KR102665266B1

KR102665266B1 - 옥외 광고용 컨텐츠를 송출하기 위한 사이니지 및 방법

Info

Publication number: KR102665266B1
Application number: KR1020230173762A
Authority: KR
Inventors: 이동욱
Original assignee: 스페이스비전에이아이주식회사
Priority date: 2023-12-04
Filing date: 2023-12-04
Publication date: 2024-05-10

Abstract

본 개시의 일 실시예에 따르면 옥외 광고용 컨텐츠를 송출하는 방법이 제공된다. 상기 방법은, 사이니지에서 출력되는 컨텐츠가 노출되는 타겟 영역(target area)을 포함하는 제1 이미지를 획득하는 단계; 획득된 제1 이미지로부터, 상기 복수의 객체들 각각의 시선(gaze) 정보를 획득하는 단계 - 상기 시선 정보는 얼굴의 요(yaw) 각도, 얼굴의 피치(pitch) 각도 및 얼굴의 롤(roll) 각도를 포함함 -; 및 상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 출력된 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 획득하는 단계를 포함할 수 있다.

Description

옥외 광고용 컨텐츠를 송출하기 위한 사이니지 및 방법 {Signage and Method for Transmitting Out-of-home Advertising Contents}

본 개시는 컨텐츠를 송출하기 위한 사이니지 및 방법에 관한 것으로, 구체적으로 옥외 광고용 컨텐츠를 송출하기 위한 사이니지 및 방법에 관한 것이다.

광고 시장에 있어서, 과거 인터넷의 상용화로 함께 등장한 첫 번째 온라인 광고 형태는 배너 광고였다. 정적인 이미지와 간단한 텍스트로 구성된 배너 광고는 웹페이지 상단이나 컨텐츠 옆에 표시되었다. 이후, 동영상 광고와 플래시 광고 등 다양한 형식의 광고가 등장했다. 소셜 미디어의 등장과 함께 소셜 미디어 광고 또한 부상했다. 이를 통해, 사용자가 생성한 콘텐츠와 광고가 융합되면서 상호작용이 강화되었다. 최근에는 스마트폰의 보급 및 기술의 고도화 등으로 모바일 광고 시장이 급격히 성장하였다. 이에 따라, 모바일 앱 내에서의 광고 플랫폼이 다양화되었다.

한편, 옥외 광고 분야 또한 시대의 흐름에 맞게 발달해왔다. 과거 주로 정적인 표지판과 포스터 등의 정적인 옥외 광고물이 사용되었다면, 기술의 발달에 따라 DOOH(Digital Out of Home)이라 불리는 디지털 형태의 옥외 광고가 각광받고 있다. LED 및 LCD 화면을 사용한 디지털 사이니지는 동적이고 다양한 형태의 컨텐츠를 효과적으로 전달할 수 있게 되었다. 디지털 형태의 광고가 제공됨에 따라, 광고 시청자는 단순히 광고를 시청하는 것에 그치지 않고, 광고와 서로 상호작용하고 광고에 참여할 수 있는 환경이 만들어졌다.

대한민국 등록특허 10-1490437 (2015.01.30)

본 개시의 전술한 배경기술에 대응하여 안출된 것으로, 옥외 광고용 컨텐츠를 송출하는 사이니지에서 컨텐츠 시청 통계 데이터를 획득하는 것을 해결 과제로 한다. 예를 들어, 본 개시는, 컨텐츠가 노출되는 타겟 영역에 존재하는 복수의 객체들 각각의 시선 정보에 기초하여 컨텐츠 시청 통계 데이터를 획득하는 것을 해결 과제로 한다.

한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 옥외 광고용 컨텐츠를 송출하기 위한 사이니지 및 방법을 제공하고자 한다.

본 개시의 일 측면에 따르면, 옥외 광고용 컨텐츠(contents)를 송출하기 위한 사이니지(signage)가 제공된다. 상기 사이니지는 컨텐츠 송출과 관련된 동작들을 제어하는 제어부; 메모리; 컨텐츠를 출력하는 디스플레이부; 상기 디스플레이부에 의해 출력되는 컨텐츠가 노출되는 타겟 영역(target area)을 포함하는 제1 이미지를 획득하는 촬영부를 포함할 수 있다. 상기 제어부는, 상기 획득된 제1 이미지로부터, 상기 복수의 객체들 각각의 시선(gaze) 정보를 획득하고 - 상기 시선 정보는 얼굴의 요(yaw) 각도, 얼굴의 피치(pitch) 각도 및 얼굴의 롤(roll) 각도를 포함함 -, 그리고 복수의 객체들 각각의 시선 정보에 기초하여, 상기 출력된 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 획득할 수 있다.

일 실시예에서, 상기 제어부는, 상기 복수의 객체들 각각의 시선 정보를 획득함에 있어서, 사전 학습된 얼굴 랜드마크 추출 모델을 이용하여, 상기 획득된 제1 이미지로부터 상기 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크들을 추출하고, 상기 복수의 객체들 각각에 대응되는 상기 복수의 얼굴 랜드마크들에 기초하여, 상기 복수의 객체들 각각의 시선 정보를 획득할 수 있다.

일 실시예에서, 상기 사전 학습된 얼굴 랜드마크 추출 모델은, 학습 이미지에 포함된 얼굴 랜드마크들이 상기 학습 이미지 상에서 보이는지 여부에 따라, 가시(visible) 랜드마크와 랜드마크의 적어도 일부가 가시적이지 않은 비가시(invisible) 랜드마크로 구분하는 라벨링 방식에 기초하여 사전 학습된 인공지능 모델에 대응되며, 그리고 상기 제어부는, 상기 복수의 객체들 각각에 대응되는 상기 복수의 얼굴 랜드마크에 기초하여, 상기 복수의 객체들 각각의 시선 정보를 획득함에 있어서, 상기 사전 학습된 얼굴 랜드마크 추출 모델을 이용하여, 상기 획득된 제1 이미지로부터 상기 가시 랜드마크 및 상기 비가시 랜드마크 중 적어도 하나를 포함하는 상기 복수의 얼굴 랜드마크를 추출하고, 그리고 상기 복수의 얼굴 랜드마크들을 이용하여 상기 시선 정보를 획득할 수 있다.

일 실시예에서, 상기 제어부는, 상기 제1 이미지에서 상기 타겟 영역 내에 포함된 객체의 수를 산출하고, 상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 컨텐츠를 주시한 제1 시청자의 수를 산출하고, 그리고 상기 제1 이미지를 포함하는 순차적인 이미지들에서 획득된 복수의 객체들 각각의 시선 정보에 기초하여, 상기 컨텐츠를 기준 시간 기간(reference time period) 이상 주시한 제2 시청자의 수를 산출하고, 그리고 상기 컨텐츠 시청 통계 데이터는, 상기 객체의 수, 상기 제1 시청자의 수, 상기 제2 시청자의 수를 포함할 수 있다.

일 실시예에서, 상기 제어부는, 상기 제1 시청자의 수를 산출함에 있어서, 상기 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 주시 여부를 판단하기 위한 제1 조건을 만족하는지 여부에 기초하여, 상기 복수의 객체들 각각의 컨텐츠 주시 여부를 결정하고, 그리고 상기 컨텐츠 주시 여부에 기초하여, 상기 제1 시청자의 수를 결정할 수 있다.

일 실시예에서, 상기 제1 조건은, 상기 복수의 객체들 각각의 요(yaw) 각도가 기설정된 제1 기준 각도 범위 이내이고 그리고 피치(pitch) 각도가 기설정된 제2 기준 각도 범위 이내인 조건을 포함할 수 있다.

일 실시예에서, 상기 기설정된 제1 기준 각도 범위 및 상기 기설정된 제2 기준 각도 범위는, 상기 디스플레이부의 위치, 상기 디스플레이부의 크기 및 상기 촬영부의 위치 중 적어도 하나에 기초하여 결정될 수 있다.

일 실시예에서, 상기 제어부는, 상기 제2 시청자의 수를 산출함에 있어서, 상기 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 집중 주시 여부를 판단하기 위한 제2 조건을 만족하는지 여부에 기초하여, 상기 복수의 객체들 각각의 컨텐츠 집중 주시 여부를 결정하고, 그리고 상기 컨텐츠 집중 주시 여부에 기초하여, 상기 제2 시청자의 수를 결정할 수 있다.

일 실시예에서, 상기 제2 조건은, 상기 복수의 객체들 각각의 요(yaw) 각도가 기설정된 제3 기준 각도 범위 이내이고 그리고 피치(pitch) 각도가 기설정된 제4 기준 각도 범위 이내인 조건을 포함할 수 있다.

일 실시예에서, 상기 제어부는, 상기 제1 시청자의 수를 산출함에 있어서, 상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 주시 여부를 판단하기 위한 제1 조건을 만족하는지 여부에 기초하여, 상기 복수의 객체들 각각의 컨텐츠 주시 여부를 결정하고, 그리고 상기 컨텐츠 주시 여부에 기초하여, 상기 제1 시청자의 수를 결정하며, 상기 제2 시청자의 수를 산출함에 있어서, 상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 집중 주시 여부를 판단하기 위한 제2 조건을 만족하는지 여부에 기초하여, 상기 복수의 객체들 각각의 컨텐츠 집중 주시 여부를 결정하고, 그리고 상기 컨텐츠 집중 주시 여부에 기초하여, 상기 제2 시청자의 수를 결정하며, 상기 제1 조건은, 상기 복수의 객체들 각각의 요(yaw) 각도가 기설정된 제1 기준 각도 범위 이내이고 그리고 피치(pitch) 각도가 기설정된 제2 기준 각도 범위 이내인 조건을 포함하며, 상기 제2 조건은, 상기 복수의 객체들 각각의 요(yaw) 각도가 기설정된 제3 기준 각도 범위 이내이고 그리고 피치(pitch) 각도가 기설정된 제4 기준 각도 범위 이내인 조건을 포함하며, 상기 제3 기준 각도 범위는 상기 제1 기준 각도 범위보다 좁고, 그리고 상기 제4 기준 각도 범위는 상기 제2 기준 각도 범위보다 좁을 수 있다.

일 실시예에서, 상기 제어부는, 상기 제2 시청자의 수를 산출함에 있어서, 상기 기준 시간 기간보다 긴 제1 시간 기간 단위로 상기 복수의 객체들 각각의 컨텐츠 시청 여부를 판단하고, 그리고 상기 제1 시간 기간 단위 내에서 상기 컨텐츠를 주시한 시간 기간의 합산값이 상기 기준 시간 기간 이상인 상기 제2 시청자의 수를 산출할 수 있다.

일 실시예에서, 상기 제어부는, 상기 제2 시청자의 수를 산출함에 있어서, 복수의 객체들 각각에 대하여 상기 컨텐츠를 주시한 주시 시간 및 컨텐츠를 주시하지 않은 비-주시 시간을, 상기 복수의 객체들 각각에 대응되는 큐(queue)에 기록하고, 제1 시간 윈도우 및 제2 시간 윈도우를 각각 상기 큐에 적용함으로써, 상기 제1 시간 윈도우 내에 포함되는 제1 주시 시간 기간 합산값 및 상기 제2 시간 윈도우 내에 포함되는 제2 주시 시간 기간 합산값을 획득하고, 상기 제1 주시 시간 기간 합산값 및 상기 제2 주시 시간 기간 합산값 중 적어도 하나가 상기 기준 시간 기간 이상인 경우, 상기 큐에 대응되는 객체를 상기 제2 시청자의 수에 포함시키고, 그리고 상기 제1 시간 윈도우와 상기 제2 시간 윈도우는 동일한 크기를 가지며 그리고 적어도 일부가 중첩될 수 있다.

일 실시예에서, 상기 기준 시간 기간은 상기 사이니지가 위치한 장소에 기초하여 결정될 수 있다.

일 실시예에서, 상기 컨텐츠는, 제1 컨텐츠 및 제2 컨텐츠를 포함하며, 그리고 상기 제어부는, 상기 컨텐츠 시청 통계 데이터를 획득함에 있어서, 상기 제1 컨텐츠 및 상기 제2 컨텐츠 각각의 송출 시작 시점, 송출 종료 시점 및 재생 시간 기간을 포함하는 컨텐츠 송출 정보를 획득하고, 그리고 상기 복수의 객체들 각각의 시선 정보 및 상기 컨텐츠 송출 정보에 기초하여, 상기 제1 컨텐츠 및 상기 제2 컨텐츠 각각의 상기 컨텐츠 시청 통계 데이터를 획득할 수 있다.

