• 한국콘텐츠학회논문지
• /
• 제12권2호
• /
• pp.10-18
• /
• 2012

감시 카메라를 이용하여 화재 연기를 자동 검출하는 시스템은 신뢰도 높은 연기 영상의 검출 방법을 필요로 한다. 카메라를 이용하여 공기 중에 확산하는 연기의 영상을 연속적으로 획득하였을 때, 연기 영상의 각 장면은 독특한 텍스처(정적 텍스처)를 가지며, 연기의 확산 운동으로 인하여 그 차분 영상 또한 다른 물체와 구별이 되는 독특한 텍스처(동적 텍스처)를 가진다. 특정 객체가 연기와 유사한 정적 텍스처를 가지고 있을 지라도 그 움직임의 특성이 연기 특유의 확산 운동과 다르다면, 그 차분 영상의 텍스처는 연기의 차분 영상 텍스처와 유사할 수 없다. 본 논문에서는 이 두 가지 정적 및 동적 텍스처를 이용하여 신뢰도 높은 연기 영상 검출 방법을 제안한다. 제안하는 방법은 누적된 장면 차분 영상을 이용하여 변화 영역을 일차적으로 검출하고, 검출된 변화 영역의 정적 및 동적 텍스처로부터 추출한 Haralick 특징 벡터 이용하여 최종적으로 연기로 인한 변화 영역을 검출한다.

• 한국측량학회지
• /
• 제38권6호
• /
• pp.635-644
• /
• 2020

딥러닝(DL)을 이용한 객체인식, 탐지 및 분할하는 연구는 여러 분야에서 활용되고 있으며, 주로 영상을 DL 모델의 학습 데이터로 사용하고 있지만, 본 논문은 영상뿐 아니라 공간정보 특성을 포함하는 다양한 학습 데이터(multimodal training data)를 향상된 영역기반 합성곱 신경망(R-CNN)인 Detectron2 모델 학습에 사용하여 객체를 분할하고 건물을 탐지하는 것이 목적이다. 이를 위하여 적외선 항공영상과 라이다 데이터의 내재된 객체의 윤곽 및 통계적 질감정보인 Haralick feature와 같은 여러 특성을 추출하였다. DL 모델의 학습 성능은 데이터의 수량과 특성뿐 아니라 융합방법에 의해 좌우된다. 초기융합(early fusion)과 후기융합(late fusion)의 혼용방식인 하이브리드 융합(hybrid fusion)을 적용한 결과 33%의 건물을 추가적으로 탐지 할 수 있다. 이와 같은 실험 결과는 서로 다른 특성 데이터의 복합적 학습과 융합에 의한 상호보완적 효과를 입증하였다고 판단된다.

• The Journal of the Acoustical Society of Korea
• /
• 제14권2E호
• /
• pp.5-11
• /
• 1995

본 연구에서는 화상에 있어서 패턴의 공간적인 특징을 추출하기위한 목적으로 신경회로망을 적용하는 방법을 제안하였다. 적용한 신경회로망은 3중의 구조를 가지며, 그 학습방법으로는 back-propagation 알고리즘을 사용하였다. 또한 이동이나 회전과 같은 패턴의 변위에 대응하기 위하여, 화상으로부터 co-occurrence matrix를 구하여, 신경회로망의 입력패턴으로 사용하였다. 제안한 방법을 평가하기 위하여 종래의 대표적방법인 화소의 spectral 정보를 이용한 최대유도법(maximum likelihood method)으로는 식별이 곤란한 시가지지역과 모래지역을 선정하여, 본 방법과 Haralick에 의하여 제안된 teture features를 이용하여 분류한 결과, texture features를 이용한 방법으로는 67%~89%의 식별률을 얻었음에 반하여, 본 연구에서 제안한 신경회로망을 사용한 방법으로는 80%~98%의 안정되고 높은 식별률을 얻었다.

• 한국정보처리학회논문지
• /
• 제6권1호
• /
• pp.253-260
• /
• 1999

본 논문에서는 조합된 텍스쳐와 칼라 정보로부터 다변수의 선형 구별 알고리즘을 사용하여 영상분할에 대한 새로운 방법론의 개발을 제시한다. 그 칼라 텍스쳐는 칼라 영상의 공간과 색깔의 밴드로부터 한 화소가 갖는 3X3의 마스크에서 Haralick 과 Pressman의 텍스쳐 특성들을 계산했다. 모두 9X28개의 텍스쳐 특성들 중에서 학습을 기반으로 크게 식별자(classifier)에 영향을 주는 특성들을 도출하였으며 결과적으로 뽑혀진 10개의 특성이 한 영상을 4부분으로 분할하는데 사용되어졌다. 이 방법론의 결과로 얻어진 영상은 고전적인 칼라와 텍스쳐 분할 방법론의 상자식별자(Box Classifier)와 Maximum Likelihood 식별기들과 비교했다. 이것은 Fastred-Lightgreen으로 염색된 전립선암이 조직에서 얻은 영상을 통해 비교를 했을 경우에 잘 나타난다. 학습 데이터를 통해 나타난 이 새로운 방법론은 97.5%의 정확한 식별성으로 또한 검증된 최상의 방법론중의 하나이다. 이 결과들이 더 많은 영상에 사용된다면, 이 방법론은 칼라와 텍스쳐가 분할에 관련됨으로써 보다 정확한 영상을 분할하기 위한 효율적인 도구가 될 것이다.