KR20220078176A - 전자 장치 및 이의 제어 방법 - Google Patents

전자 장치 및 이의 제어 방법 Download PDF

Info

Publication number
KR20220078176A
KR20220078176A KR1020200167421A KR20200167421A KR20220078176A KR 20220078176 A KR20220078176 A KR 20220078176A KR 1020200167421 A KR1020200167421 A KR 1020200167421A KR 20200167421 A KR20200167421 A KR 20200167421A KR 20220078176 A KR20220078176 A KR 20220078176A
Authority
KR
South Korea
Prior art keywords
image
document
mapping table
ratio
electronic device
Prior art date
Application number
KR1020200167421A
Other languages
English (en)
Inventor
탁윤식
신재욱
여해동
임애란
임준호
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200167421A priority Critical patent/KR20220078176A/ko
Priority to PCT/KR2021/015233 priority patent/WO2022119128A1/ko
Publication of KR20220078176A publication Critical patent/KR20220078176A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/387—Composing, repositioning or otherwise geometrically modifying originals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—Image restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/0093—Geometric image transformation in the plane of the image for image warping, i.e. transforming by individually repositioning each pixel
    • G06T3/06—
    • G06T3/18—
    • 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
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Abstract

전자 장치 및 이의 제어 방법이 제공된다. 전자 장치의 제어 방법은 모양이 변형된 문서를 포함하는 이미지를 획득하는 단계, 획득된 이미지를 학습된 신경망 모델에 입력하여 이미지 내에 포함된 모양이 변형된 문서의 픽셀과 문서의 모양이 복원된 결과 이미지의 픽셀 간의 위치 연관성을 나타내는 매핑 테이블을 획득하는 단계, 매핑 테이블에 매핑된 픽셀들의 위치 정보를 바탕으로 문서의 가로와 세로 비율을 추정하는 단계, 추정된 가로와 세로 비율로 매핑 테이블의 비율을 조정하는 단계 및 조정된 매핑 테이블을 바탕으로 문서의 모양을 복원하는 단계를 포함한다.

