KR20220154379A - 보행자와 카메라 간 거리의 추정 방법 및 장치 - Google Patents

보행자와 카메라 간 거리의 추정 방법 및 장치 Download PDF

Info

Publication number
KR20220154379A
KR20220154379A KR1020210061827A KR20210061827A KR20220154379A KR 20220154379 A KR20220154379 A KR 20220154379A KR 1020210061827 A KR1020210061827 A KR 1020210061827A KR 20210061827 A KR20210061827 A KR 20210061827A KR 20220154379 A KR20220154379 A KR 20220154379A
Authority
KR
South Korea
Prior art keywords
pedestrian
camera
point
images
static point
Prior art date
Application number
KR1020210061827A
Other languages
English (en)
Inventor
박용곤종
장철훈
지대현
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 KR1020210061827A priority Critical patent/KR20220154379A/ko
Priority to US17/518,762 priority patent/US20220366177A1/en
Publication of KR20220154379A publication Critical patent/KR20220154379A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/026—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring distance between sensor and object
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle

Abstract

보행자와 카메라 간 거리의 추정 방법 및 장치가 개시된다. 보행자와 카메라 간 거리의 추정 방법은 상기 카메라로부터 수신한 복수의 이미지에 포함된 보행자 영역을 감지하는 단계; 상기 감지된 보행자 영역에서 정적 포인트(static point)를 결정하는 단계; 및 상기 복수의 이미지 각각의 정적 포인트 및 상기 복수의 이미지 각각에 대응하는 카메라의 위치들에 기초하여, 상기 보행자와 상기 카메라 간 거리를 결정하는 단계를 포함할 수 있다.

Description

보행자와 카메라 간 거리의 추정 방법 및 장치 {METHOD AND APPARATUS FOR ESTIMATING DISTANCE BETWEEN PEDESTRIAN AND CAMERA}
아래 실시예들은 보행자와 카메라 간 거리의 추정 방법 및 장치에 관한 것으로, 구체적으로는 보행자가 이동시 디딤 발이 일정 시간 고정되는 점을 이용하여 지면의 경사와 관계없이 보행자와 카메라 간의 거리를 정확하게 추정하는 기술에 관한 것이다.
최근, 자율주행에 대한 수요가 높아지면서, 관련된 연구들이 활발히 이루어지고 있다. 다만, 차량과 같은 이동 수단은, 프로세서나 스토리지와 같은 리소스에 한계가 있기 때문에, 데이터를 실시간으로 처리하기 위해서는 연산의 복잡도를 낮추고, 효율성을 높이는 것이 중요하다.
종래, 보행자 인식을 위한 기술은, 보행자로 검출된 영역의 바닥 선을 기준으로 카메라 프로젝션 기하학(camera projection geometry)을 이용하여 거리를 계산한다. 다만, 이 경우, 카메라가 기울어지거나, 보행자가 위치한 지면에 경사가 있는 경우, 보행자의 위치를 정확하게 추정하기 어려울 수 있다.
따라서, 경사나 카메라의 각도와 관계없이, 복수의 영상을 통해 보행자와 카메라 간의 위치를 정확하게 추정하는 기술이 요구된다.
일 실시예에 따른 보행자와 카메라 간 거리의 추정 방법은 상기 카메라로부터 수신한 복수의 이미지에 포함된 보행자 영역을 감지하는 단계; 상기 감지된 보행자 영역에서 정적 포인트(static point)를 결정하는 단계; 및 상기 복수의 이미지 각각의 정적 포인트 및 상기 복수의 이미지 각각에 대응하는 카메라의 위치들에 기초하여, 상기 보행자와 상기 카메라 간 거리를 결정하는 단계를 포함할 수 있다.
상기 정적 포인트는, 상기 보행자의 디딤발(stepping foot) 위치에 대응할 수 있다.
상기 정적 포인트를 결정하는 단계는, 상기 보행자 영역에서, 상기 보행자의 관절(joint) 영역을 추출하고, 상기 관절 영역에 기초하여, 상기 보행자의 정적 포인트를 결정할 수 있다.
상기 정적 포인트를 결정하는 단계는, 상기 관절 영역에서 상기 보행자의 디딤발(stepping foot) 위치에 대응하는 포인트를 상기 정적 포인트로 결정할 수 있다.
상기 정적 포인트를 결정하는 단계는, 상기 관절 영역에서 높이가 가장 낮은 지점을 상기 정적 포인트로 결정할 수 있다.
상기 보행자와 상기 카메라 간 거리를 계산하는 단계는, 상기 복수의 이미지 각각에서 상기 정적 포인트와 상기 카메라의 위치에 대응하는 포인트를 포함하는 벡터에 의해 결정되는 3차원 포인트들 간의 차이에 기초하여 상기 보행자와 상기 카메라 간 거리를 계산할 수 있다.
일 실시예에 따른 보행자와 카메라 간 거리의 추정 장치에 있어서, 상기 추정 장치는 프로세서를 포함하고, 상기 프로세서는, 상기 카메라로부터 수신한 복수의 이미지에 포함된 보행자 영역을 감지하고, 상기 감지된 보행자 영역에서 정적 포인트(static point)를 결정하고, 상기 복수의 이미지 각각의 정적 포인트 및 상기 복수의 이미지 각각에 대응하는 카메라의 위치들에 기초하여, 상기 보행자와 상기 카메라 간 거리를 결정할 수 있다.
상기 정적 포인트는, 상기 보행자의 디딤발(stepping foot) 위치에 대응할 수 있다.
상기 프로세서는, 상기 보행자 영역에서, 상기 보행자의 관절(joint) 영역을 추출하고, 상기 관절 영역에 기초하여, 상기 보행자의 정적 포인트를 결정할 수 있다.
상기 프로세서는, 상기 관절 영역에서 상기 보행자의 디딤발(stepping foot) 위치에 대응하는 포인트를 상기 정적 포인트로 결정할 수 있다.
상기 프로세서는, 상기 관절 영역에서 높이가 가장 낮은 지점을 상기 정적 포인트로 결정할 수 있다.
상기 프로세서는, 상기 복수의 이미지 각각에서 상기 정적 포인트와 상기 카메라의 위치에 대응하는 포인트를 포함하는 벡터에 의해 결정되는 3차원 포인트들 간의 차이에 기초하여 상기 보행자와 상기 카메라 간 거리를 계산할 수 있다.
도 1은 일 실시예에 따른 추정 장치를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 프로세서에서 데이터가 처리되는 과정을 블록도로 도시한 도면이다.
도 3는 일 실시예에 따른 SFM(Structure from Motion)를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 이동하는 카메라와 정적 포인트 간의 관계를 설명하기 위한 도면이다.
