확장된 지역특징을 이용한 중첩된 물체 인식

Overlapped Object Recognition Using Extended Local Features

본 논문은 확장된 지역특징을 이용하여 서로 중첩된 물체를 인식하는 새로운 방법에 대해 기술한다. 먼저 모델물체의 화상으로부터 코너, 아크, 평행선 및 코너-아크로 구성된 지역특징을 추출하고 지식베이스를 구축한다. 물체의 정합을 위해, 입력화상으로 부터 지역특징을 추출한 다음, 지식베이스의 특징과의 유사성을 조사하여 유사한 특징 set으로부터 기하변환을 구한다. 기하변환이 클러스터를 형성하면, 그 클러스터의 중심으로 가설을 설정하고 역기하변환으로 정합을 검증한다. 실험을 통해, 제안된 물체인식방법이 기존의 방법에 비해 인식율과 정확도를 높인다는 것을 확인하였다.

This paper describes a new overlapped object recognition method using extended local features. At first, we extract the extended local features consisting of corners, arcs, parallel-lines, and corner-arcs from the images consisting of model objects. Based on the extended local features we construct a knowledge-base. In order to match objects, we also extract the extended local features from the input image, and then check the compatibility between the extracted features and the features in the knowledge-base. From the set of compatible features, we compute geometric transforms. If any geometric transforms are clustered, we generate the hypothesis of the objects as the centers of the clusters, and then verify the hypothesis by a reverse geometric transform. An experiment shows that the proposed method increases the recognition rate and the accuracy as compared with existing methods.