KR20200087471A

KR20200087471A - 객체 추천 방법 및 시스템

Info

Publication number: KR20200087471A
Application number: KR1020190003794A
Authority: KR
Inventors: 안재용; 강민수
Original assignee: 주식회사 씨오티커넥티드
Priority date: 2019-01-11
Filing date: 2019-01-11
Publication date: 2020-07-21

Abstract

일 실시예들은 객체 추천 방법 및 시스템에 관한 것이다. 일 실시예에 따른 객체 추천 방법은 단말로부터 수신한 입력 영상을 영상 분석 엔진에 입력하고, 영상 분석 엔진으로부터 입력 영상에 대응하는 하나 이상의 제1 벡터를 수신하는 단계, 데이터베이스에 포함된 벡터들 중, 제1 벡터와의 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출하는 단계, 제2 벡터에 대응하는 하나 이상의 출력 객체 영상을 결정하는 단계를 포함한다.

Description

객체 추천 방법 및 시스템{OBJECT RECOMMENDATION METHOD AND SYSTEM}

아래 실시예들은 객체 추천 방법 및 시스템에 관한 것이다.

가상현실(Virtual Reality: VR)은 어떤 특정한 환경이나 상황을 컴퓨터로 만들어서, 그것을 사용하는 사람이 마치 실제 주변 상황·환경과 상호작용을 하고 있는 것처럼 만들어 주는 인간-컴퓨터 사이의 인터페이스를 말한다. 즉, 가상현실을 이용한 연동 기술은 현실 세계의 현실 객체에 대응하는 가상 객체를 생성하고, 가상 공간상에 표현하여 이용자가 가상현실을 즐길 수 있도록 한다. 최근 VR 기술은 오락 게임 분야를 넘어 영상, 광고, 의료, 교육 등 각 분야에서 응용 개발되고 있다.

VR 기술이 발전함에 따라, VR 영상을 이용한 독자 창작 영상 컨텐츠(UCC, User Created Contents)에 대한 관심이 날로 커지고 있다. 하지만 기존의 VR 영상 편집 시스템은 360 영상 스티칭 및 AR 프로그래밍 등의 IT/디자인 전문가용 저작툴만 존재하여, 비전문가들은 VR 기술에 대한 전문 지식이 부족하여 접근하기가 어려운 것이 현실이다.

이에 VR 영상 편집 사용에 필요한 기술이나 네트워크 지식을 잘 모르는 인터넷 사용자(일반 사람들)들도 손쉽게 VR 영상을 만들고 편집할 수 있도록 도와주는 수단의 필요성이 절실하다.

실시예들은 단말로부터 수신한 입력 영상에 관련된 객체 영상을 추천하고자 한다.

실시예들은 외부 분석 엔진을 사용하여 추천 후보군이 될 수 있는 객체 영상에 대한 메타데이터를 추출하고 관리하고자 한다.

실시예들은 추천 이력을 가진 이미지에 대한 메타데이터를 업데이트하고 관리하고자 한다.

실시예들은 입력 벡터에 상응하는 특징 벡터 추출하고 벡터 비교 분석 연산을 통해 객체 영상을 추천하고자 한다.

일 실시예에 따른 객체 추천 방법은 영상 분석 엔진으로부터 입력 영상에 대응하는 하나 이상의 제1 벡터를 수신하는 단계; 데이터베이스에 포함된 벡터들 중, 상기 제1 벡터와의 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출하는 단계; 및 상기 제2 벡터에 대응하는 하나 이상의 출력 객체 영상을 결정하는 단계를 포함하고, 상기 데이터베이스에 포함된 상기 벡터들은 상기 영상 분석 엔진을 통해 결정된다.

상기 데이터베이스는 객체 영상들과 상기 객체 영상들에 대응하는 상기 벡터들을 포함하고, 상기 객체 영상들과 상기 벡터들은 미리 정해진 주기를 가지고 업데이트될 수 있다.

일 실시예에 따른 객체 추천 방법은 상기 출력 객체 영상을 미리 정해진 기준에 따라 상기 단말에 제공하는 단계를 더 포함할 수 있다.

상기 영상 분석 엔진은 상기 입력 영상을 입력 받아 상기 입력 영상에 대응하는 하나 이상의 키워드와 상기 제1 벡터를 생성하는 외부 영상 분석 엔진을 포함할 수 있다.

상기 입력 영상은 원본 영상의 미리 지정된 시야각(Field of View)에 대응하는 편집의 대상이 되는 영상을 포함할 수 있다.

상기 원본 영상은 일반 영상, VR 영상 및 AR 영상 중 적어도 하나를 포함할 수 있다.

상기 제2 벡터를 결정하는 단계는 상기 데이터베이스에 포함된 상기 벡터들에 대하여 벡터 공간 모델, 주제 모델링(topic modeling), 코사인 유사도, 연관 규칙(association rule) 중 어느 하나 이상의 방법을 이용하여 상기 제1 벡터와의 상기 관련도를 측정하는 단계; 및 상기 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출하는 단계를 포함할 수 있다.

일 실시예에 따른 객체 추천 시스템은 적어도 하나의 프로세서; 및 데이터베이스를 포함하고, 상기 프로세서는 영상 분석 엔진으로부터 입력 영상에 대응하는 하나 이상의 제1 벡터를 수신하고, 상기 데이터베이스에 포함된 벡터들 중, 상기 제1 벡터와의 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출하며, 상기 제2 벡터에 대응하는 하나 이상의 출력 객체 영상을 결정하고, 상기 데이터베이스에 포함된 상기 벡터들은 상기 영상 분석 엔진을 통해 결정된다.

상기 프로세서는 상기 출력 객체 영상을 미리 정해진 기준에 따라 상기 단말에 제공할 수 있다.

상기 프로세서는 상기 데이터베이스에 포함된 상기 벡터들에 대하여 벡터 공간 모델, 주제 모델링(topic modeling), 코사인 유사도, 연관 규칙(association rule) 중 어느 하나 이상의 방법을 이용하여 상기 제1 벡터와의 상기 관련도를 측정하고, 상기 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출할 수 있다.

실시예들은 단말로부터 수신한 입력 영상에 관련된 객체 영상을 추천할 수 있다.

실시예들은 외부 분석 엔진을 사용하여 추천 후보군이 될 수 있는 객체 영상에 대한 메타데이터를 추출하고 관리할 수 있다.

실시예들은 추천 이력을 가진 이미지에 대한 메타데이터를 업데이트하고 관리할 수 있다.

실시예들은 입력 벡터에 상응하는 특징 벡터 추출하고 벡터 비교 분석 연산을 통해 객체 영상을 추천할 수 있다.

도 1은 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 일 실시예에 따른 영상 편집 시스템의 동작 방법을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 입력 영상을 설명하기 위한 도면이다.
도 4a와 도 4b는 일 실시예에 따른 객체 추천 방법을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 객체 추천 방법의 순서도이다.

본 명세서에서 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 기술적 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 실시예들은 다양한 다른 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.

제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~간의에"와 "바로~간의에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치, HMD(Head mounted Display) 등 다양한 형태의 제품으로 구현될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

도 1은 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.

도 1을 참고하면, 일 실시예에 따른 네트워크 환경은 복수의 단말들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함할 수 있다. 이러한 도 1은 발명의 설명을 위한 일례로, 단말들의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다.

복수의 단말들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 단말들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, HMD(Head mounted Display) 등이 있다.

단말(110)은 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 단말들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있다. 서버(150)은 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 단말들(110, 120, 130, 140) 및/또는 다른 서버(160)와 통신할 수 있다.

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

서버(150, 160) 각각은 복수의 단말들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 콘텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다.

서버(150)는 네트워크(170)를 통해 접속한 단말(110)로 어플리케이션의 설치를 위한 파일을 제공할 수 있다. 이 경우 단말(110)은 서버(150)로부터 제공된 파일을 이용하여 어플리케이션을 설치할 수 있다. 또한, 단말(110)이 포함하는 운영체제(Operating System, OS) 및 적어도 하나의 프로그램(일례로 브라우저나 상기 설치된 어플리케이션)의 제어에 따라 서버(150)에 접속하여 서버(150)가 제공하는 서비스나 콘텐츠를 제공받을 수 있다. 예를 들어, 단말(110)이 어플리케이션의 제어에 따라 네트워크(170)를 통해 서비스 요청 메시지를 서버(150)로 전송하면, 서버(150)는 서비스 요청 메시지에 대응하는 코드를 단말(110)로 전송할 수 있고, 단말(110)은 어플리케이션의 제어에 따라 코드에 따른 화면을 구성하여 표시함으로써 사용자에게 컨텐츠를 제공할 수 있다.

도 2는 일 실시예에 따른 영상 편집 시스템의 동작 방법을 설명하기 위한 도면이다.

도 2를 참조하면, 일 실시예에 따른 영상 편집 시스템은 단말(210), 객체 추천 서버(220), 영상 분석 엔진(230)를 포함할 수 있다. 객체 추천 서버(220)는 프로세서(221)와 데이터베이스(222)를 포함한다. 일 실시예에 따른 단말(210)은 도 1의 단말들(110 내지 140) 중 하나일 수 있고, 객체 추천 서버(220)와 영상 분석 엔진(230)은 도 1의 서버(150, 160) 중 하나일 수 있다.

일 실시예에 따른 영상 편집 시스템에 따르면, 사용자가 단말(210)을 통해 입력 영상을 객체 추천 서버(220)에 입력하면, 입력 영상과 관련된 객체 영상을 단말(210)을 통해 추천 받을 수 있다. 사용자는 입력 영상과 관련 있는 객체 영상을 이용하여 입력 영상을 손쉽게 편집, 가공할 수 있다.

객체 추천 서버(220)는 영상 분석 엔진(230)으로부터 입력 영상에 대응하는 하나 이상의 제1 벡터를 수신한다. 예를 들어, 객체 추천 서버(220)는 단말(210)로부터 수신한 입력 영상을 영상 분석 엔진(230)에 입력하고, 영상 분석 엔진(230)으로부터 입력 영상에 대응하는 하나 이상의 제1 벡터를 수신할 수 있다. 입력 영상은 원본 영상의 미리 지정된 시야각(Field of View)에 대응하는 편집의 대상이 되는 영상을 포함할 수 있다. 입력 영상은 아래에서 도 3을 참조하여 상세히 설명된다.

영상 분석 엔진(230)은 입력 영상을 입력 받아 입력 영상을 분석하여 입력 영상의 내용을 파악할 수 있다. 예를 들어, 영상 분석 엔진(230)은 입력 받은 입력 영상을 해석하여 입력 영상에 대응하는 하나 이상의 키워드를 출력할 수 있다. 또한, 영상 분석 엔진(230)은 키워드 뿐만 아니라 키워드에 대응하는 점수도 출력할 수 있다. 영상 분석 엔진(230)이 입력 영상에 대한 응답으로 출력하는 키워드, 점수는 벡터를 구성할 수 있고, 이 벡터를 제1 벡터라 할 수 있다. 제1 벡터는 입력 영상과 키워드 사이의 정확도 등을 나타낼 수 있다.

영상 분석 엔진(230)은 입력 영상을 입력 받아 입력 영상에 대응하는 제1 벡터를 생성하는 외부 영상 분석 엔진을 포함할 수 있다. 예를 들어, 영상 분석 엔진(230)은 google vision API 일 수 있다. google vision API는 영상이 포함하고 있는 지배적인 객체를 찾아내 메타데이터를 구축하고 있고, 구축한 메타데이터를 이용하여 이미지 내의 객체를 수천개의 카테고리로 분류할 수 있다. 다만, 여기서 google vision API는 예시적인 사항일 뿐, 상술한 영상 분석 엔진 이외에 객체 인식 및 그에 상응하는 벡터를 출력하는 다양한 유형의 모델 또는 장치에 채용되어 응용될 수 있다. 외부 영상 분석 엔진을 사용하는 경우, 객체 추천 서버(220)는 외부 영상 분석 엔진으로부터 수신한 키워드 및 벡터를 활용할 뿐 객체 추천 서버(220)가 자체적으로 영상 분석을 하지 않기 때문에 처리 속도가 향상될 수 있다.

영상 분석 엔진(230)은 데이터베이스(222)에 포함된 벡터들 중, 제1 벡터와의 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출한다. 데이터베이스(222)에는 추천 후보군이 될 수 있는 객체 영상들과 객체 영상들에 대응하는 벡터들이 미리 저장될 수 있다. 데이터베이스(222)에 포함된 벡터들은 영상 분석 엔진(230)을 통해 결정될 수 있다. 예를 들어, 데이터베이스는 사용자에 의해 미리 정해진 객체 영상들을 영상 분석 엔진(230)에 입력하여 획득한 객체 영상에 대응하는 벡터를 미리 저장할 수 있다. 또한, 데이터베이스(222)의 객체 영상들과 벡터들은 미리 정해진 주기를 가지고 업데이트될 수 있다. 추천 이력을 가진 객체 영상에 대한 벡터들 또한 업데이트될 수 있다.

프로세서(221)는 데이터베이스(222)에 포함된 벡터들 중, 제1 벡터와의 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출할 수 있다. 데이터베이스(222)에 포함된 벡터들 역시 영상 분석 엔진(230)이 출력하는 벡터이기 때문에, 제1 벡터와의 관련도를 계산할 수 있다. 관련도 측정하기 위해서 다차원 벡터 비교 분석 연산을 수행할 수 있다. 예를 들어, 벡터 공간 모델, 주제 모델링(topic modeling), 코사인 유사도, 연관 규칙(association rule) 등 다양한 기법을 통해 데이터베이스(222)에 포함된 벡터들과 제1 벡터 사이의 관련도를 측정할 수 있다. 데이터베이스(222)에 포함된 벡터들 중, 제1 벡터와의 관련도가 미리 정해진 임계치 이상인 벡터를 제2 벡터라 할 수 있다. 제2 벡터는 하나 이상일 수 있다.

프로세서(221)는 제2 벡터에 대응하는 하나 이상의 출력 객체 영상을 결정할 수 있다. 데이터베이스(222)는 추천 후보군이 될 수 있는 객체 영상들과 객체 영상들에 대응하는 벡터들을 저장하고 있기 때문에, 프로세서(221)는 제2 벡터가 결정되는 경우 제2 벡터에 대응되는 객체 영상을 출력 객체 영상으로 결정할 수 있다.

객체 추천 서버(220)는 출력 객체 영상을 미리 정해진 기준에 따라 단말(210)에 제공할 수 있다. 예를 들어, 객체 추천 서버(220)는 복수개의 출력 객체 영상을 관련도 순서에 따라 단말(210)에 추천할 수 있다.

객체 추천 서버(220)는 프로세서(221)와 데이터베이스(222)를 포함한다. 객체 추천 서버(220)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 예를 들어, 객체 추천 서버(220)는 메모리, 통신 모듈, 입출력 인터페이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.

메모리는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리에는 운영체제와 적어도 하나의 프로그램 코드에 설치되어 구동되는 브라우저나 상술한 어플리케이션 등을 위한 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 드라이브 메커니즘(drive mechanism)을 이용하여 메모리와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다.

다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 통신 모듈을 통해 메모리에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템에 기반하여 메모리에 로딩될 수 있다.

프로세서(221)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리 또는 통신 모듈에 의해 프로세서(221)로 제공될 수 있다. 예를 들어 프로세서(221)는 메모리와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 모듈은 네트워크를 통해 단말과 영상 편집 서버(220)가 서로 통신하기 위한 기능을 제공할 수 있으며, 다른 서버와 통신하기 위한 기능을 제공할 수 있다. 예를 들어, 서버(220)의 프로세서(221)의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 통신 모듈과 네트워크(170)를 거쳐 단말로 수신될 수 있다.

도 3은 일 실시예에 따른 입력 영상을 설명하기 위한 도면이다.

도 3을 참조하면, 일 실시예에 따른 입력 영상(320)은 원본 영상(310)의 미리 지정된 시야각(Field of View)에 대응하는 편집의 대상이 되는 영상을 포함할 수 있다. 원본 영상은 일반 영상, VR 영상 및 AR 영상을 포함할 수 있다. 일반 영상 또는 AR 영상의 경우, 원본 영상과 일반 영상이 동일할 수 있지만, VR 영상의 입력 영상(320)은 원본 영상(310)과 다를 수 있다. 예를 들어, 360도 VR 영상의 경우 원본 영상(310)은 360도 영상일 수 있으나, 입력 영상(310)은 원본 영상(310) 중 사용자의 시야각에 포함되는 영상일 수 있다. 360도 영상은 큐브 맵 포맷(cube map format), 등변 직사각형 포맷(equirectangular format), 피라미드 포맷(pyramid format) 등 다양한 포맷을 포함할 수 있다. 에를 들어, 360도 영상에는 큐브 맵 프로젝션(cube map projection) 또는 등변 직사각형 프로젝션(equirectangular projection)과 같은 등가의 2차원 표현이 사용될 수 있다. 큐브 맵 프로젝션에서, 가상 큐브의 각 면에 대한 영상 데이터는 90 ° Х 90 ° 시야에 걸친 2 차원 이미지로서 저장될 수 있다. 또한, 등변 직사각형 프로젝션에서, 영상 데이터는 360 ° Х 180 ° 시야에 걸친 단일 2 차원 이미지로서 저장될 수 있다. VR영상을 편집하는 경우, 원본 영상(310)이 아닌 입력 영상(320)을 기준으로 편집할 수 있다.

도 4a와 도 4b는 일 실시예에 따른 객체 추천 방법을 설명하기 위한 도면이다.

도 4a를 참조하면, 일 실시예에 따른 객체 추천 서버는 단말로부터 입력 영상(410)을 수신할 수 있다. 객체 추천 서버는 입력 영상(410)을 영상 분석 엔진에 입력할 수 있다. 입력 영상(410)을 입력 받은 영상 분석 엔진은 입력 영상(410)을 분석, 해석하여 하나 이상의 제1 벡터를 객체 추천 서버에 전송할 수 있다. 예를 들어, 영상 분석 엔진은 입력 영상(410)에 대한 응답으로 입력 영상(410)의 특성을 표현할 수 있는 항목을 포함하는 제1 벡터를 출력할 수 있다. 예를 들어, 제1 벡터는 입력 영상(410)에 대한 응답으로 키워드 '거실'과 점수, 또는 키워드 '방'과 점수를 포함할 수 있다.

도 4b를 참조하면, 일 실시예에 따른 객체 추천 서버는 데이터베이스에 포함된 벡터들과 제1 벡터 사이의 관련도를 계산하고, 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출할 수 있다. 데이터베이스에는 추천 후보군이 될 수 있는 객체 영상들과 객체 영상들에 대응하는 벡터들이 미리 저장될 수 있다. 예를 들어, 데이터베이스에는 '식탁' 영상과 그에 대응하는 벡터, 또는 '간이 의자' 영상과 그에 대응하는 벡터 등이 저장될 수 있다. 객체 추천 서버는 제2 벡터에 대응하는 하나 이상의 출력 객체 영상을 결정할 수 있고, 출력 객체 영상을 미리 정해진 기준에 따라 단말을 통해 사용자에게 추천할 수 있다. 사용자는 추천 받은 출력 객체 영상을 이용하여 입력 영상(410)을 편집, 가공할 수 있다. 예를 들어, 객체 추천 서버는 입력 영상과 관련도가 높은 '간이 의자' 영상(420)을 객체 추천 영상으로 결정하여 단말을 통해 사용자에게 추천할 수 있고, 사용자는 추천 받은 '간이 의자' 영상(420)을 자신이 원하는 위치에 배치하여 입력 영상(410)을 편집, 가공할 수 있다.

객체 추천 시스템에 따르면, 입력 영상(410)과 관련도가 높은 출력 객체 영상을 추천 받을 수 있기 때문에, 영상 편집 사용에 필요한 기술이나 네트워크 지식을 잘 모르는 사용자들도 손 쉽게 입력 영상(410)을 편집할 수 있다.

도 5는 일 실시예에 따른 객체 추천 방법의 순서도이다.

단계들(510 내지 530)은 도 2를 참조하여 전술된 객체 추천 서버(220)에 의해 수행될 수 있다. 객체 추천 서버(220)는 하나 또는 그 이상의 하드웨어 모듈, 하나 또는 그 이상의 소프트웨어 모듈, 또는 이들의 다양한 조합에 의하여 구현될 수 있다.

단계(510)에서, 객체 추천 서버(220)는 단말로부터 수신한 입력 영상을 영상 분석 엔진에 입력하고, 영상 분석 엔진으로부터 입력 영상에 대응하는 하나 이상의 제1 벡터를 수신한다.

단계(520)에서, 객체 추천 서버(220)는 데이터베이스에 포함된 벡터들 중, 제1 벡터와의 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출한다.

단계(530)에서, 객체 추천 서버(220)는 제2 벡터에 대응하는 하나 이상의 출력 객체 영상을 결정한다.

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.

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

영상 분석 엔진으로부터 입력 영상에 대응하는 하나 이상의 제1 벡터를 수신하는 단계;
데이터베이스에 포함된 벡터들 중, 상기 제1 벡터와의 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출하는 단계; 및
상기 제2 벡터에 대응하는 하나 이상의 출력 객체 영상을 결정하는 단계
를 포함하고,
상기 데이터베이스에 포함된 상기 벡터들은 상기 영상 분석 엔진을 통해 결정되는
객체 추천 방법.
제1항에 있어서,
상기 데이터베이스는
객체 영상들과 상기 객체 영상들에 대응하는 상기 벡터들을 포함하고,
상기 객체 영상들과 상기 벡터들은 미리 정해진 주기를 가지고 업데이트되는,
객체 추천 방법.
제1항에 있어서,
상기 출력 객체 영상을 미리 정해진 기준에 따라 상기 단말에 제공하는 단계
를 더 포함하는,
객체 추천 방법.
제1항에 있어서,
상기 영상 분석 엔진은
상기 입력 영상을 입력 받아 상기 입력 영상에 대응하는 하나 이상의 키워드와 상기 제1 벡터를 생성하는 외부 영상 분석 엔진을 포함하는,
객체 추천 방법.
제1항에 있어서,
상기 입력 영상은
원본 영상의 미리 지정된 시야각(Field of View)에 대응하는 편집의 대상이 되는 영상을 포함하는,
객체 추천 방법.
제5항에 있어서,
상기 원본 영상은
일반 영상, VR 영상 및 AR 영상 중 적어도 하나를 포함하는,
객체 추천 방법.
제1항에 있어서,
상기 제2 벡터를 결정하는 단계는
상기 데이터베이스에 포함된 상기 벡터들에 대하여 벡터 공간 모델, 주제 모델링(topic modeling), 코사인 유사도, 연관 규칙(association rule) 중 어느 하나 이상의 방법을 이용하여 상기 제1 벡터와의 상기 관련도를 측정하는 단계; 및
상기 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출하는 단계
를 포함하는,
객체 추천 방법.
하드웨어와 결합되어 제1항 내지 제7항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
적어도 하나의 프로세서; 및
데이터베이스
를 포함하고,
상기 프로세서는
영상 분석 엔진으로부터 입력 영상에 대응하는 하나 이상의 제1 벡터를 수신하고, 상기 데이터베이스에 포함된 벡터들 중, 상기 제1 벡터와의 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출하며, 상기 제2 벡터에 대응하는 하나 이상의 출력 객체 영상을 결정하고,
상기 데이터베이스에 포함된 상기 벡터들은 상기 영상 분석 엔진을 통해 결정되는
객체 추천 서버.
제9항에 있어서,
상기 데이터베이스는
객체 영상들과 상기 객체 영상들에 대응하는 상기 벡터들을 포함하고,
상기 객체 영상들과 상기 벡터들은 미리 정해진 주기를 가지고 업데이트되는,
객체 추천 서버.
제9항에 있어서,
상기 프로세서는
상기 출력 객체 영상을 미리 정해진 기준에 따라 상기 단말에 제공하는,
객체 추천 서버.
제9항에 있어서,
상기 영상 분석 엔진은
상기 입력 영상을 입력 받아 상기 입력 영상에 대응하는 하나 이상의 키워드와 상기 제1 벡터를 생성하는 외부 영상 분석 엔진을 포함하는,
객체 추천 서버.
제9항에 있어서,
상기 입력 영상은
원본 영상의 미리 지정된 시야각(Field of View)에 대응하는 편집의 대상이 되는 영상을 포함하는,
객체 추천 서버.
제13항에 있어서,
상기 원본 영상은
일반 영상, VR 영상 및 AR 영상 중 적어도 하나를 포함하는,
객체 추천 서버.
제9항에 있어서,
상기 프로세서는
상기 데이터베이스에 포함된 상기 벡터들에 대하여 벡터 공간 모델, 주제 모델링(topic modeling), 코사인 유사도, 연관 규칙(association rule) 중 어느 하나 이상의 방법을 이용하여 상기 제1 벡터와의 상기 관련도를 측정하고,
상기 관련도가 미리 정해진 임계치 이상인 제2 벡터를 추출하는,
객체 추천 서버.