WO2022154168A1 - 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법 - Google Patents

자동 초점 조절이 가능한 전자 장치 및 그 동작 방법 Download PDF

Info

Publication number
WO2022154168A1
WO2022154168A1 PCT/KR2021/002869 KR2021002869W WO2022154168A1 WO 2022154168 A1 WO2022154168 A1 WO 2022154168A1 KR 2021002869 W KR2021002869 W KR 2021002869W WO 2022154168 A1 WO2022154168 A1 WO 2022154168A1
Authority
WO
WIPO (PCT)
Prior art keywords
image frame
processor
focus
image
detection information
Prior art date
Application number
PCT/KR2021/002869
Other languages
English (en)
French (fr)
Inventor
사석운
이세현
김성은
여동원
원종훈
이강민
Original Assignee
삼성전자 주식회사
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 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to EP21919797.7A priority Critical patent/EP4228246A4/en
Publication of WO2022154168A1 publication Critical patent/WO2022154168A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
    • H04N23/681—Motion detection
    • H04N23/6812—Motion detection based on additional sensors, e.g. acceleration sensors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/67—Focus control based on electronic image sensor signals
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/57—Mechanical or electrical details of cameras or camera modules specially adapted for being embedded in other devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/61—Control of cameras or camera modules based on recognised objects
    • H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/67—Focus control based on electronic image sensor signals
    • H04N23/673—Focus control based on electronic image sensor signals based on contrast or high frequency components of image signals, e.g. hill climbing method
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
    • H04N23/682—Vibration or motion blur correction
    • H04N23/685—Vibration or motion blur correction performed by mechanical compensation
    • H04N23/687—Vibration or motion blur correction performed by mechanical compensation by shifting the lens or sensor position
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/73—Circuitry for compensating brightness variation in the scene by influencing the exposure time
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof

Definitions

  • Various embodiments of the present disclosure relate to an electronic device for providing an automatic focus control function.
  • an auto focus (AF) function for adjusting a focus when taking an image has been developed.
  • Contrast AF is a method of acquiring image frames while moving a lens, and finding a position of a lens with the highest sharpness of the acquired image frame.
  • Phase difference AF is a method of finding the position of a lens based on two image frames obtained by separating the light incident on the camera.
  • a conventional electronic device may move a lens to adjust a focus even when the illuminance of the surrounding environment changes but the position of the subject does not change.
  • a phenomenon in which a field of view of a preview image displayed on a display vibrates eg, wobbling
  • a conventional electronic device performs an AF operation based on contrast data (or phase difference data) with low reliability.
  • contrast data or phase difference data
  • An electronic device may include a camera module supporting an AF function, and at least one processor electrically connected to the camera module.
  • the at least one processor obtains a first image frame focused at a first position from the camera module, obtains a second image frame subsequent to the first image frame from the camera module, and the first image frame and performing deep learning on the second image frame, and determining whether it is necessary to set the focus of the second image frame to a second position different from the first position based on the result of the deep learning and control the AF function of the camera module according to the determination result.
  • the method of operating an electronic device includes: acquiring a first image frame in which a focus is set at a first position from a camera module included in the electronic device; Acquiring a subsequent second image frame, performing deep learning on the first image frame and the second image frame, and focusing on the second image frame based on a result of the deep learning It may include an operation of determining whether it is necessary to set a second position different from the position, and an operation of controlling an AF function of the camera module according to the determination result.
  • An electronic device may include a camera module supporting an AF function, and at least one processor electrically connected to the camera module.
  • the at least one processor is configured to obtain a first image frame in which a focus is set at a first position from the camera module, obtain a second image frame subsequent to the first image frame from the camera module, and the first image Deep learning is performed on the frame and the second image frame, and at least one of body detection information, depth detection information, sky detection information, and moire detection information is obtained through the deep learning, and included in the first image frame acquire a difference value between the pixel data and the pixel data included in the second image frame, and set the focus of the second image frame different from the first position based on the information obtained through the deep learning and the difference value It is possible to determine whether it is necessary to set the second position, and control the AF function of the camera module according to the determination result.
  • the electronic device since the electronic device performs the AF operation only when it is necessary to change the focus position, it is possible to reduce a phenomenon in which the preview image vibrates.
  • FIG. 1 is a block diagram of an electronic device in a network environment according to various embodiments of the present disclosure
  • FIG. 2 is a block diagram illustrating a camera module according to various embodiments.
  • FIG. 3 is a block diagram illustrating a hardware configuration of an electronic device for performing an AF function according to an exemplary embodiment.
  • FIG. 4 is a flowchart illustrating an operation of an electronic device that performs an AF function according to an exemplary embodiment.
  • FIG. 5 is a flowchart illustrating an operation of an electronic device that performs an AF function based on at least a result of deep learning, according to an embodiment.
  • 6A is a flowchart illustrating an operation of an electronic device that performs an AF function based on body detection information, according to an exemplary embodiment.
  • 6B illustrates an example of a region of interest with respect to an image obtained in a backlight environment, according to an exemplary embodiment.
  • 6C illustrates an example of a region of interest for an image in which a face size is smaller than a specified size, according to an exemplary embodiment.
  • FIG. 7 is a flowchart illustrating an operation of an electronic device that performs an AF function based on depth detection information according to an exemplary embodiment.
  • 8A is a flowchart illustrating an operation of an electronic device that performs an AF function based on sky detection information, according to an embodiment.
  • 9A is a flowchart illustrating an operation of an electronic device that performs an AF function based on a difference value of pixel data, according to an exemplary embodiment.
  • 9B illustrates an example of a difference value between a first image frame, a second image frame, and pixel data according to an exemplary embodiment.
  • 10A is a flowchart illustrating an operation of an electronic device that performs an AF function based on moiré detection information according to an exemplary embodiment.
  • FIG. 1 is a block diagram of an electronic device 101 in a network environment 100 according to various embodiments of the present disclosure.
  • an electronic device 101 communicates with an electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or a second network 199 . It may communicate with at least one of the electronic device 104 and the server 108 through (eg, a long-distance wireless communication network). According to an embodiment, the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • a first network 198 eg, a short-range wireless communication network
  • a second network 199 e.g., a second network 199
  • the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • the electronic device 101 includes a processor 120 , a memory 130 , an input module 150 , a sound output module 155 , a display module 160 , an audio module 170 , and a sensor module ( 176), interface 177, connection terminal 178, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196 , or an antenna module 197 .
  • at least one of these components eg, the connection terminal 178
  • some of these components are integrated into one component (eg, display module 160 ). can be
  • the processor 120 for example, executes software (eg, a program 140) to execute at least one other component (eg, a hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or operations. According to an embodiment, as at least part of data processing or operation, the processor 120 stores a command or data received from another component (eg, the sensor module 176 or the communication module 190 ) into the volatile memory 132 . may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • software eg, a program 140
  • the processor 120 stores a command or data received from another component (eg, the sensor module 176 or the communication module 190 ) into the volatile memory 132 .
  • the processor 120 stores a command or data received from another component (eg, the sensor module 176 or the communication module 190 ) into the volatile memory 132 .
  • the processor 120 is a main processor 121 (eg, a central processing unit or an application processor) or a secondary processor 123 (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor).
  • a main processor 121 eg, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit
  • NPU neural processing unit
  • an image signal processor e.g., a sensor hub processor, or a communication processor.
  • the secondary processor 123 may, for example, act on behalf of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or when the main processor 121 is active (eg, executing an application). ), together with the main processor 121, at least one of the components of the electronic device 101 (eg, the display module 160, the sensor module 176, or the communication module 190) It is possible to control at least some of the related functions or states.
  • the auxiliary processor 123 eg, image signal processor or communication processor
  • the auxiliary processor 123 may include a hardware structure specialized for processing an artificial intelligence model.
  • Artificial intelligence models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself on which the artificial intelligence model is performed, or may be performed through a separate server (eg, the server 108).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but in the above example not limited
  • the artificial intelligence model may include a plurality of artificial neural network layers.
  • Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the above, but is not limited to the above example.
  • the artificial intelligence model may include, in addition to, or alternatively, a software structure in addition to the hardware structure.
  • the memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176 ) of the electronic device 101 .
  • the data may include, for example, input data or output data for software (eg, the program 140 ) and instructions related thereto.
  • the memory 130 may include a volatile memory 132 or a non-volatile memory 134 .
  • the program 140 may be stored as software in the memory 130 , and may include, for example, an operating system 142 , middleware 144 , or an application 146 .
  • the input module 150 may receive a command or data to be used by a component (eg, the processor 120 ) of the electronic device 101 from the outside (eg, a user) of the electronic device 101 .
  • the input module 150 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the sound output module 155 may output a sound signal to the outside of the electronic device 101 .
  • the sound output module 155 may include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • the receiver can be used to receive incoming calls. According to an embodiment, the receiver may be implemented separately from or as a part of the speaker.
  • the display module 160 may visually provide information to the outside (eg, a user) of the electronic device 101 .
  • the display module 160 may include, for example, a control circuit for controlling a display, a hologram device, or a projector and a corresponding device.
  • the display module 160 may include a touch sensor configured to sense a touch or a pressure sensor configured to measure the intensity of a force generated by the touch.
  • the audio module 170 may convert a sound into an electric signal or, conversely, convert an electric signal into a sound. According to an embodiment, the audio module 170 acquires a sound through the input module 150 , or an external electronic device (eg, a sound output module 155 ) connected directly or wirelessly with the electronic device 101 .
  • the electronic device 102) eg, a speaker or headphones
  • the electronic device 102 may output a sound.
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the sensed state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, It may include a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface 177 may support one or more specified protocols that may be used by the electronic device 101 to directly or wirelessly connect with an external electronic device (eg, the electronic device 102 ).
  • the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • the connection terminal 178 may include a connector through which the electronic device 101 can be physically connected to an external electronic device (eg, the electronic device 102 ).
  • the connection terminal 178 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert an electrical signal into a mechanical stimulus (eg, vibration or movement) or an electrical stimulus that the user can perceive through tactile or kinesthetic sense.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and moving images. According to an embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101 .
  • the power management module 188 may be implemented as, for example, at least a part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • the battery 189 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • the communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). It can support establishment and communication performance through the established communication channel.
  • the communication module 190 may include one or more communication processors that operate independently of the processor 120 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, : It may include a local area network (LAN) communication module, or a power line communication module).
  • a wireless communication module 192 eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 eg, : It may include a local area network (LAN) communication module, or a power line communication module.
  • a corresponding communication module among these communication modules is a first network 198 (eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 199 (eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a first network 198 eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)
  • a second network 199 eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a telecommunication network
  • the wireless communication module 192 uses subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 196 within a communication network such as the first network 198 or the second network 199 .
  • subscriber information eg, International Mobile Subscriber Identifier (IMSI)
  • IMSI International Mobile Subscriber Identifier
  • the electronic device 101 may be identified or authenticated.
  • the wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, a new radio access technology (NR).
  • NR access technology includes high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), minimization of terminal power and access to multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low-latency) -latency communications)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low-latency
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
  • a high frequency band eg, mmWave band
  • the wireless communication module 192 uses various techniques for securing performance in a high-frequency band, for example, beamforming, massive multiple-input and multiple-output (MIMO), all-dimensional multiplexing. It may support technologies such as full dimensional MIMO (FD-MIMO), an array antenna, analog beam-forming, or a large scale antenna.
  • the wireless communication module 192 may support various requirements defined in the electronic device 101 , an external electronic device (eg, the electronic device 104 ), or a network system (eg, the second network 199 ).
  • the wireless communication module 192 includes a peak data rate (eg, 20 Gbps or more) for realizing eMBB, loss coverage (eg, 164 dB or less) for realizing mMTC, or U-plane latency for realizing URLLC ( Example: Downlink (DL) and uplink (UL) each 0.5 ms or less, or round trip 1 ms or less) can be supported.
  • a peak data rate eg, 20 Gbps or more
  • loss coverage eg, 164 dB or less
  • U-plane latency for realizing URLLC
  • the antenna module 197 may transmit or receive a signal or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a conductor formed on a substrate (eg, a PCB) or a radiator formed of a conductive pattern.
  • the antenna module 197 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network such as the first network 198 or the second network 199 is connected from the plurality of antennas by, for example, the communication module 190 . can be selected. A signal or power may be transmitted or received between the communication module 190 and an external electronic device through the selected at least one antenna.
  • other components eg, a radio frequency integrated circuit (RFIC)
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a mmWave antenna module.
  • the mmWave antenna module comprises a printed circuit board, an RFIC disposed on or adjacent to a first side (eg, bottom side) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, an array antenna) disposed on or adjacent to a second side (eg, top or side) of the printed circuit board and capable of transmitting or receiving signals of the designated high frequency band. can do.
  • peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
  • GPIO general purpose input and output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199 .
  • Each of the external electronic devices 102 or 104 may be the same as or different from the electronic device 101 .
  • all or part of the operations executed by the electronic device 101 may be executed by one or more external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 may perform the function or service itself instead of executing the function or service itself.
  • one or more external electronic devices may be requested to perform at least a part of the function or the service.
  • One or more external electronic devices that have received the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and transmit a result of the execution to the electronic device 101 .
  • the electronic device 101 may process the result as it is or additionally and provide it as at least a part of a response to the request.
  • cloud computing, distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device 101 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 104 may include an Internet of things (IoT) device.
  • the server 108 may be an intelligent server using machine learning and/or neural networks.
  • the external electronic device 104 or the server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to an intelligent service (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • the electronic device may be a device of various types.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance device.
  • a portable communication device eg, a smart phone
  • a computer device e.g., a laptop, a desktop, a tablet, or a portable multimedia device
  • portable medical device e.g., a portable medical device
  • camera e.g., a camera
  • a wearable device e.g., a smart watch
  • a home appliance device e.g., a smart bracelet
  • first, second, or first or second may simply be used to distinguish an element from other elements in question, and may refer elements to other aspects (e.g., importance or order) is not limited. It is said that one (eg, first) component is “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively”. When referenced, it means that one component can be connected to the other component directly (eg by wire), wirelessly, or through a third component.
  • module used in various embodiments of the present document may include a unit implemented in hardware, software, or firmware, for example, and interchangeably with terms such as logic, logic block, component, or circuit.
  • a module may be an integrally formed part or a minimum unit or a part of the part that performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • one or more instructions stored in a storage medium may be implemented as software (eg, the program 140) including
  • the processor eg, the processor 120
  • the device eg, the electronic device 101
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' only means that the storage medium is a tangible device and does not contain a signal (eg, electromagnetic wave), and this term is used in cases where data is semi-permanently stored in the storage medium and It does not distinguish between temporary storage cases.
  • a signal eg, electromagnetic wave
  • the method according to various embodiments disclosed in this document may be provided by being included in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a device-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play StoreTM) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly, online between smartphones (eg: smartphones).
  • a portion of the computer program product may be temporarily stored or temporarily generated in a machine-readable storage medium such as a memory of a server of a manufacturer, a server of an application store, or a memory of a relay server.
  • each component (eg, module or program) of the above-described components may include a singular or a plurality of entities, and some of the plurality of entities may be separately disposed in other components.
  • one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg, a module or a program
  • the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component are executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations are executed in a different order, omitted, or , or one or more other operations may be added.
