KR20210076559A - 인체 모델의 학습 데이터를 생성하는 장치, 방법 및 컴퓨터 프로그램 - Google Patents

인체 모델의 학습 데이터를 생성하는 장치, 방법 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR20210076559A
KR20210076559A KR1020190167902A KR20190167902A KR20210076559A KR 20210076559 A KR20210076559 A KR 20210076559A KR 1020190167902 A KR1020190167902 A KR 1020190167902A KR 20190167902 A KR20190167902 A KR 20190167902A KR 20210076559 A KR20210076559 A KR 20210076559A
Authority
KR
South Korea
Prior art keywords
image data
human body
posture
virtual image
joints
Prior art date
Application number
KR1020190167902A
Other languages
English (en)
Inventor
소영준
김이길
이재영
Original Assignee
주식회사 케이티
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 케이티 filed Critical 주식회사 케이티
Priority to KR1020190167902A priority Critical patent/KR20210076559A/ko
Publication of KR20210076559A publication Critical patent/KR20210076559A/ko

Links

Images

Classifications

    • 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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20036—Morphological image processing
    • G06T2207/20044—Skeletonization; Medial axis transform
    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)

Abstract

인체 모델의 학습 데이터를 생성하는 장치는 인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장하는 저장부, 가상 공간에서 인체 모델을 하나 이상의 시점으로부터 촬영한 가상 이미지 데이터를 획득하는 이미지 획득부, 인체의 관절 간의 관련성에 기초하여 상기 저장부로부터 상기 가상 이미지 데이터와 관련된 자세를 취하는 유사 이미지 데이터를 추출하는 유사 이미지 데이터 추출부 및 상기 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘에 기초하여 상기 가상 이미지 데이터에 대한 실사 변환을 수행하는 이미지 변환부를 포함한다.

