KR102389766B1 - 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체 - Google Patents

Abstract

이미지 처리 방법 및 장치, 전자 기기 및 저장 매체로서, 여기서, 상기 이미지 처리 방법은, 동일한 대상에 대한 복수 개의 이미지의 이미지 특징을 각각 획득하는 단계(S10); 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 일대일로 대응하는 가중치 계수를 결정하는 단계(S20); 및 각 상기 이미지 특징의 가중치 계수에 기반하여, 상기 복수 개의 이미지의 이미지 특징에 대해 특징 융합 처리를 실행하여, 상기 복수 개의 이미지의 융합 특징을 획득하는 단계(S30)를 포함한다. 본 발명의 실시예는 융합 특징의 정밀도를 향상시킬 수 있다.

Description

이미지 처리 방법 및 장치, 전자 기기 및 저장 매체

관련 출원의 상호 참조

본 발명은 출원 번호가 201910228716.X이고, 출원일이 2019년 03월 25일인 중국 특허 출원에 기반하여 제출하였고, 상기 중국 특허 출원의 우선권을 주장하며, 상기 중국 특허 출원의 모든 내용은 참조로서 본 출원에 인용된다.

본 발명은 컴퓨터 비전 기술 분야에 관한 것으로, 특히 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체에 관한 것이다.

특징 융합은 컴퓨터 비전 및 지능형 비디오 모니터링에서 중요한 문제 중 하나이다. 예를 들어, 얼굴 인식 시스템과 같은 많은 분야에서 얼굴 특징 융합의 적용이 중요하다. 현재, 일반적으로 다중 프레임의 이미지의 특징의 평균값을 융합된 특징으로 직접 사용하며, 이 방법은 간단하지만 성능이 좋지 않으며, 특히 비정상 값에 대한 로버스트성이 떨어진다.

본 발명의 실시예는 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체를 제공한다.

본 발명 실시예의 제1 측면에 따르면, 이미지 처리 방법을 제공하며, 동일한 대상에 대한 복수 개의 이미지의 이미지 특징을 각각 획득하는 단계; 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 일대일로 대응하는 가중치 계수를 결정하는 단계; 및 각 상기 이미지 특징의 가중치 계수에 기반하여, 상기 복수 개의 이미지의 이미지 특징에 대해 특징 융합 처리를 실행하여, 상기 복수 개의 이미지의 융합 특징을 획득하는 단계를 포함한다.

일부 가능한 실시형태에서, 상기 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 일대일로 대응하는 가중치 계수를 결정하는 단계는, 각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성하는 단계; 상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하여, 제1 가중치 매트릭스를 획득하는 단계; 및 상기 제1 가중치 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하는 단계를 포함한다.

일부 가능한 실시형태에서, 상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하여, 제1 가중치 매트릭스를 획득하는 단계는, 정규화된 선형 최소 제곱 추정 알고리즘을 사용하여 상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하며, 기설정 목표 함수가 최소값인 경우 상기 제1 가중치 매트릭스를 획득하는 단계를 포함한다.

일부 가능한 실시형태에서, 상기 제1 가중치 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하는 단계는, 상기 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 상기 가중치 계수로 결정하는 단계; 또는, 상기 제1 가중치 매트릭스에 대해 제1 최적화 처리를 실행하고, 최적화된 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 상기 가중치 계수로 결정하는 단계를 포함한다.

일부 가능한 실시형태에서, 상기 제1 가중치 매트릭스에 대해 제1 최적화 처리를 실행하는 단계는, 상기 제1 가중치 매트릭스에 포함된 각 이미지 특징의 제1 가중치 계수에 기반하여, 각 이미지의 피팅 이미지 특징을 결정하는 단계 - 상기 피팅 이미지 특징은 상기 이미지 특징과, 대응하는 제1 가중치 계수의 곱임 - ; 각 이미지의 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 사용하여, 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하여, 제1 최적화 가중치 매트릭스를 획득하는 단계; 상기 제1 가중치 매트릭스와 제1 최적화 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하는 것에 응답하여, 상기 제1 최적화 가중치 매트릭스를 최적화된 상기 제1 가중치 매트릭스로 결정하는 단계; 및 제1 가중치 매트릭스와 제1 최적화 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하지 않는 것에 응답하여, 상기 제1 최적화 가중치 매트릭스를 사용하여 새로운 피팅 이미지 특징을 얻고, 제k 최적화 가중치 매트릭스와 상기 제k-1 최적화 가중치 매트릭스 사이의 차이값이 상기 제1 조건을 만족할 때까지, 상기 새로운 피팅 이미지 특징에 기반하여 상기 제1 최적화 처리를 반복하여 실행하고, 제k 최적화 가중치 매트릭스를 최적화된 제1 가중치 매트릭스로 결정하는 단계 - k는 1보다 큰 양의 정수임 - 를 포함한다.

일부 가능한 실시형태에서, 상기 각 이미지의 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 사용하여, 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하는 단계는, 각 이미지 특징과 상기 피팅 이미지 특징 내의 대응하는 요소 사이의 차이값의 제곱의 합에 따라, 상기 이미지 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 획득하는 단계; 각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득하는 단계; 및 각 이미지의 제2 가중치 계수에 기반하여 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하여, 상기 제1 가중치 매트릭스에 대응하는 제1 최적화 가중치 매트릭스를 획득하는 단계를 포함한다.

일부 가능한 실시형태에서, 각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득하는 단계는, 제1 방식을 통해, 각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득하는 단계 - 상기 제1 방식의 표현식은,

이고;

여기서, w_i는 i 번째 이미지의 제2 가중치 계수이고, e_i은 i 번째 이미지 특징과 i 번째 이미지 특징에 대응하는 피팅 이미지 특징 사이의 제1 오차를 나타내며, i는 1에서 N 사이의 정수이고,

및

는 오차 e_i의 표준 편차임 - 을 포함한다.

일부 가능한 실시형태에서, 상기 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 일대일로 대응하는 가중치 계수를 결정하는 단계는, 각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성하는 단계; 상기 이미지 특징 매트릭스에 대해 중앙값 필터링 처리를 수행하여, 중앙값 특징 매트릭스를 획득하는 단계; 및 상기 중앙값 특징 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하는 단계를 더 포함한다.

일부 가능한 실시형태에서, 상기 이미지 특징 매트릭스에 대해 중앙값 필터링 처리를 수행하여, 중앙값 특징 매트릭스를 획득하는 단계는, 상기 이미지 특징 매트릭스의 각 상기 이미지 특징에 대해 동일한 위치의 요소 중앙값을 결정하는 단계; 및 각 위치의 요소 중앙값에 기반하여 상기 중앙값 특징 매트릭스를 결정하는 단계를 포함한다.

일부 가능한 실시형태에서, 상기 중앙값 특징 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하는 단계는, 각 이미지 특징과 상기 중앙값 특징 매트릭스 사이의 제2 오차를 획득하는 단계; 및 이미지 특징과 중앙값 특징 매트릭스 사이의 상기 제2 오차가 제2 조건을 만족하는 것에 응답하여, 상기 이미지 특징의 가중치 계수는 제1 가중치 값으로 구성되고, 이미지 특징과 중앙값 특징 매트릭스 사이의 상기 제2 오차가 제2 조건을 만족하지 않는 것에 응답하여, 제2 방식을 사용하여 상기 이미지 특징의 가중치 계수를 결정하는 단계를 포함한다.

일부 가능한 실시형태에서, 상기 제2 방식의 표현식은,

여기서, b_h은 제2 방식을 통해 결정된 h 번째 이미지의 가중치 계수이고, e_h는 h 번째 이미지의 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차이며, h는 1과 N 사이의 정수이고, N은 이미지의 개수를 나타낸다.

일부 가능한 실시형태에서, 상기 제2 조건은,

여기서, e_h는 h 번째 이미지의 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차이고, h는 1과 N 사이의 정수이며, N은 이미지의 개수를 나타내고, K는 판단 임계값이며, median은 중앙값 필터링 함수를 나타낸다.

일부 가능한 실시형태에서, 각 상기 이미지 특징의 가중치 계수에 기반하여, 상기 복수 개의 이미지의 이미지 특징에 대해 특징 융합 처리를 실행하여, 상기 복수 개의 이미지의 융합 특징을 획득하는 단계는, 각 이미지 특징에 대응하는 가중치 계수 사이의 곱의 합산값을 사용하여, 상기 융합 특징을 획득하는 단계를 포함한다.

일부 가능한 실시형태에서, 상기 이미지 처리 방법은, 상기 융합 특징을 사용하여 상기 동일한 대상의 인식 작업을 실행하는 단계를 더 포함한다.

일부 가능한 실시형태에서, 일부 가능한 실시형태에서, 상기 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 대응하는 가중치 계수를 결정하기 전에, 상기 이미지 처리 방법은, 가중치 계수에 대한 획득 모드의 선택 정보를 획득하는 단계; 상기 선택 정보에 기반하여 상기 가중치 계수의 획득 모드를 결정하는 단계; 결정된 상기 가중치 계수의 획득 모드에 기반하여, 상기 각 이미지의 이미지 특징을 실행하여, 각 상기 이미지 특징에 대응하는 가중치 계수를 결정하는 단계를 더 포함하고; 상기 가중치 계수의 획득 모드는 특징 피팅의 방식을 사용하여 상기 가중치 계수를 획득하는 것 및 중앙값 필터링의 방식을 사용하여 상기 가중치 계수를 획득하는 것을 포함한다.

본 발명의 실시예의 제2 측면에 따르면, 이미지 처리 장치를 제공하며, 동일한 대상에 대한 복수 개의 이미지의 이미지 특징을 각각 획득하도록 구성된 획득 모듈; 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 일대일로 대응하는 가중치 계수를 결정하도록 구성된 결정 모듈; 및 각 상기 이미지 특징의 가중치 계수에 기반하여, 상기 복수 개의 이미지의 이미지 특징에 대해 특징 융합 처리를 실행하여, 상기 복수 개의 이미지의 융합 특징을 획득하도록 구성된 융합 모듈을 포함한다.

일부 가능한 실시형태에서, 상기 결정 모듈은, 각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성하도록 구성된 제1 설정 유닛; 상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하여, 제1 가중치 매트릭스를 획득하도록 구성된 피팅 유닛; 및 상기 제1 가중치 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하도록 구성된 제1 결정 유닛을 포함한다.

일부 가능한 실시형태에서, 상기 피팅 유닛은 또한, 정규화된 선형 최소 제곱 추정 알고리즘을 사용하여 상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하며, 기설정 목표 함수가 최소값인 경우 상기 제1 가중치 매트릭스를 획득하도록 구성된다.

일부 가능한 실시형태에서, 상기 결정 모듈은, 상기 제1 가중치 매트릭스에 대해 제1 최적화 처리를 실행하도록 구성된 최적화 유닛을 더 포함하며; 상기 제1 결정 유닛은 또한, 상기 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 상기 가중치 계수로 결정하고; 또는 최적화된 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 상기 가중치 계수로 결정하도록 구성된다.

일부 가능한 실시형태에서, 상기 최적화 유닛은 또한, 상기 제1 가중치 매트릭스에 포함된 각 이미지 특징의 제1 가중치 계수에 기반하여, 각 이미지의 피팅 이미지 특징을 결정하고; 각 이미지의 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 사용하여, 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하여, 제1 최적화 가중치 매트릭스를 획득하며; 상기 제1 가중치 매트릭스와 제1 최적화 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하는 것에 응답하여, 상기 제1 최적화 가중치 매트릭스를 최적화된 상기 제1 가중치 매트릭스로 결정하며; 제1 가중치 매트릭스와 제1 최적화 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하지 않는 것에 응답하여, 상기 제1 최적화 가중치 매트릭스를 사용하여 새로운 피팅 이미지 특징을 얻고, 제k 최적화 가중치 매트릭스와 상기 제k-1 최적화 가중치 매트릭스 사이의 차이값이 상기 제1 조건을 만족할 때까지, 상기 새로운 피팅 이미지 특징에 기반하여 상기 제1 최적화 처리를 반복하여 실행하고, 제k 최적화 가중치 매트릭스를 최적화된 제1 가중치 매트릭스로 결정 - k는 1보다 큰 양의 정수이고, 상기 피팅 이미지 특징은 상기 이미지 특징과, 대응하는 제1 가중치 계수의 곱임 - 하도록 구성된다.

일부 가능한 실시형태에서, 상기 최적화 유닛은 또한, 각 이미지 특징과 상기 피팅 이미지 특징 내의 대응하는 요소 사이의 차이값의 제곱의 합에 따라, 상기 이미지 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 획득하고; 각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득하며; 각 이미지의 제2 가중치 계수에 기반하여 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하여, 상기 제1 가중치 매트릭스에 대응하는 제1 최적화 가중치 매트릭스를 획득하도록 구성된다.

일부 가능한 실시형태에서, 상기 최적화 유닛은 또한 제1 방식을 통해, 각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득하기 위한 것이며, 여기서, 상기 제1 방식의 표현식은,

이고;

여기서, w_i는 i 번째 이미지의 제2 가중치 계수이고, e_i은 i 번째 이미지 특징과 i 번째 이미지 특징에 대응하는 피팅 이미지 특징 사이의 제1 오차를 나타내며, i는 1에서 N 사이의 정수이고,

및

는 오차 e_i의 표준 편차임 - 을 포함한다.

일부 가능한 실시형태에서, 상기 결정 모듈은, 각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성하도록 구성된 제2 설정 유닛; 상기 이미지 특징 매트릭스에 대해 중앙값 필터링 처리를 수행하여, 중앙값 특징 매트릭스를 획득하도록 구성된 필터링 유닛; 및 상기 중앙값 특징 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하도록 구성된 제2 결정 유닛을 더 포함한다.

