KR102375587B1 - 헤어 이미지 추천 및 합성 방법 및 장치 - Google Patents

Abstract

실시예들은 헤어 추천 방법 및 장치를 제공한다. 일 실시예에 따르면, 헤어 추천 방법은, 영역 분리부에 의해, 얼굴 영역과 배경 영역을 포함하는 입력 이미지에서 얼굴 영역을 분리하는 동작; 얼굴 특징 분석부에 의해, 상기 분리된 얼굴 영역의 형상의 양의 특징을 반영하는 제1 결합 벡터를 추출하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 분리된 얼굴 영역의 형상의 음의 특징을 반영하는 제2 결합 벡터를 추출하는 동작; 얼굴 색상 분석부에 의해, 상기 분리된 얼굴 영역의 색상의 특징을 반영하는 제3 결합 벡터를 추출하는 동작; 및 헤어 추천부에 의해, 상기 제1 결합 벡터, 상기 제2 결합 벡터 및 상기 제3 결합 벡터를 기초로 상기 얼굴 영역에 매칭되는 헤어 모델을 추천하는 동작을 포함할 수 있다.

Description

헤어 이미지 추천 및 합성 방법 및 장치{METHOD AND APPARAUTS FOR SUGGESTION AND COMPOSITION OF HAIR IMAGE}

본 발명의 실시예들은 헤어를 추천하는 기술에 관한 것으로, 얼굴에 대응하는 헤어를 추천하는 기술에 대한 것이다.

일반적으로, 커트, 파마 등 헤어 스타일링은 한번 하게 되면, 마음에 들지 않더라도 최소 몇 개월 동안 유지하면서 기다릴 수밖에 없었다. 최근, 이와 관련하여 미용실에서 헤어 스타일링을 하기 전에 자신이 원하는 헤어 스타일이 자신의 얼굴에 어울리는지 사전에 합성해 볼 수 있는 다양한 기술들이 개발되고 있다.

이에 관한, 종래 기술의 일 예로서, 시뮬레이션의 대상이 되는 사용자의 사진 이미지를 입력 받는 사진 입력부, 해당 사용자로부터 헤어 스타일링의 종류 및 모발의 길이를 입력 받는 사용자 정보 입력부, 위의 사진 입력부로부터 입력 받은 사용자의 사진에 위의 사용자 정보 입력부로부터 입력 받은 헤어 스타일링 종류 및 모발의 길이를 적용하여 헤어 스타일 시뮬레이션 결과를 생성하는 헤어스타일 시뮬레이션부, 및 그 헤어 스타일 시뮬레이션부에서 생성된 헤어 스타일 시뮬레이션 결과를 해당 사용자에게 디스플레이하는 디스플레이부를 포함하는 헤어 스타일 시뮬레이션 장치가 소개된 바 있다.

하지만, 위와 같은 종래 기술을 비롯하여 지금까지 소개된 기술에 의하면, 기설정된 크기 및 색상의 가상의 헤어 이미지를 사용자 이미지 위에 단순히 겹쳐놓거나 덮어놓는 식으로 합성하였기 때문에, 합성된 이미지의 정확도 및 실제감은 떨어질 수밖에 없었다. 특히, 자신의 헤어 이미지 일부분에 부분 헤어를 합성시키는 경우에는, 그 합성의 부자연스러움이 더욱 커졌다.

위에서 설명한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.

실시예들에 따르면, 추출된 요소들을 이용하여 멀티레이어로 구분된 헤어스타일 리소스를 사용자의 얼굴형에 최적화여 합성 이미지를 제공함으로써 얼굴형에 맞게 입체감을 반영하여 정확도를 높일 수 있는 헤어 추천 시스템이 제공될 수 있다.

실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.

실시예들에 따르면, 헤어 추천 방법은, 영역 분리부에 의해, 얼굴 영역과 배경 영역을 포함하는 입력 이미지에서 얼굴 영역을 분리하는 동작; 얼굴 특징 분석부에 의해, 상기 분리된 얼굴 영역의 형상의 양의 특징을 반영하는 제1 결합 벡터를 추출하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 분리된 얼굴 영역의 형상의 음의 특징을 반영하는 제2 결합 벡터를 추출하는 동작; 얼굴 색상 분석부에 의해, 상기 분리된 얼굴 영역의 색상의 특징을 반영하는 제3 결합 벡터를 추출하는 동작; 및 헤어 추천부에 의해, 상기 제1 결합 벡터, 상기 제2 결합 벡터 및 상기 제3 결합 벡터를 기초로 상기 얼굴 영역에 매칭되는 헤어 모델을 추천하는 동작을 포함할 수 있다.

상기 제1 결합 벡터를 추출하는 동작은, 상기 얼굴 특징 분석부에 의해, 상기 분리된 얼굴 영역의 형상에 대응하는 일정한 밀도로 특징점이 분포된 복수의 부위를 포함하는 얼굴 모델을 생성하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 얼굴 모델의 복수의 부위의 특징점에 양의 가중치를 적용하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 양의 가중치가 적용된 특징점을 포함하는 복수의 부위로부터 제1 임계값 이상의 상기 양의 가중치가 적용된 특징점을 가지는 하나 이상의 부위 특징 벡터를 추출하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 하나 이상의 부위 특징 벡터 간의 양의 상관관계를 나타내는 하나 이상의 양의 상관관계 벡터를 획득하는 동작; 및 상기 각각의 부위 특징 벡터와 상기 각각의 양의 상관관계 벡터에 대해 콘케티네이션을 수행하여 상기 제1 결합 벡터를 획득하는 동작을 포함할 수 있다.

상기 제2 결합 벡터를 추출하는 동작은, 상기 얼굴 특징 분석부에 의해, 상기 분리된 얼굴 영역의 형상에 대응하는 일정한 밀도로 특징점이 분포된 복수의 부위를 포함하는 얼굴 모델을 생성하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 얼굴 모델의 복수의 부위의 특징점에 음의 가중치를 적용하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 음의 가중치가 적용된 특징점을 포함하는 복수의 부위로부터 제2 임계값 이상의 상기 음의 가중치가 적용된 특징점을 가지는 하나 이상의 부위 특징 벡터를 추출하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 하나 이상의 부위 특징 벡터 간의 음의 상관관계를 나타내는 하나 이상의 음의 상관관계 벡터를 획득하는 동작; 및 상기 각각의 부위 특징 벡터와 상기 각각의 음의 상관관계 벡터에 대해 콘케티네이션을 수행하여 상기 제2 결합 벡터를 획득하는 동작을 포함할 수 있다.

상기 제3 결합 벡터를 추출하는 동작은, 상기 얼굴 색상 분석부에 의해, 상기 분리된 얼굴 영역의 색상에 대응하는 일정한 밀도로 특징점이 분포된 복수의 부위를 포함하는 얼굴 모델을 생성하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 얼굴 모델의 복수의 부위의 특징점에 색상 가중치를 적용하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 색상 가중치가 적용된 특징점을 포함하는 복수의 부위로부터 제3 임계값 이상의 상기 색상 가중치가 적용된 특징점을 가지는 하나 이상의 부위 색상 벡터를 추출하는 동작; 상기 얼굴 특징 분석부에 의해, 상기 하나 이상의 부위 색상 벡터 간의 색상 상관관계를 나타내는 하나 이상의 색상 상관관계 벡터를 획득하는 동작; 및 상기 각각의 부위 색상 벡터와 상기 각각의 색상 상관관계 벡터에 대해 콘케티네이션을 수행하여 상기 제3 결합 벡터를 획득하는 동작을 포함할 수 있다.

상기 헤어 모델을 추천하는 동작은, 상기 헤어 추천부에 의해, 미리 학습된 복수의 헤어 형상 기준 벡터 각각과 상기 제1 결합 벡터의 거리를 계산하는 동작; 상기 헤어 추천부에 의해, 상기 제1 결합 벡터와의 거리가 제4 임계값 미만인 하나 이상의 헤어 형상 기준 벡터를 필터링하는 동작; 상기 헤어 추천부에 의해, 상기 필터링된 하나 이상의 헤어 형상 기준 벡터 각각과 상기 제2 결합 벡터의 거리를 계산하는 동작; 상기 헤어 추천부에 의해, 상기 제2 결합 벡터와의 거리가 제5 임계값 이상인 헤어 형상 기준 벡터를 획득하는 동작; 상기 헤어 추천부에 의해, 미리 학습된 복수의 헤어 색상 기준 벡터 각각과 상기 제3 결합 벡터의 거리를 계산하는 동작; 상기 헤어 추천부에 의해, 상기 제3 결합 벡터와의 거리가 제6 임계값 미만인 헤어 색상 기준 벡터를 획득하는 동작; 및 복수의 헤어 모델 중에서 상기 획득된 헤어 형상 기준 벡터 및 상기 획득된 헤어 색상 기준 벡터의 조합에 대응하는 헤어 모델을 추천하는 동작을 포함할 수 있다.

색상 조정부는, 사용자 계정의 개인 정보에 포함된 상기 색상 민감도를 기초로 상기 추천된 헤어 모델의 색상 또는 채도를 조정하는 동작을 더 포함할 수 있다.

상기 헤어 모델을 추천하는 동작은, 상기 헤어 추천부는 헤어 추천 모델을 이용하여 상기 헤어 모델을 추천하는 동작을 포함하고, 상기 헤어 추천 모델은 복수의 학습 데이터를 기초로 미리 학습되고, 상기 헤어 추천 모델을 이용하여 복수의 학습 데이터 중의 제1 기준에 속하는 학습 데이터로부터 학습 특징 벡터가 획득되고, 상기 헤어 추천 모델을 이용하여 상기 제1 기준과 상이한 기준의 헤어 형상 기준 벡터 각각과 상기 학습 특징 벡터 간의 레지듀얼이 획득되고, 상기 제1 기준의 제1 헤어 형상 기준 벡터와 제2 기준의 제2 헤어 형상 기준 벡터 간의 기준 레지듀얼 및 상기 제1 헤어 형상 기준 벡터와 상기 학습 특징 벡터 간의 특징 레지듀얼을 기초로 고강도 학습 파라미터가 계산되고, 상기 특징 레지듀얼에 상기 고강도 학습 파라미터가 적용된 레지듀얼 및 상기 제1 기준과 상이한 기준의 헤어 형상 기준 벡터 각각과 상기 특징 벡터 간의 레지듀얼을 포함하는 손실 함수를 통해 손실값이 계산되고, 상기 손실값을 기초로 상기 헤어 추천 모델의 파라미터 또는 상기 하나 이상의 헤어 형상 기준 벡터가 학습될 수 있다.

상기 헤어 모델을 추천하는 동작은, 상기 헤어 추천부는 헤어 추천 모델을 이용하여 상기 헤어 모델을 추천하는 동작을 포함하고, 상기 헤어 추천 모델은 복수의 학습 데이터를 기초로 미리 학습되고, 상기 헤어 추천 모델을 이용하여 복수의 학습 데이터 중의 제1 기준에 속하는 학습 데이터로부터 학습 특징 벡터가 획득되고, 상기 헤어 추천 모델을 이용하여 상기 제1 기준과 상이한 기준의 헤어 색상 기준 벡터 각각과 상기 학습 특징 벡터 간의 레지듀얼이 획득되고, 상기 제1 기준의 제1 헤어 색상 기준 벡터와 제2 기준의 제2 헤어 색상 기준 벡터 간의 기준 레지듀얼 및 상기 제1 헤어 색상 기준 벡터와 상기 학습 특징 벡터 간의 특징 레지듀얼을 기초로 고강도 학습 파라미터가 계산되고, 상기 특징 레지듀얼에 상기 고강도 학습 파라미터가 적용된 레지듀얼 및 상기 제1 기준과 상이한 기준의 헤어 색상 기준 벡터 각각과 상기 특징 벡터 간의 레지듀얼을 포함하는 손실 함수를 통해 손실값이 계산되고, 상기 손실값을 기초로 상기 헤어 추천 모델의 파라미터 또는 상기 하나 이상의 헤어 색상 기준 벡터가 학습될 수 있다.

실시예들에 따르면, 추출된 요소들을 이용하여 멀티레이어로 구분된 헤어스타일 리소스를 사용자의 얼굴형에 최적화여 합성 이미지를 제공함으로써 얼굴형에 맞게 입체감을 반영하여 정확도를 높일 수 있다.

실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.

실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 헤어 추천 시스템의 전체 구성을 도시한 도면이다.
도 4는 일 실시예에 따른 헤어 추천 방법의 동작을 도시한 흐름도이다.
도 5는 일 실시예에 따른 헤어 추천 시스템에 의해 데이터가 처리되는 과정을 도시한 예시이다.
도 6은 일 실시예에 따른 헤어 추천 시스템의 단말기 상에 표시되는 화면의 예시를 도시한 도면이다.
도 7은 일 실시예에 따른 헤어 추천 모델의 구조를 도시한 도면이다.
도 8은 일 실시예에 따른 서버의 구성을 도시한 도면이다.

이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.

도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.

또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.

도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.

데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.

도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.

운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.

미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.

어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.

데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.

시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.

어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.

장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.

본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.

도 3은 일 실시예에 따른 헤어 추천 시스템의 전체 구성을 도시한 도면이다.

일 실시예에 따르면, 헤어 추천 시스템(300)은 사용자의 얼굴형에 따라 헤어스타일을 변경하여 합성 이미지를 생성할 수 있다. 헤어 추천 시스템(300)은 멀티레이어 합성 방식을 통하여 사용자의 얼굴형에 알맞은 헤어스타일을 생성하여 고품질의 합성 이미지를 생성할 수 있다. 헤어 추천 시스템(300)은 사용자의 얼굴을 포함하는 입력 이미지를 분석하고 헤어 추천을 위해 필요한 요소들을 추출할 수 있다. 헤어 추천 시스템(300)은 추출된 요소들을 이용하여 멀티레이어로 구분된 헤어스타일 리소스를 사용자의 얼굴형에 최적화여 합성 이미지를 제공할 수 있다. 이를 통해, 헤어 추천 시스템(300)은 얼굴형에 맞게 입체감을 반영하여 정확도를 높일 수 있다.

