KR102636189B1 - 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치 - Google Patents

인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치 Download PDF

Info

Publication number
KR102636189B1
KR102636189B1 KR1020230133199A KR20230133199A KR102636189B1 KR 102636189 B1 KR102636189 B1 KR 102636189B1 KR 1020230133199 A KR1020230133199 A KR 1020230133199A KR 20230133199 A KR20230133199 A KR 20230133199A KR 102636189 B1 KR102636189 B1 KR 102636189B1
Authority
KR
South Korea
Prior art keywords
information
space
dimensional
image
spatial
Prior art date
Application number
KR1020230133199A
Other languages
English (en)
Inventor
김윤제
최진원
Original Assignee
주식회사 심시스글로벌
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 심시스글로벌 filed Critical 주식회사 심시스글로벌
Priority to KR1020230133199A priority Critical patent/KR102636189B1/ko
Application granted granted Critical
Publication of KR102636189B1 publication Critical patent/KR102636189B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Architecture (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

실시예들은 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치를 제공한다. 일 실시예에 따른 상기 방법은, 건물에 대한 공간 시멘틱 정보를 기반으로 상기 건물에 대한 3차원 가상 공간을 구현하고, 복수의 보안 카메라 단말 각각으로부터 2차원 영상 정보를 수신하고, 상기 2차원 영상 정보는 보안 카메라 단말에 의해 촬영된 2차원 영상, 보안 카메라 단말의 위치 정보 및 보안 카메라 단말의 각도 정보를 포함하고, 상기 2차원 영상을 기반으로 제1 뉴럴 네트워크를 이용하는 객체 분석 모델을 통해 상기 2차원 영상에 포함된 객체에 대한 정보를 결정하고, 상기 2차원 영상에 포함된 객체에 대한 정보, 상기 보안 카메라 단말의 위치 정보 및 보안 카메라 단말의 각도 정보를 기반으로 상기 2차원 영상에 포함된 객체가 정합되는 상기 3차원 가상 공간 상의 3차원 공간 좌표를 결정하고, 상기 3차원 공간 좌표를 기반으로 상기 객체에 대한 3차원 공간 정보를 결정하고, 상기 객체에 대한 3차원 공간 정보는 상기 3차원 공간 좌표, 상기 3차원 공간 좌표에 매칭된 공간 폴리곤 속성 값 및 상기 객체의 3차원 공간 상에서의 크기를 포함하고, 상기 객체에 대한 3차원 공간 정보를 사용자 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 객체에 대한 3차원 공간 정보에 기반하여 상기 객체가 위치한 공간의 명칭과 상기 객체의 크기에 대한 값이 상기 사용자 단말의 디스플레이에 출력되는 상기 2차원 영상에 중첩되어 표시될 수 있다.

Description

인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치{METHOD AND DEVICE FOR RECOGNIZING OBJECT SPATIALITY AND VISUALIZING SPACE-TIME MAP OF OCCURRENCE EVENTS THROUGH ARTIFICIAL INTELLIGENCE IMAGE ANALYSIS AND DIGITAL TWIN REGISTRATION}
본 개시의 실시예들은 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 기술에 관한 것으로, 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치에 대한 것이다.
한편, 가상 세계를 사용자에게 제공하는 대표적인 서비스로서 메타버스(metaverse)에 대한 관심이 높아지고 있다. 메타버스는 가공, 추상을 의미하는 메타(meta)와 현실세계를 의미하는 유니버스(universe)의 합성어로 3차원 가상 세계를 의미하며, 이러한 메타버스의 핵심기술은 가상현실(virtual reality, VR), 증강현실(augmented reality, AR) 및 혼합현실(mixed reality, MR) 등을 아우르는 확장현실(extended reality, XR) 기술이다.
다양한 분야에서 메타버스와 접목되어 새로운 방식의 콘텐츠에 대한 연구 및 개발이 진행되고 있다. 예를 들어, 메타버스는 방송, 광고, 전시, 교육 및 프로모션 등의 분야에서 실용화가 진행 중에 있다.
한편, 종래 CCTV 영상을 분석하여 객체를 검출하는 경우, CCTV 영상 내 객체의 위치는 식별이 가능하지만, 실제 객체의 크기나 객체가 위치한 공간을 정확하게 식별하기 어려운 문제가 있었다. 즉, 2차원 영상에서는 객체의 영상 속 위치만을 찾아낼 뿐, 객체에 대한 공간성을 인식할 수 없었다.
또한, 종래에는 건물 내 하나의 CCTV 영상에 대해서만 이벤트를 검출할 뿐, 건물 내 모든 CCTV 영상 전체에 대해 발생한 이벤트들을 가시화하기 어렵기 때문에, 건물 전체에서 발생한 모든 이벤트를 직관적으로 파악하기 어려운 문제가 있었다.
이에 따라, CCTV 영상에 대한 인공지능 영상 분석을 수행하고, 객체가 분석된 2차원 영상에 대한 정보를 기반으로 디지털 트윈 정합을 통해 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치가 필요하다.
본 개시의 실시예들은, 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치를 제공할 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.
일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 서버가 객체에 대한 3차원 공간 정보를 제공하는 방법은, 건물에 대한 공간 시멘틱 정보를 기반으로 상기 건물에 대한 3차원 가상 공간을 구현하고, 복수의 보안 카메라 단말 각각으로부터 2차원 영상 정보를 수신하고, 상기 2차원 영상 정보는 보안 카메라 단말에 의해 촬영된 2차원 영상, 보안 카메라 단말의 위치 정보 및 보안 카메라 단말의 각도 정보를 포함하고, 상기 2차원 영상을 기반으로 제1 뉴럴 네트워크를 이용하는 객체 분석 모델을 통해 상기 2차원 영상에 포함된 객체에 대한 정보를 결정하고, 상기 2차원 영상에 포함된 객체에 대한 정보, 상기 보안 카메라 단말의 위치 정보 및 보안 카메라 단말의 각도 정보를 기반으로 상기 2차원 영상에 포함된 객체가 정합되는 상기 3차원 가상 공간 상의 3차원 공간 좌표를 결정하고, 상기 3차원 공간 좌표를 기반으로 상기 객체에 대한 3차원 공간 정보를 결정하고, 상기 객체에 대한 3차원 공간 정보는 상기 3차원 공간 좌표, 상기 3차원 공간 좌표에 매칭된 공간 폴리곤 속성 값 및 상기 객체의 3차원 공간 상에서의 크기를 포함하고, 상기 객체에 대한 3차원 공간 정보를 사용자 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 객체에 대한 3차원 공간 정보에 기반하여 상기 객체가 위치한 공간의 명칭과 상기 객체의 크기에 대한 값이 상기 사용자 단말의 디스플레이에 출력되는 상기 2차원 영상에 중첩되어 표시될 수 있다.
실시예들에 따르면, 서버는 2차원 영상에 포함된 객체에 대한 정보, 보안 카메라 단말의 위치 정보 및 보안 카메라 단말의 각도 정보를 기반으로 2차원 영상에 포함된 객체가 정합되는 3차원 가상 공간 상의 3차원 공간 좌표를 결정 함으로써, 실제 객체의 크기나 객체가 위치한 공간을 정확하게 식별할 수 있다.
실시예들에 따르면, 서버는 객체에 대한 이벤트 정보를 기반으로 사용자 단말의 디스플레이에 출력되는 지도 상에 이벤트의 유형과 관련된 심볼이 상기 이벤트가 발생한 시간과 함께 표시할 수 있게 객체에 대한 이벤트 정보를 사용자 단말에게 전송함으로써, 건물 내에서 발생한 이벤트들을 가시화할 수 있고, 사용자는 해당 이벤트를 직관적으로 파악할 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 따라 뉴럴 네트워크(neural network)를 이용하여 서버가 객체에 대한 3차원 공간 정보를 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따라 디지털 트윈 정합의 예를 나타낸다.
도 5는 일 실시예에 따라 이벤트를 3차원 가상 공간과 관련된 지도의 예를 나타낸다.
도 6은 일 실시예에 따른 3차원 가상 공간에 대한 공간 분포도의 예들을 나타낸다.
도 7은 일 실시예에 따른 객체 분석 모델의 예를 나타낸다.
도 8은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
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 실시 형태를 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, 모션 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, 적외선(infrared) 센서, 생체 센서, 음향 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 영상을 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 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 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 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 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 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, TCP, UDP(user datagram protocol) 등의 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 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 갱신될 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. 여기서, 입력 노드와 출력 노드를 상호 연결하는 에지 또는 링크는 뉴럴 네트워크가 원하는 기능의 수행, 사용자 또는 알고리즘에 의해 가변적으로 적용될 수 있는 가중치를 갖는다. 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 따라 뉴럴 네트워크(neural network)를 이용하여 서버가 객체에 대한 3차원 공간 정보를 제공하는 방법을 나타낸다. 도 4는 일 실시예에 따라 디지털 트윈 정합의 예를 나타낸다. 도 5는 일 실시예에 따라 이벤트를 3차원 가상 공간과 관련된 지도의 예를 나타낸다. 도 6은 일 실시예에 따른 3차원 가상 공간에 대한 공간 분포도의 예들을 나타낸다. 도 3 내지 도 6의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S310에서, 서버는 건물에 대한 공간 시멘틱 정보를 기반으로 건물에 대한 3차원 가상 공간을 구현할 수 있다.
서버는 보안 카메라 단말로부터 수신한 2차원 영상을 3차원 가상 공간과 정합시켜 2차원 영상에서 검출된 객체의 3차원 공간 정보와 해당 객체에 대한 이벤트 정보를 사용자 단말에게 제공하는 서버일 수 있다. 예를 들어, 서버는 도 1의 서버(108)를 포함할 수 있다.
사용자 단말은 서버가 구현한 3차원 가상 공간에 대한 정보가 포함된 2차원 영상을 수신하는 단말일 수 있다. 예를 들어, 사용자 단말은 서버로부터 제공된 3차원 가상 공간에 대한 지도를 사용자 단말의 디스플레이에 출력할 수 있다. 예를 들어, 사용자 단말은 서버가 구현한 3차원 가상 공간에 접속할 수 있다. 예를 들어, 사용자 단말은 가상현실, 증강현실, 혼합현실 및 이들을 포함하는 확장현실 중 적어도 하나의 기술/서비스를 이용할 수 있는 단말을 포함할 수 있다. 예를 들어, 사용자 단말은 도 1의 전자 장치(101)를 포함할 수 있고, 도 1의 전자 장치(101)와 연결되어 VR/AR 영상을 출력하는 디스플레이 장치인 헤드마운트 디스플레이(head mounted display, HMD), 구글 글라스 등이 포함될 수 있으며, 이에 한정되는 것은 아니다. 이러한 사용자 단말에는 사용자가 현실감 있는 영상을 체험할 수 있도록 지원하는 각종 장치로서, 종래에 이미 공지되었거나 향후 개발되는 VR/AR/MR/XR 등의 실감 영상의 구현이 가능한 각종 장치가 적용될 수 있다. 예를 들어, 사용자 단말은 사용자에게 착용되어 3차원 가상 공간을 출력하는 장치와 연결된 도 1의 전자 장치(101)일 수 있다. 예를 들어, 사용자 단말은 사용자 단말에 설치된 VR(virtual reality) 기반 가상 공간 서비스를 제공하는 가상 경험 프로그램을 통해 서버가 구현한 3차원 가상 공간에 접속할 수 있다.
복수의 보안 카메라 단말은 건물 내 복수의 위치에 설치된 카메라 단말일 수 있다. 예를 들어, 보안 카메라 단말은 건물 내 특정 구역을 모니터링하기 위해 특정 구역의 정지 영상 및 영상을 촬영할 수 있다. 예를 들어, 보안 카메라 단말은 프로세서, 메모리, 통신 모듈, 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
예를 들어, 서버는 BIM(building information modeling) 기반의 객체 기반 계층 구조를 이용하여 3차원 가상 공간을 구현할 수 있다. 이때, BIM 기반의 객체 기반 계층 구조는 건물의 요소들을 계층 구조로 표현한 것으로, 건물의 요소들 사이의 상하위 관계를 표현할 수 있다. 예를 들어, 건물의 요소들은 속성 정보를 포함할 수 있고, 속성 정보는 해당 요소의 특성, 재료, 용도 및 크기를 포함할 수 있다. 예를 들어, 서버는 BIM 기반의 객체 기반 계층 구조를 기반으로 공간 폴리곤 정보, 출입문 객체 정보 및 공간 사이의 연결성에 대한 정보를 결정할 수 있다.
3차원의 가상 공간은 실제로 사용자에게 서비스되는 시각적 정보를 포함하는 가상 공간인 반면에, BIM 기반의 메타 정보는 시멘틱 정보일 수 있다. 따라서, 시멘틱 정보가 가상 공간 내 객체의 위치를 추적하기 위해 활용될 수 있다. 이러한 가상 공간 내 객체의 위치를 추적하기 위해 활용 가능한 시멘틱 정보를 공간 시멘틱 정보(space semantic information)라고 지칭할 수 있다.
예를 들어, 서버는 특정 건물에 대한 BIM 정보를 외부로부터 수신할 수 있다. 예를 들어, 서버는 특정 건물에 대한 BIM 정보를 기반으로 공간 시멘틱 정보를 생성하고, 공간 시멘틱 정보를 활용하여 건물에 대한 3차원 가상 공간을 구현할 수 있다. 여기서, BIM은 건물을 관리하기 위한 3차원 디지털 모델링 기술이며, 건물의 물리적인 구성, 건축 요소, 시공 일정, 유지 보수 등 다양한 정보들을 관리할 수 있다. 예를 들어, BIM 정보는 건물의 외부 형태에 대한 정보, 건물의 내부 형태에 대한 정보, 건물의 크기에 대한 정보 및 건물의 구성 요소에 대한 정보를 포함할 수 있다. 건물의 구성 요소에 대한 정보는 건물을 구성하는 다양한 요소들에 대한 정보이며, 출입문, 창문, 벽, 계단 등과 같은 구성 요소의 형태, 크기 및 재질 정보를 포함할 수 있다. 공간 시멘틱 정보는 공간의 용도, 공간의 입출입, 공간 내 설비, 공간 사이의 연결성을 표현하는 정보일 수 있다.
예를 들어, 기본 설정 정보는 서버에 사전 설정될 수 있다. 기본 설정 정보는 공간 시멘틱 정보를 구성하기 위한 기본적인 설정에 대한 정보일 수 있다. 예를 들어, 기본 설정 정보는 공간을 인식하기 위한 기준 방향을 포함할 수 있다.
예를 들어, BIM 정보에 대한 데이터 전처리를 통해, 각각의 공간에 대한 복수의 좌표 값, 각각의 공간에 포함된 적어도 하나의 구성 요소에 대한 복수의 좌표 값 및 각각의 공간에 포함된 적어도 하나의 구성 요소에 대한 속성 값으로 구성되는 공간 벡터가 생성될 수 있다.
각각의 공간에 대한 복수의 좌표 값은 건물에 포함된 복수의 공간 각각의 크기 및 형태를 나타내기 위한 복수의 좌표 값을 포함할 수 있다. 예를 들어, 건물에 포함된 복수의 공간이 N개인 경우, N개의 공간 각각을 나타내기 위한 좌표 값일 수 있다. 예를 들어, N개의 공간 각각은 2차원 공간 맵에서 사각형의 형태로 표현될 수 있고, 각각의 공간에 대한 복수의 좌표 값은 2차원 공간 맵에서 사각형의 네 개의 모서리에 대한 좌표 값을 포함할 수 있다. 각각의 공간에 포함된 적어도 하나의 구성 요소에 대한 복수의 좌표 값은 각각의 공간에 포함된 적어도 하나의 구성 요소의 크기 및 형태를 나타내기 위한 복수의 좌표 값을 포함할 수 있다. 예를 들어, 적어도 하나의 구성 요소는 직선, 삼각형 및 사각형으로 단순화하여 표현될 수 있다. 예를 들어, 직선의 경우, 중간점의 좌표와 양 끝점의 좌표로 표현될 수 있다. 삼각형의 경우, 세 꼭짓점의 좌표로 표현될 수 있다. 사각형의 경우, 네 꼭짓점의 좌표로 표현될 수 있다. 예를 들어, 각각의 공간에 포함된 적어도 하나의 구성 요소에 대한 복수의 좌표 값은 2차원 공간 맵에서 적어도 하나의 구성 요소가 표현되는 복수의 좌표 값을 포함할 수 있다. 각각의 공간에 포함된 적어도 하나의 구성 요소에 대한 속성 값은 구성 요소가 어떠한 속성을 나타내는지 식별하기 위한 값일 수 있다. 예를 들어, 복수의 속성에 대한 값이 서버에 사전 저장될 수 있다. 예를 들어, 출입문의 경우에는 속성 값은 (1, 3)을 가질 수 있다. 여기서, 1은 출입문을 나타내는 값이고, 3은 계층 구조에서 세 번째 계층에 위치한 것을 의미할 수 있다. 벽의 경우에는 속성 값은 (2, 2)를 가질 수 있다. 여기서, 2는 벽을 나타내는 값이고, 2는 계층 구조에서 두 번째 계층에 위치한 것을 의미할 수 있다. 이와 같이, 다양한 구성 요소에 대해 속성 값이 정의될 수 있다. 또한, 속성 값 사이의 상하 연결 관계가 서버에 사전 저장될 수 있다.
예를 들어, 기본 설정 정보에 대한 데이터 전처리를 통해 기준 방향에 대한 값으로 구성된 기본 설정 벡터가 생성될 수 있다. 기준 방향에 대한 값은 시계 방향인 경우 1 값으로 설정되고, 반시계 방향인 경우 2 값으로 설정될 수 있다.
예를 들어, 서버는 공간 벡터 및 기본 설정 벡터가 뉴럴 네트워크를 이용하는 공간 네트워크 설정 모델에 입력시킴으로써, 공간 시멘틱 정보를 획득할 수 있다.
예를 들어, 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 공간 벡터, 복수의 기본 설정 벡터 및 복수의 정답 공간 시멘틱 정보로 구성된 각각의 학습 데이터는 뉴럴 네트워크의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력되고, 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 뉴럴 네트워크의 파라미터는 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 학습 데이터로 사용되는 하나의 공간 벡터 및 하나의 기본 설정 벡터는 하나의 정답 공간 시멘틱 정보와 하나의 학습 세트로 구성될 수 있다. 예를 들어, 복수의 학습 세트가 서버에 사전 저장될 수 있다.
예를 들어, 정답 공간 시멘틱 정보는 공간 벡터에 포함된 복수의 공간 각각을 형상화하기 위한 공간 폴리곤 정보, 외부 공간에 대한 정보, 복수의 공간과 연결되는 출입문을 나타내는 출입문 객체 정보 및 각각의 공간 사이의 연결성을 나타내는 공간 연결 매트릭스를 포함할 수 있다. 예를 들어, 공간 연결 매트릭스의 크기는 (N+1)(N+1) 행렬로 결정될 수 있다. 공간 연결 매트릭스의 각각의 행과 열은 N개의 공간과 상기 외부 공간을 나타낼 수 있다. 공간 연결 매트릭스에서 주 대각선 상의 원소(element)는 디폴트 값으로 결정될 수 있다. 공간 연결 매트릭스에서 주 대각선 상의 원소 이외의 원소는 0 값 또는 1 값으로 결정될 수 있다. 0 값은 해당 행을 나타내는 공간과 해당 열을 나타내는 공간 사이에 출입문이 비존재함을 나타낼 수 있다. 1 값은 해당 행을 나타내는 공간과 해당 열을 나타내는 공간 사이에 출입문이 존재함을 나타낼 수 있다.
이를 통해, 서버는 실제 건물의 형태와 구조를 3차원 가상 공간 상에 그대로 표현할 수 있다.
단계 S320에서, 서버는 복수의 보안 카메라 단말 각각으로부터 2차원 영상 정보를 수신할 수 있다.
2차원 영상 정보는 보안 카메라 단말에 의해 촬영된 2차원 영상, 보안 카메라 단말의 위치 정보 및 보안 카메라 단말의 각도 정보를 포함할 수 있다.
보안 카메라 단말의 위치 정보는 건물 내 보안 카메라 단말이 설치된 위치를 나타내는 정보일 수 있다. 예를 들어, 보안 카메라 단말의 위치는 건물 내 보안 카메라 단말이 설치된 구역의 이름을 포함할 수 있다. 보안 카메라 단말의 각도 정보는 건물 내 보안 카메라 단말이 특정 구역을 촬영하는 각도를 나타내는 정보일 수 있다. 예를 들어, 보안 카메라 단말의 각도 정보는 수평 방향에 대한 제1 각도와 수직 방향에 대한 제2 각도를 포함할 수 있다.
단계 S330에서, 서버는 2차원 영상을 기반으로 제1 뉴럴 네트워크를 이용하는 객체 분석 모델을 통해 2차원 영상에 포함된 객체에 대한 정보를 결정할 수 있다.
예를 들어, 서버는 2차원 영상에 대한 데이터 전처리를 통해 시간 구간별 이미지 벡터를 생성할 수 있다. 이미지 벡터는 2차원 영상의 정지 이미지에 대한 복수의 픽셀 값으로 구성될 수 있다.
객체에 대한 정보는 객체의 종류 값 및 2차원 영상의 이미지 내 객체에 대한 좌표 값을 포함할 수 있다. 객체의 종류 값은 객체의 종류를 나타내는 값일 수 있다. 예를 들어, 객체의 종류는 사람, 동물, 사전 설정된 복수의 물체, 화재 및 화재로 인한 연기를 포함할 수 있다. 예를 들어, 서버는 시간 구간별 이미지 벡터를 객체 분석 모델에 입력함으로써, 2차원 영상에 포함된 객체에 대한 정보를 획득할 수 있다.
예를 들어, 객체 분석 모델에 사용되는 제1 뉴럴 네트워크는 YOLO(you only look once) 기반의 탐색 모델 및 CNN 기반의 분류 모델을 포함할 수 있다. 여기서, YOLO 모델은 바운딩 박스 조정(bounding box coordinate)과 분류(classification)를 뉴럴 네트워크를 통해 동시에 실행하는 통합적 인식을 구현하는 인공지능 알고리즘이다. 예를 들어, YOLO는 이미지 벡터를 사전 설정된 사이즈의 그리드로 분할하고, 각 그리드 셀은 해당 영역에서 객체가 존재할 확률을 예측할 수 있다. YOLO는 분할된 그리드를 기반으로 객체가 존재하는 위치를 예측하고, 해당 위치에 바운딩 박스를 설정할 수 있다. 이때, YOLO는 네트워크를 통해 이미지 벡터를 한 번만 처리하면서 객체를 탐하기 때문에, 다른 뉴럴 네트워크 모델보다 빠른 속도로 객체의 위치 좌표를 파악할 수 있다. 서버는 바운딩 박스의 시작 좌표와 높이 및 너비 정보를 기반으로 해당 이미지 벡터 내 객체의 위치 좌표를 파악할 수 있다. YOLO는 사전 설정된 단계의 특징 추출 레이어를 사용할 수 있다. YOLO는 객체의 위치와 클래스를 동시에 예측하기 위해, 탐지된 객체와 실제 객체 간의 차이를 측정하는 손실 함수는 객체의 존재 여부를 판단하는 컨피던스 손실(confidence loss) 함수와 바운딩 박스의 위치를 조정하기 위한 지역화 손실(localization loss) 함수, 그리고, 객체의 클래스를 예측하기 위한 클래스 손실 함수로 구성될 수 있고, 이를 최소화하는 방향으로 학습될 수 있다.
예를 들어, 서버는 시간 구간별 이미지 벡터를 제1 뉴럴 네트워크에 포함된 YOLO 기반의 탐색 모델에 입력함으로써, 시간 구간별 객체 벡터를 획득할 수 있다. 여기서, 객체 벡터는 바운딩 박스에 대한 클래스 값, 바운딩 박스를 구성하는 버텍스에 대한 xy 좌표 값, 바운딩 박스의 너비 및 바운딩 박스의 높이를 포함할 수 있다. 서버는 바운딩 박스를 구성하는 버텍스에 대한 xy 좌표 값을 2차원 영상의 이미지 내 객체에 대한 좌표 값으로 결정할 수 있다.
예를 들어, 서버는 시간 구간별 이미지 벡터 및 시간 구간별 객체 벡터를 제1 뉴럴 네트워크에 포함된 CNN 기반의 분류 모델에 입력시킴으로써, 객체의 종류 값을 획득할 수 있다.
예를 들어, CNN 기반의 분류 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 이미지 벡터, 복수의 객체 벡터, 복수의 기준 대상 벡터, 복수의 정답 객체의 종류 값 및 복수의 정답 객체에 대한 좌표 값으로 구성된 각각의 학습 데이터는 CNN 기반의 뉴럴 네트워크의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력되고, 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, CNN 기반의 뉴럴 네트워크의 파라미터는 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 서버는 복수의 2차원 영상 각각에 대해 시간 구간별 이미지 벡터를 생성하고, 객체 분석 모델에 입력함으로써, 복수의 2차원 영상 중에서 객체가 검출된 2차원 영상을 결정할 수 있다.
단계 S340에서, 서버는 2차원 영상에 포함된 객체에 대한 정보, 보안 카메라 단말의 위치 정보 및 보안 카메라 단말의 각도 정보를 기반으로 2차원 영상에 포함된 객체가 정합되는 3차원 가상 공간 상의 3차원 공간 좌표를 결정할 수 있다.
도 4를 참조하면, 서버는 보안 카메라 단말로부터 촬영된 2차원 영상(410)과 디지털 트윈 정합에 따른 뷰(view)를 통해 객체 인식 및 해당 객체의 공간성(3차원 공간 좌표, 해당 공간의 명칭 등)을 결정할 수 있다. 서버는 보안 카메라 단말로부터 촬영된 2차원 영상(410)에 대해 인공지능 영상 분석을 통해 다양한 객체를 인식할 수 있다. 이때, 객체가 2차원 영상에서 인식된 위치는 경계 박스(411)로 표시될 수 있다. 도 4에서 객체는 화재를 나타낸 객체일 수 있다. 서버는 디지털 트윈 정합을 통해 2차원 영상에 정합되는 3차원 가상 공간 상의 뷰(420)를 결정하고, 3차원 가상 공간 상의 뷰(420)에서 경계 박스(411)를 구성하는 4개의 버텍스(vertex)에 대해 3차원 공간 좌표를 결정할 수 있다. 서버는 4개의 버텍스에 대한 3차원 공간 좌표를 통해 객체의 크기를 결정할 수 있다. 서버는 4개의 버텍스 중에서 바닥 폴리곤에 위치한 버텍스에 매칭되는 3차원 공간 좌표에 대한 공간 폴리곤의 속성 값을 결정할 수 있다. 이때, 공간 폴리곤의 속성 값은 공간의 명칭을 나타낼 수 있고, 서버는 공간 폴리곤의 속성 값을 통해 공간의 명칭을 식별할 수 있다.
예를 들어, 서버는 보안 카메라 단말이 설치된 구역의 이름에 매칭되는 3차원 가상 공간 내 구역을 결정할 수 있다. 서버는 3차원 가상 공간 내 구역에 매칭된 보안 카메라의 위치에서 수평 방향에 대한 제1 각도와 수직 방향에 대한 제2 각도에 따라 해당 구역에 대한 시야 각도를 결정할 수 있다. 서버는 3차원 가상 공간 내 구역의 보안 카메라에 대한 시야 각도에 따라 가상 이미지를 생성하고, 해당 가상 이미지에서 2차원 영상의 이미지 내 객체에 대한 좌표 값에 해당하는 위치에 대응하는 3차원 공간 좌표를 결정할 수 있다. 여기서, 가상 이미지는 3차원 가상 공간 상의 뷰에 대한 이미지일 수 있다. 객체에 대한 좌표 값은 경계 박스를 구성하는 복수의 버텍스에 대한 좌표 값을 포함할 수 있다. 3차원 공간 좌표는 복수의 버텍스에 대한 좌표 값에 대응하는 3차원 가상 공간 상의 3차원 좌표일 수 있다.
단계 S350에서, 서버는 3차원 공간 좌표를 기반으로 객체에 대한 3차원 공간 정보를 결정할 수 있다.
객체에 대한 3차원 공간 정보는 3차원 공간 좌표, 3차원 공간 좌표에 매칭된 공간 폴리곤 속성 값 및 객체의 3차원 공간 상에서의 크기를 포함할 수 있다.
예를 들어, 서버는 객체에 대한 3차원 공간 좌표 중에서 바닥 폴리곤에 위치한 3차원 공간 좌표에 대해 매칭된 공간 폴리곤의 속성 값을 결정할 수 있다. 예를 들어, 공간 폴리곤의 속성 값은 공간의 명칭을 나타낼 수 있고, 서버는 공간 폴리곤의 속성 값을 통해 공간의 명칭을 식별할 수 있다.
예를 들어, 서버는 객체에 대한 3차원 공간 좌표 사이의 거리를 통해 객체의 3차원 공간 상에서의 크기를 결정할 수 있다.
단계 S360에서, 서버는 객체에 대한 3차원 공간 정보를 사용자 단말에게 전송할 수 있다.
객체에 대한 3차원 공간 정보에 기반하여 객체가 위치한 공간의 명칭과 객체의 크기에 대한 값이 사용자 단말의 디스플레이에 출력되는 2차원 영상에 중첩되어 표시될 수 있다. 디스플레이는 보안 카메라 단말로부터 수신한 2차원 영상을 사용자 단말의 외부로 시각적으로 제공하는 장치일 수 있다. 예를 들어, 사용자 단말은 3차원 공간 상에서의 크기에 대한 값을 사용자 단말의 디스플레이에 출력되는 2차원 영상에 중첩하여 표시할 수 있다. 예를 들어, 복수의 공간 폴리곤의 속성 값과 각 속성 값에 매칭되는 공간의 명칭이 사용자 단말에 사전 저장될 수 있다. 예를 들어, 사용자 단말은 공간 폴리곤의 속성 값에 매칭된 공간의 명칭을 결정하고, 공간의 명칭을 디스플레이에 출력되는 2차원 영상에 중첩하여 표시할 수 있다.
일 실시예에 따르면, 서버는 2차원 영상에서 객체가 검출된 것에 기반하여 2차원 영상, 객체에 대한 정보 및 객체에 대한 3차원 공간 정보를 기초로 제2 뉴럴 네트워크를 이용하는 이벤트 분석 모델을 통해 객체에 대한 이벤트 정보를 결정할 수 있다.
객체에 대한 이벤트 정보는 이벤트의 유형에 대한 값, 이벤트가 발생한 시간에 대한 값 및 이벤트가 발생한 위치에 대한 값을 포함할 수 있다. 예를 들어, 이벤트의 유형은 건물 내 침입자를 감지한 침입 이벤트, 건물 내 특정 인물의 수상한 행동이나 의심스러운 행동을 감지한 절도 의심 이벤트, 건물 내 특정 인물이 쓰러지는 것과 같이 응급 상황임을 감지한 응급 이벤트, 건물 내 연기를 감지한 화재 의심 이벤트, 건물 내 작은 규모의 화재를 감지한 소형 화재 이벤트, 건물 내 중간 규모의 화재를 감지한 중형 화재 이벤트 및 건물 내 대규모의 화재를 감지한 대형 화재 이벤트를 포함할 수 있다. 이벤트의 유형 각각에 대한 값은 서버 및/또는 사용자 단말에 사전 저장될 수 있다. 서버는 객체에 대한 이벤트 정보를 사용자 단말에게 전송할 수 있다.
예를 들어, 서버는 2차원 영상 및 객체에 대한 정보에 대해 데이터 전처리를 수행함으로써, 시간 구간별 객체 이미지 벡터를 생성할 수 있다. 서버는 2차원 영상의 시간 구간별 이미지로부터 2차원 영상의 이미지 내 객체에 대한 좌표 값에 해당하는 이미지를 추출하여 시간 구간별 객체 이미지로 결정할 수 있다. 서버는 시간 구간별 객체 이미지에 대해 각 픽셀에 대한 RGB 값을 결정하고, 각 픽셀에 대한 RGB 값을 합산하여 평균한 R 좌표의 값, G 좌표의 값 및 B 좌표의 값으로 구성된 객체 이미지 벡터를 시간 구간별 객체 이미지마다 생성할 수 있다.
예를 들어, 서버는 객체에 대한 정보 및 객체에 대한 3차원 공간 정보에 대해 데이터 전처리를 수행함으로써, 객체의 종류 값, 3차원 공간 좌표에 대한 값, 객체의 3차원 공간 상에서의 크기에 대한 값 및 3차원 공간 좌표에 공간 폴리곤 속성 값을 포함하는 3차원 객체 벡터를 생성할 수 있다.
예를 들어, 서버는 3차원 객체 벡터 및 시간 구간별 객체 이미지 벡터를 이벤트 분석 모델에 입력함으로써, 이벤트의 유형에 대한 값과 이벤트가 발생한 시간에 대한 값을 획득할 수 있다.
예를 들어, 이벤트 분석 모델은 복수의 3차원 객체 벡터, 복수의 시간 구간별 객체 이미지 벡터, 복수의 기준 이벤트 벡터, 복수의 정답 이벤트의 유형에 대한 값 및 복수의 정답 이벤트가 발생한 시간에 대한 값을 기반으로 학습될 수 있다.
예를 들어, 이벤트가 발생한 위치에 대한 값은 2차원 영상의 이미지 내 객체에 대한 좌표 값에 해당하는 위치에 대응하는 3차원 공간 좌표로 결정될 수 있다.
예를 들어, 객체에 대한 이벤트 정보를 기반으로 사용자 단말의 디스플레이에 출력되는 지도 상에 이벤트의 유형과 관련된 심볼이 이벤트가 발생한 시간과 함께 표시될 수 있다. 예를 들어, 사용자 단말은 이벤트의 유형에 대한 값에 매칭되는 심볼을 결정하고, 해당 심볼을 이벤트가 발생한 위치를 기반으로 사용자 단말의 디스플레이에 출력되는 지도 상에 이벤트가 발생한 시간과 함께 표시할 수 있다.
도 5를 참조하면, 객체가 포함된 단위 공간 상에 객체와 관련된 이벤트가 표시될 수 있다. 예를 들어, 3차원 가상 공간에 포함된 복수의 구역마다 2차원 지도(510) 또는 3차원 지도(520)가 생성될 수 있다. 예를 들어, 2차원 지도(510) 상에 객체와 관련된 이벤트가 심볼 형태로 가시화될 수 있다. 이때, 이벤트의 발생 시간에 대한 시간 스탬프가 포함되어 가시화될 수 있다. 예를 들어, 3차원 지도(520) 상에 객체와 관련된 이벤트가 심볼 형태로 가시화될 수 있다. 이때, 이벤트의 발생 시간에 대한 시간 스탬프가 포함되어 가시화될 수 있다.
현재 인공지능의 기술로는 개별 보안 카메라 단말을 이용한 상황 인식은 가능하지만, 전체적인 건물의 공간에 대한 상황 인식은 취약한 편이다. 따라서, 공간 분포도(event heat map)를 통해 다양한 이벤트를 시계열적으로 건물의 전체 공간에 종합적으로 표현함으로써, 사용자의 종합적인 상황 인식에 도움을 줄 수 있다. 공간 분포도는 3차원 가상 공간을 기반으로 형성된 지도에 특정 시간대에 대한 이벤트 세트를 표현한 것일 수 있다. 이벤트 세트는 특정 시간대동안 누적된 이벤트로 구성된 세트일 수 있다.
도 6을 참조하면, 예를 들어, 공간 분포도(610)는 3차원 가상 공간을 기반으로 형성된 지도에 특정 시간대에 대한 이벤트 세트가 이벤트 유형에 따라 서로 다른 색상으로 표시될 수 있다. 예를 들어, 공간 분포도(620)는 3차원 가상 공간을 기반으로 형성된 지도에 특정 시간대동안 누적된 이벤트 각각에 대한 발생 시간이 표시될 수 있다. 예를 들어, 공간 분포도(630)는 3차원 가상 공간을 기반으로 형성된 지도에 특정 시간대에 대한 이벤트 세트가 이벤트 유형에 매칭된 심볼로 표시될 수 있다. 예를 들어, 공간 분포도(640)는 3차원 가상 공간을 기반으로 형성된 지도에 포함된 복수의 구역 각각에 대해, 이벤트의 빈도 수에 따라 서로 다른 색상으로 해당 구역이 표시될 수 있다. 이를 통해, 사용자는 어느 구역에서 이벤트 빈도가 높은 지 직관적으로 파악할 수 있다. 예를 들어, 공간 분포도(650)는 3차원 가상 공간을 기반으로 형성된 지도에 특정 시간대동안 누적된 이벤트 각각에 대한 발생 시간이 표시되고, 이벤트 유형별로 시간축에 따라 이벤트가 발생한 시간을 통시적으로 표현한 테이블이 함께 표시될 수 있다.
일 실시예에 따르면, 사전 설정된 시간동안 복수의 객체에 대해 이벤트 분석 모델을 통해 복수의 이벤트 정보가 결정될 수 있다. 복수의 객체는 복수의 보안 카메라 단말 각각으로부터 촬영된 2차원 영상을 기반으로 객체 분석 모델을 통해 결정된 객체를 포함할 수 있다. 복수의 이벤트 정보를 기반으로 3차원 가상 공간에 대한 공간 분포도가 생성될 수 있다. 3차원 가상 공간에 대한 공간 분포도가 사용자 단말에게 전송될 수 있다.
예를 들어, 서버는 사전 설정된 시간동안 복수의 객체에 대해 이벤트 분석 모델을 통해 복수의 이벤트 정보를 결정할 수 있다. 서버는 복수의 이벤트 정보를 기반으로 3차원 가상 공간에 대한 공간 분포도를 생성할 수 있다. 예를 들어, 사전 설정된 시간은 6시간, 12시간, 24시간, 일주일 및 1개월 등 다양한 시간을 포함할 수 있다.
예를 들어, 공간 분포도가 사용자 단말의 디스플레이에 출력될 수 있다. 예를 들어, 복수의 이벤트 각각이 발생한 시간이 3차원 가상 공간에 대한 공간 분포도에 표시될 수 있다. 예를 들어, 복수의 이벤트 각각은 이벤트 유형에 따라 상이한 색상으로 3차원 가상 공간에 대한 공간 분포도에 표시될 수 있다. 예를 들어, 복수의 이벤트 각각은 이벤트 유형과 관련된 심볼로 3차원 가상 공간에 대한 공간 분포도에 표시될 수 있다. 예를 들어, 3차원 가상 공간에 대한 공간 분포도 내 복수의 이벤트 각각이 발생한 공간은 이벤트의 빈도 수에 따라 상이한 색상으로 표시될 수 있다.
도 7은 일 실시예에 따른 객체 분석 모델의 예를 나타낸다. 도 7의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 7을 참조하면, 객체 분석 모델에 사용되는 제1 뉴럴 네트워크는 YOLO(you only look once) 기반의 탐색 모델(710) 및 CNN 기반의 분류 모델(720)을 포함할 수 있다.
예를 들어, 서버는 2차원 영상에 대한 데이터 전처리를 수행함으로써, 시간 구간별 이미지 벡터를 생성할 수 있다. 예를 들어, 서버는 보안 카메라 단말이 촬영한 2차원 영상에 대해 시간 구간별로 이미지를 결정할 수 있다. 서버는 각각의 이미지에 대해 각 픽셀에 대한 RGB 값을 결정하고, 각 픽셀에 대한 RGB 값을 합산하여 평균한 R 좌표의 값, G 좌표의 값 및 B 좌표의 값으로 구성된 이미지 벡터를 생성할 수 있다
YOLO 기반의 탐색 모델(710)은 백본 네트워크(backbone network)와 감지 네트워크(detection network)로 구성되며, 백본 네트워크는 모델 크기에 따라 상이한 개수의 컨벌루션 레이어와 FC(fully connected) 레이어를 포함할 수 있다. 예를 들어, 백본 네트워크는 CSPDarknet53을 기반으로 사전 훈련된 네트워크가 사용될 수 있다. CSPDarknet53은 Darknet-53 백본 아키텍처를 개선한 것으로, CSP(Cross Stage Partial connections)를 도입하여 효율적인 특징 추출과 그래디언트 전파를 수행하게 할 수 있다.
백본 네트워크의 모델 크기는 소형, 중형, 대형 및 초대형을 포함할 수 있다. 소형 백본 네트워크는 28개의 컨벌루션 레이어와 2개의 FC 레이어를 포함할 수 있다. 중형 백본 네트워크는 35개의 컨벌루션 레이어와 3개의 FC 레이어를 포함할 수 있다. 대형 백본 네트워크는 52개의 컨벌루션 레이어와 4개의 FC 레이어를 포함할 수 있다. 초대형 백본 네트워크는 71개의 컨벌루션 레이어와 5개의 FC 레이어를 포함할 수 있다. 이때, 컨벌루션 레이어는 채널 사이의 상호작용을 조절하는 1X1 컨벌루션 레이어와 공간 패턴을 학습하는 3X3 컨벌루션 레이어가 교차로 배치되어 모델의 복잡성을 낮추고 성능을 향상시킬 수 있다.
부가적으로, 예를 들어, 백본 네트워크에 입력되는 이미지 벡터의 총 개수 및 각 이미지 벡터의 해상도에 기반하여 컨벌루션 레이어의 개수 및 FC 레이어의 개수를 포함하는 백본 네트워크의 모델 크기가 결정될 수 있다.
예를 들어, 백본 네트워크의 컨벌루션 레이어의 개수 및 FC 레이어의 개수는 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 Ncov는 상기 백본 네트워크의 컨벌루션 레이어의 개수이고, 상기 Nfc는 상기 백본 네트워크의 FC 레이어의 개수이고, 상기 Nmax는 컨벌루션 레이어의 최대 개수이고, 상기 navg는 상기 백본 네트워크에 입력되는 이미지 벡터의 총 개수에 대한 평균 값이고, 상기 ni는 상기 백본 네트워크에 입력된 이미지 벡터의 총 개수이고, 상기 pwidth는 이미지 벡터의 가로 픽셀 값이고, 상기 pheight는 이미지 벡터의 세로 픽셀 값이고, 상기 w1은 이미지 벡터의 해상도에 따른 가중치이고, 상기 w2는 이미지 벡터의 총 개수에 따른 가중치일 수 있다.
예를 들어, 컨벌루션 레이어의 최대 개수는 서버가 사용 가능한 컨벌루션 레이어의 최대 개수이며, 서버의 성능에 따라 상이하게 설정될 수 있다. 이때, 이미지 벡터의 총 개수가 많을수록 컨벌루션 레이어의 개수를 감소시킴으로써, 백본 네트워크의 처리 속도가 급격하게 감소하는 것을 방지할 수 있다.
예를 들어, navg는 과거 백본 네트워크에 입력된 이미지 벡터의 총 개수들에 대한 평균 값일 수 있다. 예를 들어, w1은 이미지 벡터의 해상도가 높을수록 큰 값을 가지며, 0.5에서 1 사이의 값일 수 있다. 예를 들어, w2는 이미지 벡터의 총 개수가 많을수록 큰 값을 가지며, 0.5에서 1 사이의 값일 수 있다.
예를 들어, ceil 함수는 괄호 안의 값에 소수점을 올려서 다음 정수 값으로 반환하는 함수이며, 올림 함수로 지칭될 수 있다.
이를 통해, 백본 네트워크의 정확도와 속도를 결정하는 컨벌루션 레이어의 개수와 FC 레이어의 개수를 백본 네트워크에 입력되는 이미지 벡터의 총 개수 및 각 이미지 벡터의 해상도에 따라 효과적으로 결정할 수 있다.
이러한 백본 네트워크는 각각의 이미지 벡터에서 낮은 레벨의 시각적 특징을 추출하고, 시각적 특징을 고수준의 시맨틱 정보로 변환하는 과정을 통해, 객체의 형태, 구조 및 주요 특징을 학습할 수 있다. 또한, 백본 네트워크는 객체의 다양한 크기와 위치를 감지하기 위해 여러 레이어를 통해 다양한 크기와 수준의 특징을 추출할 수 있다. 또한, 백본 네트워크는 CSP 블록을 사용하여 입력 데이터를 두 부분으로 나누어 처리한 후, 중간에 다른 연산을 거친 다음 다시 두 부분을 결합함으로써, 부분적으로 특징을 교환할 수 있다.
YOLO 기반의 탐색 모델(710)은 전역 평균 풀링을 이용하여 특징 맵의 공간 정보를 간단한 평균값으로 변환함으로써, 파라미터를 줄이고 속도를 향상시킬 수 있다.
YOLO 기반의 탐색 모델(710)은 그리드 당 5개의 앵커 박스를 추출하며, 앵커 박스는 여러 개의 크기와 비율로 사전 정의된 형태를 가진 바운딩 박스를 지칭한다. 사전 정의된 앵커 박스의 오프셋(크기, 비율)을 예측하기 때문에 탐색 속도가 향상될 수 있다. 이때, 예를 들어, YOLO 기반의 탐색 모델은 데이터 세트에서 각각의 객체에 대한 위치, 크기 및 클래스 정보를 기반으로 k-means 클러스터링을 통해 객체의 크기를 그룹화하여 가장 유사한 객체들끼리 클러스터를 형성하고, 각 클러스터의 평균 크기를 이용해 앵커 박스를 생성할 수 있다. 데이터 세트에서 각각의 객체에 대한 위치, 크기 및 클래스 정보는 상술한 복수의 객체를 기반으로 사전 설정될 수 있다.
YOLO 기반의 탐색 모델(710)은 중간 특징 맵과 최종 특쟁 맵을 결합하여 이용할 수 있다. 즉, 앞 단의 컨벌루션 레이어의 고해상도 특징 맵(High Resolution Feature Map)을 뒷 단의 컨벌루션 레이어의 저해상도 특징 맵(Low Resolution Feature Map)에 추가할 수 있다.
YOLO 기반의 탐색 모델(710)은 SPP(spatial pyramid pooling), PAN(path aggregation network) 및 밀집 예측(dense prediction) 기술이 사용될 수 있다. 예를 들어, SPP는 컨벌루션 레이어의 마지막 특징 맵을 고정된 크기의 그리드로 분할하여 평균을 구함으로써, 고정된 크기의 표현(representation)을 획득하는 방식일 수 있다. 예를 들어, PAN은 저레벨의 특징 맵에 대한 특징을 고레벨의 특징 맵의 특징으로 바텀-업(bottom-up) 방식으로 전달하여, 객체의 정확한 위치와 경계를 예측하는 방식일 수 있다.
밀집 예측(dense prediction)은 동일한 클래스의 객체가 겹친 상태에 대해 바운딩 박스를 추출하기 위해, 소프트-NMS 알고리즘이 사용될 수 있다.
YOLO 기반의 탐색 모델(710)은 바틀넥(bottleneck) CSP를 사용하여 각 계층의 연산량을 균등하게 분배할 수 있다. 이를 통해, 연산 바틀넥을 없애고 CNN 계층의 연산 활용 능력을 증가시킬 수 있다.
YOLO 기반의 탐색 모델(710)은 시간 구간별 이미지 벡터에 대해 S X S 개의 그리드로 분할할 수 있다. YOLO 기반의 탐색 모델은 그리드 영역에서 물체가 존재할 영역으로 추측되는 B개의 바운딩 박스(예: 앵커 박스)를 결정할 수 있다. YOLO 기반의 탐색 모델은 B개의 바운딩 박스 각각에 대해 예측 중심점, 너비 및 높이에 대한 정보를 결정할 수 있다. YOLO 기반의 탐색 모델은 B개의 바운딩 박스에 대해 컨피던스 점수와 클래스 확률을 예측할 수 있다. 컨피던스 점수는 바운딩 박스 내 객체가 존재할 확률을 나타내는 점수로 0에서 1사이의 값을 가질 수 있다. 클래스 확률은 바운딩 박스의 객체가 특정 이벤트(특정 클래스)일 확률을 나타내며, 0에서 1 사이의 값을 가질 수 있다. 예를 들어, YOLO 기반의 탐색 모델은 예측한 바운딩 박스와 실제 객체의 바운딩 박스 두 개의 교집합을 예측한 바운딩 박스와 실제 객체의 바운딩 박스에 대한 총 넓이로 나눈 값인 IOU(intersection over union)를 계산할 수 있다. 이때, 인접한 그리드 셀들에 동일한 객체를 예측하는 바운딩 박스들이 생성되면, 상술한 소프트-NMS 알고리즘을 통해 하나의 바운딩 박스가 결정될 수 있다.
부가적으로, 예를 들어, 하나의 바운딩 박스를 결정하기 위한 컨피던스 점수는 IOU 값 및 가우시안 분포 함수를 이용하는 소프트-NMS 알고리즘 기반으로 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 si는 해당 바운딩 박스에 대한 컨피던스 점수이고, 상기 M은 해당 클래스에서 컨피던스 점수가 가장 높은 바운딩 박스이고, 상기 bi는 동일한 클래스 내의 바운딩 박스이고, 상기 iou는 괄호 안의 두 바운딩 박스에 대한 IOU 값이고, 상기 D는 해당 클래스에 대해 최종적으로 포함시킬 바운딩 박스에 대한 리스트일 수 있다.
즉, 수학식 2를 통해 전체 바운딩 박스에 대해 연속적으로 점수를 결정할 수 있고, M가 겹친 영역이 많을수록 컨피던스 점수가 낮아지고, M가 겹치지 않는다면 컨피던스 점수가 크게 변하지 않을 수 있다.
이와 같은 과정을 통해, YOLO 기반의 탐색 모델(710)은 입력된 시간 구간별 이미지 벡터 각각에 대해 객체를 탐색할 수 있다. 이후, YOLO 기반의 탐색 모델(710)은 입력된 시간 구간별 이미지 벡터 각각에 대해 객체가 포함된 바운딩 박스를 객체 벡터로 출력할 수 있다. 이를 통해, YOLO 기반의 탐색 모델(710)은 입력된 시간 구간별 이미지 벡터를 시간 구간별 객체 벡터로 출력할 수 있다. 객체 벡터는 바운딩 박스에 대한 클래스 값, 바운딩 박스를 구성하는 버텍스에 대한 xy 좌표 값, 바운딩 박스의 너비 및 바운딩 박스의 높이를 포함할 수 있다. 클래스 값은 사람에 대한 값, 동물에 대한 값, 물체에 대한 값 및 화재에 대한 값 중 어느 하나를 포함할 수 있다. 예를 들어, 바운딩 박스를 구성하는 버텍스에 대한 xy 좌표 값이 2차원 영상의 이미지 내 객체에 대한 좌표 값으로 결정될 수 있다.
예를 들어, 시간 구간별 이미지 벡터 및 시간 구간별 객체 벡터는 CNN 기반의 분류 모델(720)에 입력될 수 있다.
예를 들어, CNN 기반의 분류 모델(720)은 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 이미지 벡터, 복수의 객체 벡터, 복수의 기준 대상 벡터 및 복수의 정답 객체의 종류 값으로 구성된 각각의 학습 데이터는 CNN 기반의 분류 모델(720)의 제1 입력 레이어에 입력되어 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 제1 출력 벡터는 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 제1 손실함수 레이어는 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, CNN 기반의 분류 모델의 파라미터는 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
복수의 기준 대상 벡터는 이미지 벡터에 포함된 객체와 비교하여 객체의 종류 값을 결정하기 위한 기준 벡터일 수 있다. 예를 들어, 복수의 기준 대상 벡터는 복수의 객체 각각에 대해 복수의 이미지를 수집하고, 수집된 이미지를 기반으로 생성된 벡터일 수 있다. 예를 들어, 수집된 복수의 이미지에 대해 각 픽셀에 대한 RGB 값이 결정되고, 기준 대상 벡터는 각 픽셀에 대한 RGB 값을 합산하여 평균한 R 좌표의 값, G 좌표의 값 및 B 좌표의 값으로 구성될 수 있다.
하나의 객체에 대한 복수의 이미지 벡터와 하나의 객체에 대한 복수의 객체 벡터는 복수의 기준 대상 벡터에 매칭되어 학습 데이터 세트로 구성될 수 있다. 예를 들어, 복수의 학습 데이터 세트가 서버에 사전 저장될 수 있다.
CNN 기반의 분류 모델(720)은 시간 구간별 이미지 벡터에서 객체 벡터에 해당하는 영역에 대해 RGB 값의 분포를 결정하고, RGB 값의 분포를 포함하는 색상 분포 벡터를 시간 구간마다 생성할 수 있다. 색상 분포 벡터는, 이미지 벡터에서 객체 벡터에 해당하는 영역의 각 픽셀에 대해 RGB 값을 합산하여 평균한, R 좌표의 값, G 좌표의 값 및 B 좌표의 값을 포함할 수 있다. 예를 들어, CNN 기반의 분류 모델(720)은 복수의 기준 대상 벡터 중에서 색상 분포 벡터와 가장 유사도가 높은 기준 대상 벡터를 결정하고, 해당 기준 대상 벡터에 매칭된 객체의 종류 값과 정답 객체의 종류 값을 비교할 수 있다. 이를 통해, CNN 기반의 분류 모델(720)은 해당 기준 대상 벡터에 매칭된 객체의 종류 값과 정답 객체의 종류 값의 차이가 작게 나는 방향으로 학습할 수 있다.
이벤트 분석 모델에 사용되는 제2 뉴럴 네트워크는 GRU(gated recurrent unit) 기반의 뉴럴 네트워크일 수 있다. GRU는 RNN(recurrent neural network)를 변형시킨 모델일 수 있다. RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM(long short term memory networks)이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다. 이러한 LSTM의 구조를 간결하게 변형하여 속도를 개선한 모델이 GRU이다.
이벤트 분석 모델에 사용되는 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 3차원 객체 벡터, 복수의 시간 구간별 객체 이미지 벡터, 복수의 기준 이벤트 벡터 및 복수의 정답 이벤트의 유형에 대한 값으로 구성된 학습 데이터는 제2 입력 레이어에 입력되어 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 제2 출력 벡터는 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 제2 손실함수 레이어는 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 이벤트 분석 모델에 사용되는 제2 뉴럴 네트워크의 파라미터가 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
복수의 기준 이벤트 벡터는 시간 구간별 객체 이미지 벡터와 비교하여 이벤트의 유형에 대한 값을 결정하기 위한 기준 벡터일 수 있다. 예를 들어, 복수의 기준 이벤트 벡터는 보안 카메라 단말에 의해 실제 촬영된 2차원 영상 중에서 이벤트의 유형별로 이벤트가 발생한 영상을 수집하고, 수집된 영상으로 생성된 시간 구간별 이미지에서 객체에 대한 부분의 이미지를 추출하여 생성된 시간 구간별 객체 이미지 벡터를 포함할 수 있다.
학습 데이터로 사용되는 하나의 3차원 객체 벡터, 하나의 시간 구간별 객체 이미지 벡터는 하나의 기준 이벤트 벡터와 매칭되어 하나의 학습 세트로 구성될 수 있다. 예를 들어, 복수의 학습 세트가 서버에 사전 저장될 수 있다.
하나 이상의 제2 히든 레이어는 하나 이상의 GRU 블록을 포함하고, 하나의 GRU 블록은 리셋 게이트(reset gate)와 업데이트 게이트(update gate)를 포함할 수 있다. 여기서, 리셋 게이트와 업데이트 게이트는 시그모이드 레이어를 포함할 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 예를 들어, 리셋 게이트 및 업데이트 게이트를 통해 히든 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
리셋 게이트는 과거의 정보를 리셋시키며, 이전 히든 레이어를 거쳐 도출된 가중치 r(t)가 결정될 수 있다.
예를 들어, 복수의 3차원 객체 벡터, 복수의 시간 구간별 객체 이미지 벡터, 복수의 기준 이벤트 벡터가 제2 입력 레이어에 입력되고, 리셋 게이트는 복수의 3차원 객체 벡터, 복수의 시간 구간별 객체 이미지 벡터, 복수의 기준 이벤트 벡터를 기반으로 생성된 현재 시점의 입력 값(xt)이 입력되면 현재 시점의 가중치 Wr와 내적하고, 복수의 3차원 객체 벡터, 복수의 시간 구간별 객체 이미지 벡터, 복수의 기준 이벤트 벡터를 기반으로 생성된, 이전 시점의 히든 스테이트(h(t-1))를 이전 시점의 가중치 Ur와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력되어 결과가 0과 1 사이의 값으로 출력될 수 있다. 이러한 0과 1 사이의 값을 통해 이전 시점의 히든 스테이트 값을 얼마나 활용할 것인지 결정될 수 있다.
업데이트 게이트는 과거와 현재의 정보에 대한 최신화 비율을 결정하며, z(t)는 현재 시점의 정보의 양을 결정할 수 있다.
예를 들어, 현재 시점의 입력 값(xt)가 입력되면 현재 시점의 가중치 Wz와 내적하고, 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uz와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력됨으로써 결과가 0과 1 사이의 값으로 출력될 수 있다. 그리고, 1-z(t)를 직전 시점의 히든 레이어의 정보(h(t-1))에 곱할 수 있다.
이를 통해, z(t)는 현재 정보를 얼마나 사용할 지와 1-z(t)를 과거 정보에 대해 얼마나 사용할지를 반영할 수 있다.
리셋 게이트의 결과를 곱하여 현재 시점 t의 정보 후보군이 결정될 수 있다. 예를 들어, 현재 시점의 입력 값(xt)이 입력되면 현재 시점의 가중치 Wh와 내적한 제1 값과, 이전 시점의 히든 스테이트(h(t-1))에 이전 시점의 가중치 Uh와 내적한 값에 r(t)를 곱한 제2 값을 합한 값이 tanh 함수에 입력될 수 있다. 예를 들어, tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.
업데이트 게이트와 후보군의 결과를 결합함으로써, 현재 시점의 히든 레이어의 가중치를 결정할 수 있다. 예를 들어, 업데이트 게이트의 출력 값 z(t)와 현재 시점의 히든 스테이트(h(t))를 곱한 값과 업데이트 게이트에서 버려지는 값 1-z(t)와 이전 시점의 히든 스테이트(h(t-1))을 곱한 값의 합으로 현재 시점의 히든 레이어의 가중치가 결정될 수 있다.
이를 통해, 서버는 2차원 영상에 포함된 객체에 대해 이벤트의 유형에 대한 값과 이벤트가 발생한 시간에 대한 값을 결정하도록 이벤트 분석 모델을 학습시킬 수 있다.
예를 들어, 서버는 3차원 객체 벡터 및 시간 구간별 객체 이미지 벡터를 이벤트 분석 모델에 입력함으로써, 이벤트가 발생한 시간에 대한 값 및 이벤트가 발생한 위치에 대한 값을 획득할 수 있다. 예를 들어, 서버는 2차원 영상의 이미지 내 객체에 대한 좌표 값에 해당하는 위치에 대응하는 3차원 공간 좌표를 이벤트가 발생한 위치에 대한 값으로 결정할 수 있다.
부가적으로, 일 실시예에 따르면, 서버는 사용자 단말과의 통신 상태 및 사용자 단말과 관련된 정보를 기반으로 3차원 가상 공간에 대한 지도의 개수(예: N 값)를 조절할 수 있다. 예를 들어, 지도의 개수는 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 Nspace는 상기 지도의 개수이고, Nm은 서버에 연결 가능한 사용자 단말의 최대 개수이고, 상기 Na은 서버에 연결되는 사용자 단말의 평균 개수이고, 상기 tr은 서버에 연결된 사용자 단말에 대한 평균 응답시간이고, 상기 tideal은 권장 응답시간이고, 상기 RSRP는 사용자 단말의 통신 상태와 관련된 값이고, 상기 RSRPi는 통신 상태와 관련된 값에 대한 권장 값이고, 상기 Nd는 기본 값일 수 있다.
예를 들어, 서버에 연결 가능한 사용자 단말의 최대 개수, 권장 응답시간, 통신 상태와 관련된 값에 대한 권장 값 및 기본 값은 상기 서버에 사전 저장된 값일 수 있다. 예를 들어, 서버에 연결된 사용자 단말에 대한 평균 응답시간 및 서버에 연결되는 사용자 단말의 평균 개수는 사전 설정된 주기마다 측정된 값일 수 있다. RSRP(reference signal received power)는 사용자 단말의 통신 상태를 나타내는 값으로, 음의 dB 값을 가질 수 있다. 예를 들어, RSRP의 절대 값이 클수록, 사용자 단말의 통신 상태가 불량한 것으로 결정될 수 있다.
예를 들어, ceil 함수는 괄호 안의 값에서 소수점 자리를 생략하고, 다음 정수 값으로 결정하는 함수이며, 올림 함수일 수 있다.
이를 통해, 서버는 사용자 단말의 능력 뿐만 아니라 서버의 성능, 사용자 단말과의 통신 상태를 고려하여 3차원 가상 공간에 대한 지도의 개수를 조정함으로써, 복수의 사용자 단말들이 동시에 접속하는 상황에서도 서비스를 원활하게 제공할 수 있다.
도 8은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 8의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 8에 도시된 바와 같이, 서버(800)는 프로세서(810), 통신부(820) 및 메모리(830)를 포함할 수 있다. 그러나, 도 8에 도시된 구성 요소 모두가 서버(800)의 필수 구성 요소인 것은 아니다. 도 8에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(800)가 구현될 수도 있고, 도 8에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(800)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(800)는 프로세서(810), 통신부(820) 및 메모리(830) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(810)는, 통상적으로 서버(800)의 전반적인 동작을 제어한다. 프로세서(810)는 하나 이상의 프로세서를 구비하여, 서버(800)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(810)는, 메모리(830)에 저장된 프로그램들을 실행함으로써, 통신부(820) 및 메모리(830) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(810)는 메모리(830)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 7에 기재된 서버(800)의 기능을 수행할 수 있다.
통신부(820)는, 서버(800)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(800)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(820)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(820)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(820)는 프로세서(810)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(820)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(820)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(830)는, 프로세서(810)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(830)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(830)는 프로세서(810)에서 생성된 데이터를 저장할 수 있다. 메모리(830)는 서버(800)로 입력되거나 서버(800)로부터 출력되는 정보를 저장할 수도 있다.
메모리(830)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.
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. 뉴럴 네트워크(neural network)를 이용하여 서버가 객체에 대한 3차원 공간 정보를 제공하는 방법에 있어서,
    건물에 대한 공간 시멘틱 정보를 기반으로 상기 건물에 대한 3차원 가상 공간을 구현하는 단계;
    복수의 보안 카메라 단말 각각으로부터 2차원 영상 정보를 수신하는 단계;
    상기 2차원 영상 정보는 보안 카메라 단말에 의해 촬영된 2차원 영상, 보안 카메라 단말의 위치 정보 및 보안 카메라 단말의 각도 정보를 포함하고,
    상기 2차원 영상을 기반으로 제1 뉴럴 네트워크를 이용하는 객체 분석 모델을 통해 상기 2차원 영상에 포함된 객체에 대한 정보를 결정하는 단계;
    상기 제1 뉴럴 네트워크는 YOLO(you only look once) 기반의 탐색 모델 및 CNN 기반의 분류 모델을 포함하고,
    상기 2차원 영상에 대한 데이터 전처리를 통해 상기 2차원 영상의 정지 이미지에 대한 복수의 픽셀 값으로 구성된 시간 구간별 이미지 벡터가 생성되고,
    상기 시간 구간별 이미지 벡터가 상기 YOLO 기반의 탐색 모델에 입력되는 것에 기반하여 바운딩 박스에 대한 클래스 값, 바운딩 박스를 구성하는 버텍스(vertex)에 대한 xy 좌표 값, 바운딩 박스의 너비 및 바운딩 박스의 높이를 포함하는 시간 구간별 객체 벡터가 획득되고,
    상기 버텍스에 대한 xy 좌표 값이 상기 2차원 영상의 이미지 내 객체에 대한 좌표 값으로 결정되고,
    상기 시간 구간별 이미지 벡터 및 시간 구간별 객체 벡터가 상기 CNN 기반의 분류 모델에 입력되는 것에 기반하여 객체의 종류 값이 획득되고,
    상기 2차원 영상에 포함된 객체에 대한 정보는 상기 객체의 종류 값 및 상기 2차원 영상의 이미지 내 객체에 대한 좌표 값을 포함하고,
    상기 2차원 영상에 포함된 객체에 대한 정보, 상기 보안 카메라 단말의 위치 정보 및 보안 카메라 단말의 각도 정보를 기반으로 상기 2차원 영상에 포함된 객체가 정합되는 상기 3차원 가상 공간 상의 3차원 공간 좌표를 결정하는 단계;
    상기 2차원 영상에 정합되는 3차원 가상 공간 상의 뷰가 결정되고, 상기 3차원 가상 공간 상의 뷰에서 경계 박스를 구성하는 4개의 버텍스에 대해 3차원 공간 좌표가 결정되고, 상기 4개의 버텍스에 대한 3차원 공간 좌표를 통해 객체의 크기가 결정되고, 상기 4개의 버텍스 중에서 바닥 폴리곤에 위치한 버텍스에 매칭되는 3차원 공간 좌표에 대한 공간 폴리곤의 속성 값이 결정되고, 상기 공간 폴리곤의 속성 값을 기반으로 공간의 명칭이 식별되는,
    상기 3차원 공간 좌표를 기반으로 상기 객체에 대한 3차원 공간 정보를 결정하는 단계;
    상기 객체에 대한 3차원 공간 정보는 상기 3차원 공간 좌표, 상기 3차원 공간 좌표에 매칭된 공간 폴리곤 속성 값 및 상기 객체의 3차원 공간 상에서의 크기를 포함하고,
    상기 객체에 대한 3차원 공간 정보를 사용자 단말에게 전송하는 단계;
    상기 2차원 영상에서 상기 객체가 검출된 것에 기반하여 상기 2차원 영상, 상기 객체에 대한 정보 및 상기 객체에 대한 3차원 공간 정보를 기초로 제2 뉴럴 네트워크를 이용하는 이벤트 분석 모델을 통해 상기 객체에 대한 이벤트 정보를 결정하는 단계; 및
    상기 객체에 대한 이벤트 정보를 상기 사용자 단말에게 전송하는 단계를 포함하되,
    상기 객체에 대한 3차원 공간 정보에 기반하여 상기 객체가 위치한 공간의 명칭과 상기 객체의 크기에 대한 값이 상기 사용자 단말의 디스플레이에 출력되는 상기 2차원 영상에 중첩되어 표시되고,
    상기 객체에 대한 이벤트 정보를 기반으로 상기 사용자 단말의 디스플레이에 출력되는 지도 상에 이벤트의 유형과 관련된 심볼이 상기 이벤트가 발생한 시간과 함께 표시되고,
    사전 설정된 시간동안 복수의 객체에 대해 상기 이벤트 분석 모델을 통해 복수의 이벤트 정보가 결정되고,
    상기 복수의 객체는 상기 복수의 보안 카메라 단말 각각으로부터 촬영된 2차원 영상을 기반으로 상기 객체 분석 모델을 통해 결정된 객체를 포함하고,
    상기 복수의 이벤트 정보를 기반으로 상기 3차원 가상 공간에 대한 공간 분포도가 생성되고,
    상기 3차원 가상 공간에 대한 공간 분포도가 상기 사용자 단말에게 전송되는,
    방법.
  2. 삭제
  3. 삭제
  4. 제 1항에 있어서,
    복수의 이벤트 각각이 발생한 시간이 상기 3차원 가상 공간에 대한 공간 분포도에 표시되고,
    상기 복수의 이벤트 각각은 이벤트 유형에 따라 상이한 색상으로 상기 3차원 가상 공간에 대한 공간 분포도에 표시되는,
    방법.
  5. 제 1항에 있어서,
    복수의 이벤트 각각은 이벤트 유형과 관련된 심볼로 상기 3차원 가상 공간에 대한 공간 분포도에 표시되고,
    상기 3차원 가상 공간에 대한 공간 분포도 내 상기 복수의 이벤트 각각이 발생한 공간은 이벤트의 빈도 수에 따라 상이한 색상으로 표시되는,
    방법.
KR1020230133199A 2023-10-06 2023-10-06 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치 KR102636189B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230133199A KR102636189B1 (ko) 2023-10-06 2023-10-06 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230133199A KR102636189B1 (ko) 2023-10-06 2023-10-06 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102636189B1 true KR102636189B1 (ko) 2024-02-14

Family

ID=89896194

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230133199A KR102636189B1 (ko) 2023-10-06 2023-10-06 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102636189B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210155960A (ko) * 2020-06-17 2021-12-24 (주) 피플소프트 3차원 기반의 cctv 관제영상 시스템
KR20220004399A (ko) * 2020-07-03 2022-01-11 주식회사 자비스넷 사용자 참여형 보안 감시 관제 서비스 제공 프로그램 기록매체
KR20230013297A (ko) * 2021-07-19 2023-01-26 한국공항공사 디지털트윈과 영상 기반 시설물 변경사항 자동 파악 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210155960A (ko) * 2020-06-17 2021-12-24 (주) 피플소프트 3차원 기반의 cctv 관제영상 시스템
KR20220004399A (ko) * 2020-07-03 2022-01-11 주식회사 자비스넷 사용자 참여형 보안 감시 관제 서비스 제공 프로그램 기록매체
KR20230013297A (ko) * 2021-07-19 2023-01-26 한국공항공사 디지털트윈과 영상 기반 시설물 변경사항 자동 파악 방법 및 장치

Similar Documents

Publication Publication Date Title
KR102467890B1 (ko) 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치
CN110516113B (zh) 一种视频分类的方法、视频分类模型训练的方法及装置
CN114092920B (zh) 一种模型训练的方法、图像分类的方法、装置及存储介质
KR102582594B1 (ko) 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치
KR102421073B1 (ko) 인공지능을 이용하여 인테리어 마감재 템플릿을 제공하는 인테리어 시뮬레이션 시스템
CN111914180B (zh) 基于图结构的用户特征确定方法、装置、设备及介质
KR102375587B1 (ko) 헤어 이미지 추천 및 합성 방법 및 장치
CN112561084B (zh) 特征提取方法、装置、计算机设备及存储介质
KR102576380B1 (ko) 뉴럴 네트워크를 이용하여 rMQR 코드에 날짜가 중첩되어 표기된 상품을 관리하는 방법 및 시스템
KR102636189B1 (ko) 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치
KR102669159B1 (ko) 거시적 공간상황 인식을 위한 연결 공간 토폴로지를 활용한 인공지능 기반의 연속 이벤트를 추론하는 방법 및 장치
CN111753813A (zh) 图像处理方法、装置、设备及存储介质
KR102479512B1 (ko) 성과 지향 교육 방법, 그 방법을 수행하는 서버 및 단말기
KR102422153B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR20230168097A (ko) 웹툰의 장르 값에 기반하여 웹툰의 유사도를 결정하는 방법 및 장치
KR20230151425A (ko) 뉴럴 네트워크를 이용하여 색상 이미지 및 색상 이미지를 선택한 순서에 기반한 심리 상태와 관련된 정보를 제공하는 방법 및 장치
KR102602594B1 (ko) 메타버스 상에서 공간 시멘틱 정보를 기반으로 아바타의 위치를 추적하는 방법 및 장치
KR20220051311A (ko) 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치
KR102602589B1 (ko) 뉴럴 네트워크를 사용하여 오프라인 팝업 스토어와 관련된 정보를 기반으로 메타버스 팝업 스토어를 관리하는 방법 및 장치
KR102643021B1 (ko) 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템
KR102666423B1 (ko) 유휴 공간과 연동된 팝업 스토어를 가상 공간에 생성하는 방법 및 시스템
KR102530412B1 (ko) 뉴럴 네트워크를 이용하여 메타버스에 생성된 가상 건축물 내에서 미디어아트 조형물을 설치하기 위한 영역을 사용자 단말에게 추천하는 방법 및 장치
KR102604762B1 (ko) 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치
CN114663929A (zh) 基于人工智能的脸部识别方法、装置、设备和存储介质
KR102585090B1 (ko) 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant