KR20230038087A

KR20230038087A - 영상 데이터에 포함된 텍스트 플레이트 비식별화 방법 및 이를 수행하기 위한 장치

Info

Publication number: KR20230038087A
Application number: KR1020220096380A
Authority: KR
Inventors: 김진아; 김철진
Original assignee: 주식회사 스마트랩스
Priority date: 2021-02-26
Filing date: 2022-08-02
Publication date: 2023-03-17
Also published as: KR20230038088A; KR20220122458A; KR20230038086A; KR20220122456A; KR102665700B1; KR20220122455A; KR20220122457A

Abstract

영상 데이터에 포함된 텍스트 플레이트 비식별화 방법 및 이를 수행하기 위한 장치가 개시된다. 다양한 실시예에 따른 텍스트 플레이트를 비식별화하는 비식별화 방법은 입력 이미지로부터 하나 이상의 텍스트를 추출한 텍스트 데이터를 획득하는 동작, 상기 입력 이미지로부터 텍스트를 제외한 이미지 영역만을 추출한 제1 이미지 데이터를 획득하는 동작, 상기 제1 이미지 데이터에 기초하여 텍스트 플레이트의 유형을 파악해서 상기 유형이 기재된 라벨을 생성하는 동작과 상기 텍스트 데이터 및 상기 유형이 기재된 라벨에 기초하여 상기 입력 이미지에 포함된 텍스트 플레이트가 비식별화된 이미지를 생성하는 동작을 포함할 수 있다.

Description

영상 데이터에 포함된 텍스트 플레이트 비식별화 방법 및 이를 수행하기 위한 장치{METHOD FOR DE-IDENTIFYING TEXT PLATE CONTAINED IN VIDEO DATA, AND DEVICE PERFORMING THE SAME}

본 발명의 다양한 실시예는 영상 데이터에 포함된 텍스트 플레이트 비식별화 방법 및 이를 수행하기 위한 장치에 관한 것이다.

인공지능 기술의 발달로 CNN 기반의 영상 처리 기술이 발전함에 따라 영상데이터를 활용한 다양한 서비스 개발과 연구가 활발히 진행되고 있다. 영상 처리에 인공지능 기술을 활용하기 위해서는 학습 도메인에 맞는 많은 영상 데이터 수집이 필요하다. 하지만, 데이터 3법 개정 이후 개인식별정보 비식별처리에 대한 의무가 발생함에 따라 영상 데이터 속 개인식별정보를 비식별화 하는 과정 또한 필수적이다. 이에, 영상 속에서 식별 가능한 텍스트 플레이트(예: 차량 번호판, 간판, 이정표, 명판 등)에 대한 비식별화 방법이 요구되고 있다.

위에서 설명한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.

영상 속 개인식별정보를 비식별화하기 위해 blurring이나 blocking 방식을 사용할 경우 영상 속 객체의 특징이 유실되어 학습 데이터의 가치를 상실하게 될 수 있다. 예를 들어, 자율주행을 위한 주행학습 데이터를 수집할 때 차량 번호판 영역을 blurring 방식으로 비식별화 하면 차량 번호판이라는 객체의 특징이 유실되어 학습에 사용할 수 없게 된다. 이에, 영상 데이터에 포함된 개인식별정보에 대해 blurring이나 blocking 방식이 아닌 다른 형태의 변형을 통해 학습 가능한 형태의 비식별화를 수행하는 자동화된 기술이 요구될 수 있다.

다양한 실시예들은 개인식별정보에 해당하는 텍스트 플레이트를 학습이 가능한 형태로 비식별화하는 기술을 제공할 수 있다.

다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.

다양한 실시예에 따른 텍스트 플레이트를 비식별화하는 비식별화 모델 생성 방법은 제1 샘플 데이터로부터 텍스트를 제외한 이미지 영역만을 추출한 제2 샘플 데이터를 획득하는 동작과 상기 제2 샘플 데이터에 기초하여 비식별화 모델을 생성하는 동작을 포함할 수 있다.

상기 생성하는 동작은 상기 제2 샘플 데이터를 상기 비식별화 모델에 포함된 라벨 태깅 모듈에 입력시켜 상기 제2 샘플 데이터의 유형이 기재된 라벨인 제3 샘플 데이터를 생성하는 동작과 상기 제2 샘플 데이터 및 상기 유형이 기재된 라벨에 기초하여 상기 비식별화 모델에 포함된 텍스트 플레이트 유형 파악 네트워크를 학습시키는 동작을 포함할 수 있다.

다양한 실시예에 따른 텍스트 플레이트를 비식별화하는 비식별화 방법은 입력 이미지로부터 하나 이상의 텍스트를 추출한 텍스트 데이터를 획득하는 동작, 상기 입력 이미지로부터 텍스트를 제외한 이미지 영역만을 추출한 제1 이미지 데이터를 획득하는 동작, 상기 제1 이미지 데이터에 기초하여 텍스트 플레이트의 유형을 파악해서 상기 유형이 기재된 라벨을 생성하는 동작과 상기 텍스트 데이터 및 상기 유형이 기재된 라벨에 기초하여 상기 입력 이미지에 포함된 텍스트 플레이트가 비식별화된 이미지를 생성하는 동작을 포함할 수 있다.

상기 비식별화된 이미지를 생성하는 동작은 상기 텍스트 데이터를 텍스트 변경 모듈에 입력하여 텍스트 변형 데이터를 생성하는 동작을 포함할 수 있다.

상기 텍스트 변형 데이터를 생성하는 동작은 상기 유형이 기재된 라벨을 유지하는 경우에는 상기 유형이 기재된 라벨에 상응하는 텍스트 양식에 따라 상기 텍스트 데이터의 텍스트를 변경하여 상기 텍스트 변형 데이터를 생성하고, 상기 유형이 기재된 라벨을 변경하는 경우에는 변경된 라벨에 상응하는 텍스트 양식에 따라 상기 텍스트 데이터의 텍스트를 변경하여 상기 텍스트 변형 데이터를 생성할 수 있다.

상기 텍스트 변형 데이터를 생성하는 동작은 상기 텍스트 데이터에 포함된 한글, 영어, 및 숫자 중 하나 이상을 변경하는 동작을 포함하고, 상기 숫자는 각 자리에서 가져온 숫자를 제외한 것으로 변경되는 것일 수 있다.

상기 텍스트 변형 데이터는 지역 정보를 더 포함할 수 있다.

상기 비식별화된 이미지를 생성하는 동작은 상기 텍스트 변형 데이터에 제2 이미지 데이터를 합성하여 합성 이미지를 생성하는 동작과 상기 합성 이미지를 보정한 이미지에 기초하여 상기 비식별화된 이미지를 생성하는 동작을 포함할 수 있다.

상기 보정한 이미지는, 상기 합성 이미지와 상기 입력 이미지를 비교하여 상기 입력 이미지와의 특징이 일치하도록 상기 합성 이미지를 보정한 이미지인 것일 수 있다.

상기 제2 이미지 데이터는 상기 유형이 기재된 라벨을 유지하는 경우, 상기 유형이 기재된 라벨에 상응하는 이미지인 것이고, 상기 유형이 기재된 라벨을 변경하는 경우, 상기 변경된 라벨에 상응하는 이미지인 것일 수 있다.

다양한 실시예에 따른 텍스트 플레이트를 비식별화하는 장치는 인스트럭션들을 포함하는 메모리 및 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 입력 이미지로부터 하나 이상의 텍스트를 추출한 텍스트 데이터를 획득하고, 상기 입력 이미지로부터 텍스트를 제외한 이미지 영역만을 추출한 제1 이미지 데이터를 획득하고, 상기 제1 이미지 데이터에 기초하여 텍스트 플레이트의 유형을 파악해서 상기 유형이 기재된 라벨을 생성하고, 상기 텍스트 데이터 및 상기 유형이 기재된 라벨에 기초하여 상기 입력 이미지에 포함된 텍스트 플레이트(text plate)가 비식별화된 이미지를 생성할 수 있다.

상기 프로세서는 상기 텍스트 데이터를 텍스트 변경 모듈에 입력하여 텍스트 변형 데이터를 생성할 수 있다.

상기 프로세서는 상기 유형이 기재된 라벨을 유지하는 경우에는 상기 유형이 기재된 라벨에 상응하는 텍스트 양식에 따라 상기 텍스트 데이터의 텍스트를 변경하여 상기 텍스트 변형 데이터를 생성하거나 상기 유형이 기재된 라벨을 변경하는 경우에는 변경된 라벨에 상응하는 텍스트 양식에 따라 상기 텍스트 데이터의 텍스트를 변경하여 상기 텍스트 변형 데이터를 생성할 수 있다.

상기 프로세서는 상기 텍스트 데이터에 포함된 한글, 영어, 및 숫자 중 하나 이상을 변경하고, 상기 숫자는 각 자리에서 가져온 숫자를 제외한 것으로 변경되는 것일 수 있다.

상기 텍스트 변형 데이터는 지역 정보를 더 포함할 수 있다.

상기 프로세서는 상기 텍스트 변형 데이터에 제2 이미지 데이터를 합성하여 합성 이미지를 생성하고, 상기 합성 이미지를 보정한 이미지에 기초하여 상기 비식별화된 이미지를 생성할 수 있다.

상기 보정한 이미지는 상기 합성 이미지와 상기 입력 이미지를 비교하여 상기 입력 이미지와의 특징이 일치하도록 상기 합성 이미지를 보정한 이미지인 것일 수 있다.

상기 제2 이미지 데이터는 상기 유형이 기재된 라벨을 유지하는 경우에는 상기 유형이 기재된 라벨에 상응하는 이미지인 것이고, 상기 유형이 기재된 라벨을 변경하는 경우에는 상기 변경된 라벨에 상응하는 이미지인 것일 수 있다.

도 1은 다양한 실시예에 따른 개인식별정보의 비식별화를 수행하는 전자 장치의 블록도이다.
도 2는 도 1에 도시된 객체 탐지기의 일 예를 설명하기 위한 도면이다.
도 3은 도 1에 도시된 비식별화 모델의 블록도이다.
도 4는 다양한 실시예에 따른 비식별화 모델을 생성하는 동작을 설명하기 위한 도면이다.
도 5는 다양한 실시예에 따른 제2 비식별화 모델을 생성하는 동작을 설명하기 위한 도면이다.
도 6은 도 5에 도시된 텍스트 변경 모듈의 일 예를 설명하기 위한 도면이다.
도 7은 다양한 실시예에 따른 전자 장치의 동작 방법의 일 예에 대한 흐름도이다.
도 8은 다양한 실시예에 따른 전자 장치의 동작 방법의 다른 예에 대한 흐름도이다.
도 9는 다양한 실시예에 따른, 전자 장치의 다른 예를 나타낸다.

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 다양한 실시예에 따른 개인식별정보의 비식별화를 수행하는 전자 장치의 블록도이다. 도 2는 도 1에 도시된 객체 탐지기의 동작의 일 예를 설명하기 위한 도면이다.

도 1 및 도 2를 참조하면, 다양한 실시예에 따르면, 전자 장치(100)는 객체 탐지기(110) 및 비식별화 모델(140)를 포함할 수 있다. 비식별화 모델(140)은 도 4 내지 도 7를 참조하여 후술할 동작에 의해서 생성(예: 학습)된 것일 수 있다.

다양한 실시예에 따르면, 전자 장치(100)는 원본 미디어 내 객체의 특징을 유지하면서도 다양한 개인식별정보(예: 얼굴, 신체, 차량 번호판, 명판, 간판 등)를 비식별화할 수 있다. 객체의 특징이 여전히 유지되기 때문에, 비식별화된 미디어는 학습 데이터로서의 가치를 보존할 수 있다. 예를 들어, 자율 주행을 위한 주행 학습 데이터를 수집할 때 보행자 영역을 blurring이나 blocking방식을 사용한다면 미디어의 학습 데이터로서의 가치가 상실될 수 있다. 전자 장치(100)가 원본 미디어에서 객체의 특징을 유지하면서 개인식별정보만 비식별화함으로써, 보행자가 누구인지는 알 수 없으나, 보행자라는 객체의 특징이 유지되어 학습에 사용하기에 적합할 수 있다.

다양한 실시예에 따르면, 객체 탐지기(110)는 원본 미디어를 획득(예: 수신)할 수 있다. 원본 미디어는 외부로부터 수집된 것일 수 있다. 객체 탐지기(110)는 원본 미디어에 포함된 하나 이상의 객체(예: 보행자, 차량 등)를 탐지하여 객체가 탐지된 제1 이미지를 출력할 수 있다.

다양한 실시예에 따르면, 객체 탐지기(110)의 동작 일 예는 도 2에 도시된 바와 같을 수 있다. 동작 210에서, 객체 탐지기(110)는 원본 미디어에 대해 관심있는 객체를 식별하는 오브젝트 디텍션(object detection)을 수행할 수 있다. 예를 들어, 객체 탐지기(110)는 frame differencing, optical flow, background subtraction, 또는 그와 실질적으로 동일한 기능을 하는 알고리즘 중에서 하나 이상을 이용하여 오브젝트 디텍션을 수행할 수 있다. 동작 220에서, 객체 탐지기(110)는 수신한 원본 미디어가 연속된 이미지로 이루어진 영상인지의 여부를 판단할 수 있다. 원본 미디어가 영상이 아닌 단일 이미지일 경우, 객체 탐지기(110)는 원본 미디어에 대한 오브젝트 디텍션 수행 결과를 출력할 수 있다. 원본 미디어가 연속된 이미지일 경우, 객체 탐지기(110)는 연속된 이미지의 프레임에 걸쳐 동일 객체라고 판단된 객체를 추적하는 오브젝트 트래킹(object tracking)을 수행할 수 있다. 예를 들어, 객체 탐지기(110)는 point tracking, kernel tracking, silhouette 또는 그와 실질적으로 동일한 기능을 하는 알고리즘 중에서 하나 이상을 이용하여 오브젝트 트래킹을 수행할 수 있다.

다양한 실시예에 따르면, 비식별화 모델(140)은 객체 탐지기(110)로부터 출력된 제1 이미지를 수신할 수 있다. 제1 이미지는 개인식별정보를 포함할 수 있다. 비식별화 모델(140)은 제1 이미지에서 개인식별정보(예: 얼굴, 신체, 차량 번호판, 명판, 간판 등)에 대응하는 부분이 분할된 이미지를 생성할 수 있다. 또한, 비식별화 모델(140)은 개인식별정보에 대응하는 가상 이미지를 생성할 수 있다. 비식별화 모델(140)은 원본 미디어 및 제1 이미지에 기초하여 원본 미디어에 가상 이미지가 반영된 이미지를 생성할 수 있다. 예를 들어, 비식별화 모델(140)은 분할된 이미지의 위치에 기초하여 원본 미디어에 가상 이미지를 합성함으로써 제1 이미지의 개인식별정보가 비식별화된 제2 이미지를 생성할 수 있다.

도 3은 다양한 실시예에 따른, 도 1에 포함된 비식별화 모델의 블록도이다.

도 3을 참조하면, 다양한 실시예에 따르면, 비식별화 모델(140)은 분할 모델(150), 제1 비식별화 모델(160), 및 제2 비식별화 모델(170)를 포함할 수 있다. 제2 비식별화 모델(170)은 도 4 내지 도 6을 참조하여 후술할 동작에 의해서 생성(예: 학습)된 것일 수 있다.

다양한 실시예에 따르면, 분할 모델(150)은 제1 이미지를 수신할 수 있다. 제1 이미지는 개인식별정보(예: 얼굴, 신체, 차량 번호판, 명판, 간판 등)를 포함할 수 있다. 분할 모델(150)은 제1 이미지에서 개인식별정보에 상응하는 부분을 분할할 수 있다. 분할 모델(150)은 세그멘테이션 네트워크(155)(예: CNN 기반의 세그멘테이션 네트워크)를 포함할 수 있다.

다양한 실시예에 따르면, 분할 모델(150)은 제1 이미지에 기초하여 계층정보 데이터를 생성할 수 있다. 예를 들어, 분할 모델(150)은 제1 이미지에 포함된 객체의 정보를 추출하여 계층화함으로써 계층정보 데이터를 생성할 수 있다.

다양한 실시예에 따르면, 세그멘테이션 네트워크(155)는 제1 이미지를 수신하여 제1 이미지의 개인식별정보에 대응되는 부분이 분할된 이미지를 생성하고, 분할된 이미지를 출력할 수 있다.

다양한 실시예에 따르면, 비식별화 모델(140)은 객체의 종류에 기초하여 분할 모델(150)의 출력(예: 분할된 이미지)을 분류하여 제1 비식별화 모델(160) 또는 제2 비식별화 모델(170)로 출력하는 분류기(미도시)를 더 포함할 수 있다. 객체가 보행자인 경우에는 분할 모델(150)의 출력(예: 분할된 이미지)은 제1 비식별화 모델(160)로 출력될 수 있고, 객체가 사물(예: 자동차, 간판 등)인 경우에는 분할 모델(150)의 출력(예: 분할된 이미지)은 제2 비식별화 모델(170)로 출력될 수 있다.

다양한 실시예에 따르면, 제1 비식별화 모델(160)은 분할 모델(150)의 출력(예: 분할된 이미지)을 수신할 수 있다. 분할된 이미지는 얼굴 및 신체 중 적어도 어느 하나를 포함할 수 있다.

다양한 실시예에 따르면, 제1 비식별화 모델(160)은 분할된 이미지로부터 정보를 추출할 수 있다. 추출된 정보는 분할된 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나를 구성하는 요소의 특징 중에서 적어도 어느 하나에 대한 정보를 포함할 수 있다. 제1 비식별화 모델(160)은 GAN 네트워크(165)를 포함할 수 있다.

다양한 실시예에 따르면, GAN 네트워크(165)는 분할된 이미지 및 추출된 정보에 기초하여 분할된 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나에 대응하는 가상 이미지를 생성하고, 가상 이미지를 출력할 수 있다. GAN 네트워크(165)는 추출된 정보에 기초하여 분할된 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나가 가지는 요소의 특징을 유지하는 것을 조건으로 가상 이미지를 생성할 수 있다. 가상 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나는 분할된 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나와 전혀 다른 생김새일 수 있고, 크기는 동일할 수 있다.

다양한 실시예에 따르면, 제1 비식별화 모델(160)은 분할된 이미지의 위치에 기초하여 원본 미디어에 가상 이미지를 합성한 합성 이미지(예: 개인식별정보가 비식별화된 제2 이미지)를 생성할 수 있고, 합성 이미지를 출력할 수 있다. 예를 들어, 원본 미디어에 포함된 객체가 보행자일 경우, 제1 비식별화 모델(160)은 보행자의 얼굴 및 신체 중 적어도 어느 하나가 분할된 위치에 가상의 얼굴 및 가상의 신체 중 적어도 어느 하나를 합성할 수 있다. 제1 비식별화 모델(160)은 원본 미디어 내의 얼굴 또는 신체와 대응되는 가상 이미지를 원본 미디어 내의 얼굴 또는 신체의 기존 위치에 합성함으로써 이질감이 없고 자연스러운 합성 이미지를 생성할 수 있다.

다양한 실시예에 따르면, 제1 비식별화 모델(160)의 출력인 합성 이미지를 학습 데이터로서 활용할 경우, 원본 미디어 내 기존의 얼굴 및 신체 중 적어도 어느 하나가 있던 위치에 가상의 얼굴 및 가상의 신체 중 적어도 어느 하나가 존재하므로 개인식별정보를 노출시키지 않을 수 있다. 또한, 합성 이미지는 이질감이 없고 자연스러우므로 학습 데이터로서의 가치를 보존할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 입력 이미지(예: 분할된 이미지)을 수신하여 입력 이미지에 포함된 텍스트 플레이트(예: 차량 번호판, 간판, 명판, 이정표 등)가 비식별화된 이미지를 생성할 수 있다. 제2 비식별화 모델(170)은 신경망 네트워크(175)를 포함할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 입력 이미지로부터 하나 이상의 텍스트(예: 한글, 영어, 숫자 등)를 추출한 텍스트 데이터를 획득할 수 있다. 제2 비식별화 모델(170)은 입력 이미지로부터 텍스트를 제외한 이미지 영역만을 추출한 제1 이미지 데이터를 획득할 수 있다.

다양한 실시예에 따르면, 신경망 네트워크(175)는 제1 이미지 데이터의 유형(예: 신형 자동차의 번호판, 구형 자동차의 번호판, 전기차의 번호판, 명판, 간판 등)을 파악하여 유형이 기재된 라벨을 생성하고 라벨을 출력할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 텍스트 데이터 및 유형이 기재된 라벨을 수신하여 텍스트가 변경된 텍스트 변형 데이터를 생성하고 출력할 수 있다. 제2 비식별화 모델(170)은 라벨을 유형이 기재된 라벨로부터 그 이외의 라벨로 변경할 것인지의 여부를 선택할 수 있다. 라벨을 변경할 경우, 텍스트 변경 모듈(540)은 변경된 라벨에 상응하는 텍스트 양식(예: 글꼴, 색깔, 크기 등)을 반영할 수 있다. 텍스트 양식은 외부로부터 수집된 것일 수 있다. 라벨을 변경하지 않을 경우, 제2 비식별화 모델(170)은 유형이 기재된 라벨에 상응하는 텍스트 양식을 반영할 수 있다. 제2 비식별화 모델(170)은 텍스트에 포함된 숫자를 각 자리에서 가져온 숫자를 제외한 다른 숫자로 변경할 수 있다. 제2 비식별화 모델(170)은 한글을 규칙에 따르거나 규칙에 상관없이 랜덤하게 변경할 수 있다. 제2 비식별화 모델(170)은 유형이 기재된 라벨 또는 변경된 라벨에 따라 지역 정보가 필요한지 확인하고, 지역 정보를 추가할 수 있다. 예를 들어, 유형이 기재된 라벨 또는 변경된 라벨에 '2004년도 이전 구형 자동차의 번호판'이라고 기재되어 있을 경우, 등록 지역의 표기(예: 서울 등)을 추가할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 텍스트 변형 데이터 및 라벨 이미지를 수신할 수 있다. 제2 비식별화 모델(170)이 라벨을 텍스트 유형 파악 네트워크(530)의 출력(예: 유형이 기재된 라벨)으로 유지하는 경우에는 라벨 이미지 데이터는 유형이 기재된 라벨에 상응하는 이미지이고, 제2 비식별화 모델(170)이 라벨을 텍스트 유형 파악 네트워크(530)의 출력 이외의 라벨로 변경하는 경우에는 라벨 이미지는 변경된 라벨에 상응하는 이미지이다. 변경된 라벨에 상응하는 이미지는 외부로부터 공급될 수 있다. 제2 비식별화 모델(170)은 텍스트 변형 데이터에 라벨 이미지를 합성하여 합성 이미지를 생성하고, 합성 이미지를 출력할 수 있다. 합성 이미지는 텍스트 플레이트를 정면에서 바라본 것을 가정했을 때의 이미지일 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 합성 이미지 및 입력 이미지에 기초하여 합성 이미지를 보정함으로써 입력 이미지의 텍스트 플레이트가 비식별화된 이미지를 생성하고, 텍스트 플레이트를 출력할 수 있다. 제2 비식별화 모델(170)은 합성 이미지의 텍스트 플레이트와 입력 이미지의 텍스트 플레이트 간의 특징(예: 비율, 기울기 등)을 비교하여 차이를 계산할 수 있다. 보정 모듈(570)은 합성 이미지의 특징이 입력 이미지의 특징과 일치해서 차이가 0 이거나 0에 근접해지도록 합성 이미지를 보정할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 보정된 이미지를 원본 미디어 내의 텍스트 플레이트의 위치에 합성함으로써 이질감이 없고 자연스러운 비식별화된 이미지를 생성하고 출력할 수 있다.

다양한 실시예에 따른 제2 비식별화 모델(170)의 출력인 비식별화된 이미지를 학습 데이터로 활용할 경우, 원본 미디어 내 기존의 텍스트 플레이트가 있던 위치에 가상의 텍스트 플레이트가 존재하므로 개인식별정보를 노출시키지 않을 수 있다. 또한, 비식별화된 이미지는 이질감이 없고 자연스러우므로 학습 데이터로서의 가치를 보존할 수 있다.

도 4는 다양한 실시예에 따른 비식별화 모델을 생성하는 동작을 설명하기 위한 도면이다.

도 4를 참조하면, 다양한 실시예에 따르면, 전자 장치(400)는 제1 학습 데이터 및 제1 학습 데이터로부터 획득한 제2 학습 데이터에 기초하여 비식별화 모델(440)을 생성(예: 학습)할 수 있다. 제2 학습 데이터는 전자 장치(400)에 포함된 데이터 수집기(410)에 의해 제1 학습 데이터로부터 획득될 수 있다.

다양한 실시예에 따르면, 데이터 수집기(410)는 제1 학습 데이터 및 제1 학습 데이터로부터 획득한 제2 학습 데이터를 수집할 수 있다. 제1 학습 데이터는 개인식별정보에 상응하는 데이터를 포함할 수 있다. 제2 학습 데이터는 개인식별정보(예: 얼굴, 신체, 텍스트 플레이트 등)에 상응하는 데이터일 수 있다. 데이터 수집기(410)는 추출 오픈소스(412) 및 개인식별정보 학습 데이터베이스(414)를 포함할 수 있다.

다양한 실시예에 따르면, 추출 오픈소스(412)는 제1 학습 데이터로부터 제2 학습 데이터를 추출할 수 있다. 추출 오픈소스(412)는 데이터를 추출 또는 그와 실질적으로 동일한 기능을 하기 위한 모든 오픈소스를 포함한다. 제1 학습 데이터 및 제2 학습 데이터는 쌍으로 존재할 수 있다.

다양한 실시예에 따르면, 개인식별정보 학습 데이터베이스(414)는 데이터를 저장할 수 있다. 저장된 데이터는 수신한 제1 학습 데이터 및 제2 학습 데이터의 쌍의 집합일 수 있다.

다양한 실시예에 따르면, 비식별화 모델(440)은 입력한 이미지의 개인식별정보 부분만 비식별화한 이미지를 생성하도록 학습될 수 있고, 생성한 이미지를 출력할 수 있도록 학습될 수 있다.

다양한 실시예에 따르면, 비식별화 모델(440)은 다량의 데이터를 기반으로 학습됨으로써 생성될 수 있다. 다량의 데이터는 개인식별정보 학습 데이터베이스(414)에서 공급될 수 있다. 비식별화 모델(440)은 분할 모델(150), 가상 영상 생성 학습 데이터베이스(444), 제1 비식별화 모델(160), 및 제2 비식별화 모델(448)을 포함할 수 있다. 분할 모델(150)은 제1 학습 데이터에서 개인식별정보에 대응되는 부분을 분할할 수 있다. 제1 비식별화 모델(446)은 분할 모델(150)의 출력을 수신하여 제1 학습 데이터에 포함된 얼굴 및 신체 중 하나 이상을 비식별화하도록 학습됨으로써 생성될 수 있다. 제2 비식별화 모델(170)은 분할 모델(150)의 출력을 수신하여 제1 학습 데이터의 텍스트 플레이트(예: 차량 번호판, 간판, 명판, 이정표 등)을 비식별화도록 학습됨으로써 생성될 수 있다.

다양한 실시예에 따르면, 분할 모델(150)은 제1 이미지(예: 제1 학습 데이터)를 수신할 수 있다. 제1 이미지는 개인식별정보(예: 얼굴, 신체, 차량 번호판, 명판, 간판 등)를 포함할 수 있다. 분할 모델(150)은 제1 이미지에서 개인식별정보에 상응하는 부분을 분할할 수 있다. 분할 모델(150)은 세그멘테이션 네트워크(155)(예: CNN 기반의 세그멘테이션 네트워크)를 포함할 수 있다.

다양한 실시예에 따르면, 비식별화 모델(440)은 객체의 종류에 기초하여 분할 모델(150)의 출력(예: 분할된 이미지)을 분류하여 제1 비식별화 모델(160) 또는 가상 영상 생성 학습 데이터 베이스(444)로 출력하는 분류기(미도시)를 더 포함할 수 있다. 객체가 보행자인 경우에는 분할 모델(150)의 출력(예: 분할된 이미지)은 제1 비식별화 모델(160)로 출력될 수 있다. 객체가 사물(예: 자동차, 간판 등)인 경우에는 분할 모델(150)의 출력(예: 분할된 이미지)은 가상 영상 생성 학습 데이터 베이스(444)로 출력되어 가상 얼굴 및 신체 생성 학습 데이터로서 저장될 수 있다. 가상 영상 생성 학습 데이터 베이스(444)는 텍스트 플레이트가 분할된 이미지의 집합일 수 있고, 가상 텍스트 플레이트 생성 학습 데이터를 포함할 수 있다.

다양한 실시예에 따르면, 제1 비식별화 모델(160)은 분할된 이미지의 위치에 기초하여 원본 미디어에 가상 이미지를 합성한 합성 이미지를 생성할 수 있고, 합성 이미지를 출력할 수 있다. 예를 들어, 원본 미디어에 포함된 객체가 보행자일 경우, 제1 비식별화 모델(160)은 보행자의 얼굴 및 신체 중 적어도 어느 하나가 분할된 위치에 가상의 얼굴 및 가상의 신체 중 적어도 어느 하나를 합성할 수 있다. 제1 비식별화 모델(160)은 원본 미디어 내의 얼굴 또는 신체와 대응되는 가상 이미지를 원본 미디어 내의 얼굴 또는 신체의 기존 위치에 합성함으로써 이질감이 없고 자연스러운 합성 이미지를 생성할 수 있다.

도 5는 다양한 실시예에 따른 제2 비식별화 모델을 생성하는 동작을 설명하기 위한 도면이다.

도 5를 참조하면, 다양한 실시예에 따르면, 제2 비식별화 모델(448)은 제1 샘플 데이터(예: 도 4의 가상 영상 생성 학습 데이터베이스(444) 중 가상 텍스트 플레이트 생성 학습 데이터)에 기초하여 학습됨으로써 생성될 수 있다. 제1 샘플 데이터는 텍스트 플레이트(예: 차량 번호판, 명판, 간판, 이정표 등)에 상응하는 부분을 포함할 수 있다. 제1 샘플 데이터는 분할 모델(예: 도 4의 분할 모델(160))의 출력인 가상 영상 생성 학습 데이터(예: 도 4의 가상 영상 생성 학습 데이터 (444))에서 공급될 수 있다. 예를 들어, 제1 샘플 데이터는 가상 영상 생성 학습 데이터 베이스(444)에 포함된 가상 텍스트 플레이트(text plate) 생성 학습 데이터일 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(448)은 제1 샘플 데이터로부터 텍스트(예: 한글, 영어, 숫자 등)를 제외한 이미지 영역만을 추출한 제2 샘플 데이터를 획득할 수 있다. 제2 비식별화 모델(448)은 제1 샘플 데이터로부터 텍스트 영역만을 추출한 텍스트 데이터를 획득할 수 있다. 제2 비식별화 모델(448)은 라벨 태깅 모듈(510), 유형 파악 학습 데이터베이스(520), 텍스트 플레이트 유형 파악 네트워크(530), 텍스트 변경 모듈(540), 합성 모듈(550), 이미지 학습 데이터셋(560), 및 보정 모듈(570)을 포함할 수 있다.

다양한 실시예에 따르면, 라벨 태깅 모듈(510)은 제2 샘플 데이터를 입력 받아 제2 샘플 데이터의 유형(예: 신형 자동차 번호판, 구형 자동차 번호판, 전기차 번호판, 간판, 명판, 이정표 등)이 기재된 라벨을 생성하여 제3 샘플 데이터를 획득할 수 있다. 제2 샘플 데이터 및 제3 샘플 데이터는 하나의 쌍으로 존재할 수 있다. 유형 파악 학습 데이터 베이스(520) 제2 샘플 데이터 및 제3 샘플 데이터의 쌍의 집합을 저장할 수 있다.

다양한 실시예에 따르면, 텍스트 플레이트 유형 파악 네트워크(530)는 다량의 데이터에 기초하여 제2 샘플 데이터의 유형(예: 신형 자동차의 번호판, 구형 자동차의 번호판, 전기차의 번호판, 명판, 간판 등)을 파악하도록 학습됨으로써 생성될 수 있다. 다량의 데이터는 유형 파악 데이터 베이스(520)로부터 공급될 수 있다. 텍스트 플레이트 유형 파악 네트워크(530)는 신경망 네트워크를 포함할 수 있고, 신경망 네트워크에 의해 제2 샘플 데이터의 유형을 파악할 수 있다. 텍스트 플레이트 유형 파악 네트워크(530)는 제2 샘플 데이터의 유형이 기재된 라벨을 생성하고 유형이 기재된 라벨을 출력하도록 학습될 수 있다. 제3 샘플 데이터는 텍스트 플레이트 유형 파악 네트워크(530)의 학습에 활용될 수 있다.

다양한 실시예에 따르면, 텍스트 변경 모듈(540)은 수신한 텍스트 데이터의 텍스트(예: 한글, 영어, 숫자 등)를 변경하여 텍스트 변형 데이터를 생성하고, 텍스트 변형 데이터를 출력할 수 있다. 텍스트 변경 모듈(540)은 도 6을 참조하여 후술할 동작에 의해 구체적으로 동작할 수 있다.

다양한 실시예에 따르면, 합성 모듈(550)은 텍스트 변형 데이터 및 라벨 이미지를 수신할 수 있다. 제2 비식별화 모델(448)이 라벨을 텍스트 유형 파악 네트워크(530)의 출력(예: 유형이 기재된 라벨)으로 유지하는 경우에는 라벨 이미지 데이터는 유형이 기재된 라벨에 상응하는 이미지이고, 제2 비식별화 모델(448)이 라벨을 텍스트 유형 파악 네트워크(530)의 출력 이외의 라벨로 변경하는 경우에는 라벨 이미지는 변경된 라벨에 상응하는 이미지이다. 변경된 라벨에 상응하는 이미지는 이미지 학습 데이터셋(560)으로부터 규칙에 따르거나 규칙에 상관없이 랜덤으로 선정되어 공급될 수 있다. 이미지 학습 데이터셋(560)은 외부로부터 수집된 것이거나, 유형 파악 학습 데이터베이스(520)로부터 수집된 것일 수 있다. 합성 모듈(550)은 텍스트 변형 데이터에 라벨 이미지를 합성하여 합성 이미지를 생성하고, 합성 이미지를 출력할 수 있다. 합성 이미지는 텍스트 플레이트를 정면에서 바라본 것을 가정했을 때의 이미지일 수 있다.

다양한 실시예에 따르면, 보정 모듈(570)은 합성 이미지 및 제1 샘플 데이터에 기초하여 합성 이미지를 보정함으로써 제1 샘플 데이터의 텍스트 플레이트가 비식별화된 이미지를 생성하고, 텍스트 플레이트를 출력할 수 있다. 보정 모듈(570)은 합성 이미지의 텍스트 플레이트와 제1 샘플 데이터의 텍스트 플레이트 간의 특징(예: 비율, 기울기 등)을 비교하여 차이를 계산할 수 있다. 보정 모듈(570)은 합성 이미지의 특징이 제1 샘플 데이터의 특징과 일치해서 차이가 0이거나 0에 근접해지도록 합성 이미지를 보정할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(448)은 보정된 이미지를 제1 학습 데이터 내의 텍스트 플레이트의 위치에 합성함으로써 이질감이 없고 자연스러운 비식별화된 이미지를 생성하고 출력할 수 있다.

도 6은 도 5에 도시된 텍스트 변경 모듈의 일 예를 설명하기 위한 도면이다.

도 6을 참조하면, 다양한 실시예에 따르면, 텍스트 변경 모듈(540)은 텍스트 데이터 및 텍스트 플레이트 유형 파악 네트워크(예: 도 5의 텍스트 플레이트 유형 파악 네트워크(530))의 출력(예: 유형이 기재된 라벨)을 수신하여 텍스트가 변경된 텍스트 변형 데이터를 생성하고 출력할 수 있다. 동작 610및 동작 620에서, 텍스트 변경 모듈(540)은 라벨을 유형이 기재된 라벨로부터 그 이외의 라벨로 변경할 것인지의 여부를 선택할 수 있다. 라벨을 변경할 경우, 텍스트 변경 모듈(540)은 변경된 라벨에 상응하는 텍스트 양식(예: 글꼴, 색깔, 크기 등)을 반영할 수 있다. 텍스트 양식은 외부로부터 수집된 것일 수 있다. 라벨을 변경하지 않을 경우, 텍스트 변경 모듈(540)은 유형이 기재된 라벨에 상응하는 텍스트 양식을 반영할 수 있다. 동작 630에서, 텍스트 변경 모듈(540)은 텍스트에 포함된 숫자를 각 자리에서 가져온 숫자를 제외한 다른 숫자로 변경할 수 있다. 동작 640에서, 텍스트 변경 모듈(540)은 한글을 규칙에 따르거나 규칙에 상관없이 랜덤하게 변경할 수 있다. 동작 650 및 동작 660에서, 텍스트 변경 모듈(540)은 유형이 기재된 라벨 또는 변경된 라벨에 따라 지역 정보가 필요한지 확인하고, 지역 정보를 추가할 수 있다. 예를 들어, 유형이 기재된 라벨 또는 변경된 라벨에 '2004년도 이전 구형 자동차의 번호판'이라고 기재되어 있을 경우, 등록 지역의 표기(예: 서울 등)을 추가할 수 있다.

도 7은 다양한 실시예에 따른 전자 장치의 동작 방법의 일 예에 대한 흐름도이다.

도 7을 참조하면, 동작 710 내지 동작 740은 전자 장치(예: 도 1의 전자 장치(100))가 수신한 입력 이미지에 포함된 텍스트 플레이트를 비식별화하는 동작을 설명하기 위한 것일 수 있다.

동작 710에서, 전자 장치(100)는 입력 이미지(예: 분할된 이미지)로부터 하나 이상의 텍스트를 추출한 텍스트 데이터를 획득할 수 있다.

동작 720에서, 전자 장치(100)는 입력 이미지로부터 텍스트를 제외한 이미지 영역만을 추출한 제1 이미지 데이터를 획득할 수 있다.

동작 730에서, 전자 장치(100)는 제1 이미지 데이터에 기초하여 텍스트 플레이트의 유형을 파악하고 유형이 기재된 라벨을 생성할 수 있다.

동작 740에서, 전자 장치(100)는 유형이 기재된 라벨을 반영하여 텍스트 데이터의 텍스트를 변경함으로써 텍스트 변형 데이터를 생성할 수 있다. 전자 장치(100)는 텍스트 변형 데이터에 유형이 기재된 라벨에 상응하는 이미지를 합성하여 합성 이미지를 생성할 수 있다. 전자 장치(100)는 합성 이미지를 원본 미디어와 비교 및 계산하여 보정한 이미지를 생성할 수 있다. 전자 장치(100)는 보정된 이미지를 원본 미디어 내의 텍스트 플레이트의 위치에 합성함으로써 비식별화된 이미지를 생성하고 출력할 수 있다.

도 8은 다양한 실시예에 따른 전자 장치의 동작 방법의 다른 예에 대한 흐름도이다.

도 8을 참조하면, 동작 810 및 동작 820은 전자 장치(예: 도 4의 전자 장치(400))가 제1 샘플 데이터에 포함된 텍스트 플레이트를 비식별화하는 제2 비식별화 모델을 생성하는 동작을 설명하기 위한 것일 수 있다.

동작 810에서, 전자 장치(400)는 제1 샘플 데이터로부터 텍스트를 제외한 이미지 영역만을 추출한 제2 샘플 데이터를 획득할 수 있다.

동작 820에서, 전자 장치(400)는 제2 샘플 데이터를 라벨 태깅 모듈(예: 도 5의 라벨 태깅 모듈(510))에 입력시켜 제2 샘플 데이터의 라벨인 제3 샘플 데이터를 획득할 수 있다. 전자 장치(400)은 제2 샘플 데이터 및 제3 샘플 데이터에 기초하여 텍스트 유형 파악 네트워크(예: 도 5의 텍스트 플레이트 유형 파악 네트워크(530))가 제2 샘플 데이터의 유형이 기재된 라벨을 생성하도록 학습시킬 수 있다.

도 9는 다양한 실시예에 따른, 전자 장치의 다른 예를 나타낸다.

도 9을 참조하면, 다양한 실시예에 따르면, 비식별화 장치(900)는 도 1의 전자 장치(100) 및/또는 도 4의 전자 장치(400)와 실질적으로 동일할 수 있다.

메모리(910)는 프로세서(930)에 의해 실행가능한 인스트럭션들(예: 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서(930)의 동작 및/또는 프로세서(930)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.

프로세서(930)는 메모리(910)에 저장된 데이터를 처리할 수 있다. 프로세서(930)는 메모리(910)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(930)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.

프로세서(930)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.

예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.

프로세서(930)에 의해 수행되는 동작은 도 1 내지 도 3을 참조하여 설명한 전자 장치(100)의 동작과 실질적으로 동일할 수 있다. 도 1 내지 도 3에서 설명한 전자 장치(100)의 각 구성(예: 객체 탐지기(110) 및 비식별화 모델(140))은 프로세서(930)에 의해 실행될 수 있다. 또한, 프로세서(930)에 의해 수행되는 동작은 도 4 내지 도 6을 참조하여 설명한 전자 장치(400)의 동작과 실질적으로 동일할 수 있다. 이에, 상세한 설명은 생략하도록 한다.

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

텍스트 플레이트(text plate)를 비식별화하는 비식별화 모델을 생성하는 방법에 있어서,
제1 샘플 데이터로부터 텍스트를 제외한 이미지 영역만을 추출한 제2 샘플 데이터를 획득하는 동작; 및
상기 제2 샘플 데이터에 기초하여 비식별화 모델을 생성하는 동작
을 포함하는, 비식별화 모델 생성 방법.
제1항에 있어서,
상기 생성하는 동작은,
상기 제2 샘플 데이터를 상기 비식별화 모델에 포함된 라벨 태깅 모듈에 입력시켜 상기 제2 샘플 데이터의 유형이 기재된 라벨인 제3 샘플 데이터를 생성하는 동작; 및
상기 제2 샘플 데이터 및 상기 제3 샘플 데이터에 기초하여 상기 비식별화 모델에 포함된 텍스트 플레이트 유형 파악 네트워크를 학습시키는 동작
을 포함하는, 비식별화 모델 생성 방법.
텍스트 플레이트를 비식별화하는 비식별화 방법에 있어서,
입력 이미지로부터 하나 이상의 텍스트를 추출한 텍스트 데이터를 획득하는 동작;
상기 입력 이미지로부터 텍스트를 제외한 이미지 영역만을 추출한 제1 이미지 데이터를 획득하는 동작;
상기 제1 이미지 데이터에 기초하여 텍스트 플레이트의 유형을 파악해서 상기 유형이 기재된 라벨을 생성하는 동작; 및
상기 텍스트 데이터 및 상기 유형이 기재된 라벨에 기초하여 상기 입력 이미지에 포함된 텍스트 플레이트가 비식별화된 이미지를 생성하는 동작
을 포함하는 비식별화 방법.
제3항에 있어서,
상기 비식별화된 이미지를 생성하는 동작은,
상기 텍스트 데이터를 텍스트 변경 모듈에 입력하여 텍스트 변형 데이터를 생성하는 동작
을 포함하는, 비식별화 방법.
제4항에 있어서,
상기 텍스트 변형 데이터를 생성하는 동작은,
상기 유형이 기재된 라벨을 유지하는 경우에는,
상기 유형이 기재된 라벨에 상응하는 텍스트 양식에 따라 상기 텍스트 데이터의 텍스트를 변경하여 상기 텍스트 변형 데이터를 생성하고,
상기 유형이 기재된 라벨을 변경하는 경우에는,
변경된 라벨에 상응하는 텍스트 양식에 따라 상기 텍스트 데이터의 텍스트를 변경하여 상기 텍스트 변형 데이터를 생성하는 동작
을 포함하는, 비식별화 방법.
제5항에 있어서,
상기 텍스트 변형 데이터를 생성하는 동작은,
상기 텍스트 데이터에 포함된 한글, 영어, 및 숫자 중 하나 이상을 변경하는 동작을 포함하고,
상기 숫자는,
각 자리에서 가져온 숫자를 제외한 것으로 변경되는 것인,
비식별화 방법.
제6항에 있어서,
상기 텍스트 변형 데이터는,
지역 정보
를 더 포함하는, 비식별화 방법.
제5항에 있어서,
상기 비식별화된 이미지를 생성하는 동작은,
상기 텍스트 변형 데이터에 제2 이미지 데이터를 합성하여 합성 이미지를 생성하는 동작; 및
상기 합성 이미지를 보정한 이미지에 기초하여 상기 비식별화된 이미지를 생성하는 동작
을 포함하는, 비식별화 방법.
제8항에 있어서,
상기 보정한 이미지는,
상기 합성 이미지와 상기 입력 이미지를 비교하여 상기 입력 이미지와의 특징이 일치하도록 상기 합성 이미지를 보정한 이미지인 것인, 비식별화 방법.
제8항에 있어서,
상기 제2 이미지 데이터는,
상기 유형이 기재된 라벨을 유지하는 경우,
상기 유형이 기재된 라벨에 상응하는 이미지인 것이고,
상기 유형이 기재된 라벨을 변경하는 경우,
상기 변경된 라벨에 상응하는 이미지인 것인, 비식별화 방법.
하드웨어와 결합되어 제1항 내지 제10항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
텍스트 플레이트를 비식별화하는 장치에 있어서,
인스트럭션들을 포함하는 메모리; 및
상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서
를 포함하고,
상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는,
입력 이미지로부터 하나 이상의 텍스트를 추출한 텍스트 데이터를 획득하고,
상기 입력 이미지로부터 텍스트를 제외한 이미지 영역만을 추출한 제1 이미지 데이터를 획득하고,
상기 제1 이미지 데이터에 기초하여 텍스트 플레이트의 유형을 파악해서 상기 유형이 기재된 라벨을 생성하고,
상기 텍스트 데이터 및 상기 유형이 기재된 라벨에 기초하여 상기 입력 이미지에 포함된 텍스트 플레이트(text plate)가 비식별화된 이미지를 생성하는, 장치.
제12항에 있어서,
상기 프로세서는,
상기 텍스트 데이터를 텍스트 변경 모듈에 입력하여 텍스트 변형 데이터를 생성하는, 장치.
제13항에 있어서,
상기 프로세서는,
상기 유형이 기재된 라벨을 유지하는 경우에는 상기 유형이 기재된 라벨에 상응하는 텍스트 양식에 따라 상기 텍스트 데이터의 텍스트를 변경하여 상기 텍스트 변형 데이터를 생성하거나
상기 유형이 기재된 라벨을 변경하는 경우에는 변경된 라벨에 상응하는 텍스트 양식에 따라 상기 텍스트 데이터의 텍스트를 변경하여 상기 텍스트 변형 데이터를 생성하는, 장치.
제14항에 있어서,
상기 프로세서는,
상기 텍스트 데이터에 포함된 한글, 영어, 및 숫자 중 하나 이상을 변경하고,
상기 숫자는,
각 자리에서 가져온 숫자를 제외한 것으로 변경되는 것인, 장치.
제15항에 있어서,
상기 텍스트 변형 데이터는,
지역 정보
를 더 포함하는, 장치.
제14항에 있어서,
상기 프로세서는,
상기 텍스트 변형 데이터에 제2 이미지 데이터를 합성하여 합성 이미지를 생성하고,
상기 합성 이미지를 보정한 이미지에 기초하여 상기 비식별화된 이미지를 생성하는, 장치.
제17항에 있어서,
상기 보정한 이미지는,
상기 합성 이미지와 상기 입력 이미지를 비교하여 상기 입력 이미지와의 특징이 일치하도록 상기 합성 이미지를 보정한 이미지인 것인, 장치.
제17항에 있어서,
상기 제2 이미지 데이터는,
상기 유형이 기재된 라벨을 유지하는 경우,
상기 유형이 기재된 라벨에 상응하는 이미지인 것이고,
상기 유형이 기재된 라벨을 변경하는 경우,
상기 변경된 라벨에 상응하는 이미지인 것인, 장치.