[논문]AR 객체인식 기술을 위한 지역가변이진화와 색상 군집화 기반의 객체 추출 방법

조재현; 안현우; 문남미

AR 객체인식 기술을 위한 지역가변이진화와 색상 군집화 기반의 객체 추출 방법
Local variable binarization and color clustering based object extraction for AR object recognition 원문보기

조재현 (호서대학교 컴퓨터정보공학부) , 안현우 (호서대학교 컴퓨터정보공학부) , 문남미 (호서대학교 컴퓨터정보공학부)

AR은 VR과 달리 실세계 공간의 객체에 대한 서비스를 제공하므로 서비스 개발을 방해하는 많은 요인들이 발생한다. 이를 보완하기위해 비주얼 마커, SLAM, 객체인식 등 여러 AR 기술이 존재한다. 본 논문은 AR 기술 중에서 객체인식의 정확도 향상을 위해 지역가변 이진화(Local variable binarization)와 색상의 군집화를 사용해서 이미지에서 객체를 추출하는 방법을 제안한다. 지역 가변화는 픽셀을 순차적으로 읽어 들이면서 픽셀 주위의 값의 평균을 구하고, 이 값을 해당 픽셀의 임계 값으로 사용하는 알고리즘이다. 픽셀마다 주위 색상 값에 의해 임계 값이 변화되므로 윤곽선 표현이 기존의 이진화보다 뚜렷이 나타난다. 색상의 군집화는 객체의 중요색상과 배경의 중요색상을 중심으로 유사한 색상끼리 군집화 하는 것이다. 객체 내에서 가장 많이 나온 값과 객체 외에 가장 많이 나온 값을 각 각 기준으로 색조와 채도의 값을 Euclidean 거리를 사용해 객체의 색상과 배경 색상을 분리했다.

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

문제 정의

본 논문은 AR 서비스의 안정적인 서비스 제공을 방해하는 많은 요인에 적절한 대응책 마련을 위해 객체 추출의 한 방법을 제시했다. 지역가변 이진화를 통해 좀 더 명확한 윤곽선을 얻었으며, 색의 군집화로 객체별로 색상을 분리해서 객체의 노이즈를 최소화하였다.
본 논문은 AR 서비스의 안정적인 서비스 제공을 방해하는 많은 요인에 적절한 대응책 마련을 위해 이진화의 임계 값을 다르게 적용해 객체를 추출하는 지역 가변이 진화(Local variable binarization)와 색상의 군집화를 사용한 객체 추출 방법을 제안한다.
본 논문은 기존의 방법에서 벗어난 새로운 방법을 제시했다. 이진화의 임계 값을 다르게 적용해 객체를 추출하는 지역 가변 이진화와 기준 색상에서 유사한 색상들을 묶는 색상의 군집화라는 두 가지 방법을 이용해 객체 추출을 구현하여 보다 명확한 객체를 얻을 수 있었다.

제안 방법

두 번째로 윤곽선 추출은 이진화 된 이미지를 이용해서 흰색과 검은색의 경계 좌표를 추출하는 것이다. 윤곽선에서 좌표 배열이 닫혀 있다면 하나의 객체로 인식하고 그 중에서 가장 긴 배열이 진짜 객체로 선정했고, 진짜 객체와 좌표 배열 길이가 비슷한 객체는 후보 객체로 선정하였다.
색상의 군집화는 객체와 객체가 아닌 것의 색상이 다르다는 것을 이용해 기준이 되는 색상과 주변 색상의 유사도를 구해서 객체 색상 군집과 배경 색상 군집으로 분리하는 작업이다. 본 논문에서는 객체 내에서 가장 많이 나온 값과 객체 외에 가장 많이 나온 값을 각 각 기준으로 정했고, h(hue), s(saturation) 속성의 유사도 측정을 위해 Euclidean 거리 사용해 유사한 값들을 군집화 했다.
본 논문은 객체 추출 과정을 위해서 이진화, 윤곽선 추출, 기준 색상 선택, 색상 군집화 4단계로 분리했다.
네 번째는 색상 군집화다. 색상의 군집화는 색상과 채도로 Euclidean 거리를 사용해 기준 색상과 유사도를 측정했다. 유사한 색상을 군집화해서 객체에 해당하는 색상만을 출력했다.
세 번째로 기준 색상 선택이다. 이미지에서 기준 색상 선정을 위해서 객체마다 색상을 따로 수집했다. 객체 별로 수집한 색상 중에서 가장 많이 나온 색상을 기준 색상이라고 선정했다.
윤곽선 추출은 이진화 이미지에서 픽셀 값이 255인 부분과 0인 부분의 경계 좌표를 찾는 객체 추출 방법이다. 추가적으로 윤곽선 배열 중에서 시작 좌표와 마지막 좌표까지 끊이지 않으며, 닫힌 배열이라면 하나의 객체로 인식하고 배열에 저장했으며, 이 중에서 길이가 가장 긴 배열을 진짜 객체로 지정했고, 객체로 지정되진 못했지만 객체와 배열 길이가 비슷한 배열을 객체 후보로 지정했다.

