[컴퓨터비전] 6. 특징 기술

6.1 특징 기술자의 조건

• 불변성 (Invariance)
• 분별력 (Discriminability)
• 재현성 (Repeatability)

6.2 관심점을 위한 기술자

SIFT, SURF 등과 같은 키포인트 기반 기술자

• 특징점 주변의 명암 변화 방향(gradient orientation)을 추출해 벡터 기술자(descriptor) 생성
• SIFT
• SURF
• BRIEF / ORB / BRISK

6.3 영역 기술자

6.3.1 모멘트 기반 기술자

• 영역의 면적, 중심, 분산 등을 수치로 표현
• 일반 모멘트:

• 중심 모멘트(이동 불변성 제공):

• 정규화 모멘트:
• Hu 모멘트 (회전 불변): 7개의 불변 모멘트 값 계산 가능

6.3.2 모양 기반 기술자

• 둘레, 중심, 주축, 둥근 정도 등 형태 자체를 기술

6.3.3 푸리에 기술자

• 경계점을 1D 시계열로 표현 후 푸리에 변환
• 저주파 성분 유지 → 압축 효과 + 회전 불변
• 복잡한 경계의 표현 가능

6.4 텍스처

1. 전역 기술자

• 영상 전체 또는 영역의 에지 정보를 기반으로 특징 벡터 구성

2. 통계 기반 기술자

• 명암 히스토그램의 통계량 추출

3. 동시 발생 행렬 (GLCM)

• 픽셀 쌍의 명암값 조합 빈도 기반 행렬

4. LBP (Local Binary Pattern)

• 3×3 주변 픽셀의 명암을 기준 픽셀과 비교하여 이진 패턴 생성
• 8비트 → 256차원 히스토그램
• 회전 불변 확장 버전도 존재

6.5 주성분 분석 (PCA)

• 고차원 데이터를 저차원으로 변환해 중요한 성분만 남기는 기법
• 특징 벡터의 분산 최대 방향으로 투영
• 공분산 행렬 → 고유값 분해 → 주요 성분 선택

수식 정리

• 평균 벡터:

• 공분산 행렬:

• 고유벡터 u : 최대 분산 방향

6.6 얼굴인식: 고유 얼굴 (Eigenface)

고유 얼굴(Eigenface) 개념

• 사람 얼굴 이미지를 PCA로 분석하여 주요 성분(고유 얼굴)만으로 표현
• 고유 얼굴은 얼굴의 주된 형태를 압축하여 나타냄

알고리즘 요약

1. 얼굴 이미지를 벡터화하여 평균 얼굴을 뺌
2. 공분산 행렬 생성
3. 고유벡터(고유 얼굴) 계산 → 주요 d개 선택
4. 입력 영상도 같은 방식으로 투영해 특징 벡터 y 생성
5. 기존 특징 벡터와 거리 계산 → 가장 가까운 것과 매칭

장점

• 비교적 적은 차원으로 얼굴 표현 가능
• 압축 및 인식 동시에 수행

한계

• 조명, 포즈, 스케일 변화에 민감
• 배경이나 얼굴 외부의 영향도 큼