Description

전자 장치 및 이의 제어 방법{Electronic device and Method for controlling the electronic device thereof}
본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로, 더욱 상세하게는 이미지에 포함된 모양이 변형된 문서를 복원할 수 있는 전자 장치 및 이의 제어 방법에 관한 것이다.
최근 스마트 폰과 같은 전자 장치를 활용하여 고해상도의 이미지를 촬영하고, 촬영된 고해상도의 이미지에 포함된 문서를 스캔하기 위한 수요가 증가하고 있다.
다만, 문서를 촬영할 때, 문서의 구겨짐이나 문서의 접힘으로 인해 모양이 변형된 문서를 촬영하는 경우가 발생할 수 있다. 종래에는 이러한 문제점을 해결하기 위해, 이미지 처리를 통해 모양이 변형된 문서를 원래 모양으로 복원시키는 기술이 존재하였다.
그러나, 종래의 이미지 처리를 통해 문서의 모양을 복원시키는 기술의 경우, 문서의 원(original) 가로/세로 비율을 알 수가 없으므로, 문서의 원 가로/세로 비율이 아닌 다른 비율로 문서의 모양을 복원시키는 한계가 존재하였다.
본 개시는 상술한 문제점을 해결하기 위한 것으로, 본 개시의 목적은 문서의 가로 및 세로 비율을 추정하여 문서의 원 모양을 복원시킬 수 있는 전자 장치 및 이의 제어 방법을 제공함에 있다.
본 개시의 일 실시예에 따른, 전자 장치의 제어 방법은, 모양이 변형된 문서를 포함하는 이미지를 획득하는 단계; 상기 획득된 이미지를 학습된 신경망 모델에 입력하여 상기 이미지 내에 포함된 모양이 변형된 문서의 픽셀과 상기 문서의 모양이 복원된 결과 이미지의 픽셀 간의 위치 연관성을 나타내는 매핑 테이블을 획득하는 단계; 상기 매핑 테이블에 매핑된 픽셀들의 위치 정보를 바탕으로 상기 문서의 가로와 세로 비율을 추정하는 단계; 상기 추정된 가로와 세로 비율로 상기 매핑 테이블의 비율을 조정하는 단계; 및 상기 조정된 매핑 테이블을 바탕으로 문서를 복원하는 단계;를 포함한다.
한편, 본 개시의 일 실시예에 따른, 전자 장치는, 카메라; 적어도 하나의 인스트럭션을 포함하는 메모리; 및 프로세서;를 포함하며, 상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행하여, 상기 카메라를 통해 모양이 변형된 문서를 포함하는 이미지를 획득하고, 상기 획득된 이미지를 학습된 신경망 모델에 입력하여 상기 이미지 내에 포함된 모양이 변형된 문서의 픽셀과 상기 문서의 모양이 복원된 결과 이미지의 픽셀 간의 위치 연관성을 나타내는 매핑 테이블을 획득하며, 상기 매핑 테이블에 매핑된 픽셀들의 위치 정보를 바탕으로 상기 문서의 가로와 세로 비율을 추정하여 상기 추정된 가로와 세로 비율로 상기 매핑 테이블의 비율을 조정하며, 상기 조정된 매핑 테이블을 바탕으로 문서를 복원한다.
상술한 바와 같은 본 개시의 일 실시예에 따라, 전자 장치는 모양이 변형된 문서를 촬영하더라도 모양이 변형된 문서를 실제와 가깝게 더욱 정확한 비율로 복원할 수 있게 된다.
도 1은 본 개시의 일 실시예에 따른, 모양이 변형된 문서를 복원하기 위한 구성을 나타내는 블록도
도 2는 본 개시의 일 실시예에 따른, 매핑 테이블 생성 모듈이 신경망 모델을 이용하여 매핑 테이블을 생성하는 방법을 설명하기 위한 도면,
도 3은 본 개시의 일 실시예에 따른, 문서 비율 추정 모듈이 문서의 실제 비율을 추정하는 방법을 설명하기 위한 도면,
도 4는 본 개시의 일 실시예에 따른, 문서 복원 모듈이 추정된 실제 비율을 바탕으로 문서의 모양을 복원하는 방법을 설명하기 위한 도면,
도 5는 카메라에 의해 촬영된 이미지, 종래 방법으로 복원된 문서 이미지, 본 개시의 일 실시예에 따른 방법으로 복원된 문서 이미지를 설명하기 위한 도면,
도 6은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도, 그리고,
도 7은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 설명하기 위한 블록도이다.
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.
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.
이하에서는 도면을 참조하여 본 개시에 대해 더욱 상세히 설명하기로 한다. 도 1은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 나타내는 블록도이다. 전자 장치(100)는 카메라(110), 메모리(120) 및 프로세서(130)를 포함한다. 이때, 전자 장치(100)는 스마트 폰으로 구현될 수 있다. 다만, 본 개시에 따른 전자 장치(100)가 특정 유형의 장치에 국한되는 것은 아니며, 태블릿 PC 및 디지털 카메라 등과 같이 다양한 종류의 전자 장치(100)로 구현될 수도 있다.
카메라(110)는 이미지를 촬영할 수 있다. 특히, 카메라(110)는 모양이 변형된 문서를 포함하는 이미지를 촬영할 수 있다. 이때, 모양이 변형된 문서라 함은 구겨지거나 접혀 원래 모양을 유지하지 못하는 문서를 말할 수 있다.
