KR20230094307A

KR20230094307A - 차량을 제어하기 위한 이미지 처리 방법 및 그 방법을 수행하는 전자 장치

Info

Publication number: KR20230094307A
Application number: KR1020210183353A
Authority: KR
Inventors: 최현규
Original assignee: 주식회사 넥스트칩
Priority date: 2021-12-21
Filing date: 2021-12-21
Publication date: 2023-06-28
Also published as: WO2023120823A1

Abstract

일 실시 예에 따른, 이미지를 처리하기 위해, 원본 이미지를 처리함으로써 제1 상세 특징 정보를 생성하고, 제1 상세 특징 정보를 처리함으로써 제2 상세 특징 정보를 생성하고, 상기 원본 이미지를 처리함으로써 차선 종류 맥락 정보를 생성하고, 제2 상세 특징 정보 및 차선 종류 맥락 정보에 기초하여 원본 이미지 내의 타겟 차선의 종류를 결정하고, 제1 상세 특징 정보를 처리함으로써 차선 인스턴스 맥락 정보를 생성하고, 제2 상세 특징 정보 및 차선 인스턴스 맥락 정보에 기초하여 타겟 차선의 인스턴스를 결정할 수 있다.

Description

차량을 제어하기 위한 이미지 처리 방법 및 그 방법을 수행하는 전자 장치{IMAGE PROCESSING MEHTOD FOR CONTROLLING VEHICLE AND ELECTRONIC DEVICE PERFORMING THE METHOD}

아래의 실시예들은 이미지를 처리하는 기술에 관한 것이고, 구체적으로 차량을 제어하기 위한 이미지를 처리하는 기술에 관한 것이다.

이미지 촬영 및 처리 기술의 발달에 따라, 최근에 생산된 차량에는 카메라가 탑재되고, 차량의 주행을 보조하기 위한 시스템 또는 차량을 제어하기 위한 시스템이 사용자 또는 차량에게 제공된다. 시스템은 카메라를 통해 촬영된 이미지를 이용하여 차량이 운행하는 데에 필요한 정보들을 획득할 수 있다. 시스템은 획득된 정보에 기초하여 사용자에게 추가 정보를 제공하거나, 차량을 제어할 수 있다.

일 실시 예는 전자 장치에 의해 수행되는 이미지를 처리하는 방법을 제공할 수 있다.

일 실시 예는 이미지를 처리하는 전자 장치를 제공할 수 있다.

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

일 실시 예에 따른, 전자 장치에 의해 수행되는 이미지 처리 방법은, 차량에 장착된 카메라를 이용하여 생성된 원본 이미지(original image)를 수신하는 동작, 상기 원본 이미지를 미리 설정된 제1 방식으로 처리함으로써 제1 상세 특징 정보(detail feature information)를 생성하고, 제1 상세 특징 정보를 미리 설정된 제2 방식으로 처리함으로써 제2 상세 특징 정보를 생성하는 동작, 상기 원본 이미지를 미리 설정된 제3 방식으로 처리함으로써 차선 종류 맥락 정보(lane type contexture information)를 생성하는 동작, 상기 제2 상세 특징 정보 및 상기 차선 종류 맥락 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 종류를 결정하는 동작, 상기 제1 상세 특징 정보를 미리 설정된 제4 방식으로 처리함으로써 차선 인스턴스 맥락 정보(lane instance contexture information)를 생성하는 동작, 및 상기 제2 상세 특징 정보 및 상기 차선 인스턴스 맥락 정보에 기초하여 상기 타겟 차선의 인스턴스를 결정하는 동작을 포함할 수 있다.

상기 타겟 차선의 종류는, 실선, 점선, 단일선, 이중선 및 색깔 중 적어도 하나를 포함할 수 있다.

상기 타겟 차선의 인스턴스는 상기 차량이 주행하는 타겟 차로의 왼쪽 차선, 상기 타겟 차로의 오른쪽 차선, 상기 타겟 차로의 왼쪽 차로의 차선, 및 상기 타겟 차로의 오른쪽 차로의 차선 중 적어도 하나를 포함할 수 있다.

상기 타겟 차선의 종류를 결정하는 동작은, 상기 차선 종류 맥락 정보를 업 샘플링함으로써 업 샘플링된 차선 종류 맥락 정보를 생성하는 동작, 상기 업 샘플링된 차선 종류 맥락 정보 및 상기 제2 상세 특징 정보에 기초하여 제1 참조 정보를 생성하는 동작, 상기 제2 상세 특징 정보를 다운 샘플링함으로써 다운 샘플링된 제2 상세 특징 정보를 생성하는 동작, 상기 다운 샘플링된 제2 상세 특징 정보 및 차선 종류 맥락 정보에 기초하여 제2 참조 정보를 생성하는 동작, 및 상기 제1 참조 정보 및 상기 제2 참조 정보에 기초하여 상기 원본 이미지 내의 상기 타겟 차선의 종류를 결정하는 동작을 포함할 수 있다.

상기 타겟 차선의 상기 인스턴스를 결정하는 동작은, 상기 제2 상세 특징 정보를 다운 샘플링함으로써 다운 샘플링된 제2 상세 특징 정보를 생성하는 동작, 상기 다운 샘플링된 제2 상세 특징 정보 및 상기 차선 인스턴스 맥락 정보에 기초하여 제3 참조 정보를 생성하는 동작, 상기 차선 인스턴스 맥락 정보를 업 샘플링함으로써 업 샘플링된 차선 인스턴스 맥락 정보를 생성하는 동작,

상기 업 샘플링된 차선 인스턴스 맥락 정보 및 상기 제2 상세 특징 정보에 기초하여 제4 참조 정보를 생성하는 동작, 및 상기 제3 참조 정보 및 상기 제4 참조 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 상기 인스턴스를 결정하는 동작을 포함할 수 있다.

상기 제3 참조 정보 및 상기 제4 참조 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 상기 인스턴스를 결정하는 동작은, 상기 차선 인스턴스 맥락 정보에 기초하여 차선 존재 정보를 생성하는 동작, 상기 제3 참조 정보 및 제4 참조 정보를 융합함으로써 융합 정보를 생성하는 동작, 및 상기 차선 존재 정보 및 상기 융합 정보에 기초하여 상기 타겟 차선의 상기 인스턴스를 결정하는 동작을 포함할 수 있다.

상기 이미지 처리 방법은, 신경망에 기반하여 미리 훈련된 모델에 의해 수행될 수 있다.

상기 이미지 처리 방법은, 상기 타겟 차선의 상기 종류 및 상기 인스턴스 중 적어도 하나에 기초하여 상기 차량을 제어하는 동작을 더 포함할 수 있다.

일 실시 예에 따른, 전자 장치는, 이미지를 처리하는 프로그램이 기록된 메모리, 및 상기 프로그램을 수행하는 프로세서를 포함하고, 상기 프로세서는, 차량에 장착된 카메라를 이용하여 생성된 원본 이미지(original image)를 수신하고, 상기 원본 이미지를 미리 설정된 제1 방식으로 처리함으로써 제1 상세 특징 정보(detail feature information)를 생성하고, 제1 상세 특징 정보를 미리 설정된 제2 방식으로 처리함으로써 제2 상세 특징 정보를 생성하고, 상기 원본 이미지를 미리 설정된 제3 방식으로 처리함으로써 차선 종류 맥락 정보(lane type contexture information)를 생성하고, 상기 제2 상세 특징 정보 및 상기 차선 종류 맥락 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 종류를 결정하고, 상기 제1 상세 특징 정보를 미리 설정된 제4 방식으로 처리함으로써 차선 인스턴스 맥락 정보(lane instance contexture information)를 생성하고, 상기 제2 상세 특징 정보 및 상기 차선 인스턴스 맥락 정보에 기초하여 상기 타겟 차선의 인스턴스를 결정할 수 있다.

상기 프로세서는, 상기 차선 종류 맥락 정보를 업 샘플링함으로써 업 샘플링된 차선 종류 맥락 정보를 생성하고, 상기 업 샘플링된 차선 종류 맥락 정보 및 상기 제2 상세 특징 정보에 기초하여 제1 참조 정보를 생성하고, 상기 제2 상세 특징 정보를 다운 샘플링함으로써 다운 샘플링된 제2 상세 특징 정보를 생성하고, 상기 다운 샘플링된 제2 상세 특징 정보 및 차선 종류 맥락 정보에 기초하여 제2 참조 정보를 생성하고, 상기 제1 참조 정보 및 상기 제2 참조 정보에 기초하여 상기 원본 이미지 내의 상기 타겟 차선의 종류를 결정할 수 있다.

상기 프로세서는, 상기 제2 상세 특징 정보를 다운 샘플링함으로써 다운 샘플링된 제2 상세 특징 정보를 생성하고, 상기 다운 샘플링된 제2 상세 특징 정보 및 상기 차선 인스턴스 맥락 정보에 기초하여 제3 참조 정보를 생성하고, 상기 차선 인스턴스 맥락 정보를 업 샘플링함으로써 업 샘플링된 차선 인스턴스 맥락 정보를 생성하고, 상기 업 샘플링된 차선 인스턴스 맥락 정보 및 상기 제2 상세 특징 정보에 기초하여 제4 참조 정보를 생성하고, 상기 제3 참조 정보 및 상기 제4 참조 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 상기 인스턴스를 결정할 수 있다.

상기 프로세서는, 상기 차선 인스턴스 맥락 정보에 기초하여 차선 존재 정보를 생성하고, 상기 제3 참조 정보 및 제4 참조 정보를 융합함으로써 융합 정보를 생성하고, 상기 차선 존재 정보 및 상기 융합 정보에 기초하여 상기 타겟 차선의 상기 인스턴스를 결정할 수 있다.

상기 전자 장치는 상기 차량에 포함될 수 있다.

상기 프로세서는, 상기 타겟 차선의 상기 종류 및 상기 인스턴스에 기초하여 상기 차량을 제어할 수 있다.

일 실시 예에 따른, 전자 장치에 의해 수행되는, 차량 제어 방법은, 차량에 장착된 카메라를 이용하여 생성된 원본 이미지(original image)를 수신하는 동작, 상기 원본 이미지를 미리 설정된 제1 방식으로 처리함으로써 제1 상세 특징 정보(detail feature information)를 생성하고, 제1 상세 특징 정보를 미리 설정된 제2 방식으로 처리함으로써 제2 상세 특징 정보를 생성하는 동작, 상기 원본 이미지를 미리 설정된 제3 방식으로 처리함으로써 차선 종류 맥락 정보(lane type contexture information)를 생성하는 동작, 상기 제2 상세 특징 정보 및 상기 차선 종류 맥락 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 종류를 결정하는 동작, 상기 제1 상세 특징 정보를 미리 설정된 제4 방식으로 처리함으로써 차선 인스턴스 맥락 정보(lane instance contexture information)를 생성하는 동작, 상기 제2 상세 특징 정보 및 상기 차선 인스턴스 맥락 정보에 기초하여 상기 타겟 차선의 인스턴스를 결정하는 동작, 및 상기 타겟 차선의 상기 종류 및 상기 인스턴스 중 적어도 하나에 기초하여 상기 차량을 제어하는 동작을 포함할 수 있다.

전자 장치에 의해 수행되는 이미지를 처리하는 방법이 제공될 수 있다.

이미지를 처리하는 전자 장치가 제공될 수 있다.

도 1은 일 예에 따른 차량이 위치한 도로의 환경 및 차량의 전방을 촬영한 이미지를 도시한다.
도 2는 일 실시 예에 따른 전자 장치의 구성도이다.
도 3은 일 실시 예에 따른 이미지 처리 방법의 흐름도이다.
도 4는 일 예에 따른 제1 상세 특징 정보 및 제2 상세 특징 정보를 생성하는 방법을 도시한다.
도 5는 일 예에 따른 차선 종류 맥락 정보를 생성하는 방법을 도시한다.
도 6은 일 예에 따른 이미지 내의 타겟 차선의 종류를 결정하는 방법의 흐름도이다.
도 7은 일 예에 따른 이미지 내의 타겟 차선의 인스턴스를 결정하는 방법의 흐름도이다.
도 8은 일 예에 따른 차선 존재 정보에 기초하여 타겟 차선의 인스턴스를 결정하는 방법의 흐름도이다.
도 9는 일 예에 따른 이미지 상에 차선의 종류에 따라 출력된 그래픽 효과를 도시한다.
도 10은 일 예에 따른 이미지 상에 차선의 인스턴스에 따라 출력된 그래픽 효과를 도시한다.
도 11은 일 예에 따른, 원본 이미지에 기초하여 차선의 종류 및 차선의 인스턴스를 결정하는 모델의 개념도이다.

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 예에 따른 차량이 위치한 도로의 환경 및 차량의 전방을 촬영한 이미지를 도시한다.

일 실시 예에 따른, 도로의 환경(110)이 도시된다. 예를 들어, 도로의 환경(110)은 편도 2차로이고, 두번째 차로 상에 차량(102)이 위치할 수 있다. 운전자는 차로들을 구분하는 차선들을 통해 도로의 환경(110)을 인식할 수 있다.

예를 들어, 차량(102)의 운전자는 차량의 앞 유리를 통해 차선들(132, 134, 142)을 인식하고, 차선들(132, 134, 142)을 통해 1차로(130) 및 2차로(140)를 구분하고, 차량(120)이 현재의 차로(예: 2차로(140))를 유지하도록 차량(102)을 제어할 수 있다.

일 실시 예에 따르면, 상기와 같은 도로의 환경(110)의 인식이 차량(102)에 포함된 전자 장치에 의해 수행될 수 있다. 예를 들어, 차량(102)을 제어하는 전자 장치는 카메라를 이용하여 차량(102)의 전방의 장면을 촬영하고, 생성된 이미지에 기초하여 이미지 내의 차선을 검출하고, 검출된 차선에 기초하여 차량(102)의 운행을 제어할 수 있다.

일 실시 예에 따르면, 차량(102)의 운행을 제어하기 위해서는 검출된 차선의 의미가 전자 장치에 의해 결정되어야 할 수 있다. 예를 들어, 차선의 의미는 차선의 종류를 포함할 수 있다. 예를 들어, 차선의 종류는 실선, 점선, 단일선, 이중선 및 색깔 중 적어도 하나를 포함할 수 있다.

일 실시 예에 따르면, 차량(102)을 제어하기 위해서는 기본적으로, 차량(102)이 주행하고 있는 차로와 다른 차로를 구분할 수 있어야 할 수 있다. 차로들은 차선에 기초하여 구분될 수 있고, 검출된 차선이 해당 차로에 관한 것인지를 나타내는 것은 차선의 인스턴스(instance)를 결정하는 것일 수 있다. 예를 들어, 타겟 차선에 대해 결정되는 인스턴스는 차량이 주행하는 타겟 차로의 왼쪽 차선, 타겟 차로의 오른쪽 차선, 타겟 차로의 왼쪽 차로의 차선, 및 타겟 차로의 오른쪽 차로의 차선 중 적어도 하나를 포함할 수 있다.

차량(102)을 제어하는 전자 장치는 이미지 내에 나타나는 차선에 대한 종류 및 인스턴스를 결정함으로써 차량(120)의 운행을 제어할 수 있다. 아래에서, 이미지 내의 차선에 대한 종류 및 인스턴스를 결정하는 방법에 대해 상세히 설명된다.

도 2는 일 실시 예에 따른 전자 장치의 구성도이다.

일 측면에 따른, 전자 장치(200)(예: 도 1의 차량(102)의 전자 장치)는 통신부(210), 프로세서(220), 및 메모리(230)를 포함한다. 추가적으로 전자 장치(200)는 카메라(240)를 더 포함할 수 있다. 전자 장치(200)가 카메라(240)를 직접적으로 포함하지 않는 경우에는 전자 장치(200)는 카메라(240)와 연결될 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 차량 내에 포함될 수 있다. 예를 들어, 전자 장치(200)는 ECU(electronic control unit) 또는 BCM(body control module)과 같은 장치일 수 있다. 다른 예로, 전자 장치(200)는 ECU/BCM과 연결된 독립적인 장치일 수 있다.

통신부(210)는 프로세서(220), 메모리(230) 및 카메라(240)와 연결되어 데이터를 송수신한다. 통신부(210)는 외부의 다른 장치와 연결되어 데이터를 송수신할 수 있다. 이하에서 "A"를 송수신한다라는 표현은 "A를 나타내는 정보(information) 또는 데이터"를 송수신하는 것을 나타낼 수 있다.

통신부(210)는 전자 장치(200) 내의 회로망(circuitry)으로 구현될 수 있다. 예를 들어, 통신부(210)는 내부 버스(internal bus) 및 외부 버스(external bus)를 포함할 수 있다. 다른 예로, 통신부(210)는 전자 장치(200)와 외부의 장치를 연결하는 요소일 수 있다. 통신부(210)는 인터페이스(interface)일 수 있다. 통신부(210)는 외부의 장치로부터 데이터를 수신하여, 프로세서(220) 및 메모리(230)에 데이터를 전송할 수 있다.

프로세서(220)는 통신부(210)가 수신한 데이터 및 메모리(230)에 저장된 데이터를 처리한다. "프로세서"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(220)는 메모리(예를 들어, 메모리(230))에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(220)에 의해 유발된 인스트럭션들을 실행한다.

메모리(230)는 통신부(210)가 수신한 데이터 및 프로세서(220)가 처리한 데이터를 저장한다. 예를 들어, 메모리(230)는 프로그램(또는 어플리케이션, 소프트웨어)을 저장할 수 있다. 저장되는 프로그램은 이미지를 처리할 수 있도록 코딩되어 프로세서(220)에 의해 실행 가능한 신텍스(syntax)들의 집합일 수 있다.

일 측면에 따르면, 메모리(230)는 하나 이상의 휘발성 메모리, 비휘발성 메모리 및 RAM(Random Access Memory), 플래시 메모리, 하드 디스크 드라이브 및 광학 디스크 드라이브를 포함할 수 있다.

메모리(230)는 전자 장치(200)를 동작 시키는 명령어 세트(예를 들어, 소프트웨어)를 저장한다. 전자 장치(200)를 동작 시키는 명령어 세트는 프로세서(220)에 의해 실행된다.

통신부(210), 프로세서(220), 및 메모리(230)에 대해, 아래에서 도 3 내지 도 10을 참조하여 상세히 설명된다.

도 3은 일 실시 예에 따른 이미지 처리 방법의 흐름도이다.

아래의 동작들 310 내지 360은 도 2를 참조하여 전술된 전자 장치(200)에 의해 수행된다.

동작 310에서, 전자 장치(200)는 카메라(240)로부터 원본 이미지를 수신할 수 있다. 예를 들어, 원본 이미지는 R(red) 채널, G(green) 채널 및 B(blue) 채널의 3채널로 구성되는 이미지일 수 있다. 다른 예로, 원본 이미지는 상기의 3채널 이외에 IR(infrared) 채널을 더 포함하는 4채널로 구성되는 이미지일 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 카메라(240)가 원본 이미지를 생성하도록 카메라(240)를 제어할 수 있다. 예를 들어, 원본 이미지는 미리 설정된 주기로 연속적으로 생성될 수 있다.

동작 320에서, 전자 장치(200)는 원본 이미지를 제1 방식으로 처리함으로써 제1 상세 특징 정보(detail feature information)를 생성할 수 있다. 일 실시 예에 따르면, 제2 상세 특징 정보는 차선의 부분에 대한 특징을 나타낼 수 있다. 예를 들어, 제1 방식은 원본 이미지에 하나 이상의 컨볼루션 레이어들을 적용하는 것일 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 레이어의 각각의 파라미터가 미리 훈련된 제1 레이어들을 이용하여 원본 이미지에 대한 제1 상세 특징 정보를 생성할 수 있다. 예를 들어, 파라미터가 미리 훈련된 제1 레이어들은 컨볼루션(convolution) 레이어일 수 있다. 컨볼루션 레이어는 신경망을 기반으로 미리 훈련된 모델 내의 복수의 레이어들 중 일부일 수 있다. 컨볼루션 레이어는 이미지 처리에 이용되는 Conv2D 레이어일 수 있다.

일 실시 예에 따르면, 제1 레이어들은 필터를 구성하는 복수의 컨볼루션 레이어들 중 일부일 수 있다. 예를 들어, 원본 이미지의 크기가 a이고, 3채널인 경우, 생성된 제1 상세 특징 정보는 a/4 크기이고, 64채널일 수 있다. 제1 상세 특징 정보는 아래에서 도 4를 참조하여 상세히 설명된다.

일 실시 예에 따르면, 제2 상세 특징 정보에 기초하여 원본 이미지 내의 픽셀들 중 차선을 구성하는 것으로 결정된 차선 픽셀들이 결정될 수 있다.

동작 330에서, 전자 장치(200)는 제1 상세 특징 정보를 제2 방식으로 처리함으로써 제2 상세 특징 정보를 생성할 수 있다. 예를 들어, 제2 방식은 제1 상세 특징 정보에 하나 이상의 컨볼루션 레이어들을 적용하는 것일 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 레이어의 각각의 파라미터가 미리 훈련된 제2 레이어들을 이용하여 제1 상세 특징 정보에 대한 제2 상세 특징 정보를 생성할 수 있다. 예를 들어, 파라미터가 미리 훈련된 제2 레이어들은 컨볼루션 레이어일 수 있다. 컨볼루션 레이어는 이미지 처리에 이용되는 Conv2D 레이어일 수 있다.

일 실시 예에 따르면, 제2 레이어들은 필터를 구성하는 복수의 컨볼루션 레이어들 중 일부일 수 있다. 제1 레이어들 및 제2 레이어들은 필터를 구성할 수 있다. 예를 들어, 제1 상세 특징 정보의 크기가 a/4이고, 64채널인 경우, 생성된 제2 상세 특징 정보는 a/8 크기이고, 128채널일 수 있다. 제2 상세 특징 정보는 아래에서 도 4를 참조하여 상세히 설명된다.

일 실시 예에 따르면, 제2 상세 특징 정보에 의해 나타나는 원본 이미지에 대한 특징은 그레이 스케일, 블러리(blurry), x축 그래디언트, y축 그래디언트, 그래디언트, 임계 값에 의해 처리된 타겟 그래디언트, 및 타겟 그래디언트를 처리한 닫힌(closed) 그래디언트 중 적어도 하나를 포함할 수 있다.

동작 340에서, 전자 장치(200)는 원본 이미지를 제3 방식으로 처리함으로써 차선 종류 맥락 정보(lane type contextual information)를 생성할 수 있다. 일 실시 예에 따르면, 차선 종류 맥락 정보는 차선의 전체에 대한 특징을 나타낼 수 있다. 예를 들어, 제3 방식은 원본 이미지에 하나 이상의 레이어들을 적용하는 것일 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 레이어의 각각의 파라미터가 미리 훈련된 제3 레이어들을 이용하여 원본 이미지에 대한 차선 종류 맥락 정보를 생성할 수 있다. 예를 들어, 파라미터가 미리 훈련된 제3 레이어들은 스템(stem), 수집 및 확장(gather and expansion: GE) 및 (context embedding: CE)를 수행함으로써 원본 이미지에 기초하여 차선 종류 맥락 정보를 생성할 수 있다.

예를 들어, 제3 레이어들은 크기가 a이고, 3채널인 원본 이미지에 기초하여 크기가 a/2이고, 16채널인 제1 서브 정보를 생성하는 제1 서브 레이어를 포함하고, 제1 서브 정보에 기초하여 크기가 a/4이고, 16채널인 제2 서브 정보를 생성하는 제2 서브 레이어를 포함할 수 있다. 제3 레이어들의 제1 서브 레이어 및 제2 서브 레이어는 스템을 위한 레이어들일 수 있다.

예를 들어, 제3 레이어들은 제2 서브 정보에 기초하여 크기가 a/8이고, 32채널인 제3 서브 정보를 생성하는 제3 서브 레이어를 포함하고, 제3 서브 정보에 기초하여 크기가 a/16이고, 64채널인 제4 서브 정보를 생성하는 제4 서브 레이어를 포함하고, 제4 서브 정보에 기초하여 크기가 a/32이고, 128채널인 제5 서브 정보를 생성하는 제5 서브 레이어를 포함할 수 있다. 제3 서브 레이어, 제4 서브 레이어 및 제5 서브 레이어는 GE를 위한 레이어들일 수 있다.

예를 들어, 제3 레이어들은 제5 서브 정보에 기초하여 크기가 a/32이고, 128채널인 제6 서브 정보를 생성하는 제6 서브 레이어를 포함할 수 있다. 제6 서브 레이어는 CE를 위한 레이어일 수 있다. 생성된 제6 서브 정보가 차선 종류 맥락 정보에 대응될 수 있다.

동작 340은 전술된 동작들 320 및 330과 병렬적이고, 독립적으로 동작할 수 있다. 예를 들어, 동작들 320 및 330을 수행하는 레이어들(예: 제1 레이어 및 제2 레이어)과 동작 340를 수행하는 레이어들(예: 제3 레이더들)은 동일한 입력(예: 원본 이미지)을 처리하는 서로 다른 레이어들일 수 있다.

동작 350에서, 전자 장치(200)는 제2 상세 특징 정보 및 차선 종류 맥락 정보에 기초하여 원본 이미지 내의 타겟 차선의 종류를 결정할 수 있다. 예를 들어, 타겟 차선의 종류는, 실선, 점선, 단일선, 이중선 및 색깔 중 적어도 하나를 포함할 수 있다. 예를 들어, 전자 장치(200)는 원본 이미지 내에서 차선을 구성하는 것으로 결정된 차선 픽셀 각각에 대해 차선의 종류를 결정할 수 있다.

원본 이미지 내의 타겟 차선의 종류를 결정하는 방법에 대해, 아래에서 도 6을 참조하여 상세히 설명된다.

동작 360에서, 전자 장치(200)는 동작 320의 결과로서 생성된 제1 상세 특징 정보를 제4 방식으로 처리함으로써 차선 인스턴스 맥락 정보(lane instance contexture information)를 생성할 수 있다. 예를 들어, 제4 방식은 제1 상세 특징 정보에 하나 이상의 레이어들을 적용하는 것일 수 있다.

차선 인스턴스 맥락 정보는 차선의 인스턴스를 결정하기 위해 이용되는 정보이고, 차선의 인스턴스는 차량의 위치를 기준으로 해당 차선의 상대적 위치에 대한 정보를 의미할 수 있다. 예를 들어, 차선의 인스턴스는 차량이 주행하는 타겟 차로의 왼쪽 차선, 타겟 차로의 오른쪽 차선, 타겟 차로의 왼쪽 차로의 차선, 및 타겟 차로의 오른쪽 차로의 차선 중 적어도 하나를 포함할 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 레이어의 각각의 파라미터가 미리 훈련된 제4 레이어들을 이용하여 제1 상세 특징 정보(또는, 원본 이미지)에 대한 차선 인스턴스 맥락 정보를 생성할 수 있다. 예를 들어, 파라미터가 미리 훈련된 제4 레이어들은 GE 및 CE를 수행함으로써 제1 상세 특징 정보에 기초하여 차선 인스턴스 맥락 정보를 생성할 수 있다.

예를 들어, 제4 레이어들은 크기가 a/4이고, 64채널인 제1 상세 특징 정보에 기초하여 크기가 a/16이고, 64채널인 제1 서브 정보를 생성하는 제1 서브 레이어를 포함하고, 제1 서브 정보에 기초하여 크기가 a/32이고, 128채널인 제2 서브 정보를 생성하는 제2 서브 레이어를 포함할 수 있다. 제4 레이어들의 제1 서브 레이어 및 제2 서브 레이어는 GE를 위한 레이어들일 수 있다.

예를 들어, 제4 레이어들은 제2 서브 정보에 기초하여 크기가 a/32이고, 128채널인 제3 서브 정보를 생성하는 제3 서브 레이어를 포함할 수 있다. 제3 서브 레이어는 CE를 위한 레이어일 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 원본 이미지를 이용하여 차선 인스턴스 맥락 정보를 생성할 수도 있지만, 원본 이미지 대신에 제1 상세 특징 정보를 이용함으로써 연산 속도를 증가시키고, 메모리 사용량을 감소시킬 수 있다.

동작 370에서, 전자 장치(200)는 제2 상세 특징 정보 및 차선 인스턴스 맥락 정보에 기초하여 원본 이미지 내의 타겟 차선의 인스턴스를 결정할 수 있다. 예를 들어, 타겟 차선의 인스턴스는 차량이 주행하는 타겟 차로의 왼쪽 차선, 타겟 차로의 오른쪽 차선, 타겟 차로의 왼쪽 차로의 차선, 및 타겟 차로의 오른쪽 차로의 차선 중 적어도 하나를 포함할 수 있다. 예를 들어, 전자 장치(200)는 원본 이미지 내의 픽셀(예: 도로 픽셀) 각각에 대해 차선의 인스턴스를 결정할 수 있다.

원본 이미지 내의 타겟 차선의 인스턴스를 결정하는 방법에 대해, 아래에서 도 7 및 도 8을 참조하여 상세히 설명된다.

일 실시 예에 따르면, 동작들 310 내지 370은 신경망에 기반하여 미리 훈련된 모델에 의해 수행될 수 있고, 동작들 310 내지 370의 레이어들은 모델을 구성하는 레이어들일 수 있다. 상기의 모델을 구성하는 레이더들의 각 파라미터의 값은 훈련을 통해 미리 설정될 수 있다. 예를 들어, 모델을 훈련시키는 주체(예: 관리자)는 GT(ground truth) 값이 존재하는 샘플 이미지를 이용하여 모델을 훈련시킬 수 있다. 모델의 구조 및 모델을 훈련시키는 방법에 대해서는 특정한 실시예로 한정되지 않는다.

일 실시 예에 따르면, 전자 장치(200)는 타겟 차선의 종류 및 인스턴스 중 적어도 하나에 기초하여 차량을 제어할 수 있다. 예를 들어, 전자 장치(200)는 차량이 운행 중인 차로에 대한 왼쪽 차선 및 오른쪽 차선을 인식하고, 인식된 차선들에 기초하여 차량이 현재 차로를 유지하면서 주행하도록 차량을 제어할 수 있다. 다른 예로, 전자 장치(200)는 차량이 현재 운행 중인 차량이 2차로인 경우, 왼쪽 차로인 1차로로는 차량이 운행할 수 있고, 1차로의 왼쪽 차선은 중앙선이므로 그 이상은 넘어갈 수 없다고 인식할 수 있다.

도 4는 일 예에 따른 제1 상세 특징 정보 및 제2 상세 특징 정보를 생성하는 방법을 도시한다.

일 실시 예에 따르면, 동작 410은 원본 이미지를 수신하는 동작(예: 도 3의 동작 310)이고, 동작들 420 및 430은 원본 이미지에 기초하여 제1 상세 특징 정보를 생성하기 위한 동작들(예: 도 3의 동작 320)이고, 동작 440은 제1 상세 특징 정보에 기초하여 제2 상세 특징 정보를 생성하기 위한 동작(예: 도 3의 동작 330)일 수 있다.

동작 410에서, 전자 장치(200)는 원본 이미지를 수신할 수 있다. 예를 들어, 원본 이미지는 크기가 a이고, 3채널일 수 있다.

동작 420에서, 전자 장치(200)는 원본 이미지를 입력으로 하는 컨볼루션 레이어를 이용하여 초기 제1 상세 특징 정보를 생성할 수 있다. 예를 들어, 초기 제1 상세 특징 정보는 크기가 a/2이고, 64채널일 수 있다.

동작 430에서, 전자 장치(200)는 초기 제1 상세 특징 정보를 입력으로 하는 컨볼루션 레이어를 이용하여 제1 상세 특징 정보(432)를 생성할 수 있다. 예를 들어, 제1 상세 특징 정보(432)는 크기가 a/4이고, 64채널일 수 있다.

일 실시 예에 따르면, 제1 상세 특징 정보(432)는 차선 인스턴스 맥락 정보를 생성하기 위해 이용될 수 있다.

동작 440에서, 전자 장치(200)는 제1 상세 특징 정보를 입력으로 하는 컨볼루션 레이어를 이용하여 제2 상세 특징 정보(442)를 생성할 수 있다. 예를 들어, 제2 상세 특징 정보(442)는 크기가 a/8이고, 128채널일 수 있다.

일 실시 예에 따르면, 제2 상세 특징 정보(442)는 차선 종류 맥락 정보를 생성하기 위해 이용될 수 있다.

일 실시 예에 따르면, 제2 상세 특징 정보(442)는 차선 인스턴스 맥락 정보를 생성하기 위해 이용될 수 있다.

도 5는 일 예에 따른 차선 종류 맥락 정보를 생성하는 방법을 도시한다.

일 실시 예에 따르면, 동작 510은 원본 이미지를 수신하는 동작(예: 도 3의 동작 310)이고, 동작들 520 및 570은 원본 이미지에 기초하여 차선 종류 맥락 정보를 생성하기 위한 동작들(예: 도 3의 동작 340)일 수 있다.

동작 510에서, 전자 장치(200)는 원본 이미지를 수신할 수 있다. 예를 들어, 원본 이미지는 크기가 a이고, 3채널일 수 있다.

동작 520에서, 전자 장치(200)는 원본 이미지를 입력으로 하는 스템 레이어를 이용하여 제1 차선 종류 맥락 정보를 생성할 수 있다. 예를 들어, 제1 차선 종류 맥락 정보는 크기가 a/2이고, 16채널일 수 있다.

동작 530에서, 전자 장치(200)는 제1 차선 종류 맥락 정보를 입력으로 하는 스템 레이어를 이용하여 제2 차선 종류 맥락 정보를 생성할 수 있다. 예를 들어, 제2 차선 종류 맥락 정보는 크기가 a/4이고, 16채널일 수 있다.

동작 540에서, 전자 장치(200)는 제2 차선 종류 맥락 정보를 입력으로 하는 GE 레이어를 이용하여 제3 차선 종류 맥락 정보를 생성할 수 있다. 예를 들어, 제3 차선 종류 맥락 정보는 크기가 a/8이고, 32채널일 수 있다.

동작 550에서, 전자 장치(200)는 제3 차선 종류 맥락 정보를 입력으로 하는 GE 레이어를 이용하여 제4 차선 종류 맥락 정보를 생성할 수 있다. 예를 들어, 제4 차선 종류 맥락 정보는 크기가 a/16이고, 64채널일 수 있다.

동작 560에서, 전자 장치(200)는 제4 차선 종류 맥락 정보를 입력으로 하는 GE 레이어를 이용하여 제5 차선 종류 맥락 정보를 생성할 수 있다. 예를 들어, 제5 차선 종류 맥락 정보는 크기가 a/32이고, 128채널일 수 있다.

동작 570에서, 전자 장치(200)는 제5 차선 종류 맥락 정보를 입력으로 하는 CE 레이어를 이용하여 제6 차선 종류 맥락 정보(572)를 생성할 수 있다. 예를 들어, 제6 차선 종류 맥락 정보(572)는 크기가 a/32이고, 128채널일 수 있다. 제6 차선 종류 맥락 정보(572)가 동작 330을 통해 생성되는 차선 종류 맥락 정보에 대응될 수 있다.

도 6은 일 예에 따른 이미지 내의 타겟 차선의 종류를 결정하는 방법의 흐름도이다.

일 실시 예에 따르면, 도 3을 참조하여 전술된 동작 350은 아래의 동작들 610 내지 650을 포함할 수 있다.

동작 610에서, 전자 장치(200)는 차선 종류 맥락 정보를 업 샘플링함으로써 업 샘플링된 차선 종류 맥락 정보를 생성할 수 있다. 예를 들어, 전자 장치(200)는 제2 상세 특징 정보의 크기에 대응하도록 차선 종류 맥락 정보를 업 샘플링할 수 있다. 예를 들어, 차선 종류 맥락 정보의 크기가 a/32이고, 제2 상세 특징 정보의 크기가 a/8인 경우, 업 샘플링된 차선 종류 맥락 정보의 크기는 a/8일 수 있다.

동작 620에서, 전자 장치(200)는 업 샘플링된 차선 종류 맥락 정보 및 제2 상세 특징 정보에 기초하여 제1 참조 정보를 생성할 수 있다. 예를 들어, 업 샘플링된 차선 종류 맥락 정보 및 제2 상세 특징 정보를 곱합으로써 제1 참조 정보가 생성될 수 있다. 제1 참조 정보를 생성하기 위해 업 샘플링된 차선 종류 맥락 정보에 제1 가중치가 곱해지고, 제2 상세 특징 정보에 제2 가중치가 곱해질 수 있다. 예를 들어, 제1 가중치 및 제2 가중치는 모델의 훈련 과정을 통해 미리 결정될 수 있다.

동작 630에서, 전자 장치(200)는 제2 상세 특징 정보를 다운 샘플링함으로써 다운 샘플링된 제2 상세 특징 정보를 생성할 수 있다. 예를 들어, 전자 장치(200)는 차선 종류 맥락 정보의 크기에 대응하도록 제2 상세 특징 정보를 다운 샘플링할 수 있다. 예를 들어, 차선 종류 맥락 정보의 크기가 a/32이고, 제2 상세 특징 정보의 크기가 a/8인 경우, 다운 샘플링된 제2 상세 특징 정보의 크기는 a/32일 수 있다.

동작 640에서, 전자 장치(200)는 다운 샘플링된 제2 상세 특징 정보 및 차선 종류 맥락 정보에 기초하여 제2 참조 정보를 생성할 수 있다. 예를 들어, 다운 샘플링된 제2 상세 특징 정보 및 차선 종류 맥락 정보를 곱합으로써 제2 참조 정보가 생성될 수 있다. 제2 참조 정보를 생성하기 위해 다운 샘플링된 제2 상세 특징 정보에 제3 가중치가 곱해지고, 차선 종류 맥락 정보에 제4 가중치가 곱해질 수 있다. 예를 들어, 제3 가중치 및 제4 가중치는 모델의 훈련 과정을 통해 미리 결정될 수 있다.

동작 650에서, 전자 장치(200)는 제1 참조 정보 및 제2 참조 정보에 기초하여 원본 이미지 내의 타겟 차선의 종류를 결정할 수 있다. 원본 이미지 내의 차선 픽셀들 각각에 대해 차선의 종류가 결정될 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 제1 참조 정보 및 제2 참조 정보를 융합(fusion)함으로써 제1 융합 정보를 생성할 수 있다. 예를 들어, 제1 참조 정보 및 제2 참조 정보 각각에 대해 설정된 가중치들을 이용하여 제1 융합 정보가 생성될 수 있다. 제1 참조 정보 및 제2 참조 정보에 대한 가중치들은 모델의 훈련 과정을 통해 미리 결정될 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 제1 융합 정보에 argmax 또는 softargmax를 적용함으로써 차선의 종류를 결정할 수 있다. 예를 들어, 미리 설정된 종류의 카테고리 별로 차선의 종류가 결정될 수 있다. 예를 들어, 종류의 카테고리는 차선이 단일선인지 또는 이중선인지 여부를 포함할 수 있다. 다른 예로, 종류의 카테고리는 차선이 점선인지 또는 실선인지 여부를 포함할 수 있다. 또 다른 예로, 종류의 카테고리는 차선의 색깔을 포함할 수 있다.

도 7은 일 예에 따른 이미지 내의 타겟 차선의 인스턴스를 결정하는 방법의 흐름도이다.

일 실시 예에 따르면, 도 3을 참조하여 전술된 동작 370은 아래의 동작들 710 내지 750을 포함할 수 있다.

동작 710에서, 전자 장치(200)는 제2 상세 특징 정보를 다운 샘플링함으로써 다운 샘플링된 제2 상세 특징 정보를 생성할 수 있다. 예를 들어, 전자 장치(200)는 차선 인스턴스 맥락 정보의 크기에 대응하도록 제2 상세 특징 정보를 다운 샘플링할 수 있다. 예를 들어, 차선 인스턴스 맥락 정보의 크기가 a/32이고, 제2 상세 특징 정보의 크기가 a/8인 경우, 다운 샘플링된 제2 상세 특징 정보의 크기는 a/32일 수 있다.

동작 720에서, 전자 장치(200)는 다운 샘플링된 제2 상세 특징 정보 및 차선 인스턴스 맥락 정보에 기초하여 제3 참조 정보를 생성할 수 있다. 예를 들어, 다운 샘플링된 제2 상세 특징 정보 및 차선 인스턴스 맥락 정보를 곱합으로써 제3 참조 정보가 생성될 수 있다. 제3 참조 정보를 생성하기 위해 다운 샘플링된 제2 상세 특징 정보에 제5 가중치가 곱해지고, 차선 인스턴스 맥락 정보에 제6 가중치가 곱해질 수 있다. 예를 들어, 제5 가중치 및 제6 가중치는 모델의 훈련 과정을 통해 미리 결정될 수 있다.

동작 730에서, 전자 장치(200)는 차선 인스턴스 맥락 정보를 업 샘플링함으로써 업 샘플링된 차선 인스턴스 맥락 정보를 생성할 수 있다. 예를 들어, 전자 장치(200)는 제2 상세 특징 정보의 크기에 대응하도록 차선 인스턴스 맥락 정보를 업 샘플링할 수 있다. 예를 들어, 차선 인스턴스 맥락 정보의 크기가 a/32이고, 제2 상세 특징 정보의 크기가 a/8인 경우, 업 샘플링된 차선 인스턴스 맥락 정보의 크기는 a/8일 수 있다.

동작 740에서, 전자 장치(200)는 업 샘플링된 차선 인스턴스 맥락 정보 및 제2 상세 특징 정보에 기초하여 제4 참조 정보를 생성할 수 있다. 예를 들어, 업 샘플링된 차선 인스턴스 맥락 정보 및 제2 상세 특징 정보를 곱합으로써 제4 참조 정보가 생성될 수 있다. 제4 참조 정보를 생성하기 위해 업 샘플링된 차선 인스턴스 맥락 정보에 제7 가중치가 곱해지고, 제2 상세 특징 정보에 제8 가중치가 곱해질 수 있다. 예를 들어, 제7 가중치 및 제8 가중치는 모델의 훈련 과정을 통해 미리 결정될 수 있다.

동작 750에서, 전자 장치(200)는 제3 참조 정보 및 제4 참조 정보에 기초하여 원본 이미지 내의 타겟 차선의 인스턴스를 결정할 수 있다. 원본 이미지 내의 도로 픽셀들 각각에 대해 차선의 인스턴스가 결정될 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 제3 참조 정보 및 제4 참조 정보를 융합함으로써 제2 융합 정보를 생성할 수 있다. 예를 들어, 제3 참조 정보 및 제4 참조 정보 각각에 대해 설정된 가중치들을 이용하여 제2 융합 정보가 생성될 수 있다. 제3 참조 정보 및 제4 참조 정보에 대한 가중치들은 모델의 훈련 과정을 통해 미리 결정될 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 제2 융합 정보에 기초하여 원본 이미지 내에 나타나는 차선들을 구분하고, 구분된 차선들에 대한 인스턴스를 결정할 수 있다. 예를 들어, 전자 장치(200)는 동일한 인스턴스를 갖는 부분 차선들을 연결할 있고, 차선의 특징을 갖지 않는 이미지 내의 영역(예: 도로 픽셀들) 중 부분 차선들에 의해 연결된 차선 상에 위치하는 픽셀들에 대해서도 차선의 인스턴스를 부여할 수 있다.

일 실시 예에 따르면, 전자 장치(200)는 제2 융합 정보에 argmax 또는 softargmax를 적용함으로써 차선의 인스턴스를 결정할 수 있다. 예를 들어, 타겟 차선(또는, 부분 차선)에 대해 미리 설정된 인스턴스들 중 어느 하나가 결정될 수 있다. 예를 들어, 타겟 차선에 대해 결정되는 인스턴스는 차량이 주행하는 타겟 차로의 왼쪽 차선, 타겟 차로의 오른쪽 차선, 타겟 차로의 왼쪽 차로의 차선, 및 타겟 차로의 오른쪽 차로의 차선 중 적어도 하나를 포함할 수 있다.

도 8은 일 예에 따른 차선 존재 정보에 기초하여 타겟 차선의 인스턴스를 결정하는 방법의 흐름도이다.

일 실시 예에 따르면, 도 7을 참조하여 전술된 동작 750은 아래의 동작들 810 내지 830을 포함할 수 있다.

동작 810에서, 전자 장치(200)는 차선 인스턴스 맥락 정보에 기초하여 차선 존재 정보를 생성할 수 있다. 예를 들어, 전자 장치(200)는 차선이 존재하는지 여부를 결정하는 레이어들을 이용하여 타겟 차선이 존재하는지 여부를 결정할 수 있다. 차선이 존재하는지 여부를 결정하는 레이어들은 차선 인스턴스 맥락 정보를 입력으로하고, 타겟 차선이 존재하는지 여부를 출력할 수 있다. 차선 존재 정보는 차선의 오검출을 방지하기 위해 이용될 수 있다.

동작 820에서, 전자 장치(200)는 제3 참조 정보 및 제4 참조 정보를 융합함으로써 융합 정보(예: 도 7의 제2 융합 정보)를 생성할 수 있다. 융합 정보를 생성하는 방법에 대한 설명은 도 7의 동작 750에 대한 설명이 유사하게 적용될 수 있다.

동작 830에서, 전자 장치(200)는 차선 존재 정보 및 융합 정보에 기초하여 타겟 차선의 인스턴스를 결정할 수 있다. 예를 들어, 융합 정보에 기초하여 타겟 차선이 검출된 경우에도 차선 존재 정보에 의해 해당 차선이 존재하지 않는 것으로 결정된 경우에는 해당 차선은 최종적으로 존재하지 않는 것으로 결정되고, 존재하지 않는 차선에 대한 인스턴스가 결정되지 않을 수 있다. 즉, 차선 존재 정보에 의해 존재하는 것으로 결정된 차선에 대해서만 차선의 인스턴스가 결정될 수 있다.

도 9는 일 예에 따른 이미지 상에 차선의 종류에 따라 출력된 그래픽 효과를 도시한다.

일 실시 예에 따른, 원본 이미지(900)에 나타나는 차선들(910, 922, 924, 930)에 대해 각각 결정된 차선의 종류가 그래픽 효과를 이용하여 설명될 수 있다. 예를 들어, 도시된 그래픽 효과는 차량의 운전자(또는, 사용자)에게 출력될 수도 있고, 출력되지 않을 수도 있다. 도시된 그래픽 효과는 데이터의 처리로 설명되는 '차선의 종류'에 대한 이해를 돕기 위한 것일 뿐, 실제로는 구현되지 않을 수도 있다. 예를 들어, 전자 장치(200)는 그래픽 효과에 대응하는 인덱스를 해당 차선에 부여할 수 있다.

예를 들어, 차선들(910, 930)에 대한 종류로서 흰색, 단일선 및 실선이 결정될 수 있다. 흰색, 단일선 및 실선에 대해서는 제1 패턴을 갖는 그래픽 효과가 결정될 수 있다. 차선들(910, 930) 각각에 제1 패턴을 갖는 그래픽 효과(911)가 적용될 수 있다.

예를 들어, 차선들(922, 924, 926) 각각에 대한 종류로서 흰색, 단일선 및 점선이 결정될 수 있다. 흰색, 단일선 및 점선에 대해서는 제4 패턴을 갖는 그래픽 효과가 결정될 수 있다. 차선들(922, 924, 926) 각각에 제4 패턴을 갖는 그래픽 효과들(923, 925, 927)이 적용될 수 있다.

예를 들어, 도시되지는 않았으나 차선에 대한 종류로서 노란색, 단일선 및 실선이 결정될 수 있다. 노란색, 단일선 및 실선에 대해서는 제2 패턴을 갖는 그래픽 효과가 결정될 수 있다.

예를 들어, 도시되지는 않았으나 차선에 대한 종류로서 노란색, 이중선 및 실선이 결정될 수 있다. 노란색, 이중선 및 실선에 대해서는 제3 패턴을 갖는 그래픽 효과가 결정될 수 있다.

도 10은 일 예에 따른 이미지 상에 차선의 인스턴스에 따라 출력된 그래픽 효과를 도시한다.

일 실시 예에 따른, 원본 이미지(1000)에 나타나는 차선들(1010, 1020, 1030)에 대해 각각 결정된 차선의 인스턴스가 그래픽 효과를 이용하여 설명될 수 있다. 예를 들어, 도시된 그래픽 효과는 차량의 운전자(또는, 사용자)에게 출력될 수도 있고, 출력되지 않을 수도 있다. 도시된 그래픽 효과는 데이터의 처리로 설명되는 '차선의 인스턴스'에 대한 이해를 돕기 위한 것일 뿐, 실제로는 구현되지 않을 수도 있다. 예를 들어, 전자 장치(200)는 그래픽 효과에 대응하는 인덱스를 해당 차선에 부여할 수 있다.

예를 들어, 차선(1020)에 대한 인스턴스로서 주행 차로의 왼쪽 차선이 결정되고, 차선(1030)에 대한 인스턴스로 주행 차로의 오른쪽 차선이 결정되고, 차선(1010)에 대한 인스턴스로서 주행 차로의 왼쪽 차로의 차선이 결정될 수 있다.

결정된 인스턴스에 대응하는 그래픽 효과들(1012, 1022, 1032)이 차선들(1010, 1020, 1030) 각각에 출력될 수 있다.

일 실시 예에 따르면, 차량의 운전자(또는, 사용자)에게 차량 주변의 차선들에 대한 인스턴스들을 시각적으로 제공(또는, 출력)할 수 있다. 예를 들어, 차량 이미지(1052)를 기준으로 차선들(1054, 1056, 1058)에 대한 인스턴스들이 색깔로 구분되어 나타나는 어라운드 뷰(around view)(1050)가 출력될 수 있다.

도 11은 일 예에 따른, 원본 이미지에 기초하여 차선의 종류 및 차선의 인스턴스를 결정하는 모델의 개념도이다.

일 실시 예에 따르면, 모델(1100)은 입력 이미지(1101)에 기초하여 차선의 종류 및 차선의 인스턴스를 동시에 결정할 수 있다. 예를 들어, 모델(1100)은 복수의 레이어들을 포함할 수 있다. 레이어들의 노드들을 연결하는 엣지들의 파라미터 값(또는, 가중치)는 모델(1100)의 훈련을 통해 미리 결정될 수 있다.

예를 들어, 모델(1100)은 제1 상세 특징 정보 및 제2 상세 특징 정보를 생성하는 상세 브랜치(detail branch)를 포함할 수 있다.

예를 들어, 모델(1100)은 차선 종류 맥락 정보를 생성하는 차선 종류 맥락 브랜치(lane type contextual branch)를 포함할 수 있다.

예를 들어, 모델(1100)은 차선 인스턴스 맥락 정보를 생성하는 인스턴스 맥락 브랜치(instance contextual branch)를 포함할 수 있다.

예를 들어, 모델(1100)은 차선 존재 정보를 생성하는 존재 브랜치(existence branch)를 포함할 수 있다.

예를 들어, 모델(1100)은 제2 상세 특징 정보 및 차선 종류 맥락 정보에 기초하여 제1 융합 정보를 생성하고, 제1 융합 정보에 기초하여 차선의 종류를 결정하는 레이어들을 포함할 수 있다.

예를 들어, 모델(1100)은 제2 상세 특징 정보 및 차선 인스턴스 맥락 정보에 기초하여 제2 융합 정보를 생성하는 레이어들 및 제2 융합 정보 및 차선 존재 정보에 기초하여 차선의 인스턴스를 결정하는 레이어들을 포함할 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 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. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

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 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 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 청구범위의 범위에 속한다.

Claims

전자 장치에 의해 수행되는, 이미지 처리 방법은,
차량에 장착된 카메라를 이용하여 생성된 원본 이미지(original image)를 수신하는 동작;
상기 원본 이미지를 미리 설정된 제1 방식으로 처리함으로써 제1 상세 특징 정보(detail feature information)를 생성하고, 제1 상세 특징 정보를 미리 설정된 제2 방식으로 처리함으로써 제2 상세 특징 정보를 생성하는 동작;
상기 원본 이미지를 미리 설정된 제3 방식으로 처리함으로써 차선 종류 맥락 정보(lane type contexture information)를 생성하는 동작;
상기 제2 상세 특징 정보 및 상기 차선 종류 맥락 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 종류를 결정하는 동작;
상기 제1 상세 특징 정보를 미리 설정된 제4 방식으로 처리함으로써 차선 인스턴스 맥락 정보(lane instance contexture information)를 생성하는 동작; 및
상기 제2 상세 특징 정보 및 상기 차선 인스턴스 맥락 정보에 기초하여 상기 타겟 차선의 인스턴스를 결정하는 동작
을 포함하는,
이미지 처리 방법.
제1항에 있어서,
상기 타겟 차선의 종류는, 실선, 점선, 단일선, 이중선 및 색깔 중 적어도 하나를 포함하는,
이미지 처리 방법.
제1항에 있어서,
상기 타겟 차선의 인스턴스는 상기 차량이 주행하는 타겟 차로의 왼쪽 차선, 상기 타겟 차로의 오른쪽 차선, 상기 타겟 차로의 왼쪽 차로의 차선, 및 상기 타겟 차로의 오른쪽 차로의 차선 중 적어도 하나를 포함하는,
이미지 처리 방법.
제1항에 있어서,
상기 타겟 차선의 종류를 결정하는 동작은,
상기 차선 종류 맥락 정보를 업 샘플링함으로써 업 샘플링된 차선 종류 맥락 정보를 생성하는 동작;
상기 업 샘플링된 차선 종류 맥락 정보 및 상기 제2 상세 특징 정보에 기초하여 제1 참조 정보를 생성하는 동작;
상기 제2 상세 특징 정보를 다운 샘플링함으로써 다운 샘플링된 제2 상세 특징 정보를 생성하는 동작;
상기 다운 샘플링된 제2 상세 특징 정보 및 차선 종류 맥락 정보에 기초하여 제2 참조 정보를 생성하는 동작; 및
상기 제1 참조 정보 및 상기 제2 참조 정보에 기초하여 상기 원본 이미지 내의 상기 타겟 차선의 종류를 결정하는 동작
을 포함하는,
이미지 처리 방법.
제1항에 있어서,
상기 타겟 차선의 상기 인스턴스를 결정하는 동작은,
상기 제2 상세 특징 정보를 다운 샘플링함으로써 다운 샘플링된 제2 상세 특징 정보를 생성하는 동작;
상기 다운 샘플링된 제2 상세 특징 정보 및 상기 차선 인스턴스 맥락 정보에 기초하여 제3 참조 정보를 생성하는 동작;
상기 차선 인스턴스 맥락 정보를 업 샘플링함으로써 업 샘플링된 차선 인스턴스 맥락 정보를 생성하는 동작;
상기 업 샘플링된 차선 인스턴스 맥락 정보 및 상기 제2 상세 특징 정보에 기초하여 제4 참조 정보를 생성하는 동작; 및
상기 제3 참조 정보 및 상기 제4 참조 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 상기 인스턴스를 결정하는 동작
을 포함하는,
이미지 처리 방법.
제5항에 있어서,
상기 제3 참조 정보 및 상기 제4 참조 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 상기 인스턴스를 결정하는 동작은,
상기 차선 인스턴스 맥락 정보에 기초하여 차선 존재 정보를 생성하는 동작;
상기 제3 참조 정보 및 제4 참조 정보를 융합함으로써 융합 정보를 생성하는 동작; 및
상기 차선 존재 정보 및 상기 융합 정보에 기초하여 상기 타겟 차선의 상기 인스턴스를 결정하는 동작
을 포함하는,
이미지 처리 방법.
제1항에 있어서,
상기 이미지 처리 방법은, 신경망에 기반하여 미리 훈련된 모델에 의해 수행되는,
이미지 처리 방법.
제1항에 있어서,
상기 타겟 차선의 상기 종류 및 상기 인스턴스 중 적어도 하나에 기초하여 상기 차량을 제어하는 동작
을 더 포함하는,
이미지 처리 방법.
하드웨어와 결합되어 제1항 내지 제8항 중 어느 한 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
전자 장치는,
이미지를 처리하는 프로그램이 기록된 메모리; 및
상기 프로그램을 수행하는 프로세서
를 포함하고,
상기 프로세서는,
차량에 장착된 카메라를 이용하여 생성된 원본 이미지(original image)를 수신하고,
상기 원본 이미지를 미리 설정된 제1 방식으로 처리함으로써 제1 상세 특징 정보(detail feature information)를 생성하고, 제1 상세 특징 정보를 미리 설정된 제2 방식으로 처리함으로써 제2 상세 특징 정보를 생성하고,
상기 원본 이미지를 미리 설정된 제3 방식으로 처리함으로써 차선 종류 맥락 정보(lane type contexture information)를 생성하고,
상기 제2 상세 특징 정보 및 상기 차선 종류 맥락 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 종류를 결정하고,
상기 제1 상세 특징 정보를 미리 설정된 제4 방식으로 처리함으로써 차선 인스턴스 맥락 정보(lane instance contexture information)를 생성하고,
상기 제2 상세 특징 정보 및 상기 차선 인스턴스 맥락 정보에 기초하여 상기 타겟 차선의 인스턴스를 결정하는,
전자 장치.
제10항에 있어서,
상기 타겟 차선의 종류는, 실선, 점선, 단일선, 이중선 및 색깔 중 적어도 하나를 포함하는,
전자 장치.
제10항에 있어서,
상기 타겟 차선의 인스턴스는 상기 차량이 주행하는 타겟 차로의 왼쪽 차선, 상기 타겟 차로의 오른쪽 차선, 상기 타겟 차로의 왼쪽 차로의 차선, 및 상기 타겟 차로의 오른쪽 차로의 차선 중 적어도 하나를 포함하는,
전자 장치.
제10항에 있어서,
상기 프로세서는,
상기 차선 종류 맥락 정보를 업 샘플링함으로써 업 샘플링된 차선 종류 맥락 정보를 생성하고,
상기 업 샘플링된 차선 종류 맥락 정보 및 상기 제2 상세 특징 정보에 기초하여 제1 참조 정보를 생성하고,
상기 제2 상세 특징 정보를 다운 샘플링함으로써 다운 샘플링된 제2 상세 특징 정보를 생성하고,
상기 다운 샘플링된 제2 상세 특징 정보 및 차선 종류 맥락 정보에 기초하여 제2 참조 정보를 생성하고,
상기 제1 참조 정보 및 상기 제2 참조 정보에 기초하여 상기 원본 이미지 내의 상기 타겟 차선의 종류를 결정하는,
전자 장치.
제10항에 있어서,
상기 프로세서는,
상기 제2 상세 특징 정보를 다운 샘플링함으로써 다운 샘플링된 제2 상세 특징 정보를 생성하고,
상기 다운 샘플링된 제2 상세 특징 정보 및 상기 차선 인스턴스 맥락 정보에 기초하여 제3 참조 정보를 생성하고,
상기 차선 인스턴스 맥락 정보를 업 샘플링함으로써 업 샘플링된 차선 인스턴스 맥락 정보를 생성하고,
상기 업 샘플링된 차선 인스턴스 맥락 정보 및 상기 제2 상세 특징 정보에 기초하여 제4 참조 정보를 생성하고,
상기 제3 참조 정보 및 상기 제4 참조 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 상기 인스턴스를 결정하는,
전자 장치.
제14항에 있어서,
상기 프로세서는,
상기 차선 인스턴스 맥락 정보에 기초하여 차선 존재 정보를 생성하고,
상기 제3 참조 정보 및 제4 참조 정보를 융합함으로써 융합 정보를 생성하고,
상기 차선 존재 정보 및 상기 융합 정보에 기초하여 상기 타겟 차선의 상기 인스턴스를 결정하는,
전자 장치.
제10항에 있어서,
상기 전자 장치는 상기 차량에 포함되는,
전자 장치.
제10항에 있어서,
상기 프로세서는,
상기 타겟 차선의 상기 종류 및 상기 인스턴스에 기초하여 상기 차량을 제어하는,
전자 장치.
전자 장치에 의해 수행되는, 차량 제어 방법은,
차량에 장착된 카메라를 이용하여 생성된 원본 이미지(original image)를 수신하는 동작;
상기 원본 이미지를 미리 설정된 제1 방식으로 처리함으로써 제1 상세 특징 정보(detail feature information)를 생성하고, 제1 상세 특징 정보를 미리 설정된 제2 방식으로 처리함으로써 제2 상세 특징 정보를 생성하는 동작;
상기 원본 이미지를 미리 설정된 제3 방식으로 처리함으로써 차선 종류 맥락 정보(lane type contexture information)를 생성하는 동작;
상기 제2 상세 특징 정보 및 상기 차선 종류 맥락 정보에 기초하여 상기 원본 이미지 내의 타겟 차선의 종류를 결정하는 동작;
상기 제1 상세 특징 정보를 미리 설정된 제4 방식으로 처리함으로써 차선 인스턴스 맥락 정보(lane instance contexture information)를 생성하는 동작;
상기 제2 상세 특징 정보 및 상기 차선 인스턴스 맥락 정보에 기초하여 상기 타겟 차선의 인스턴스를 결정하는 동작; 및
상기 타겟 차선의 상기 종류 및 상기 인스턴스 중 적어도 하나에 기초하여 상기 차량을 제어하는 동작
을 포함하는,
차량 제어 방법.