초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 동적 계획법(dynamic programming)과 이미지 세그먼트(segment)를 이용한 새로운 스테레오 정합(stereo matching)기법을 제안한다. 일반적으로 동적 계획법(dynamic programming)은 빠르면서도 비교적 정확하고, 조밀(dense)한 disparity map을 얻을 수 있다. 그러나 경계(boundary)근처의 폐색지역(occlusion region)이나, 텍스쳐가 적은 모호한 영역에서는 잘못된 결과를 유도할 수 있다. 본 논문에서는 이러한 문제점들을 해결하기 위해 먼저 이미지를 아주 작은 영역으로 분할(over-segmentation)하고, 이런 작은 영역들이 비슷한 disparity를 가질 것이라고 가정한다. 다음으로 동적 계획법(dynamic programming)을 통해 정합을 수행한다. 여기서 계산비용(cost)은 기존의 정합윈도우 안에서 세그먼트 영역을 적용한 새로운 비용함수를 사용하며, 이 새로운 비용함수를 통해 정확도를 높인다. 마지막으로 동적 계획법을 통하여 얻어진 조밀한 disparity map을 세그먼트 영역들의 시각특성(visibility)과 유사도(similarity)를 이용하여 에러를 찾아내고, 세그먼트 정합을 통해 수정함으로 정확한 disparity map을 찾아낸다.

본 논문에서는 동적 계획법(dynamic programming)과 이미지 세그먼트(segment)를 이용한 새로운 스테레오 정합(stereo matching)기법을 제안한다. 일반적으로 동적 계획법(dynamic programming)은 빠르면서도 비교적 정확하고, 조밀(dense)한 disparity map을 얻을 수 있다. 그러나 경계(boundary)근처의 폐색지역(occlusion region)이나, 텍스쳐가 적은 모호한 영역에서는 잘못된 결과를 유도할 수 있다. 본 논문에서는 이러한 문제점들을 해결하기 위해 먼저 이미지를 아주 작은 영역으로 분할(over-segmentation)하고, 이런 작은 영역들이 비슷한 disparity를 가질 것이라고 가정한다. 다음으로 동적 계획법(dynamic programming)을 통해 정합을 수행한다. 여기서 계산비용(cost)은 기존의 정합윈도우 안에서 세그먼트 영역을 적용한 새로운 비용함수를 사용하며, 이 새로운 비용함수를 통해 정확도를 높인다. 마지막으로 동적 계획법을 통하여 얻어진 조밀한 disparity map을 세그먼트 영역들의 시각특성(visibility)과 유사도(similarity)를 이용하여 에러를 찾아내고, 세그먼트 정합을 통해 수정함으로 정확한 disparity map을 찾아낸다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 동적 계획법과 세Z1 먼트에 기반 하여 지 역적인특성과, 전역적인 특성을 결합시키는 새로운 정합 방법을 제안한다. 우리는 동적 계획법에서 사용하는 정 합윈도우를 변형시켜 세그먼트 영역을 사용해 더 정확한 비용(cost)을 계산하고, 동적 계획법을 통하여 얻어진 조 밀한 커sparity map을 Tao가 가정한 세그먼트의 특성, 세그먼트 영역간의 시각특성 (visibility) 과 유사도 (similarity)를 이용하여 에러를 찾아내고 수정함으로 정확한 disparity map을 찾아낸다.
• 본 논문에서는 동적 계획법과 영역 세그먼테이션을 이용한 새로운 스테레오 정합기법을 제안 하였다. 세그먼 트 영역을 기준으로 하는 영역 윈도우를 계산 비용으로 사용하여 정확한 비용을 계산할 수 있도록 하였고, over-segmentB 이용하여 앞서 얻은 disparity21 오류를 찾아내고 세그먼트 정합을 이용하여 정확한 disparity map을 찾아내었다.

가설 설정

• 본 논문에서 ov&Lsegmentation을 이용하여 각 세그I먼 트 영역은 비슷한 disparity를 가지며, 오직 영역의 경계 에서만 disparity 변화가 커진다고 가정했다. 이 제약에 따라서 우리는 동적 계획법을 통해 얻어진 disparity이미 지를 세그먼트 영역에 따라 평가하고 정확한 정합 점을 찾아내야 한다.
• 본 논문에서 제시한 방법의 가장 근본은 세그먼트이匚h 우리는 같은 세그먼트 영역 안에서 시차의 변화는 크지 않고 오직 세그먼트의 경계(boundary)에서만 시차가 크게 변한다고 가정한다. 따라서 위 조건을 만족시키기기 위해 영역을 아주 작게 분할시킨다.
• Tao는 컬러 세그먼트에 기반 하는 스테레오 프레임웍 (framework) 을 제시했다 [4]. 이 프레임 웍 에서, 동차 (homogeneous)컬러 세그먼트 영역에서 시차의 변화는 크지 않다고 가정했으며, 이 가정을 바탕으로 , 기준 이 미지를 시차에 따라 참고 이미지로 변형 시켰을 때, 기 준 이미지와 참고 이미지는 정확히 같을 것이라고 생각 했다. 또 티eye「는 이런 가정들을 이용하여 세그먼트들을 l&ye「화시키는 방법을 제안했다[5],

제안 방법

• 다음에는 세:□먼테이션 영역을 기반으로 하여 동적 계획법을 이용해 정합을 하여 조밀한 disparity map을 얻는다. 그리고 찾아낸 에spa「ity map을 세그먼테이션 영역별로、평가하고 valid 영역과 inv기id영역으로 나눈다. 마지막으로 inv기id영역 을 warping 연산을 이용해 세그먼트 영역 정합을 하여 invalid영역에 대한 올바른 disparity를 찾아낸다.
• 그리고 찾아낸 에spa「ity map을 세그먼테이션 영역별로、평가하고 valid 영역과 inv기id영역으로 나눈다. 마지막으로 inv기id영역 을 warping 연산을 이용해 세그먼트 영역 정합을 하여 invalid영역에 대한 올바른 disparity를 찾아낸다.
• 본 논문에서 저안된 알고리즘은 먼저 기준이 되는 이미 지를 overegmentation한다. 다음에는 세:□먼테이션 영역을 기반으로 하여 동적 계획법을 이용해 정합을 하여 조밀한 disparity map을 얻는다.
• 최근에는 subsampling 문제를 고려해 샘플링에 둔 감한 방법[기이 사용되기도 한다. 본 논문에서는 고려되는 윈도우 크기를 위에서 계산된 분할된 영역에 기반 하 여, SAD를 사용하여 비용을 계산한다. 변현된 윈도우를 사용한 SAD의 비용은 아래 식(1)과 같다.
• 본 논문에서는 동적 계획법과 영역 세그먼테이션을 이용한 새로운 스테레오 정합기법을 제안 하였다. 세그먼 트 영역을 기준으로 하는 영역 윈도우를 계산 비용으로 사용하여 정확한 비용을 계산할 수 있도록 하였고, over-segmentB 이용하여 앞서 얻은 disparity21 오류를 찾아내고 세그먼트 정합을 이용하여 정확한 disparity map을 찾아내었다. 우리가 제안한 방법으로 동적 계획 법에서의 일반적인 스캔라인 사이의 불일치 문제와 occlusi아!영역에서의 오류에 대해 비교적 향상된 결과를 얻을 수 있었다.
• 본 논문에서는 동적 계획법과 세Z1 먼트에 기반 하여 지 역적인특성과, 전역적인 특성을 결합시키는 새로운 정합 방법을 제안한다. 우리는 동적 계획법에서 사용하는 정 합윈도우를 변형시켜 세그먼트 영역을 사용해 더 정확한 비용(cost)을 계산하고, 동적 계획법을 통하여 얻어진 조 밀한 커sparity map을 Tao가 가정한 세그먼트의 특성, 세그먼트 영역간의 시각특성 (visibility) 과 유사도 (similarity)를 이용하여 에러를 찾아내고 수정함으로 정확한 disparity map을 찾아낸다. 본 논문에서 사용되는 영상들은 계산의 편의를 위해 수평라인으로 교정된 이미 지를 사용한다.
• 이 제약에 따라서 우리는 동적 계획법을 통해 얻어진 disparity이미 지를 세그먼트 영역에 따라 평가하고 정확한 정합 점을 찾아내야 한다. 이를 위해 우리는 세그1먼트 영역에 대한 분산 값(奶)을 계산하고 일정한 임계값(』에 따라 그 영역의 옳고 그름을 판단한다.
• 그리고 동적 계획법은 보 통 유일성(uniqueness)제약과 순차성(아Pering)제약을 사 용하기 때문에 잘 못된 시차는 연속적인 에러를 일으키 게 된다, 따라서 동적 계획법에서의 오류를 줄이기 위해서 다른 제약이 필요하다. 이에 따라 지역적인 방법과 전체적인 방법을 고려하기 위하여 본 논문에서는 segment를 이용한다.