또한, 카메라(110)는 서로 상이한 복수의 렌즈를 포함할 수 있다. 여기서, 복수의 렌즈가 서로 상이하다는 것은 복수의 렌즈 각각의 화각(Field of View, FOV)이 서로 상이한 경우 및 복수의 렌즈 각각이 배치된 위치가 상이한 경우 등을 포함할 수 있다.
메모리(120)는 촬영된 이미지에 포함된 모양이 변형된 문서를 복원하기 위한 모듈이 각종 동작을 수행하기 위해 필요한 데이터를 저장할 수 있다. 문서의 모양을 복원하기 위한 모듈은 문서 감지 모듈(131), 매핑 테이블 생성 모듈(133), 문서 비율 추정 모듈(137) 및 문서 복원 모듈(139)을 포함할 수 있다. 또한, 메모리(110)는 이미지에 포함된 문서의 픽셀의 위치를 나타내는 매핑 테이블을 획득하기 위한 신경망 모델(135)을 저장할 수 있다.
한편, 메모리(120)는 전력 공급이 중단되더라도 저장된 정보를 유지할 수 있는 비휘발성 메모리 및 저장된 정보를 유지하기 위해서는 지속적인 전력 공급이 필요한 휘발성 메모리를 포함할 수 있다. 문서의 모양을 복원하기 위한 모듈이 각종 동작을 수행하기 위한 데이터는 비휘발성 메모리에 저장될 수 있다. 그리고, 이미지에 포함된 문서의 픽셀의 위치를 나타내는 매핑 테이블을 획득하기 위한 신경망 모델(135) 역시 비휘발성 메모리에 저장될 수 있다.
또한, 메모리(120)는 카메라(110)를 통해 획득되는 이미지 프레임을 일시적으로 저장하는 적어도 하나의 버퍼를 포함할 수 있다.
프로세서(130)는 메모리(120)와 전기적으로 연결되어 전자 장치(100)의 전반적인 기능 및 동작을 제어할 수 있다
프로세서(130)는 카메라 어플리케이션이 실행되거나 촬영된 이미지 내에 포함된 문서의 모양을 복원하기 위한 위한 사용자 명령이 입력되면, 비휘발성 메모리에 저장되어 있는 문서의 모양을 복원하기 위한 모듈이 각종 동작을 수행하기 위한 데이터를 휘발성 메모리로 로딩(loading)할 수 있다. 그리고, 프로세서(130)는 매핑 테이블을 획득하기 위한 신경망 모델을 휘발성 메모리로 로딩할 수 있다. 프로세서(130)는 휘발성 메모리로 로딩된 데이터에 기초하여 각종 모듈 및 신경망 모델을 통해 각종 동작을 수행할 수 있다. 여기서, 로딩이란 프로세서(130)가 엑세스할 수 있도록 비휘발성 메모리에 저장된 데이터를 휘발성 메모리에 불러들여 저장하는 동작을 의미한다.
프로세서(130)는 카메라(110)를 이용하여 모양이 변형된 문서를 포함하는 이미지를 획득할 수 있다. 이때, 프로세서(130)는 카메라(110)를 통해 이미지를 획득할 수 있으나, 이는 일 실시예에 불과할 뿐, 외부로부터 모양이 변형된 문서를 포함하는 이미지를 획득할 수 있다.
촬영된 이미지 내에 포함된 문서의 모양을 복원하기 위한 위한 사용자 명령이 입력되면, 프로세서(130)는 문서 감지 모듈(131)을 통해 촬영된 이미지 내에 문서를 감지할 수 있다. 이때, 문서는 모양이 변형된 문서로서, 접히거나 구부러진 문서일 수 있다. 또한, 문서는 예로, 프린트된 종이, 영수증, 책, 명함 등일 수 있으나, 이에 한정되지 않는다.
이때, 문서 감지 모듈(131)는 학습된 오브젝트 인식 모델을 이용하여 이미지 내에 문서를 감지할 수 있다. 이때, 오브젝트 인식 모델은 합성곱 신경망(Convolution Neural Network, CNN) 모델로 구현될 수 있으나, 이는 일 실시예에 불과할 뿐, 심층 신경망(Deep Neural Network, DNN), 순환 신경망(Recurrent Neural Network, RNN) 및 생성적 적대 신경망(Generative Adversarial Networks, GAN) 중 적어도 하나의 인공 신경망 모델로 구현될 수 있다.
또한, 이미지 내에 문서가 감지되면, 프로세서(130)는 디스플레이에 표시된 이미지 내에 감지된 문서 주위에 바운딩 박스를 표시할 수 있다. 이때, 바운딩 박스는 모양이 변경된 문서를 둘러싸는 박스로서, 모양이 변경된 문서의 최대 가로 길이, 최대 세로 길이로 구성된 직사각형 형태일 수 있다.
한편, 촬영된 이미지 내에 문서뿐만 아니라 복수의 오브젝트가 포함될 경우, 프로세서(130)는 문서 감지 모듈(131)을 통해 이미지 내에 포함된 문서를 감지할 수 있으나, 이는 일 실시예에 불과할 뿐, 촬영된 이미지 내에 문서만 포함된 경우,프로세서(130)는 별도로 문서를 감지하지 않을 수 있다.
프로세서(130)는 매핑 테이블 생성 모듈(133)을 통해 문서의 모양을 복원하기 위한 매핑 테이블을 생성할 수 있다. 구체적으로, 프로세서(130)는 매핑 테이블 생성 모듈(133)을 통해 획득된 이미지(또는 이미지에 포함된 문서의 이미지)를 학습된 신경망 모델(135)에 입력하여 모양이 변형된 문서를 복원했을 때 이미지에 포함된 문서의 픽셀의 위치를 나타내는 매핑 테이블을 획득할 수 있다.
이때, 프로세서(130)는 도 2에 도시된 바와 같이, 이미지에 대한 정보(210)를 신경망 모델(135) 중 제1 네트워크(220)에 입력하여 모양이 변형된 문서의 뎁스 정보를 포함하는 3차원 이미지(230)를 획득할 수 있다. 3차원 이미지(230)에 포함된 문서의 모양은 촬영된 이미지(210)에 포함된 문서의 모양과 동일하나, x좌표값 및 y 좌표값 뿐만 아니라 뎁스 정보를 포함하므로, 3차원 좌표값을 포함할 수 있다. 3차원 이미지(230)의 뎁스 정보는 도 2에 도시된 바와 같이, 그레이 스케일로 표현될 수 있다. 한편, 3차원 이미지(230)에 대한 정보는 버퍼에 저장될 수 있다.
또한, 프로세서(130)는 도 2에 도시된 바와 같이, 3차원 이미지(230)를 신경망 모델(135) 중 제2 네트워크(240)에 입력하여 문서의 모양을 복원하기 위한 매핑 테이블(250)을 획득할 수 있다. 이때, 매핑 테이블(250)은 입력된 이미지의 픽셀과 복원된 결과 이미지의 픽셀 간의 위치 연관성을 나타내는 테이블일 수 있다.
매핑 테이블(250)의 가로/세로 비율은 이미지(210)의 가로/세로 비율 또는 이미지(210) 중 모양이 변형된 문서를 포함하는 직사각형 형태의 바운딩 박스의 가로/세로 비율에 대응될 수 있다. 예로, 이미지(210) 내에 문서만 포함된 경우, 매핑 테이블(250)의 가로/세로 비율은 이미지(210)의 가로/세로 비율에 대응될 수 있으며, 이미지(210) 내에 문서뿐만 아니라 적어도 하나의 오브젝트가 포함된 경우, 매핑 테이블(250)의 가로/세로 비율은 문서를 둘러싸는 바운딩 박스의 가로/세로 비율에 대응될 수 있다. 즉, 이미지(210)의 가로/세로 비율 또는 이미지(210) 중 모양이 변형된 문서를 포함하는 직사각형 형태의 바운딩 박스의 가로/세로 비율은 문서의 원 가로/세로 비율과 상이하므로, 매핑 테이블(250)의 가로/세로 비율은 문서의 원 가로/세로 비율과 상이할 수 있다.
한편, 제1 네트워크(220)는 모양이 변형된 문서를 포함하는 학습 이미지 및 상기 학습 이미지를 뎁스 카메라로 촬영하여 획득된 3차원 이미지 각각을 입력 데이터 및 출력 데이터로 이용하여 학습될 수 있다. 또한 제2 네트워크(240)는 뎁스 카메라로 촬영하여 획득된 3차원 이미지 및 학습 이미지에 대응되는 매핑 테이블 각각을 입력 데이터 및 출력 데이터로 이용하여 학습될 수 있다. 이때, 제1 네트워크(220) 및 제2 네트워크(240)는 이미지 변환/생성에 활용될 수 있는 U-net, DeepLab, PSPNet(Pyramid Scene Parsing Network), FCN(Fully Convolutional Networks) 등으로 구현될 수 있다.
한편, 매핑 테이블(250)의 가로/세로 비율은 문서의 원 가로/세로 비율과 상이하므로, 매핑 테이블(250)을 이용하여 문서의 모양을 복원할 경우, 문서의 원 가로/세로 비율로 복원되지 않을 수 있다. 따라서, 프로세서(130)는 매핑 테이블을 이용하여 문서의 모양을 복원하기 이전에 문서의 원 가로/세로 비율을 추정하여 문서의 모양을 복원할 수 있다.
프로세서(130)는 문서 비율 추정 모듈(137)을 통해 문서의 원 가로/세로 비율을 추정할 수 있다. 특히, 프로세서(130)는 3차원 이미지(230)를 이용하여 매핑 테이블(250)에 매핑된 픽셀들의 3차원 위치 정보를 획득하고, 획득된 픽셀들의 3차원 위치 정보를 바탕으로 문서의 원 가로/세로 비율을 추정할 수 있다. 구체적으로, 프로세서(130)는 매핑 테이블(250)의 가로축에 포함된 포인트 각각에 매핑되는 3차원 이미지(230)의 픽셀의 3차원 좌표값과 이전 포인트에 매핑된 픽셀의 3차원 좌표값과의 차이를 더해 가로 길이를 추정할 수 있다. 또한, 프로세서(130)는 매핑 테이블의 세로축에 포함된 포인트 각각에 매핑되는 3차원 이미지의 픽셀의 3차원 좌표값과 이전 포인트에 매핑된 픽셀의 3차원 좌표값과의 차이를 더해 세로 길이를 추정할 수 있다.
더욱 구체적으로, 매핑 테이블(250)은 복수의 포인트(
Figure pat00001
,
Figure pat00002
), N : 매핑 테이블의 가로 길이, M : 매핑 테이블의 세로 길이)를 포함할 수 있다. 이때, 매핑 테이블(250)의 포인트는 도 3에 도시된 바와 같이, 3차원 이미지(230)의 픽셀 각각과 매핑될 수 있다.
이때, j행의 매핑 테이블(250)의 가로축에 포함된 포인트(
Figure pat00003
내지
Figure pat00004
) 각각에 매핑되는 3차원 이미지(230)의 픽셀의 3차원 좌표값과 이전 포인트에 매핑된 픽셀의 3차원 좌표값과의 차이를 더해 문서의 원 가로 길이가 추정될 수 있다. 즉, 아래의 수학식 1에 의해 문서 내 j행의 원 가로 길이(
Figure pat00005
)가 추정될 수 있다. 문서의 가로 길이는 계산된 전체 행의 가로 길이를 기반으로 한 값이 계산될 수 있으며, 계산된 전체 행의 가로 길이의 최저 값, 최대 값, 평균 값 등과 같은 대표값을 기반으로 계산될 수 있다.
Figure pat00006
또한, i 열의 매핑 테이블(250)의 세로축에 포함된 포인트(
Figure pat00007