일 실시예에서, 상기 제어부는, 상기 복수의 객체들 각각의 시선 정보를 획득함에 있어서, 사전 학습된 제1 머리 벡터 추출 모델을 이용하여, 상기 획득된 제1 이미지로부터 상기 복수의 객체들 각각의 머리 벡터를 추출하고, 그리고 상기 복수의 객체들 각각의 머리 벡터에 기초하여, 상기 복수의 객체들 각각의 시선 정보를 획득하고, 그리고 상기 사전 학습된 제1 머리 벡터 추출 모델은 객체의 얼굴에 머리 벡터가 라벨링된 3차원 학습 이미지 데이터셋을 이용하여 사전 학습된 인공지능 모델에 대응될 수 있다.

일 실시예에서, 상기 제어부는, 상기 복수의 객체들 각각의 시선 정보를 획득함에 있어서, 사전 학습된 제2 머리 벡터 추출 모델을 이용하여, 상기 획득된 제1 이미지로부터 상기 복수의 객체들 각각의 머리 벡터를 추출하고, 그리고 상기 복수의 객체들 각각의 머리 벡터에 기초하여, 상기 복수의 객체들 각각의 시선 정보를 획득하고, 그리고 상기 사전 학습된 제2 머리 벡터 추출 모델은 객체의 얼굴 랜드마크들이 마킹된 학습 이미지 데이터셋에 있어서, 상기 객체의 얼굴 랜드마크들을 상기 객체의 머리 벡터로 변환하고, 상기 변환된 객체의 머리 벡터를 학습시키는 과정을 통해 사전 학습된 인공지능 모델에 대응될 수 있다.

본 개시의 일 실시예에 따르면, 옥외 광고용 컨텐츠를 송출하는 방법이 제공된다. 상기 방법은, 사이니지에서 출력되는 컨텐츠가 노출되는 타겟 영역(target area)을 포함하는 제1 이미지를 획득하는 단계; 상기 획득된 제1 이미지로부터, 복수의 객체들 각각의 시선(gaze) 정보를 획득하는 단계 - 상기 시선 정보는 얼굴의 요(yaw) 각도, 얼굴의 피치(pitch) 각도 및 얼굴의 롤(roll) 각도를 포함함 -; 및 상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 출력된 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 획득하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 제공된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 옥외 광고용 컨텐츠를 송출하는 동작들을 수행하도록 하며, 상기 동작들은: 사이니지에서 출력되는 컨텐츠가 노출되는 타겟 영역(target area)을 포함하는 제1 이미지를 획득하는 동작; 상기 획득된 제1 이미지로부터, 복수의 객체들 각각의 시선(gaze) 정보를 획득하는 동작 - 상기 시선 정보는 얼굴의 요(yaw) 각도, 얼굴의 피치(pitch) 각도 및 얼굴의 롤(roll) 각도를 포함함 -; 및 상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 출력된 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 획득하는 동작을 포함할 수 있다.

본 개시의 몇몇 실시예에 따르면, 컨텐츠가 노출되는 타겟 영역에 존재하는 복수의 객체들 각각의 시선 정보에 기초하여 컨텐츠 시청 통계 데이터를 획득할 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 특정 세부사항들 없이 실시될 수 있음은 명백할 것이다. 다른 예시들에서, 공지의 구조들 및 장치들이 하나 이상의 양상들의 기재를 용이하게 하기 위해 블록도 형태로 도시된다.
도 1은 본 개시의 일 실시예에 따른 옥외 광고용 컨텐츠를 송출하는 사이니지의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 나타내는 개략도이다.
도 3은 본 개시의 일 실시예에 따른 사이니지와 서버 간 통신을 나타내는 개략도이다.
도 4는 본 개시의 일 실시예에 따라 사이니지가 컨텐츠 시청 통계 데이터를 획득하는 방법을 나타내는 순서도이다.
도 5는 본 개시의 일 실시예에 따른 얼굴의 시선 정보를 나타내는 개략도이다.
도 6은 본 개시의 일 실시예에 따라 시청자가 사이니지를 주시하는 모습을 나타내는 개략도이다.
도 7은 본 개시의 일 실시예에 따른 객체 별 컨텐츠 주시 여부를 표현한 큐를 나타내는 개략도이다.
도 8은 본 개시의 일 실시예에 따라 얼굴 랜드마크(facial landmark)를 표시한 얼굴 이미지를 나타내는 개략도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 사이니지에서 실행되는 애플리케이션 및 사이니지 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

통상의 기술자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환 가능하게 사용될 수 있다.

본 개시에서 객체가 사이니지(1000)를 주시하는 것, 디스플레이부를 주시하는 것 및 사이니지(1000)에서 출력되는 컨텐츠를 주시하는 것은 모두 동일한 의미로 사용될 수 있다. 또한, 사이니지(1000)에서 출력되는 컨텐츠와 디스플레이부에서 출력되는 컨텐츠는 모두 동일한 컨텐츠를 지칭할 수 있다.

도 1은 본 개시의 일 실시예에 따른 옥외 광고용 컨텐츠를 송출하는 사이니지(1000)의 블록 구성도이다.

도 1에 도시된 사이니지(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 사이니지(100)는 옥외 광고용 컨텐츠를 송출하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 사이니지(100)를 구성할 수도 있다.

본 개시내용에서의 사이니지는, 시각적 혹은 청각적 정보를 제공하기 위한 전자 광고판을 의미할 수 있다. 이러한 사이니지는 실내외 특정 위치에 설치되어 불특정 다수의 이용자에게 특정 정보를 출력하도록 구성되는 미디어 기기를 나타낼 수 있다.

사이니지(100)는 제어부(1100), 촬영부(1200), 출력부(1300), 통신부(1400), 메모리(1500)를 포함할 수 있다. 본 개시에서, 사이니지(1000)란 옥외 광고용 컨텐츠를 송출하기 위한 광고 장치를 의미할 수 있다.

제어부(1100)는 사이니지(1000)에 의해 수행되는 전반적인 동작들을 제어할 수 있다. 예를 들어, 제어부(1100)는 사이니지(1000)가 복수의 객체들 각각의 시선 정보에 기초하여 컨텐츠 시청 통계 데이터를 획득하기 위한 전반적인 동작들을 제어할 수 있다. 제어부(1100)는 하나 이상의 코어로 구성될 수 있으며, 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 사이니지(1000)의 동작 및 딥러닝을 위한 프로세서를 포함할 수 있다.

일 실시예에서, 제어부(1100)는 메모리(1500)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일 실시예에 따라 제어부(1100)는 신경망 모델의 학습을 위한 연산을 수행할 수 있다. 제어부(1100)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망 모델의 가중치 업데이트 등의 신경망 모델의 학습을 위한 계산을 수행할 수 있다. 프로세서(1100)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 사이니지(1000)에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU가 실행 가능한 프로그램일 수 있다.

일 실시예에서, 제어부(1100)는 컨텐츠를 출력하도록 디스플레이부(1310)를 제어할 수 있다. 제어부(1100)는 디스플레이부(1310)에 의해 출력되는 컨텐츠와 관련된 음향을 출력하도록 음향부(1320)를 제어할 수 있다. 제어부(1100)는 디스플레이부(1310)에 의해 출력되는 컨텐츠가 노출되는 타겟 영역(target area)을 포함하는 제1 이미지를 획득하도록 촬영부(1200)를 제어할 수 있다. 본 개시에서, 타겟 영역이란 사이니지(1000)가 컨텐츠 시청 통계 데이터를 획득하려는 대상이 되는 영역을 의미할 수 있다. 예를 들어, 사이니지(1000)가 외부에 설치되는 경우, 타겟 영역은 행인들에게 디스플레이부(1000)가 보이는 영역을 의미할 수 있다. 제어부(1100)는 외부 서버 또는 외부 디바이스 등과 통신하도록 통신부(1400)를 제어할 수 있다. 예를 들어, 제어부(1100)는 디스플레이부(1310)에 의해 출력되는 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 외부 서버로 전송하도록 통신부(1400)를 제어할 수 있다. 제어부(1100)는 촬영부(1200)로부터 획득한 이미지들을 메모리(1500)에 저장할 수 있다. 또한, 제어부(1100)는 디스플레이부(1310)에 의해 출력되는 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 메모리(1500)에 저장할 수 있다.

일 실시예에서, 제어부(1100)는 획득된 제1 이미지로부터, 복수의 객체들 각각의 시선(gaze) 정보를 획득할 수 있다. 예를 들어, 시선 정보는 얼굴의 요(yaw) 각도, 얼굴의 피치(pitch) 각도 및 얼굴의 롤(roll) 각도를 포함할 수 있다. 즉, 시선 정보는 객체의 머리 벡터(head vector) 정보를 포함할 수 있다. 본 개시에서, 객체의 머리 벡터 정보는 객체의 위치 정보 및 객체의 시선이 향하는 3차원 방향에 대한 정보를 의미할 수 있다. 본 개시에서, 객체 얼굴(face)의 3차원 방향은 객체 머리의 3차원 방향과 동일한 의미로 사용될 수 있다. 본 개시에서, 얼굴의 롤 각도는 얼굴의 요, 피치, 롤 각각의 중심 각도가 모두 0도로 정렬되었을 때 촬영부가 촬영하는 축과 평행한 축을 중심축으로 할 수 있다. 롤의 중심축은 z축으로 지칭될 수 있다. 얼굴의 피치 각도는 롤의 중심축과 수직하며, 그리고 지면과 평행한 축을 중심축으로 할 수 있다. 피치의 중심축은 x축으로 지칭될 수 있다. 얼굴의 요 각도는 롤의 중심축과 수직하며, 그리고 지면과 수직한 축을 중심축으로 할 수 있다. 요의 중심축은 y축으로 지칭될 수 있다.

일 실시예에서, 제어부(1100)는 복수의 객체들 각각의 시선 정보에 기초하여, 출력된 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 획득할 수 있다. 본 개시에서, 컨텐츠 시청 통계 데이터는 컨텐츠 제공자(예를 들어, 광고주)에게 제공되는 통계 데이터로서, 컨텐츠의 시청과 관련된 다양한 통계 데이터들이 포함될 수 있다. 예를 들어, 컨텐츠 시청 통계 데이터는, 제1 이미지에서 타겟 영역 내에 포함된 객체의 수, 컨텐츠를 주시한 제1 시청자의 수, 컨텐츠를 기준 시간 기간(reference time period) 이상 주시한 제2 시청자의 수를 포함할 수 있다. 본 개시에서, 기준 시간 기간이란 시청자가 컨텐츠를 집중해서 주시했는지 여부를 판단하는 기준이 되는 시간 기간을 의미할 수 있다. 예를 들어, 기준 시간 기간은 1초일 수 있다.

일 실시예에서, 기준 시간 기간은 사이니지(1000)가 위치한 장소에 기초하여 결정될 수 있다. 예를 들어, 사이니지(1000)가 행인들이 많이 지나다니는 혼잡한 장소에 설치되는 경우, 객체가 사이니지(1000)에서 출력되는 컨텐츠를 집중하여 주시하기 위해서는 다소 긴 시간 기간동안 컨텐츠를 주시할 필요가 있을 수 있다. 이 경우, 사이니지(1000)는 기준 시간 기간을 상대적으로 길게 설정할 수 있다. 반면, 사이니지(1000)가 행인들이 적게 지나다니는 한적한 장소에 설치되는 경우, 객체가 상대적으로 짧은 시간 기간동안 컨텐츠를 주시하여도 컨텐츠를 집중하여 주시할 수 있다. 이 경우, 사이니지(1000)는 기준 시간 기간을 상대적으로 짧게 설정할 수 있다. 전술한 바와 같이, 본 개시내용의 일 실시예에 따른 사이니지(1000)는, 설치된 장소의 유동인구 정보에 기초하여 기준 시간 기간을 가변적으로 조절할 수 있다.

일 실시예에서, 기준 시간 기간은 사이니지(1000)에 의해 출력되는 컨텐츠의 종류에 기초하여 결정될 수 있다. 예를 들어, 컨텐츠 내에서 장면들이 상대적으로 빠르게 변경되는 경우, 사이니지(1000)는 기준 시간 기간을 상대적으로 짧게 설정할 수 있다. 반면, 컨텐츠 내에서 장면들이 상대적으로 느리게 변경되는 경우, 사이니지(1000)는 기준 시간 기간을 상대적으로 길게 설정할 수 있다. 컨텐츠 내에서의 장면들의 변경을 판단하는 것은, 컨텐츠를 구성하는 복수의 영상들 혹은 복수의 프레임들 간의 영상 별(프레임 별) 영상의 변화율을 계산하는 것을 포함할 수 있다. 영상의 변화율은 제 1 영상을 구성하는 픽셀값과 제 2 영상을 구성하는 픽셀값들의 차이를 계산하는 것에 기초하여 결정될 수 있다. 전술한 바와 같이, 본 개시내용의 일 실시예에 따른 사이니지(1000)는, 출력되는 컨텐츠의 동적 레벨(dynamic level)에 기초하여 기준 시간 기간을 가변적으로 조절할 수 있다.