대상 데이터

본 논문에서 사용된 이미지는 USC Vitrerbi의 signal and image processing institute에서 제공하고 있는 256x256 픽셀의 'House'이미지를 사용했다.
두 번째로 윤곽선 추출은 이진화 된 이미지를 이용해서 흰색과 검은색의 경계 좌표를 추출하는 것이다. 윤곽선에서 좌표 배열이 닫혀 있다면 하나의 객체로 인식하고 그 중에서 가장 긴 배열이 진짜 객체로 선정했고, 진짜 객체와 좌표 배열 길이가 비슷한 객체는 후보 객체로 선정하였다.

성능/효과

본 논문에서 도출된 객체 픽셀 수는 43893, 객체 이미지 픽셀 수는 44664, 두 객체가 겹치는 픽셀 수가 42520이므로 겹치지 않는 픽셀 수는 3517이 되고, 따라서 약 7.8%의 감소된 오차가 나왔다.
첫 번째로 이진화는 어떤 주어진 임계 값(threshold)보다 밝은 픽셀들은 모두 흰색으로, 그렇지 않은 픽셀들은 모두 검은색으로 바꾸는 것을 지칭하는 기술이다. 본 논문은 지역 가변 이진화를 사용해서 기존의 이진화보다 객체의 윤곽선 추출을 용이하게 했다.
8%의 감소된 오차가 나왔다. 오차가 발생한 원인들을 보면 본 논문에서 사용된 이미지에서 배경과 문의 색상이 유사해서 문이 배경에 군집이 된 것을 알 수 있다. 이러한 문제점은 지역 가변 이진화를 이용해서 객체를 추출한 후 색상의 군집화는 윤곽선 근처로 제한한다면 이러한 문제점을 해결 할 수 있을 것이다.
본 논문은 기존의 방법에서 벗어난 새로운 방법을 제시했다. 이진화의 임계 값을 다르게 적용해 객체를 추출하는 지역 가변 이진화와 기준 색상에서 유사한 색상들을 묶는 색상의 군집화라는 두 가지 방법을 이용해 객체 추출을 구현하여 보다 명확한 객체를 얻을 수 있었다.
본 논문은 AR 서비스의 안정적인 서비스 제공을 방해하는 많은 요인에 적절한 대응책 마련을 위해 객체 추출의 한 방법을 제시했다. 지역가변 이진화를 통해 좀 더 명확한 윤곽선을 얻었으며, 색의 군집화로 객체별로 색상을 분리해서 객체의 노이즈를 최소화하였다. 향후 이진화와 색상 이외에 객체를 추출할 수 있는 방법들과 조합한다면 이미지를 정밀하게 추출하는 것도 가능할 것이다.

후속연구

앞으로 AR은 4차 산업혁명을 일으킬 핵심기술로서 시뮬레이터와 정보의 시각화를 통해 생산과 유통의 비용과 시간을 크게 줄일 수 있을 것으로 보인다. 그리고 객체인식의 정확도가 더 높아질수록 미리 표시해야하는 비주얼 마커, SLAM의 비중은 줄어들고 AR을 적용할 수 있는 분야가 더욱 넓어질 것이다.
AR기술 자체에 정확도를 높이면서 다른 기술을 접목시켜야 더 다양한 AR기술이 만들어질 수 있고, 다른 기술에 의존하는 것이 아닌 AR기술이 중심이 될 수 있을 것이다. 앞으로 AR은 4차 산업혁명을 일으킬 핵심기술로서 시뮬레이터와 정보의 시각화를 통해 생산과 유통의 비용과 시간을 크게 줄일 수 있을 것으로 보인다. 그리고 객체인식의 정확도가 더 높아질수록 미리 표시해야하는 비주얼 마커, SLAM의 비중은 줄어들고 AR을 적용할 수 있는 분야가 더욱 넓어질 것이다.
지역가변 이진화를 통해 좀 더 명확한 윤곽선을 얻었으며, 색의 군집화로 객체별로 색상을 분리해서 객체의 노이즈를 최소화하였다. 향후 이진화와 색상 이외에 객체를 추출할 수 있는 방법들과 조합한다면 이미지를 정밀하게 추출하는 것도 가능할 것이다.

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

AR 객체인식 기술을 위한 지역가변이진화와 색상 군집화 기반의 객체 추출 방법
Local variable binarization and color clustering based object extraction for AR object recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

AR 객체인식 기술을 위한 지역가변이진화와 색상 군집화 기반의 객체 추출 방법 Local variable binarization and color clustering based object extraction for AR object recognition 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

AR 객체인식 기술을 위한 지역가변이진화와 색상 군집화 기반의 객체 추출 방법
Local variable binarization and color clustering based object extraction for AR object recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper