KR20230105531A - 딥러닝을 이용한 이미지 전송 시스템 및 방법 - Google Patents

딥러닝을 이용한 이미지 전송 시스템 및 방법 Download PDF

Info

Publication number
KR20230105531A
KR20230105531A KR1020220001032A KR20220001032A KR20230105531A KR 20230105531 A KR20230105531 A KR 20230105531A KR 1020220001032 A KR1020220001032 A KR 1020220001032A KR 20220001032 A KR20220001032 A KR 20220001032A KR 20230105531 A KR20230105531 A KR 20230105531A
Authority
KR
South Korea
Prior art keywords
image
interest
region
deep learning
roi
Prior art date
Application number
KR1020220001032A
Other languages
English (en)
Inventor
이석호
이재진
한규승
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020220001032A priority Critical patent/KR20230105531A/ko
Publication of KR20230105531A publication Critical patent/KR20230105531A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H04N21/234318—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by decomposing into objects, e.g. MPEG-4 objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/167—Position within a video image, e.g. region of interest [ROI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/20—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

본 발명은 이미지 처리 딥러닝을 이용하여 이미지로부터 관심 객체를 판정하고, 관심 객체를 포함하는 관심 영역을 압축하여 네트워크로 전송함으로써, 전송되는 데이터의 양을 줄일 수 있어 네트워크 트래픽을 감소시킬 수 있는 딥러닝을 이용한 이미지 전송 시스템 및 방법을 제공한다.
본 발명에 따른, 딥러닝을 이용한 이미지 전송 시스템은, 이미지 처리 딥러닝을 이용하여 이미지로부터 관심 객체를 판정하는 이미지 처리 딥러닝부, 상기 관심 객체를 포함하는 관심 영역의 좌표를 추출하는 관심 영역 좌표 추출부, 상기 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축하여 관심 영역 압축 데이터를 생성하는 관심 영역 압축부 및 상기 관심 영역 압축 데이터를 네트워크로 전송하는 네트워크 전송부를 포함한다.

Description

딥러닝을 이용한 이미지 전송 시스템 및 방법{SYSTEM AND METHOD FOR TRANSMITTING IMAGE USING DEEP LEARNING}
본 발명은 딥러닝을 이용한 이미지 전송 시스템 및 방법에 관한 것으로서, 보다 자세하게는, 지능형 엣지 디바이스(edge device)에서 수집된 정지 이미지 또는 연속 이미지를 외부 네트워크로 전송하기 위한, 딥러닝을 이용한 이미지 전송 시스템 및 방법에 관한 것이다.
엣지 컴퓨팅(edge computing)은 사물인터넷(IoT, internet of Things) 기기들이 생성한 데이터를 데이터 센터나 클라우드까지의 원거리 경로를 통해서 송신하는 대신 데이터 생성 위치에서 더 가까운 곳에서 처리될 수 있도록 한다. 네트워크 엣지에서 가까운 곳에서 컴퓨팅을 함으로써 중요한 데이터를 준실시간(準實時間)으로 처리할 수 있는데, 이는 제조, 의료 서비스, 통신 그리고 금융을 포함해 업계 전반의 많은 기업에 필요한 사항이다.
이러한 엣지 컴퓨팅에 이용되는 엣지 디바이스(edge device)는 데이터를 생성하는 모든 기기가 될 수 있다. 엣지 디바이스는 데이터를 생성 또는 수집하는 센서, 산업용 머신 또는 따른 기기들이 될 수 있다.
엣지 디바이스는 다양한 센서 네트워크로 구성되어 있으며 그 중에서 상대적으로 많은 트래픽을 유발하는 센서는 이미지 센서이다. 이는 이미지 센서 자체가 다른 센서와 비교하여 수집되는 데이터 량이 많기 때문이며, 예를 들면 한 프레임당 데이터양은 4K의 정지영상의 경우 66Mbit이며, 8K의 경우는 265Mbit이다, 이미지 센서의 해상도가 높아질수록 처리되어 네트워크로 전송하는 의미가 있는 데이터양도 이에 비례하여 증가한다.
상술한 바와 같이 폭증하는 네트워크 트래픽을 해결하기 위하여 이미지 센서에서 획득되는 정지 이미지 및 연속 이미지의 모든 픽셀을 클라우드를 포함한 네트워크로 전송하는 것이 아니라, 지능적으로 선별한 픽셀 영역에 해당하는 최소한의 고화질 객체 데이터의 픽셀 정보만 네트워크로 전송하는 방법이 필요하다.
대한민국특허청(KR) 등록특허공보(B1) 제10-2313485호
본 발명의 목적은, 이미지 처리 딥러닝을 이용하여 이미지로부터 관심 객체를 판정하고, 관심 객체를 포함하는 관심 영역을 압축하여 네트워크로 전송함으로써, 네트워크 트래픽을 감소시킬 수 있는 딥러닝을 이용한 이미지 전송 시스템 및 방법을 제공하는 것이다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 시스템은, 이미지 처리 딥러닝을 이용하여 이미지로부터 관심 객체를 판정하는 이미지 처리 딥러닝부; 상기 관심 객체를 포함하는 관심 영역의 좌표를 추출하는 관심 영역 좌표 추출부; 상기 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축하여 관심 영역 압축 데이터를 생성하는 관심 영역 압축부; 및 상기 관심 영역 압축 데이터를 네트워크로 전송하는 네트워크 전송부를 포함할 수 있다.
일 실시예에서, 상기 딥러닝을 이용한 이미지 전송 시스템은, 상기 이미지를 획득하는 이미지 획득부를 더 포함할 수 있다.
일 실시예에서, 상기 이미지는 정지 이미지 또는 연속 이미지를 포함할 수 있다.
상기 관심 영역 압축부는, 상기 이미지가 정지 이미지인 경우, 스틸 이미지 압축을 이용하여 상기 정지 이미지를 압축함으로써, 상기 관심 영역 압축 데이터를 생성할 수 있다.
상기 관심 영역 압축부는, 상기 이미지가 연속 이미지인 경우, 첫 번째 이미지의 압축 이후에, 두 번째 이미지부터는 상기 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축함으로써, 상기 관심 영역 압축 데이터를 생성할 수 있다.
본 발명의 다른 일 실시예에 따른, 딥러닝을 이용한 이미지 전송 방법은, 이미지 처리 딥러닝부를 통해, 이미지 처리 딥러닝을 이용하여 이미지로부터 관심 객체를 판정하는 이미지 처리 딥러닝 단계; 관심 영역 좌표 추출부를 통해, 상기 관심 객체를 포함하는 관심 영역의 좌표를 추출하는 관심 영역 좌표 추출 단계; 관심 영역 압축부를 통해, 상기 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축하여 관심 영역 압축 데이터를 생성하는 관심 영역 압축 단계; 및 네트워크 전송부를 통해, 상기 관심 영역 압축 데이터를 네트워크로 전송하는 네트워크 전송 단계를 포함할 수 있다.
일 실시예에서, 상기 딥러닝을 이용한 이미지 전송 방법은, 이미지 획득부를 통해, 상기 이미지를 획득하는 이미지 획득 단계를 더 포함할 수 있다.
일 실시예에서, 상기 관심 영역 압축 단계는, 상기 이미지가 정지 이미지인 경우, 스틸 이미지 압축을 이용하여 상기 정지 이미지를 압축함으로써, 상기 관심 영역 압축 데이터를 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 관심 영역 압축 단계는, 상기 이미지가 연속 이미지인 경우, 첫 번째 이미지의 압축 이후에, 두 번째 이미지부터는 상기 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축함으로써, 상기 관심 영역 압축 데이터를 생성하는 단계를 포함할 수 있다.
본 발명의 일 측면에 따르면, 이미지 처리 딥러닝을 이용하여 이미지로부터 관심 객체를 판정하고, 관심 객체를 포함하는 관심 영역을 압축하여 네트워크로 전송함으로써, 네트워크 트래픽을 감소시킬 수 있다.
즉, 본 발명은 이미지 센서에서 획득되는 정지 이미지 및 연속 이미지의 모든 픽셀을 네트워크로 전송하는 것이 아니라, 지능적으로 선별한 픽셀 영역에 해당하는 최소한의 고화질 객체 데이터의 픽셀 정보만 네트워크로 전송하는 방법을 제공할 수 있다. 이는 엣지 디바이스의 센서 네트워크가 최소한의 의미 있는 데이터만 전송함으로써 폭증하는 클라우드 트래픽을 감소시키는 이점을 가질 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 시스템의 이미지 처리 딥러닝부에서 판정되는 관심 객체의 일 예이다.
도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 방법을 설명하기 위한 순서도이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
명세서 전체에서, 어떤 부분이 어떤 구성 요소를 '포함한다'고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 '...부'의 용어는 하나 이상의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.이하, 본 발명의 실시예를 첨부한 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면 번호에 상관없이 동일한 수단에 대해서는 동일한 참조 번호를 사용하기로 한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 시스템(100)은 이미지 획득부(110), 이미지 처리 딥러닝부(120), 관심 영역 좌표 추출부(130), 관심 영역 압축부(140) 및 네트워크 전송부(150)로 구성된다. 도 1에 도시된 딥러닝을 이용한 이미지 전송 시스템(100)은 일 실시예에 따른 것이고, 본 발명에 따른 이미지 전송 시스템(100)의 구성요소들이 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
이미지 획득부(110)는 이미지를 획득한다. 일 실시예에서, 이미지 획득부(110)는 엣지 디바이스에 구비된 이미지 센서일 수 있다. 이미지 획득부(110)에서 획득되는 이미지는 사진과 같은 정지 이미지 또는 동영상과 같은 연속 이미지일 수 있다. 즉, 이미지 획득부(110)에서 획득되는 이미지는 정지 이미지 및 연속 이미지 중 어느 하나에 해당할 수 있다.
이미지 처리 딥러닝부(120)는 이미지 처리 딥러닝을 이용하여 이미지로부터 관심 객체를 판정한다. 일 실시예에서, 이미지 처리 딥러닝부(120)가 이용하는 이미지 처리 딥러닝은 이미지 처리에 주로 활용되는 신경망 모델인 CNN(Convolutional Neural Network, 합성곱 신경망)을 이용할 수 있으나, 이에 한정되는 것은 아니고, 기존에 이미지 처리에 이용되었거나 향후 이미지 처리에 이용될 다른 신경망을 이용할 수 있다. 이하 도 2를 참조하여, 이미지 처리 딥러닝부(120)에서 판정되는 관심 객체를 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 시스템의 이미지 처리 딥러닝부에서 판정되는 관심 객체의 일 예이다.
도 2를 참조하면, 이미지 획득부(110)에서 획득된 영상(10)은 고양이, 불, 개, 사람, 자전거, 새, 자동차 등의 다양한 객체를 포함할 수 있다. 이중에서 이미지 처리 딥러닝부(120)는 이미지 처리 딥러닝을 이용하여 사용자 또는 시스템 관리자가 원하는 관심 객체(11)를 판정한다. 이미지 처리 딥러닝부(120)에서 판정된 관심 객체(11)는 영상(10)에 포함된 객체의 일부로서, 사람, 고양이, 개, 자전거, 자동차 등 하나 이상의 객체일 수 있다.
다시 도 1로 돌아와서, 관심 영역 좌표 추출부(130)는 관심 객체를 포함하는 관심 영역의 좌표를 추출한다. 일 실시예에서, '관심 영역의 좌표'는 관심 영역을 특정할 수 있는 좌표 범위일 수도 있고, 관심 객체의 특징점일 수도 있다.
관심 영역 압축부(140)는 관심 영역 좌표 추출부(130)에서 추출된 관심 영역의 좌표를 이용하여 관심 영역을 압축하여 관심 영역 압축 데이터를 생성한다. 일 실시예에서, 이미지가 사진과 같은 정지 이미지인 경우, 관심 영역 압축부(140)는 스틸 이미지 압축을 이용하여 정지 이미지를 압축함으로써, 관심 영역 압축 데이터를 생성할 수 있다. 또한, 다른 일 실시예에서, 이미지가 동영상과 같은 연속 이미지인 경우, 관심 영역 압축부(140)는 첫 번째 이미지의 압축 이후에, 두 번째 이미지부터는 상기 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축함으로써, 상기 관심 영역 압축 데이터를 생성할 수 있다. 이를 통해서, 포스트 이미지 압축과정에서 소요되는 불필요한 하드웨어/소프트웨어(HW/SW) 자원을 절약할 수 있다.
네트워크 전송부(150)는 관심 영역 압축부(140)에서 생성된 관심 영역 압축 데이터를 네트워크로 전송한다.
이처럼 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 시스템(100)은 이미지를 이미지 처리 딥러닝으로 사용자 혹은 시스템 관리자가 원하는 관심 객체만 판정하고 그 판정된 영역에 해당하는 픽셀 정보 부분만 압축하여 전송함으로써, 모든 데이터를 이미지 처리하여 네트워크로 전송하는 종래 기술에 비교하여 처리 데이터의 양이 줄어들게 되고 그 결과 네트워크 트래픽을 줄이는 결과를 얻을 수 있다. 실제로, 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 시스템(100)은 종래의 이미지 처리된 모든 영역을 전송하는 방식과 비교하면 네트워크로 전송하는 트래픽 데이터를 1/1000까지 줄일 수 있다.
도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 방법을 설명하기 위한 순서도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 방법이 시작되면, 먼저 이미지 획득 단계(S210)에서 이미지 획득부(110)를 통해, 이미지를 획득하고, 이미지 처리 딥러닝 단계(S220)에서 이미지 처리 딥러닝부(130)를 통해, 이미지 처리 딥러닝을 이용하여 이미지로부터 관심 객체를 판정한다.
그리고 관심 영역 좌표 추출 단계(S230)에서 관심 영역 좌표 추출부(140)를 통해, 관심 객체를 포함하는 관심 영역의 좌표를 추출한다.
그리고 나서, 관심 영역 압축 단계(S240)에서 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축하여 관심 영역 압축 데이터를 생성하고, 네트워크 전송 단계(S250)에서 네트워크 전송부를 통해, 상기 관심 영역 압축 데이터를 네트워크로 전송한다.
본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 방법은 상기 기술한 딥러닝을 이용한 이미지 전송 시스템의 각 구성 요소에 의해 구현될 수 있으며, 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 방법은 상기 기술한 딥러닝을 이용한 이미지 전송 시스템과 유사하게 이미지 전송을 수행하므로, 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 방법에 대한 구체적인 설명은 중복 설명을 방지하기 위하여 생략하도록 한다.
본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 방법은 프로그램으로 구현되어 컴퓨터로 판독 가능한 형태로 씨디롬(CD-ROM), 램(RAM), 롬(ROM), 플로피 디스크(floppy disk), 하드 디스크(hard disk), 광자기 디스크, SD(Secure Digital) 카드, 마이크로(micro) SD 카드, USB(Universal Serial Bus) 메모리와 같은 기록 매체에 저장될 수 있다.
본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 방법은 웹 기반(web-based) 프로그램의 형태로 구현될 수도 있고, 모바일(mobile) 단말에 설치된 어플리케이션(application)의 형태로 구현될 수도 있다. 또한, 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 방법이 구현된 프로그램은 본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 시스템에 설치된 형태일 수도 있다.
본 발명의 일 실시예에 따른 딥러닝을 이용한 이미지 전송 방법은 도면에 제시된 순서도를 참조로 하여 설명되었다. 간단히 설명하기 위하여 상기 방법은 일련의 블록들로 도시되고 설명되었으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 다른 블록들과 본 명세서에서 도시되고 기술된 것과 상이한 순서로 또는 동시에 일어날 수도 있으며, 동일한 또는 유사한 결과를 달성하는 다양한 다른 분기, 흐름 경로, 및 블록의 순서들이 구현될 수 있다. 또한, 본 명세서에서 기술되는 방법의 구현을 위하여 도시된 모든 블록들이 요구되지 않을 수도 있다.
이상 본 발명의 특정 실시예를 도시하고 설명하였으나, 본 발명의 기술사상은 첨부된 도면과 상기한 설명내용에 한정하지 않으며 본 발명의 사상을 벗어나지 않는 범위 내에서 다양한 형태의 변형이 가능함은 이 분야의 통상의 지식을 가진 자에게는 자명한 사실이며, 이러한 형태의 변형은, 본 발명의 정신에 위배되지 않는 범위 내에서 본 발명의 특허청구범위에 속한다고 볼 것이다.
100: 딥러닝을 이용한 이미지 전송 시스템
110: 이미지 획득부
120: 이미지 처리 딥러닝부
130: 관심 영역 좌표 추출부
140: 관심 영역 압축부
150: 네트워크 전송부

Claims (9)

  1. 이미지 처리 딥러닝을 이용하여 이미지로부터 관심 객체를 판정하는 이미지 처리 딥러닝부;
    상기 관심 객체를 포함하는 관심 영역의 좌표를 추출하는 관심 영역 좌표 추출부;
    상기 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축하여 관심 영역 압축 데이터를 생성하는 관심 영역 압축부; 및
    상기 관심 영역 압축 데이터를 네트워크로 전송하는 네트워크 전송부;를 포함하는 것
    을 특징으로 하는 딥러닝을 이용한 이미지 전송 시스템.
  2. 제1항에 있어서,
    상기 이미지를 획득하는 이미지 획득부를 더 포함하는 것
    을 특징으로 하는 딥러닝을 이용한 이미지 전송 시스템.
  3. 제1항에 있어서,
    상기 이미지는
    정지 이미지 또는 연속 이미지를 포함하는 것
    을 특징으로 하는 딥러닝을 이용한 이미지 전송 시스템.
  4. 제3항에 있어서,
    상기 관심 영역 압축부는,
    상기 이미지가 정지 이미지인 경우, 스틸 이미지 압축을 이용하여 상기 정지 이미지를 압축함으로써, 상기 관심 영역 압축 데이터를 생성하는 것
    을 특징으로 하는 딥러닝을 이용한 이미지 전송 시스템.
  5. 제3항에 있어서,
    상기 관심 영역 압축부는,
    상기 이미지가 연속 이미지인 경우, 첫 번째 이미지의 압축 이후에, 두 번째 이미지부터는 상기 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축함으로써, 상기 관심 영역 압축 데이터를 생성하는 것
    을 특징으로 하는 딥러닝을 이용한 이미지 전송 시스템.
  6. 이미지 처리 딥러닝부를 통해, 이미지 처리 딥러닝을 이용하여 이미지로부터 관심 객체를 판정하는 이미지 처리 딥러닝 단계;
    관심 영역 좌표 추출부를 통해, 상기 관심 객체를 포함하는 관심 영역의 좌표를 추출하는 관심 영역 좌표 추출 단계;
    관심 영역 압축부를 통해, 상기 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축하여 관심 영역 압축 데이터를 생성하는 관심 영역 압축 단계; 및
    네트워크 전송부를 통해, 상기 관심 영역 압축 데이터를 네트워크로 전송하는 네트워크 전송 단계를 포함하는 것
    을 특징으로 하는 딥러닝을 이용한 이미지 전송 방법.
  7. 제6항에 있어서,
    이미지 획득부를 통해, 상기 이미지를 획득하는 이미지 획득 단계를 더 포함하는 것
    을 특징으로 하는 딥러닝을 이용한 이미지 전송 방법.
  8. 제6항에 있어서,
    상기 관심 영역 압축 단계는,
    상기 이미지가 정지 이미지인 경우, 스틸 이미지 압축을 이용하여 상기 정지 이미지를 압축함으로써, 상기 관심 영역 압축 데이터를 생성하는 단계를 포함하는 것
    을 특징으로 하는 딥러닝을 이용한 이미지 전송 방법.
  9. 제6항에 있어서,
    상기 관심 영역 압축 단계는,
    상기 이미지가 연속 이미지인 경우, 첫 번째 이미지의 압축 이후에, 두 번째 이미지부터는 상기 관심 영역의 좌표를 이용하여 상기 관심 영역을 압축함으로써, 상기 관심 영역 압축 데이터를 생성하는 단계를 포함하는 것
    을 특징으로 하는 딥러닝을 이용한 이미지 전송 방법.
KR1020220001032A 2022-01-04 2022-01-04 딥러닝을 이용한 이미지 전송 시스템 및 방법 KR20230105531A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220001032A KR20230105531A (ko) 2022-01-04 2022-01-04 딥러닝을 이용한 이미지 전송 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220001032A KR20230105531A (ko) 2022-01-04 2022-01-04 딥러닝을 이용한 이미지 전송 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20230105531A true KR20230105531A (ko) 2023-07-11

Family

ID=87159490

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220001032A KR20230105531A (ko) 2022-01-04 2022-01-04 딥러닝을 이용한 이미지 전송 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20230105531A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102313485B1 (ko) 2015-04-22 2021-10-15 삼성전자주식회사 가상현실 스트리밍 서비스를 위한 영상 데이터를 송수신하는 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102313485B1 (ko) 2015-04-22 2021-10-15 삼성전자주식회사 가상현실 스트리밍 서비스를 위한 영상 데이터를 송수신하는 방법 및 장치

Similar Documents

Publication Publication Date Title
CN112348783B (zh) 基于图像的人物识别方法、装置及计算机可读存储介质
KR100669837B1 (ko) 입체 비디오 코딩을 위한 포어그라운드 정보 추출 방법
US10970824B2 (en) Method and apparatus for removing turbid objects in an image
US20190244387A1 (en) Image detection method, apparatus and system and storage medium
JP7186877B2 (ja) 映像デコーディング制御方法、装置、電子機器及び記憶媒体
US20160125618A1 (en) Method, device, and system for pre-processing a video stream for subsequent motion detection processing
CN109255752B (zh) 图像自适应压缩方法、装置、终端及存储介质
US10467737B2 (en) Method and device for adjusting grayscale values of image
CN105430247A (zh) 一种利用摄像设备拍摄照片的方法与设备
CN110557417B (zh) 一种图像处理方法及装置、存储介质
WO2023284464A1 (zh) 一种图像处理方法、装置、设备及存储介质
CN113688839B (zh) 视频处理方法及装置、电子设备、计算机可读存储介质
KR20220083433A (ko) 외곽선 기반 프라이버시 마스킹 장치, 외곽선 기반 프라이버시 마스킹 복원 장치 및 프라이버시 마스킹 영역 디스크립터 공유 방법
KR20230105531A (ko) 딥러닝을 이용한 이미지 전송 시스템 및 방법
WO2022068551A1 (zh) 裁剪视频的方法、装置、设备以及存储介质
JPWO2019150649A1 (ja) 画像処理装置および画像処理方法
CN115567711A (zh) 一种桌面图像动态采集方法、设备及计算机可读存储介质
CN112183227B (zh) 一种智能泛人脸区域的编码方法和设备
JP4329429B2 (ja) 画像転送装置、画像転送方法、画像転送プログラム
CN109784226B (zh) 人脸抓拍方法及相关装置
US8369637B2 (en) Image processing apparatus, image processing method, and program
CN115690662B (zh) 视频素材生成方法、装置、电子设备及存储介质
CN111818300B (zh) 一种数据存储、查询方法、装置、计算机设备及存储介质
CN115578558A (zh) 图像处理方法、装置、电子设备及存储介质
WO2023199696A1 (ja) 映像圧縮方法、映像圧縮装置、及びコンピュータプログラム