헤어 추천 시스템(300)은 AR(augmented reality) 기술을 이용하여 사용자의 얼굴에 헤어 모델을 합성할 수 있다. 헤어 추천 시스템(300)은, 예를 들어, 단말기의 카메라를 통해 실시간으로 표시되는 사용자의 얼굴 이미지에 인공의 헤어 모델을 합성하여 실시간으로 표시할 수 있다. 헤어 추천 시스템(300)은 카메라의 촬영 각도에 따라 달라지는 사용자의 얼굴 이미지에 반응하여 헤어 모델의 방향이나 자세를 변형시킴으로써 합성 이미지의 실제감을 높일 수 있다.

이를 위하여, 헤어 추천 시스템(300)은 서버(310), 네트워크(340), 단말기(321) 및 데이터베이스(311)를 포함할 수 있다. 서버(310)는 영역 분리부, 얼굴 특징 분석부, 얼굴 색상 분석부, 헤어 추천부, 합성부, 색상 조정부를 포함할 수 있다.

헤어 추천 시스템(300)은 사용자의 사진을 분석할 수 있다. 이하에서, 사용자의 사진은 입력 이미지로 지칭될 수 있다. 입력 이미지는 사용자의 얼굴을 포함할 수 있으며, 사용자의 얼굴을 포함하는 부분 이미지는 얼굴 영역이라고 지칭될 수 있다.

헤어 추천 시스템(300)은 입력 이미지의 얼굴 영역에서 얼굴의 좌표를 분석할 수 있다. 헤어 추천 시스템(300)은 얼굴 영역에서 얼굴의 윤곽의 좌표를 분석할 수 있다. 헤어 추천 시스템(300)은 입력 이미지의 얼굴 영역에서 얼굴의 랜드마크를 분석할 수 있다. 예를 들어, 헤어 추천 시스템(300)은 얼굴에 포함된 눈썹, 눈, 코, 입과 같은 주요한 부위의 좌표를 분석할 수 있다. 헤어 추천 시스템(300)은 입력 이미지의 얼굴 영역에서 얼굴의 각도를 분석할 수 있다. 예를 들어, 헤어 추천 시스템(300)은 얼굴의 좌우, 위아래 또는 기울기를 분석할 수 있다.

서버(310)의 영역 분리부는 얼굴 영역과 배경 영역을 포함하는 입력 이미지에서 얼굴 영역을 분리할 수 있다. 헤어 추천 시스템(300)은 입력 이미지에서 인물 영역과 배경 영역을 분리할 수 있다. 헤어 추천 시스템(300)은 입력 이미지에서 인물 영역의 마스크와 배경 영역의 마스크를 각각 생성할 수 있다. 헤어 추천 시스템(300)은 인물 영역에서 헤어 영역과 얼굴 영역을 분리할 수 있다. 헤어 추천 시스템(300)은 헤어 영역에 대해 헤어 영역의 마스크를 생성하고 얼굴 영역에 대해 얼굴 영역의 마스크를 생성할 수 있다.

얼굴 영역의 마스크에는 동일한 밀도로 특징점이 분포될 수 있다. 헤어 추천 시스템(300)은 데이터마이닝을 통해 헤어 모델과의 어울림에 영향이 큰 얼굴 영역의 부위를 선정할 수 있다. 헤어 추천 시스템(300)은 헤어 모델과의 어울림에 영향이 큰 얼굴 영역의 부위의 가중치를 높게 조정할 수 있다. 헤어 추천 시스템(300)은 얼굴 영역에 분포된 동일한 밀도의 특징점에 대응하는 부위의 가중치를 각 특징점에 적용할 수 있다. 예를 들어, 가중치의 적용으로 해당 부위의 특징점들의 밀도가 높아질 수 있다. 헤어 추천 시스템(300)은 가중치가 큰 부위들을 선택할 수 있다. 예를 들어, 헤어 추천 시스템(300)은 높은 밀도의 특징점들이 분포된 부위를 선택할 수 있다. 헤어 추천 시스템(300)은 선택된 부위를 구성하는 특징점들을 기초로 선택된 부위의 위치, 길이 또는 형상을 반영하는 벡터를 획득할 수 있다. 이러한 벡터는 부위 특징 벡터로 지칭될 수 있다. 부위 특징 벡터는 대응하는 부위의 위치, 길이 또는 형상 정보가 반영된 벡터일 수 있다.

헤어 추천 시스템(300)은 부위 별 상관관계를 계산할 수 있다. 헤어 추천 시스템(300)은 부위 별 상관관계를 나타내는 상관관계 벡터를 획득할 수 있다. 헤어 추천 시스템(300)은 서로 다른 부위 각각에 대응하는 부위 특징 벡터 간의 상관관계를 계산하여 두 부위 간의 상관관계를 나타내는 상관관계 벡터를 획득할 수 있다. 예를 들어, 상관관계는 두 부위 간의 위치 관계, 두 부위의 상대적인 크기에 관한 정보를 포함할 수 있다.

헤어 추천 시스템(300)은 각각의 부위 특징 벡터와 상관관계 벡터에 대해 콘케티네이션을 수행할 수 있다. 헤어 추천 시스템(300)은 각각의 부위 특징 벡터와 대응하는 상관관계 벡터를 기초로 결합 벡터를 획득할 수 있다. 헤어 추천 시스템(300)은 각각의 부위 특징 벡터와 대응하는 상관관계 벡터를 병렬로 연결하거나 2차원 형태로 병합하여 결합 벡터를 획득할 수 있다.

얼굴 특징 분석부는 가중치가 적용된 결합 벡터들을 통계적으로 처리하여 특정한 헤어 모델을 나타내는 기준 벡터로서 학습할 수 있다. 얼굴 특징 분석부는 얼굴의 형상이나 색상과 어울리는 정도를 판단할 때 중요한 부위의 형상 또는 색상에 대응하는 결합 벡터를 통계적으로 처리하여 기준 벡터를 획득할 수 있다. 어울리는 정도에 큰 영향을 미치는 부위의 형상 또는 색상의 가중치가 크게 적용된 기준 벡터는 양의 기준 벡터로 지칭될 수 있다. 어울리지 않는 정도에 큰 영향을 미치는 부위의 형상 또는 색상의 가중치가 크게 적용된 기준 벡터는 음의 기준 벡터로서 지칭될 수 있다.

헤어 추천 시스템(300)은 다양한 헤어 모델 각각에 대해 복수의 얼굴 모델이 어울리는 정도를 평가하는 피드백 데이터를 수집할 수 있다. 헤어 추천 시스템(300)은 각각의 헤어 모델에 대하여 제1 점수 이상의 피드백 데이터에 대응하는 하나 이상의 얼굴 모델을 클러스터링할 수 있다. 헤어 추천 시스템(300)은 부위 별로 클러스터링된 하나 이상의 얼굴 모델의 특징점들을 비교하여 특징점들 간의 거리가 임계 거리 이하인 부위를 결정할 수 있다. 헤어 추천 시스템(300)은 결정된 부위 각각에 대응하는 가중치를 증가시킬 수 있다. 이러한 가중치는 양의 가중치로 지칭될 수 있다.

서버(310)의 얼굴 특징 분석부는 분리된 얼굴 영역의 형상의 양의 특징을 반영하는 제1 결합 벡터를 추출할 수 있다.

서버(310)의 얼굴 특징 분석부는 분리된 얼굴 영역의 형상에 대응하는 일정한 밀도로 특징점이 분포된 복수의 부위를 포함하는 얼굴 모델을 생성할 수 있다. 서버(310)의 얼굴 특징 분석부는 얼굴 모델의 복수의 부위의 특징점에 양의 가중치를 적용할 수 있다.

서버(310)의 얼굴 특징 분석부는 양의 가중치가 적용된 특징점을 포함하는 복수의 부위로부터 제1 임계값 이상의 양의 가중치가 적용된 특징점을 가지는 하나 이상의 부위 특징 벡터를 추출할 수 있다. 서버(310)의 얼굴 특징 분석부는 하나 이상의 부위 특징 벡터 간의 양의 상관관계를 나타내는 하나 이상의 양의 상관관계 벡터를 획득할 수 있다. 서버(310)의 얼굴 특징 분석부는 각각의 부위 특징 벡터와 각각의 양의 상관관계 벡터에 대해 콘케티네이션을 수행하여 제1 결합 벡터를 획득할 수 있다.

헤어 추천 시스템(300)은 각각의 헤어 모델에 대하여 제2 점수 이하의 피드백 데이터에 대응하는 하나 이상의 얼굴 모델을 클러스터링할 수 있다. 헤어 추천 시스템(300)은 부위 별로 클러스터링된 하나 이상의 얼굴 모델의 특징점들을 비교하여 특징점들 간의 거리가 임계 거리 이하인 부위를 결정할 수 있다. 헤어 추천 시스템(300)은 결정된 부위 각각에 대응하는 가중치를 증가시킬 수 있다. 이러한 가중치는 음의 가중치로 지칭될 수 있다.

서버(310)의 얼굴 특징 분석부는 분리된 얼굴 영역의 형상의 음의 특징을 반영하는 제2 결합 벡터를 추출할 수 있다.

서버(310)의 얼굴 특징 분석부는 분리된 얼굴 영역의 형상에 대응하는 일정한 밀도로 특징점이 분포된 복수의 부위를 포함하는 얼굴 모델을 생성할 수 있다. 서버(310)의 얼굴 특징 분석부는 얼굴 모델의 복수의 부위의 특징점에 음의 가중치를 적용할 수 있다.

서버(310)의 얼굴 특징 분석부는 음의 가중치가 적용된 특징점을 포함하는 복수의 부위로부터 제2 임계값 이상의 음의 가중치가 적용된 특징점을 가지는 하나 이상의 부위 특징 벡터를 추출할 수 있다. 서버(310)의 얼굴 특징 분석부는 하나 이상의 부위 특징 벡터 간의 음의 상관관계를 나타내는 하나 이상의 음의 상관관계 벡터를 획득할 수 있다. 서버(310)의 얼굴 특징 분석부는 각각의 부위 특징 벡터와 각각의 음의 상관관계 벡터에 대해 콘케티네이션을 수행하여 제2 결합 벡터를 획득할 수 있다.

헤어 추천 시스템(300)은 각각의 헤어 모델의 색상에 대하여 제3 점수 이상의 피드백 데이터에 대응하는 하나 이상의 얼굴 모델의 색상을 클러스터링할 수 있다. 헤어 추천 시스템(300)은 부위 별로 클러스터링된 하나 이상의 얼굴 모델의 색상의 특징점들을 비교하여 특징점들 간의 거리가 임계 거리 이하인 부위의 색상을 결정할 수 있다. 헤어 추천 시스템(300)은 결정된 부위 각각에 대응하는 가중치를 증가시킬 수 있다. 이러한 가중치는 색상 가중치로 지칭될 수 있다.

서버(310)의 얼굴 색상 분석부는 분리된 얼굴 영역의 색상의 특징을 반영하는 제3 결합 벡터를 추출할 수 있다.

서버(310)의 얼굴 색상 분석부는 분리된 얼굴 영역의 색상에 대응하는 일정한 밀도로 특징점이 분포된 복수의 부위를 포함하는 얼굴 모델을 생성할 수 있다. 서버(310)의 얼굴 특징 분석부는 얼굴 모델의 복수의 부위의 특징점에 색상 가중치를 적용할 수 있다.

서버(310)의 얼굴 특징 분석부는 색상 가중치가 적용된 특징점을 포함하는 복수의 부위로부터 제3 임계값 이상의 색상 가중치가 적용된 특징점을 가지는 하나 이상의 부위 색상 벡터를 추출할 수 있다. 서버(310)의 얼굴 특징 분석부는 하나 이상의 부위 색상 벡터 간의 색상 상관관계를 나타내는 하나 이상의 색상 상관관계 벡터를 획득할 수 있다. 서버(310)의 얼굴 특징 분석부는 각각의 부위 색상 벡터와 각각의 색상 상관관계 벡터에 대해 콘케티네이션을 수행하여 제3 결합 벡터를 획득할 수 있다.

서버(310)의 헤어 추천부는 제1 결합 벡터, 제2 결합 벡터 및 제3 결합 벡터를 기초로 얼굴 영역에 매칭되는 헤어 모델을 추천할 수 있다.

서버(310)의 헤어 추천부는 헤어 추천 모델을 이용하여 헤어 모델을 추천할 수 있다. 헤어 추천 모델은 복수의 학습 데이터를 기초로 미리 학습될 수 있다. 헤어 추천 모델을 이용하여 복수의 학습 데이터 중의 제1 기준에 속하는 학습 데이터로부터 학습 특징 벡터가 획득될 수 있다. 헤어 추천 모델을 이용하여 제1 기준과 상이한 기준의 헤어 형상 기준 벡터 각각과 학습 특징 벡터 간의 레지듀얼이 획득될 수 있다. 제1 기준의 제1 헤어 형상 기준 벡터와 제2 기준의 제2 헤어 형상 기준 벡터 간의 기준 레지듀얼 및 제1 헤어 형상 기준 벡터와 학습 특징 벡터 간의 특징 레지듀얼을 기초로 고강도 학습 파라미터가 계산될 수 있다. 특징 레지듀얼에 고강도 학습 파라미터가 적용된 레지듀얼 및 제1 기준과 상이한 기준의 헤어 형상 기준 벡터 각각과 특징 벡터 간의 레지듀얼을 포함하는 손실 함수를 통해 손실값이 계산될 수 있다. 손실값을 기초로 헤어 추천 모델의 파라미터 또는 하나 이상의 헤어 형상 기준 벡터가 학습될 수 있다.

헤어 추천 모델은 복수의 학습 데이터를 기초로 미리 학습될 수 있다. 헤어 추천 모델을 이용하여 복수의 학습 데이터 중의 제1 기준에 속하는 학습 데이터로부터 학습 특징 벡터가 획득될 수 있다. 헤어 추천 모델을 이용하여 제1 기준과 상이한 기준의 헤어 색상 기준 벡터 각각과 학습 특징 벡터 간의 레지듀얼이 획득될 수 있다. 제1 기준의 제1 헤어 색상 기준 벡터와 제2 기준의 제2 헤어 색상 기준 벡터 간의 기준 레지듀얼 및 제1 헤어 색상 기준 벡터와 학습 특징 벡터 간의 특징 레지듀얼을 기초로 고강도 학습 파라미터가 계산될 수 있다. 특징 레지듀얼에 고강도 학습 파라미터가 적용된 레지듀얼 및 제1 기준과 상이한 기준의 헤어 색상 기준 벡터 각각과 특징 벡터 간의 레지듀얼을 포함하는 손실 함수를 통해 손실값이 계산될 수 있다. 손실값을 기초로 헤어 추천 모델의 파라미터 또는 하나 이상의 헤어 색상 기준 벡터가 학습될 수 있다.

헤어 추천 모델은 복수의 학습 데이터를 기초로 미리 학습될 수 있다. 헤어 추천 모델을 이용하여 복수의 학습 데이터 중의 제1 기준에 속하는 학습 데이터로부터 학습 특징 벡터가 획득될 수 있다. 여기서, 기준은 분류 대상을 의미하며, 예를 들어, 특정한 헤어 모델과 어울리거나 어울리지 않는 결합 벡터들의 통계적인 처리의 결과인 벡터를 포함할 수 있다. 헤어 추천 모델을 이용하여 제1 기준과 상이한 기준의 기준 벡터 각각과 학습 특징 벡터 간의 레지듀얼이 획득될 수 있다.

제1 기준의 제1 기준 벡터와 제2 기준의 제2 기준 벡터 간의 기준 레지듀얼 및 제1 기준 벡터와 학습 특징 벡터 간의 특징 레지듀얼을 기초로 고강도 학습 파라미터가 계산될 수 있다. 예를 들어, 제1 기준 벡터는 특정한 헤어 모델과 어울리는 결합 벡터들의 통계적인 처리를 거친 벡터이고, 제2 기준 벡터는 특정한 헤어 모델과 어울리는지 여부와 무관한 결합 벡터들의 통계적인 처리를 거친 벡터일 수 있다.

특징 레지듀얼에 고강도 학습 파라미터가 적용된 레지듀얼 및 제1 기준과 상이한 기준의 기준 벡터 각각과 특징 벡터 간의 레지듀얼을 포함하는 손실 함수를 통해 손실값이 계산될 수 있다.

손실값을 기초로 헤어 추천 모델의 파라미터 또는 하나 이상의 기준 벡터가 학습될 수 있다. 학습 장치는 손실값이 작아지거나 커지는 방향으로 헤어 추천 모델의 파라미터 또는 하나 이상의 기준 벡터를 학습시킬 수 있다.

학습 장치는 고강도 학습 파라미터를 적용함으로써 뉴럴 네트워크의 정답을 맞히는 능력과 구별 능력을 더욱 향상시킬 수 있다. 예를 들어, 학습 장치는 수학식 1의 손실 함수를 이용할 수 있다. 학습 장치는 제1 기준의 제1 기준 벡터

와 제2 기준의 제2 기준 벡터

간의 기준 레지듀얼

및 제1 기준 벡터

와 특징 벡터

간의 특징 레지듀얼

를 기초로 고강도 학습 파라미터

을 계산할 수 있다. 여기서, 제2 기준 벡터

는 하나 이상의 기준 벡터 중에서 제1 기준 벡터

와 레지듀얼의 차이가 가장 작은 기준 벡터일 수 있다.

기준 레지듀얼

는 수학식 3에 의해 계산될 수 있다. 제1 기준 벡터

와 제j 기준의 제j 기준 벡터 wj의 내적을 코사인 값으로 하는 레지듀얼이 기준 레지듀얼

일 수 있다. 특징 레지듀얼

는 수학식 2에 의해 계산될 수 있다. 제1 기준 벡터

와 특징 벡터

의 내적을 코사인 값으로 하는 레지듀얼이 특징 레지듀얼

일 수 있다.

학습 장치는 고강도 학습 파라미터로서 기준 레지듀얼에 대한 특징 레지듀얼 및 기준 레지듀얼 간의 차이의 비율을 계산할 수 있다. 학습 장치는 수학식 3에 따라 기준 레지듀얼

에 대한 특징 레지듀얼

및 기준 레지듀얼

간의 차이의 비율을 계산할 수 있다. 수학식 3을 참조하면, 특징 레지듀얼이 작을수록 고강도 학습 파라미터는 커지고, 기준 레지듀얼이 클수록 고강도 학습 파라미터가 커진다. 특징 레지듀얼이 작다는 것은 입력 이미지의 특징 벡터와 정답 기준을 의미하는 제1 기준의 제1 기준 벡터의 유사도가 높다는 것을 의미하며, 입력 이미지가 속한 기준을 잘 맞추는 것을 의미한다. 기준 레지듀얼이 크다는 것은 서로 다른 기준 간의 구별 능력이 크다는 것을 의미한다.

고강도 학습 파라미터로 인해 뉴럴 네트워크의 성능은 열화된 것처럼 인식되고, 학습 장치는 뉴럴 네트워크를 보다 강하게 학습한다. 고강도 학습 파라미터로 인해 수학식 2의 정답항의 삼각함수 내부의 레지듀얼이 클수록 정답항의 비중이 작아지게 되며, 손실 함수의 손실값은 커지게 된다. 이로 인해, 학습 장치는 더욱 과하게 뉴럴 네트워크를 학습하게 되며 고강도 학습 파라미터가 없는 경우보다 학습 효과는 더 높아질 수 있다. 학습이 진행되어 뉴럴 네트워크의 성능이 향상될수록 고강도 학습 파라미터가 커지게 되고, 뉴럴 네트워크의 학습 결과는 더욱 좋아질 수 있다.

서버(310)의 헤어 추천부는 미리 학습된 복수의 헤어 형상 기준 벡터 각각과 제1 결합 벡터의 거리를 계산할 수 있다. 서버(310)의 헤어 추천부는 제1 결합 벡터와의 거리가 제4 임계값 미만인 하나 이상의 헤어 형상 기준 벡터를 필터링할 수 있다.

서버(310)의 헤어 추천부는 필터링된 하나 이상의 헤어 형상 기준 벡터 각각과 제2 결합 벡터의 거리를 계산할 수 있다. 서버(310)의 헤어 추천부는 제2 결합 벡터와의 거리가 제5 임계값 이상인 헤어 형상 기준 벡터를 획득할 수 있다.

서버(310)의 헤어 추천부는 미리 학습된 복수의 헤어 색상 기준 벡터 각각과 제3 결합 벡터의 거리를 계산할 수 있다. 서버(310)의 헤어 추천부는 제3 결합 벡터와의 거리가 제6 임계값 미만인 헤어 색상 기준 벡터를 획득할 수 있다.

서버(310)의 헤어 추천부는 복수의 헤어 모델 중에서 획득된 헤어 형상 기준 벡터 및 획득된 헤어 색상 기준 벡터의 조합에 대응하는 헤어 모델을 추천할 수 있다.

헤어 추천 시스템(300)은 얼굴 영역에 대해 뷰티 필터링을 적용할 수 있다. 헤어 추천 시스템(300)은 얼굴 영역에 대해 화장 효과를 포함하는 뷰티 필터링을 적용할 수 있다. 뷰티 필터링을 통해, 얼굴 영역은 화장을 한 것과 같은 효과가 적용될 수 있다.

헤어 추천 시스템(300)은 사용자의 얼굴 이미지의 얼굴 영역에 헤어 모델을 합성할 수 있다.

헤어 추천 시스템(300)은 얼굴 영역을 회전하거나 얼굴 영역의 크기를 조정할 수 있다. 헤어 추천 시스템(300)은 헤어 모델의 크기 및 자세에 맞춰 얼굴 영역을 변환함으로써 합성 이미지를 최적화할 수 있다. 다른 실시예에 따르면, 헤어 추천 시스템(300)은 헤어 모델을 회전하거나 헤어 모델의 크기를 조정할 수 있다. 헤어 추천 시스템(300)은 얼굴 영역의 크기 및 자세에 맞춰 헤어 모델을 변환함으로써 합성 이미지를 최적화할 수도 있다.

헤어 추천 시스템(300)은 얼굴 영역에 맞춰 헤어 모델을 얼굴 영역에 맵핑할 수 있다. 헤어 추천 시스템(300)은 멀티레이어로 구성된 각각의 레이어 별로 얼굴 영역과 헤어 모델을 합성할 수 있다. 헤어 추천 시스템(300)은 배경 레이어를 얼굴 영역과 합성할 수 있다. 헤어 추천 시스템(300)은 헤어 모델의 백그라운드 레이어를 얼굴 영역과 합성할 수 있다. 헤어 추천 시스템(300)은 바디 영역 레이어를 얼굴 영역과 합성할 수 있다. 헤어 추천 시스템(300)은 바디 쉐도우 레이어를 얼굴 영역과 합성할 수 있다. 헤어 추천 시스템(300)은 얼굴 이미 레이어를 얼굴 영역과 합성할 수 있다. 헤어 추천 시스템(300)은 얼굴 쉐도우 레이어를 얼굴 영역과 합성할 수 있다. 헤어 추천 시스템(300)은 헤어 모델의 메인 레이어를 얼굴 영역과 합성할 수 있다. 헤어 추천 시스템(300)은 헤어 모델의 포어그라운드 레이어를 얼굴 영역과 합성할 수 있다.

여기서, 배경 레이어는 사용자 이미지의 배경 영역을 나타낸다. 헤어 모델의 백그라운드 레이어는 헤어 모델의 뒷머리 영역을 나타낸다. 바디 영역 레이어는 사용자 이미지의 신체 부분을 나타낸다. 바디 쉐도우 레이어는 사용자 바디에 적용되는 헤어 모델의 그림자 영역을 나타낸다. 얼굴 이마 레이어는 사용자 얼굴의 이마 영역을 나타낸다. 얼굴 쉐도우 레이어는 사용자 얼굴에 적용되는 헤어 모델의 그림자 영역을 나타낸다. 헤어 모델의 메인 레이어는 헤어 모델의 주요 부분을 나타낸다. 헤어 모델의 포그라운드 레이어는 헤어 모델의 맨 윗 영역을 나타낸다.

일 실시예에 따르며, 헤어 추천 시스템(300)은 사용자의 실제 얼굴 이미지에 가상의 헤어 모델을 적용한 AR 서비스를 제공할 수 있다. 헤어 추천 시스템(300)은 실제 얼굴 이미지에 가상의 화장을 적용하고 헤어 모델을 매핑한 합성 이미지를 실시간으로 생성함으로써 AR 서비스를 제공할 수 있다.

서버(310)의 색상 조정부는 사용자 계정의 개인 정보에 포함된 색상 민감도를 기초로 추천된 헤어 모델의 색상 또는 채도를 조정할 수 있다. 색상 민감도는 개인별로 상이할 수 있다. 예를 들어, 제1 사용자는 파란색에 보다 민감할 수 있는 반면에 제2 사용자는 빨간색에 보다 민감할 수 있다. 일 실시예에 따르면, 헤어 추천 시스템(300)은 사용자의 색상 민감도를 기초로 사용자의 단말기에 표시되는 이미지를 조정할 수 있다. 이를 통해, 사용자의 눈에 보다 적응된 AR 서비스가 제공될 수 있다.

일 실시예에 따르면, 인테리어 시뮬레이션 시스템은 사용자의 색상 민감도를 고려하여 합성 이미지의 색상 및 채도를 개인화할 수 있다. 이를 위하여, 서버(310)는 데이터베이스 매니저를 이용하여 단말기(321)의 사용자의 개인 정보에 대한 데이터베이스를 생성할 수 있다. 개인 정보는 단말기(321)의 사용자의 색상 민감도를 포함할 수 있다. 서버(310)는 색상 민감도를 이용하여 합성 이미지의 색상 또는 채도를 조정할 수 있다. 이를 통해, 합성 이미지는 단말기(321)의 사용자의 시점에서 보이는 이미지로 개인화될 수 있다.

도 4는 일 실시예에 따른 헤어 추천 방법의 동작을 도시한 흐름도이다.

일 실시예에 따르면, 동작(401)에서, 영역 분리부는 얼굴 영역과 배경 영역을 포함하는 입력 이미지에서 얼굴 영역을 분리할 수 있다.

일 실시예에 따르면, 동작(403)에서, 얼굴 특징 분석부는 분리된 얼굴 영역의 형상의 양의 특징을 반영하는 제1 결합 벡터를 추출할 수 있다.

일 실시예에 따르면, 동작(405)에서, 얼굴 특징 분석부는 분리된 얼굴 영역의 형상의 음의 특징을 반영하는 제2 결합 벡터를 추출할 수 있다.

일 실시예에 따르면, 동작(407)에서, 얼굴 색상 분석부는 분리된 얼굴 영역의 색상의 특징을 반영하는 제3 결합 벡터를 추출할 수 있다.

일 실시예에 따르면, 동작(409)에서, 헤어 추천부는 제1 결합 벡터, 제2 결합 벡터 및 제3 결합 벡터를 기초로 얼굴 영역에 매칭되는 헤어 모델을 추천할 수 있다.

도 5는 일 실시예에 따른 헤어 추천 시스템에 의해 데이터가 처리되는 과정을 도시한 예시이다.

헤어 추천 시스템(300)은 원본 사진(501)을 입력 이미지로서 입력 받을 수 있다. 헤어 추천 시스템(300)은 입력 이미지에서 인물 영역과 배경 영역을 분리할 수 있다. 헤어 추천 시스템(300)은 인물 영역에서 얼굴 영역과 헤어 영역을 분리할 수 있다. 헤어 추천 시스템(300)은 얼굴 영역에 대응하여 헤어 모델을 추천할 수 있다. 추천된 하나 이상의 헤어 모델중에서 사용자 선택에 의해 하나의 헤어 모델이 선택될 수 있다.

헤어 추천 시스템(300)은 얼굴 영역에 맞춰 헤어 모델을 얼굴(face) 영역(515)에 맵핑할 수 있다. 헤어 추천 시스템(300)은 멀티레이어로 구성된 각각의 레이어 별로 얼굴 영역과 헤어(hair) 모델을 합성할 수 있다. 헤어 추천 시스템(300)은 배경(background) 레이어(511)를 얼굴 영역(515)과 합성할 수 있다. 헤어 추천 시스템(300)은 백(back) 레이어(512)를 얼굴 영역(515)과 합성할 수 있다. 헤어 추천 시스템(300)은 바디(body) 영역 레이어(513)를 얼굴 영역(515)과 합성할 수 있다. 헤어 추천 시스템(300)은 바디 쉐도우(body shadow) 레이어(514)를 얼굴 영역(515)과 합성할 수 있다. 헤어 추천 시스템(300)은 헤어 쉐도우(hair shadow) 레이어를 얼굴 영역(515)과 합성할 수 있다. 헤어 추천 시스템(300)은 헤어 모델의 메인 레이어(517)를 얼굴 영역(515)과 합성할 수 있다. 헤어 추천 시스템(300)은 헤어 모델의 크라운(crown) 레이어를 얼굴 영역(515)과 합성할 수 있다. 헤어 추천 시스템(300)은 합성 완료 사진(521)을 출력할 수 있다.

헤어 추천 시스템(300)은 사용자의 얼굴형에 대응하여 복수의 헤어 모델을 추천할 수 있다. 헤어 추천 시스템(300)은 복수의 추천된 헤어 모델 각각을 사용자의 얼굴 영역과 미리 합성하여 복수의 합성 이미지(522, 523, 524, 525)를 출력할 수 있다.

도 6은 일 실시예에 따른 헤어 추천 시스템의 단말기 상에 표시되는 화면의 예시를 도시한 도면이다.

일 실시예에 따르면, 사용자의 단말기(321)는 서버(310)로부터 전송 받은 합성 이미지(601)를 실시간으로 표시할 수 있다. 단말기(321)는 사용자의 얼굴형에 어울리는 복수의 헤어 모델을 추천할 수 있다. 단말기(321)는 복수의 헤어 모델 각각을 사용자의 얼굴 영역에 합성하여 복수의 합성 이미지의 섬네일(611, 612, 613, 614, 615)을 생성할 수 있다. 단말기(321)는 복수의 합성 이미지의 섬네일(611, 612, 613, 614, 615)을 디스플레이를 통해 표시할 수 있다. 사용자의 선택 입력에 의해 현재 선택된 합성 이미지(614)에 대응하여 확대된 합성 이미지(601)가 표시될 수 있다.

도 7은 일 실시예에 따른 헤어 추천 모델의 구조를 도시한 도면이다.

일 실시예에 따르면, 학습 장치는 선행 레이어(703), 특징 추출부(705), 분류부(707), 고강도 학습 파라미터 계산부(709) 및 손실값 계산부(711)를 포함하는 매칭 모델(700)을 포함할 수 있다. 특징 추출부(705), 분류부(707), 고강도 학습 파라미터 계산부(709) 및 손실값 계산부(711)는 각각 하나 이상의 레이어로 구성될 수 있다. 선행 레이어(703), 특징 추출부(705), 분류부(707), 고강도 학습 파라미터 계산부(709) 및 손실값 계산부(711)는 하나의 뉴럴 네트워크에 포함될 수도 있고 별도의 객체로 구성될 수도 있다.

분류부(707)는 복수의 기준에 대응하는 복수의 레이어를 포함할 수 있다. 각각의 기준에 대응하는 레이어의 파라미터는 벡터를 형성할 수 있다. 여기서, 각각의 기준에 대응하는 레이어의 벡터는 기준 벡터로 지칭될 수 있다.

학습 장치는 학습 데이터(701)를 입력 받을 수 있다. 학습 데이터(701)는 선행 레이어(703)에 입력될 수 있다. 선행 레이어(703)는 학습 데이터(701)로부터 벡터를 출력할 수 있다. 벡터는 특징 추출부(705)에 입력될 수 있다. 특징 추출부(705)는 특징 벡터를 출력할 수 있다. 특징 벡터는 결합 벡터를 포함할 수 있다. 특징 벡터(713, 319)는 고강도 학습 파라미터 계산부(709) 및 손실값 계산부(711)로 전달될 수 있다.

일 실시예에 따르면, 특징 벡터는 분류부(707)로 전달될 수 있다. 다른 실시예에 따르면, 선행 레이어(703)로부터 출력된 벡터는 분류부(707)로 전달될 수 있다. 분류부(707)는 특징 벡터의 분류 결과를 출력할 수 있다. 분류 결과(717, 319)는 고강도 학습 파라미터 계산부(709) 및 손실값 계산부(711)로 전달될 수 있다.

고강도 학습 파라미터 계산부(709)는 특징 벡터(713) 및 분류 결과(717)를 기초로 고강도 학습 파라미터를 계산할 수 있다. 학습 장치는 제1 기준의 제1 기준 벡터와 제2 기준의 제2 기준 벡터 간의 기준 레지듀얼 및 제1 기준 벡터와 특징 벡터 간의 특징 레지듀얼을 기초로 고강도 학습 파라미터를 계산한다. 학습 장치는 고강도 학습 파라미터로서 기준 레지듀얼에 대한 특징 레지듀얼 및 기준 레지듀얼 간의 차이의 비율을 계산할 수 있다.

손실값 계산부(711)는 특징 벡터(715), 분류 결과(719), 기준 레이블(723) 및 고강도 학습 파라미터(721)을 기초로 손실값을 계산할 수 있다. 기준 레이블(723)은 정답을 의미한다. 학습 장치는 특징 레지듀얼에 고강도 학습 파라미터가 적용된 레지듀얼을 포함하는 손실 함수를 통해 손실값을 계산할 수 있다. 손실 함수는 제1 기준을 제외한 모든 기준의 특징 레지듀얼에 대한 지수값의 합 및 제1 기준의 특징 레지듀얼에 대한 지수값의 합에 대한 제1 기준의 특징 레지듀얼에 대한 지수값의 비율을 포함할 수 있다. 학습이 진행됨에 따라 고강도 학습 파라미터는 점진적으로 증가되고 학습이 더욱 용이해질 수 있다. 기준 및 학습 데이터 별로 적합한 고강도 학습 파라미터를 결정하고 적용함으로써 학습 장치는 학습의 효과를 더욱 강화할 수 있다.

도 8은 일 실시예에 따른 서버의 구성을 도시한 도면이다.

일 실시예에 따르면, 헤어 추천 시스템(300)의 서버(310)는 영역 분리부(801), 얼굴 특징 분석부(803), 얼굴 색상 분석부(805), 헤어 추천부(807), 합성부(809) 및 색상 조정부(811)를 포함할 수 있다.

영역 분리부(801)는 얼굴 영역과 배경 영역을 포함하는 입력 이미지에서 얼굴 영역을 분리할 수 있다.

얼굴 특징 분석부(803)는 분리된 얼굴 영역의 형상의 양의 특징을 반영하는 제1 결합 벡터를 추출할 수 있다.

얼굴 특징 분석부(803)는 분리된 얼굴 영역의 형상의 음의 특징을 반영하는 제2 결합 벡터를 추출할 수 있다.

얼굴 색상 분석부(805)는 분리된 얼굴 영역의 색상의 특징을 반영하는 제3 결합 벡터를 추출할 수 있다.

헤어 추천부(807)는 제1 결합 벡터, 제2 결합 벡터 및 제3 결합 벡터를 기초로 얼굴 영역에 매칭되는 헤어 모델을 추천할 수 있다.

합성부(809)는 사용자의 얼굴 이미지의 얼굴 영역에 헤어 모델을 합성할 수 있다.

색상 조정부(811)는 사용자 계정의 개인 정보에 포함된 색상 민감도를 기초로 추천된 헤어 모델의 색상 또는 채도를 조정할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 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 애플리케이션을 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, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 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. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 (5)

1. 영역 분리부에 의해, 얼굴 영역과 배경 영역을 포함하는 입력 이미지에서 얼굴 영역을 분리하는 동작;
   얼굴 특징 분석부에 의해, 상기 분리된 얼굴 영역의 형상의 양의 특징을 반영하는 제1 결합 벡터를 추출하는 동작;
   상기 얼굴 특징 분석부에 의해, 상기 분리된 얼굴 영역의 형상의 음의 특징을 반영하는 제2 결합 벡터를 추출하는 동작;
   얼굴 색상 분석부에 의해, 상기 분리된 얼굴 영역의 색상의 특징을 반영하는 제3 결합 벡터를 추출하는 동작; 및
   헤어 추천부에 의해, 상기 제1 결합 벡터, 상기 제2 결합 벡터 및 상기 제3 결합 벡터를 기초로 상기 얼굴 영역에 매칭되는 헤어 모델을 추천하는 동작
   을 포함하고,
   상기 제1 결합 벡터를 추출하는 동작은,
   상기 얼굴 특징 분석부에 의해, 상기 분리된 얼굴 영역의 형상에 대응하는 일정한 밀도로 특징점이 분포된 복수의 부위를 포함하는 얼굴 모델을 생성하는 동작;
   상기 얼굴 특징 분석부에 의해, 상기 얼굴 모델의 복수의 부위의 특징점에 양의 가중치를 적용하는 동작;
   상기 얼굴 특징 분석부에 의해, 상기 양의 가중치가 적용된 특징점을 포함하는 복수의 부위로부터 제1 임계값 이상의 상기 양의 가중치가 적용된 특징점을 가지는 하나 이상의 부위 특징 벡터를 추출하는 동작;
   상기 얼굴 특징 분석부에 의해, 상기 하나 이상의 부위 특징 벡터 간의 양의 상관관계를 나타내는 하나 이상의 양의 상관관계 벡터를 획득하는 동작; 및
   상기 각각의 부위 특징 벡터와 상기 각각의 양의 상관관계 벡터에 대해 콘케티네이션을 수행하여 상기 제1 결합 벡터를 획득하는 동작
   을 포함하고,
   상기 제2 결합 벡터를 추출하는 동작은,
   상기 얼굴 특징 분석부에 의해, 상기 분리된 얼굴 영역의 형상에 대응하는 일정한 밀도로 특징점이 분포된 복수의 부위를 포함하는 얼굴 모델을 생성하는 동작;
   상기 얼굴 특징 분석부에 의해, 상기 얼굴 모델의 복수의 부위의 특징점에 음의 가중치를 적용하는 동작;
   상기 얼굴 특징 분석부에 의해, 상기 음의 가중치가 적용된 특징점을 포함하는 복수의 부위로부터 제2 임계값 이상의 상기 음의 가중치가 적용된 특징점을 가지는 하나 이상의 부위 특징 벡터를 추출하는 동작;
   상기 얼굴 특징 분석부에 의해, 상기 하나 이상의 부위 특징 벡터 간의 음의 상관관계를 나타내는 하나 이상의 음의 상관관계 벡터를 획득하는 동작; 및
   상기 각각의 부위 특징 벡터와 상기 각각의 음의 상관관계 벡터에 대해 콘케티네이션을 수행하여 상기 제2 결합 벡터를 획득하는 동작
   을 포함하고,
   상기 제3 결합 벡터를 추출하는 동작은,
   상기 얼굴 색상 분석부에 의해, 상기 분리된 얼굴 영역의 색상에 대응하는 일정한 밀도로 특징점이 분포된 복수의 부위를 포함하는 얼굴 모델을 생성하는 동작;
   상기 얼굴 특징 분석부에 의해, 상기 얼굴 모델의 복수의 부위의 특징점에 색상 가중치를 적용하는 동작;
   상기 얼굴 특징 분석부에 의해, 상기 색상 가중치가 적용된 특징점을 포함하는 복수의 부위로부터 제3 임계값 이상의 상기 색상 가중치가 적용된 특징점을 가지는 하나 이상의 부위 색상 벡터를 추출하는 동작;
   상기 얼굴 특징 분석부에 의해, 상기 하나 이상의 부위 색상 벡터 간의 색상 상관관계를 나타내는 하나 이상의 색상 상관관계 벡터를 획득하는 동작; 및
   상기 각각의 부위 색상 벡터와 상기 각각의 색상 상관관계 벡터에 대해 콘케티네이션을 수행하여 상기 제3 결합 벡터를 획득하는 동작
   을 포함하는, 헤어 추천 방법.
2. 삭제
3. 삭제
4. 삭제
5. 제1항에 있어서,
   상기 헤어 모델을 추천하는 동작은,
   상기 헤어 추천부에 의해, 미리 학습된 복수의 헤어 형상 기준 벡터 각각과 상기 제1 결합 벡터의 거리를 계산하는 동작;
   상기 헤어 추천부에 의해, 상기 제1 결합 벡터와의 거리가 제4 임계값 미만인 하나 이상의 헤어 형상 기준 벡터를 필터링하는 동작;
   상기 헤어 추천부에 의해, 상기 필터링된 하나 이상의 헤어 형상 기준 벡터 각각과 상기 제2 결합 벡터의 거리를 계산하는 동작;
   상기 헤어 추천부에 의해, 상기 제2 결합 벡터와의 거리가 제5 임계값 이상인 헤어 형상 기준 벡터를 획득하는 동작;
   상기 헤어 추천부에 의해, 미리 학습된 복수의 헤어 색상 기준 벡터 각각과 상기 제3 결합 벡터의 거리를 계산하는 동작;
   상기 헤어 추천부에 의해, 상기 제3 결합 벡터와의 거리가 제6 임계값 미만인 헤어 색상 기준 벡터를 획득하는 동작; 및
   복수의 헤어 모델 중에서 상기 획득된 헤어 형상 기준 벡터 및 상기 획득된 헤어 색상 기준 벡터의 조합에 대응하는 헤어 모델을 추천하는 동작
   을 포함하는, 헤어 추천 방법.

Images