In this paper, we propose an invariant object detection and recognition method based on evidence accumulation and the Gabor transforms features. Gabor transform is an image transformation, which performs local frequency analysis. Gabor transform coefficients represent localized shape or textual information such that they can be used to encode and detect object part features. In previous works Gabor transform features are used as an object representation to find alignments between image and memorized object model. The application domain of Gabor features in previous works was confined to cases where objects and object models are roughly aligned.
Evidence accumulation detects global object pose invariantly by detecting local parts and integrating the partial information using geometric relationships between parts. Such approaches include Hough transform, generalized Hough transform, pose clustering, and evidence accumulation. Previous evidence accumulation approaches explores only simple local features such as edge, corner, and contour segments.
In contrast to conventional evidence accumulation researches, the proposed method uses Gabor transform features to detect and match object parts. After the global object pose has been determined, matching between object models and the image is evaluated by Bayesian method. The experimental results show that our algorithm can robustly detect objects in cluttered environments with invariance to translation, rotation, scaling, occlusion and small deformation. We also show the experimental performance of object recognition scheme using object models based on local shape encoding by Gabor features.
본 논문에서는 가보변환(Gabor transformation)특징과 증거축적 기법에 기반 하여 영상에서의 기하학적 변환과 무관하게 물체를 검출하고 인식하는 방법론을 제안한다. 가보변환은 영상의 국부 영역에서 공간주파수 분석을 수행하는 영상 변환 기법이다. 가보변환에서 얻어진 수치들은 부분적인 형태나 결 정보를 표현할 수 있어 이를 이용해 영상에서 물체의 부분 형태 특징을 표현하거나 검출할 수 있다. 기존 연구에서는 가보변환 특징을 이용해 물체를 표현하고 영상과 물체를 정렬시켜 물체를 검출하는 방법론이 제시되었으나 그 적용 범위는 영상에서 물체와 모델의 위치가 거의 일치되는 경우로 한정되었었다.
영상에서 부분 특징을 검출하고 이 정보를 효율적으로 종합하여 영상에서의 기하학적 변이와 무관하게 물체를 검출할 수 있는 방법론이다. 이러한 방법론은 호프변환(Hough transform)이나 확장호프변환(generalized Hough transform), 포즈클러스터링(pose clustering), 증거축적기법(evidence accumulation) 등의 이름으로 불려 왔다. 기존의 증거축적기법에서는 에지(edge)나 꼭지점(corner point), 혹은 윤곽선분(contour segment)등 비교적 단순한 특징만이 사용되었다.
연구에서는 기존의 증거축적 기법과 달리 가보변환 특징을 이용해 물체의 부분을 표현하고 검출한다. 증거축적 기법을 통해 물체의 위치를 결정한 후에는 물체의 각 부분과 대응하는 영상의 부분 정보를 비교하여 물체를 인식할 수 있다. 실험을 통한 검증에서 제안한 방법론은 복잡한 배경하에서 위치, 회전, 크기등의 기하변이와 작은 변형, 영상 중첩등에 무관하게 효율적으로 물체를 검출할 수 있었다. 또한 가보특징에 의한 부분 형태의 정합을 통해 물체를 인식하는 방법을 제안하였으며, 실험을 통해 적은 계산 비용으로 기존의 방법론보다 우수하거나 유사한 인식 성능을 얻을 수 있음을 보였다.
