KR20220048651A - 3차원 의류 객체 생성 시스템 및 그 동작 방법 - Google Patents

3차원 의류 객체 생성 시스템 및 그 동작 방법 Download PDF

Info

Publication number
KR20220048651A
KR20220048651A KR1020200131781A KR20200131781A KR20220048651A KR 20220048651 A KR20220048651 A KR 20220048651A KR 1020200131781 A KR1020200131781 A KR 1020200131781A KR 20200131781 A KR20200131781 A KR 20200131781A KR 20220048651 A KR20220048651 A KR 20220048651A
Authority
KR
South Korea
Prior art keywords
library
clothing
input image
image
tag
Prior art date
Application number
KR1020200131781A
Other languages
English (en)
Inventor
조은진
문지현
주성돈
양인성
최경찬
김대성
Original Assignee
주식회사 엘지유플러스
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 엘지유플러스 filed Critical 주식회사 엘지유플러스
Priority to KR1020200131781A priority Critical patent/KR20220048651A/ko
Publication of KR20220048651A publication Critical patent/KR20220048651A/ko

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0621—Item configuration or customization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/004—Annotating, labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2024—Style variation

Abstract

3차원 의류 객체 생성 시스템이 개시된다. 3차원 의류 객체 생성 시스템은, 입력 이미지를 객체 별로 인식하는 객체 인식부; 상기 객체로부터 특징을 추출하는 특징 추출부; 및 상기 특징으로부터 텍스트 형식의 태그를 생성해 객체 정보로 저장하는 딥태깅부를 포함하는 이미지 분석부; 3차원 의류 객체 및 상기 객체마다 맵핑된 원본 이미지, 객체 정보 - 상기 객체 정보는 상기 객체의 태그 및 사이즈를 포함함 - 를 저장한 라이브러리; 및 컨트롤러를 포함하고, 상기 컨트롤러는 입력 이미지, 상기 라이브러리 및 상기 이미지 분석부에서 생성된 태그를 이용하여 3차원 의류 객체를 생성한다.

