[go: up one dir, main page]

KR102526700B1 - 전자 장치 및 그의 3d 이미지 표시 방법 - Google Patents

전자 장치 및 그의 3d 이미지 표시 방법 Download PDF

Info

Publication number
KR102526700B1
KR102526700B1 KR1020180159664A KR20180159664A KR102526700B1 KR 102526700 B1 KR102526700 B1 KR 102526700B1 KR 1020180159664 A KR1020180159664 A KR 1020180159664A KR 20180159664 A KR20180159664 A KR 20180159664A KR 102526700 B1 KR102526700 B1 KR 102526700B1
Authority
KR
South Korea
Prior art keywords
image
objects
information
images
modeling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020180159664A
Other languages
English (en)
Other versions
KR20200071990A (ko
Inventor
정성훈
김효영
박영진
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180159664A priority Critical patent/KR102526700B1/ko
Priority to PCT/KR2019/015151 priority patent/WO2020122432A1/ko
Publication of KR20200071990A publication Critical patent/KR20200071990A/ko
Priority to US17/347,406 priority patent/US11622098B2/en
Application granted granted Critical
Publication of KR102526700B1 publication Critical patent/KR102526700B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/275—Image signal generators from 3D object models, e.g. computer-generated stereoscopic image signals
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/529—Depth or shape recovery from texture
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/536—Depth or shape recovery from perspective effects, e.g. by using vanishing points
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106—Processing image signals
    • H04N13/122—Improving the 3D impression of stereoscopic images by modifying image signal contents, e.g. by filtering or adding monoscopic depth cues
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/204—Image signal generators using stereoscopic image cameras
    • H04N13/243—Image signal generators using stereoscopic image cameras using three or more 2D image sensors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/293—Generating mixed stereoscopic images; Generating mixed monoscopic and stereoscopic images, e.g. a stereoscopic image overlay window on a monoscopic image background
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

전자 장치가 개신된다. 본 전자 장치는 디스플레이, 디스플레이와 전기적으로 연결되어 디스플레이를 제어하는 프로세서 및 프로세서와 전기적으로 연결되는 메모리를 포함하며, 메모리는 적어도 하나의 명령어를 포함하며, 프로세서는 적어도 하나의 명령어를 실행함으로써, 2D 이미지에서 복수의 객체에 대응되는 복수의 객체 이미지를 획득하고, 복수의 객체 이미지를 복수의 네트워크 모델에 적용하여 복수의 객체 이미지에 대응되는 복수의 3D 모델링 이미지 및 복수의 객체와 관련된 정보를 획득하고, 복수의 객체와 관련된 정보 및 2D 이미지에서의 복수의 객체의 위치 정보에 기초하여 복수의 3D 모델링 이미지를 포함하는 3D 이미지를 디스플레이에 표시한다.

Description

전자 장치 및 그의 3D 이미지 표시 방법 { ELECTRONIC DEVICE AND METHOD FOR DISPLAYING THREE DIMENSIONS IMAGE }
본 개시는 전자 장치 및 그의 3D 이미지 표시 방법에 대한 것으로, 보다 구체적으로, 3D 이미지를 표시하는 전자 장치 및 그의 3D 이미지 표시 방법에 대한 것이다.
근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
한편, 최근, 2D 이미지로부터 3D 모델링 이미지를 생성하고, 3D 모델링 이미지로 구성되는 3D 이미지를 생성하여 표시하는 기술이 현재 연구가 진행되고 있다. 이와 관련하여, 2D 이미지에서 사람, 사물 및 공간(또는 배경)을 획득하고, 이를 통해 3D 이미지를 효율적으로 생성하는 방안의 모색이 요청된다.
본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은 2D 이미지로부터 획득된 복수의 객체를 복수의 네트워크 모델을 적용하여 획득된 정보를 바탕으로, 3D 이미지를 생성하는 전자 장치 및 그의 3D 이미지 표시 방법을 제공함에 있다.
본 개시의 일 실시 예에 따른 전자 장치는 디스플레이, 상기 디스플레이와 전기적으로 연결되어 상기 디스플레이를 제어하는 프로세서 및 상기 프로세서와 전기적으로 연결되는 메모리를 포함하며, 상기 메모리는 적어도 하나의 명령어를 포함하며, 상기 프로세서는 상기 적어도 하나의 명령어를 실행함으로써, 2D 이미지에서 복수의 객체에 대응되는 복수의 객체 이미지를 획득하고, 상기 복수의 객체 이미지를 복수의 네트워크 모델에 적용하여 상기 복수의 객체 이미지에 대응되는 복수의 3D 모델링 이미지 및 상기 복수의 객체와 관련된 정보를 획득하고, 상기 복수의 객체와 관련된 정보 및 상기 2D 이미지에서의 상기 복수의 객체의 위치 정보에 기초하여 상기 복수의 3D 모델링 이미지를 포함하는 3D 이미지를 상기 디스플레이에 표시한다.
이 경우, 상기 복수의 네트워크 모델은 객체를 포함하는 2D 이미지, 상기 객체에 대응되는 3D 모델링 이미지 및 객체의 속성에 기초하여 학습된 네트워크 모델일 수 있다.
또한, 상기 복수의 객체는 사람, 사물 및 배경을 포함하며, 상기 프로세서는 상기 복수의 객체 이미지 각각을 상기 복수의 네트워크 모델 각각에 적용하여, 각 네트워크 모델로부터 객체 이미지에 대응되는 3D 모델 이미지 및 객체와 관련된 정보를 획득할 수 있다.
이 경우, 상기 객체와 관련된 정보는, 상기 객체의 포즈 정보, 상기 객체를 촬영한 카메라에 대한 정보 및 상기 객체의 뎁스 정보를 포함할 수 있다.
또한, 상기 프로세서는 상기 복수의 객체를 촬영한 카메라에 대한 정보에 기초하여 상기 복수의 객체를 촬영한 복수의 카메라를 기준 카메라로 매칭시키고, 상기 기준 카메라의 위치를 기준으로 상기 복수의 3D 모델링 이미지를 위치시켜 상기 3D 이미지를 생성할 수 있다.
이 경우, 상기 기준 카메라의 위치는 상기 복수의 카메라의 위치 정보에 기초하여 결정될 수 있다.
또한, 상기 프로세서는 상기 복수의 객체의 뎁스 정보 및 상기 복수의 객체의 위치 정보에 기초하여, 상기 기준 카메라 위치를 기준으로 상기 복수의 3D 모델링 이미지를 위치시켜 상기 3D 이미지를 생성할 수 있다.
이 경우, 상기 복수의 객체의 위치 정보는, 상기 2D 이미지에서 상기 복수의 객체가 위치하는 2차원 좌표 정보를 포함할 수 있다.
한편, 본 개시의 일 실시 예에 따른 전자 장치의 3D 이미지 표시 방법은 2D 이미지에서 복수의 객체에 대응되는 복수의 객체 이미지를 획득하는 단계, 상기 복수의 객체 이미지를 복수의 네트워크 모델에 적용하여 상기 복수의 객체 이미지에 대응되는 복수의 3D 모델링 이미지 및 상기 복수의 객체와 관련된 정보를 획득하는 단계 및 상기 복수의 객체와 관련된 정보 및 상기 2D 이미지에서의 상기 복수의 객체의 위치 정보에 기초하여 상기 복수의 3D 모델링 이미지를 포함하는 3D 이미지를 표시하는 단계를 포함한다.
이 경우, 상기 복수의 네트워크 모델은 객체를 포함하는 2D 이미지, 상기 객체에 대응되는 3D 모델링 이미지 및 객체의 속성에 기초하여 학습된 네트워크 모델일 수 있다.
또한, 상기 복수의 객체는 사람, 사물 및 배경을 포함하며, 상기 획득하는 단계는 상기 복수의 객체 이미지 각각을 상기 복수의 네트워크 모델 각각에 적용하여, 각 네트워크 모델로부터 객체 이미지에 대응되는 3D 모델 이미지 및 객체와 관련된 정보를 획득할 수 있다.
이 경우, 상기 객체와 관련된 정보는 상기 객체의 포즈 정보, 상기 객체를 촬영한 카메라에 대한 정보 및 상기 객체의 뎁스 정보를 포함할 수 있다.
또한, 상기 표시하는 단계는 상기 복수의 객체를 촬영한 카메라에 대한 정보에 기초하여 상기 복수의 객체를 촬영한 복수의 카메라를 기준 카메라로 매칭시키고, 상기 기준 카메라의 위치를 기준으로 상기 복수의 3D 모델링 이미지를 위치시켜 상기 3D 이미지를 생성할 수 있다.
이 경우, 상기 기준 카메라의 위치는 상기 복수의 카메라의 위치 정보에 기초하여 결정될 수 있다.
또한, 상기 표시하는 단계는 상기 복수의 객체의 뎁스 정보 및 상기 복수의 객체의 위치 정보에 기초하여, 상기 기준 카메라 위치를 기준으로 상기 복수의 3D 모델링 이미지를 위치시켜 상기 3D 이미지를 생성할 수 있다.
이 경우, 상기 복수의 객체의 위치 정보는 상기 2D 이미지에서 상기 복수의 객체가 위치하는 2차원 좌표 정보를 포함할 수 있다.
이와 같이, 본 개시의 다양한 실시 예에 따르면, 객체 별로 네트워크 모델에 적용한다는 점에서, 복수의 객체를 하나의 네트워크 모델에 적용하는 것보다, 상대적으로 적은 학습 데이터 및 학습 시간으로도 2D 이미지를 3D 이미지로 변환할 수 있게 된다.
도 1은 본 개시의 일 실시 예에 따른 3D 영상을 제공하는 전자 장치의 도면,
도 2a 및 도 2b는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도들,
도 3 내지 도 9는 본 개시의 일 실시 예에 따른 3D 이미지를 생성하는 방법을 설명하기 위한 도면들,
도 10 및 도 11은 다양한 실시 예에 따른 학습부 및 인식부를 나타내는 블록도들, 그리고
도 12는 본 개시의 일 실시 따른 전자 장치의 3D 이미지 표시 방법을 설명하기 위한 도면이다.
이하, 본 개시의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 개시에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 개시의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
본 개시에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
이하에서는 도면을 참조하여 본 발명에 대해 상세히 설명하기로 한다.
도 1은 본 개시의 일 실시 예에 따른 3D 영상을 제공하는 전자 장치를 나타낸다.
도 1과 같이, 전자 장치(100)는 2D 이미지(10)에서 복수의 객체(11, 12, 13)를 획득하고, 획득된 객체를 3D 형태로 변환하고, 3D 형태의 객체(21, 22, 23)가 3D 공간 상에 배치된 3D 이미지(또는, 3D 컨텐츠)(20)를 표시할 수 있다. 여기에서, 객체는 사람, 사물 및 배경을 포함할 수 있다.
이를 위해, 전자 장치(100)는 획득된 객체를 네트워크 모델에 적용하여, 객체에 대한 3D 모델링 이미지 및 객체와 관련된 정보를 획득할 수 있다.
여기에서, 3D 모델링 이미지는 객체를 3D 형태로 표현한 것이고, 객체와 관련된 정보는 객체의 포즈(pose) 정보, 객체를 촬영한 카메라에 대한 정보 및 객체의 뎁스(depth) 정보를 포함할 수 있다.
즉, 네트워크 모델은 2D 이미지에서 획득된 객체를 입력 데이터로 사용하여, 객체를 3D 형태로 표현한 3D 객체, 객체의 회전 정도 및 모션, 객체를 촬영한 카메라의 위치 및 카메라를 기준으로 한 객체의 뎁스 등을 추정(또는, 추론, 결정, 판단)하도록 설정될 수 있다.
여기에서, 네트워크 모델은 예로, 신경망(Neural Network) 또는 딥러닝(Deep Learning)을 기반으로 하는 모델일 수 있다.
그리고, 전자 장치(100)는 객체와 관련된 정보 및 2D 이미지에서의 복수의 객체의 위치 정보에 기초하여 복수의 3D 모델링 이미지를 포함하는 3D 이미지를 생성하고, 생성된 3D 이미지를 표시할 수 있다.
구체적으로, 전자 장치(100)는 포즈 정보에 기초하여 2D 이미지에서의 복수의 객체의 포즈에 부합하도록 복수의 3D 모델링 이미지의 포즈를 변형시키고, 이를 3D 공간 상에 배치하여 3D 이미지를 생성할 수 있다.
이때, 전자 장치(100)는 2D 이미지의 복수의 객체를 촬영한 카메라의 위치, 복수의 객체의 뎁스 및 2D 이미지에서의 복수의 객체의 위치를 고려하여, 2D 이미지에서의 복수의 객체의 위치에 부합하도록 3D 공간 상에 복수의 3D 모델링 이미지를 배치할 수 있다.
이에 따라, 전자 장치(100)는 2D 이미지를 3차원적으로 표현한 3D 이미지를 표시할 수 있게 된다.
이때, 본 개시의 일 실시 예에 따르면, 전자 장치(100)는 2D 이미지로부터 획득된 복수의 객체를 복수의 네트워크 모델에 적용하여, 각 네트워크 모델로부터 객체에 대한 3D 모델링 이미지 및 객체와 관련된 정보를 획득하게 된다.
예를 들어, 전자 장치(100)는 2D 이미지에서 사람을 포함하는 사람 이미지를 획득하고, 사람 이미지를 사람 네트워크 모델에 적용하여 사람에 대한 3D 모델링 이미지 및 사람과 관련된 정보를 획득할 수 있다. 또한, 전자 장치(100)는 2D 이미지에서 사물을 포함하는 사물 이미지를 획득하고, 사물 이미지를 사물 네트워크 모델에 적용하여 사물에 대한 3D 모델링 이미지 및 사물과 관련된 정보를 획득할 수 있다. 또한, 전자 장치(100)는 2D 이미지에서 배경을 포함하는 배경 이미지를 획득하고, 배경 이미지를 배경 네트워크 모델에 적용하여 배경에 대한 3D 모델링 이미지 및 배경과 관련된 정보를 획득할 수 있다.
이와 같이, 본 개시의 일 실시 예에 따르면, 객체 별로 네트워크 모델에 적용한다는 점에서, 복수의 객체를 하나의 네트워크 모델에 적용하는 것보다, 상대적으로 적은 학습 데이터 및 학습 시간으로도 2D 이미지를 3D 이미지로 변환할 수 있게 된다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 2a를 참조하면, 전자 장치(100)는 디스플레이(110), 메모리(120) 및 프로세서(130)를 포함한다. 도 2a에 도시된 구성요소들은 본 개시의 실시 예들을 구현하기 위한 예시도이며, 당업자에게 자명한 수준의 적절한 하드웨어/소프트웨어 구성들이 전자 장치(100)에 추가로 포함될 수도 있다.
디스플레이(110)는 다양한 화면을 제공할 수 있다. 특히, 디스플레이(110)는 3D 이미지를 표시할 수 있다.
이 경우, 디스플레이(110)는 LCD(Liquid Crystal Display), LED(Light Emitting Diodes) 디스플레이 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 또한, 디스플레이(110)는 종이처럼 얇고 유연한 기판을 통해 손상 없이 휘거나 구부리거나 말 수 있는 플렉서블 디스플레이로 구현될 수도 있다. 또한, 디스플레이(110)는 터치 패널과 결합하여 레이어 구조의 터치 스크린으로 구현될 수 있다. 터치 스크린은 디스플레이 기능뿐만 아니라 터치 입력 위치, 터치된 면적뿐만 아니라 터치 입력 압력까지도 검출하는 기능을 가질 수 있고, 또한 실질적인 터치(real-touch) 뿐만 아니라 근접 터치(proximity touch)도 검출하는 기능을 가질 수 있다.
메모리(120)는 프로세서(130)와 전기적으로 연결되며, 전자 장치(100)의 적어도 하나의 구성요소와 관계된 적어도 하나의 명령어 또는 데이터 등을 저장할 수 있다. 이 경우, 메모리(120)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(120)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(120), 프로세서(130) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다. 또한, 메모리(120)에는 디스플레이(110)에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.
또한, 메모리(120)는 네트워크 모델을 저장할 수 있다.
이 경우, 네트워크 모델은 객체를 포함하는 2D 객체 이미지를 입력 데이터로 사용하여, 객체에 대한 3D 모델링 이미지 및 객체와 관련된 정보를 추정하도록 설정될 수 있다.
여기에서, 3D 모델링 이미지는 2D 객체 이미지에 포함된 객체를 3D 형태로 표현한 것이고, 객체와 관련된 정보는 객체의 포즈 정보, 객체를 촬영한 카메라에 대한 정보 및 객체의 뎁스 정보를 포함할 수 있다.
이 경우, 네트워크 모델은 객체를 포함하는 2D 이미지, 객체에 대응되는 3D 모델링 이미지 및 객체의 속성에 기초하여 학습될 수 있다.
구체적으로, 네트워크 모델은 객체를 포함하는 2D 이미지, 객체를 3D 형태로 표현한 3D 모델링 이미지 및 객체의 크기, 형태, 나이, 성별, 등을 학습 데이터로서 이용하여, 객체를 3D 형태로 표현한 3D 모델링 이미지가 어떤 것인지, 객체의 회전 정도 및 모션은 어떠한지, 2D 이미지의 객체를 촬영한 카메라의 위치 및 카메라를 기준으로 한 객체의 뎁스는 어떠한지를 판단하는 기준을 갖도록 학습될 수 있다.
예를 들어, 네트워크 모델은 2D 이미지에 포함된 객체의 특징, 형태 및 객체를 3D 형태로 표현한 3D 모델링 이미지 등을 학습하여, 입력 데이터인 2D 이미지에 포함된 객체의 특성 및 형태에 따라 해당 객체를 3D 형태로 표현한 3D 모델링 이미지가 어떠한 것인지를 판단할 수 있다.
또한, 네트워크 모델은 2D 이미지에 포함된 객체의 형태 등을 학습하여, 입력 데이터인 2D 이미지에 포함된 객체의 회전 정도 및 모션이 어떠한지를 판단할 수 있다. 예를 들어, 네트워크 모델은 2D 이미지에 포함된 정면을 바라보는 객체의 자세 등을 학습하여, 입력 데이터인 2D 이미지에 포함된 객체의 회전 정도 및 객체의 자세가 어떠한지를 판단할 수 있다.
또한, 네트워크 모델은 2D 이미지에 포함된 객체의 크기, 형태, 나이, 성별 등을 학습하여 입력 데이터인 2D 이미지에 포함된 객체의 크기 및 형태 등에 따라 2D 이미지의 객체를 촬영한 카메라의 위치 및 카메라를 기준으로 한 객체의 뎁스는 어떠한지를 판단할 수 있다. 예를 들어, 네트워크 모델은 2D 이미지에 포함된 객체의 크기에 따라 해당 객체를 촬영한 카메라의 위치 및 객체의 뎁스 등을 학습하여, 입력 데이터인 2D 이미지에 포함된 객체를 촬영한 카메라의 위치 및 카메라를 기준으로 한 객체의 뎁스는 어떠한지를 판단할 수 있다. 다른 예로, 네트워크 모델은 객체의 나이 및 성별 등에 따라 동일한 크기의 객체라도 이들이 서로 다른 뎁스에서 촬영된 것을 학습하여, 입력 데이터인 2D 이미지에 포함된 객체를 촬영한 카메라의 위치 및 카메라를 기준으로 한 객체의 뎁스는 어떠한지를 판단할 수 있다.
다만, 이는 일 예일 뿐이고, 네트워크 모델은 다양한 방식으로 학습될 수 있음은 물론이다.
이에 따라, 네트워크 모델은 객체를 포함하는 2D 이미지를 입력 데이터로 사용하여, 2D 이미지에 포함된 객체를 3D 형태로 표현한 3D 모델링 이미지에 대한 정보, 객체의 회전 정도 및 모션에 대한 정보, 및 2D 이미지의 객체를 촬영한 카메라의 위치 및 객체의 뎁스에 대한 정보를 추정할 수 있다.
이러한 네트워크 모델은, 예로, 신경망을 기반으로 하는 모델일 수 있다. 구체적으로, 네트워크 모델은 인간의 신경망의 뉴런(neuron)에 대응되는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 또한, 네트워크 모델은 예로, 딥 러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다.
한편, 네트워크 모델의 예에는 DNN(Deep Neural Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등이 있을 수 있으나, 이에 한정되지 않는다.
한편, 메모리(110)는 복수의 네트워크 모델을 저장할 수 있다. 여기에서, 복수의 네트워크 모델은 도 2b와 같이, 사람 네트워크 모델(121), 사물 네트워크 모델(122) 및 배경 네트워크 모델(123)을 포함할 수 있다.
구체적으로, 사람 네트워크 모델(121)은 사람을 포함하는 2D 이미지, 사람에 대응되는 3D 모델링 이미지 및 사람의 속성(가령, 사람의 크기, 형태, 나이, 성별 등)을 학습 데이터로서 이용하여 학습된 네트워크 모델일 수 있다. 이 경우, 사람 네트워크 모델(121)은 사람을 포함하는 2D 이미지를 입력 데이터로 사용하여, 사람에 대응되는 3D 모델링 이미지 및 사람에 대한 정보를 획득할 수 있다.
또한, 사물 네트워크 모델(122)은 사물을 포함하는 2D 이미지, 사물에 대응되는 3D 모델링 이미지 및 사물의 속성(가령, 사물의 크기, 형태 등)을 학습 데이터로서 이용하여 학습된 네트워크 모델일 수 있다. 이 경우, 사물 네트워크 모델(122)은 사물을 포함하는 2D 이미지를 입력 데이터로 사용하여, 사물에 대응되는 3D 모델링 이미지 및 사물에 대한 정보를 획득할 수 있다.
또한, 배경 네트워크 모델(123)은 배경을 포함하는 2D 이미지, 배경에 대응되는 3D 모델링 이미지 및 배경의 속성(가령, 배경의 크기, 형태 등)을 학습 데이터로서 이용하여 학습된 네트워크 모델일 수 있다. 이 경우, 배경 네트워크 모델(123)은 배경을 포함하는 2D 이미지를 입력 데이터로 사용하여, 배경에 대응되는 3D 모델링 이미지 및 배경에 대한 정보를 획득할 수 있다.
이와 같이, 본 개시의 일 실시 예에 따르면, 객체의 타입에 따라, 2D 객체에 대한 3D 모델링 이미지 등을 추정하기 위한 복수의 네트워크 모델(121, 122, 123)이 메모리(120)에 저장될 수 있다.
프로세서(130)는 디스플레이(110) 및 메모리(120)와 전기적으로 연결되어, 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다.
구체적으로, 프로세서(130)는 2D 이미지에 기초하여 3D 이미지를 생성하고, 3D 이미지를 디스플레이(110)를 통해 표시할 수 있다.
이를 위해, 프로세서(130)는 2D 이미지에서 복수의 객체에 대응되는 복수의 객체 이미지를 획득할 수 있다. 여기에서, 복수의 객체는 사람, 사물 및 배경을 포함할 수 있다.
이 경우, 2D 이미지는 전자 장치(100)에 저장된 이미지이거나, 또는, 외부 장치(가령, 웹 서버 또는 다른 전자 장치)로부터 수신될 수 있다.
구체적으로, 프로세서(130)는 객체 인식 방법 등을 통해 2D 이미지에서 사람, 사물 및 배경을 인식하고, 2D 이미지에서 사람이 포함된 사람 이미지, 사물이 포함된 사물 이미지 및 배경이 포함된 배경 이미지를 획득할 수 있다. 즉, 프로세서(130)는 2D 이미지에서 사람, 사물 및 배경이 포함된 영역 각각의 이미지를 이미지 클립 형태로 획득할 수 있다.
예를 들어, 도 3과 같이, 사람, 자동차 및 산을 포함하는 2D 이미지(300)가 존재하는 경우를 가정한다. 이 경우, 프로세서(130)는 2D 이미지(300)에서 사람, 자동차 및 배경을 인식하고, 사람을 포함하는 사람 이미지(310), 자동차를 포함하는 자동차 이미지(320) 및 배경을 포함하는 배경 이미지(330)를 획득할 수 있다.
그리고, 프로세서(130)는 2D 이미지에 포함된 복수의 객체의 위치 정보를 획득할 수 있다.
여기에서, 복수의 객체의 위치 정보는 2D 이미지에서 복수의 객체가 위치하는 2차원 좌표 정보를 포함할 수 있다.
구체적으로, 프로세서(130)는 2D 이미지에서 복수의 객체가 포함된 영역의 중심의 좌표를 2D 이미지에서 복수의 객체가 위치하는 좌표 정보로서 획득할 수 있다.
예를 들어, 도 4와 같이, 프로세서(130)는 2D 이미지의 기준 좌표(가령, (0,0))를 기준으로, 2D 이미지에서 사람이 포함된 영역(310)의 중심의 좌표 (x1, y1)(340)를 사람의 좌표 정보로서 획득하고, 2D 이미지의 기준 좌표를 기준으로, 2D 이미지에서 자동차가 포함된 영역(320)의 중심의 좌표 (x2, y2)(350)를 자동차의 좌표 정보로서 획득하고, 2D 이미지의 기준 좌표를 기준으로, 2D 이미지에서 배경이 포함된 영역(330)의 중심의 좌표 (x3, y3)(360)를 배경의 좌표 정보로서 획득할 수 있다.
그리고, 프로세서(130)는 복수의 객체 이미지를 복수의 네트워크 모델에 적용하여 복수의 객체 이미지에 대응되는 복수의 3D 모델링 이미지 및 복수의 객체와 관련된 정보를 획득할 수 있다.
이 경우, 프로세서(130)는 복수의 객체 이미지 각각을 복수의 네트워크 모델 각각에 적용하여, 각 네트워크 모델로부터 객체 이미지에 대응되는 3D 모델링 이미지 및 객체와 관련된 정보를 획득할 수 있다.
즉, 프로세서(130)는 2D 이미지에서 획득한 사람 이미지를 사람 네트워크 모델에 적용하고, 2D 이미지에서 획득한 사물 이미지를 사물 네트워크 모델에 적용하고, 2D 이미지에서 획득한 배경 이미지를 배경 네트워크 모델에 적용할 수 있다.
예를 들어, 프로세서(130)가 2D 이미지로부터 사람 이미지, 사물 이미지 및 배경 이미지를 획득한 경우를 가정한다.
이 경우, 도 5와 같이, 프로세서(130)는 사람 이미지(310)를 사람 네트워크 모델(121)에 적용하여, 사람을 3D 형태로 표현한 3D 모델링 이미지에 대한 정보(510), 사람의 회전 정도 및 모션에 대한 정보를 포함하는 포즈 정보(520), 2D 이미지에서 사람을 촬영한 카메라의 위치(530) 및 카메라를 기준으로 한 사람의 뎁스(z1)(540)에 대한 정보를 획득할 수 있다.
또한, 도 6과 같이, 프로세서(130)는 자동차 이미지(320)를 사물 네트워크 모델(122)에 적용하여, 자동차를 3D 형태로 표현한 3D 모델링 이미지에 대한 정보(610), 자동차의 회전 정도 및 모션에 대한 정보를 포함하는 포즈 정보(620), 2D 이미지에서 자동차를 촬영한 카메라의 위치(630) 및 카메라를 기준으로 한 자동차의 뎁스(z2)(640)에 대한 정보를 획득할 수 있다.
또한, 도 7과 같이, 프로세서(130)는 배경 이미지(330)를 배경 네트워크 모델(123)에 적용하여, 배경을 3D 형태로 표현한 3D 모델링 이미지에 대한 정보(710), 배경의 회전 정도 및 모션에 대한 정보를 포함하는 포즈 정보(720), 2D 이미지에서 배경을 촬영한 카메라의 위치(730) 및 카메라를 기준으로 한 배경의 뎁스(z3)(740)에 대한 정보를 획득할 수 있다.
한편, 프로세서(130)는 복수의 네트워크 모델로부터 획득된 복수의 객체의 포즈 정보에 기초하여 복수의 3D 모델링 이미지의 포즈를 변형시킬 수 있다.
즉, 프로세서(130)는 각 네트워크 모델로부터 획득된 객체의 회전 정도 및 모션에 대한 정보에 기초하여, 3D 모델링 이미지의 포즈를 2D 이미지에서의 객체의 포즈에 부합되도록 변형시킬 수 있다.
예를 들어, 2D 이미지에서 사람이 양팔을 들고 있는 자세를 취하고 있는 경우, 사람 네트워크 모델로부터 획득된 모션 정보에 기초하여 사람의 3D 모델링 이미지의 양팔을 들도록 변형시킬 수 있다. 다른 예로, 2D 이미지에서 자동차가 일정한 각도 회전된 경우, 사물 네트워크 모델로부터 획득된 회전 각도에 대한 정보에 기초하여 자동차의 3D 모델링 이미지를 일정한 각도만큼 회전시킬 수 있다.
그리고, 프로세서(130)는 복수의 객체를 촬영한 카메라에 대한 정보에 기초하여 복수의 객체를 촬영한 복수의 카메라를 기준 카메라로 매칭시키고, 기준 카메라의 위치를 기준으로 복수의 3D 모델링 이미지를 위치시켜 3D 이미지를 생성할 수 있다.
즉, 복수의 네트워크 모델 각각에서 추론된 카메라의 위치는 서로 다를 수 있다는 점에서, 복수의 3D 모델링 이미지를 하나의 3차원 공간 상에 위치시키기 위해서는 이들 카메라의 위치에 대한 조정이 요구된다.
이에 따라, 프로세서(130)는 하나의 기준 카메라를 설정하여, 서로 다른 네트워크 모델로부터 획득된 카메라의 위치를 조정하게 된다.
이때, 기준 카메라의 위치는 복수의 카메라의 위치 정보에 기초하여 결정될 수 있다.
일 예로, 프로세서(130)는 복수의 네트워크 모델로부터 획득된 복수의 카메라의 위치 중에서, 하나의 카메라의 위치를 기준 카메라 위치로 설정할 수 있다. 다른 예로, 프로세서(130)는 프로세서(130)는 복수의 네트워크 모델로부터 획득된 복수의 카메라의 위치의 중간이 되는 지점을 기준 카메라 위치로 설정할 수 있다.
그리고, 프로세서(130)는 복수의 객체의 뎁스 정보 및 복수의 객체의 위치 정보에 기초하여, 기준 카메라의 위치를 기준으로 복수의 3D 모델링 이미지를 위치시켜 3D 이미지를 생성할 수 있다.
먼저, 프로세서(130)는 각 네트워크 모델로부터 획득된 카메라의 위치를 기준 카메라 위치에 매칭시킬 수 있다. 그리고, 프로세서(130)는 각 네트워크 모델로부터 획득된 객체의 뎁스와 2D 이미지에서 객체가 위치하는 2차원 좌표를 이용하여, 3차원 공간 상에서 3D 모델링 이미지가 위치되는 지점을 판단할 수 있다.
일 예로, 프로세서(130)는 2D 이미지에서 객체가 위치하는 2차원 좌표(x,y)에 기초하여 x,y 평면에서 객체를 위치시키고, z 축 방향으로 기준 카메라 위치로부터 객체의 뎁스(z)만큼 떨어진 지점을 3D 모델링 이미지가 위치되는 지점으로 판단할 수 있다.
다만, 이는 일 예일 뿐이고, 2차원 좌표 및 뎁스에 대한 정보에 기초하여 3차원 공간 상에 객체를 위치시킬 수 있는 다양한 방법을 통해, 3D 모델링 이미지를 3차원 공간 상에 위치시킬 수 있다.
그리고, 프로세서(130)는 포즈 정보에 따라 변형된 복수의 3D 모델링 이미지를 3차원 공간 상의 판단된 지점에 위치시켜, 3D 이미지를 생성할 수 있다.
예를 들어, 도 8과 같이 기준 카메라(840)가 위치되는 경우, 프로세서(130)는 2D 이미지에서의 사람의 좌표 정보 및 사람 네트워크 모델로부터 획득된 카메라의 위치 및 사람의 뎁스에 대한 정보에 기초하여 결정된 3차원 공간 상의 좌표 (xa,ya,za)에 사람의 3D 모델링 이미지(810)를 위치시키고, 2D 이미지에서의 자동차의 좌표 정보 및 사물 네트워크 모델로부터 획득된 카메라의 위치 및 자동차의 뎁스에 대한 정보에 기초하여 결정된 3차원 공간 상의 좌표 (xb,yb,zb)에 자동차의 3D 모델링 이미지(820)를 위치시키고, 2D 이미지에서의 배경의 좌표 정보 및 배경 네트워크 모델로부터 획득된 카메라의 위치 및 배경의 뎁스에 대한 정보에 기초하여 결정된 3차원 공간 상의 좌표 (xc,yc,zc)에 배경의 3D 모델링 이미지(830)를 위치시킬 수 있다.
그리고, 프로세서(130)는 도 9와 같이, 3D 모델링 이미지(810, 820, 830)를 포함하는 3D 이미지(910)를 표시할 수 있다.
이와 같이, 본 개시의 다양한 실시 예에 따르면, 2D 이미지에 포함된 객체의 타입에 따라 서로 다른 네트워크 모델을 사용한다는 점에서, 복수의 객체를 하나의 네트워크 모델에 적용하는 것보다, 상대적으로 적은 학습 데이터 및 학습 시간으로도 2D 이미지를 3D 이미지로 변환할 수 있게 된다.
도 10 및 도 11은 따른 다양한 실시예에 따른 학습부 및 인식부를 나타내는 블록도이다. 도 10의 프로세서(1000)는 도 2의 전자 장치(100)의 프로세서(130)에 대응될 수 있다.
학습부(1010)는 소정의 상황 판단을 위한 기준을 갖는 네트워크 모델을 생성 또는 학습시킬 수 있다. 학습부(1010)는 수집된 학습 데이터를 이용하여 판단 기준을 갖는 네트워크 모델을 생성할 수 있다.
일 예로, 학습부(1010)는 객체를 포함하는 2D 이미지, 객체를 3D 형태로 표현한 3D 모델링 이미지 및 객체의 크기, 형태, 나이, 성별, 등을 학습 데이터로서 이용하여, 객체를 3D 형태로 표현한 3D 모델링 이미지가 어떤 것인지, 객체의 회전 정도 및 모션은 어떠한지, 2D 이미지의 객체를 촬영한 카메라의 위치 및 카메라를 기준으로 한 객체의 뎁스는 어떠한지를 판단하는 기준을 갖는 네트워크 모델을 생성, 학습 또는 갱신시킬 수 있다.
인식부(1020)는 소정의 데이터를 학습된 네트워크 모델의 입력 데이터로 사용하여, 소정의 데이터에 대응되는 인식 대상을 추정할 수 있다.
일 예로, 인식부(1020)는 객체를 포함하는 2D 이미지를 학습된 네트워크 모델의 입력 데이터로 사용하여, 객체를 3D 형태로 표현한 3D 모델링 이미지, 객체의 회전 정도 및 모션, 2D 이미지의 객체를 촬영한 카메라의 위치 및 카메라를 기준으로 한 객체의 뎁스에 대한 정보를 획득(또는, 추정, 추론)할 수 있다.
학습부(1010)의 적어도 일부 및 인식부(1020)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 학습부(1010) 및 인식부(1020) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치 또는 객체 인식 장치에 탑재될 수도 있다. 이 때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(1910) 및 인식부(1920)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
이 경우, 학습부(1010) 및 인식부(1020)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(1010) 및 인식부(1020) 중 하나는 전자 장치(100)에 포함되고, 나머지 하나는 외부의 서버에 포함될 수 있다. 또한, 학습부(1010) 및 인식부(1020)는 유선 또는 무선으로 통하여, 학습부(1010)가 구축한 모델 정보를 인식부(1020)로 제공할 수도 있고, 인식부(1020)로 입력된 데이터가 추가 학습 데이터로서 학습부(1010)로 제공될 수도 있다.
도 11은, 다양한 실시 예에 따른 학습부(1010) 및 인식부(1020)의 블록도이다.
도 11(a)를 참조하면, 일부 실시예에 따른 학습부(1010)는 학습 데이터 획득부(1010-1) 및 모델 학습부(1010-4)를 포함할 수 있다. 또한, 학습부(1010)는 학습 데이터 전처리부(1010-2), 학습 데이터 선택부(1010-3) 및 모델 평가부(1010-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(1010-1)는 인식 대상을 추론하기 위한 네트워크 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시예로, 학습 데이터 획득부(1010-1)는 2D 이미지, 객체를 3D 형태로 표현한 3D 모델링 이미지 및 객체의 크기, 형태, 나이, 성별, 등을 중 적어도 하나를 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(1010) 또는 학습부(1010)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.
모델 학습부(1010-4)는 학습 데이터를 이용하여, 네트워크 모델이 소정의 인식 대상을 어떻게 판단할 지에 관한 판단 기준을 갖도록 학습시킬 수 있다. 예로, 모델 학습부(1010-4)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 네트워크 모델을 학습시킬 수 있다. 또는, 모델 학습부(1010-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 상황의 판단을 위한 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 네트워크 모델을 학습시킬 수 있다. 또한, 모델 학습부(1010-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 네트워크 모델을 학습시킬 수 있다. 또한, 모델 학습부(1010-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 네트워크 모델을 학습시킬 수 있다
또한, 모델 학습부(1010-4)는 입력 데이터를 이용하여 인식 대상을 추정하기 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 선별 기준을 학습할 수도 있다.
네트워크 모델이 학습되면, 모델 학습부(1010-4)는 학습된 네트워크 모델을 저장할 수 있다. 이 경우, 모델 학습부(1010-4)는 학습된 네트워크 모델을 전자 장치(100)의 메모리(120)에 저장할 수 있다. 또는, 모델 학습부(1010-4)는 학습된 네트워크 모델을 전자 장치(100)와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
학습부(1010)는 네트워크 모델의 분석 결과를 향상시키거나, 네트워크 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(1010-2) 및 학습 데이터 선택부(1010-3)를 더 포함할 수도 있다.
학습 데이터 전처리부(1010-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 학습 데이터 전처리부(1010-2)는 모델 학습부(1010-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(1010-3)는 학습 데이터 획득부(1010-1)에서 획득된 데이터 또는 학습 데이터 전처리부(1010-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(1010-4)에 제공될 수 있다. 학습 데이터 선택부(1010-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1010-3)는 모델 학습부(1010-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(1010)는 네트워크 모델의 분석 결과를 향상시키기 위하여, 모델 평가부(1010-5)를 더 포함할 수도 있다.
모델 평가부(1010-5)는 네트워크 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1010-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 네트워크 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(1010-5)는 평가 데이터에 대한 학습된 네트워크 모델의 분석 결과 중에서, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
도 11(b)를 참조하면, 일부 실시예에 따른 인식부(1020)는 인식 데이터 획득부(1020-1) 및 인식 결과 제공부(1020-4)를 포함할 수 있다. 또한, 인식부(1020)는 인식 데이터 전처리부(1020-2), 인식 데이터 선택부(1020-3) 및 모델 갱신부(1020-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
인식 데이터 획득부(1020-1)는 상황 판단에 필요한 데이터를 획득할 수 있다. 인식 결과 제공부(1020-4)는 인식 데이터 획득부(1020-1)에서 획득된 데이터를 입력 값으로 학습된 네트워크 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(1020-4)는 데이터의 분석 목적에 따른 분석 결과를 제공할 수 있다. 인식 결과 제공부(1020-4)는 후술할 인식 데이터 전처리부(1020-2) 또는 인식 데이터 선택부(1020-3)에 의해 선택된 데이터를 입력 값으로 네트워크 모델에 적용하여 분석 결과를 획득할 수 있다. 분석 결과는 네트워크 모델에 의해 결정될 수 있다.
일 실시예로, 인식 결과 제공부(1020-4)는 인식 데이터 획득부(1020-1)에서 획득한 객체 이미지를 학습된 네트워크 모델 적용하여 객체를 3D 형태로 표현한 3D 모델링 이미지, 객체의 회전 정도 및 모션, 2D 이미지의 객체를 촬영한 카메라의 위치 및 카메라를 기준으로 한 객체의 뎁스에 대한 정보를 획득(또는, 추정)할 수 있다.
인식부(1020)는 네트워크 모델의 분석 결과를 향상시키거나, 분석 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 인식 데이터 전처리부(1020-2) 및 인식 데이터 선택부(1020-3)를 더 포함할 수도 있다.
인식 데이터 전처리부(1020-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 인식 데이터 전처리부(1020-2)는 인식 결과 제공부(1020-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1020-3)는 인식 데이터 획득부(1020-1)에서 획득된 데이터 또는 인식 데이터 전처리부(1020-2)에서 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1020-4)에게 제공될 수 있다. 인식 데이터 선택부(1020-3)는 상황 판단을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1020-3)는 모델 학습부(1010-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(1020-5)는 인식 결과 제공부(1020-4)에 의해 제공되는 분석 결과에 대한 평가에 기초하여, 네트워크 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(1020-5)는 인식 결과 제공부(1020-4)에 의해 제공되는 분석 결과를 모델 학습부(1010-4)에게 제공함으로써, 모델 학습부(1010-4)가 네트워크 모델을 추가 학습 또는 갱신하도록 요청할 수 있다.
도 12는 본 개시의 일 실시 예에 따른 전자 장치의 3D 이미지 표시 방법을 설명하기 위한 흐름도이다.
먼저, 2D 이미지에서 복수의 객체에 대응되는 복수의 객체 이미지를 획득한다(S1210).
그리고, 복수의 객체 이미지를 복수의 네트워크 모델에 적용하여 복수의 객체 이미지에 대응되는 복수의 3D 모델링 이미지 및 복수의 객체와 관련된 정보를 획득한다(S1220).
그리고, 복수의 객체와 관련된 정보 및 2D 이미지에서의 복수의 객체의 위치 정보에 기초하여 복수의 3D 모델링 이미지를 포함하는 3D 이미지를 표시한다(S1230).
이 경우, 복수의 네트워크 모델은 객체를 포함하는 2D 이미지, 상기 객체에 대응되는 3D 모델링 이미지 및 객체의 속성에 기초하여 학습된 네트워크 모델일 수 있다.
또한, 복수의 객체는 사람, 사물 및 배경을 포함하며, S1220 단계는 복수의 객체 이미지 각각을 복수의 네트워크 모델 각각에 적용하여, 각 네트워크 모델로부터 객체 이미지에 대응되는 3D 모델 이미지 및 객체와 관련된 정보를 획득할 수 있다.
이 경우, 객체와 관련된 정보는 객체의 포즈 정보, 객체를 촬영한 카메라에 대한 정보 및 객체의 뎁스 정보를 포함할 수 있다.
또한, S1230 단계는 복수의 객체를 촬영한 카메라에 대한 정보에 기초하여 복수의 객체를 촬영한 복수의 카메라를 기준 카메라로 매칭시키고, 기준 카메라의 위치를 기준으로 복수의 3D 모델링 이미지를 위치시켜 3D 이미지를 생성할 수 있다.
이 경우, 기준 카메라의 위치는 복수의 카메라의 위치 정보에 기초하여 결정될 수 있다.
또한, S1230 단계는 복수의 객체의 뎁스 정보 및 복수의 객체의 위치 정보에 기초하여, 기준 카메라 위치를 기준으로 복수의 3D 모델링 이미지를 위치시켜 3D 이미지를 생성할 수 있다.
이 경우, 복수의 객체의 위치 정보는 2D 이미지에서 복수의 객체가 위치하는 2차원 좌표 정보를 포함할 수 있다.
한편, 3D 이미지를 생성하는 구체적인 방법에 대해서는 전술한 바 있다.
한편, 본 개시의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(예: 전자 장치(100)를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일시예에 따르면, 본 개시에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
100 : 전자 장치 110 : 디스플레이
120 : 메모리 130 : 프로세서

Claims (16)

  1. 전자 장치에 있어서,
    디스플레이;
    상기 디스플레이와 전기적으로 연결되어 상기 디스플레이를 제어하는 프로세서; 및
    상기 프로세서와 전기적으로 연결되는 메모리;를 포함하며,
    상기 메모리는, 적어도 하나의 명령어를 포함하며,
    상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써,
    2D 이미지에서 복수의 객체에 대응되는 복수의 객체 이미지를 획득하고, 상기 복수의 객체 이미지를 복수의 네트워크 모델에 적용하여 상기 복수의 객체 이미지에 대응되는 복수의 3D 모델링 이미지 및 상기 복수의 객체와 관련된 정보를 획득하고, 상기 복수의 객체와 관련된 정보 및 상기 2D 이미지에서의 상기 복수의 객체의 위치 정보에 기초하여 상기 복수의 3D 모델링 이미지를 포함하는 3D 이미지를 상기 디스플레이에 표시하는, 전자 장치.
  2. 제1항에 있어서,
    상기 복수의 네트워크 모델은,
    객체를 포함하는 2D 이미지, 상기 객체에 대응되는 3D 모델링 이미지 및 객체의 속성에 기초하여 학습된 네트워크 모델인, 전자 장치.
  3. 제1항에 있어서,
    상기 복수의 객체는, 사람, 사물 및 배경을 포함하며,
    상기 프로세서는,
    상기 복수의 객체 이미지 각각을 상기 복수의 네트워크 모델 각각에 적용하여, 각 네트워크 모델로부터 객체 이미지에 대응되는 3D 모델 이미지 및 객체와 관련된 정보를 획득하는, 전자 장치.
  4. 제3항에 있어서,
    상기 객체와 관련된 정보는, 상기 객체의 포즈 정보, 상기 객체를 촬영한 카메라에 대한 정보 및 상기 객체의 뎁스 정보를 포함하는, 전자 장치.
  5. 제4항에 있어서,
    상기 프로세서는,
    상기 복수의 객체를 촬영한 카메라에 대한 정보에 기초하여 상기 복수의 객체를 촬영한 복수의 카메라를 기준 카메라로 매칭시키고, 상기 기준 카메라의 위치를 기준으로 상기 복수의 3D 모델링 이미지를 위치시켜 상기 3D 이미지를 생성하는, 전자 장치.
  6. 제5항에 있어서,
    상기 기준 카메라의 위치는, 상기 복수의 카메라의 위치 정보에 기초하여 결정되는, 전자 장치.
  7. 제5항에 있어서,
    상기 프로세서는,
    상기 복수의 객체의 뎁스 정보 및 상기 복수의 객체의 위치 정보에 기초하여, 상기 기준 카메라의 위치를 기준으로 상기 복수의 3D 모델링 이미지를 위치시켜 상기 3D 이미지를 생성하는, 전자 장치.
  8. 제7항에 있어서,
    상기 복수의 객체의 위치 정보는, 상기 2D 이미지에서 상기 복수의 객체가 위치하는 2차원 좌표 정보를 포함하는, 전자 장치.
  9. 전자 장치의 3D 이미지 표시 방법에 있어서,
    2D 이미지에서 복수의 객체에 대응되는 복수의 객체 이미지를 획득하는 단계;
    상기 복수의 객체 이미지를 복수의 네트워크 모델에 적용하여 상기 복수의 객체 이미지에 대응되는 복수의 3D 모델링 이미지 및 상기 복수의 객체와 관련된 정보를 획득하는 단계; 및
    상기 복수의 객체와 관련된 정보 및 상기 2D 이미지에서의 상기 복수의 객체의 위치 정보에 기초하여 상기 복수의 3D 모델링 이미지를 포함하는 3D 이미지를 표시하는 단계;를 포함하는, 3D 이미지 표시 방법.
  10. 제9항에 있어서,
    상기 복수의 네트워크 모델은,
    객체를 포함하는 2D 이미지, 상기 객체에 대응되는 3D 모델링 이미지 및 객체의 속성에 기초하여 학습된 네트워크 모델인, 3D 이미지 표시 방법.
  11. ◈청구항 11은(는) 설정등록료 납부시 포기되었습니다.◈
    제9항에 있어서,
    상기 복수의 객체는, 사람, 사물 및 배경을 포함하며,
    상기 획득하는 단계는,
    상기 복수의 객체 이미지 각각을 상기 복수의 네트워크 모델 각각에 적용하여, 각 네트워크 모델로부터 객체 이미지에 대응되는 3D 모델 이미지 및 객체와 관련된 정보를 획득하는, 3D 이미지 표시 방법.
  12. ◈청구항 12은(는) 설정등록료 납부시 포기되었습니다.◈
    제11항에 있어서,
    상기 객체와 관련된 정보는, 상기 객체의 포즈 정보, 상기 객체를 촬영한 카메라에 대한 정보 및 상기 객체의 뎁스 정보를 포함하는, 3D 이미지 표시 방법.
  13. ◈청구항 13은(는) 설정등록료 납부시 포기되었습니다.◈
    제12항에 있어서,
    상기 표시하는 단계는,
    상기 복수의 객체를 촬영한 카메라에 대한 정보에 기초하여 상기 복수의 객체를 촬영한 복수의 카메라를 기준 카메라로 매칭시키고, 상기 기준 카메라의 위치를 기준으로 상기 복수의 3D 모델링 이미지를 위치시켜 상기 3D 이미지를 생성하는, 3D 이미지 표시 방법.
  14. ◈청구항 14은(는) 설정등록료 납부시 포기되었습니다.◈
    제13항에 있어서,
    상기 기준 카메라의 위치는, 상기 복수의 카메라의 위치 정보에 기초하여 결정되는, 3D 이미지 표시 방법.
  15. ◈청구항 15은(는) 설정등록료 납부시 포기되었습니다.◈
    제13항에 있어서,
    상기 표시하는 단계는,
    상기 복수의 객체의 뎁스 정보 및 상기 복수의 객체의 위치 정보에 기초하여, 상기 기준 카메라의 위치를 기준으로 상기 복수의 3D 모델링 이미지를 위치시켜 상기 3D 이미지를 생성하는, 3D 이미지 표시 방법.
  16. ◈청구항 16은(는) 설정등록료 납부시 포기되었습니다.◈
    제15항에 있어서,
    상기 복수의 객체의 위치 정보는, 상기 2D 이미지에서 상기 복수의 객체가 위치하는 2차원 좌표 정보를 포함하는, 3D 이미지 표시 방법.
KR1020180159664A 2018-12-12 2018-12-12 전자 장치 및 그의 3d 이미지 표시 방법 Active KR102526700B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020180159664A KR102526700B1 (ko) 2018-12-12 2018-12-12 전자 장치 및 그의 3d 이미지 표시 방법
PCT/KR2019/015151 WO2020122432A1 (ko) 2018-12-12 2019-11-08 전자 장치 및 그의 3d 이미지 표시 방법
US17/347,406 US11622098B2 (en) 2018-12-12 2021-06-14 Electronic device, and method for displaying three-dimensional image thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180159664A KR102526700B1 (ko) 2018-12-12 2018-12-12 전자 장치 및 그의 3d 이미지 표시 방법

Publications (2)

Publication Number Publication Date
KR20200071990A KR20200071990A (ko) 2020-06-22
KR102526700B1 true KR102526700B1 (ko) 2023-04-28

Family

ID=71077397

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180159664A Active KR102526700B1 (ko) 2018-12-12 2018-12-12 전자 장치 및 그의 3d 이미지 표시 방법

Country Status (3)

Country Link
US (1) US11622098B2 (ko)
KR (1) KR102526700B1 (ko)
WO (1) WO2020122432A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20250072231A (ko) 2023-11-16 2025-05-23 김희도 대상 객체에 관한 3차원 모델링 파일을 생성하는 방법 및 이를 수행하는 전자 장치
KR20250072233A (ko) 2023-11-16 2025-05-23 김희도 대상 객체에 관한 3차원 모델링 파일을 생성하는 방법 및 이를 수행하는 서버 장치

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11222413B2 (en) * 2016-11-08 2022-01-11 Samsung Electronics Co., Ltd. Method for correcting image by device and device therefor
KR102595787B1 (ko) * 2018-02-27 2023-11-24 삼성전자주식회사 전자 장치 및 그 제어 방법
JP7095616B2 (ja) * 2019-02-14 2022-07-05 日本電信電話株式会社 学習データ生成装置、方法及びプログラム
KR102506684B1 (ko) * 2019-10-18 2023-03-07 주식회사 메이아이 방문자 정보 획득 방법 및 그 장치
WO2022098164A1 (ko) * 2020-11-06 2022-05-12 삼성전자주식회사 전자 장치 및 전자 장치의 제어 방법
KR102245220B1 (ko) * 2020-11-09 2021-04-27 주식회사 엔닷라이트 딥러닝 기반으로 2차원 이미지로부터 3차원 모델을 복원하는 장치 및 그 방법
KR102341863B1 (ko) * 2021-08-25 2021-12-22 주식회사 에스에이엠지엔터테인먼트 생체정보를 이용한 인공지능 기반 디지털아이돌 컨텐츠 제작 시스템
KR102343582B1 (ko) * 2021-08-31 2021-12-29 주식회사 에스에이엠지엔터테인먼트 생체정보를 이용한 인공지능 기반 메타버스 컨텐츠 제작 시스템
KR102341866B1 (ko) * 2021-08-31 2021-12-22 주식회사 에스에이엠지엔터테인먼트 메타버스 디지털아이돌을 구현하는 인공지능 기반 플랫폼 제공 시스템 및 그 방법
KR102343581B1 (ko) * 2021-08-31 2021-12-29 주식회사 에스에이엠지엔터테인먼트 생체정보를 이용하여 캐릭터 리얼리티를 향상시키기 위한 인공지능 기반 디지털아이돌 컨텐츠 제작 시스템
KR102600420B1 (ko) * 2021-12-31 2023-11-09 주식회사 쓰리아이 3차원 가상모델 제공 방법 및 그를 위한 3차원 가상모델 제공 시스템
US20230368471A1 (en) * 2022-05-13 2023-11-16 Joseph Isaac Gratz Method and system for converting 2-d video into a 3-d rendering with enhanced functionality
KR102765229B1 (ko) * 2022-11-30 2025-02-12 주식회사 안지온 실시간 cctv 영상을 절대좌표 기반 가상현실과 통합한 3d 영상 융합 감시 서비스를 지원하는 시스템 및 방법

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0717373B1 (en) 1994-12-15 2001-11-07 Sanyo Electric Co. Ltd Method of converting two-dimensional images into three-dimensional images in a video game set
US7542034B2 (en) 2004-09-23 2009-06-02 Conversion Works, Inc. System and method for processing video images
JP4284664B2 (ja) 2004-11-04 2009-06-24 日本電気株式会社 三次元形状推定システム及び画像生成システム
US20090021513A1 (en) 2007-07-18 2009-01-22 Pixblitz Studios Inc. Method of Customizing 3D Computer-Generated Scenes
WO2009128181A1 (ja) * 2008-04-18 2009-10-22 株式会社ソニー・コンピュータエンタテインメント 画像表示装置、画像表示装置の制御方法及び情報記憶媒体
KR20120017228A (ko) 2010-08-18 2012-02-28 엘지전자 주식회사 이동 단말기 및 상기 이동 단말기의 영상 표시 방법
KR101390383B1 (ko) 2010-11-16 2014-04-29 한국전자통신연구원 가상현실 기반 훈련 시뮬레이터를 위한 가변형 플랫폼 관리 장치
GB2489675A (en) * 2011-03-29 2012-10-10 Sony Corp Generating and viewing video highlights with field of view (FOV) information
KR101732898B1 (ko) 2012-11-26 2017-05-08 삼성전자주식회사 영상 처리 장치 및 방법
US9710964B2 (en) 2014-01-23 2017-07-18 Max-Planck-Gesellschaft Zur Foerderung Der Wissenschaften E.V. Method for providing a three dimensional body model
US9721385B2 (en) 2015-02-10 2017-08-01 Dreamworks Animation Llc Generation of three-dimensional imagery from a two-dimensional image using a depth map
KR102286572B1 (ko) 2015-03-04 2021-08-06 한국전자통신연구원 2ｄ 동영상으로부터 새로운 3ｄ 입체 동영상 제작을 위한 장치 및 방법
KR102146398B1 (ko) 2015-07-14 2020-08-20 삼성전자주식회사 3차원 컨텐츠 생성 장치 및 그 3차원 컨텐츠 생성 방법
US9609307B1 (en) 2015-09-17 2017-03-28 Legend3D, Inc. Method of converting 2D video to 3D video using machine learning
KR20170050465A (ko) * 2015-10-30 2017-05-11 에스케이텔레콤 주식회사 얼굴 인식 장치 및 방법
US20170280130A1 (en) 2016-03-25 2017-09-28 Microsoft Technology Licensing, Llc 2d video analysis for 3d modeling
KR101748674B1 (ko) 2016-05-18 2017-06-19 연세대학교 산학협력단 3차원 영상 생성 방법 및 장치
KR102359391B1 (ko) 2016-11-08 2022-02-04 삼성전자주식회사 디바이스가 이미지를 보정하는 방법 및 그 디바이스
KR102018330B1 (ko) * 2017-04-11 2019-09-05 한국전자통신연구원 다중 메타학습을 이용한 플랜트 배관 이상 감지 장치 및 방법
KR101906431B1 (ko) * 2017-07-20 2018-10-11 네이버랩스 주식회사 ２ｄ 이미지 인식에 기반한 ３ｄ 모델링 방법 및 그 시스템
US10937150B2 (en) * 2018-06-28 2021-03-02 General Electric Company Systems and methods of feature correspondence analysis
US10861225B2 (en) * 2018-08-10 2020-12-08 Intel Corporation Neural network processing for multi-object 3D modeling
US11217006B2 (en) 2018-10-29 2022-01-04 Verizon Patent And Licensing Inc. Methods and systems for performing 3D simulation based on a 2D video image
US10771763B2 (en) * 2018-11-27 2020-09-08 At&T Intellectual Property I, L.P. Volumetric video-based augmentation with user-generated content
AU2021351645B2 (en) * 2020-09-29 2024-10-03 Blue River Technology Inc. Calibration of autonomous farming vehicle image acquisition system

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20250072231A (ko) 2023-11-16 2025-05-23 김희도 대상 객체에 관한 3차원 모델링 파일을 생성하는 방법 및 이를 수행하는 전자 장치
KR20250072233A (ko) 2023-11-16 2025-05-23 김희도 대상 객체에 관한 3차원 모델링 파일을 생성하는 방법 및 이를 수행하는 서버 장치

Also Published As

Publication number Publication date
KR20200071990A (ko) 2020-06-22
US11622098B2 (en) 2023-04-04
US20210306615A1 (en) 2021-09-30
WO2020122432A1 (ko) 2020-06-18

Similar Documents

Publication Publication Date Title
KR102526700B1 (ko) 전자 장치 및 그의 3d 이미지 표시 방법
US12394189B2 (en) Data recognition model construction apparatus and method for constructing data recognition model thereof, and data recognition apparatus and method for recognizing data thereof
KR102643027B1 (ko) 전자 장치, 그의 제어 방법
US11557085B2 (en) Neural network processing for multi-object 3D modeling
US11526713B2 (en) Embedding human labeler influences in machine learning interfaces in computing environments
US12005579B2 (en) Robot reacting on basis of user behavior and control method therefor
US12153622B2 (en) Electronic device for searching content and control method therefor
US20190042574A1 (en) Electronic device and method for controlling the electronic device
KR102697345B1 (ko) 감정 정보 획득을 위한 전자 장치 및 방법
CN108090408A (zh) 用于执行脸部表情识别和训练的方法和设备
KR102414602B1 (ko) 데이터 인식 모델 구축 장치 및 이의 데이터 인식 모델 구축 방법과, 데이터 인식 장치 및 이의 데이터 인식 방법
US11270565B2 (en) Electronic device and control method therefor
KR20240032779A (ko) 전자 장치, 그의 제어 방법
CN114758334B (zh) 一种对象注册方法及装置
CN111670004B (zh) 用于测量心率的电子装置和方法
CN113168700A (zh) 电子装置及其控制方法
KR102532230B1 (ko) 전자 장치 및 그 제어 방법
US11468270B2 (en) Electronic device and feedback information acquisition method therefor
Heath et al. Detecting attention in pivotal response treatment video probes
US12307006B2 (en) Egocentric human body pose tracking
EP4537302A1 (en) Fast ar device pairing using depth predictions
KR20220076048A (ko) 전자 장치 및 전자 장치의 제어 방법
US20240412556A1 (en) Multi-modal facial feature extraction using branched machine learning models
US20250232451A1 (en) Detecting moving objects
US20250131660A1 (en) Displaying information based on gaze

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20181212

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20211207

Comment text: Request for Examination of Application

Patent event code: PA02011R01I

Patent event date: 20181212

Comment text: Patent Application

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20221017

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20230125

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20230424

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20230425

End annual number: 3

Start annual number: 1

PG1601 Publication of registration