11 KiB
컴퓨터 비전 소개
컴퓨터 비전은 디지털 이미지를 통해 컴퓨터가 고수준의 이해를 할 수 있도록 하는 것을 목표로 하는 학문입니다. 이는 매우 광범위한 정의인데, 이해라는 것이 사진에서 객체를 찾는 것(객체 탐지), 무슨 일이 일어나고 있는지 이해하는 것(이벤트 탐지), 사진을 텍스트로 설명하는 것, 또는 3D로 장면을 재구성하는 것 등 다양한 의미를 가질 수 있기 때문입니다. 또한 인간 이미지를 다루는 특별한 작업들도 있습니다: 나이와 감정 추정, 얼굴 탐지 및 식별, 3D 자세 추정 등이 그 예입니다.
강의 전 퀴즈
컴퓨터 비전의 가장 간단한 작업 중 하나는 이미지 분류입니다.
컴퓨터 비전은 종종 AI의 한 분야로 간주됩니다. 오늘날 대부분의 컴퓨터 비전 작업은 신경망을 사용하여 해결됩니다. 이 섹션에서는 컴퓨터 비전에 사용되는 특별한 유형의 신경망인 합성곱 신경망에 대해 더 배울 것입니다.
그러나 이미지를 신경망에 전달하기 전에, 많은 경우 알고리즘적 기법을 사용하여 이미지를 향상시키는 것이 유용합니다.
이미지 처리를 위한 여러 Python 라이브러리가 있습니다:
- **imageio**는 다양한 이미지 형식을 읽고/쓰는 데 사용할 수 있습니다. 또한 비디오 프레임을 이미지로 변환하는 데 유용한 도구인 ffmpeg도 지원합니다.
- Pillow (PIL로도 알려짐)은 더 강력하며, 모핑, 팔레트 조정 등과 같은 이미지 조작도 지원합니다.
- **OpenCV**는 C++로 작성된 강력한 이미지 처리 라이브러리로, 이미지 처리의 사실상 표준이 되었습니다. Python 인터페이스도 제공합니다.
- **dlib**은 여러 머신러닝 알고리즘을 구현한 C++ 라이브러리로, 일부 컴퓨터 비전 알고리즘도 포함되어 있습니다. Python 인터페이스를 제공하며, 얼굴 및 얼굴 랜드마크 탐지와 같은 어려운 작업에 사용할 수 있습니다.
OpenCV
OpenCV는 이미지 처리의 사실상 표준으로 간주됩니다. C++로 구현된 많은 유용한 알고리즘을 포함하고 있습니다. Python에서도 OpenCV를 호출할 수 있습니다.
OpenCV를 배우기에 좋은 곳은 이 Learn OpenCV 강좌입니다. 우리의 커리큘럼에서는 OpenCV를 배우는 것이 목표가 아니라, OpenCV를 사용할 수 있는 예시와 그 방법을 보여주는 것이 목표입니다.
이미지 로드
Python에서 이미지는 NumPy 배열로 편리하게 표현할 수 있습니다. 예를 들어, 320x200 픽셀 크기의 그레이스케일 이미지는 200x320 배열에 저장되며, 동일한 크기의 컬러 이미지는 200x320x3 (3개의 색상 채널) 형태를 가집니다. 이미지를 로드하려면 다음 코드를 사용할 수 있습니다:
import cv2
import matplotlib.pyplot as plt
im = cv2.imread('image.jpeg')
plt.imshow(im)
전통적으로 OpenCV는 컬러 이미지를 BGR(파랑-초록-빨강) 인코딩을 사용하지만, Python의 다른 도구들은 더 전통적인 RGB(빨강-초록-파랑)를 사용합니다. 이미지를 올바르게 보이게 하려면, NumPy 배열에서 차원을 교환하거나 OpenCV 함수를 호출하여 RGB 색상 공간으로 변환해야 합니다:
im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
같은 cvtColor 함수는 이미지를 그레이스케일로 변환하거나 HSV(색상-채도-명도) 색상 공간으로 변환하는 등 다른 색상 공간 변환에도 사용할 수 있습니다.
OpenCV를 사용하여 비디오를 프레임 단위로 로드할 수도 있습니다. 예시는 OpenCV 노트북에서 확인할 수 있습니다.
이미지 처리
이미지를 신경망에 전달하기 전에 여러 전처리 단계를 적용하고 싶을 수 있습니다. OpenCV는 다음과 같은 작업을 수행할 수 있습니다:
im = cv2.resize(im, (320,200),interpolation=cv2.INTER_LANCZOS)를 사용하여 이미지를 크기 조정im = cv2.medianBlur(im,3)또는im = cv2.GaussianBlur(im, (3,3), 0)를 사용하여 이미지를 블러링- 이미지의 밝기와 대비를 변경하는 것은 이 Stackoverflow 노트에 설명된 대로 NumPy 배열 조작으로 수행할 수 있습니다.
cv2.threshold/cv2.adaptiveThreshold함수를 호출하여 임계값 처리를 사용하는 것이 밝기나 대비를 조정하는 것보다 선호될 수 있습니다.- 이미지에 다양한 변환을 적용:
- **광학 흐름**을 사용하여 이미지 내부의 움직임을 이해.
컴퓨터 비전 사용 예시
OpenCV 노트북에서 컴퓨터 비전을 사용하여 특정 작업을 수행하는 몇 가지 예를 제공합니다:
- 점자책 사진 전처리. 임계값 처리, 특징 탐지, 투시 변환 및 NumPy 조작을 사용하여 개별 점자 기호를 분리하고 신경망으로 추가 분류하는 방법에 중점을 둡니다.
 |
 |
 |
|---|
이미지 출처: OpenCV.ipynb
- 프레임 차이를 사용한 비디오에서의 움직임 탐지. 카메라가 고정되어 있다면, 카메라 피드의 프레임은 서로 매우 유사해야 합니다. 프레임이 배열로 표현되므로, 두 연속 프레임의 배열을 빼면 픽셀 차이를 얻을 수 있습니다. 이는 정적인 프레임에서는 낮고, 이미지에 상당한 움직임이 있을 때 높아집니다.
이미지 출처: OpenCV.ipynb
-
광학 흐름을 사용한 움직임 탐지. 광학 흐름은 비디오 프레임의 개별 픽셀이 어떻게 움직이는지 이해할 수 있게 해줍니다. 광학 흐름에는 두 가지 유형이 있습니다:
- 밀집 광학 흐름은 각 픽셀이 어디로 이동하는지 보여주는 벡터 필드를 계산합니다.
- 희소 광학 흐름은 이미지에서 일부 독특한 특징(예: 가장자리)을 기반으로 하여 프레임 간의 궤적을 만듭니다.
이미지 출처: OpenCV.ipynb
✍️ 예제 노트북: OpenCV OpenCV 실습
OpenCV 노트북을 탐색하며 OpenCV로 실험을 진행해 봅시다.
결론
움직임 탐지나 손끝 탐지와 같은 비교적 복잡한 작업도 순수하게 컴퓨터 비전만으로 해결할 수 있는 경우가 있습니다. 따라서 컴퓨터 비전의 기본 기술과 OpenCV와 같은 라이브러리가 할 수 있는 일을 아는 것이 매우 유용합니다.
🚀 도전 과제
AI 쇼의 이 비디오를 시청하여 Cortic Tigers 프로젝트와 로봇을 통해 컴퓨터 비전 작업을 민주화하는 블록 기반 솔루션을 구축한 방법을 알아보세요. 이와 유사하게 새로운 학습자를 컴퓨터 비전 분야로 유도하는 다른 프로젝트를 조사해 보세요.
강의 후 퀴즈
복습 및 자기 학습
이 훌륭한 튜토리얼에서 광학 흐름에 대해 더 읽어보세요.
과제
이 실습에서는 간단한 제스처가 포함된 비디오를 촬영하고, 광학 흐름을 사용하여 위/아래/왼쪽/오른쪽 움직임을 추출하는 것이 목표입니다.
면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전을 권위 있는 출처로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 책임을 지지 않습니다.