내지
Figure pat00008
) 각각에 매핑되는 3차원 이미지(230)의 픽셀의 3차원 좌표값과 이전 포인트에 매핑된 픽셀의 3차원 좌표값과의 차이를 더해 문서의 원 세로 길이가 추정될 수 있다. 즉, 아래의 수학식 2에 의해 문서 내 i열의 원 세로 길이(
Figure pat00009
)가 추정될 수 있다. 문서의 세로 길이는 계산된 전체 열의 세로 길이를 기반으로 한 값이 계산될 수 있으며, 계산된 전체 열의 세로 길이의 최저 값, 최대 값, 평균 값 등과 같은 대표값을 기반으로 계산될 수 있다.
Figure pat00010
Figure pat00011
Figure pat00012
프로세서(130)는 문서 복원 모듈(139)을 통해 문서 비율 추정 모듈(137)을 이용하여 추정된 가로와 세로 비율을 바탕으로 문서를 복원할 수 있다.
구체적으로, 프로세서(130)는 문서 비율 추정 모듈(137)을 이용하여 추정된 가로와 세로 비율을 바탕으로 신경망 모델(135)을 이용하여 획득된 매핑 테이블(250)의 비율을 조정할 수 있다. 예로, 프로세서(130)는 도 4에 도시된 바와 같이, 가로 세로의 비율이 X:Y인 매핑 테이블(250)의 비율을 문서 비율 추정 모듈(137)을 이용하여 추정된 가로와 세로 비율인 X':Y'로 조정하여 비율이 조정된 매핑 테이블(410)을 획득할 수 있다.
그리고, 프로세서(130)는 조정된 매핑 테이블에 포함된 복수의 포인트 각각에 이미지에 포함된 문서의 픽셀값을 매핑시켜 문서(420)를 복원할 수 있다.
상술한 바와 같이, 문서의 원 모양을 추정하여 문서를 복원함으로써, 전자 장치(100)는 모양이 변형된 문서를 실제와 가깝게 더욱 정확한 비율로 복원할 수 있게 된다. 구체적으로, 도 5의 좌측에 표시된 바와 같이, 모양이 변형된 명함(510)을 복원할 때 기존 방법을 이용하면, 도 5의 중앙에 표시된 바와 같이, 가로/세로 비율이 원 가로/세로 비율이 아닌 바운딩 박스의 가로/세로 비율에 대응되도록 복원하기 때문에 실제가 아닌 왜곡된 모양으로 명함(520)이 복원될 수 있다. 그러나, 도 5의 좌측에 표시된 바와 같이, 모양이 변형된 명함(510)을 복원할 때 본 개시의 일 실시예에 따른 방법을 이용하면, 도 5의 우측에 표시된 바와 같이, 가로/세로 비율이 원 가로/세로 비율에 가까운 모양을 가지는 명함(530)으로 복원될 수 있다.
도 6은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
우선, 전자 장치(100)는 모양이 변형된 문서르 포함하는 이미지를 획득할 수 있다(S610). 이때, 전자 장치(100)는 카메라(110)를 통해 이미지를 획득할 수 있으나, 이는 일 실시예에 불과할 뿐, 외부로부터 이미지를 수신할 수 있다.
전자 장치(100)는 이미지에 대한 정보를 신경망 모델 중 제1 네트워크에 입력하여 모양이 변형된 문서의 뎁스 정보를 포함하는 3차원 이미지를 획득할 수 있다(S620). 이때, 3차원 이미지는 X,Y 좌표값 뿐만 아니라 뎁스 정보를 포함하는 3차원 좌표값을 포함할 수 있다. 또한, 제1 네트워크는 모양이 변형된 문서에 대한 학습 이미지 및 학습 이미지를 뎁스 카메라로 촬영하여 획득된 3차원 이미지 각각을 입력 데이터 및 출력 데이터로 이용하여 학습될 수 있다.
전자 장치(100)는 3차원 이미지를 신경망 모델 중 제2 네트워크에 입력하여 매핑 테이블을 획득할 수 있다(S630). 이때, 매핑 테이블은 이미지 내에 포함된 모양이 변형된 문서의 픽셀과 문서의 모양이 복원된 결과 이미지의 픽셀 간의 위치 연관성을 나타내는 테이블로서, 이미지의 비율 또는 이미지 중 모양이 변형된 문서를 포함하는 직사각형 형태의 바운딩 박스의 비율에 대응될 수 있다. 한편, 제2 네트워크는 뎁스 카메라로 촬영하여 획득된 3차원 이미지 및 학습 이미지에 대응되는 매핑 테이블 각각을 입력 데이터 및 출력 데이터로 이용하여 학습될 수 있다.
전자 장치(100)는 매핑 테이블에 매핑된 픽셀들의 3차원 위치 정보를 바탕으로 문서의 가로와 세로 비율을 추정할 수 있다(S640). 구체적으로, 전자 장치(100)는 매핑 테이블의 가로축에 포함된 포인트 각각에 매핑되는 3차원 이미지의 픽셀의 3차원 좌표값과 이전 포인트에 매핑된 픽셀의 3차원 좌표값과의 차이를 더해 가로 길이를 추정하고, 매핑 테이블의 세로축에 포함된 포인트 각각에 매핑되는 3차원 이미지의 픽셀의 3차원 좌표값과 이전 포인트에 매핑된 픽셀의 3차원 좌표값과의 차이를 더해 세로 길이를 추정할 수 있다.
전자 장치(100)는 추정된 가로와 세로 비율로 매핑 테이블의 비율을 조정할 수 있다(S650). 즉, 전자 장치(100)는 문서의 원 가로와 세로 비율에 가깝도록 매핑 테이블의 비율을 조정할 수 있다.
전자 장치(100)는 조정된 매핑 테이블을 바탕으로 문서를 복원할 수 있다(S660). 구체적으로, 전자 장치(100)는 조정된 매핑 테이블에 포함된 복수의 포인트 각각에 이미지에 포함된 문서의 픽셀을 매핑시켜 문서를 복원할 수 있다.
도 7은 본 개시의 일 실시예에 따른, 전자 장치의 하드웨어 구성을 보다 상세하게 나타내는 블록도이다. 도 7에 도시된 바와 같이, 본 개시에 따른 전자 장치(700)는 디스플레이(710), 스피커(720), 카메라(730), 메모리(740), 통신 인터페이스(750), 입력 인터페이스(760), 센서(770) 및 프로세서(780)를 포함할 수 있다. 그러나, 이와 같은 구성은 예시적인 것으로서, 본 개시를 실시함에 있어 이와 같은 구성에 더하여 새로운 구성이 추가되거나 일부 구성이 생략될 수 있음을 물론이다. 한편, 카메라(730), 메모리(740) 및 프로세서(780)는 도 1에서 설명한 카메라(110), 메모리(120) 및 프로세서(130)와 동일한 구성이므로, 중복되는 설명은 생략한다.
디스플레이(710)는 카메라(730)를 통해 촬영된 영상을 디스플레이할 수 있다. 또한, 디스플레이(710)는 촬된 영상 내에 모양이 변형된 문서를 둘러싸는 바운딩 박스를 디스플레이할 수 있다. 또한, 디스플레이(710)는 문서의 모양을 복원하기 위한 사용자 명령을 입력받기 위한 UI를 디스플레이할 수 있다.
한편, 디스플레이(710)는 LCD(Liquid Crystal Display Panel), OLED(Organic Light Emitting Diodes) 등으로 구현될 수 있으며, 또한 디스플레이(710)는 경우에 따라 플렉서블 디스플레이, 투명 디스플레이 등으로 구현되는 것도 가능하다. 다만, 본 개시에 따른 디스플레이(710)가 특정한 종류에 한정되는 것은 아니다.
스피커(720)는 음성 메시지를 출력할 수 있다. 특히, 스피커(720)는 전자 장치(700) 내부에 포함될 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(700)와 전기적으로 연결되어 외부에 위치할 수 있다. 이때, 스피커(720)는 촬영된 영상 내에 포함된 문서의 모양이 복원되었음을 안내하는 음성 메시지를 출력할 수 있다.
통신 인터페이스(750)는 회로를 포함하며, 외부 장치와의 통신을 수행할 수 있다. 구체적으로, 프로세서(780)는 통신 인터페이스(750)를 통해 연결된 외부 장치로부터 각종 데이터 또는 정보를 수신할 수 있으며, 외부 장치로 각종 데이터 또는 정보를 전송할 수도 있다.
통신 인터페이스(750)는 WiFi 모듈, Bluetooth 모듈, 무선 통신 모듈, 및 NFC 모듈 중 적어도 하나를 포함할 수 있다. 구체적으로, WiFi 모듈과 Bluetooth 모듈 각각은 WiFi 방식, Bluetooth 방식으로 통신을 수행할 수 있다. WiFi 모듈이나 Bluetooth 모듈을 이용하는 경우에는 SSID 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다.
또한, 무선 통신 모듈은 IEEE, Zigbee, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행할 수 있다. 그리고, NFC 모듈은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 통신을 수행할 수 있다.
특히, 본 개시에 따른 다양한 실시 예에 있어서, 통신 인터페이스(750)는 신경망 모델(135)에 관련된 데이터 등과 같은 다양한 종류의 정보를 외부 장치로부터 수신할 수 있다. 또한, 통신 인터페이스(750)는 외부 단말이나 서버로부터 모양이 변형된 문서를 포함하는 이미지를 수신할 수 있다.
입력 인터페이스(760)는 회로를 포함하며, 프로세서(780)는 입력 인터페이스(760)를 통해 전자 장치(700)의 동작을 제어하기 위한 사용자 명령을 수신할 수 있다. 구체적으로, 입력 인터페이스(760)는 터치 스크린으로서 디스플레이(710)에 포함된 형태로 구현될 수 있으나, 이는 일 실시예에 불과한 뿐, 버튼, 마이크 및 리모컨 신호 수신부(미도시) 등과 같은 구성으로 이루어 질 수 있다.
특히, 본 개시에 따른 다양한 실시 예에 있어서, 입력 인터페이스(760)는 카메라 어플리케이션을 실행하기 위한 사용자 명령, 영상을 촬영하기 위한 사용자 명령, UI를 통해 문서의 모양을 복원하기 위한 사용자 명령 등과 같은 다양한 사용자 명령을 입력받을 수 있다.
센서(770)는 전자 장치(700)와 관련된 다양한 정보를 획득할 수 있다. 특히, 센서(770)는 전자 장치(700)의 위치 정보를 획득할 수 있는 GPS를 포함할 수 있으며, 전자 장치(700)를 사용하는 사용자의 생체 정보를 획득하기 위한 생체 센서(예로, 심박수 센서, PPG 센서 등), 전자 장치(700)의 움직임을 감지하기 위한 움직임 센서 등과 같은 다양한 센서를 포함할 수 있다.
한편, 이상에서 상술한 바와 같은 신경망 모델에 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.
신경망 모델(또는 인공 지능 모델)은, 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.
100: 전자 장치 110: 카메라
120: 메모리 130: 프로세서