Description

인체 모델의 학습 데이터를 생성하는 장치, 방법 및 컴퓨터 프로그램{APPARATUS, METHOD AND COMPUTER PROGRAM FOR GENERATING TRAINING DATA OF HUMAN MODEL}
본 발명은 인체 모델의 학습 데이터를 생성하는 장치, 방법 및 컴퓨터 프로그램에 관한 것이다.
여러 분야에서 전통적인 컴퓨터 비전 기반의 접근 방법을 대신하여 딥러닝 모델이 활용되고 있다. 특히, 2차원 영상의 처리와 관련하여, 딥러닝 모델은 인식, 추론 등의 정확도 면에서 우수한 성능을 보이고 있다.
딥러닝 모델의 학습을 수행하기 위한 학습 데이터의 양 및 질은 딥러닝 모델의 성능을 결정짓는 중요한 요소로 작용한다. 특히, 학습 데이터의 주석 데이터(annotation data)가 얼마나 정확하게 생성되었는지 여부가 딥러닝 모델의 성능에 큰 영향을 미친다. 이에 따라, 양질의 학습 데이터를 획득하고, 이를 가공하는 방법이 필요하다.
2차원 영상의 처리에 필요한 학습 데이터는 비교적 용이하게 획득할 수 있다. 그러나, 3차원 영상의 처리에 필요한 학습 데이터는 3차원 정보를 포함하고 있어야 하므로, 이러한 학습 데이터를 수집하기 위해서는 3D 스캐너, 3D 좌표를 기록 가능한 센서, 다시점 카메라 등 특수 장비를 필요로 하므로 많은 시간과 비용이 소모되고 있는 실정이다.
한편, 일본공개특허 제 2014-157509호는 형상 모델을 설정한 시점으로부터 관찰한 화상을 학습용 화상으로 생성하는 구성을 개시하고 있다.
가상 공간에서 3차원 인체 모델의 학습 데이터를 생성할 수 있는 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
3차원 인체 모델의 학습 데이터를 생성하는 데에 소모되는 시간, 비용 등을 절감할 수 있는 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 인체 모델의 학습 데이터를 생성하는 장치에 있어서, 인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장하는 저장부, 가상 공간에서 인체 모델을 하나 이상의 시점으로부터 촬영한 가상 이미지 데이터를 획득하는 이미지 획득부, 인체의 관절 간의 관련성에 기초하여 상기 저장부로부터 상기 가상 이미지 데이터와 관련된 자세를 취하는 유사 이미지 데이터를 추출하는 유사 이미지 데이터 추출부 및 상기 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘에 기초하여 상기 가상 이미지 데이터에 대한 실사 변환을 수행하는 이미지 변환부를 포함하는 것인, 학습 데이터 생성 장치를 제공할 수 있다.
일 실시예에서, 상기 이미지 획득부는 상기 획득한 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값을 더 획득할 수 있다.
일 실시예에서, 상기 유사 이미지 데이터 추출부는, 상기 가상 이미지 데이터 및 상기 좌표값에 기초하여 상기 복수의 자세 카테고리 중 상기 가상 이미지 데이터가 포함되는 자세 카테고리를 추출하는 자세 카테고리 추출부를 포함할 수 있다.
일 실시예에서, 상기 유사 이미지 데이터 추출부는, 상기 추출한 자세 카테고리에 포함되는 복수의 실사 이미지 데이터 각각에 대하여 상기 가상 이미지 데이터와의 유사도를 산출하는 유사도 산출부 및 상기 산출한 유사도에 기초하여 상기 가상 이미지 데이터에 대한 유사 이미지 데이터를 도출하는 유사 이미지 데이터 도출부를 더 포함할 수 있다.
일 실시예에서, 상기 유사도 산출부는 상기 추출한 자세 카테고리에 포함되는 실사 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값 및 상기 획득한 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값에 기초하여 상기 유사도를 산출할 수 있다.
일 실시예에서, 상기 유사도 산출부는 상기 인체의 자세를 형성하는 복수의 관절 중 인접하는 두 관절을 포함하는 관절 그룹 및 임의의 두 관절 그룹 간의 상관관계에 기초하여 상기 유사도를 산출할 수 있다.
일 실시예에서, 상기 이미지 변환부는, 상기 가상 이미지 데이터에 포함되는 관절 또는 관절 그룹 중 어느 하나에 대하여 상기 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘을 이용하여 실사 변환을 수행하여 부분 변환 이미지를 생성하는 부분 변환부를 포함할 수 있다.
일 실시예에서, 상기 이미지 변환부는 상기 가상 이미지 데이터에 포함되는 각 관절 또는 관절 그룹에 대한 상기 부분 변환 이미지를 병합하여 상기 가상 이미지 데이터에 대한 변환 이미지를 생성할 수 있다.
본 발명의 다른 실시예는, 인체 모델의 학습 데이터를 생성하는 방법에 있어서, 인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장하는 단계, 가상 공간에서 인체 모델을 하나 이상의 시점으로부터 촬영한 가상 이미지 데이터를 획득하는 단계, 인체의 관절 간의 관련성에 기초하여 상기 저장된 인체의 실사 이미지 데이터로부터 상기 가상 이미지 데이터와 관련된 자세를 취하는 유사 이미지 데이터를 추출하는 단계 및 상기 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘에 기초하여 상기 가상 이미지 데이터에 대한 실사 변환을 수행하는 단계를 포함하는 것인, 학습 데이터 생성 방법을 제공할 수 있다.
