KR20230149736A - 객체 검출 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 - Google Patents

Abstract

본 발명은 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션 작업과 관련하여, 라이다에 의해 획득된 3D 점군 데이터와 카메라에 의해 촬영된 이미지 내에 포함된 객체를 검출하기 위한 방법을 제안한다. 상기 방법은 어노테이션 장치가, 차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군 데이터(3D point group) 및 카메라(camera)를 통해 획득된 복수의 이미지(image) 중 적어도 하나를 수신하는 단계 및 상기 어노테이션 장치가, 상기 수신된 점군 데이터 또는 상기 복수의 이미지 내에 포함된 적어도 하나 이상의 객체(object)를 검출하는 단계를 포함할 수 있다.

Description

객체 검출 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램{Method for object detection, and computer program recorded on record-medium for executing method thereof}

본 발명은 인공지능(Artificial Intelligence, AI) 학습용 데이터의 가공에 관한 것이다. 보다 상세하게는, 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션(annotation) 작업과 관련하여, 라이다(lidar)에 의해 획득된 3D 점군 데이터와, 카메라에 의해 촬영된 이미지 내에 포함된 객체를 검출하기 위한 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램에 관한 것이다.

인공지능(AI)은 인간의 학습능력, 추론능력 및 지각능력 등의 일부 또는 전부를 컴퓨터 프로그램을 이용하여 인공적으로 구현하는 기술을 의미한다. 인공지능(AI)과 관련하여, 기계 학습(machine learning)은 다수의 파라미터로 구성된 모델을 이용하여 주어진 데이터로 파라미터를 최적화하는 학습을 의미한다. 이와 같은, 기계 학습은 학습용 데이터의 형태에서 따라, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)으로 구분된다.

일반적으로, 인공지능(AI) 학습용 데이터의 설계는 데이터 구조의 설계, 데이터의 수집, 데이터의 정제, 데이터의 가공, 데이터의 확장 및 데이터의 검증 단계로 진행된다.

각각의 단계에서 대하여 보다 구체적으로 설명하면, 데이터 구조의 설계는 온톨로지(ontology) 정의, 분류 체계의 정의 등을 통해 이루어진다. 데이터의 수집은 직접 촬영, 웹 크롤링(web crawling) 또는 협회/전문 단체 등을 통해 데이터를 수집하여 이루어진다. 데이터 정제는 수집된 데이터 내에서 중복 데이터를 제거하고, 개인 정보 등을 비식별화하여 이루어진다. 데이터의 가공은 어노테이션(annotation)을 수행하고, 메타데이터(metadata)를 입력하여 이루어진다. 데이터의 확장은 온톨로지 매핑(mapping)을 수행하고, 필요에 따라 온톨로지를 보완하거나 확장하여 이루어진다. 그리고, 데이터의 검증은 다양한 검증 도구를 활용하여 설정된 목표 품질에 따른 유효성을 검증하여 이루어진다.

한편, 차량의 자율주행(automatic driving)은 차량 스스로 판단하여 주행할 수 있는 시스템을 의미한다. 이와 같은, 자율주행은 시스템이 주행에 관여하는 정도와 운전자가 차량을 제어하는 정도에 따라 비자동화부터 완전 자동화까지 점진적인 단계로 구분될 수 있다. 일반적으로, 자율주행의 단계는 국제자동차기술자협회(SAE(Society of Automotive Engineers) International)에서 분류한 6단계의 레벨로 구분된다. 국제자동차기술자협회가 분류한 6단계에 따르면, 레벨 0단계는 비자동화, 레벨 1단계는 운전자 보조, 레벨 2단계는 부분 자동화, 레벨 3단계는 조건부 자동화, 레벨 4단계는 고도 자동화, 그리고 레벨 5단계는 완전 자동화 단계이다.

자율주행은 인지(perception), 측위(localization), 경로 계획(path planning) 및 제어(control)의 메커니즘을 통해 수행된다. 그리고, 다양한 기업체들은 자율주행 메커니즘에서 인지 및 경로 계획을 인공지능(AI)을 이용하여 구현하기 위해 개발 중에 있다.

상술한 바와 같은, 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 사용되는 데이터는 적게는 몇 천개에서, 많게는 수 백만개에 이르는 많은 수로 이루어진다. 따라서, 많은 수의 데이터를 보다 용이하게 가공할 수 있는 다양한 수단들이 요구되고 있는 실정이다.

대한민국 등록특허공보 제10-2230144호, ‘인공 지능 심층 학습 타겟 탐지 및 속도 퍼텐셜 필드 알고리즘 기반 장애물 회피 및 자율 주행 방법 및 장치’, (2021.03.15. 공고)

본 발명의 일 목적은 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션 작업과 관련하여, 라이다에 의해 획득된 3D 점군 데이터와 카메라에 의해 촬영된 이미지 내에 포함된 객체를 검출하기 위한 방법을 제공하는 것이다.

본 발명의 또 다른 목적은 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션 작업과 관련하여, 라이다에 의해 획득된 3D 점군 데이터와 카메라에 의해 촬영된 이미지 내에 포함된 객체를 검출하기 위한 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션 작업과 관련하여, 라이다에 의해 획득된 3D 점군 데이터와 카메라에 의해 촬영된 이미지 내에 포함된 객체를 검출하기 위한 방법을 제안한다. 상기 방법은 어노테이션 장치가, 차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군 데이터(3D point group) 및 카메라(camera)를 통해 획득된 복수의 이미지(image) 중 적어도 하나를 수신하는 단계 및 상기 어노테이션 장치가, 상기 수신된 점군 데이터 또는 상기 복수의 이미지 내에 포함된 적어도 하나 이상의 객체(object)를 검출하는 단계를 포함할 수 있다.

구체적으로, 상기 객체를 검출하는 단계는, 상기 어노테이션 장치가, 상기 3D 점군 데이터(3D point group)를 사전 설정된 뷰 포인트(view point)로 설정하고, 상기 사전 설정된 뷰 포인트의 3D 점군 데이터 내에서 적어도 하나 이상의 객체(object)를 특정하는 단계 및 상기 어노테이션 장치가, 상기 특정된 객체에 대응되도록 상기 특정된 객체를 포함하는 큐보이드(cuboid)를 생성하는 단계; 를 포함하는 것을 특징으로 한다.

상기 객체를 특정하는 단계는 상기 3D 점군 데이터의 탑-뷰(top-view)를 투영하고, 상기 탑-뷰로 투영된 3D 점군 데이터 내에서 객체에 대응하는 큐보이드의 밑면에 포함된 네 개의 꼭지점(vertex) 중 서로 대향하는 두 개의 꼭지점 및 객체의 방향을 선택받는 것을 특징으로 한다.

상기 큐보이드를 생성하는 단계는 상기 선택받은 두 개의 꼭지점 및 상기 객체의 방향을 기초로 상기 큐보이드의 밑면을 생성하고, 상기 밑면에 사전 설정된 높이 값을 부여하여 상기 큐보이드를 생성하는 것을 특징으로 한다.

상기 객체를 특정하는 단계는 상기 3D 점군 데이터의 프론트-뷰(front-view)를 투영하고, 상기 프론트-뷰로 투영된 3D 점군 데이터 내에서 객체의 전면에 대응하는 큐보이드의 전면에 포함된 네 개의 꼭지점 중 서로 대향하는 두개의 꼭지점을 선택받는 단계 및 상기 3D 점군 데이터의 사이드-뷰(side-view)를 투영하고, 상기 선택받은 두개의 꼭지점 중 하나로부터 상기 객체의 측면 폭에 대응하는 하나의 포인트를 선택받는 단계를 포함하는 것을 특징으로 한다.

상기 두개의 꼭지점을 선택받는 단계는 사전 설정된 기준 방향을 기초로 상기 3D 점군 데이터의 프론트-뷰를 투영하되, 상기 프론트-뷰로 투영된 3D 점군 데이터의 뷰 포인트를 보정하기 위한 보정 값을 입력 받는 것을 특징으로 한다.

상기 두개의 꼭지점을 선택받는 단계는 상기 선택받은 두개의 꼭지점을 기초로 상기 객체의 전면 폭 및 전면 높이를 구성하는 박스를 생성하되, 상기 객체에 해당하는 점군 중 상기 라이다와 가장 가까이에 위치하는 포인트를 식별하고, 상기 식별된 포인트를 기준으로 상기 박스를 생성하는 것을 특징으로 한다.

상기 큐보이드를 생성하는 단계는 상기 생성된 박스를 상기 선택받은 하나의 포인트까지 연장하여 큐보이드를 생성하는 것을 특징으로 한다.

상기 큐보이드를 생성하는 단계 이후에 상기 3D 점군 데이터의 밀도를 기초로 상기 객체의 엣지(edge)를 검출하고, 상기 검출된 엣지와의 간격이 최소화되도록 상기 큐보이드의 크기 및 방향 중 적어도 하나를 재조정하는 것을 특징으로 한다.

상기 큐보이드를 생성하는 단계 이후에 상기 3D 점군 데이터와 대응하는 이미지를 추출하고, 상기 추출된 이미지에 포함된 객체의 엣지(edge)를 추출하고, 상기 추출된 엣지에 의한 폐쇄 영역(enclosure)을 하나 이상 추출하고, 상기 추출된 폐쇄 영역을 통해 상기 객체를 식별하고, 상기 식별된 객체와의 간격이 최소화되도록 상기 큐보이드의 크기 및 방향 중 적어도 하나를 재조정하는 것을 특징으로 한다.

상기 객체를 검출하는 단계는 사전 설정된 기계 학습(machine learning)된 인공지능을 통해 점군의 밀도를 기초로 사전 설정된 거리 이내에 위치한 적어도 하나의 객체를 특정하고, 상기 특정된 적어도 하나의 객체를 구성하는 점군 중 상기 라이다와 가장 가까운 점을 기준으로 큐보이드를 생성하는 것을 특징으로 한다.

상기 객체를 검출하는 단계는 상기 수신된 복수의 이미지를 시간 순으로 배열하고, 상기 배열된 복수의 이미지 각각에 포함된 적어도 하나의 객체에 순차적으로 바운딩 박스를 생성하되, 연속된 이미지 사이의 연관성을 기초로 상기 적어도 하나의 객체를 추적하여 각 이미지의 객체를 검출하는 것을 특징으로 한다.

상기 객체를 검출하는 단계는 연속된 이미지 사이에 검출된 동일한 객체 사이의 거리를 추정하고, 상기 추정된 동일한 객체 사이의 거리 및 촬영된 시간을 기초로 상기 객체의 속도를 추정하고, 상기 추정된 객체의 속도를 기초로 각 이미지의 객체를 추적하는 것을 특징으로 한다.

상기 객체를 검출하는 단계는 상기 시간 순으로 배열된 복수의 이미지를 사전 설정된 개수로 그룹핑(grouping)하고, 각 그룹에 포함된 이미지 중 첫번째 이미지를 출력하여 바운딩 박스를 입력받고, 상기 입력받은 바운딩 박스를 기초로 객체를 추적하여 각 그룹별로 나머지 이미지에 대한 바운딩 박스를 생성하는 것을 특징으로 한다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 객체 검출 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제안한다. 상기 컴퓨터 프로그램은 메모리(memory); 및 상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합될 수 있다. 그리고, 상기 컴퓨터 프로그램은 상기 프로세서가, 상기 프로세서가, 차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군 데이터(3D point group) 및 카메라(camera)를 통해 획득된 복수의 이미지(image) 중 적어도 하나를 수신하는 단계 및 상기 프로세서가, 상기 수신된 점군 데이터 또는 상기 복수의 이미지 내에 포함된 적어도 하나 이상의 객체(object)를 검출하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 실시 예들에 따르면, 3D 점군 데이터를 사전 설정된 뷰 포인트로 투영하고, 투영된 뷰 포인트 상에서 큐보이드를 생성함으로써, 어노테이션 작업에 수행되는 시간을 대폭 감소시킬 수 있다.

또한, 본 발명의 실시 예들에 따르면, 시간 순으로 배열된 복수의 이미지 각각에 포함된 적어도 하나의 객체에 순차적으로 바운딩 박스를 생성하되, 연속된 이미지 사이의 연관성을 기초로 객체를 추적하여 각 이미지의 객체를 검출함으로써, 별도의 학습 데이터가 불필요하며 검출 정확도를 높일 수 있다.

본 발명의 효과들은 이상에서 언급한 효과로 제한되지 아니하며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 본 발명이 속한 기술분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1 및 2는 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템을 나타낸 구성도이다.
도 3은 본 발명의 일 실시예에 따른 어노테이션 장치의 논리적 구성도이다.
도 4는 본 발명의 일 실시예에 따른 어노테이션 장치의 하드웨어 구성도이다.
도 5는 본 발명의 일 실시예에 따른 점군 데이터를 이용한 객체 검출 방법을 설명하기 위한 순서도이다.
도 6은 본 발명의 일 실시예에 따른 이미지를 이용한 객체 검출 방법을 설명하기 위한 순서도이다.
도 7 내지 도 13은 본 발명의 일 실시예에 따른 점군 데이터를 이용한 객체 검출 방법을 설명하기 위한 예시도이다.
도 14는 본 발명의 일 실시예에 따른 이미지를 이용한 객체 검출 방법을 설명하기 위한 예시도이다.

본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.

어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다. 본 발명의 사상은 첨부된 도면 외에 모든 변경, 균등물 내지 대체물에 까지도 확장되는 것으로 해석되어야 한다.

한편, 인공지능(AI) 학습용 데이터를 생성하기 위한 이미지의 가공은 적게는 몇 천개에서, 많게는 수 백만개에 이르는 많은 수의 이미지를 대상으로 이루어진다. 따라서, 종래의 수단들에 따르면, 많은 수의 데이터를 보다 용이하게 가공할 수 있는 다양한 수단들이 요구되고 있는 실정이다.

이러한 한계를 극복하고자, 본 발명은 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션 작업과 관련하여, 라이다에 의해 획득된 3D 점군 데이터와 카메라에 의해 촬영된 이미지 내에 포함된 객체를 검출할 수 있는 다양한 수단들을 제안하고자 한다.

도 1 및 2는 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템을 나타낸 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 학습 시스템은 학습 데이터 생성 장치(100), 하나 이상의 어노테이션 장치(200-1, 200-2, …, 200-n; 200), 학습 데이터 검증 장치(300) 및 학습 장치(400)를 포함하여 구성될 수 있다.

또한, 도 2에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 인공지능 학습 시스템은 하나 이상의 어노테이션 장치(200-a, 200-b, …, 200-m; 200)와 학습 데이터 검증 장치(300-a, 300-b, …, 300-m; 300)가 하나로 이루어진 복수 개의 그룹(Group-a, Group-b …, Group-m), 학습 데이터 생성 장치(100) 및 학습 장치(400)를 포함하여 구성될 수 있다.

이와 같은, 다양한 실시예에 따른 인공지능 학습 시스템의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 학습 데이터 생성 장치(100)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터를 설계 및 생성하는데 사용될 수 있는 장치이다.

이와 같은, 학습 데이터 생성 장치(100)는 기본적으로 학습 데이터 검증 장치(300)와 구분되는 장치이나, 실제 물리적 환경에서 학습 데이터 생성 장치(100)와 학습 데이터 검증 장치(300)가 하나의 장치로 통합되어 구현될 수도 있다.

구체적으로, 학습 데이터 설계 장치(100)는 학습 장치(400)로부터 인공지능(AI) 학습과 관련된 프로젝트의 속성을 수신할 수 있다. 학습 데이터 설계 장치(100)는 사용자의 제어 및 수신된 프로젝트의 속성을 기초로, 인공지능(AI) 학습을 위한 데이터 구조의 설계, 수집된 데이터의 정제, 데이터의 가공, 데이터의 확장 및 데이터의 검증을 수행할 수 있다.

우선적으로, 학습 데이터 설계 장치(100)는 인공지능(AI) 학습을 위한 데이터 구조를 설계할 수 있다. 예를 들어, 학습 데이터 설계 장치(100)는 사용자의 제어 및 수신된 프로젝트의 속성을 기초로, 인공지능(AI) 학습을 위한 온톨로지(ontology), 인공지능(AI) 학습을 위한 데이터의 분류 체계를 정의할 수 있다.

학습 데이터 설계 장치(100)는 설계된 데이터 구조를 기초로, 인공지능(AI) 학습을 위한 데이터를 수집할 수 있다. 이를 위하여, 학습 데이터 설계 장치(100)는 외부로부터 3D 점군 데이터 및 2D 이미지들을 입력 받거나, 웹 크롤링(web crawling)을 수행하여 3D 점군 데이터 및 2D 이미지들을 수집하거나, 또는 외부 기관의 장치로부터 3D 점군 데이터 및 2D 이미지들을 다운로드 할 수 있다.

여기서, 3D 점군 데이터는 차량에 고정 설치된 라이다(lidar)에 의해 획득된 데이터이다. 차량에 고정 설치된 라이다는 레이저 펄스를 발사하고, 차량 주위에 위치하는 객체들에 의해 반사되어 돌아온 빛을 감지하여, 차량 주위에 대한 3차원 영상에 해당하는 3D 점군 데이터를 생성할 수 있다. 즉, 3D 점군 데이터를 구성하는 점군은 라이다에 의해 3차원 공간으로 발사된 레이저 펄스를 반사시킨 점(point)들의 집합을 의미한다.

그리고, 2D 이미지는 차량에 고정 설치된 복수 개의 카메라에 의해 촬영된 이미지이다. 자율주행을 위하여 하나의 차량에는 다수 개의 카메라가 고정 설치되어, 차량 주위에 대한 2차원 이미지를 각각 촬영할 수 있다. 예를 들어, 하나의 차량에 6개의 카메라가 설치될 수 있으나, 이에 한정되지 않는다.

학습 데이터 생성 장치(100)는 수집된 3D 점군 데이터 및 2D 이미지들 중에서 중복되거나 또는 극히 유사한 데이터를 제거할 수 있다. 학습 데이터 생성 장치(100)는 수집된 3D 점군 데이터 및 2D 이미지들에 포함된 개인정보를 비식별화(de-identification)할 수 있다.

학습 데이터 생성 장치(100)는 수집 및 정제된 3D 점군 데이터 및 2D 이미지들을 복수 개의 어노테이션 장치(200)에 분배하여 전송할 수 있다. 이 경우, 학습 데이터 생성 장치(100)는 어노테이션 장치(200)의 작업자(즉, 라벨러)에 대하여 사전에 할당된 양에 따라 3D 점군 데이터 및 2D 이미지들을 분배할 수 있다.

학습 데이터 생성 장치(100)는 어노테이션 장치(200)로부터 직접 어노테이션 작업 결과물을 수신하거나, 또는 학습 데이터 검증 장치(300)로부터 어노테이션 작업 결과물 및 검수 결과를 수신할 수 있다.

학습 데이터 생성 장치(100)는 수신된 어노테이션 작업 결과물을 패키징(packaging)하여 인공지능(AI) 학습용 데이터를 생성할 수 있다. 그리고, 학습 데이터 생성 장치(100)는 생성된 인공지능(AI) 학습용 데이터를 학습 장치(400)에 전송할 수 있다.

이와 같은 특징을 가지는, 학습 데이터 생성 장치(100)는 어노테이션 장치(200), 학습 데이터 검증 장치(300) 및 학습 장치(400)와 데이터를 송수신하고, 송수신된 데이터를 기초로 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다.

예를 들어, 학습 데이터 생성 장치(100)는 데스크탑(desktop), 워크스테이션(workstation) 또는 서버(server)와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

어노테이션 장치(200)는 학습 데이터 생성 장치(100)로부터 제공된 이미지에 대하여 어노테이션 작업을 수행하는데 사용될 수 있는 장치이다.

구체적으로, 어노테이션 작업은 큐보이드(cuboid) 또는 바운딩 박스(bounding box)를 설정하고, 객체의 속성 정보를 포함하는 클래스(class) 정보를 입력하는 과정을 포함할 수 있다.

특히, 본 발명의 일 실시예에 따른 어노테이션 장치(200)는 차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군 데이터(3D point group) 및 카메라(camera)를 통해 획득된 복수의 이미지(image) 중 적어도 하나를 수신하고, 수신된 점군 데이터 또는 복수의 이미지 내에 포함된 적어도 하나 이상의 객체(object)를 검출할 수 있다.

어노테이션 장치(200)에 관한 구체적인 내용은 이하 도 3 및 도 4를 참조하여 후술하도록 한다.

이와 같은, 어노테이션 장치(200)는 학습 데이터 생성 장치(100) 또는 학습 장치(400)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다.

예를 들어, 어노테이션 장치(200)는 데스크탑(desktop), 워크스테이션(workstation) 또는 서버(server)와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되지 아니하고, 스마트폰(smart phone), 랩탑(laptaop), 태블릿(tablet), 패블릿(phablet), 휴대용 멀티미디어 재생장치(Portable Multimedia Player, PMP), 개인용 휴대 단말기(Personal Digital Assistants, PDA) 또는 전자책 단말기(E-book reader)과 같은 이동식 컴퓨팅 장치 중 어느 하나가 될 수도 있다.

다음 구성으로, 학습 데이터 검증 장치(300)는 인공지능(AI) 학습용 데이터를 검증하는데 사용될 수 있는 장치이다. 즉, 학습 데이터 검증 장치(300)는 어노테이션 장치(200)에 의해 생성된 어노테이션 작업 결과물이 사전에 설정된 목표 품질에 부합하는지 여부, 또는 어노테이션 작업 결과물이 인공지능(AI) 학습에 유효한지 여부를 검증할 수 있는 장치이다.

구체적으로, 학습 데이터 검증 장치(300)는 어노테이션 장치(200)로부터 어노테이션 작업 결과물을 수신할 수 있다. 여기서, 어노테이션 작업 결과물은 3D 점군 데이터 및 2D 이미지들로부터 특정된 객체의 좌표와, 이미지 또는 객체에 대한 메타데이터가 포함될 수 있다. 어노테이션 작업 결과물의 메타데이터에는 특정된 객체의 카테고리(category), 객체가 2D 이미지의 화각에 의해 잘려진 비율(truncation), 객체가 다른 객체 또는 물체에 의해 가려진 비율(occlusion), 객체의 트래킹 아이디(tracking identifier), 이미지가 촬영된 시각, 이미지가 촬영된 날의 기상 조건 등이 포함될 수 있으며, 이에 한정되는 것은 아니다. 이와 같은, 어노테이션 작업 결과물은 JSON(Java Script Object Notation) 파일 형식을 가질 수 있으나, 이에 한정되는 것도 아니다.

학습 데이터 검증 장치(300)는 수신된 어노테이션 작업 결과물을 검수할 수 있다. 이를 위하여, 학습 데이터 검증 장치(300)는 어노테이션 작업 결과물을 대상으로 스크립트(script)를 이용하여 검수를 수행할 수 있다. 여기서, 스크립트는 어노테이션 작업 결과물을 대상으로 사전에 설정된 목표 품질의 부합 여부 또는 데이터 유효성 여부를 검증하기 위한 코드이다.

그리고, 학습 데이터 검증 장치(300)는 어노테이션 장치(200)들로부터 수신된 어노테이션 작업 결과물 및 검수 결과를 학습 데이터 생성 장치(100)에 전송할 수 있다.

상술한 바와 같은 특징을 가지는, 학습 데이터 검증 장치(300)는 어노테이션 장치(200) 및 학습 데이터 생성 장치(100)와 데이터를 송수신하고, 송수신된 데이터를 기초로 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 학습 데이터 검증 장치(300)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

다음 구성으로, 학습 장치(400)는 학습 데이터 생성 장치(100)로부터 제공된 이미지를 통해 인공지능(AI)을 기계 학습하는데 사용될 수 있는 장치이다.

이와 같은, 학습 장치(400)는 학습 데이터 생성 장치(100)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 학습 장치(400)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

상술한 바와 같은, 학습 데이터 생성 장치(100), 하나 이상의 어노테이션 장치(200), 학습 데이터 검증 장치(300) 및 학습 장치(400)는 장치들 사이에 직접 연결된 보안회선, 공용 유선 통신망 또는 이동 통신망 중 하나 이상이 조합된 네트워크를 이용하여 데이터를 송수신할 수 있다.

예를 들어, 공용 유선 통신망에는 이더넷(ethernet), 디지털가입자선(x Digital Subscriber Line, xDSL), 광동축 혼합망(Hybrid Fiber Coax, HFC), 광가입자망(Fiber To The Home, FTTH)가 포함될 수 있으나, 이에 한정되는 것도 아니다. 그리고, 이동 통신망에는 코드 분할 다중 접속(Code Division Multiple Access, CDMA), 와이드 밴드 코드 분할 다중 접속(Wideband CDMA, WCDMA), 고속 패킷 접속(High Speed Packet Access, HSPA), 롱텀 에볼루션(Long Term Evolution, LTE), 5세대 이동통신(5th generation mobile telecommunication)가 포함될 수 있으나, 이에 한정되는 것은 아니다.

이하, 본 발명의 일 실시예에 따른 어노테이션 장치의 논리적 구성에 대하여 구체적으로 설명하도록 한다.

도 3은 본 발명의 일 실시예에 따른 어노테이션 장치의 논리적 구성도이다.

도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 어노테이션 장치(200)는 통신부(205), 입출력부(210), 큐보이드 생성부(215), 바운딩 박스 생성부(220) 및 저장부(225)를 포함하여 구성될 수 있다.

이와 같은, 어노테이션 장치(200)의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 통신부(205)는 어노테이션의 작업 결과물을 학습 데이터 생성 장치(100) 또는 학습 데이터 검증 장치(300)에 전송할 수 있다.

여기서, 작업 결과물은 작업자의 제어에 따라 설정된 큐보이드의 좌표, 바운딩 박스의 좌표 및 객체의 속성 정보가 포함될 수 있다. 또한, 작업 결과물은 JSON 파일 형식을 가질 수 있으나, 이에 한정되는 것은 아니다.

그리고, 통신부(250)는 학습 데이터 생성 장치(100)로부터 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성을 수신할 수 있다.

여기서, 프로젝트의 속성에는 인공지능(AI)의 학습과 관련된 프로젝트에 대한 학습 목적, 학습 기간, 학습에 필요한 이미지의 수, 이미지에서 식별하고자 하는 객체의 속성, 바운딩 박스 설정 규칙 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

이미지의 속성에는 이미지의 파일명, 이미지의 크기(너비, 높이), 해상도, 비트 수준, 압축 형식, 촬영 장치명, 노출 시간, ISO 감도, 초점 거리, 조리개 개방 값, 촬영 장소 좌표(GPS 위도, 경도), 촬영 시각 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

작업자의 속성에는 작업자의 명칭, 식별번호, 할당된 작업량, 작업에 따른 비용, 작업 결과 평가 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

또한, 큐보이드 또는 바운딩 박스 설정 규칙은 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성에 따라, 작업자가 이미지 내의 객체에 큐보이드 또는 바운딩 박스를 설정하는 과정에서 지켜야 하는 규칙이다. 이러한, 큐보이드 또는 바운딩 박스 설정 규칙에는 영역의 최소 크기 값, 객체의 외곽선으로부터의 최대 이격 픽셀 수 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

다음 구성으로, 입출력부(210)는 사용자 인터페이스(UI)를 통해 사용자로부터 신호를 입력 받거나, 연산 결과를 외부로 출력할 수 있다.

구체적으로, 입출력부(210)는 사용자 인터페이스(User Interface, UI)를 통해 작업자로부터 신호를 입력 거나, 또는 연산된 결과를 외부로 출력할 수 있다.

여기서, 작업자는 어노테이션 작업을 수행하는 자를 의미한다. 이와 같은, 작업자는 사용자, 수행자, 라벨러 또는 데이터 라벨러 등으로 지칭될 수 있으며, 이에 한정되는 것은 아니다.

구체적으로, 입출력부(210)는 어노테이션 작업의 대상이 되는 이미지를 출력할 수 있다. 입출력부(210)는 바운딩 박스를 설정하기 위한 제어 신호를 작업자로부터 입력 받을 수 있다. 그리고, 입출력부(210)는 이미지 위에 바운딩 박스를 오버레이(overlay)하여 출력할 수 있다.

여기서, 큐보이드 또는 바운딩 박스는 이미지 속에 포함된 객체들 중에서 인공지능(AI) 학습의 대상이 되는 객체를 특정하기 위한 영역이다. 이와 같은, 바운딩 박스는 직육면체, 사각형(rectangle) 또는 다각형(polygon) 형상을 가질 수 있으며, 이에 한정되는 것은 아니다.

다음 구성으로, 큐보이드 생성부(215)는 3D 점군 데이터(3D point group)를 사전 설정된 뷰 포인트(viewpoint)로 설정하고, 사전 설정된 뷰 포인트의 3D 점군 데이터 내에서 적어도 하나 이상의 객체(object)를 특정할 수 있다.

구체적으로, 큐보이드 생성부(215)는 3D 점군 데이터의 탑-뷰(top-view)를 투영하고, 탑-뷰로 투영된 3D 점군 데이터 내에서 객체에 대응하는 큐보이드의 밑면에 포함된 네 개의 꼭지점(vertex) 중 서로 대향하는 두 개의 꼭지점 및 객체의 방향을 선택받을 수 있다.

예를 들어, 큐보이드 생성부(215)는 입출력부(210)를 통해 카메라를 통해 촬영된 이미지를 출력하고, 출력된 이미지와 매칭되는 라이다를 통해 획득된 3D 점군 데이터를 함께 출력할 수 있다. 이때, 큐보이드 생성부(215)는 3D 점군 데이터를 탑-뷰(top-view), 프론트-뷰(front-view) 및 사이드-뷰(side-view)로 구분하여 출력할 수 있다.

큐보이드 생성부(215)는 작업자로부터 3D 점군 데이터의 탑-뷰 상에서 두 개의 점을 선택받을 수 있다. 이때, 두 개의 점은 객체에 대응하는 큐보이드의 밑면에 포함된 네 개의 꼭지점(vertex) 중 서로 대향하는 두 개의 꼭지점이 될 수 있다.

하지만, 이에 한정된 것은 아니고, 큐보이드 생성부(215)는 작업자로부터 하나의 점을 선택받고, 작업자의 드래그(drag) 동작에 의해 선택받은 점으로부터 확장된 박스를 생성할 수 있다.

큐보이드 생성부(215)는 작업자로부터 생성된 박스의 방향을 선택받을 수 있다. 예를 들어, 큐보이드 생성부(215)는 작업자가 박스를 선택한 상태에서 드래그 동작에 의해 박스를 특정 지점을 중심으로 회전시킬 수 있다.

큐보이드 생성부(215)는 박스 내에 포함된 3D 점군 데이터의 밀도를 기초로 객체의 엣지(edge)를 검출하고, 검출된 엣지와의 간격이 최소화되도록 큐보이드의 크기 및 방향 중 적어도 하나를 재조정할 수 있다.

다음으로, 큐보이드 생성부(215)는 특정된 객체에 대응되도록 특정된 객체를 포함하는 큐보이드(cuboid)를 생성할 수 있다.

이때, 큐보이드 생성부(215)는 선택받은 두 개의 꼭지점 및 객체의 방향을 기초로 큐보이드의 밑면을 생성하고, 밑면에 사전 설정된 높이 값을 부여하여 큐보이드를 생성할 수 있다.

예를 들어, 큐보이드 생성부(215)는 어노테이션 작업을 위한 객체의 종류를 미리 선택받고, 선택받은 객체의 종류에 따라 해당 객체의 높이 값을 미리 설정할 수 있다. 그리고, 큐보이드 생성부(215)는 작업자로부터 선택받은 박스를 밑면으로 하여 높이 값을 부여함으로써 큐보이드를 완성시킬 수 있다.

다른 실시예로, 큐보이드 생성부(215)는 3D 점군 데이터의 프론트-뷰(front-view)를 투영하고, 프론트-뷰로 투영된 3D 점군 데이터 내에서 객체의 전면에 대응하는 큐보이드의 전면에 포함된 네 개의 꼭지점 중 서로 대향하는 두개의 꼭지점을 선택받을 수 있다.

예를 들어, 큐보이드 생성부(215)는 입출력부(210)를 통해 카메라를 통해 촬영된 이미지를 출력하고, 출력된 이미지와 매칭되는 라이다를 통해 획득된 3D 점군 데이터를 함께 출력할 수 있다. 이때, 큐보이드 생성부(215)는 3D 점군 데이터를 탑-뷰(top-view), 프론트-뷰(front-view) 및 사이드-뷰(side-view)로 구분하여 출력할 수 있다.

큐보이드 생성부(215)는 프론트-뷰로 투영된 3D 점군 데이터 내에서 두 개의 점을 선택받을 수 있다. 이때, 두 개의 점은 객체에 대응하는 큐보이드의 전면에 포함된 네 개의 꼭지점(vertex) 중 서로 대향하는 두 개의 꼭지점이 될 수 있다.

하지만, 이에 한정된 것은 아니고, 큐보이드 생성부(215)는 작업자로부터 하나의 점을 선택받고, 작업자의 드래그(drag) 동작에 의해 선택받은 점으로부터 확장된 박스를 생성할 수 있다.

이때, 큐보이드 생성부(215)는 사전 설정된 기준 방향을 기초로 3D 점군 데이터의 프론트-뷰를 투영하되, 프론트-뷰로 투영된 3D 점군 데이터의 뷰 포인트를 보정하기 위한 보정 값을 입력 받을 수 있다.

또한, 큐보이드 생성부(215)는 선택받은 두개의 꼭지점을 기초로 객체의 전면 폭 및 전면 높이를 구성하는 박스(box)를 생성하되, 객체에 해당하는 점군 중 라이다와 가장 가까이에 위치하는 포인트를 기준으로 박스를 생성할 수 있다.

즉, 입출력부(210)를 통해 출력되는 점군 데이터의 각 뷰 포인트는 라이다를 기준으로 출력된다. 이에 따라, 큐보이드 생성부(215)는 객체에 해당하는 점군 중 라이다와 가장 가까이에 위치하는 포인트를 기준으로 박스를 생성함으로써, 박스가 객체의 전면에 위치하도록 할 수 있다.

이때, 큐보이드 생성부(215)는 프론트 뷰에서 생성된 박스를 탑-뷰 및 사이드-뷰에 각각 표시할 수 있다. 즉, 프론트 뷰에서 생성된 박스는 탑-뷰 및 사이드-뷰에서 선(line) 형태로 표시될 수 있다.

그리고, 큐보이드 생성부(215)는 3D 점군 데이터의 사이드-뷰(side-view)를 투영하고, 선택받은 두개의 꼭지점 중 하나로부터 객체의 측면 폭에 대응하는 하나의 포인트를 선택받을 수 있다. 즉, 큐보이드 생성부(215)는 작업자로부터 사이드-뷰 상의 점군 데이터에서 객체의 후면에 대응하는 하나의 점을 선택받을 수 있다. 이를 통해, 큐보이드 생성부(215)는 객체의 후면에 해당하는 지점을 식별할 수 있다.

다음으로, 큐보이드 생성부(215)는 생성된 박스를 선택받은 하나의 포인트까지 연장하여 객체를 포함하는 큐보이드를 생성할 수 있다.

여기서, 큐보이드 생성부(215)는 3D 점군 데이터의 밀도를 기초로 객체의 엣지(edge)를 검출하고, 검출된 엣지와의 간격이 최소화되도록 큐보이드의 크기 및 방향 중 적어도 하나를 재조정할 수 있다.

구체적으로, 큐보이드 생성부(215)는 3D 점군 데이터와 대응하는 이미지를 추출하고, 추출된 이미지에 포함된 객체의 엣지(edge)를 추출하고, 추출된 엣지에 의한 폐쇄 영역(enclosure)을 하나 이상 추출하고, 추출된 폐쇄 영역을 통해 객체를 식별하고, 식별된 객체와의 간격이 최소화되도록 큐보이드의 크기 및 방향 중 적어도 하나를 재조정할 수 있다.

또 다른 실시예로, 큐보이드 생성부(215)는 사전 설정된 기계 학습(machine learning)된 인공지능을 통해 점군의 밀도를 기초로 사전 설정된 거리 이내에 위치한 적어도 하나의 객체를 특정하고, 특정된 적어도 하나의 객체를 구성하는 점군 중 라이다와 가장 가까운 점을 기준으로 큐보이드를 생성할 수 있다.

다음 구성으로, 바운딩 박스 생성부(220)는 수신된 복수의 이미지를 시간 순으로 배열하고, 배열된 복수의 이미지 각각에 포함된 적어도 하나의 객체에 순차적으로 바운딩 박스를 생성하되, 연속된 이미지 사이의 연관성을 기초로 적어도 하나의 객체를 추적하여 각 이미지의 객체를 검출할 수 있다.

즉, 자율 주행을 위한 인공 지능 기계학습에 사용되는 데이터 셋은 차량에 탑재되는 카메라에 의해 연속적으로 촬영된 이미지이기 때문에, 연속되는 이미지 사이의 유사도가 높은 경우가 많다. 이에 따라, 바운딩 박스 생성부(220)는 연속된 이미지 사이의 연관성을 기초로 각 이미지의 객체를 검출할 수 있다.

이를 위해, 바운딩 박스 생성부(220)는 시간 순으로 배열된 복수의 이미지 중 첫번째 이미지에 포함된 객체를 작업자로부터 선택받을 수 있다. 예를 들어, 바운딩 박스 생성부(220)는 작업자로부터 이미지 상에 두 개의 점을 선택받고, 선택받은 두 개의 점을 통해 객체를 포함하는 바운딩 박스를 생성할 수 있다.

그리고, 바운딩 박스 생성부(220)는 시간 순으로 배열된 복수의 이미지 중 두번째 이미지에서 객체를 검출하여 바운딩 박스를 생성하되, 첫번째 이미지에서 생성된 바운딩 박스를 기반으로 객체를 검출할 수 있다. 이와 같이, 바운딩 박스 생성부(220)는 시간 순으로 배열된 복수의 이미지 중 이전 촬영된 이미지를 참조하여 객체를 검출할 수 있다.

이때, 바운딩 박스 생성부(220)는 연속된 이미지 사이에 검출된 동일한 객체 사이의 거리를 추정하고, 추정된 동일한 객체 사이의 거리 및 촬영된 시간을 기초로 객체의 속도를 추정하고, 추정된 객체의 속도를 기초로 각 이미지의 객체를 추적할 수 있다.

예를 들어, 연속된 제1 이미지, 제2 이미지 및 제3 이미지가 존재하고, 제1 이미지 및 제2 이미지를 참조하여 제3 이미지에 포함된 객체를 검출하는 경우, 바운딩 박스 생성부(220)는 제1 이미지에서 공통 객체를 특정하기 위해 설정된 바운딩 박스의 넓이와 제2 이미지에서 공통 객체를 특정하기 위하여 설정된 바운딩 박스의 넓이를 비교하여, 제1 이미지로부터 특정된 공통 객체와 제2 이미지로부터 특정된 공통 객체 사이의 이격 거리를 추정할 수 있다. 바운딩 박스 생성부(220)는 제1 이미지의 촬영 시각과 제2 이미지의 촬영 시각 사이의 이격 시간을 산출하고, 이격 거리 및 이격 시간을 이용하여 공통 객체의 이동 속도를 산출할 수 있다.

바운딩 박스 생성부(220)는 산출된 이동 속도를 기초로, 제3 이미지 내에서 공통 객체가 위치할 것으로 추정되는 영역을 식별할 수 있다.

또한, 바운딩 박스 생성부(220)는 연속된 이미지에 포함된 객체를 순차적으로 검출하되, 추적중인 객체의 추적이 불가능한 경우 입출력부(210)를 통해 추적 불가능에 따른 알람을 출력할 수 있다.

즉, 바운딩 박스 생성부(220)는 최초 첫번째 이미지에 포함된 객체에 대한 바운딩 박스를 작업자로부터 입력받고, 두번째 이미지부터는 적어도 하나의 이전 이미지들을 통해 자동으로 객체를 검출할 수 있다. 이때, 바운딩 박스 생성부(220)는 추적중인 객체의 추적이 불가능한 것으로 판단되는 경우 해당 이미지에서 검출을 중지하고, 작업자로부터 해당 이미지에 대한 바운딩 박스를 입력받을 수 있다. 이후, 바운딩 박스 생성부(220)는 새롭게 입력받은 바운딩 박스를 기초로 객체를 추적하여 바운딩 박스를 생성할 수 있다.

다른 실시예로, 바운딩 박스 생성부(220)는 시간 순으로 배열된 복수의 이미지를 사전 설정된 개수로 그룹핑(grouping)하고, 각 그룹에 포함된 이미지 중 첫번째 이미지를 작업자에게 제공할 수 있다.

예를 들어, 바운딩 박스 생성부(220)는 시간 순으로 배열된 복수의 이미지를 10개 단위로 그룹핑하고, 각 그룹의 첫번째 이미지만 작업자에게 제공할 수 있다.

이를 통해, 바운딩 박스 생성부(220)는 작업자에게 입력받은 이미지를 기초로 단위별로 나머지 이미지의 객체를 추적하여, 각 이미지의 추적된 객체에 대한 바운딩 박스를 생성할 수 있다.

또한, 바운딩 박스 생성부(220)는 큐보이드 생성부(215)로부터 생성된 큐보이드를 기반으로 생성된 바운딩 박스를 보정할 수 있다. 즉, 바운딩 박스 생성부(220)는 3D 점군 데이터로부터 특정된 객체와 이미지로부터 특정된 객체가 서로 대응할 수 있도록 큐보이드를 기반으로 바운딩 박스의 위치 또는 크기를 조정할 수 있다. 반대로 바운딩 박스 생성부(220)는 생성된 바운딩 박스를 기반으로 3D 점군 데이터 내에 설정된 큐보이드의 위치 또는 크기를 조정할 수도 있다.

이하, 상술한 바와 같은 어노테이션 장치(200)의 논리적 구성요소를 구현하기 위한 하드웨어에 대하여 보다 구체적으로 설명한다.

도 4는 본 발명의 일 실시예에 따른 어노테이션 장치의 하드웨어 구성도이다.

도 4에 도시된 바와 같이, 어노테이션 장치(200)는 프로세서(Processor, 250), 메모리(Memory, 255), 송수신기(Transceiver, 260), 입출력장치(Input/output device, 265), 데이터 버스(Bus, 270) 및 스토리지(Storage, 275)를 포함하여 구성될 수 있다.

프로세서(250)는 메모리(255)에 상주된 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280a)에 따른 명령어를 기초로, 어노테이션 장치(200)의 동작 및 기능을 구현할 수 있다. 메모리(255)에는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280a)가 상주(loading)될 수 있다. 송수신기(260)는 학습 데이터 생성 장치(100), 학습 데이터 검증 장치(300) 및 인공지능 학습 장치(400)와 데이터를 송수신할 수 있다. 입출력장치(265)는 어노테이션 장치(200)의 동작에 필요한 데이터를 입력 받거나, 학습 결과물을 출력할 수 있다. 데이터 버스(270)는 프로세서(250), 메모리(255), 송수신기(260), 입출력장치(265) 및 스토리지(275)와 연결되어, 각각의 구성 요소 사이가 서로 데이터를 전달하기 위한 이동 통로의 역할을 수행할 수 있다.

스토리지(275)는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280a)의 실행을 위해 필요한 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API), 라이브러리(library) 파일, 리소스(resource) 파일 등을 저장할 수 있다. 스토리지(275)는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280b)를 저장할 수 있다. 또한, 스토리지(275)는 본 발명의 실시예들에 따른 방법의 수행에 필요한 정보들을 저장할 수 있다.

본 발명의 일 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된 학습 방법을 구현하기 위한 소프트웨어(280a, 280b)는 프로세서(250)가 차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군 데이터(3D point group) 및 카메라(camera)를 통해 획득된 복수의 이미지(image) 중 적어도 하나를 수신하는 단계 및 프로세서(250)가, 수신된 점군 데이터 또는 복수의 이미지 내에 포함된 적어도 하나 이상의 객체(object)를 검출하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

보다 구체적으로, 프로세서(250)는 ASIC(Application-Specific Integrated Circuit), 다른 칩셋(chipset), 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 메모리(255)는 ROM(Read-Only Memory), RAM(Random Access Memory), 플래쉬 메모리, 메모리 카드, 저장 매체 및/또는 다른 저장 장치를 포함할 수 있다. 송수신기(260)는 유무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다. 입출력장치(265)는 키보드(keyboard), 마우스(mouse), 및/또는 조이스틱(joystick) 등과 같은 입력 장치 및 액정표시장치(Liquid Crystal Display, LCD), 유기 발광 다이오드(Organic LED, OLED) 및/또는 능동형 유기 발광 다이오드(Active Matrix OLED, AMOLED) 등과 같은 영상 출력 장치 프린터(printer), 플로터(plotter) 등과 같은 인쇄 장치를 포함할 수 있다.

본 명세서에 포함된 실시 예가 소프트웨어로 구현될 경우, 상술한 방법은 상술한 기능을 수행하는 모듈(과정, 기능 등)로 구현될 수 있다. 모듈은 메모리(255)에 상주되고, 프로세서(250)에 의해 실행될 수 있다. 메모리(255)는 프로세서(250)의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서(250)와 연결될 수 있다.

도 4에 도시된 각 구성요소는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시예는 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

또한, 펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현되어, 다양한 컴퓨터 수단을 통하여 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 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 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 이러한, 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

도 5는 본 발명의 일 실시예에 따른 점군 데이터를 이용한 객체 검출 방법을 설명하기 위한 순서도이다.

도 5를 참조하면, 본 발명의 일 실시예에 따른 점군 데이터를 이용한 객체 방법에 따르면, S110 단계에서 어노테이션 장치는 차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군 데이터(3D point group)를 수신할 수 있다.

다음으로, S120 단계에서 어노테이션 장치는 3D 점군 데이터를 사전 설정된 뷰 포인트(viewpoint)로 설정하고, 사전 설정된 뷰 포인트의 3D 점군 데이터 내에서 적어도 하나 이상의 객체(object)를 특정할 수 있다.

구체적으로, 어노테이션 장치는 3D 점군 데이터의 탑-뷰(top-view)를 투영하고, 탑-뷰로 투영된 3D 점군 데이터 내에서 객체에 대응하는 큐보이드의 밑면에 포함된 네 개의 꼭지점(vertex) 중 서로 대향하는 두 개의 꼭지점 및 객체의 방향을 선택받을 수 있다.

다른 실시예로, 어노테이션 장치는 3D 점군 데이터의 프론트-뷰(front-view)를 투영하고, 프론트-뷰로 투영된 3D 점군 데이터 내에서 객체의 전면에 대응하는 큐보이드의 전면에 포함된 네 개의 꼭지점 중 서로 대향하는 두개의 꼭지점을 선택받고, 3D 점군 데이터의 사이드-뷰(side-view)를 투영하고, 선택받은 두개의 꼭지점 중 하나로부터 객체의 측면 폭에 대응하는 하나의 포인트를 선택받을 수 있다.

이때, 어노테이션 장치는 사전 설정된 기준 방향을 기초로 3D 점군 데이터의 프론트-뷰를 투영하되, 프론트-뷰로 투영된 3D 점군 데이터의 뷰 포인트를 보정하기 위한 보정 값을 입력 받을 수 있다.

그리고, S130 단계에서 어노테이션 장치는 특정된 객체에 대응되도록 특정된 객체를 포함하는 큐보이드(cuboid)를 생성할 수 있다.

구체적으로, 어노테이션 장치는 선택받은 두 개의 꼭지점 및 객체의 방향을 기초로 큐보이드의 밑면을 생성하고, 밑면에 사전 설정된 높이 값을 부여하여 큐보이드를 생성할 수 있다.

이때, 어노테이션 장치는 선택받은 두개의 꼭지점을 기초로 객체의 전면 폭 및 전면 높이를 구성하는 박스(box)를 생성하되, 객체에 해당하는 점군 중 라이다와 가장 가까이에 위치하는 포인트를 기준으로 박스를 생성할 수 있다.

다른 실시예로, 어노테이션 장치는 생성된 박스를 선택받은 하나의 포인트까지 연장하여 객체를 포함하는 큐보이드를 생성할 수 있다.

여기서, 어노테이션 장치는 3D 점군 데이터의 밀도를 기초로 객체의 엣지(edge)를 검출하고, 검출된 엣지와의 간격이 최소화되도록 큐보이드의 크기 및 방향 중 적어도 하나를 재조정할 수 있다.

구체적으로, 어노테이션 장치는 3D 점군 데이터와 대응하는 이미지를 추출하고, 추출된 이미지에 포함된 객체의 엣지(edge)를 추출하고, 추출된 엣지에 의한 폐쇄 영역(enclosure)을 하나 이상 추출하고, 추출된 폐쇄 영역을 통해 객체를 식별하고, 식별된 객체와의 간격이 최소화되도록 큐보이드의 크기 및 방향 중 적어도 하나를 재조정할 수 있다.

또 다른 실시예로, 어노테이션 장치는 S120 단계에서 작업자로부터 객체를 특정 받지 않고, 사전 설정된 기계 학습(machine learning)된 인공지능을 통해 점군의 밀도를 기초로 사전 설정된 거리 이내에 위치한 적어도 하나의 객체를 특정하고, 특정된 적어도 하나의 객체를 구성하는 점군 중 라이다와 가장 가까운 점을 기준으로 큐보이드를 생성할 수 있다.

도 6은 본 발명의 일 실시예에 따른 이미지를 이용한 객체 검출 방법을 설명하기 위한 순서도이다.

도 6을 참조하면, 본 발명의 일 실시예에 따른 이미지를 이용한 객체 검출 방법은

도 5를 참조하면, 본 발명의 일 실시예에 따른 점군 데이터를 이용한 객체 방법에 따르면, S110 단계에서 어노테이션 장치는 차량에 고정 설치된 카메라를 통해 획득된 복수의 이미지(image)를 수신할 수 있다.

다음으로, S120 단계에서 어노테이션 장치는 수신한 복수의 이미지를 시간 순으로 배열할 수 있다.

그리고, S130 단계에서 어노테이션 장치는 배열된 복수의 이미지 각각에 포함된 적어도 하나의 객체에 순차적으로 바운딩 박스를 생성하되, 연속된 이미지 사이의 연관성을 기초로 적어도 하나의 객체를 추적하여 각 이미지의 객체를 검출할 수 있다.

이때, 어노테이션 장치는 연속된 이미지 사이에 검출된 동일한 객체 사이의 거리를 추정하고, 추정된 동일한 객체 사이의 거리 및 촬영된 시간을 기초로 객체의 속도를 추정하고, 추정된 객체의 속도를 기초로 각 이미지의 객체를 추적할 수 있다.

도 7 내지 도 13은 본 발명의 일 실시예에 따른 점군 데이터를 이용한 객체 검출 방법을 설명하기 위한 예시도이다.

도 7에 도시된 바와 같이, 어노테이션 장치는 작업자로부터 3D 점군 데이터의 탑-뷰 상에서 두 개의 점(Point A, Point B)을 선택받을 수 있다. 이때, 두 개의 점(Point A, Point B)은 객체에 대응하는 큐보이드의 밑면에 포함된 네 개의 꼭지점(vertex) 중 서로 대향하는 두 개의 꼭지점이 될 수 있다.

하지만, 이에 한정된 것은 아니고, 어노테이션 장치는 작업자로부터 하나의 점(Point A)을 선택받고, 작업자의 드래그(drag) 동작에 의해 선택받은 점으로부터 확장된 박스를 생성할 수 있다.

그리고, 도 8에 도시된 바와 같이, 어노테이션 장치는 작업자로부터 생성된 박스의 방향을 선택받을 수 있다, 예를 들어, 어노테이션 장치는 작업자가 박스를 선택한 상태에서 드래그 동작에 의해 박스를 특정 지점을 중심으로 회전시킬 수 있다.

다음으로, 도 9에 도시된 바와 같이, 어노테이션 장치는 박스 내에 포함된 3D 점군 데이터의 밀도를 기초로 객체의 엣지(edge)를 검출하고, 검출된 엣지와의 간격이 최소화되도록 큐보이드의 크기 및 방향 중 적어도 하나를 재조정할 수 있다.

그리고, 어노테이션 장치는 특정된 객체에 대응되도록 특정된 객체를 포함하는 큐보이드(cuboid)를 생성할 수 있다.

이때, 어노테이션 장치는 선택받은 두 개의 꼭지점 및 객체의 방향을 기초로 큐보이드의 밑면을 생성하고, 밑면에 사전 설정된 높이 값을 부여하여 큐보이드를 생성할 수 있다.

예를 들어, 어노테이션 장치는 어노테이션 작업을 위한 객체의 종류를 미리 선택받고, 선택받은 객체의 종류에 따라 해당 객체의 높이 값을 미리 설정할 수 있다. 그리고, 어노테이션 장치는 작업자로부터 선택받은 박스를 밑면으로 하여 높이 값을 부여함으로써 큐보이드를 완성시킬 수 있다.

다른 실시예로, 도 10에 도시된 바와 같이, 어노테이션 장치는 입출력부를 통해 카메라를 통해 촬영된 이미지(a)를 출력하고, 출력된 이미지(a)와 매칭되는 라이다를 통해 획득된 3D 점군 데이터(b)를 함께 출력할 수 있다. 이때, 어노테이션 장치는 3D 점군 데이터를 탑-뷰(c), 프론트-뷰(d) 및 사이드-뷰(e)로 구분하여 출력할 수 있다.

다음으로, 도 11에 도시된 바와 같이, 어노테이션 장치는 프론트-뷰(d)로 투영된 3D 점군 데이터 내에서 두 개의 점(point A, point B)을 선택받을 수 있다. 이때, 두 개의 점(point A, point B)은 객체에 대응하는 큐보이드의 전면에 포함된 네 개의 꼭지점(vertex) 중 서로 대향하는 두 개의 꼭지점이 될 수 있다.

이때, 어노테이션 장치는 사전 설정된 기준 방향을 기초로 3D 점군 데이터의 프론트-뷰(d)를 투영하되, 프론트-뷰(d)로 투영된 3D 점군 데이터의 뷰 포인트를 보정하기 위한 보정 값을 입력 받을 수 있다.

즉, 입출력부를 통해 출력되는 점군 데이터의 각 뷰 포인트는 라이다를 기준으로 출력된다. 이에 따라, 투영된 프론트-뷰(d)는 객체의 방향과는 일치하지 않을 수 있다. 따라서, 어노테이션 장치는 작업자로부터 뷰 포인트 조정을 위한 보정 값을 입력받을 수 있다. 예를 들어, 어노테이션 장치는 작업자의 드래그 동작을 통해 뷰 포인트를 조정할 수 있다.

또한, 어노테이션 장치는 선택받은 두개의 꼭지점을 기초로 객체의 전면 폭 및 전면 높이를 구성하는 박스(box)를 생성하되, 객체에 해당하는 점군 중 라이다와 가장 가까이에 위치하는 포인트를 기준으로 박스를 생성할 수 있다. 이에 따라, 어노테이션 장치는 다른 뷰 포인트에서도 생성된 박스가 객체의 전면에 위치하도록 할 수 있다.

이때, 도 11에 도시된 바와 같이, 어노테이션 장치는 프론트 뷰(d)에서 생성된 박스를 탑-뷰(c) 및 사이드-뷰(e)에 각각 표시할 수 있다. 즉, 프론트 뷰에서 생성된 박스는 탑-뷰(c) 및 사이드-뷰(e)에서 선(line) 형태로 표시될 수 있다.

그리고, 도 12에 도시된 바와 같이, 어노테이션 장치는 3D 점군 데이터의 사이드-뷰(e)를 투영하고, 선택받은 두개의 꼭지점 중 하나로부터 객체의 측면 폭에 대응하는 하나의 포인트(point C)를 선택받을 수 있다. 즉, 어노테이션 장치는 작업자로부터 사이드-뷰(e) 상의 점군 데이터에서 객체의 후면에 대응하는 하나의 점을 선택받을 수 있다. 이를 통해, 어노테이션 장치는 객체의 후면에 해당하는 지점을 식별할 수 있다.

이후, 도 13에 도시된 바와 같이, 어노테이션 장치는 생성된 박스를 선택받은 하나의 포인트까지 연장하여 객체를 포함하는 큐보이드를 생성할 수 있다. 즉, 어노테이션 장치는 생성된 박스를 전면으로 포함하는 3D 형상의 큐보이드를 생성할 수 있다.

도 14는 본 발명의 일 실시예에 따른 이미지를 이용한 객체 검출 방법을 설명하기 위한 예시도이다.

도 14의 (a)에 도시된 바와 같이, 어노테이션 장치는 수신된 복수의 이미지를 시간 순으로 배열할 수 있다.

이후 (b)에 도시된 바와 같이, 어노테이션 장치는 시간 순으로 배열된 복수의 이미지를 사전 설정된 개수로 그룹핑(grouping)하고, 각 그룹에 포함된 이미지 중 첫번째 이미지를 작업자에게 제공할 수 있다.

예를 들어, 시간 순으로 배열된 복수의 이미지를 10개 단위로 그룹핑하고, 각 그룹의 첫번째 이미지만 작업자에게 제공할 수 있다.

그리고, (c)에 도시된 바와 같이, 어노테이션 장치는 작업자에게 입력받은 이미지를 기초로 단위별로 나머지 이미지의 객체를 추적하여, 각 이미지의 추적된 객체에 대한 바운딩 박스를 생성할 수 있다.

이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으나, 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. 또한, 본 명세서와 도면에서 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적해석에 의해 선정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

100 : 학습 데이터 생성 장치 200 : 어노테이션 장치
300 : 학습 데이터 검증 장치 400 : 인공지능 학습 장치
205 : 통신부 210 : 입출력부
215 : 큐보이드 생성부 220 : 바운딩 박스 생성부
225 : 저장부

Claims (10)

1. 어노테이션 장치가, 차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군 데이터(3D point group) 및 카메라(camera)를 통해 획득된 복수의 이미지(image) 중 적어도 하나를 수신하는 단계; 및
   상기 어노테이션 장치가, 상기 수신된 점군 데이터 또는 상기 복수의 이미지 내에 포함된 적어도 하나 이상의 객체(object)를 검출하는 단계; 를 포함하는 것을 특징으로 하는 객체 검출 방법.
2. 제1 항에 있어서, 상기 객체를 검출하는 단계는,
   상기 어노테이션 장치가, 상기 3D 점군 데이터(3D point group)를 사전 설정된 뷰 포인트(view point)로 설정하고, 상기 사전 설정된 뷰 포인트의 3D 점군 데이터 내에서 적어도 하나 이상의 객체(object)를 특정하는 단계; 및
   상기 어노테이션 장치가, 상기 특정된 객체에 대응되도록 상기 특정된 객체를 포함하는 큐보이드(cuboid)를 생성하는 단계; 를 포함하는 것을 특징으로 하는, 객체 검출 방법.
3. 제2 항에 있어서, 상기 객체를 특정하는 단계는
   상기 3D 점군 데이터의 탑-뷰(top-view)를 투영하고, 상기 탑-뷰로 투영된 3D 점군 데이터 내에서 객체에 대응하는 큐보이드의 밑면에 포함된 네 개의 꼭지점(vertex) 중 서로 대향하는 두 개의 꼭지점 및 객체의 방향을 선택받는 것을 특징으로 하는, 객체 검출 방법.
4. 제3항에 있어서, 상기 큐보이드를 생성하는 단계는
   상기 선택받은 두 개의 꼭지점 및 상기 객체의 방향을 기초로 상기 큐보이드의 밑면을 생성하고, 상기 밑면에 사전 설정된 높이 값을 부여하여 상기 큐보이드를 생성하는 것을 특징으로 하는, 객체 검출 방법.
5. 제2 항에 있어서, 상기 객체를 특정하는 단계는
   상기 3D 점군 데이터의 프론트-뷰(front-view)를 투영하고, 상기 프론트-뷰로 투영된 3D 점군 데이터 내에서 객체의 전면에 대응하는 큐보이드의 전면에 포함된 네 개의 꼭지점 중 서로 대향하는 두개의 꼭지점을 선택받는 단계; 및
   상기 3D 점군 데이터의 사이드-뷰(side-view)를 투영하고, 상기 선택받은 두개의 꼭지점 중 하나로부터 상기 객체의 측면 폭에 대응하는 하나의 포인트를 선택받는 단계; 를 포함하는 것을 특징으로 하는, 객체 검출 방법.
6. 제5 항에 있어서, 상기 두개의 꼭지점을 선택받는 단계는
   사전 설정된 기준 방향을 기초로 상기 3D 점군 데이터의 프론트-뷰를 투영하되, 상기 프론트-뷰로 투영된 3D 점군 데이터의 뷰 포인트를 보정하기 위한 보정 값을 입력 받는 것을 특징으로 하는, 객체 검출 방법.
7. 제2 항에 있어서, 상기 큐보이드를 생성하는 단계 이후에
   상기 3D 점군 데이터의 밀도를 기초로 상기 객체의 엣지(edge)를 검출하고, 상기 검출된 엣지와의 간격이 최소화되도록 상기 큐보이드의 크기 및 방향 중 적어도 하나를 재조정하는 것을 특징으로 하는, 객체 검출 방법.
8. 제2 항에 있어서, 상기 큐보이드를 생성하는 단계 이후에
   상기 3D 점군 데이터와 대응하는 이미지를 추출하고, 상기 추출된 이미지에 포함된 객체의 엣지(edge)를 추출하고, 상기 추출된 엣지에 의한 폐쇄 영역(enclosure)을 하나 이상 추출하고, 상기 추출된 폐쇄 영역을 통해 상기 객체를 식별하고, 상기 식별된 객체와의 간격이 최소화되도록 상기 큐보이드의 크기 및 방향 중 적어도 하나를 재조정하는 것을 특징으로 하는, 객체 검출 방법.
9. 제1 항에 있어서, 상기 객체를 검출하는 단계는
   상기 수신된 복수의 이미지를 시간 순으로 배열하고, 상기 배열된 복수의 이미지 각각에 포함된 적어도 하나의 객체에 순차적으로 바운딩 박스를 생성하되, 연속된 이미지 사이의 연관성을 기초로 상기 적어도 하나의 객체를 추적하여 각 이미지의 객체를 검출하는 것을 특징으로 하는, 객체 검출 방법.
10. 제9 항에 있어서, 상기 객체를 검출하는 단계는
    연속된 이미지 사이에 검출된 동일한 객체 사이의 거리를 추정하고, 상기 추정된 동일한 객체 사이의 거리 및 촬영된 시간을 기초로 상기 객체의 속도를 추정하고, 상기 추정된 객체의 속도를 기초로 각 이미지의 객체를 추적하는 것을 특징으로 하는, 객체 검출 방법.

Images