公开(公告)号：KR101584091B1

公开(公告)日：2016-01-12

申请号：KR1020130103540

申请日：2013-08-30

Applicant: 계명대학교 산학협력단

Inventor： 고병철 ,  정지훈 ,  남재열 ,  주영도 ,  강정석

IPC: G06T7/00

Abstract: 본발명은공유지역특징을이용한다시점객체검출방법에관한것으로서, 보다구체적으로는 (1) 객체를포함하는여러시점(Multi-View)을가지는트레이닝영상에서임의의위치와크기를가지는후보영역(Randomly N Regions)들을생성하는단계; (2) 각각의후보영역에대해 OCS-LBP(Orientation Center Symmetric Local Binary Patterns) 특징을추출하는단계; (3) 각각의후보영역별로추출된특징벡터들을랜덤포레스트를통해지역기반으로학습하는단계; (4) 테스트영상을학습된랜덤포레스트에적용하여확률값을추정한다음상위값들을가지는지역특징(Local Features)의영역을선택하는단계; (5) 각시점에대해서선택된지역특징의영역에대해공유되는영역을찾아선택하고, 공유된지역특징의영역에대해서랜덤포레스트로학습하는단계; (6) 트레이닝과정수행후, 객체를검출하기위해서테스트영상이입력되면, 각각의관점별로확률값이추정되고, 확률값 히스토그램을생성하는단계; (7) 생성한확률값 히스토그램에서추정된확률값들중 최댓값을찾고, 최댓값을가지는주위 5개의확률값에대해가중치를부과한뒤 선형결합하여최종적인확률값을추정하는단계; 및 (8) 상기추정된최종적인확률값이미리지정한임계값보다큰 경우에객체로검출하는단계를포함하는것을그 구성상의특징으로한다. 본발명에서제안하고있는공유지역특징을이용한다시점객체검출방법에따르면, 정지영상에서다양한관점을가지는객체에대해지역적 OCS-LBP 특징추출과공유지역기반의랜덤포레스트분류기를사용하여학습및 분류함으로써, 영상내의다양한관점을가지는다시점의객체에대해서빠르고정확한검출이가능하도록할 수있다. 또한, 본발명에따르면, OCS-LBP 특징추출을사용함으로써, 방향정보를포함하는적은특징차원수에도불구하고매우빠른성능을나타낼수 있도록하며, 랜덤포레스트분류기를사용하여생성된모든영역을객체분류에사용하지않고최적의공유지역특징을사용하여학습및 분류함으로써, 적은트레이닝데이터를사용하고도다양한관점을가지는객체에대해빠른학습속도및 검출속도를가질수 있도록할 수있다. 뿐만아니라, 본발명에따르면, 공유되는지역특징을사용하여부분가림을가진복잡한배경(백그라운드)에서도다시점객체의검출이가능하며, 특히공유된지역특징을각 클래스에대해독립적이기보다공동으로공유하여선택할수 있도록함으로써, 분류기의수를줄여최소화하고, 계산의복잡성을줄여줄수 있도록할 수있다.

公开(公告)号：KR1020150025508A

公开(公告)日：2015-03-10

申请号：KR1020130103540

申请日：2013-08-30

Applicant: 계명대학교 산학협력단

Inventor： 고병철 ,  정지훈 ,  남재열 ,  주영도 ,  강정석

IPC: G06T7/00

CPC classification number: G06T7/00

Abstract: 본 발명은 공유 지역 특징을 이용한 다시점 객체 검출 방법에 관한 것으로서, 보다 구체적으로는 (1) 객체를 포함하는 여러 시점(Multi-View)을 가지는 트레이닝 영상에서 임의의 위치와 크기를 가지는 후보 영역(Randomly N Regions)들을 생성하는 단계; (2) 각각의 후보 영역에 대해 OCS-LBP(Orientation Center Symmetric Local Binary Patterns) 특징을 추출하는 단계; (3) 각각의 후보 영역별로 추출된 특징 벡터들을 랜덤 포레스트를 통해 지역 기반으로 학습하는 단계; (4) 테스트 영상을 학습된 랜덤 포레스트에 적용하여 확률 값을 추정한 다음 상위 값들을 가지는 지역 특징(Local Features)의 영역을 선택하는 단계; (5) 각 시점에 대해서 선택된 지역 특징의 영역에 대해 공유되는 영역을 찾아 선택하고, 공유된 지역 특징의 영역에 대해서 랜덤 포레스트로 학습하는 단계; (6) 트레이닝 과정 수행 후, 객체를 검출하기 위해서 테스트 영상이 입력되면, 각각의 관점별로 확률 값이 추정되고, 확률 값 히스토그램을 생성하는 단계; (7) 생성한 확률 값 히스토그램에서 추정된 확률 값들 중 최댓값을 찾고, 최댓값을 가지는 주위 5개의 확률 값에 대해 가중치를 부과한 뒤 선형 결합하여 최종적인 확률 값을 추정하는 단계; 및 (8) 상기 추정된 최종적인 확률 값이 미리 지정한 임계값보다 큰 경우에 객체로 검출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 공유 지역 특징을 이용한 다시점 객체 검출 방법에 따르면, 정지 영상에서 다양한 관점을 가지는 객체에 대해 지역적 OCS-LBP 특징 추출과 공유 지역 기반의 랜덤 포레스트 분류기를 사용하여 학습 및 분류함으로써, 영상 내의 다양한 관점을 가지는 다시점의 객체에 대해서 빠르고 정확한 검출이 가능하도록 할 수 있다.
또한, 본 발명에 따르면, OCS-LBP 특징 추출을 사용함으로써, 방향 정보를 포함하는 적은 특징 차원 수에도 불구하고 매우 빠른 성능을 나타낼 수 있도록 하며, 랜덤 포레스트 분류기를 사용하여 생성된 모든 영역을 객체 분류에 사용하지 않고 최적의 공유 지역 특징을 사용하여 학습 및 분류함으로써, 적은 트레이닝 데이터를 사용하고도 다양한 관점을 가지는 객체에 대해 빠른 학습 속도 및 검출 속도를 가질 수 있도록 할 수 있다.
뿐만 아니라, 본 발명에 따르면, 공유되는 지역 특징을 사용하여 부분 가림을 가진 복잡한 배경(백그라운드)에서도 다시점 객체의 검출이 가능하며, 특히 공유된 지역 특징을 각 클래스에 대해 독립적이기 보다 공동으로 공유하여 선택할 수 있도록 함으로써, 분류기의 수를 줄여 최소화하고, 계산의 복잡성을 줄여줄 수 있도록 할 수 있다.

Abstract translation: 本发明涉及一种使用共享局部特征的多视图对象检测方法，更具体地，涉及使用共享局部特征的多视图对象检测方法，包括以下步骤：产生具有随机位置和随机位置的随机N个区域 具有包含对象的多视图的训练图像中的大小; 提取取向中心对称局部二值模式（OCS-LBP）; 基于区域的每个N区域通过随机森林提取的学习特征向量; 并选择本地特征的区域。