1 |
1
선형 회귀(linear regression)를 이용하여 n 개(n은 2 이상의 정수)의 박스 필터들의 선형 조합 형태의 수정 박스 필터를 생성하는 필터 생성부;특질 추출 알고리즘에 상기 수정 박스 필터를 적용하여 이미지 데이터에서 적어도 하나 이상의 특징점을 생성하는 특징점 생성부; 및상기 수정 박스 필터 및 상기 특징점을 저장하는 저장부를 포함하고,상기 필터 생성부는 상기 박스 필터들을 수학식 1에 의해 정의되는 회귀식의 독립 변수로 이용하고 가우시안 필터를 상기 회귀식의 종속 변수로 이용하여 상기 수정 박스 필터를 생성하고,상기 수학식 1은이고,상기 는 열 벡터(column vector)로 변환된 상기 박스 필터들 각각을 의미하고,상기 는 상기 가우시안 필터를 의미하고,상기 필터 생성부는 상기 박스 필터들의 선형 조합 간 오차를 가장 작게 하는 값을 결정하여 상기 수정 박스 필터를 생성하는,이미지 데이터 특질 추출 장치
|
2 |
2
제1항에 있어서, 상기 이미지 데이터 특질 추출 장치는 물체 인식, 영상 정합 또는 영상 분류 중 어느 하나에 상기 특징점을 활용하는 특징점 활용부를 더 포함하는,이미지 데이터 특질 추출 장치
|
3 |
3
제1항에 있어서, 상기 특징점은 상기 이미지 데이터의 회전, 이동, 또는 스케일링에 대하여 변하지 않는 것을 특징으로 하는,이미지 데이터 특질 추출 장치
|
4 |
4
제1항에 있어서, 상기 특질 추출 알고리즘은 SIFT(scale invariant feature transforms), SURF(Speeded Up Robust Feature) 중 어느 하나인,이미지 데이터 특질 추출 장치
|
5 |
5
이미지 데이터 특질 추출 장치에서 수행되는 이미지 데이터 특질 추출 방법에 있어서,선형 회귀(linear regression)를 이용하여 n 개(n은 2 이상의 정수)의 박스 필터들의 선형 조합 형태의 수정 박스 필터를 생성하는 단계;상기 수정 박스 필터를 특질 추출 알고리즘에 적용하는 단계; 및상기 특질 추출 알고리즘을 이용하여, 이미지 데이터에서 적어도 하나 이상의 특징점을 생성하는 단계를 포함하고,상기 수정 박스 필터를 생성하는 단계는 상기 박스 필터들을 수학식 1에 의해 정의되는 회귀식의 독립 변수로 이용하고 가우시안 필터를 상기 회귀식의 종속 변수로 이용하여 상기 수정 박스 필터를 생성하고,상기 수학식 1은이고,상기 는 열 벡터(column vector)로 변환된 상기 박스 필터들 각각을 의미하고,상기 는 상기 가우시안 필터를 의미하고,상기 수정 박스 필터를 생성하는 단계는 상기 박스 필터들의 선형 조합 간 오차를 가장 작게 하는 값을 결정하여 상기 수정 박스 필터를 생성하는,이미지 데이터 특질 추출 방법
|
6 |
6
제5항에 있어서,상기 이미지 데이터 특질 추출 방법은 물체 인식, 영상 정합 또는 영상 분류 중 어느 하나에 상기 특징점을 활용하는 단계를 더 포함하고,상기 특징점은 상기 이미지 데이터의 회전, 이동, 또는 스케일링에 대하여 변하지 않는 것을 특징으로 하는,이미지 데이터 특질 추출 방법
|
7 |
7
제5항에 있어서, 상기 특질 추출 알고리즘은 SIFT(scale invariant feature transforms) 또는 SURF(Speeded Up Robust Feature)인,이미지 데이터 특질 추출 방법
|