KR20210078813A

KR20210078813A - 이미지를 합성하는 인공 지능 장치 및 그 방법

Info

Publication number: KR20210078813A
Application number: KR1020190170640A
Authority: KR
Inventors: 임세근
Original assignee: 엘지전자 주식회사
Priority date: 2019-12-19
Filing date: 2019-12-19
Publication date: 2021-06-29
Also published as: US20210192837A1; US11276226B2

Abstract

발명은 이미지 데이터를 저장하는 메모리, 이미지 데이터로부터 인물 객체 이미지 및 사물 객체 이미지를 획득하고, 인물 객체 이미지와 매칭되는 3차원 인물 모델을 생성하고, 이미지 데이터의 좌표 정보를 추출하고, 좌표 정보에 매칭되는 거리뷰 데이터를 획득하고, 거리뷰 데이터로부터 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지를 추출하고, 인물 객체 이미지 및 사물 객체 이미지의 배치 정보를 획득하고, 배치 정보 및 기준 객체 이미지를 이용하여 3차원 인물 모델을 거리뷰 데이터의 거리뷰 이미지에 배치하는 프로세서를 포함하는 인공 지능 장치를 제공한다.

Description

이미지를 합성하는 인공 지능 장치 및 그 방법{AN ARTIFICIAL INTELLIGENCE APPARATUS FOR SYNTHESIZING IMAGE AND METHOD THEREOF}

본 개시는 이미지를 합성하는 인공 지능 장치 및 그 방법에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.

그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.

최근 지도 정보를 제공하는 서비스 회사들은 거리뷰(또는 로드뷰) 서비스를 제공하고 있다.

사용자는 거리뷰 서비스를 이용하여 여행을 다녀왔던 장소를 검색하면서 추억을 회상할 수 있다.

그러나, 여행을 다녀왔던 장소에서 촬영한 사진 또는 영상들은 거리뷰 이미지에 나타나지 않는 문제점이 있다.

따라서, 여행을 다녀왔던 장소에서 촬영한 사진 또는 영상들을 거리뷰 이미지에 합성하여 제공하는 서비스의 필요성이 증대하고 있다.

본 개시는 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.

본 개시는 이미지 데이터를 거리뷰 이미지에 합성하는 인공 지능 장치 및 그 방법의 제공을 목적으로 한다.

본 개시는 이미지 데이터의 인물 객체 이미지를 추출하여 거리뷰 이미지에 합성하는 인공 지능 장치 및 그 방법의 제공을 목적으로 한다.

본 개시는 이미지 데이터의 인물 객체를 3차원 모델로 변환하여 거리뷰 이미지에 합성하는 인공 지능 장치 및 그 방법의 제공을 목적으로 한다.

본 개시의 일 실시 예는 이미지 데이터를 저장하는 메모리, 상기 이미지 데이터로부터 인물 객체 이미지 및 사물 객체 이미지를 획득하고, 상기 인물 객체 이미지와 매칭되는 3차원 인물 모델을 생성하고, 상기 이미지 데이터의 좌표 정보를 추출하고, 상기 좌표 정보에 매칭되는 거리뷰 데이터를 획득하고, 상기 거리뷰 데이터로부터 상기 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지를 추출하고, 상기 인물 객체 이미지 및 상기 사물 객체 이미지의 배치 정보를 획득하고, 상기 배치 정보 및 상기 기준 객체 이미지를 이용하여 상기 3차원 인물 모델을 상기 거리뷰 데이터의 거리뷰 이미지에 배치하는 프로세서를 포함하는 인공 지능 장치를 제공한다.

또한, 본 개시의 일 실시 예는 이미지 데이터를 저장하는 단계, 상기 이미지 데이터로부터 인물 객체 이미지 및 사물 객체 이미지를 획득하는 단계, 상기 인물 객체 이미지와 매칭되는 3차원 인물 모델을 생성하는 단계, 상기 이미지 데이터의 좌표 정보를 추출하는 단계, 상기 좌표 정보에 매칭되는 거리뷰 데이터를 획득하는 단계, 상기 거리뷰 데이터로부터 상기 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지를 추출하는 단계, 상기 인물 객체 이미지 및 상기 사물 객체 이미지의 배치 정보를 획득하는 단계 및 상기 배치 정보 및 상기 기준 객체 이미지를 이용하여 상기 3차원 인물 모델을 상기 거리뷰 데이터의 거리뷰 이미지에 배치하는 단계를 포함하는 이미지 합성 방법 이미지 합성 방법을 제공한다.

본 개시의 실시 예에 따르면, 이미지의 인물 객체를 거리뷰 이미지에 합성하여 생동감있는 이미지를 제공할 수 있다.

본 개시의 실시 예에 따르면, 이미지의 인물 객체를 3차원 모델로 변환하여 거리뷰 이미지에 합성함으로써 거리뷰 이미지의 각도가 달라져도 자연스러운 합성 이미지를 제공할 수 있다.

본 개시의 실시 예에 따르면, 이미지의 사물 객체와 일치하는 기준 객체를 거리뷰 이미지에서 찾고, 기준 객체를 기준으로 인물 객체를 합성함으로써 정확한 합성 이미지를 제공할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 개시의 일 실시 예에 따른 이미지를 합성하는 방법을 나타내는 순서도이다.
도 5는 본 개시의 일 실시 예에 따른 객체 인식 모델을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 3차원 인물 모델을 생성하는 방법을 나타내는 순서도이다.
도 7은 본 개시의 일 실시 예에 따른 텍스쳐 정보 생성 모델을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 자세 정보를 기초로 3차원 인물 모델을 변환하는 방법을 나타내는 도면이다.
도 9는 본 개시의 일 실시 예에 따른 기준 객체 이미지를 추출하는 방법을 나타내는 순서도이다.
도 10 (a) 및 도 10 (b)는 본 개시의 일 실시 예에 따른 기준 객체 이미지를 추출하는 방법을 설명하기 위한 도면이다.
도 11는 본 개시의 일 실시 예에 따른 3차원 인물 모델을 거리뷰 이미지에 합성하는 방법을 나타내는 순서도이다.
도 12는 본 개시의 일 실시 예에 따른 배치 비율 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 13은 본 개시의 일 실시 예에 따른 배치 거리 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 14는 본 개시의 일 실시 예에 따른 회전 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 15(a) 및 15(b)는 본 개시의 일 실시 예에 따른 이미지 합성 과정을 설명하기 위한 도면이다.
도 16은 본 개시의 일 실시 예에 따른 이미지 합성 모델을 설명하기 위한 도면이다.
도 17(a) 및 17(b)는 본 개시의 일 실시 예에 따른 합성된 거리뷰 이미지를 나타내는 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 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 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 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.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

도 4는 본 개시의 일 실시 예에 따른 이미지를 합성하는 방법을 나타내는 순서도이다.

