http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
양이화(E-Hwa Yang),노승종(Seung-Jong Nho),유정민(Jeong-Min Yu),우영권(Young-Kyon Woo),변원민(Won-min Byeon),정희철(Hee-Chul Jung),전문구(Moon-Gu Jeon) 한국정보기술학회 2010 Proceedings of KIIT Conference Vol.2010 No.-
본 논문에서는 스테레오 카메라를 이용하여 텍스처가 없는(Non-texture) 물체를 인식 할 수 있는 기법을 제안하였다. 텍스처가 없는 물체란 표면에 무늬가 거의 없는 물체를 의미한다. 이러한 물체의 경우에는 텍스처로 부터 물체 인식에 필요한 특징들을 추출하는 기존의 기법들을 적용하기 어렵다. 본 논문에서는 이러한 문제점을 극복하기 위해 물체의 색, 크기, 모양 정보를 바탕으로 물체를 인식할 수 있는 방법을 제안하였다. 영상이 입력되면 먼저 미리 학습된 컬러 특징을 이용하여 물체의 후보영역을 설정한다. 그 후 검출된 모든 후보 영역들의 모양 정보와 스테레오 매칭을 통해 계산된 크기 정보를 종합하여 최종 인식 결과를 도출하게 된다. 제안한 방법은 단 하나의 학습 샘플만을 이용하여 필요한 정보들을 학습하며, 실시간으로 텍스처가 없는 물체를 인식 할 수 있게 해준다. 또한 인식된 대상 물체의 3차원 좌표 정보 역시 제공해 준다. In this paper, we propose the method for non-texture object recognition using stereo camera. Non-texture objects mean textureless objects in its surface. Most of existing object recognition techniques are difficult to use to recognize textureless objects because they extract needed features from the texture of the target object surface. To deal with this problem, the proposed method recognizes the non-texture object by using color, size and shape information. First the candidate regions are detected through pretrained color features in the input image. And, for each candidate region, the shape and the size information which is calculated through stereo matching are evaluated to output final recognition results. The proposed method trains features from only one training sample and it can recognize non-texture objects in real time. This method also provides three dimensional location of the recognized object.
유정민 ( Jeong-min Yu ),양이화 ( E-hwa Yang ),전문구 ( Moon-gu Jeon ) 한국정보처리학회 2013 한국정보처리학회 학술대회논문집 Vol.20 No.1
본 논문에서는 SIFT 와 particle 특징 궤적을 이용한 새로운 행동 인식 시스템을 제안한다. 먼저, 영상에서 중요한 지역적 특징 정보를 얻기 위하여 SIFT 특징 점들을 탐지하고, 탐지한 특징 점들을 SIFT descriptor matching 기법을 이용하여 그 궤적을 추출한다. 또한, SIFT 특징 궤적들의 수량이 적은 점과 영상내의 조명변화, 부분적 가려짐 등의 변화로 인해 SIFT 특징 궤적이 종종 없어지는 단점을 보완하기 위하여, SIFT 특징 궤적 주위에 particle 점들을 탐지하고, dense optical flow 기법을 기반으로 그 특징 궤적을 추출한다. 그리고 SIFT 와 particle 궤적의 중요도를 조절하기 위해 가중치를 부여한다. 제안한 행동 인식 시스템의 효율성을 범용 데이터 셋을 이용한 실험을 통해 증명하였다.