale Image Search", ECCV, pp. 304-317, 2008. 

  11. http://darkpgmr.tistory.com/125 

  12. J. Knopp, J. Sivic, T. Pajdla, "Avoiding confusing features in place recognition", LNCS, vol. 6311, pp. 748-761, 2010. 

  13. N. Naik, et al. "Computer vision uncovers predictors of physical urban change", Proceedings of the National Academy of Sciences, pp. 7571-7576, 2017. 

  14. https://www.google.com/streetview/ 

  15. https://www.yellowpages.com/san-francisco-ca 

  16. J. Philbin, O. Chum, M. Isard, J. Sivic, A. Zisserman, "Object Retrieval with Large Vocabularies and Fast Spatial Matching", Computer Vision and Pattern Recognition, 2007. 

LOADING...

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로