메모리(170)는 이미지 데이터를 저장할 수 있다(S401).

이미지 데이터는 입력부(120)의 카메라를 통해 촬영된 사진 또는 영상 데이터이거나, 통신부(110)를 통해 수신한 사진 또는 영상 데이터를 포함할 수 있다.

한편, 프로세서(180)는 이미지 데이터로부터 인물 객체 이미지 및 사물 객체 이미지를 획득할 수 있다(S402).

프로세서(180)는 이미지 데이터로부터 적어도 하나 이상의 인물 객체에 대한 이미지 및 적어도 하나 이상의 사물 객체에 대한 이미지 각각을 획득할 수 있다.

인물 객체 이미지는 이미지 데이터에 포함된 인물에 대한 이미지일 수 있다.

또한, 사물 객체 이미지는 인물을 제외한 사물에 대한 이미지일 수 있다. 사물 객체 이미지는 이미지 데이터를 대표할 수 있는 사물에 대한 이미지일 수 있다.

프로세서(180)는 소정의 이미지 데이터에 포함된 인물 객체 이미지 및 사물 객체 이미지를 인식하여 출력하는 객체 인식 모델을 이용하여 이미지 데이터로부터 인물 객체 이미지 및 사물 객체 이미지를 획득할 수 있다.

객체 인식 모델은 머신 러닝에서 사용되는 인공 신경망(ANN: Artificial Neural Network) 모델일 수 있다. 객체 인식 모델은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성될 수 있다. 영상 인식 모델은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

객체 인식 모델은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

객체 인식 모델은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 또는 강화 학습(Reinforcement Learning)을 통해 생성될 수 있다.

예를 들어, 객체 인식 모델은 사진 또는 영상 데이터를 포함하는 이미지 데이터를 입력 데이터로 하여, 적어도 하나 이상의 인물 객체 이미지 및 사물 객체 이미지를 출력하고, 인식된 인물 각각의 나이, 성별, 신체 사이즈 및 자세 정보, 인물 영역 위치, 인물 윤곽 중 적어도 하나에 대한 정보를 포함하는 인물 정보를 출력할 수 있다.

객체 인식 모델에 대해서는 이하의 도면을 참조하여 설명한다.

도 5는 본 개시의 일 실시 예에 따른 객체 인식 모델을 설명하기 위한 도면이다.

객체 인식 모델(502)은 인공 신경망 기반의 모델로, 사진 또는 동영상을 포함하는 이미지 데이터를 입력 데이터로 하여, 이미지 데이터에 포함된 적어도 하나의 인물 객체 이미지 및 사물 객체 이미지 각각을 특정하는 모델일 수 있다.

객체 인식 모델(502)은 인공 지능 서버(200)의 러닝 프로세서(240)에 의해 학습된 모델이거나 인공 지능 장치(100)의 러닝 프로세서(130)에 의해 학습된 모델일 수 있다.

프로세서(180)는 이미지 데이터(501)에 포함된 인물 객체 이미지 및 사물 객체 이미지를 획득하기 위하여 객체 인식 모델(502)에 이미지 데이터(501)를 제공할 수 있다.

객체 인식 모델(502)은 이미지 데이터(501)에 포함된 인물 객체 이미지(503) 및 사물 객체 이미지(504)를 인식하고 출력할 수 있다.

객체 인식 모델(502)은 인물 객체 이미지를 출력하는 경우 인식된 인물 각각의 나이, 성별, 신체 사이즈 및 자세 정보, 인물 영역 위치, 인물 윤곽 정보 중 적어도 하나에 대한 정보를 포함하는 인물 정보를 출력할 수 있다.

신체 사이즈 정보는 인식된 인물의 키 또는 몸무게에 대한 정보를 포함할 수 있다.

또한, 자세 정보는 인식된 인물의 눈, 목, 어깨, 팔꿈치, 손목, 손가락, 명치, 배꼽, 허벅지, 무릎, 발목, 발뒤꿈치 및 발가락 중 적어도 하나에 대한 위치 정보를 포함할 수 있다.

또한, 인물 영역 위치는 이미지 데이터 상에서 인물 객체에 차지하는 영역의 위치에 대한 정보를 포함할 수 있다. 또한, 인물 윤곽 정보는 인물 객체가 차지하는 영역의 테두리에 대한 정보를 포함할 수 있다. 프로세서(180)는 객체 인식 모델(502)이 출력하는 인물 객체의 인물 영역 위치 및 인물 윤곽 정보를 획득함으로써 인물 객체 이미지(502)를 추출할 수도 있다.

한편, 프로세서(180)는 인물 객체 이미지와 매칭되는 3차원 인물 모델을 생성할 수 있다(S403).

프로세서(180)는 2차원 이미지인 인물 객체 이미지를 3차원 이미지로 변환하기 위하여 인물 객체 이미지와 매칭되는 3차원 인물 모델을 생성할 수 있다.

3차원 인물 모델은 3차원 메쉬 모델에 텍스쳐가 매핑된 모델일 수 있다.

도 6은 본 개시의 일 실시 예에 따른 3차원 인물 모델을 생성하는 방법을 나타내는 순서도이다.

프로세서(180)는 인물 객체 이미지로부터 인물의 나이, 성별, 신체 사이즈 및 자세 정보 중 적어도 하나를 포함하는 인물 정보를 획득 할 수 있다(S601).

프로세서는(180)는 객체 인식 모델을 이용하여 사진 또는 영상 데이터를 포함하는 이미지 데이터를 객체 인식 모델의 입력 데이터로 제공하고, 객체 인인 모델로부터 출력되는 인물 객체 이미지 및 인식된 인물 각각의 인물 객체 이미지, 나이, 성별, 신체 사이즈 및 자세 정보, 인물 영역 위치, 인물 윤곽 중 적어도 하나에 대한 정보를 포함하는 인물 정보를 획득할 수 있다.

프로세서(180)는 나이, 성별 및 신체 사이즈 별로 분류된 적어도 하나의 3차원 인물 메쉬 모델을 저장하는 3차원 메쉬 모델 데이터베이스로부터 인물 정보와 매칭되는 3차원 인물 메쉬 모델을 획득할 수 있다(S602).

