KR20210077901A - 영상획득장치 및 방법 - Google Patents

영상획득장치 및 방법 Download PDF

Info

Publication number
KR20210077901A
KR20210077901A KR1020190169392A KR20190169392A KR20210077901A KR 20210077901 A KR20210077901 A KR 20210077901A KR 1020190169392 A KR1020190169392 A KR 1020190169392A KR 20190169392 A KR20190169392 A KR 20190169392A KR 20210077901 A KR20210077901 A KR 20210077901A
Authority
KR
South Korea
Prior art keywords
data
pixel
raw data
image
compensation coefficient
Prior art date
Application number
KR1020190169392A
Other languages
English (en)
Other versions
KR102708025B1 (ko
Inventor
안재현
이지원
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190169392A priority Critical patent/KR102708025B1/ko
Priority to US16/869,051 priority patent/US11394896B2/en
Publication of KR20210077901A publication Critical patent/KR20210077901A/ko
Application granted granted Critical
Publication of KR102708025B1 publication Critical patent/KR102708025B1/ko

Links

Images

Classifications

    • 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
    • H04N9/04555—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/10—Circuitry of solid-state image sensors [SSIS]; Control thereof for transforming different wavelengths into image signals
    • H04N25/11—Arrangement of colour filter arrays [CFA]; Filter mosaics
    • H04N25/13—Arrangement of colour filter arrays [CFA]; Filter mosaics characterised by the spectral characteristics of the filter elements
    • H04N25/133—Arrangement of colour filter arrays [CFA]; Filter mosaics characterised by the spectral characteristics of the filter elements including elements passing panchromatic light, e.g. filters passing white light
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/76—Circuitry for compensating brightness variation in the scene by influencing the image signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/10—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths
    • H04N23/11—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths for generating image signals from visible and infrared light wavelengths
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/56—Cameras or camera modules comprising electronic image sensors; Control thereof provided with illuminating means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/617—Upgrading or updating of programs or applications for camera control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/74—Circuitry for compensating brightness variation in the scene by influencing the scene brightness using illuminating means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/10—Circuitry of solid-state image sensors [SSIS]; Control thereof for transforming different wavelengths into image signals
    • H04N25/11—Arrangement of colour filter arrays [CFA]; Filter mosaics
    • H04N25/13—Arrangement of colour filter arrays [CFA]; Filter mosaics characterised by the spectral characteristics of the filter elements
    • H04N25/131—Arrangement of colour filter arrays [CFA]; Filter mosaics characterised by the spectral characteristics of the filter elements including elements passing infrared wavelengths
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/30—Transforming light or analogous information into electric information
    • H04N5/33—Transforming infrared radiation
    • H04N9/04553—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/646—Circuits for processing colour signals for image enhancement, e.g. vertical detail restoration, cross-colour elimination, contour correction, chrominance trapping filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20216—Image averaging
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/20—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from infrared radiation only

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Image Processing (AREA)

Abstract

본 발명의 실시 예에 따른 영상획득방법은 적외선 픽셀 및 삼원색 픽셀들을 포함하는 이미지 센서를 이용하는 것으로, IR 조명을 턴-온한 상태에서 이미지 센서로 제1 색상을 촬영하여 제1 영상데이터를 획득하는 단계, IR 조명을 턴-오프한 상태에서 이미지 센서로 제1 색상을 촬영하여 제2 영상데이터를 획득하는 단계, 제1 영상데이터에서, 이미지 센서의 제1 픽셀로부터 획득된 제1 로우 데이터를 추출하는 단계, 제1 영상데이터에서 제1 픽셀의 IR 성분에 해당하는 IR 로우 데이터를 추출하는 단계, 및 제1 로우 데이터 및 IR 로우 데이터 간의 차이에 기초하여 제1 픽셀의 보정 데이터를 생성하는 단계를 포함한다. 보정 데이터를 생성하는 단계는 제2 영상데이터에서 제1 픽셀로부터 획득된 제2 로우 데이터를 추출하고, 제2 로우 데이터와 보정 데이터 간의 편차에 비례하는 보정값이 미리 설정된 기준치 미만이 되도록 보정 데이터를 생성하는 단계를 포함한다.
본 발명은 인공 지능(Artificial Intelligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

