| 1 |
1
임의의 학습 영상에서 추출된 N개의 국부 패턴(Local Ternary Pattern, LTP)을 M개의 코드로 변환하는 룩업-테이블을 생성하는 패턴 부호화부; 및임의의 학습 영상에서 추출된 국부 패턴을 상기 룩업-테이블을 이용하여 소정의 코드로 변환하고, 변환된 코드에 대응되는 특징벡터를 입력으로 받아 특징벡터의 클래스를 분류하기 위한 분류기를 생성하는 학습부를 포함하되,상기 패턴 부호화부는,객체 인식의 대상이 되는 포지티브 학습영상 및 상기 포지티브 학습영상에 대한 대조군인 네거티브 학습영상을 LTP(Local Ternary Pattern) 영상으로 변환하고, 상기 LTP 영상을 n개의 블록으로 분할하고, n개의 블록 각각에 대한 LTP 블록 히스토그램을 생성하며,상기 n개의 블록 각각에 대한 LTP 블록 히스토그램을 누적 평균화하여, j번째 블록에 대한 k번째 국부 패턴의 중요도를 연산하여, M-1개의 최상위 중요 국부 패턴을 결정하되, 상기 국부 패턴의 중요도는 포지티브 및 네거티브 학습 영상의 개수, 상기 포지티브 및 네거티브 학습 영상에서 j번째 블록에 대한 k번째 국부 패턴의 누적된 개수, 상기 국부 패턴의 전체 빈도수 및 빈도수 차이간의 가중치에 기초하여 산출되는 것인 객체 인식장치
|
| 2 |
2
삭제
|
| 3 |
3
삭제
|
| 4 |
4
제1항에 있어서, 상기 패턴 부호화부는,상기 M-1개의 최상위 중요 국부 패턴 각각에 순서대로 국부 중요 패턴 군집 코드(Local Important Pattern Clustering Code, LIPCC)를 할당하고, 군집화 기법에 기반하여 연산된 상기 M-1개의 최상위 중요 국부 패턴과 나머지 국부 패턴 사이의 거리에 기초하여, 나머지 국부 패턴에는 M번째 LIPCC를 할당하는 것인 객체 인식장치
|
| 5 |
5
제4항에 있어서, 상기 패턴 부호화부는,상기 나머지 국부 패턴에 가장 가까운 거리에 있는 최상위 중요 국부 패턴에 대한 LIPCC를 할당하는 것인 객체 인식장치
|
| 6 |
6
제4항에 있어서, 상기 패턴 부호화부는,상기 M-1개의 최상위 중요 국부 패턴과 상기 나머지 국부 패턴 사이의 거리가 기 설정된 임계 값(T) 이상이 되는 나머지 국부 패턴에는 상기 M-1개의 최상위 중요 국부 패턴에 할당되지 않은 나머지 국부 패턴에는 M번째 LIPCC를 할당하는 것인 객체 인식장치
|
| 7 |
7
제1항에 있어서, 상기 학습부는,객체 인식의 대상이 되는 포지티브 학습영상 및 상기 포지티브 학습영상에 대한 대조군인 네거티브 학습영상에서 추출된 N개의 LTP를 국부 중요 패턴 군집 코드(Local Important Pattern Clustering Code, LIPCC) 룩업-테이블을 이용하여 M개의 LIPCC로 변환하고, 영상 블록 별로 생성된 LIPCC 블록 히스토그램을 이용하여 특징 벡터를 학습하는 것인 객체 인식장치
|
| 8 |
8
제1항에 있어서, 입력된 테스트 영상에서 상기 룩업-테이블을 이용하여 영상 블록 별로 LIPCC 블록 히스토그램을 생성하고, 상기 분류기를 이용하여 상기 LIPCC 블록 히스토그램에 대응하는 특징 벡터가 포지티브 영상의 특징 벡터인지, 네거티브 영상의 특징 벡터인지를 판별하는 객체 인식부를 더 포함하는 객체 인식장치
|
| 9 |
9
(a) 객체 인식의 대상이 되는 포지티브 학습영상 및 상기 포지티브 학습영상에 대한 대조군인 네거티브 학습영상에서 추출된 N개의 국부 패턴(Local Ternary Pattern, LTP)을 M개의 국부 중요 패턴 군집 코드(Local Important Pattern Clustering Code, LIPCC)로 변환하는 LIPCC 룩업-테이블을 생성하는 단계;(b) 상기 포지티브 학습영상 및 상기 네거티브 학습영상에서 추출된 상기 N개의 LTP를 상기 LIPCC 룩업-테이블을 이용하여 M개의 LIPCC로 변환하는 단계; 및(c) 상기 M개의 LIPCC를 이용하여 영상 블록 별로 LIPCC 블록 히스토그램 생성하고, 상기 LIPCC 블록 히스토그램에 대응하는 특징 벡터를 학습한 분류기를 생성하는 단계상기 (a) 단계는,객체 인식의 대상이 되는 포지티브 학습영상 및 상기 포지티브 학습영상에 대한 대조군인 네거티브 학습영상을 LTP(Local Ternary Pattern) 영상으로 변환하고, 상기 LTP 영상을 n개의 블록으로 분할하는 단계와,상기 n개의 블록 각각에 대한 LTP 블록 히스토그램을 생성하는 단계와,상기 n개의 블록 각각에 대한 LTP 블록 히스토그램을 누적 평균화하여, j번째 블록에 대한 k번째 국부 패턴의 중요도를 연산하여, M-1개의 최상위 중요 국부 패턴을 결정하는 단계를 포함하되,상기 국부 패턴의 중요도는 포지티브 및 네거티브 학습 영상의 개수, 상기 포지티브 및 네거티브 학습 영상에서 j번째 블록에 대한 k번째 국부 패턴의 누적된 개수, 상기 국부 패턴의 전체 빈도수 및 빈도수 차이간의 가중치에 기초하여 산출되는 것인 객체 인식방법
|
| 10 |
10
제9항에 있어서, 상기 (a) 단계는,상기 M-1개의 최상위 중요 국부 패턴 각각에 순서대로 국부 중요 패턴 군집 코드(Local Important Pattern Clustering Code, LIPCC)를 할당하고, 군집화 기법에 기반하여 연산된 상기 M-1개의 최상위 중요 국부 패턴과 나머지 국부 패턴 사이의 거리에 기초하여, 나머지 국부 패턴에 해당하는 LIPCC를 할당하는 단계를 포함하는 것인 객체 인식방법
|
| 11 |
11
제10항에 있어서, 상기 (a) 단계는,상기 나머지 국부 패턴에 가장 가까운 거리에 있는 최상위 중요 국부 패턴에 대한 LIPCC를 할당하는 단계와,상기 M-1개의 최상위 중요 국부 패턴과 상기 나머지 국부 패턴 사이의 거리가 기 설정된 임계 값(T) 이상이 되는 나머지 국부 패턴에는 상기 M-1개의 최상위 중요 국부 패턴에 할당되지 않은 나머지 국부 패턴에는 M번째 LIPCC를 할당하는 단계를 더 포함하는 것인 객체 인식방법
|
| 12 |
12
제9항에 있어서, (d) 입력된 테스트 영상에서 상기 LIPCC 룩업-테이블을 이용하여 영상 블록 별로 LIPCC 블록 히스토그램을 생성하고, 상기 분류기를 이용하여 상기 LIPCC 블록 히스토그램에 대응하는 특징 벡터가 포지티브 영상의 특징 벡터인지, 네거티브 영상의 특징 벡터인지를 판별하는 단계를 더 포함하는 객체 인식방법
|
