본 논문에서는 기존의 특징점 기반 객체 인식 방법의 확장으로 보완적 특징점 기반의 컬러 정보를 포함하는 기술자를 활용하는 객체 인식 방법을 제안한다. 제안하는 방법은 무늬가 적은 객체에서도 에지의 위치를 샘플링함으로써 보완적 특징점을 생성해 낸다. 그리고 검출된 보완적 특징점으로부터 얻어지는 그레이 값 변화도방향 정보와 컬러 정보를 가지고 있는 기술자를 생성한다. 그리고 생성된 기술자를 객체 단위로 묶어 낼 수 있도록 하는 코드북(Codebook)을 학습함으로써 각 객체를 구분해 낼 수 있는 강건한 히스토그램을 생성한다. 생성된 코드북을 활용함으로써 제안하는 방법은 객체의 크기 및 환경(조명, 스케일) 변화, 3차원 회전의 경우에도 기존의 방법보다 강건하게 인식한다. 실험 결과 제안하는 방법은 73.66%로써 기존의 방법에 비해 약 10% 인식률 향상을 보이는 것을 확인하였다. 특히 조잡한 배경에 대해서는 18%의 인식성능 향상을 확인하였다. 제안하는 방법은 도전적인 환경에서 강건한 인식성능 보임으로써 실세계 증강현실 응용에서 정보 제시를 위해 가장 먼저 이루어지는 핵심 기술로써 활용될 수 있다.
This paper represents a novel object recognition method utilizing complementary feature-point-based descriptor containing color information, which is an extension of the common feature-point-based object recognition. The proposed method generates complementary feature points even in the case of less textured object by sampling the positions along edges of the object. Then, based on the extracted feature points, it generates feature descriptors, which contain gradient orientation and color information. Then the method learns a codebook so that the codebook integrates the extracted feature points into a histogram. As experiments, the proposed method shows 73.66% of accuracy. Especially, it is much robust in terms of the cluttering case. The method could be used as a core technology of the initial step of the information retrieval.