영상획득장치 및 방법{Apparatus and Method for Obtaining Image}
본 발명은 영상데이터 처리장치 및 방법에 관한 것으로, 특히 RGB-IR 센서로부터 리얼 컬러를 획득할 수 있는 영상데이터 처리장치 및 방법에 관한 것이다.
RGB-IR 이미지 센서는 적색, 녹색, 청색의 삼원색과 적외선 촬영용 센서를 포함하고, 삼원색으로 이루어지는 컬러 영상과 및 적외선(infrared; 이하IR) 영상을 획득한다.
일반적인 RGB-IR 이미지 센서는 컬러 영상을 획득하는 과정에서, IR 컷 필터(IR cut filter)를 이용하여 IR 성분을 차단할 수 있다. IR 차단 필터는 IR을 차단하기에 용이하지만, 전체적인 이미지 센서의 비용이 증가되는 단점이 있다.
근래에는 제조 비용을 간소화하면서 IR 성분이 제거된 리얼 컬러 영상을 획득할 수 있는 방안들이 연구되고 있다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
제조 비용을 간소화하면서 IR 성분을 효과적으로 제거할 수 있는 영상획득장치 및 방법을 제공하기 위한 것이다.
본 발명의 실시 예에 따른 영상획득방법은 적외선 픽셀 및 삼원색 픽셀들을 포함하는 이미지 센서를 이용하는 것으로, IR 조명을 턴-온한 상태에서 이미지 센서로 제1 색상을 촬영하여 제1 영상데이터를 획득하는 단계, IR 조명을 턴-오프한 상태에서 이미지 센서로 제1 색상을 촬영하여 제2 영상데이터를 획득하는 단계, 제1 영상데이터에서, 이미지 센서의 제1 픽셀로부터 획득된 제1 로우 데이터를 추출하는 단계, 제1 영상데이터에서 제1 픽셀의 IR 성분에 해당하는 IR 로우 데이터를 추출하는 단계, 및 제1 로우 데이터 및 IR 로우 데이터 간의 차이에 기초하여 제1 픽셀의 보정 데이터를 생성하는 단계를 포함한다. 보정 데이터를 생성하는 단계는 제2 영상데이터에서 제1 픽셀로부터 획득된 제2 로우 데이터를 추출하고, 제2 로우 데이터와 보정 데이터 간의 편차에 비례하는 보정값이 미리 설정된 기준치 미만이 되도록 보정 데이터를 생성하는 단계를 포함한다.
상기 제1 픽셀은 상기 삼원색의 픽셀들 중에서 어느 하나에 해당한다.
상기 제1 픽셀의 IR 로우 데이터를 획득하는 단계는 상기 제1 픽셀과 인접한 두 개 이상의 상기 IR 픽셀의 IR 데이터를 보간하는 단계를 포함할 수 있다.
상기 제1 픽셀의 보정 데이터를 생성하는 단계는 상기 제1 로우 데이터에서 보상계수 및 상기 제2 로우 데이터 간의 곱에 해당하는 값을 감산하는 단계를 포함할 수 있다.
상기 보상계수를 설정하는 단계는 제i(i는 자연수) 보상계수를 설정하는 단계, 상기 제1 로우 데이터에서 상기 제i 보상계수 및 상기 제2 로우 데이터 간의 곱에 해당하는 값을 감산하여 제i 보정데이터를 생성하는 단계 및 상기 제2 로우 데이터와 상기 제i 보정데이터 간의 편차에 비례하는 제i 보정값이 상기 기준치 미만인 것에 기초하여 상기 제i 보상계수를 상기 보상계수로 설정하는 단계를 포함할 수 있다.
상기 제1 및 제2 영상데이터를 획득하는 단계는 제2 내지 제M(M은 3 이상의 자연수) 색상에 대한 제1 및 제2 영상데이터를 획득하는 단계를 더 포함할 수 있다.
상기 보상계수를 설정하는 단계는 상기 제1 색상을 촬영한 n(n은 자연수)개의 픽셀들 각각의 제i 보정값을 산출하는 단계; 상기 n개의 보정값에 대한 제i 평균 보정값을 산출하는 단계; 상기 M개의 색상 각각에 대한 M개의 제i 평균 보정값에 대한 평균값을 산출하여, 제i 총 평균 보정값을 획득하는 단계; 및 상기 제i 총 평균 보정값이 미리 설정된 임계치 미만인 것에 기초하여, 상기 제i 보상계수를 상기 보상계수로 결정하는 단계;를 포함할 수 있다.
상기 제1 보상계수는 상기 IR 픽셀이 수광하는 IR 수광량에 대비한 R,G,B 픽셀들 중의 하나인 상기 제1 픽셀이 수광하는 IR 수광량의 비율로 설정될 수 있다.
본 발명의 실시 예에 의한 영상획득장치는 삼원색 픽셀들 및 적외선 픽셀을 포함하는 이미지 센서, 적외선 광을 조사하는 IR 조명 및 상기 IR 조명을 턴-온한 상태에서, 상기 이미지 센서로 제1 색상을 촬영하여 제1 영상데이터를 획득하고, 상기 제1 영상데이터에서 상기 이미지 센서의 제1 픽셀로부터 획득된 제1 로우 데이터 및 상기 제1 픽셀의 IR 성분에 해당하는 IR 로우 데이터를 추출하며, 상기 제1 로우 데이터 및 상기 IR 로우 데이터 간의 차이에 기초하여 상기 제1 픽셀의 보정 데이터를 생성하는 프로세서를 포함한다.
상기 프로세서는 상기 제2 영상데이터에서 상기 제1 픽셀로부터 획득된 제2 로우 데이터를 추출하고, 상기 제2 로우 데이터와 상기 보정 데이터 간의 편차에 비례하는 보정값이 미리 설정된 기준치 미만이 되도록 상기 보정 데이터를 생성할 수 있다.
상기 프로세서는 상기 제1 픽셀과 인접한 두 개 이상의 상기 IR 픽셀의 IR 데이터를 보간하여, 상기 제1 픽셀의 IR 로우 데이터를 획득할 수 있다.
상기 프로세서는 상기 제1 로우 데이터에서 보상계수 및 상기 제2 로우 데이터 간의 곱에 해당하는 값을 감산하여, 상기 제1 픽셀의 보정 데이터를 생성할 수 있다.
상기 프로세서는 제i(i는 자연수) 보상계수를 설정하고, 상기 제1 로우 데이터에서 상기 제i 보상계수 및 상기 제2 로우 데이터 간의 곱에 해당하는 값을 감산하여, 제i 보정데이터를 생성하며, 상기 제2 로우 데이터와 상기 제i 보정데이터 간의 편차에 비례하는 제i 보정값이 상기 기준치 미만인 것에 기초하여 상기 제i 보상계수를 상기 보상계수로 설정할 수 있다.
상기 프로세서는 제2 내지 제M(M은 3 이상의 자연수) 색상에 대한 제1 및 제2 영상데이터를 더 획득할 수 있다.
상기 프로세서는 상기 제1 색상을 촬영한 n(n은 자연수)개의 픽셀들 각각의 제i 보정값을 산출하고, 상기 n개의 보정값에 대한 제i 평균 보정값을 산출하며, 상기 M개의 색상 각각에 대한 M개의 제i 평균 보정값에 대한 평균값을 산출하여 제i 총 평균 보정값을 획득하고, 상기 제i 총 평균 보정값이 미리 설정된 임계치 미만인 것에 기초하여 상기 제i 보상계수를 상기 보상계수로 결정할 수 있다.
상기 프로세서는 상기 IR 픽셀이 수광하는 IR 수광량에 대비한 R,G,B 픽셀들 중의 하나인 상기 제1 픽셀이 수광하는 IR 수광량의 비율로 제1 보상계수를 설정할 수 있다.
상기 제1 픽셀은 상기 삼원색 픽셀들 중에서 어느 하나일 수 있다.
본 발명은 IR 차단 필름을 이용하지 않으면서, IR 성분이 제거된 컬러 영상을 획득할 수 있다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 5는 본 발명의 실시 예에 따른 영상획득장치를 나타내는 도면이다.
도 6은 본 발명의 실시 예에 따른 이미지 센서를 나타내는 도면이다.
도 7은 본 발명의 실시 예에 따른 영상획득방법을 나타내는 도면이다.
도 8은 보상계수를 설정하는 실시 예를 나타내는 도면이다.
도 9는 복수 개의 색상 패치의 일례를 나타내는 도면이다.
도 10은 주파수 영역대 별로 이미지 센서가 감지할 수 있는 수광율을 나타내는 도면이다.
도 11은 제1 영상데이터를 나타내는 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
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.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.
도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 수 있다.
B.물리 채널 및 일반적인 신호 전송
도 2는 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다. 무선 통신 시스템에서 단말은 기지국으로부터 하향링크(Downlink, DL)를 통해 정보를 수신하고, 단말은 기지국으로 상향링크(Uplink, UL)를 통해 정보를 전송한다. 기지국과 단말이 송수신하는 정보는 데이터 및 다양한 제어 정보를 포함하고, 이들이 송수신 하는 정보의 종류/용도에 따라 다양한 물리 채널이 존재한다.
단말은 전원이 켜지거나 새로이 셀에 진입한 경우 기지국과 동기를 맞추는 등의 초기 셀 탐색(Initial cell search) 작업을 수행한다(S201). 이를 위해, 단말은 기지국으로부터 주 동기 신호(Primary Synchronization Signal, PSS) 및 부 동기 신호(Secondary Synchronization Signal, SSS)을 수신하여 기지국과 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. 그 후, 단말은 기지국으로부터 물리 방송 채널(Physical Broadcast Channel, PBCH)를 수신하여 셀 내 방송 정보를 획득할 수 있다. 한편, 단말은 초기 셀 탐색 단계에서 하향링크 참조 신호(Downlink Reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다.
초기 셀 탐색을 마친 단말은 물리 하향링크 제어 채널(Physical Downlink Control Channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(Physical Downlink Control Channel; PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, 기지국에 최초로 접속하거나 신호 송신을 위한 무선 자원이 없는 경우, 단말은 기지국에 대해 임의 접속 과정(Random Access Procedure, RACH)을 수행할 수 있다(S203 내지 S206). 이를 위해, 단말은 물리 임의 접속 채널(Physical Random Access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로 송신하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 응답 메시지((RAR(Random Access Response) message)를 수신할 수 있다. 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 절차(Contention Resolution Procedure)를 수행할 수 있다(S206).
상술한 바와 같은 절차를 수행한 단말은 이후 일반적인 상/하향링크 신호 송신 절차로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(Physical Uplink Shared Channel, PUSCH)/물리 상향링크 제어 채널(Physical Uplink Control Channel; PUCCH) 송신(S208)을 수행할 수 있다. 특히 단말은 PDCCH를 통하여 하향링크 제어 정보(Downlink Control Information, DCI)를 수신할 수 있다. 여기서, DCI는 단말에 대한 자원 할당 정보와 같은 제어 정보를 포함하며, 사용 목적에 따라 포맷이 서로 다르게 적용될 수 있다.
한편, 단말이 상향링크를 통해 기지국에 송신하는 또는 단말이 기지국으로부터 수신하는 제어 정보는 하향링크/상향링크 ACK/NACK 신호, CQI(Channel Quality Indicator), PMI(Precoding Matrix 인덱스), RI(Rank Indicator) 등을 포함할 수 있다. 단말은 상술한 CQI/PMI/RI 등의 제어 정보를 PUSCH 및/또는 PUCCH를 통해 송신할 수 있다.
C. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
D. 5G 통신을 이용한 AI 기본 동작
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
E. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
도 4는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 본 명세서에 개시된 디바이스의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은, 본 명세서에 개시되는 디바이스의 제어와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 상기 디바이스가 자율주행 차량인 경우, 자율주행 차량은 센싱 데이터 또는 운전자 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 상기 디바이스가 예를 들어, 상기 디바이스가 자율주행 차량인 경우 상기 차량 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱 하여 자율주행 제어를 수행할 수 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 디바이스 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 디바이스 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
여기서 외부 전자 기기는 자율 주행 차량으로 정의될 수 있다. 또한, 상기 AI 장치(20)는 상기 자율 주행 모듈 차량과 통신하는 다른 차량 또는 5G 네트워크로 정의될 수 있다. 한편, 상기 AI 장치(20)는 차량 내에 구비된 자율주행 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 상기 5G 네트워크는 자율 주행 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
한편, 도 4에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
도 5는 본 발명의 실시 예에 따른 영상획득장치를 나타내는 도면이다.
도 5를 참조하면, 본 발명의 실시 예에 따른 영상획득장치는 이미지 센서(10), IR 조명(20) 및 프로세서(30)를 포함한다.
이미지 센서(10)는 도 6에 도시된 바와 같이, 다수의 단위 픽셀(UP)을 포함한다. 단위 픽셀(UP)들 각각은 RGB 픽셀들과 적외선 픽셀(이하 IR 픽셀)(IR)들을 포함하고, RGB 픽셀들은 적색 픽셀(R), 녹색 픽셀(G) 및 청색 픽셀(B)을 포함한다. RGB 픽셀들은 가시광선 대역을 광을 수광하고, 수광되는 가시광선에 따라 전류 및 전압 변화를 야기한다. IR 픽셀들은 적외성 대역의 광을 수광하고, 수광되는 적외선에 따라 전류 및 전압 변화를 야기한다.
IR 조명(20)은 적외선 광을 방출함으로써, IR 이미지를 생성하는 과정에서 피사체로부터 반사되는 적외선 광량을 보강한다.
프로세서(30)는 이미지 센서(10) 및 IR 조명(20)의 전반적인 동작을 제어하고, 이미지 센서(10)로부터 획득된 영상을 바탕으로 리얼 컬러 영상 또는 IR 영상을 생성한다. 프로세서(30)는 리얼 컬러 영상을 획득하기 위해서, 이미지 센서(10)의 RGB 픽셀들이 획득한 영상에서 IR 성분을 제거하는 절차를 수행한다. 특히, 프로세서(30)는 IR 성분을 효과적으로 제거함으로써, 사람의 눈이 인지하는 객체와 가까운 컬러 영상을 획득할 수 있다.
이와 같이, 본 발명의 실시 예에 의한 영상획득장치는 프로세서(30)가 수행하는 영상처리방법을 이용하여 영상데이터에서 IR 성분을 제거할 수 있기 때문에, IR 커 필터(IR cut filter)가 없이도 실제와 가까운 컬러 영상을 획득할 수 있다.
도 7은 본 발명의 실시 예에 따른 영상획득방법을 나타내는 도면이다. 후술하는 영상획득방법은 프로세서(30)가 이미지 센서(10) 및 IR 조명(20)을 전반적으로 제어하면서, 정해진 알고리즘을 수행하는 절차를 포함한다.
도 7을 참조하면, 본 발명의 실시 예에 따른 영상획득방법은 제1 단계(S710)에서, 제1 영상데이터를 획득한다. 제1 영상데이터는 IR 조명(20)을 턴-온 시킨 상태에서, 이미지 센서(10)를 이용하여 미리 설정된 특정 색상의 패치를 촬영하여 획득된 것을 지칭한다.
제2 단계(S720)에서, 제2 영상데이터를 획득한다. 제2 영상데이터는 IR 조명(20)을 턴-오프 시킨 상태에서, 이미지 센서(10)를 이용하여 특정 색상의 패치를 촬영하여 획득된 것을 지칭한다.
제3 단계(S730)에서, 제1 영상데이터에서 제1 픽셀의 제1 로우 데이터(I_R_on)를 추출한다. 제1 픽셀은 이미지 센서(10)의 R,G,B 픽셀들 중에서 어느 하나를 지칭한다. 제1 픽셀의 제1 로우 데이터(I_R_on)는 제1 픽셀로부터 획득된 영상데이터를 지칭한다. 본 명세서에서, "I_R_on"은 R 픽셀의 제1 로우 데이터를 지칭하며, "I_G_on"은 G 픽셀의 제1 로우 데이터를 지칭하고, "I_B_on"은 B 픽셀의 제1 로우 데이터를 지칭한다.
제4 단계(S740)에서, 제1 영상데이터에서 제1 픽셀에 대한 IR 로우 데이터(I_IR_on)를 추출한다.
제1 픽셀의 IR 로우 데이터(I_IR_on)는 제1 픽셀을 통해서 획득된 영상데이터가 포함하는 IR 성분을 지칭한다. 제1 픽셀은 R,G,B 픽셀들 중의 하나이기 때문에, 제1 픽셀의 IR 성분은 인접하는 IR 픽셀들로부터 획득되는 영상데이터를 보간하여 생성된다. 보간 방법은 공지된 어떠한 기술을 이용하여도 무방하다.
제5 단계(S750)에서, 제1 로우 데이터(I_R_on) 및 IR 로우 데이터(I_IR_on) 간의 차이에 기초하여, 제1 픽셀의 보정 데이터(Iout_R) 생성한다. 보정 데이터(Iout_R)는 제1 로우 데이터(I_R_on)에서 보상계수 크기에 비례하는 IR 로우 데이터(I_IR_on)를 감산하여 획득할 수 있다. 보정 데이터(Iout_R)는 제1 픽셀의 컬러 영상 데이터로 활용된다.
보정 데이터(Iout_R)는 보상계수에 따라서 달라진다. 보정 데이터(Iout_R)는 이상적으로 IR 성분이 없어야 하고, 따라서 이상적인 보정 데이터(Iout_R)는 IR 성분이 없을 경우 IR 조명(20)을 턴-오프 한 상태에서 획득한 제2 로우 데이터(I_R_off)와 동일한 크기를 갖는다. 따라서, 보상계수는 보정 데이터(Iout_R)를 제2 로우 데이터(I_R_off)에 근접할 수 있는 크기로 설정하는 것이 바람직하다.
이하, 보상계수를 설정하는 구체적인 실시 예를 살펴보면 다음과 같다.
도 8은 보상계수를 설정하는 실시 예를 나타내는 도면이다.
도 8을 참조하여 R 픽셀에 대한 보상계수를 설정하는 방법을 살펴보면 다음과 같다.
제1 단계(S810)에서, 이미지 센서(10)를 이용하여 복수 개의 색상 패치를 촬영한다. 도 9는 복수 개의 색상 패치의 일례를 나타내는 도면으로, 멕베드 컬러 체커(Macbeth Color Checker; 이하 MCC) 차트를 이용할 수 있다. MCC 차트는 제1 패치(C1) 내지 제24 패치(C24)를 포함할 수 있고, 제1 내지 제24 패치들(C1~C24)은 각각은 미리 설정된 하나의 표준색으로 표현된다.
제2 단계(S820)에서, 초기 보상계수를 설정한다.
도 10을 바탕으로 초기 보상계수를 설정하는 방법을 살펴보면 다음과 같다.
도 10은 주파수 영역대 별로 이미지 센서가 감지할 수 있는 수광율을 나타내는 도면이다. 도 10에서 알 수 있는 바와 같이, 이미지 센서(10)의 각 픽셀들은 IR 주파수 영역의 파장을 수광할 수 있다.
초기 보상계수(αi)는 다음의 [수학식 1]을 바탕으로 설정될 수 있다.
[수학식 1]
Figure pat00001
λ는 파장을 의미하고, fi(λ)는 임의의 파장에서 제i 픽셀이 수광하는 스펙트럼의 수광율을 지칭하고, fIR(λ)는 임의의 파장에서 IR 픽셀이 수광하는 스펙트럼의 수광율을 지칭한다. 따라서, 초기 보상계수는 임의의 파장에서 IR 픽셀의 수광율에 대비한 R,G,B 픽셀들 중의 하나인 제i 픽셀의 수광율로 정의될 수 있다. 예를 들어, αi가 R 픽셀에 대한 초기 보상계수일 경우, αi는 650nm~810nm 범위 내의 제1 그래프(gR)의 적분값을 650nm~810nm 범위 내의 제4 그래프(gIR)의 적분값으로 나눈 값에 해당한다.
제3 단계(S830)에서, 제1 색상 패치에 대한 평균 보정 데이터를 생성한다.
제1 색상 패치에 대한 평균 보정 데이터는 제1 영상데이터에서 제1 색상 데이터들 각각에 대한 보정 데이터를 생성하는 단계, 및 보정 데이터들의 평균값을 산출하여 평균 보정데이터를 획득하는 단계를 포함한다.
제1 영상데이터에서 제1 색상 데이터들 각각에 대한 보정 데이터를 생성하는 단계를 설명하면 다음과 같다.
제1 픽셀(R1)에 대한 제i 보정 데이터(Iout_i_R1)는 다음과 같은 [수학식 2]에 기초하여 산출될 수 있다.
[수학식 2]
Iout_i_R1 = (I_R_on) - ki×(I_IR_on)
"ki"는 제i 보정데이터를 생성하기 위한 제i 보상계수를 지칭한다. 즉, 제i 픽셀에 대한 초기 보상계수(αi)는 "k1"에 해당하고, 초기 보상계수(αi)를 이용하여 생성된 보정데이터는 제1 보정데이터에 해당한다. 제1 픽셀에 대한 제i 보정 데이터(Iout_i_R1)는 제1 로우 데이터(I_R_on)에서 IR 로우 데이터(I_IR_on)와 제i 보상계수(ki)와의 곱을 감산하여 산출된다.
R 픽셀에 대한 보상계수를 획득하는 과정에서 제1 픽셀은 n 개의 R 픽셀들 중에서 어느 하나의 픽셀을 지칭한다. 제1 픽셀의 제1 로우 데이터 및 IR 로우 데이터를 보다 구체적으로 설명하면 다음과 같다.
도 11은 제1 영상데이터를 나타내는 도면이다.
도 11을 참조하면, 제1 영상데이터(IDATA1)는 IR 조명을 턴-온시킨 상태에서 이미지 센서(10)를 이용하여 MMC 차트를 촬영하였을 때에, 각각의 픽셀들로부터 획득된 데이터를 지칭한다. 제1 영상데이터(IDATA1)는 MMC 차트의 제1 패치(C1) 영역에 대한 제1 색상 데이터(IDATA1_C1)를 포함할 수 있다. 제1 영상데이터(IDATA1)는 각 픽셀들의 제1 로우 데이터(I_R_on) 및 IR 로우 데이터(I_IR_on)를 포함한다.
제1 색상 데이터(IDATA1_C1)는 R 픽셀들로부터 획득된 n개의 R 픽셀 데이터들(I_R1_on~ I_Rn_on), G 픽셀들로부터 획득된 n개의 G 픽셀 데이터들(I_G1_on~ I_Gn_on), B 픽셀들로부터 획득된 n개의 B 픽셀 데이터들(I_B1_on~ I_Bn_on), 및 IR 픽셀들로부터 획득된 n개의 IR 로우 데이터들(I_IR1_on~ I_IRn_on)을 포함할 수 있다.
제1 픽셀의 제1 로우 데이터(I_R_on)는 "I_R1_on"에 해당한다. 제1 픽셀은 R 픽셀이기 때문에, 제1 픽셀의 IR 로우 데이터는 직접 획득될 수 없다. 따라서, 제1 픽셀에 대한 IR 로우 데이터(R_IR_on)는 제1 픽셀과 인접한 IR 픽셀들이 획득한 데이터들을 보간하여 생성될 수 있다. 예를 들어, "R_IR1_on" 및 "R_IR1_on"를 보간하여 제1 픽셀에 대한 IR 로우 데이터(R_IR_on)를 획득할 수 있다.
제1 색상 데이터(IDATA1_C1)에서 n개의 R 픽셀들의 제i 평균 보정 데이터(Iout_i _R_avg1)는 각각의 R 픽셀에 대한 보정데이터를 합산하고, 합산한 결과를 픽셀 개수로 나눈 값에 해당한다. 즉, 다음과 같은 [수학식 3]에 기초하여 산출될 수 있다.
[수학식 3]
Iout_i _R_avg1 = (Iout_i _R1+ Iout_i _R2+…+ Iout_i _Rn)/n
"Iout_i _R2"는 제2 R픽셀에 대한 제i 평균 보정 데이터이고, "Iout_i _Rn"는 제n R픽셀에 대한 제i 평균 보정 데이터이다.
제4 단계(S840)에서, 복수 개의 색상 패치 내의 평균 보정 데이터(Iout_avg)를 생성한다. 도 9에서와 같이, 24개의 색상 패치를 포함할 경우, 다음과 같이 전체 색상 패치들 각각에 대한 평균 보정 데이터를 획득할 수 있다. 즉, [수학식 2] 및 [수학식 3]를 이용하여, 제2 색상 패치의 평균 보정 데이터 내지 제24 색상 패치의 평균 보정 데이터를 획득할 수 있다.
그리고, 다음의 [수학식 4]을 바탕으로, 전체 색상 패치에 대한 총 평균 보정 데이터(Iout_avg)를 산출할 수 있다.
[수학식 4]
Iout_avg = (Iout_R_avg1 + Iout_R_avg2 +…+ Iout_R_avg24)/24
"Iout_R_avg2"는 제1 색상 패치(C1)에 대한 평균 보정 데이터이고, "Iout_R_avg24"는 제24 색상 패치(C24)에 대한 평균 보정 데이터이다.
제5 단계(S850)에서, 총 평균 보정 데이터(Iout_avg)를 미리 설정된 임계치와 비교한다. 임계치의 크기가 작을수록 최종적으로 생성되는 보정 데이터가 실제 컬러 영상에 가까워지지만, 보상계수(k)를 산출하는 시간이 오래 걸릴 수 있다.
제6 단계(S860)에서, 총 평균 보정 데이터(Iout_avg)가 임계치 미만인 것에 기초하여, 해당 보상계수를 R 색상에 보상계수로 결정한다. 그리고, 해당 보상계수를 이용하여 R 픽셀들 전체에 대한 보정데이터(Iout_R)를 생성하고, 해당 보정데이터를 컬러 영상의 R 데이터로 활용한다.
이와 마찬가지로, G 픽셀들 대한 보정데이터(Iout_G) 및 B 픽셀들 대한 보정데이터(Iout_B)를 생성하고, RGB 보정데이터에 기초하여 컬러 영상을 획득할 수 있다.
제7 단계(S870)에서, 총 평균 보정 데이터(Iout_avg)가 임계치 이상인 것에 기초하여, 보상계수를 변경한다. 제7 단계(S870)에서 변경된 보상계수를 바탕으로 제3 단계(S830) 내지 제5 단계(S850)를 반복한다.
보상계수(k)를 변경하는 절차는 미리 정해진 변수(j)를 이용할 수 있다. 예를 들어, 제i+1 보상계수(k[i+1])는 제i 보상계수(ki)와 변수(j)의 곱으로 설정되거나, 제i 보상계수(ki)와 변수(j)의 합으로 설정될 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
상술한 실시 예에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 예에 포함되며, 반드시 하나의 실시 예에만 한정되는 것은 아니다. 나아가, 각 실시 예에서 예시된 특징, 구조, 효과 등은 실시 예들이 속하는 분야의 통상의 지식을 가지는 자에 의하여 다른 실시 예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (18)

  1. 적외선 픽셀 및 삼원색 픽셀들을 포함하는 이미지 센서를 이용한 영상획득방법에 있어서,
    IR 조명을 턴-온한 상태에서, 상기 이미지 센서로 제1 색상을 촬영하여 제1 영상데이터를 획득하는 단계;
    상기 IR 조명을 턴-오프한 상태에서, 상기 이미지 센서로 상기 제1 색상을 촬영하여 제2 영상데이터를 획득하는 단계;
    상기 제1 영상데이터에서, 상기 이미지 센서의 제1 픽셀로부터 획득된 제1 로우 데이터를 추출하는 단계;
    상기 제1 영상데이터에서, 상기 제1 픽셀의 IR 성분에 해당하는 IR 로우 데이터를 추출하는 단계; 및
    상기 제1 로우 데이터 및 상기 IR 로우 데이터 간의 차이에 기초하여 상기 제1 픽셀의 보정 데이터를 생성하는 단계;를 포함하되,
    상기 보정 데이터를 생성하는 단계는
    상기 제2 영상데이터에서 상기 제1 픽셀로부터 획득된 제2 로우 데이터를 추출하고, 상기 제2 로우 데이터와 상기 보정 데이터 간의 편차에 비례하는 보정값이 미리 설정된 기준치 미만이 되도록 상기 보정 데이터를 생성하는 것을 특징으로 하는 영상 획득 방법.
  2. 제 1 항에 있어서,
    상기 제1 픽셀은 상기 삼원색의 픽셀들 중에서 어느 하나인 것을 특징으로 하는 영상 획득 방법.
  3. 제 2 항에 있어서,
    상기 제1 픽셀의 IR 로우 데이터를 획득하는 단계는
    상기 제1 픽셀과 인접한 두 개 이상의 상기 IR 픽셀의 IR 데이터를 보간하는 단계를 포함하는 것을 특징으로 하는 영상 획득 방법.
  4. 제 1 항에 있어서,
    상기 제1 픽셀의 보정 데이터를 생성하는 단계는
    상기 제1 로우 데이터에서 보상계수 및 상기 제2 로우 데이터 간의 곱에 해당하는 값을 감산하는 단계를 포함하는 것을 특징으로 하는 영상 획득 방법.
  5. 제 4 항에 있어서,
    상기 보상계수를 설정하는 단계는
    제i(i는 자연수) 보상계수를 설정하는 단계;
    상기 제1 로우 데이터에서 상기 제i 보상계수 및 상기 제2 로우 데이터 간의 곱에 해당하는 값을 감산하여, 제i 보정데이터를 생성하는 단계; 및
    상기 제2 로우 데이터와 상기 제i 보정데이터 간의 편차에 비례하는 제i 보정값이 상기 기준치 미만인 것에 기초하여, 상기 제i 보상계수를 상기 보상계수로 설정하는 단계;를 포함하는 것을 특징으로 하는 영상 획득 방법.
  6. 제 5 항에 있어서,
    상기 제1 및 제2 영상데이터를 획득하는 단계는
    제2 내지 제M(M은 3 이상의 자연수) 색상에 대한 제1 및 제2 영상데이터를 획득하는 단계를 더 포함하는 것을 특징으로 하는 영상 획득 방법.
  7. 제 6 항에 있어서,
    상기 보상계수를 설정하는 단계는
    상기 제1 색상을 촬영한 n(n은 자연수)개의 픽셀들 각각의 제i 보정값을 산출하는 단계;
    상기 n개의 보정값에 대한 제i 평균 보정값을 산출하는 단계;
    상기 M개의 색상 각각에 대한 M개의 제i 평균 보정값에 대한 평균값을 산출하여, 제i 총 평균 보정값을 획득하는 단계; 및
    상기 제i 총 평균 보정값이 미리 설정된 임계치 미만인 것에 기초하여, 상기 제i 보상계수를 상기 보상계수로 결정하는 단계;를 포함하는 것을 특징으로 하는 영상 획득 방법.
  8. 제 5 항에 있어서,
    상기 제1 보상계수는
    상기 IR 픽셀이 수광하는 IR 수광량에 대비한 R,G,B 픽셀들 중의 하나인 상기 제1 픽셀이 수광하는 IR 수광량의 비율로 설정되는 것을 특징으로 하는 영상 획득 방법.
  9. 제 7 항에 있어서,
    상기 제i 총 평균 보정값이 이상 임계치 이상인 것에 기초하여, 상기 제i 보상계수를 변경하는 단계를 더 포함하는 것을 특징으로 하는 영상획득방법.
  10. 삼원색 픽셀들 및 적외선 픽셀을 포함하는 이미지 센서;
    적외선 광을 조사하는 IR 조명; 및
    상기 IR 조명을 턴-온한 상태에서, 상기 이미지 센서로 제1 색상을 촬영하여 제1 영상데이터를 획득하고, 상기 제1 영상데이터에서 상기 이미지 센서의 제1 픽셀로부터 획득된 제1 로우 데이터 및 상기 제1 픽셀의 IR 성분에 해당하는 IR 로우 데이터를 추출하며, 상기 제1 로우 데이터 및 상기 IR 로우 데이터 간의 차이에 기초하여 상기 제1 픽셀의 보정 데이터를 생성하는 프로세서;를 포함하는 영상 획득 장치.
  11. 제 10 항에 있어서,
    상기 프로세서는
    상기 제2 영상데이터에서 상기 제1 픽셀로부터 획득된 제2 로우 데이터를 추출하고, 상기 제2 로우 데이터와 상기 보정 데이터 간의 편차에 비례하는 보정값이 미리 설정된 기준치 미만이 되도록 상기 보정 데이터를 생성하는 것을 특징으로 하는 영상 획득 장치.
  12. 제 10 항에 있어서,
    상기 프로세서는
    상기 제1 픽셀과 인접한 두 개 이상의 상기 IR 픽셀의 IR 데이터를 보간하여, 상기 제1 픽셀의 IR 로우 데이터를 획득하는 것을 특징으로 하는 영상 획득 장치.
  13. 제 10 항에 있어서,
    상기 프로세서는
    상기 제1 로우 데이터에서 보상계수 및 상기 제2 로우 데이터 간의 곱에 해당하는 값을 감산하여, 상기 제1 픽셀의 보정 데이터를 생성하는 것을 특징으로 하는 영상 획득 장치.
  14. 제 13 항에 있어서,
    상기 프로세서는
    제i(i는 자연수) 보상계수를 설정하고, 상기 제1 로우 데이터에서 상기 제i 보상계수 및 상기 제2 로우 데이터 간의 곱에 해당하는 값을 감산하여, 제i 보정데이터를 생성하며, 상기 제2 로우 데이터와 상기 제i 보정데이터 간의 편차에 비례하는 제i 보정값이 상기 기준치 미만인 것에 기초하여 상기 제i 보상계수를 상기 보상계수로 설정하는 것을 특징으로 하는 영상 획득 장치.
  15. 제 14 항에 있어서,
    상기 프로세서는
    제2 내지 제M(M은 3 이상의 자연수) 색상에 대한 제1 및 제2 영상데이터를 더 획득하는 것을 특징으로 하는 영상 획득 장치.
  16. 제 15 항에 있어서,
    상기 프로세서는
    상기 제1 색상을 촬영한 n(n은 자연수)개의 픽셀들 각각의 제i 보정값을 산출하고, 상기 n개의 보정값에 대한 제i 평균 보정값을 산출하며, 상기 M개의 색상 각각에 대한 M개의 제i 평균 보정값에 대한 평균값을 산출하여 제i 총 평균 보정값을 획득하고, 상기 제i 총 평균 보정값이 미리 설정된 임계치 미만인 것에 기초하여 상기 제i 보상계수를 상기 보상계수로 결정하는 것을 특징으로 하는 영상 획득 장치.
  17. 제 14 항에 있어서,
    상기 프로세서는
    상기 IR 픽셀이 수광하는 IR 수광량에 대비한 R,G,B 픽셀들 중의 하나인 상기 제1 픽셀이 수광하는 IR 수광량의 비율로 제1 보상계수를 설정하는 것을 특징으로 하는 영상 획득 장치.
  18. 제 10 항에 있어서,
    상기 제1 픽셀은 상기 삼원색 픽셀들 중에서 어느 하나인 것을 특징으로 하는 영상 획득 장치.
KR1020190169392A 2019-12-18 2019-12-18 영상획득장치 및 방법 KR102708025B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190169392A KR102708025B1 (ko) 2019-12-18 2019-12-18 영상획득장치 및 방법
US16/869,051 US11394896B2 (en) 2019-12-18 2020-05-07 Apparatus and method for obtaining image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190169392A KR102708025B1 (ko) 2019-12-18 2019-12-18 영상획득장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210077901A true KR20210077901A (ko) 2021-06-28
KR102708025B1 KR102708025B1 (ko) 2024-09-23

Family

ID=76438646

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190169392A KR102708025B1 (ko) 2019-12-18 2019-12-18 영상획득장치 및 방법

Country Status (2)

Country Link
US (1) US11394896B2 (ko)
KR (1) KR102708025B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108965654B (zh) * 2018-02-11 2020-12-25 浙江宇视科技有限公司 基于单传感器的双光谱摄像机系统和图像处理方法
US12015835B2 (en) * 2022-01-25 2024-06-18 Qualcomm Incorporated Multi-sensor imaging color correction

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180118432A (ko) * 2017-04-21 2018-10-31 주식회사 아이닉스 감도 개선을 위한 영상 처리 장치 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150245767A1 (en) * 2014-02-28 2015-09-03 Lrs Identity, Inc. Dual iris and color camera in a mobile computing device
KR102407200B1 (ko) * 2017-09-19 2022-06-10 삼성전자주식회사 하나의 이미지 센서를 통해 획득된 rgb 이미지와 ir 이미지를 이용하여 기능을 제공하는 전자 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180118432A (ko) * 2017-04-21 2018-10-31 주식회사 아이닉스 감도 개선을 위한 영상 처리 장치 및 방법

Also Published As

Publication number Publication date
US11394896B2 (en) 2022-07-19
KR102708025B1 (ko) 2024-09-23
US20210195117A1 (en) 2021-06-24

Similar Documents

Publication Publication Date Title
KR20190096872A (ko) 연합학습(Federated　learning)을　통한　필기체　인식방법 및 이를 위한 장치
KR20190103088A (ko) 연합학습을　통한 단말의 명함을 인식하는 방법 및 이를 위한 장치
KR102246659B1 (ko) 지능형 디바이스 및 지능형 디바이스의 영상 보정 방법
US20200092465A1 (en) Method for editing image based on artificial intelligent and artificial device
KR20190104487A (ko) 인공지능 기반의 사용자 상태에 따른 식품 추천 방법 및 그 장치
US11073541B2 (en) Intelligent method for controlling home appliance, apparatus and intelligent computing device for controlling home appliance
KR20190103090A (ko) 연합학습(Federated　learning)을　통한 단말의 POI 데이터를 생성하는 모델의 학습방법 및 이를 위한 장치
US10938464B1 (en) Intelligent beamforming method, apparatus and intelligent computing device
KR102696266B1 (ko) 자율주행 차량의 제어 방법
US20210125075A1 (en) Training artificial neural network model based on generative adversarial network
US11816197B2 (en) Method of authenticating user and apparatus thereof
US20200107154A1 (en) Artificial device and method for controlling the same
KR20190107610A (ko) 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법
US20230209368A1 (en) Wireless communication method using on-device learning-based machine learning network
KR20220006665A (ko) 차량 제어 방법 및 차량을 제어하는 지능형 컴퓨팅 디바이스
KR102708025B1 (ko) 영상획득장치 및 방법
US11615760B2 (en) Controlling of device based on user recognition utilizing vision and speech features
KR20210077977A (ko) 지능형 전자 디바이스 및 이를 이용한 얼굴 인식 방법
US20200024788A1 (en) Intelligent vibration predicting method, apparatus and intelligent computing device
US20200043241A1 (en) Artificial device and method for controlling the same
KR20220005106A (ko) 증강현실 전자기기의 제어방법
KR102321806B1 (ko) 음성신호 및 텍스트가 매칭된 데이터베이스의 구축방법 및 이를 위한 시스템, 이를 기록한 컴퓨터 판독 가능한 기록매체
US20210224542A1 (en) Profiling based on personal region of interest
US20210125478A1 (en) Intelligent security device
US20230182749A1 (en) Method of monitoring occupant behavior by vehicle

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant