• 한국콘텐츠학회논문지
• /
• 제2권2호
• /
• pp.27-35
• /
• 2002

본 연구는 얼굴 성형을 시뮬레이션하거나 성형 상담 자료로 활용할 목적으로 한 쌍의 제어점을 이용한 쌍선형 워핑 및 쌍선형 보간에 의한 성형 시스템에 관한 것이다. 우선, 주어진 영상을 대상으로 제어점을 설정하고, 이 제어점을 이용하여 워핑 영역을 결정한다. 그리고, 이 워핑 영역은 제어 점을 한 꼭지점으로 하는 4개의 부분 영역으로 나눈다. 그런 후, 4개의 부분 영역 각각에 대한 역방향 사상의 워핑 계수를 구한다. 결과 영상의 부분 영역에 있는 모든 화소 위치에 대하여 대응하는 워핑 계수를 적용하여 원 영상에서 대응되는 화소 위치를 구한다. 이 위치에 최인접하는 네 화소값을 이용하여 쌍선형 보간에 의해 결과 영상의 화소에 대한 화소값을 구한다. 이와 같은 방식으로 4개의 부분 영역에 대하여 동일하게 처리함으로써 성형 효과를 얻게 된다. 실험 결과, 워핑 영역의 경계에서 끊김이 없는 자연스런 성형 효과를 얻을 수 있었다.

• 한국컴퓨터정보학회논문지
• /
• 제19권8호
• /
• pp.45-54
• /
• 2014

본 논문에서는 확대영상의 화질을 향상시키기 위하여 영상의 곡면 특성을 활용한 효과적인 영상 확대 기법을 제안하였다. 제안된 기법에서 제시된 방법으로 영상의 단순 볼록 곡면 혹은 단순 오목 곡면을 효과적으로 추정하고, 단순 볼록 곡면 혹은 단순 오목 곡면으로 추정된 경우에는 확대하고자 하는 원본영상으로 역방향 사상된 좌표에서의 보간 값을 제안된 기법에서 제시된 효율적인 방법으로 계산하여 해당곡면의 특성을 잘 반영하는 보간 값을 구한 후 이를 확대영상의 보간 픽셀 값으로 하여 확대영상이 실제영상의 곡면 특성을 충실히 반영하도록 하였다. 또한 단순 볼록 곡면 혹은 단순 오목 곡면이 아닐 경우에는 역방향 사상된 좌표 주위의 기준 픽셀들의 영향을 더욱 정교하게 반영하도록 보간 값을 구하고 이를 확대영상의 보간 픽셀 값으로 한다. 실제 영상에 존재하는 단순 볼록 곡면 혹은 단순 오목 곡면의 특성을 더욱 충실히 반영하여 실제영상에 더욱 근접한 확대영상을 구성하도록 하기 위하여 위의 절차를 반복적으로 적용하여 확대영상을 구성하였다. 제안된 기법을 적용한 확대영상들의 PSNR(Peak Signal to Noise Ratio) 값이 기존의 기법들을 적용한 확대영상들보다 큰 것을 실험을 통해 확인하였다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 1999년도 가을 학술발표논문집 Vol.26 No.2 (2)
• /
• pp.377-379
• /
• 1999

본 연구에서는 축구 경기 장면 분석시스템의 일부인 경기 장면에서 선수의 위치와 운동장 모델에서의 선수의 위치 간의 매핑에 관해 기술한다. 이 때 두 좌표계 간의 사상(mapping)시 발생되는 hole에 관한 문제를 주로 사용되는 보간법이 아니라 역 방향 매핑을 이용하여 해결하고, 또한 운동장 모델의 전체 영역이 아니라 원 영상에서 얻어진 정보를 이용하여 최소한의 영역만을 변환함으로써 계산의 효율성을 높였다. 본 연구에서는 PC상에서 초당 3~5 Frame로 입력된 280$\times$640 해상도의 100여개의 RGB 영상을 대상하여 실험하였다. 축구 경기장면을 분석한 결과 대부분의 경우 두 좌표계간의 매핑이 올바로 이루어 졌다.

• 한국산학기술학회논문지
• /
• 제18권10호
• /
• pp.75-80
• /
• 2017

본 논문에서는 딥러닝에서 활용되는 정규화(regularization) 및 항등사상(identity mapping)이 활성함수(activation function) 성능에 미치는 영향에 대해 설명한다. 딥러닝에서 활성함수는 비선형 변환을 위해 사용된다. 초기에는 sigmoid 함수가 사용되었으며, 기울기가 사라지는 기존의 활성함수의 문제점을 극복하기 위해 ReLU(Rectified Linear Unit), LReLU(Leaky ReLU), PReLU(Parametric ReLU), ELU(Exponetial Linear Unit)이 개발되었다. 활성함수와의 연구와는 별도로 과적합(Overfitting)문제를 해결하기 위해, Dropout, 배치 정규화(Batch normalization) 등의 정규화 방법들이 개발되었다. 추가적으로 과적합을 피하기 위해, 일반적으로 기계학습 분야에서 사용되는 data augmentation 기법이 활용된다. 딥러닝 구조의 측면에서는 기존에 단순히 컨볼루션(Convolution) 층을 쌓아올리는 구조에서 항등사상을 추가하여 순방향, 역방향의 신호흐름을 개선한 residual network가 개발되었다. 위에서 언급된 활성함수들은 각기 서로 다른 특성을 가지고 있으나, 새로운 정규화 및 딥러닝 구조 연구에서는 가장 많이 사용되는 ReLU에 대해서만 검증되었다. 따라서 본 논문에서는 정규화 및 항등사상에 따른 활성함수의 성능에 대해 실험적으로 분석하였다. 분석을 통해, 정규화 및 항등사상 유무에 따른 활성함수 성능의 경향을 제시하였으며, 이는 활성함수 선택을 위한 교차검증 횟수를 줄일 수 있을 것이다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2020년도 학술발표회
• /
• pp.202-202
• /
• 2020

산지 및 도시에서 발생하는 돌발홍수가 대상인 예경보는 홍수 도달시간이 짧고, 수위가 급격하게 상승하는 특성 때문에 1시간 선행시간 확보를 목표로 한다(MOLIT, 2016). 그러나 현재 돌발홍수 예경보 process에 소요되는 시간은 그 이상으로 확인되고 있다. 또한, 돌발홍수 예경보시스템으로부터 출력된 예측 결과를 사람이 직접 확인해야 한다는 단점도 있다. 본 연구에서는 돌발홍수 예경보 선행시간 1시간 확보를 목표로 backward-forward tracking 기법 기반 예측강우 편의보정기법을 제안하고자 한다. 이 기법은 현재 시점보다 이전에 보정계수를 결정함으로써 돌발홍수 예경보 소요시간을 크게 줄여 돌발홍수 대피시간을 확보할 수 있게 한다. 또한, 보정계수의 결정과 적용이 연속적으로 이루어짐에 따라 10분 간격으로 생성되는 MAPLE의 지속적인 편의보정이 가능하다. 예측강우에 대한 보정계수는 현재보다 10분 이전에 결정한다. 즉, 10분 이전 시점에 생성된 10분, 70분 선행 예측강우에 backward tracking을 적용하여 현재 시점의 호우 위치인 target window를 찾는다. 그리고 target window에서 보정계수를 결정한다. 결정된 보정계수는 돌발홍수발령 대상지역인 correction window의 현재 생성된 60분 선행 예측강우에 적용한다. 이 과정에서 과거 시점 10분 선행 예측강우와 현재 시점에 생성된 60분 선행 예측강우와의 forward tracking이 수행된다. Storm tracking 기법으로는 두 예측강우의 호우패턴에 대한 유사성을 정량화한 패턴상관계수를 이용하였다. 대상 호우사상으로는 2016년에 발생한 주요 호우사상을 선정하였다. 본 연구에서 제안하는 기법을 적용하고, 편의보정 결과를 기존 편의보정기법 적용 결과와 비교하였다.

• 한국시뮬레이션학회논문지
• /
• 제19권1호
• /
• pp.23-31
• /
• 2010

180도 이상의 영역을 획득하는 어안렌즈(fisheye lens)는 최소의 카메라로 최대 시야각을 확보할 수 있는 장점으로 인해 차량 장착 시도가 늘고 있다. 이와 같이 어안렌즈를 통해 시야를 확보하고, 영상센서로 사용하기 위해서는 캘리브레이션 작업이 선행되어야 하며, 운전자에게 현실감 있는 영상을 제공하기 위해서는 이를 이용하여 방사왜곡(radial distortion)에 따른 기하학적인 왜곡 보정이 필요하다. 본 논문에서는 비대칭 왜곡을 가진 180도 이상 화각의 차량용 대각선 어안렌즈를 위해 영상 손실을 최소화하는 왜곡 보정 기법을 제안한다. 왜곡 보정은 왜곡 모델이 포함된 카메라 모델을 설정하고 캘리브레이션 과정을 통해 카메라 파라미터를 구한 후 왜곡이 보정된 뷰를 생성하는 과정으로 이루어진다. 먼저 왜곡모델로서 비선형의 왜곡 형상을 모방한 FOV(Field of View)모델을 사용한다. 또한 비대칭 왜곡렌즈의 경우 운전자의 좌우 시야각 확보에 중점을 두어 수직 화각보다 수평 화각이 크게 설계되었기 때문에 영상의 장축, 단축의 비율을 일치시킨 후 비선형 최적화 알고리즘을 사용하여 카메라 파라미터를 추정한다. 최종적으로 왜곡이 보정된 뷰 생성 시 역방향 사상과 함께 수평, 수직 방향에 대한 왜곡 보정 정도를 제어 가능하도록 함으로써 화각이 180도 이상인 영상에 대해서 핀홀 카메라 모델을 적용하여 2차원 평면으로 영상을 보정하는 경우 발생하는 영상 손실을 최소화하고 시각적 인지도를 높일 수 있도록 하였다.