  • the camera module 180 includes a lens assembly 210 , a flash 220 , an image sensor 230 , an image stabilizer 240 , a memory 250 (eg, a buffer memory), or an image signal processor. (260).
  • the lens assembly 210 may collect light emitted from a subject, which is an image to be captured.
  • the lens assembly 210 may include one or more lenses.
  • the camera module 180 may include a plurality of lens assemblies 210 . In this case, the camera module 180 may form, for example, a dual camera, a 360 degree camera, or a spherical camera.
  • Some of the plurality of lens assemblies 210 may have the same lens properties (eg, angle of view, focal length, auto focus, f number, or optical zoom), or at least one lens assembly may be a different lens assembly. It may have one or more lens properties that are different from the lens properties of .
  • the lens assembly 210 may include, for example, a wide-angle lens or a telephoto lens.
  • the flash 220 may emit light used to enhance light emitted or reflected from the subject.
  • the flash 220 may include one or more light emitting diodes (eg, a red-green-blue (RGB) LED, a white LED, an infrared LED, or an ultraviolet LED), or a xenon lamp.
  • the image sensor 230 may acquire an image corresponding to the subject by converting light emitted or reflected from the subject and transmitted through the lens assembly 210 into an electrical signal.
  • the image sensor 230 may include, for example, one image sensor selected from among image sensors having different properties, such as an RGB sensor, a black and white (BW) sensor, an IR sensor, or a UV sensor, the same It may include a plurality of image sensors having properties, or a plurality of image sensors having different properties.
  • Each image sensor included in the image sensor 230 may be implemented using, for example, a charged coupled device (CCD) sensor or a complementary metal oxide semiconductor (CMOS) sensor.
  • CCD charged coupled device
  • CMOS complementary metal oxide semiconductor
  • the image stabilizer 240 moves at least one lens or the image sensor 230 included in the lens assembly 210 in a specific direction or Operation characteristics of the image sensor 230 may be controlled (eg, read-out timing may be adjusted, etc.). This makes it possible to compensate for at least some of the negative effects of the movement on the image being taken.
  • the image stabilizer 240 according to an embodiment, the image stabilizer 240 is a gyro sensor (not shown) or an acceleration sensor (not shown) disposed inside or outside the camera module 180 . can be used to detect such a movement of the camera module 180 or the electronic device 101 .
  • the image stabilizer 240 may be implemented as, for example, an optical image stabilizer.
  • the memory 250 may temporarily store at least a portion of the image acquired through the image sensor 230 for a next image processing operation. For example, when image acquisition is delayed according to the shutter or a plurality of images are acquired at high speed, the acquired original image (eg, a Bayer-patterned image or a high-resolution image) is stored in the memory 250 and , a copy image corresponding thereto (eg, a low-resolution image) may be previewed through the display module 160 .
  • the acquired original image eg, a Bayer-patterned image or a high-resolution image
  • a copy image corresponding thereto eg, a low-resolution image
  • the memory 250 may be configured as at least a part of the memory 130 or as a separate memory operated independently of the memory 130 .
  • the image signal processor 260 may perform one or more image processing on an image acquired through the image sensor 230 or an image stored in the memory 250 .
  • the one or more image processes may include, for example, depth map generation, three-dimensional modeling, panorama generation, feature point extraction, image synthesis, or image compensation (eg, noise reduction, resolution adjustment, brightness adjustment, blurring ( blurring), sharpening (sharpening), or softening (softening)
  • the image signal processor 260 may include at least one of the components included in the camera module 180 (eg, an image sensor). 230), for example, exposure time control, readout timing control, etc.
  • the image processed by the image signal processor 260 is stored back in the memory 250 for further processing.
  • the image signal processor 260 may be configured as at least a part of the processor 120 or as a separate processor operated independently of the processor 120.
  • the image signal processor 260 may be configured as the processor 120 and a separate processor, at least one image processed by the image signal processor 260 may be displayed through the display module 160 as it is by the processor 120 or after additional image processing.
  • the electronic device 101 may include a plurality of camera modules 180 each having different properties or functions.
  • at least one of the plurality of camera modules 180 may be a wide-angle camera, and at least the other may be a telephoto camera.
  • at least one of the plurality of camera modules 180 may be a front camera, and at least the other may be a rear camera.
  • FIG. 3 is a block diagram illustrating a hardware configuration of an electronic device 300 for performing an AF function according to an exemplary embodiment.
  • FIG. 3 shows simplified configurations included in the electronic device 300 .
  • the electronic device 300 may include the same or similar components to the electronic device 101 described in FIG. 1 .
  • the electronic device 300 may include a camera module 310 and a processor 320 .
  • the camera module 310 may correspond to the camera module 180 of FIGS. 1 and 2 .
  • the processor 320 may include at least one of the processor 120 illustrated in FIG. 1 and the image signal processor 260 illustrated in FIG. 2 .
  • the processor 320 may obtain an image frame by controlling the camera module 310 .
  • the camera module 310 may acquire a first image frame and acquire a second image frame following the first image frame.
  • a second image frame following the first image frame may mean a second image frame acquired successively to the first image frame.
  • the first image frame is an Nth frame
  • the second image frame may mean an N+1th frame.
  • the second image frame following the first image frame may mean at least one image frame among a plurality of image frames acquired after the first image frame is acquired.
  • the second image frame is any one image frame among a plurality of image frames acquired within a predetermined time (eg, 1 second) from the first time point. may correspond to
  • the camera module 310 may support an AF function.
  • the camera module 310 may support a contrast AF method or a phase difference AF function.
  • the camera module 310 may support a hybrid AF method combining contrast AF and phase difference AF.
  • the camera module 310 may acquire the first image frame in which the focus is set at the first position while performing the AF function under the control of the processor 320 .
  • the first position may mean a relative position (eg, distance) of a subject included in the first image frame from the electronic device 300 .
  • the camera module 310 may provide the first image frame to the processor 320 .
  • the processor 320 may be understood to include at least one processor.
  • the processor 320 may include at least one of an application processor (AP), an image signal processor 260 , and a communication processor (CP).
  • AP application processor
  • CP communication processor
  • the processor 320 may obtain a first image frame in which a focus is set at a first position from the camera module 310 . According to an embodiment, the processor 320 may obtain a second image frame following the first image frame from the camera module 310 .
  • the processor 320 may perform deep learning on the image frames obtained from the camera module 310 . According to an embodiment, the processor 320 may determine whether the image frame corresponds to a specified scene through deep learning.
  • the processor 320 may determine whether it is necessary to set the focus of the second image frame to a second position different from the first position based on the result of the deep learning. According to an embodiment, the processor 320 may control the AF function of the camera module 310 according to the determination result.
  • FIG. 4 is a flowchart illustrating an operation of the electronic device 300 performing an AF function according to an exemplary embodiment.
  • the processor 320 may obtain a first image frame in which a focus is set at a first position from the camera module 310 .
  • the processor 320 may execute an application supporting the photographing function of the camera module 310 and automatically set the focus to the first position when the photographing function is activated.
  • the processor 320 displays a real-time image acquired by the camera module 310 as a preview on the display of the electronic device 300 and sets the focus to the first position in response to a user input for the preview. can
  • the camera module 310 may acquire the first image frame in which the focus is set at the first position through the AF function.
  • the camera module 310 may provide the first image frame to the processor 320 .
  • the processor 320 may obtain a second image frame following the first image frame from the camera module 310 .
  • a change in illuminance such as ON/OFF of lighting occurs, or a place movement between indoors and outdoors occurs
  • An event in which the direction in which the camera of the electronic device 300 faces is changed may occur.
  • the first image frame may be acquired before the occurrence of the event
  • the second image frame may be acquired after the occurrence of the event. For another example, no significant environmental change may occur between acquisition of the first image frame and the second image frame.
  • the second image frame following the first image frame may be understood to mean at least one image frame among a plurality of image frames obtained after the focus is set at the first position.
  • the processor 320 may perform deep learning on the first image frame and the second image frame.
  • the processor 320 may acquire at least one of body detection information, depth detection information, sky detection information, and moire detection information detected from an image frame through deep learning.
  • the processor 320 may determine whether it is necessary to set the focus of the second image frame to a second position different from the first position based on the result of deep learning.
  • the processor 320 may determine whether it is necessary to change the focus of the second image frame to a position different from the first position. For example, when the brightness of the second image frame is changed when compared with the brightness of the first image frame, but the position of the subject included in the first image frame and the position of the subject included in the second image frame do not change, the processor 320 may determine that it is not necessary to change the focus of the second image frame. As another example, when the location of the subject included in the second image frame (eg, the distance between the subject and the electronic device 300 ) is changed compared to the subject included in the first image frame, the processor 320 may perform the second It may be determined that it is necessary to change the focus of the image frame.
  • the location of the subject included in the second image frame eg, the distance between the subject and the electronic device 300
  • the processor 320 may determine the second location based on a result of deep learning. For example, when the processor 320 determines that the second image frame is an image of the sky according to a result of deep learning, the processor 320 may determine the focus to an infinity position. According to an embodiment, the processor 320 may determine whether it is necessary to set the focus of the second image frame to the second position based on the second position determined according to the result of deep learning.
  • the processor 320 may compare pixel data included in the first image frame with pixel data included in the second image frame. According to an embodiment, the processor 320 may determine whether it is necessary to set the focus of the second image frame to the second position based on the difference value of the two pixel data together with the result of the deep learning.
  • the processor 320 collects contrast data, phase data, illuminance data around the electronic device 300, or a gyro sensor together with the result of deep learning. It may be determined whether it is necessary to change the focus of the second image frame based on at least one of the motion data acquired through the
  • the processor 320 may control the AF function of the camera module according to the determination result.
  • the processor 320 may maintain the focus at the first position in response to determining that it is not necessary to set the focus of the second image frame at the second position.
  • the processor 320 may acquire, from the camera module 310 , a third image frame following the second image frame and having a focus set at the first position.
  • the processor 320 may set the focus at the second position.
  • the processor 320 may acquire, from the camera module 310 , a third image frame following the second image frame and having a focus set at the second position.
  • the processor 320 in order to set the focus to the second position, includes a lens included in the camera module 310 (eg, at least one lens included in the lens assembly 210 of FIG. 2 ).
  • the camera module 310 may be controlled to move to a specific point.
  • the processor 320 may detect a point (eg, a first point) at which the lens is currently located through a Hall sensor included in the camera module 310 .
  • the processor 320 may compare a point at which the lens is currently located (eg, a first point) and a point at which the lens is to be moved (eg, a second point).
  • the processor 320 may move the lens to the second point through a lens actuator included in the camera module 310 .
  • the processor 320 may repeat the above operation until the first point and the second point coincide.
  • the processor 320 may determine that the AF operation is completed when the first point and the second point coincide.
  • the processor 320 may acquire the third image frame in which the focus is set at the second position through the lens located at the second position.
  • FIG. 5 is a flowchart illustrating an operation of an electronic device 300 that performs an AF function based on at least a result of deep learning, according to an embodiment.
  • the processor 320 may acquire at least one of body detection information, depth detection information, sky detection information, and moire detection information through deep learning.
  • the processor 320 may compare the pixel data included in the first image frame with the pixel data included in the second image frame to obtain a difference value of the pixel data.
  • the processor 320 may detect at least one of body, depth, sky, and moiré in the first image frame and the second image frame through deep learning.
  • the processor 320 may use image segmentation information to perform deep learning.
  • the image segmentation information may include information on a location of a region corresponding to a person in the second image frame.
  • the image division information may include information on a location of a region corresponding to the closest subject in the second image frame.
  • the processor 320 may obtain a pixel data difference value between the first image data and the second image data. According to an embodiment, the processor 320 may differentiate the pixel data included in the first image frame and the pixel data included in the second image frame, and obtain a difference value of the pixel data based on the absolute value of the difference value. can For example, the processor 320 may obtain the difference value based on raw data of the first image frame and raw data of the second image frame.
  • the processor 320 may control the AF function based on body detection information.
  • the AF function based on body detection information will be described later with reference to FIGS. 6A to 6C .
  • the processor 320 may control the AF function based on the depth detection information.
  • the processor 320 may control the AF function based on the depth detection information. have. For example, when it is difficult to control the AF function based on the body detection information, when the body detection information is not obtained through deep learning, or when the body detection information is obtained but the AF function is controlled based on the body detection information There may be cases where it is difficult to do.
  • the AF function based on the depth detection information will be described later with reference to FIG. 7 .
  • the processor 320 may control the AF function based on the sky detection information.
  • the AF function based on the sky detection information will be described later with reference to FIGS. 8A to 8B .
  • the processor 320 may control the AF function based on the pixel data difference value.
  • the processor 320 may control the AF function based on a difference value of pixel data.
  • a difference value of pixel data For example, when it is difficult to control the AF function based on the sky detection information, when the sky detection information is not obtained through deep learning, or when the sky detection information is obtained but the AF function is controlled based on the sky detection information There may be cases where it is difficult to do.
  • An AF function based on a difference value of pixel data will be described later with reference to FIGS. 9A to 9B .
  • the processor 320 may control the AF function based on the moiré detection information.
  • the processor 320 may control the AF function based on the moiré detection information. For example, the processor 320 may obtain a difference value of pixel data for each pixel, and obtain a ratio of pixels having a difference value greater than a threshold value among all pixels included in the image frame. When the ratio is equal to or greater than a predetermined ratio, the processor 320 may determine that the pixel data difference value is greater than or equal to a specified value.
  • the AF function based on the moiré detection information will be described later with reference to FIGS. 10A to 10B .
  • Operations 503 to 511 may be sequentially performed, but in various embodiments, at least one of operations 503 to 511 may be selectively or parallelly performed based on a result of operation 501 .
  • 6A is a flowchart illustrating an operation of an electronic device 300 that performs an AF function based on body detection information according to an exemplary embodiment.
  • 6B illustrates an example of a region of interest with respect to an image obtained in a backlight environment, according to an exemplary embodiment.
  • 6C illustrates an example of a region of interest for an image in which a face size is smaller than a specified size, according to an exemplary embodiment.
  • the operation described with reference to FIGS. 6A to 6C may be understood as a detailed operation in which the processor 320 controls the AF function based on the body detection information in operation 503 of FIG. 5 .
  • the processor 320 may acquire body detection information through deep learning on the first image frame and the second image frame. Additionally or alternatively, the processor 320 may obtain face detection information from the first image frame and the second image frame.
  • the processor 320 may acquire body detection information by performing deep learning on at least one of the first image frame and the second image frame. In an embodiment, when the processor 320 fails to obtain body detection information in at least one of the first image frame and the second image frame, the processor 320 performs an operation 505 of FIG. 5 or a process described later in FIG. 7 . Through this, the AF function of the camera module 310 may be controlled.
  • the processor 320 performs deep learning on an image frame in which the same scene as the second image frame is captured among a plurality of image frames acquired through the camera module 310 to Detection information may be obtained. For example, when the scene of the image frame is not changed, the processor 320 may perform deep learning on the image frame acquired before the first image frame.
  • the processor 320 may perform face detection on the first image frame and the second image frame.
  • the processor 320 may obtain face detection information from at least one of the first image frame and the second image frame.
  • the face detection information includes information on the presence or absence of a face included in the image frame, information on the location and size of a region corresponding to the face in the image frame if a face is detected in the image frame, or information on the presence or absence of a face included in the image frame.
  • At least one of information on whether the face corresponds to a specific face stored in advance in the electronic device 300 may be included.
  • the processor 320 may determine whether the second image frame is an image obtained in a backlight environment.
  • the processor 320 may determine whether the second image frame is an image obtained in a backlight environment based on brightness information of the second image frame. According to an embodiment, the processor 320 determines whether the second image frame is an image acquired in a backlight environment through illuminance information around the electronic device 300 acquired through an illuminance sensor included in the electronic device 300 . may judge.
  • the processor 320 may determine whether an ROI can be set through body detection information in response to determining that the second image frame is an image obtained in a backlight environment.
  • reference numeral 652 shows an example of an image frame obtained in a backlight environment.
  • the processor 320 when the second image frame is an image obtained in a backlight environment, the processor 320 cannot detect a face using the face detection function, or even if the processor 320 detects the face, the result is may be inaccurate. Accordingly, when it is determined that the second image frame is an image obtained in a backlight environment, the processor 320 may control the AF function through the body detection information.
  • the processor 320 may set the ROI based on the body detection information.
  • the processor 320 may set at least a partial region of the image frame as the ROI based on the body detection information. For example, the processor 320 may determine the location and size of a region corresponding to the body in the second image frame through the body detection information. The processor 320 may set a region of interest including at least a region corresponding to the body in the second image frame.
  • an image of reference numeral 654 illustrated in FIG. 6B shows an example of setting the region of interest 655 based on body detection information.
  • the body detection information obtained by the processor 320 through deep learning may include information on the location and size of a region corresponding to the body within the second image frame.
  • the processor 320 may set a region corresponding to the body in the second image frame as the region of interest 655 .
  • the processor 320 may perform deep learning on a plurality of regions defined using image segmentation, and designate regions determined to be the body as the region of interest 655 .
  • the processor 320 may set the ROI based on the body detection information even when the subject included in the second image frame is a side of a person.
  • the processor 320 may detect a region corresponding to the side of the person through deep learning, and set the detected region as a region of interest.
  • the processor 320 may set the central region of the image frame as the ROI in response to determining that the ROI cannot be set through the body detection information. For example, when the reliability of the ROI estimated through the body detection information is lower than a specified value, the processor 320 may determine that the ROI cannot be set through the body detection information.
  • the processor 320 may determine that the ROI cannot be set in the second image frame using body detection information acquired through deep learning. For example, when the processor 320 cannot detect a body in the second image frame through deep learning or the body detected in the second image frame is smaller than a specified size, the processor 320 uses the body detection information to It may be determined that the region of interest cannot be set.
  • the processor 320 may set the central region of the image frame as the ROI.
  • the operation of setting the central region of the image frame as the region of interest is an example of a general AF operation, and the processor 320 may set the entire region of the image frame instead of the central region of the image frame as the region of interest, A region deviating from the central region by a certain distance may be set as the region of interest.
  • the processor 320 may control the camera module 310 to perform an AF operation based on the depth detection information.
  • the processor 320 may determine whether a face is detected in the second image frame in response to determining that the second image frame is not an image obtained in a backlight environment.
  • the processor 320 determines whether a face is included in the second image frame through the face detection information obtained in operation 601. can
  • the processor 320 may determine whether the size of the face is smaller than a specified size in response to the detection of the face in the second image frame.
  • the processor 320 may determine whether a region of interest can be set through body detection information in operation 605 in response to not detecting a face in the second image frame. According to an embodiment, when the processor 320 determines that no face is detected in the second image frame, the processor 320 cannot use the face detection information and thus may control the AF function through the body detection information.
  • the processor 320 may set the ROI based on the body detection information in response to the size of the face detected in the second image frame being smaller than the specified size.
  • the processor 320 may not be able to control the AF function or it may be difficult to control the AF function based on the face detection information.
  • the processor 320 sets an ROI based on a face having a size smaller than a specified size
  • the ROI may include a subject other than the face.
  • the processor 320 controls the AF function based on the area corresponding to the face and other subjects, a focus may be set on a subject other than the face.
  • the processor 320 may set the ROI based on body detection information through deep learning.
  • reference numeral 662 illustrated in FIG. 6C shows an example of the region of interest 665 set when the size of the face included in the second image frame is smaller than the specified size.
  • the processor 320 may determine that the image 662 is not an image obtained in a backlight environment. The processor 320 may determine that a face is detected in the image of reference numeral 662 in relation to operation 611 . In operation 613 , the processor 320 may determine that the size of the face detected in the image of reference numeral 662 is smaller than the specified size. In operation 615 , the processor 320 may set the ROI 665 based on the body detection information. Referring to FIG. 6C , the processor 320 may obtain information on the position and size of the body included in the image frame through deep learning, and set the region corresponding to the body as the region of interest 665 .
  • the processor 320 may set the ROI based on the face detection information in response to the size of the face being larger than the specified size.
  • the processor 320 when the size of the face included in the second image frame is larger than the specified size, the processor 320 sets a region corresponding to the face included in the face detection information in the second image frame as the region of interest.
  • the processor 320 may determine the second location based on the ROI set in operation 607, operation 609, operation 615, or operation 617.
  • the processor 320 may control the camera module 310 to set the focus to the determined second position.
  • the processor 320 may acquire contrast data or phase difference data from at least a partial region of an image frame, and the acquired contrast data (or phase difference data) AF function can be performed based on For example, when there is a change in the contrast data (or phase difference data) due to a change in the position of the subject included in the at least partial region, the processor 320 may change the focus position.
  • at least a partial region of the image frame set to perform the AF function may be referred to as a region of interest (eg, the region of interest set in operation 607, operation 609, operation 615, or operation 617).
  • the processor 320 may determine the second location based on the ROI.
  • the processor 320 may determine the second position based on contrast data (or phase difference data) obtained from the ROI in the second image frame.
  • the second location may be different from the first location.
  • the processor 320 controls the camera module 310 to move a lens included in the camera module 310 to a specific point in order to set a focus on the second position determined based on the region of interest. can do. For example, the processor 320 compares the current lens position (eg, a first point) with a position at which the lens needs to be moved (eg, a second point), and the first point and the second point coincide with each other. The lens can be moved until
  • the second position determined by the processor 320 based on the region of interest may coincide with the first position where the focus is set in the first image frame.
  • the processor 320 may determine that the focus of the second image frame does not need to be changed.
  • the processor 320 may maintain the focus at the first position.
  • FIG. 7 is a flowchart illustrating an operation of an electronic device 300 that performs an AF function based on depth detection information according to an exemplary embodiment.
  • the operation described in relation to FIG. 7 may be understood as a detailed operation in which the processor 320 controls the AF function based on the depth detection information in operation 505 of FIG. 5 .
  • the processor 320 may acquire depth detection information through deep learning on at least one of the first image frame and the second image frame.
  • depth detection information through deep learning may be understood to mean a depth map.
  • the processor 320 may acquire the depth detection information by performing deep learning on the first image frame and the second image frame acquired through the camera module 310 .
  • the processor 320 performs deep learning on an image frame in which the same scene as the second image frame among a plurality of image frames acquired through the camera module 310 is captured to determine the depth. Detection information may be obtained. For example, when the scene of the image frame is not changed, the processor 320 may perform deep learning on the image frame acquired before the first image frame.
  • the processor 320 may determine whether the second image frame is an image having a different depth.
  • an image having a difference in depth may be understood as an image including a plurality of subjects having different distances between the subject and the background and the electronic device 300 .
  • the image having the difference in depth may be understood to mean an image in which the largest and smallest values among the distances between the subject and the background and the electronic device 300 are greater than a specified value.
  • the image including the subject/background is an image with a depth difference can be understood as
  • the processor 320 may determine whether the second image frame is an image having a depth difference through depth detection information acquired through deep learning. According to an embodiment, the processor 320 may determine whether the second image frame is an image having a depth difference by using the distance data acquired through the distance sensor of the electronic device 300 together with the depth detection information. have.
  • the processor 320 may determine whether there is a depth difference in at least a partial region of the second image frame. For example, the processor 320 determines whether the second image frame is an image having a depth difference, based on a region of interest (eg, a first region of interest) set before determining whether a depth difference within the first region of interest is determined. It can be determined whether there is
  • the processor 320 may set an ROI based on depth detection information.
  • the processor 320 may set a region corresponding to a subject located at the closest distance to the electronic device 300 among subjects included in the second image frame as the ROI based on the depth detection information. .
  • the processor 320 determines whether the second image frame is an image having a depth difference, the processor 320 detects the depth.
  • a region of interest eg, a second region of interest
  • the processor 320 may set the central region of the image frame as the ROI in response to determining that the second image frame is not an image having a depth difference. According to an embodiment, in response to determining that the second image frame is not an image having a depth difference, the processor 320 performs the AF function of the camera module 310 through operation 507 of FIG. 5 or a process described later in FIG. 8A . can also be controlled.
  • the processor 320 may determine the second location based on the ROI set in operation 705 or 707 .
  • the processor 320 may control the camera module 310 to set the focus to the determined second position.
  • the processor 320 may use a distance value included in the depth detection information to determine the second position based on the set ROI. For example, when information that the distance between the subject included in the ROI and the electronic device 300 is 1 m is included in the depth detection information, the processor 320 may determine that the second position is 1 m.
  • 8A is a flowchart illustrating an operation of an electronic device 300 that performs an AF function based on sky detection information according to an exemplary embodiment.
  • 8B shows an example of a sky image.
  • the operation described with reference to FIGS. 8A to 8B may be understood as a detailed operation in which the processor 320 controls the AF function based on the sky detection information in operation 507 of FIG. 5 .
  • the processor 320 may acquire sky detection information through deep learning on at least one of the first image frame and the second image frame. According to an embodiment, the processor 320 performs deep learning on an image frame in which the same scene as the second image frame among a plurality of image frames acquired through the camera module 310 is captured to Detection information may be obtained. In addition, the processor 320 may obtain information about the illuminance around the electronic device 300 through the illuminance sensor.
  • the processor 320 when the processor 320 fails to acquire sky detection information through deep learning, or when it is difficult to control the AF function based on the sky detection information after acquiring the sky detection information, the processor 320 may The AF function of the camera module 310 may be controlled through operation 505 in operation 5 or a process described later in FIG. 7 .
  • the processor 320 obtains the sky detection information from the second image frame, but does not receive the sky detection information. It may correspond to a case where it is difficult to control the AF function based on the
  • the processor 320 may determine whether the second image frame is acquired outdoors based on the illuminance information.
  • the processor 320 may detect the sky as a result of deep learning even when the scene of the second image frame does not correspond to the sky. For example, when the second image frame is a wall image of a color similar to the sky, the processor 320 may determine that the sky is detected as a result of deep learning. Accordingly, the processor 320 may determine whether the second image frame is an image acquired outdoors by using the illuminance information acquired through the illuminance sensor.
  • outdoor may include a case in which the electronic device 300 is actually located outdoors and a case in which the electronic device 300 is photographing an outdoor sky through a window or the like.
  • the processor 320 may determine whether the second image frame is the sky in response to determining that the second image frame is acquired outdoors. In addition, the processor 320 may determine whether the second image frame is an image of the actual sky or an image or object similar to the sky by using additional information obtained through the distance sensor.
  • the processor 320 may set the focus to the second position corresponding to infinity in response to determining that the scene of the second image frame is the sky.
  • the processor 320 may determine that it is necessary to set the focus to infinity.
  • An electronic device performs an operation of acquiring image frames while moving a lens in order to determine whether the image is a sky image.
  • the processor 320 may determine that the second image frame is an image corresponding to the sky using the result of deep learning. Accordingly, the electronic device 300 may reduce a phenomenon in which a preview image displayed on a display (eg, the display module 160 of FIG. 1 ) vibrates as the lens is moved more than necessary.
  • reference numeral 852 shows an example of an image corresponding to the sky.
  • the processor 320 may determine that the image of reference numeral 852 is an image acquired outdoors.
  • the processor 320 may determine that the image of reference numeral 852 is an image corresponding to the sky.
  • the processor 320 may determine that the focus of the image of reference numeral 852 needs to be set to infinity in relation to operation 807 .
  • the processor 320 determines that the second image frame was not acquired outdoors, or that the scene of the second image frame is not the sky, in response to at least one of:
  • the central region may be set as the ROI, and a second position may be determined based on the ROI.
  • the processor 320 may determine that the second image frame is an image acquired indoors based on the illuminance data acquired through the illuminance sensor. For example, when the second image frame is a wall image photographed indoors, the processor 320 may determine that the second image frame is not acquired outdoors based on the illuminance data.
  • the processor 320 may determine that the second image frame does not correspond to the sky even when the second image frame is an image taken outdoors. For example, when the second image frame is a wall image photographed outdoors, the processor 320 may determine that the second image frame is not a sky image based on the sky detection information.
  • the processor 320 may set the central region of the image frame as the ROI, and determine the second position based on the subject included in the ROI. According to an embodiment, when determining that the second image frame corresponds to the wall image, the processor 320 may determine that the second position is 2m to 3m. According to an embodiment, in response to determining that the second image frame is not an image corresponding to the sky, the processor 320 performs an AF function of the camera module 310 through operation 509 of FIG. 5 or a process described later in FIG. 9A . can also be controlled.
  • the processor 320 may control the camera module 310 to set a focus to the second position determined in operation 807 or 809 .
  • 9A is a flowchart illustrating an operation of the electronic device 300 performing an AF function based on a difference value of pixel data according to an exemplary embodiment.
  • 9B illustrates examples of a first image frame, a second image frame, and a difference value of pixel data between the first image frame and the second image frame, according to an exemplary embodiment.
  • the operation described with reference to FIGS. 9A to 9B may be understood as a detailed operation in which the processor 320 controls the AF function based on the difference value of the pixel data in operation 509 of FIG. 5 .
  • the processor 320 may obtain a difference value between the pixel data included in the first image frame and the pixel data included in the second image frame. Also, the processor 320 may obtain face detection information from the first image frame and the second image frame.
  • the processor 320 may determine whether a face is detected in the second image frame.
  • the processor 320 may obtain face detection information by performing a face detection function on at least one of the first image frame and the second image frame. The processor 320 may determine whether a face is included in the second image frame based on the face detection information.
  • the processor 320 may set an ROI based on face detection information in response to detecting a face in the second image frame.
  • the processor 320 may control the AF function based on face detection information. According to an embodiment, when a face is detected in the second image frame, the processor 320 may not use information on the difference value of the pixel data.
  • the processor 320 may determine whether there is a difference between the pixel data of the first image frame and the second image frame in response to not detecting a face in the second image frame. have.
  • the processor 320 in response to determining that there is a difference between pixel data of the first image frame and the second image frame, the processor 320 may set the central region of the image frame as the region of interest.
  • the processor 320 when the processor 320 determines that there is a difference between the pixel data of the first image frame and the second image frame, the position of the subject included in the first image frame and the subject included in the second image frame It can be determined that the location of For example, the processor 320 may detect a motion of a subject (local motion) or a motion (global motion) of the electronic device 300 using a difference value of pixel data.
  • the processor 320 may determine that the focus of the second image frame needs to be changed.
  • the processor 320 may determine a position to change the focus of the second image frame by setting the central region of the image frame as the region of interest.