일 실시예에서, 제어부(1100)는 획득된 컨텐츠 시청 통계 데이터를 외부 서버로 전송하도록 통신부(1400)를 제어할 수 있다.

촬영부(1200)는 광학적인 화상을 감지하고 이를 전기적인 신호로 변환하여 사이니지(1000)에 전달하기 위한 임의의 형태의 장비를 의미할 수 있다. 예를 들어, 촬영부(1200)는 카메라, 스캐너, Lidar 및/또는 비전 센서(vision sensor) 중 적어도 하나를 포함할 수 있다. 사이니지(1000)는 촬영부(1200)를 포함하거나, 무선 또는 유선으로 외부의 촬영부(1200)와 연동될 수도 있다. 촬영부(1200)는 디스플레이부(1310)에 의해 출력되는 컨텐츠가 노출되는 타겟 영역을 포함하는 이미지를 획득할 수 있다.

일 실시예에서, 촬영부(1200)는 AI(Artificial Intelligence) 카메라를 포함할 수 있다. 본 개시에서, AI 카메라란 인공지능 기반의 모델이 탑재된 카메라를 의미할 수 있다. AI 카메라는 하나의 단일 칩(System on Chip, SoC) 형태로 메모리, 프로세서 및 촬상 모듈을 포함할 수 있다. AI 카메라에 포함된 메모리는 사전 학습된 이미지 처리 모델을 저장할 수 있다. 일 실시예에서, 사전 학습된 이미지 처리 모델은 이미지로부터 이미지에 대응되는 특징 맵(feature map)을 추출하도록 사전 학습된 인공지능 기반의 모델에 대응될 수 있다. 사이니지(1000)는 AI 카메라에서 추출된 특징 맵으로부터 이미지에 포함된 복수의 객체들 각각에 대응되는 특징 벡터, 얼굴 랜드마크들, 머리 벡터 및 포즈 중 적어도 하나를 획득할 수 있다. 다른 실시예에서, 사전 학습된 이미지 처리 모델은 이미지로부터 이미지에 포함된 복수의 객체들 각각의 특징 벡터를 추출하도록 사전 학습된 인공지능 기반의 모델에 대응될 수 있다. 사이니지(1000)는 AI 카메라에서 추출된 특징 벡터로부터 이미지에 포함된 복수의 객체들 각각에 대응되는 얼굴 랜드마크들, 머리 벡터 및 포즈 중 적어도 하나를 획득할 수 있다.

일 실시예에서, AI 카메라에 포함된 프로세서는 하나 이상의 코어로 구성될 수 있으며, 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 이미치 처리 및 딥러닝을 위한 프로세서를 포함할 수 있다. AI 카메라에 포함된 프로세서는 촬상 모듈로부터 촬영 또는 스캔된 이미지를 사전 학습된 이미지 처리 모델을 이용하여 처리할 수 있다. 예를 들어, 프로세서는 사전 학습된 이미지 처리 모델을 이용하여, 이미지로부터 이미지에 대응되는 특징 맵을 추출할 수 있다. 또 다른 예를 들어, 프로세서는 사전 학습된 이미지 처리 모델을 이용하여, 이미지로부터 이미지에 포함된 복수의 객체들 각각의 특징 벡터들을 추출할 수 있다. AI 카메라는 추출된 특징 맵(또는 복수의 객체들 각각의 특징 벡터들)을 사이니지(1000)의 제어부(1100)로 전송할 수 있다. 사이니지(1000)는 메모리(1500)에 개인정보가 포함된 이미지를 남기지 않고 이미지에 대응되는 특징 맵(또는 복수의 객체들 각각의 특징 벡터들)을 획득할 수 있다. 이를 통해, 이미지에 포함된 복수의 객체들의 개인정보가 보호되면서도 복수의 객체들에 대한 정보를 획득할 수 있다는 기술적 효과를 달성할 수 있다.

출력부(1300)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 사이니지(1000)가 제공하는 컨텐츠의 출력과 관련된 동작들을 수행할 수 있다. 출력부(1300)는 디스플레이부(1310) 및 음향부(1320)를 포함할 수 있다.

디스플레이부(1310)는 통신부(1400)로부터 수신되거나 메모리(1500)에 저장된 컨텐츠를 출력할 수 있다. 디스플레이부(1310)는 액정 디스플레이(Liquid Crystal Display, LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display, TFT-LCD), 유기 발광 다이오드(Organic Light-Emitting Diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 일 실시예에 따라, 디스플레이부(1310)는 그를 통해 외부를 볼 수 있도록 투명형 또는 광투과형으로 구성되는 디스플레이를 포함할 수 잇다. 이는 투명 디스플레이라 호칭될 수 있는데, 투명 디스플레이의 대표적인 예로는 TOLED(Transparant OLED) 등이 있다.

일 실시예에서, 디스플레이부(1310)는 광투과성의 터치 패드를 디스플레이에 적층되게 포함하여, 터치스크린의 형태를 지닐 수 있다. 터치 패드는 디스플레이부(1310)의 특정 부위에 가해진 압력 또는 디스플레이부(1310)의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 패드는 터치되는 위치 및 면적 뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 패드에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내질 수 있다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 제어부(1100)로 전송할 수 있다. 이를 통해, 제어부(1100)는 디스플레이부(1310)에서 터치된 영역을 획득할 수 있다.

음향 출력부(1320)는 통신부(1400)로부터 수신되거나 메모리(1500)에 저장된 사이니지(1000)에서 출력될 컨텐츠와 관련된 오디오 데이터를 출력할 수 있다. 음향 출력부(1320)는 사이니지(1000)에서 수행되는 기능(예를 들어, 안내 음성, 터치음)과 관련된 음향 신호를 출력할 수도 있다. 음향 출력부(141)에는 리시버(Receiver), 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.

통신부(1400)는 출력부(1300)에서 출력될 컨텐츠를 외부 서버로부터 수신할 수 있다. 또한, 통신부(1400)는 제어부(1100)에 의해 획득된 컨텐츠 시청 통계 데이터를 외부 서버로 전송할 수 있다. 일 실시예에 따라, 통신부(1400는 제어부(1100)에 의해 추출된 복수의 객체들 각각에 대응되는 특징 벡터들을 외부 서버로 전송할 수 있다.

일 실시예에서, 통신부(1400)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

일 실시예에서, 통신부(1400)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

일 실시예에서, 통신부(1400)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 개시에서 설명된 기술들은 위에서 언급된 다른 네트워크들에서도 사용될 수 있다.

메모리(1500)는 제어부(1100)가 생성하거나 결정한 임의의 형태의 정보 및 통신부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

일 실시예에서, 메모리(1500)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(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), 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. 사이니지(1000)는 인터넷(internet) 상에서 상기 메모리(1500)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

일 실시예에서, 메모리(1500)는 사전 학습된 인공지능 기반의 모델을 저장할 수 있다. 예를 들어, 메모리(1500)는 사전 학습된 객체 탐지 모델, 사전 학습된 객체 추적 모델, 사전 학습된 얼굴 랜드마크 추출 모델, 사전 학습된 포즈 추정 모델 중 적어도 하나를 저장할 수 있다. 또한, 메모리(1500)는 촬영부(1200)에 의해 촬영된 이미지들을 저장할 수 있다. 또한, 메모리(1500)는 통신부(1400)에 의해 외부 서버로부터 수신된 복수의 컨텐츠들을 저장할 수 있다. 또한, 메모리(1500)는 제어부(1100)에 의해 획득된 컨텐츠 시청 통계 데이터를 저장할 수 있다.

도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 인공지능 모델, 인공지능 기반의 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 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. 상술한 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 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화 학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

일 실시예에서, 사이니지(1000)는 디스플레이부(1310)에 의해 출력되는 컨텐츠가 노출되는 타겟 영역을 포함하는 이미지로부터 복수의 객체들을 탐지함에 있어서, 사전 학습된 객체 탐지(object detection) 모델을 활용할 수 있다. 사전 학습된 객체 탐지 모델은 복수의 객체들을 포함하는 이미지로부터 복수의 객체들의 위치 및 크기에 따른 경계 상자(bounding box)를 결정하도록 사전 학습된 인공지능 모델에 대응될 수 있다. 본 개시에서, 경계 상자란 객체의 주위에 그려진 사각형 영역으로, 이미지 상에서 객체의 위치 및 크기를 결정하는 영역일 수 있다. 또는, 사전 학습된 객체 탐지 모델은 복수의 객체들을 포함하는 이미지로부터 복수의 객체들의 보이는 영역에 대한 위치 및 크기에 따른 가시 경계 상자(visible bounding box)를 결정하도록 사전 학습된 인공지능 모델에 대응될 수 있다. 사전 학습된 객체 탐지 모델이 객체의 보이는 영역만으로 객체를 탐지하는 경우, 이후 객체의 특징 벡터들을 더욱 정확히 추출할 수 있다.

일 실시예에서, 사전 학습된 객체 탐지 모델은 객체의 경계 상자를 앵커 상자(anchor box) 방식으로 탐지하는 앵커 기반(anchor-based)의 인공지능 모델에 대응될 수 있다. 본 개시에서, 앵커 상자란 객체의 종류 별로 정해진 후보 경계 상자들을 의미할 수 있으며, 다양한 종횡비(aspect ratio)와 크기(scale)을 가질 수 있다. 예를 들어, 객체가 자동차인 경우 앵커 상자는 세로 길이보다 가로 길이가 더욱 긴 상자일 수 있다. 반면, 객체가 사람인 경우, 앵커 상자는 가로 길이보다 세로 길이가 더욱 긴 상자일 수 있다. 예를 들어, 사전 학습된 객체 탐지 모델은 YOLO(You Only Look Once) 모델, RetinaNet 모델, Faster R-CNN(Region-based CNN) 등을 포함할 수 있다.

일 실시예에서, 사전 학습된 객체 탐지 모델은 객체의 경계 상자를 앵커 프리(anchor-free) 방식으로 탐지하는 인공지능 모델에 대응될 수 있다. 본 개시에서, 앵커 프리 방식의 탐지는 기설정된 앵커 상자 없이 객체에 대응되는 키포인트(keypoint)를 추출하고, 키포인트를 중심으로 하는 경계 상자를 결정하는 방식의 탐지를 의미할 수 있다. 예를 들어, 사전 학습된 객체 탐지 모델은 CenterNet 모델을 포함할 수 있다.

일 실시예에서, 사이니지(1000)는 디스플레이부(1310)에 의해 출력되는 컨텐츠가 노출되는 타겟 영역을 포함하는 이미지로부터 복수의 객체들을 추적함에 있어서, 사전 학습된 객체 추적 모델을 활용할 수 있다. 사전 학습된 객체 추적 모델은 복수의 객체들을 포함하는 이미지로부터 복수의 객체 각각의 특징 벡터들을 추출하도록 사전 학습된 인공지능 모델에 대응될 수 있다. 또한, 사전 학습된 객체 추적 모델은 추출된 복수의 객체들 각각의 특징 벡터들과 기존에 추적되고 있던 복수의 신원(Identity, ID)들의 특징 벡터들을 비교하여 서로 연관(association)시키도록 사전 학습된 인공지능 모델에 대응될 수 있다.

일 실시예에서, 사전 학습된 객체 추적 모델은 사전 학습된 객체 탐지 모델을 통해 탐지된 복수의 객체들 각각에 대응되는 크롭 이미지들로부터 복수의 객체들 각각의 특징 벡터들을 추출하고, 복수의 객체들을 기존에 추적되고 있던 신원과 연관시키도록 사전 학습된 two-step 방식의 인공지능 모델에 대응될 수 있다. 또는, 사전 학습된 객체 추적 모델은 복수의 객체들 각각에 대응되는 경계 상자와 복수의 객체들 각각에 대응되는 특징 벡터들을 동시에 추출하여 복수의 객체들을 추적하도록 사전 학습된 one-shot 방식의 인공지능 모델에 대응될 수 있다.

일 실시예에서, 사이니지(1000)는 디스플레이부(1310)에 의해 출력되는 컨텐츠가 노출되는 타겟 영역을 포함하는 이미지로부터 복수의 객체들 각각의 시선 정보를 획득함에 있어서, 사전 학습된 얼굴 랜드마크 추출 모델을 활용할 수 있다. 사이니지(1000)는 획득된 제1 이미지로부터, 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크(facial landmark)들을 추출할 수 있다. 본 개시에서, 얼굴 랜드마크란 객체의 시선(gaze) 방향을 측정하기 위해 기설정된 얼굴의 특정 부위 내지 포인트(point)들을 의미할 수 있다. 예를 들어, 얼굴 랜드마크는 왼쪽 눈, 오른쪽 눈, 코 끝, 왼쪽 입꼬리, 오른쪽 입꼬리, 턱 끝 등에 위치할 수 있다. 사이니지(1000)는 사전 학습된 얼굴 랜드마크 추출 모델을 이용하여, 획득된 제1 이미지로부터 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크들을 추출할 수 있다. 사이니지(1000)는 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크들에 기초하여, 복수의 객체들 각각의 시선 정보를 획득할 수 있다.

사전 학습된 얼굴 랜드마크 추출 모델은 복수의 객체들을 포함하는 이미지로부터 복수의 객체들 각각에 대응되는 얼굴 랜드마크들을 추출하도록 사전 학습된 인공지능 모델에 대응될 수 있다. 본 개시에서, 얼굴 랜드마크를 추출한다는 것은 이미지 상에서 얼굴 랜드마크의 위치를 추출한다는 것과 동일한 의미로 사용될 수 있다. 즉, 사전 학습된 얼굴 랜드마크 추출 모델은 이미지로부터 이미지에 포함된 복수의 객체들 각각에 대응되는 얼굴 랜드마크들의 위치를 추출할 수 있다. 사전 학습된 얼굴 랜드마크 추출 모델은 객체의 얼굴에 기설정된 얼굴 랜드마크들이 마킹(marking)된 학습 이미지 데이터셋을 이용하여 사전 학습된 인공지능 모델에 대응될 수 있다.

일 실시예에서, 사전 학습된 얼굴 랜드마크 추출 모델은 학습 이미지에 포함된 얼굴 랜드마크들이 상기 학습 이미지 상에서 보이는지 여부에 따라, 가시(visible) 랜드마크와 랜드마크의 적어도 일부가 가시적이지 않은 비가시(invisible) 랜드마크로 구분하는 라벨링 방식에 기초하여 사전 학습된 인공지능 모델에 대응될 수 있다. 가시 랜드마크와 비가시 랜드마크로 구분하는 라벨링 방식에 기초하여 사전 학습된 얼굴 랜드마크 추출 모델에 대한 자세한 설명은 도 8을 참조하여 후술하도록 한다.

일 실시예에서, 사이니지(1000)는 디스플레이부(1310)에 의해 출력되는 컨텐츠가 노출되는 타겟 영역을 포함하는 이미지로부터 복수의 객체들 각각에 대응되는 포즈(pose)를 추정함에 있어서, 사전 학습된 포즈 추정 모델을 활용할 수 있다. 사전 학습된 포즈 추정 모델은 복수의 객체들을 포함하는 이미지로부터 복수의 객체들의 포즈를 추정하도록 사전 학습된 인공지능 모델에 대응될 수 있다. 사전 학습된 포즈 추정 모델은 객체의 신체에 기설정된 바디 키포인트(body keypoint)이 마킹된 학습 이미지 데이터셋을 이용하여 사전 학습된 인공지능 모델에 대응될 수 있다.

일 실시예에서, 사이니지(1000)는 디스플레이부(1310)에 의해 출력되는 컨텐츠가 노출되는 타겟 영역을 포함하는 이미지로부터 복수의 객체들 각각의 시선 정보를 획득함에 있어서, 사전 학습된 머리 벡터 추출 모델을 활용할 수 있다. 사전 학습된 머리 벡터 추출 모델은 복수의 객체들을 포함하는 이미지로부터 복수의 객체들 각각에 대응되는 머리 벡터를 추출하는 사전 학습된 인공지능 모델에 대응될 수 있다.

일 실시예에서, 사전 학습된 제1 머리 벡터 추출 모델은 객체의 얼굴에 머리 벡터가 라벨링된 3차원 학습 이미지 데이터셋을 이용하여 사전 학습된 인공지능 모델에 대응될 수 있다. 예를 들어, 상기 3차원 학습 이미지 데이터셋은 3D 카메라를 통해 3D 이미지로부터 머리 벡터를 추출하고, 추출된 머리 벡터를 라벨링하는 방식으로 구성된 학습 이미지 데이터셋일 수 있다. 사이니지(1000)는 복수의 객체들 각각의 시선 정보를 획득함에 있어서, 사전 학습된 제1 머리 벡터 추출 모델을 이용하여, 획득된 제1 이미지로부터 복수의 객체들 각각의 머리 벡터를 추출할 수 있다. 사이니지(1000)는 복수의 객체들 각각의 머리 벡터에 기초하여, 복수의 객체들 각각의 시선 정보를 획득할 수 있다.

일 실시예에서, 사전 학습된 제2 머리 벡터 추출 모델은 객체의 얼굴 랜드마크들이 마킹된 학습 이미지 데이터셋에 있어서, 객체의 얼굴 랜드마크들을 객체의 머리 벡터로 변환하고, 변환된 객체의 머리 벡터를 학습시키는 과정을 통해 사전 학습된 인공지능 모델에 대응될 수 있다. 예를 들어, 객체의 얼굴 랜드마크들은 PnP(Perspective-n-Point) 알고리즘을 통해 객체의 머리 벡터로 변환될 수 있다. 사이니지(1000)는 복수의 객체들 각각의 시선 정보를 획득함에 있어서, 사전 학습된 제2 머리 벡터 추출 모델을 이용하여, 획득된 제1 이미지로부터 복수의 객체들 각각의 머리 벡터를 추출할 수 있다. 사이니지(1000)는 복수의 객체들 각각의 머리 벡터에 기초하여, 복수의 객체들 각각의 시선 정보를 획득할 수 있다.

도 3은 본 개시의 일 실시예에 따른 사이니지(1000)와 서버(100) 간 통신을 나타내는 개략도이다.

사이니지(1000)는 네트워크(200)를 통해 서버(100)와 통신할 수 있다. 사이니지(1000)는 통신부를 이용하여 네트워크(200)에 접속할 수 있다. 네트워크(200)는 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 네트워크(200)는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있다. 사이니지(1000)와 서버(100)는 네트워크(200)를 통해 데이터를 송수신할 수 있다.

도 3을 참조하면, 디스플레이부(1310)는 일 실시예에 따라 사이니지(1000)의 정중앙에 배치될 수 있다. 디스플레이부(1310)는 사이니지(1000)의 설치 위치에 따라 행인들이 디스플레이부(1310)를 주시하기 편한 소정 높이로 배치될 수 있다. 촬영부(1200)는 디스플레이부(1310)의 상단에 배치될 수 있다. 또한, 촬영부(1200)는 사이니지(1000)의 정중앙에 배치될 수 있다. 촬영부(1200)는 디스플레이부(1310)가 출력하는 컨텐츠에 노출되는 타겟 영역을 촬영할 수 있도록 배치될 수 있다. 예를 들어, 촬영부(1200)는 디스플레이부(1310)의 컨텐츠 출력 방향을 향하도록 배치될 수 있다. 그러나 전술한 촬영부(1200) 및 디스플레이부(1310)가 배치되는 위치는 일 예이며, 설계상의 필요 또는 시각적인 효과를 위해 다양한 위치에 촬영부(1200) 및 디스플레이부(1310)가 배치될 수 있다.

일 실시예에서, 사이니지(1000)는 획득한 이미지, 획득한 이미지로부터 추출한 복수의 객체들 각각에 대응되는 특징 벡터들, 획득한 이미지로부터 추출한 복수의 객체들 각각에 대응되는 얼굴 랜드마크들, 획득한 이미지로부터 추출한 복수의 객체들 각각에 대응되는 포즈 중 적어도 하나를 서버(100)로 전송할 수 있다. 사이니지(1000)는 서버(100)로 전송할 데이터들을 생성하기 위해, 사전 학습된 탐지 모델, 사전 학습된 얼굴 랜드마크 추출 모델, 사전 학습된 포즈 추정 모델 등을 활용할 수 있다.

일 실시예에서, 서버(100)는 사이니지(1000)로부터 수신된 데이터들을 처리할 수 있다. 예를 들어, 서버(100)는 사이니지(1000)로부터 수신된 특징 벡터들에 기초하여 사이니지(1000)에서 출력된 컨텐츠에 노출되는 복수의 객체들 각각의 성별, 연령, 옷차림, 구매 물품 등을 결정할 수 있다. 또한, 서버(100)는 사이니지(1000)로부터 수신된 얼굴 랜드마크들에 기초하여 사이니지(1000)에서 출력된 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 생성할 수 있다. 또한, 서버(100)는 사이니지(1000)로부터 수신된 포즈에 기초하여 사이니지(1000)에서 출력된 컨텐츠에 노출되는 복수의 객체들 각각의 행동 정보를 획득하고, 이를 추적할 수 있다. 본 개시에서, 객체의 행동 정보는 기설정된 행동들 중 객체의 포즈에 기초하여 결정되는 행동을 의미할 수 있다. 예를 들어, 기설정된 행동들에는 구매 행위, 손을 흔드는 행위, 결제를 위해 손을 내미는 행위, 세차하는 행위 등이 포함될 수 있다. 다만, 전술한 데이터 처리들은 서버(100)에서 수행되는 것에 제한되지 않으며, 사이니지(1000)에서 수행될 수도 있다.

도 4는 본 개시의 일 실시예에 따라 사이니지(1000)가 컨텐츠 시청 통계 데이터를 획득하는 방법을 나타내는 순서도이다.

일 실시예에서, 사이니지(1000)는 디스플레이부(1310)에 의해 출력되는 컨텐츠가 노출되는 타겟 영역을 포함하는 제1 이미지를 획득할 수 있다. 사이니지(1000)는 내부에 포함된 촬영부에 의해 제1 이미지를 획득할 수도 있고, 통신부(1400)를 통해 외부 카메라로부터 제1 이미지를 획득할 수도 있다.

일 실시예에서, 사이니지(1000)는 제1 이미지로부터 제1 이미지에 포함된 복수의 객체들을 탐지할 수 있다. 예를 들어, 사이니지(1000)는 사전 학습된 객체 탐지 모델을 이용하여, 제1 이미지로부터 복수의 객체들 각각에 대응되는 경계 상자들을 추출할 수 있다. 또한, 사이니지(1000)는 제1 이미지를 포함하는 순차적인 이미지들에서 복수의 객체들을 추적할 수 있다. 예를 들어, 사이니지(1000)는 사전 학습된 객체 추적 모델을 이용하여, 제1 이미지를 포함하는 순차적인 이미지들에서 복수의 객체들을 추적할 수 있다. 사이니지(1000)는 제1 이미지를 포함하는 순차적인 이미지들 각각에서 복수의 객체들 각각에 대응되는 특징 벡터들을 추출하고, 제1 이미지를 포함하는 순차적인 이미지들 각각에서 복수의 객체들 각각에 대응되는 성별, 연령, 옷차림, 구매 물품 및 이동 경로 중 적어도 하나를 추적할 수 있다.

단계 S410에서, 사이니지(1000)는 획득된 제1 이미지로부터 복수의 객체들 각각의 시선 정보를 획득할 수 있다. 사이니지(1000)는 획득된 제1 이미지를 포함하는 순차적인 이미지들에서 복수의 객체들 각각의 시선 정보를 획득할 수 있다.

일 실시예에서, 사이니지(1000)는 획득된 제1 이미지로부터, 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크(facial landmark)들을 추출할 수 있다. 사이니지(1000)는 사전 학습된 얼굴 랜드마크 추출 모델을 이용하여, 획득된 제1 이미지로부터 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크들을 추출할 수 있다. 사이니지(1000)는 사전 학습된 얼굴 랜드마크 추출 모델을 이용하여, 제1 이미지를 포함하는 순차적인 이미지들에서 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크들을 추출할 수 있다.

일 실시예에서, 사이니지(1000)는 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크들에 기초하여, 복수의 객체들 각각의 시선(gaze) 정보를 획득할 수 있다. 객체의 시선 정보는 얼굴의 요(yaw) 각도, 얼굴의 피치(pitch) 각도 및 얼굴의 롤(roll) 각도를 포함할 수 있다. 사이니지(1000)는 PnP(Perspective-n-Point) 알고리즘을 활용하여, 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크들로부터 복수의 객체들 각각의 시선 정보를 획득할 수 있다. 예를 들어, 사이니지(1000)는 PnP 알고리즘을 이용하여, 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크들의 위치로부터 객체 얼굴의 요 각도, 얼굴의 피치 각도 및 얼굴의 롤 각도를 획득할 수 있다. 사이니지(1000)는 객체 얼굴의 요 각도, 얼굴의 피치 각도 및 얼굴의 롤 각도에 기초하여, 객체 머리 벡터 정보를 획득할 수 있다. 예를 들어, PnP 알고리즘은 EPnP(Efficient Perspective-n-Point), UPnP(Uncalibrated Perspective-n-Point), DLS(Direct Linear Transform), APnP(Absolute Pose-n-Point) 등을 포함할 수 있다.

일 실시예에서, 사이니지(1000)는 제1 이미지를 포함하는 순차적인 이미지들에서 추출된 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크들에 기초하여, 복수의 객체들 각각에 대응되는 시선 정보를 추적할 수 있다. 예를 들어, 사이니지(1000)는 순차적인 이미지들에서 복수의 객체들 각각에 대응되는 시선의 변화를 추적할 수 있다. 이를 통해, 사이니지(1000)는 복수의 객체들이 사이니지(1000)에서 출력되는 컨텐츠를 주시하였는지 여부를 순차적인 이미지 별로 판단할 수 있다.

일 실시예에서, 사이니지(1000)는 사전 학습된 머리 벡터 추출 모델을 활용하여, 제1 이미지로부터 복수의 객체들 각각의 시선 정보를 추적할 수 있다. 예를 들어, 사이니지(1000)는 사전 학습된 제1 머리 벡터 추출 모델 또는 사전 학습된 제2 머리 벡터 추출 모델을 이용하여, 제1 이미지로부터 복수의 객체들 각각의 머리 벡터를 추출할 수 있다. 사이니지(1000)는 추출된 복수의 객체들 각각의 머리 벡터에 기초하여, 복수의 객체들 각각의 시선 정보를 추적할 수 있다.

단계 S420에서, 사이니지(1000)는 획득된 복수의 객체들 각각의 시선 정보에 기초하여, 복수의 객체들이 사이니지(1000)에서 출력된 컨텐츠를 주시하였는지 여부를 판단할 수 있다. 사이니지(1000)는 복수의 객체들 각각의 시선이 디스플레이부를 향하고 있는지 여부에 기초하여, 출력된 컨텐츠를 주시하였는지 여부를 판단할 수 있다. 사이니지(1000)는 복수의 객체들이 사이니지(1000)에서 출력되는 컨텐츠를 주시하지 않는다고 판단되는 경우, 제1 이미지에서 타겟 영역 내에 포함된 객체의 수를 산출할 수 있다(S430). 반면, 사이니지(1000)는 복수의 객체들이 사이니지(1000)에서 출력되는 컨텐츠를 주시했다고 판단되는 경우, 컨텐츠를 주시한 제1 시청자의 수를 산출할 수 있다(S440).

단계 S430에서, 사이니지(1000)는 제1 이미지에서 타겟 영역 내에 포함된 객체의 수를 산출할 수 있다. 사이니지(1000)는 제1 이미지의 타겟 영역 내에서 컨텐츠에 노출되는 객체의 수를 산출할 수 있다. 사이니지(1000)는 컨텐츠에 노출되는 객체의 수에 관한 데이터를 컨텐츠 제공자(예를 들어, 광고주)에게 제공함으로써, 컨텐츠 제공자에게 컨텐츠가 얼마나 많은 사람들에게 노출되었는지를 알려줄 수 있다.

단계 S440에서, 사이니지(1000)는 사이니지(1000)는 제1 이미지에서 획득된 복수의 객체들 각각의 시선 정보에 기초하여, 컨텐츠를 주시한 제1 시청자의 수를 산출할 수 있다. 사이니지(1000)는 실제로 컨텐츠를 주시한 객체의 수에 관한 데이터를 컨텐츠 제공자(예를 들어, 광고주)에게 제공함으로써, 컨텐츠 제공자에게 컨텐츠가 얼마나 많은 사람들에게 시청되었는지를 알려줄 수 있다.

일 실시예에서, 사이니지(1000)는 제1 시청자의 수를 산출함에 있어서, 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 주시 여부를 판단하기 위한 제1 조건을 만족하는지 여부에 기초하여, 복수의 객체들 각각의 컨텐츠 주시 여부를 결정할 수 있다. 사이니지(1000)는 결정된 컨텐츠 주시 여부에 기초하여 제1 시청자의 수를 결정할 수 있다. 예를 들어, 제1 조건은, 복수의 객체들 각각의 요(yaw) 각도가 기설정된 제1 기준 각도 범위 이내이고 그리고 피치(pitch) 각도가 기설정된 제2 기준 각도 범위 이내인 조건을 포함할 수 있다. 예를 들어, 기설정된 제1 기준 각도 범위 및 기설정된 제2 기준 각도 범위는 각 중심축을 기준으로 30도 이내일 수 있다. 이 경우, 기설정된 제1 기준 각도 범위 및 제2 기준 각도 범위의 중심 각도는 0도일 수 있다.

일 실시예에서, 기설정된 제1 기준 각도 범위 및 기설정된 제2 기준 각도 범위는, 디스플레이부의 위치, 디스플레이부의 크기 및 촬영부의 위치 중 적어도 하나에 기초하여 결정될 수 있다. 예를 들어, 기설정된 제2 기준 각도 범위는 디스플레이부의 위치에 기초하여 결정될 수 있다. 디스플레이부의 위치가 지면을 기준으로 상대적으로 높은 위치에 배치된 경우, 객체가 디스플레이부를 주시하기 위해서는 고개를 들어 주시할 필요가 있다. 이 경우, 컨텐츠를 주시하기 위한 객체의 피치 각도는 상대적으로 커질 수 있다. 따라서, 피치 각도에 대한 제2 기준 각도 범위의 중심 각도는 커질 수 있다. 예를 들어, 제2 기준 각도 범위의 중심 각도는 +10도이고, 제2 기준 각도 범위는 -20도 초과 +40도 이내일 수 있다.

예를 들어, 기설정된 제1 기준 각도 범위 및 기설정된 제2 기준 각도 범위는 디스플레이부의 크기에 기초하여 결정될 수 있다. 디스플레이부의 가로 길이가 상대적으로 긴 경우, 객체가 디스플레이부를 주시할 수 있는 가로 범위가 상대적으로 넓어질 수 있다. 이 경우, 요 각도에 대한 제1 기준 각도 범위는 상대적으로 넓어질 수 있다. 예를 들어, 제1 기준 각도 범위는 40도 이내일 수 있다. 또한, 디스플레이부의 세로 길이가 상대적으로 긴 경우, 객체가 디스플레이부를 주시할 수 있는 세로 범위가 상대적으로 넓어질 수 있다. 이 경우, 피치 각도에 대한 제2 기준 각도 범위는 상대적으로 넓어질 수 있다. 예를 들어, 제2 기준 각도 범위는 40도 이내일 수 있다.

예를 들어, 기설정된 제1 기준 각도 범위 및 기설정된 제2 기준 각도 범위의 중심 각도는 촬영부의 위치에 기초하여 결정될 수 있다. 예를 들어, 촬영부의 위치가 지면에 수직하며 그리고 디스플레이부의 중심을 지나는 축에 배치되는 경우, 기설정된 제1 기준 각도 범위의 중심 각도는 0도일 수 있다. 하지만, 촬영부의 위치가 디스플레이부의 측면 등에 위치하게 되는 경우, 그에 따라 기설정된 제1 기준 각도 범위 및 기설정된 제2 기준 각도 범위의 중심 각도는 디스플레이부를 주시하는 방향으로 변경될 수 있다.

사이니지(1000)는 객체의 시선 정보에 기초하여, 객체 안구의 움직임을 직접 탐지하지 않고도 얼굴의 3차원 위치 및 방향 정보를 획득하여 컨텐츠를 주시했는지 여부를 판단할 수 있다. 이를 통해, 상대적으로 정확한 검출이 어려운 객체 안구의 움직임이 아닌, 객체의 머리 벡터 정보를 활용하여 더욱 정확한 컨텐츠 주시 여부를 판단할 수 있다는 기술적 효과를 달성할 수 있다.

일 실시예에서, 사이니지(1000)는 제1 이미지를 포함하는 순차적인 이미지들로부터 복수의 객체들 각각의 이동 정보를 획득할 수 있다. 일 실시예에 따른 객체의 이동 정보는 객체의 이동 벡터에 관한 정보를 포함할 수 있다. 즉, 객체의 이동 정보는 객체의 이동 방향 및 이동 속도에 관한 정보를 포함할 수 있다. 예를 들어, 사이니지(1000)는 객체의 순차적인 이미지들로부터 복수의 객체들 각각의 위치를 획득할 수 있다. 사이니지(1000)는 복수의 객체들 각각의 위치 변화에 기초하여, 복수의 객체들 각각의 이동 정보를 획득할 수 있다. 사이니지(1000)는 복수의 객체들 각각의 이동 정보에 기초하여, 복수의 객체들 각각의 컨텐츠 주시 여부를 결정할 수 있다. 예를 들어, 이동하던 객체가 사이니지(1000) 근처에서 컨텐츠를 주시하는 경우, 이동 속도가 감소할 수 있다. 사이니지(1000)는 복수의 객체들 중 타겟 영역 내에서 이동 속도가 기설정된 속도 변화량 이상 감소하는 제1 객체를 컨텐츠를 주시하는 제1 시청자의 수에 포함시킬 수 있다.

일 실시예에서, 사이니지(1000)는 제1 시청자의 수를 산출함에 있어서, 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 주시 여부를 판단하기 위한 제1 조건을 만족하는지 여부 및 복수의 객체들 각각의 이동 정보에 기초하여, 복수의 객체들 각각의 컨텐츠 주시 여부를 결정할 수 있다. 예를 들어, 사이니지(1000)는 제1 조건을 만족하는 제1 객체의 이동 속도가 타겟 영역 내에서 기설정된 속도 변화량 이상 감소한 경우, 제1 객체를 제1 시청자의 수에 포함시킬 수 있다.

단계 S450에서, 사이니지(1000)는 제1 이미지를 포함하는 순차적인 이미지들에서 획득된 복수의 객체들 각각의 시선 정보에 기초하여, 복수의 객체들이 기준 시간 기간 이상 컨텐츠를 주시하였는지 여부를 판단할 수 있다. 예를 들어, 제1 이미지를 포함하는 순차적인 이미지들은 동영상의 각 프레임에 대응될 수 있다. 사이니지(1000)는 순차적인 이미지들 각각에서 획득된 복수의 객체들 각각의 시선 정보로부터 복수의 객체들 각각의 시선을 추적할 수 있다. 즉, 객체의 시선 정보는 순차적인 이미지들에서 획득된 객체의 일련의 시선 정보를 포함할 수 있다. 사이니지(1000)는 복수의 객체들이 기준 시간 기간 이상 컨텐츠를 주시했다고 판단되는 경우, 컨텐츠를 기준 시간 기간(reference time period) 이상 주시한 제2 시청자의 수를 산출할 수 있다(S460).

단계 S460에서, 사이니지(1000)는 제1 이미지를 포함하는 순차적인 이미지들에서 획득된 복수의 객체들 각각의 시선 정보에 기초하여, 컨텐츠를 기준 시간 기간(reference time period) 이상 주시한 제2 시청자의 수를 산출할 수 있다.

일 실시예에서, 사이니지(1000)는 제2 시청자의 수를 산출함에 있어서, 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 집중 주시 여부를 판단하기 위한 제2 조건을 만족하는지 여부에 기초하여, 복수의 객체들 각각의 컨텐츠 집중 주시 여부를 결정할 수 있다. 사이니지(1000)는 결정된 컨텐츠 집중 주시 여부에 기초하여, 제2 시청자의 수를 결정할 수 있다. 예를 들어, 제2 조건은, 복수의 객체들 각각의 요(yaw) 각도가 기설정된 제3 기준 각도 범위 이내이고 그리고 피치(pitch) 각도가 기설정된 제4 기준 각도 범위 이내인 조건을 포함할 수 있다. 예를 들어, 기설정된 제3 기준 각도 범위 및 기설정된 제4 기준 각도 범위는 각 중심축을 기준으로 30도 이내일 수 있다. 이 경우, 기설정된 제3 기준 각도 범위 및 제4 기준 각도 범위의 중심 각도는 0도일 수 있다.

일 실시예에서, 기설정된 제3 기준 각도 범위 및 기설정된 제4 기준 각도 범위는, 디스플레이부의 위치, 디스플레이부의 크기 및 촬영부의 위치 중 적어도 하나에 기초하여 결정될 수 있다. 기설정된 제3 기준 각도 범위 및 기설정된 제4 기준 각도 범위가 디스플레이부의 위치, 디스플레이부의 크기 및 촬영부의 위치 중 적어도 하나에 기초하여 결정되는 예시는 제1 기준 각도 범위 및 제2 기준 각도 범위가 결정되는 예시와 동일하므로 이하 설명을 생략하도록 한다.

일 실시예에서, 컨텐츠 주시 여부를 판단하기 위한 제1 조건과 컨텐츠 집중 주시 여부를 판단하기 위한 제2 조건은 서로 상이할 수 있다. 예를 들어, 제3 기준 각도 범위는 제1 조건의 제1 기준 각도 범위보다 좁고, 그리고 제4 기준 각도 범위는 제1 조건의 제2 기준 각도 범위보다 좁을 수 있다. 사이니지(1000)는 컨텐츠를 주시하였는지 여부와 컨텐츠를 집중하여 주시하였는지 여부를, 기준 시간 기간 이상 주시하였는지 여부 뿐만 아니라 얼굴 방향의 각도 범위에도 기초하여 판단할 수 있다. 즉, 사이니지(1000)는 복수의 객체들 각각의 시선 정보에 기초하여, 컨텐츠를 기준 시간 기간 이상 주시하였는지 여부 및 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 제2 조건을 만족하였는지 여부를 판단할 수 있다. 사이니지(1000)는 컨텐츠를 기준 시간 기간 이상 주시하였는지 여부 및 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 제2 조건을 만족하였는지 여부에 기초하여, 컨텐츠 집중 주시 여부를 판단할 수 있다. 사이니지(1000)는 컨텐츠 집중 주시 여부에 기초하여, 제2 시청자의 수를 결정할 수 있다.

단계 S470에서, 사이니지(1000)는 제1 이미지에서 타겟 영역 내에 포함된 객체의 수, 제1 시청자의 수, 제2 시청자의 수를 포함하는 컨텐츠 시청 통계 데이터를 획득할 수 있다. 사이니지(1000)는 통신부를 이용하여 컨텐츠 시청 통계 데이터를 서버로 전송할 수 있다. 이를 통해, 컨텐츠 제공자는 컨텐츠 시청 통계 데이터에 기초하여 컨텐츠가 효과적으로 송출되었는지 여부에 대해 다각도로 판단할 수 있다는 기술적 효과를 달성할 수 있다.

일 실시예에서, 사이니지(1000)에서 출력되는 컨텐츠는 제1 컨텐츠 및 제2 컨텐츠를 포함할 수 있다. 사이니지(1000)에서 출력되는 컨텐츠는 복수의 컨텐츠들을 포함할 수 있다. 예를 들어, 복수의 컨텐츠들 각각은 서로 다른 컨텐츠 제공자들로부터 제공된 컨텐츠일 수 있다. 사이니지(1000)는 제1 컨텐츠 및 제2 컨텐츠 각각의 송출 시작 시점, 송출 종료 시점 및 재생 시간 기간을 포함하는 컨텐츠 송출 정보를 획득할 수 있다. 컨텐츠 송출 시작 시점 및 송출 종료 시점은 현실 시간을 기준으로 기록될 수 있다. 또는, 컨텐츠 송출 시작 시점 및 송출 종료 시점은 사이니지(1000)에서 출력되는 컨텐츠의 프레임 번호를 기준으로 기록될 수 있다.

사이니지(1000)는 복수의 객체들 각각의 시선 정보 및 컨텐츠 송출 정보에 기초하여, 제1 컨텐츠 및 제2 컨텐츠 각각의 컨텐츠 시청 통계 데이터를 획득할 수 있다. 예를 들어, 사이니지(1000)는 제1 컨텐츠의 송출이 종료되는 시점에 제2 컨텐츠를 송출할 수 있다. 즉, 제1 컨텐츠의 송출 종료 시점과 제2 컨텐츠의 송출 시작 시점이 일치할 수 있다. 사이니지(1000)는 제1 컨텐츠 및 제2 컨텐츠 각각의 재생 시간 기간에 기초하여, 제1 컨텐츠 및 제2 컨텐츠 각각의 컨텐츠 시청 통계 데이터를 획득할 수 있다.

예를 들어, 제1 객체가 제1 컨텐츠에서 제2 컨텐츠로 넘어가는 시간 기간 동안 디스플레이부를 주시하고 있는 경우, 제1 객체가 제1 컨텐츠를 주시한 시간 기간 및 제2 컨텐츠를 주시한 시간 기간을 각각 산출할 수 있다. 따라서, 만약 제1 객체가 제1 컨텐츠 및 제2 컨텐츠를 주시한 시간 기간의 합산값이 기준 시간 기간을 초과하는 경우에도, 제1 객체가 제1 컨텐츠만을 주시한 시간 기간이 기준 시간 기간 미만인 경우 제1 객체는 제1 컨텐츠를 집중 주시한 객체로 판단되지 않을 수 있다. 즉, 제1 객체는 컨텐츠를 집중 주시한 제2 시청자의 수에 포함되지 않을 수 있다.

일 실시예에서, 사이니지(1000)는 획득된 컨텐츠 시청 통계 데이터를 서버로 전송할 수 있다. 또한, 사이니지(1000)에 의해 수행되는 객체의 복수의 얼굴 랜드마크 추출, 객체의 시선 정보 획득, 컨텐츠 시청 통계 데이터 획득 동작은 서버에서도 수행될 수 있다. 예를 들어, 사이니지(1000)는 획득된 제1 이미지의 특징 벡터들을 서버로 전송할 수 있다. 또는, 사이니지(1000)는 추출된 복수의 객체들 각각에 대응되는 얼굴 랜드마크들을 서버로 전송할 수 있다. 또는, 사이니지(1000)는 획득된 복수의 객체들 각각의 시선 정보를 서버로 전송할 수 있다. 서버는 수신된 복수의 객체들 각각과 관련된 정보를 이용하여, 사이니지(1000)에서 수행되는 동작들을 동일하게 수행하여 컨텐츠 시청 통계 데이터를 획득할 수 있다.

일 실시예에서, 사이니지(1000)는 컨텐츠 시청 통계 데이터를 획득한 이후, 획득된 제1 이미지를 메모리에서 삭제할 수 있다. 이를 통해, 제1 이미지에 포함된 개인정보를 보호할 수 있다.

도 5는 본 개시의 일 실시예에 따른 얼굴의 시선 정보를 나타내는 개략도이다.

도 5를 참조하면, 객체의 얼굴(내지 머리) 방향은 요, 피치, 롤의 3축으로 표현될 수 있다. 얼굴의 롤 각도는 얼굴의 요, 피치, 롤 각각의 중심 각도가 0도로 정렬되었을 때 촬영부가 촬영하는 축과 평행한 축을 중심축으로 할 수 있다. 롤의 중심축은 z축으로 지칭될 수 있다. 얼굴의 피치 각도는 롤의 중심축과 수직하며, 그리고 지면과 평행한 축을 중심축으로 할 수 있다. 피치의 중심축은 x축으로 지칭될 수 있다. 얼굴의 요 각도는 롤의 중심축과 수직하며, 그리고 지면과 수직한 축을 중심축으로 할 수 있다. 요의 중심축은 y축으로 지칭될 수 있다.

일 실시예에서, 객체 얼굴의 롤 축에서의 회전 여부는 디스플레이부를 주시하는지 여부와 상관 없을 수 있다. 롤 각도가 달라지는 경우에도 객체 얼굴의 요 각도와 피치 각도가 소정 범위 이내를 유지하는 경우 객체는 디스플레이부를 연속적으로 주시할 수 있다. 따라서, 사이니지는 객체의 요 각도 및 피치 각도 중 적어도 하나를 컨텐츠 주시 여부를 판단하기 위한 조건으로 사용할 수 있다. 예를 들어, 사이니지(1000)는 제1 시청자의 수를 산출함에 있어서, 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 주시 여부를 판단하기 위한 제1 조건을 만족하는지 여부에 기초하여, 복수의 객체들 각각의 컨텐츠 주시 여부를 결정할 수 있다. 또한, 사이니지(1000)는 제2 시청자의 수를 산출함에 있어서, 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 주시 여부를 판단하기 위한 제2 조건을 만족하는지 여부에 기초하여, 복수의 객체들 각각의 컨텐츠 주시 여부를 결정할 수 있다.

도 6은 본 개시의 일 실시예에 따라 시청자가 사이니지를 주시하는 모습을 나타내는 개략도이다.

객체의 얼굴이 고정된 경우, 일반적으로 객체가 볼 수 있는 가시(visible) 범위(630)가 결정될 수 있다. 하지만, 사이니지(1000)가 객체의 가시 범위(630) 내에 있는 경우에도 객체가 사이니지(1000)를 실제로 주시하고 있지 않을 수 있다. 예를 들어, 사이니지(1000)가 객체의 가시 범위(1000)의 경계에 위치하고 있는 경우, 객체는 사이니지(1000)를 주시하고 있지 않을 수 있다.

일 실시예에서, 사이니지(1000)는 객체가 컨텐츠를 주시하는지 여부를 판단할 때 제1 조건(620)을 만족하는지 여부를 판단할 수 있다. 사이니지(1000)의 디스플레이부가 객체의 가시 범위(630)보다 좁은 제1 조건(620)의 범위 내에 위치하는 경우, 객체가 사이니지(1000)에서 출력되는 컨텐츠를 주시했다고 판단할 수 있다.

일 실시예에서, 사이니지(1000)는 객체가 컨텐츠를 집중 주시하는지 여부를 판단할 때 제2 조건(6100)을 만족하는지 여부를 판단할 수 있다. 사이니지(1000)의 디스플레이부가 객체의 제1 조건(620)보다 좁은 제2 조건(610)의 범위 내에 위치하는 경우, 객체가 사이니지(1000)에서 출력되는 컨텐츠를 집중하여 주시했다고 판단할 수 있다.

도 7은 본 개시의 일 실시예에 따른 객체 별 컨텐츠 주시 여부를 표현한 큐(queue)를 나타내는 개략도이다.

일 실시예에서, 사이니지(1000)는 객체 별로 사이니지(1000)에서 출력되는 컨텐츠를 주시했는지 여부를 기록하는 큐를 저장할 수 있다. 컨텐츠 시청 통계 데이터에는 컨텐츠에 대한 복수의 객체들 각각에 대응되는 큐가 포함될 수 있다. 객체에 대응되는 큐에는 객체가 컨텐츠를 주시했는지 여부가 시간 유닛(unit)으로 구분되어 기록될 수 있다. 본 개시에서, 시간 유닛이란 객체가 컨텐츠를 주시하기 위한 최소 시간 기간을 의미할 수 있다. 예를 들어, 시간 유닛은 0.5초일 수 있다. 도 7을 참조하면, 제1 객체에 대응되는 큐(700a)와 제2 객체에 대응되는 큐(700b)가 도시되어 있다. 상기 큐들(700a 및 700b) 각각은 복수의 시간 유닛들을 포함하도록 구성되는 데이터 구조를 의미할 수 있다. 사이니지(1000)는 콘텐츠가 송출됨에 따라 복수의 객체들 각각의 시선 정보에 기초하여 복수의 객체들 각각의 컨텐츠 주시 여부를 시간 유닛마다 복수의 객체들 각각에 대응되는 큐에 기록할 수 있다. 제1 객체에 대응되는 큐(700a)를 예로 들면, 제1 객체는 제1 시간 유닛(730)에 컨텐츠를 시청하고, 제2 시간 유닛(740)에 컨텐츠를 시청하지 않았을 수 있다.

일 실시예에서, 사이니지(1000)는 제2 시청자의 수를 산출함에 있어서, 기준 시간 기간보다 긴 제1 시간 기간 단위로 복수의 객체 각각의 컨텐츠 시청 여부를 판단할 수 있다. 사이니지(1000)는 제1 시간 기간 단위 내에서 컨텐츠를 주시한 시간 기간의 합산값이 기준 시간 기간 이상인 제2 시청자의 수를 산출할 수 있다. 즉, 사이니지(1000)는 제1 시간 기간 단위 내에서 컨텐츠를 주시한 시간 기간의 합산값이 기준 시간 기간 이상인 객체를 제2 시청자의 수에 포함시킬 수 있다.

예를 들어, 사이니지(1000)는 제2 시청자의 수를 산출함에 있어서, 복수의 객체들 각각에 대하여 컨텐츠를 주시한 주시 시간 및 컨텐츠를 주시하지 않은 비-주시 시간을, 복수의 객체들 각각에 대응되는 큐(queue)에 기록할 수 있다. 사이니지(1000)는 제1 시간 윈도우(710) 및 제2 시간 윈도우(720)를 각각 큐에 적용함으로써, 제1 시간 윈도우(710) 내에 포함되는 제1 주시 시간 기간 합산값 및 제2 시간 윈도우(720) 내에 포함되는 제2 주시 시간 기간 합산값을 획득할 수 있다. 이 때, 제1 시간 윈도우(710)와 제2 시간 윈도우(720)는 동일한 크기를 가지며 그리고 적어도 일부가 중첩될 수 있다. 사이니지(1000)는 제1 주시 시간 기간 합산값 및 제2 주시 시간 기간 합산값 중 적어도 하나가 기준 시간 기간 이상인 경우, 큐에 대응되는 객체를 제2 시청자의 수에 포함시킬 수 있다. 일 실시예에 따라, 기준 시간 기간은 연속적인 시간 유닛들의 시간 기간 뿐만 아니라 불연속적인 시간 유닛들의 합산값도 포함하는 개념일 수 있다.

본 개시내용에서의 시간 윈도우는 시청자의 주시 시간을 판단하기 위하여 큐에 적용되는, 사전 결정된 시간 기간의 단위를 가지는 데이터 구조를 나타낼 수 있다. 이러한 시간 윈도우는 슬라이딩 방식으로 큐에 적용될 수 있다. 예를 들어, 사전 결정된 개수의 시간 유닛들의 그룹에 대응되는 크기를 가지는 시간 윈도우는, 큐 내에서의 시간 유닛 단위로 슬라이딩되는 방식으로 큐에 적용될 수 있다. 도 7의 예시에서 시간 윈도우는 3개의 시간 유닛들의 크기를 가질 수 있다. 이러한 예시에서, 상기 시간 윈도우가 적용됨에 따라 제 1 시간 유닛, 제 2 시간 유닛 및 제 3 시간 유닛으로 구성된 시간 기간에서 객체의 주시 시간을 결정할 수 있다. 상기 시간 윈도우는 다음번 적용 과정에서, 제 2 시간 유닛, 제 3 시간 유닛 및 제 4 시간 유닛으로 구성된 시간 기간에서 객체의 주시 시간을 결정할 수 있다.

일 실시예에서, 시간 윈도우의 최소 크기는 컨텐츠의 집중 주시 여부를 판단하기 위한 기준 시간 기간에 대응될 수 있다. 다른 실시예에서, 시간 윈도우의 크기는, 컨텐츠의 집중 주시 여부를 판단하기 위한 기준 시간 기간을 초과하도록 구성될 수 있다.

일 실시예에서, 기준 시간 기간은 2개의 시간 유닛들의 합산값과 동일할 수 있다. 예를 들어, 시간 유닛은 0.5초일 수 있으며, 기준 시간 기간은 1초일 수 있다. 도 7 (a)를 참조하면, 제1 객체에 대응되는 큐(700a)의 경우, 제1 시간 윈도우(710)에는 3개의 시간 유닛 중 제3 시간 유닛(750a)만이 주시 시간으로 기록되어 있을 수 있다. 이 경우, 제1 시간 윈도우(710) 내에 포함되는 제1 주시 시간 기간은 기준 시간 기간 미만일 수 있다. 반면, 제2 시간 윈도우(720)에는 3개의 시간 유닛 중 제3 시간 유닛(750a) 및 제4 시간 유닛(760b) 모두 주시 시간으로 기록되어 있을 수 있다. 제2 시간 윈도우(720) 내에 포함되는 제2 주시 시간 기간은 기준 시간 기간과 동일하고, 이에 따라 제1 객체는 제2 시청자의 수에 포함될 수 있다.

도 7 (b)를 참조하면, 제2 객체에 대응되는 큐(700b)의 경우, 주시 시간으로 기록된 제5 시간 유닛(750b) 및 제6 시간 유닛(760b) 사이에는 비주시 시간으로 기록된 2개의 시간 유닛이 존재한다. 이에 따라 시간 윈도우를 어느 시간 유닛끼리 묶어서 판단하더라도 시간 윈도우 내에 포함되는 주시 시간 기간이 기준 시간 기간 이상일 수 없다. 따라서, 제2 객체는 제2 시청자의 수에 포함되지 않을 수 있다.

도 8은 본 개시의 일 실시예에 따라 얼굴 랜드마크(facial landmark)를 표시한 얼굴 이미지를 나타내는 개략도이다.

일 실시예에서, 사전 학습된 얼굴 랜드마크 추출 모델은, 학습 이미지에 포함된 얼굴 랜드마크들이 상기 학습 이미지 상에서 보이는지 여부에 따라, 가시(visible) 랜드마크와 랜드마크의 적어도 일부가 가시적이지 않은 비가시(invisible) 랜드마크로 구분하는 라벨링 방식에 기초하여 사전 학습된 인공지능 모델에 대응될 수 있다. 도 8은 상기 라벨링 방식에 따라 가시 랜드마크와 비가시 랜드마크가 마킹된 학습 이미지들의 예시들을 나타낸다. 다만, 사전 학습된 얼굴 랜드마크 추출 모델은 도 8에 도시된 학습 이미지들 뿐만 아니라, 다양한 각도의 얼굴이 촬영된 이미지에 가시 랜드마크 또는 비가시 랜드마크가 마킹된 학습 이미지를 이용하여 학습될 수 있다.

예를 들어, 도 8의 (a)를 살펴보면, 제1 학습 이미지에는 기설정된 위치의 모든 얼굴 랜드마크들이 학습 이미지 상에서 보일 수 있다. 이 경우, 제1 학습 이미지는 가시 랜드마크들(810)만을 포함할 수 있다. 도 8의 (b)를 살펴보면, 제2 학습 이미지에는 왼쪽 눈에 대응되는 얼굴 랜드마크(825)가 학습 이미지 상에서 적어도 일부가 가시적이지 않을 수 있다. 이 경우, 왼쪽 눈에 대응되는 얼굴 랜드마크(825)는 비가시 랜드마크로, 왼쪽 눈에 대응되는 얼굴 랜드마크를 제외한 나머지 얼굴 랜드마크들(820)은 가시 랜드마크로 라벨링될 수 있다. 도 8의 (c)를 살펴보면, 제3 학습 이미지에는 턱에 대응되는 얼굴 랜드마크(835)가 학습 이미지 상에서 적어도 일부가 가시적이지 않을 수 있다. 이 경우, 턱에 대응되는 얼굴 랜드마크(835)는 비가시 랜드마크로, 턱에 대응되는 얼굴 랜드마크를 제외한 나머지 얼굴 랜드마크들(830)은 가시 랜드마크로 라벨링될 수 있다. 도 8의 (d)를 살펴보면, 제4 학습 이미지에는 왼쪽 입꼬리 및 턱 각각에 대응되는 얼굴 랜드마크(845)가 학습 이미지 상에서 적어도 일부가 가시적이지 않을 수 있다. 이 경우, 왼쪽 입꼬리 및 턱 각각에 대응되는 얼굴 랜드마크(845)는 비가시 랜드마크로, 왼쪽 입꼬리 및 턱 각각에 대응되는 얼굴 랜드마크를 제외한 나머지 얼굴 랜드마크들(840)은 가시 랜드마크로 라벨링될 수 있다.

사이니지(1000)는 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크에 기초하여, 복수의 객체들 각각의 시선 정보를 획득함에 있어서, 사전 학습된 얼굴 랜드마크 추출 모델을 이용하여, 획득된 제1 이미지로부터 가시 랜드마크 및 비가시 랜드마크 중 적어도 하나를 포함하는 복수의 얼굴 랜드마크를 추출할 수 있다. 사이니지(1000)는 추출된 복수의 얼굴 랜드마크들을 이용하여 복수의 객체들 각각의 시선 정보를 획득할 수 있다. 사전 학습된 얼굴 랜드마크 추출 모델은 제1 이미지로부터 학습 이미지 상에서 보이지 않는 비가시 랜드마크의 위치를 예측하여, 비가시 랜드마크의 위치까지 추출할 수 있다. 이를 통해, 사이니지(1000)는 기설정된 얼굴 랜드마크들의 가시 여부에 상관없이 이미지로부터 모든 기설정된 얼굴 랜드마크들을 추출하여, 더욱 정확한 객체의 시선 정보(예를 들어, 객체의 머리 벡터)를 획득할 수 있다.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다. 데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 사이니지(1000)는 사이니지(1000)의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 사이니지(1000)는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 사이니지(1000)에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 사이니지(1000)는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 사이니지(1000) 또는 다른 사이니지(1000)에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 사이니지(1000)의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 사이니지(1000)에 의해 구현될 수 있는 것으로 전술되었지만, 통상의 기술자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 통상의 기술자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 통상의 기술자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

옥외 광고용 컨텐츠(contents)를 송출하기 위한 사이니지(signage)에 있어서,
컨텐츠 송출과 관련된 동작들을 제어하는 제어부;
메모리;
컨텐츠를 출력하는 디스플레이부;
상기 디스플레이부에 의해 출력되는 컨텐츠가 노출되는 타겟 영역(target area)을 포함하는 제1 이미지를 획득하는 촬영부;
를 포함하고, 그리고
상기 제어부는,
상기 획득된 제1 이미지로부터, 복수의 객체들 각각의 시선(gaze) 정보를 획득하고 - 상기 시선 정보는 얼굴의 요(yaw) 각도, 얼굴의 피치(pitch) 각도 및 얼굴의 롤(roll) 각도를 포함함 -,
상기 제1 이미지에서 상기 타겟 영역 내에 포함된 객체의 수를 산출하고,
상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 컨텐츠를 주시한 제1 시청자의 수를 산출하고,
상기 제1 이미지를 포함하는 순차적인 이미지들에서 획득된 복수의 객체들 각각의 시선 정보에 기초하여, 상기 컨텐츠를 기준 시간 기간(reference time period) 이상 주시한 제2 시청자의 수를 산출하고, 그리고
상기 객체의 수, 상기 제1 시청자의 수 및 상기 제2 시청자의 수를 포함하는, 상기 출력된 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 획득하며,
상기 제2 시청자의 수를 산출함에 있어서,
복수의 객체들 각각에 대하여 상기 컨텐츠를 주시한 주시 시간 및 컨텐츠를 주시하지 않은 비-주시 시간을, 상기 복수의 객체들 각각에 대응되는 큐(queue)에 기록하고,
제1 시간 윈도우 및 제2 시간 윈도우를 각각 상기 큐에 적용함으로써, 상기 제1 시간 윈도우 내에 포함되는 제1 주시 시간 기간 합산값 및 상기 제2 시간 윈도우 내에 포함되는 제2 주시 시간 기간 합산값을 획득하고, 그리고
상기 제1 주시 시간 기간 합산값 및 상기 제2 주시 시간 기간 합산값 중 적어도 하나가 상기 기준 시간 기간 이상인 경우, 상기 큐에 대응되는 객체를 상기 제2 시청자의 수에 포함시키며,
상기 제1 시간 윈도우와 상기 제2 시간 윈도우는 동일한 크기를 가지며 그리고 적어도 일부가 중첩되며, 그리고
상기 큐에서 상기 큐에 대응되는 객체의 컨텐츠 주시 여부는 상기 컨텐츠를 주시했는지 여부를 판단하기 위한 최소 시간 기간인 시간 유닛으로 구분되어 기록되는,
사이니지.
제1 항에 있어서,
상기 제어부는,
상기 복수의 객체들 각각의 시선 정보를 획득함에 있어서,
사전 학습된 얼굴 랜드마크 추출 모델을 이용하여, 상기 획득된 제1 이미지로부터 상기 복수의 객체들 각각에 대응되는 복수의 얼굴 랜드마크들을 추출하고,
상기 복수의 객체들 각각에 대응되는 상기 복수의 얼굴 랜드마크들에 기초하여, 상기 복수의 객체들 각각의 시선 정보를 획득하는,
사이니지.
제2 항에 있어서,
상기 사전 학습된 얼굴 랜드마크 추출 모델은,
학습 이미지에 포함된 얼굴 랜드마크들이 상기 학습 이미지 상에서 보이는지 여부에 따라, 가시(visible) 랜드마크와 랜드마크의 적어도 일부가 가시적이지 않은 비가시(invisible) 랜드마크로 구분하는 라벨링 방식에 기초하여 사전 학습된 인공지능 모델에 대응되며, 그리고
상기 제어부는,
상기 복수의 객체들 각각에 대응되는 상기 복수의 얼굴 랜드마크에 기초하여, 상기 복수의 객체들 각각의 시선 정보를 획득함에 있어서,
상기 사전 학습된 얼굴 랜드마크 추출 모델을 이용하여, 상기 획득된 제1 이미지로부터 상기 가시 랜드마크 및 상기 비가시 랜드마크 중 적어도 하나를 포함하는 상기 복수의 얼굴 랜드마크를 추출하고, 그리고
상기 복수의 얼굴 랜드마크들을 이용하여 상기 시선 정보를 획득하는,
사이니지.
삭제
제1 항에 있어서,
상기 제어부는,
상기 제1 시청자의 수를 산출함에 있어서,
상기 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 주시 여부를 판단하기 위한 제1 조건을 만족하는지 여부에 기초하여, 상기 복수의 객체들 각각의 컨텐츠 주시 여부를 결정하고, 그리고
상기 컨텐츠 주시 여부에 기초하여, 상기 제1 시청자의 수를 결정하는,
사이니지.
제 5 항에 있어서,
상기 제1 조건은, 상기 복수의 객체들 각각의 요(yaw) 각도가 기설정된 제1 기준 각도 범위 이내이고 그리고 피치(pitch) 각도가 기설정된 제2 기준 각도 범위 이내인 조건을 포함하는,
사이니지.
제6 항에 있어서,
상기 기설정된 제1 기준 각도 범위 및 상기 기설정된 제2 기준 각도 범위는, 상기 디스플레이부의 위치, 상기 디스플레이부의 크기 및 상기 촬영부의 위치 중 적어도 하나에 기초하여 결정되는,
사이니지.
제1 항에 있어서,
상기 제어부는,
상기 제2 시청자의 수를 산출함에 있어서,
상기 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 집중 주시 여부를 판단하기 위한 제2 조건을 만족하는지 여부에 기초하여, 상기 복수의 객체들 각각의 컨텐츠 집중 주시 여부를 결정하고, 그리고
상기 컨텐츠 집중 주시 여부에 기초하여, 상기 제2 시청자의 수를 결정하는,
사이니지.
제8 항에 있어서,
상기 제2 조건은, 상기 복수의 객체들 각각의 요(yaw) 각도가 기설정된 제3 기준 각도 범위 이내이고 그리고 피치(pitch) 각도가 기설정된 제4 기준 각도 범위 이내인 조건을 포함하는,
사이니지.
제1 항에 있어서,
상기 제어부는,
상기 제1 시청자의 수를 산출함에 있어서,
상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 주시 여부를 판단하기 위한 제1 조건을 만족하는지 여부에 기초하여, 상기 복수의 객체들 각각의 컨텐츠 주시 여부를 결정하고, 그리고 상기 컨텐츠 주시 여부에 기초하여, 상기 제1 시청자의 수를 결정하며,
상기 제2 시청자의 수를 산출함에 있어서,
상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 복수의 객체들 각각의 요 각도 및 피치 각도 중 적어도 하나가 컨텐츠 집중 주시 여부를 판단하기 위한 제2 조건을 만족하는지 여부에 기초하여, 상기 복수의 객체들 각각의 컨텐츠 집중 주시 여부를 결정하고, 그리고 상기 컨텐츠 집중 주시 여부에 기초하여, 상기 제2 시청자의 수를 결정하며,
상기 제1 조건은, 상기 복수의 객체들 각각의 요(yaw) 각도가 기설정된 제1 기준 각도 범위 이내이고 그리고 피치(pitch) 각도가 기설정된 제2 기준 각도 범위 이내인 조건을 포함하며,
상기 제2 조건은, 상기 복수의 객체들 각각의 요(yaw) 각도가 기설정된 제3 기준 각도 범위 이내이고 그리고 피치(pitch) 각도가 기설정된 제4 기준 각도 범위 이내인 조건을 포함하며,
상기 제3 기준 각도 범위는 상기 제1 기준 각도 범위보다 좁고, 그리고
상기 제4 기준 각도 범위는 상기 제2 기준 각도 범위보다 좁은,
사이니지.
제1 항에 있어서,
상기 제어부는,
상기 제2 시청자의 수를 산출함에 있어서,
상기 기준 시간 기간보다 긴 제1 시간 기간 단위로 상기 복수의 객체들 각각의 컨텐츠 시청 여부를 판단하고, 그리고
상기 제1 시간 기간 단위 내에서 상기 컨텐츠를 주시한 시간 기간의 합산값이 상기 기준 시간 기간 이상인 상기 제2 시청자의 수를 산출하는,
사이니지.
삭제
제1 항에 있어서,
상기 기준 시간 기간은 상기 사이니지가 위치한 장소에 기초하여 결정되는,
사이니지.
제1 항에 있어서,
상기 컨텐츠는, 제1 컨텐츠 및 제2 컨텐츠를 포함하며, 그리고
상기 제어부는,
상기 컨텐츠 시청 통계 데이터를 획득함에 있어서,
상기 제1 컨텐츠 및 상기 제2 컨텐츠 각각의 송출 시작 시점, 송출 종료 시점 및 재생 시간 기간을 포함하는 컨텐츠 송출 정보를 획득하고, 그리고
상기 복수의 객체들 각각의 시선 정보 및 상기 컨텐츠 송출 정보에 기초하여, 상기 제1 컨텐츠 및 상기 제2 컨텐츠 각각의 상기 컨텐츠 시청 통계 데이터를 획득하는,
사이니지.
제1 항에 있어서,
상기 제어부는,
상기 복수의 객체들 각각의 시선 정보를 획득함에 있어서,
사전 학습된 제1 머리 벡터 추출 모델을 이용하여, 상기 획득된 제1 이미지로부터 상기 복수의 객체들 각각의 머리 벡터를 추출하고, 그리고
상기 복수의 객체들 각각의 머리 벡터에 기초하여, 상기 복수의 객체들 각각의 시선 정보를 획득하고, 그리고
상기 사전 학습된 제1 머리 벡터 추출 모델은 객체의 얼굴에 머리 벡터가 라벨링된 3차원 학습 이미지 데이터셋을 이용하여 사전 학습된 인공지능 모델에 대응되는,
사이니지.
제1 항에 있어서,
상기 제어부는,
상기 복수의 객체들 각각의 시선 정보를 획득함에 있어서,
사전 학습된 제2 머리 벡터 추출 모델을 이용하여, 상기 획득된 제1 이미지로부터 상기 복수의 객체들 각각의 머리 벡터를 추출하고, 그리고
상기 복수의 객체들 각각의 머리 벡터에 기초하여, 상기 복수의 객체들 각각의 시선 정보를 획득하고, 그리고
상기 사전 학습된 제2 머리 벡터 추출 모델은 객체의 얼굴 랜드마크들이 마킹된 학습 이미지 데이터셋에 있어서, 상기 객체의 얼굴 랜드마크들을 상기 객체의 머리 벡터로 변환하고, 상기 변환된 객체의 머리 벡터를 학습시키는 과정을 통해 사전 학습된 인공지능 모델에 대응되는,
사이니지.
옥외 광고용 컨텐츠를 송출하는 방법에 있어서,
사이니지에서 출력되는 컨텐츠가 노출되는 타겟 영역(target area)을 포함하는 제1 이미지를 획득하는 단계;
상기 획득된 제1 이미지로부터, 복수의 객체들 각각의 시선(gaze) 정보를 획득하는 단계 - 상기 시선 정보는 얼굴의 요(yaw) 각도, 얼굴의 피치(pitch) 각도 및 얼굴의 롤(roll) 각도를 포함함 -;
상기 제1 이미지에서 상기 타겟 영역 내에 포함된 객체의 수를 산출하는 단계;
상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 컨텐츠를 주시한 제1 시청자의 수를 산출하는 단계;
상기 제1 이미지를 포함하는 순차적인 이미지들에서 획득된 복수의 객체들 각각의 시선 정보에 기초하여, 상기 컨텐츠를 기준 시간 기간(reference time period) 이상 주시한 제2 시청자의 수를 산출하는 단계; 및
상기 객체의 수, 상기 제1 시청자의 수 및 상기 제2 시청자의 수를 포함하는, 상기 출력된 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 획득하는 단계;
를 포함하며,
상기 제2 시청자의 수를 산출하는 단계는:
복수의 객체들 각각에 대하여 상기 컨텐츠를 주시한 주시 시간 및 컨텐츠를 주시하지 않은 비-주시 시간을, 상기 복수의 객체들 각각에 대응되는 큐(queue)에 기록하는 단계;
제1 시간 윈도우 및 제2 시간 윈도우를 각각 상기 큐에 적용함으로써, 상기 제1 시간 윈도우 내에 포함되는 제1 주시 시간 기간 합산값 및 상기 제2 시간 윈도우 내에 포함되는 제2 주시 시간 기간 합산값을 획득하는 단계; 및
상기 제1 주시 시간 기간 합산값 및 상기 제2 주시 시간 기간 합산값 중 적어도 하나가 상기 기준 시간 기간 이상인 경우, 상기 큐에 대응되는 객체를 상기 제2 시청자의 수에 포함시키는 단계;
를 포함하며,
상기 제1 시간 윈도우와 상기 제2 시간 윈도우는 동일한 크기를 가지며 그리고 적어도 일부가 중첩되며, 그리고
상기 큐에서 상기 큐에 대응되는 객체의 컨텐츠 주시 여부는 상기 컨텐츠를 주시했는지 여부를 판단하기 위한 최소 시간 기간인 시간 유닛으로 구분되어 기록되는,
방법.
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 옥외 광고용 컨텐츠를 송출하는 동작들을 수행하도록 하며, 상기 동작들은:
사이니지에서 출력되는 컨텐츠가 노출되는 타겟 영역(target area)을 포함하는 제1 이미지를 획득하는 동작;
상기 획득된 제1 이미지로부터, 복수의 객체들 각각의 시선(gaze) 정보를 획득하는 동작 - 상기 시선 정보는 얼굴의 요(yaw) 각도, 얼굴의 피치(pitch) 각도 및 얼굴의 롤(roll) 각도를 포함함 -;
상기 제1 이미지에서 상기 타겟 영역 내에 포함된 객체의 수를 산출하는 동작;
상기 복수의 객체들 각각의 시선 정보에 기초하여, 상기 컨텐츠를 주시한 제1 시청자의 수를 산출하는 동작;
상기 제1 이미지를 포함하는 순차적인 이미지들에서 획득된 복수의 객체들 각각의 시선 정보에 기초하여, 상기 컨텐츠를 기준 시간 기간(reference time period) 이상 주시한 제2 시청자의 수를 산출하는 동작; 및
상기 객체의 수, 상기 제1 시청자의 수 및 상기 제2 시청자의 수를 포함하는, 상기 출력된 컨텐츠에 대한 컨텐츠 시청 통계 데이터를 획득하는 동작;
을 포함하며,
상기 제2 시청자의 수를 산출하는 동작은:
복수의 객체들 각각에 대하여 상기 컨텐츠를 주시한 주시 시간 및 컨텐츠를 주시하지 않은 비-주시 시간을, 상기 복수의 객체들 각각에 대응되는 큐(queue)에 기록하는 동작;
제1 시간 윈도우 및 제2 시간 윈도우를 각각 상기 큐에 적용함으로써, 상기 제1 시간 윈도우 내에 포함되는 제1 주시 시간 기간 합산값 및 상기 제2 시간 윈도우 내에 포함되는 제2 주시 시간 기간 합산값을 획득하는 동작; 및
상기 제1 주시 시간 기간 합산값 및 상기 제2 주시 시간 기간 합산값 중 적어도 하나가 상기 기준 시간 기간 이상인 경우, 상기 큐에 대응되는 객체를 상기 제2 시청자의 수에 포함시키는 동작;
을 포함하며,
상기 제1 시간 윈도우와 상기 제2 시간 윈도우는 동일한 크기를 가지며 그리고 적어도 일부가 중첩되며, 그리고
상기 큐에서 상기 큐에 대응되는 객체의 컨텐츠 주시 여부는 상기 컨텐츠를 주시했는지 여부를 판단하기 위한 최소 시간 기간인 시간 유닛으로 구분되어 기록되는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.