일부 가능한 실시형태에서, 상기 필터링 유닛은 또한, 상기 이미지 특징 매트릭스의 각 상기 이미지 특징에 대해 동일한 위치의 요소 중앙값을 결정하고; 각 위치의 요소 중앙값에 기반하여 상기 중앙값 특징 매트릭스를 결정하도록 구성된다.

일부 가능한 실시형태에서, 상기 제2 결정 유닛은 또한, 각 이미지 특징과 상기 중앙값 특징 매트릭스 사이의 제2 오차를 획득하고; 이미지 특징과 중앙값 특징 매트릭스 사이의 상기 제2 오차가 제2 조건을 만족하는 것에 응답하여, 상기 이미지 특징의 가중치 계수는 제1 가중치 값으로 구성되고, 이미지 특징과 중앙값 특징 매트릭스 사이의 상기 제2 오차가 제2 조건을 만족하지 않는 것에 응답하여, 제2 방식을 사용하여 상기 이미지 특징의 가중치 계수를 결정하도록 구성된다.

일부 가능한 실시형태에서, 상기 제2 방식의 표현식은,

여기서, b_h는 제2 방식을 통해 결정된 h 번째 이미지의 가중치 계수이고, e_h는 h 번째 이미지의 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차이며, h는 1과 N 사이의 정수이고, N은 이미지의 개수를 나타낸다.

일부 가능한 실시형태에서, 상기 제2 조건은,

여기서, e_h는 h 번째 이미지의 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차이고, h는 1과 N 사이의 정수이며, N은 이미지의 개수를 나타내고, K는 판단 임계값이며, median은 중앙값 필터링 함수를 나타낸다.

일부 가능한 실시형태에서, 상기 융합 모듈은 또한, 각 이미지 특징에 대응하는 가중치 계수 사이의 곱의 합산값을 사용하여, 상기 융합 특징을 획득하도록 구성된다.

일부 가능한 실시형태에서, 상기 이미지 처리 장치는, 상기 융합 특징을 사용하여 상기 동일한 대상의 인식 작업을 실행하도록 구성된 인식 모듈을 더 포함한다.

일부 가능한 실시형태에서, 상기 이미지 처리 장치는, 가중치 계수에 대한 획득 모드의 선택 정보를 획득하며, 상기 선택 정보에 기반하여 상기 가중치 계수의 획득 모드를 결정 - 상기 가중치 계수의 획득 모드는 특징 피팅의 방식을 사용하여 상기 가중치 계수를 획득하거나 중앙값 필터링의 방식을 사용하여 상기 가중치 계수를 획득하는 것을 포함함 - 하도록 구성된 모드 결정 모듈을 더 포함한다.

상기 결정 모듈은 또한, 결정된 상기 가중치 계수의 획득 모드에 기반하여, 상기 각 이미지의 이미지 특징을 실행하여, 각 상기 이미지 특징에 대응하는 가중치 계수를 결정하도록 구성된다.

본 발명의 실시예의 제3 측면에 따르면, 전자 기기를 포함하며, 상기 전자 기기는, 프로세서; 및 프로세서에서 실행 가능한 명령어를 포함하기 위한 메모리를 포함하며; 여기서, 상기 프로세서는, 제1 측면에서 어느 한 항에 따른 방법을 실행하도록 구성된다.

본 발명의 실시예의 제4 측면에 따르면, 컴퓨터 프로그램 명령어가 저장된 컴퓨터 판독 가능한 저장 매체를 제공하며, 상기 컴퓨터 프로그램 명령어가 프로세서에 의해 실행될 때 제1 측면의 임의의 방법을 구현한다.

본 발명의 실시예는 동일한 대상의 상이한 특징에 대해 융합을 수행할 수 있으며, 여기서, 상기 동일한 대상의 상이한 이미지의 이미지 특징에 따라, 각 이미지 특징에 대응하는 가중치 계수를 결정할 수 있고, 상기 가중치 계수를 통해 이미지 특징의 특징 융합을 실행할 수 있으며, 각 이미지 특징에 대해 상이한 가중치 계수가 결정될 수 있으므로, 본 발명의 실시예의 기술방안은 특징 융합의 정밀도를 향상시킬 수 있다.

이해해야 할 것은, 이상의 일반적인 설명 및 하기의 상세한 설명은 다만 예시적이고 해석적인 것이며, 본 발명을 한정하려는 것은 아니다.

다음의 도면에 따라 예시적인 실시예를 상세하게 설명하며, 본 발명의 실시예는 다른 특징 및 측면은 명백해진다.

아래의 도면은 본 명세서의 일부분으로서 명세서 전체를 구성하며, 이러한 도면은 본 발명에 맞는 실시예를 예시하여, 명세서와 함께 본 발명의 기술방안을 설명하는데 사용된다.
도 1은 본 발명의 실시예에 따른 이미지 처리 방법의 흐름도를 도시한다.
도 2는 본 발명의 실시예에 따른 이미지 처리 방법에서 가중치 계수를 획득하는 방식을 결정하는 흐름도를 도시한다.
도 3은 본 발명의 실시예에 따른 이미지 처리 방법의 단계 S20의 흐름도를 도시한다.
도 4는 본 발명의 실시예에 따른 이미지 처리 방법에서 제1 최적화 처리를 수행하는 흐름도를 도시한다.
도 5는 본 발명의 실시예에 따른 이미지 처리 방법에서 단계 S232의 흐름도를 도시한다.
도 6은 본 발명의 실시예에 따른 이미지 처리 방법의 단계 S20의 흐름도를 도시한다.
도 7은 본 발명의 실시예에 따른 이미지 처리 방범의 단계 S203의 흐름도를 도시한다.
도 8은 본 발명의 실시예에 따른 이미지 처리 장치를 블록도를 도시한다
도 9는 본 발명의 실시예에 따른 전자 기기(800)의 블록도를 도시한다.
도 10은 본 발명의 실시예에 따른 전자 기기(1900)의 블록도를 도시한다.

이하, 첨부된 도면을 참조하여 본 발명의 다양한 예시적인 실시예, 특징 및 측면을 상세하게 설명한다. 도면에서 동일한 도면 부호는 동일하거나 유사한 기능을 갖는 요소를 표시한다. 실시예의 다양한 측면이 도면에 도시되어 있지만, 특별히 언급되지 않는 한, 도면을 비율에 따라 그릴 필요는 없다.

본문에서 용어 “예시적”은 “예, 실시예 또는 설명으로 사용되는” 것을 의미한다. 본문에서 “예시적”으로 설명된 임의의 실시예는 다른 실시예보다 우수하거나 좋은 것으로 해석될 필요는 없다.

본 명세서에서 용어 “및 /또는”은 다만 관련 대상의 상관 관계를 설명하기 위한 것일 뿐, 세 가지의 관계가 존재함을 나타내며, 예를 들어, A 및/또는 B는, A가 단독적으로 존재, A 및 B가 동시에 존재, B가 단독적으로 존재하는 세 가지 상황을 나타낸다. 또한, 본 명세서에서 "적어도 하나"라는 용어는 복수 개 중 어느 하나 또는 복수 개 중 적어도 2 개의 임의의 조합을 나타내며, 예를 들어, A, B 및 C 중 적어도 하나는 A, B 및 C에 의해 형성된 집합에서 선택된 임의의 하나 또는 복수 개의 요소를 나타낼 수 있다.

또한, 본 발명을 더 잘 설명하기 위해, 아래의 구체적인 실시형태에서 다수의 구체적인 세부 사항을 제공한다. 당업자는 본 발명의 실시예가 일부 세부사항 없어도 여전히 구현될 수 있음을 이해해야 한다. 일부 예에서, 당업자에게 잘 알려진 방법, 수단, 요소 및 회로는 본 발명의 취지가 명백해지도록 상세하게 설명되지 않는다.

본 발명의 실시예는 이미지 처리 방법을 제공하고, 상기 이미지 처리 방법은 복수 개의 이미지의 특징 융합 처리를 실행할 수 있으며, 이 방법은 임의의 전자 기기 또는 서버에 적용될 수 있으며, 예를 들어, 전자 기기는 사용자 기기(UE, User Equipment), 모바일 기기, 휴대폰, 무선전화기, 개인용 정보 단말기(PDA, Personal Digital Assistant), 핸드헬드 기기, 컴퓨팅 기기, 차량 탑재 기기, 웨어러블 긱 등을 포함할 수 있다. 서버는 로컬 서버 또는 클라우드 서버를 포함할 수 있다. 일부 가능한 구현 방식에서, 상기 이미지 생성 방법은 프로세서를 통해 메모리에 저장된 컴퓨터 판독 가능 명령을 호출하는 프로세서에 의해 구현될 수 있다. 상기는 기기의 예시적인 설명일 뿐이고, 본 발명의 특정 제한이 아니며, 다른 실시예에서, 이미지 처리를 수행할 수 있는 다른 기기에서 구현될 수 있다.

도 1은 본 발명의 실시예에 따른 이미지 처리 방법의 흐름도를 도시한다. 상기 이미지 처리 방법은 다음의 단계를 포함한다.

단계 S10에 있어서, 동일한 대상에 대한 복수 개의 이미지의 이미지 특징을 각각 획득한다.

본 발명의 실시예에서, 동일한 대상의 상이한 이미지의 특징에 대해 특징 융합 처리를 수행할 수 있다. 여기서, 대상의 유형은 임의의 유형일 수 있으며, 예를 들어 사람, 동물, 식물, 차량, 만화 캐릭터 등일 수 있으며, 본 발명의 실시예는 이에 한정되지 않는다. 동일한 대상에 대한 상이한 이미지는 동일한 시나리오에서 갭처된 상이한 이미지일 수 있고, 또한 상이한 시나리오에서 캡처된 이미지일 수 있으며, 동시에 본 발명의 실시예는 획득한 이미지의 시간에 한정하지 않으며, 각 이미지의 시간은 동일할 수 있고, 상이할 수도 있다.

본 발명의 실시예는 우선 상기 동일한 대상의 복수 개의 이미지를 획득할 수 있다. 여기서, 획득 복수 개의 이미지의 방식은, 카메라 기기를 통해 복수 개의 이미지를 수집하고, 또는 다른 기기를 통해 통신할 수 있으며, 다른 기기와 통신을 통해 전송된 복수 개의 이미지를 수신하고, 또는 로켈에 저장되거나 특정 네트워크 주조에 저장된 복수 개의 이미지를 읽을 수 있는 방식을 포함할 수 있으며, 상기는 예시적인 설명일 뿐이며, 다른 실시예는 다른 방식을 통해 동일한 대상에 대한 복수 개의 이미지를 획득할 수 있다.

복수 개의 이미지를 획득한 후, 이미지에서의 이미지 특징을 각각 추출할 수 있다. 일부 가능한 실시형태에서, 특징 추출 알고리즘을 통해 이미지 특징을 추출할 수 있고, 특징 추출 알고리즘은 예를 들어 얼굴 특징 추출 알고리즘, 에지 특징 추출 알고리즘 등 알고리즘일 수 있고, 또는 다른 특징 추출 알고리즘을 통한 추출 대상의 관련 특징일 수도 있다. 또는, 본 발명의 실시예는 특징 추출 기능을 가진 뉴럴 네트워크를 통해 각 이미지에서의 이미지 특징을 추출할 수 있다. 여기서, 이미지 특징은 상응하는 이미지의 특징 정보를 반영할 수 있고, 또는 이미지에서의 대상의 특징 정보를 반영할 수 있다. 예시적으로, 이미지 특징은 이미지에서 각 픽셀 포인트의 그레이 스케일 값일 수 있다.

본 발명의 실시예에서, 이미지에 포함된 대상이 얼굴 대상이 포함될 때, 획득한 이미지 특징은 상기 대상의 얼굴 특징일 수 있다. 예를 들어, 얼굴 특징 추출 알고리즘을 통해 각 이미지에 대해 처리를 수행하고, 이미지에서의 얼굴 특징을 추출할 수 있다. 또는, 각 이미지를 이미지에서의 얼굴 특징을 획득할 수 있는 뉴럴 네트워크에 입력할 수 있고, 뉴럴 네트워크를 통해 각 이미지의 얼굴 특징을 획득한다. 여기서, 상기 뉴럴 네트워크는 훈련이 종료된 후 이미지의 이미지 특징을 획득할 수 있어 이미지에서 대상 인식을 실행할 수 있는 네트워크일 수 있고, 뉴럴 네트워크의 마지막 컨볼루션 계층 처리(획득한 특징이 분류 인식하기 전의 특징)의 결과를 본 발명 실시예에서 이미지 특징일 수 있으며, 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크일 수 있다. 또는, 다른 유형의 대상에 대해, 상응하는 특징 추출 알고리즘 또는 뉴럴 네트워크를 통해 대응하는 이미지 특징을 획득할 수 있으며, 본 발명의 실시예는 이에 한정되지 않는다.

본 발명의 실시예에서, 이미지 특징은 특징 벡터의 형태일 수 있으며, 예를 들어 i 번째 이미지의 이미지 특징(예를 들어 얼굴 특징임)은

로 나타낼 수 있다. 여기서 D는 이미지 특징의 차원 수를 나타내고, i는 1에서 N 사이의 개수이며, N은 이미지의 개수를 나타낸다.

단계 S20에 있어서, 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 일대일로 대응하는 가중치 계수를 결정한다.

본 발명의 실시예는 각 이미지의 이미지 특징에서의 특징 파라미터에 따라, 각 이미지 특징의 가중치 계수를 결정할 수 있고, 상기 가중치 계수는 [0, 1] 사이의 수치일 수 있고, 또는 다른 수치일 수 있으며, 본 발명의 실시예는 이에 한정되지 않는다. 각 이미지 특징을 통해 상이한 가중치 계수를 구성함으로써, 정밀도가 높은 이미지 특징을 강조할 수 있어, 특징 융합 처리에 의해 획득한 융합 특징의 정밀도를 향상시킬수 있다.

단계 S30에 있어서, 각 상기 이미지 특징의 가중치 계수에 기반하여, 상기 복수 개의 이미지의 이미지 특징에 대해 특징 융합 처리를 실행하여, 상기 복수 개의 이미지의 융합 특징을 획득한다.

본 발명 실시예에서, 특징 융합 처리를 실행하는 방식은, 각 이미지 특징에 대응하는 가중치 계수 사이의 곱의 합산값을 사용하여, 상기 융합 특징을 획득하는 단계를 포함할 수 있다. 예를 들어, 각 이미지 특징의 융합 특징은 다음 식을 통해 획득할 수 있다.

(1)

여기서, G는 생성된 융합 특징을 나타내고, i는 1에서 N 사이의 정수이며, N은 이미지의 개수르 나타내고, b_i는 i 번째 이미지의 이미지 특징 X_i의 가중치 계수를 나타낸다.

다시 말해서, 본 발명의 실시예는 이미지 특징과, 상응하는 가중치 계수를 곱하고, 각 곱셈 처리하여 획득한 곱셈 결과를 더하여, 본 발명의 실시예의 융합 특징을 획득할 수 있다.

본 발명의 실시예를 통해, 이미지 특징에서의 특징 파라미터에 따라 각 이미지 특징에 대응하는 가중치 계수를 결정할 수 있고, 단순히 각 이미지 특징의 평균값을 취하고 융합 특징을 획득하지 않고, 가중치 계수에 따라 각 이미지의 융합 특징을 얻으므로, 융합 특징의 정밀도를 높이고, 간단하고 편리한 특성을 가진다.

도면과 결합하여 본 발명의 실시예의 각 과정에 대해 상세히 설명한다.

본 발명의 실시예에서, 동일한 대상의 각 상이한 이미지의 이미지 특징을 획득한 후, 즉 각 이미지 특징의 가중치 계수를 결정할 수 있다. 일부 가능한 실시형태에서, 특징 피팅의 방식을 통해 각 가중치 계수를 획득할 수 있으며, 일부 가능한 실시형태에서, 중앙값 필터링의 방식을 통해 각 가중치 계수를 획득할 수 있으며, 또는 다른 실시형태에서, 또한 평균값 또는 다른 처리를 통해 각 가중치 계수를 획득할 수 있으며, 본 발명의 실시예는 이에 한정되지 않는다.

본 발명의 실시예에서 단계 20을 실행하여 각 가중치 계수를 획득하기 전에, 각 가중치 계수의 방식을 먼저 결정할 수 있으며, 특징 피팅 방식 또는 중앙값 필터링과 같은 방식이다. 도 2는 본 발명의 실시예에 따른 이미지 처리 방법에서 가중치 계수를 획득하는 방식을 결정하는 흐름도를 도시한다. 상기 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 대응하는 가중치 계수를 결정하기 전에, 상기 이미지 처리 방법은 다음의 단계를 포함한다.

단계 S41에 있어서, 가중치 계수에 대한 획득 모드의 선택 정보를 획득한다.

여기서, 상기 선택 정보는 가중치 계수를 획득하는 작업을 수행하기 위한 모드 선택 정보이며, 예를 들어, 선택 정보는 제1 모드(예를 들어 중앙값 필터링 방식)를 사용하여 상기 가중치 계수의 제1 선택 정보를 획득하거나, 또는 제2 모드(예를 들어, 중앙값 필터링 방식)를 사용하여 상기 가중치 계수의 제2 선택 정보를 획득할 수 있다. 또는, 다른 모드를 사용하여 가중치 계수를 획득하기 위해 선택 정보를 포함할 수도 있으며, 본 발명의 실시예는 이에 한정되지 않는다.

여기서, 상기 선택 정보를 획득하는 방식은 입력 컴포넌트를 수신하는 입력 정보를 수신하는 것을 포함할 수 있고, 상기 입력 정보에 기반하여 상기 선택 정보를 결정한다. 본 발명의 실시예에서, 입력 컴포넌트는 스위치, 키보드, 마우스, 오디오 수신 인터페이스, 터치 패드, 터치 스크린, 통신 인터페이스 등을 포함할 수 있으며, 본 발명의 실시예는 이에 한정되지 않고, 선택 정보를 수신할 수 있는 한 본 발명의 실시예로 사용할 수 있다.

단계 S42에 있어서, 상기 선택 정보에 기반하여 상기 가중치 계수의 획득 모드를 결정한다.

선택 정보에 가중치 정보와 관련된 획득 모드의 관련 정보를 포함하므로, 즉 수신된 선택 정보에 따라 상응하는 모드 정보를 얻을 수 있다. 선택 정보가 제1 선택 정보를 포함하는 조건 하에서, 제1 모드(특징 피팅 방식)를 사용하여 가중치 계수를 획득하는 것을 결정할 수 있으며; 선택 정보가 제2 선택 정보를 포함하는 경우, 제2 모드(중앙값 필터링 방식)을 사용하여 가중치 계수를 회득하는 것을 결정할 수 있다. 따라서, 선택 정보에 다른 선택 정보가 포함되는 경우, 선택 정보에 대응하는 가중치를 회득하기 위한 방식을 결정할 수 있다.

일부 가능한 실시형태에서, 상이한 가중치 계수의 획득 모드의 정밀도 또는 연산량, 연산 속도 중 적어도 하나는 상이할 수 있다. 예를 들어 제1 모드의 정밀도는 제2 모드의 정밀도보다 높을 수 있고, 제1 모드의 연산 속도는 제2 모드의 연산 속도보다 낮을 수 있으나 본 발명의 실시예는 이에 한정되지 않는다. 따라서, 본 발명의 실시예에서 사용자는 상이한 요구 사항에 따라 가중치 파라미터를 획득하는 적절한 모드를 선택할 수 있다.

S43에 있어서, 결정된 상기 가중치 계수의 획득 모드에 기반하여, 상기 각 이미지의 이미지 특징을 실행하여, 각 상기 이미지 특징에 대응하는 가중치 계수를 결정하며; 여기서, 상기 가중치 계수의 획득 모드는 특징 피팅의 방식을 사용하여 상기 가중치 계수를 획득하는 것 및 중앙값 필터링의 방식을 사용하여 상기 가중치 계수를 획득하는 것을 포함한다.

선택 정보에 기반하여 가중치 계수의 획득 모드를 결정한 후, 결정된 모드에 따라 가중치 정보의 획득 작업을 실행할 수 있다.

본 발명의 실시예에서, 상기 방식을 통해 가중치 계수를 구현할 수 있는 획득 모드를 선택하며, 상이한 요구 사항인 경우, 가중치 계수를 획득하기 위해 상이한 모드를 사용할 수 있으며, 더 나은 적용성을 가진다.

아래에 본 발명의 실시예의 가중치 계수를 획득하는 방식에서 상세히 설명된다. 도 3은 본 발명의 실시예에 따른 이미지 처리 방법에서 단계 S20의 흐름도를 도시하며, 여기서, 상기 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 대응하는 가중치 계수(단계 S20)를 결정하는 것은 다음의 단계를 포함할 수 있다.

단계 S21에 있어서, 각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성한다.

본 발명의 실시예에서, 각 이미지의 이미지 특징은 특징 벡터의 방식에 따라 나타낼 수 있으며, 예를 들어, i 번째 이미지의 이미지 특징은

로 나타낼 수 있고, 여기서, D는 이미지 특징의 차원을 나타내며, i는 1에서 N 사이의 개수이고, N은 이미지의 개수를 나타낸다. 또한, 본 발명의 실시예에서, 각 이미지의 이미지 특징의 치수는 동일하며, 모두 D이다.

각 이미지의 이미지 특징에 따라 형성된 이미지 특징 매트릭스 X는 다음과 같이 나타낼 수 있다.

(2)

상기 표현식 (2)에 기반하여, 각 이미지 특징으로 구성된 이미지 특징 매트릭스를 획득할 수 있으며, 상기 방식에서, 이미지 특징 매트릭스의 각 행의 요소는 이미지의 이미지 특징으로 사용될 수 있고, 각 행에 대응하는 이미지 특징은 상이한 이미지의 이미지 특징이다. 다른 실시형태에서, 이미지 특징 매트릭스에서 각 열의 요소는 이미지의 이미지 특징으로 사용될 수 있고, 각 열에 대응하는 이미지 특징은 상이한 이미지의 이미지 특징이며, 본 발명의 실시예는 이미지 특징 매트릭스의 배열 방식에 대해 한정하지 않는다.

단계 S22에 있어서, 상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하여, 제1 가중치 매트릭스를 획득한다.

각 이미지 특징에 대응하는 이미지 특징 매트릭스를 얻은 후, 이미지 특징 매트릭스의 특징 피팅 처리를 실행할 수 있으며, 본 발명의 실시예는 정규화 선형 최소 제곱 추정 알고리즘(regularized least-square linear regression)을 사용하여 상기 특징 피팅 처리를 실행할 수 있다. 예를 들어 기설정된 목표 함수를 설정할 수 있으며, 상기 기설정 목표 함수는 가중치 계수와 관련된 함수이고, 상기 기설정된 목표 함수가 최소값을 취하는 경우, 각 가중치 계수에 대응하는 제1 가중치 매트릭스를 결정하고, 상기 제1 가중치 매트릭스의 차원은 이미지 특징의 개수와 동일하며, 또한 제1 가중치 매트릭스에서의 각 요소에 따라 최종 가중치 계수를 결정할 수 있다.

일부 가능한 실시형태에서, 기설정된 목표 함수의 표현식은 다음과 같을 수 있다.

(3)

여기서, X는 이미지 특징 매트릭스를 나타내고,

은 추정할 제1 가중치 매트릭스를 나타내며, Y는 관찰 매트릭스를 나타내고, 상기 관찰 매트릭스는 X와 동일하며,

는 전치 매트릭스를 나타내고,

는 정규화 파라미터를 나타내며,

는 파라미터의 L2norm(표준) 정규화 항을 나타낸다.

일부 가능한 실시형태에서, 이미지 특징이 행 벡터이면, 생성된 제1 가중치 매트릭스는 열 벡터이고; 반면, 이미지 특징이 열 벡터이면, 생성된 제1 가중치 매트릭스는 행 벡터이다. 또한, 제1 가중치 매트릭스의 차원은 이미지 특징 또는 이미지의 개수와 동일하다.

본 발명의 실시예에서 상기 목표 함수가 최소값으로 결정하는 경우, 제1 가중치 매트릭스 b의 값은, 최종 제1 가중치 매트릭스를 획득할 수 있으며, 상기 제1 가중치 매트릭스의 표현식은 다음과 같을 수 있다.

(4)

상기 실시예를 통해, 특징 특징 피팅 처리를 획득하는 제1 가중치 매트릭스를 획득할 수 있다. 본 발명의 다른 실시형태에서, 다른 특징 피팅 방식을 통해 이미지 특징 매트릭스의 특징 피팅 처리를 실행하여, 상응하는 제1 가중치 매트릭스를 획득할 수 있거나, 또는 상이한 기설정 목표 함수를 설정하여, 특징 피팅 처리를 수행할 수 있으며, 본 발명의 실시예는 이에 한정되지 않는다.

단계 S23에 있어서, 상기 제1 가중치 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정한다.

제1 가중치 매트릭스를 획득한 후, 획득한 제1 가중치 매트릭스에 따라 이미지 특징에 대응하는 가중치 계수를 결정할 수 있다.

여기서, 일부 가능한 실시형태에서, 제1 가중치 매트릭스에 포함된 각 요소를 가중치 계수로 사용할 수 있고, 즉 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 가중치 계수로 사용할 수 있다. 획득한 제1 가중치 매트릭스가

인 경우, i 번째 이미지의 이미지 특징 X_i의 가중치 계수가 b_i일 수 있다.

본 발명의 다른 실시형태에서, 가중치 계수의 정밀도를 더 중가시키기 위해, 제1 가중치 매트릭스에 대해 최적화 처리를 실행하여 최적화된 제1 가중치 매트릭스를 획득할 수 있으며, 최적화된 제1 가중치 매트릭스 중의 요소에 따라 각 이미지 특징의 가중치 계수로 사용한다. 즉 상기 제1 가중치 매트릭스에 대해 제1 최적화 처리를 실행할 수 있으며, 최적화된 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 상기 가중치 계수로 결정한다. 상기 제1 최적화 처리를 통해 제1 가중치 매트릭스 중의 비정상 값을 검출할 수 있으며, 상기 비정상 값에 대해 상응하는 최적화 처리를 실행하여, 획득된 가중치 매트릭스의 정밀도를 향상시킬 수 있다.

도 4는 본 발명의 실시예에 따른 이미지 처리 방법에서 제1 최적화 처리를 수행하는 흐름도를 도시한다. 여기서, 상기 제1 가중치 매트릭스에 대해 제1 최적화 처리를 실행하고, 최적화된 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 상기 가중치 계수로 결정하는 단계는 다음의 단계를 포함할 수 있다.

단계 S231에 있어서, 상기 제1 가중치 매트릭스에 포함된 각 이미지 특징의 제1 가중치 계수에 기반하여, 각 이미지의 피팅 이미지 특징을 결정하며, 상기 피팅 이미지 특징은 상기 이미지 특징과, 대응하는 제1 가중치 계수의 곱이다.

본 발명의 실시예에서, 우선 결정된 제1 가중치 매트릭스에 기반하여 각 이미지 특징의 피팅 이미지 특징을 획득할 수 있다. 여기서, 제1 가중치 매트릭스에 포함된 각 이미지 특징의 제1 가중치 계수를 상응하는 이미지 특징과 곱하여, 상기 이미지 특징의 피팅 이미지 특징을 획득할 수 있다. 예를 들어, 제1 가중치 매트릭스 중의 i 번째 이미지의 이미지 특징 X_i의 제1 가중치 계수 b_i에 상기 이미지 특징 X_i을 곱하여, 피팅 이미지 특징 b_iX_i을 획득할 수 있다.

단계 S232에 있어서, 각 이미지의 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 사용하여, 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하여, 제1 최적화 가중치 매트릭스를 획득한다.

피팅 이미지 특징을 획득한 후, 이미지 특징과 이미지 특징에 대응하는 피팅 이미지 특징 사이의 제1 오차를 획득할 수 있다. 본 발명의 실시예는 이미지 특징과 피팅 이미지 특징 사이의 제1 오차는 다음의 공식에 따라 획득할 수 있다.

(5)

여기서, e_i는 i 번째 이미지 특징과 i 번째 이미지에 대응하는 피팅 이미지 특징 사이의 제1 오차이며, i는 1에서 N 사이의 개수이며, N은 이미지 특징의 개수이고, j는 1과 D 사이의 개수이며, D는 각 이미지 특징의 차원 수를 나타내고, X_i는 i 번째 이미지의 이미지 특징을 나타내며, b_iX_i는 i 번째 이미지 특징에 대응하는 피팅 이미지 특징을 나타낸다.

본 발명의 다른 실시형태에서, 또한 다른 방식을 통해 이미지 특징 및 피팅 이미지 특징 사이의 제1 오차를 결정할 수 있고, 예를 들어 피팅 이미지 특징와 이미지 특징 사이 각 요소의 차이값의 평균값을 직접 제1 오차로 사용할 수 있으며, 본 발명의 실시예는 제1 오차의 결정 방식에 대해 한정하지 않는다.

제1 오차를 획득한 후, 즉 상기 제1 오차를 사용하여 제1 가중치 매트릭스의 첫 번째 최적화 처리 과정을 실행하여, 제1 최적화 가중치 매트릭스를 획득할 수 있다. 여기서, 상기 제1 최적화 가중치 매트릭스 중의 요소는 마찬가지로 각 이미지 특징에 대응하는 첫 번째 최적화된 가중치 계수로 나타낼 수 있다.

단계 S233에 있어서, 상기 제1 가중치 매트릭스 및 제1 최적화 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하는지 여부를 판단하고, 제1 조건을 만족하면 단계 S234를 실행하며, 제1 조건을 만족하지 않으면 단계 S235를 실행한다.

제1 오차에 기반하여 제1 가중치 매트릭스의 제1 최적화 처리 결과(제1 최적화 가중치 매트릭스)를 획득한 후, 상기 제1 최적화 가중치 매트릭스와 제1 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하는지 여부를 판단할 수 있고, 상기 차이값이 제1 조건을 만족하면, 상기 제1 최적화 가중치 매트릭스는 더이상 최적화를 실행해야 할 필요가 없으며, 또한 상기 제1 최적화 가중치 매트릭스를 최종 제1 최적화 처리하여 획득한 최적화 가중치 매트릭스로 결정할 수 있는 것으로 설명된다. 상기 제1 최적화 가중치 매트릭스와 제1 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하지 않으면, 상기 제1 최적화 가중치 매트릭스에 대해 최적화 처리를 계속 수행한다.

여기서, 본 발명 실시예의 제1 조건은 제1 최적화 가중치 매트릭스와 제1 가중치 매트릭스 사이의 차이값의 절대값은 제1 임계값보다 작을 수 있으며, 상기 제1 임계값은 기설정 임계값으로, 1보다 작은 수치일 수 있으며, 본 발명의 실시예에서, 제1 임계값은 설정 요구 사항에 따라 설정될 수 있으며, 본 발명의 실시예는 이에 한정되지 않으며, 예를 들어 0.01일 수 있다.

상기 실시예에 기반하여, 즉 제1 최적화 가중치 매트릭스 및 제1 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하는지 여부를 획득하며, 또한 상응하는 후속 단계를 실행할 수 있다.

단계 S234에 있어서, 상기 제1 최적화 가중치 매트릭스를 최적화된 제1 가중치 매트릭스로 결정한다.

상기 실시예에서 설명된 바와 같이, 상기 제1 최적화 가중치 매트릭스와 제1 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하는 것으로 결정되면, 상기 제1 최적화 가중치 매트릭스는 더이상 최적화 처리를 실행하지 않아도 되며, 이때 상기 제1 최적화 가중치 매트릭스를 최종 제1 최적화 처리하여 획득한 최적화 가중치 매트릭스로 결정할 수 있다.

단계 S235에 있어서, 상기 제1 최적화 가중치 매트릭스를 사용하여 새로운 피팅 이미지 특징을 얻고, 제k 최적화 가중치 매트릭스와 상기 제k-1 최적화 가중치 매트릭스 사이의 차이값이 상기 제1 조건을 만족할 때까지, 상기 새로운 피팅 이미지 특징에 기반하여 상기 제1 최적화 처리를 반복하여 실행하고, 제k 그룹의 최적화 가중치 매트릭스를 최적화된 제1 가중치 매트릭스로 결정하며, k는 1보다 큰 양의 정수이다.

일부 가능한 실시형태에서, 이미지 특징 및 피팅 이미지 특징 사이의 제1 오차에 기반하여, 이미지 특징에 대해 제1 최적화 처리하여 획득한 제1 최적화 가중치 매트릭스 및 제1 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하지 않을 수 있으며, 예를 들어, 상기 차이값이 제1 임계값보다 큰 경우, 제1 최적화 가중치 매트릭스 중의 가중치 계수를 계속 사용하여 각 이미지 특징의 피팅 이미지 특징을 획득한 다음, 이미지 특징 및 피팅 이미지 특징 사이의 제1 오차를 사용하여 두 번째 제1 최적화 처리 과정을 실행하여, 제2 최적화 가중치 매트릭스를 획득할 수 있다.

상기 제2 최적화 가중치 매트릭스와 제1 최적화 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하면, 상기 제2 최적화 가중치 매트릭스를 최종 결과로 결정할 수 있고, 즉 최적화 처리된 가중치이며; 상기 제2 최적화 가중치 매트릭스와 제1 최적화 가중치 매트릭스 사이의 차이값이 여전히 제1 조건을 만족하지 않으면, 제2 최적화 가중치 매트릭스 중의 가중치 계수를 계속 사용하여 각 이미지 특징의 피팅 이미지를 획득할 수 있으며, 상기 이미지 특징 및 피팅 이미지 특징 사이의 제1 오차를 사용하여 세 번째 제1 최적화 처리 과정을 실행할 수 있으며, 획득된 제k 최적화 가중치 매트릭스와 상기 제k-1 최적화 가중치 매트릭스 사이의 차이값이 상기 제1 조건을 만족할 때까지, 이와 같이 유추하며, 이때 제k 최적화 가중치 매트릭스를 최적화된 상기 제1 가중치 매트릭스로 결정할 수 있으며, k는 1보다 큰 양의 정수이다.

상기 실시예를 통해, 즉 이미지 특징 및 피팅 이미지 특징 사이의 제1 오차에 따라, 제1 최적화 처리를 수행하거나 최적화된 제1 가중치 매트릭스를 획득하는 과정을 종료할 수 있다. 본 발명의 실시예에서, 제1 최적화 처리의 반복 함수는 다음과 같을 수 있다.

(6)

여기서, t는 반복 횟수(즉 제1 최적화 처리의 횟수)를 나타내고,

는 t 번째 제1 최적화 처리하여 획득한 제1 최적화 가중치 매트릭스를 나타내며, X는 이미지 특징 매트릭스를 나타내고, Y는 관찰 매트릭스를 나타내며, 상기 관찰 매트릭스는 X와 동일하고,

는 t-1 번째로 반복하여 획득한 제2 가중치 계수 w_i의 대각 행렬을 나타내며, I는 대각 행렬이고,

는 정규화 파라미터를 나타낸다. 상기 실시예에서 알 수 있는 바, 본 발명의 실시예에서 제1 최적화 처리를 실행할 때마다, 제2 가중치 계수 w_i을 조정함으로써 가중치 매트릭스에 대해 최적화 처리를 수행할 수 있다.

본 발명의 실시예는 제1 가중치 매트릭스의 첫 번째 제1 최적화 처리하는 과정을 결합하여 제1 최적화 처리에 대해 설명하고, 도 5는 본 발명의 실시예에 따른 이미지 처리 방법에서 단계 S232의 흐름도를 도시한다. 상기 각 이미지의 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 사용하여, 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하는 단계는 다음의 단계를 포함한다.

단계 S2321에 있어서, 각 이미지 특징과 상기 피팅 이미지 특징 내의 대응하는 요소 사이의 차이값의 제곱의 합에 따라, 상기 이미지 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 획득한다.

상기 실시예에서 설명된 바와 같이, 이미지 특징 및 대응하는 피팅 이미지 특징을 획득한 후, 각 이미지 특징 및 상응하는 피팅 이미지 특징 사이의 제1 오차를 결정할 수 있으며, 제1 오차의 결정은 상기 표현식 (5)를 참조할 수 있다.

단계 S2322에 있어서, 각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득한다.

각 이미지 특징 및 이미지 특징에 대응하는 피팅 이미지 특징 사이의 제1 오차를 결정한 후, 상기 제1 오차의 수치에 따라 이미지 특징의 제2 가중치 계수를 판단할 수 있고, 제2 가중치 계수는 제1 최적화 처리를 실행하기 위한 것이다. 여기서, 제1 방식을 통해 상응하는 이미지 특징의 제2 가중치 계수를 결정할 수 있으며, 제1 방식의 표현식은 다음과 같을 수 있다.

(7)

여기서, w_i는 i 번째 이미지의 제2 가중치 계수이고, e_i는 i 번째 이미지 특징과 i 번째 이미지에 대응하는 피팅 이미지 특징 사이의 제1 오차이며, i는 1에서 N 사이의 개수이고, N은 이미지 특징의 개수이며,

및

는 오차 e_i의 표준 편차이다. 본 발명의 실시예에서 k는 오차 임계값을 나타낼 수 있고, 이는 모든 이미지 특징 및 피팅 이미지 특징 사이의 제1 오차의 표준 편차의 1. 348=5 배이며, 다른 실시형태에서, 상기 k의 값은 0.6 등 다른 값일 수 있으며, 본 발명의 실시예는 구체적으로 한정하지 않는다.

각 이미지 특징 및 피팅 이미지 특징 사이의 제1 오차를 획득한 후, 상기 제1 오차와 오차 임계값 (k)을 비교할 수 있으며, 제1 오차가 k보다 작으면, 상응하는 이미지 특징에 대응하는 제2 가중치 계수를 제1 수치로 결정할 수 있으며, 예를 들어, 제1 오차가 k보다 크거나 같으면, 제1 오차에 따라 이미지 특징의 제2 가중치 계수를 판단할 수 있고, 이때 제2 가중치 계수는 제2 수치일 수 있으며, 제2 오차의 절대값에 대한 k의 비율은

이다.

단계 S2323에 있어서, 각 이미지의 제2 가중치 계수에 기반하여 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하여, 제1 최적화 가중치 매트릭스를 획득한다.

이미지 특징의 제2 가중치 계수를 획득한 후, 즉 상기 제2 가중치 계수를 사용하여 제1 가중치 매트릭스의 제1 최적화 처리를 실행할 수 있으며, 여기서, 반복 함수

를 사용하여 제1 최적화 가중치 매트릭스를 획득할 수 있다.

본 발명의 실시예에서, 제1 최적화 가중치 매트릭스와 제1 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하지 않으면, 제1 가중치 매트릭스 중의 가중치 계수를 사용하여 새로운 피팅 이미지 특징을 획득한 후, 상기 이미지 특징 및 새로운 피팅 이미지 특징 사이의 제1 오차에 따라 각 이미지 특징의 제2 가중치 계수를 결정할 수 있고, 새로운 제2 가중치 계수에 따라 상기 함수 반복을 실행하여, 제2 최적화 가중치 매트릭스를 획득할 수 있으며, 이와 같이 유추함으로써, 제k 제1 최적화 처리에 대응하는 제k 최적화 가중치 매트릭스를 획득할 수 있다.

따라서, 또한 제k 제1 최적화 처리하여 획득된 제k 최적화 매트릭스와 제k-1 제1 최적화 처리하여 획득된 제k-1 최적화 가중치 매트릭스 사이의 차이값은 제1 조건

을 만족하며, 여기서,

은 제1 임계값이면, 상기 제k 최적화 가중치 매트릭스

를 최적화된 제1 가중치 매트릭스로 사용할 수 있다.

상기 실시예에 기반하여, 특징 피팅 방식을 통해 이미지 특징의 가중치 계수의 과정을 종료할 수 있으며, 상기 방식을 통해 획득된 가중치 계수의 정밀도는 더 높고 가중치 계수 중의 비정상 값에 대한 로버스트성도 더 높다.

상기 전술한 바와 같이, 본 발명의 실시예는 중앙값 필터링 방식을 통해 각 이미지 특징의 가중치 계수 방법을 더 제공한다. 상기 이미지 처리 방법은 특징 피팅 방식보다 더 작은 연산 비용을 가진다.

도 6은 본 발며으이 실시예에 따른 이미지 처리 방법의 단계 S20의 흐름도를 도시하며, 여기서, 상기 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 대응하는 가중치 계수(단계 S20)를 결정하는 단계는 다음의 단계를 포함할 수 있다.

단계 S201에 있어서, 각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성한다.

단계 S21과 동일하게, 본 발명의 실시예는 각 이미지의 이미지 특징에 따라 이미지 특징 매트릭스를 형성할 수 있고, 각 이미지의 이미지 특징은 특징 벡터의 방식에 따라 나타낼 수 있으며, 예를 들어, i 번째 이미지의 이미지 특징은

로 나타낼 수 있고, 여기서, D는 이미지 특징의 차원을 나타내며, i는 1에서 N 사이의 개수이고, N은 이미지의 개수를 나타낸다. 또한, 본 발명의 실시예에서, 각 이미지의 이미지 특징의 치수는 동일하며, 모두 D이다.

각 이미지의 이미지 특징에 따라 형성된 이미지 특징 매트릭 X는 상기 표현식 (2)와 같이 나타낼 수 있다.

(2)

상기 표현식에 기반하여, 각 이미지 특징으로 구성된 이미지 특징 매트릭스를 획득할 수 있으며, 상기 방식에서, 이미지 특징 매트릭스의 각 행의 요소는 이미지의 이미지 특징으로 사용될 수 있고, 각 행에 대응하는 이미지 특징은 상이한 이미지의 이미지 특징이다. 다른 실시형태에서, 이미지 특징 매트릭스에서 각 열의 요소는 이미지의 이미지 특징으로 사용될 수 있고, 각 열에 대응하는 이미지 특징은 상이한 이미지의 이미지 특징이며, 본 발명의 실시예는 이미지 특징 매트릭스의 배열 방식에 대해 한정하지 않는다.

단계 S202에 있어서, 상기 이미지 특징 매트릭스에 대해 중앙값 필터링 처리를 수행하여, 중앙값 특징 매트릭스를 획득한다.

본 발명의 실시예에서, 이미지 특징 매트릭스를 획득한 후, 획득한 이미지 특징 매트릭스에 대해 중앙값 필터링 처리를 실행할 수 있고, 상기 이미지 특징 매트릭스에 대응하는 중앙값 특징 매트릭스를 획득한다. 여기서, 중앙값 특징 매트릭스 중의 요소는 이미지 특징 매트릭스의 해당 요소에 대응하는 이미지 특징의 중앙값이다.

여기서, 본 발명의 실시예는 상기 이미지 특징 매트릭스의 각 상기 이미지 특징에 대해 동일한 위치의 요소 중앙값을 결정할 수 있으며; 각 위치의 요소 중앙값에 기반하여 상기 중앙값 특징 매트릭스를 결정한다.

예를 들어, 본 발명의 실시예의 이미지 특징 매트릭스는 상기 표현식 (2)을 나타낸다. 즉,

이며, 대응하는, 각 동일한 위치의 이미지 특징에 대한 중앙값을 획득할 수 있다. 여기서 “위치”는 각 이미지 특징에서 특징의 시퀸스 번호에 대응하는 위치이며, 예를 들어, 각 이미지 특징에서의 첫번째 요소는(x₁₁, x₂₁,...,x_N1)이거나, 요소 위치 j에 있는 j 번째 요소는 (x_1j, x_2j,...,x_Nj)일 수 있고, 상기 요소를 통해 동일한 위치의 요소를 결정할 수 있다. 본 발명의 실시예에 획득한 중앙값 특징 매트릭스의 차원은 이미지 특징의 차원 수와 동일할 수 있고, 중앙값 특징 매트릭스는

으로 나타낼 수 있으며, 여기서 임의의 j 번째 요소는

일 수 있고, j는 1에서 D 사이의 정수이다. 여기서, median 함수는 중앙값 함수이고, 즉,

에 대한 특징값에서 중간 위치의 값을 획득할 수 있다. 여기서, 우선

에 대해 내림차순으로 정렬할 수 있으며, N가 홀수인 경우, 획득된 중앙값은 중간 위치(제(N+1)/2)의 이미지 특징값(요소값)이며, N가 우수인 경우, 획득된 중앙값은 두 중간 요소의 평균값이다.

이에 기반하여 이미지 특징 메트릭스의 각 이미지 특징에 대응하는 중앙값 특징에 대응하는 중앙값 특징 매트릭스를 획득할 수 있다.

단계 S203에 있어서, 상기 중앙값 특징 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정한다.

이미지 특징에 대응하는 중앙값 특징 매트릭스를 획득한 후, 상기 중앙값을 사용하여 이미지 특징의 가중치 계수를 획득할 수 있다.

일부 가능한 실시형태에서, 각 이미지 특징 및 중앙값 특징 매트릭스 사이의 제2 오차를 사용할 수 있으며, 상기 제2 오차에 따라 각 이미지 특징의 가중치 계수를 결정한다.

도 7은 본 발명의 실시예에 따른 이미지 처리 방법의 단계 S203의 흐름도를 도시한다. 여기서, 상기 중앙값 특징 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하는 단계는 다음의 단계를 포함한다.

단계 S2031에 있어서, 각 이미지 특징과 상기 중앙값 특징 매트릭스 사이의 제2 오차를 획득한다.

본 발명 실시예에서, 이미지 특징과 중앙값 특징 매트릭스의 대응 요소 사이의 차이값의 절대값의 합을 이미지 특징 및 중앙값 특징 매트릭스 사이의 제2 오차로 사용할 수 있다. 제2 오차의 표현식은 다음과 같을 수 있다.

(8)

여기서, e_h는 h 번째 이미지의 이미지 특징 X_h과 중앙값 특징 매트릭스 사이의 제2 오차이고, M은 중앙값 특징 매트릭스이며, X_h은 h 번째 이미지의 이미지 특징으로 나타내고, h는 1과 N 사이의 정수이다.

상기 실시예를 통해, 각 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 초차를 획득하고, 제2 오차를 통해 가중치 계수를 결정할 수 있다.

단계 S2032에 있어서, 상기 제2 오차가 제2 조건을 만족하는지 여부를 결정하고, 상기 제2 오착 제2 조건을 만족하면, 단계 S2033을 실행하며; 상기 제2 오차가 제2 조건을 만족하지 않으면, 단계 S2034를 실행한다.

여기서, 본 발명의 실시예의 제2 조건은 제2 오차가 제2 임계값보다 클 수 있으며, 상기 제2 임계값은 기설정된 수치일 수 있고, 또는 각 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차를 통해 결정될 수 있으며, 본 발명의 실시예는 이에 한정되지 않는다. 일부 가능한 실시형태에서, 제2 조건의 표현식을 다음과 같을 수 있다.

여기서, e_h는 h 번째 이미지의 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차이고, h는 1과 N 사이의 정수이며, N은 이미지의 개수를 나타내고, K는 판단 임계값이며, 상기 판단 임계값은 0.8과 같이 미리 설정된 수치일 수 있으며, 본 발명의 실시예는 이에 한정되지 않으며, median은 중앙값 필터링 함수를 나타낸다. 즉, 본 발명의 실시예에서의 제2 임계값은 각 이미지 특징에 대응하는 제2 오차의 평균값을 0.675에 대한 비율과 판단 임계값 K의 곱일 수 있으며, 상기 판단 임계값은 1보다 작은 양의 정수일 수 있다.

설정된 제2 조건 또는 제2 임계값을 통해, 즉 이미지 특징 및 중앙값 특징 매트릭스 사이의 제2 오차가 제2 조건을 만족하는지 여부를 판단하여, 판단 결과에 따라 후속의 작업을 실행할 수 있다.

단계 S2033에 있어서, 상기 이미지 특징의 가중치 계수는 제1 가중치 값으로 구성된다.

본 발명의 실시예에서 이미지 특징 및 중앙값 특징 매트릭스 사이의 제2 오차가 제2 조건을 만족하는 경우, 예를 들어 상기 제2 오차가 제2 임계값보다 크면, 이때 상기 이미지 특징은 비정상일 수 있음을 의미하며, 제1 가중치 값을 상기 이미지 특징의 가중치 계수로 결정될 수 있다. 본 발명의 실시예의 제1 가중치 값은 기설정된 가중치 계수일 수 있으며, 예를 들어 0일 수 있거나, 또는 다른 실시예에서, 제1 가중치 값을 다른 값으로 설정할 수 있어, 융합 특징에 이상이 있는 융합 특징의 영향을 줄일 수 있다.

단계 S2034에 있어서, 제2 방식을 사용하여 상기 이미지 특징의 가중치 계수를 결정한다.

본 발명의 실시예에서 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차가 제2 조건을 만족하지 않는 경우, 예를 들어, 상기 제2 오차가 제2 임계값보다 작거나 같고, 이때 상기 이미지 특징이 상대적으로 정확하다는 것을 설명하면, 제2 방식에 따라 상기 제2 오차에 기반하여 상기 이미지 특징의 가중치 계수를 결정할 수 있다. 여기서, 상기 제2 방식의 표현식은 다음과 같을 수 있다.

여기서, b_h는 제2 방식을 통해 결정된 h 번째 이미지의 가중치 계수이고, e_h는 h 번째 이미지의 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차이며, h는 1과 N 사이의 정수이고, N은 이미지의 개수를 나타낸다.

이미지 특징에 대응하는 제2 오차가 제2 임계값보다 작거나 같은 경우, 즉 상기 제2 방식을 통해 상기 이미지 특징의 가중치 계수 b_h를 획득할 수 있다.

본 발명의 실시예에 기반하여, 중앙값 필터링 방식을 ??해 각 이미지 특징의 가중치 계수를 획득할 수 있으며, 여기서, 중앙값 필터링이 가중치 계수를 결정하는 방식은 컴퓨팅 오버헤드를 더욱 줄일 수 있고, 연산 및 처리의 복잡성을 효과적으로 낮추는 동시에, 획득된 융합 특징의 정밀도를 향상시킬 수 있다.

각 이미지 특징의 가중치 계수를 획득한 후, 특징 융합 처리를 실행할 수 있으며, 예를 들어 각 이미지 특징에 대응하는 가중치 계수 사이의 곱의 합산값을 사용하여, 상기 융합 특징을 획득할 수 있다.

본 발명에서 일부 가능한 실시형태에서, 융합 특징을 획득한 후, 본 발명의 실시예는 융합 특징을 사용하여 이미지에서 목표 대상의 인식 작업을 실행할 수 있다. 융합 특징에 기반하여 데이터베이스에 저장된 각 대상의 이미지와 비교할 수 있으며, 유사도가 임계값보다 큰 제1 이미지가 있으면, 상기 목표 대상을 상기 제1 이미지에 대응하는 대상으로 결정하여, 신원 인식, 목표 인식의 작업을 종료할 수 있다. 본 발명의 다른 실시예에서, 또한 다른 유형의 대상의 인식 작업을 실행할 수 있고, 본 발명은 이를 한정하지 않는다.

본 발명의 실시예를 보다 명확하게 설명하기 위해, 아래에 얼굴 이미지를 예를 들어 설명한다.

본 발명의 실시예는 대상 A의 상이한 얼굴 이미지를 우선 획득할 수 있으며, 예를 들어, N 개의 얼굴 이미지를 얻을 수 있고, N은 1보다 큰 정수이다. 상기 N 개의 얼굴 이미지를 얻은 후, 상기 N 개의 얼굴 이미지에서의 얼굴 특징을 추출할 수 있는 뉴럴 네트워크를 통해 추출하여, 각 이미지의 얼굴 특징(이미지 특징)

을 형성할 수 있다.

각 얼굴 이미지의 얼굴 특징을 획득한 후, 각 얼굴 특징에 대응하는 가중치 계수를 결정할 수 있다. 본 발명의 실시예는 특징 피팅 방식을 사용하여 상기 가중치 계수를 결정할 수 있고, 또는 중앙값 필터링 방식을 통해 상기 가중치 계수를 획득할 수 있으며, 구체적으로 수신된 선택 정보에 따라 결정할 수 있다. 여기서, 특징 피팅 방식이 채택되면, 각 얼굴 특징에 대응하는 얼굴 특징 매트릭스

를 먼저 획득할 수 있고, 상기 이미지 특징에 대해 특징 피팅을 수행하여 제1 가중치 매트릭스를 획득할 수 있으며, 상기 제1 가중치 매트릭스는

로 나타낼 수 있으며, 다음 제1 가중치 매트릭스에 대해 제1 최적화 처리를 실행할 수 있으며, 여기서, 제1 최적화 처리된 반복 함수는

로 나타낼 수 있고, 최적화하여 획득한 제1 가중치 매트릭스는, 상기 최적화된 제1 가중치 매트릭스 중의 파라미터에 기반하여 각 얼굴 특징의 가중치 계수를 결정한다.

중앙값 필터링 방식을 사용하여 가중치 계수를 얻는 경우, 이미지 특징 매트릭스도 획득할 수 있고, 그런 다음 이미지 특징 매트릭스에서 각 이미지 특징을 통해 동일한 위치의 요소의 중앙값을 획득하며, 획득한 중앙값에 따라 중앙값 특징 매트릭스

를 결정하고, 다음 각 이미지 특징과 상기 중앙값 특징 사이의 제2 오차에 따라 이미지 특징의 가중치 계수를 판단한다.

각 이미지 특징의 가중치 계수를 획득한 후, 가중치 계수 및 이미지 특징 사이의 곱의 합산값을 사용하여, 융합 특징을 획득할 수 있다. 동시에 상기 융합 특징을 사용하여 목표 검출, 목표 인식 등 작업을 실행할 수 있다. 본 발명의 실시예의 특징 융합 과정은 예시적인 설명일 뿐이고, 본 발명의 실시예는 구체적으로 한정하지 않는다.

종합하면, 본 발명의 실시예는 동일한 대상의 상이한 특징에 대해 융합을 수행할 수 있으며, 여기서, 동일한 대상의 상이한 이미지의 이미지 특징에 따라, 각 이미지 특징에 대응하는 가중치 계수를 결정할 수 있으며, 상기 가중치 계수를 통해 이미지 특징의 특징 융합을 실행하고, 상기 방식은 특징 융합의 정밀도를 향상시킬 수 있다.

본 분야의 기술자는 구체적인 실시형태의 상기 이미지 재구성 방법에서, 각 단계의 기록 순서는 엄격한 실행 순서를 의미하지 않고 실시 과정에 대한 임의의 제한을 구성하며, 각 단계의 구체적인 실행 순서는 그 기능 및 가능한 내부 논리에 의해 결정된다.

이해할 수 있는 것은, 본 발명에서 언급한 상기 각 방법 실시예는, 원리 논리를 위반하지 않는 한, 상호 결합되어 결합된 실시예를 형성할 수 있고, 편폭의 제한으로, 본 발명에서 더이상 반복하여 설명하지 않는다.

또한, 본 출원은 이미지 처리 장치, 전자 기기, 컴퓨터 판독 가능한 저장 매체, 프로그램을 더 제공하며, 상기 모두는 본 출원에 의해 제공된 임의의 이미지 처리 방법을 구현하도록 사용되며, 상응한 기술방안 및 설명은 방법 부분의 상응한 내용을 참조하며, 더이상 설명하지 않는다.

도 8은 본 발명의 실시예에 따른 이미지 처리 장치를 블록도를 도시하고, 도 8에 도시된 바와 같이, 본 발명의 실시예의 이미지 처리 장치는,

동일한 대상에 대한 복수 개의 이미지의 이미지 특징을 각각 획득하도록 구성된 획득 모듈(10);

대응하는 가중치 계수를 결정하도록 구성된 결정 모듈(20); 및

각 상기 이미지 특징의 가중치 계수에 기반하여, 상기 복수 개의 이미지의 이미지 특징에 대해 특징 융합 처리를 실행하여, 상기 복수 개의 이미지의 융합 특징을 획득하도록 구성된 융합 모듈(30)을 포함한다.

일부 가능한 실시형태에서, 상기 결정 모듈(20)은,

각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성하도록 구성된 제1 설정 유닛;

상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하여, 제1 가중치 매트릭스를 획득하도록 구성된 피팅 유닛; 및

상기 제1 가중치 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하도록 구성된 제1 결정 유닛을 포함한다.

일부 가능한 실시형태에서, 상기 피팅 유닛은 또한, 정규화된 선형 최소 제곱 추정 알고리즘을 사용하여 상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하며, 기설정 목표 함수가 최소값인 경우 상기 제1 가중치 매트릭스를 획득하도록 구성된다.

일부 가능한 실시형태에서, 상기 결정 모듈(20)은, 상기 제1 가중치 매트릭스에 대해 제1 최적화 처리를 실행하도록 구성된 최적화 유닛을 더 포함하며;

상기 제1 결정 유닛은 또한, 상기 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 상기 가중치 계수로 결정하고; 또는 최적화된 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 상기 가중치 계수로 결정하도록 구성된다.

일부 가능한 실시형태에서, 상기 최적화 유닛은 또한, 상기 제1 가중치 매트릭스에 포함된 각 이미지 특징의 제1 가중치 계수에 기반하여, 각 이미지의 피팅 이미지 특징을 결정하고; 각 이미지의 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 사용하여, 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하여, 제1 최적화 가중치 매트릭스를 획득하며; 상기 제1 가중치 매트릭스와 제1 최적화 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하는 것에 응답하여, 상기 제1 최적화 가중치 매트릭스를 최적화된 상기 제1 가중치 매트릭스로 결정하며; 제1 가중치 매트릭스와 제1 최적화 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하지 않는 것에 응답하여, 상기 제1 최적화 가중치 매트릭스를 사용하여 새로운 피팅 이미지 특징을 얻고, 제k 최적화 가중치 매트릭스와 상기 제k-1 최적화 가중치 매트릭스 사이의 차이값이 상기 제1 조건을 만족할 때까지, 상기 새로운 피팅 이미지 특징에 기반하여 상기 제1 최적화 처리를 반복하여 실행하고, 제k 최적화 가중치 매트릭스를 최적화된 제1 가중치 매트릭스로 결정 - k는 1보다 큰 양의 정수이고, 상기 피팅 이미지 특징은 상기 이미지 특징과, 대응하는 제1 가중치 계수의 곱임 - 하도록 구성된다.

일부 가능한 실시형태에서, 상기 최적화 유닛은 또한, 각 이미지 특징과 상기 피팅 이미지 특징 내의 대응하는 요소 사이의 차이값의 제곱의 합에 따라, 상기 이미지 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 획득하고; 각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득하며; 각 이미지의 제2 가중치 계수에 기반하여 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하여, 상기 제1 가중치 매트릭스에 대응하는 제1 최적화 가중치 매트릭스를 획득하도록 구성된다.

일부 가능한 실시형태에서, 상기 최적화 유닛은 또한, 제1 방식을 통해, 각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득하도록 구성되며, 상기 제1 방식의 표현식은,

이고;

여기서, w_i는 i 번째 이미지의 제2 가중치 계수이고, e_i는 i 번째 이미지 특징과 i 번째 이미지 특징에 대응하는 피팅 이미지 특징 사이의 제1 오차를 나타내며, i는 1에서 N 사이의 정수이고,

및

는 오차 e_i의 표준 편차임 - 을 포함한다.

일부 가능한 실시형태에서, 상기 결정 모듈(20)은,

각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성하도록 구성된 제2 설정 유닛;

상기 이미지 특징 매트릭스에 대해 중앙값 필터링 처리를 수행하여, 중앙값 특징 매트릭스를 획득하도록 구성된 필터링 유닛; 및

상기 중앙값 특징 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하도록 구성된 제2 결정 유닛을 더 포함한다.

일부 가능한 실시형태에서, 상기 필터링 유닛은 또한, 상기 이미지 특징 매트릭스의 각 상기 이미지 특징에 대해 동일한 위치의 요소 중앙값을 결정하고; 각 위치의 요소 중앙값에 기반하여 상기 중앙값 특징 매트릭스를 결정하도록 구성된다.

일부 가능한 실시형태에서, 상기 제2 결정 유닛은 또한, 각 이미지 특징과 상기 중앙값 특징 매트릭스 사이의 제2 오차를 획득하고; 이미지 특징과 중앙값 특징 매트릭스 사이의 상기 제2 오차가 제2 조건을 만족하는 것에 응답하여, 상기 이미지 특징의 가중치 계수는 제1 가중치 값으로 구성되고, 이미지 특징과 중앙값 특징 매트릭스 사이의 상기 제2 오차가 제2 조건을 만족하지 않는 것에 응답하여, 제2 방식을 사용하여 상기 이미지 특징의 가중치 계수를 결정하도록 구성된다.

일부 가능한 실시형태에서, 상기 제2 방식의 표현식은,

여기서, b_h는 제2 방식을 통해 결정된 h 번째 이미지의 가중치 계수이고, e_h는 h 번째 이미지의 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차이며, h는 1과 N 사이의 정수이고, N은 이미지의 개수를 나타낸다.

일부 가능한 실시형태에서, 상기 제2 조건은,

여기서, e_h는 h 번째 이미지의 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차이고, h는 1과 N 사이의 정수이며, N은 이미지의 개수를 나타내고, K는 판단 임계값이며, median은 중앙값 필터링 함수를 나타낸다.

일부 가능한 실시형태에서, 상기 융합 모듈(30)은 또한, 각 이미지 특징에 대응하는 가중치 계수 사이의 곱의 합산값을 사용하여, 상기 융합 특징을 획득하도록 구성된다.

일부 가능한 실시형태에서, 상기 이미지 처리 장치는, 상기 융합 특징을 사용하여 상기 동일한 대상의 인식 작업을 실행하도록 구성된 인식 모듈을 더 포함한다.

일부 가능한 실시형태에서, 상기 이미지 처리 장치는, 가중치 계수에 대한 획득 모드의 선택 정보를 획득하며, 상기 선택 정보에 기반하여 상기 가중치 계수의 획득 모드를 결정 - 상기 가중치 계수의 획득 모드는 특징 피팅의 방식을 사용하여 상기 가중치 계수를 획득하거나 중앙값 필터링의 방식을 사용하여 상기 가중치 계수를 획득하는 것을 포함함 - 하도록 구성된 모드 결정 모듈을 더 포함한다.

상기 결정 모듈(20)은 또한 결정된 상기 가중치 계수의 획득 모드에 기반하여, 상기 각 이미지의 이미지 특징을 실행하여, 각 상기 이미지 특징에 대응하는 가중치 계수를 결정하도록 구성된다.

일부 실시예에서, 본 발명의 실시예에서 제공한 장치가 갖고 있는 기능 또는 포함하는 모듈은 전술한 방법 실시예에서 설명한 방법을 실행하기 위한 것이고, 그 구체적인 구현은 전술한 방법 실시예의 설명을 참조할 수 있으며, 간결함을 위해, 여기서 더이상 반복하여 설명하지 않는다.

본 발명 실시예는 또한 컴퓨터 프로그램 명령어가 저장된 컴퓨터 판독 가능 저장 매체를 제공하며, 상기 컴퓨터 프로그램 명령어는 프로세서에 의해 실행될 때 상기 이미지 처리 방법을 구현한다. 컴퓨터 판독 가능 저장 매체는 비 휘발성 컴퓨터 판독 가능 저장 매체일 수 있다.

본 발명 실시예는 또한 전자 기기를 제공하며, 프로세서; 및 프로세서 실행 가능 명령어를 저장하기 위한 메모리를 포함하며; 여기서, 상기 프로세서는 상기 이미지 처리 방법을 실행하도록 구성된다.

전자 기기는 단말, 서버 또는 다른 형태의 기기로 제공될 수 있다.

도 9는 본 발명의 실시예에 따른 전자 기기(800)의 볼륵도를 도시한다. 전자 기기(800)는 휴대폰, 컴퓨터, 디지털 방송 단말, 메시지 송수신 기기, 게임 콘솔, 태블릿 기기, 의료 기기, 운동 기기, 개인 휴대 정보 단말 등 단말일 수 있다.

도 9를 참조하면, 전자 기기(800)는 처리 컴포넌트(802), 메모리(804), 전원 컴포넌트(806), 멀티미디어 컴포넌트(808), 오디오 컴포넌트(810), 입력/출력(I/O) 인터페이스(812), 센서 컴포넌트(814), 및 통신 컴포넌트(816) 중 하나 또는 복수 개를 포함할 수 있다.

처리 컴포넌트(802)는 일반적으로 디스플레이, 전화 통화, 데이터 통신, 카메라 동작 및 기록 동작과 관련된 동작과 같은 전자 기기(800)의 전체적인 동작을 제어한다. 처리 컴포넌트(802)는 전술한 방법의 전부 또는 일부 단계를 수행하기 위해 하나 또는 복수 개의 프로세서(820)를 포함할 수 있다. 또한, 처리 컴포넌트(802)는 처리 컴포넌트(802)와 다른 컴포넌트 사이의 상호 작용을 용이하게 하는 하나 또는 복수 개의 모듈을 포함할 수 있다. 예를 들어, 처리 컴포넌트(802)는 멀티미디어 컴포넌트(808) 및 처리 컴포넌트(802) 사이의 상호 작용을 용이하게 하는 하나 또는 복수 개의 멀티미어 모듈을 포함할 수 있다.

메모리(804)는 전자 기기(800)의 작업을 지원하기 위해 다양한 유형의 데이터를 저장하도록 구성된다. 이러한 데이터의 예로는 전자 기기(800)에서 작동되는 모든 응용 프로그램 또는 방법에 대한 지침, 연락처 데이터, 전화 번호부 데이터, 메시지, 사진, 비디오 등이 있다. 메모리(804)는 정적 랜덤 액세스 메모리(Static Random Access Memory, SRAM), 전기적 소거 가능한 프로그래머블 읽기 전용 메모리(Electrically Erasable Programmable Read Only Memory, EEPROM), 소거 가능한 프로그래머블 읽기 전용 메모리(Erasable Programmable Read Only Memory, EPROM), 프로그래머블 읽기 전용 메모리(Programmable Read Only Memory, PROM), 읽기 전용 메모리(Read Only Memory, ROM), 자기 메모리, 플래시 메모리, 자기 디스크 또는 광 디스크 중 어느 한 타입의 휘발성 또는 비휘발성 저장 기기 또는 이들의 조합에 의해 구현될 수 있다.

전원 컴포넌트(806)는 전자 기기(800)의 다양한 컴포넌트에 전력을 제공한다. 전원 컴포넌트(806)는 전원 관리 시스템, 하나 또는 복수 개의 전원 및 전자 기기(800)를 위해 전력을 생성, 관리 및 분배하는 것과 관련된 다른 컴포넌트를 포함할 수 있다.

멀티미디어 컴포넌트(808)는 상기 전자 기기(800) 및 사용자 사이의 출력 인테페이스를 제공하는 스크린을 포함한다. 일부 실시예에서, 스크린은 액정 디스플레이(LCD, Liquid Crystal Display) 및 터치 패널(TP, Touch Panel)을 포함할 수 있다. 스크린이 터치 패널을 포함하는 경우, 스크린은 사용자로부터 입력 신호를 수신하기 위해 터치 스크린으로 구현될 수 있다. 터치 패널은 터치, 스와이프 및 제스처를 감지하는 하나 또는 복수 개의 터치 센서가 포함되어 있다. 상기 터리 센서는 터치 또는 스와이프 동작의 경계를 감지할 뿐만 아니라, 상기 터치 또는 스와이프와 관련된 지속시간 및 압력도를 감지할 수 있다. 일부 실시예에서, 나멀티미디어 컴포넌트(808)은 전방 카메라 및/또는 후방 카메라를 포함한다. 전자 기기(800)가 촬영 모드 또는 비디오 모드와 같은 동작 모드인 경우, 전방 카메라 및/또는 후방 카메라는 외부의 멀티미디어 데이터를 수신할 수 있다. 각 전방 카메라 및 후방 카메라는 각각 고정된 광학 렌즈 시스템이거나 초점 및 광학 줌 기능을 가질 수 있다.

오디오 컴포넌트(810)은 오디오 신호를 출력 및/또는 입력하도록 구성된다. 예를 들어, 오디오 컴포넌트(810)은 마이크(MIC, Microphone)를 포함하고, 전자 기기(800)가 토오하 모드, 녹음 모드 및 음석 인식 모드와 같은 동작에 있을 때, 마이크는 외부 오디오 신호를 수신하도록 구성된다. 수신된 오디오 신호는 또한 메모리(804)에 저장되거나 통신 컴포넌트(816)를 통해 송신될 수 있다. 일부 실시예에서, 오디오 컴포넌트(810)는 오디오 신호를 입력하기 위한 스피커를 더 포함한다.

I/O 인터페이스(812)는 처리 부재(802)와 외부 인터페이스 모듈 사이에서 인터페이스를 제공하고, 상기 외부 인터페이스 모듈은 키보드, 클릭 휠, 버튼 등일 수 있다. 이러한 버튼은 홈 버튼, 볼륨 버튼, 시작 버튼 및 잠금 버튼을 포함할 수 있지만 이에 한정되지 않는다.

센서 컴포넌트(814)는 전자 기기(800)에 대한 각 측면의 상태 평가를 제공하도록 구성된 하나 또는 복수 개의 센서를 포함한다. 예를 들어, 센서 컴포넌트(814)는 전자 기기(800)의 온/오프 상태, 상기 컴포넌트가 전자 기기(800)에 대한 디스플레이 및 키패드와 같은 컴포넌트의 상대적 위치를 검출할 수 있으며, 센서 컴포넌트(814)는 또한, 전자 기기(800) 또는 전자 기기(800)의 하나의 컴포넌트의 위치 변화, 사용자가 전자 기기(800)와의 접촉의 존재 또는 컴포넌트, 전자 기기(800) 방향 또는 가속/감속 및 전자 기기(800)의 온도 변화를 검출할 수 있다. 센서 컴포넌트(814)는 물리적 접촉없이 근처에 있는 물체의 존재를 감지하도록 구성된 근접 센서를 더 포함할 수 있다. 센서 컴포넌트(814)는 또한 이미징 애플리케이션에서 사용하도록 구성된 상호 보완 산화철 반도체(Complementary Metal Oxide Semiconductor) 또는 충전 결합 장치(Charge Coupled Device) 이미지 센서와 같은 광 센서를 포함할 수 있다. 일부 실시예에서, 상기 센서 컴포넌트(814)는 가속도 센선, 자이로 센서, 스코프 센서, 자기 센서, 압력 센서 또는 온도 센서를 더 포함할 수 있다.

통신 컴포넌트(816)는 전자 기기(800)와 다른 기기 사이의 무선 또는 유선 방식의 통신을 용이하게 하도록 구성된다. 전자 기기(800)는 WiFi, 2G 또는 3G 또는 이들의 조합과 같은 통신 표준에 기반하는 무선 네트워크에 액세스할 수 있다. 하나의 예시적인 실시예에서, 통신 컴포넌트(816)는 방송 채널을 통해 외부 방송 관리 시스템으로부터의 방송 신호 또는 방송 관련 정보를 수신한다. 예시적 실시예에 있어서, 상기 통신 컴포넌트(816)는 근거리 통신을 용이하게 하기 위한 근거리 무선 통신(NFC, Near Field Communication) 모듈을 더 포함한다. 예를 들어, NFC 모듈은 무선 주파수 식별(RFID, Radio Frequency Identification), 적외선 데이터 연결(IrDA, Infrared Data Association)기술, 초 대역(UWB, Ultra Wide Band)기술 또는 블루투스(BT, BlueTooth) 기술 및 다른 기술을 기반으로 구현될 수 있다.

예시적 실시예에서, 전자 기기(800)는 상기 이미지 재구성 방법을 실행하기 위해, 하나 또는 복수 개의 주문형 집적 회로(ApplicationSpecificIntegratedCircuit, ASIC), 디지털 신호 프로세서(Digital Signal Processor, DSP), 디지털 신호 처리 장치(Digital Signal Processing Devices, DSPD), 프로그래머블 논리 장치(Programmable Logic Device, PLD), 필드 프로그래머블 게이트 어레이(Field Programmable Gate Array, FPGA), 컨트를러, 마이크로 컨트를러, 마이크로 프로세서 또는 다른 전자 소자에 의해 구현될 수 있다.

예시적 실시예에서 또한, 컴퓨터 프로그램 명령어를 포함하는 메모리(804)와 같은 비휘발성 컴퓨터 판독 가능 저장 매체를 제공하며, 상기 컴퓨터 프로그램 명령어는 상기 이미지 재구성 방법을 완료하기 위해 전자 기기(800)의 프로세서(820)에 의해 실행될 수 있다.

도 10은 본 발명의 실시예에 따른 전자 기기(1900)의 블록도를 도시한다. 예를 들어, 전자 기기(1900)은 서버로 제공될 수 있다. 도 10을 참조하면, 전자 기기(1900)는 하나 또는 복수 개의 프로세서를 더 포함하는 처리 컴포넌트(1922), 및 처리 컴포넌트(1922)에 의해 실행되는 명령어를 저장하기 위한 메모리(1932)로 대표되는 메모리 자원을 포함한다. 예들 들어, 메모리(1932)에 저장된 응용 프로그램은 하나 또는 복수 개의 모듈을 포함할 수 있다. 또한, 처리 컴포넌트(1922)는 상기 방법을 실행하기 위한 명령어를 실행하도록 구성된다.

전자 기기(1900)는 전자 기기(1900)의 전원 관리를 실행하도록 구성된 하나의 전력 컴포넌트(1926), 전자 기기(1900)를 네트워크에 연결하도록 구성된 하나의 유선 또는 무선 네트워크 인터페이스(1950) 및 하나의 입력 출력(I/O) 인터페이스(1958)를 더 포함할 수 있다. 전자 기기(1900)는Windows ServerTM, Mac OS XTM, UnixTM, LinuxTM, FreeBSDTM 또는 유사한 것 등과 같은 메모리(1932)에 기반한 운영체제를 조작할 수 있다.

예시적 실시예에 있어서, 본 발명의 실시예는 컴퓨터 프로그램 명령어를 포함하는 메모리(1932)와 같은 비휘발성 컴퓨터 판독 가능한 저장 매체를 제공하며, 상기 컴퓨터 프로그램 명령어는 상기 이미지 재구성 방법을 완료하도록 전자 기기(1900)의 처리 컴포넌트(1922)에 의해 실행된다.

본 발명은 시스템, 방법 및 컴퓨터 프로그램 제품 중 적어도 하나일 수 있다. 컴퓨터 프로그램 제품은 컴퓨터 판독 가능한 저장 매체를 포함할 수 있고, 컴퓨터 판독 가능한 저장 매체에는 프로세서가 본 발명의 실시예의 각 측면을 구현하도록 하는 컴퓨터 판독 가능한 프로그램 명령어가 존재한다.

컴퓨터 판독 가능 저장 매체는 명령 실행 기기에 의해 사용되는 명령을 유지하고 저장할 수 있는 유형의 기기일 수 있다. 컴퓨터 판독 가능 저장 매체는 예를 들어, 전기 저장 기기, 자기 저장 기기, 광학 저장 기기, 전자기 저장 기기, 반도체 저장 기기 또는 전술한 임의의 적절한 조합일 수 있지만 이에 한정하지 않는다. 컴퓨터 판독 가능한 저장 매체의 더 구체적인 예는(비제한 리스트), 휴대용 컴퓨터 디스크, 하드 디스크, 랜덤 액세스 메모리(Random Access Memory, RAM), 판독 전용 메모리(Read Only Memory, ROM) 및 소거 가능하고 프로그램 가능한 판독 전용 메모리((Erasable Programmable Read Only Memory, EPROM) 또는 플래시 메모리), 정적 랜덤 액세스 메모리(Static Random Access Memory, SRAM), 휴대용 컴팩트 디스크 판독 전용 메모리(Portable Compact Disk Read-Only Memory, CD-ROM), DVD (Digital Versatile Disk), 메모리 스틱, 플로피 디스크, 명령어가 저장된 장치와 같은 기계적 코딩 장치 홀 카드 또는 그루브에서의 볼록한 구조 및 전술한 임의의 적절한 조합을 포함한다. 여기서 사용되는 컴퓨터 판독 가능한 저장 매체는 무선 전자파 또는 다른 자유롭게 전파되는 전자기파, 도파관 또는 다른 전송 매체를 통해 전파되는 전자기파(예를 들어, 광섬유 케이블을 통한 광펄스), 또는 와이어를 통해 전송되는 전기 신호와 같은 순간 신호 자체로 해석되지 않아야 한다.

여기서 설명한 컴퓨터 판독 가능한 프로그램 명령어는 컴퓨터 판독 가능한 저장 매체로부터 각 컴퓨팅/처리 기기로 다운 로드될 수 있거나, 인터넷, 근거리 통신망, 광역 통신망 및 무선 네트워크 중 적어도 하나와 같은 네트워크를 통해, 외부 컴퓨터 또는 외부 저장 기기로 다운 로드될 수 있다. 네트워크는 구리 전송 케이블, 광섬유 전송, 무선 전송, 라우터, 방화벽, 스위치, 게이트웨이 컴퓨터 및/또는 에지 서버를 포함할 수 있다. 각 컴퓨팅 및/또는 처리 기기 중의 네트워크 어댑터 카드 또는 네트워크 인터페이스는 네트워크로부터 검퓨터 가능 프로그램 명령을 수신하고, 상기 컴퓨터 판독 가능 프로그램 명령을 중계하여, 컴퓨터 판독 가능 프로그램 명령이 컴퓨터 판독 가능 저장 매체에 저장된다.

본 발명의 동작을 실행하기 위한 컴퓨터 프로그램 명령어는 어셈블리 명령어, 명령어 세트 아키텍처(Instruction Set Architecture, ISA) 명령어, 머신 명령어, 머신 관련 명령어, 마이크로 코드, 펌웨어 명령어, 상태 설정 데이터, 또는 하나 또는 하나 이상의 프로그래밍 언어의 임의의 조합으로 작성된 소스 코드 또는 객체 코드일 수 있고, 상기 프로그래밍 언어에는 스몰 토크, C++ 등과 같은 객체 지향 프로그래밍 언어 및 "C" 언어 또는 유사한 프로그래밍 언어와 같은 기존 프로그래밍 언어가 포함된다. 컴퓨터 판독 가능 프로그램 명령은 사용자 컴퓨터에서 전부 또는 부분적으로 실행될 수 있거나, 컴퓨터 판독 가능 프로그램 명령은 사용자 컴퓨터에서 부분적으로 실행되고 나머지는 원격 컴퓨터에서 실행되거나 원격 컴퓨터 또는 서버에서 완전히 실행될 수 있다. 원격 컴퓨터의 경우 원격 컴퓨터는 근거리 통신망(LAN) 또는 광역 통신망(WAN)을 포함하는 모든 종류의 네트워크를 통해 사용자 컴퓨터에 연결하거나, 외부 컴퓨터(예를 들어, 인터넷 서비스 업체를 사용하여 인터넷을 통해 연결함)에 연결할 수 있다. 일부 실시예에서, 컴퓨터 판독 가능 프로그램 명령어의 상태 정보는 프로그래밍 가능 논리 회로, FPGA (Field Programmable Gate Array) 및 PLA (Programmable Logic Array)와 같은 전자 회로를 개별 제정하고, 상기 전자 회로는 본 개시의 각각의 양태를 구현하기 위해 컴퓨터 판독 가능 프로그램 명령을 실행할 수 있다.

여기서 본 발명의 다양한 측면은 본 발명의 실시예에 따른 방법, 장치(시스템) 및 컴퓨터 프로그램 제품의 흐름도 및 블록도 중 적어도 하나를 참조하여 설명하였다. 이해해야 할 것은, 흐름도 및 블록도 중 적어도 하나의 각 블록; 흐름도 및 블록도 중 적어도 하나의 각 블록의 조합은, 모두 컴퓨터 판독 가능 프로그램 명령어에 의해 구현될 수 있다.

이러한 컴퓨터 판독 가능한 프로그램 명령어는 범용 컴퓨터, 특수 목적 컴퓨터 또는 다른 프로그램 가능한 데이터 처리 장치의 프로세서에 제공 될 수 있음으로써, 이에 의해 이러한 명령어가 컴퓨터 또는 다른 프로그램 가능한 데이터 처리 장치의 프로세서에 의해 실행되도록 하는 기계가 생성되고, 흐름도 및 블록도 중 적어도 하나에서 하나 또는 복수 개의 블록에 지정된 기능/동작을 구현하는 장치가 생성된다. 이러한 컴퓨터 판독 가능 프로그램 명령어를 컴퓨터 판독 가능 저장 매체에 저장할 수도 있으며, 이러한 명령어는 컴퓨터, 프로그래머블 데이터 처리 장치 및 다른 기기 중 적어도 하나로 하여금 특정 방식으로 작업하도록 함으로써, 명령어가 저장된 컴퓨터 판독 가능 매체는 흐름도 및 블록도 중 하나 또는 복수 개의 블록에서 규정된 기능/동작의 각 측면의 명령어를 포함하는 제조물을 포함한다.

컴퓨터 판독 가능한 프로그램 명령어는 또한 컴퓨터, 다른 프로그램 가능한 데이터 처리 장치 또는 다른 기기에 로딩될 수 있어, 컴퓨터로 구현되는 과정을 생성하기 위해, 일련의 동작 단계가 컴퓨터, 다른 프로그램 가능한 데이터 처리 장치 또는 다른 기기에서 수행되도록 함으로써, 컴퓨터, 다른 프로그램 가능한 데이터 처리 장치 또는 다른 기기에서 실행되는 명령어는 흐름도 및 블록도 중 적어도 하나에서 하나 또는 복수 개의 블록에 지정된 기능/동작을 구현한다.

도면의 흐름도 및 블록도는 본 발명의 다양한 실시예에 따른 시스템, 방법 및 컴퓨터 프로그램 제품의 구현 가능한 체계 아키텍처, 기능 및 동작을 디스플레이한다. 이와 관련하여, 흐름도 또는 블록도 중의 각 블록은 모듈, 프로그램 세그먼트 또는 명령어의 일부를 나타낼 수 있고, 상기 모듈, 프로그램 세그먼트 또는 명령어의 일부는 지정된 논리적 기능을 구현하는 하나 또는 복수 개의 실행 가능 명령어를 포함하고. 일부 대체적인 구현에서, 블록에서 표시된 기능은 상이한 도면에서 표시된 순서와 상이한 순서로 발생할 수도 있다. 예를 들어, 두 개의 연속적인 블록은 실제로 기본적으로 병렬로 실행될 수 있으며, 때로는 역순으로 실행될 수 있고, 이는 관련된 기능에 따라 결정된다. 또한 유의해야 할 것은, 블록도 및/또는 흐름도 중 각 블록, 및 블록도 및/또는 흐름도에서의 블록의 조합은, 지정된 기능 또는 동작의 전용 하드웨어 기반의 시스템에 의해 구현될 수 있거나, 전용 하드웨어와 컴퓨터 명령어의 조합으로 구현될 수 있다.

이상 본 발명의 각 실시예를 설명하였고, 상기 설명은 예시적이고, 완전하지 않고, 개시된 각 실시예에 한정되지도 않는다. 당업자에게는 설명된 실시예의 범위 및 사상을 벗어나지 않고 많은 수정 및 변형은 명백한 것이다. 본 명세서에서 사용된 용어의 선택은 각 실시예의 원리, 실제 응용 또는 시장에서의 기술에 대한 기술 개선을 가장 잘 해석하거나, 당업자가 본 명세서에 개시된 각 실시예를 이해할 수 있도록 의도된다.

Claims (32)

1. 이미지 처리 방법으로서,
   동일한 대상에 대한 복수 개의 이미지의 이미지 특징을 각각 획득하는 단계;
   각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 일대일로 대응하는 가중치 계수를 결정하는 단계; 및
   각 상기 이미지 특징의 가중치 계수에 기반하여, 상기 복수 개의 이미지의 이미지 특징에 대해 특징 융합 처리를 실행하여, 상기 복수 개의 이미지의 융합 특징을 획득하는 단계를 포함하고;
   상기 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 일대일로 대응하는 가중치 계수를 결정하는 단계는,
   각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성하는 단계;
   상기 이미지 특징 매트릭스에 대해 중앙값 필터링 처리를 수행하여, 중앙값 특징 매트릭스를 획득하는 단계; 및
   상기 중앙값 특징 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하는 단계를 포함하는 것을 특징으로 하는 이미지 처리 방법.
2. 제1항에 있어서,
   상기 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 일대일로 대응하는 가중치 계수를 결정하는 단계는,
   각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성하는 단계;
   상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하여, 제1 가중치 매트릭스를 획득하는 단계; 및
   상기 제1 가중치 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하는 단계를 더 포함하는 것을 특징으로 하는 이미지 처리 방법.
3. 제2항에 있어서,
   상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하여, 제1 가중치 매트릭스를 획득하는 단계는,
   정규화된 선형 최소 제곱 추정 알고리즘을 사용하여 상기 이미지 특징 매트릭스에 대해 특징 피팅 처리를 실행하며, 기설정 목표 함수가 최소값인 경우 상기 제1 가중치 매트릭스를 획득하고,
   상기 제1 가중치 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하는 단계는,
   상기 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 상기 가중치 계수로 결정하는 단계; 또는,
   상기 제1 가중치 매트릭스에 대해 제1 최적화 처리를 실행하고, 최적화된 제1 가중치 매트릭스에 포함된 각 제1 가중치 계수를 각 이미지 특징에 대응하는 상기 가중치 계수로 결정하는 단계를 포함하는 것을 특징으로 하는 이미지 처리 방법.
4. 제3항에 있어서,
   상기 제1 가중치 매트릭스에 대해 제1 최적화 처리를 실행하는 단계는,
   상기 제1 가중치 매트릭스에 포함된 각 이미지 특징의 제1 가중치 계수에 기반하여, 각 이미지의 피팅 이미지 특징을 결정하는 단계 - 상기 피팅 이미지 특징은 상기 이미지 특징과, 대응하는 제1 가중치 계수의 곱임 - ;
   각 이미지의 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 사용하여, 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하여, 제1 최적화 가중치 매트릭스를 획득하는 단계;
   상기 제1 가중치 매트릭스와 제1 최적화 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하는 것에 응답하여, 상기 제1 최적화 가중치 매트릭스를 최적화된 상기 제1 가중치 매트릭스로 결정하는 단계; 및
   제1 가중치 매트릭스와 제1 최적화 가중치 매트릭스 사이의 차이값이 제1 조건을 만족하지 않는 것에 응답하여, 상기 제1 최적화 가중치 매트릭스를 사용하여 새로운 피팅 이미지 특징을 얻고, 제k 최적화 가중치 매트릭스와 제k-1 최적화 가중치 매트릭스 사이의 차이값이 상기 제1 조건을 만족할 때까지, 상기 새로운 피팅 이미지 특징에 기반하여 상기 제1 최적화 처리를 반복하여 실행하고, 제k 최적화 가중치 매트릭스를 최적화된 제1 가중치 매트릭스로 결정하는 단계 - k는 1보다 큰 양의 정수임 - 를 포함하는 것을 특징으로 하는 이미지 처리 방법.
5. 제4항에 있어서,
   상기 각 이미지의 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 사용하여, 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하는 단계는,
   각 이미지 특징과 상기 피팅 이미지 특징 내의 대응하는 요소 사이의 차이값의 제곱의 합에 따라, 상기 이미지 특징과 상기 피팅 이미지 특징 사이의 제1 오차를 획득하는 단계;
   각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득하는 단계; 및
   각 이미지의 제2 가중치 계수에 기반하여 상기 제1 가중치 매트릭스의 제1 최적화 처리를 실행하여, 상기 제1 가중치 매트릭스에 대응하는 제1 최적화 가중치 매트릭스를 획득하는 단계를 포함하는 것을 특징으로 하는 이미지 처리 방법.
6. 제5항에 있어서,
   각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득하는 단계는,
   제1 방식을 통해, 각 상기 제1 오차에 기반하여 각 이미지 특징의 제2 가중치 계수를 획득하는 단계 - 상기 제1 방식의 표현식은,
   

   

   이고;
   w_i는 i 번째 이미지의 제2 가중치 계수이고, e_i는 i 번째 이미지 특징과 i 번째 이미지 특징에 대응하는 피팅 이미지 특징 사이의 제1 오차를 나타내며, i는 1에서 N 사이의 정수이고,

   

   이고,

   

   는 오차 e_i의 표준 편차임 - 을 포함하는 것을 특징으로 하는 이미지 처리 방법.
7. 삭제
8. 제1항에 있어서,
   상기 이미지 특징 매트릭스에 대해 중앙값 필터링 처리를 수행하여, 중앙값 특징 매트릭스를 획득하는 단계는,
   상기 이미지 특징 매트릭스의 각 상기 이미지 특징에 대해 동일한 위치의 요소 중앙값을 결정하는 단계; 및
   각 위치의 요소 중앙값에 기반하여 상기 중앙값 특징 매트릭스를 결정하는 단계를 포함하며,
   상기 중앙값 특징 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하는 단계는,
   각 이미지 특징과 상기 중앙값 특징 매트릭스 사이의 제2 오차를 획득하는 단계; 및
   이미지 특징과 중앙값 특징 매트릭스 사이의 상기 제2 오차가 제2 조건을 만족하는 것에 응답하여, 상기 이미지 특징의 가중치 계수는 제1 가중치 값으로 구성되고, 이미지 특징과 중앙값 특징 매트릭스 사이의 상기 제2 오차가 제2 조건을 만족하지 않는 것에 응답하여, 제2 방식을 사용하여 상기 이미지 특징의 가중치 계수를 결정하는 단계를 포함하는 것을 특징으로 하는 이미지 처리 방법.
9. 제8항에 있어서,
   상기 제2 방식의 표현식은,
   

   

   
   b_h는 제2 방식을 통해 결정된 h 번째 이미지의 가중치 계수이고, e_h는 h 번째 이미지의 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차이며, h는 1과 N 사이의 정수이고, N은 이미지의 개수를 나타내는 것을 특징으로 하는 이미지 처리 방법.
10. 제8항에 있어서,
    상기 제2 조건은,
    

    

    
    e_h는 h 번째 이미지의 이미지 특징과 중앙값 특징 매트릭스 사이의 제2 오차이고, h는 1과 N 사이의 정수이며, N은 이미지의 개수를 나타내고, K는 판단 임계값이며, median은 중앙값 필터링 함수를 나타내는 것을 특징으로 하는 이미지 처리 방법.
11. 제1항 내지 제6항 중 어느 한 항에 있어서,
    각 상기 이미지 특징의 가중치 계수에 기반하여, 상기 복수 개의 이미지의 이미지 특징에 대해 특징 융합 처리를 실행하여, 상기 복수 개의 이미지의 융합 특징을 획득하는 단계는,
    각 이미지 특징에 대응하는 가중치 계수 사이의 곱의 합산값을 사용하여, 상기 융합 특징을 획득하는 단계를 포함하는 것을 특징으로 하는 이미지 처리 방법.
12. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 이미지 처리 방법은,
    상기 융합 특징을 사용하여 상기 동일한 대상의 인식 작업을 실행하는 단계를 더 포함하는 것을 특징으로 하는 이미지 처리 방법.
13. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 대응하는 가중치 계수를 결정하기 전에, 상기 이미지 처리 방법은,
    가중치 계수에 대한 획득 모드의 선택 정보를 획득하는 단계;
    상기 선택 정보에 기반하여 상기 가중치 계수의 획득 모드를 결정하는 단계;
    결정된 상기 가중치 계수의 획득 모드에 기반하여, 상기 각 이미지의 이미지 특징을 실행하여, 각 상기 이미지 특징에 대응하는 가중치 계수를 결정하는 단계를 더 포함하고;
    상기 가중치 계수의 획득 모드는 특징 피팅의 방식을 사용하여 상기 가중치 계수를 획득하는 것 및 중앙값 필터링의 방식을 사용하여 상기 가중치 계수를 획득하는 것을 포함하는 것을 특징으로 하는 이미지 처리 방법.
14. 이미지 처리 장치로서,
    동일한 대상에 대한 복수 개의 이미지의 이미지 특징을 각각 획득하도록 구성된 획득 모듈;
    각 이미지의 이미지 특징에 따라, 각 상기 이미지 특징에 일대일로 대응하는 가중치 계수를 결정하도록 구성된 결정 모듈; 및
    각 상기 이미지 특징의 가중치 계수에 기반하여, 상기 복수 개의 이미지의 이미지 특징에 대해 특징 융합 처리를 실행하여, 상기 복수 개의 이미지의 융합 특징을 획득하도록 구성된 융합 모듈을 포함하고;
    상기 결정 모듈은,
    각 이미지의 상기 이미지 특징에 기반하여 이미지 특징 매트릭스를 형성하도록 구성된 제2 설정 유닛;
    상기 이미지 특징 매트릭스에 대해 중앙값 필터링 처리를 수행하여, 중앙값 특징 매트릭스를 획득하도록 구성된 필터링 유닛; 및
    상기 중앙값 특징 매트릭스에 기반하여 각 이미지 특징에 대응하는 상기 가중치 계수를 결정하도록 구성된 제2 결정 유닛을 포함하는 것을 특징으로 하는 이미지 처리 장치.
15. 전자 기기로서,
    프로세서; 및
    프로세서에서 실행 가능한 명령어를 저장하기 위한 메모리를 포함하며;
    상기 프로세서는 제1항 내지 제6항 중 어느 한 항에 따른 이미지 처리 방법을 실행하도록 구성된 것을 특징으로 하는 전자 기기.
16. 삭제
17. 삭제
18. 삭제
19. 삭제
20. 삭제
21. 삭제
22. 삭제
23. 삭제
24. 삭제
25. 삭제
26. 삭제
27. 삭제
28. 삭제
29. 삭제
30. 삭제
31. 삭제
32. 삭제

Images