KR20220101998A - 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법 - Google Patents
자동 초점 조절이 가능한 전자 장치 및 그 동작 방법 Download PDFInfo
- Publication number
- KR20220101998A KR20220101998A KR1020210004162A KR20210004162A KR20220101998A KR 20220101998 A KR20220101998 A KR 20220101998A KR 1020210004162 A KR1020210004162 A KR 1020210004162A KR 20210004162 A KR20210004162 A KR 20210004162A KR 20220101998 A KR20220101998 A KR 20220101998A
- Authority
- KR
- South Korea
- Prior art keywords
- image frame
- processor
- focus
- camera module
- detection information
- Prior art date
Links
- 238000011017 operating method Methods 0.000 title 1
- 230000006870 function Effects 0.000 claims abstract description 121
- 238000013135 deep learning Methods 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims description 158
- 238000000034 method Methods 0.000 claims description 44
- 230000004044 response Effects 0.000 claims description 44
- 238000004891 communication Methods 0.000 description 47
- 230000008859 change Effects 0.000 description 16
- 230000033001 locomotion Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000003381 stabilizer Substances 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
- H04N23/681—Motion detection
- H04N23/6812—Motion detection based on additional sensors, e.g. acceleration sensors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
-
- H04N5/23212—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/57—Mechanical or electrical details of cameras or camera modules specially adapted for being embedded in other devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised objects
- H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
- H04N23/673—Focus control based on electronic image sensor signals based on contrast or high frequency components of image signals, e.g. hill climbing method
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
- H04N23/682—Vibration or motion blur correction
- H04N23/685—Vibration or motion blur correction performed by mechanical compensation
- H04N23/687—Vibration or motion blur correction performed by mechanical compensation by shifting the lens or sensor position
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/73—Circuitry for compensating brightness variation in the scene by influencing the exposure time
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- H04N5/2257—
-
- H04N5/23229—
Abstract
본 문서의 일 실시 예에 따른 전자 장치는, AF 기능을 지원하는 카메라 모듈, 및 상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하고, 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고, 상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
Description
본 개시의 다양한 실시 예들은 자동 초점 조절 기능을 제공하기 위한 전자 장치에 관한 것이다.
최근 모바일 디바이스의 기능이 다양화되면서 모바일 디바이스를 이용한 이미지 촬영 기능의 향상에 대한 요구도 늘어나고 있다. 이에 따라 이미지 촬영 시 초점을 조절하기 위한 AF(auto focus) 기능이 발전하고 있다.
AF 기능을 구동하기 위한 방법은 콘트라스트 AF(contrast AF)와 위상차 AF(phase AF)를 포함한다. 콘트라스트 AF는 렌즈를 이동시키면서 이미지 프레임들을 획득하고, 획득된 이미지 프레임의 선명도가 가장 높아지는 렌즈의 위치를 찾는 방법이다. 위상차 AF는 카메라에 입사되는 빛을 분리하여 획득한 2장의 이미지 프레임을 기반으로 렌즈의 위치를 찾는 방법이다.
종래의 AF 기능에 따르면, 전자 장치는 초점 위치를 변경할 필요가 없는 경우에도 AF 동작을 수행하는 문제가 있다. 예를 들면, 종래의 전자 장치는 주변 환경의 조도가 변화하였으나 피사체의 위치 변화는 없을 때에도 초점을 조절하기 위해 렌즈를 이동시키는 경우가 있다. 전자 장치가 필요 이상의 AF 동작을 수행하는 경우, 디스플레이에 표시되는 프리뷰 이미지의 시야(field of view)가 울렁거리는 현상(예: 워블링(wobbling))이 발생하게 된다. 다른 예를 들면, 종래의 전자 장치는 하늘과 같이 텍스쳐 정보가 적은 피사체를 촬영하는 경우, 신뢰도가 낮은 콘트라스트 데이터(또는 위상차 데이터)를 기반으로 AF 동작을 수행하게 된다. 전자 장치가 신뢰도가 낮은 데이터에 따라 과도하게 AF 동작을 수행하는 경우, 워블링 현상이 심해지게 된다.
본 문서의 일 실시 예에 따른 전자 장치(electronic device)는, AF 기능을 지원하는 카메라 모듈, 및 상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝(deep learning)을 수행하고, 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고, 상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법은, 상기 전자 장치에 포함된 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하는 동작, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하는 동작, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하는 동작, 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작, 및 상기 판단 결과에 따라 상기 카메라 모듈의 AF 기능을 제어하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치는, AF 기능을 지원하는 카메라 모듈, 및 상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는, 상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하고, 상기 딥 러닝을 통한 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 획득하고, 상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하고, 상기 딥 러닝을 통해 획득된 정보 및 상기 차이 값에 기반하여 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고, 상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서에 개시되는 다양한 실시 예에 따르면, 전자 장치는 초점 위치를 변경할 필요가 있는 경우에만 AF 동작을 수행하므로 프리뷰 이미지가 울렁거리는 현상을 감소시킬 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있다.
도 1은 다양한 실시 예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시 예들에 따른 카메라 모듈을 예시하는 블록도이다.
도 3은 일 실시 예에 따라 AF 기능을 수행하기 위한 전자 장치의 하드웨어 구성을 나타내는 블록도이다.
도 4는 일 실시 예에 따라 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 5는 일 실시 예에 따라 적어도 딥 러닝의 결과를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 6a는 일 실시 예에 따라 신체 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 6b는 일 실시 예에 따라 역광 환경에서 획득된 이미지에 대한 관심 영역의 예를 도시한다.
도 6c는 일 실시 예에 따라 얼굴 크기가 지정된 크기보다 작은 이미지에 대한 관심 영역의 예를 도시한다.
도 7은 일 실시 예에 따라 깊이 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 8a는 일 실시 예에 따라 하늘 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 8b는 하늘 이미지의 예를 도시한다.
도 9a는 일 실시 예에 따라 픽셀 데이터의 차이 값을 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 9b는 일 실시 예에 따른 제1 이미지 프레임, 제2 이미지 프레임, 및 픽셀 데이터의 차이 값의 예를 도시한다.
도 10a는 일 실시 예에 따라 모아레 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 10b는 모아레 이미지의 예를 도시한다.
도 2는 다양한 실시 예들에 따른 카메라 모듈을 예시하는 블록도이다.
도 3은 일 실시 예에 따라 AF 기능을 수행하기 위한 전자 장치의 하드웨어 구성을 나타내는 블록도이다.
도 4는 일 실시 예에 따라 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 5는 일 실시 예에 따라 적어도 딥 러닝의 결과를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 6a는 일 실시 예에 따라 신체 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 6b는 일 실시 예에 따라 역광 환경에서 획득된 이미지에 대한 관심 영역의 예를 도시한다.
도 6c는 일 실시 예에 따라 얼굴 크기가 지정된 크기보다 작은 이미지에 대한 관심 영역의 예를 도시한다.
도 7은 일 실시 예에 따라 깊이 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 8a는 일 실시 예에 따라 하늘 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 8b는 하늘 이미지의 예를 도시한다.
도 9a는 일 실시 예에 따라 픽셀 데이터의 차이 값을 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 9b는 일 실시 예에 따른 제1 이미지 프레임, 제2 이미지 프레임, 및 픽셀 데이터의 차이 값의 예를 도시한다.
도 10a는 일 실시 예에 따라 모아레 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 10b는 모아레 이미지의 예를 도시한다.
도 1은, 다양한 실시 예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시 예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시 예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일 실시 예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시 예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시 예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시 예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시 예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시 예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시 예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시 예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시 예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시 예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시 예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시 예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시 예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시 예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시 예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시 예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시 예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시 예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시 예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시 예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시 예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
본 문서에 개시된 다양한 실시 예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시 예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시 예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
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 스토어™)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 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.
다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 2는, 다양한 실시 예들에 따른, 카메라 모듈(180)을 예시하는 블록도(200)이다. 도 2를 참조하면, 카메라 모듈(180)은 렌즈 어셈블리(210), 플래쉬(220), 이미지 센서(230), 이미지 스태빌라이저(240), 메모리(250)(예: 버퍼 메모리), 또는 이미지 시그널 프로세서(260)를 포함할 수 있다. 렌즈 어셈블리(210)는 이미지 촬영의 대상인 피사체로부터 방출되는 빛을 수집할 수 있다. 렌즈 어셈블리(210)는 하나 또는 그 이상의 렌즈들을 포함할 수 있다. 일 실시 예에 따르면, 카메라 모듈(180)은 복수의 렌즈 어셈블리(210)들을 포함할 수 있다. 이런 경우, 카메라 모듈(180)은, 예를 들면, 듀얼 카메라, 360도 카메라, 또는 구형 카메라(spherical camera)를 형성할 수 있다. 복수의 렌즈 어셈블리(210)들 중 일부는 동일한 렌즈 속성(예: 화각, 초점 거리, 자동 초점, f 넘버(f number), 또는 광학 줌)을 갖거나, 또는 적어도 하나의 렌즈 어셈블리는 다른 렌즈 어셈블리의 렌즈 속성들과 다른 하나 이상의 렌즈 속성들을 가질 수 있다. 렌즈 어셈블리(210)는, 예를 들면, 광각 렌즈 또는 망원 렌즈를 포함할 수 있다.
플래쉬(220)는 피사체로부터 방출 또는 반사되는 빛을 강화하기 위하여 사용되는 빛을 방출할 수 있다. 일 실시 예에 따르면, 플래쉬(220)는 하나 이상의 발광 다이오드들(예: RGB(red-green-blue) LED, white LED, infrared LED, 또는 ultraviolet LED), 또는 xenon lamp를 포함할 수 있다. 이미지 센서(230)는 피사체로부터 방출 또는 반사되어 렌즈 어셈블리(210)를 통해 전달된 빛을 전기적인 신호로 변환함으로써, 상기 피사체에 대응하는 이미지를 획득할 수 있다. 일 실시 예에 따르면, 이미지 센서(230)는, 예를 들면, RGB 센서, BW(black and white) 센서, IR 센서, 또는 UV 센서와 같이 속성이 다른 이미지 센서들 중 선택된 하나의 이미지 센서, 동일한 속성을 갖는 복수의 이미지 센서들, 또는 다른 속성을 갖는 복수의 이미지 센서들을 포함할 수 있다. 이미지 센서(230)에 포함된 각각의 이미지 센서는, 예를 들면, CCD(charged coupled device) 센서 또는 CMOS(complementary metal oxide semiconductor) 센서를 이용하여 구현될 수 있다.
이미지 스태빌라이저(240)는 카메라 모듈(180) 또는 이를 포함하는 전자 장치(101)의 움직임에 반응하여, 렌즈 어셈블리(210)에 포함된 적어도 하나의 렌즈 또는 이미지 센서(230)를 특정한 방향으로 움직이거나 이미지 센서(230)의 동작 특성을 제어(예: 리드 아웃(read-out) 타이밍을 조정 등)할 수 있다. 이는 촬영되는 이미지에 대한 상기 움직임에 의한 부정적인 영향의 적어도 일부를 보상하게 해 준다. 일 실시 예에 따르면, 이미지 스태빌라이저(240)는, 일 실시 예에 따르면, 이미지 스태빌라이저(240)은 카메라 모듈(180)의 내부 또는 외부에 배치된 자이로 센서(미도시) 또는 가속도 센서(미도시)를 이용하여 카메라 모듈(180) 또는 전자 장치(101)의 그런 움직임을 감지할 수 있다. 일 실시 예에 따르면, 이미지 스태빌라이저(240)는, 예를 들면, 광학식 이미지 스태빌라이저로 구현될 수 있다. 메모리(250)는 이미지 센서(230)을 통하여 획득된 이미지의 적어도 일부를 다음 이미지 처리 작업을 위하여 적어도 일시 저장할 수 있다. 예를 들어, 셔터에 따른 이미지 획득이 지연되거나, 또는 복수의 이미지들이 고속으로 획득되는 경우, 획득된 원본 이미지(예: Bayer-patterned 이미지 또는 높은 해상도의 이미지)는 메모리(250)에 저장이 되고, 그에 대응하는 사본 이미지(예: 낮은 해상도의 이미지)는 디스플레이 모듈(160)을 통하여 프리뷰될 수 있다. 이후, 지정된 조건이 만족되면(예: 사용자 입력 또는 시스템 명령) 메모리(250)에 저장되었던 원본 이미지의 적어도 일부가, 예를 들면, 이미지 시그널 프로세서(260)에 의해 획득되어 처리될 수 있다. 일 실시 예에 따르면, 메모리(250)는 메모리(130)의 적어도 일부로, 또는 이와는 독립적으로 운영되는 별도의 메모리로 구성될 수 있다.
이미지 시그널 프로세서(260)는 이미지 센서(230)을 통하여 획득된 이미지 또는 메모리(250)에 저장된 이미지에 대하여 하나 이상의 이미지 처리들을 수행할 수 있다. 상기 하나 이상의 이미지 처리들은, 예를 들면, 깊이 지도(depth map) 생성, 3차원 모델링, 파노라마 생성, 특징점 추출, 이미지 합성, 또는 이미지 보상(예: 노이즈 감소, 해상도 조정, 밝기 조정, 블러링(blurring), 샤프닝(sharpening), 또는 소프트닝(softening)을 포함할 수 있다. 추가적으로 또는 대체적으로, 이미지 시그널 프로세서(260)는 카메라 모듈(180)에 포함된 구성 요소들 중 적어도 하나(예: 이미지 센서(230))에 대한 제어(예: 노출 시간 제어, 또는 리드 아웃 타이밍 제어 등)를 수행할 수 있다. 이미지 시그널 프로세서(260)에 의해 처리된 이미지는 추가 처리를 위하여 메모리(250)에 다시 저장되거나 카메라 모듈(180)의 외부 구성 요소(예: 메모리(130), 디스플레이 모듈(160), 전자 장치(102), 전자 장치(104), 또는 서버(108))로 제공될 수 있다. 일 실시 예에 따르면, 이미지 시그널 프로세서(260)는 프로세서(120)의 적어도 일부로 구성되거나, 프로세서(120)와 독립적으로 운영되는 별도의 프로세서로 구성될 수 있다. 이미지 시그널 프로세서(260)이 프로세서(120)과 별도의 프로세서로 구성된 경우, 이미지 시그널 프로세서(260)에 의해 처리된 적어도 하나의 이미지는 프로세서(120)에 의하여 그대로 또는 추가의 이미지 처리를 거친 후 디스플레이 모듈(160)를 통해 표시될 수 있다.
일 실시 예에 따르면, 전자 장치(101)는 각각 다른 속성 또는 기능을 가진 복수의 카메라 모듈(180)들을 포함할 수 있다. 이런 경우, 예를 들면, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 광각 카메라이고, 적어도 다른 하나는 망원 카메라일 수 있다. 유사하게, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 전면 카메라이고, 적어도 다른 하나는 후면 카메라일 수 있다.
도 3은 일 실시 예에 따라 AF 기능을 수행하기 위한 전자 장치(300)의 하드웨어 구성을 나타내는 블록도이다.
일 실시 예에 따르면, 도 3은 전자 장치(300)에 포함되는 간략한 구성들을 도시한다. 전자 장치(300)는 도 1에서 설명된 전자 장치(101)와 동일 또는 유사한 구성들을 포함할 수 있다.
도 3을 참조하면, 전자 장치(300)는 카메라 모듈(310) 및 프로세서(320)를 포함할 수 있다. 일 실시 예에 따르면, 카메라 모듈(310)은 도 1 및 도 2의 카메라 모듈(180)에 대응될 수 있다. 일 실시 예에 따르면, 프로세서(320)는 도 1에서 도시된 프로세서(120), 또는 도 2에서 도시된 이미지 시그널 프로세서(260) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 제어하여 이미지 프레임을 획득할 수 있다. 일 실시 예에 따르면, 카메라 모듈(310)은 제1 이미지 프레임을 획득하고, 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득할 수 있다. 일 실시 예에서, 제1 이미지 프레임에 후속하는 제2 이미지 프레임이란, 제1 이미지 프레임에 연달아 획득된 제2 이미지 프레임을 의미할 수 있다. 예를 들어, 제1 이미지 프레임이 N번째 프레임이라면, 제2 이미지 프레임은 N+1번째 프레임을 의미할 수 있다. 다른 실시 예에서, 제1 이미지 프레임에 후속하는 제2 이미지 프레임이란, 제1 이미지 프레임이 획득된 이후에 획득되는 복수의 이미지 프레임들 중 적어도 하나의 이미지 프레임을 의미할 수도 있다. 예를 들어 제1 이미지 프레임이 제1 시점에 획득된 이미지 프레임인 경우, 제2 이미지 프레임은 제1 시점으로부터 소정 시간(예: 1초) 이내에 획득되는 복수 개의 이미지 프레임들 중 어느 하나의 이미지 프레임에 해당할 수 있다.
일 실시 예에 따르면, 카메라 모듈(310)은 AF 기능을 지원할 수 있다. 예를 들면, 카메라 모듈(310)은 콘트라스트 AF 방법을 지원하거나 위상차 AF 기능을 지원할 수 있다. 다른 예를 들면, 카메라 모듈(310)은 콘트라스트 AF와 위상차 AF를 결합한 하이브리드 AF(hybrid AF) 방법을 지원할 수도 있다. 일 실시 예에 따르면, 카메라 모듈(310)은 프로세서(320)의 제어에 의해 AF 기능을 수행하는 동안 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득할 수 있다. 예를 들면, 상기 제1 위치는 전자 장치(300)로부터 제1 이미지 프레임에 포함된 피사체의 상대적 위치(예: 거리)를 의미할 수 있다. 일 실시 예에 따르면, 카메라 모듈(310)은 제1 이미지 프레임을 프로세서(320)에 제공할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 적어도 하나의 프로세서를 포함하는 것으로 이해될 수 있다. 예를 들어, 프로세서(320)는 AP(application processor), 이미지 시그널 프로세서(260), CP(communication processor) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)로부터 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)로부터 획득한 이미지 프레임들에 대해 딥 러닝(deep learning)을 수행할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 통해 상기 이미지 프레임이 지정된 장면(scene)에 해당하는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 상기 딥 러닝의 결과를 기반으로 제2 이미지 프레임의 초점을 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 상기 판단 결과에 따라 카메라 모듈(310)의 AF 기능을 제어할 수 있다.
도 4는 일 실시 예에 따라 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다.
일 실시 예에 따르면, 동작 401에서, 프로세서(320)는 카메라 모듈(310)로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득할 수 있다. 예를 들어, 프로세서(320)는 카메라 모듈(310)의 촬영 기능을 지원하는 애플리케이션을 실행하고, 촬영 기능이 활성화되면 제1 위치에 자동으로 초점을 설정할 수 있다. 다른 예시에서, 프로세서(320)는 카메라 모듈(310)에 의해 획득되는 실시간 이미지를 프리뷰로서 전자 장치(300)의 디스플레이에 표시하고, 프리뷰에 대한 사용자 입력에 응답하여 상기 제1 위치에 초점을 설정할 수 있다.
