| 1 |
1
라이다 센서를 이용하여 획득한 포인트 클라우드로부터 구한 객체의 박스에 포함된 포인트의 직각 좌표를 복소 좌표로 변환하고, 복소 좌표에 대해 고속 푸리에 변환(FFT)을 수행하여 제1 특징을 추출하는 단계;상기 객체의 박스에 포함된 포인트에 대한 가우시안 모델의 파라미터인 평균과 표준 편차를 제2 특징으로서 구하는 단계; 및상기 제1 또는 제2 특징 중 적어도 하나를 이용하여 상기 객체의 종류를 분류하는 단계를 포함하는 객체 분류 방법
|
| 2 |
2
제1 항에 있어서,상기 포인트 클라우드를 획득하는 단계;상기 포인트 클라우드를 군집화하는 단계; 및상기 군집화된 결과에 대해 세그먼테이션을 수행하여 상기 객체의 상기 박스를 구하는 단계를 더 포함하는 객체 분류 방법
|
| 3 |
3
제2 항에 있어서, 상기 직각 좌표는자차가 진행하는 제1 방향과 나란한 제1 축과 제2 방향과 나란한 제2 축이 이루는 제1 평면 상에서의 좌표; 또는상기 제1 및 제2 방향 각각과 수직하며 상기 자차의 높이 방향인 제3 방향과 나란한 제3 축과 상기 제1 축이 이루는 제2 평면 상에서의 좌표중 적어도 하나를 포함하는 객체 분류 방법
|
| 4 |
4
제3 항에 있어서, 상기 제1 특징을 추출하는 단계는상기 객체의 상기 박스에 포함된 상기 포인트의 상기 직각 좌표를 상기 복소 좌표로 변환하는 단계; 및상기 박스에 포함된 상기 포인트의 상기 복소 좌표를 FFT하여 구한 상기 박스에 포함된 상기 포인트의 복소수 벡터를 상기 제1 특징으로서 결정하는 단계를 포함하는 객체 분류 방법
|
| 5 |
5
제4 항에 있어서, 상기 제1 특징을 추출하는 단계는상기 제1 평면에 대해 구한 특징과 상기 제2 평면에 대해 구한 특징을 결합하여 상기 제1 특징으로서 결정하는 단계를 더 포함하는 객체 분류 방법
|
| 6 |
6
제3 항에 있어서, 상기 제2 특징을 추출하는 단계는상기 객체의 상기 박스에 포함된 상기 포인트의 개수로 히스토그램을 생성하는 단계; 및상기 히스토그램을 이용하여 상기 평균과 상기 표준 편차를 구하여 상기 제2 특징으로서 결정하는 단계를 포함하는 객체 분류 방법
|
| 7 |
7
제6 항에 있어서,상기 히스토그램을 생성할 때 이용되는 상기 포인트는 상기 제1 평면 상에서의 포인트에 해당하는 객체 분류 방법
|
| 8 |
8
제1 항에 있어서, 상기 객체의 종류를 분류하는 단계는상기 제1 또는 제2 특징 중 적어도 하나를 이용하여 신경망 분류법으로 상기 객체의 종류를 분류하는 객체 분류 방법
|
| 9 |
9
제1 항에 있어서, 상기 객체의 종류를 분류하는 단계는복수의 서포트 벡터 머신을 통해, 상기 제1 또는 제2 특징 중 적어도 하나로부터 상기 객체의 종류를 분류하는 객체 분류 방법
|
| 10 |
10
제1 항에 있어서, 상기 객체의 종류를 분류하는 단계는하나의 다층 퍼셉트론을 통해, 상기 제1 또는 제2 특징 중 적어도 하나로부터 상기 객체의 종류를 분류하는 객체 분류 방법
|
| 11 |
11
제1 항에 있어서, 상기 객체의 종류는 도로의 경계, 차량, 덤불, 나무, 또는 표지판 중 적어도 하나를 포함하는 객체 분류 방법
|
| 12 |
12
제1 항에 있어서, 상기 객체의 종류는 보행자를 더 포함하고,상기 제1 특징을 이용하여 상기 객체의 종류를 상기 보행자로서 분류하는 객체 분류 방법
|
| 13 |
13
제1 항에 있어서,상기 객체의 상기 박스에 대한 크기 형상 정보를 제3 특징으로서 생성하는 단계;상기 객체의 상기 박스에 대한 윤곽 그리드 밀도를 제4 특징으로서 생성하는 단계; 또는상기 객체의 상기 박스에 대한 공분산, 고유 벡터 및 고유값을 제5 특징으로서 생성하는 단계 중 적어도 하나를 더 포함하고,상기 제1 또는 제2 특징 중 적어도 하나와 상기 제3, 제4 또는 제5 특징 중 적어도 하나를 이용하여 상기 객체의 종류를 분류하는 객체 분류 방법
|
| 14 |
14
제3 항에 있어서,상기 제1 평면 상에서의 가우시안 모델의 윤곽 또는 상기 제2 평면 상에서의 가우시안 모델의 윤곽 중 적어도 하나를 제6 특징으로서 구하는 단계를 더 포함하고,상기 객체의 종류를 분류할 때 상기 제6 특징을 더 이용하는 객체 분류 방법
|
| 15 |
15
라이다 센서를 이용하여 획득한 포인트 클라우드로부터 구한 객체의 박스에 포함된 포인트의 직각 좌표를 복소 좌표로 변환하고, 복소 좌표에 대해 고속 푸리에 변환(FFT)을 수행하여 제1 특징을 추출하는 제1 특징 추출부;상기 객체의 박스에 포함된 포인트에 대한 가우시안 모델의 파라미터인 평균과 표준 편차를 구하여 제2 특징으로서 출력하는 제2 특징 추출부; 및상기 제1 또는 제2 특징 중 적어도 하나를 이용하여 상기 객체의 종류를 분류하는 객체 분류기를 포함하는 객체 분류 장치
|
| 16 |
16
제15 항에 있어서,상기 포인트 클라우드를 획득하는 포인트 획득부;상기 포인트 클라우드를 군집화하는 군집화부; 및상기 군집화된 결과에 대해 세그먼테이션을 수행하여 상기 객체의 상기 박스를 구하는 세그먼테이션부를 더 포함하는 객체 분류 장치
|
| 17 |
17
제15 항에 있어서, 상기 객체 분류기는상기 제1 또는 제2 특징 중 적어도 하나를 입력으로 하고, 상기 객체의 종류를 출력하는 하는 신경망 분류기를 포함하는 객체 분류 장치
|
| 18 |
18
제17 항에 있어서, 상기 신경망 분류기는상기 제1 또는 제2 특징 중 적어도 하나로부터 상기 객체의 종류를 분류하는 복수의 서포트 벡터 머신을 포함하는 객체 분류 장치
|
| 19 |
19
제18 항에 있어서, 상기 복수의 서포트 벡터 머신은상기 객체의 종류가 도로의 경계인가를 검사하는 제1 서포트 벡터 머신; 및상기 객체의 종류가 차량인가 덤불인가를 검사하는 제2 서포트 벡터 머신을 포함하는 객체 분류 장치
|
| 20 |
20
객체 분류 방법을 실행하기 위한 프로그램을 기록한 기록 매체에 있어서,라이다 센서를 이용하여 획득한 포인트 클라우드로부터 구한 객체의 박스에 포함된 포인트의 직각 좌표를 복소 좌표로 변환하고, 복소 좌표에 대해 고속 푸리에 변환(FFT)을 수행하여 제1 특징을 추출하는 기능;상기 객체의 박스에 포함된 포인트에 대한 가우시안 모델의 파라미터인 평균과 표준 편차를 제2 특징으로서 구하는 기능; 및상기 제1 또는 제2 특징 중 적어도 하나를 이용하여 상기 객체의 종류를 분류하는 기능을 구현하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체
|