본 발명의 또 다른 실시예는, 인체 모델의 학습 데이터를 생성하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 있어서, 상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장하고, 가상 공간에서 인체 모델을 하나 이상의 시점으로부터 촬영한 가상 이미지 데이터를 획득하고, 인체의 관절 간의 관련성에 기초하여 상기 저장된 인체의 실사 이미지 데이터로부터 상기 가상 이미지 데이터와 관련된 자세를 취하는 유사 이미지 데이터를 추출하고, 상기 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘에 기초하여 상기 가상 이미지 데이터에 대한 실사 변환을 수행하도록 하는 명령어들의 시퀀스를 포함하는 것인, 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 3차원 인체 모델의 학습 데이터를 생성하는 데에 소모되는 비용 및 시간을 절감할 수 있다.
또한, 인체의 관절 간의 관련성에 기초하여 실사 이미지와 유사한 3차원 인체 모델의 학습 데이터를 생성할 수 있다.
또한, 학습 데이터를 이용하여 3차원 기반의 딥러닝 모델을 학습시키고, 이를 이용하여 3차원 인체 영상의 처리와 관련된 다양한 분야에 활용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 학습 데이터 생성 장치의 구성도이다.
도 2는 가상 이미지 데이터를 획득하는 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따라 획득한 가상 이미지 데이터를 예시적으로 나타낸다.
도 4는 본 발명의 일 실시예에 따라 가상 이미지 데이터와 실사 이미지 데이터의 유사도를 산출하는 방법을 설명하기 위한 예시적인 도면이다.
도 5는 본 발명의 일 실시예에 따른 학습 데이터 생성 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 학습 데이터 생성 장치의 구성도이다. 도 1을 참조하면, 학습 데이터 생성 장치(100)는 저장부(110), 이미지 획득부(120), 유사 이미지 데이터 추출부(130) 및 이미지 변환부(140)를 포함할 수 있다.
학습 데이터 생성 장치(100)는 서버, 데스크탑, 노트북, 키오스크(KIOSK) 및 스마트폰(smartphone), 태블릿 PC를 포함할 수 있다. 다만, 학습 데이터 생성 장치(100)는 앞서 예시된 것들로 한정 해석되는 것은 아니다. 즉, 학습 데이터 생성 장치(100)는 후술하는 인체 모델의 학습 데이터를 생성하는 방법을 수행하는 프로세서를 탑재한 모든 장치를 포함할 수 있다.
학습 데이터 생성 장치(100)는 인체 모델의 학습 데이터를 생성할 수 있다. 학습 데이터 생성 장치(100)는 인체 모델의 학습 데이터를 실사 이미지와 유사하게 생성할 수 있다. 학습 데이터 생성 장치(100)는 딥러닝 모델을 학습시키는 데에 이용할 수 있는 3차원 인체 모델의 학습 데이터를 생성할 수 있다. 학습 데이터 생성 장치(100)에서 수행되는 구체적인 동작은 이하에서 설명하도록 한다.
저장부(110)는 인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장할 수 있다. 저장부(110)는 복수의 인체의 실사 이미지 데이터를 저장할 수 있다. 저장부(110)는 각 인체의 실사 이미지 데이터를 인체의 형상을 기준으로 복수의 자세 카테고리로 분류하여 저장할 수 있다. 복수의 자세 카테고리는 예를 들어, 앉아 있는 자세, 서 있는 자세, 누워 있는 자세, 춤이나 운동과 같이 특정한 동작을 취하는 자세 등을 포함할 수 있으며, 이에 제한되지는 않는다.
일 실시예에서, 저장부(110)는 사용자 단말과 같은 외부 장치로부터 입력받은 복수의 인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장할 수 있다. 다른 실시예에서, 저장부(110)는 외부 서버와의 통신을 통해 입력받은 복수의 인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장할 수 있다.
저장부(110)는 각 인체의 실사 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값을 더 저장할 수 있다. 일 실시예에서, 인체의 실사 이미지 데이터에 대응하는 복수의 관절의 좌표값은 인체의 실사 이미지가 획득될 때에, 인체에 부착된 복수의 센서, 깊이 카메라(Depth Camera), 다시점 카메라 모델 등을 이용하여 함께 획득된 것일 수 있다. 다른 실시예에서, 인체의 실사 이미지 데이터에 대응하는 복수의 관절의 좌표값은 인체의 실사 이미지 데이터로부터 3차원 인체 모델을 추정하여 획득된 것일 수 있다.
저장부(110)는 복수의 자세 카테고리 각각에 대하여 자세 카테고리별 고유값(eigenvalues)을 더 저장할 수 있다. 저장부(110)는 인체의 자세를 형성하는 복수의 관절의 좌표값에 기초하여 복수의 자세 카테고리 각각에 대하여 자세 카테고리별 고유값을 도출하고, 도출된 자세 카테고리별 고유값을 저장할 수 있다.
이미지 획득부(120)는 가상 공간에서 인체 모델을 하나 이상의 시점으로부터 촬영한 가상 이미지 데이터를 획득할 수 있다. 도 2는 가상 이미지 데이터를 획득하는 방법을 설명하기 위한 도면이다.
도 2를 참조하면, 이미지 획득부(120)는 가상 이미지 데이터를 획득하기 위하여 가상 공간(210) 및 인체 모델(220)을 생성할 수 있다. 가상 공간(210)은 예를 들어, 공간의 중앙에 인체 모델(220)이 배치되고, 나머지 공간에는 아무것도 배치되지 않은 형태로 형성될 수 있다.
이미지 획득부(120)는 가상 공간(210)에서 인체 모델(220)을 기설정된 시점으로부터 촬영하기 위한 가상의 카메라(230)를 하나 이상 생성할 수 있다. 예를 들어, 가상 공간(210)에 복수의 가상의 카메라(230)가 인체 모델(220)을 중심으로 배치될 수 있다. 복수의 가상의 카메라(230)는 예를 들어, 인체 모델(220)을 중심으로 하는 원형, 반구형 또는 구형 중 어느 하나의 형태로 배치될 수 있으며, 복수의 가상의 카메라(230)의 배치 형태는 상술한 예에 제한되지 않는다.
이미지 획득부(120)는 가상 공간(210)에서 인체 모델(220)을 가상의 카메라(230)를 이용하여 하나 이상의 시점으로부터 촬영한 가상 이미지 데이터를 획득할 수 있다. 이미지 획득부(120)는 기설정된 자세를 취하는 인체 모델(220)을 하나 이상의 시점으로부터 촬영한 가상 이미지 데이터를 획득할 수 있다.
일 실시예에서, 이미지 획득부(120)는 기설정된 동작을 하는 동적인 인체 모델(220)을 하나 이상의 시점으로부터 촬영한 가상 영상 데이터를 획득하고, 가상 영상 데이터의 시간별 정지 화상으로부터 가상 이미지 데이터를 획득할 수 있다. 다른 실시예에서, 이미지 획득부(120)는 기설정된 동작을 하는 동적인 인체 모델(220)을 기설정된 시간 간격으로 촬영한 가상 이미지 데이터를 획득할 수 있다.
이미지 획득부(120)는 획득한 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값을 더 획득할 수 있다. 인체의 자세를 형성하는 복수의 관절은 예를 들어, 머리, 목, 어깨, 팔꿈치, 손목, 골반, 무릎, 발목 등을 하나 이상 포함할 수 있으며, 이에 제한되지는 않는다.
다시 도 2를 참조하면, 이미지 획득부(120)는 가상 공간(210)에서 기설정된 자세 또는 동작을 하는 인체 모델(220)의 복수의 관절의 좌표값을 획득할 수 있다. 이미지 획득부(120)는 가상 공간(210) 및 인체 모델(220)로부터 가상 이미지 데이터에 대응하는 복수의 관절의 3차원 좌표값을 획득할 수 있다.
도 3a 및 도 3b는 본 발명의 일 실시예에 따라 획득한 가상 이미지 데이터를 예시적으로 나타낸다. 구체적으로, 도 3a는 가상 공간에서 인체 모델을 기설정된 시점으로부터 촬영한 가상 이미지 데이터를 예시적으로 나타내고, 도 3b는 도 3a에 도시된 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절(300)을 가상 이미지 데이터 상에 표시한 도면을 예시적으로 나타낸다. 이미지 획득부(120)는 예를 들어, 도 3b에 도시된 복수의 관절(300)의 3차원 좌표값을 획득할 수 있다.
유사 이미지 데이터 추출부(130)는 저장부(110)로부터 가상 이미지 데이터와 관련된 자세를 취하는 유사 이미지 데이터를 추출할 수 있다. 유사 이미지 데이터 추출부(130)는 복수의 자세 카테고리로 분류하여 저장된 인체의 실사 이미지 데이터 중에서 유사 이미지 데이터를 추출할 수 있다. 유사 이미지 데이터 추출부(130)는 인체의 관절 간의 관련성에 기초하여 유사 이미지 데이터를 추출할 수 있다.
다시 도 1을 참조하면, 유사 이미지 데이터 추출부(130)는 자세 카테고리 추출부(131), 유사도 산출부(132) 및 유사 이미지 데이터 추출부(133)를 포함할 수 있다.
자세 카테고리 추출부(131)는 가상 이미지 데이터 및 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값에 기초하여 복수의 자세 카테고리 중 가상 이미지 데이터가 포함되는 자세 카테고리를 추출할 수 있다. 자세 카테고리 추출부(131)는 복수의 자세 카테고리 중에서 가상 이미지 데이터와 유사한 이미지 데이터를 가장 많이 포함하는 자세 카테고리를 추출할 수 있다.
자세 카테고리 추출부(131)는 가상 이미지 데이터 및 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값에 기초하여 가상 이미지 데이터의 자세 고유값(eigenvalues)을 도출할 수 있다. 자세 카테고리 추출부(131)는 도출된 가상 이미지 데이터의 자세 고유값 및 복수의 자세 카테고리 각각의 자세 카테고리별 고유값에 기초하여 가상 이미지 데이터가 포함되는 자세 카테고리를 추출할 수 있다.