일 실시 예에 따르면, 카메라 모듈(310)은 AF 기능을 통해 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득할 수 있다. 카메라 모듈(310)은 제1 이미지 프레임을 프로세서(320)에 제공할 수 있다.
일 실시 예에 따르면, 동작 403에서, 프로세서(320)는 카메라 모듈(310)로부터 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득할 수 있다. 예를 들어, 제1 위치에 초점에 설정된 제1 이미지 프레임을 획득하는 동안(또는 획득 이후에) 조명의 ON/OFF와 같은 조도의 변화가 발생하거나, 실내-실외의 장소 이동이 발생하거나, 전자 장치(300)의 카메라가 향하는 방향이 변경되는 이벤트가 발생할 수 있다. 이벤트의 발생 시점을 기준으로, 상기 이벤트의 발생 전에 제1 이미지 프레임이, 발생 후에 제2 이미지 프레임이 획득될 수 있다. 다른 예를 들어, 제1 이미지 프레임과 제2 이미지 프레임의 획득 사이에는 유의미한 환경 변화가 발생하지 않을 수 있다.
일 실시 예에 따르면, 제1 이미지 프레임에 후속하는 제2 이미지 프레임은 제1 위치에 초점이 설정된 이후 획득된 복수의 이미지 프레임들 중 적어도 하나의 이미지 프레임을 의미하는 것으로 이해될 수 있다.
일 실시 예에 따르면, 동작 405에서, 프로세서(320)는 제1 이미지 프레임 및 제2 이미지 프레임에 대한 딥 러닝을 수행할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 통해 이미지 프레임에서 검출되는 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 획득할 수 있다.
일 실시 예에 따르면, 동작 407에서, 프로세서(320)는 딥 러닝의 결과를 기반으로 제2 이미지 프레임의 초점을 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 초점을 제1 위치와 다른 위치로 변경할 필요가 있는지 판단할 수 있다. 예를 들면, 제1 이미지 프레임의 밝기와 비교할 때 제2 이미지 프레임의 밝기가 변화하였으나 제1 이미지 프레임에 포함된 피사체의 위치와 제2 이미지 프레임에 포함된 피사체의 위치는 변화하지 않은 경우, 프로세서(320)는 제2 이미지 프레임의 초점을 변경할 필요가 없다고 판단할 수 있다. 다른 예를 들면, 제1 이미지 프레임에 포함된 피사체와 비교할 때 제2 이미지 프레임에 포함된 피사체의 위치(예: 피사체와 전자 장치(300)의 거리)가 변경된 경우, 프로세서(320)는 제2 이미지 프레임의 초점을 변경할 필요가 있다고 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝의 결과를 기반으로 상기 제2 위치를 결정할 수 있다. 예를 들면, 프로세서(320)는 딥 러닝의 결과에 따라 제2 이미지 프레임이 하늘에 대한 이미지라고 판단한 경우, 무한대의 위치로 초점을 결정할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 딥 러닝의 결과에 따라 결정된 제2 위치를 기반으로 제2 이미지 프레임의 초점을 제2 위치에 설정할 필요가 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터를 서로 비교할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 상기 딥 러닝의 결과와 함께 두 픽셀 데이터의 차이 값을 기반으로 제2 이미지 프레임의 초점을 제2 위치에 설정할 필요가 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝의 결과와 함께 콘트라스트 데이터(contrast data), 위상차 데이터(phase data), 전자 장치(300) 주변의 조도 데이터, 또는 자이로 센서(gyro sensor)를 통해 획득한 모션 데이터 중 적어도 하나의 데이터를 기반으로 제2 이미지 프레임의 초점을 변경할 필요가 있는지 여부를 판단할 수도 있다.
일 실시 예에 따르면, 동작 409에서, 프로세서(320)는 판단 결과에 따라 카메라 모듈의 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 초점을 제2 위치에 설정할 필요가 없다고 판단한 것에 응답하여 상기 제1 위치에 초점을 유지할 수 있다. 프로세서(320)는 카메라 모듈(310)로부터 제2 이미지 프레임에 후속하고 제1 위치에 초점이 설정된 제3 이미지 프레임을 획득할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 초점을 제2 위치에 설정할 필요가 있다고 판단한 것에 응답하여, 상기 제2 위치에 초점을 설정할 수 있다. 프로세서(320)는 카메라 모듈(310)로부터 제2 이미지 프레임에 후속하고 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 위치에 초점을 설정하기 위해, 카메라 모듈(310)에 포함된 렌즈(예: 도 2의 렌즈 어셈블리(210)에 포함되는 적어도 하나의 렌즈)가 특정 지점으로 이동하도록 카메라 모듈(310)을 제어할 수 있다. 예를 들면, 프로세서(320)는 카메라 모듈(310)에 포함된 홀 센서를 통해 현재 렌즈가 위치한 지점(예: 제1 지점)을 감지할 수 있다. 프로세서(320)는 현재 렌즈가 위치한 지점(예: 제1 지점)과 렌즈를 이동시킬 지점(예: 제2 지점)을 비교할 수 있다. 프로세서(320)는 상기 제1 지점과 상기 제2 지점 사이에 차이가 있는 경우, 카메라 모듈(310)에 포함된 렌즈 액추에이터를 통해 렌즈를 제2 지점으로 이동시킬 수 있다. 프로세서(320)는 상기 제1 지점과 상기 제2 지점이 일치할 때까지 상기 동작을 반복할 수 있다. 프로세서(320)는 제1 지점과 제2 지점이 일치하는 경우 AF 동작이 완료된 것으로 판단할 수 있다. 프로세서(320)는 AF 동작이 완료된 이후, 제2 지점에 위치하는 렌즈를 통해 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득할 수 있다.
도 5는 일 실시 예에 따라 적어도 딥 러닝의 결과를 기반으로 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다.
일 실시 예에 따르면, 동작 501에서, 프로세서(320)는 딥 러닝을 통해 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 획득할 수 있다. 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터를 비교하여 픽셀 데이터의 차이 값을 획득할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 통해 제1 이미지 프레임 및 제2 이미지 프레임에서 신체, 깊이, 하늘, 또는 모아레 중 적어도 하나를 검출할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 수행하기 위해 이미지 분할(image segmentation) 정보를 이용할 수 있다. 예를 들면, 상기 이미지 분할 정보는 제2 이미지 프레임 내에서 인물에 대응하는 영역의 위치에 대한 정보를 포함할 수 있다. 다른 예를 들면, 상기 이미지 분할 정보는 제2 이미지 프레임 내에서 상기 가장 가까운 피사체에 대응하는 영역의 위치에 대한 정보를 포함할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 데이터와 제2 이미지 데이터 사이의 픽셀 데이터 차이 값을 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터를 차분하고, 상기 차분한 값의 절대값을 기반으로 픽셀 데이터의 차이 값을 획득할 수 있다. 예를 들면, 프로세서(320)는 제1 이미지 프레임의 로우 데이터(raw data)와 제2 이미지 프레임의 로우 데이터를 기반으로 상기 차이 값을 획득할 수 있다.
일 실시 예에 따르면, 동작 503에서, 프로세서(320)는 신체 검출 정보를 기반으로 AF 기능을 제어할 수 있다. 신체 검출 정보를 기반으로 하는 AF 기능과 관련하여, 도 6a 내지 도 6c를 참조하여 후술한다.
일 실시 예에 따르면, 동작 505에서, 프로세서(320)는 깊이 검출 정보를 기반으로 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 신체 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우, 또는 신체 검출 정보에 기반한 AF 기능을 보완하기 위해, 깊이 검출 정보를 기반으로 AF 기능을 제어할 수 있다. 예를 들면, 상기 신체 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우는, 딥 러닝을 통해서 신체 검출 정보가 획득되지 않은 경우, 또는 신체 검출 정보가 획득되었으나 신체 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우를 포함할 수 있다. 깊이 검출 정보를 기반으로 하는 AF 기능과 관련하여, 도 7을 참조하여 후술한다.
일 실시 예에 따르면, 동작 507에서, 프로세서(320)는 하늘 검출 정보를 기반으로 AF 기능을 제어할 수 있다. 하늘 검출 정보를 기반으로 하는 AF 기능과 관련하여, 도 8a 내지 도 8b를 참조하여 후술한다.
일 실시 예에 따르면, 동작 509에서, 프로세서(320)는 픽셀 데이터 차이 값을 기반으로 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 하늘 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우, 픽셀 데이터의 차이 값을 기반으로 AF 기능을 제어할 수 있다. 예를 들면, 상기 하늘 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우는, 딥
러닝을 통해서 하늘 검출 정보가 획득되지 않은 경우, 또는 하늘 검출 정보가 획득되었으나 하늘 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우를 포함할 수 있다. 픽셀 데이터의 차이 값을 기반으로 하는 AF 기능과 관련하여, 도 9a 내지 도 9b를 참조하여 후술한다.
일 실시 예에 따르면, 동작 511에서, 프로세서(320)는 모아레 검출 정보를 기반으로 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 픽셀 데이터의 차이 값이 지정된 값 이상인 경우, 모아레 검출 정보를 기반으로 AF 기능을 제어할 수 있다. 예를 들면, 프로세서(320)는 각각의 픽셀마다 픽셀 데이터의 차이 값을 획득하고, 이미지 프레임에 포함된 전체 픽셀 중 상기 차이 값이 임계 값보다 큰 픽셀의 비율을 획득할 수 있다. 프로세서(320)는 상기 비율이 일정 비율 이상인 경우, 픽셀 데이터의 차이 값이 지정된 값 이상이라고 판단할 수 있다. 모아레 검출 정보를 기반으로 하는 AF 기능과 관련하여, 도 10a 내지 도 10b를 참조하여 후술한다.
동작 503 내지 동작 511은 순차적으로 수행될 수도 있으나, 다양한 실시 예에서, 동작 501의 수행 결과에 기반하여 동작 503 내지 동작 511 중 적어도 하나가 선택적으로 또는 병렬적으로 수행될 수 있다.
도 6a는 일 실시 예에 따라 신체 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다. 도 6b는 일 실시 예에 따라 역광 환경에서 획득된 이미지에 대한 관심 영역의 예를 도시한다. 도 6c는 일 실시 예에 따라 얼굴 크기가 지정된 크기보다 작은 이미지에 대한 관심 영역의 예를 도시한다. 도 6a 내지 도 6c와 관련하여 설명되는 동작은 도 5의 동작 503에서 프로세서(320)가 신체 검출 정보를 기반으로 AF 기능을 제어하는 구체적인 동작으로 이해될 수 있다.
일 실시 예에 따르면, 동작 601에서, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임에 대한 딥 러닝을 통해 신체 검출 정보를 획득할 수 있다. 추가적으로 또는 대체적으로(additionally or alternatively), 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임으로부터 얼굴 검출 정보를 획득할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임 또는 제2 이미지 프레임 중 적어도 하나에 대해 딥 러닝을 수행하여 신체 검출 정보를 획득할 수 있다. 일 실시 예에서, 프로세서(320)가 제1 이미지 프레임과 제2 이미지 프레임 중 적어도 하나에서 신체 검출 정보를 획득하지 못한 경우, 프로세서(320)는 도 5의 동작 505 또는 도 7에서 후술하는 프로세스를 통해 카메라 모듈(310)의 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 통해 획득한 복수의 이미지 프레임들 중 제2 이미지 프레임과 동일한 장면(scene)이 촬영된 이미지 프레임에 대해 딥 러닝을 수행하여 상기 신체 검출 정보를 획득할 수도 있다. 예를 들면, 프로세서(320)는 이미지 프레임의 장면이 변경되지 않는 경우, 제1 이미지 프레임 이전에 획득한 이미지 프레임에 대해 딥 러닝을 수행할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임에 대해 얼굴 검출 기능(face detection)을 수행할 수 있다. 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임 중 적어도 하나로부터 얼굴 검출 정보를 획득할 수 있다. 예를 들면, 얼굴 검출 정보는 이미지 프레임에 포함된 얼굴의 유무에 대한 정보, 이미지 프레임에서 얼굴이 검출되었다면 이미지 프레임 내에서 얼굴에 대응하는 영역의 위치 및 크기에 대한 정보, 또는 이미지 프레임에 포함된 얼굴이 전자 장치(300)에 사전에 저장된 특정 얼굴에 대응되는지에 대한 정보 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 동작 603에서, 프로세서(320)는 제2 이미지 프레임이 역광 환경에서 획득된 이미지인지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 밝기 정보를 기반으로 제2 이미지 프레임이 역광 환경에서 획득된 이미지인지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 전자 장치(300)에 포함된 조도 센서를 통해 획득한 전자 장치(300) 주변의 조도 정보를 통해 제2 이미지 프레임이 역광 환경에서 획득된 이미지인지 여부를 판단할 수도 있다.
일 실시 예에 따르면, 동작 605에서, 프로세서(320)는 제2 이미지 프레임이 역광 환경에서 획득된 이미지라고 판단한 것에 응답하여, 신체 검출 정보를 통해 관심 영역을 설정할 수 있는지 여부를 판단할 수 있다.
도 6b를 참조하면, 참조번호 652는 역광 환경에서 획득된 이미지 프레임의 예를 도시한다. 일 실시 예에 따르면, 제2 이미지 프레임이 역광 환경에서 획득된 이미지인 경우, 프로세서(320)는 얼굴 검출 기능을 이용하여 얼굴을 검출할 수 없거나, 프로세서(320)가 얼굴을 검출하더라도 그 결과가 부정확할 수 있다. 따라서, 프로세서(320)는 제2 이미지 프레임이 역광 환경에서 획득된 이미지라고 판단한 경우 신체 검출 정보를 통해 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 동작 607에서, 프로세서(320)는 신체 검출 정보를 통해 관심 영역을 설정할 수 있다고 판단한 것에 응답하여, 신체 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 신체 검출 정보를 기반으로 이미지 프레임의 적어도 일부 영역을 관심 영역으로 설정할 수 있다. 예를 들면, 프로세서(320)는 신체 검출 정보를 통해 제2 이미지 프레임 내에서 신체에 대응하는 영역의 위치 및 크기를 판단할 수 있다. 프로세서(320)는 제2 이미지 프레임 내에서 적어도 상기 신체에 대응하는 영역을 포함하는 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 도 6b에 도시된 참조번호 654의 이미지는 신체 검출 정보를 기반으로 관심 영역(655)을 설정한 예를 도시한다. 프로세서(320)가 딥 러닝을 통해 획득한 신체 검출 정보는 제2 이미지 프레임 내에서 신체에 대응하는 영역의 위치 및 크기에 대한 정보를 포함할 수 있다. 프로세서(320)는 제2 이미지 프레임 중 신체에 대응하는 영역을 관심 영역(655)으로 설정할 수 있다. 예를 들어, 프로세서(320)는 이미지 세그멘테이션을 이용하여 정의되는 다수의 영역에 대해 딥 러닝을 수행하고, 신체로 판단된 영역들을 관심 영역(655)으로 지정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임에 포함된 피사체가 인물의 측면인 경우에도 신체 검출 정보를 기반으로 관심 영역을 설정할 수 있다. 프로세서(320)는 딥 러닝을 통해 인물의 측면에 해당하는 영역을 검출하고, 검출된 영역을 관심 영역으로 설정할 수 있다.
일 실시 예에 따르면, 동작 609에서, 프로세서(320)는 신체 검출 정보를 통해 관심 영역을 설정할 수 없다고 판단한 것에 응답하여, 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다. 예를 들어, 프로세서(320)는 신체 검출 정보를 통해 추정되는 관심 영역의 신뢰도가 지정된 값보다 낮은 경우, 신체 검출 정보를 통해 관심 영역을 설정할 수 없다고 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 통해 획득한 신체 검출 정보를 이용하여 제2 이미지 프레임에서 관심 영역을 설정할 수 없다고 판단할 수 있다. 예를 들면, 프로세서(320)가 딥 러닝을 통해 제2 이미지 프레임에서 신체를 검출할 수 없거나 제2 이미지 프레임에서 검출된 신체가 지정된 크기보다 작은 경우, 프로세서(320)는 신체 검출 정보를 이용하여 관심 영역을 설정할 수 없다고 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 신체 검출 정보를 통해 관심 영역을 설정할 수 없다고 판단한 경우 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다. 일 실시 예에 따르면, 이미지 프레임의 중심 영역을 관심 영역으로 설정하는 동작은 일반적인 AF 동작의 예시로서, 프로세서(320)는 이미지 프레임의 중심 영역이 아닌 이미지 프레임 전체 영역을 관심 영역으로 설정할 수 있고, 중심 영역에서 일정 거리 벗어난 영역을 관심 영역으로 설정할 수도 있다. 일 실시 예에 따르면, 프로세서(320)는 신체 검출 정보를 통해 관심 영역을 설정할 수 없다고 판단한 경우, 깊이 검출 정보를 기반으로 AF 동작을 수행하도록 카메라 모듈(310)을 제어할 수도 있다.
일 실시 예에 따르면, 동작 611에서, 프로세서(320)는 제2 이미지 프레임이 역광 환경에서 획득된 이미지가 아니라고 판단한 것에 응답하여, 제2 이미지 프레임에서 얼굴이 검출되는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 역광 환경에서 획득된 이미지가 아닌 경우, 동작 601에서 획득한 얼굴 검출 정보를 통해 제2 이미지 프레임에 얼굴이 포함되어 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 동작 613에서, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출된 것에 응답하여, 얼굴의 크기가 지정된 크기보다 작은 지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출되지 않은 것에 응답하여, 동작 605에서 신체 검출 정보를 통해 관심 영역을 설정할 수 있는지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)가 제2 이미지 프레임에서 얼굴이 검출되지 않았다고 판단한 경우, 프로세서(320)는 얼굴 검출 정보를 이용할 수 없으므로 신체 검출 정보를 통해 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 동작 615에서, 프로세서(320)는 제2 이미지 프레임에서 검출된 얼굴의 크기가 지정된 크기보다 작은 것에 응답하여, 신체 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 제2 이미지 프레임에 포함된 얼굴의 크기가 지정된 크기보다 작은 경우, 프로세서(320)는 얼굴 검출 정보를 기반으로 AF 기능을 제어할 수 없거나 제어하기 어려울 수 있다. 예를 들면, 프로세서(320)가 지정된 크기보다 작은 크기의 얼굴을 기반으로 관심 영역을 설정할 경우 해당 관심 영역에는 얼굴 외에 다른 피사체가 함께 포함될 수 있다. 프로세서(320)가 얼굴 및 그 외의 피사체에 대응하는 영역을 기반으로 AF 기능을 제어할 경우, 얼굴이 아닌 피사체에 초점이 설정될 수 있다. 따라서, 프로세서(320)는 제2 이미지 프레임에 포함된 얼굴의 크기가 지정된 크기보다 작은 경우, 딥 러닝을 통한 신체 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 도 6c에 도시된 참조번호 662는 제2 이미지 프레임에 포함된 얼굴의 크기가 지정된 크기보다 작은 경우에 설정된 관심 영역(665)의 예를 도시한다. 일 실시 예에 따르면, 프로세서(320)는 동작 603과 관련하여, 참조번호 662의 이미지가 역광 환경에서 획득된 이미지가 아니라고 판단할 수 있다. 프로세서(320)는 동작 611과 관련하여, 참조번호 662의 이미지에서 얼굴이 검출된다고 판단할 수 있다. 프로세서(320)는 동작 613과 관련하여, 참조번호 662의 이미지에서 검출되는 얼굴의 크기가 지정된 크기보다 작다고 판단할 수 있다. 프로세서(320)는 동작 615와 관련하여, 신체 검출 정보를 기반으로 관심 영역(665)을 설정할 수 있다. 도 6c를 참조하면, 프로세서(320)는 딥 러닝을 통해 이미지 프레임에 포함된 신체의 위치 및 크기에 대한 정보를 획득하고, 상기 신체에 대응되는 영역을 관심 영역(665)으로 설정할 수 있다.
일 실시 예에 따르면, 동작 617에서, 프로세서(320)는 얼굴의 크기가 지정된 크기보다 큰 것에 응답하여, 얼굴 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임에 포함된 얼굴의 크기가 지정된 크기보다 큰 경우, 제2 이미지 프레임 내에서 얼굴 검출 정보에 포함된 얼굴에 대응하는 영역을 관심 영역으로 설정할 수 있다.
일 실시 예에 따르면, 동작 619에서, 프로세서(320)는 동작 607, 동작 609, 동작 615, 또는 동작 617에서 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 결정된 제2 위치에 초점을 설정하도록 카메라 모듈(310)을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 이미지 프레임의 적어도 일부 영역에서 콘트라스트 데이터(contrast data) 또는 위상차 데이터(phase data)를 획득할 수 있고, 상기 획득한 콘트라스트 데이터(또는, 위상차 데이터)를 기반으로 AF 기능을 수행할 수 있다. 예를 들면, 상기 적어도 일부 영역에 포함된 피사체의 위치 변경이 있어 콘트라스트 데이터(또는, 위상차 데이터)에 변경이 있는 경우, 프로세서(320)는 초점 위치를 변경할 수 있다. 일 실시 예에 따르면, 상기 AF 기능을 수행하기 위해 설정되는 이미지 프레임의 적어도 일부 영역은 관심 영역(예: 동작 607, 동작 609, 동작 615, 또는 동작 617에서 설정된 관심 영역)으로 참조될 수 있다.
일 실시 예에 따르면, 프로세서(320)는 상기 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 제2 이미지 프레임 중 관심 영역에서 획득되는 콘트라스트 데이터(또는, 위상차 데이터)를 기반으로 제2 위치를 결정할 수 있다. 예를 들면, 상기 제2 위치는 제1 위치와 다른 위치일 수 있다.
일 실시 예에 따르면, 프로세서(320)는 상기 관심 영역을 기반으로 결정된 제2 위치에 초점을 설정하기 위해 카메라 모듈(310)에 포함된 렌즈를 특정 지점으로 이동시키기 위해 카메라 모듈(310)을 제어할 수 있다. 예를 들면, 프로세서(320)는 현재 렌즈의 위치(예: 제1 지점)와 렌즈를 이동시켜야 하는 위치(예: 제2 지점)를 비교하고, 상기 제1 지점과 상기 제2 지점이 서로 일치할 때까지 렌즈를 이동시킬 수 있다.
일 실시 예에 따르면, 프로세서(320)가 상기 관심 영역을 기반으로 결정한 제2 위치가 제1 이미지 프레임에서 초점이 설정된 제1 위치와 일치할 수도 있다. 프로세서(320)는 적어도 신체 검출 정보를 기반으로 결정한 제2 위치가 제1 위치와 일치하는 경우, 제2 이미지 프레임의 초점을 변경할 필요가 없다고 판단할 수 있다. 프로세서(320)는 제2 이미지 프레임의 초점을 변경할 필요가 없다고 판단한 경우 제1 위치에 초점을 유지할 수 있다.
도 7은 일 실시 예에 따라 깊이 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다. 도 7과 관련하여 설명되는 동작은 도 5의 동작 505에서 프로세서(320)가 깊이 검출 정보를 기반으로 AF 기능을 제어하는 구체적인 동작으로 이해될 수 있다.
일 실시 예에 따르면, 동작 701에서, 프로세서(320)는 제1 이미지 프레임 또는 제2 이미지 프레임 중 적어도 하나에 대한 딥 러닝을 통해 깊이 검출 정보를 획득할 수 있다.
일 실시 예에 따르면, 딥 러닝을 통한 깊이 검출 정보는 뎁스 맵(depth map)을 의미하는 것으로 이해될 수 있다. 일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 통해 획득한 제1 이미지 프레임 및 제2 이미지 프레임에 대해 딥 러닝을 수행하여 상기 깊이 검출 정보를 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 통해 획득한 복수의 이미지 프레임들 중 제2 이미지 프레임과 동일한 장면(scene)이 촬영된 이미지 프레임에 대해 딥 러닝을 수행하여 상기 깊이 검출 정보를 획득할 수도 있다. 예를 들면, 프로세서(320)는 이미지 프레임의 장면이 변경되지 않는 경우, 제1 이미지 프레임 이전에 획득한 이미지 프레임에 대해 딥 러닝을 수행할 수 있다.
일 실시 예에 따르면, 동작 703에서, 프로세서(320)는 제2 이미지 프레임이 깊이 차이가 있는 이미지인지 여부를 판단할 수 있다.
일 실시 예에 따르면, 깊이 차이가 있는 이미지는 피사체 및 배경과 전자 장치(300) 사이의 거리가 서로 다른 복수의 피사체들을 포함하는 이미지를 의미하는 것으로 이해될 수 있다. 일 실시 예에 따르면, 상기 깊이 차이가 있는 이미지는 상기 피사체 및 배경과 전자 장치(300) 사이의 거리 중 가장 큰 값과 가장 작은 값이 지정된 값보다 큰 이미지를 의미하는 것으로 이해될 수도 있다. 예를 들어, 제1 피사체와 제2 피사체가 지정된 값 이상의 거리 차이를 가지거나, 제1 피사체와 배경이 지정된 값 이상의 거리 차이를 가지는 경우, 이러한 피사체/배경을 포함하는 이미지는 깊이 차이가 있는 이미지로 이해될 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 통해 획득한 깊이 검출 정보를 통해 제2 이미지 프레임이 깊이 차이가 있는 이미지인지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 깊이 검출 정보와 함께, 전자 장치(300)의 거리 센서를 통해 획득한 거리 데이터를 이용하여 제2 이미지 프레임이 깊이 차이가 있는 이미지인지 여부를 판단할 수도 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 적어도 일부 영역에 깊이 차이가 있는지 여부를 판단할 수도 있다. 예를 들면, 프로세서(320)는 제2 이미지 프레임이 깊이 차이가 있는 이미지인지 여부를 판단하기 이전에 설정된 관심 영역(예: 제1 관심 영역)을 기반으로, 상기 제1 관심 영역 내에 깊이 차이가 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 동작 705에서, 프로세서(320)는 제2 이미지 프레임이 깊이 차이가 있는 이미지라고 판단한 것에 응답하여, 깊이 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 깊이 검출 정보를 기반으로 제2 이미지 프레임에 포함된 피사체들 중 전자 장치(300)와 가장 가까운 거리에 위치한 피사체에 대응되는 영역을 관심 영역으로 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)가 제2 이미지 프레임이 깊이 차이가 있는 이미지인지 여부를 판단하기 이전에 설정된 관심 영역(예: 제1 관심 영역)이 있는 경우, 프로세서(320)는 깊이 검출 정보를 기반으로 관심 영역(예: 제2 관심 영역)을 재설정할 수 있다.
일 실시 예에 따르면, 동작 707에서, 프로세서(320)는 제2 이미지 프레임이 깊이 차이가 있는 이미지가 아니라고 판단한 것에 응답하여, 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 깊이 차이가 있는 이미지가 아니라고 판단한 것에 응답하여, 도 5의 동작 507 또는 도 8a에서 후술하는 프로세스를 통해 카메라 모듈(310)의 AF 기능을 제어할 수도 있다.
일 실시 예에 따르면, 동작 709에서, 프로세서(320)는 동작 705, 또는 동작 707에서 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 결정된 제2 위치에 초점을 설정하도록 카메라 모듈(310)을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 상기 설정된 관심 영역을 기반으로 제2 위치를 결정하기 위해, 깊이 검출 정보에 포함된 거리 값을 이용할 수 있다. 예를 들면, 관심 영역에 포함되는 피사체와 전자 장치(300) 사이의 거리가 1m라는 정보가 상기 깊이 검출 정보에 포함된 경우, 프로세서(320)는 제2 위치가 1m라고 결정할 수 있다.
도 8a는 일 실시 예에 따라 하늘 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다. 도 8b는 하늘 이미지의 예를 도시한다. 도 8a 내지 도 8b와 관련하여 설명되는 동작은 도 5의 동작 507에서 프로세서(320)가 하늘 검출 정보를 기반으로 AF 기능을 제어하는 구체적인 동작으로 이해될 수 있다.
일 실시 예에 따르면, 동작 801에서, 프로세서(320)는 제1 이미지 프레임 또는 제2 이미지 프레임 중 적어도 하나에 대한 딥 러닝을 통해 하늘 검출 정보를 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 통해 획득한 복수의 이미지 프레임들 중 제2 이미지 프레임과 동일한 장면(scene)이 촬영된 이미지 프레임에 대해 딥 러닝을 수행하여 상기 하늘 검출 정보를 획득할 수도 있다. 또한, 프로세서(320)는 조도 센서를 통해 전자 장치(300) 주변의 조도 정보를 획득할 수 있다.
일 실시 예에서, 프로세서(320)가 딥 러닝을 통해서 하늘 검출 정보를 획득하지 못한 경우, 또는 하늘 검출 정보를 획득하였으나 하늘 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우, 프로세서(320)는 도 5의 동작 505 또는 도 7에서 후술하는 프로세스를 통해 카메라 모듈(310)의 AF 기능을 제어할 수 있다. 예를 들면, 제2 이미지 프레임이 하늘 이미지가 인화된 사진 또는 모니터의 디스플레이에 표시된 하늘을 촬영한 이미지 프레임인 경우, 프로세서(320)가 제2 이미지 프레임으로부터 하늘 검출 정보를 획득하였으나 하늘 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우에 해당할 수 있다.
일 실시 예에 따르면, 동작 803에서, 프로세서(320)는 조도 정보를 기반으로 제2 이미지 프레임이 실외에서 획득되었는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 장면이 하늘에 해당하지 않는 경우에도 딥 러닝의 결과 하늘을 검출할 수 있다. 예를 들면, 프로세서(320)는 제2 이미지 프레임이 하늘과 유사한 색깔의 벽 이미지인 경우, 딥 러닝의 결과 하늘이 검출되었다고 판단할 수 있다. 따라서 프로세서(320)는 조도 센서를 통해 획득한 조도 정보를 이용하여 제2 이미지 프레임이 실외에서 획득된 이미지인지 여부를 판단할 수 있다. 여기서 실외란 실제로 전자 장치(300)가 실외에 위치한 경우 및 전자 장치(300)가 창문 등을 통해 실외의 하늘을 촬영하고 있는 경우를 포함할 수 있다.
일 실시 예에 따르면, 동작 805에서, 프로세서(320)는 제2 이미지 프레임이 실외에서 획득되었다고 판단한 것에 응답하여, 제2 이미지 프레임이 하늘인지 여부를 판단할 수 있다. 또한 프로세서(320)는 거리 센서를 통해 획득한 추가적인 정보를 이용하여 제2 이미지 프레임이 실제 하늘을 촬영한 이미지인지 아니면 하늘과 유사한 이미지나 대상을 촬영한 것인지 판단할 수 있다.
일 실시 예에 따르면, 동작 807에서, 프로세서(320)는 제2 이미지 프레임의 장면이 하늘이라고 판단한 것에 응답하여 초점을 무한대에 해당하는 제2 위치로 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 하늘에 해당하는 장면이라고 판단한 경우, 무한대에 초점을 설정할 필요가 있다고 판단할 수 있다. 종래 기술에 따른 전자 장치는 하늘 이미지인지 여부를 판단하기 위해 렌즈를 이동시키면서 이미지 프레임들을 획득하는 동작을 수행한다. 종래 기술과 달리, 일 실시 예에 따른 프로세서(320)는 딥 러닝의 결과를 이용하여 제2 이미지 프레임이 하늘에 해당하는 이미지임을 판단할 수 있다. 따라서, 전자 장치(300)는 필요 이상으로 렌즈를 이동시킴에 따라 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시되는 프리뷰 이미지가 울렁거리는 현상을 감소시킬 수 있다.
도 8b를 참조하면, 참조번호 852는 하늘에 해당하는 이미지의 예를 도시한다. 프로세서(320)는 동작 803과 관련하여, 참조번호 852의 이미지가 실외에서 획득된 이미지라고 판단할 수 있다. 프로세서(320)는 동작 805와 관련하여, 참조번호 852의 이미지가 하늘에 해당하는 이미지라고 판단할 수 있다. 프로세서(320)는 동작 807과 관련하여, 참조번호 852의 이미지의 초점을 무한대로 설정할 필요가 있다고 판단할 수 있다.
일 실시 예에 따르면, 동작 809에서, 프로세서(320)는 제2 이미지 프레임이 실외에서 획득되지 않았다고 판단하거나, 제2 이미지 프레임의 장면이 하늘이 아니라고 판단한 것 중 적어도 하나에 응답하여, 이미지 프레임의 중심 영역을 관심 영역으로 설정하고, 관심 영역을 기반으로 제2 위치를 결정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 조도 센서를 통해 획득한 조도 데이터를 기반으로 제2 이미지 프레임이 실내에서 획득된 이미지라고 판단할 수 있다. 예를 들면, 제2 이미지 프레임이 실내에서 촬영한 벽 이미지인 경우, 프로세서(320)는 조도 데이터를 기반으로 제2 이미지 프레임이 실외에서 획득되지 않았다고 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 실외에서 촬영된 이미지인 경우에도 하늘에 해당하지 않는다고 판단할 수 있다. 예를 들면, 제2 이미지 프레임이 실외에서 촬영한 벽 이미지인 경우, 프로세서(320)는 하늘 검출 정보를 기반으로 제2 이미지 프레임이 하늘 이미지가 아니라고 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 이미지 프레임의 중심 영역을 관심 영역으로 설정하고, 관심 영역에 포함되는 피사체를 기반으로 제2 위치를 결정할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 벽 이미지에 해당한다고 판단한 경우, 제2 위치가 2m 내지 3m인 것으로 결정할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 하늘에 해당하는 이미지가 아니라고 판단한 것에 응답하여, 도 5의 동작 509 또는 도 9a에서 후술하는 프로세스를 통해 카메라 모듈(310)의 AF 기능을 제어할 수도 있다.
일 실시 예에 따르면, 동작 811에서, 프로세서(320)는 동작 807, 또는 동작 809에서 결정된 제2 위치에 초점을 설정하도록 카메라 모듈(310)을 제어할 수 있다.
도 9a는 일 실시 예에 따라 픽셀 데이터의 차이 값을 기반으로 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다. 도 9b는 일 실시 예에 따른 제1 이미지 프레임, 제2 이미지 프레임, 및 제1 이미지 프레임과 제2 이미지 프레임 사이의 픽셀 데이터의 차이 값의 예를 도시한다. 도 9a 내지 도 9b와 관련하여 설명되는 동작은 도 5의 동작 509에서 프로세서(320)가 픽셀 데이터의 차이 값을 기반으로 AF 기능을 제어하는 구체적인 동작으로 이해될 수 있다.
일 실시 예에 따르면, 동작 901에서, 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득할 수 있다. 또한, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임으로부터 얼굴 검출 정보를 획득할 수 있다.
일 실시 예에 따르면, 동작 903에서, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출되는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임 또는 제2 이미지 프레임 중 적어도 하나에 대해 얼굴 검출 기능을 수행하여 얼굴 검출 정보를 획득할 수 있다. 프로세서(320)는 상기 얼굴 검출 정보를 기반으로 제2 이미지 프레임에 얼굴이 포함되었는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 동작 905에서, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출된 것에 응답하여, 얼굴 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출된 경우에는 얼굴 검출 정보를 기반으로 AF 기능을 제어할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제 2 이미지 프레임에서 얼굴이 검출된 경우에는 픽셀 데이터의 차이 값에 대한 정보를 이용하지 않을 수 있다.
일 실시 예에 따르면, 동작 907에서, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출되지 않은 것에 응답하여, 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 간 차이가 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 동작 909에서, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 간 차이가 있다고 판단한 것에 응답하여, 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 사이에 차이가 있다고 판단한 경우, 제1 이미지 프레임에 포함된 피사체의 위치와 제2 이미지 프레임에 포함된 피사체의 위치가 변경되었다고 판단할 수 있다. 예를 들면, 프로세서(320)는 픽셀 데이터의 차이 값을 이용하여 피사체의 움직임(local motion) 또는 전자 장치(300)의 움직임(global motion)을 검출할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임 사이에 픽셀 데이터의 차이가 있는 경우, 제2 이미지 프레임의 초점을 변경할 필요가 있다고 판단할 수 있다. 프로세서(320)는 이미지 프레임의 중심 영역을 관심 영역으로 설정하여 제2 이미지 프레임의 초점을 변경할 위치를 결정할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터 사이에 차이가 있다고 판단한 것에 응답하여, 도 5의 동작 511 또는 도 10a에서 후술하는 프로세스를 통해 카메라 모듈(310)의 AF 기능을 제어할 수도 있다.
일 실시 예에 따르면, 동작 911에서, 프로세서(320)는 동작 909에서 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 결정된 제2 위치에 초점을 설정하도록 카메라 모듈(310)을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출된 경우 동작 905에서 얼굴 검출 정보를 기반으로 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 사이에 유의미한 차이가 있는 경우 동작 909에서 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다.
일 실시 예에 따르면, 동작 913에서, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 간 차이가 없다고 판단한 것에 응답하여, 제1 위치에 초점을 유지할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터를 비교한 결과 차이가 없다고 판단할 수 있다. 예를 들어, 프로세서(320)는 픽셀 데이터의 차이 값이 지정된 조건을 만족하는 경우 제1 이미지 프레임의 픽셀 데이터와 제2 이미지 프레임의 픽셀 데이터의 차이가 없다고 판단할 수 있다. 예를 들어, 프로세서(320)는 상기 픽셀 데이터의 차이 값이 0이거나, 0이 아니더라도 무시할 수 있는 수준의 지정된 범위에 해당하는 경우, 제1 이미지 프레임의 픽셀 데이터와 제2 이미지 프레임의 픽셀 데이터의 차이가 없다고 판단할 수 있다. 예를 들면, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임에 포함된 각각의 픽셀마다 픽셀 데이터의 차이 값을 획득하고, 상기 각각의 픽셀에 대한 픽셀 데이터의 차이 값이 임계 값 이하인지 여부를 판단할 수 있다. 프로세서(320)는 이미지 프레임에 포함된 전체 픽셀 중 상기 차이 값이 임계 값 이하인 픽셀의 비율을 획득할 수 있다. 프로세서(320)는 상기 비율이 일정 비율 미만인 경우, 픽셀 데이터의 차이 값이 없다고 판단할 수 있다. 일 실시 예에서 프로세서(320)는 픽셀 데이터의 유의미한 차이가 존재하지 않는 경우에 제2 이미지 프레임에 대한 초점을 변경하지 않고 제1 이미지 프레임에 대한 초점을 계속 유지할 수 있다.
