KR102316216B1

KR102316216B1 - 블라인드 워터마킹 기술을 이용한 카메라 기반 측위 방법 및 시스템

Info

Publication number: KR102316216B1
Application number: KR1020190144525A
Authority: KR
Inventors: 이동환; 김덕화; 석상옥
Original assignee: 네이버랩스 주식회사
Priority date: 2019-11-12
Filing date: 2019-11-12
Publication date: 2021-10-22
Also published as: KR20210057586A

Abstract

블라인드 워터마킹 기술을 이용한 카메라 기반 측위 방법 및 시스템이 개시된다. 측위 방법은, 쿼리 이미지에서 비가시적인 마커(invisible marker)가 포함된 합성 이미지를 인식하는 단계; 및 상기 마커의 식별 태그와 매칭된 좌표를 기반으로 상기 쿼리 이미지의 포즈(pose)를 계산하는 단계를 포함한다.

Description

블라인드 워터마킹 기술을 이용한 카메라 기반 측위 방법 및 시스템{METHOD AND SYSTEM FOR CAMERA-BASED VISUAL LOCALIZATION USING BLIND WATERMARKING}

아래의 설명은 카메라 기반 측위 기술에 관한 것이다.

이동로봇은 주어진 환경 내에서 자신의 위치를 파악할 수 있어야 할 뿐만 아니라, 이전에 경험하지 못한 새로운 환경에 놓이는 경우 스스로 그 주변 화면에 대한 지도를 작성할 수 있어야 한다.

이동로봇의 지도 작성이란, 주변의 장애물이나 물체가 놓인 위치, 그리고 자유롭게 이동 가능한 열린 공간 등을 알아내어 적절한 방법으로 기억하는 작업을 의미한다.

이동로봇의 지도 작성 기술의 일례로, 한국 공개특허공보 제10-2010-0070922호(공개일 2010년 06월 28일)에는 주변 물체까지의 거리 정보를 이용하여 격자 지도를 작성한 후 랜드마크의 위치 정보와 연동 시킴으로써 이동로봇의 위치 인식을 위한 최종 격자 지도를 작성할 수 있는 기술이 개시되어 있다.

딥러닝 기반 블라인드 워터마킹 기술을 통해 비가시적인 마커(invisible marker)를 생성하여 이를 카메라 기반 측위에 이용할 수 있는 방법과 시스템을 제공한다.

사람의 눈으로 식별이 어려운 비가시적인 마커를 측위 대상이 되는 공간 상에 붙여놓고 사전에 맵핑된 마커의 좌표를 기반으로 카메라 포즈를 계산할 수 있는 방법과 시스템을 제공한다.

컴퓨터 시스템에서 실행되는 측위 방법에 있어서, 상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 측위 방법은, 상기 적어도 하나의 프로세서에 의해, 쿼리 이미지에서 비가시적인 마커(invisible marker)가 포함된 합성 이미지를 인식하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 마커의 식별 태그와 매칭된 좌표를 기반으로 상기 쿼리 이미지의 포즈(pose)를 계산하는 단계를 포함하는 측위 방법을 제공한다.

일 측면에 따르면, 상기 측위 방법은, 상기 적어도 하나의 프로세서에 의해, 블라인드 워터마킹을 통해 상기 마커가 비가시적인 형태로 삽입된 상기 합성 이미지를 생성하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 합성 이미지가 부착된 위치 좌표와 상기 합성 이미지에 포함된 마커의 식별 태그를 매칭하여 VL(visual localization)에 이용되는 마커 지도를 구성하는 단계를 포함할 수 있다.

다른 측면에 따르면, 상기 생성하는 단계는, 임의 이미지와 상기 마커를 입력으로 하는 딥러닝 기반 합성 모델을 통해 상기 합성 이미지를 생성하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 합성 모델은 상기 임의 이미지와 상기 합성 이미지 간의 차이에 기초하여 학습되는 것으로, 상기 임의 이미지를 피처로 인코딩하기 위한 적어도 하나의 레이어를 포함하는 제1 서브 모델, 상기 마커를 피처로 인코딩하기 위한 적어도 하나의 레이어를 포함하는 제2 서브 모델, 및 상기 제1 서브 모델의 출력 데이터와 상기 제2 서브 모델의 출력 데이터인 피처를 결합하여 결합된 피처를 다시 이미지로 디코딩하기 위한 적어도 하나의 레이어를 포함하는 제3 서브 모델을 포함할 수 있다.

또 다른 측면에 따르면, 상기 인식하는 단계는, 상기 합성 이미지를 입력으로 하는 딥러닝 기반 검출 모델을 통해 상기 합성 이미지에서 상기 마커를 검출하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 검출 모델은 상기 합성 이미지를 피처로 인코딩하기 위한 적어도 하나의 레이어를 포함하는 제1 서브 모델, 및 상기 제1 서브 모델의 출력 데이터인 피처를 다시 이미지로 디코딩하기 위한 적어도 하나의 레이어를 포함하는 제2 서브 모델을 포함할 수 있다.

또 다른 측면에 따르면, 상기 측위 방법은, 상기 적어도 하나의 프로세서에 의해, 측위 대상 공간에 대한 지리적 태그 이미지(geo-tagged images)로서 포즈가 태깅된 데이터를 상기 VL에 이용되는 이미지 지도로 구성하는 단계를 포함하고, 상기 계산하는 단계는, 상기 이미지 지도를 이용하여 상기 쿼리 이미지의 포즈를 계산하는 단계; 및 상기 쿼리 이미지에서 상기 합성 이미지가 인식되는 경우 상기 마커 지도에 가중치를 두어 상기 마커 지도를 이용하여 상기 쿼리 이미지의 포즈를 계산하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 측위 방법은, 상기 적어도 하나의 프로세서에 의해, 측위 대상 공간에 대한 지리적 태그 이미지로서 포즈가 태깅된 데이터를 상기 VL에 이용되는 이미지 지도로 구성하는 단계를 포함하고, 상기 계산하는 단계는, 상기 쿼리 이미지에 대해 상기 이미지 지도를 이용한 포즈 계산 결과를 이용하여 상기 마커 지도를 이용한 포즈 계산 결과를 검증하거나 혹은 상기 마커 지도를 이용한 포즈 계산 결과를 이용하여 상기 이미지 지도를 이용한 포즈 계산 결과를 검증하는 단계를 포함할 수 있다.

상기 측위 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 제공한다.

상기 측위 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 비-일시적인 컴퓨터 판독 가능한 기록 매체를 제공한다.

컴퓨터 시스템에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 쿼리 이미지에서 비가시적인 마커가 포함된 합성 이미지를 인식하여 상기 마커의 식별 태그와 매칭된 좌표를 기반으로 상기 쿼리 이미지의 포즈를 계산하는 포즈 계산부를 포함하는 컴퓨터 시스템을 제공한다.

본 발명의 실시예들에 따르면, 딥러닝 기반 블라인드 워터마킹 기술을 통해 비가시적인 마커를 생성할 수 있고 비가시적인 마커를 카메라 기반 측위에 이용할 수 있다.

본 발명의 실시예들에 따르면, 사람의 눈으로 식별이 어려운 비가시적인 마커를 측위 대상이 되는 공간 상에 붙여놓고 사전에 맵핑된 마커의 좌표를 기반으로 카메라 포즈를 계산할 수 있다.

본 발명의 실시예들에 따르면, 측위 대상이 되는 공간에 대한 마커의 3차원 좌표를 기록하여 VL(visual localization)용 지도로 활용함으로써 사전 작업에 드는 비용과 수고는 물론이고 유지보수 부담을 줄일 수 있다.

본 발명의 실시예들에 따르면, 비가시적인 마커의 좌표를 기반으로 카메라 포즈를 계산할 수 있어 텍스처 정보 부족(textureless) 등 측위가 어려운 있는 환경의 공간에서도 적용 가능하다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 있어서 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 3 내지 도 4는 본 발명의 일실시예에 있어서 VL(visual localization)을 수행하는 과정을 설명하기 위한 예시 도면이다.
도 5는 본 발명의 일실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 블록도이다.
도 6은 본 발명의 일실시예에 따른 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.
도 7은 본 발명의 일실시예에 있어서 마커가 포함된 합성 이미지를 도시한 예시 도면이다.
도 8은 본 발명의 일실시예에 있어서 마커에 대한 3차원 좌표를 기록한 마커 지도 데이터베이스를 도시한 예시 도면이다.
도 9는 본 발명의 일실시예에 있어서 이미지 지도와 마커 지도를 측위에 활용하는 방법을 설명하기 위한 예시 도면이다.
도 10 내지 도 12는 본 발명의 일실시예에 있어서 마커가 포함된 합성 이미지를 생성하는 과정을 설명하기 위한 예시 도면이다.
도 13 내지 도 14는 본 발명의 일실시예에 있어서 합성 이미지에서 마커를 검출하는 과정을 설명하기 위한 예시 도면이다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

본 발명의 실시예들은 카메라 기반 측위 기술에 관한 것이다.

본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 딥러닝 기반 블라인드 워터마킹 기술을 통해 비가시적인 마커를 생성하여 이를 카메라 기반 측위에 이용할 수 있고, 이를 통해 시스템을 가볍게 구현할 수 있고 사전 작업은 물론이고 유지보수가 용이하며 유연한 측위 환경을 제공할 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다.

복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 시스템으로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 시스템들 중 하나를 의미할 수 있다.

통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 제1 서비스를 제공하는 시스템일 수 있으며, 서버(160) 역시 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 제2 서비스를 제공하는 시스템일 수 있다. 보다 구체적인 예로, 서버(150)는 복수의 전자 기기들(110, 120, 130, 140)에 설치되어 구동되는 컴퓨터 프로그램으로서의 어플리케이션을 통해, 해당 어플리케이션이 목적하는 서비스(일례로, VL 기반 서비스 등)를 제1 서비스로서 복수의 전자 기기들(110, 120, 130, 140)로 제공할 수 있다. 다른 예로, 서버(160)는 상술한 어플리케이션의 설치 및 구동을 위한 파일을 복수의 전자 기기들(110, 120, 130, 140)로 배포하는 서비스를 제2 서비스로서 제공할 수 있다.

도 2는 본 발명의 일실시예에 있어서 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다. 도 2에서는 전자 기기에 대한 예로서 전자 기기(110), 그리고 서버(150)의 내부 구성을 설명한다. 또한, 다른 전자 기기들(120, 130, 140)이나 서버(160) 역시 상술한 전자 기기(110) 또는 서버(150)와 동일한 또는 유사한 내부 구성을 가질 수 있다.

전자 기기(110)와 서버(150)는 메모리(211, 221), 프로세서(212, 222), 통신 모듈(213, 223) 그리고 입출력 인터페이스(214, 224)를 포함할 수 있다. 메모리(211, 221)는 비-일시적인 컴퓨터 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리(211, 221)와는 구분되는 별도의 영구 저장 장치로서 전자 기기(110)나 서버(150)에 포함될 수도 있다. 또한, 메모리(211, 221)에는 운영체제와 적어도 하나의 프로그램 코드(일례로 전자 기기(110)에 설치되어 구동되는 브라우저나 특정 서비스의 제공을 위해 전자 기기(110)에 설치된 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(211, 221)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(213, 223)을 통해 메모리(211, 221)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로, 상술한 서버(160))이 네트워크(170)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(일례로 상술한 어플리케이션)에 기반하여 메모리(211, 221)에 로딩될 수 있다.

프로세서(212, 222)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(211, 221) 또는 통신 모듈(213, 223)에 의해 프로세서(212, 222)로 제공될 수 있다. 예를 들어 프로세서(212, 222)는 메모리(211, 221)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 모듈(213, 223)은 네트워크(170)를 통해 전자 기기(110)와 서버(150)가 서로 통신하기 위한 기능을 제공할 수 있으며, 전자 기기(110) 및/또는 서버(150)가 다른 전자 기기(일례로 전자 기기(120)) 또는 다른 서버(일례로 서버(160))와 통신하기 위한 기능을 제공할 수 있다. 일례로, 전자 기기(110)의 프로세서(212)가 메모리(211)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(213)의 제어에 따라 네트워크(170)를 통해 서버(150)로 전달될 수 있다. 역으로, 서버(150)의 프로세서(222)의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 통신 모듈(223)과 네트워크(170)를 거쳐 전자 기기(110)의 통신 모듈(213)을 통해 전자 기기(110)로 수신될 수 있다. 예를 들어 통신 모듈(213)을 통해 수신된 서버(150)의 제어 신호나 명령, 컨텐츠, 파일 등은 프로세서(212)나 메모리(211)로 전달될 수 있고, 컨텐츠나 파일 등은 전자 기기(110)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.

입출력 인터페이스(214)는 입출력 장치(215)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드, 마우스, 마이크로폰, 카메라 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(214)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(215)는 전자 기기(110)와 하나의 장치로 구성될 수도 있다. 또한, 서버(150)의 입출력 인터페이스(224)는 서버(150)와 연결되거나 서버(150)가 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 보다 구체적인 예로, 전자 기기(110)의 프로세서(212)가 메모리(211)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 서버(150)나 전자 기기(120)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(214)를 통해 디스플레이에 표시될 수 있다.

또한, 다른 실시예들에서 전자 기기(110) 및 서버(150)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 전자 기기(110)는 상술한 입출력 장치(215) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다. 보다 구체적인 예로, 전자 기기(110)가 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 가속도 센서나 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 전자 기기(110)에 더 포함되도록 구현될 수 있다.

먼저, 이미지를 기반으로 포즈(3축 위치 값과 3축 방향 값을 포함함)를 계산하는, 즉 VL을 수행하는 과정을 설명한다.

도 3 내지 도 4는 VL 과정의 일례를 설명하기 위한 예시 도면이다.

서버(150)는 대상 공간에 대한 지리적 태그 이미지(geo-tagged images)를 이용하여 3D 모델에 해당되는 VL용 지도(이하, '이미지 지도'라 칭함)(400)를 사전에 구성하여 유지할 수 있다.

도 3에 도시한 바와 같이, 서버(150)는 전자 기기(예컨대, 모바일 단말이나 이동 로봇 등)(110)에서 촬영된 이미지를 쿼리 이미지(301)로 수신하는 경우 이미지 지도 데이터베이스(일례로, 메모리(221))로부터 쿼리 이미지(301)와 유사한 참조 이미지(302)를 추출할 수 있다. 이때, 서버(150)는 딥러닝(deep learning) 모델을 통해 쿼리 이미지(301)에서 글로벌한 피처를 추출한 후 추출된 피처를 이용하여 참조 이미지(302)를 검색할 수 있다.

도 4에 도시한 바와 같이, 서버(150)는 참조 이미지(302)와 대응되는 3D 모델(303)과 함께 쿼리 이미지(301)를 이용한 로컬리제이션을 통해 쿼리 이미지(301)의 6자유도 포즈(위치 및 방향)를 추정할 수 있다. 다시 말해, 서버(150)는 포즈가 태깅된 데이터를 이용하여 VL을 수행함으로써 이미지 지도(400) 상에서 쿼리 이미지(301)에 대응되는 지점을 확인할 수 있다.

이와 같이, 이미지를 기반으로 카메라 포즈(3축 위치 값과 3축 방향 값을 포함함)를 계산하기 위해서, 즉 VL을 수행하기 위해서는 사전에 데이터 수집 장비를 이용하여 대상 공간을 스캐닝 한 후 스캐닝을 통해 얻은 (포즈가 태깅된) 데이터를 가공하여 이미지 지도(400)를 생성할 수 있다.

이러한 이미지 기반 측위의 경우 이미지 지도(400)를 구성하기 위한 사전 작업은 물론이고 유지보수에 많은 비용과 수고가 요구되고 있다. 시간이 흐름에 따라 대상 공간의 변화(예컨대, 가게, 조형물, 구조물 등이 없어지거나 새로 생기는 경우 등)가 생길 수 있으며, 이러한 변화는 시각 정보만을 기반으로 동작하는 VL 성능에 영향을 미칠 수 있다.

따라서, 사전 작업과 유지보수에 드는 비용과 수고를 최소화할 수 있고, 아울러 공간적 변화와 상태적 변화에 따른 영향을 최소화할 수 있는 측위 기술이 필요하다.

이하에서는 블라인드 워터마킹 기술을 활용한 카메라 기반 측위 방법 및 시스템의 구체적인 실시예를 설명하기로 한다.

도 5은 본 발명의 일실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 블록도이고, 도 6는 본 발명의 일실시예에 따른 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.

본 실시예에 따른 서버(150)는 위치 기반 서비스의 일례로 VL 기반 서비스를 제공할 수 있으며, 특히 블라인드 워터마킹 기술을 활용한 카메라 기반 측위 기술을 제공할 수 있다.

서버(150)의 프로세서(222)는 도 6에 따른 측위 방법을 수행하기 위한 구성요소로서 도 5에 도시된 바와 같이, 마커 생성부(510), 지도 구성부(520), 및 포즈 계산부(530)를 포함할 수 있다. 실시예에 따라 프로세서(222)의 구성요소들은 선택적으로 프로세서(222)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(222)의 구성요소들은 프로세서(222)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.

이러한 프로세서(222) 및 프로세서(222)의 구성요소들은 도 6의 측위 방법이 포함하는 단계들(S610 내지 S630)을 수행하도록 서버(150)를 제어할 수 있다. 예를 들어, 프로세서(222) 및 프로세서(222)의 구성요소들은 메모리(221)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.

여기서, 프로세서(222)의 구성요소들은 서버(150)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(222)에 의해 수행되는 프로세서(222)의 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 서버(150)가 측위에 활용하기 위한 마커 이미지를 생성하도록 상술한 명령에 따라 서버(150)를 제어하는 프로세서(222)의 기능적 표현으로서 마커 생성부(510)가 이용될 수 있다.

프로세서(222)는 서버(150)의 제어와 관련된 명령이 로딩된 메모리(221)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(222)가 이후 설명될 단계들(S610 내지 S630)을 실행하도록 제어하기 위한 명령을 포함할 수 있다.

단계(S610)에서 마커 생성부(510)는 비가시적인 마커가 포함된 이미지(이하, '합성 이미지'라 칭함)를 생성할 수 있다. 도 7을 참조하면, 마커(10)가 포함된 합성 이미지(700)는 포스터나 벽지, 스티커 등 측위 대상이 되는 공간 상에 부착 가능한 인쇄물 형태로 제작될 수 있다. 에이프릴태그(Apriltag)와 같은 마커를 측위에 활용하기 위해서는 마커(10)가 포함된 합성 이미지(700)를 측위 대상 공간 상에 붙여놓게 된다. 본 실시예에서 마커는 딥러닝 기반 블라인드 워터마킹 기술을 통해 사람의 눈으로 식별이 어려운 비가시적인 형태로 이미지에 합성된다. 예를 들어, 픽셀 이미지와 같은 원본 이미지를 JPEG 등의 포맷으로 변환하여 변환된 이미지의 주파수 도메인에 특정 신호를 합성한 후 타임 도메인으로 바꾸는 방식을 통해 원본 이미지는 가식적인 형태를 가지는 반면 특정 신호는 비가시적인 형태를 가지는 합성 이미지를 만들 수 있다. 비가시적인 형태의 마커(10)가 포함된 합성 이미지(700)를 생성하는 구체적인 과정에 대해서는 이하에서 다시 설명하기로 한다.

단계(S620)에서 지도 구성부(520)는 측위 대상 공간에 해당되는 VL용 지도로서 합성 이미지가 부착된 위치 좌표와 합성 이미지에 포함된 마커의 식별 태그를 매칭한 VL용 지도(이하, '마커 지도'라 칭함)를 구성할 수 있다. 지도 구성부(520)는 마커에 대한 3차원 좌표, 즉 합성 이미지가 부착된 위치 좌표를 기록해 놓음으로써 측위를 위한 사전 데이터베이스(일례로, 메모리(221))를 구성하여 유지할 수 있다. 도 8을 참조하면, 지도 구성부(520)는 마커의 식별 태그(810)와, 해당 마커가 부착된 측위 대상 공간 상의 3차원 좌표(820)를 매칭하여 기록함으로써 마커 지도 데이터베이스(800)를 구성할 수 있다. 측위를 위한 사전 데이터베이스로서 마커 지도만을 구성하여 유지할 수도 있고, 실시예에 따라서는 측위 대상 공간에 대한 지리적 태그 이미지로 이루어진 이미지 지도와 함께 마커 지도를 추가 구성하여 유지할 수도 있다.

단계(S630)에서 포즈 계산부(530)는 측위 대상 공간을 이동하는 전자 기기(예컨대, 모바일 단말이나 이동로봇 등)(110)에서 촬영된 이미지를 쿼리 이미지로 수신할 수 있고, 이때 쿼리 이미지에서 마커의 식별 태그가 검출되면 검출된 식별 태그와 매칭된 좌표를 기반으로 쿼리 이미지의 6자유도 포즈(위치 및 방향)를 추정할 수 있다. 다시 말해, 포즈 계산부(530)는 전자 기기(110)의 카메라를 사용하여 마커를 인식할 수 있고, 이때 인식된 마커의 사전 맵핑 좌표를 기반으로 카메라 포즈를 계산할 수 있다.

포즈 계산부(530)는 쿼리 이미지로 수신된 전자 기기(110)의 카메라 영상에서 합성 이미지(700)가 인식되는 경우 인식된 합성 이미지(700)를 대상으로 마커 검출(marker detection) 과정을 수행할 수 있다. 포즈 계산부(530)는 마커 검출 과정을 통해 합성 이미지(700)에서 마커가 검출되면 마커 지도 데이터베이스로부터 해당 마커의 식별 태그와 매칭된 좌표를 확인하여 확인된 좌표를 기반으로 카메라 포즈를 계산할 수 있다.

상기한 실시예에 따르면, 서버(150)는 사전 데이터베이스로서 마커에 대한 3차원 좌표가 기록된 마커 지도만을 구성하여 측위에 활용할 수 있다.

다른 예로, 서버(150)는 사전 데이터베이스로서 이미지 지도와 마커 지도를 함께 구성하여 측위에 활용하는 것 또한 가능하다.

도 9를 참조하면, 단계(S901)에서 포즈 계산부(530)는 전자 기기(110)로부터 쿼리 이미지가 수신되는 경우 이미지 지도 데이터베이스를 이용하여 쿼리 이미지에 대응되는 포즈를 계산할 수 있다. 이때, 포즈 계산부(530)는 이미지 지도 데이터베이스와 함께 쿼리 이미지를 이용한 로컬리제이션을 통해 쿼리 이미지의 포즈를 추정할 수 있다. 포즈 계산부(530)는 포즈가 태깅된 데이터를 이용하여 VL을 수행함으로써 쿼리 이미지에 대응되는 지점을 확인할 수 있다.

단계(S902)에서 포즈 계산부(530)는 전자 기기(110)로부터 수신된 쿼리 이미지에서 사전 학습된 합성 이미지가 인식되는지 여부를 판단할 수 있다. 포즈 계산부(530)는 딥러닝 모델을 통해 쿼리 이미지에서 글로벌한 피처를 추출한 후 추출된 피처에서 합성 이미지로 사전 학습된 피처를 확인함으로써 합성 이미지를 인식할 수 있다.

단계(S903)에서 포즈 계산부(530)는 쿼리 이미지에서 합성 이미지가 인식되는 경우 마커 지도 데이터베이스를 이용하여 쿼리 이미지에 대응되는 포즈를 계산할 수 있다. 다시 말해, 포즈 계산부(530)는 쿼리 이미지에 포함된 합성 이미지에서 마커를 검출하여 검출된 마커의 식별 태그와 매칭된 좌표를 기반으로 쿼리 이미지의 포즈를 계산할 수 있다.

포즈 계산부(530)는 쿼리 이미지에서 합성 이미지가 인식되지 않으면 이미지 지도를 이용한 측위를 유지한다.

다시 말해, 포즈 계산부(530)는 기본적으로 이미지 지도를 활용하여 측위를 하되 카메라 영상에서 마커가 포함된 합성 이미지가 포착되는 경우 마커 지도에 가중치를 두어 마커 지도를 측위에 활용할 수 있다.

따라서, 서버(150)는 전자 기기(110)로부터 획득한 카메라 영상에서 합성 이미지가 인식되는지 여부에 따라 마커 지도와 이미지 지도 중 어느 하나의 데이터베이스를 선택적으로 이용하여 3차원 공간 상에서 카메라의 포즈를 계산할 수 있다.

상기에서는 마커 지도 또는 이미지 지도를 선택적으로 측위에 활용하는 것으로 설명하고 있으나, 이에 한정되는 것은 아니며 다양한 형태로 마커 지도와 이미지 지도를 함께 활용하는 것 또한 가능하다. 예를 들어, 마커 지도를 이용한 포즈 계산 결과를 검증하기 위해 이미지 지도를 이용한 포즈 계산 결과를 이용할 수도 있고, 혹은 이미지 지도를 이용한 포즈 계산 결과를 검증하기 위해 마커 지도를 이용한 포즈 계산 결과를 이용할 수도 있다.

마커가 포함된 합성 이미지를 생성하는 과정은 다음과 같다.

도 10을 참조하면, 마커 생성부(510)는 합성 모델(1000)을 통해 마커(10)와 임의의 배경 이미지(20)를 합성함으로써 마커(10)가 포함된 합성 이미지(700)를 획득할 수 있다.

일례로, 마커 생성부(510)는 DNN(deep neural network) 기반 오토인코더(autoencoder)로 구성된 합성 모델(1000)을 이용하여 합성 이미지(700)를 생성할 수 있으며, 이때 합성 모델(1000)은 합성 이미지(700) 내에서 마커(10)가 사람의 눈으로 식별이 어려운 비가시적인 형태를 가지도록, 그리고 다양한 변형 공격에 따라 변형된 합성 이미지(700)에서 마커(10)의 추출이 가능하도록 훈련될 수 있다.

합성 모델(1000)은 도 11에 도시한 바와 같이 제1 서브 모델(1110), 제2 서브 모델(1120), 및 제3 서브 모델(1130)을 포함할 수 있다.

제1 서브 모델(1110)은 배경 이미지(20)를 입력받아 출력 데이터를 출력하고, 제2 서브 모델(1120)은 마커(10)를 입력받아 출력 데이터를 출력할 수 있다. 제1 서브 모델(1110)은 배경 이미지(20)를 피처로 인코딩하는 역할을 하고, 제2 서브 모델(1120)은 마커(10)를 피처로 인코딩하는 역할을 한다. 이때, 피처의 크기가 일반적으로 이미지의 크기보다 작기 때문에 제1 서브 모델(1110)은 배경 이미지(20)의 크기를 감소시킬 수 있고, 제2 서브 모델(1120)은 마커(10)의 크기를 감소시킬 수 있다.

제1 서브 모델(1110)의 출력 데이터와 제2 서브 모델(1120)의 출력 데이터는 결합(concatenation)되어 제3 서브 모델(1130)로 입력된다. 제3 서브 모델(1130)은 제1 서브 모델(1110)의 출력 데이터와 제2 서브 모델(1120)의 출력 데이터가 결합된 결과를 처리하여 합성 이미지(700)를 생성할 수 있다. 제3 서브 모델(1130)은 제1 서브 모델(1110)의 출력 데이터와 제2 서브 모델(1120)의 출력 데이터가 결합된 결과의 크기를 증가시킬 수 있다. 다시 말해, 제3 서브 모델(1130)은 제1 서브 모델(1110)에서 출력된 피처와 제2 서브 모델(1120)에서 출력된 피처끼리 결합하여 결합된 피처를 다시 이미지로 디코딩하는 역할을 한다.

제1 서브 모델(1110), 제2 서브 모델(1120), 및 제3 서브 모델(1130) 각각은 입력된 데이터를 처리하기 위한 적어도 하나의 레이어를 포함할 수 있다. 적어도 하나의 레이어는 컨볼루션 레이어(convolution layer)를 포함할 수 있으며, 컨볼루션 레이어는 입력된 데이터에 대해 필터 커널로 컨볼루션 처리를 하고 컨볼루션 처리 결과를 다음 레이어로 출력할 수 있다.

일례로, 컨볼루션 레이어에서 출력된 데이터는 배치 정규화(batch normalization) 레이어 및 활성화 레이어에서 연속적으로 처리될 수 있다. 활성화 레이어는 이전 레이어의 출력 결과에 대해 비선형(non-linear) 특성을 부여할 수 있다. 활성화 레이어는 활성화 함수를 이용할 수 있다. 이때, 활성화 함수는 ReLU(rectified linear unit) 함수, 시그모이드 함수(sigmoid function), Tanh 함수 등을 포함할 수 있다.

도 12는 합성 모델(1000)의 구조를 상세하게 설명하기 위한 도면이다.

도 12를 참조하면, 제1 서브 모델(1110)은 A 컨볼루션 레이어(1111-A), B 컨볼루션 레이어(1111-B), C 컨볼루션 레이어(1111-C), D 컨볼루션 레이어(1111-D)를 포함하고, 제2 서브 모델(1120)은 E 컨볼루션 레이어(1121-E), F 컨볼루션 레이어(1121-F), G 컨볼루션 레이어(1121-G), H 컨볼루션 레이어(1121-H)를 포함하고, 제3 서브 모델(1130)은 I 컨볼루션 레이어(1131-I), J 컨볼루션 레이어(1131-J), K 컨볼루션 레이어(1131-K), L 컨볼루션 레이어(1131-L)를 포함할 수 있다.

제1 서브 모델(1110), 제2 서브 모델(1120), 및 제3 서브 모델(1130)에 포함된 컨볼루션 레이어에서 출력되는 데이터는 소정 크기 및 소정 뎁스(depth)를 가질 수 있다. 예를 들어, A 컨볼루션 레이어(1111-A)에서 출력된 데이터(1112-A)는 128×128의 크기를 가지며 뎁스는 64일 수 있다. A 컨볼루션 레이어(1111-A)는 미리 결정된 크기의 필터 커널을 이용하여 미리 결정된 스트라이드(stride)에 따라 배경 이미지(20)를 컨볼루션 처리하여 128×128의 크기를 갖는 64개의 데이터(1112-A)를 출력할 수 있다.

도 12는 제1 서브 모델(1110), 제2 서브 모델(1120), 및 제3 서브 모델(1130) 모두 4개의 컨볼루션 레이어를 포함하는 것으로 도시하고 있으나, 이는 하나의 예시일 뿐, 제1 서브 모델(1110), 제2 서브 모델(1120), 및 제3 서브 모델(1130) 각각에 포함된 컨볼루션 레이어의 개수는 다양하게 변경될 수 있다.

또한, 제1 서브 모델(1110), 제2 서브 모델(1120), 및 제3 서브 모델(1130)에 포함된 컨볼루션 레이어들에서 출력되는 출력 데이터들의 크기 및 뎁스는 도시된 것에 한정되는 것은 아니며, 당업자가 필터 커널의 크기, 개수, 및 스트라이드를 다양하게 설정함으로써 출력 데이터들의 크기 및 뎁스를 다양하게 변경할 수 있다.

구체적인 도시는 생략하였으나, 제1 서브 모델(1110), 제2 서브 모델(1120), 및 제3 서브 모델(1130)에 포함된 컨볼루션 레이어들 중 적어도 하나의 컨볼루션 레이어의 후단에는 배치 정규화 레이어 및/또는 활성화 레이어가 위치할 수 있다. 예를 들어, A 컨볼루션 레이어(1111-A)의 후단에 배치 정규화 레이어 및/또는 활성화 레이어가 위치하는 경우 A 컨볼루션 레이어(1111-A)에서 출력되는 데이터(1112-A)는 배치 정규화 레이어 및/또는 활성화 레이어에서 처리된 후 B 컨볼루션 레이어(1111-B)로 입력될 수 있다.

배경 이미지(20)는 제1 서브 모델(1110)로 입력되어 크기가 감소될 수 있다. 배경 이미지(20)는 A 컨볼루션 레이어(1111-A)로 입력되어 컨볼루션 처리되고, A 컨볼루션 레이어(1111-A)의 출력 데이터(1112-A)는 B 컨볼루션 레이어(1111-B)로 입력되어 컨볼루션 처리될 수 있다. 그리고, B 컨볼루션 레이어(1111-B)의 출력 데이터(1112-B)는 C 컨볼루션 레이어(1111-C)로 입력되어 컨볼루션 처리될 수 있고, C 컨볼루션 레이어(1111-C)의 출력 데이터(1112-C)는 D 컨볼루션 레이어(1111-D)로 입력되어 컨볼루션 처리될 수 있다.

마커(10)는 제2 서브 모델(1120)로 입력되어 크기가 감소될 수 있다. 마커(10)는 E 컨볼루션 레이어(1121-E)로 입력되어 컨볼루션 처리되고, E 컨볼루션 레이어(1121-E)의 출력 데이터(1122-E)는 F 컨볼루션 레이어(1121-F)로 입력되어 컨볼루션 처리될 수 있다. 그리고, F 컨볼루션 레이어(1121-F)의 출력 데이터(1122-F)는 G 컨볼루션 레이어(1121-G)로 입력되어 컨볼루션 처리될 수 있고, G 컨볼루션 레이어(1121-G)의 출력 데이터(1122-G)는 H 컨볼루션 레이어(1121-H)로 입력되어 컨볼루션 처리될 수 있다.

D 컨볼루션 레이어(1111-D)의 출력 데이터(1112-D)와 H 컨볼루션 레이어(1121-H)의 출력 데이터(1122-H)는 결합되어 제3 서브 모델(1130)로 입력될 수 있다.

D 컨볼루션 레이어(1111-D)의 출력 데이터(1112-D)와 H 컨볼루션 레이어(1121-H)의 출력 데이터(1122-H)가 결합된 결과는 제3 서브 모델(1130)로 입력되어 크기가 증가될 수 있다. 상기 결합된 결과는 I 컨볼루션 레이어(1131-I)로 입력되어 컨볼루션 처리되고, I 컨볼루션 레이어(1131-I)의 출력 데이터(1132-I)는 J 컨볼루션 레이어(1131-J)로 입력되어 컨볼루션 처리될 수 있다. 그리고, J 컨볼루션 레이어(1131-J)의 출력 데이터(1132-J)는 K 컨볼루션 레이어(1131-K)로 입력되어 컨볼루션 처리될 수 있고, K 컨볼루션 레이어(1131-K)의 출력 데이터(1132-K)는 L 컨볼루션 레이어(1131-L)로 입력되어 컨볼루션 처리될 수 있다.

일례로, 제1 서브 모델(1110)에 포함된 적어도 하나의 컨볼루션 레이어에서 출력되는 데이터는 후속되는 레이어로 입력될 수 있는 동시에, 제3 서브 모델(1130)에 포함된 적어도 하나의 컨볼루션 레이어에서 출력되는 데이터에 결합될 수 있다. 이때, 결합된 데이터는 제3 서브 모델(1130)의 후속하는 레이어로 입력될 수 있다.

제1 서브 모델(1110)에 포함된 컨볼루션 레이어의 중간 출력 결과를 제3 서브 모델(1130)에 포함된 컨볼루션 레이어의 중간 출력 결과에 결합시키는 이유는 마커(10)의 가시성을 감소시켜 사람의 눈으로 식별되지 않도록 하기 위함이다. 다시 말하면, D 컨볼루션 레이어(1111-D)의 출력 데이터(1112-D)와 H 컨볼루션 레이어(1121-H)의 출력 데이터(1122-H)가 결합된 결과가 제3 서브 모델(1130)에서 처리되는 동안 배경 이미지(20)에 대응하는 특징 맵(즉, 제1 서브 모델(1110)에 포함된 컨볼루션 레이어의 중간 출력 결과)을 결합시키는 것이다. 이때, 제2 서브 모델(1120)에 포함된 컨볼루션 레이어의 중간 출력 결과는 제3 서브 모델(1130)에 포함된 컨볼루션 레이어의 중간 출력 결과에 결합되지 않는다.

C 컨볼루션 레이어(1111-C)의 출력 데이터(1112-C)는 I 컨볼루션 레이어(1131-I)의 출력 데이터(1132-I)와 결합되어 J 컨볼루션 레이어(1131-J)로 입력되고, B 컨볼루션 레이어(1111-B)의 출력 데이터(1112-B)는 J 컨볼루션 레이어(1131-J)의 출력 데이터(1132-J)와 결합되어 K 컨볼루션 레이어(1131-K)로 입력될 수 있다. 그리고, A 컨볼루션 레이어(1111-A)의 출력 데이터(1112-A)는 K 컨볼루션 레이어(1131-K)의 출력 데이터(1132-K)와 결합되어 L 컨볼루션 레이어(1131-L)로 입력될 수 있다.

서로 결합되는 C 컨볼루션 레이어(1111-C)의 출력 데이터(1112-C)와 I 컨볼루션 레이어(1131-I)의 출력 데이터(1132-I), B 컨볼루션 레이어(1111-B)의 출력 데이터(1112-B)와 J 컨볼루션 레이어(1131-J)의 출력 데이터(1132-J), 그리고, A 컨볼루션 레이어(1111-A)의 출력 데이터(1112-A)와 K 컨볼루션 레이어(1131-K)의 출력 데이터(1132-K)는 서로 동일한 크기를 가질 수 있다. 즉, 제1 서브 모델(1110)의 중간 출력 결과를 제3 서브 모델(1130)의 중간 출력 결과에 결합시킬 때, 결합되는 중간 출력 결과는 서로 동일한 크기를 갖는 것이다. 이는 서로 상이한 크기의 출력 데이터들이 결합되는 경우 결합된 데이터에 대한 일정한 컨볼루션 처리가 어려워질 수 있기 때문이다.

다른 예로, 제1 서브 모델(1110)의 컨볼루션 레이어의 출력 데이터와 제3 서브 모델(1130)의 컨볼루션 레이어의 출력 데이터의 크기는 상이할 수도 있다. 예를 들어, C 컨볼루션 레이어(1111-C)의 출력 데이터(1112-C)와 I 컨볼루션 레이어(1131-I)의 출력 데이터(1132-I)는 서로 상이한 크기를 가질 수 있다. 일정한 컨볼루션 처리를 위해 J 컨볼루션 레이어(1131-J)는 서로 상이한 크기의 복수의 필터 커널을 가질 수 있다. C 컨볼루션 레이어(1111-C)의 출력 데이터(1112-C)의 크기가 I 컨볼루션 레이어(1131-I)의 출력 데이터(1132-I)의 크기보다 큰 경우 J 컨볼루션 레이어(1131-J)는 큰 크기의 제1 필터 커널로 C 컨볼루션 레이어(1111-C)의 출력 데이터(1112-C)를 컨볼루션 처리하고, 작은 크기의 제2 필터 커널로 I 컨볼루션 레이어(1131-I)의 출력 데이터(1132-I)를 컨볼루션 처리할 수 있다. 이에 의해, 제1 필터 커널을 이용한 컨볼루션 결과와 제2 필터 커널을 이용한 컨볼루션 결과는 서로 동일한 크기를 가질 수 있다.

또 다른 예로, J 컨볼루션 레이어(1131-J)에 할당된 필터 커널의 크기는 모두 동일하되 C 컨볼루션 레이어(1111-C)의 출력 데이터(1112-C)의 크기가 I 컨볼루션 레이어(1131-I)의 출력 데이터(1132-I)의 크기보다 큰 경우 C 컨볼루션 레이어(1111-C)의 출력 데이터(1112-C)를 컨볼루션 처리하기 위한 제1 스트라이드가 I 컨볼루션 레이어(1131-I)의 출력 데이터(1132-I)를 컨볼루션 처리하기 위한 제2 스트라이드보다 클 수 있다. 이에 의해, 제1 스트라이드에 의한 컨볼루션 결과와 제2 스트라이드에 의한 컨볼루션 결과는 서로 동일한 크기를 가질 수 있다.

그리고, 배경 이미지(20)는 L 컨볼루션 레이어(1131-L)의 출력 데이터(1132-L)에 합산될 수 있다. 도 12에 도시한 바와 같이, L 컨볼루션 레이어(1131-L)의 출력 데이터(1132-L)에 가중치(α)가 곱해진 후 배경 이미지(20)와 합산됨으로써 합성 어미지(700)가 생성될 수 있다. 배경 이미지(20)를 제3 서브 모델(1130)의 출력 데이터에 합산하는 이유는 학습용 배경 이미지와 학습용 합성 이미지 간의 차이를 반영하여 합성 모델(1000)을 학습시키기 위함이다.

배경 이미지(20)를 합성 이미지(700)의 예측(prediction) 값이라 하고, 제3 서브 모델(1130)의 출력 데이터를 합성 이미지(700)의 잔차(residue) 값이라 할 때, 예측 값과 잔차 값을 합산하여 합성 이미지(700)를 생성하는 것으로 볼 수 있다. 이 경우, 잔차 값에 대응하는 손실 정보를 이용하여 합성 모델(1000)을 훈련시킬 때 그 훈련 속도가 향상될 수 있다.

합성 이미지에서 마커를 검출하는 과정은 다음과 같다.

도 13을 참조하면, 단계(S630)에서 포즈 계산부(530)는 쿼리 이미지에서 인식된 합성 이미지(700)를 검출 모델(1300)에 입력하여 검출 모델(1300)로부터 출력되는 마커(10)를 획득할 수 있다. 포즈 계산부(530)는 검출 모델(1300)을 통해 합성 이미지(700)로부터 획득한 마커(10)의 식별 태그를 확인한 후 확인된 식별 태그와 매칭된 좌표를 찾을 수 있다.

도 14는 검출 모델(1300)의 구조를 상세하게 설명하기 위한 도면이다.

검출 모델(1300)은 복수의 컨볼루션 레이어를 포함할 수 있다. 검출 모델(1300)에 포함된 복수의 컨볼루션 레이어 중 일부는 피처로의 인코딩을 통해 입력되는 데이터의 크기를 감소시킬 수 있고 나머지 컨볼루션 레이어는 이미지로의 디코딩을 통해 입력되는 데이터의 크기를 증가시킬 수 있다.

도 14를 참조하면, 검출 모델(1300)은 A 컨볼루션 레이어(1310-A), B 컨볼루션 레이어(1310-B), C 컨볼루션 레이어(1310-C), D 컨볼루션 레이어(1310-D), E 컨볼루션 레이어(1310-E), F 컨볼루션 레이어(1310-F), G 컨볼루션 레이어(1310-G), H 컨볼루션 레이어(1310-H)를 포함할 수 있다. 이 중 A 컨볼루션 레이어(1310-A), B 컨볼루션 레이어(1310-B), C 컨볼루션 레이어(1310-C), D 컨볼루션 레이어(1310-D)는 입력 데이터의 크기를 감소시키는 제1 서브 모델에 해당할 수 있고, E 컨볼루션 레이어(1310-E), F 컨볼루션 레이어(1310-F), G 컨볼루션 레이어(1310-G), H 컨볼루션 레이어(1310-H)는 입력 데이터의 크기를 증가시키는 제2 서브 모델에 해당할 수 있다.

제1 서브 모델은 입력 이미지를 피처로 인코딩하는 역할을 하고, 제2 서브 모델은 제1 서브 모델에서 출력된 피처를 다시 이미지로 디코딩하는 역할을 한다.

검출 모델(1300)에 포함된 컨볼루션 레이어에서 출력되는 데이터는 소정 크기 및 소정 뎁스를 가질 수 있다. 예를 들어, A 컨볼루션 레이어(1310-A)에서 출력된 데이터(1320-A)는 128×128의 크기를 가지며 뎁스는 64일 수 있다. A 컨볼루션 레이어(1310-A)는 미리 결정된 크기의 필터 커널을 이용하여 미리 결정된 스트라이드에 따라 합성 이미지(700)를 컨볼루션 처리하여 128×128의 크기를 갖는 64개의 데이터(1320-A)를 출력할 수 있다.

검출 모델(1300)에 포함된 컨볼루션 레이어들에서 출력되는 출력 데이터들의 크기 및 뎁스는 도시된 것에 한정되는 것은 아니며, 당업자가 필터 커널의 크기, 개수, 및 스트라이드를 다양하게 설정함으로써 출력 데이터들의 크기 및 뎁스를 다양하게 변경할 수 있다.

검출 모델(1300)이 8개의 컨볼루션 레이어를 포함하는 것으로 도시하고 있으나, 이는 하나의 예시일 뿐이며, 검출 모델(1300)에 포함된 컨볼루션 레이어의 개수는 다양하게 변경될 수 있다.

구체적인 도시는 생략하였으나, 검출 모델(1300)에 포함된 컨볼루션 레이어 중 적어도 하나의 컨볼루션 레이어의 후단에는 배치 정규화 레이어 및/또는 활성화 레이어가 위치할 수 있다. 예를 들어, A 컨볼루션 레이어(1310-A)의 후단에 배치 정규화 레이어 및/또는 활성화 레이어가 위치하는 경우 A 컨볼루션 레이어(1310-A)에서 출력되는 데이터(1320-A)는 배치 정규화 레이어 및/또는 활성화 레이어에서 처리된 후 B 컨볼루션 레이어(13101-B)로 입력될 수 있다.

쿼리 이미지에서 인식된 합성 이미지(700)는 검출 모델(1300)의 제1 서브 모델로 입력되어 크기가 감소될 수 있다. 합성 이미지(700)는 A 컨볼루션 레이어(1310-A)로 입력되어 컨볼루션 처리되고, A 컨볼루션 레이어(1310-A)의 출력 데이터(1320-A)는 B 컨볼루션 레이어(1310-B)로 입력되어 컨볼루션 처리될 수 있다. 그리고, B 컨볼루션 레이어(1310-B)의 출력 데이터(1320-B)는 C 컨볼루션 레이어(1310-C)로 입력되어 컨볼루션 처리될 수 있고, C 컨볼루션 레이어(1310-C)의 출력 데이터(1320-C)는 D 컨볼루션 레이어(1310-D)로 입력되어 컨볼루션 처리될 수 있다.

D 컨볼루션 레이어(1310-D)에서 출력된 데이터(1320-D)는 검출 모델(1300)의 제2 서브 모델로 입력되어 크기가 증가될 수 있다. D 컨볼루션 레이어(1310-D)에서 출력된 데이터(1320-D)는 E 컨볼루션 레이어(1310-E)로 입력되어 컨볼루션 처리되고, E 컨볼루션 레이어(1310-E)의 출력 데이터(1320-E)는 F 컨볼루션 레이어(1310-F)로 입력되어 컨볼루션 처리될 수 있다. 그리고, F 컨볼루션 레이어(1310-F)의 출력 데이터(1320-F)는 G 컨볼루션 레이어(1310-G)로 입력되어 컨볼루션 처리될 수 있고, G 컨볼루션 레이어(1310-G)의 출력 데이터(1320-G)는 H 컨볼루션 레이어(1310-H)로 입력되어 컨볼루션 처리될 수 있다.

일례로, 검출 모델(1300)의 제1 서브 모델에 포함된 적어도 하나의 컨볼루션 레이어에서 출력되는 데이터는 후속되는 레이어로 입력될 수 있는 동시에, 검출 모델(1300)의 제2 서브 모델에 포함된 적어도 하나의 컨볼루션 레이어에서 출력되는 데이터에 결합될 수 있다. 이때, 결합된 데이터는 검출 모델(1300)의 제2 서브 모델의 후속하는 레이어로 입력될 수 있다.

도 14를 참조하면, C 컨볼루션 레이어(1310-C)의 출력 데이터(1320-C)는 E 컨볼루션 레이어(1310-E)의 출력 데이터(1320-E)와 결합되어 F 컨볼루션 레이어(1310-F)로 입력되고, B 컨볼루션 레이어(1310-B)의 출력 데이터(1320-B)는 F 컨볼루션 레이어(1310-F)의 출력 데이터(1320-F)와 결합되어 G 컨볼루션 레이어(1310-G)로 입력될 수 있다. 그리고, A 컨볼루션 레이어(1310-A)의 출력 데이터(1320-A)는 G 컨볼루션 레이어(1310-G)의 출력 데이터(1320-G)와 결합되어 H 컨볼루션 레이어(1310-H)로 입력될 수 있다.

서로 결합되는 C 컨볼루션 레이어(1310-C)의 출력 데이터(1320-C)와 E 컨볼루션 레이어(1310-E)의 출력 데이터(1320-E), B 컨볼루션 레이어(1310-B)의 출력 데이터(1320-B)와 F 컨볼루션 레이어(1310-F)의 출력 데이터(1320-F), 그리고 A 컨볼루션 레이어(1310-A)의 출력 데이터(1320-A)와 G 컨볼루션 레이어(1310-G)의 출력 데이터(1320-G)는 서로 동일한 크기를 가질 수 있다. 즉, 검출 모델(1300)의 제1 서브 모델의 중간 출력 결과를 검출 모델(1300)의 제2 서브 모델의 중간 출력 결과에 결합시킬 때, 결합되는 중간 출력 결과는 서로 동일한 크기를 갖는 것이다.

다른 예로, 서로 결합되는 제1 서브 모델의 컨볼루션 레이어의 출력 데이터와 제2 서브 모델의 컨볼루션 레이어의 출력 데이터의 크기는 상이할 수도 있다. 예를 들어, C 컨볼루션 레이어(1310-C)의 출력 데이터(1320-C)와 E 컨볼루션 레이어(1310-E)의 출력 데이터(1320-E)는 서로 상이한 크기를 가질 수 있다. 일정한 컨볼루션 처리를 위해 F 컨볼루션 레이어(1310-F)는 서로 상이한 크기의 복수의 필터 커널을 가질 수 있다. C 컨볼루션 레이어(1310-C)의 출력 데이터(1320-C)의 크기가 E 컨볼루션 레이어(1310-E)의 출력 데이터(1320-E)의 크기보다 큰 경우 F 컨볼루션 레이어(1310-F)는 큰 크기의 제1 필터 커널로 C 컨볼루션 레이어(1310-C)의 출력 데이터(1320-C)를 컨볼루션 처리하고, 작은 크기의 제2 필터 커널로 E 컨볼루션 레이어(1310-E)의 출력 데이터(1320-E)를 컨볼루션 처리할 수 있다. 이에 의해, 제1 필터 커널을 이용한 컨볼루션 결과와 제2 필터 커널을 이용한 컨볼루션 결과는 서로 동일한 크기를 가질 수 있다.

또 다른 예로, F 컨볼루션 레이어(1310-F)에 할당된 필터 커널의 크기는 모두 동일하되 C 컨볼루션 레이어(1310-C)의 출력 데이터(1320-C)의 크기가 E 컨볼루션 레이어(1310-E)의 출력 데이터(1320-E)의 크기보다 큰 경우 C 컨볼루션 레이어(1310-C)의 출력 데이터(1320-C)를 컨볼루션 처리하기 위한 제1 스트라이드가 E 컨볼루션 레이어(1310-E)의 출력 데이터(1320-E)를 컨볼루션 처리하기 위한 제2 스트라이드보다 클 수 있다. 이에 의해, 제1 스트라이드에 의한 컨볼루션 결과와 제2 스트라이드에 의한 컨볼루션 결과는 서로 동일한 크기를 가질 수 있다.

상기한 합성 모델(1000)은 배경 이미지(20)와 합성 이미지(700)의 차이가 감소 또는 최소화되도록 훈련됨에 따라 배경 이미지(20)와 합성 이미지(700)의 차이를 사람의 눈으로 식별하기 어렵다. 다시 말해, 합성 이미지(700)에서 마커(10)를 가시적으로는 발견하기 어렵다.

또한, 검출 모델(1300)은 마커(10)의 검출 능력이 증가 또는 최대화되도록 훈련됨에 따라 사람의 눈으로 식별이 어려운 합성 이미지(700)에서도 마커(10)를 검출할 수 있다.

배경 이미지(20)에 합성되는 마커(10) 내 점은 삽입하고자 하는 워터마크로서 특정 신호를 나타낸다. 워터마크는 예를 들어, 0 또는 1의 값을 가질 수 있다. 다시 말해, 마커(10)를 구성하는 각 점은 2차원 가우시안의 형태를 가질 수 있고, 이러한 2차원 가우시안 형태에 따라 합성 이미지(700) 내 마커(10)의 가시성이 더욱 감소될 수 있다.

이처럼 본 발명의 실시예들에 따르면, 딥러닝 기반 블라인드 워터마킹 기술을 통해 사람의 눈으로 식별이 어려운 비가시적인 형태의 마커를 생성하여 카메라 기반 측위에 활용함으로써 측위 대상 공간의 디자인 혹은 미관을 해치지 않고 유지할 수 있다. 그리고, 본 발명의 실시예들에 따르면, 측위 대상이 되는 공간에 대한 마커의 3차원 좌표를 기록하여 VL용 지도로 활용함으로써 사전 작업에 드는 비용과 수고는 물론이고 유지보수 부담을 줄일 수 있고 텍스처 정보 부족 등 측위가 어려운 있는 환경의 공간에서도 적용 가능하다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

컴퓨터 시스템에서 실행되는 측위 방법에 있어서,
상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 측위 방법은,
상기 적어도 하나의 프로세서에 의해, 블라인드 워터마킹을 통해 비가시적인 마커(invisible marker)가 삽입된 합성 이미지를 생성하는 단계;
상기 적어도 하나의 프로세서에 의해, 쿼리 이미지에서 상기 합성 이미지를 인식하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 합성 이미지에 삽입된 상기 마커의 식별 태그와 매칭된 좌표를 기반으로 상기 쿼리 이미지의 포즈(pose)를 계산하는 단계
를 포함하고,
상기 생성하는 단계는,
임의 이미지와 상기 마커를 입력으로 하여 상기 임의 이미지와 상기 마커를 각각 인코딩한 후 인코딩된 상기 임의 이미지와 상기 마커를 결합하여 디코딩하는 구조의 딥러닝 기반 합성 모델을 통해 상기 합성 이미지를 생성하는 것
을 특징으로 하는 측위 방법.
제1항에 있어서,
상기 측위 방법은,
상기 적어도 하나의 프로세서에 의해, 상기 합성 이미지가 부착된 위치 좌표와 상기 합성 이미지에 포함된 마커의 식별 태그를 매칭하여 VL(visual localization)에 이용되는 마커 지도를 구성하는 단계
를 포함하는 측위 방법.
삭제
제1항에 있어서,
상기 합성 모델은 상기 임의 이미지와 상기 합성 이미지 간의 차이에 기초하여 학습되는 것으로, 상기 임의 이미지를 피처로 인코딩하기 위한 적어도 하나의 레이어를 포함하는 제1 서브 모델, 상기 마커를 피처로 인코딩하기 위한 적어도 하나의 레이어를 포함하는 제2 서브 모델, 및 상기 제1 서브 모델의 출력 데이터와 상기 제2 서브 모델의 출력 데이터인 피처를 결합하여 결합된 피처를 다시 이미지로 디코딩하기 위한 적어도 하나의 레이어를 포함하는 제3 서브 모델을 포함하는 것
을 특징으로 하는 측위 방법.
제1항에 있어서,
상기 인식하는 단계는,
상기 합성 이미지를 입력으로 하는 딥러닝 기반 검출 모델을 통해 상기 합성 이미지에서 상기 마커를 검출하는 단계
를 포함하는 측위 방법.
제5항에 있어서,
상기 검출 모델은 상기 합성 이미지를 피처로 인코딩하기 위한 적어도 하나의 레이어를 포함하는 제1 서브 모델, 및 상기 제1 서브 모델의 출력 데이터인 피처를 다시 이미지로 디코딩하기 위한 적어도 하나의 레이어를 포함하는 제2 서브 모델을 포함하는 것
을 특징으로 하는 측위 방법.
제2항에 있어서,
상기 측위 방법은,
상기 적어도 하나의 프로세서에 의해, 측위 대상 공간에 대한 지리적 태그 이미지(geo-tagged images)로서 포즈가 태깅된 데이터를 상기 VL에 이용되는 이미지 지도로 구성하는 단계
를 포함하고,
상기 계산하는 단계는,
상기 이미지 지도를 이용하여 상기 쿼리 이미지의 포즈를 계산하는 단계; 및
상기 쿼리 이미지에서 상기 합성 이미지가 인식되는 경우 상기 마커 지도에 가중치를 두어 상기 마커 지도를 이용하여 상기 쿼리 이미지의 포즈를 계산하는 단계
를 포함하는 측위 방법.
제2항에 있어서,
상기 측위 방법은,
상기 적어도 하나의 프로세서에 의해, 측위 대상 공간에 대한 지리적 태그 이미지로서 포즈가 태깅된 데이터를 상기 VL에 이용되는 이미지 지도로 구성하는 단계
를 포함하고,
상기 계산하는 단계는,
상기 쿼리 이미지에 대해 상기 이미지 지도를 이용한 포즈 계산 결과를 이용하여 상기 마커 지도를 이용한 포즈 계산 결과를 검증하거나 혹은 상기 마커 지도를 이용한 포즈 계산 결과를 이용하여 상기 이미지 지도를 이용한 포즈 계산 결과를 검증하는 단계
를 포함하는 측위 방법.
제1항, 제2항, 제4항 내지 제8항 중 어느 한 항의 측위 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램.
제1항, 제2항, 제4항 내지 제8항 중 어느 한 항의 측위 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 비-일시적인 컴퓨터 판독 가능한 기록 매체.
컴퓨터 시스템에 있어서,
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
블라인드 워터마킹을 통해 비가시적인 마커가 삽입된 합성 이미지를 생성하는 마커 생성부; 및
쿼리 이미지에서 상기 합성 이미지를 인식하여 상기 합성 이미지에 삽입된 상기 마커의 식별 태그와 매칭된 좌표를 기반으로 상기 쿼리 이미지의 포즈를 계산하는 포즈 계산부
를 포함하고,
상기 마커 생성부는,
임의 이미지와 상기 마커를 입력으로 하여 상기 임의 이미지와 상기 마커를 각각 인코딩한 후 인코딩된 상기 임의 이미지와 상기 마커를 결합하여 디코딩하는 구조의 딥러닝 기반 합성 모델을 통해 상기 합성 이미지를 생성하는 것
을 특징으로 하는 컴퓨터 시스템.
제11항에 있어서,
상기 적어도 하나의 프로세서는,
상기 합성 이미지가 부착된 위치 좌표와 상기 합성 이미지에 포함된 마커의 식별 태그를 매칭하여 VL에 이용되는 마커 지도를 구성하는 지도 구성부
를 포함하는 컴퓨터 시스템.
삭제
제11항에 있어서,
상기 합성 모델은 상기 임의 이미지와 상기 합성 이미지 간의 차이에 기초하여 학습되는 것으로, 상기 임의 이미지를 피처로 인코딩하기 위한 적어도 하나의 레이어를 포함하는 제1 서브 모델, 상기 마커를 피처로 인코딩하기 위한 적어도 하나의 레이어를 포함하는 제2 서브 모델, 및 상기 제1 서브 모델의 출력 데이터와 상기 제2 서브 모델의 출력 데이터인 피처를 결합하여 결합된 피처를 다시 이미지로 디코딩하기 위한 적어도 하나의 레이어를 포함하는 제3 서브 모델을 포함하는 것
을 특징으로 하는 컴퓨터 시스템.
제11항에 있어서,
상기 포즈 계산부는,
상기 합성 이미지를 입력으로 하는 딥러닝 기반 검출 모델을 통해 상기 합성 이미지에서 상기 마커를 검출하는 것
을 특징으로 하는 컴퓨터 시스템.
제15항에 있어서,
상기 검출 모델은 상기 합성 이미지를 피처로 인코딩하기 위한 적어도 하나의 레이어를 포함하는 제1 서브 모델, 및 상기 제1 서브 모델의 출력 데이터인 피처를 다시 이미지로 디코딩하기 위한 적어도 하나의 레이어를 포함하는 제2 서브 모델을 포함하는 것
을 특징으로 하는 컴퓨터 시스템.
제12항에 있어서,
상기 지도 구성부는,
측위 대상 공간에 대한 지리적 태그 이미지로서 포즈가 태깅된 데이터를 상기 VL에 이용되는 이미지 지도로 구성하고,
상기 포즈 계산부는,
상기 이미지 지도를 이용하여 상기 쿼리 이미지의 포즈를 계산하되 상기 쿼리 이미지에서 상기 합성 이미지가 인식되는 경우 상기 마커 지도에 가중치를 두어 상기 마커 지도를 이용하여 상기 쿼리 이미지의 포즈를 계산하는 것
을 특징으로 하는 컴퓨터 시스템.
제12항에 있어서,
상기 지도 구성부는,
측위 대상 공간에 대한 지리적 태그 이미지로서 포즈가 태깅된 데이터를 상기 VL에 이용되는 이미지 지도로 구성하고,
상기 포즈 계산부는,
상기 쿼리 이미지에 대해 상기 이미지 지도를 이용한 포즈 계산 결과를 이용하여 상기 마커 지도를 이용한 포즈 계산 결과를 검증하거나 혹은 상기 마커 지도를 이용한 포즈 계산 결과를 이용하여 상기 이미지 지도를 이용한 포즈 계산 결과를 검증하는 것
을 특징으로 하는 컴퓨터 시스템.