한국산업정보학회논문지 (Journal of Korea Society of Industrial Information Systems)

한국산업정보학회 (Korea Society of Industrial Information Systems)
권호 표지
DOI QR코드

DOI QR Code

SIFT 기반의 약통 분류 시스템

Medicine-Bottle Classification Algorithm Based on SIFT

  • 박길흠 (경북대학교 전자공학부) ;
  • 조웅호 (대구공업대학교 디지털전자정보계열)
  • 투고 : 2013.10.28
  • 심사 : 2014.01.27
  • 발행 : 2014.02.28
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

약화 사고 방지를 위한 약통 분류 알고리즘은 약통의 회전, 크기변화, 위치 이동 등의 기하학적 변화에 강인하여야 한다. 본 논문에서는 기하학적 변화에 강인한 SIFT(Scale Invariant Feature Transform)을 이용하여 약통을 실시간으로 정확하게 분류하는 알고리즘을 제안한다. 먼저, 약통 분류를 위해서 두드러진 특징으로 약통의 크기 정보인 최외곽 사각형을 이용하여 약통을 크기 별로 분류한다. 다음으로 최외곽 사각형내에서 라벨 영역을 추출하고, 회전을 고려한 관심영역을 추출한다. 그리고 추출된 관심영역에 대해 SIFT를 이용하여 약통을 분류한다. 또한 SIFT의 처리 속도를 개선하기 위하여 SIFT의 옥타브 수를 간소화하였다. 250개의 약통 영상에 대해 제안한 알고리즘의 성능을 평가한 결과, 모든 약통에 대해 정확히 분류함을 확인하였다. 또한 SIFT의 피라미드 레벨 간소화에 의해 처리 시간을 2배 이상 향상됨을 확인하였다.

Medicine-bottle classification algorithm to avoid medicine accidents must be robust to a geometric change such as rotation, size variation, location movement of the medicine bottles. In this paper, we propose an algorithm to classify the medicine bottles exactly in real-time by using SIFT(Scale Invariant Feature Transform) which is robust to the geometric change. In first, we classify medicine bottles by size using minimum boundary rectangle(MBR) of medicine bottles as a striking feature in order to classify the medicine bottles. We extract label region in the MBR and the region of interest(ROI) considering rotation. Then, we classify medicine bottles using SIFT for the extracted ROI. We also simplify the number of octave of SIFT in order to improve a process speed of SIFT. We confirm to classify all the medicine bottles exactly as a result of performance evaluation of the proposed algorithm about images of 250 medicine bottles. We also confirm to improve the process time more than twice the processing time by simplifying the number of octave of SIFT.

키워드

참고문헌

  1. C. W. Kim, S. H. Woo, Z. M. U. Din, C. H. Won, J. P. Hong and J. H. Cho, "An Algorithm for Detecting Residual Quantity of Ringer's Solution for Automatic Replacement," Journal of the Korea Industrial Information System Society, vol. 13, no. 1, 2008.
  2. K. Mikolaiczyk and C. Schmid, "A performance evaluation of local descriptors," IEEE Tran. on Pattern Analysis and Machine Intelligence, vol. 27, no. 10, 2005.
  3. D. G. Lowe, "Object Recognition from Local Scale-Invariant Features," Proc. Seventh IEEE International Conf. Computer Vision, vol. 2, pp. 1150-1157, 1999.
  4. K. Mikolaiczyk and C. Schmid, "An Affine Invariant Interest Point Detector," Proc. Seventh European Conf. Computer Vision, pp. 128-142, 2002.
  5. K. Mikolaiczyk and C. Schmid, "Scale and Affine Invariant Interest Point Detectors," Int. J. Computer Vision, vol. 60, no. 1, pp. 63-86, 2004. https://doi.org/10.1023/B:VISI.0000027790.02288.f2
  6. Y. Ke and R. Sukthankar, "PCA-SIFT: A More Distinctive Representation for Local Image Descriptors," Proc. Conf. Computer Vision and Pattern Recognition, vol. 2, pp. 511-517, 2004.
  7. D. G. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints," International Journal of Computer Vision, vol. 60, no. 2, pp. 91-110, 2004. https://doi.org/10.1023/B:VISI.0000029664.99615.94
  8. H. Y. Lee, J. H. Kim, S. Y. Kim, B. J. Choi, S. H. Moon and K. H. Park, "Design of a SIFT based Target Classification Algorithm robust to Geometric Transformation of Target," Journal of the Korean Institute of Intelligent Systems, vol. 20, no. 1, pp. 116-122, 2010. https://doi.org/10.5391/JKIIS.2010.20.1.116
  9. K. J. Hong, K. C. Jung, E. J. Han and J. Y. Yang, "Mixed Mobile Education System using SIFT Algorithm," Journal of the Korea Industrial Information System Society, vol. 13, no. 2, pp. 69-79, 2008.