도 9b는, 제1 이미지 프레임(951)과 제2 이미지 프레임(952)의 예를 도시한다. 참조번호 954의 이미지는 제1 이미지 프레임(951)에 포함된 픽셀 데이터와 제2 이미지 프레임(952)에 포함된 픽셀 데이터의 차이 값에 대응하는 이미지의 예를 도시한다. 또한 참조번호 956의 이미지는 참조번호 954의 이미지 중에서 각각의 픽셀마다 획득된 픽셀 데이터의 차이 값이 임계 값 이하인 경우에는 상기 픽셀 데이터의 차이 값을 0으로 설정한 이미지의 예를 도시한다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임(951)에 포함된 픽셀 데이터와 제2 이미지 프레임(952)에 포함된 픽셀 데이터를 차분하고, 상기 차분한 값의 절대값을 기반으로 참조번호 954의 이미지를 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임(951) 및 제2 이미지 프레임(952)에 포함된 노이즈를 제거한 후, 노이즈가 제거된 제1 이미지 프레임(951) 및 제2 이미지 프레임(952)을 기반으로 차분 값을 획득할 수 있다. 프로세서(320)는 제2 이미지 프레임의 초점을 변경할 필요가 없는 경우(예: 피사체의 이동이 없는 경우)에도 제1 이미지 프레임(951) 또는 제2 이미지 프레임(952)에 포함된 노이즈에 의해 픽셀 데이터의 차이가 있다고 판단되는 것을 방지하기 위해, 제1 이미지 프레임(951)과 제2 이미지 프레임(952)의 노이즈를 제거할 수 있다. 예를 들면, 프로세서(320)는 제1 이미지 프레임(951)과 제2 이미지 프레임(952)에 대해 가우시안 필터(gaussian filter)를 적용할 수 있다. 프로세서(320)가 가우시안 필터를 적용한 제1 이미지 프레임(951)과 제2 이미지 프레임(952)을 기반으로 픽셀 데이터의 차이 값을 획득하는 동작은 DoG(difference of gaussian)로 참조될 수 있다.
일 실시 예에 따르면, 프로세서(320)는 참조번호 954의 이미지 중 각각의 픽셀마다 획득된 픽셀 데이터의 차이 값이 임계 값 이하인 경우에는 상기 차이 값을 0으로 설정하여 참조번호 956의 이미지를 획득할 수 있다. 프로세서(320)는 참조번호 956의 이미지에서 전체 픽셀 중 픽셀 데이터의 차이 값이 0인 픽셀의 비율이 일정 비율 미만인 경우, 픽셀 데이터의 차이 값이 없다고 판단할 수 있다.
도 10a는 일 실시 예에 따라 모아레 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다. 도 10b는 모아레 이미지의 예를 도시한다. 도 10a 내지 도 10b와 관련하여 설명되는 동작은 도 5의 동작 511에서 프로세서(320)가 모아레 검출 정보를 기반으로 AF 기능을 제어하는 구체적인 동작으로 이해될 수 있다.
일 실시 예에 따르면, 동작 1001에서, 프로세서(320)는 제1 이미지 프레임 또는 제2 이미지 프레임 중 적어도 하나에 대한 딥 러닝을 통해 모아레 검출 정보와, 깊이 검출 정보를 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 통해 획득한 복수의 이미지 프레임들 중 제2 이미지 프레임과 동일한 장면(scene)이 촬영된 이미지 프레임에 대해 딥 러닝을 수행하여 상기 모아레 검출 정보와 상기 깊이 검출 정보를 획득할 수도 있다. 또한, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 차이 값을 획득할 수 있다.
일 실시 예에 따르면, 동작 1003에서, 프로세서(320)는 제2 이미지 프레임이 모아레가 검출된 이미지인지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 모아레 검출 정보를 통해 제2 이미지 프레임에 모아레가 포함되었는지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 깊이 검출 정보를 통해 제2 이미지 프레임이 평면에서 획득된 이미지인지 여부를 판단할 수 있다. 모아레는 평면의 피사체(예: PC 화면)에서 발생하는 경우가 많으므로, 프로세서(320)는 깊이 검출 정보를 함께 이용하여 제2 이미지 프레임이 모아레 이미지인지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 픽셀 데이터의 차이 값을 함께 이용하여 모아레 여부를 판단할 수 있다. 예를 들면, 프로세서(320)는 픽셀 데이터의 차이 값을 통해 피사체의 움직임이 있는지 여부를 판단할 수 있다. 프로세서(320)는 제2 이미지 프레임에서 모아레가 검출되었는지 여부를 판단하기 위해 딥 러닝의 결과와 함께 픽셀 데이터의 차이 값을 함께 고려할 수 있다.
일 실시 예에 따르면, 동작 1005에서, 프로세서(320)는 제2 이미지 프레임이 모아레가 검출된 이미지라고 판단한 것에 응답하여, 제1 위치에 초점을 유지할 수 있다.
일 실시 예에 따르면, 제2 이미지 프레임이 모아레에 따른 이미지에 해당하는 경우, 제2 이미지 프레임에서 초점을 설정할 위치는 제1 이미지 프레임에서 초점이 설정된 제1 위치와 일치할 수 있다. 프로세서(320)는 제2 이미지 프레임에서 모아레가 검출되었다고 판단한 경우 제2 이미지 프레임의 초점을 제1 위치에 유지할 수 있다.
도 10b를 참조하면, 참조번호 1052는 모아레에 따른 이미지의 예를 도시한다. 프로세서(320)는 동작 1003과 관련하여, 참조번호 1052의 이미지가 모아레가 검출된 이미지라고 판단할 수 있다. 프로세서(320)는 동작 1005와 관련하여, 참조번호 1052의 이미지의 초점 위치를 변경할 필요가 없다고 판단할 수 있다. 프로세서(320)는 참조번호 1052의 이미지의 초점을 제1 위치에 유지할 수 있다.
일 실시 예에 따르면, 동작 1007에서, 프로세서(320)는 제2 이미지 프레임이 모아레가 검출된 이미지가 아니라고 판단한 것에 응답하여, 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 모아레에 따른 이미지가 아닌 경우, 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다. 다른 실시 예에 따르면, 프로세서(320)는 깊이 검출 정보를 기반으로 관심 영역을 설정할 수도 있다.
일 실시 예에 따르면, 동작 1009에서, 프로세서(320)는 동작 1007에서 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 결정된 제2 위치에 초점을 설정하도록 카메라 모듈(310)을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치는, AF(auto focus) 기능을 지원하는 카메라 모듈, 및 상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는, 상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝(deep learning)을 수행하고, 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고, 상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 없다고 판단한 것에 응답하여 상기 제1 위치에 초점을 유지하고, 상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제1 위치에 초점이 설정된 제3 이미지 프레임을 획득할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있다고 판단한 것에 응답하여 상기 제2 위치에 초점을 설정하고, 상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 딥 러닝의 결과는 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레(moire) 검출 정보 중 적어도 하나를 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하고, 상기 딥 러닝의 결과와 함께 상기 차이 값을 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 위치를 결정할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 적어도 일부 영역을 관심 영역으로 설정하고, 상기 관심 영역을 기반으로 상기 제2 위치를 결정할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 딥 러닝 결과 상기 제2 이미지 프레임이 지정된 장면(scene)에 해당하는 경우 상기 제2 위치를 무한대로 결정할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법은, 상기 전자 장치에 포함된 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하는 동작, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하는 동작, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하는 동작, 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작, 및 상기 판단 결과에 따라 상기 카메라 모듈의 AF 기능을 제어하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 AF 기능을 제어하는 동작은, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 없다고 판단한 것에 응답하여 상기 제1 위치에 초점을 유지하는 동작을 포함하고, 상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제1 위치에 초점이 설정된 제3 이미지 프레임을 획득하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 AF 기능을 제어하는 동작은, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있다고 판단한 것에 응답하여 상기 제2 위치에 초점을 설정하는 동작을 포함하고, 상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은, 상기 딥 러닝을 수행하여 획득한 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은, 상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하는 동작, 및 상기 딥 러닝의 결과와 함께 상기 차이 값을 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은, 적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 위치를 결정하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 제2 위치를 결정하는 동작은, 적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 적어도 일부 영역을 관심 영역으로 설정하는 동작, 및 상기 관심 영역을 기반으로 상기 제2 위치를 결정하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치는, AF 기능을 지원하는 카메라 모듈, 및 상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는, 상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하고, 상기 딥 러닝을 통한 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 획득하고, 상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하고, 상기 딥 러닝을 통해 획득된 정보 및 상기 차이 값에 기반하여 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고, 상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 신체 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고, 상기 제2 이미지 프레임에서 상기 신체 검출 정보가 획득되지 않은 것에 응답하여, 상기 깊이 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 깊이 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고, 상기 제2 이미지 프레임에서 상기 깊이 검출 정보가 획득되지 않은 것에 응답하여, 상기 하늘 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 하늘 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고, 상기 제2 이미지 프레임에서 상기 하늘 검출 정보가 획득되지 않은 것에 응답하여, 상기 차이 값을 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 차이 값을 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고, 상기 제2 이미지 프레임에서 상기 차이 값이 지정된 값 이상인 것에 응답하여, 상기 모아레 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
Claims (20)
- 전자 장치에 있어서,
AF(auto focus) 기능을 지원하는 카메라 모듈; 및
상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는:
상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고,
상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고,
상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝(deep learning)을 수행하고,
상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고,
상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어하는, 전자 장치. - 청구항 1에 있어서,
상기 적어도 하나의 프로세서는:
상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 없다고 판단한 것에 응답하여 상기 제1 위치에 초점을 유지하고,
상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제1 위치에 초점이 설정된 제3 이미지 프레임을 획득하는, 전자 장치. - 청구항 1에 있어서,
상기 적어도 하나의 프로세서는:
상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있다고 판단한 것에 응답하여 상기 제2 위치에 초점을 설정하고,
상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득하는, 전자 장치. - 청구항 1에 있어서,
상기 딥 러닝의 결과는 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레(moire) 검출 정보 중 적어도 하나를 포함하는, 전자 장치. - 청구항 1에 있어서,
상기 적어도 하나의 프로세서는:
상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하고,
상기 딥 러닝의 결과와 함께 상기 차이 값을 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는, 전자 장치. - 청구항 1에 있어서,
상기 적어도 하나의 프로세서는,
적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 위치를 결정하는, 전자 장치. - 청구항 6에 있어서,
상기 적어도 하나의 프로세서는:
적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 적어도 일부 영역을 관심 영역으로 설정하고,
상기 관심 영역을 기반으로 상기 제2 위치를 결정하는, 전자 장치. - 청구항 6에 있어서,
상기 적어도 하나의 프로세서는, 상기 딥 러닝 결과 상기 제2 이미지 프레임이 지정된 장면(scene)에 해당하는 경우 상기 제2 위치를 무한대로 결정하는, 전자 장치. - 전자 장치의 동작 방법에 있어서,
상기 전자 장치에 포함된 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하는 동작;
상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하는 동작;
상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하는 동작;
상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작; 및
상기 판단 결과에 따라 상기 카메라 모듈의 AF 기능을 제어하는 동작을 포함하는, 전자 장치의 동작 방법. - 청구항 9에 있어서,
상기 AF 기능을 제어하는 동작은, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 없다고 판단한 것에 응답하여 상기 제1 위치에 초점을 유지하는 동작을 포함하고,
상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제1 위치에 초점이 설정된 제3 이미지 프레임을 획득하는 동작을 포함하는, 전자 장치의 동작 방법. - 청구항 9에 있어서,
상기 AF 기능을 제어하는 동작은, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있다고 판단한 것에 응답하여 상기 제2 위치에 초점을 설정하는 동작을 포함하고,
상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득하는 동작을 포함하는, 전자 장치의 동작 방법. - 청구항 9에 있어서,
상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은,
상기 딥 러닝을 수행하여 획득한 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작을 포함하는, 전자 장치의 동작 방법. - 청구항 9에 있어서,
상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은:
상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하는 동작; 및
상기 딥 러닝의 결과와 함께 상기 차이 값을 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작을 포함하는, 전자 장치의 동작 방법. - 청구항 9에 있어서,
상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은,
적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 위치를 결정하는 동작을 포함하는, 전자 장치의 동작 방법. - 청구항 14에 있어서,
상기 제2 위치를 결정하는 동작은:
적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 적어도 일부 영역을 관심 영역으로 설정하는 동작; 및
상기 관심 영역을 기반으로 상기 제2 위치를 결정하는 동작을 포함하는, 전자 장치의 동작 방법. - 전자 장치에 있어서,
AF 기능을 지원하는 카메라 모듈; 및
상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는:
상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고,
상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고,
상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하고,
상기 딥 러닝을 통한 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 획득하고,
상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하고,
상기 딥 러닝을 통해 획득된 정보 및 상기 차이 값에 기반하여 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고,
상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어하는, 전자 장치. - 청구항 16에 있어서,
상기 적어도 하나의 프로세서는:
상기 신체 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고,
상기 제2 이미지 프레임에서 상기 신체 검출 정보가 획득되지 않은 것에 응답하여, 상기 깊이 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하는, 전자 장치. - 청구항 17에 있어서,
상기 적어도 하나의 프로세서는:
상기 깊이 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고,
상기 제2 이미지 프레임에서 상기 깊이 검출 정보가 획득되지 않은 것에 응답하여, 상기 하늘 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하는, 전자 장치. - 청구항 18에 있어서,
상기 적어도 하나의 프로세서는:
상기 하늘 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고,
상기 제2 이미지 프레임에서 상기 하늘 검출 정보가 획득되지 않은 것에 응답하여, 상기 차이 값을 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하는, 전자 장치. - 청구항 19에 있어서,
상기 적어도 하나의 프로세서는:
상기 차이 값을 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고,
상기 제2 이미지 프레임에서 상기 차이 값이 지정된 값 이상인 것에 응답하여, 상기 모아레 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하는, 전자 장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210004162A KR20220101998A (ko) | 2021-01-12 | 2021-01-12 | 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법 |
| EP21919797.7A EP4228246A4 (en) | 2021-01-12 | 2021-03-09 | ELECTRONIC DEVICE CAPABLE OF PERFORMING AUTOMATIC FOCUS AND ITS OPERATING METHOD |
| PCT/KR2021/002869 WO2022154168A1 (ko) | 2021-01-12 | 2021-03-09 | 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210004162A KR20220101998A (ko) | 2021-01-12 | 2021-01-12 | 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220101998A true KR20220101998A (ko) | 2022-07-19 |
Family
ID=82447393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210004162A KR20220101998A (ko) | 2021-01-12 | 2021-01-12 | 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4228246A4 (ko) |
| KR (1) | KR20220101998A (ko) |
| WO (1) | WO2022154168A1 (ko) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100799829B1 (ko) * | 2006-10-11 | 2008-01-31 | 삼성전기주식회사 | 신경망을 이용한 오토포커싱 방법 |
| KR20090002685A (ko) * | 2007-07-02 | 2009-01-09 | 삼성전기주식회사 | 오토 포커싱 장치 및 방법 |
| JP5049899B2 (ja) * | 2008-06-30 | 2012-10-17 | キヤノン株式会社 | 撮像装置及びその制御方法 |
| JP2014126710A (ja) * | 2012-12-26 | 2014-07-07 | Canon Inc | 自動焦点検出装置およびその制御方法、撮像装置 |
| US9686463B2 (en) * | 2015-03-10 | 2017-06-20 | Qualcomm Incorporated | Systems and methods for continuous auto focus (CAF) |
| JP6412826B2 (ja) * | 2015-06-04 | 2018-10-24 | オリンパス株式会社 | 撮像装置 |
| JP2019215489A (ja) * | 2018-06-14 | 2019-12-19 | オリンパス株式会社 | 撮像装置および焦点調節方法 |
| US10917571B2 (en) * | 2018-11-05 | 2021-02-09 | Sony Corporation | Image capture device control based on determination of blur value of objects in images |
-
2021
- 2021-01-12 KR KR1020210004162A patent/KR20220101998A/ko active Search and Examination
- 2021-03-09 WO PCT/KR2021/002869 patent/WO2022154168A1/ko unknown
- 2021-03-09 EP EP21919797.7A patent/EP4228246A4/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4228246A1 (en) | 2023-08-16 |
| EP4228246A4 (en) | 2024-03-20 |
| WO2022154168A1 (ko) | 2022-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11949985B2 (en) | Electronic device including multiple cameras and method of controlling electronic device | |
| US20230262318A1 (en) | Method for taking photograph by using plurality of cameras, and device therefor | |
| US20230209202A1 (en) | Electronic device for performing image stabilization, and operating method therefor | |
| KR20220099789A (ko) | 카메라 모듈을 포함하는 전자 장치 및 그 전자 장치의 동작 방법 | |
| KR20220130481A (ko) | 카메라 모듈의 화각을 이용하여 이미지를 촬영하는 전자 장치 및 방법 | |
| KR20220101998A (ko) | 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법 | |
| US20240121512A1 (en) | Method and electronic device for controlling camera | |
| US20240013405A1 (en) | Object tracking method and electronic apparatus therefor | |
| US20240007732A1 (en) | Electronic device including plurality of cameras | |
| US20230101860A1 (en) | Electronic device including image sensor and operating method thereof | |
| US20230396885A1 (en) | Electronic device including camera module and electronic device operating method | |
| US20230091780A1 (en) | Electronic device and method for generating an image | |
| US20240098347A1 (en) | Electronic device comprising image sensor and dynamic vision sensor, and operating method therefor | |
| US20230396889A1 (en) | Image capturing method for electronic device, and electronic device therefor | |
| US20230007160A1 (en) | Photographing method of electronic apparatus and electronic apparatus thereof | |
| US20230199330A1 (en) | Electronic device for processing continuous shooting input and method thereof | |
| US20230199134A1 (en) | Electronic device applying bokeh effect to image and operating method thereof | |
| KR20240057293A (ko) | 이미지를 제공하는 방법 및 이를 지원하는 전자 장치 | |
| KR20240056362A (ko) | 카메라의 설정을 변경하기 위한 전자 장치, 방법, 및 비일시적 컴퓨터 판독가능 저장 매체 | |
| KR20220153366A (ko) | 이미지 왜곡을 보정하는 방법 및 그 전자 장치 | |
| KR20220146994A (ko) | 전자 장치 및 그의 이미지 처리 방법 | |
| KR20220115493A (ko) | 이미지 센서를 포함하는 전자 장치 및 그 동작 방법 | |
| KR20220014150A (ko) | 이미지 센서와 이미지 시그널 프로세서를 포함하는 전자 장치 및 그의 방법 | |
| KR20220058218A (ko) | 이미지 센서를 포함하는 전자 장치 및 그 동작 방법 | |
| KR20230168864A (ko) | 복수의 노출값을 이용하여 이미지를 처리하는 전자 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |