1 |
1
입력 영상에서 가중 특징 추출을 하여 시각돌출 영역의 특징이 가중된 기술자 생성을 하는 가중 특징 추출부;가중 특징 추출부의 시각돌출 영역의 특징이 가중된 기술자를 이용하여 동일 객체의 다른 특징 이미지들로 구성된 사전 구축을 하여 DB에 저장하는 사전 구축부;타겟 객체가 사전을 구성하는 후보 객체들의 적은 수의 선형 결합으로 객체를 최대한 재구성하는 계수 추정을 하는 희소 표현을 적용하고, 타겟과 재구성된 객체간의 에러를 이용한 인식 수행을 하는 계수 추정 및 ID 결정부;를 포함하는 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 장치
|
2 |
2
제 1 항에 있어서, 희소 표현의 적용은,으로 정의되고,y는 재인식 할 대상(타겟), D는 후보 객체 집합, α는 열벡터 N × 1로 할당된 가중치를 나타내고, D는 사전 정의된 M × N 사전(dictionary)은 M- 차원 특징들을 갖는 N 개의 샘플들을 갖고, y는 α와 동일한 크기로 재구성된 신호인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 장치
|
3 |
3
제 2 항에 있어서, α의 atoms는 0이 아닌 값을 가져야 하고, y는 α의 0이 아닌 atoms에 의해 사전(dictionary)에서 선택된 요소만 결합하여 생성되고, 사전 D가 주어지면 0이 아닌 atoms의 수를 최소화하도록,으로 수정되고,여기서, 는 수정된 sparse vector를 나타내며, λ는 정규화 계수, 는 -norm operator, 는 -norm operator이고,는 입력 신호 y와 복구 된 버전 Dα 사이의 에러에 의해 최적의 재구성된 첫번째 term이고, 희소성 조건을 만족시키는 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 장치
|
4 |
4
제 1 항에 있어서, 가중 특징 추출부에서 가중 특징 기술자는,가중치를 갖는 HSV(Hue Saturation Value) 히스토그램으로 정의되고,여기서, 는 s번째 스트라이프의 색조 채널을 나타내고, 는 가중치 벡터, b는 히스토그램의 bin, (u, v) 각 스트라이프의 좌표인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 장치
|
5 |
5
제 4 항에 있어서, 각각의 히스토그램 bin은,으로 가중치에 상응하여 수정되고,여기서, 는 히스토그램 bins을 갖는 조건을 만족하는 s번째 스트라이프의 가중치를 갖는 칼라 히스토그램인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 장치
|
6 |
6
제 1 항에 있어서, 가중 특징 추출부에서 가중 특징 기술자는,으로 가중치를 갖는 LBP(Local Binnary Pattern)로 정의되고, 여기서, 는 bins을 갖는 조건을 만족하는 s번째의 가중치를 갖는 텍스쳐 기술자를 나타낸 것이고, 는 (u,v)에서의 LBP에 의해 계산된 텍스쳐 패턴이고, 는 각 스트라이프 영역의 LBP 히스토그램, 는 와 동일 크기의 가중치 벡터인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 장치
|
7 |
7
제 6 항에 있어서, 객체의 전체 기술자 는,으로 모든 스트라이프 영역들이 정렬되는 것에 의해 정의되는 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 장치
|
8 |
8
제 1 항에 있어서, 계수 추정 및 ID 결정부는 LASSO를 이용한 희소 계수 추정을 하고,갤러리들과 재구성된 프로브 사이의 차이를 계산하여 갤러리의 재구성 오차를 구하고, 추정된 계수 및 N 갤러리 이미지로부터의 D로부터 재구성된 프로브를 사용하여 최적의 갤러리를 검색하고, 최소 에러 및 ID 결정은,으로 정의되고,여기서, 는 프로브에 관한 i번째 갤러리의 최소 재구성 오차이고, 는 프로브내의 k번째 이미지의 특징 기술자인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 장치
|
9 |
9
제 8 항에 있어서, 프로브에 상응하는 갤러리의 인덱스는,이고,여기서, c는 재확인할 프로브의 선택된 아이덴티티(identity)인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 장치
|
10 |
10
입력 영상에서 가중 특징 추출을 하여 시각돌출 영역의 특징이 가중된 기술자 생성을 하는 가중 특징 추출 단계;가중 특징 추출 단계에서 생성된 시각돌출 영역의 특징이 가중된 기술자를 이용하여 동일 객체의 다른 특징 이미지들로 구성된 사전 구축을 하여 DB에 저장하는 사전 구축 단계;타겟 객체가 사전을 구성하는 후보 객체들의 적은 수의 선형 결합으로 객체를 최대한 재구성하는 계수 추정을 하는 희소 표현을 적용하고, 타겟과 재구성된 객체간의 에러를 이용한 인식 수행을 하는 계수 추정 및 ID 결정 단계;를 포함하는 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 방법
|
11 |
11
제 10 항에 있어서, 희소 표현의 적용은,으로 정의되고,y는 재인식 할 대상(타겟), D는 후보 객체 집합, α는 열벡터 N × 1로 할당된 가중치를 나타내고, D는 사전 정의된 M × N 사전(dictionary)은 M- 차원 특징들을 갖는 N 개의 샘플들을 갖고, y는 α와 동일한 크기로 재구성된 신호인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 방법
|
12 |
12
제 11 항에 있어서, α의 atoms는 0이 아닌 값을 가져야 하고, y는 α의 0이 아닌 atoms에 의해 사전(dictionary)에서 선택된 요소만 결합하여 생성되고, 사전 D가 주어지면 0이 아닌 atoms의 수를 최소화하도록,으로 수정되고,여기서, 는 수정된 sparse vector를 나타내며, λ는 정규화 계수, 는 -norm operator, 는 -norm operator이고,는 입력 신호 y와 복구 된 버전 Dα 사이의 에러에 의해 최적의 재구성된 첫번째 term이고, 희소성 조건을 만족시키는 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 방법
|
13 |
13
제 10 항에 있어서, 가중 특징 추출 단계에서 가중 특징 기술자는,가중치를 갖는 HSV(Hue Saturation Value) 히스토그램으로 정의되고,여기서, 는 s번째 스트라이프의 색조 채널을 나타내고, 는 가중치 벡터, b는 히스토그램의 bin, (u, v) 각 스트라이프의 좌표인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 방법
|
14 |
14
제 13 항에 있어서, 각각의 히스토그램 bin은,으로 가중치에 상응하여 수정되고,여기서, 는 히스토그램 bins을 갖는 조건을 만족하는 s번째 스트라이프의 가중치를 갖는 칼라 히스토그램인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 방법
|
15 |
15
제 10 항에 있어서, 가중 특징 추출 단계에서 가중 특징 기술자는,으로 가중치를 갖는 LBP(Local Binnary Pattern)로 정의되고, 여기서, 는 bins을 갖는 조건을 만족하는 s번째의 가중치를 갖는 텍스쳐 기술자를 나타낸 것이고, 는 (u,v)에서의 LBP에 의해 계산된 텍스쳐 패턴이고, 는 각 스트라이프 영역의 LBP 히스토그램, 는 와 동일 크기의 가중치 벡터인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 방법
|
16 |
16
제 15 항에 있어서, 객체의 전체 기술자 는,으로 모든 스트라이프 영역들이 정렬되는 것에 의해 정의되는 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 방법
|
17 |
17
제 10 항에 있어서, 계수 추정 및 ID 결정 단계에서 LASSO를 이용한 희소 계수 추정을 하고,갤러리들과 재구성된 프로브 사이의 차이를 계산하여 갤러리의 재구성 오차를 구하고, 추정된 계수 및 N 갤러리 이미지로부터의 D로부터 재구성된 프로브를 사용하여 최적의 갤러리를 검색하고, 최소 에러 및 ID 결정은,으로 정의되고,여기서, 는 프로브에 관한 i번째 갤러리의 최소 재구성 오차이고, 는 프로브내의 k번째 이미지의 특징 기술자인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 방법
|
18 |
18
제 17 항에 있어서, 프로브에 상응하는 갤러리의 인덱스는,이고,여기서, c는 재확인할 프로브의 선택된 아이덴티티(identity)인 것을 특징으로 하는 영상 처리에 있어서의 객체 재인식을 위한 방법
|