한편 3 차원 메쉬 모델 데이터베이스는 메모리(170)에 저장된 데이터베이스일 수 있다. 즉, 메모리(170)는 나이, 성별 및 신체 사이즈 별로 분류된 적어도 하나의 3차원 인물 메쉬 모델을 저장할 수 있다. 프로세서(180)는 3차원 메쉬 모델 데이터베이스로부터 인물 정보와 매칭되는 3차원 인물 메쉬 모델을 획득할 수 없는 경우, 인물 정보를 기초로 3차원 인물 메쉬 모델을 생성할 수 있다(S604).

프로세서(180)는 인물 정보를 기초로 3차원 인물 메쉬 모델을 생성할 수 있다.

3차원 메쉬 모델은 3차원 좌표 값을 갖는 복수의 폴리곤 단위들을 연결하여 3차원 공간 상에서 대상 물체의 3차원 형태를 나타내는 모델일 수 있다. 이 경우 폴리곤 단위는 삼각형일 수 있으나 이에 한정되는 것은 아니다. 3차원 인물 메쉬 모델은 인물의 3차원 형태를 나타내는 모델일 수 있다. 또한, 3차원 인물 메쉬 모델은 텍스쳐가 매핑되어 있지 않은 모델일 수 있다.

프로세서(180)는 인물 정보에 포함된 나이, 성별, 신체 사이즈 및 자세 정보 중 적어도 하나를 기초로 3차원 인물 메쉬 모델을 생성할 수 있다.

예를 들어, 프로세서(180)는 인물의 나이, 성별, 신체 사이즈에 따라 3차원 인물 메쉬 모델을 생성하는 모델 생성 알고리즘을 이용하여 인물 객체에 매핑되는 3차원 인물 메쉬 모델을 생성할 수 있다.

한편, 프로세서(180)는 인물 객체 이미지에 기초하여 3차원 인물 메쉬 모델에 매핑될 텍스쳐 매핑 정보를 획득하고, 생성된 텍스쳐 매핑 정보를 기초로 텍스쳐를 3차원 인물 메쉬 모델에 매핑하여 3차원 인물 모델을 생성할 수 있다(S605).

프로세서(180)는 텍스쳐 매핑(texture mapping)을 통하여 2차원의 이미지 데이터의 색상 및 질감을 3차원 인물 메쉬 모델의 표면에 적용하여 3차원 인물 메쉬 모델을 세부적으로 묘사할 수 있다.

한편, 인물에 대한 촬영 당시의 상황에 따라 인물 객체 이미지에 촬영되지 않은 신체 부분이 존재할 수 있다.

따라서, 프로세서(180)는 인물 객체 이미지에 포함되지 않은 소정의 신체 부분에 대한 텍스쳐 정보를 생성하는 텍스쳐 정보 생성 모델을 이용하여, 촬영되지 않은 신체 부분에 대한 텍스쳐 정보를 생성할 수 있다. 또한, 텍스쳐 정보 생성 모델은 촬영된 신체 부분에 대한 텍스쳐 정보도 생성할 수 있다.

즉, 프로세서(180)는 인물 객체 이미지가 소정의 신체 부위가 촬영되지 않은 이미지인 경우, 텍스쳐 정보 생성 모델을 이용하여 촬영되지 않은 신체 부위에 대한 텍스쳐 매핑 정보를 획득할 수 있다.

한편, 텍스쳐 정보 생성 모델은 머신 러닝에서 사용되는 인공 신경망(ANN: Artificial Neural Network) 모델일 수 있다.

예를 들어, 텍스쳐 정보 생성 모델은 인물 객체 이미지의 촬영된 신체 부분 이미지에 기초하여 각 신체 부분에 대한 색상 및 레이아웃 정보를 출력하는 제1 인공 신경망 모델을 포함할 수 있다. 또한, 텍스쳐 정보 생성 모델은 제1 인공 신경망 모델로부터 파악된 각 신체 부분에 대한 색상 및 레이아웃 정보를 입력 데이터로 하여 촬영되지 않은 각 신체 부분에 대한 색상 및 레이아웃 정보를 출력하는 제2 인공 신경망 모델을 포함할 수 있다.

또한, 텍스쳐 정보 생성 모델은 각 신체 부분에 대한 색상 및 레이아웃 정보에 기초하여 3차원 인물 메쉬 모델에 매핑될 텍스쳐 정보를 출력할 수 있다.

도 7은 본 개시의 일 실시 예에 따른 텍스쳐 정보 생성 모델을 설명하기 위한 도면이다.

프로세서(180)는 인물 객체 이미지(701) 및 3차원 인물 메쉬 모델(702)을 입력 데이터로 텍스쳐 정보 생성 모델(703)에 제공하고, 텍스쳐 정보 생성 모델(703)은 3차원 인물 메쉬 모델(702)에 매핑되어야 하는 텍스쳐에 대한 정보인 텍스쳐 매핑 정보(704)를 출력할 수 있다.

또한, 프로세서(180)는 텍스쳐 매핑 정보(704)를 기초로 텍스쳐를 3차원 인물 메쉬 모델에 매핑하여 3차원 인물 모델(705)을 생성할 수 있다.

한편, 프로세서(180)는 인물 정보에 포함된 자세 정보를 이용하여 3차원 인물 모델이 인물 객체 이미지의 자세를 갖도록 3차원 인물 모델을 변환할 수 있다(S606).

자세 정보는 인물의 눈, 목, 어깨, 팔꿈치, 손목, 손가락, 명치, 배꼽, 허벅지, 무릎, 발목, 발뒤꿈치 및 발가락 중 적어도 하나에 대한 위치 정보를 포함할 수 있다.

한편, 3차원 인물 모델은 가상의 3차원 인물에 대한 눈, 목, 어깨, 팔꿈치, 손목, 손가락, 명치, 배꼽, 허벅지, 무릎, 발목, 발뒤꿈치 및 발가락 중 적어도 하나에 대한 위치 정보를 포함할 수 있다.

도 8을 참고하면, 프로세서(180)는 인물 객체 이미지(801)에 대한 자세 정보에 기초하여 3차원 인물 모델(802)의 자세 정보를 수정함으로써, 인물 정보에 포함된 자세 정보를 이용하여 3차원 인물 모델을 인물 객체 이미지의 자세를 갖도록 변환할 수 있다(803).

프로세서(180)는 인물 객체 이미지(801)에 대한 자세 정보가 2차원 좌표 값을 갖는 경우 3차원 좌표 값을 갖는 자세정보로 변환하여 3차원 인물 모델(802)의 자세 정보를 수정할 수 있다.

한편, 프로세서(180)는 이미지 데이터의 좌표 정보를 추출할 수 있다(S404).

좌표 정보는 위도, 경도 및 고도 중 적어도 하나에 대한 정보를 포함할 수 있다.

이미지 데이터는 좌표 정보를 포함할 수 있다. 예를 들어, 이미지 데이터가 인공 지능 장치(100)의 카메라로 촬영되어 생성된 데이터인 경우, 이미지 데이터는 촬영시 인공 지능 장치(100)의 GPS 좌표 정보를 메타데이터로 포함할 수 있다.

따라서, 프로세서(180)는 이미지 데이터의 메타 데이터로부터 이미지가 촬영된 당시의 위치에 대한 정보인 좌표 정보를 추출할 수 있다.

프로세서(180)는 좌표 정보에 매칭되는 거리뷰 데이터를 획득할 수 있다(S405).

거리뷰 데이터는 거리뷰 서비스를 제공하는 외부 서버(미도시)를 통해 수신할 수 있는 데이터일 수 있다. 거리뷰 서비스는 소정의 위치에서 360도 카메라를 이용하여 촬영된 이미지를 제공하는 서비스를 포함할 수 있다. 한편, 거리뷰 서비스는 로드뷰 서비스라고 명명될 수도 있다.

프로세서(180)는 통신부(110)를 통해 좌표 정보와 함께 거리뷰 데이터 제공을 외부 서버로 요청할 수 있으며, 통신부(110)를 통해 좌표 정보에 매칭되는 거리뷰 데이터를 수신할 수 있다.

거리뷰 데이터는 소정의 위치에서 촬영된 거리뷰 이미지 및 뷰포인트 정보를 포함할 수 있다. 뷰포인트 정보는 거리뷰 시점에 대한 정보로서 틸트(tilt) 값, 팬(pan) 값 및 줌(zoom) 값을 포함할 수 있다.

프로세서(180)는 거리뷰 데이터로부터 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지를 추출할 수 있다(S406).

프로세서(180)는 3차원 인물 모델을 거리뷰 이미지에 합성하기 위하여 기준이 되는 객체를 추출할 수 있다. 예를 들어, 프로세서(180)는 사물 객체와 동일한 물체인 기준 객체를 거리뷰 이미지에서 추출하고, 기준 객체를 기준으로 3차원 인물 모델을 거리뷰 이미지에 합성할 수 있다.

도 9는 본 개시의 일 실시 예에 따른 기준 객체 이미지를 추출하는 방법을 나타내는 순서도이다.

프로세서(180)는 거리뷰 데이터를 획득할 수 있다(S901).

거리뷰 데이터는 거리뷰 서비스를 제공하는 외부 서버(미도시)를 통해 수신할 수 있는 데이터일 수 있다.

또한, 프로세서(180)는 이미지 데이터의 좌표 정보와 매칭되는 거리뷰 데이터를 검색할 수 있다(S902).

프로세서(180)는 거리뷰 데이터에서 이미지 데이터의 위도 및 경도 정보와 일치하는 좌표 값을 값는 거리뷰 데이터를 검색할 수 있다.

프로세서(180)는 좌표 정보가 매칭되는 거리뷰 데이터에서 기준 객체 이미지를 검색할 수 있다(S903)

프로세서(180)는 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지가 추출되는 뷰포인트 정보를 획득할 수 있다.

뷰포인트 정보는 거리뷰 이미지를 표시하는 카메라의 방향 정보로서, 틸트(tilt) 값, 팬(pan) 값 및 줌(zoom) 값을 포함할 수 있다.

프로세서(180)는 거리뷰 데이터에서 뷰포인트 정보를 변경해가면서 기준 객체 이미지를 검색할 수 있다.

거리뷰 데이터는 기본 값으로 미리 설정된 뷰포인트 정보를 포함할 수 있다. 프로세서(180)는 기본 값으로 미리 설정된 뷰포인트 정보를 거리뷰 데이터로부터 획득할 수 있다. 따라서, 프로세서(180)는 기본 값으로 미리 설정된 초기 뷰포인트 정보를 변경해 가면서 기준 객체 이미지를 검색할 수 있다.

또한, 프로세서(180)는 뷰포인트 정보를 기초로 거리뷰 데이터에서 거리뷰 이미지를 획득 할 수 있다. 프로세서(180)는 거리뷰 데이터에 기 등록된 랜드마크 객체가 존재하는지 여부를 판별할 수 있다(S904).

만일, 소정의 위도 및 경도 정보를 갖는 거리뷰 데이터에 기 등록된 랜드마크 객체가 존재하는 경우, 프로세서(180)는 기 등록된 랜드마크 객체 이미지 및 랜드마크 객체에 대한 뷰포인트 정보를 획득할 수 있다(S905).

또한, 프로세서(180)는 사물 객체 이미지가 기 등록된 랜드마크 객체 이미지인지 여부를 판별하고, 사물 객체 이미지가 기 등록된 랜드마크 객체 이미지인 경우 랜드마크의 위치 정보를 이용하여 뷰포인트 정보를 설정할 수 있다.

랜드마크 이미지는 소정의 장소 또는 지역을 대표하거나 다른 장소 또는 지역과 구별하게 하는 사물에 대한 이미지를 포함할 수 있다.

메모리(170)는 적어도 하나 이상의 랜드마크의 위치 정보와 랜드마크 객체 이미지를 저장할 수 있다. 또한, 프로세서(180)는 외부 서버로 이미지 데이터의 좌표 정보를 전송하고, 좌표 정보에 매칭되는 랜드마크 객체 이미지 및 랜드마크의 위치 정보를 통신부(110)를 통해 획득할 수도 있다.

프로세서(180)는 사물 객체 이미지가 기 등록된 랜드마크 객체 이미지와 동일한 사물을 대상으로 촬영된 이미지인지 여부를 판별하여, 사물 객체 이미지가 기 등록된 랜드마크 이미지인지 여부를 판별할 수 있다.

프로세서(180)는 랜드마크의 위치 정보를 이용하여 랜드마크 객체가 보이는 거리뷰 이미지를 획득할 수 있는 뷰포인트 정보를 설정할 수 있다.

프로세서(180)는 설정된 뷰포인트 정보를 기초로 거리뷰 이미지를 획득하고, 거리뷰 이미지로부터 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지를 획득할 수 있다. 따라서, 프로세서(180)는 사물 객체 이미지가 랜드마크 객체 이미지인 경우 뷰포인트 정보를 여러 차례 변경하지 않고도 기준 객체 이미지를 획득할 수 있다.

한편, 프로세서(180)는 거리뷰 데이터에 기 등록된 랜드마크 객체가 존재하지 않는 경우, 소정의 기본 값으로 미리 설정된 뷰 포인트 정보를 획득할 수 있다(S906)

프로세서(180)는 기 등록된 랜드마크 객체 이미지 및 랜드마크 객체에 대한 뷰포인트 정보 또는 소정의 기본 값으로 미리 설정된 뷰 포인트 정보를 획득할 수 있다(S907)

프로세서(180)는 거리뷰 데이터로부터 적어도 하나의 후보 객체 이미지를 추출할 수 있다(S906).

프로세서(180)는 거리뷰 데이터에서 뷰포인트 정보를 기초로 획득한 거리뷰 이미지로부터 적어도 하나의 후보 객체 이미지를 추출할 수 있다.

후보 객체 이미지는 거리뷰 이미지에 포함된 적어도 하나 이상의 사물에 대한 이미지를 포함할 수 있다.

프로세서(180)는 적어도 하나의 후보 객체 이미지 각각과 사물 객체 이미지를 비교하여, 사물 객체 이미지에 포함된 사물과 동일한 사물을 촬영한 기준 객체 이미지가 존재하는지 여부를 판별할 수 있다(S909).

프로세서(180)는 적어도 하나의 후보 객체 이미지에 기준 객체 이미지가 존재하지 않는 경우 뷰포인트 정보를 변경할 수 있다(S911).

예를 들어, 프로세서(180)는 뷰포인트 정보에 포함된 틸트 값, 팬 값 및 줌 값 중 적어도 하나를 변경할 수 있다.

따라서, 프로세서(180)는 변경된 뷰포인트 정보를 기초로 새로운 거리뷰 이미지를 획득하고, 새로운 거리뷰 이미지에 기준 객체 이미지가 존재할 때까지 뷰포인트 정보를 변경할 수 있다.

한편, 프로세서(180)는 기준 객체 이미지가 존재하는 경우 기준 객체 이미지와 사물 객체 이미지를 비교하여 일치율을 획득할 수 있다.

예를 들어, 프로세서(180)는 기준 객체 이미지의 형태 정보와 사물 객체 이미지의 형태 정보를 비교하여 형태 정보의 일치율을 획득할 수 있다.

프로세서(180)는 기준 객체 이미지와 사물 객체 이미지의 일치율이 기 설정된 일치율 이하인지 여부를 판별할 수 있다(S910).

프로세서(180)는 기준 객체 이미지와 사물 객체 이미지의 일치율이 기 설 정된 일치율 이하인 경우 뷰포인트 정보를 변경할 수 있다(S911).

따라서, 프로세서(180)는 뷰포인트 정보를 변경해가면서 사물 객체 이미지와 일치율이 만족되는 기준 객체 이미지를 획득할 수 있다.

프로세서(180)는 사물 객체 이미지와 일치율이 기 설정된 일치율을 초과하는 이미지를 기준 객체 이미지로 추출할 수 있다(S912).

또한, 프로세서(180)는 기준 객체 이미지가 추출되는 뷰포인트 정보를 획득할 수 있다(S913).

또한, 프로세서(180)는 거리뷰 데이터 상에 기준 객체 이미지가 존재하는 공간상의 위치 정보를 획득할 수 있다.

따라서, 프로세서(180)는 거리뷰 데이터로부터 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지가 추출되는 뷰포인트 정보를 획득 할 수 있다.

도 10 (a)를 참고하면, 프로세서(180)는 뷰포인트 정보를 기초로 거리뷰 데이터로부터 획득한 거리뷰 이미지에서 후보 객체 이미지(1003)을 추출할 수 있다.

프로세서(180)는 후보 객체 이미지(1003)와 사물 객체 이미지를 비교하여 후보 객체 이미지(1003)가 사물 객체 이미지와 동일한 사물 객체를 포함하고 있는지 판별할 수 있다.

프로세서(180)는 후보 객체 이미지(1003)가 기준 객체 이미지가 아닌 경우, 상하 방향에 관한 틸트 값을 변경(1001)하고 좌우 방향에 관한 팬 값을 변경(1002)하여 뷰포인트 정보를 변경할 수 있다.

도 10 (b)를 참고하면, 프로세서(180)는 변경된 뷰포인트 정보를 기초로 새로운 거리뷰 이미지를 획득할 수 있다.

프로세서(180)는 거리뷰 이미지로부터 후보 객체 이미지(1004)를 획득할 수 있다.

프로세서(180)는 후보 객체 이미지(1004)와 사물 객체 이미지를 비교하여, 후보 객체 이미지(1004)가 기준 객체 이미지가 될 수 있는지를 판별할 수 있다.

프로세서(180)는 후보 객체 이미지(1004)가 사물 객체 이미지의 사물 객체와 동일한 기준 객체를 포함하는지 판별할 수 있다.

프로세서(180)는 후보 객체 이미지(1004)가 기준 객체를 포함하는 경우, 후보 객체 이미지(1004)와 사물 객체 이미지의 일치율을 판별할 수 있다.

프로세서(180)는 후보 객체 이미지(1004)와 사물 객체 이미지의 일치율이 기 설정된 일치율 이상 인 경우, 후보 객체 이미지(1004)를 기준 객체 이미지로 추출할 수 있다.

또한, 프로세서(180)는 기준 객체 이미지가 추출되는 뷰포인트 정보를 획득할 수 있다.

프로세서(180)는 기준 객체 이미지가 추출되는 뷰포인트 정보를 이용하여 거리뷰 이미지를 획득하고, 획득한 거리뷰 이미지에 3차원 인물 모델을 배치하여 합성할 수 있다.

한편, 프로세서(180)는 인물 객체 이미지 및 사물 객체 이미지의 배치 정보를 획득할 수 있다(S407).

프로세서(180)는 배치 정보를 이용하여 3차원 인물 모델을 거리뷰 이미지에 배치할 수 있다(S408).

프로세서(180)는 거리뷰 이미지의 기준 객체 이미지를 기준으로 3차원 인물 모델을 배치하기 위하여, 이미지 데이터의 인물 객체 이미지 및 사물 객체 이미지 간 배치 정보를 이용할 수 있다.

따라서, 프로세서(180)는 인물 객체 이미지와 사물 객체 이미지의 배치 거리 및 비율 정보를 반영하여 3차원 인물 모델을 조정하고, 거리뷰 이미지에 조정된 3차원 인물 모델을 배치함으로써 자연스러운 이미지 합성을 할 수 있다.

도 11는 본 개시의 일 실시 예에 따른 3차원 인물 모델을 거리뷰 이미지에 합성하는 방법을 나타내는 순서도이다.

프로세서(180)는 인물 객체 이미지의 면적 및 사물 객체 이미지의 면적을 기초로 배치 비율 정보를 획득할 수 있다(S1101).

도 12를 참고하면, 프로세서(180)는 사물 객체 이미지의 제1 면적(1201)을 획득하고, 인물 객체 이미지의 제2 면적(1202)을 획득할 수 있다. 프로세서(180)는 제1 면적 및 제2 면적 간의 비율을 획득하여 배치 비율 정보를 획득할 수 있다.

따라서, 프로세서(180)는 거리뷰 이미지에 포함된 기준 객체 이미지의 면적에 따라 3차원 인물 모델의 면적을 배치 비율 정보를 기초로 결정함으로써, 3차원 인물 모델이 자연스럽게 합성될 수 있도록 한다. 또한, 프로세서(180)는 인물 객체 이미지와 사물 객체 이미지의 배치 거리 정보를 획득할 수 있다(S1102).

배치 거리 정보는 인물 객체 이미지와 관련된 소정의 지점부터 사물 객체 이미지와 관련된 소정의 지점까지의 거리 정보를 포함할 수 있다.

예를 들어, 도 13을 참고하면, 프로세서(180)는 사물 객체 이미지를 포함하는 사각형 테두리(1302)를 획득할 수 있다.

프로세서(180)는 사각형 테두리(1302)의 가로 길이(a) 및 세로 길이(b)를 획득할 수 있다. 또한, 프로세서(180)는 사각형 테두리(1302)의 가로 길이 및 세로 길이의 비율 정보를 획득할 수 있다.

프로세서(180)는 사각형 테두리(1302)의 각 변의 중심으로부터 사물 객체 이미지까지의 거리(W₁, W₂, W₃)를 획득할 수 있다. 또한, 프로세서(180)는 획득한 거리 정보(W₁, W₂, W₃) 간의 비율 정보를 획득할 수 있다.

프로세서(180)는 사각형 테두리(1302)의 가로 길이(a), 세로 길이(b) 및 사각형 테두리(1302)의 각 변의 중심으로부터 사물 객체 이미지까지의 거리(W₁, W₂, W₃)를 포함하는 배치 거리 정보를 획득할 수 있다.

따라서, 프로세서(180)는 거리뷰 이미지에 포함된 기준 객체 이미지와 3차원 인물 모델 간의 거리를 배치 거리 정보에 기초하여 결정함으로써, 거리뷰 이미지의 정확한 위치에 3차원 인물 모델이 합성될 수 있도록 한다.

프로세서(180)는 사물 객체 이미지와 기준 객체 이미지가 동일한 방향에서 촬영된 이미지로 변경할 수 있는 회전 정보를 획득할 수 있다(S1103).

예를 들어, 프로세서(180)는 사물 객체 이미지를 소정의 중심점을 기준으로 상하 또는 좌우로 회전 시켜 기준 객체 이미지와 동일한 방향에서 촬영된 이미지로 변경할 수 있는 회전 정보를 획득할 수 있다.

도 13을 참고하면, 프로세서(180)는 사물 객체 이미지(1401)를 소정의 중심점을 기준으로 상하 방향(1403) 또는 좌우 방향(1404)로 회전 시켜 기준 객체 이미지(1402)와 동일한 방향에서 촬영된 이미지로 변경할 수 있는 회전 정보를 획득할 수 있다(1405).

회전 정보는 상하 방향(1403)으로 회전한 각도 정보, 좌우 방향(1404)으로 회전한 각도 정보를 포함할 수 있다.

프로세서(180)는 배치 정보 및 회전 정보에 기초하여 3차원 인물 모델이 배치될 합성 위치를 획득할 수 있다(S1104).

프로세서(180)는 회전 정보에 기초하여 3차원 인물 모델을 회전 시킬 수 있다. 따라서, 3차원 인물 모델이 기준 객체 이미지와 동일한 방향에서 촬영된 것으로 보이도록 할 수 있다.

또한, 프로세서(180)는 배치 정보에 포함된 배치 비율 정보를 이용하여 기준 객체 이미지의 면적에 따라 3차원 인물 모델의 면적을 조정하고, 배치 정보에 포함된 배치 거리 정보를 이용하여 기준 객체 이미지와 3차원 인물 모델 간의 거리를 조정할 수 있다.

따라서, 프로세서(180)는 3차원 인물 모델이 보이는 각도를 변경하고, 3차원 인물 모델의 면적을 변경하고, 기준 객체 이미지와의 거리를 변경하여 거리뷰 데이터에 3차원 인물 모델이 배치될 합성 위치를 획득할 수 있다. 합성 위치는 소정의 뷰포인트에서 보이는 거리뷰 이미지에서 3차원 인물 모델이 합성될 위치 정보를 의미할 수 있다.

도 15(a) 및 도 15(b)는 본 개시의 일 실시예에 따른 합성 위치를 설명하기 위한 도면이다.

도 15(a)를 참고하면, 프로세서(180)는 기준 객체 이미지가 추출되는 제1 뷰포인트 정보에서 보이는 거리뷰 이미지에서 3차원 인물 모델이 합성될 합성 위치(1501)을 획득할 수 있다.

또한, 도 15(b)를 참고하면, 프로세서(180)는 기준 객체 이미지가 추출되는 제2 뷰포인트 정보에서 보이는 거리뷰 이미지에서 3차원 인물 모델이 합성될 합성 위치(1502)을 획득할 수 있다.

따라서, 프로세서(180)는 거리뷰 데이터의 뷰포인트 정보가 변경되더라도 3차원 인물 모델이 합성될 합성 위치에 대한 정보를 획득할 수 있다.한편, 프로세서(180)는 합성 위치에 3차원 인물 모델을 배치할 수 있다(S1105).

프로세서(180)는 배치 정보 및 회전 정보에 기초하여 3차원 인물 모델의 각도 및 크기를 변경하여 합성 위치에 3차원 인물 모델을 배치하여 이미지 합성을 수행할 수 있다.

한편, 프로세서(180)는 회전 정보에 포함된 상하 방향 회전 각도 정보 및 좌우 방향 회전 각도 정보각각이 기 설정된 회전 각도 이하인 경우 인물 객체 이미지를 거리뷰 이미지에 배치하여 실제 촬영된 2차원 인물 이미지가 합성되도록 할 수도 있다.

만일, 프로세서(180)는 2차원 인물 이미지가 동영상인 경우, 거리뷰 이미지에서 인물 객체 동영상이 재생되도록 할 수도 있다.

또한, 프로세서(180)는 3차원 인물 모델을 거리뷰 이미지에 배치하여 이미지를 합성하는 경우 이미지 합성 모델을 사용할 수 있다.

이미지 합성 모델은 거리뷰 이미지 및 3차원 인물 모델을 입력 데이터로 이용하여 새로운 이미지를 생성하도록 학습된 인공 신경망 모델일 수 있으며, 생성적 적대 신경망(GAN: Generative Adversarial Network) 모델로 구현될 수도 있다. 이미지 합성 모델이 생성적 적대 신경망(GAN) 모델로 구현되는 경우, 이미지 합성 모델은 합성 이미지 생성자(Generator)와 구분자(Discriminator)로 구성될 수 있다.

도 16은 본 개시의 일 실시예에 따른 이미지 합성 모델을 설명하기 위한 도면이다.

합성 이미지 생성자(generator)는 거리뷰 이미지의 소정의 합성 위치에 3차원 인물 모델이 합성된 이미지(1602)를 생성할 수 있다. 한편, 구분자(Discriminator)는 원본 이미지(1601)과 합성된 이미지(1602)의 일치율을 판별할 수 있다(1603). 프로세서(180)는 구분자(Discriminator)가 출력하는 일치율이 소정의 기준이 만족할 때까지 합성 이미지 생성자(Generator)가 합성 이미지를 생성하도록 제어할 수 있다.

따라서, 프로세서(180)는 이미지 합성 모델을 이용하여, 거리뷰 이미지의 소정의 합성 위치에 3차원 인물 모델이 합성된 자연스러운 합성 이미지를 획득할 수 있다.

도 17(a) 및 도 17(b)는 본 개시의 일 실시 예에 따른 3차원 인물 모델이 배치된 거리뷰 이미지를 나타내는 도면이다.

프로세서(180)는 기준 객체 이미지(1702)를 기준으로 3차원 인물 모델(1703)를 거리뷰 이미지에 배치하여 이미지 합성을 수행할 수 있다.

또한, 프로세서(180)는 사용자가 합성된 거리뷰 이미지를 활용할 수 있도록 다양한 인터페이스를 제공할 수 있다.

예를 들어, 프로세서(180)는 합성된 거리뷰 이미지(1701)에 클릭을 유도하는 버튼 인터페이스(1704)를 포함할 수 있다.

프로세서(180)는 버튼 인터페이스(1704)에 대한 입력을 수신하는 경우, 합성된 거리뷰 이미지(1701)를 활용할 수 있는 다양한 메뉴 인터페이스를 제공할 수 있다.

프로세서(180)는 합성된 거리뷰 이미지(1705)를 통신부(110)를 통해 외부 기기(미도시)로 전송할 수 있는 공유 인터페이스(1706)를 제공할 수 있다. 따라서, 사용자는 합성된 거리뷰 이미지를 SNS 서비스를 통해 공유할 수도 있다.

또한, 프로세서(180)는 합성된 거리뷰 이미지(1705)를 메모리(170)에 저장할 수 있도록 하는 다운로드 인터페이스(1707)를 제공할 수 있다.

또한, 프로세서(180)는 합성된 거리뷰 이미지(1705)에 대하여 소정의 분류 정보를 태깅할 수 있다. 프로세서(180)는 합성된 거리뷰 이미지(1705)를 가족 앨범 분류로 태깅할 수 있는 분류 인터페이스(1708)를 제공할 수 있다.

한편, 합성된 거리뷰 이미지(1705)가 인물 객체 동영상을 합성한 이미지인 경우, 프로세서(180)는 인물 객체 동영상이 재생되도록 하는 동영상 재생 인터페이스(1709)를 제공할 수 있다.

전술한 본 개시는, 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 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

Claims

이미지 데이터를 저장하는 메모리;
상기 이미지 데이터로부터 인물 객체 이미지 및 사물 객체 이미지를 획득하고,
상기 인물 객체 이미지와 매칭되는 3차원 인물 모델을 생성하고,
상기 이미지 데이터의 좌표 정보를 추출하고, 상기 좌표 정보에 매칭되는 거리뷰 데이터를 획득하고,
상기 거리뷰 데이터로부터 상기 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지를 추출하고,
상기 인물 객체 이미지 및 상기 사물 객체 이미지의 배치 정보를 획득하고, 상기 배치 정보 및 상기 기준 객체 이미지를 이용하여 상기 3차원 인물 모델을 상기 거리뷰 데이터의 거리뷰 이미지에 배치하는 프로세서를 포함하는,
인공 지능 장치.
제1 항에 있어서,
상기 프로세서는,
상기 인물 객체 이미지로부터 상기 인물의 나이, 성별, 신체 사이즈 및 자세 정보 중 적어도 하나를 포함하는 인물 정보를 획득하고, 상기 인물 정보를 기초로 상기 3차원 인물 메쉬 모델을 생성하고, 상기 3차원 인물 메쉬 모델을 기초로 상기 3차원 인물 모델을 생성하는,
인공 지능 장치.
제2 항에 있어서,
상기 메모리는,
나이, 성별 및 신체 사이즈 별로 분류된 적어도 하나의 3차원 인물 메쉬 모델을 저장하는 3차원 메쉬 모델 데이터베이스를 포함하고,
상기 프로세서는,
상기 인물 정보와 매칭되는 3차원 인물 메쉬 모델을 상기 3차원 메쉬 모델 데이터베이스로부터 획득하고, 상기 3차원 인물 메쉬 모델을 기초로 상기 3차원 인물 모델을 생성하는,
인공 지능 장치.
제2항에 있어서,
상기 프로세서는,
상기 인물 객체 이미지에 기초하여 상기 3차원 인물 메쉬 모델에 매핑될 텍스쳐 매핑 정보를 획득하고, 상기 텍스쳐 매핑 정보를 기초로 텍스쳐를 상기 3차원 인물 메쉬 모델에 매핑하여 상기 3차원 인물 모델을 생성하는,
인공 지능 장치.
제2항에 있어서,
상기 프로세서는,
상기 인물 정보에 포함된 자세 정보를 이용하여 상기 3차원 인물 모델이 상기 인물 객체 이미지의 자세를 갖도록 상기 3차원 인물 모델을 변환하는,
인공 지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 거리뷰 데이터로부터 상기 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지가 추출되는 뷰포인트 정보를 획득하는,
인공 지능 장치.
제6항에 있어서,
상기 프로세서는,
상기 사물 객체 이미지와 상기 기준 객체 이미지를 비교하여 기 설정된 일치율 이하인 경우 상기 뷰포인트 정보를 변경하는,
인공 지능 장치.
제6항에 있어서,
상기 프로세서는,
상기 사물 객체 이미지가 기 등록된 랜드마크 객체 이미지인지 여부를 판별하고, 상기 사물 객체 이미지가 기 등록된 랜드마크 객체 이미지인 경우 상기 랜드마크의 위치 정보를 이용하여 상기 뷰포인트 정보를 설정하는,
인공 지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 인물 객체 이미지의 면적 및 상기 사물 객체 이미지의 면적을 기초로 배치 비율 정보를 획득하고, 상기 인물 객체 이미지와 상기 사물 객체 이미지의 배치 거리 정보를 획득하고, 상기 배치 비율 정보 및 상기 배치 거리 정보를 포함하는 배치 정보를 이용하여 상기 거리뷰 이미지에 상기 3차원 인물 모델을 배치하는,
인공 지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 사물 객체 이미지와 기준 객체 이미지가 동일한 방향에서 촬영된 이미지로 변경할 수 있는 회전 정보를 획득하고,
상기 회전 정보에 기초하여 상기 3차원 인물 모델을 회전시켜 상기 거리뷰 이미지에 배치하는,
인공 지능 장치.
이미지 데이터를 저장하는 단계;
상기 이미지 데이터로부터 인물 객체 이미지 및 사물 객체 이미지를 획득하는 단계;
상기 인물 객체 이미지와 매칭되는 3차원 인물 모델을 생성하는 단계;
상기 이미지 데이터의 좌표 정보를 추출하는 단계;
상기 좌표 정보에 매칭되는 거리뷰 데이터를 획득하는 단계;
상기 거리뷰 데이터로부터 상기 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지를 추출하는 단계;
상기 인물 객체 이미지 및 상기 사물 객체 이미지의 배치 정보를 획득하는 단계; 및
상기 배치 정보 및 상기 기준 객체 이미지를 이용하여 상기 3차원 인물 모델을 상기 거리뷰 데이터의 거리뷰 이미지에 배치하는 단계를 포함하는,
이미지 합성 방법.
제11항에 있어서,
상기 3차원 인물 모델을 생성하는 단계는,
상기 인물 객체 이미지로부터 상기 인물의 나이, 성별, 신체 사이즈 및 자세 정보 중 적어도 하나를 포함하는 인물 정보를 획득하는 단계;
상기 인물 정보를 기초로 상기 3차원 인물 메쉬 모델을 생성하는 단계; 및
상기 3차원 인물 메쉬 모델을 기초로 상기 3차원 인물 모델을 생성하는 단계를 포함하는,
이미지 합성 방법.
제12 항에 있어서,
상기 3차원 인물 메쉬 모델을 생성하는 단계는,
상기 인물 정보와 매칭되는 3차원 인물 메쉬 모델을 3차원 메쉬 모델 데이터베이스로부터 획득하는 단계; 및
상기 3차원 인물 메쉬 모델을 기초로 상기 3차원 인물 모델을 생성하는 단계를 포함하고,
상기 3차원 메쉬 모델 데이터베이스는,
나이, 성별 및 신체 사이즈 별로 분류된 적어도 하나의 3차원 인물 메쉬 모델을 저장하는,
이미지 합성 방법.
제12항에 있어서,
상기 3차원 인물 메쉬 모델을 기초로 상기 3차원 인물 모델을 생성하는 단게는,
상기 인물 객체 이미지에 기초하여 상기 3차원 인물 메쉬 모델에 매핑될 텍스쳐 매핑 정보를 획득하는 단계; 및
상기 텍스쳐 매핑 정보를 기초로 텍스쳐를 상기 3차원 인물 메쉬 모델에 매핑하여 상기 3차원 인물 모델을 생성하는 단계를 포함하는,
이미지 합성 방법.
제12항에 있어서,
상기 인물 정보에 포함된 자세 정보를 이용하여 상기 3차원 인물 모델이 상기 인물 객체 이미지의 자세를 갖도록 상기 3차원 인물 모델을 변환하는 단계를 더 포함하는,
이미지 합성 방법.
제11항에 있어서,
상기 기준 객체 이미지를 추출하는 단계는,
상기 거리뷰 데이터로부터 상기 사물 객체 이미지의 사물 객체가 촬영된 기준 객체 이미지가 추출되는 뷰포인트 정보를 획득하는 단계를 포함하는,
이미지 합성 방법.
제16항에 있어서,
상기 기준 객체 이미지를 추출하는 단게는,
상기 사물 객체 이미지와 상기 기준 객체 이미지를 비교하여 기 설정된 일치율 이하인 경우 상기 뷰포인트 정보를 변경하는 단계를 포함하는,
이미지 합성 방법.
제16항에 있어서,
상기 기준 객체 이미지를 추출하는 단계는,
상기 사물 객체 이미지가 기 등록된 랜드마크 객체 이미지인지 여부를 판별하는 단계; 및
상기 사물 객체 이미지가 기 등록된 랜드마크 객체 이미지인 경우 상기 랜드마크의 위치 정보를 이용하여 상기 뷰포인트 정보를 설정하는 단계를 포함하는,
이미지 합성 방법.
제11항에 있어서,
상기 배치 정보를 획득하는 단계는,
상기 인물 객체 이미지의 면적 및 상기 사물 객체 이미지의 면적을 기초로 배치 비율 정보를 획득하는 단계; 및
상기 인물 객체 이미지와 상기 사물 객체 이미지의 배치 거리 정보를 획득하는 단게를 포함하고,
상기 거리뷰 이미지에 상기 3차원 인물 모델을 배치하는 단계는,
상기 배치 비율 정보 및 상기 배치 거리 정보를 포함하는 배치 정보를 이용하여 상기 거리뷰 이미지에 상기 3차원 인물 모델을 배치하는 단계를 포함하는,
이미지 합성 방법.
제11항에 있어서,
상기 거리뷰 이미지에 상기 3차원 인물 모델을 배치하는 단계는,
상기 사물 객체 이미지와 기준 객체 이미지가 동일한 방향에서 촬영된 이미지로 변경할 수 있는 회전 정보를 획득하는 단계; 및
상기 회전 정보에 기초하여 상기 3차원 인물 모델을 회전시켜 상기 거리뷰 이미지에 배치하는 단계를 포함하는,
이미지 합성 방법.