KR101332630B1 - 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법 - Google Patents
경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법 Download PDFInfo
- Publication number
- KR101332630B1 KR101332630B1 KR1020120064853A KR20120064853A KR101332630B1 KR 101332630 B1 KR101332630 B1 KR 101332630B1 KR 1020120064853 A KR1020120064853 A KR 1020120064853A KR 20120064853 A KR20120064853 A KR 20120064853A KR 101332630 B1 KR101332630 B1 KR 101332630B1
- Authority
- KR
- South Korea
- Prior art keywords
- probability
- image
- probability distribution
- random
- fund
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2101/00—Indexing scheme relating to the type of digital function generated
- G06F2101/14—Probability distribution functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법에 관한 것으로서, 보다 구체적으로는 영상 내 키포인트를 둘러싸며 위치하는 이미지픽셀을 분류하는 램던펀스에 있어서, 상기 이미지픽셀의 변형 예에 대한 확률분포를 획득한 후, 상기 확률분포 내 실수(real number)형태로 표현된 각 확률을 기설정된 임계값과 비교하여 이진형태로 변환하는 노드;를 포함하는 것을 특징으로 한다.
본 발명의 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법은 이미지픽셀의 변형 예에 대한 확률분포를 획득하여 상기 확률분포 내 확률을 실수형태에서 이진형태로 표현함으로써, 요구되는 메모리량의 크기를 감소시킬 수 있는 효과가 있다.
본 발명의 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법은 이미지픽셀의 변형 예에 대한 확률분포를 획득하여 상기 확률분포 내 확률을 실수형태에서 이진형태로 표현함으로써, 요구되는 메모리량의 크기를 감소시킬 수 있는 효과가 있다.
Description
본 발명은 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법에 관한 것으로, 특히 영상 내 키포인트를 둘러싸며 위치하는 이미지픽셀의 분류 시, 상기 이미지픽셀의 변형 예에 대한 확률분포를 획득하여 상기 확률분포 내 확률을 표현하는데 있어서, 요구되는 메모리량의 크기를 감소시킬 수 있는 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법에 관한 것이다.
영상기술의 발전에 따라 의료, 보안, 3D 등과 같은 다양한 분야에서 영상을 이용하는 응용기술이 연구 및 사용되고 있다.
이러한 영상응용기술은 영상 내 주요한 특정부분 즉, 키포인트 부분을 정확하게 검출하거나, 검출의 신뢰성을 향상시키는데 기술에 대한 연구가 진행되고 있어, 영상 내 다수의 이미지픽셀을 정확하게 분류하는 기술분야가 큰 이슈가 되고 있는 것이 현재 추세이다.
이러한 영상 내 다수의 이미지픽셀을 분류하기 위해, 랜덤펀스가 주로 사용되고 있다. 상기 랜덤펀스(Random Ferns)란, 이미지 내 주요 키포인트를 인식하거나, 검출하기 위하여 사용되는 분류기를 나타내는 것으로, 영상 내 물체를 인식 또는 검출하거나, 3차원 자세를 측정하는데 주로 사용되고 있다. 특히, 상기 랜덤펀스는 처리속도가 빠르기 때문에, 영상데이터의 실시간 처리가 요구되는 증강현실 분야에서도 이러한 랜덤펀스가 널리 사용되고 있다.
하지만, 이러한 램던펀스는 데이터 처리를 위해 요구되는 메모리량이 많기 때문에 다수의 이미지의 처리를 수행하거나, 메모리의 사용이 비교적 한정적인 무선통신 환경에서는 사용이 어려운 문제점이 발생했다.
이에 따라, 인식 또는 처리해야 하는 데이터가 많거나, 무선통신과 같은 제한적인 통신환경에서 상기 랜덤펀스를 유용하게 사용하기 필요성이 대두되었다.
상기와 같은 종래 기술의 문제점을 해결하기 위해, 본 발명은 이미지픽셀의 변형 예에 대한 확률분포를 획득하여 상기 확률분포 내 확률을 실수형태에서 이진형태로 표현함으로써, 요구되는 메모리량의 크기를 감소시킬 수 있는 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법을 제공하고자 한다.
위와 같은 과제를 해결하기 위한 본 발명의 한 실시 예에 따른 영상 내 키포인트를 둘러싸며 위치하는 이미지픽셀을 분류하는 램던펀스는 상기 이미지픽셀의 변형 예에 대한 확률분포를 획득한 후, 상기 확률분포 내 실수(real number)형태로 표현된 각 확률을 기설정된 임계값과 비교하여 이진형태로 변환하는 노드;를 포함할 수 있다.
보다 바람직하게는 상기 확률분포 내 각 확률이 기설정된 임계값 보다 큰 경우에 상기 확률을 실수형태에서 이진형태의 1로 변환하거나, 상기 확률분포 내 각 확률이 기설정된 임계값보다 작거나 같은 경우에 상기 확률을 실수형태에서 이진형태의 0으로 변환하는 노드를 포함할 수 있다.
특히, 상기 확률분포의 개수는 2D (상기 D는 펀의 깊이)일 수 있다.
특히, 상기 키포인트를 둘러싸며 위치하는 이미지픽셀에 대한 복수 개의 변형 예를 수집하여 클래스(class)화하는 노드를 포함할 수 있다.
위와 같은 과제를 해결하기 위한 본 발명의 다른 실시 예에 따른 영상 내 키포인트를 둘러싸며 위치하는 이미지픽셀을 분류하는 경량화된 랜덤펀스 및 이를 이용한 이미지 분류방법은 상기 이미지픽셀의 변형 예에 대한 확률분포를 획득하는 확률분포획득단계; 상기 확률분포 내 실수형태로 표현된 각 확률을 기설정된 임계값과 비교하여 이진형태로 변환하는 이진화단계;를 포함하는 것을 특징으로 한다.
보다 바람직하게는 상기 확률분포 내 각 확률이 기설정된 임계값 보다 큰 경우에 상기 확률을 실수 형태에서 이진형태의 1로 변환하거나, 상기 확률분포 내 각 확률이 기설정된 임계값 보다 작거나 같은 경우에 상기 확률을 실수 형태에서 이진형태의 0으로 변환하는 이진화단계를 포함할 수 있다.
특히, 상기 확률분포의 개수는 2D (상기 D는 펀의 깊이)일 수 있다.
본 발명의 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법은 이미지픽셀의 변형 예에 대한 확률분포를 획득하여 상기 확률분포 내 확률을 실수형태에서 이진형태로 표현함으로써, 요구되는 메모리량의 크기를 감소시킬 수 있는 효과가 있다.
또한 본 발명의 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법은 확률분포에 따라 이미지픽셀의 변형 예에 대한 확률을 실수형태에서 이진형태로 변환하여 사용되는 메모리의 용량이 현저히 감소함에 따라 무선통신과 같은 제한적인 통신환경에서 유용하게 사용될 수 있는 효과가 있다.
이와 더불어, 본 발명의 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법은 요구되는 메모리 사용량이 적기 때문에 신속하게 처리해야 하는 데이터량이 많은 증강현실 분야에서도 대상물체의 실시간 처리를 수행할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시 예에 따른 경량화된 랜덤펀스를 이용한 이미지 표현방법의 순서도이다.
도 2는 본 발명의 다른 실시 예에 따른 경량화된 랜덤펀스를 나타낸 도면이다.
도 3은 확률분포 내 확률이 실수형태에서 이진형태로 변환되는 과정을 나타낸 알고리즘이다.
도 4는 확률분포의 확률이 실수형태에서 이진형태로 변환되는 상태를 나타내는 도면이다.
도 5는 랜덤펀스의 깊이변화에 따라 임계값별 인식률을 나타내는 그래프이다.
도 6은 본 발명과 종래기술간 랜덤펀스의 펀 깊이별 메모리 요구량 및 인식률을 나타내는 그래프이다.
도 7은 랜덤펀스의 기준 펀 깊이의 추가 깊이변화에 따른 메모리 요구량 및 인식률을 나타낸 그래프이다.
도 2는 본 발명의 다른 실시 예에 따른 경량화된 랜덤펀스를 나타낸 도면이다.
도 3은 확률분포 내 확률이 실수형태에서 이진형태로 변환되는 과정을 나타낸 알고리즘이다.
도 4는 확률분포의 확률이 실수형태에서 이진형태로 변환되는 상태를 나타내는 도면이다.
도 5는 랜덤펀스의 깊이변화에 따라 임계값별 인식률을 나타내는 그래프이다.
도 6은 본 발명과 종래기술간 랜덤펀스의 펀 깊이별 메모리 요구량 및 인식률을 나타내는 그래프이다.
도 7은 랜덤펀스의 기준 펀 깊이의 추가 깊이변화에 따른 메모리 요구량 및 인식률을 나타낸 그래프이다.
이하, 본 발명을 바람직한 실시 예와 첨부한 도면을 참고로 하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시 예에 한정되는 것은 아니다.
이하, 도 1을 참조하여, 본 발명의 일 실시 예에 따른 경량화된 랜덤펀스를 이용한 이미지 표현방법의 순서도에 대하여 자세히 살펴보도록 한다.
도 1은 본 발명의 일 실시 예에 따른 경량화된 랜덤펀스를 이용한 이미지 표현방법의 순서도이다.
도 1에 도시된 바와 같이, 경량화된 랜덤펀스를 이용한 이미지 표현방법은 영상 내 주요한 역할을 하는 키프레임을 중심으로, 상기 키프레임을 둘러싸고 배치되는 다수의 이미지픽셀의 변형 가능한 예를 나타낸 확률분포를 획득한다(S110). 즉, 영상 내 키프레임을 중심으로 배치되는 다수의 이미지픽셀 중 임의의 두 픽셀을 선택하여, 선택된 두 픽셀의 밝기값을 상호 비교하고, 밝기값이 상대적으로 높은 이미지픽셀에 1을 부여하고, 밝기값이 상대적으로 낮은 이미지픽셀에 0을 부여한다. 이러한 임의의 이미지픽셀에 대한 밝기값 비교과정을 연속하여 수행함으로써, 상기 영상 내 모든 이미지픽셀의 밝기값에 대하여 확률분포를 획득할 수 있다. 이때, 상기 확률분포의 개수는 2D이며, 상기 D는 펀의 깊이를 나타낸다.
이러한 이미지픽셀의 변형이란, 영상 내 키프레임을 둘러싸는 이미지조각 즉 패치를 영상으로부터 분리하여 실시간으로 발생할 수 있는 다양한 형태로 영상을 변형시키는 것을 나타내는 것으로서, 예를 들면, 영상 내 키프레임을 둘러싸는 패치에 대하여 각도가 변경하거나, 크기가 확대 또는 감소하는 등이 발생할 수 있으므로, 이러한 사항을 고려하여 이미지픽셀에 대한 변형 예를 획득할 수 있다.
따라서, 이와 같이 획득한 이미지픽셀의 변형 예에 대한 클래스를 형성하고, 이러한 상기 클래스를 통해 이미지픽셀의 변형 예에 대한 확률분포를 획득할 수 있다.
상기 확률분포 내 각 확률과 기설정된 임계값을 비교한다(S120). 상기 기설정된 임계값은 획득한 확률분포 내 해당 확률이 어느 수준의 서열에 해당하는지를 나타내는 서열비율(rank ratio)이다.
이에 따라, 해당 확률이 기설정된 임계값보다 큰지를 확인하여(S130), 이때 상기 해당 확률이 기설정된 임계값보다 큰 경우, 상기 확률이 실수 형태에서 이진 형태의 1로 변환된다(S140).
하지만 이와 달리, 상기 과정 140에서 해당 확률이 기설정된 임계값보다 작거나 같은 경우, 상기 확률이 실수 형태에서 이진형태의 0으로 변환된다(S150). 예를 들어, 상기 서열비율 즉, 임계값이 0.25이면, 전체 확률분포 중 25%의 서열 안에 드는 확률은 이진형태의 1로 변환되고, 25%의 서열안에 들지 못한 확률은 이진형태의 0으로 변환된다.
이에 따라, 영상 내 키프레임을 둘러싸며 위치하는 다수의 이미지픽셀의 변형 예에 대한 확률분포를 획득하고, 이에 따라 상기 확률분포 내 확률이 실수형태에서 표현되는 것을 이진형태로 표현되도록 함으로써, 이미지분류를 위해 요구되는 메모리량을 현저히 감소시킬 수 있다.
이하, 도 2를 참조하여 랜덤펀스의 일 예를 살펴보도록 한다.
도 2는 본 발명의 다른 실시 예에 따른 경량화된 랜덤펀스를 나타낸 도면이다.
도 2에 도시된 바와 같이, 랜덤펀은 적어도 하나의 노드가 연속적으로 구성되어, 영상 내 키포인트를 둘러싸고 있는 이미지픽셀의 변형에 대한 확률분포를 획득한다. 이를 위해, 상기 노드는 영상 내 키포인트를 중심으로 둘러싸며 위치하는 이미지픽셀에 대하여 임의의 두 픽셀을 선택한 후, 선택한 임의의 두 픽셀의 밝기값을 상호 비교하여, 밝기값이 높은 픽셀에 이진형태의 1을 부여하고, 밝기값이 상대적으로 낮은 픽셀에 이진형태의 0을 부여한다. 이러한 임의의 이미지픽셀에 대한 밝기값 비교과정을 연속하여 수행함으로써, 상기 이미지픽셀의 밝기값에 대한 확률분포를 획득할 수 있다. 이때, 상기 랜덤펀은 2D 만큼의 확률분포 개수를 가지게 되는데, 상기 D는 상기 랜덤펀의 깊이(Depth)를 나타낸다.
예를 들어, 도 2에서 도시된 바와 같이, 상기 랜덤펀의 깊이(Depth)가 3임에 따라, 23인 총 8개의 확률분포를 가지게 되고, 영상 내 임의의 두 이미지픽셀을 선택하고, 선택한 이미지픽셀에 대한 밝기값을 상호 연속비교하여 밝기값에 따른 이진값이 부여되므로, 이진형태의 101이 부여된다. 이와 같이, 각 이미지픽셀에 대해 부여된 이진값을 통해 상기 영상의 이미지픽셀의 변형 예에 대한 확률분포를 획득하게 된다.
이후, 상기 랜덤펀스는 앞서 획득한 확률분포를 이용하여 상기 확률분포 내 실수 형태로 표현된 각 확률에 대하여 이진형태로 변환하는 이진화과정을 수행한다. 이러한 이진화과정을 수행하기 위해서, 상기 랜덤펀스는 확률분포 내 해당 확률을 기설정된 임계값과 비교한다. 즉, 상기 확률이 자신이 속한 확률분포 내 서열에서 어느 수준에 해당하는지를 나타내는 서열 비율(rank ratio)을 임계값으로서 설정하여 사용한다.
도 3은 본 발명의 이진화단계에서 확률분포 내 확률이 이진형태로 변환되는 과정을 나타낸 알고리즘이다.
먼저, 상기 알고리즘의 순서에 대하여 설명하기에 앞서, 상기 알고리즘에서 사용되는 변수에 대하여 살펴보도록 한다. 먼저, NF(number of ferns)는 펀의 개수이고, D(depth of ferns)는 펀의 깊이이며, NC(number of classes)는 클래스의 개수이고, Pijk는 i번째 펀의 j번째 확률분포에서의 k번째 확률 즉, 이미지픽셀의 변형 예를 수집하여 형성된 전체 확률을 나타내며, dij는 i번째 펀의 j번째 확률분포를 나타내고, rank(p, d)는 확률분포 d에서 상기 확률 p의 서열순위를 나타내며, t는 기설정된 임계값 즉, 서열비율(rank ratio)을 나타낸다.
도 3에 도시된 바와 같이, 확률분포 내 해당 확률이 실수형태에서 이진형태로 변환되는 과정은 전체 펀의 개수(NF) 보다 작고, 이미지픽셀의 변형 예를 수집하여 형성된 전체 확률분포의 개수인 2D 보다 작으며, 클래스의 개수 즉, 하나의 확률분포가 가지는 확률의 개수인 NC 보다 작을 때까지, 이미지픽셀의 변형 예를 수집하여 형성된 전체 확률 Pijk 중 상기 확률이 속한 확률분포 dij상에서 차지하는 서열순위인 rank(pijk, dij)를 클래스 개수인 Nc로 나눈 값에 대하여 기설정된 임계값 t보다 작은지 여부를 반복하여 비교한다. 이때, 상기 전체 확률 Pijk 중 상기 확률이 속한 확률분포 dij상에서 차지하는 서열순위 rank(pijk, dij)를 클래스 개수인 Nc로 나눈 값이 기설정된 임계값 t보다 작으면, 상기 전체 확률 Pijk는 이진형태의 1로 변환된다. 하지만, 전체 확률 Pijk 중 상기 확률이 속한 확률분포 dij상에서 차지하는 서열순위를 클래스 개수인 Nc로 나눈 값이 기설정된 임계값 t보다 같거나 크면, 전체 확률 Pijk는 이진형태의 0으로 변환된다. 즉, 서열순위 rank(pijk, dij)를 클래스 개수 Nc로 나눈 값이 기설정된 임계값 t보다 작다는 것은 확률분포 상에서 해당 확률이 임계값을 기준으로 나누었을 때, 높은 서열을 가지는 것을 나타낸다.
예를 들어, 상기 전체 확률 Pijk 중 상기 확률이 속한 확률분포 dij상에서 차지하는 서열순위인 rank(pijk, dij)가 10이고, 클래스 개수인 Nc가 100이며, 기설정된 임계값이 25%라고 가정한다. 이때, 상기 서열순위 rank(pijk, dij)인 10을 상기 클래스 개수 Nc인 100으로 나누면 0.1이 되고, 이때, 0.1은 기설정된 임계값인 0.25 보다 작으므로, 상기 전체 확률 pijk는 이진 형태의 1로 변환되며, 그 반대의 경우에는 상기 전체 확률 pijk가 이진 형태의 0으로 변환된다. 즉, 본 실시 예에서는 서열순위 rank(pijk, dij)가 1부터 24까지만 전체 확률 Pijk가 이진형태의 1로 변환되고, 서열순위 25부터는 전체 확률 Pijk가 이진형태의 0으로 변환되는 것을 알 수 있다.
상술한 바와 같은 확률 분포 내 해당 확률의 표현이 실수 형태에서 이진형태로 변환됨에 따라, 요구되는 메모리의 용량 또한 달라지게 된다.
도 4는 확률분포의 해당 확률이 실수형태에서 이진형태로 변환되는 것을 나타내는 도면이다.
도 4에 도시된 바와 같이, 확률분포 내 해당 확률이 종래의 실수 형태로 표현됨에 따라 각각 4byte 크기의 메모리 용량이 필요하게 된다. 즉, 종래기술에 따르면 상기 랜덤펀이 확률분포 중 어느 한 확률을 4 byte의 크기를 갖는 실수 형태로 표현하는데, 이러한 경우, 영상 내 포함되는 하나의 물체를 학습하는데 있어서 대략 50 MByte 의 메모리 용량이 필요로 하게 된다. 뿐만 아니라, 영상 내 100 개 정도의 물체를 학습하는 경우에는 총 5 Gbyte의 메모리 용량이 필요하게 된다.
하지만 이와 달리, 본 발명의 랜덤펀스를 이용하게 되는 경우, 확률분포 내 확률이 4byte 크기의 실수형태로 표현되는 것에서 1bit의 이진형태로 표현됨에 따라 전체적으로 필요로 하는 메모리의 요구량을 1/32로 크게 감소시킬 수 있다.
이하, 도 5 내지 7을 참조하여, 본 발명에 따른 랜덤펀스의 인식률 실험을 자세히 살펴보도록 한다.
도 5는 랜덤펀스의 깊이별 임계값별 인식율을 나타내는 그래프이다. 이번 실험은 본 발명에서 확률분포 내 각 확률의 이진변환 시 사용되는 임계값을 결정하는 실험이다.
도 5에 도시된 바와 같이, 랜덤펀스의 깊이(D)가 6인 경우, 서열비율 즉, 임계값이 0.35에서 64.4%의 인식률을 갖는 반면, 랜덤펀스의 깊이가 7인 경우, 동일한 임계값이 0.35에서 67.1%의 인식률을 가지는 것을 알 수 있다. 또한, 랜덤펀스의 깊이가 8인 경우, 임계값이 0.3에서 69.7%의 인식률을 가지고, 랜덤펀스의 깊이가 9인 경우, 동일한 임계값이 0.3에서 71.3%의 인식률을 가지며, 랜덤펀스의 깊이가 10인 경우에는 임계값이 0.25에서 72.3%의 인식률을 갖는 것을 알 수 있다.
이러한 실험결과를 통해, 랜덤펀스의 깊이가 깊어질수록 상대적으로 낮은 임계값에서 높은 인식률이 나타나는 것을 알 수 있다.
이 뿐만 아니라, 랜덤펀스의 인식률과 메모리 요구량간의 상관관계에 대해서도 자세히 살펴보도록 한다.
도 6은 본 발명과 종래기술에 따른 랜덤펀스의 메모리 요구량 및 인식률을 나타내는 그래프이다.
도 6에 도시된 바와 같이, 종래기술에 따른 랜덤펀스의 경우에는 펀의 깊이가 6일 때, 3.2 Mbyte의 메모리가 요구되며, 이때 인식률은 67.2%를 가지며, 본 발명에 따른 랜덤펀스의 경우에는 펀의 깊이가 6일 때, 0.1Mbyte의 메모리가 요구되며, 이때 인식률은 64.4%를 갖는다. 또한, 펀의 깊이가 7인 경우의 종래기술에 따른 랜덤펀스의 경우에는 6.4Mbyte의 메모리가 요구되고, 이때 인식률은 69.1%인 반면, 본 발명에 따른 랜덤펀스의 경우에는 0.2Mbyte의 상대적으로 적은 메모리량이 요구되며, 인식률은 67.1%인 것을 알 수 있다. 즉, 본 발명에 따른 랜덤펀스의 펀 깊이 증가에 따라 메모리 요구량이 종래기술의 랜덤펀스에 비하여 매우 적은 것을 알 수 있으나, 인식률이 다소 떨어지는 것을 알 수 있었다. 하지만, 펀의 깊이가 10인 경우에는 종래기술에 따른 랜덤펀스의 경우에는 51.2Mbyte의 메모리량이 요구되며, 이때 인식률은 72.1%를 갖는 반면, 본 발명에 따른 랜덤펀스의 경우에는 1.6Mbyte의 현저히 낮은 메모리 크기가 요구되면서도 72.3%의 높은 인식률을 갖는 바, 펀의 깊이가 10인 경우, 본 발명에 따른 랜덤펀스를 이용하는 경우 필요로하는 메모리의 크기는 현저히 줄어들면서도 인식률 또한 종래기술의 랜덤펀스의 인식률을 앞서는 것을 알 수 있다.
앞서, 설명한 바와 같이, 6 내지 8의 비교적 낮은 펀의 깊이에서 인식률이 낮은 경우가 발생함에 따라 이미 형성된 펀의 깊이에 대하여 추가 깊이를 형성하여 인식률의 감소를 방지할 수 있다.
이와 더불어, 랜덤펀스의 기본 펀의 깊이를 8로 하고, 이에 대해 펀의 깊이를 추가할 때 필요로 하는 메모리 요구량과 인식률의 변화를 살펴보도록 한다.
도 7은 랜덤펀스의 펀에 대한 추가 깊이변화에 따른 메모리 요구량 및 인식률을 나타낸 그래프이다.
도 7에 도시된 바와 같이, 본 발명에 따른 랜덤펀스의 펀 기준 깊이를 8로 형성하는 경우, 0.4Mbyte의 메모리 크기가 요구되나, 인식률은 69.7%가 되는 것을 알 수 있다. 이때, 동일한 펀의 깊이를 갖는 종래의 랜덤펀스의 10.2Mbyte의 메모리 요구량을 가지나, 70.5%의 인식률을 나타내고 있다.
따라서, 본 발명의 랜덤펀스의 기준 펀의 깊이인 8에서 하나씩 깊이를 추가할 때, 예를 들어 1을 더한 경우, 즉 펀의 깊이가 9가 되는 경우에 인식률이 71.3%가 되어, 종래의 랜덤펀스 인식률인 70.5%를 앞서는 것을 알 수 있다. 이 뿐만 아니라, 메모리 요구량은 본 발명의 랜덤펀스가 종래기술의 랜덤펀스에 비하여 1/16만큼 감소하는 것을 알 수 있다.
또한, 이러한 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법은 컴퓨터로 실행하기 위한 프로그램이 기록된 컴퓨터 판독가능 기록매체에 저장될 수 있다. 이때, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 장치의 예로는 ROM, RAM, CD-ROM, DVD±ROM, DVD-RAM, 자기 테이프, 플로피 디스크, 하드 디스크(hard disk), 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 장치에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
본 발명의 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법은 이미지픽셀의 변형 예에 대한 확률분포를 획득하여 상기 확률분포 내 확률을 실수형태에서 이진형태로 표현함으로써, 요구되는 메모리량의 크기를 감소시킬 수 있는 효과가 있다.
또한 본 발명의 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법은 확률분포에 따라 이미지픽셀의 변형 예에 대한 확률을 실수형태에서 이진형태로 변환하여 사용되는 메모리의 용량이 현저히 감소함에 따라 무선통신과 같은 제한적인 통신환경에서 유용하게 사용될 수 있는 효과가 있다.
이와 더불어, 본 발명의 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법은 요구되는 메모리 사용량이 적기 때문에 신속하게 처리해야 하는 데이터량이 많은 증강현실 분야에서도 대상물체의 실시간 처리를 수행할 수 있는 효과가 있다.
상기에서는 본 발명의 바람직한 실시 예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고 본 발명의 기술 사상 범위 내에서 여러 가지로 변형하여 실시하는 것이 가능하고 이 또한 첨부된 특허청구범위에 속하는 것은 당연하다.
S110: 이미지픽셀에 대한 변형 예를 수집하여 클래스화함
S120: 이미지픽셀의 변형 예에 대한 확률분포를 획득함
S130: 확률분포 내 각 확률과 임계값을 비교함
S140: 해당 확률이 임계값보다 큰지 비교함
S150: 해당 확률을 실수 형태에서 이진 형태의 1로 변환함
S160: 해당 확률을 실수 형태에서 이진 형태의 0으로 변환함
S120: 이미지픽셀의 변형 예에 대한 확률분포를 획득함
S130: 확률분포 내 각 확률과 임계값을 비교함
S140: 해당 확률이 임계값보다 큰지 비교함
S150: 해당 확률을 실수 형태에서 이진 형태의 1로 변환함
S160: 해당 확률을 실수 형태에서 이진 형태의 0으로 변환함
Claims (8)
- 영상 내 키포인트를 둘러싸며 위치하는 이미지픽셀을 분류하는 램던펀스에 있어서,
상기 이미지픽셀의 변형 예에 대한 확률분포를 획득한 후, 상기 확률분포 내 실수(real number)형태로 표현된 각 확률을 기설정된 임계값과 비교하여 이진형태로 변환하는 노드;를 포함하는 것을 특징으로 하는 경량화된 랜덤펀스.
- 제1항에 있어서,
상기 노드는
상기 확률분포 내 각 확률이 기설정된 임계값 보다 큰 경우에 상기 확률을 실수형태에서 이진형태의 1로 변환하거나,
상기 확률분포 내 각 확률이 기설정된 임계값보다 작거나 같은 경우에 상기 확률을 실수형태에서 이진형태의 0으로 변환하는 것을 특징으로 하는 경량화된 랜덤펀스.
- 제2항에 있어서,
상기 확률분포의 개수는 2D (상기 D는 펀의 깊이)인 것을 특징으로 하는 경량화된 랜덤펀스.
- 제1항에 있어서,
상기 노드는
상기 키포인트를 둘러싸며 위치하는 이미지픽셀에 대한 복수 개의 변형 예를 수집하여 클래스(class)화하는 것을 특징으로 하는 경량화된 랜덤펀스.
- 영상 내 키포인트를 둘러싸며 위치하는 이미지픽셀을 분류하는 경량화된랜덤펀스를 이용한 이미지 표현방법에 있어서,
상기 이미지픽셀의 변형 예에 대한 확률분포를 획득하는 확률분포획득단계;
상기 확률분포 내 실수형태로 표현된 각 확률을 기설정된 임계값과 비교하여 이진형태로 변환하는 이진화단계;
를 포함하는 것을 특징으로 하는 경량화된 랜덤펀스를 이용한 이미지 표현방법.
- 제5항에 있어서,
상기 이진화단계는
상기 확률분포 내 각 확률이 기설정된 임계값 보다 큰 경우에 상기 확률을 실수 형태에서 이진형태의 1로 변환하거나,
상기 확률분포 내 각 확률이 기설정된 임계값 보다 작거나 같은 경우에 상기 확률을 실수 형태에서 이진형태의 0으로 변환하는 것을 특징으로 하는 랜덤펀스를 이용한 이미지 표현방법.
- 제5항에 있어서,
상기 확률분포의 개수는 2D (상기 D는 펀의 깊이)인 것을 특징으로 하는 랜덤펀스를 이용한 이미지 표현방법.
- 제5항 내지 제7항 중 어느 한 항에 따른 방법을 컴퓨터로 실행하기 위한 프로그램이 기록된 컴퓨터 판독가능 기록매체.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020120064853A KR101332630B1 (ko) | 2012-06-18 | 2012-06-18 | 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020120064853A KR101332630B1 (ko) | 2012-06-18 | 2012-06-18 | 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101332630B1 true KR101332630B1 (ko) | 2013-11-25 |
Family
ID=49858382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020120064853A KR101332630B1 (ko) | 2012-06-18 | 2012-06-18 | 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101332630B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156734A (zh) * | 2014-08-19 | 2014-11-19 | 中国地质大学(武汉) | 一种基于随机蕨分类器的全自主在线学习方法 |
CN104268536A (zh) * | 2014-10-11 | 2015-01-07 | 烽火通信科技股份有限公司 | 一种图像人脸检测方法 |
CN108364344A (zh) * | 2018-02-08 | 2018-08-03 | 重庆邮电大学 | 一种基于回环测试的单目实时三维重建方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100083334A (ko) * | 2009-01-13 | 2010-07-22 | 한양대학교 산학협력단 | 적응적 피부색 검출을 통한 유해 이미지 분류 방법 및 시스템 |
-
2012
- 2012-06-18 KR KR1020120064853A patent/KR101332630B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100083334A (ko) * | 2009-01-13 | 2010-07-22 | 한양대학교 산학협력단 | 적응적 피부색 검출을 통한 유해 이미지 분류 방법 및 시스템 |
Non-Patent Citations (2)
Title |
---|
Anna B et al. 'Image Classification using Random Forests and Ferns,' ICCV 2007, 2007.10.14-21. * |
Mustafa et al. 'Fast Keypoint Recognition using Random Ferns,' DRAFT November 7, 2008. * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156734A (zh) * | 2014-08-19 | 2014-11-19 | 中国地质大学(武汉) | 一种基于随机蕨分类器的全自主在线学习方法 |
CN104268536A (zh) * | 2014-10-11 | 2015-01-07 | 烽火通信科技股份有限公司 | 一种图像人脸检测方法 |
CN108364344A (zh) * | 2018-02-08 | 2018-08-03 | 重庆邮电大学 | 一种基于回环测试的单目实时三维重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6471448B2 (ja) | 視差深度画像のノイズ識別方法及びノイズ識別装置 | |
CN110689038A (zh) | 神经网络模型的训练方法、装置和医学图像处理*** | |
US8660360B1 (en) | System and method for reduced incremental spectral clustering | |
JP2019036008A (ja) | 制御プログラム、制御方法、及び情報処理装置 | |
US9058540B2 (en) | Data clustering method and device, data processing apparatus and image processing apparatus | |
KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
CN111428805B (zh) | 显著性物体的检测方法、模型、存储介质及电子设备 | |
CN111860124B (zh) | 基于空谱胶囊生成对抗网络的遥感图像分类方法 | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
CN107194351B (zh) | 基于韦伯局部对称图结构的人脸识别特征提取方法 | |
Xie et al. | Bag-of-words feature representation for blind image quality assessment with local quantized pattern | |
KR101332630B1 (ko) | 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
US10580127B2 (en) | Model generation apparatus, evaluation apparatus, model generation method, evaluation method, and storage medium | |
KR102173942B1 (ko) | 다른 시점의 영상을 이용한 객체 검출을 위한 장치 및 이를 위한 방법 | |
US9607398B2 (en) | Image processing apparatus and method of controlling the same | |
Jeong et al. | Congestion-aware bayesian loss for crowd counting | |
US9531969B2 (en) | Image processing apparatus, image processing method, and storage medium | |
Wu et al. | Mixed Pattern Matching‐Based Traffic Abnormal Behavior Recognition | |
Hu et al. | Binary adaptive semi-global matching based on image edges | |
CN112580442B (zh) | 一种基于多维金字塔层次模型的行为识别方法 | |
US20220245394A1 (en) | Methods and Systems for Generating Composite Image Descriptors | |
JP6254771B2 (ja) | 画像処理装置及び画像処理プログラム | |
US8571342B2 (en) | Image processing and generation of focus information | |
WO2024024048A1 (ja) | 物体検出装置、物体検出方法、及び物体検出プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20161026 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20180202 Year of fee payment: 5 |