예를 들어, 자세 카테고리 추출부(131)는 도 3a 및 도 3b에 도시된 가상 이미지 데이터 및 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값에 기초하여 서 있는 자세 카테고리를 추출할 수 있다.
유사도 산출부(132)는 추출한 자세 카테고리에 포함되는 복수의 실사 이미지 데이터 각각에 대하여 가상 이미지 데이터와의 유사도를 산출할 수 있다.
유사도 산출부(132)는 실사 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값 및 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값에 기초하여 유사도를 산출할 수 있다.
예를 들어, 유사도 산출부(132)는 실사 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값에 기초하여 및 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값에 기초하여 복수의 관절 벡터를 생성할 수 있다. 유사도 산출부(132)는 가상 이미지 데이터 및 실사 이미지 데이터의 서로 대응하는 관절 벡터의 위상차에 기초하여 유사도를 산출할 수 있다.
도 4a 및 4b는 본 발명의 일 실시예에 따라 가상 이미지 데이터와 실사 이미지 데이터의 유사도를 산출하는 방법을 설명하기 위한 예시적인 도면이다.
유사도 산출부(132)는 도 4a에 도시된 가상 이미지 데이터의 골반의 중앙점인 중심(k0)으로부터 다른 관절(k1, k2, k3, …, k19)까지의 관절 벡터(v1, v2, v3, …, v19)를 도출할 수 있다. 각 관절 벡터의 방향은 중심(k0)으로부터 다른 관절(k1, k2, k3, …, k19)까지 연결한 각도로 도출할 수 있다. 가상 이미지 데이터의 관절 벡터(v1, v2, v3,…, v19)는 골반의 중심(k0)을 기준으로 계층(hierarchy)을 형성할 수 있다.
또한, 유사도 산출부(132)는 동일한 방식으로 도 4b에 도시된 실사 이미지 데이터의 골반의 중앙점(k'0)으로부터 다른 관절(k'1, k'2, k'3,…, k'19)까지의 관절 벡터(v'1, v'2, v'3, …, v'19)를 도출할 수 있다. 각 관절 벡터의 방향은 중심(k'0)으로부터 다른 관절(k'1, k'2, k'3,…, k'19)까지 연결한 각도로 도출할 수 있다. 실사 이미지 데이터의 관절 벡터(v'1, v'2, v'3,…, v'19)는 골반의 중앙점(k'0)을 기준으로 계층(hierarchy)을 형성할 수 있다.
유사도 산출부(132)는 가상 이미지 데이터 및 실사 이미지 데이터의 서로 대응하는 관절 벡터의 위상차에 기초하여 부분 유사도를 산출할 수 있다. 유사도 산출부(132)는 예를 들어, v3 및 v'3의 위상차에 기초하여 부분 유사도를 산출할 수 있다.
유사도 산출부(132)는 예를 들어, 수학식 1을 이용하여 관절 벡터 v 및 v'에 기초하여 부분 유사도를 산출할 수 있다.
Figure pat00001
여기서 w는 인체의 관절 간의 관련성에 기초한 가중치로 이에 대한 상세한 설명은 후술한다. v 및 v'는 각각 가상 이미지 데이터 및 실사 이미지 데이터의 서로 대응하는 관절 벡터이고, θ는 v 및 v'의 위상차일 수 있다.
유사도 산출부(132)는 예를 들어, 가상 이미지 데이터 및 실사 이미지 데이터의 서로 대응하는 모든 관절 벡터에 대하여 부분 유사도를 산출할 수 있다. 유사도 산출부(132)는 모든 관절 벡터에 대하여 산출된 부분 유사도를 모두 합함으로써, 가상 이미지 데이터와 실사 이미지 데이터의 유사도를 산출할 수 있다.
유사도 산출부(132)는 인체의 자세를 형성하는 복수의 관절 중 인접하는 두 관절을 포함하는 관절 그룹 및 임의의 두 관절 그룹 간의 상관관계에 기초하여 유사도를 산출할 수 있다.
유사도 산출부(132)는 인체의 자세를 형성하는 복수의 관절 중 인접하는 두 관절을 포함하는 관절 그룹 및 임의의 두 관절 그룹 간의 상관관계에 기초하여 인체의 관절 간의 관련성에 기초한 가중치를 도출할 수 있다.
예를 들어, 유사도 산출부(132)는 복수의 관절 중 인접하는 두 관절을 포함하는 관절 그룹을 15개 생성할 수 있다. 유사도 산출부(132)는 지도 학습 기반의 딥러닝 모델에 복수의 3차원 관절 그룹 영상을 입력하여 각 관절 그룹에 해당할 확률을 출력할 수 있다. 복수의 3차원 관절 그룹 영상(Input)의 각각이 각 관절 그룹에 해당할 확률은 예를 들어, 표 1과 같이 도출될 수 있다. 예를 들어, Input 1은 얼굴에 해당하는 영상이고, Input 2는 목에 해당하는 영상이고, Input n은 오른쪽 발목에 해당하는 영상일 수 있다.
Figure pat00002
유사도 산출부(132)는 상술한 지도 학습 기반의 딥러닝 모델에 기초하여 임의의 두 관절 그룹 간의 상관관계를 도출할 수 있다. 유사도 산출부(132)는 수학식 2를 이용하여 임의의 두 관절 그룹 x 및 y의 상관관계를 도출할 수 있다.
Figure pat00003
여기서, x 및 y는 임의의 두 관절 그룹이고, Px는 관절 그룹 x에 해당할 확률이고, Py는 관절 그룹 y에 해당할 확률이고, CORRxy은 두 관절 그룹 x 및 y의 상관관계일 수 있다.
예를 들어, 상술한 표 1의 딥러닝 모델에 기초한 임의의 두 관절 그룹 간의 상관관계는, 표 2와 같이 도출될 수 있다.
Figure pat00004
유사도 산출부(132)는 임의의 두 관절 그룹 간의 상관관계에 기초하여 인체의 관절 간의 관련성에 기초한 가중치를 도출할 수 있다. 유사도 산출부(132)는 수학식 3을 이용하여 인체의 관절 간의 관련성에 기초한 가중치를 도출할 수 있다.
Figure pat00005
여기서 CORRxy은 두 관절 그룹 x 및 y의 상관관계이고, P는 가상 이미지 데이터의 일부분이 관절 그룹 x에 해당할 확률이고, wxy는 인체의 관절 간의 관련성에 기초한 가중치일 수 있다.
유사 이미지 데이터 추출부(133)는 산출한 유사도에 기초하여 가상 이미지 데이터에 대한 유사 이미지 데이터를 도출할 수 있다. 유사 이미지 데이터 추출부(133)는 추출한 자세 카테고리에 포함되는 복수의 실사 이미지 데이터 중에서 유사도가 가장 높게 산출된 실사 이미지 데이터를, 가상 이미지 데이터에 대한 유사 이미지 데이터로 도출할 수 있다.
이미지 변환부(140)는 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘에 기초하여 가상 이미지 데이터에 대한 실사 변환을 수행할 수 있다.
다시 도 1을 참조하면, 이미지 변환부(140)는 부분 변환부(141)를 포함할 수 있다.
부분 변환부(141)는 가상 이미지 데이터에 포함되는 관절 또는 관절 그룹 중 어느 하나에 대하여 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘을 이용하여 실사 변환을 수행하여 부분 변환 이미지를 생성할 수 있다.
가상 이미지 데이터의 전체에 대하여 유사 이미지 데이터 및 GANs 알고리즘을 이용하여 실사 변환을 수행할 경우, 가상 이미지 데이터에 대응하는 인체의 자세가 실사 이미지 데이터와 유사해지도록 변형될 우려가 있다. 그러므로, 가상 이미지 데이터에 대응하는 인체의 자세를 유지하면서 실사 변환을 수행하기 위하여, 가상 이미지 데이터의 일부인 관절 또는 관절 그룹 각각에 대하여 실사 변환을 수행한다.
부분 변환부(141)는 예를 들어, 가상 이미지 데이터 및 실사 이미지 데이터의 관절 벡터에 형성된 계층에 기초하여, 관절 또는 관절 그룹 중 어느 하나에 대하여 순차적으로 GANs 알고리즘을 이용하여 실사 변환을 수행할 수 있다.
이미지 변환부(140)는 가상 이미지 데이터에 포함되는 각 관절 또는 관절 그룹에 대한 부분 변환 이미지를 병합하여 가상 이미지 데이터에 대한 변환 이미지를 생성할 수 있다.
다시 도 4a 및 4b를 참조하면, 부분 변환부(141)는 예를 들어, 가상 이미지 데이터의 중심(k0)을 포함하는 부분에 대하여, 유사 이미지 데이터 및 GANs 알고리즘을 이용하여 실사 변환을 수행할 수 있다. 이후에 부분 변환부(141)는 예를 들어, 가상 이미지 데이터의 관절 벡터에 형성된 계층에 기초하여, 관절 또는 관절 그룹 중 어느 하나에 대하여 순차적으로 유사 이미지 데이터 및 GANs 알고리즘을 이용하여 실사 변환을 수행할 수 있다.
부분 변환부(141)는 복수의 부분 변환 이미지를 생성할 수 있다. 이미지 변환부(140)는 복수의 부분 변환 이미지를 병합함으로써 가상 이미지 데이터에 대응하는 인체의 자세를 유지하는 변환 이미지를 생성할 수 있다.
도 5는 본 발명의 일 실시예에 따른 학습 데이터 생성 방법의 순서도이다. 도 5에 도시된 장치(100)에서 수행되는 학습 데이터를 생성하는 방법(500)은 도 1에 도시된 실시예에 따라 장치(100)에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1에 도시된 실시예에 따른 장치(100)에서 수행되는 학습 데이터를 생성하는 방법에도 적용된다.
단계 S510에서 장치(100)는 인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장할 수 있다.
단계 S520에서 장치(100)는 가상 공간에서 인체 모델을 촬영한 가상 이미지 데이터를 획득할 수 있다.
단계 S530에서 장치(100)는 인체의 관절 간의 관련성에 기초하여 가상 이미지 데이터와 관련된 자세를 취하는 유사 이미지 데이터를 추출할 수 있다.
단계 S540에서 장치(100)는 유사 이미지 데이터 및 GANs 알고리즘에 기초하여 가상 이미지 데이터에 대한 실사 변환을 수행할 수 있다.
상술한 설명에서, 단계 S510 내지 S540은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
도 1 내지 도 5를 통해 설명된 학습 데이터 생성 장치에서 인체 모델의 학습 데이터를 생성하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 또한, 도 1 내지 도 5를 통해 설명된 학습 데이터 생성 장치에서 인체 모델의 학습 데이터를 생성하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램의 형태로도 구현될 수 있다.
컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 학습 데이터 생성 장치
110: 저장부
120: 이미지 획득부
130: 유사 이미지 데이터 추출부
140: 이미지 변환부

Claims (17)

  1. 인체 모델의 학습 데이터를 생성하는 장치에 있어서,
    인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장하는 저장부;
    가상 공간에서 인체 모델을 하나 이상의 시점으로부터 촬영한 가상 이미지 데이터를 획득하는 이미지 획득부;
    인체의 관절 간의 관련성에 기초하여 상기 저장부로부터 상기 가상 이미지 데이터와 관련된 자세를 취하는 유사 이미지 데이터를 추출하는 유사 이미지 데이터 추출부; 및
    상기 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘에 기초하여 상기 가상 이미지 데이터에 대한 실사 변환을 수행하는 이미지 변환부;
    를 포함하는 것인, 학습 데이터 생성 장치.
  2. 제 1 항에 있어서,
    상기 이미지 획득부는 상기 획득한 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값을 더 획득하는 것인, 학습 데이터 생성 장치.
  3. 제 2 항에 있어서,
    상기 유사 이미지 데이터 추출부는,
    상기 가상 이미지 데이터 및 상기 좌표값에 기초하여 상기 복수의 자세 카테고리 중 상기 가상 이미지 데이터가 포함되는 자세 카테고리를 추출하는 자세 카테고리 추출부
    를 포함하는 것인, 학습 데이터 생성 장치.
  4. 제 3 항에 있어서,
    상기 유사 이미지 데이터 추출부는,
    상기 추출한 자세 카테고리에 포함되는 복수의 실사 이미지 데이터 각각에 대하여 상기 가상 이미지 데이터와의 유사도를 산출하는 유사도 산출부; 및
    상기 산출한 유사도에 기초하여 상기 가상 이미지 데이터에 대한 유사 이미지 데이터를 도출하는 유사 이미지 데이터 도출부
    를 더 포함하는 것인, 학습 데이터 생성 장치.
  5. 제 4 항에 있어서,
    상기 유사도 산출부는 상기 추출한 자세 카테고리에 포함되는 실사 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값 및 상기 획득한 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값에 기초하여 상기 유사도를 산출하는 것인, 학습 데이터 생성 장치.
  6. 제 4 항에 있어서,
    상기 유사도 산출부는 상기 인체의 자세를 형성하는 복수의 관절 중 인접하는 두 관절을 포함하는 관절 그룹 및 임의의 두 관절 그룹 간의 상관관계에 기초하여 상기 유사도를 산출하는 것인, 학습 데이터 생성 장치.
  7. 제 6 항에 있어서,
    상기 이미지 변환부는,
    상기 가상 이미지 데이터에 포함되는 관절 또는 관절 그룹 중 어느 하나에 대하여 상기 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘을 이용하여 실사 변환을 수행하여 부분 변환 이미지를 생성하는 부분 변환부
    를 포함하는 것인, 학습 데이터 생성 장치.
  8. 제 7 항에 있어서,
    상기 이미지 변환부는 상기 가상 이미지 데이터에 포함되는 각 관절 또는 관절 그룹에 대한 상기 부분 변환 이미지를 병합하여 상기 가상 이미지 데이터에 대한 변환 이미지를 생성하는 것인, 학습 데이터 생성 장치.
  9. 인체 모델의 학습 데이터를 생성하는 방법에 있어서,
    인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장하는 단계;
    가상 공간에서 인체 모델을 하나 이상의 시점으로부터 촬영한 가상 이미지 데이터를 획득하는 단계;
    인체의 관절 간의 관련성에 기초하여 상기 저장된 인체의 실사 이미지 데이터로부터 상기 가상 이미지 데이터와 관련된 자세를 취하는 유사 이미지 데이터를 추출하는 단계; 및
    상기 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘에 기초하여 상기 가상 이미지 데이터에 대한 실사 변환을 수행하는 단계;
    를 포함하는 것인, 학습 데이터 생성 방법.
  10. 제 9 항에 있어서,
    상기 가상 이미지 데이터를 획득하는 단계는 상기 획득한 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값을 더 획득하는 것인, 학습 데이터 생성 방법.
  11. 제 10 항에 있어서,
    상기 유사 이미지 데이터를 추출하는 단계는 상기 가상 이미지 데이터 및 상기 좌표값에 기초하여 상기 복수의 자세 카테고리 중 상기 가상 이미지 데이터가 포함되는 자세 카테고리를 추출하는 단계를 포함하는 것인, 학습 데이터 생성 방법.
  12. 제 11 항에 있어서,
    상기 유사 이미지 데이터를 추출하는 단계는 상기 추출한 자세 카테고리에 포함되는 복수의 실사 이미지 데이터 각각에 대하여 상기 가상 이미지 데이터와의 유사도를 산출하는 단계; 및
    상기 산출한 유사도에 기초하여 상기 가상 이미지 데이터에 대한 유사 이미지 데이터를 도출하는 단계를 더 포함하는 것인, 학습 데이터 생성 방법.
  13. 제 12 항에 있어서,
    상기 유사도를 산출하는 단계는 상기 추출한 자세 카테고리에 포함되는 실사 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값 및 상기 획득한 가상 이미지 데이터에 대응하는 인체의 자세를 형성하는 복수의 관절의 좌표값에 기초하여 상기 유사도를 산출하는 것인, 학습 데이터 생성 방법.
  14. 제 12 항에 있어서,
    상기 유사도를 산출하는 단계는 상기 인체의 자세를 형성하는 복수의 관절 중 인접하는 두 관절을 포함하는 관절 그룹 및 임의의 두 관절 그룹 간의 상관관계에 기초하여 상기 유사도를 산출하는 것인, 학습 데이터 생성 방법.
  15. 제 14 항에 있어서,
    상기 실사 변환을 수행하는 단계는 상기 가상 이미지 데이터에 포함되는 관절 또는 관절 그룹 중 어느 하나에 대하여 상기 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘을 이용하여 실사 변환을 수행하여 부분 변환 이미지를 생성하는 단계를 포함하는 것인, 학습 데이터 생성 방법.
  16. 제 15 항에 있어서,
    상기 실사 변환을 수행하는 단계는 상기 가상 이미지 데이터에 포함되는 각 관절 또는 관절 그룹에 대한 상기 부분 변환 이미지를 병합하여 상기 가상 이미지 데이터에 대한 변환 이미지를 생성하는 것인, 학습 데이터 생성 방법.
  17. 인체 모델의 학습 데이터를 생성하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    인체의 실사 이미지 데이터를 복수의 자세 카테고리로 분류하여 저장하고,
    가상 공간에서 인체 모델을 하나 이상의 시점으로부터 촬영한 가상 이미지 데이터를 획득하고,
    인체의 관절 간의 관련성에 기초하여 상기 저장된 인체의 실사 이미지 데이터로부터 상기 가상 이미지 데이터와 관련된 자세를 취하는 유사 이미지 데이터를 추출하고,
    상기 유사 이미지 데이터 및 GANs(Generative Adversarial Networks) 알고리즘에 기초하여 상기 가상 이미지 데이터에 대한 실사 변환을 수행하도록 하는 명령어들의 시퀀스를 포함하는 것인, 매체에 저장된 컴퓨터 프로그램.
KR1020190167902A 2019-12-16 2019-12-16 인체 모델의 학습 데이터를 생성하는 장치, 방법 및 컴퓨터 프로그램 KR20210076559A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190167902A KR20210076559A (ko) 2019-12-16 2019-12-16 인체 모델의 학습 데이터를 생성하는 장치, 방법 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190167902A KR20210076559A (ko) 2019-12-16 2019-12-16 인체 모델의 학습 데이터를 생성하는 장치, 방법 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR20210076559A true KR20210076559A (ko) 2021-06-24

Family

ID=76607311

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190167902A KR20210076559A (ko) 2019-12-16 2019-12-16 인체 모델의 학습 데이터를 생성하는 장치, 방법 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR20210076559A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102584539B1 (ko) * 2022-11-25 2023-10-05 디블라트 주식회사 인공지능을 이용한 관절 정보 생성 장치 및 그 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102584539B1 (ko) * 2022-11-25 2023-10-05 디블라트 주식회사 인공지능을 이용한 관절 정보 생성 장치 및 그 방법

Similar Documents

Publication Publication Date Title
Sugano et al. Learning-by-synthesis for appearance-based 3d gaze estimation
US9852358B2 (en) Information processing device, information processing method, and information processing system
JP7015152B2 (ja) キーポイントデータに関する加工装置、方法及びプログラム
CN110544301A (zh) 一种三维人体动作重建系统、方法和动作训练系统
Jeni et al. The first 3d face alignment in the wild (3dfaw) challenge
Ding et al. STFC: Spatio-temporal feature chain for skeleton-based human action recognition
CN109684969B (zh) 凝视位置估计方法、计算机设备及存储介质
US11403882B2 (en) Scoring metric for physical activity performance and tracking
WO2018075053A1 (en) Object pose based on matching 2.5d depth information to 3d information
JP2012083955A (ja) 動作モデル学習装置、３次元姿勢推定装置、動作モデル学習方法、３次元姿勢推定方法およびプログラム
JPWO2018087933A1 (ja) 情報処理装置、情報処理方法、およびプログラム
JP2013120556A (ja) 被写体姿勢推定装置および映像描画装置
Fieraru et al. Learning complex 3D human self-contact
JP2014085933A (ja) ３次元姿勢推定装置、３次元姿勢推定方法、及びプログラム
JP4938748B2 (ja) 画像認識装置及びプログラム
JP2015028702A (ja) 情報処理装置、情報処理方法およびプログラム
JP7480001B2 (ja) 学習装置、処理装置、学習方法、姿勢検出モデル、プログラム、及び記憶媒体
US20170365084A1 (en) Image generating apparatus and image generating method
KR20230078777A (ko) 3차원 재구성 방법, 장치와 시스템, 매체 및 컴퓨터 기기
Cao et al. Human posture recognition using skeleton and depth information
CN113947810A (zh) 基于姿态识别的太极拳评估方法及系统
KR20210076559A (ko) 인체 모델의 학습 데이터를 생성하는 장치, 방법 및 컴퓨터 프로그램
US20230068731A1 (en) Image processing device and moving image data generation method
CN116485953A (zh) 数据处理方法、装置、设备和可读存储介质
TW201824020A (zh) 人體動作的分析系統

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal