Computer Vision Theory : 특징 검출

특징 검출(Feature Detection)

특징 검출(Feature Detection)은 이미지 내의 주요한 특징점을 검출하는 방법입니다. 해당 특징점이 존재하는 위치를 알려주거나 해당 특징점을 부각시킵니다. 픽셀의 색상 강도, 연속성, 변화량, 의존성, 유사성, 임계점 등을 사용하여 특징을 파악합니다.

특징 검출을 사용하여 다양한 패턴의 객체를 검출할 수 있습니다. 대표적으로 가장자리(Edge), 윤곽(Contours), 모서리(Corner), 선(Line), 원(Circle) 등이 있습니다.

가장자리(Edge)

가장자리(Edge) 검출은 이미지 내의 가장자리 검출을 위한 알고리즘입니다. 픽셀의 그라디언트의 상위 임계값과 하위 임계값을 사용하여 가장자리를 검출합니다. 픽셀의 연속성과 연결성이 유효해야 합니다. 가장자리의 일부로 간주되지 않는 픽셀은 제거되어 가장자리만 남게됩니다.

윤곽(Contours)

윤곽(Contours) 검출은 이미지 내의 윤곽 검출을 위한 알고리즘입니다. 동일한 색상이나 비슷한 강도를 가진 연속한 픽셀을 묶습니다.

윤곽 검출을 통하여 중심점, 면적, 경계선, 블록 껍질, 피팅 등을 적용할 수 있습니다.

모서리(Corner)

모서리(Corner) 검출은 그라디언트에서 유사성을 검출합니다. 픽셀 강도의 차이를 기준으로 모서리 점을 검출합니다. 이 결과로 가장자리, 평면, 모서리를 구분합니다.

때에 따라 모서리 강도가 강한 모서리 점을 검출할 수 도 있습니다.

선(Line)

선(Line) 검출은 이미지의 모든 점에 대한 교차점을 추적합니다. 교차점의 수가 임계값보다 높을 경우, 매개 변수가 있는 행으로 간주합니다. 즉, 교차점의 교차 수를 찾아 선을 검출합니다. 교차 횟수가 많을 수록 선이 더 많은 픽셀을 가지게 됩니다.

원(Circle)

원(Circle) 검출은 이미지에서 방사형 대칭성이 높은 객체를 효과적으로 검출합니다. 특징점을 파라미터 공간으로 매핑하여 검출합니다. 가장자리에 그라디언트 방법을 이용하여 원의 중심점 (a,b)에 대한 2D Histogram으로 선정합니다.

특징 기술자(Feature Descriptor)

지금까지의 검출 방법은 특징이 어디에 있는지를 찾습니다. 그러나 서로 다른 두 이미지에서 같은 지점을 찾아 연결하려면, 위치뿐 아니라 그 지점이 어떻게 생겼는지를 숫자로 표현해야 합니다. 이 표현을 특징 기술자(Feature Descriptor)라 합니다.

특징 기술자는 특징점 주변의 밝기 변화나 방향 정보를 벡터 형태로 기록합니다. 두 이미지에서 각각 기술자를 계산한 뒤 벡터 간의 거리를 비교하면, 같은 지점끼리 짝지을 수 있으며 이를 특징점 매칭(Feature Matching)이라 합니다.

좋은 기술자는 이미지가 회전하거나 크기가 달라져도 같은 값을 유지해야 하며, 이러한 성질을 각각 회전 불변성(Rotation Invariance)과 크기 불변성(Scale Invariance)이라 합니다. 이 성질 덕분에 특징점 매칭은 파노라마 이미지 생성이나 객체 추적 등에 활용됩니다.

• Tip : 대표적인 기술자로 SIFT, SURF, ORB, BRISK, AKAZE 등이 있습니다. 이 중 ORB는 연산이 빠르고 라이선스 제약이 없어 실시간 처리에 널리 사용됩니다.

대표 알고리즘 정리

각 검출 방법에는 널리 사용되는 구현 알고리즘이 있습니다. 이론적인 개념을 실제 코드로 옮길 때 참고할 수 있도록 정리하면 다음과 같습니다.

가장자리 검출에서 캐니(Canny)가 널리 쓰이는 이유는, 단순히 미분값이 큰 지점을 모두 남기지 않고 두 개의 임계값을 사용해 가장자리를 선별하기 때문입니다. 상위 임계값을 넘는 픽셀은 확실한 가장자리로 두고, 하위 임계값과 상위 임계값 사이의 픽셀은 확실한 가장자리와 연결된 경우에만 남깁니다.

이러한 방식을 이력 임계값(Hysteresis Thresholding)이라 하며, 노이즈로 인한 짧은 가장자리는 제거하면서 실제 경계는 끊기지 않게 유지할 수 있습니다.

• Writer by : 윤대희