맞춤기술찾기

이전대상기술

삼차원 물체 인식 시스템 및 방법

  • 기술번호 : KST2015113738
  • 담당센터 : 대전기술혁신센터
  • 전화번호 : 042-610-2279
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 이 발명은 제너릭 랜덤마이즈드 포레스트(Generic Randomized Forest)를 이용하여 특징점 매칭과 물체인식을 동시에 할 수 있는 삼차원 물체 인식 시스템 및 방법에 관한 것이다. 이 발명의 한 실시예에 따른 삼차원 물체 인식 시스템은, 복수의 랜덤마이즈드 트리를 포함하고, 상기 각각의 랜덤마이즈드 트리가 복수의 리프노드를 포함한 확장 랜덤마이즈드 포레스트를 저장하는 저장부와; 다수의 학습대상 물체별로 입력되는 학습대상물체 이미지로부터 다수의 특징점들을 추출하고, 상기 추출된 다수의 특징점들을 상기 확장 랜덤마이즈드 포레스트에 적용하여 상기 리프노드별로 물체인식 사후확률분포와 학습대상 물체별 특징점매칭 사후확률분포를 계산하여 상기 저장부에 저장하는 학습수단과; 매칭대상물체 이미지로부터 다수의 특징점들을 추출하고 상기 확장 랜덤마이즈드 포레스트에 적용하여 복수의 리프노드에 매칭시키고, 상기 매칭된 복수의 리프노드에 저장된 물체인식 사후확률분포를 이용하여 상기 매칭대상물체 이미지에 포함된 물체를 인식하고, 상기 매칭된 복수의 리프노드에 저장된 학습대상 물체별 특징점매칭 사후확률분포를 이용하여 상기 매칭대상물체 이미지에서 추출된 다수의 특징점들을 상기 인식된 물체의 특징점과 매칭시키는 매칭수단을 포함한다. 물체 인식, 특징점 인식, 랜덤마이즈드 포레스트, randomized forest, 특징점 매칭
Int. CL G06T 17/00 (2006.01) G06T 19/20 (2011.01)
CPC
출원번호/일자 1020090107621 (2009.11.09)
출원인 한국과학기술원
등록번호/일자 10-1068465-0000 (2011.09.22)
공개번호/일자 10-2011-0053288 (2011.05.20) 문서열기
공고번호/일자 (20110928) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 소멸
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2009.11.09)
심사청구항수 13

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 한국과학기술원 대한민국 대전광역시 유성구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 양현승 대한민국 대전광역시 유성구
2 조규성 대한민국 대전광역시 서구
3 유재상 대한민국 대전광역시 유성구
4 정진기 대한민국 서울특별시 서초구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 전영일 대한민국 광주 북구 첨단과기로***번길**, ***호(오룡동)(특허법인세아 (광주분사무소))

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 한국과학기술원 대한민국 대전광역시 유성구
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application
2009.11.09 수리 (Accepted) 1-1-2009-0687137-38
2 [출원서등 보정]보정서
[Amendment to Patent Application, etc.] Amendment
2010.06.29 수리 (Accepted) 1-1-2010-0420806-50
3 선행기술조사의뢰서
Request for Prior Art Search
2010.10.07 수리 (Accepted) 9-1-9999-9999999-89
4 선행기술조사보고서
Report of Prior Art Search
2010.11.15 수리 (Accepted) 9-1-2010-0070437-04
5 의견제출통지서
Notification of reason for refusal
2011.03.18 발송처리완료 (Completion of Transmission) 9-5-2011-0151132-34
6 [거절이유 등 통지에 따른 의견]의견(답변, 소명)서
[Opinion according to the Notification of Reasons for Refusal] Written Opinion(Written Reply, Written Substantiation)
2011.04.08 수리 (Accepted) 1-1-2011-0258063-66
7 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment
2011.04.08 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2011-0258062-10
8 등록결정서
Decision to grant
2011.07.25 발송처리완료 (Completion of Transmission) 9-5-2011-0409646-18
9 출원인정보변경(경정)신고서
Notification of change of applicant's information
2013.02.01 수리 (Accepted) 4-1-2013-5019983-17
10 출원인정보변경(경정)신고서
Notification of change of applicant's information
2014.12.24 수리 (Accepted) 4-1-2014-5157968-69
11 출원인정보변경(경정)신고서
Notification of change of applicant's information
2014.12.24 수리 (Accepted) 4-1-2014-5158129-58
12 출원인정보변경(경정)신고서
Notification of change of applicant's information
2014.12.24 수리 (Accepted) 4-1-2014-5157993-01
13 출원인정보변경(경정)신고서
Notification of change of applicant's information
2019.04.24 수리 (Accepted) 4-1-2019-5081392-49
14 출원인정보변경(경정)신고서
Notification of change of applicant's information
2020.05.15 수리 (Accepted) 4-1-2020-5108396-12
15 출원인정보변경(경정)신고서
Notification of change of applicant's information
2020.06.12 수리 (Accepted) 4-1-2020-5131486-63
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
복수의 랜덤마이즈드 트리를 포함하고, 상기 각각의 랜덤마이즈드 트리가 복수의 리프노드를 포함한 확장 랜덤마이즈드 포레스트를 저장하는 저장부와, 다수의 학습대상 물체별로 입력되는 학습대상물체 이미지로부터 다수의 특징점들을 추출하고, 상기 추출된 다수의 특징점들을 상기 확장 랜덤마이즈드 포레스트에 적용하여 상기 리프노드별로 물체인식 사후확률분포와 학습대상 물체별 특징점매칭 사후확률분포를 계산하여 상기 저장부에 저장하는 학습수단과, 매칭대상물체 이미지로부터 다수의 특징점들을 추출하고 상기 확장 랜덤마이즈드 포레스트에 적용하여 복수의 리프노드에 매칭시키고, 상기 매칭된 복수의 리프노드에 저장된 물체인식 사후확률분포를 이용하여 상기 매칭대상물체 이미지에 포함된 물체를 인식하고, 상기 매칭된 복수의 리프노드에 저장된 학습대상 물체별 특징점매칭 사후확률분포를 이용하여 상기 매칭대상물체 이미지에서 추출된 다수의 특징점들을 상기 인식된 물체의 특징점과 매칭시키는 매칭수단을 포함한 것을 특징으로 하는 삼차원 물체 인식 시스템
2 2
제 1 항에 있어서, 상기 학습수단은 상기 학습대상물체 이미지를 복수의 어핀변환하고 상기 복수의 어핀변환된 이미지로부터 다수의 특징점들을 더 추출하는 것을 특징으로 하는 삼차원 물체 인식 시스템
3 3
제 1 항에 있어서, 상기 학습수단은 상기 학습대상물체 이미지로부터 추출된 다수의 특징점들을 복수의 어핀변환하는 것을 특징으로 하는 삼차원 물체 인식 시스템
4 4
복수의 랜덤마이즈드 트리를 포함하고, 상기 각각의 랜덤마이즈드 트리가 복수의 리프노드를 포함하며, 상기 리프노드별로 물체인식 사후확률분포와 학습대상 물체별 특징점매칭 사후확률분포를 저장한 확장 랜덤마이즈드 포레스트를 저장하는 저장부와, 매칭대상물체 이미지로부터 추출된 다수의 특징점들을 상기 확장 랜덤마이즈드 포레스트에 적용하여 복수의 리프노드에 매칭시키고, 상기 매칭된 복수의 리프노드에 저장된 물체인식 사후확률분포를 이용하여 상기 매칭대상물체 이미지에 포함된 물체를 인식하고, 상기 매칭된 복수의 리프노드에 저장된 학습대상 물체별 특징점매칭 사후확률분포를 이용하여 상기 매칭대상물체 이미지로부터 추출된 다수의 특징점들을 상기 인식된 물체의 특징점과 매칭시키는 매칭수단을 포함한 것을 특징으로 하는 삼차원 물체 인식 시스템
5 5
복수의 랜덤마이즈드 트리를 포함하고, 상기 각각의 랜덤마이즈드 트리가 복수의 리프노드를 포함한 확장 랜덤마이즈드 포레스트가 포함된 삼차원 물체 인식 시스템에서의 삼차원 물체 인식 방법에 있어서, 다수의 학습대상 물체별로 입력되는 학습대상물체 이미지로부터 다수의 특징점들을 추출하고, 상기 추출된 다수의 특징점들을 상기 확장 랜덤마이즈드 포레스트에 적용하여 상기 리프노드별로 물체인식 사후확률분포와 학습대상 물체별 특징점매칭 사후확률분포를 계산하여 저장하는 학습단계와, 매칭대상물체 이미지로부터 추출된 다수의 특징점들을 상기 확장 랜덤마이즈드 포레스트에 적용하여 복수의 리프노드에 매칭시키고, 상기 매칭된 복수의 리프노드에 저장된 물체인식 사후확률분포를 이용하여 상기 매칭대상물체 이미지에 포함된 물체를 인식하고, 상기 매칭된 복수의 리프노드에 저장된 학습대상 물체별 특징점매칭 사후확률분포를 이용하여 상기 매칭대상물체 이미지에서 추출된 다수의 특징점들을 상기 인식된 물체의 특징점과 매칭시키는 매칭단계를 포함한 것을 특징으로 하는 삼차원 물체 인식 방법
6 6
제 5 항에 있어서, 상기 학습단계는, 다수의 학습대상 물체별로 입력되는 학습대상물체 이미지로부터 다수의 특징점들을 추출하는 제1단계와, 상기 학습대상물체 이미지별로 복수의 어핀변환을 수행하여 복수의 다른 시점에서의 어핀변환 이미지를 생성하는 제2단계와, 상기 복수의 다른 시점에서의 어핀변환 이미지로부터 다수의 특징점 영역의 이미지패치를 추출하는 제3단계와, 상기 다수의 이미지패치들을 상기 확장 랜덤마이즈드 포레스트의 복수의 랜덤마이즈드 트리에 적용하여 상기 랜덤마이즈드 트리별로 하나의 리프노드에 매칭시키고 매칭된 리프노드에서 상기 학습대상 물체의 매칭 빈도수를 증가시키는 제4단계와, 상기 모든 학습대상 물체별로 입력되는 학습대상물체 이미지에 대해 상기 제2단계 내지 제4단계를 반복 수행한 후, 상기 확장 랜덤마이즈드 포레스트를 구성하는 모든 리프노드에 대해 물체인식 사후확률분포를 계산하는 제5단계를 포함한 것을 특징으로 하는 삼차원 물체 인식 방법
7 7
제 6 항에 있어서, 상기 학습단계는, 상기 제1단계에서 추출된 학습대상물체 이미지의 다수의 특징점 영역의 이미지패치별로 복수의 어핀변환을 수행하여 복수의 다른 시점에서의 어핀변환 이미지패치를 생성하는 제6단계와, 상기 생성된 복수의 이미지패치들을 상기 확장 랜덤마이즈드 포레스트의 복수의 랜덤마이즈드 트리에 적용하여 상기 랜덤마이즈드 트리별로 하나의 리프노드에 매칭시키고 매칭된 리프노드에서 상기 학습대상 물체의 해당 특징점 매칭 빈도수를 증가시키는 제7단계와, 상기 학습대상물체 이미지의 모든 특징점 영역에 대해 상기 제6단계와 제7단계를 반복 수행한 후 상기 확장 랜덤마이즈드 포레스트를 구성하는 모든 리프노드에 대해 상기 학습대상물체의 특징점매칭 사후확률분포를 계산하는 제8단계를 포함한 것을 특징으로 하는 삼차원 물체 인식 방법
8 8
복수의 랜덤마이즈드 트리를 포함하고, 상기 각각의 랜덤마이즈드 트리가 복수의 리프노드를 포함하며, 상기 리프노드별로 물체인식 사후확률분포와 학습대상 물체별 특징점매칭 사후확률분포를 저장한 확장 랜덤마이즈드 포레스트가 포함된 삼차원 물체 인식 시스템에서의 삼차원 물체 인식 방법에 있어서, 매칭대상물체 이미지로부터 추출된 다수의 특징점들을 상기 확장 랜덤마이즈드 포레스트에 적용하여 복수의 리프노드에 매칭시키는 단계와, 상기 매칭된 복수의 리프노드에 저장된 물체인식 사후확률분포를 이용하여 상기 매칭대상물체 이미지에 포함된 물체를 인식하는 단계와, 상기 매칭된 복수의 리프노드에 저장된 학습대상 물체별 특징점매칭 사후확률분포를 이용하여 상기 매칭대상물체 이미지에서 추출된 다수의 특징점들을 상기 인식된 물체의 특징점과 매칭시키는 단계를 포함한 것을 특징으로 하는 삼차원 물체 인식 방법
9 9
제 5 항 내지 제 8 항 중 어느 한 항에 있어서, 상기 매칭대상물체 이미지에 포함된 물체를 인식하는 단계는, 상기 매칭된 복수의 리프노드에 저장된 물체인식 사후확률분포를 이용하여 상기 매칭대상물체 이미지로부터 추출된 다수의 특징점들이 각 물체에 속할 사후확률 평균값을 계산하고, 상기 사후확률 평균값이 최대인 물체 클래스를 상기 매칭대상물체 이미지에 포함된 물체로 인식하는 것을 특징으로 하는 삼차원 물체 인식 방법
10 10
제 5 항 내지 제 8 항 중 어느 한 항에 있어서, 상기 매칭대상물체 이미지에서 추출된 다수의 특징점들을 상기 인식된 물체의 특징점과 매칭시키는 단계는, 상기 매칭된 복수의 리프노드에 저장된 상기 인식된 물체에 대응하는 특징점매칭 사후확률분포를 이용하여 상기 매칭대상물체 이미지에서 추출된 임의의 특징점이 상기 인식된 물체의 각 특징점에 속할 사후확률 평균값을 계산하고, 상기 사후확률 평균값이 최대인 물체를 인식하고, 상기 인식된 물체의 특징점을 추출하여 상기 매칭대상물체 이미지에서 추출된 특징점과 매칭시키는 것을 특징으로 하는 삼차원 물체 인식 방법
11 11
복수의 랜덤마이즈드 트리를 포함하고, 상기 각각의 랜덤마이즈드 트리가 복수의 리프노드를 포함한 확장 랜덤마이즈드 포레스트가 포함된 시스템에서의 삼차원 물체 인식을 위한 학습방법에 있어서, 다수의 학습대상 물체별로 입력되는 학습대상물체 이미지로부터 다수의 특징점들을 추출하는 단계와, 상기 추출된 다수의 특징점들을 상기 확장 랜덤마이즈드 포레스트에 적용하여 상기 리프노드별로 물체인식 사후확률분포를 계산하는 단계와, 상기 추출된 다수의 특징점들을 상기 확장 랜덤마이즈드 포레스트에 적용하여 상기 리프노드별로 학습대상 물체별 특징점매칭 사후확률분포를 계산하는 단계를 포함한 것을 특징으로 하는 삼차원 물체 인식을 위한 학습방법
12 12
제 11 항에 있어서, 상기 리프노드별로 물체인식 사후확률분포를 계산하는 단계는, 다수의 학습대상 물체별로 입력되는 학습대상물체 이미지로부터 다수의 특징점들을 추출하는 제1단계와, 상기 학습대상물체 이미지별로 복수의 어핀변환을 수행하여 복수의 다른 시점에서의 어핀변환 이미지를 생성하는 제2단계와, 상기 복수의 다른 시점에서의 어핀변환 이미지로부터 다수의 특징점 영역의 이미지패치를 추출하는 제3단계와, 상기 다수의 이미지패치들을 상기 확장 랜덤마이즈드 포레스트의 복수의 랜덤마이즈드 트리에 적용하여 상기 랜덤마이즈드 트리별로 하나의 리프노드에 매칭시키고 매칭된 리프노드에서 상기 학습대상 물체의 매칭 빈도수를 증가시키는 제4단계와, 상기 모든 학습대상 물체별로 입력되는 학습대상물체 이미지에 대해 상기 제2단계 내지 제4단계를 반복 수행한 후, 상기 확장 랜덤마이즈드 포레스트를 구성하는 모든 리프노드에 대해 물체인식 사후확률분포를 계산하는 제5단계를 포함한 것을 특징으로 하는 삼차원 물체 인식을 위한 학습방법
13 13
제 12 항에 있어서, 상기 리프노드별로 학습대상 물체별 특징점매칭 사후확률분포를 계산하는 단계는, 상기 제1단계에서 추출된 학습대상물체 이미지의 다수의 특징점 영역의 이미지패치별로 복수의 어핀변환을 수행하여 복수의 다른 시점에서의 어핀변환 이미지패치를 생성하는 제6단계와, 상기 생성된 복수의 이미지패치들을 상기 확장 랜덤마이즈드 포레스트의 복수의 랜덤마이즈드 트리에 적용하여 상기 랜덤마이즈드 트리별로 하나의 리프노드에 매칭시키고 매칭된 리프노드에서 상기 학습대상 물체의 해당 특징점 매칭 빈도수를 증가시키는 제7단계와, 상기 학습대상물체 이미지의 모든 특징점 영역에 대해 상기 제6단계와 제7단계를 반복 수행한 후 상기 확장 랜덤마이즈드 포레스트를 구성하는 모든 리프노드에 대해 상기 학습대상물체의 특징점매칭 사후확률분포를 계산하는 제8단계를 포함한 것을 특징으로 하는 삼차원 물체 인식을 위한 학습방법
지정국 정보가 없습니다
순번, 패밀리번호, 국가코드, 국가명, 종류의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 패밀리정보 - 패밀리정보 표입니다.
순번 패밀리번호 국가코드 국가명 종류
1 US20110110581 US 미국 FAMILY

DOCDB 패밀리 정보

순번, 패밀리번호, 국가코드, 국가명, 종류의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 패밀리정보 - DOCDB 패밀리 정보 표입니다.
순번 패밀리번호 국가코드 국가명 종류
1 US2011110581 US 미국 DOCDBFAMILY
국가 R&D 정보가 없습니다.