도5는 일 실시예에 따른 보행자와 카메라 간의 거리를 추정하는 동작 방법을 설명하기 위한 흐름도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 추정 장치를 설명하기 위한 도면이다.
도 1을 참조하면, 추정 장치(101)는 프로세서(102)를 포함할 수 있다. 프로세서(102)는 일 실시예에 따른 보행자와 카메라(104) 간 거리(105)의 추정 방법을 수행할 수 있다. 일례로, 추정 장치(101)는, 카메라(104)와 무선 또는 유선으로 연결될 수 있다. 카메라(104)는, 이미지들을 수집할 수 있다.
카메라(104)는 차량, 드론 및 자전거 등과 같은 이동 수단에 포함되어 주변 환경에 대한 이미지들을 수집할 수 있다. 일례로, 카메라(104)에 의해 수집된 이미지는 보행자를 포함할 수 있다. 추정 장치(101)는 카메라(104)로부터 수신한 이미지를 이용하여 보행자와 카메라(104) 간 거리(105)를 추정할 수 있다.
일 실시예에 따르면, 추정 장치(101)는 카메라(104)로부터 수신한 복수의 이미지에 포함된 보행자 영역(103)을 감지하고, 보행자 영역(103)에서 정적 포인트(static point)를 결정하고, 복수의 이미지 각각의 정적 포인트 및 복수의 이미지 각각에 대응하는 카메라(104)의 위치들에 기초하여, 보행자와 카메라(104) 간 거리(105)를 결정할 수 있다.
정적 포인트는, 복수의 이미지에 포함된 보행자 영역(103)에서 고정되는 지점을 의미할 수 있다. 즉, 정적 포인트는 서로 다른 시간에 대응하는 복수의 이미지 각각에서 위치 변화가 거의 없는 지점을 의미할 수 있다. 일례로, 정적 포인트는, 보행자의 디딤발(stepping foot) 위치에 대응하는 포인트일 수 있다.
보행자가 이동시 디딤 발은 일정 시간 동안 고정될 수 있다. 일 실시예에 따르면, 보행자가 이동시 디딤 발이 일정 시간 고정되는 점을 이용하여 지면의 경사와 관계없이, 보행자와 카메라(104) 간의 거리(105)를 정확하게 추정할 수 있다.
일례로, 보행자와 카메라(104) 간 거리(105)를 결정하기 위하여, 움직임 기반 구조(structure from motion, SFT)가 이용될 수 있다. 움직임 기반 구조는, 정지한 물체의 3차원 정보를 추출하기 위하여, 움직이는 카메라(104)와 물체를 매칭함으로써 깊이 정보를 추정하는 기술일 수 있다.
복수의 이미지는 디딤발이 고정되는 시간 동안 카메라(104)에 의해 수집된 이미지들을 의미할 수 있다. 일 실시예에 따르면, 추정 장치(101)는 보행자가 이동 시 디딤발이 고정되는 시간 동안 수집된 복수의 이미지에서 디딤발에 대응하는 정적 포인트를 결정하고, 정적 포인트에 기초하여 보행자와 카메라(104) 간의 거리(105)를 추정할 수 있다.
일 실시예에 따르면, 추정 장치(101)는 보행자가 이동 시 디딤발이 고정되는 시간 동안 수집된 복수의 이미지에서 디딤발에 대응하는 정적 포인트를 결정하고, 정적 포인트에 기초하여 보행자와 카메라(104) 간의 거리(105)를 추정할 수 있다.
일 실시예에 따르면, 추정 장치(101)는 복수의 이미지 각각의 정적 포인트 및 복수의 이미지 각각에 대응하는 카메라(104)의 위치들에 기초하여 움직임 기반 구조를 계산함으로써 보행자와 카메라(104) 간의 거리(105)를 추정할 수 있다.
일 실시예에 따르면, 보행자가 이동시 디딤 발이 일정 시간 고정되는 점을 이용하여 보행자와 카메라(104) 간 거리(105)를 추정하기 때문에, 지면의 경사와 관계없이, 보행자와 카메라(104) 간 거리(105)를 정확하게 추정할 수 있다. 다양한 실시예는, 자동차와 같은 이동 수단의 자율 주행에 적용될 수 있고, 증강 현실 등 다양한 분야에 적용될 수 있다.
도 2는 일 실시예에 따른 프로세서에서 데이터가 처리되는 과정을 블록도로 도시한 도면이다.
프로세서(102)는, 카메라(201-203)로부터, 서로 다른 위치(241-243)에 대한 복수의 이미지(211-213)들을 수신할 수 있다. 복수의 이미지(211-213)는 프로세서(102)는, 복수의 이미지(211-213)에 포함된 보행자 영역(221-223)을 감지할 수 있다. 일례로, 복수의 이미지(211-213)들은, 보행자가 한 걸음 딛는 동안 수집된 이미지들일 수 있다.
보행자 영역(221-223)은, 이미지(211-213)에서 보행자에 대응하는 영역을 의미할 수 있다. 보행자 영역(221-223)은, 이미지(211-213)에서 보행자를 포함하는 최소한의 영역을 의미할 수 있다.
보행자 영역(221-223)의 감지하는 기술(object detection)은 특정한 예로 제한되지 않으며, 통상의 기술자가 이용할 수 있는 객체 인식 기술들이 이용될 수 있다. 일례로, 딥러닝 기반의 객체 인식 기술이 이용될 수 있다. 프로세서(102)는, 객체 인식 기술을 통해 식별되는 인간을 보행자로 인식할 수 있다.
프로세서(102)는, 감지된 보행자 영역(221-223)에서 정적 포인트(251-253)를 결정할 수 있다. 프로세서(102)는, 보행자 영역(221-223)에서, 보행자의 관절(joint) 영역을 추출하고, 관절 영역(231-233)에 기초하여, 보행자의 정적 포인트(251-253)를 결정할 수 있다.
일례로, 보행자의 관절 영역(231-233)을 추출하기 위하여 인간 관절 감지(human joint detection), 포즈 추정(pose estimation)에 대한 기술들이 이용될 수 있다. 추정된 관절 영역(231-233)에 대한 예시는 도 4에서 후술한다.
프로세서(102)는, 관절 영역(231-233)에서 보행자의 디딤발(stepping foot) 위치(241-243)에 대응하는 포인트를 정적 포인트(251-253)로 결정할 수 있다. 프로세서(102)는, 관절 영역(231-233)에서 높이가 가장 낮은 지점을 정적 포인트(251-253)로 결정할 수 있다. 보행자가 이동시 디딤발은 바닥을 지지하기 때문에, 보행자 영역(221-223)에서 높이가 가장 낮은 지점에 대응할 수 있다.
프로세서(102)는, 보행자 영역(221-223)에서, 관절 영역(231-233)을 추출하고, 관절 영역(231-233)에서 높이가 가장 낮은 지점을 보행자의 디딤발에 대응하는 정적 포인트(251-253)로 결정할 수 있다.
보행자가 멈추어 있는 경우에도, 프로세서(102)는, 관절 영역(231-233)에서 높이가 가장 낮은 지점을 보행자의 디딤발에 대응하는 정적 포인트(251-253)로 결정할 수 있다.
프로세서(102)는, 복수의 이미지(211-213) 각각의 정적 포인트(251-253) 및 복수의 이미지(211-213) 각각에 대응하는 카메라(201-203)의 위치(241-243)들에 기초하여, 보행자와 카메라(201-203) 간 거리(260)를 결정할 수 있다. 프로세서(102)는, 복수의 이미지(211-213) 각각에서 정적 포인트(251-253)와 카메라(201-203)의 위치(241-243)에 대응하는 포인트를 포함하는 벡터에 의해 결정되는 3차원 포인트들 간의 차이에 기초하여 보행자와 카메라(201-203) 간 거리(260)를 계산할 수 있다.
보행자와 카메라(201-203) 간 거리(260)를 계산하기 위해, 움직임 기반 구조(SFM)가 이용될 수 있다. 일례로, 복수의 이미지(211-213) 별로 정적 포인트(251-253)와 카메라(201-203)의 위치(241-243)에 대응하는 포인트를 포함하는 벡터에 의해 3차원 포인트가 결정될 수 있다. 복수의 이미지(211-213) 별로 결정된 3차원 포인트들 간의 차이에 기초하여 정적 포인트(251-253)에 대한 3차원 좌표가 결정될 수 있다. 움직임 기반 구조의 원리는 도 3에서 후술한다.
도 3는 일 실시예에 따른 SFM(Structure from Motion)를 설명하기 위한 도면이다.
도 3을 참조하면, 카메라의 이동에 의해, 서로 다른 위치의 카메라(301, 302, 303)에서 이미지(306, 307, 308)가 수집될 수 있다. 도 3을 참조하면, 카메라(301, 302, 303)와 정지한 물체(304) 위 한 점(305)인 x1 간의 거리를 추정하기 위해 복수의 서로 다른 위치에 대한 이미지들(306, 307, 308)이 이용될 수 있다.
일례로, 카메라(301)가 수집한 이미지(306)에서, p1,1이 정적 포인트로 결정될 수 있다. 카메라(301) 위치에 대응하는 포인트와 정적 포인트(p1,1)를 포함하는 벡터에 의해 결정되는 3차원 포인트는 x1에 인접한 3차원 포인트일 수 있다.
카메라(302)가 수집한 이미지(307)에서, p1,2이 정적 포인트로 결정될 수 있다. 카메라(302) 위치에 대응하는 포인트와 정적 포인트(p1,2)를 포함하는 벡터에 의해 결정되는 3차원 포인트는 x1에 인접한 3차원 포인트일 수 있다.
카메라(303)가 수집한 이미지(308)에서, p1,3이 정적 포인트로 결정될 수 있다. 카메라(303) 위치에 대응하는 포인트와 정적 포인트(p1,3)를 포함하는 벡터에 의해 결정되는 3차원 포인트는 x1에 인접한 3차원 포인트일 수 있다.
일례로, 추정 장치는, 서로 다른 카메라(301, 302, 303)의 위치에 대응하는 이미지들(306, 307, 308) 각각에서 결정된 3차원 포인트들 간의 차이에 기초하여 카메라와 정지한 물체(304) 위 한 점인 x1 간의 거리를 결정할 수 있다. 추정 장치는, 서로 다른 카메라(301, 302, 303)의 위치에 대응하는 이미지들(306, 307, 308) 각각에서 결정된 3차원 포인트들에 움직임 기반 구조를 적용하여 카메라와 x1 간의 거리를 결정할 수 있다.
도 4는 일 실시예에 따른 이동하는 카메라와 정적 포인트 간의 관계를 설명하기 위한 도면이다.
도 4를 참조하면, 일정한 방향(404)으로 카메라(401, 402, 403)가 이동함에 따라 동일한 보행자(405)에 대한 복수의 이미지가 수집될 수 있다. 추정 장치는, 복수의 이미지 각각에 대해 보행자 영역을 감지할 수 있다.
추정 장치는, 보행자 영역에서, 정적 포인트(407)를 결정할 수 있다. 추정 장치는, 보행자에 대응하는 복수의 이미지 각각에 대해 보행자 영역을 감지할 수 있다. 추정 장치는 보행자 영역에서, 보행자의 관절 영역(406)을 추출할 수 있다. 관절 영역(406)을 추출하기 위해 인간 관절 감지(human joint detection), 포즈 추정(pose estimation)에 대한 기술들이 이용될 수 있다.
추정 장치는 관절 영역(406)에 기초하여 보행자의 디딤발에 대응하는 정적 포인트(407)를 결정할 수 있다. 일례로, 추정 장치는, 관절 영역(406)에서 높이가 가장 낮은 지점을 정적 포인트(407)로 결정할 수 있다. 일례로, 추정 장치는, 관절 영역(406)에서 지면과 가장 가까운 지점을 정적 포인트(407)로 결정할 수 있다.
추정 장치는, 복수의 이미지(예: 3장 이상의 이미지) 각각의 정적 포인트에 대하여, 움직임 기반 구조(SFM)를 수행함으로써 디딤발의 위치를 정확하게 추정할 수 있다. 실험 결과, 움직이는 발에 대한 위치 추정 결과, 거리가 정확하지 않았으나, 디딤발을 정적 포인트로 하여 추정한 결과, 실제 디딤발 까지의 거리가 정확히 추정되었다.
도5는 일 실시예에 따른 보행자와 카메라 간의 거리를 추정하는 동작 방법을 설명하기 위한 흐름도이다.
단계(501)에서, 프로세서는, 카메라로부터 수신한 복수의 이미지에 포함된 보행자 영역을 감지할 수 있다. 보행자 영역은, 이미지에서 보행자에 대응하는 영역을 의미할 수 있다. 보행자 영역은, 이미지에서 보행자를 포함하는 최소한의 영역을 의미할 수 있다.
보행자 영역의 감지하는 기술은 특정한 예로 제한되지 않으며, 통상의 기술자가 이용할 수 있는 객체 인식 기술들이 이용될 수 있다. 일례로, 딥러닝 기반의 객체 인식 기술이 이용될 수 있다. 프로세서는, 객체 인식 기술을 통해 식별되는 인간을 보행자로 인식할 수 있다.
단계(502)에서, 프로세서는, 감지된 보행자 영역에서 정적 포인트를 결정할 수 있다. 프로세서는, 관절 영역에서 보행자의 디딤발 위치에 대응하는 포인트를 정적 포인트로 결정할 수 있다. 프로세서는, 관절 영역에서 높이가 가장 낮은 지점을 정적 포인트로 결정할 수 있다.
프로세서는, 보행자 영역에서, 관절 영역을 추출하고, 관절 영역에서 지면과 가장 가까운 지점을 보행자의 디딤발에 대응하는 정적 포인트로 결정할 수 있다. 보행자가 멈추어 있는 경우에도, 프로세서는, 관절 영역에서 지면과 가장 가까운 지점을 보행자의 디딤발에 대응하는 정적 포인트로 결정할 수 있다.
단계(503)에서, 프로세서는, 복수의 이미지 각각의 정적 포인트 및 복수의 이미지 각각에 대응하는 카메라의 위치들에 기초하여, 보행자와 카메라 간 거리를 결정할 수 있다.
프로세서는, 복수의 이미지 각각의 정적 포인트 및 복수의 이미지 각각에 대응하는 카메라의 위치들에 기초하여, 보행자와 카메라 간 거리를 결정할 수 있다. 프로세서는, 복수의 이미지 각각에서 정적 포인트와 카메라의 위치에 대응하는 포인트를 포함하는 벡터에 의해 결정되는 3차원 포인트들 간의 차이에 기초하여 보행자와 카메라 간 거리를 계산할 수 있다.
보행자와 카메라 간 거리를 계산하기 위해, 움직임 기반 구조(SFM)가 이용될 수 있다. 일례로, 복수의 이미지 별로 정적 포인트와 카메라의 위치에 대응하는 포인트를 포함하는 벡터에 의해 3차원 포인트가 결정될 수 있다. 복수의 이미지 별로 결정된 3차원 포인트들 간의 차이에 기초하여 정적 포인트에 대한 3차원 좌표가 결정될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (14)

  1. 보행자와 카메라 간 거리의 추정 방법에 있어서,
    상기 카메라로부터 수신한 복수의 이미지에 포함된 보행자 영역을 감지하는 단계;
    상기 감지된 보행자 영역에서 정적 포인트(static point)를 결정하는 단계; 및
    상기 복수의 이미지 각각의 정적 포인트 및 상기 복수의 이미지 각각에 대응하는 카메라의 위치들에 기초하여, 상기 보행자와 상기 카메라 간 거리를 결정하는 단계
    를 포함하는, 추정 방법.
  2. 제1항에 있어서,
    상기 정적 포인트는,
    상기 보행자의 디딤발(stepping foot) 위치에 대응하는, 추정 방법.
  3. 제1항에 있어서,
    상기 정적 포인트를 결정하는 단계는,
    상기 보행자 영역에서, 상기 보행자의 관절(joint) 영역을 추출하고, 상기 관절 영역에 기초하여, 상기 보행자의 정적 포인트를 결정하는, 추정 방법.
  4. 제3항에 있어서,
    상기 정적 포인트를 결정하는 단계는,
    상기 관절 영역에서 상기 보행자의 디딤발(stepping foot) 위치에 대응하는 포인트를 상기 정적 포인트로 결정하는, 추정 방법.
  5. 제3항에 있어서,
    상기 정적 포인트를 결정하는 단계는,
    상기 관절 영역에서 높이가 가장 낮은 지점을 상기 정적 포인트로 결정하는, 추정 방법.
  6. 제1항에 있어서,
    상기 보행자와 상기 카메라 간 거리를 계산하는 단계는,
    상기 복수의 이미지 각각에서 상기 정적 포인트와 상기 카메라의 위치에 대응하는 포인트를 포함하는 벡터에 의해 결정되는 3차원 포인트들 간의 차이에 기초하여 상기 보행자와 상기 카메라 간 거리를 계산하는, 추정 방법.
  7. 하드웨어와 결합되어 제1항 내지 제6항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  8. 제1항 내지 제6항 중 어느 한 항의 방법을 실행하는 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능 기록매체.
  9. 보행자와 카메라 간 거리의 추정 장치에 있어서,
    상기 추정 장치는 프로세서를 포함하고,
    상기 프로세서는,
    상기 카메라로부터 수신한 복수의 이미지에 포함된 보행자 영역을 감지하고, 상기 감지된 보행자 영역에서 정적 포인트(static point)를 결정하고, 상기 복수의 이미지 각각의 정적 포인트 및 상기 복수의 이미지 각각에 대응하는 카메라의 위치들에 기초하여, 상기 보행자와 상기 카메라 간 거리를 결정하는,
    추정 장치.
  10. 제9항에 있어서,
    상기 정적 포인트는,
    상기 보행자의 디딤발(stepping foot) 위치에 대응하는, 추정 장치.
  11. 제9항에 있어서,
    상기 프로세서는,
    상기 보행자 영역에서, 상기 보행자의 관절(joint) 영역을 추출하고, 상기 관절 영역에 기초하여, 상기 보행자의 정적 포인트를 결정하는, 추정 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 관절 영역에서 상기 보행자의 디딤발(stepping foot) 위치에 대응하는 포인트를 상기 정적 포인트로 결정하는, 추정 장치.
  13. 제11항에 있어서,
    상기 프로세서는,
    상기 관절 영역에서 높이가 가장 낮은 지점을 상기 정적 포인트로 결정하는, 추정 장치.
  14. 제9항에 있어서,
    상기 프로세서는,
    상기 복수의 이미지 각각에서 상기 정적 포인트와 상기 카메라의 위치에 대응하는 포인트를 포함하는 벡터에 의해 결정되는 3차원 포인트들 간의 차이에 기초하여 상기 보행자와 상기 카메라 간 거리를 계산하는, 추정 장치.
KR1020210061827A 2021-05-13 2021-05-13 보행자와 카메라 간 거리의 추정 방법 및 장치 KR20220154379A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210061827A KR20220154379A (ko) 2021-05-13 2021-05-13 보행자와 카메라 간 거리의 추정 방법 및 장치
US17/518,762 US20220366177A1 (en) 2021-05-13 2021-11-04 Method and apparatus with estimation of distance between pedestrian and camera

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210061827A KR20220154379A (ko) 2021-05-13 2021-05-13 보행자와 카메라 간 거리의 추정 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20220154379A true KR20220154379A (ko) 2022-11-22

Family

ID=83997867

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210061827A KR20220154379A (ko) 2021-05-13 2021-05-13 보행자와 카메라 간 거리의 추정 방법 및 장치

Country Status (2)

Country Link
US (1) US20220366177A1 (ko)
KR (1) KR20220154379A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11810366B1 (en) * 2022-09-22 2023-11-07 Zhejiang Lab Joint modeling method and apparatus for enhancing local features of pedestrians

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9398227B2 (en) * 2012-01-05 2016-07-19 GM Global Technology Operations LLC System and method for estimating daytime visibility
US10318826B2 (en) * 2016-10-07 2019-06-11 Ford Global Technologies, Llc Rear obstacle detection and distance estimation
CN114364591A (zh) * 2019-06-06 2022-04-15 移动眼视觉科技有限公司 用于交通工具导航系统和方法

Also Published As

Publication number Publication date
US20220366177A1 (en) 2022-11-17

Similar Documents

Publication Publication Date Title
KR102455632B1 (ko) 스테레오 매칭 방법 및 장치
KR101776620B1 (ko) 검색 기반 상관 매칭을 이용하여 이동 로봇의 위치를 인식하기 위한 장치 및 그 방법
KR102463169B1 (ko) 시점 추적 방법 및 장치
KR101776621B1 (ko) 에지 기반 재조정을 이용하여 이동 로봇의 위치를 인식하기 위한 장치 및 그 방법
KR101708659B1 (ko) 이동 로봇의 맵을 업데이트하기 위한 장치 및 그 방법
KR102472767B1 (ko) 신뢰도에 기초하여 깊이 맵을 산출하는 방법 및 장치
EP2671384B1 (en) Mobile camera localization using depth maps
KR102137264B1 (ko) 카메라 포즈 추정 장치 및 방법
KR20150144729A (ko) 그래디언트 기반 특징점을 이용한 이동 로봇의 위치를 인식하기 위한 장치 및 그 방법
KR20150144731A (ko) 다이렉트 트래킹을 이용하여 이동 로봇의 위치를 인식하기 위한 장치 및 그 방법
JP2016099941A (ja) オブジェクト位置推定システム、及びそのプログラム
KR20110097140A (ko) 이동 로봇의 위치 추정 장치 및 방법
JP7183085B2 (ja) 移動体行動登録装置、移動体行動登録システム、移動体行動登録方法、移動体行動登録プログラム、及び移動体行動決定装置
KR20120040924A (ko) 영상 처리 장치 및 방법
KR20200050246A (ko) 2차원 영상으로부터 3차원 객체를 검출하는 방법 및 장치
KR20120011653A (ko) 영상 처리 장치 및 방법
KR20210116953A (ko) 타겟 트래킹 방법 및 장치
JP6240706B2 (ja) グラフマッチングおよびサイクル検出による自動モデル初期化を用いた線トラッキング
KR20200042100A (ko) 이미지 변환 장치 및 방법
KR20230053347A (ko) 좌표 정보를 이용한 객체 검출 네트워크 기법
KR20220154379A (ko) 보행자와 카메라 간 거리의 추정 방법 및 장치
KR101656618B1 (ko) 물리 객체에 대한 증강 현실 제공 방법 및 장치
KR20200016627A (ko) 자체 운동 추정 방법 및 장치
JP2018205950A (ja) 自車位置推定用環境地図生成装置、自車位置推定装置、自車位置推定用環境地図生成プログラム、及び自車位置推定プログラム
KR101436695B1 (ko) 깊이 영상을 이용한 손 검출 장치 및 방법