대상 데이터

• 우리는 동적 계획법에서 사용하는 정 합윈도우를 변형시켜 세그먼트 영역을 사용해 더 정확한 비용(cost)을 계산하고, 동적 계획법을 통하여 얻어진 조 밀한 커sparity map을 Tao가 가정한 세그먼트의 특성, 세그먼트 영역간의 시각특성 (visibility) 과 유사도 (similarity)를 이용하여 에러를 찾아내고 수정함으로 정확한 disparity map을 찾아낸다. 본 논문에서 사용되는 영상들은 계산의 편의를 위해 수평라인으로 교정된 이미 지를 사용한다.
• 제안된 알고리즘을 실험하기 위해 우리는 Tsukba dataset(그림3(a))을 사용했다. 영상의 크기는 384X288 이다. 그림3(b)는 ground truth 이미지이고 그림3(c)는 세그먼테이션결과이다.

이론/모형

• 이런 지역 적 방법(local method)은 텍스쳐가 많은 지역에서는 비교적 정확한 시차를 얻을 수 있으나 텍스쳐가 적은 지역 에서는 부정확한 시차를 만들어내고, disparity가 불연속 한 경계 (boundary) 근처에서는 disparity 가 뭉개지며 (blur) 패색(og이usion)영역에서는 부정확하게 된다. 두 번째는 전역(이。bed) 알고리즘으로, disparity map의 smoothness 가정을 이용하고, 다양한 최소화 (minimization)기법을 사용한다. 전역I 알고리즘은 비교적 정확하고 조밀한 disparity를 측정할 수 있지만, 계산 UI 용이 너무 크다는 단점이 있다.
• 영역들의 크기와, 그 영역이 얼마나 경계를 구분할 수 있는가는 실험에 큰 영향을 준다. 본 논문에서는 watershed기법을 사용하여 영역을 분할하였다.
• 이미지를 세그먼테이션하고 동적 계획법을 이용하여 정 합을 수행한다. 일반적으로 동적 계획법에서 사용되는 정합비용(matching cost)은 일정크기의 윈도우를 사용하여 계산되는데, 보통 SAD(Sum 아 Absolute Difference), SSD(Sum of Square Difference), NCC(Normalized Cross Con■이ation)가 사용된다.

성능/효과

• 세그먼 트 영역을 기준으로 하는 영역 윈도우를 계산 비용으로 사용하여 정확한 비용을 계산할 수 있도록 하였고, over-segmentB 이용하여 앞서 얻은 disparity21 오류를 찾아내고 세그먼트 정합을 이용하여 정확한 disparity map을 찾아내었다. 우리가 제안한 방법으로 동적 계획 법에서의 일반적인 스캔라인 사이의 불일치 문제와 occlusi아!영역에서의 오류에 대해 비교적 향상된 결과를 얻을 수 있었다. 특히, 이번 실험을 통해 비교적 적은 연 산을 가지고 정확한 결과를 이끌어 낼 수 있었다.
• 우리가 제안한 방법으로 동적 계획 법에서의 일반적인 스캔라인 사이의 불일치 문제와 occlusi아!영역에서의 오류에 대해 비교적 향상된 결과를 얻을 수 있었다. 특히, 이번 실험을 통해 비교적 적은 연 산을 가지고 정확한 결과를 이끌어 낼 수 있었다. 앞으 로 이런 hybrid기법에 대한 연구를 동해 좀 더 정확하면 서 빠른 결과를 얻어낼 수 있는 방법에 대한 연구가 계 속되어야겠다.

후속연구

• 특히, 이번 실험을 통해 비교적 적은 연 산을 가지고 정확한 결과를 이끌어 낼 수 있었다. 앞으 로 이런 hybrid기법에 대한 연구를 동해 좀 더 정확하면 서 빠른 결과를 얻어낼 수 있는 방법에 대한 연구가 계 속되어야겠다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기