Recognition of industrial parts and their locations in a factory environment is a major task in robot vision. We use an efficient recognition algorithm, called Geometric Hashing, which assumes the affine approximation to the perspective viewing transformation. This technique is based on two stages: the first stage is an intensive model preprocessing stage, done off-line, where transformation invariant features of the models are indexed into a hash table. The second is an actual recognition stage, which employs the efficient indexing made by the above technique.
As the number of models in a model database, however, becomes larger, the size of search space to find a corresponding model may increase exponentially. In order to solve this problem, we introduce a line convex hull (LCH). The line convex hull classifies a set of four lines into one of six different types of convex hulls and also assigns possible orderings to the four lines. By using these types of line convex hulls, It has been found that distinguishing between different types of a set of four lines in a model or scene results in an efficient implementation of Geometric Hashing using multidimensional hash tables.
The algorithm was tested in recognition of industrial objects of welding panels. We have implemented the recognition system described and carried out a series of experiments on real images. By combining the LCH with the Geometric Hashing technique, the algorithm greatly reduced the search space to find a candidate model instance. The system has successfully recognized and localized the models in cluttered scenes from the database composed of ten models.
산업 현장에서 부품의 인식 및 위치 결정은 로봇 비전의 주된 일이다. 우리는 투사 투영 변환을 일반적인 선형 변환으로 가정하고, Geometric Hashing이라는 효율적인 인식 알고리즘을 사용한다. 이 방법은 두 단계로 나뉘어진다. 첫 번째 단계는 철저한 모델의 전처리 단계로서 오프라인으로 행해진다. 여기서는 변환에 대해 불변하는 모델의 특징치들이 색인되어 Hash Table에 기록된다. 두 번째 단계는 실제 인식 단계로서 위에서 기록된 효율적인 색인을 이용한다.
그러나 모델의 개수가 많아질수록, 대응되는 모델을 찾는 탐색 공간은 기하급수적으로 증가한다. 이 문제를 해결하기 위하여, 우리는 직선 볼록 고리의 개념을 도입한다. 직선 볼록 고리는 제 직선의 조합을 여섯 가지 형태로 나누고, 그 네 직선에 가능한 순서들을 지정한다. 이러한 방법으로 모델이나 영상으로부터 추출된 특징치들을 서로 다른 형태로 분류하는 것은 다중 차원의 Hash Table을 사용함으로써 Geometric Hashing을 보다 더 효율적으로 수행할 수 있도록 한다.
본 알고리즘은 용접 판넬과 같은 산업 현장의 물체 인식에서 시험되었다. 우리는 앞에서 설명한 인식 시스템을 구현하고, 실제 영상에 대하여 일련의 실험들을 수행하였다. 직선 볼록 고리의 개념을 Geometric Hashing 방법과 결합함으로써 모델의 후보를 찾는 탐색 공간을 크게 줄일 수 있었다. 구현된 시스템은 열 개의 모델로 이루어진 데이터베이스로부터 복잡한 영상에서 모델을 성공적으로 인식하고 그 위치를 결정하였다.
