• 한국멀티미디어학회논문지
• /
• 제13권11호
• /
• pp.1698-1705
• /
• 2010

본 논문에서는 자기 공명 영상에서 고속의 간 분할 기법을 제안한다. 제안 기법은 MR 영상을 정규화된 기울기 크기 정보를 바탕으로 효율적으로 객체와 경계로 구분한다. 다음으로 간 영역에 해당하는 객체를 직전에 분할된 슬라이스의 간 영역에서 추출된 씨앗점들로 2차원 씨앗점 영역 성장법을 이용하여 검출한다. 마지막으로 롤링 볼 알고리즘과 연결 요소 분석 기법을 사용하여 간 경계 부근의 위양성 오차를 최소화한다. 20명의 환자 데이터에 대하여 제안 기법으로 분할한 결과와 수작업으로 분할한 결과를 비교하여 정확성을 검증하였다. 평균 볼륨 오버랩 오차 5.2%였고, 평균 절대값 볼륨 측정 오차는 1.9%였다. 제안 기법으로 한 환자 데이터를 분할하는 데 소요되는 평균 시간은 약 3초 정도였다. 제안 기법은 빠르고, 정확한 간 분할을 필요로 하는 컴퓨터 보조 간 진단 기법에 사용될 수 있다.

• 한국통신학회논문지
• /
• 제18권7호
• /
• pp.935-943
• /
• 1993

본 논문은 얼굴화상에서 국부적일 특징점을 추출하여 기울기에 robust하게 얼굴을 인식하는 새로운 알고리즘을 제안하였다. 바른 자세의 영상과 기운 자세의 영상을 받아 2치화를 한 후 라플라시안 윤곽선 검출기를 이용하여 윤곽선 영상을 얻는다. 윤곽선 영상에서 최외각 윤곽선을 제거하고 내부 윤곽선은 위에서 아래방향으로 주사하면서 나타나는 순서에 따라 네 영역을 각각 A, B, C, D영역으로 레이블링하고 기준선을 중심으로 좌우로 영역을 분할하고 좌우 영역을 상하로 분할하여 모두 네 영역으로 나눈다. 좌우 눈간 거리, 눈과 눈썹사이의 거리, 눈과 코와의 거리 등을 이용하여 최종적으로 두 눈을 찾고 두 눈의 중심좌표값을 이용하여 기울기를 구한다. 기울기 정보를 이용하여 기운 영상을 바로세우고 난 후 눈 아래 영역에서부터 탐색하여 코와 입을 찾는다. 각 특징점간 거리를 계산하고 이를 두 눈사이의 거리를 기준으로 정규화하여 영상의 크기에 무관하게 한다. 인식 실험 결과 25명에 대하여 기울기를 고려한 경우 88%의 인식율을 보였고 기울기를 고려하지 않은 경우 60%의 인 식 율을 보였다.

• 한국멀티미디어학회논문지
• /
• 제14권4호
• /
• pp.538-545
• /
• 2011

최근, 인터넷에 다양한 컨텐츠가 있으며, 특히 만화영상은 인기 있는 디지털 컨텐츠 중의 하나이다. 이러한 만화영상은 대부분 스캐너에 의해 스캔되며, 크기, 기울기, 경계선 부분의 여백 등이 정규화되어 있지 않다. 이와 같은 정규화 과정은 만화영상 분석에서 매우 중요한 단계로, 만화영상의 외곽 경계사각형을 검출하는 방법으로 정규화를 수행할 수 있다. 본 논문에서는 그래디언트 라돈 변환을 사용하여 만화영상에서 외곽의 경계사각형을 검출하는 방법을 제안한다. 만화영상에서 경계 사각형의 변의 후보인 선분을 검출하기 위하여 그래디언트 정보를 이용한 라돈 변환을 적용하고, 후보 선분과 지역 히스토그램을 이용하여 최종 외곽의 경계사각형 검출하였다. 제안 방법으로 만화 영상에서 효과적으로 외곽의 경계사각형을 검출함을 실험으로 보였다.

• 정보처리학회논문지B
• /
• 제15B권1호
• /
• pp.25-36
• /
• 2008

본 논문은 조명의 변화가 심한 영상에서 손 형태를 안정적으로 인지하는 기법에 관한 것이다. 제안한 방법은 HSI 색상공간에서 색상(Hue) 및 색상 기울기(Hue-Gradient)를 기반으로 정의된 배경모델을 구축하고, 실시간으로 입력되는 영상과의 배경차분(background subtraction)기법을 이용하여 배경과 손을 구분한다. 추출된 손의 영역으로부터 18가지의 특징요소를 추출하고 이를 기반으로 다중클래스 SVM(Support Vector Machine) 학습 기법을 사용하여 손의 형태를 인지한다. 제안 기법은 색상 기울기를 배경 차분에 적용함으로써, 조명 환경이 배경 모델의 조명과 다르게 급격한 변화가 이루어졌을 때도 안정적으로 손의 윤곽정보를 추출할 수 있도록 하였다. 또한, 실시간 처리를 저해하는 복잡한 손의 특성정보 대신, OBB의 크기에 대하여 정규화된 두 개의 고유값과 객체 기반 바운딩 박스(OBB)를 구성하는 16개 세부 영역에서의 손 윤곽픽셀의 개수를 손의 특성정보로 사용하였다. 본 논문에서는 급격한 조명 변화 상황에서 기존 RGB 색상요소를 기반으로 하는 배경차분법과 색상을 기반으로 하는 배경차분법, 본 논문에서 제안하는 색상 기울기 기반 배경 차분법의 결과를 비교함으로써 제안 기법의 안정성을 입증하였다. 6명의 실험대상자의 1부터 9까지의 수지화 2700개의 영상으로부터 손 특성 정보를 추출하고 이에 대하여 훈련을 통한 학습 모델을 생성하였다. 학습모델을 기반으로 실험자 6인의 손 형태 1620개의 데이터에 대하여 인지 실험을 실시하여 92.6%에 이르는 손 형태 인식 성공률을 얻었다.

• 정보과학회 논문지
• /
• 제44권7호
• /
• pp.668-673
• /
• 2017

최근 몇 년간 딥러닝(deep learning)은 음성 인식, 영상 인식, 물체 검출을 비롯한 다양한 패턴인식 분야에서 혁신적인 성능 발전을 거듭해왔다. 그에 비해 네트워크가 어떻게 작동하는지에 대한 깊은 이해는 잘 이루어지지 않고 있다. 본 논문은 효과적인 신경망 네트워크를 구성하기 위해 네트워크 파라미터들이 신경망 내부에서 어떻게 작동하고, 어떤 역할을 하고 있는지 분석하였다. Faster R-CNN 네트워크를 기반으로 하여 신경망의 과적합(overfitting)을 막는 드랍아웃(dropout) 확률과 앵커 박스 크기, 그리고 활성 함수를 변화시켜 학습한 후 그 결과를 분석하였다. 또한 드랍아웃과 배치 정규화(batch normalization) 방식을 비교해보았다. 드랍아웃 확률은 0.3일 때 가장 좋은 성능을 보였으며 앵커 박스의 크기는 최종 물체 검출 성능과 큰 관련이 없다는 것을 알 수 있었다. 드랍아웃과 배치 정규화 방식은 서로를 완전히 대체할 수는 없는 것을 확인할 수 있었다. 활성화 함수는 음수 도메인의 기울기가 0.02인 leaky ReLU가 비교적 좋은 성능을 보였다.