KR20220076048A - 전자 장치 및 전자 장치의 제어 방법 - Google Patents
전자 장치 및 전자 장치의 제어 방법 Download PDFInfo
- Publication number
- KR20220076048A KR20220076048A KR1020200164821A KR20200164821A KR20220076048A KR 20220076048 A KR20220076048 A KR 20220076048A KR 1020200164821 A KR1020200164821 A KR 1020200164821A KR 20200164821 A KR20200164821 A KR 20200164821A KR 20220076048 A KR20220076048 A KR 20220076048A
- Authority
- KR
- South Korea
- Prior art keywords
- pose
- information
- target object
- camera
- pose information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005259 measurement Methods 0.000 claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 6
- 239000011521 glass Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/292—Multi-camera tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/1613—Constructional details or arrangements for portable computers
- G06F1/1633—Constructional details or arrangements of portable computers not specific to the type of enclosures covered by groups G06F1/1615 - G06F1/1626
- G06F1/1684—Constructional details or arrangements related to integrated I/O peripherals not covered by groups G06F1/1635 - G06F1/1675
- G06F1/1686—Constructional details or arrangements related to integrated I/O peripherals not covered by groups G06F1/1635 - G06F1/1675 the I/O peripheral being an integrated camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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
-
- 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
- G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
- G06T2207/20044—Skeletonization; Medial axis transform
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
전자 장치 및 전자 장치의 제어 방법이 개시된다. 본 개시에 따른 전자 장치는 제1 카메라 및 제2 카메라를 포함하며, 전자 장치의 제어 방법은 제1 구간에 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제1 이미지 프레임이 획득되면, 한 쌍의 제1 이미지 프레임 각각에 포함된 제1 타겟 오브젝트에 대한 한 쌍의 제1 이미지 데이터를 포즈 측정 모듈에 입력하여, 제1 구간의 제1 타겟 오브젝트에 대한 제1 포즈 정보를 획득하는 단계, 제1 구간 이후의 제2 구간에 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면, 제1 포즈 정보를 포즈 트래킹 모듈에 입력하여, 제2 구간의 제1 타겟 오브젝트에 대한 제2 포즈 정보를 획득하는 단계 및 제2 포즈 정보가 획득되는 동안, 한 쌍의 제2 이미지 프레임 각각에 포함된 제2 타겟 오브젝트에 대한 한 쌍의 제2 이미지 데이터를 포즈 측정 모듈에 입력하여, 제2 구간의 제2 타겟 오브젝트에 대한 제3 포즈 정보를 획득하는 단계를 포함한다.
Description
본 개시는 전자 장치 및 전자 장치의 제어 방법에 관한 것으로서, 구체적으로는 이미지에 포함된 타겟 오브젝트에 대한 포즈 정보를 획득할 수 있는 전자 장치 및 전자 장치의 제어 방법에 관한 것이다.
근래에는 이미지에 포함된 타겟 오브젝트에 대한 포즈 정보를 획득하는 기술에 대한 필요성이 부각되고 있다. 특히, 근래에는 CNN(Convolutional Neural Network)과 같은 신경망 모델을 이용하여, 이미지에 포함된 타겟 오브젝트(예: 인물의 손)를 검출하고, 검출된 타겟 오브젝트에 대한 포즈 정보(예: 3 차원의 스켈레톤(skeleton) 정보)를 획득하기 위한 기술에 대한 발전이 가속화되고 있다.
그런데, 종래 기술에 따라 타겟 오브젝트 검출 및 포즈 추정을 위해 신경망 모델을 이용하는 경우, 많은 연산량과 자원을 필요로 하며, 그에 따라 특히 신경망 모델이 AR 글래스(Augmented Reality Glass)와 같은 전자 장치에서 온-디바이스(on-device) 내지는 임베디드 시스템(embedded system)으로 구현되는 경우, 전력 소모 증가, 발열 증가, 연산 속도 저하, 배터리 이슈 발생 및 시스템 불안정성 등을 초래한다는 문제가 지적되고 있다.
따라서, 전자 장치의 하드웨어 자원을 효율적으로 이용하고, 그에 따라 이미지에 포함된 타겟 오브젝트의 검출 과정 및 검출된 타겟 오브젝트 대한 포즈 정보의 획득 과정을 효율적으로 수행하기 위한 기술에 대한 필요성이 대두되고 있다.
본 개시는 상술한 바와 같은 필요성에 따른 것으로서, 본 개시의 목적은 효율적인 방법으로 이미지에 포함된 타겟 오브젝트에 대한 포즈 정보를 획득할 수 있는 전자 장치 및 전자 장치의 제어 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치는 제1 카메라, 제2 카메라, 이미지에 포함된 타겟 오브젝트의 포즈에 대한 포즈 정보를 획득하기 위한 복수의 모듈을 저장하는 메모리 및 상기 제1 카메라 및 상기 제2 카메라 각각을 통해 획득된 이미지 프레임들을 바탕으로 상기 이미지 프레임들에 포함된 복수의 타겟 오브젝트 각각의 포즈에 대한 포즈 정보를 획득하는 프로세서를 포함하고, 상기 프로세서는 제1 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제1 이미지 프레임이 획득되면, 상기 한 쌍의 제1 이미지 프레임 각각에 포함된 제1 타겟 오브젝트에 대한 한 쌍의 제1 이미지 데이터를 포즈 측정 모듈에 입력하여, 상기 제1 구간의 상기 제1 타겟 오브젝트에 대한 제1 포즈 정보를 획득하고, 제1 구간 이후의 제2 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면, 상기 제1 포즈 정보를 포즈 트래킹 모듈에 입력하여, 상기 제2 구간의 상기 제1 타겟 오브젝트에 대한 제2 포즈 정보를 획득하며, 상기 제2 포즈 정보가 획득되는 동안, 상기 한 쌍의 제2 이미지 프레임 각각에 포함된 제2 타겟 오브젝트에 대한 한 쌍의 제2 이미지 데이터를 상기 포즈 측정 모듈에 입력하여, 상기 제2 구간의 제2 타겟 오브젝트에 대한 제3 포즈 정보를 획득한다.
여기서, 상기 포즈 측정 모듈은 적어도 하나의 신경망을 포함하며, 상기 제1 카메라 및 상기 제2 카메라 각각을 통해 획득된 이미지 프레임들을 바탕으로 상기 복수의 타겟 오브젝트 각각에 대한 2 차원의 포즈 정보 및 디스패리티(disparity) 정보를 획득하고, 상기 2 차원의 포즈 정보 및 상기 디스패리티 정보를 바탕으로 상기 복수의 타겟 오브젝트 각각의 스켈레톤(skeleton) 정보에 대한 측정 값을 포함하는 포즈 정보를 획득할 수 있다.
한편, 상기 포즈 트래킹 모듈은 칼만 필터(kalman filter)를 바탕으로, 입력된 이미지 프레임의 다음 프레임에 포함된 복수의 타겟 오브젝트 각각의 스켈레톤 정보에 대한 추정 값을 포함하는 포즈 정보를 획득할 수 있다.
한편, 상기 프로세서는 상기 제2 포즈 정보가 획득되면, 상기 제2 포즈 정보에 대응되는 바운딩 박스에 대한 정보 및 상기 한 쌍의 제2 이미지 프레임 각각에 포함된 상기 제1 타겟 오브젝트에 대응되는 바운딩 박스에 대한 정보를 비교하여 상기 제2 포즈 정보의 신뢰도에 대한 스코어를 획득하고, 상기 제2 구간 이후의 제3 구간에 상기 제1 카메라 및 상기 제2 카메라 각각을 통해 한 쌍의 제3 이미지 프레임을 획득하며, 상기 스코어가 기 설정된 임계 값 미만이면, 상기 한 쌍의 제3 이미지 프레임 각각에 포함된 상기 제1 타겟 오브젝트에 대한 한 쌍의 제3 이미지 데이터를 상기 포즈 측정 모듈에 입력하여, 상기 제3 구간의 상기 제1 타겟 오브젝트에 대한 제4 포즈 정보를 획득할 수 있다.
여기서, 상기 프로세서는 상기 제2 포즈 정보가 획득되면, 상기 제2 포즈 정보를 변환하여 상기 제2 포즈 정보에 대응되는 디스패리티 정보를 획득하고, 상기 제2 포즈 정보에 대응되는 디스패리티 정보를 바탕으로 상기 제3 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대응되는 영역을 검출하여, 상기 제3 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대한 상기 제3 이미지 데이터를 획득할 수 있다.
한편, 상기 프로세서는 상기 제1 포즈 정보가 획득되는 동안, 상기 한 쌍의 제1 이미지 프레임 각각에 포함된 상기 제2 타겟 오브젝트에 대한 한 쌍의 제4 이미지 데이터를 상기 포즈 트래킹 모듈에 입력하여, 상기 제1 구간의 상기 제2 타겟 오브젝트에 대한 제5 포즈 정보를 획득할 수 있다.
한편, 상기 전자 장치는 제3 카메라를 더 포함하고, 상기 프로세서는 상기 한 쌍의 제1 이미지 프레임이 획득되는 동안, 상기 제3 카메라를 통해 상기 한 쌍의 제1 이미지 프레임에 대응되는 제4 이미지 프레임을 획득하고, 상기 제1 포즈 정보가 획득되는 동안, 상기 제4 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대한 제5 이미지 데이터를 상기 포즈 트래킹 모듈에 입력하여, 상기 제1 구간의 상기 제1 타겟 오브젝트에 대한 2 차원의 포즈 정보인 제6 포즈 정보를 획득할 수 있다.
한편, 상기 포즈 측정 모듈은 상기 프로세서에 포함된 GPU를 이용하여 동작하며, 상기 포즈 트래킹 모듈은 상기 프로세서에 포함된 CPU를 이용하여 동작할 수 있다.
상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 제1 카메라 및 제2 카메라를 포함하는 전자 장치의 제어 방법은 제1 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제1 이미지 프레임이 획득되면, 상기 한 쌍의 제1 이미지 프레임 각각에 포함된 제1 타겟 오브젝트에 대한 한 쌍의 제1 이미지 데이터를 포즈 측정 모듈에 입력하여, 상기 제1 구간의 상기 제1 타겟 오브젝트에 대한 제1 포즈 정보를 획득하는 단계, 제1 구간 이후의 제2 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면, 상기 제1 포즈 정보를 포즈 트래킹 모듈에 입력하여, 상기 제2 구간의 상기 제1 타겟 오브젝트에 대한 제2 포즈 정보를 획득하는 단계 및 상기 제2 포즈 정보가 획득되는 동안, 상기 한 쌍의 제2 이미지 프레임 각각에 포함된 제2 타겟 오브젝트에 대한 한 쌍의 제2 이미지 데이터를 상기 포즈 측정 모듈에 입력하여, 상기 제2 구간의 제2 타겟 오브젝트에 대한 제3 포즈 정보를 획득하는 단계를 포함한다.
여기서, 상기 포즈 측정 모듈은 적어도 하나의 신경망을 포함하며, 상기 제1 카메라 및 상기 제2 카메라 각각을 통해 획득된 이미지 프레임들을 바탕으로 상기 복수의 타겟 오브젝트 각각에 대한 2 차원의 포즈 정보 및 디스패리티(disparity) 정보를 획득하고, 상기 2 차원의 포즈 정보 및 상기 디스패리티 정보를 바탕으로 상기 복수의 타겟 오브젝트 각각의 스켈레톤(skeleton) 정보에 대한 측정 값을 포함하는 포즈 정보를 획득한다.
한편, 상기 포즈 트래킹 모듈은 칼만 필터(kalman filter)를 바탕으로, 입력된 이미지 프레임의 다음 프레임에 포함된 복수의 타겟 오브젝트 각각의 스켈레톤 정보에 대한 추정 값을 포함하는 포즈 정보를 획득할 수 있다.
한편, 상기 전자 장치의 제어 방법은 상기 제2 포즈 정보가 획득되면, 상기 제2 포즈 정보에 대응되는 바운딩 박스에 대한 정보 및 상기 한 쌍의 제2 이미지 프레임 각각에 포함된 상기 제1 타겟 오브젝트에 대응되는 바운딩 박스에 대한 정보를 비교하여 상기 제2 포즈 정보의 신뢰도에 대한 스코어를 획득하는 단계, 상기 제2 구간 이후의 제3 구간에 상기 제1 카메라 및 상기 제2 카메라 각각을 통해 한 쌍의 제3 이미지 프레임을 획득하는 단계 및 상기 스코어가 기 설정된 임계 값 미만이면, 상기 한 쌍의 제3 이미지 프레임 각각에 포함된 상기 제1 타겟 오브젝트에 대한 한 쌍의 제3 이미지 데이터를 상기 포즈 측정 모듈에 입력하여, 상기 제3 구간의 상기 제1 타겟 오브젝트에 대한 제4 포즈 정보를 획득하는 단계를 더 포함할 수 있다.
여기서, 상기 전자 장치의 제어 방법은 상기 제2 포즈 정보가 획득되면, 상기 제2 포즈 정보를 변환하여 상기 제2 포즈 정보에 대응되는 디스패리티 정보를 획득하는 단계 및 상기 제2 포즈 정보에 대응되는 디스패리티 정보를 바탕으로 상기 제3 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대응되는 영역을 검출하여, 상기 제3 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대한 상기 제3 이미지 데이터를 획득하는 단계를 더 포함할 수 있다.
한편, 상기 전자 장치의 제어 방법은 상기 제1 포즈 정보가 획득되는 동안, 상기 한 쌍의 제1 이미지 프레임 각각에 포함된 상기 제2 타겟 오브젝트에 대한 한 쌍의 제4 이미지 데이터를 상기 포즈 트래킹 모듈에 입력하여, 상기 제1 구간의 상기 제2 타겟 오브젝트에 대한 제5 포즈 정보를 획득하는 단계를 더 포함할 수 있다.
한편, 상기 전자 장치는 제3 카메라를 더 포함하고, 상기 전자 장치의 제어 방법은 상기 한 쌍의 제1 이미지 프레임이 획득되는 동안, 상기 제3 카메라를 통해 상기 한 쌍의 제1 이미지 프레임에 대응되는 제4 이미지 프레임을 획득하는 단계 및 상기 제1 포즈 정보가 획득되는 동안, 상기 제4 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대한 제5 이미지 데이터를 상기 포즈 트래킹 모듈에 입력하여, 상기 제1 구간의 상기 제1 타겟 오브젝트에 대한 2 차원의 포즈 정보인 제6 포즈 정보를 획득하는 단계를 더 포함할 수 있다.
한편, 상기 포즈 측정 모듈은 상기 전자 장치의 프로세서에 포함된 GPU를 이용하여 동작하며, 상기 포즈 트래킹 모듈은 상기 전자 장치의 프로세서에 포함된 CPU를 이용하여 동작할 수 있다.
상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 제1 카메라 및 제2 카메라를 포함하는 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서, 상기 전자 장치의 제어 방법은 제1 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제1 이미지 프레임이 획득되면, 상기 한 쌍의 제1 이미지 프레임 각각에 포함된 제1 타겟 오브젝트에 대한 한 쌍의 제1 이미지 데이터를 포즈 측정 모듈에 입력하여, 상기 제1 구간의 상기 제1 타겟 오브젝트에 대한 제1 포즈 정보를 획득하는 단계, 제1 구간 이후의 제2 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면, 상기 제1 포즈 정보를 포즈 트래킹 모듈에 입력하여, 상기 제2 구간의 상기 제1 타겟 오브젝트에 대한 제2 포즈 정보를 획득하는 단계 및 상기 제2 포즈 정보가 획득되는 동안, 상기 한 쌍의 제2 이미지 프레임 각각에 포함된 제2 타겟 오브젝트에 대한 한 쌍의 제2 이미지 데이터를 상기 포즈 측정 모듈에 입력하여, 상기 제2 구간의 제2 타겟 오브젝트에 대한 제3 포즈 정보를 획득하는 단계를 포함한다.
도 1a 및 도 1b는 각각 본 개시의 일 실시 예에 따른 전자 장치와 전자 장치를 통해 획득된 포즈 정보를 포함하는 이미지를 나타내는 도면,
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 간략하게 나타내는 블록도,
도 3은 본 개시의 일 실시 예에 따른 복수의 모듈의 동작을 설명하기 위한 도면,
도 4는 본 개시의 일 실시 예에 따른 복수의 모듈의 동작을 보다 상세하게 설명하기 위한 도면,
도 5는 디스패리티 정보에 관련된 실시 예를 설명하기 위한 도면,
도 6a 및 도 6b는 본 개시에 따른 다양한 실시 예를 설명하기 위한 도면,
도 7은 트래킹 평가 모듈에 관련된 실시 예를 보다 상세하게 설명하기 위한 도면,
도 8은 본 개시에 따른 또 다른 실시 예를 설명하기 위한 도면, 그리고,
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 나타내는 흐름도이다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 간략하게 나타내는 블록도,
도 3은 본 개시의 일 실시 예에 따른 복수의 모듈의 동작을 설명하기 위한 도면,
도 4는 본 개시의 일 실시 예에 따른 복수의 모듈의 동작을 보다 상세하게 설명하기 위한 도면,
도 5는 디스패리티 정보에 관련된 실시 예를 설명하기 위한 도면,
도 6a 및 도 6b는 본 개시에 따른 다양한 실시 예를 설명하기 위한 도면,
도 7은 트래킹 평가 모듈에 관련된 실시 예를 보다 상세하게 설명하기 위한 도면,
도 8은 본 개시에 따른 또 다른 실시 예를 설명하기 위한 도면, 그리고,
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 나타내는 흐름도이다.
본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.
덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.
반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.
대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.
한편, 본 개시의 다양한 실시 예에 따른 전자 장치는 예를 들면, 스마트 폰, 태블릿 PC, 데스크탑 PC, 랩탑 PC 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다.
어떤 실시 예들에서, 전자 장치는 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시예에서, 전자 장치는 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
이하에서는 첨부한 도면을 참고하여 본 개시에 따른 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1a 및 도 1b는 각각 본 개시의 일 실시 예에 따른 전자 장치와 전자 장치를 통해 획득된 포즈 정보를 포함하는 이미지를 나타내는 도면, 도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 간략하게 나타내는 블록도, 그리고, 도 3은 본 개시의 일 실시 예에 따른 복수의 모듈의 동작을 설명하기 위한 도면이다. 이하에서는 도 1a 내지 도 3을 함께 참조하여 본 개시에 따른 실시 예에 대해 설명한다.
본 개시에 따른 '전자 장치'는 이미지에 포함된 타겟 오브젝트의 포즈에 대한 포즈 정보를 획득할 수 있도록 구성된 장치를 말한다. 예를 들어, 도 1a에 도시된 바와 같이, 전자 장치는 투명한 디스플레이를 통해 현실 세계와 가상의 이미지 정보를 겹쳐서 볼 수 있도록 구성된 AR 글래스(Augmented Reality Glass)로 구현될 수 있으며, 다만 이에 국한 되는 것은 아니다. 즉, 스마트 폰, 태블릿 PC 등 그 유형을 불문하고, 이미지에 포함된 타겟 오브젝트의 포즈에 대한 포즈 정보를 획득할 수 있는 장치라면, 본 개시에 따른 전자 장치에 해당될 수 있다.
본 개시를 설명함에 있어서, '타겟 오브젝트'란 이미지에 포함된 복수의 오브젝트 중에서 포즈 정보의 획득 대상으로 기 설정된 오브젝트를 말한다. 예를 들어, 타겟 오브젝트는 이미지에 포함된 인물의 '손' 또는 인물의 '신체' 등일 수 있으며, 다만 이에 국한되는 것은 아니다. 한편, 이미지 내에 기 설정된 타겟 오브젝트가 복수 개 존재하는 경우에는 복수 개의 타겟 오브젝트 모두가 본 개시에 따른 포즈 정보의 획득 대상이 될 수 있다.
한편, 본 개시를 설명함에 있어서 '포즈 정보'란 타겟 오브젝트의 포즈를 특정할 수 있는 정보를 총칭하기 위한 용어로 사용된다. 구체적으로, 포즈 정보는 타겟 오브젝트에 포함된 관절들 각각의 위치를 나타내는 스켈레톤(skeleton) 정보를 포함할 수 있다. 그리고, 포즈 정보는 2 차원 또는 3 차원의 포즈 정보일 수 있다. 본 개시를 설명함에 있어서 특별히 2 차원의 포즈 정보라고 명시하지 않는 한, 포즈 정보라는 용어는 3 차원의 포즈 정보를 의미한다. 도 1b 는 도 1a에 도시된 AR 글래스를 통해 표시되는 두 개의 '손'에 대한 포즈 정보를 포함하는 이미지를 나타낸다.
도 2를 참조하면, 본 개시의 일 실시 예에 따른 전자 장치(100)는 제1 카메라(110-1), 제2 카메라(110-2), 메모리(120) 및 프로세서(130)를 포함할 수 있다.
제1 카메라(110-1) 및 제2 카메라(110-2)는 적어도 하나의 오브젝트에 대한 이미지 프레임들을 획득할 수 있다. 구체적으로, 제1 카메라(110-1) 및 제2 카메라(110-2)는 이미지 센서를 포함하고, 이미지 센서는 렌즈를 통해 들어오는 빛을 전기적인 영상 신호로 변환할 수 있다. 특히, 본 개시에 따른 제1 카메라(110-1) 및 제2 카메라(110-2)는 전자 장치(100)의 전면 또는 후면 중 동일한 면의 상이한 위치에 배치될 수 있다. 예를 들어, 제1 카메라(110-1)는 전자 장치(100)의 후면에 배치된 좌측 카메라이고, 제2 카메라(110-2)는 전자 장치(100)의 후면에 배치된 우측 카메라일 수 있다. 한편, 후술하는 바와 같이, 본 개시에 따른 전자 장치(100)는 제1 카메라(110-1) 및 제2 카메라(110-2) 뿐만 아니라 또 다른 카메라를 더 포함할 수도 있다.
메모리(120)에는 전자 장치(100)에 관한 적어도 하나의 인스트럭션(instruction)이 저장될 수 있다. 그리고, 메모리(120)에는 전자 장치(100)를 구동시키기 위한 O/S(Operating System)가 저장될 수 있다. 또한, 메모리(120)에는 본 개시의 다양한 실시 예들에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 프로그램이나 애플리케이션이 저장될 수도 있다. 그리고, 메모리(120)는 플래시 메모리(Flash Memory) 등과 같은 반도체 메모리나 하드디스크(Hard Disk) 등과 같은 자기 저장 매체 등을 포함할 수 있다.
구체적으로, 메모리(120)에는 본 개시의 다양한 실시 예에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 모듈이 저장될 수 있으며, 프로세서(130)는 메모리(120)에 저장된 각종 소프트웨어 모듈을 실행하여 전자 장치(100)의 동작을 제어할 수 있다. 즉, 메모리(120)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.
한편, 본 개시에서 메모리(120)라는 용어는 메모리(120), 프로세서(130) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함하는 의미로 사용될 수 있다.
특히, 본 개시에 따른 다양한 실시 예에 있어서, 메모리(120)에는 이미지에 포함된 타겟 오브젝트의 포즈에 대한 포즈 정보를 획득하기 위한 복수의 모듈과 그에 관련된 정보들이 저장될 수 있다. 또한, 메모리(120)에는 제1 카메라(110-1) 및 제2 카메라(110-2)를 통해 획득되는 이미지 프레임들과 프로세서(130)를 통해 획득되는 포즈 정보 등이 저장될 수 있다.
그 밖에도 본 개시의 목적을 달성하기 위한 범위 내에서 필요한 다양한 정보가 메모리(120)에 저장될 수 있으며, 메모리(120)에 저장된 정보는 외부 장치로부터 수신되거나 사용자에 의해 입력됨에 따라 갱신될 수도 있다.
프로세서(130)는 전자 장치(100)의 전반적인 동작을 제어한다. 구체적으로, 프로세서(130)는 상술한 바와 같은 제1 카메라(110-1), 제2 카메라(110-2) 및 메모리(120)를 포함하는 전자 장치(100)의 구성과 연결되며, 상술한 바와 같은 메모리(120)에 저장된 적어도 하나의 인스트럭션을 실행함으로써, 전자 장치(100)의 동작을 전반적으로 제어할 수 있다.
프로세서(130)는 하나 또는 복수 개로 구현될 수 있으며, 각각의 프로세서(130)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(130)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(hardware Finite State Machine, FSM), 디지털 신호 프로세서(Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다. 한편, 본 개시에 있어서 프로세서(130) 는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 및 MPU(Micro Processing Unit)등을 포함하는 의미로 사용될 수 있다.
본 개시에 따른 다양한 실시 예에 있어서, 프로세서(130)는 이미지에 포함된 타겟 오브젝트의 포즈에 대한 포즈 정보를 획득할 수 있다. 구체적으로, 이미지를 획득하기 위한 사용자 명령이 수신되면, 프로세서(130)는 제1 카메라(110-1) 및 제2 카메라(110-2)를 동시에 구동하여, 제1 카메라(110-1)를 통해 이미지 프레임들을 획득하고, 제1 카메라(110-1)를 통해 이미지 프레임을 획득하는 동안 제2 카메라(110-2)를 통해 이미지 프레임들을 획득할 수 있다. 여기서, 제1 카메라(110-1)를 통해 획득된 이미지 프레임들과 제2 카메라(110-2)를 통해 획득된 이미지 프레임들은 서로 동일한 구간(또는 시점)에 획득된 이미지 프레임들끼리 대응될 수 있으며, 서로 동일한 구간에 획득된 한 쌍의 이미지 프레임에 포함된 오브젝트 각각의 위치는 서로 상이할 수 있다. 그리고, 프로세서(130)는 한 쌍의 이미지 프레임을 이용하여, 복수의 타겟 오브젝트 각각의 포즈에 대한 포즈 정보를 획득할 수 있다.
보다 구체적인 설명을 위해 도 3을 참조하면, 본 개시에 따른 프로세서(130)는 이미지에 포함된 타겟 오브젝트의 포즈에 대한 포즈 정보를 효율적으로 획득할 수 있도록 구성된 복수의 모듈을 포함할 수 있으며, 복수의 모듈은 타겟 오브젝트 검출 모듈(10)(target object detection module), 포즈 측정 모듈(30)(pose estimation module) 및 포즈 트래킹 모듈(40)(pose tracking module)을 포함할 수 있다. 본 개시에 따른 복수의 모듈은 프로세서(130)에 포함된 하드웨어 모듈로 구현될 수 있을 뿐만 아니라, 실시 예에 따라서는 소프트웨어 모듈로 구현될 수도 있다. 이하에서는 먼저 본 개시에 따른 복수의 모듈에 대해 설명한 후, 본 개시의 다양한 실시 예에 대해 설명한다.
'타겟 오브젝트 검출 모듈(10)'은 입력된 이미지 프레임에 포함된 타겟 오브젝트를 검출하고, 타겟 오브젝트를 포함하는 영역에 대한 이미지 데이터를 획득하는 모듈을 말한다. 구체적으로, 타겟 오브젝트 검출 모듈(10)은 CNN(Convolutional Neural Network)과 같은 신경망을 포함할 수 있으며, 입력된 이미지 프레임에서 타겟 오브젝트를 포함하는 영역에 대한 이미지 데이터를 출력하도록 학습될 수 있다. 여기서, 타겟 오브젝트를 포함하는 영역에 대한 '이미지 데이터'는 타겟 오브젝트를 포함하는 영역을 나타내는 바운딩 박스에 대한 정보를 포함할 수 있다. 예를 들어, 기 설정된 타겟 오브젝트가 인물의 '손'인 경우, 타겟 오브젝트 검출 모듈(10)은 입력된 이미지에 포함된 '손'을 검출하고, 검출된 '손'을 포함하는 영역을 나타내는 바운딩 박스(bounding box)에 대한 정보를 출력할 수 있다.
'포즈 측정 모듈(30)'은 타겟 오브젝트의 포즈에 대한 측정 값을 포함하는 포즈 정보를 획득하는 모듈을 말한다. 구체적으로, 포즈 측정 모듈(30)은 CNN과 같은 신경망을 포함할 수 있으며, 입력된 한 쌍의 이미지 데이터를 바탕으로 타겟 오브젝트의 스켈레톤 정보에 대한 측정 값을 포함하는 포즈 정보를 출력하도록 학습될 수 있다. 여기서, '한 쌍의 이미지 데이터'란 서로 다른 두 개의 카메라 각각을 통해 동일한 구간에 획득된 이미지 프레임 각각으로부터 획득된 이미지 데이터를 말한다.
특히, 포즈 측정 모듈(30)은 '현재' 이미지 프레임에 포함된 타겟 오브젝트의 포즈를 측정하기 위한 모듈이라는 점에서, 후술하는 바와 같은 포즈 트래킹 모듈(40)과는 구별된다. 예를 들어, 현재 이미지 프레임에서 검출된 '손'을 포함하는 영역을 나타내는 바운딩 박스에 대한 정보가 입력되면, 포즈 측정 모듈(30)은 검출된 손의 스켈레톤 모두에 대한 좌표 값을 측정하여 포즈 정보로 출력할 수 있다.
구체적으로, 포즈 측정 모듈(30)은 제1 카메라(110-1) 및 제2 카메라(110-2) 각각을 통해 획득된 이미지 프레임들을 바탕으로 복수의 타겟 오브젝트 각각에 대한 2 차원의 포즈 정보 및 디스패리티(disparity) 정보를 획득하고, 2 차원의 포즈 정보 및 디스패리티 정보를 바탕으로 복수의 타겟 오브젝트 각각의 스켈레톤 정보를 포함하는 포즈 정보를 획득할 수 있다. 한편, 본 개시를 설명함에 있어서 특별히 2D 포즈 측정 모듈(30)이라는 것을 명시하지 않는 한, 포즈 측정 모듈(30)이라는 용어는 3 차원의 포즈 정보를 획득하기 위한 3D 포즈 측정 모듈(30)을 의미한다. 포즈 측정 모듈(30)의 구체적인 구성과 동작에 대해서는 도 3을 참조하여 상술한다.
'포즈 트래킹 모듈(40)'은 타겟 오브젝트의 포즈에 대한 추정 값을 포함하는 포즈 정보를 획득하는 모듈을 말한다. 구체적으로, 포즈 트래킹 모듈(40)은 포즈 측정 모듈(30)과는 달리, 학습된 신경망이 아닌 기 정의된 규칙을 바탕으로 입력된 이미지 프레임의 다음 이미지 프레임에 포함된 타겟 오브젝트의 포즈를 예측하고, 예측된 결과에 따른 추정 값을 포함하는 포즈 정보를 출력할 수 있다. 특히, 포즈 트래킹 모듈(40)은 '현재' 이미지 프레임이 아닌 '다음' 이미지 프레임에 포함된 타겟 오브젝트의 포즈를 추정하기 위한 모듈이라는 점에서, 전술한 바와 같은 포즈 측정 모듈(30)과는 구별된다. 예를 들어, 현재 이미지 프레임에 대응되는 포즈 정보가 입력되면, 포즈 트래킹 모듈(40)은 입력된 이미지 프레임의 다음 이미지 프레임에 포함된 '손'의 스켈레톤 모두에 대한 좌표 값을 추정하여 포즈 정보로 출력할 수 있다. 한편, 포즈 트래킹 모듈(40)은 '현재' 이미지 프레임에 대한 포즈 측정 모듈의 결과 값을 평활화하여 보정된 측정 값을 획득하는 역할, 그리고 칼만 필터의 파라미터를 업데이트함으로써, 이후의 트래킹 결과를 개선하는 역할을 수행할 수도 있는바, 이에 대해서는 도 6a 및 도 6b에 대한 설명에서 상술한다.
한편, 포즈 트래킹 모듈(40)에서 이용되는 '기 정의된 규칙'은 소위 칼만 필터(kalman filter)라고 지칭되는 기법을 통해 정의될 수 있으며, 또한, 지수 평활법(exponential smoothing) 등과 같은 기법을 통해 정의될 수도 있다. 한편, 포즈 트래킹 모듈(40)은 포즈 측정 모듈(30)과 마찬가지로 신경망을 통해 구현될 수도 있으나, 포즈 트래킹 모듈(40)에 포함된 신경망의 구조와 그에 따른 연산량은 포즈 측정 모듈(30)에 포함된 신경망에 비하여 단순할 수 있다.
한편, 포즈 측정 모듈(30)은 CNN과 같은 신경망을 포함하고 많은 연산량과 리소스를 필요로 하기 때문에 GPU를 이용하여 동작하고, 포즈 트래킹 모듈(40)은 CNN과 같은 신경망 대신 기 정의된 규칙을 이용하여 적은 연산량과 리소스만을 필요로 하기 때문에 CPU 내의 하나의 코어를 이용하여 동작할 수 있다. 따라서, 본 개시에 따른 프로세서(130)는 프로세서(130)에 포함된 GPU 및 CPU 각각을 통해 포즈 측정 모듈(30) 및 포즈 트래킹 모듈(40)을 병렬적으로 이용하여 효율적으로 포즈 정보를 획득할 수 있다.
이하에서는 제1 카메라(110-1) 및 제2 카메라(110-2)를 통해 매 구간마다 한 쌍의 이미지 프레임들이 획득되고, 획득된 이미지 프레임들에 복수의 타겟 오브젝트인 제1 타겟 오브젝트 및 제2 타겟 오브젝트가 포함되는 경우를 전제로, 본 개시에 따른 일 실시 예에 대해 설명한다.
본 개시의 일 실시 예에 있어서, 제1 구간에 제1 카메라(110-1) 및 제2 카메라(110-2) 각각을 통해 한 쌍의 제1 이미지 프레임이 획득되면, 프로세서(130)는 한 쌍의 제1 이미지 프레임 각각에 포함된 제1 타겟 오브젝트에 대한 한 쌍의 제1 이미지 데이터를 포즈 측정 모듈(30)에 입력하여, 제1 구간의 제1 타겟 오브젝트에 대한 제1 포즈 정보를 획득할 수 있다. 한편, 프로세서(130)는 한 쌍의 제1 이미지 프레임에 포함된 제2 타겟 오브젝트에 대해서는 포즈 측정 모듈(30)이 아닌 포즈 트래킹 모듈(40)을 이용하여 포즈 정보를 획득할 수 있는바, 이에 대해서는 제2 이미지 프레임에 대하 동작에서 설명한다.
구체적으로, 제1 구간 이후의 제2 구간에 제1 카메라(110-1) 및 제2 카메라(110-2) 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면, 프로세서(130)는 제1 포즈 정보를 포즈 트래킹 모듈(40)에 입력하여, 제2 구간의 제1 타겟 오브젝트에 대한 제2 포즈 정보를 획득할 수 있다. 다시 말해, 프로세서(130)는 포즈 트래킹 모듈(40)을 이용하여, 제1 구간의 제1 타겟 오브젝트에 대한 제1 포즈 정보를 바탕으로 제2 구간의 제1 타겟 오브젝트의 포즈를 추정할 수 있다.
그리고, 제2 포즈 정보가 획득되는 동안, 프로세서(130)는 한 쌍의 제2 이미지 프레임 각각에 포함된 제2 타겟 오브젝트에 대한 한 쌍의 제2 이미지 데이터를 포즈 측정 모듈(30)에 입력하여, 제2 구간의 제2 타겟 오브젝트에 대한 제2 포즈 정보를 획득할 수 있다. 다시 말해, 프로세서(130)는 포즈 트래킹 모듈(40)과 병렬적으로 포즈 측정 모듈(30)을 이용하여, 제2 이미지 프레임에 포함된 제2 타겟 오브젝트의 포즈를 측정할 수 있다.
이상에서는 특히 제2 이미지 프레임에 대해, 신경망을 포함하는 포즈 측정 모듈(30) 및 포즈 추정 모듈에 비해 연산량이 적은 포즈 트래킹 모듈(40)을 병렬적으로 이용하여 복수의 타겟 오브젝트에 대한 포즈 정보를 획득하는 실시 예에 대해 설명하였으나, 이와 같은 실시 예는 다른 이미지 프레임들에 대해서도 마찬가지로 적용될 수 있음은 물론이다.
상술한 바와 같은 실시 예에 따르면, 전자 장치(100)는 한 쌍의 이미지 프레임에 포함된 복수의 타겟 오브젝트 중 하나의 타겟 오브젝트에 대해서는 신경망을 포함하는 포즈 측정 모듈(30)을 이용하여 포즈 정보를 획득하고, 다른 타겟 오브젝트에 대해서는 기 정의된 규칙에 따라 동작하는 포즈 트래킹 모듈(40)을 이용하여 포즈 정보를 획득함으로써, 복수의 타겟 오브젝트에 대한 포즈 정보를 효율적으로 획득할 수 있다.
특히, 본 개시에 따르면, 온-디바이스(on-device) 내지는 임베디드 시스템(embedded system) 환경에서, 효율적으로 GPU 및 멀티 코어 CPU의 자원을 효율적으로 배분함으로써, 복수의 타겟 오브젝트에 대해서도 실시간으로 포즈 정보를 획득할 수 있게 된다.
도 4는 본 개시의 일 실시 예에 따른 복수의 모듈의 동작을 보다 상세하게 설명하기 위한 도면이다. 그리고, 도 5는 디스패리티 정보에 관련된 실시 예를 설명하기 위한 도면이다.
도 4에 도시된 바와 같이, 본 개시에 따른 복수의 모듈은 타겟 오브젝트 검출 모듈(10), 포즈 측정 모듈(30), 포즈 트래킹 모듈(40)뿐만 아니라, ID 매칭 모듈(20)(ID matching module) 및 트래킹 평가 모듈(50)(tracking evaluation module)을 더 포함할 수 있다. 그리고, 포즈 측정 모듈(30)은 2D 포즈 정보 획득 모듈(31)(2D pose information acquisition module), 디스패리티 정보 획득(disparity information acquisition module) 및 3D 포즈 정보 재구성 모듈(33)(3D pose information reconstruction module)을 포함할 수 있다. 다만, 도 3 및 도 4에 도시된 바와 같은 모듈들은 예시적인 것에 불과할 뿐이며, 본 개시를 실시함에 있어 도 3 및 도 4에 도시된 바와 같은 모듈에 더하여 새로운 모듈이 추가되거나 일부 모듈이 생략될 수 있음은 물론이다.
'2D 포즈 정보 획득 모듈(31)'은 입력된 이미지 데이터를 바탕으로 타겟 오브젝트의 스켈레톤 정보에 대한 측정 값을 포함하는 2 차원의 포즈 정보를 획득하는 모듈을 말한다. 구체적으로, 타겟 오브젝트 검출 모듈(10)로부터 타겟 오브젝트를 포함하는 영역에 대한 이미지 데이터가 입력되면, 2D 포즈 정보 획득 모듈(31)은 입력된 이미지 데이터를 바탕으로 타겟 오브젝트의 스켈레톤 정보에 대한 측정 값을 포함하는 2 차원의 포즈 정보를 출력할 수 있다.
'디스패리티 정보 획득 모듈(32)'은 입력된 한 쌍의 이미지 데이터를 바탕으로 디스패리티 정보를 획득하는 모듈을 말한다. 구체적으로, 제1 카메라(110-1)(예: 좌측 카메라)를 통해 획득된 이미지 프레임에 대한 이미지 데이터 및 제2 카메라(110-2)(예: 우측 카메라)를 통해 획득된 이미지 프레임에 대한 이미지 데이터가 입력되면, 디스패리티 정보 획득 모듈(32)은 입력된 이미지 프레임들에 대응되는 디스패리티 정보를 출력할 수 있다. 여기서, '디스패리티(disparity)'란 동일한 구간에 제1 카메라(110-1)를 통해 획득된 이미지 프레임 및 제2 카메라(110-2)를 통해 획득된 이미지 프레임에서 서로 대응되는 지점 사이의 거리를 말한다.
도 5를 참조하면, '2D 포즈 정보 획득 모듈(31)'은 타겟 오브젝트인 '손'에 대한 기 설정된 개수의 스켈레톤 포인트(51, 52 등)를 검출하여 스켈레톤 정보를 획득할 수 있다. 여기서, 기 설정된 개수는 도 5에 도시된 바와 같이 21 개일 수도 있으며, 타겟 오브젝트의 종류에 따라 상이하게 설정될 수도 있다.
디스패리티 정보 획득 모듈(32)은 T 구간에, 좌측 카메라를 통해 획득된 이미지 프레임(500-1)에 대한 스켈레톤 정보 및 우측 카메라를 통해 획득된 이미지 프레임(500-2)에 대한 스켈레톤 정보를 바탕으로 디스패리티 정보를 획득할 수 있다. 도 5의 예시를 참조하면, 디스패리티 정보 획득 모듈(32)은 이미지 프레임(500-1)의 스켈레톤 포인트(51)와 이미지 프레임(500-1)의 스켈레톤 포인트(51)에 대응되는 이미지 프레임(500-2)의 스켈레톤 포인트(52) 사이의 거리(53)를 디스패리티 값으로 획득할 수 있다. 마찬가지로, 스켈레톤 포인트(51) 및 스켈레톤 포인트(52) 이외의 스켈레톤 포인트들에 대한 디스패리티 값이 모두 획득되면, 디스패리티 정보 획득 모듈(32)은 각각의 디스패리티 값에 대한 평균 값을 획득할 수 있다. 도 5의 거리(530)은 디스패리티 값에 대한 평균 값을 나타낸 것이다.
'3D 포즈 정보 재구성 모듈(33)'은 2 차원의 포즈 정보 및 디스패리티 정보를 바탕으로 3 차원의 포즈 정보를 획득하는 모듈을 말한다. 구체적으로, 3D 포즈 정보 재구성 모듈(33)은 디스패리티 정보를 z축의 좌표 값으로 변환하고, z축의 좌표 값 및 2 차원의 포즈 정보(x축의 좌표 값 및 y축의 좌표 값)를 바탕으로 3 차원의 포즈 정보를 획득할 수 있다. 한편, 3D 포즈 정보 재구성 모듈(33)은 제1 카메라(110-1)에 대응되는 2 차원의 포즈 정보 및 제2 카메라(110-2)에 대응되는 2 차원의 포즈 정보가 입력되면, 그에 대응되는 3 차원의 포즈 정보를 획득하도록 학습된 신경망을 포함할 수도 있다.
'타겟 오브젝트 추정 모듈(15)'은 이전 이미지 프레임의 디스패리티 정보를 바탕으로 현재 이미지 프레임의 타겟 오브젝트에 대한 이미지 데이터를 획득하는 모듈을 말한다. 구체적으로, 제1 카메라(110-1)를 통해 획득된 이전 이미지 프레임 및 제2 카메라(110-2)를 통해 획득된 이전 이미지 프레임에 대한 디스패리티 정보가 획득되고, 제1 카메라(110-1)를 통해 획득된 현재 이미지 프레임에 대한 이미지 데이터가 획득되면, 타겟 오브젝트 추정 모듈(15)은 이전 이미지 프레임들에 대한 디스패리티 정보 및 제1 카메라(110-1)를 통해 획득된 현재 이미지 프레임에 대한 이미지 데이터를 바탕으로, 제2 카메라(110-2)를 통해 획득된 현재 이미지 프레임에 포함된 타겟 오브젝트의 위치를 추정하여, 그에 대응되는 바운딩 박스에 대한 정보를 출력할 수 있다.
도 5의 예에서, 타겟 오브젝트 추정 모듈(15)은 T 구간에 디스패리티 정보 획득 모듈(32)을 통해 획득된 디스패리티 정보 및 T+1 구간에 좌측 카메라를 통해 획득된 이미지 프레임의 바운딩 박스에 대한 정보를 바탕으로, T+1 구간에 우측 카메라를 통해 획득된 이미지 프레임의 바운딩 박스에 대한 정보를 추정하여 출력할 수 있다.
그런데, 도 5에 도시된 바와 같이, T+1 구간에 우측 카메라를 통해 획득된 이미지 프레임의 바운딩 박스에 대한 정보와 실제 T+1 구간에 우측 카메라를 통해 획득된 이미지 프레임에 포함된 타겟 오브젝트의 위치는 일치하지 않을 수 있다. 특히, T 구간과 T+1 구간 사이에 타겟 오브젝트가 z축 방향으로 크게 움직인 경우, T 구간의 이미지 프레임과 T+1 구간의 이미지 프레임 간 디스패리티의 차이가 크게 변하기 때문에, 타겟 오브젝트 추정 모듈(15)을 통해 추정된 바운딩 박스에 대한 정보는 부정확할 수 있다. 그리고, 바운딩 박스에 대한 정보가 부정확하면, 바운딩 박스에 대한 정보를 바탕으로 획득되는 포즈 정보 또한 부정확할 수 있다.
따라서, 본 개시의 일 실시 예에 따르면, 프로세서(130)는 포즈 트래킹 모듈(40)을 통해 T+1 구간의 타겟 오브젝트에 대한 포즈 정보를 획득하고, 획득된 포즈 정보를 디스패리티 정보로 변환하여 디스패리티 정보를 획득하고, 디스패리티 정보를 타겟 오브젝트 추정 모듈(15)에 입력하여, T+1 구간에 우측 카메라를 통해 획득된 이미지 프레임의 바운딩 박스에 대한 정보의 추정에 이용할 수 있다.
구체적으로, 포즈 정보를 디스패리티 정보로 변환하기 위한 연산 과정은 수학식 z=fx*B/d를 이용하여 수행될 수 있다. 이 수학식에서, z는 포즈 정보에 포함된 z 축의 좌표 값, fx 는 카메라의 초점 거리, B는 제1 카메라(110-1) 및 제2 카메라(110-2)의 베이스라인(즉, 카메라의 이미지 센서 중심 간의 거리), 그리고, d는 디스패리티를 의미한다.
한편, 프로세서(130)는 제1 카메라(110-1) 및 제2 카메라(110-2)를 통해 순차적으로 획득되는 이미지 프레임들 중 일부 이미지 프레임에 대해서는 신경망 모델을 포함하는 타겟 오브젝트 검출 모듈(10)을 이용하여 이미지 데이터를 획득하고, 나머지 이미지 프레임에 대해서는 기 정의된 규칙에 따라 동작하는 타겟 오브젝트 추정 모듈(15)을 이용하여 이미지 데이터를 획득할 수도 있다.
도 5를 참조하여 상술한 바와 같은 실시 예에 따르면, 좌측 카메라를 통해 획득된 이미지 프레임에 대해서만 타겟 오브젝트 검출 과정을 수행하고 우측 카메라를 통해 획득된 이미지 프레임에 대해서는 디스패리티 정보를 이용하여 바운딩 박스 정보를 추정하는 종래 기술에 있어서, 신경망을 포함하지 않는 타겟 오브젝트 추정 모듈을 이용하여, 적은 연산량 하에서 우측 카메라를 통해 획득된 이미지 프레임에 대한 바운딩 박스 정보의 정확도를 현저하게 향상시킬 수 있다.
한편, 'ID 매칭 모듈(20)'은 순차적인 이미지 프레임들에 복수의 타겟 오브젝트가 포함되는 경우 각각의 이미지 프레임에서 서로 대응되는 타겟 오브젝트를 식별하는 모듈을 말한다. 구체적으로, ID 매칭 모듈(20)은 복수의 이미지 프레임 각각의 바운딩 박스가 중첩되는 정도 또는 스켈레톤 정보의 유사도 등을 이용하는 데이터 연관 (data association)기법을 이용하여, 서로 대응되는 타겟 오브젝트를 식별할 수 있다.
'트래킹 평가 모듈(50)'은 포즈 트래킹 모듈(40)을 통해 획득된 포즈 정보의 신뢰도를 평가할 수 있다. 구체적으로, 트래킹 평가 모듈(50)은 포즈 트래킹 모듈(40)을 통해 획득된 포즈 정보에 대응되는 바운딩 박스 정보 및 타겟 오브젝트 검출 모듈(10)을 통해 획득된 바운딩 박스 정보를 비교하여 포즈 정보의 신뢰도에 대한 스코어를 획득할 수 있다. 보다 구체적으로, 트래킹 평가 모듈(50)은 포즈 트래킹 모듈(40)을 통해 획득된 포즈 정보에 대응되는 바운딩 박스 정보 및 타겟 오브젝트 검출 모듈(10)을 통해 획득된 바운딩 박스 정보 사이의 IoU(Intersection over Union)를 산출하여, 산출 결과에 따른 스코어를 획득할 수 있다. 트래킹 평가 모듈(50)에 관련된 실시 예에 대해서는 도 6a 및 도 6b를 참조하여 상술한다.
한편, 이상에서는 본 개시에 따른 복수의 모듈이 모두 전자 장치에 포함된 경우를 전제로 설명하였으나, 본 개시에 따른 복수의 모듈 중 적어도 하나의 모듈은 외부 장치에 포함되고, 전자 장치 및 외부 장치 사이의 통신 연결을 통해 본 개시에 따른 다양한 실시 예를 구현할 수도 있다.
도 6a 및 도 6b은 본 개시에 따른 다양한 실시 예를 설명하기 위한 도면이다. 그리고, 도 7은 트래킹 평가 모듈에 관련된 실시 예를 보다 상세하게 설명하기 위한 도면이다.
도 6a 및 도 6b에 대한 설명에서는 제1 카메라(110-1) 및 제2 카메라(110-2)를 통해 매 구간마다 한 쌍의 이미지 프레임들이 획득되고, 획득된 이미지 프레임들에 복수의 타겟 오브젝트인 제1 타겟 오브젝트, 제2 타겟 오브젝트 및 제3 타겟 오브젝트가 포함되는 경우를 전제로, 본 개시에 따른 일 실시 예에 대해 설명한다. 특히, 도 6a는 T 구간 및 T+1 구간에서 수행되는 동작을 설명하기 위한 도면이고, 도 6b는 도 6a의 T+1 구간에 이어지는 T+2 구간 및 T+3 구간에서 수행되는 동작을 설명하기 위한 도면이다. 한편, 타겟 오브젝트 검출 모듈(10) 및 ID 매칭 모듈(20)을 이용한 동작에 대해서는 전술한 바 있으므로, 동일한 내용에 대한 중복 설명은 생략한다.
도 6a에 도시된 바와 같이, T 구간에 제1 카메라(110-1) 및 제2 카메라(110-2) 각각을 통해 한 쌍의 이미지 프레임이 획득되면, 프로세서(130)는 포즈 측정 모듈(30)을 통해 T 구간의 제1 타겟 오브젝트의 포즈에 대한 측정 값을 획득할 수 있다. 그리고, 제1 타겟 오브젝트의 포즈에 대한 측정 값이 획득되는 동안, 프로세서(130)는 복수의 포즈 트래킹 모듈(40)을 통해 각각 T 구간의 제2 타겟 오브젝트의 포즈에 대한 추정 값과 T 구간의 제3 타겟 오브젝트의 포즈에 대한 추정 값을 획득할 수 있다. 한편, T 구간에서, 포즈 측정 모듈(30)은 GPU를 이용하여 동작할 수 있으며, 복수의 포즈 트래킹 모듈(40)은 각각 CPU의 제2 코어와 CPU의 제3 코어를 이용하여 동작할 수 있다.
한편, T 구간에 포즈 측정 모듈(30)을 통해 제1 타겟 오브젝트의 포즈에 대한 측정 값이 획득되면, 프로세서(130)는 제1 타겟 오브젝트의 포즈에 대한 측정 값을 포즈 트래킹 모듈(40)에 입력하여 평활화(smoothing) 동작을 수행할 수 있다. 구체적으로, T 구간의 제1 타겟 오브젝트의 포즈에 대한 측정 값이 입력되면, 포즈 트래킹 모듈(40)은 칼만 필터 등을 바탕으로 입력된 포즈 정보를 보정하여 평활화된 포즈 정보를 출력할 수 있다. 즉, 포즈 트래킹 모듈(40)은 다음 구간의 타겟 오브젝트의 포즈를 추정할 수 있을 뿐만 아니라, 현재 구간의 타겟 오브젝트의 포즈에 대한 포즈 정보를 평활화하여 보다 개선된 포즈 정보를 출력하는 역할을 수행할 수 있다.
한편, 포즈 트래킹 모듈(40)을 통해 T 구간의 제2 타겟 오브젝트의 포즈에 대한 추정 값이 획득되면, 프로세서(130)는 T 구간의 제2 타겟 오브젝트의 포즈에 대한 추정 값을 트래킹 평가 모듈(50)에 입력하여, 포즈 정보의 신뢰도에 대한 스코어를 획득할 수 있다. 구체적으로, 포즈 트래킹 모듈(40)을 통해 T 구간의 제2 타겟 오브젝트의 포즈에 대한 추정 값이 획득되면, 트래킹 평가 모듈(50)은 T 구간의 제2 타겟 오브젝트의 포즈에 대한 추정 값에 대응되는 바운딩 박스 정보 및 T 구간에 타겟 오브젝트 검출 모듈(10)을 통해 획득된 바운딩 박스 정보를 비교하여 포즈 정보의 신뢰도에 대한 스코어를 획득할 수 있다.
예를 들어, 도 7을 참조하면, 포즈 트래킹 평가 모듈(50)은 타겟 오브젝트인 '손'에 대한 T 구간의 스켈레톤 정보에 대응되는 바운딩 박스 정보(710) 및 T 구간에 타겟 오브젝트 검출 모듈(10)을 통해 획득된 바운딩 박스 정보(720)을 비교하여, 그 일치 여부에 대응되는 스코어를 획득할 수 있다.
그리고, 포즈 트래킹 모듈(40)을 통해 획득된 T 구간의 제2 타겟 오브젝트에 대한 포즈 정보의 신뢰도에 대한 스코어가 기 설정된 임계 값 미만이면, 포즈 트래킹 모듈(40)을 통해 획득된 포즈 정보를 신뢰하기 어려운 경우라고 할 수 있으므로, 프로세서(130)는 포즈 측정 모듈(30)을 통해 T+1 구간의 제2 타겟 오브젝트의 포즈에 대한 측정 값을 획득할 수 있다.
한편, 포즈 트래킹 모듈(40)을 통해 획득된 T 구간의 제3 타겟 오브젝트에 대한 포즈 정보의 신뢰도에 대한 스코어가 기 설정된 임계 값 이상이면, 포즈 트래킹 모듈(40)을 통해 획득된 포즈 정보를 신뢰할 수 있는 경우라고 할 수 있으므로, 프로세서(130)는 포즈 트래킹 모듈(40)을 통해 T+1 구간의 제3 타겟 오브젝트의 포즈에 대한 추정 값을 획득할 수 있다.
다시 말해, 포즈 트래킹 모듈(40)을 통해 포즈 정보가 획득되면, 프로세서(130)는 포즈 트래킹 모듈(40)을 통해 획득된 포즈 정보를 트래킹 평가 모듈(50)에 입력하여 포즈 정보의 신뢰도에 대한 스코어를 획득하고, 획득된 스코어에 기초하여 포즈 측정 모듈(30) 및 포즈 트래킹 모듈(40) 중에서 다음 구간에 대한 포즈 정보를 획득하기 위한 모듈을 결정할 수 있다. 한편, 트래킹 평가 모듈(50)을 이용하지 않거나 복수의 트래킹 평가 모듈(50) 각각을 통해 획득된 스코어가 동일한 경우, 프로세서(130)는 복수의 타겟 오브젝트 각각에 대한 포즈 정보가 순차적으로 번갈아 가면서 포즈 측정 모듈(30)을 통해 획득될 수 있도록 제어할 수도 있다.
이하에서는 복수의 타겟 오브젝트 각각에 대한 포즈 정보가 순차적으로 번갈아 가면서 포즈 측정 모듈(30)을 통해 획득되는 경우를 전제로, T+1 구간, T+2 구간 및 T+3 구간의 동작에 대해 상술한다.
즉, 도 6a에 도시된 바와 같이, T+1 구간에 제1 카메라(110-1) 및 제2 카메라(110-2) 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면, 프로세서(130)는 포즈 측정 모듈(30)을 통해 T+1 구간의 제2 타겟 오브젝트의 포즈에 대한 측정 값을 획득할 수 있다. 그리고, 제2 타겟 오브젝트에 대한 포즈 정보가 획득되는 동안, 프로세서(130)는 복수의 포즈 트래킹 모듈(40)을 통해 각각 T+1 구간의 제1 타겟 오브젝트의 포즈에 대한 추정 값과 T+1 구간의 제3 타겟 오브젝트의 포즈에 대한 추정 값을 획득할 수 있다. 한편, T+1 구간에서, 포즈 측정 모듈(30)은 GPU를 이용하여 동작할 수 있으며, 복수의 포즈 트래킹 모듈(40)은 각각 CPU의 제1 코어와 CPU의 제3 코어를 이용하여 동작할 수 있다.
도 6b에 도시된 바와 같이, T+2 구간에 제1 카메라(110-1) 및 제2 카메라(110-2) 각각을 통해 한 쌍의 제3 이미지 프레임이 획득되면, 프로세서(130)는 포즈 측정 모듈(30)을 통해 T+2 구간의 제3 타겟 오브젝트의 포즈에 대한 측정 값을 획득할 수 있다. 그리고, 제3 타겟 오브젝트의 포즈에 대한 측정 값이 획득되는 동안, 프로세서(130)는 복수의 포즈 트래킹 모듈(40)을 통해 각각 T+2 구간의 제1 타겟 오브젝트의 포즈에 대한 추정 값과 T+1 구간의 제2 타겟 오브젝트의 포즈에 대한 추정 값을 획득할 수 있다.
도 6b에 도시된 바와 같이, T+3 구간에 제1 카메라(110-1) 및 제2 카메라(110-2) 각각을 통해 한 쌍의 제3 이미지 프레임이 획득되면, 프로세서(130)는 포즈 측정 모듈(30)을 통해 T+2 구간의 제1 타겟 오브젝트의 포즈에 대한 측정 값을 획득할 수 있다. 그리고, 제1 타겟 오브젝트의 포즈에 대한 측정 값이 획득되는 동안, 프로세서(130)는 복수의 포즈 트래킹 모듈(40)을 통해 각각 T+2 구간의 제2 타겟 오브젝트의 포즈에 대한 추정 값과 T+1 구간의 제3 타겟 오브젝트의 포즈에 대한 추정 값을 획득할 수 있다.
한편, 프로세서(130)는 포즈 측정 모듈(30)을 통해 T+3 구간의 제1 타겟 오브젝트의 포즈에 대한 측정 값을 획득하는 것과 아울러, 전술한 바와 같이, 포즈 트래킹 모듈(40)을 통해 T+3 구간의 제1 타겟 오브젝트에 대한 측정 값을 평활화(smoothing)하여 보정된 측정 값을 획득할 수 있다.
또한, 프로세서(130)는 포즈 트래킹 모듈(40)을 통해 T+3 구간의 제1 타겟 오브젝트의 포즈에 대한 추정 값을 획득할 수 있다. 구체적으로, 포즈 트래킹 모듈(40)은 모듈은 T 구간에 포즈 측정 모듈(30)을 통해 획득된 제1 타겟 오브젝트의 포즈에 대한 측정 값을 바탕으로 T+3 구간의 제1 타겟 오브젝트의 포즈를 추정하여 그에 대한 추정 값을 획득할 수 있다. 그리고, 포즈 트래킹 모듈(40)은 T+3 구간의 제1 타겟 오브젝트의 포즈에 대한 측정 값 및 T+3 구간의 제1 타겟 오브젝트의 포즈에 대한 추정 값을 바탕으로 포즈 트래킹 모듈(40) 파라미터(예: 칼만 필터의 상태 변수)를 보정/업데이트할 수 있다. 이에 따라, 포즈 트래킹 모듈(40)은 업데이트된 파라미터를 바탕으로 T+3 구간 이후의 제1 타겟 오브젝트의 포즈에 관하여 보다 정확한 추정 값을 획득할 수 있게 된다.
도 6a 내지 도 7을 참조하여 상술한 바와 같은 실시 예에 따르면, 전자 장치는 포즈 트래킹 모듈(40) 및 트래킹 평가 모듈(50)을 통해 보다 정확한 포즈 정보를 획득할 수 있게 된다.
도 8은 본 개시에 따른 또 다른 실시 예를 설명하기 위한 도면이다.
이상에서는 신경망을 포함하는 복수의 타겟 오브젝트 중 하나의 타겟 오브젝트와 다른 오브젝트를 구별하여, 각각 포즈 측정 모듈(30) 및 포즈 트래킹 모듈(40)을 통해 병렬적으로 포즈 정보를 획득하는 실시 예에 대해 설명하였으나, 본 개시의 또 다른 실시 예에 따르면, 프로세서(130)는 복수의 카메라 각각을 통해 획득되는 이미지 프레임 별로 상이한 모듈을 이용하여 병렬적으로 포즈 정보를 획득할 수도 있다.
이상에서는 제1 카메라(110-1) 및 제2 카메라(110-2) 각각을 통해 획득된 한 쌍의 이미지 프레임을 바탕으로 한 쌍의 이미지 데이터를 획득하고, 그 한 쌍의 이미지 데이터를 3D 포즈 측정 모듈(30) 또는 3D 포즈 트래킹 모듈(40)에 입력하여 포즈 정보를 획득하는 것을 전제로 설명하였으나, 도 8에 대한 설명에 있어서는 2D 포즈 측정 모듈(30) 또는 2D 포즈 트래킹 모듈(40)를 통해 2 차원의 포즈 정보를 획득하고, 3D 포즈 재구성 모듈을 통해 3 차원의 포즈 정보를 획득하는 것을 전제로 설명한다.
구체적으로, 도 8에 도시된 바와 같이, T 구간에 제1 카메라(110-1)를 통해 제1 이미지 프레임이 획득되면, 제1 이미지 프레임을 타겟 오브젝트 검출 모듈(10)에 입력하여 제1 이미지 프레임에 포함된 복수의 타겟 오브젝트 각각에 대한 이미지 데이터를 획득할 수 있다. 그리고, 프로세서(130)는 제1 이미지 프레임에 포함된 복수의 타겟 오브젝트 각각에 대한 이미지 데이터를 2D 포즈 측정 모듈(30)에 입력하여 제1 이미지 프레임에 포함된 복수의 타겟 오브젝트 각각에 대한 2 차원의 제1 포즈 정보를 획득할 수 있다.
T 구간에 제2 카메라(110-2)를 통해 제2 이미지 프레임이 획득되면, 제2 이미지 프레임을 타겟 오브젝트 검출 모듈(10)에 입력하여 제2 이미지 프레임에 포함된 복수의 타겟 오브젝트 각각에 대한 이미지 데이터를 획득할 수 있다. 그리고, 프로세서(130)는 제2 이미지 프레임에 포함된 복수의 타겟 오브젝트 각각에 대한 이미지 데이터를 2D 포즈 트래킹 모듈(40)에 입력하여 제2 이미지 프레임에 포함된 복수의 타겟 오브젝트 각각에 대한 2 차원의 제2 포즈 정보를 획득할 수 있다.
제2 이미지 프레임에 포함된 복수의 타겟 오브젝트 각각에 대한 2 차원의 제2 포즈 정보를 획득하는 과정과 마찬가지로, 프로세서(130)는 2D 트래킹 모듈을 이용하여, 제3 카메라를 통해 획득된 제3 이미지 프레임에 대응되는 2 차원의 제3 포즈 정보를 획득할 수 있다.
그리고, 프로세서(130)는 3D 포즈 정보 재구성 모듈(33)을 통해, 2 차원의 제1 포즈 정보 및 2 차원의 제2 포즈 정보를 바탕으로 3 차원의 제4 포즈 정보를 획득하고, 2 차원의 제2 포즈 정보 및 2 차원의 제3 포즈 정보를 바탕으로 3 차원의 제5 포즈 정보를 획득하며, 2 차원의 제1 포즈 정보 및 2 차원의 제3 포즈 정보를 바탕으로 3 차원의 제6 포즈 정보를 획득할 수 있다. 그리고, 프로세서(130)는 3D 포즈 정보 재구성 모듈(33)을 통해 3 차원의 제4 포즈 정보, 3 차원의 제5 포즈 정보 및 3 차원의 제6 포즈 정보의 평균 값을 산출하여, 산출 결과에 따라 T 구간의 복수의 오브젝트 각각에 대한 최종적인 포즈 정보인 제7 포즈 정보를 획득할 수 있다.
한편, T 구간에 2D 포즈 측정 모듈(30)을 통해 제1 카메라(110-1)에 대응되는 2 차원의 제1 포즈 정보가 획득되면, 프로세서(130)는 제1 포즈 정보를 2D 포즈 트래킹 모듈(40)에 입력하여 전술한 바와 같은 평활화 동작을 수행할 수 있다. 특히, 2D 포즈 측정 모듈(30)을 통해 포즈 정보를 획득한 후, 2D 포즈 트래킹 모듈(40)을 통해 개선된 포즈 정보를 획득함에 있어서는, 오브젝트의 움직임에 대한 벡터 정보인 optical flow 정보를 반영하거나, 2 차원의 포즈 정보에 포함되는 각 좌표 값에 대한 확률 정보를 이용하여 2D 포즈 트래킹 모듈(40)을 구성하는 칼만 필터의 파라미터를 조정함으로써, 보다 정확한 포즈 정보를 획득할 수도 있다.
한편, T 구간에 2D 포즈 트래킹 모듈(40)을 통해 제2 카메라(110-2)에 대응되는 제2 포즈 정보가 획득되면, 프로세서(130)는 제2 포즈 정보를 트래킹 평가 모듈(50)에 입력하여, 제2 포즈 정보의 신뢰도에 대한 스코어를 획득할 수 있으며, 획득된 스코어에 기초하여 2D 포즈 측정 모듈(30) 및 2D 포즈 트래킹 모듈(40) 중에서 다음 구간에 대한 포즈 정보를 획득하기 위한 모듈을 결정할 수 있다.
포즈 트래킹 모듈(40)을 통한 평활화 동작과 트래킹 평가 모듈(50)을 통한 포즈 정보의 신뢰도 평가 과정에 대해서는 도 6 및 도 7을 참조하여 상술한 바 있으므로, 실질적으로 동일한 내용에 대한 중복 설명은 생략한다.
한편, 도 8에서는 전자 장치가 3 개의 카메라는 포함하는 경우를 전제로 설명하였으나, 전자 장치가 2 개의 카메라를 포함하는 경우이거나 4 개 이상의 카메라를 포함하는 경우에도 도 8의 실시 예가 적용될 수 있음은 물론이다.
도 8을 참조하여 상술한 바와 같은 실시 예에 따르면, 전자 장치(100)는 복수의 카메라 각각을 통해 획득되는 복수의 이미지 프레임 중 하나의 이미지 프레임에 대해서는 신경망을 포함하는 포즈 측정 모듈(30)을 이용하여 포즈 정보를 획득하고, 다른 이미지 프레임에 대해서는 기 정의된 규칙에 따라 동작하는 포즈 트래킹 모듈(40)을 이용하여 포즈 정보를 획득함으로써, 복수의 카메라 각각을 통해 획득되는 복수의 이미지 프레임에 포함된 타겟 오브젝트 별 포즈 정보를 효율적으로 획득할 수 있다.
나아가, 전자 장치가 3 개 이상의 카메라를 포함하는 경우, 두 개의 카메라 별로 2 차원의 포즈 정보를 이용하여 각각 3 차원의 포즈 정보를 획득하고, 획득된 3 차원의 포즈 정보를 조합하여 최종적인 3 차원의 포즈 정보를 획득할 수 있으므로, 보다 정확한 포즈 정보를 획득할 수 있게 된다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 나타내는 흐름도이다.
도 9에 도시된 바와 같이, 전자 장치(100)는 제1 카메라 및 제2 카메라 각각을 통해 이미지 프레임들을 획득할 수 있다(S910).
그리고, 제1 구간에 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제1 이미지 프레임이 획득되면(S920-Y), 전자 장치(100)는 한 쌍의 제1 이미지 프레임 각각에 포함된 제1 타겟 오브젝트에 대한 한 쌍의 제1 이미지 데이터를 포즈 측정 모듈에 입력하여, 제1 구간의 제1 타겟 오브젝트에 대한 제1 포즈 정보를 획득할 수 있다(S930). 한편, 전자 장치(100)는 한 쌍의 제1 이미지 프레임에 포함된 제2 타겟 오브젝트에 대해서는 포즈 측정 모듈이 아닌 포즈 트래킹 모듈을 이용하여 포즈 정보를 획득할 수 있다.
제1 구간 이후의 제2 구간에 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면(S940-Y), 전자 장치(100)는 제1 포즈 정보를 포즈 트래킹 모듈에 입력하여, 제2 구간의 제1 타겟 오브젝트에 대한 제2 포즈 정보를 획득할 수 있다(S950). 다시 말해, 전자 장치(100)는 포즈 트래킹 모듈을 이용하여, 제1 구간의 제1 타겟 오브젝트에 대한 제1 포즈 정보를 바탕으로 제2 구간의 제1 타겟 오브젝트의 포즈를 추정할 수 있다.
한편, 제2 포즈 정보가 획득되는 동안, 전자 장치(100)는 한 쌍의 제2 이미지 프레임 각각에 포함된 제2 타겟 오브젝트에 대한 한 쌍의 제2 이미지 데이터를 포즈 측정 모듈에 입력하여, 제2 구간의 제2 타겟 오브젝트에 대한 제3 포즈 정보를 획득할 수 있다(S960). 다시 말해, 전자 장치(100)는 포즈 트래킹 모듈과 병렬적으로 포즈 측정 모듈을 이용하여, 제2 이미지 프레임에 포함된 제2 타겟 오브젝트의 포즈를 측정할 수 있다.
이상에서는 본 개시에 따른 전자 장치(100)의 제어 방법의 각 단계에 대해 간략하게 설명하였으나, 도 1a 내지 도 8을 참조하여 상술한 바와 같은 전자 장치(100)의 제어 과정에 관련된 다양한 실시 예들은 전자 장치(100)의 제어 방법에 대해서도 마찬가지로 적용될 수 있음은 물론이다.
한편, 상술한 실시 예에 따른 전자 장치(100)의 제어 방법은 프로그램으로 구현되어 전자 장치(100)에 제공될 수 있다. 특히, 전자 장치(100)의 제어 방법을 포함하는 프로그램은 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
구체적으로, 제1 카메라 및 제2 카메라를 포함하는 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서, 전자 장치(100)의 제어 방법은 제1 구간에 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제1 이미지 프레임이 획득되면, 한 쌍의 제1 이미지 프레임 각각에 포함된 제1 타겟 오브젝트에 대한 한 쌍의 제1 이미지 데이터를 포즈 측정 모듈에 입력하여, 제1 구간의 제1 타겟 오브젝트에 대한 제1 포즈 정보를 획득하는 단계, 제1 구간 이후의 제2 구간에 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면, 제1 포즈 정보를 포즈 트래킹 모듈에 입력하여, 제2 구간의 제1 타겟 오브젝트에 대한 제2 포즈 정보를 획득하는 단계 및 제2 포즈 정보가 획득되는 동안, 한 쌍의 제2 이미지 프레임 각각에 포함된 제2 타겟 오브젝트에 대한 한 쌍의 제2 이미지 데이터를 포즈 측정 모듈에 입력하여, 제2 구간의 제2 타겟 오브젝트에 대한 제3 포즈 정보를 획득하는 단계를 포함한다.
여기서, 비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
이상에서 전자 장치(100)의 제어 방법, 그리고 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 대해 간략하게 설명하였으나, 이는 중복 설명을 생략하기 위한 것일 뿐이며, 전자 장치(100)에 대한 다양한 실시 예는 전자 장치(100)의 제어 방법, 그리고 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 대해서도 적용될 수 있음은 물론이다.
상술한 바와 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치의 하드웨어 자원을 효율적으로 이용하고, 그에 따라 이미지에 포함된 타겟 오브젝트의 검출 과정 및 검출된 타겟 오브젝트 대한 포즈 정보의 획득 과정을 효율적으로 수행할 수 있게 된다.
한편, 이상에서 상술한 바와 같은 타겟 오브젝트 검출 모듈, 포즈 측정 모듈등에 포함된 신경망에 관련된 기능은 메모리 및 프로세서를 통해 수행될 수 있다.
프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP 등과 같은 범용 프로세서, GPU. VPU 등과 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서일 수 있다.
하나 또는 복수의 프로세서는, 비휘발성 메모리 및 휘발성 메모리에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.
여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.
인공 지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Networks) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
이상에서 상술한 바와 같은 본 개시의 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다.
다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다.
상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.
110-1: 제1 카메라
110-2: 제2 카메라
120: 메모리 130: 프로세서
120: 메모리 130: 프로세서
Claims (17)
- 전자 장치에 있어서,
제1 카메라;
제2 카메라;
이미지에 포함된 타겟 오브젝트의 포즈에 대한 포즈 정보를 획득하기 위한 복수의 모듈을 저장하는 메모리; 및
상기 제1 카메라 및 상기 제2 카메라 각각을 통해 획득된 이미지 프레임들을 바탕으로 상기 이미지 프레임들에 포함된 복수의 타겟 오브젝트 각각의 포즈에 대한 포즈 정보를 획득하는 프로세서; 를 포함하고,
상기 프로세서는,
제1 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제1 이미지 프레임이 획득되면, 상기 한 쌍의 제1 이미지 프레임 각각에 포함된 제1 타겟 오브젝트에 대한 한 쌍의 제1 이미지 데이터를 포즈 측정 모듈에 입력하여, 상기 제1 구간의 상기 제1 타겟 오브젝트에 대한 제1 포즈 정보를 획득하고,
제1 구간 이후의 제2 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면, 상기 제1 포즈 정보를 포즈 트래킹 모듈에 입력하여, 상기 제2 구간의 상기 제1 타겟 오브젝트에 대한 제2 포즈 정보를 획득하며,
상기 제2 포즈 정보가 획득되는 동안, 상기 한 쌍의 제2 이미지 프레임 각각에 포함된 제2 타겟 오브젝트에 대한 한 쌍의 제2 이미지 데이터를 상기 포즈 측정 모듈에 입력하여, 상기 제2 구간의 제2 타겟 오브젝트에 대한 제3 포즈 정보를 획득하는 전자 장치.
- 제1 항에 있어서,
상기 포즈 측정 모듈은,
적어도 하나의 신경망을 포함하며,
상기 제1 카메라 및 상기 제2 카메라 각각을 통해 획득된 이미지 프레임들을 바탕으로 상기 복수의 타겟 오브젝트 각각에 대한 2 차원의 포즈 정보 및 디스패리티(disparity) 정보를 획득하고,
상기 2 차원의 포즈 정보 및 상기 디스패리티 정보를 바탕으로 상기 복수의 타겟 오브젝트 각각의 스켈레톤(skeleton) 정보에 대한 측정 값을 포함하는 포즈 정보를 획득하는 전자 장치.
- 제1 항에 있어서,
상기 포즈 트래킹 모듈은,
칼만 필터(kalman filter)를 바탕으로, 입력된 이미지 프레임의 다음 프레임에 포함된 복수의 타겟 오브젝트 각각의 스켈레톤 정보에 대한 추정 값을 포함하는 포즈 정보를 획득하는 전자 장치.
- 제1 항에 있어서,
상기 프로세서는,
상기 제2 포즈 정보가 획득되면, 상기 제2 포즈 정보에 대응되는 바운딩 박스에 대한 정보 및 상기 한 쌍의 제2 이미지 프레임 각각에 포함된 상기 제1 타겟 오브젝트에 대응되는 바운딩 박스에 대한 정보를 비교하여 상기 제2 포즈 정보의 신뢰도에 대한 스코어를 획득하고,
상기 제2 구간 이후의 제3 구간에 상기 제1 카메라 및 상기 제2 카메라 각각을 통해 한 쌍의 제3 이미지 프레임을 획득하며,
상기 스코어가 기 설정된 임계 값 미만이면, 상기 한 쌍의 제3 이미지 프레임 각각에 포함된 상기 제1 타겟 오브젝트에 대한 한 쌍의 제3 이미지 데이터를 상기 포즈 측정 모듈에 입력하여, 상기 제3 구간의 상기 제1 타겟 오브젝트에 대한 제4 포즈 정보를 획득하는 전자 장치.
- 제4 항에 있어서,
상기 프로세서는,
상기 제2 포즈 정보가 획득되면, 상기 제2 포즈 정보를 변환하여 상기 제2 포즈 정보에 대응되는 디스패리티 정보를 획득하고,
상기 제2 포즈 정보에 대응되는 디스패리티 정보를 바탕으로 상기 제3 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대응되는 영역을 검출하여, 상기 제3 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대한 상기 제3 이미지 데이터를 획득하는 전자 장치.
- 제1 항에 있어서,
상기 프로세서는,
상기 제1 포즈 정보가 획득되는 동안, 상기 한 쌍의 제1 이미지 프레임 각각에 포함된 상기 제2 타겟 오브젝트에 대한 한 쌍의 제4 이미지 데이터를 상기 포즈 트래킹 모듈에 입력하여, 상기 제1 구간의 상기 제2 타겟 오브젝트에 대한 제5 포즈 정보를 획득하는 전자 장치.
- 제1 항에 있어서,
제3 카메라; 를 더 포함하고,
상기 프로세서는,
상기 한 쌍의 제1 이미지 프레임이 획득되는 동안, 상기 제3 카메라를 통해 상기 한 쌍의 제1 이미지 프레임에 대응되는 제4 이미지 프레임을 획득하고,
상기 제1 포즈 정보가 획득되는 동안, 상기 제4 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대한 제5 이미지 데이터를 상기 포즈 트래킹 모듈에 입력하여, 상기 제1 구간의 상기 제1 타겟 오브젝트에 대한 2 차원의 포즈 정보인 제6 포즈 정보를 획득하는 전자 장치.
- 제1 항에 있어서,
상기 포즈 측정 모듈은 상기 프로세서에 포함된 GPU를 이용하여 동작하며,
상기 포즈 트래킹 모듈은 상기 프로세서에 포함된 CPU를 이용하여 동작하는 전자 장치.
- 제1 카메라 및 제2 카메라를 포함하는 전자 장치의 제어 방법에 있어서,
제1 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제1 이미지 프레임이 획득되면, 상기 한 쌍의 제1 이미지 프레임 각각에 포함된 제1 타겟 오브젝트에 대한 한 쌍의 제1 이미지 데이터를 포즈 측정 모듈에 입력하여, 상기 제1 구간의 상기 제1 타겟 오브젝트에 대한 제1 포즈 정보를 획득하는 단계;
제1 구간 이후의 제2 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면, 상기 제1 포즈 정보를 포즈 트래킹 모듈에 입력하여, 상기 제2 구간의 상기 제1 타겟 오브젝트에 대한 제2 포즈 정보를 획득하는 단계; 및
상기 제2 포즈 정보가 획득되는 동안, 상기 한 쌍의 제2 이미지 프레임 각각에 포함된 제2 타겟 오브젝트에 대한 한 쌍의 제2 이미지 데이터를 상기 포즈 측정 모듈에 입력하여, 상기 제2 구간의 제2 타겟 오브젝트에 대한 제3 포즈 정보를 획득하는 단계; 를 포함하는 전자 장치의 제어 방법.
- 제9 항에 있어서,
상기 포즈 측정 모듈은,
적어도 하나의 신경망을 포함하며,
상기 제1 카메라 및 상기 제2 카메라 각각을 통해 획득된 이미지 프레임들을 바탕으로 상기 복수의 타겟 오브젝트 각각에 대한 2 차원의 포즈 정보 및 디스패리티(disparity) 정보를 획득하고,
상기 2 차원의 포즈 정보 및 상기 디스패리티 정보를 바탕으로 상기 복수의 타겟 오브젝트 각각의 스켈레톤(skeleton) 정보에 대한 측정 값을 포함하는 포즈 정보를 획득하는 전자 장치의 제어 방법.
- 제9 항에 있어서,
상기 포즈 트래킹 모듈은,
칼만 필터(kalman filter)를 바탕으로, 입력된 이미지 프레임의 다음 프레임에 포함된 복수의 타겟 오브젝트 각각의 스켈레톤 정보에 대한 추정 값을 포함하는 포즈 정보를 획득하는 전자 장치의 제어 방법.
- 제9 항에 있어서,
상기 제2 포즈 정보가 획득되면, 상기 제2 포즈 정보에 대응되는 바운딩 박스에 대한 정보 및 상기 한 쌍의 제2 이미지 프레임 각각에 포함된 상기 제1 타겟 오브젝트에 대응되는 바운딩 박스에 대한 정보를 비교하여 상기 제2 포즈 정보의 신뢰도에 대한 스코어를 획득하는 단계;
상기 제2 구간 이후의 제3 구간에 상기 제1 카메라 및 상기 제2 카메라 각각을 통해 한 쌍의 제3 이미지 프레임을 획득하는 단계; 및
상기 스코어가 기 설정된 임계 값 미만이면, 상기 한 쌍의 제3 이미지 프레임 각각에 포함된 상기 제1 타겟 오브젝트에 대한 한 쌍의 제3 이미지 데이터를 상기 포즈 측정 모듈에 입력하여, 상기 제3 구간의 상기 제1 타겟 오브젝트에 대한 제4 포즈 정보를 획득하는 단계; 를 더 포함하는 전자 장치의 제어 방법.
- 제12 항에 있어서,
상기 제2 포즈 정보가 획득되면, 상기 제2 포즈 정보를 변환하여 상기 제2 포즈 정보에 대응되는 디스패리티 정보를 획득하는 단계; 및
상기 제2 포즈 정보에 대응되는 디스패리티 정보를 바탕으로 상기 제3 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대응되는 영역을 검출하여, 상기 제3 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대한 상기 제3 이미지 데이터를 획득하는 단계; 를 더 포함하는 전자 장치의 제어 방법.
- 제9 항에 있어서,
상기 제1 포즈 정보가 획득되는 동안, 상기 한 쌍의 제1 이미지 프레임 각각에 포함된 상기 제2 타겟 오브젝트에 대한 한 쌍의 제4 이미지 데이터를 상기 포즈 트래킹 모듈에 입력하여, 상기 제1 구간의 상기 제2 타겟 오브젝트에 대한 제5 포즈 정보를 획득하는 단계; 를 더 포함하는 전자 장치의 제어 방법.
- 제9 항에 있어서,
상기 전자 장치는 제3 카메라; 를 더 포함하고,
상기 전자 장치의 제어 방법은,
상기 한 쌍의 제1 이미지 프레임이 획득되는 동안, 상기 제3 카메라를 통해 상기 한 쌍의 제1 이미지 프레임에 대응되는 제4 이미지 프레임을 획득하는 단계; 및
상기 제1 포즈 정보가 획득되는 동안, 상기 제4 이미지 프레임에 포함된 상기 제1 타겟 오브젝트에 대한 제5 이미지 데이터를 상기 포즈 트래킹 모듈에 입력하여, 상기 제1 구간의 상기 제1 타겟 오브젝트에 대한 2 차원의 포즈 정보인 제6 포즈 정보를 획득하는 단계; 를 더 포함하는 전자 장치의 제어 방법.
- 제1 항에 있어서,
상기 포즈 측정 모듈은 상기 전자 장치의 프로세서에 포함된 GPU를 이용하여 동작하며,
상기 포즈 트래킹 모듈은 상기 전자 장치의 프로세서에 포함된 CPU를 이용하여 동작하는 전자 장치의 제어 방법.
- 제1 카메라 및 제2 카메라를 포함하는 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서,
상기 전자 장치의 제어 방법은,
제1 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제1 이미지 프레임이 획득되면, 상기 한 쌍의 제1 이미지 프레임 각각에 포함된 제1 타겟 오브젝트에 대한 한 쌍의 제1 이미지 데이터를 포즈 측정 모듈에 입력하여, 상기 제1 구간의 상기 제1 타겟 오브젝트에 대한 제1 포즈 정보를 획득하는 단계;
제1 구간 이후의 제2 구간에 상기 제1 카메라 및 제2 카메라 각각을 통해 한 쌍의 제2 이미지 프레임이 획득되면, 상기 제1 포즈 정보를 포즈 트래킹 모듈에 입력하여, 상기 제2 구간의 상기 제1 타겟 오브젝트에 대한 제2 포즈 정보를 획득하는 단계; 및
상기 제2 포즈 정보가 획득되는 동안, 상기 한 쌍의 제2 이미지 프레임 각각에 포함된 제2 타겟 오브젝트에 대한 한 쌍의 제2 이미지 데이터를 상기 포즈 측정 모듈에 입력하여, 상기 제2 구간의 제2 타겟 오브젝트에 대한 제3 포즈 정보를 획득하는 단계; 를 포함하는 컴퓨터 판독 가능 기록매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200164821A KR20220076048A (ko) | 2020-11-30 | 2020-11-30 | 전자 장치 및 전자 장치의 제어 방법 |
| PCT/KR2021/013799 WO2022114506A1 (ko) | 2020-11-30 | 2021-10-07 | 전자 장치 및 전자 장치의 제어 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200164821A KR20220076048A (ko) | 2020-11-30 | 2020-11-30 | 전자 장치 및 전자 장치의 제어 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220076048A true KR20220076048A (ko) | 2022-06-08 |
Family
ID=81754761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200164821A KR20220076048A (ko) | 2020-11-30 | 2020-11-30 | 전자 장치 및 전자 장치의 제어 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20220076048A (ko) |
| WO (1) | WO2022114506A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117314976B (zh) * | 2023-10-08 | 2024-05-31 | 玩出梦想(上海)科技有限公司 | 一种目标物跟踪方法及数据处理设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2011203028B1 (en) * | 2011-06-22 | 2012-03-08 | Microsoft Technology Licensing, Llc | Fully automatic dynamic articulated model calibration |
| KR101925907B1 (ko) * | 2016-06-03 | 2019-02-26 | (주)싸이언테크 | 신경망 생성 모델을 이용한 객체 움직임 패턴 학습장치 및 그 방법 |
| KR101917354B1 (ko) * | 2016-07-18 | 2018-11-09 | 단국대학교 천안캠퍼스 산학협력단 | 모바일 환경 객체 신뢰도 평가와 학습을 통한 융합 객체 추적 시스템 및 방법 |
| EP3416092A1 (en) * | 2017-06-16 | 2018-12-19 | Thomson Licensing | Method and devices to optimize marker management for pose estimation |
| KR102198920B1 (ko) * | 2019-02-28 | 2021-01-06 | 네이버 주식회사 | 온라인 학습을 이용한 객체 트래킹을 위한 방법 및 시스템 |
-
2020
- 2020-11-30 KR KR1020200164821A patent/KR20220076048A/ko unknown
-
2021
- 2021-10-07 WO PCT/KR2021/013799 patent/WO2022114506A1/ko active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022114506A1 (ko) | 2022-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11622098B2 (en) | Electronic device, and method for displaying three-dimensional image thereof | |
| US11671386B2 (en) | Electronic device and method for changing chatbot | |
| US11557085B2 (en) | Neural network processing for multi-object 3D modeling | |
| US9904054B2 (en) | Headset with strain gauge expression recognition system | |
| KR20210075225A (ko) | 큐보이드 검출을 위한 딥 러닝 시스템 | |
| US11954150B2 (en) | Electronic device and method for controlling the electronic device thereof | |
| KR102414602B1 (ko) | 데이터 인식 모델 구축 장치 및 이의 데이터 인식 모델 구축 방법과, 데이터 인식 장치 및 이의 데이터 인식 방법 | |
| US20190212815A1 (en) | Method and apparatus to determine trigger intent of user | |
| US10037624B2 (en) | Calibrating object shape | |
| US20200302634A1 (en) | Predicting three-dimensional articulated and target object pose | |
| KR102586014B1 (ko) | 전자 장치 및 전자 장치의 제어 방법 | |
| KR20210034724A (ko) | 생체 신호를 추정하는 전자 장치 및 그 방법 | |
| US12003881B2 (en) | Electronic device and control method of electronic device | |
| CN110998565A (zh) | 电子装置和用于控制该电子装置的方法 | |
| KR20190109654A (ko) | 심장 박동을 측정하기 위한 전자 장치 및 방법 | |
| KR20220076048A (ko) | 전자 장치 및 전자 장치의 제어 방법 | |
| KR102499379B1 (ko) | 전자 장치 및 이의 피드백 정보 획득 방법 | |
| US10304258B2 (en) | Human feedback in 3D model fitting | |
| CN115004198A (zh) | 电子设备和电子设备的控制方法 | |
| CN113168700A (zh) | 电子装置及其控制方法 | |
| Che et al. | Detection-guided 3D hand tracking for mobile AR applications | |
| KR20200117772A (ko) | 전자 장치 및 그 제어 방법 | |
| CN114631100A (zh) | 电子装置及其控制方法 | |
| US20230186512A1 (en) | Electronic device and method for obtaining three-dimensional (3d) skeleton data of user's hand photographed using plurality of cameras | |
| US20230283879A1 (en) | Electronic device and method for controlling the electronic device |