Claims (12)

  1. 전자 장치의 제어 방법에 있어서,
    모양이 변형된 문서를 포함하는 이미지를 획득하는 단계;
    상기 획득된 이미지를 학습된 신경망 모델에 입력하여 상기 이미지 내에 포함된 모양이 변형된 문서의 픽셀과 상기 문서의 모양이 복원된 결과 이미지의 픽셀 간의 위치 연관성을 나타내는 매핑 테이블을 획득하는 단계;
    상기 매핑 테이블에 매핑된 픽셀들의 위치 정보를 바탕으로 상기 문서의 가로와 세로 비율을 추정하는 단계;
    상기 추정된 가로와 세로 비율로 상기 매핑 테이블의 비율을 조정하는 단계; 및
    상기 조정된 매핑 테이블을 바탕으로 문서를 복원하는 단계;를 포함하는 제어 방법.
  2. 제1항에 있어서,
    상기 매핑 테이블을 획득하는 단계는,
    상기 이미지에 대한 정보를 상기 신경망 모델 중 제1 네트워크에 입력하여 상기 모양이 변형된 문서의 뎁스 정보를 포함하는 3차원 이미지를 획득하고,
    상기 3차원 이미지를 상기 신경망 모델 중 제2 네트워크에 입력하여 상기 매핑 테이블을 획득하는 제어 방법.
  3. 제2항에 있어서,
    상기 추정하는 단계는,
    상기 매핑 테이블의 가로축에 포함된 포인트 각각에 매핑되는 상기 3차원 이미지의 픽셀의 3차원 좌표값과 이전 포인트에 매핑된 픽셀의 3차원 좌표값과의 차이를 더해 상기 가로 길이를 추정하고,
    상기 매핑 테이블의 세로축에 포함된 포인트 각각에 매핑되는 상기 3차원 이미지의 픽셀의 3차원 좌표값과 이전 포인트에 매핑된 픽셀의 3차원 좌표값과의 차이를 더해 상기 세로 길이를 추정하는 제어 방법.
  4. 제2항에 있어서,
    상기 제1 네트워크는,
    모양이 변형된 문서에 대한 학습 이미지 및 상기 학습 이미지를 뎁스 카메라로 촬영하여 획득된 3차원 이미지 각각을 입력 데이터 및 출력 데이터로 이용하여 학습되며,
    상기 제2 네트워크는,
    상기 뎁스 카메라로 촬영하여 획득된 3차원 이미지 및 상기 학습 이미지에 대응되는 매핑 테이블 각각을 입력 데이터 및 출력 데이터로 이용하여 학습되는 제어 방법.
  5. 제1항에 있어서,
    상기 매핑 테이블의 비율은 상기 이미지의 비율 또는 상기 이미지 중 모양이 변형된 문서를 포함하는 직사각형 형태의 바운딩 박스의 비율에 대응되는 제어 방법.
  6. 제1항에 있어서,
    상기 복원하는 단계는,
    상기 조정된 매핑 테이블에 포함된 복수의 포인트 각각에 상기 이미지에 포함된 문서의 픽셀을 매핑시켜 상기 문서를 복원하는 제어 방법.
  7. 전자 장치에 있어서,
    카메라;
    적어도 하나의 인스트럭션을 포함하는 메모리; 및
    프로세서;를 포함하며,
    상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행하여,
    상기 카메라를 통해 모양이 변형된 문서를 포함하는 이미지를 획득하고,
    상기 획득된 이미지를 학습된 신경망 모델에 입력하여 상기 이미지 내에 포함된 모양이 변형된 문서의 픽셀과 상기 문서의 모양이 복원된 결과 이미지의 픽셀 간의 위치 연관성을 나타내는 매핑 테이블을 획득하며,
    상기 매핑 테이블에 매핑된 픽셀들의 위치 정보를 바탕으로 상기 문서의 가로와 세로 비율을 추정하여 상기 추정된 가로와 세로 비율로 상기 매핑 테이블의 비율을 조정하며,
    상기 조정된 매핑 테이블을 바탕으로 문서를 복원하는 전자 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    상기 이미지에 대한 정보를 상기 신경망 모델 중 제1 네트워크에 입력하여 상기 모양이 변형된 문서의 뎁스 정보를 포함하는 3차원 이미지를 획득하고,
    상기 3차원 이미지를 상기 신경망 모델 중 제2 네트워크에 입력하여 상기 매핑 테이블을 획득하는 전자 장치.
  9. 제8항에 있어서,
    상기 프로세서는,
    상기 매핑 테이블의 가로축에 포함된 포인트 각각에 매핑되는 상기 3차원 이미지의 픽셀의 3차원 좌표값과 이전 포인트에 매핑된 픽셀의 3차원 좌표값과의 차이를 더해 상기 가로 길이를 추정하고,
    상기 매핑 테이블의 세로축에 포함된 포인트 각각에 매핑되는 상기 3차원 이미지의 픽셀의 3차원 좌표값과 이전 포인트에 매핑된 픽셀의 3차원 좌표값과의 차이를 더해 상기 세로 길이를 추정하는 전자 장치.
  10. 제8항에 있어서,
    상기 제1 네트워크는,
    모양이 변형된 문서에 대한 학습 이미지 및 상기 학습 이미지를 뎁스 카메라로 촬영하여 획득된 3차원 이미지 각각을 입력 데이터 및 출력 데이터로 이용하여 학습되며,
    상기 제2 네트워크는,
    상기 뎁스 카메라로 촬영하여 획득된 3차원 이미지 및 상기 학습 이미지에 대응되는 매핑 테이블 각각을 입력 데이터 및 출력 데이터로 이용하여 학습되는 전자 장치.
  11. 제7항에 있어서,
    상기 매핑 테이블의 비율은 상기 이미지의 비율 또는 상기 이미지 중 모양이 변형된 문서를 포함하는 직사각형 형태의 바운딩 박스의 비율에 대응되는 전자 장치.
  12. 제7항에 있어서,
    상기 프로세서는,
    상기 조정된 매핑 테이블에 포함된 복수의 포인트 각각에 상기 이미지에 포함된 문서의 픽셀을 매핑시켜 상기 문서를 복원하는 전자 장치.
KR1020200167421A 2020-12-03 2020-12-03 전자 장치 및 이의 제어 방법 KR20220078176A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200167421A KR20220078176A (ko) 2020-12-03 2020-12-03 전자 장치 및 이의 제어 방법
PCT/KR2021/015233 WO2022119128A1 (ko) 2020-12-03 2021-10-27 전자 장치 및 이의 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200167421A KR20220078176A (ko) 2020-12-03 2020-12-03 전자 장치 및 이의 제어 방법

Publications (1)

Publication Number Publication Date
KR20220078176A true KR20220078176A (ko) 2022-06-10

Family

ID=81853179

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200167421A KR20220078176A (ko) 2020-12-03 2020-12-03 전자 장치 및 이의 제어 방법

Country Status (2)

Country Link
KR (1) KR20220078176A (ko)
WO (1) WO2022119128A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7330604B2 (en) * 2006-03-02 2008-02-12 Compulink Management Center, Inc. Model-based dewarping method and apparatus
KR100926281B1 (ko) * 2008-04-22 2009-11-12 배종우 3차원 이미지 생성 및 디스플레이 방법과 그 장치
KR102082301B1 (ko) * 2013-09-30 2020-02-27 삼성전자주식회사 카메라로 촬영한 문서 영상을 스캔 문서 영상으로 변환하기 위한 방법, 장치 및 컴퓨터 판독 가능한 기록 매체
KR102192899B1 (ko) * 2018-08-16 2020-12-18 주식회사 날비컴퍼니 이미지에 보케 효과를 적용하는 방법 및 기록매체
KR102161488B1 (ko) * 2020-05-04 2020-10-05 김명전 3차원 제품 디스플레이 장치 및 방법

Also Published As

Publication number Publication date
WO2022119128A1 (ko) 2022-06-09

Similar Documents

Publication Publication Date Title
US11170210B2 (en) Gesture identification, control, and neural network training methods and apparatuses, and electronic devices
WO2020216054A1 (zh) 视线追踪模型训练的方法、视线追踪的方法及装置
US10992839B2 (en) Electronic device and method for controlling the electronic device
WO2017152794A1 (en) Method and device for target tracking
US20230022753A1 (en) System and method for motion warping using multi-exposure frames
KR20190089091A (ko) 자동화된 3차원 모델 생성
CN111771226A (zh) 电子设备、其图像处理方法及计算机可读记录介质
US11526970B2 (en) System and method for video processing with enhanced temporal consistency
CN108989678B (zh) 一种图像处理方法、移动终端
CN115702572A (zh) 电子设备和电子设备的控制方法
WO2018139461A1 (ja) 移動物体検出装置、移動物体検出方法及び記憶媒体
US11977981B2 (en) Device for automatically capturing photo or video about specific moment, and operation method thereof
US20210281744A1 (en) Action recognition method and device for target object, and electronic apparatus
KR102586014B1 (ko) 전자 장치 및 전자 장치의 제어 방법
US20190065892A1 (en) Gpu optimized and online single gaussian based skin likelihood estimation
CN112889068A (zh) 用于图像处理的神经网络对象识别的方法和系统
KR20230069892A (ko) 이상 온도를 나타내는 객체를 식별하는 방법 및 장치
CN110766610B (zh) 一种超分辨率图像的重建方法及电子设备
US20210232863A1 (en) Electronic device and controlling method of electronic device
US10997947B2 (en) Electronic device and control method thereof
KR20220078176A (ko) 전자 장치 및 이의 제어 방법
CN117795550A (zh) 用于在训练图像生成对抗网络中使用的图像质量敏感语义分割
US20220335250A1 (en) Methods and apparatuses for fine-grained style-based generative neural networks
KR20220003946A (ko) 전자 장치 및 전자 장치의 제어 방법
CN113994652A (zh) 电子设备及其控制方法