| 1 |
1
객체별 영상 데이터에 대한 확률 모델을 생성하는 확률 모델 생성부; 및상기 확률 모델을 기반으로 새롭게 입력된 영상데이터의 객체를 인식하는 객체 인식부를 포함하는 확률적 모델 기반의 객체 인식 시스템
|
| 2 |
2
청구항 1에 있어서, 상기 생성된 확률모델을 저장하는 확률 모델 저장부를 더 포함하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 3 |
3
청구항 1에 있어서, 상기 확률 모델 생성부는, 상기 객체별 영상 데이터의 특징점을 추출하는 특징점 추출부;상기 특징점에 대한 확률 밀도를 추정하는 확률 밀도 추정부; 및상기 추정된 확률 밀도를 기반으로 객체별 확률 모델을 생성하는 객체 분류부;를 포함하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 4 |
4
청구항 3에 있어서, 상기 확률 모델 생성부는,상기 객체별 확률 모델마다의 임계값을 결정하는 임계값 결정부를 더 포함하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 5 |
5
청구항 4에 있어서, 상기 임계값 결정부는 상기 객체별 확률 모델마다, 상기 객체별 확률 모델 내의 특징점들에 대한 확률 밀도 중 가장 최소값의 확률 밀도를 상기 임계값으로 결정하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 6 |
6
청구항 3에 있어서, 상기 확률 밀도 추정부는, N-KNN(Normalized K Nearest Neighbors) 기반으로 확률 밀도를 추정하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 7 |
7
청구항 3에 있어서, 상기 확률 밀도 추정부는, 상기 특징점 중 하나의 특징점에서 k번째 특징점까지에 있는 모든 데이터들의 거리값을 k값으로 나누어 정규화(normalization)한 후 특징점의 총 수를 곱한 값으로 k를 나누어 확률 밀도를 추정하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 8 |
8
청구항 3에 있어서, 상기 객체 분류부는, 상기 확률 밀도 추정부에서 추정된 객체별 확률 밀도를 분류하여 객채별 확률 모델을 생성하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 9 |
9
청구항 1에 있어서, 상기 객체 인식부는, 새롭게 입력된 영상 데이터로부터 특징점을 추출하는 특징점 추출부; 및상기 특징점에 대한 확률 밀도를 추정하고, 상기 추정된 확률 밀도를 기반으로 상기 객체별 확률 모델 중 하나를 선정하여 상기 새롭게 입력된 영상 데이터의 객체가 속하는 확률 모델을 인식하는 확률 기반 객체 분류부를 포함하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 10 |
10
청구항 9에 있어서, 상기 확률 기반 객체 분류는,상기 새롭게 입력된 영상 데이터로부터 추출된 특징점에 대해 각 확률 모델별로 확률 밀도를 추정하고, 상기 특징점에 대해 각 확률 모델별로 추정된 확률 밀도 중 가장 큰 확률 밀도를 가지는 확률 모델을 선정하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 11 |
11
청구항 10에 있어서, 상기 확률 기반 객체 분류는,상기 확률 모델이 선정되면 상기 선정된 확률 모델에 대한 특징점의 확률 밀도가 상기 선정된 확률 모델에 대해 미리 정해진 임계값보다 큰 경우, 상기 선정된 확률 모델에 상기 새롭게 입력된 영상 데이터의 객체가 포함되는 것으로 인식하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 12 |
12
청구항 9에 있어서, 상기 확률 기반 객체 분류부는,N-KNN(Normalized K Nearest Neighbors) 기반으로 확률 밀도를 추정하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 시스템
|
| 13 |
13
입력된 객체별 영상 데이터에 대해 특징점을 추출하고 각 객체별로 확률 밀도를 추정하여 각 객체별로 확률 모델을 생성하는 단계; 및상기 확률 모델을 기반으로 새롭게 입력된 영상 데이터의 객체를 인식하는 단계를 포함하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 방법
|
| 14 |
14
청구항 13에 있어서, 상기 확률 모델을 생성하는 단계는,상기 객체별 영상 데이터로부터 특징점을 추출하는 단계;상기 특징점에 대해 N-KNN(Normalized K Nearest Neighbors) 기반으로 확률 밀도를 추정하는 단계; 및상기 확률 밀도를 기반으로 객체별 확률 모델을 생성하는 단계를 더 포함하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 방법
|
| 15 |
15
청구항 14에 있어서, 상기 객체별 확률 모델마다 객체별 임계값을 결정하는 단계를 더 포함하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 방법
|
| 16 |
16
청구항 15에 있어서, 상기 객체별 임계값을 결정하는 단계는, 상기 객체별 확률 모델마다, 상기 객체별 확률 모델 내의 특징점들에 대한 확률 밀도 중 가장 최소값의 확률 밀도를 상기 임계값으로 결정하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 방법
|
| 17 |
17
청구항 14에 있어서, 상기 확률 밀도를 추정하는 단계는, 상기 특징점 중 하나의 특징점에서 k번째 특징점까지에 있는 모든 데이터들의 거리값을 k값으로 나누어 정규화(normalization)한 후 특징점의 총 수를 곱한 값으로 k를 나누어 확률 밀도를 추정하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 방법
|
| 18 |
18
청구항 13에 있어서, 상기 객체를 인식하는 단계는, 상기 새롭게 입력된 영상 데이터로부터 특징점을 추출하는 단계; 및상기 새롭게 입력된 영상 데이터로부터 추출된 특징점에 대해 각 확률 모델별로 확률 밀도를 추정하고, 상기 특징점에 대해 각 확률 모델별로 추정된 확률 밀도 중 가장 큰 확률 밀도를 가지는 확률 모델을 선정하는 단계를 포함하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 방법
|
| 19 |
19
청구항 18에 있어서, 상기 객체를 인식하는 단계는, 상기 확률 모델이 선정되면 상기 선정된 확률 모델에 대한 특징점의 확률 밀도가 상기 선정된 확률 모델에 대해 미리 정해진 임계값보다 큰 경우, 상기 선정된 확률 모델에 상기 새롭게 입력된 영상 데이터의 객체가 포함되는 것으로 인식하는 것을 특징으로 하는 확률적 모델 기반의 객체 인식 방법
|
