[Computer Vision] 객체 검출과 응용

👀 본 예제는 Window10의 VSCode, Python3.11.0로 작성되었습니다.

 

 

객체 검출(Object Detecting)

입력 영상에서 작은 크기의 부분 영상을 위치를 찾아 내고 싶은 경우 템플릿 매칭(Template Matching) 기법을 사용한다.

 

템플릿은 찾고자 하는 대상이 되는 작은 크기의 영상을 의미한다.

 

템플릿 매칭은 이 템플릿을 입력 영상 전체 영역에 대해 이동하면서 가장 비슷한 위치를 수직적으로 찾아내는 방식이다.

• 유사한 것을 찾는 방식은 템플릿과 입력 영상간의 유사도(Similarity) 또는 비유사도(Dissimilarity)를 계산한다. 
• 유사도 계산 : 템플릿 영상과 비슷한 부분 영상 위치에서 값이 크게 나타남.
• 비유사도 계산 : 템플릿 영상과 비슷한 부분에서 값이 작게 나타남.

 

import cv2

image = cv2.imread("test.png")
image = cv2.resize(image,(int(image.shape[1]//2),int(image.shape[0]//2)),interpolation=cv2.INTER_LANCZOS4)
template = cv2.imread("template.png")
template = cv2.resize(template,(int(template.shape[1]//2),int(template.shape[0]//2)),interpolation=cv2.INTER_LANCZOS4)
h,w,_ = template.shape


# Template Matching
result = cv2.matchTemplate(image,template,cv2.TM_CCOEFF_NORMED)
# TM_CCOEFF: 상관 계수를 사용하여 매칭을 수행합니다. 값이 클수록 매칭이 잘 되는 것입니다.
# TM_CCOEFF_NORMED: 정규화된 상관 계수를 사용합니다. 결과 값은 0과 1 사이로, 1에 가까울수록 매칭이 잘 되는 것입니다.
# TM_CCORR: 상관을 사용하여 매칭합니다. 값이 클수록 매칭이 잘 되는 것입니다.
# TM_CCORR_NORMED: 정규화된 상관을 사용합니다. 결과 값은 0과 1 사이입니다.
# TM_SQDIFF: 제곱 차이를 계산하여 매칭합니다. 값이 작을수록 매칭이 잘 되는 것입니다.
# TM_SQDIFF_NORMED: 정규화된 제곱 차이를 사용합니다. 결과 값은 0과 1 사이로, 0에 가까울수록 매칭이 잘 되는 것입니다.

# 매칭 결과에서 최댓값과 위치를 찾는다.
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)

# 템플릿의 위치를 사각형으로 그린다.
top_left = max_loc
bottom_right = (top_left[0]+w,top_left[1]+h)
cv2.rectangle(image,top_left,bottom_right,(0,255,0),2)

cv2.imshow("Template",template)
cv2.imshow("Template Matching",image)
cv2.waitKey(0)
cv2.destroyAllWindows()

 

 

템플릿 매칭 비교 방식 메소드

• TM_CCOEFF: 상관 계수를 사용하여 매칭을 수행한다. 값이 클수록 매칭이 잘 되는 것이다.
• TM_CCOEFF_NORMED: 정규화된 상관 계수를 사용한다. 결과 값은 0과 1 사이로, 1에 가까울수록 매칭이 잘 되는 것입니다.
• TM_CCORR: 상관을 사용하여 매칭한다. 값이 클수록 매칭이 잘 되는 것이다.
• TM_CCORR_NORMED: 정규화된 상관을 사용한다. 결과 값은 0과 1 사이다.
• TM_SQDIFF: 제곱 차이를 계산하여 매칭한다. 값이 작을수록 매칭이 잘 되는 것이다.
• TM_SQDIFF_NORMED: 정규화된 제곱 차이를 사용한다. 결과 값은 0과 1 사이로, 0에 가까울수록 매칭이 잘 되는 것이다.

 

 

Cascade Classifier

캐스케이드 분류기(Cascade Classifier)는 여러 단계의 분류기를 연속적으로 적용하여 객체를 검출하는 방법이다.

 

이 방법은 주로 Haar 특성을 기반으로 하며, 이미지에서 특정 패턴이나 객체를 빠르게 인식할 수 있도록 설계되었다.

 

캐스케이드 구조로 되어있어, 초기 단계에 간단한 특징을 검사, 이후 단계를 진행할수록 더 복잡한 특징을 검사하게 된다.

이러한 구조로 불필요한 계산을 줄이고, 속도를 높일 수 있다.

 

캐스케이드 분류기의 분류 단계는 다음과 같다.(ex. 얼굴)

• 영상 입력 : 1단계로 
• 1단계(특징 한개 사용) : Pass 경우 다음 단계, Fail 경우 얼굴 아님
• 2단계(특징 다섯개 사용) : Pass 경우 다음 단계, Fail 경우 얼굴 아님
• 3단계(특징 20개 사용) : Pass 경우 다음 단계, Fail 경우 얼굴 아님
• ....
• 최종 단계(특징 n개 사용) : Pass의 경우 얼굴, Fail 경우 얼굴 아님

 

캐스케이드 분류기를 사용하려면 여기서 사전학습 된 분류기 파일이 필요하다.

opencv/data/haarcascades at master · opencv/opencv

 

import cv2

image = cv2.imread("human.jpg")
image = cv2.resize(image,(int(image.shape[1]//2),int(image.shape[0]//2)),interpolation=cv2.INTER_LANCZOS4)
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
# 분류기 로드
eye_cascade = cv2.CascadeClassifier("haarcascade_eye.xml")

# 눈 검출
eyes = eye_cascade.detectMultiScale(gray,scaleFactor=1.1,minNeighbors=5,minSize=(60,60))

# 바운딩 박스
for (x, y, w, h) in eyes:
    cv2.rectangle(image, (x, y), (x + w, y + h), (255, 0, 0), 2)

cv2.imshow("Cascade Classifier",image)
cv2.waitKey(0)
cv2.destroyAllWindows()

 

 

HOG 알고리즘을 통한 보행자 검출

HOG(Histogram of Oriented Gradients)는 이미지 기울기 방향과 크기를 기반으로 한 특징 추출 방법이다.

이 방법은 객체의 모양을 표현하는데 강력한 성능을 보이며, 특히 보행자와 같은 사람의 형태를 인식하는데 효과적이다.

• 이미지에서 작은 셀(cell)로 나누고, 각 셀의 기울기 방향을 계산한다.
• 각 셀에서 기울기 방향의 히스토그램을 생성, 이를 결합해 전체 이미지의 특징 벡터를 만든다.

 

import cv2

# HOG 분류기 초기화
hog = cv2.HOGDescriptor()
hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())

# 이미지 불러오기
image = cv2.imread('people.jpg')

# 보행자 검출
boxes, weights = hog.detectMultiScale(image, winStride=(8, 8), padding=(8, 8), scale=1.05)

# 검출된 보행자에 사각형 그리기
for (x, y, w, h) in boxes:
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 결과 이미지 표시
cv2.imshow('Detected Pedestrians', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

 

 

QR 코드 검출

import cv2

# 이미지 파일 읽기
image = cv2.imread('qr.png')
if image is None:
    pass
else:
    # QR 코드 검출기 초기화
    detector = cv2.QRCodeDetector()

    # QR 코드 검출
    data, bbox, _ = detector.detectAndDecode(image)

    # 검출된 데이터 출력
    if data:
        print("QR 코드 내용:", data)
        # QR 코드의 경계 상자 그리기
        if bbox is not None:
            for i in range(len(bbox)):
                cv2.polylines(image, [bbox[i].astype(int)], isClosed=True, color=(0, 255, 0), thickness=2)

    # 결과 이미지 표시
    cv2.imshow('QR Code Detection', image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()