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
- 2장에서는 본 연구에서 제안하는 방법의 전체적인 구조와 제안된 방법에 대해서 상세히 기술하며, 3 장에서는 본 알고리즘에 대한 성능 평가를 실시한다. 또한 연구를 통하여 얻은 결과들과 앞으로의 연구 계획에 대해서 기술한다.
제안 방법
- RGB 색상 공간을 가우시안 색상 모델로 변환하기 위한 최적의 선형 변환으로서 저자들은 아래와 같은 행렬 계수들을 제안하며, 본 연구에서도 이 계수들을 이용하여 카메라로부터 입력받은 이미지들과 객체의 DCg 을 가우시 안 색상 모델로 변환한다.
- 다시 말해서, 각각 Io~1에 속하는 블럽들 A 와 B 들 중에서 서로 겹치는 블럽들을 하나의 최종 블럽 Rect로 조합함으로써 객체 영역 인식을 수행한다.
- 반면에 이것은 조도 변화에 매우 민감한 특징을 갖는데, 이는 가우시안 색상 모델을 이용하여 해결한다. 마지막으로 변환된 색상을 기반으로 입력 이미지에서 해당 객체를 자동으로 검출하는 효율적인 방법을 제안한다.
- 본 논문에서는 자동으로 이미지 안의 객체들을 검출하기 위해서 MPEG-7 시각 정보 기술자 들 중 하나인 주요 색상 정보 기술자 (Dominant Color Descriptor; DCD)를 이용하여 객체의 주요 색상 정보들을 추출하고, 다음으로 색상 정보가 조도 변화에 좀 더 강인할 수 있도록 가우시안 색상 모델 (Gaussian Color Model)로 변환한다. 여기서 시각 정보로서 색상 정보를 이용하는 이유는 다양한 시각 정보들 중에서 색상 정보는 에지나 모양 등과 같은 다른 시각 정보들에 비해서 위에서 언급한 방향에 따른 입력 이미지 변화와 스케일 변화에 덜 민감하기 때문이다 [10].
- 본 실험에서는 각 거리마다 100 장의 이미지들을 추출하였으며, 이 이미지들을 기반으로 추출된 블럽들 중에서 시험 객체와 일치하는 블럽들의 수를 측정하였다. 그림(3)에서 보는 바와 같이 제안된 알고리즘이 우수한 성능 결과를 보여주었다.
- 본 연구에서는 계산상의 효율성을 위하여 N 개의 대표 색상들이 아닌 가장 높은 p, 를 차지 하는 2개의 대표 색상들 DC0~i 만을 이용한다.
- 본 연구에서는 두 가지 측면(즉, 조도와 거리 변화)에서 성능을 평가하였다. 즉, 세기가 다른 두 광원 환경에서 카메라와 객체 간의 거리 변화에 따라 제안된 알고리즘이 얼마나 강인한지를 측정하였다.
- 본 연구에서는 실시간 객체 검출을 위하여 객체의 주요 색상 정보들을 이용하였다. 특히, MPEG-7 표준에 정의된 주요 색상 정보 기술자를 이용함으로써 계산상의 효율성을 고려하였으며, 실험 평가를 통하여 여러 객체들에 대해서 만족할 만한 객체 검출 성공률을 확인하였다.
- 본 장에서는 등식 (1.1)에 의하여 가우시안 색상 모델을 통하여 변환된 입력 이미지 I 의 픽셀들 중에서 DCo~1 과 유사한 색상 값들을 가지는 픽셀들만을 추출한다.
- 이러한 특성을 이용하기 위하여, 본 논문에서는 주요 색상 정보 기술자(DCD)를 사용한다. MPEG-7 색상정보 기술자 들 중 하나인 주요 색상 정보 기술자는 이미지 또는 특정 이미지 영역 안에 대표 색상들을 추출하고, 이를 명세하기 위한 간단한 기술서를 제공한다 [7].
- 성능을 평가하였다. 즉, 세기가 다른 두 광원 환경에서 카메라와 객체 간의 거리 변화에 따라 제안된 알고리즘이 얼마나 강인한지를 측정하였다. 위 두 가지 측정 기준 선택 이유는 앞서 1 장에서 언급했듯이 색상 정보가 다른 시각 정보(즉, 에지 또는 모양)들에 비해서 조도 변화에 민감하기 때문이다.
대상 데이터
- 본 연구에서는 실시간 객체 인식에 대한 성능 평가로서 일반 USB 카메라를 이용하여 이미지들을 입력받았으며, 시험 객체들로서 주요 색상들이 확연히 드러나는 총 3 개(즉, 스프레이의 일종인 BW-100, 비타 500, 그리고 네임펜)의 객체들을 선택하였다.
이론/모형
- 이를 위해서 본 논문에서는 유클리디안 거리 함수를 이용한다. 또한, 추출된 픽셀들을 하나 이상의 영역들로 구성하기 위하여 8-connectivity labeling 알고리즘을 수행한다. 마지막으로 생성된 영역들 중에서 겹치는 영역들을 다시 하나의 영역으로 조합하고, 이 영역을 해당 객체가 존재하는 영역으로서 인식한다.
- 따라서 이러한 외부 환경으로부터의 영향을 줄이기 위하여 RGB 색상 모델은 CIE L*a*b, HSV, 그리고 YCbCr 같은 서로 다른 색상 모델로 변환될 필요가 있다. 본 연구에서는 이를 위하여 [8] 에서 제안된 가우시 안 색상 모델 (Gaussian Color Model)을 이용한다.
- 대한 영역들을 생성할 필요가 있다. 이를 위해, 본 연구에서는 [9]의 연구에서 제안된 알고리즘을 이용한다.
- 다음으로 색상 필터링 단계에서는 DCo~i 을 기반으로 입력 이미지에서 DCo~i과 유사한 색상 정보들을 가지는 픽셀들만을 추출한다. 이를 위해서 본 논문에서는 유클리디안 거리 함수를 이용한다. 또한, 추출된 픽셀들을 하나 이상의 영역들로 구성하기 위하여 8-connectivity labeling 알고리즘을 수행한다.
성능/효과
- 색상 정보들을 이용하였다. 특히, MPEG-7 표준에 정의된 주요 색상 정보 기술자를 이용함으로써 계산상의 효율성을 고려하였으며, 실험 평가를 통하여 여러 객체들에 대해서 만족할 만한 객체 검출 성공률을 확인하였다. 또한, 조도가 낮아짐으로써 성능의 변화가 있기는 하지만 로봇이 운영되는 조도 변화가 심하지 않은 환경에서 사용 가능한 만족스러운 결과라 할 수 있다.
후속연구
- 또한, 조도가 낮아짐으로써 성능의 변화가 있기는 하지만 로봇이 운영되는 조도 변화가 심하지 않은 환경에서 사용 가능한 만족스러운 결과라 할 수 있다. 물론 앞으로도 조도 변화에 좀 더 강인한 방법들에 대해서 연구할 필요가 있으며, 색상이 아닌 무늬, 모양 등의 다른 시각 정보들에 대해서도 고려할 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.