초록 |
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. |