KR102480416B1

KR102480416B1 - 차선 정보를 추정하는 방법 및 전자 장치

Info

Publication number: KR102480416B1
Application number: KR1020170142567A
Authority: KR
Inventors: 김지만; 박찬종; 양도준; 이현우
Original assignee: 삼성전자주식회사
Priority date: 2016-12-23
Filing date: 2017-10-30
Publication date: 2022-12-23
Also published as: US20190318492A1; EP3543896A1; KR20180074568A; US11436744B2; EP3543896A4; EP3543896B1

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 차량의 외부의 이미지를 촬영하는 카메라, 및 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 프로세서는 하나 이상의 인스트럭션을 실행함으로써, 촬영된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하고, 결정된 적어도 하나의 객체와 차량 간의 거리 및 이미지의 소실점에 기초하여, 이미지에서 상기 차량이 주행중인 도로의 차선 정보를 추정하고, 추정된 차선 정보에 기초하여, 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는 전자 장치가 개시된다.

Description

차선 정보를 추정하는 방법 및 전자 장치 {DEVICE AND METHOD FOR ESTIMATING INFORMATION ABOUT A LANE}

다양한 실시예들은 차선 정보를 추정하는 방법 및 전자 장치에 관한 것으로서, 보다 상세하게는 악천후에서 차선 정보를 추정하여 출력하는 방법 및 전자 장치에 관한 것이다.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계학습(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.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

차량(vehicle)에 적용되는 기술들이 발전함에 따라, 차량의 자율주행 시스템(Autonomous Driving System) 또는 운전 보조 시스템(Advanced Driver Assistance System: ADAS)을 위한 다양한 방법들이 개발되고 있다.

한편, 차량이 운행되는 지역의 날씨 또는 차량이 운행되는 시각에 따라, 운전자가 운전하는데 필요한 충분한 시각적 정보가 확보되지 않는 경우가 빈번하게 발생할 수 있다. 이에 따라, 원활한 차량 운행에 장애가 있는 환경에서, 운전자의 차량 운행을 보조하거나, 자율주행 시스템이 차량을 안전하게 제어하도록 하기 위해 차량이 위치한 차선에 대한 정보를 제공하는 기술이 요구되고 있다.

다양한 실시예들은, 악천후 등 시각적 방해 요소를 포함하는 환경에서 차량이 주행중인 도로의 차선 정보를 추정하는 방법 및 장치를 제공할 수 있다.

일 실시예에 따른 전자 장치는, 차량의 외부의 이미지를 촬영하는 카메라, 하나 이상의 인스트럭션을 저장하는 메모리, 및 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 프로세서는 하나 이상의 인스트럭션을 실행함으로써, 촬영된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하고, 결정된 적어도 하나의 객체와 차량 간의 거리 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정하고, 추정된 차선 정보에 기초하여, 차량의 주행을 가이드하기 위한 가이드 정보를 출력할 수 있다.

일 실시예에 따른 전자 장치의 동작 방법은, 차량의 외부의 이미지를 획득하는 단계, 획득된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하는 단계, 결정된 적어도 하나의 객체와 차량 간의 거리 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정하는 단계, 및 추정된 차선 정보에 기초하여, 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는 단계를 포함할 수 있다.

또 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.

도 1은 일 실시예에 따른 전자 장치가 차선 정보를 추정하는 예시를 나타내는 개요도이다.
도 2는 일 실시예에 따른 전자 장치의 동작 방법을 도시한 흐름도이다.
도 3은 일 실시예에 따라 전자 장치가 이미지를 변환하는 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따라 전자 장치가 도로의 차선 정보를 추정하는 방법을 설명하기 위한 도면이다.
도 5는 일 실시예에 따라 전자 장치가 도로의 차선 정보를 추정하는 방법을 설명하기 위한 도면이다.
도 6은 일 실시예에 따라 전자 장치가 가이드 정보를 출력하는 방법을 설명하기 위한 도면이다.
도 7 및 도 8은 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 9는 일 실시예에 따른 프로세서의 블록도이다.
도 10은 일 실시예에 따른 데이터 학습부의 블록도이다.
도 11은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 12는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

<도 1>

도 1은 일 실시예에 따른 전자 장치가 차선 정보를 추정하는 예시를 나타내는 개요도이다.

도 1을 참조하면, 일 실시예에 따라, 전자 장치(100)는 차량(110)에 설치되어, 차량(110)의 외부의 이미지(101)로부터 주행중인 도로의 차선 정보(103)를 추정할 수 있다. 여기에서, 차선 정보(103)는 차량(110)이 주행중인 도로를 차로(예를 들어, 2차선 도로인 경우 1차로 및 2차로)로 분할하는 선을 의미한다.

예를 들어, 전자 장치(100)는 차량(110)에 탑재될 수 있는 이동식 또는 비 이동식 전자 장치일 수 있다. 또한, 전자 장치(100)는 외부의 이미지(101)를 획득하기 위한 카메라 및 가이드 정보를 출력하기 위한 디스플레이 모듈을 구비할 수 있다. 또는, 전자 장치(100)는 차량(110)에 포함된 카메라, 디스플레이(106), 로컬 네비게이션, GPS 수신 장치 등과 같은 다른 장치들을 제어할 수도 있다. 또한, 전자 장치(100)는 차량(110)에 포함된 다른 장치들과 통신함으로써 차선 정보(103)를 추정하기 위한 데이터를 수신하거나, 가이드 정보를 송신할 수 있다.

운전자가 시각적 방해 요소를 포함하는 환경에서 차량(110)을 운행하는 경우, 운전자의 시야가 충분히 확보되지 않을 수 있다. 또한, 차량(110)의 자율주행 시스템(Autonomous Driving System) 또는 운전 보조 시스템(Advanced Driver Assistance System: ADAS)이 제대로 작동하지 않을 수 있다. 전자 장치(100)는 주행중인 도로의 차선 정보(103)를 추정하고 도 1에서와 같이 가이드 정보를 출력함으로써 차량(110)의 안전한 운행을 보조할 수 있다.

예를 들어, 전자 장치(100)는 주행중인 도로의 차선 정보(103)를 추정하기 위해, 주행중인 차량(110)의 외부의 이미지(101)를 획득할 수 있다. 또한, 전자 장치(100)는 획득한 이미지(101)에 포함된 적어도 하나의 객체를 이용하여, 차선 정보(103)를 추정할 수 있다. 여기에서, 객체는 이미지에 포함된 피사체로, 이미지(101) 내에서 다른 피사체와 구별되어 인식되는 하나의 피사체를 의미한다. 예를 들어, 이미지(101)는 가드 레일(guard-rail)(105) 또는 전방의 차량(104) 등과 같은 적어도 하나의 객체를 포함할 수 있다. 또한, 전자 장치(100)는 차선 정보(103)를 추정하기 위해, 주행중인 도로의 차로 개수 정보, 이미지(101)의 소실점 등의 획득된 이미지(101)의 분석을 통한 정보를 활용할 수 있다.

한편, 일 실시예에 따라, 전자 장치(100)는 학습 모델을 활용하여, 차선 정보(103)를 추정하기 위해 획득된 이미지가 기 설정된 값 이상의 가시도(visibility)를 가지도록 획득된 이미지를 변환할 수 있다. 또한, 일 실시예에서, 이미지를 변환하는 학습 모델은 심층 신경망(Deep Neural Model) 기술에 따른 학습에 기초한 것일 수 있다. 학습 모델은 인공 지능 학습 모델일 수 있다.

일 실시예에 따라, 전자 장치(100)는 추정된 차선 정보(103)에 기초하여, 가이드 정보를 출력할 수 있다. 여기에서, 가이드 정보는 차량의 주행을 가이드하기 위한 정보를 의미한다. 예를 들어, 가이드 정보는 도로의 차선 정보, 차량의 주행 속도 또는 이에 기초하여 가공된 위험 경고 정보 등을 포함할 수 있다.

또한, 전자 장치(100)는 가이드 정보를 표시하는 디스플레이(106)를 포함할 수 있다. 일 실시예에 따라, 디스플레이(106)는 헤드 업 디스플레이(head-up display), 미러 디스플레이(mirror display) 및 투명 디스플레이 중 적어도 하나를 포함할 수 있다.

또한, 전자 장치(100)는 자율주행 시스템 또는 운전 보조 시스템에 기초하여 차량(110)의 주행을 제어할 수도 있다.

일 실시예에 따라, 전자 장치(100)는, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 컴퓨팅 장치일 수 있으나, 이에 한정되는 것은 아니다. 또한, 전자 장치(100)는 디스플레이 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다. 그러나, 이에 한정되지 않으며, 전자 장치(100)는 데이터를 처리하고, 처리된 데이터를 제공할 수 있는 모든 종류의 기기를 포함할 수 있다.

한편, 도 1에서는, 전자 장치(100)가 주행중인 차량(110)의 전방 이미지를 획득하고, 획득한 이미지를 활용하여 차량(110)의 전방의 차선 정보(103)를 추정하고 있으나, 이에 한정되는 것은 아니다. 예를 들어, 전자 장치(100)는 주행중인 차량(110)의 후방 이미지를 획득하고, 획득한 이미지를 활용하여 차선 정보(103)를 추정할 수도 있다. 이 경우, 전자 장치(100)는 차량(110)의 후 방향 주행 도로의 차선 정보를 제공함으로써 운전자의 차량 운행을 보조할 수 있다.

도 1에서는, 전자 장치(100)가 차량(110)과 별도의 장치인 것으로 도시하였으나, 이에 한정되지 않으며, 전자 장치(100)는 차량(110)에 통합되어 차량(110)에 포함되는 일부 구성으로 구현될 수도 있다. 예를 들어, 전자 장치(100)는 차량(110)에 포함되는 프로세서로 구현될 수 있다. 예를 들어, 프로세서는 차량(110)에 포함된 MCU(micro controller unit)를 포함할 수 있다. 또한, 차량(110)은 프로세서가 동작하는데 필요한 데이터 및 차선 정보(103)를 저장하는 메모리 및 외부 장치와 통신할 수 있는 통신 모듈을 포함할 수 있다.

<도 2>

도 2는 일 실시예에 따른 전자 장치의 동작 방법을 도시한 흐름도이다.

도 2를 참조하면, 단계 202에서, 전자 장치(100)는 차량의 외부의 이미지를 획득한다. 여기에서, 차량의 외부 이미지는 차량의 외부 공간 중 카메라 또는 기타 센서에 의해 감지할 수 있는 범위의 일부 공간에 대한 이미지일수 있다. 예를 들어, 차량의 외부 이미지는 차량의 전방 또는 후방을 나타내는 이미지일 수 있으나, 이에 한정되는 것은 아니다.

일 실시예에 따라, 전자 장치(100)는 카메라를 이용하여 차량의 외부의 이미지를 획득할 수 있다. 예를 들어, 카메라는 핀홀(pinhole) 카메라, 스테레오(stereo) 카메라, 적외선 카메라 또는 열화상 카메라를 의미할 수 있으나, 이에 한정되지 않는다. 예를 들어, 전자 장치(100)는 전자 장치(100)에 구비된 카메라를 이용하여, 차량의 외부 이미지를 획득하거나 전자 장치(100)외부의 촬영 장치로부터 차량의 외부의 이미지를 수신할 수도 있다.

단계 204에서, 전자 장치(100)는 획득된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정한다. 예를 들어, 전자 장치(100)는 이미지에 포함된 픽셀을 분석함으로써 복수의 객체를 구별된 각각의 객체로 추출할 수 있다. 전자 장치(100)는 이미지로부터 객체의 추출을 위해 심층 신경망(Deep Neural Network) 기술에 따른 학습 모델을 활용할 수 있다.

또한, 전자 장치(100)는 추출된 복수의 객체들 중 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정할 수 있다. 예를 들어, 전자 장치(100)는 이미지에 포함된 복수의 객체들 중 차선 정보 추정 방법에 따라 기 설정된 객체를 선택함으로써 차선 정보를 추정하기 위한 적어도 하나의 객체로 결정할 수 있다. 예를 들어, 전자 장치(100)는 이미지에 포함된 가드 레일, 전방 주행 차량, 후방 주행 차량 중 적어도 하나를 차선 정보를 추정하기 위한 적어도 하나의 객체로 결정할 수 있다.

일 실시예에 따라, 전자 장치(100)는 획득한 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하기 위해, 심층 신경망 기술에 따른 학습 모델을 활용할 수 있다. 예를 들어, 전자 장치(100)는 학습 모델을 활용하여 이미지의 가시도를 개선할 수 있다. 또한, 전자 장치(100)는 가시도가 개선된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정할 수 있다. 심층 신경망 기술에 따른 학습 모델의 활용과 관련하여서는 도 3을 참조하여 상세히 후술한다.

단계 206에서, 전자 장치(100)는 결정된 객체와 차량 간의 거리 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정한다.

일 실시예에 따라, 전자 장치(100)는 결정된 객체와 차량 간의 거리를 측정할 수 있다. 예를 들어, 전자 장치(100)는 거리 측정 센서를 이용하여 결정된 객체와 차량 간의 거리를 측정할 수 있다. 또는, 전자 장치(100)는 특정 유형의 객체에 대해 기 저장된 실험 데이터 및 획득한 이미지에 포함된 특정 객체의 크기에 기초하여, 결정된 객체와 차량 간의 거리를 결정할 수도 있다.

일 실시예에 따라, 전자 장치(100)는 이미지의 소실점(vanishing point)을 예측할 수 있다. 예를 들어, 전자 장치(100)는 이미지에 포함된 객체 중 건물의 하단 또는 가드 레일 등을 통해 직선을 추출함으로써 소실점을 예측할 수 있다. 구체적으로, 전자 장치(100)는 이미지로부터 추출된 복수의 직선의 연장선이 모이는 하나의 점을 소실점으로 예측할 수 있다.

예를 들어, 전자 장치(100)는 결정된 객체의 위치에 기초하여 도로 영역을 결정하고, 결정된 객체와 차량 간의 거리에 기초하여 각각의 차로의 차로 폭을 결정할 수 있다. 또한, 전자 장치(100)는 이미지의 소실점을 구심점으로 하여 결정된 도로 영역을 차로 개수로 분할함으로써 도로의 차선 정보를 추정할 수 있다.

또는, 예를 들어, 전자 장치(100)는 결정된 객체와 차량 간의 거리에 기초하여 차로 폭을 추정할 수 있다. 또한, 전자 장치(100)는 이미지의 소실점을 구심점으로 하여 추정된 차로 폭을 가지는 직선을 연장 시킴으로써 도로의 차선 정보를 추정할 수 있다.

단계 208에서, 전자 장치(100)는 추정된 차선 정보에 기초하여, 차량의 주행을 가이드하기 위한 가이드 정보를 출력한다. 예를 들어, 전자 장치(100)는 가이드 정보를 획득된 이미지의 도로 영역에 합성하여 표시할 수 있다. 또는, 전자 장치(100)는 가이드 정보를 음향으로 출력할 수도 있다. 예를 들어, 전자 장치(100)는 가이드 정보 및 기 설정된 기준에 따라, 차량의 주행 경로의 위험 발생 여부를 판단하고, 판단 결과를 음향으로 출력할 수 있다.

<도 3>

도 3은 일 실시예에 따라 전자 장치가 이미지를 변환하는 방법을 설명하기 위한 도면이다.

도 3의 블록 310을 참조하면, 일 실시예에 따라, 전자 장치(100)는 동일한 피사체에 대한 복수의 이미지들을 이용하여 복수의 이미지들 사이의 관계성을 학습한 결과에 기초하여 학습 모델(321)을 획득할 수 있다. 예를 들어, 동일한 피사체에 대한 복수의 이미지들은 동일한 위치, 동일한 각도에서 동일한 객체를 촬영한 복수의 이미지들일 수 있다. 예를 들어, 복수의 이미지들 사이의 관계성은 이미지의 동일한 위치에 포함된 픽셀 사이의 오차값이 될 수 있다.

예를 들어, 전자 장치(100)는 복수의 페어 이미지들(Pair image)을 이용하여 복수의 페어 이미지들 사이의 관계성을 학습함으로써 학습 모델(321)을 생성할 수 있다. 여기에서, 복수의 페어 이미지는 시각적 방해 요소(예를 들어, 저조도, 안개, 황사 등)를 포함하는 복수의 이미지(311) 및 이에 대응하는 시각적 방해 요소를 포함하지 않는 복수의 이미지(312)를 의미한다.

다른 일 실시예에 따라, 전자 장치(100)는 기 생성된 이미지 분석용 제 1 학습 모델(미도시)을 활용하여, 이미지 변환을 위한 제 2 학습 모델(321)을 생성할 수 있다. 예를 들어, 전자 장치(100)는 외부의 다른 전자 장치(예를 들어, 복수의 이미지 분석 모델을 포함하는 서버 등)로부터 이미지 분석용 제 1 학습 모델을 수신할 수 있다. 또한, 전자 장치(100)는 제 1 학습 모델을 다시 학습 시킴으로써, 이미지 변환을 위한 제 2 학습 모델(321)을 생성할 수 있다.

예를 들어, 전자 장치(100)는 하나의 페어 이미지 중 시각적 방해 요소를 포함하는 이미지(311) 및 제 1 학습 모델을 통과시킨 출력 이미지와 하나의 페어 이미지 중 시각적 방해 요소를 포함하지 않는 이미지 사이의 오류를 제 1 학습 모델에 반복하여 입력함으로써, 제 2 학습 모델(321)을 생성할 수 있다.

또는, 전자 장치(100)는 학습된 학습 모델(321)을 외부로부터 수신할 수도 있다.

또한, 일 실시예에 따라, 전자 장치(100)는 변환된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정할 수 있다. 이 경우, 도 2의 단계 204에서 설명된 실시예들이 적용될 수 있다.

도 3의 블록(320)을 참조하면, 일 실시예에 따라, 전자 장치(100)는 블록(310)에서 획득된 학습 모델(321)을 활용하여, 획득된 이미지가 기 설정된 값 이상의 가시도를 가지도록 획득된 이미지를 변환할 수 있다. 예를 들어, 전자 장치(100)는 학습 모델(321)을 활용하여, 시각적 방해 요소를 포함하는 이미지의 가시도를 증가시킬 수 있다.

일 실시예에 따라, 학습 모델(321)은, 통계학적 기계 학습의 결과를 이용하여, 이미지에 포함된 다양한 속성들을 추출하여 이용함으로써, 이미지에 포함된 객체들을 식별 및/또는 판단하는 알고리즘 집합일 수 있다. 예를 들어, 학습 모델(321)은 이미지의 가시도가 기 설정된 값 이상이 되지 않는 것으로 판단되는 경우, 이미지의 객체들에 대한 식별 및/또는 판단에 기초하여 이미지 변환을 수행할 수 있다.

일 실시예에 따라, 학습 모델(321)은 end-to-end 심층 신경망 모델일 수 있다. 여기에서, end-to-end 심층 신경망 모델이란 후처리 없이 입력 이미지를 출력 이미지로 변환할 수 있는 학습 모델을 의미한다.

예를 들어, 전자 장치(100)는 획득된 학습 모델(321)에 시각적 방해 요소를 포함하는 제 1 이미지(322)를 입력함으로써, 제 1 이미지(322)를 제 2 이미지(323)로 변환할 수 있다. 여기에서, 제 2 이미지(323)는 기 설정된 값 이상의 가시도를 가지는 이미지이다.

예를 들어, 학습 모델(321)은 이미지에 포함된 각각의 객체들을 식별하고 각각의 객체 별로 객체에 포함된 픽셀을 처리함으로써, 전체 이미지의 가시도가 기 설정된 값 이상이 되도록 변환할 수 있다.

일 실시예에 따라, 기 설정된 값은 학습 모델(321)에 따라 결정될 수 있다. 예를 들어, 기 설정된 값은 학습 모델이 업데이트됨에 따라 변경될 수 있다.

일 실시예에 따라, 전자 장치(100)는 학습 모델(321)을 활용하여 이미지를 기 설정된 값 이상의 가시도를 가지는 이미지로 변환함으로써, 기존의 시각적 방해 요소를 포함하는 이미지의 분석을 통해 차선 정보를 추정하는 경우보다 정밀도를 높일 수 있다.

<도 4>

도 4는 일 실시예에 따라 전자 장치가 도로의 차선 정보를 추정하는 방법을 설명하기 위한 도면이다.

도 4를 참조하면, 일 실시예에 따라, 전자 장치(100)는 획득된 이미지의 분석을 통해 획득된 정보 및 주행중인 도로의 차로 개수 정보(404)에 기초하여 차선 정보(405)를 추정할 수 있다. 예를 들어, 이미지의 분석을 통해 획득된 정보는 이미지의 소실점, 도로 영역, 가드 레일 또는 전방 차량과 같은 적어도 하나의 객체를 포함할 수 있으나, 이에 한정되지 않는다.

일 실시예에 따라, 전자 장치(100)는 획득된 이미지로부터 도로 영역(402)을 결정할 수 있다. 예를 들어, 전자 장치(100)는 이미지의 분석을 통해 이미지에 포함된 복수의 객체 중 가드 레일(401)의 위치 및 가드 레일(401)의 높이에 기초하여, 도로 영역(402)을 결정할 수 있다.

일 실시예에 따라, 전자 장치(100)는 차량(400)의 위치 정보에 기초하여, 차량이 주행중인 도로의 차로 개수 정보(404)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 GPS(Global Positioning System)를 통해 획득한, 차량(400)의 위치 정보에 기초하여 차량(400)이 주행중인 도로의 차로 개수 정보(404)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 차량(400)에 포함된 로컬 네비게이션(local navigation)(411)으로부터 주행중인 도로의 차로 개수 정보(404)를 획득할 수 있다. 또는, 전자 장치(100)는 차량(400)의 위치 정보에 기초하여, 전자 장치(100)에 기 저장된 차로 개수 정보(404)를 획득할 수도 있다.

일 실시예에 따라, 전자 장치(100)는 이미지에서 결정된 전방 차량(406)과 차량(400) 간의 거리, 결정된 도로 영역(402) 및 획득된 차로 개수 정보(404)에 기초하여, 차량이 주행중인 도로의 각각의 차로 별 차로 폭(407-410)을 추정할 수 있다. 예를 들어, 전자 장치(100)는 차로 개수 정보(404)가 4차로인 경우, 도로 영역을 4개의 차로로 분할할 수 있다. 또한, 전자 장치(100)는 전방 차량(406)과 차량(400) 간의 거리에 기초하여, 차로 개수 정보(404)로 분할된 각각의 차로가 전체 도로 영역을 차지하는 비율을 결정할 수 있다. 구체적으로, 전자 장치(100)는 제 1 차로(407), 제 2 차로(408), 제 3 차로(409), 제 4 차로(410) 사이의 비율을 1.1:1.2:1.0:1.1과 같이 결정할 수 있다. 또한, 전자 장치(100)는 결정된 비율에 기초하여, 각각의 차로 폭(407-410)을 추정할 수 있다.

일 실시예에 따라, 전자 장치(100)는 기 저장된 실험 데이터 값을 참조하여 각각의 차로 폭(407-410)을 추정할 수도 있다. 예를 들어, 기 저장된 실험 데이터 값은 전체 도로 영역을 1이라고 할 때, 전방 차량(406)과 차량(400) 간의 거리 및 차로 개수 정보와 매칭되는 각각의 차로 폭의 비율 정보일 수 있다.

일 실시예에 따라, 전자 장치(100)는 이미지의 소실점(403)을 예측할 수 있다. 또한, 전자 장치(100)가 전방 차량(406)과 차량(400) 간의 거리를 결정하는 방법 및 이미지의 소실점(403)을 예측하는 방법에는 도 2의 단계 206에서 설명된 실시예들이 적용될 수 있다.

일 실시예에 따라, 전자 장치(100)는 추정된 차로 폭(407-410) 및 이미지의 소실점(403)에 기초하여, 주행중인 도로의 차선 정보(405)를 추정할 수 있다. 예를 들어, 전자 장치(100)는 도로 영역을 추정된 차로 폭(407-410)에 기초하여, 이미지의 소실점을 구심점으로 하여 차로를 분할하는 직선을 연장함으로써 차선 정보(405)를 추정할 수 있다.

일 실시예에 따라, 전자 장치(100)가 차량(400) 기 저장된 차로 개수 정보(404)를 활용하는 경우, 전자 장치(100)는 획득한 이미지의 분석을 통해 차량(400) 외부의 데이터 서버에 대한 접속 없이, 차선 정보(405)를 추정할 수 있다.

<도 5>

도 5는 일 실시예에 따라 전자 장치가 도로의 차선 정보를 추정하는 방법을 설명하기 위한 도면이다.

도 5를 참조하면, 일 실시예에 따라, 전자 장치(100)는 차량(500)의 주행 중심선(501) 상에 위치한 제 1 전방 차량(502)에 기초하여 도로의 차선 정보를 추정할 수 있다.

일 실시예에 따라, 전자 장치(100)는 차량의 주행 중심선(501)을 결정할 수 있다. 여기에서, 주행 중심선(501)이란 주행중인 차량(500)의 중심선으로, 카메라를 통해 획득된 이미지의 중심선을 의미한다.

일 실시예에 따라, 전자 장치(100)는 중심선 상에 위치하는 제 1 전방 차량(502)을 차선 정보의 추정을 위한 적어도 하나의 객체로 결정할 수 있다.

일 실시예에 따라, 전자 장치(100)는 제 1 전방 차량(502)과 차량(500) 간의 거리 및 제 1 전방 차량(502)의 차폭에 기초하여, 차량이 주행중인 제 1 차로의 제 1 차로 폭(503)을 추정할 수 있다. 여기에서, 차폭은 획득한 이미지에서 검출된 제 1 전방 차량의 가로 크기를 의미한다. 예를 들어, 차폭의 크기는 픽셀(pixel) 단위로 표현될 수 있다.

예를 들어, 전자 장치(100)는 기 저장된 실험 데이터를 활용하여 이미지로부터 검출된 제 1 전방 차량(502)의 크기에 기초하여, 제 1 전방 차량(502)과 차량(500) 간의 거리를 결정할 수 있다.

예를 들어, 전자 장치(100)는 제 1 전방 차량(502)의 차폭과 제 1 값을 합한 값을 제 1 차로의 제 1 차로 폭(503)으로 추정할 수 있다. 또한, 제 1 값은 제 1 전방 차량(502)과 차량(500) 간의 거리에 따라 결정될 수 있다. 예를 들어, 제 1 값은 전자 장치(100)에 기 저장된 실험 데이터에 따라 설정된 값일 수 있다.

또한, 전자 장치(100)는 추정된 제 1 차로 폭(503) 및 이미지의 소실점에 기초하여, 차량이 주행중인 도로의 차선 정보(505)를 추정할 수 있다. 예를 들어, 전자 장치(100)는 이미지에서 주행 중심선(501) 또는 제 1 전방 차량을 기준으로 추정된 제 1 차로 폭(503)에 기초하여, 이미지의 소실점을 지나는 직선을 연장 함으로써 차선 정보(505)를 추정할 수 있다.

한편, 일 실시예에 따라, 전자 장치(100)는 유사한 방법으로 차량(500)이 주행중인 차로를 제외한 다른 차로(예를 들어, 제 2 전방 차량(510)이 주행중인 제 2 차로)의 차선을 추정할 수 있다.

예를 들어, 전자 장치(100)는 주행 중심선 상에 위치하지 않는 제 2 전방 차량(510)을 적어도 하나의 객체로 결정할 수 있다.

또한, 전자 장치(100)는 제 2 전방 차량(510)과 주행 중심선(501) 간의 거리, 제 2 전방 차량(510)과 차량(500) 간의 거리 및 제 2 전방 차량의 차폭에 기초하여, 제 2 차로의 제 2 차로 폭을 추정할 수 있다. 예를 들어, 전자 장치(100)는 제 2 전방 차량(510)의 차폭과 제 2 값을 합한 값을 제 2 차로의 제 2 차로 폭으로 추정할 수 있다. 또한, 제 2 값은 제 2 전방 차량(510)과 주행 중심선(501) 간의 거리 및 제 2 전방 차량(510)과 차량(500) 간의 거리에 따라 결정될 수 있다.

또한, 전자 장치(100)는 추정된 제 2 차로 폭 및 이미지의 소실점에 기초하여, 제 2 차로의 차선 정보를 추정할 수 있다. 예를 들어, 전자 장치(100)는 이미지에서 주행 중심선(501) 또는 제 2 전방 차량을 기준으로 추정된 제 2 차로 폭에 기초하여, 이미지의 소실점을 지나는 직선을 연장 함으로써 제 2 차로의 차선 정보를 추정할 수 있다.

또한, 일 실시예에 따라, 전자 장치(100)는 제 2 전방 차량이 주행중인 차로의 차선 정보 및 제 1 전방 차량이 주행중인 차로의 차선 정보(505)를 포함하는 차선 정보를 가이드 정보로 출력할 수 있다.

<도 6>

도 6은 일 실시예에 따라 전자 장치가 가이드 정보를 출력하는 방법을 설명하기 위한 도면이다.

한편, 일 실시예에 따라, 전자 장치(100)는 추정된 차선 정보에 기초하여, 가이드 정보를 생성할 수 있다. 예를 들어, 가이드 정보는 추정된 차선 정보를 이미지화한 것일 수 있다. 또는, 가이드 정보는 추정된 차선 정보 및 차량의 운행 정보에 기초하여 전자 장치(100)에 의해 가공된 것일 수 있다. 예를 들어, 전자 장치(100)는 추정된 차선 정보 및 차량의 주행 속도에 기초하여, 가이드 정보를 생성할 수 있다.

도 6을 참조하면, 일 실시예에 따라, 전자 장치(100)는 이미지화된 차선 정보를 출력할 수 있다. 예를 들어, 전자 장치(100)는 추정된 차선 정보에 기초하여 주행중인 도로의 차선(602)을 차량에 포함된 디스플레이(601)(예를 들어, 차량 전면의 헤드 업 디스플레이 또는 투명 디스플레이)에 표시할 수 있다. 예를 들어, 전자 장치(100)는 디스플레이(601)에 획득된 이미지를 표시하고, 획득된 이미지 상에 추정된 차선(602)을 하이라이트하여 표시할 수도 있다.

일 실시예에 따라, 가이드 정보는 추정된 차선 정보를 이용하여 가공된 위험 경고 정보일 수 있다. 예를 들어, 전자 장치(100)는 차량의 주행 방향, 속도 등에 따라 차량의 진행 경로를 예측하고, 추정된 차선 정보를 이용하여 차선 이탈 위험 여부를 판단할 수 있다. 또한, 전자 장치(100)는 차선 이탈 위험이 있는 것으로 판단되는 경우, 해당 가이드 정보를 음향으로 출력할 수 있다.

도 6을 참조하면, 예를 들어, 전자 장치(100)는 차선 정보에 기초하여 생성된 위험 경고 정보(603)를 출력할 수 있다. 예를 들어, 전자 장치(100)는 차선 이탈 위험이 있는 것으로 판단되는 경우, 위험 경고 정보(603)를 차량에 포함된 디스플레이에 출력할 수 있다. 예를 들어, 전자 장치(100)는 위험 경고 정보(603)를 나타내는 텍스트, 이미지 또는 애니메이션 등을 제공할 수 있다.

일 실시예에 따라, 전자 장치(100)는 추정된 차선 정보에 기초하여, 차량의 위치가 기 설정된 범위에 포함되는지 여부를 판단할 수 있다. 또한, 전자 장치(100)는 판단 결과에 기초하여, 가이드 정보를 출력할 수 있다. 여기에서, 기 설정된 범위는 차량이 하나의 차선 안에서 운행되는 경우 추정되는 차량의 위치의 범위이다.

예를 들어, 전자 장치(100)는 차량의 위치가 기 설정된 범위에 포함되는지 여부를 판단하기 위해, 이미지의 중심선을 이용할 수 있다. 획득된 이미지에서 이미지의 중심선으로부터 추정된 차선의 위치가 안전 범위를 벗어나는 경우, 전자 장치(100) 차량의 주행 경로가 차선을 이탈하였음을 판단할 수 있다. 예를 들어, 안전 범위는 실험 데이터에 기초하여 전자 장치(100)에 기 설정된 것일 수 있다.

또한, 전자 장치(100)는 차량의 위치가 기 설정된 범위에 포함되지 않는 경우, 위험 경고 정보(603) 등의 가이드 정보를 출력할 수 있다.

일 실시예에 따라, 전자 장치(100)는 가이드 정보를 출력함에 따라, 운전자가 주행 환경에 시각적 방해 요소가 있는 경우에서도 안전하게 차량을 운행하게 할 수 있다. 또한, 가이드 정보가 운전자의 차량 운행 중 다양한 형태로 출력됨으로써, 운전자의 주행 만족도가 높아질 수 있다.

<도 7,8>

도 7 및 도 8은 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.

도 7에 도시된 바와 같이, 일 실시예에 따른 전자 장치(1000)는 메모리(1100), 디스플레이부(1210), 카메라(1610) 및 프로세서(1300)를 포함할 수 있다.

그러나, 도 7에 도시된 구성 요소 모두가 전자 장치(1000)의 필수 구성 요소인 것은 아니다. 도 7에 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 도 7에 도시된 구성 요소보다 적은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있다.

예를 들어, 도 8에 도시된 바와 같이, 일 실시예에 따른 전자 장치(1000)는, 메모리(1100), 디스플레이부(1210), 카메라(1610) 및 프로세서(1300) 이외에 출력부(1200), 통신부(1500), 센싱부(1400), A/V 입력부(1600) 및 사용자 입력부(1700)를 더 포함할 수도 있다.

메모리(1100)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되는 이미지 또는 전자 장치(1000)로부터 출력되는 가이드 정보를 저장할 수도 있다. 또한, 메모리(1100)는 가이드 정보의 출력 여부 판단을 위한 특정 정보를 저장할 수 있다.

메모리(1100)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

메모리(1100)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1110), 터치 스크린 모듈(1120), 알림 모듈(1130) 등으로 분류될 수 있다.

UI 모듈(1110)은, 애플리케이션 별로 전자 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1120)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일 실시예에 따른 터치 스크린 모듈(1120)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1120)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.

알림 모듈(1130)은 전자 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 전자 장치(1000)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1130)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다. 예를 들어, 알림 모듈(1130)은 추정된 차선 정보에 기초하여 가이드 정보를 출력하기 위한 신호를 발생할 수 있다.

출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.

디스플레이부(1210)는 전자 장치(1000)에서 처리되는 정보를 표시 출력한다. 구체적으로, 디스플레이부(1210)는 카메라(1610)에서 촬영된 이미지를 출력할 수 있다. 또한, 디스플레이부(1210)는 프로세서(1300)에서 생성된 가이드 정보를 촬영된 이미지에 합성하여 출력할 수 있다.

또한, 디스플레이부(1210)는, 사용자의 입력에 대한 응답으로, 응답에 관련된 동작을 실행하기 위한 사용자 인터페이스를 디스플레이할 수 있다.

음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1100)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 전자 장치(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 예를 들어, 음향 출력부(1220)는 프로세서(1300)의 제어에 의해 알림 모듈(1130)에서 신호로 발생된 가이드 정보를 음향 신호로 출력할 수 있다.

프로세서(1300)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1100)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1700), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1700) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1100)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 6에 기재된 전자 장치(1000)의 기능을 수행할 수 있다.

구체적으로, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 카메라(1610)가 차량의 외부의 이미지를 촬영하도록 제어할 수 있다. 또는, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 통신부(1500)가 차량의 외부의 이미지를 획득하도록 제어할 수도 있다.

또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 촬영된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정할 수 있다. 예를 들어, 프로세서(1300)는 이미지에 포함된 가드 레일, 전방 차량 또는 후방 차량 등을 차선 정보를 추정하기 위한 적어도 하나의 객체로 결정할 수 있다.

또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 결정된 적어도 하나의 객체와 차량 간의 거리 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정할 수 있다. 예를 들어, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 센싱부(1400)를 통해 결정된 적어도 하나의 객체와 차량 간의 거리를 획득할 수 있다. 또한, 프로세서(1300)는 이미지에 포함된 객체 중 건물의 하단 또는 가드 레일 등을 통해 직선을 추출함으로써 소실점을 예측할 수 있다.

예를 들어, 프로세서(1300)는 결정된 객체와 차량 간의 거리에 기초하여 도로 영역을 결정할 수 있다. 또한, 프로세서(1300)는 예측된 도로 영역을 이미지의 소실점을 구심점으로 하여 예측된 도로 영역을 차로 개수로 분할함으로써 도로의 차선 정보를 추정할 수 있다.

또는, 예를 들어, 프로세서(1300)는 결정된 객체와 차량 간의 거리에 기초하여 차로 폭을 추정할 수 있다. 또한, 프로세서(1300)는 이미지의 소실점을 구심점으로 하여 추정된 차로 폭을 가지는 직선을 연장 시킴으로써 도로의 차선 정보를 추정할 수 있다.

일 실시예에 따라, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 촬영된 이미지로부터 도로 영역을 결정할 수 있다. 또한, 프로세서(1300)는 차량의 위치 정보에 기초하여, 차량이 주행중인 도로의 차로 개수 정보를 획득할 수 있다. 예를 들어, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 위치 센서(1460)가 차량의 GPS정보를 획득하도록 제어할 수 있다. 또한, 프로세서(1300)는 결정된 적어도 하나의 객체와 차량 간의 거리, 결정된 도로 영역 및 획득한 차로 개수 정보에 기초하여, 이미지에서 차로 폭을 추정할 수 있다. 또한, 프로세서(1300)는 추정된 차로 폭 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정할 수 있다.

일 실시예에 따라, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 차량의 주행 중심선을 결정할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 주행 중심선 상에 위치하는 제 1 전방 차량을 차선 정보를 추정하기 위한 적어도 하나의 객체로 결정할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 제 1 전방 차량과 차량 간의 거리 및 제 1 전방 차량의 차폭에 기초하여, 이미지에서 차량이 주행중인 제 1 차로의 제 1 차로 폭을 추정할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 추정된 제 1 차로 폭 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정할 수 있다,

또한, 프로세서(1300)는 주행 중심선 상에 위치하지 않는 제 2 전방 차량을 차선 정보를 추정하기 위한 적어도 하나의 객체로 결정할 수 있다. 또한, 프로세서(1300)는 제 2 전방 차량과 주행 중심선 간의 거리, 제 2 전방 차량과 차량 간의 거리 및 제 2 전방 차량의 차폭에 기초하여, 제 2 전방 차량이 주행중인 제 2 차로의 제 2 차로 폭을 추정할 수 있다. 또한, 프로세서(1300)는 추정된 제 2 차로 폭 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정할 수 있다.

일 실시예에 따라, 프로세서(1300)는 동일한 피사체에 대한 복수의 이미지들을 이용하여 복수의 이미지들 사이의 관계성을 학습할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 학습 결과에 기초하여 학습 모델을 생성할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 학습 모델을 이용하여, 촬영된 이미지가 기 설정된 값 이상의 가시도를 가지도록 촬영된 이미지를 변환할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 변환된 이미지를 활용하여, 차량이 주행중인 도로의 차선 정보를 추정할 수 있다. 예를 들어, 프로세서(1300)는 변환된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정할 수 있다.

일 실시예에 따라, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 출력부(1200)가 추정된 차선 정보에 기초하여, 차량의 주행을 가이드하기 위한 가이드 정보를 출력도록 제어할 수 있다. 예를 들어, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 디스플레이부(1210)가 가이드 정보를 획득된 이미지의 도로 영역에 합성하여 표시하도록 제어할 수 있다. 또는, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 음향 출력부(1220)가 가이드 정보를 출력하도록 제어할 수도 있다. 예를 들어, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 가이드 정보 및 기 설정된 기준에 따라, 차량의 주행 경로의 위험 발생 여부를 판단하고, 판단 결과를 음향 출력부(1220) 또는 진동 모터(1230)가 출력하도록 제어할 수 있다.

일 실시예에 따라, 프로세서(1300)는 가이드 정보를 생성할 수 있다. 예를 들어, 프로세서(1300)는 추정된 차선 정보 및 차량의 주행 속도에 기초하여, 가이드 정보를 생성할 수 있다. 예를 들어, 프로세서(1300)는 추정된 차선 정보에 기초하여, 차량의 위치가 기 설정된 범위에 포함되는지 여부를 판단함으로써 가이드 정보를 생성할 수 있다.

센싱부(1400)는, 전자 장치(1000)의 상태 또는 전자 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다.

센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(RGB sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.

일 실시예에 따라, 센싱부(1400)는 촬영된 이미지에서 결정된 적어도 하나의 객체와 차량 간의 거리를 측정할 수 있다.

통신부(1500)는, 전자 장치(1000)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 전자 장치(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.

근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 근거리 통신부(1510)는 차량에 포함된 네비게이션 장치로부터 근거리 무선 통신을 통해 차로 개수 정보를 수신할 수 있다.

이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.

A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡처된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.

일 실시예에 따라, 카메라(1610)는 차량의 외부의 이미지를 촬영할 수 있다. 예를 들어, 카메라(1610)는 주행중인 차량의 전방 이미지를 촬영할 수 있으나, 이에 한정되는 것은 아니다.

마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 사용자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)은 사용자의 음성 입력을 수신할 수 있다. 마이크로폰(1620)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.

사용자 입력부(1700)는, 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1700)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.

<도 9-12>

도 9는 일 실시예에 따른 프로세서의 블록도이다.

도 9를 참조하면, 일 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.

데이터 학습부(1310)는 이미지의 가시도 증가를 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 이미지의 가시도를 증가시키기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 이미지의 가시도를 어떻게 증가시킬 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 이미지의 가시도 증가를 위한 기준을 학습할 수 있다.

데이터 인식부(1320)는 입력된 이미지의 가시도를 증가시킬 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 입력된 이미지의 가시도를 증가시킬 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 입력된 이미지의 가시도를 증가시킬 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.

데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 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 장치에 탑재될 수도 있다.

이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.

한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(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. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 10은 일 실시예에 따른 데이터 학습부의 블록도이다.

도 10을 참조하면, 일 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.

데이터 획득부(1310-1)는 상황 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 상황 판단을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.

데이터 획득부(1310-1)는 동일한 피사체에 대한 복수의 이미지를 입력 받을 수 있다. 예를 들어, 데이터 획득부(1310-1)는 동일한 장소에서 동일한 도로를 촬영한, 시간별, 날짜별, 계절별 이미지를 입력 받을 수 있다. 데이터 획득부(1310-1)는 데이터 학습부(1310)를 포함하는 전자 장치의 카메라를 통하여 이미지를 입력 받을 수 있다. 또는, 데이터 획득부(1310-1)는 전자 장치와 통신 가능한 외부 장치를 통해 데이터를 획득할 수 있다.

전처리부(1310-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(1310-2)는 획득한 복수의 이미지를 분석하기 위해, 이미지를 픽셀 단위로 분할할 수 있다. 또는, 전처리부(1310-2)는 획득한 복수의 이미지를 분석하기 위해 각각의 이미지에서 객체를 추출할 수 있다. 또한, 전처리부(1310-2)는 추출한 객체를 데이터로 가공할 수 있다. 또한, 전처리부(1310-2)는 이미지에서 공통된 위치에 있는 객체 또는 픽셀을 태깅(tagging)하여 분류할 수 있다.

학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

학습 데이터 선택부(1310-3)는 전처리부(1310-2)에서 가공된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 예를 들어, 학습 데이터 선택부(1310-3)는 이미지에서 특정 객체의 가시도를 증가시키기 위한 기준을 학습하기 위해, 특정 객체에 해당하는 데이터를 선택할 수 있다.

모델 학습부(1310-4)는 학습 데이터에 기초하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 상황 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

예를 들어, 모델 학습부(1310-4)는 이미지의 가시도 증가를 위한 기준을 학습하기 위해, 각각의 객체 또는 픽셀의 특징을 분석할 수 있다. 또는, 모델 학습부(1310-4)는 하나의 페어 이미지를 활용하여 이미지 사이의 관계성을 분석함으로써, 이미지의 가시도 증가를 위한 기준을 학습할 수도 있다. 예를 들어, 모델 학습부(1310-4)는 하나의 페어 이미지를 활용하여 이미지 사이의 오차를 추출함으로써 관계성을 분석할 수 있다.

또한, 모델 학습부(1310-4)는 상황 판단에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.

데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되는 것은 아니다.

다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.

또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.

또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

모델 평가부(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 평가 데이터는 적어도 하나의 페어 이미지를 포함할 수 있다.

예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 데이터 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.

한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 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 장치에 탑재될 수도 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(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. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 11은 일 실시예에 따른 데이터 인식부(1320)의 블록도이다.

도 11을 참조하면, 일 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.

데이터 획득부(1320-1)는 상황 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.

예를 들어, 입력된 이미지에 대한 인식 결과는 텍스트, 이미지 또는 명령어(예를 들어, 어플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다. 인식 결과 제공부(1320-4)는 이미지를 데이터 인식 모델에 적용하여 기 설정된 가시도 기준값을 만족하는 이미지로 변환된 결과를 제공할 수 있다.

예를 들어, 인식 결과 제공부(1320-4)는 디스플레이부(1210)가 변환된 이미지를 출력하도록 하는 디스플레이 기능 실행 명령어를 인식 결과로서 제공할 수도 있다.

모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 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 장치에 탑재될 수도 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(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. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 12는 일 실시예에 따른 전자 장치(1000) 및 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 12를 참조하면, 서버(2000)는 이미지의 가시도 증가를 위한 기준을 학습할 수 있으며, 전자 장치(1000)는 서버(2000)에 의한 학습 결과에 기초하여 상황을 판단할 수 있다.

이 경우, 서버(2000)의 모델 학습부(2340)는 도 10에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 이미지의 가시도를 증가시키기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 이미지의 가시도를 어떻게 증가 시킬 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 이미지의 가시도 증가를 위한 기준을 학습할 수 있다.

또한, 전자 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여 이미지의 가시도 증가 시킬 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 이미지의 가시도를 증가 시킬 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 가시도를 증가시킨 이미지로 변환된 이미지를 서버(2000)로부터 수신할 수 있다.

또는, 전자 장치(1000)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 이미지의 가시도를 증가 시킬 수 있다. 이 경우, 전자 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여 이미지의 가시도를 증가 시킬 수 있다.

일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.

또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims

차량의 외부의 이미지를 촬영하는 카메라;
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 촬영된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하고, 상기 차선 정보는 차선들을 따라 주행 중인 차량이 위치하는 도로를 분할하는 라인들을 포함하고,
상기 촬영된 이미지로부터 도로 영역을 결정하고,
상기 차량의 위치 정보에 기초하여, 상기 차량이 주행 중인 상기 도로의 차로 개수 정보를 획득하고,
상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리, 상기 결정된 도로 영역, 및 상기 획득된 차로 개수 정보에 기초하여, 상기 촬영된 이미지로부터 차로 폭을 추정하고,
상기 추정된 차로 폭에 기초하여, 상기 이미지의 소실점을 구심점으로 하여 상기 획득된 차로 개수로 상기 도로 영역을 분할함으로써, 상기 도로의 차선 정보를 추정하고,
상기 추정된 차선 정보에 기초하여, 상기 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는, 차량용 전자 장치.
제 1항에 있어서,
상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
동일한 피사체에 대한 복수의 이미지들을 이용하여 상기 복수의 이미지들 사이의 관계성을 학습한 결과에 기초하여, 인공지능 학습 모델을 획득하고,
상기 획득된 인공지능 학습 모델을 이용하여, 상기 촬영된 이미지가 기 설정된 값 이상의 가시도(visibility)를 가지도록, 상기 촬영된 이미지를 변환하고,
상기 변환된 이미지로부터 상기 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하는, 차량용 전자 장치.
삭제
제 1항에 있어서,
상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 차량의 주행 중심선을 결정하고,
상기 결정된 적어도 하나의 객체는, 상기 주행 중심선 상에 위치하는 제 1 전방 차량을 포함하고,
상기 제 1 전방 차량과 상기 차량 간의 거리 및 상기 제 1 전방 차량의 차폭에 기초하여, 상기 이미지에서 상기 차량이 주행중인 제 1 차로의 제 1 차로 폭을 추정하고,
상기 추정된 제 1 차로 폭 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차선 정보를 추정하는, 차량용 전자 장치.
◈청구항 5은(는) 설정등록료 납부시 포기되었습니다.◈

제 4항에 있어서
상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 결정된 적어도 하나의 객체는 상기 주행 중심선 상에 위치하지 않는 제 2 전방 차량을 포함하고,
상기 제 2 전방 차량과 상기 주행 중심선 간의 거리, 상기 제 2 전방 차량과 상기 차량 간의 거리 및 상기 제 2 전방 차량의 차폭에 기초하여, 상기 제 2 전방 차량이 주행중인 제 2 차로의 제 2 차로 폭을 추정하고,
상기 추정된 제 2 차로 폭 및 상기 이미지의 소실점에 기초하여, 상기 차선 정보를 추정하는, 차량용 전자 장치.
◈청구항 6은(는) 설정등록료 납부시 포기되었습니다.◈

제 1항에 있어서,
상기 전자 장치는,
상기 촬영된 이미지를 표시하는 디스플레이를 더 포함하고,
상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 추정된 차선 정보 및 상기 차량의 주행 속도에 기초하여, 상기 가이드 정보를 생성하고,
상기 생성된 가이드 정보를 상기 촬영된 이미지의 도로 영역에 합성하여 상기 디스플레이에 표시하는, 차량용 전자 장치.
◈청구항 7은(는) 설정등록료 납부시 포기되었습니다.◈

제 1항에 있어서,
상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 추정된 차선 정보에 기초하여, 상기 차량의 위치가 기 설정된 범위에 포함되는지 여부를 판단하고,
상기 판단 결과에 기초하여, 상기 가이드 정보를 출력하는, 차량용 전자 장치.
차량의 외부의 이미지를 획득하는 단계;
상기 획득된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하는 단계, 상기 차선 정보는 차선들을 따라 주행 중인 차량이 위치하는 도로를 분할하는 라인들을 포함함;
상기 획득된 이미지로부터 도로 영역을 결정하는 단계;
상기 차량의 위치 정보에 기초하여, 상기 차량이 주행 중인 상기 도로의 차로 개수 정보를 획득하는 단계;
상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리, 상기 결정된 도로 영역, 및 상기 획득된 차로 개수 정보에 기초하여, 상기 획득된 이미지로부터 차로 폭을 추정하는 단계;
상기 추정된 차로 폭에 기초하여, 상기 이미지의 소실점을 구심점으로 하여 상기 획득된 차로 개수로 상기 도로 영역을 분할함으로써, 상기 도로의 차선 정보를 추정하는 단계; 및
상기 추정된 차선 정보에 기초하여, 상기 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는 단계를 포함하는, 차량용 전자 장치의 동작 방법.
제 8항에 있어서,
상기 동작 방법은,
동일한 피사체에 대한 복수의 이미지들을 이용하여 상기 복수의 이미지들 사이의 관계성을 학습하는 단계; 및
상기 학습 결과에 기초하여, 상기 획득된 이미지가 기 설정된 값 이상의 가시도를 가지도록 상기 획득된 이미지를 변환하는 단계를 더 포함하고,
상기 획득된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하는 단계는,
상기 변환된 이미지로부터 상기 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하는 단계를 포함하는, 차량용 전자 장치의 동작 방법.
삭제
제 8항에 있어서,
상기 동작 방법은,
상기 차량의 주행 중심선을 결정하는 단계를 더 포함하고,
상기 결정된 적어도 하나의 객체는, 상기 주행 중심선 상에 위치하는 제 1 전방 차량을 포함하고,
상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리, 상기 결정된 도로 영역, 및 상기 획득된 차로 개수 정보에 기초하여 상기 획득된 이미지로부터 차로 폭을 추정하는 단계는,
상기 제 1 전방 차량과 상기 차량 간의 거리 및 상기 제 1 전방 차량의 차폭에 기초하여, 상기 이미지에서 상기 차량이 주행중인 제 1 차로의 제 1 차로 폭을 추정하는 단계를 포함하고,
상기 도로의 차선 정보를 추정하는 단계는,
상기 추정된 제 1 차로 폭에 기초하여, 상기 이미지의 소실점을 구심점으로 하여 상기 차로 개수로 상기 도로 영역을 분할함으로써, 상기 이미지에서 상기 차선 정보를 추정하는 단계를 포함하는, 차량용 전자 장치의 동작 방법
제 11항에 있어서,
상기 결정된 적어도 하나의 객체는 상기 주행 중심선 상에 위치하지 않는 제 2 전방 차량을 포함하고,
상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리, 상기 결정된 도로 영역, 및 상기 획득된 차로 개수 정보에 기초하여 상기 획득된 이미지로부터 차로 폭을 추정하는 단계는,
상기 제 2 전방 차량과 상기 주행 중심선 간의 거리, 상기 제 2 전방 차량과 상기 차량 간의 거리 및 상기 제 2 전방 차량의 차폭에 기초하여, 상기 이미지에서 상기 제 2 전방 차량이 주행중인 제 2 차로의 제 2 차로 폭을 추정하는 단계를 포함하고,
상기 도로의 차선 정보를 추정하는 단계는,
상기 추정된 제 2 차로 폭에 기초하여, 상기 이미지의 소실점을 구심점으로 하여 상기 차로 개수로 상기 도로 영역을 분할함으로써 상기 이미지에서 상기 차선 정보를 추정하는 단계를 더 포함하는, 차량용 전자 장치의 동작 방법.
제 8항에 있어서,
상기 추정된 차선 정보에 기초하여, 상기 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는 단계는,
상기 추정된 차선 정보 및 상기 차량의 주행 속도에 기초하여, 상기 가이드 정보를 생성하는 단계; 및
상기 생성된 가이드 정보를 상기 획득된 이미지의 도로 영역에 합성하여 표시하는 단계를 포함하는, 차량용 전자 장치의 동작 방법.
제 8항에 있어서,
상기 추정된 차선 정보에 기초하여, 상기 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는 단계는,
상기 추정된 차선 정보에 기초하여, 상기 차량의 위치가 기 설정된 범위에 포함되는지 여부를 판단하는 단계; 및
상기 판단 결과에 기초하여, 상기 가이드 정보를 출력하는 단계를 포함하는, 차량용 전자 장치의 동작 방법.
제 8항, 제 9항, 제 11항 내지 제 14항 중 어느 한 항의 동작 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.