Description

3차원 의류 객체 생성 시스템 및 그 동작 방법{3-DIMENSION CLOTHING OBJECT CREATING SYSTEM, AND OPERATING METHOD THEREOF}
본 개시는 3차원 의류 객체를 생성하는 시스템 및 그 동작 방법에 관한 것이다.
최근 3차원 모델링은 영화, 애니메이션, 광고 등의 엔터테인먼트 분야와 물리적 실험 시뮬레이션, 건축, 디자인 등의 설계 분야 등에 광범위하게 사용되고 있다. 의류 객체의 경우 3차원 객체를 생성하여 가상 세계에서 캐릭터에 옷을 입히는 방법 등으로 활용될 수 있고, 의류를 구매하고자 하는 사람이 실물에 가깝게 3차원 객체를 미리 확인하는데 활용될 수도 있다.
관련 선행기술로, 한국 등록특허공보 제10-2042551호(발명의 명칭: 3차원 의류 데이터 생성 시스템, 특허권자: ㈜자이언소프트)가 있다. 해당 등록특허공보에는 3차원 점군 데이터로 이루어진 의류 데이터를 생성하는 3차원 의류 데이터 생성 시스템이 개시된다. 상기 선행기술은 스캔된 의류 데이터를 입력 받는 스캔 데이터 입력부; 의류 데이터 상에 복수의 포인트로 이루어진 점군을 로딩하는 점군 로딩부; 및 로딩된 점군을 3차원 점군 데이터로 변환하는 3차원 데이터 변환부를 포함하고, 상기 점군 로딩부는 복수의 제1 포인트를 생성하는 제1 점군 로딩 모듈과 복수의 제2 포인트를 생성하는 제2 점군 로딩 모듈을 포함하고, 상기 제2 포인트는 상기 제1 포인트 보다 더 큰 넓이를 갖고, 상기 제1 포인트는 단일 좌표로 이루어지고, 상기 제2 포인트는 범위를 갖는 영역으로 이루어지고, 상기 점군 로딩부는 상기 제2 포인트를 의류 데이터의 내측에 배치하고 상기 제1 포인트를 상기 제2 포인트들의 둘레를 감싸도록 배치하고, 상기 제1 포인트는 의류의 테두리 영역에서 생성되고, 상기 제1 포인트와 상기 제2 포인트는 가상 신체에의 피팅을 위해 의류 한벌에서 동시에 생성되는 의류 데이터인 3차원 의류 데이터 생성 시스템을 개시한다.
현재 3차원 의류 객체 생성 기술은 3D 소프트웨어(CAD, MAX)를 통해 가상으로 생성하거나, 카메라를 통해 실제 물체를 360도 촬영하여 생성한다. 3D 소프트웨어로 생성하는 3D 객체는 품질이 좋으나 생성하는 데 시간이 오래 걸리고, 소프트웨어를 사용할 줄 모르면 생성하기 어렵다. 카메라로 촬영하여 3D 객체를 생성하는 것은 높은 품질을 위해서는 특수 카메라가 필요하고 생성 시간이 오래 소요되며, 시뮬레이션을 할 경우 의류의 움직임이 자연스럽지 않은 등 실제 의류의 물성을 섬세하게 표현하기 어렵다.
Vision AI 기술을 활용해 입력 이미지에서 의류의 특징을 분석하고, 딥태깅을 이용해 3차원 의류 객체를 생성할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 측에 따른 3차원 의류 객체 생성 시스템은, 입력 이미지를 객체 별로 인식하는 객체 인식부; 상기 객체로부터 특징을 추출하는 특징 추출부; 및 상기 특징으로부터 텍스트 형식의 태그를 생성해 객체 정보로 저장하는 딥태깅부를 포함하는 이미지 분석부; 3차원 의류 객체 및 상기 객체마다 맵핑된 원본 이미지, 객체 정보 - 상기 객체 정보는 상기 객체의 태그 및 사이즈를 포함함 - 를 저장한 라이브러리; 및 컨트롤러를 포함하고, 상기 컨트롤러는 입력 이미지, 상기 라이브러리 및 상기 이미지 분석부에서 생성된 태그를 이용하여 3차원 의류 객체를 생성한다.
상기 컨트롤러가 3차원 의류 객체를 생성하는 단계는, 상기 라이브러리에서 상기 입력 이미지와 일치하거나 유사한 원본 이미지를 검색하는 단계; 일치하는 원본 이미지가 검색되는 경우, 상기 원본 이미지에 대응하는 3차원 의류 객체를 출력하는 단계; 유사한 원본 이미지가 검색되는 경우, 상기 원본 이미지에 대응하는 3차원 의류 객체를 호출 후 상기 이미지 분석부의 상기 딥태깅부에서 생성된 태그를 기반으로 보완하여 출력하고, 상기 라이브러리에 저장하는 단계; 및 일치하거나 유사한 원본 이미지가 검색되지 않는 경우, 상기 입력 이미지의 태그와 가장 많이 일치하는 3차원 의류 객체를 호출 후 남은 태그와 입력 이미지를 기반으로 보완하여 출력하고, 상기 라이브러리에 저장하는 단계를 포함할 수 있다.
상기 컨트롤러가 상기 라이브러리에서 상기 입력 이미지와 일치하거나 유사한 원본 이미지를 검색하는 단계는, Vision AI(Artificial Intelligence) 또는 딥러닝(Deeplearning)을 활용할 수 있다.
상기 컨트롤러는 입력 이미지가 사이즈 데이터를 포함하는 경우 상기 라이브러리의 객체 정보에 저장하고, 상기 입력 이미지가 사이즈 데이터를 포함하지 않는 경우 사이즈를 측정하여 상기 라이브러리의 객체 정보에 저장할 수 있다.
상기 객체로부터 추출된 특징은 로고 모양, 패턴, 소재, 색상, 전체 레이아웃, 소매, 넥, 포켓 중 적어도 하나를 포함할 수 있다.
태그는 복수의 계층으로 생성될 수 있으며, 상기 컨트롤러가 태그를 추가, 제거할 수 있다.
일 실시예에 따른 3차원 의류 객체 생성 시스템의 동작 방법은, 차원 의류 객체 및 상기 객체마다 맵핑된 원본 이미지, 객체 정보 - 상기 객체 정보는 상기 객체의 태그 및 사이즈를 포함함 - 를 저장한 라이브러리를 유지하는 단계; 객체 인식부, 특징 추출부 및 딥태깅부를 포함하는 이미지 분석부에 있어서, 상기 객체 인식부에서 상기 입력 이미지를 객체 별로 인식하는 단계; 상기 특징 추출부에서 상기 객체로부터 특징을 추출하는 단계; 상기 딥태깅부에서 상기 특징으로부터 텍스트 형식의 태그를 생성해 객체 정보로 저장하는 단계; 및 상기 컨트롤러가 상기 입력 이미지, 상기 라이브러리 및 상기 이미지 분석부에서 생성된 태그를 이용하여 3차원 의류를 생성하는 단계를 포함한다.
상기 컨트롤러가 3차원 의류를 생성하는 단계는, 상기 라이브러리에서 상기 입력 이미지와 일치하거나 유사한 원본 이미지를 검색하는 단계; 일치하는 원본 이미지가 검색되는 경우, 상기 원본 이미지에 대응하는 3차원 의류 객체를 출력하는 단계; 유사한 원본 이미지가 검색되는 경우, 상기 원본 이미지에 대응하는 3차원 의류 객체를 호출 후 상기 이미지 분석부의 상기 딥태깅부에서 생성된 태그를 기반으로 보완하여 출력하고, 상기 라이브러리에 저장하는 단계; 및 일치하거나 유사한 원본 이미지가 검색되지 않는 경우, 상기 입력 이미지의 태그와 가장 많이 일치하는 3차원 의류 객체를 호출 후 남은 태그와 입력 이미지를 기반으로 보완하여 출력하고, 상기 라이브러리에 저장하는 단계를 포함한다.
상기 컨트롤러가 상기 라이브러리에서 상기 입력 이미지와 일치하거나 유사한 원본 이미지를 검색하는 단계는 Vision AI(Artificial Intelligence) 또는 딥러닝(Deeplearning)을 활용할 수 있다.
상기 컨트롤러는 입력 이미지가 사이즈 데이터를 포함하는 경우 상기 라이브러리의 객체 정보에 저장하고, 상기 입력 이미지가 사이즈 데이터를 포함하지 않는 경우 사이즈를 측정하여 상기 라이브러리의 객체 정보에 저장할 수 있다.
상기 객체로부터 추출된 특징은 로고 모양, 패턴, 소재, 색상, 전체 레이아웃, 소매, 넥, 포켓 중 적어도 하나를 포함할 수 있다.
태그는 복수의 계층으로 생성될 수 있으며, 상기 컨트롤러가 태그를 추가, 제거할 수 있다.
실시예들은 이미지 분석을 통해 생성된 태그를 기반으로 라이브러리에서 유사한 3차원 의류 객체를 검색하여 가장 유사한 3차원 객체를 불러와, 원본 이미지 및 태그를 기반으로 보완하여 보다 빠르게 3차원 의류 객체를 생성할 수 있다.
또한, 실시예들은 입력 이미지에 고유 패턴이나 이미지가 삽입되어 있는 경우 해당 이미지를 스캔하여 새롭게 생성되는 3차원 의류 객체에 합성하는 등 직접 3차원 의류 객체를 보완하여 완성도를 높일 수 있다.
도 1은 일실시예에 따른 3차원 의류 객체 생성 시스템을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 3차원 의류 객체 생성 시스템에서 3차원 의류 객체가 생성되는 과정을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 3차원 의류 객체 생성 시스템의 이미지 분석부에서 생성한 태그를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 3차원 의류 객체 생성 시스템에서 3차원 의류 객체를 생성하는 과정에서 일부 일치하지 않는 부분을 보완하는 과정을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 3차원 의류 객체 생성 시스템의 동작 방법을 설명하기 위한 흐름도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
<3차원 의류 객체 생성 시스템>
도 1은 일실시예에 따른 3차원 의류 객체 생성 시스템을 설명하기 위한 블록도이다.
도 1을 참고하면, 3차원 의류 객체 생성 시스템(100)은 입력 이미지를 객체 별로 인식하는 객체 인식부(113), 객체로부터 특징을 추출하는 특징 추출부(116), 및 특징으로부터 텍스트 형식의 태그를 생성해 객체 정보(138)로 저장하는 딥태깅부(119)를 포함하는 이미지 분석부(110)를 포함한다. 또한, 3차원 의류 객체(135), 객체(135)마다 맵핑된 원본 이미지(133)와 객체 정보(138)를 저장한 라이브러리(130)를 포함한다. 객체 정보(138)는 객체의 태그(136) 및 사이즈(137)를 포함한다. 또한 객체 생성 시스템(100)은 컨트롤러(120)를 포함하는데, 컨트롤러(120)는 입력 이미지, 라이브러리(130) 및 이미지 분석부(110)에서 생성된 태그를 이용하여 3차원 의류 객체를 생성한다. 설명의 편의를 위해 도 1에 도시되지는 않았지만, 입력 이미지를 수신하는 입력부, 최종적으로 생성한 3차원 의류 객체를 외부로 송신하는 출력부가 의류 객체 생성 시스템(100)에 포함될 수 있다.
이미지 분석부(110)는 의류를 구분하여 인식하고, 의류 정보를 추출하여 태그를 생성하는 부분으로, 입력 이미지를 객체 인식부(113), 특징 추출부(116), 딥태깅부(119)에서 순서대로 처리하여 태그를 생성한다. 객체 인식부(113)는 입력 이미지로부터 상의, 하의, 신발, 모자, 악세서리 등의 의류를 객체 별로 인식한다. 특징 추출부(116)는 각 객체 별로 OCR(Optical Character Recognition)로 의류 브랜드 로고나 텍스트를 인식하고, 로고 모양, 패턴, 소재, 색상, 전체 레이아웃, 소매, 넥, 포켓 중 적어도 하나의 특징을 인식하여 구분한다.
딥태깅부(119)는 객체 인식부(113), 특징 추출부(116)를 거쳐 추출된 의류의 특징에 맞는 태그를 생성한다. 태그(Tag)란, 어떤 정보에 메타데이터(metadata), 즉 데이터에 대한 데이터로 부여된 키워드 또는 분류를 의미하는데, 3차원 의류 객체 생성 시스템(100)에서의 태그는 의류에 관한 정보를 텍스트 형식으로 나타낸 것을 의미한다. 예를 들어 특징 추출부(116)에서 객체 별로 특징을 인식하는데, 입력 이미지의 특징은 텍스트 형식이 아니므로 브랜드 로고, 로고의 모양, 패턴, 소재, 색상 등에 관한 특징을 딥태깅부(119)에서 텍스트 형식의 태그로 생성하는 것이다. 태그는 복수의 계층, 예를 들어 상의-셔츠-남성용 셔츠 등으로 형성될 수 있고, 각 태그 별로 입력 이미지의 모양 혹은 색상 등이 특정되어 있다. 또한, 시스템(100)의 컨트롤러(120)가 태그를 추가, 제거 등 관리할 수 있다. 딥태깅부(119)에서 생성된 태그는 라이브러리(130) 내의 객체 정보(138) 중 태그(136)에 저장된다.
객체 정보(138)에는 3차원 의류 객체의 태그(136) 뿐만 아니라 사이즈(137)도 포함된다. 사이즈(137) 또한 태그(136)의 생성과 관련하여 설명한 바와 같이, 이미지 분석부(110)의 객체 인식부(113)에서 객체를 인식한 다음 특징 추출부(116)에서 특정 부분의 사이즈에 대한 정보를 추출해 딥태깅부(119)에서 텍스트 형식으로 생성되어 객체 정보(138)에 저장될 수 있다. 특징 추출부(116)에서 사이즈는 특정 기준에 따라 절대적 또는 상대적으로 측정되며, 주름이나 포즈에 따른 외부 요인이 함께 고려되어 측정된다. 예를 들어 입력 이미지에 얼굴이 나온 경우 국내 얼굴 사이즈 통계 평균값을 활용하여 의류 사이즈를 추정할 수 있고, 주름의 경우 접힌 굴곡의 개수에 따라 머신러닝 등을 활용하여 보정 값을 계산해 의류 사이즈를 보정할 수 있다.
하지만 사이즈(137)는 태그(136)와는 달리, 입력 이미지가 ToF(Time of Flight) 센서나 LiDAR(Light Detection and Ranging)가 탑재된 카메라로 촬영된 경우에는 이미지 분석부(110)를 거치기 전부터 사이즈에 대한 정보를 포함하고 있을 수 있다. 이 경우에는 컨트롤러(120)가 입력 이미지의 사이즈 데이터를 직접 라이브러리(130)의 객체 정보(138)에 사이즈(137) 정보로 저장한다. 태그(136) 및 사이즈(137)에 대한 내용은 후술할 도 3에서 다시 상세히 설명된다.
컨트롤러(120)는 입력 이미지, 라이브러리(130) 및 이미지 분석부(110)에서 생성된 태그를 이용하여 3차원 의류 객체를 생성하는데, 우선 라이브러리(130)에서 입력된 이미지와 일치하거나 유사한 원본 이미지(133)를 검색한다. 일치하거나 유사한 원본 이미지를 검색하는 과정에는 이미지 분석부(110)에서 사용되었던 Vision AI 또는 딥러닝(Deeplearning)이 활용될 수 있다. 일치나 유사를 정의함에 있어, 미리 설정된 수치를 기준으로 할 수 있다. 예를 들어, 원본 이미지의 전체 태그 개수 중 입력 이미지와 일치하는 태그의 개수 기준으로 80% 이상이면 "일치", 50% 이상 80% 미만이면 "유사", 50% 미만이면 "상이"라고 판단할 수 있다.
라이브러리(130)에서 일치하는 원본 이미지(133)가 검색되는 경우, 원본 이미지(133)에 대응하는 3차원 의류 객체(135)를 출력한다. 일치하는 경우에는 보완을 거칠 필요가 없으며, 라이브러리에 다시 저장할 필요도 없으므로 컨트롤러(120)는 단지 3차원 의류 객체(135)를 출력하는 것으로 입력 이미지에 대한 3차원 의류 객체가 생성된다.
라이브러리(130)에서 유사한 원본 이미지(133)가 검색되는 경우에는, 원본 이미지(133)에 대응하는 3차원 의류 객체(135)를 호출 후, 이를 이미지 분석부(110)의 딥태깅부(119)에서 생성된 태그를 기반으로 보완하여 출력하고, 라이브러리(130)에 저장한다.
일치하거나 유사한 원본 이미지가 검색되지 않는 경우에는, 입력 이미지의 태그와 가장 많이 일치하는 3차원 의류 객체를 호출 후, 남은 태그와 입력 이미지를 기반으로 보완하여 출력하고, 라이브러리(130)에 저장한다. 호출한 의류 객체를 보완하는 과정은 후술할 도 4와 관련하여 자세히 설명된다.
도 2는 일 실시예에 따른 3차원 의류 객체 생성 시스템에서 3차원 의류 객체가 생성되는 과정을 설명하기 위한 도면이다.
도 2를 참고하면, 도 1에서 설명한 3차원 의류 생성 시스템이 운영되는 과정이 도시된다.
3차원 의류 객체 시스템(100)은 입력 이미지를 수신한다. 설명의 편의를 위해 생략되었지만, 시스템(100)은 입력 이미지를 수신하는 입력부와, 생성한 3차원 의류 객체를 송신하는 출력부를 포함할 수 있다. 입력 이미지는 이미지 파일 형식으로 시스템(100)에 수신될 수도 있고, 예를 들어 스마트폰 등으로 촬영되어 시스템(100)에 수신될 수도 있다. 카메라로 촬영할 경우 3D 객체로 생성하고 싶은 의류를 가능한 360도로 촬영해야 하며, 카메라에 ToF(Time of Flight) 센서나 LiDAR(Light Detection and Ranging)가 탑재된 경우에는 사람의 체형과 착용하고 있는 의류의 사이즈를 측정하여 데이터를 수집할 수도 있다.
이미지 분석부(110)에서는 입력 이미지를 객체 인식(211)하고, 객체로부터 특징을 추출(213)하고, 특징으로부터 텍스트 형식의 태그를 생성하는 딥태깅(215)을 진행한다. 도 1에서 설명한 바와 같이, 입력 이미지로부터 상의, 하의, 신발, 모자, 악세서리 등의 의류를 객체 별로 인식(211)하고, 각 객체 별로 OCR(Optical Character Recognition)로 의류 브랜드 로고나 텍스트를 인식하고, 로고 모양, 패턴, 소재, 색상, 전체 레이아웃, 소매, 넥, 포켓 중 적어도 하나의 특징을 인식하여 추출(213)한다. 그리고 추출된 특징에 맞는 태그를 생성(215)한다. 예를 들어, 입력 이미지의 특징은 텍스트 형식이 아니므로 브랜드 로고, 로고의 모양, 패턴, 소재, 색상 등에 관한 특징을 텍스트 형식의 태그로 생성한다. 태그는 복수의 계층, 예를 들어 상의-셔츠-남성용 셔츠 등으로 형성될 수 있고, 각 태그 별로 입력 이미지의 모양 혹은 색상 등이 특정되어 있다. 생성된 태그는 라이브러리(130)에 저장된다.
라이브러리(130)에는 객체 정보에 태그뿐만 아니라 사이즈도 저장되어 있는데, 도 1에서 설명한 바와 같이 사이즈도 태그와 동일한 방법을 거쳐 측정되어 라이브러리에 저장될 수도 있고, 입력 이미지가 사이즈 데이터를 포함하는 경우에는 바로 사이즈 정보가 라이브러리에 저장될 수도 있다.
이미지 분석부(110)를 거쳐 입력 이미지가 분석된 후, 딥태깅을 활용하여 3차원 의류 객체를 생성하는 과정은 도 1에서 설명한 바와 동일하게 진행된다. 먼저, 라이브러리(130)에 입력 이미지와 일치하거나 유사한 원본 이미지가 있는지 검색된다(220). 일치하거나 유사한 원본 이미지를 검색하는 과정에는 이미지 분석부(110)에서 사용되었던 Vision AI 또는 딥러닝(Deeplearning)이 활용될 수 있다. 일치나 유사를 정의함에 있어, 미리 설정된 수치를 기준으로 할 수 있다. 예를 들어, 원본 이미지의 전체 태그 개수 중 입력 이미지와 일치하는 태그의 개수 기준으로 80% 이상이면 "일치", 50% 이상 80% 미만이면 "유사", 50% 미만이면 "상이"라고 판단할 수 있다.
라이브러리(130)에서 일치하는 원본 이미지가 검색되면 원본 이미지에 대응하는 3차원 의류 객체를 바로 출력한다. 라이브러리(130)에서 유사한 원본 이미지가 검색되는 경우에는, 유사한 원본 이미지에 대응하는 3차원 의류 객체를 호출(230)한다. 이를 이미지 분석부(110)에서 생성된 태그를 기반으로 보완(240)하여 3D 의류 객체를 완성(250)하고, 라이브러리(130)에 저장 후 출력한다. 일치하거나 유사한 원본 이미지가 검색되지 않는 경우에는 입력 이미지의 태그와 가장 많이 일치하는 3차원 의류 객체를 호출(230) 후, 남은 태그와 입력 이미지를 기반으로 보완(240)해 3D 의류 객체를 완성(250)하고, 라이브러리(130)에 저장 후 출력한다. 호출한 의류 객체를 보완하는 과정은 후술할 도 4와 관련하여 자세히 설명된다.
도 3은 일 실시예에 따른 3차원 의류 객체 생성 시스템의 이미지 분석부에서 생성한 태그를 설명하기 위한 도면이다.
도 3을 참고하면, 입력 이미지(310), 입력 이미지(310)를 이미지 분석부에서 분석하여 생성된 태그 목록(330) 및 사이즈(350)가 도시된다. 입력 이미지(310)에서 의류라는 객체를 인식하고, 객체에서 특징을 추출해 태그를 생성한다. 태그 목록(330)을 보면, 입력 이미지의 의류에 대한 특징이 텍스트 형식으로 제시되어 있다. 흰색(White)을 기반으로 검은 색(Black)의 얇은 줄무늬(Thin Striped)가 있는 셔츠(Shirt)이고, 긴 소매(Long sleeve)이며 린넨(Linen) 소재, 둥근 칼라(Rounded collar), 프렌치 커프(French Cuff; 셔츠 소매 끝의 형식 중 하나)이고, 폴로 로고(Logo: Polo) 이다. 사이즈(350)는, 도 1에서 설명한 바와 같이 입력 이미지가 가지고 있는 데이터이거나 태그와 같이 이미지 분석부를 거쳐 측정된 데이터이다. 사이즈(350)를 살펴보면 의류의 부위, 예를 들어 가슴, 어깨, 팔 길이 별로 사이즈 정보가 나와있고, 전체 옷 사이즈에 대한 정보(Size: 100(M)) 또한 나타나 있다.
다만 도 3의 태그 목록(330), 사이즈(350)에 대한 내용은 예시적인 것일 뿐이며, 이에 제한되지 않는다.
도 4는 일 실시예에 따른 3차원 의류 객체 생성 시스템에서 3차원 의류 객체를 생성하는 과정에서 일부 일치하지 않는 부분을 보완하는 과정을 설명하기 위한 도면이다.
도 4를 참고하면, 라이브러리에서 일치하는 원본 이미지가 검색되지 않은 경우 호출한 3차원 의류 객체를 보완하는 과정이 도시된다. 일치하지는 않지만 유사한 원본 이미지가 검색된 경우에는 유사한 원본 이미지에 대응하는 3차원 의류 객체를 호출하고, 유사한 원본 이미지도 검색되지 않은 경우에는 입력 이미지의 태그와 가장 많이 일치하는 3차원 의류 객체를 호출한다. 도 4에서 410은 입력 이미지를 도시하고, 430은 설명한 바와 같이 라이브러리에 일치하는 원본 이미지가 없는 경우 호출된 3차원 의류 객체를 도시한다. 410과 430을 비교하면, 호출된 객체 430은 원본 이미지 410과 일치하지는 않지만 형태, 종류, 사이즈 등에서 유사하여 호출되었음을 알 수 있다.
호출한 430 의류 객체는, 입력 이미지(410)가 이미지 분석부에서 분석된 후 생성된 태그와 입력 이미지(410)를 기반으로 입력 이미지에 가깝게 보완된다. 입력 이미지(410)는 도 1에서 설명한 바와 같이 이미지 분석부에서 분석되면, 도 3과 유사하게 태그 목록이 생성된다. 이 중 호출된 객체 430과 일치하지 않은 남아있는 원본 이미지 410에 대한 태그를 이용하여 보완이 진행된다. 예를 들어, 410의 입력 이미지에는 꽃무늬 패턴 특징이 있으므로, 이미지 분석부를 통해 꽃무늬 패턴이라는 태그가 생성된다. 이 태그는 430에는 존재하지 않는 남아있는 태그이므로, 이를 반영해 최종 3차원 의류 객체(450)가 생성된다. 또한, 입력 이미지를 자세히 살펴보면 소매가 검은 색으로, 소매가 흰색인 호출 3차원 의류 객체(430)와는 차이가 있다. 이 부분도 입력 이미지(410)가 이미지 분석부에서 딥태깅을 통해 예를 들어 "소매 - 검은색"의 태그로 생성되고, 보완 과정에서 반영되어 소매가 검은 색인 최종 3차원 의류 객체(450)가 생성된다.
<3차원 의류 객체 생성 시스템의 동작 방법>
도 5는 일 실시예에 따른 3차원 의류 객체 생성 시스템의 동작 방법을 설명하기 위한 흐름도이다.
도 5를 참고하면, 3차원 의류 객체 생성 시스템이 입력 이미지를 수신한 이후 3차원 의류 객체를 생성하여 출력하기까지의 과정이 도시된다. 3차원 의류 객체 생성 시스템의 컨트롤러는 수신한 입력 이미지를 라이브러리에 검색(510)하고, 일치하는 원본 이미지가 존재하는지 여부를 확인(520)한다.
라이브러리에는 원본 이미지, 원본 이미지의 3차원 의류 객체, 3차원 의류 객체의 태그 및 사이즈 등의 객체 정보가 대응되어 저장되어 있으므로, 입력 이미지와 일치하는 원본 이미지가 존재하는 경우에는 525로 진행되어 일치하는 원본 이미지에 대응하는 3차원 의류 객체가 바로 출력되고, 프로세스가 종료된다. 일치하거나 유사한 원본 이미지를 검색하는 과정에는 Vision AI 또는 딥러닝(Deeplearning)이 활용될 수 있다. 일치나 유사를 정의함에 있어, 미리 설정된 수치를 기준으로 할 수 있다. 예를 들어, 원본 이미지의 전체 태그 개수 중 입력 이미지와 일치하는 태그의 개수 기준으로 80% 이상이면 "일치", 50% 이상 80% 미만이면 "유사", 50% 미만이면 "상이"라고 판단할 수 있다. 이미지 분석부에서 입력 이미지를 분석(530)하기 전에 일치하는 원본 이미지를 먼저 검색(520)하는 이유는, 입력 이미지와 일치하는 원본 이미지가 있는 경우에는 불필요하게 이미지 분석부에서의 과정을 진행하여 리소스를 낭비할 필요가 없기 때문이다.
라이브러리에 입력 이미지와 일치하는 원본 이미지가 없는 경우에는 530으로 진행하여, 이미지 분석부에서 태그를 생성한다. 이미지 분석부에서 태그를 생성하는 과정은 도 1에서 설명한 바와 같이 진행된다. 입력 이미지로부터 상의, 하의, 신발, 모자, 악세서리 등의 의류를 객체 별로 인식하고, 각 객체 별로 OCR(Optical Character Recognition)로 의류 브랜드 로고나 텍스트를 인식하고, 로고 모양, 패턴, 소재, 색상, 전체 레이아웃, 소매, 넥, 포켓 중 적어도 하나의 특징을 인식하여 구분한다. 특징을 추출한 후에는 특징에 맞는 태그를 생성한다. 태그(Tag)란, 어떤 정보에 메타데이터(metadata), 즉 데이터에 대한 데이터로 부여된 키워드 또는 분류를 의미하는데, 3차원 의류 객체 생성 시스템에서의 태그는 의류에 관한 정보를 텍스트 형식으로 나타낸 것을 의미한다. 예를 들어 입력 이미지의 특징은 텍스트 형식이 아니므로 브랜드 로고, 로고의 모양, 패턴, 소재, 색상 등에 관한 특징을 텍스트 형식의 태그로 생성하는 것이다. 태그는 복수의 계층, 예를 들어 상의-셔츠-남성용 셔츠 등으로 형성될 수 있고, 각 태그 별로 입력 이미지의 모양 혹은 색상 등이 특정되어 있다. 또한 컨트롤러가 태그를 추가, 제거 등 관리할 수 있다. 태그는 라이브러리의 객체 정보에 저장된다.
태그와 같이 객체 정보에 포함되는 사이즈는, 태그의 생성과 관련하여 설명한 바와 같은 방법으로, 입력 이미지의 객체를 인식한 다음 특정 부분의 사이즈에 대한 정보를 추출해 텍스트 형식으로 생성되어 라이브러리의 객체 정보에 저장될 수 있다. 사이즈는 특정 기준에 따라 절대적 또는 상대적으로 측정되며, 주름이나 포즈에 따른 외부 요인이 함께 고려되어 측정된다. 예를 들어 입력 이미지에 얼굴이 나온 경우 국내 얼굴 사이즈 통계 평균값을 활용하여 의류 사이즈를 추정할 수 있고, 주름의 경우 접힌 굴곡의 개수에 따라 머신러닝 등을 활용하여 보정 값을 계산해 의류 사이즈를 보정할 수 있다.
다만 사이즈는 태그와는 달리, 입력 이미지가 ToF(Time of Flight) 센서나 LiDAR(Light Detection and Ranging)가 탑재된 카메라로 촬영된 경우에는 이미지 분석부를 거치기(530) 전부터 사이즈에 대한 정보를 포함하고 있을 수 있다. 이 경우에는 컨트롤러가 입력 이미지의 사이즈 데이터를 직접 라이브러리의 객체 정보에 저장할 수 있다. 태그 및 사이즈에 대한 구체적인 실시예는 도 3에서 상세히 설명하였다.
태그가 생성(530)된 이후 라이브러리에서 유사한 원본 이미지가 존재하는지 여부를 확인(540)하는데, 유사한 원본 이미지가 존재하는 경우에는 543으로, 존재하지 않는 경우에는 546으로 진행한다. 유사 여부 판단에는 일치하는 원본 이미지가 존재하는지 여부를 확인한 520에서 설명한 바와 같이 Vision AI 또는 Deeplearning이 활용될 수 있으며, 미리 설정된 수치를 기준으로 결정할 수 있다. 유사한 원본 이미지가 검색되는 경우에는 그 원본 이미지에 대응하는 3차원 의류 객체를 호출한다(543). 유사한 원본 이미지가 검색되지 않는 경우에는 입력 이미지에 대해 530 단계에서 생성한 태그를 기반으로, 입력 이미지 태그와 가장 많은 개수의 태그가 일치하는 3차원 의류 객체를 호출한다(546).
호출된 3차원 의류 객체는 입력 이미지의 나머지 태그와 입력 이미지를 기반으로 보완(550)되어 최종 3차원 의류 객체가 생성된다. 호출된 3차원 의류 객체를 보완하는 과정은 도 4에서 상세히 설명한 바와 같이, 입력 이미지의 태그 중 호출된 3차원 의류 객체와 일치하지 않는 태그 정보를 반영하며, 그 과정에서 입력 이미지도 이용될 수 있다. 생성된 최종 3차원 의류 객체는 라이브러리에 저장되고, 출력된다(560). 이 때 원본 이미지 및 원본 이미지의 태그, 사이즈 등도 함께 저장되어, 원본 이미지, 3차원 의류 객체, 태그와 사이즈를 포함하는 객체 정보가 대응되도록 라이브러리에 저장된다.
도 5에 도시되지는 않았지만, 3차원 의류 객체 생성 시스템의 동작 방법은 출력된 최종 3차원 의류 객체를 출력부에서 외부에 전송하는 단계를 더 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (13)

  1. 3차원 의류 객체 생성 시스템에 있어서,
    입력 이미지를 객체 별로 인식하는 객체 인식부; 상기 객체로부터 특징을 추출하는 특징 추출부; 및 상기 특징으로부터 텍스트 형식의 태그를 생성해 객체 정보로 저장하는 딥태깅부
    를 포함하는 이미지 분석부;
    3차원 의류 객체 및 상기 객체마다 맵핑된 원본 이미지, 객체 정보 - 상기 객체 정보는 상기 객체의 태그 및 사이즈를 포함함 - 를 저장한 라이브러리; 및
    컨트롤러를 포함하고,
    상기 컨트롤러는 입력 이미지, 상기 라이브러리 및 상기 이미지 분석부에서 생성된 태그를 이용하여 3차원 의류 객체를 생성하는,
    시스템.
  2. 제1항에 있어서,
    상기 컨트롤러가 3차원 의류 객체를 생성하는 단계는,
    상기 라이브러리에서 상기 입력 이미지와 일치하거나 유사한 원본 이미지를 검색하는 단계;
    일치하는 원본 이미지가 검색되는 경우, 상기 원본 이미지에 대응하는 3차원 의류 객체를 출력하는 단계;
    유사한 원본 이미지가 검색되는 경우, 상기 원본 이미지에 대응하는 3차원 의류 객체를 호출 후 상기 이미지 분석부의 상기 딥태깅부에서 생성된 태그를 기반으로 보완하여 출력하고, 상기 라이브러리에 저장하는 단계; 및
    일치하거나 유사한 원본 이미지가 검색되지 않는 경우, 상기 입력 이미지의 태그와 가장 많이 일치하는 3차원 의류 객체를 호출 후 남은 태그와 입력 이미지를 기반으로 보완하여 출력하고, 상기 라이브러리에 저장하는 단계
    를 포함하는,
    시스템.
  3. 제2항에 있어서,
    상기 컨트롤러가 상기 라이브러리에서 상기 입력 이미지와 일치하거나 유사한 원본 이미지를 검색하는 단계는,
    Vision AI(Artificial Intelligence) 또는 딥러닝(Deeplearning)을 활용하는,
    시스템.
  4. 제1항에 있어서,
    상기 컨트롤러는 입력 이미지가 사이즈 데이터를 포함하는 경우 상기 라이브러리의 객체 정보에 저장하고,
    상기 입력 이미지가 사이즈 데이터를 포함하지 않는 경우 사이즈를 측정하여 상기 라이브러리의 객체 정보에 저장하는,
    시스템.
  5. 제1항에 있어서,
    상기 객체로부터 추출된 특징은 로고 모양, 패턴, 소재, 색상, 전체 레이아웃, 소매, 넥, 포켓 중 적어도 하나를 포함하는,
    시스템.
  6. 제1항에 있어서,
    태그는 복수의 계층으로 생성될 수 있으며,
    상기 컨트롤러가 태그를 추가, 제거할 수 있는,
    시스템.
  7. 3차원 의류 객체 생성 시스템의 동작 방법에 있어서,
    3차원 의류 객체 및 상기 객체마다 맵핑된 원본 이미지, 객체 정보 - 상기 객체 정보는 상기 객체의 태그 및 사이즈를 포함함 - 를 저장한 라이브러리를 유지하는 단계;
    객체 인식부, 특징 추출부 및 딥태깅부를 포함하는 이미지 분석부에 있어서,
    상기 객체 인식부에서 상기 입력 이미지를 객체 별로 인식하는 단계;
    상기 특징 추출부에서 상기 객체로부터 특징을 추출하는 단계;
    상기 딥태깅부에서 상기 특징으로부터 텍스트 형식의 태그를 생성해 객체 정보로 저장하는 단계; 및
    상기 컨트롤러가 상기 입력 이미지, 상기 라이브러리 및 상기 이미지 분석부에서 생성된 태그를 이용하여 3차원 의류를 생성하는 단계
    를 포함하는,
    방법.
  8. 제7항에 있어서,
    상기 컨트롤러가 3차원 의류를 생성하는 단계는,
    상기 라이브러리에서 상기 입력 이미지와 일치하거나 유사한 원본 이미지를 검색하는 단계;
    일치하는 원본 이미지가 검색되는 경우, 상기 원본 이미지에 대응하는 3차원 의류 객체를 출력하는 단계;
    유사한 원본 이미지가 검색되는 경우, 상기 원본 이미지에 대응하는 3차원 의류 객체를 호출 후 상기 이미지 분석부의 상기 딥태깅부에서 생성된 태그를 기반으로 보완하여 출력하고, 상기 라이브러리에 저장하는 단계; 및
    일치하거나 유사한 원본 이미지가 검색되지 않는 경우, 상기 입력 이미지의 태그와 가장 많이 일치하는 3차원 의류 객체를 호출 후 남은 태그와 입력 이미지를 기반으로 보완하여 출력하고, 상기 라이브러리에 저장하는 단계
    를 포함하는,
    방법.
  9. 제8항에 있어서,
    상기 컨트롤러가 상기 라이브러리에서 상기 입력 이미지와 일치하거나 유사한 원본 이미지를 검색하는 단계는,
    Vision AI(Artificial Intelligence) 또는 딥러닝(Deeplearning)을 활용하는,
    방법.
  10. 제7항에 있어서,
    상기 컨트롤러는 입력 이미지가 사이즈 데이터를 포함하는 경우 상기 라이브러리의 객체 정보에 저장하고,
    상기 입력 이미지가 사이즈 데이터를 포함하지 않는 경우 사이즈를 측정하여 상기 라이브러리의 객체 정보에 저장하는,
    방법.
  11. 제7항에 있어서,
    상기 객체로부터 추출된 특징은 로고 모양, 패턴, 소재, 색상, 전체 레이아웃, 소매, 넥, 포켓 중 적어도 하나를 포함하는,
    방법.
  12. 제7항에 있어서,
    태그는 복수의 계층으로 생성될 수 있으며,
    상기 컨트롤러가 태그를 추가, 제거할 수 있는,
    방법.
  13. 하드웨어와 결합되어 제7항 내지 제12항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020200131781A 2020-10-13 2020-10-13 3차원 의류 객체 생성 시스템 및 그 동작 방법 KR20220048651A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200131781A KR20220048651A (ko) 2020-10-13 2020-10-13 3차원 의류 객체 생성 시스템 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200131781A KR20220048651A (ko) 2020-10-13 2020-10-13 3차원 의류 객체 생성 시스템 및 그 동작 방법

Publications (1)

Publication Number Publication Date
KR20220048651A true KR20220048651A (ko) 2022-04-20

Family

ID=81395512

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200131781A KR20220048651A (ko) 2020-10-13 2020-10-13 3차원 의류 객체 생성 시스템 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR20220048651A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102629517B1 (ko) * 2023-07-18 2024-01-29 머플 주식회사 Ai를 이용한 그래픽리소스 확장 생성 방법 및 이를이용한 게임 제작 플랫폼

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102629517B1 (ko) * 2023-07-18 2024-01-29 머플 주식회사 Ai를 이용한 그래픽리소스 확장 생성 방법 및 이를이용한 게임 제작 플랫폼

Similar Documents

Publication Publication Date Title
Yuliang et al. Detecting curve text in the wild: New dataset and new solution
Dvornik et al. On the importance of visual context for data augmentation in scene understanding
Han et al. Advanced deep-learning techniques for salient and category-specific object detection: a survey
CN106485196B (zh) 视觉搜索方法、对应的系统、设备和计算机程序产品
US10204284B2 (en) Object recognition utilizing feature alignment
Bhunia et al. A deep one-shot network for query-based logo retrieval
KR102434574B1 (ko) 이미지에 포함된 특징 포인트의 시간 또는 공간의 움직임에 기초하여 이미지에 존재하는 피사체를 인식하는 장치 및 방법
KR20170104322A (ko) 3차원 기반의 유사 안무 검색 방법 및 이를 이용한 장치
JP2017084349A (ja) 集合演算機能を備えたメモリ及びこれを用いた集合演算処理方法
Song et al. Robust and parallel Uyghur text localization in complex background images
Tan et al. Distinctive accuracy measurement of binary descriptors in mobile augmented reality
KR20220048651A (ko) 3차원 의류 객체 생성 시스템 및 그 동작 방법
KR102311798B1 (ko) 다중 객체 추적 방법 및 장치
Santoso et al. Learning-based human detection applied to RGB-D images
Bhunia et al. Query-based Logo Segmentation
KR102619275B1 (ko) 객체 검색 모델 및 그 학습 방법
Nguyen A fast pyramid network for accurate localization of car in aerial images
KR20190020281A (ko) 시각적 입력의 처리
JP7362075B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
Haider A review on object detection since 2005
Phillips et al. Orb-based multiple fixed resolution approach for on-board visual recognition
Welsh Real-time pose based human detection and re-identification with a single camera for robot person following
US20230418861A1 (en) Generating embeddings for text and image queries within a common embedding space for visual-text image searches
US20230419571A1 (en) Generating unified embeddings from multi-modal canvas inputs for image retrieval
Gandhewar et al. Comprehensive Study on Recent Advances and Future Trends in Detection & Recognition of Scene Text

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E601 Decision to refuse application