인터넷 프로토콜은 송신 호스트와 수신 호스트가 패킷 교환 네트워크에서 정보를 주고받는 데 사용하는 정보 위주의 규약이며, OSI 네트워크 계층에서 호스트이 주소지정과 패킷 분할 및 조립 기능을 담당합니다. 이를 줄여서 IP라고도 합니다. IP의 정보는 패킷 혹은 데이터그램이라고 하는 덩어리로 나뉘어 전송됩니다. IP에서는 이전에 통신한 적이 없는 호스트에 패킷을 보낼 때 경로 설정이 필요 없습니다. 현재 인터넷에서 사용하는 표준 프로토콜은 인터넷 프로토콜의 4번째 판인 IPv4입니다. 그러나 IPv4는 주소공간 고갈 문제를 겪고 있어 조만간 6번쨰 판인 IPv6가 대중화될 것으로 보입니다.
라우팅
라우팅은 어떤 네트워크 안에서 통신 데이터를 보낼 경로를 선택하는 과정입니다. 라우팅은 전화 통신망, 전자 정보통신망 그리고 교통망 등 여러 종류의 네트워크에서 사용됩니다. 패킹 스위칭 네트워크에서 라우팅은 패킷 전달 및 일반적으로 라우터, 브릿지, 게이트웨이, 방화벽 또는 스위치로 불리는 중간 노드를 거쳐 출발지부터 최종 목적지까지 논리적으로 주소가 부여된패킷의 변환을 총괄합니다. 특화된 하드웨어가 아니기 떄문에 성능에 제약을 받을 수는 있지만, 다수의 네트워크 카드를 가진 범용 컴퓨터 또한 패킷 전달과 라우팅을 수행할 수 있습니다. 좁은 의미로 라우팅은, 네트워크 주소가 그 구성이 비슷하다면 네트워크 안에서 인접성을 가진 구조라는 가정하에 브릿징과 뚜렷한 차이를 보입니다. 구조화된 주소는 하나의 라우팅 테이블 항목이 여러 대의 장비에 대한 경로를 표시하는 것을 가능하게 하기 때문에 구조화된 주소 지정은 대규모 네트워크에서 비구조화된 주소 지정보다 성능이 뛰어나고, 비록 브릿징이 여전히 지역적인 환경내에서 넓게 쓰이지만, 인터넷 상에서 지배적인 주소 지정 형식이 되었습니다.
프로젝션 맵핑
대상물의 표면에 빛으로 이루어진 영상을 투사하여 변화를 줌을써, 현실에 존재하는 대상이 다른 성격을 가진 것처럼 보이도록 하는 기술입니다. 기본적으로 프로젝션 맵핑을 구현하기 위해서는 2D, 3D의 디지털 이미지 혹은 영상을 제작하거나, 사물의 실제 크기를 변환하는 소프트웨어와 프로젝터, 컴퓨터 등의 하드웨어가 필요합니다.
투영
물체의 그림자를 어떤 물체 위에 비추는 일을 말합니다. 또는 그 비친 그림자를 말합니다. 투사영. 사영: 도형이나 입체를 다른 평면에 옮기는 일을 말합니다.
OpenCV를 이용한 움직이는 물체 검출하기
현재 프레임 영상과 바로 이전 프레임 영상에 대한 같은 위치의 화소값을 비교해서 다르면 움직이는 물체에 대한 화소일 것이라느 아이디어. 화상카메라에서 취득하는 영상은, 비록 움직이는 물체가 없을지라도 미세하게나마 연속된 프레임일지라도 다르게 취득되었습니다. 그래서 동일한 위치의 화소값의 차이가 어느 정도의 차이가 날때 움직이는 물체다. 라는 기준으로 접근하였습니다.
영상 특징점 추출방법
영상에서 물체를 추적하거나 인식할 때, 영상과 영상을 매칭할 때 가장 일반적인 방법은 영상에서 주요 특징접을 뽑아서 매칭하는 것입니다. 좋은 영상 특징점이 되기 위한 조건은 물체의 형태나 크기, 위치가 변해도 쉽게 식별이 가능할 것, 카메라의 시점, 조명이 변해도 영상에서 해당 지점을 쉽게 찾아낼 수 있을 것 입니다. 영상에서 이러한 조건을 만족하는 가장 좋은 특징점은 바로 코너점입니다. 대부분의 특징점 추출 알고리즘들은 이러한 코너점 검출을 바탕으로 하고 있습니다.
Harris Corner
영상의 각 픽셀 위치에 대해 윈도우를 수직, 수평, 좌대각선, 우대각선 이렇게 4개 방향으로 1픽셀씩 이동시켰을 때의 영상변화량 E를 계산한 후, E의 최소값을 해당 픽셀의 영사연화량 같으로 설정, 설정된 min(E)의 값이 지역적으로 극대가 되는 지점을 코너점으로 찾는 방법을 사용했습니다. shift 값이 매우 작다고 가정하고 그레디언트를 이용하여 I를 선형 근사하면 []가 됩니다. 이 때, 2x2 행렬 M의 두 고유값.
해리 코너 검출 방법의 특징을 살펴보면, 해리 검출은 영상의 평행이동, 회전변화에는 불변이고 affine변화, 조명 변화에도 어느 정도는 강인성을 가지고 있습니다. 영상의 크기 변화에는 영향을 받기 때문에 응용에 따라서는 여러 영상 스케일에서 특징점을 뽑을 필요가 있습니다.
Shi & Tomasi
시 특징점 추출 방법은 굿픽쳐두틀랙이라는 함수명으로 오픈시비에 구현되어 있으며 흔히 optical flow 등을 계산할 때 사용할 특징점을 추출하는 용도 등으로 사용됩니다. 기존의 방법들은 코너점 등 직관에 의지하여 특징점을 찾았는데 자신들 생각에는 좋은 특징점이란 추적 알고리즘에 최적화되도록 뽑아야 하며 따라서 기존 방법처럼 단순한 평행이동 만을 가정해서는 안되고 affine 변화까지 고려해서 특징점을 선택해야 한다는 설명이 나옵니다. 최소값이 임계값보다 크더라도 다른 한 값이 월등히 더 크면 코너점이라기 보다는 edge 로 보는 것이 더 타당하기 때문입니다.
SIFT
Scale Invariant Feature Transform 에서 사용하는 특징점 추출 방법입니다. SIFT에서는 기존의 Harris 코너가 영상의 스케일 변화에 민감한 문제를 해결하기 위하여 Difference of Gaussian 을 기반으로 이미지 내에서 뿐만 아니라 스케일 축으로도 코너성이 극대인 점을 찾습니다. 각 스케일의 영상마다 코너성을 조사해서 코너점(코너성이 로컬하게 극대이면서 임계값 이상)들을 찾습니다. 그러면 각 스케일 이미지마다 코너점들이 검출될 터인데, 대부분의 경우 인접한 여러 영상 스케일에 걸쳐서 동일한 지점이 코너점으로 검출될 것 입니다. SIFT에서 특징점을 추출하는 기본적인 원리는 위와 같지만 코너성을 측정하기 위해 Harris 방법과는 달리 Laplacian 함수값을 사용합니다. 즉, SIFT에서는 각 영상 스케일마다 Laplacian 값을 계산하되 그 값이 이미지 내에서 뿐만 아니라 스케일 축으로도 극대인 점들을 특징점으로 선택합니다.
FAST
Features from Accelerated Segment Test 는 극도의 빠름을 추구한 특징점 추출 방법입니다. 품질 또한 기존의 방법들을 상회한다는 점에 있습니다. 어떤 점이 코너인지 여부를 p를 중심으로 하는 반지름 3인 원 상의 16개 픽셀값을 보고 판단합니다. 어떤 점이 코너점인지 여부를 판단하기 위해 같은 유형의 연속된 점들의 개수를 직접 세는 대신에 decision tree를 이용하여 코너점 여부를 빠르게 판단하는 방법을 사용합니다.
레이져 라이다
레이저 펄스를 쏘고 반사되어 돌아오는 시간을 측정하여 반사체의 위치좌표를 측정하는 레이다 시스템입니다. 처음에 통신용으로 개발되었지만 강한 단색성에 의해 빛과 전파의 양면 특징을 가졌기 때문에 통신 이외의 각종 요도에도 사용되고 있습니다. 항공 또는 위성탑재되어 지형측량에 사용되며 스피드 건, 자율이동로봇, 자율주행 자동차 등에도 활용됩니다.
카메라 캘리브레이션
영상처리, 컴퓨터 비전 분야에서 번거롭지만 꼭 필요한 과정중의 하나입니다. 우리가 실제 눈으로 보는 세상은 3차원입니다. 이것을 카메라로 찍으면 2차원의 이미지로 변하게 됩니다. 이 때, 3차원의 점들이 이미지 상에서 어디에 맺히는지는 기하학적으로 생각하면 영상을 찍을 당시의 카메라의 위치 및 방향에 의해 결정됩니다. 하지만 실제 이미지는 사용된 렌즈, 렌즈와 이미지 센서와의 거리, 렌즈와 이미지 센서가 이루는 각 등 카메라 내부의 기구적인 부분에 의해서 크게 영향을 받습니다. 따라서, 3차원 점들이 영상에 투영된 위치를 구하거나 역으로 영상좌표로부터 3차원 공간좌표를 복원할 때에는 이러한 내부 요인을 제거해야만 정확한 계산이 가능해집니다. 이러한 내부 요인의 파라미터 값을 구하는 과정을 카메라 캘리브레이션이라 부릅니다.
카메라 영상은 3차원 공간상의 점들을 2차원 이미지 평면에 투사함으로써 얻어집니다. 핀홀 카메라 모델에서 이러한 변환관계는 모델링 됩니다. (X, Y, Z)는 월드 좌표계 상의 3D 점의 좌표, [R|t]는 월드 좌표게를 카메라 좌표게로 변환시키기 위한 회전/이동변환 행렬, A는 camera matrix 입니다. 수식적으로 보면 카메라 캘리브레이션은 위와 같은 3D 공간좌표와 2D 영상좌표 사이의 변환관계 또는 이 변환관계를 설명하는 파라미터를 찾는 과정입니다. 카메라 외부 파라미터는 카메라의 설치 높이, 방향(팬, 틸트) 등 카메라와 외부 공간과의 기하학적 관계에 관련된 파라미터이며 내부 파라미터는 카메라의 초점 거리, aspect ratio, 중심점 등 카메라 자체의 내부적인 파라미터를 의미합니다. 캘리브레이션의 목적은 왜곡 보정보다는 영상을 기하학적으로 해석하기 위함입니다. 카메라 영상으로부터 물체의 3차원 정보를 복원하기 위해서..예를들어.