  • the processor 320 in response to determining that there is a difference between the pixel data included in the first image frame and the pixel data included in the second image frame, the processor 320 may be described later in operation 511 of FIG. 5 or FIG. 10A . Through this process, the AF function of the camera module 310 may be controlled.
  • the processor 320 may determine the second location based on the ROI set in operation 909 .
  • the processor 320 may control the camera module 310 to set the focus to the determined second position.
  • the processor 320 may determine the second location based on the ROI set based on the face detection information in operation 905 .
  • the processor 320 may determine the second position based on the ROI set in operation 909 .
  • the processor 320 may maintain focus at the first position in response to determining that there is no difference between the pixel data of the first image frame and the second image frame.
  • the processor 320 may determine that there is no difference as a result of comparing the pixel data included in the first image frame with the pixel data included in the second image frame. For example, when the pixel data difference value satisfies a specified condition, the processor 320 may determine that there is no difference between the pixel data of the first image frame and the pixel data of the second image frame. For example, when the difference value between the pixel data is 0 or falls within a specified range of a negligible level even if it is not 0, the processor 320 calculates the difference between the pixel data of the first image frame and the pixel data of the second image frame. It can be concluded that there is no difference.
  • the processor 320 obtains a difference value of pixel data for each pixel included in the first image frame and the second image frame, and determines whether the difference value of the pixel data for each pixel is less than or equal to a threshold value. can determine whether The processor 320 may obtain a ratio of pixels having the difference value equal to or less than a threshold value among all pixels included in the image frame. When the ratio is less than a predetermined ratio, the processor 320 may determine that there is no difference value between the pixel data. In an embodiment, when there is no significant difference in pixel data, the processor 320 may continue to maintain the focus of the first image frame without changing the focus of the second image frame.
  • FIGB shows an example of a first image frame 951 and a second image frame 952 .
  • An image of reference numeral 954 shows an example of an image corresponding to a difference value between the pixel data included in the first image frame 951 and the pixel data included in the second image frame 952 .
  • the image of reference numeral 956 shows an example of an image in which the difference value of the pixel data is set to 0 when the difference value of the pixel data obtained for each pixel in the image of reference number 954 is equal to or less than a threshold value.
  • the processor 320 differentiates the pixel data included in the first image frame 951 and the pixel data included in the second image frame 952, and based on the absolute value of the difference value, the reference number 954 images can be obtained. According to an embodiment, the processor 320 removes noise included in the first image frame 951 and the second image frame 952 , and then removes the noise from the first image frame 951 and the second image frame. A difference value can be obtained based on (952). Even when there is no need to change the focus of the second image frame (for example, when there is no movement of the subject), the processor 320 generates pixels by noise included in the first image frame 951 or the second image frame 952 .
  • the processor 320 may apply a Gaussian filter to the first image frame 951 and the second image frame 952 .
  • An operation in which the processor 320 acquires a difference value of pixel data based on the first image frame 951 and the second image frame 952 to which the Gaussian filter is applied may be referred to as a difference of gaussian (DoG).
  • DoG difference of gaussian
  • the processor 320 sets the difference value to 0 to obtain the image of reference number 956 when the difference value of pixel data acquired for each pixel in the image of reference number 954 is equal to or less than a threshold value.
  • the processor 320 may determine that there is no pixel data difference value when the ratio of pixels having a pixel data difference value of 0 among all pixels in the image of reference numeral 956 is less than a predetermined ratio.
  • 10A is a flowchart illustrating an operation of an electronic device that performs an AF function based on moiré detection information according to an exemplary embodiment.
  • 10B shows an example of a moiré image.
  • the operation described with reference to FIGS. 10A to 10B may be understood as a specific operation in which the processor 320 controls the AF function based on the moiré detection information in operation 511 of FIG. 5 .
  • the processor 320 may acquire moiré detection information and depth detection information through deep learning on at least one of the first image frame and the second image frame. According to an embodiment, the processor 320 performs deep learning on an image frame in which the same scene as the second image frame among a plurality of image frames acquired through the camera module 310 is captured to perform the moire The detection information and the depth detection information may be acquired. Also, the processor 320 may obtain a pixel data difference value between the first image frame and the second image frame.
  • the processor 320 may determine whether the second image frame is an image in which moiré is detected.
  • the processor 320 may determine whether moiré is included in the second image frame through the moiré detection information. According to an embodiment, the processor 320 may determine whether the second image frame is an image obtained on a plane through the depth detection information. Since moiré often occurs on a flat subject (eg, a PC screen), the processor 320 may determine whether the second image frame is a moiré image by using the depth detection information together. According to an embodiment, the processor 320 may determine whether there is moiré by using the difference values of the pixel data together. For example, the processor 320 may determine whether there is a movement of the subject based on the difference value of the pixel data. The processor 320 may consider a difference value of pixel data together with a result of deep learning to determine whether moiré is detected in the second image frame.
  • the processor 320 in response to determining that the second image frame is an image in which moiré is detected, the processor 320 may maintain focus at the first position.
  • a position at which a focus is to be set in the second image frame may coincide with a first position at which a focus is set in the first image frame.
  • the processor 320 may maintain the focus of the second image frame at the first position.
  • reference numeral 1052 shows an example of an image according to moiré.
  • the processor 320 may determine that the image 1052 is an image in which moiré is detected.
  • the processor 320 may determine that it is not necessary to change the focal position of the image 1052 .
  • the processor 320 may maintain the focus of the image 1052 at the first position.
  • the processor 320 may set the central region of the image frame as the region of interest.
  • the processor 320 may set the central region of the image frame as the region of interest. According to another embodiment, the processor 320 may set the ROI based on the depth detection information.
  • the processor 320 may determine the second location based on the ROI set in operation 1007 .
  • the processor 320 may control the camera module 310 to set the focus to the determined second position.
  • An electronic device may include a camera module supporting an auto focus (AF) function, and at least one processor electrically connected to the camera module.
  • the at least one processor is configured to obtain a first image frame having a focus set at a first position from the camera module, obtain a second image frame subsequent to the first image frame from the camera module, and obtain the first image Whether it is necessary to perform deep learning on the frame and the second image frame, and set the focus of the second image frame to a second position different from the first position based on the result of the deep learning may be determined, and the AF function of the camera module may be controlled according to the determination result.
  • AF auto focus
  • the at least one processor maintains the focus at the first position in response to determining that it is not necessary to set the focus of the second image frame at the second position, A third image frame following the second image frame and having a focus set at the first position may be acquired from the camera module.
  • the at least one processor sets a focus at the second position in response to determining that it is necessary to set the focus of the second image frame at the second position, A third image frame following the second image frame and having a focus set at the second position may be obtained from the camera module.
  • the result of the deep learning may include at least one of body detection information, depth detection information, sky detection information, and moire detection information.
  • the at least one processor obtains a difference value between the pixel data included in the first image frame and the pixel data included in the second image frame, and performs the deep learning It may be determined whether it is necessary to set the focus of the second image frame to the second position based on the difference value together with the result of .
  • the at least one processor may determine the second location based on at least a result of the deep learning.
  • the at least one processor sets at least a partial region of the second image frame as a region of interest based on at least a result of the deep learning, and based on the region of interest, The second location may be determined.
  • the at least one processor may determine the second position indefinitely when the second image frame corresponds to a designated scene as a result of the deep learning.
  • the method of operating an electronic device includes: acquiring a first image frame in which a focus is set at a first position from a camera module included in the electronic device; Acquiring a subsequent second image frame, performing deep learning on the first image frame and the second image frame, and focusing on the second image frame based on a result of the deep learning It may include an operation of determining whether it is necessary to set a second position different from the position, and an operation of controlling an AF function of the camera module according to the determination result.
  • the operation of controlling the AF function may include moving the focus of the second image frame to the first position in response to determining that it is not necessary to set the focus to the second position. It may include an operation of maintaining a focus, and an operation of acquiring a third image frame following the second image frame and having a focus set at the first position from the camera module.
  • the operation of controlling the AF function may include moving the focus of the second image frame to the second position in response to determining that it is necessary to set the focus at the second position. It may include an operation of setting a focus, and an operation of acquiring a third image frame following the second image frame and having a focus set at the second position from the camera module.
  • the determining whether it is necessary to set the focus of the second image frame to the second position includes: body detection information obtained by performing the deep learning , determining whether it is necessary to set the focus of the second image frame to the second position based on at least one of depth detection information, sky detection information, and moiré detection information.
  • the determining whether it is necessary to set the focus of the second image frame to the second position includes: pixel data included in the first image frame; obtaining a difference value of pixel data included in the second image frame, and whether it is necessary to set the focus of the second image frame to the second position based on the difference value together with the result of the deep learning It may include an operation of determining
  • the determining whether it is necessary to set the focus of the second image frame to the second position may include at least the second image frame based on a result of the deep learning. 2 may include an operation of determining a location.
  • the determining of the second position includes setting at least a partial region of the second image frame as a region of interest based on at least a result of the deep learning. , and determining the second location based on the region of interest.
  • An electronic device may include a camera module supporting an AF function, and at least one processor electrically connected to the camera module.
  • the at least one processor is configured to obtain a first image frame having a focus set at a first position from the camera module, obtain a second image frame subsequent to the first image frame from the camera module, and obtain the first image Deep learning is performed on the frame and the second image frame, and at least one of body detection information, depth detection information, sky detection information, and moire detection information is obtained through the deep learning, and included in the first image frame acquire a difference value between the pixel data and the pixel data included in the second image frame, and set the focus of the second image frame different from the first position based on the information obtained through the deep learning and the difference value It is possible to determine whether it is necessary to set the second position, and control the AF function of the camera module according to the determination result.
  • the at least one processor controls the AF function of the camera module based on the body detection information, and the body detection information is not obtained from the second image frame. In response to not doing so, the AF function of the camera module may be controlled based on the depth detection information.
  • the at least one processor controls the AF function of the camera module based on the depth detection information, and the depth detection information is not obtained from the second image frame. In response to not doing so, the AF function of the camera module may be controlled based on the sky detection information.
  • the at least one processor controls the AF function of the camera module based on the sky detection information, and the sky detection information is not obtained from the second image frame. In response to not doing so, the AF function of the camera module may be controlled based on the difference value.
  • the at least one processor controls the AF function of the camera module based on the difference value, and determines that the difference value is greater than or equal to a specified value in the second image frame.
  • the AF function of the camera module may be controlled based on the moiré detection information.

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Studio Devices (AREA)

Abstract

본 문서의 일 실시 예에 따른 전자 장치는, AF 기능을 지원하는 카메라 모듈, 및 상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하고, 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고, 상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.

Description

자동 초점 조절이 가능한 전자 장치 및 그 동작 방법
본 개시의 다양한 실시 예들은 자동 초점 조절 기능을 제공하기 위한 전자 장치에 관한 것이다.
최근 모바일 디바이스의 기능이 다양화되면서 모바일 디바이스를 이용한 이미지 촬영 기능의 향상에 대한 요구도 늘어나고 있다. 이에 따라 이미지 촬영 시 초점을 조절하기 위한 AF(auto focus) 기능이 발전하고 있다.
AF 기능을 구동하기 위한 방법은 콘트라스트 AF(contrast AF)와 위상차 AF(phase AF)를 포함한다. 콘트라스트 AF는 렌즈를 이동시키면서 이미지 프레임들을 획득하고, 획득된 이미지 프레임의 선명도가 가장 높아지는 렌즈의 위치를 찾는 방법이다. 위상차 AF는 카메라에 입사되는 빛을 분리하여 획득한 2장의 이미지 프레임을 기반으로 렌즈의 위치를 찾는 방법이다.
종래의 AF 기능에 따르면, 전자 장치는 초점 위치를 변경할 필요가 없는 경우에도 AF 동작을 수행하는 문제가 있다. 예를 들면, 종래의 전자 장치는 주변 환경의 조도가 변화하였으나 피사체의 위치 변화는 없을 때에도 초점을 조절하기 위해 렌즈를 이동시키는 경우가 있다. 전자 장치가 필요 이상의 AF 동작을 수행하는 경우, 디스플레이에 표시되는 프리뷰 이미지의 시야(field of view)가 울렁거리는 현상(예: 워블링(wobbling))이 발생하게 된다. 다른 예를 들면, 종래의 전자 장치는 하늘과 같이 텍스쳐 정보가 적은 피사체를 촬영하는 경우, 신뢰도가 낮은 콘트라스트 데이터(또는 위상차 데이터)를 기반으로 AF 동작을 수행하게 된다. 전자 장치가 신뢰도가 낮은 데이터에 따라 과도하게 AF 동작을 수행하는 경우, 워블링 현상이 심해지게 된다.
본 문서의 일 실시 예에 따른 전자 장치(electronic device)는, AF 기능을 지원하는 카메라 모듈, 및 상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝(deep learning)을 수행하고, 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고, 상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법은, 상기 전자 장치에 포함된 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하는 동작, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하는 동작, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하는 동작, 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작, 및 상기 판단 결과에 따라 상기 카메라 모듈의 AF 기능을 제어하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치는, AF 기능을 지원하는 카메라 모듈, 및 상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는, 상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하고, 상기 딥 러닝을 통한 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 획득하고, 상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하고, 상기 딥 러닝을 통해 획득된 정보 및 상기 차이 값에 기반하여 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고, 상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서에 개시되는 다양한 실시 예에 따르면, 전자 장치는 초점 위치를 변경할 필요가 있는 경우에만 AF 동작을 수행하므로 프리뷰 이미지가 울렁거리는 현상을 감소시킬 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있다.
도 1은 다양한 실시 예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시 예들에 따른 카메라 모듈을 예시하는 블록도이다.
도 3은 일 실시 예에 따라 AF 기능을 수행하기 위한 전자 장치의 하드웨어 구성을 나타내는 블록도이다.
도 4는 일 실시 예에 따라 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 5는 일 실시 예에 따라 적어도 딥 러닝의 결과를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 6a는 일 실시 예에 따라 신체 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 6b는 일 실시 예에 따라 역광 환경에서 획득된 이미지에 대한 관심 영역의 예를 도시한다.
도 6c는 일 실시 예에 따라 얼굴 크기가 지정된 크기보다 작은 이미지에 대한 관심 영역의 예를 도시한다.
도 7은 일 실시 예에 따라 깊이 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 8a는 일 실시 예에 따라 하늘 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 8b는 하늘 이미지의 예를 도시한다.
도 9a는 일 실시 예에 따라 픽셀 데이터의 차이 값을 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 9b는 일 실시 예에 따른 제1 이미지 프레임, 제2 이미지 프레임, 및 픽셀 데이터의 차이 값의 예를 도시한다.
도 10a는 일 실시 예에 따라 모아레 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다.
도 10b는 모아레 이미지의 예를 도시한다.
도 1은, 다양한 실시 예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시 예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시 예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일 실시 예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시 예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시 예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시 예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시 예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시 예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시 예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시 예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시 예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시 예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시 예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시 예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시 예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시 예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시 예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시 예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시 예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시 예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시 예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시 예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시 예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
본 문서에 개시된 다양한 실시 예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시 예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시 예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어™)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 2는, 다양한 실시 예들에 따른, 카메라 모듈(180)을 예시하는 블록도(200)이다. 도 2를 참조하면, 카메라 모듈(180)은 렌즈 어셈블리(210), 플래쉬(220), 이미지 센서(230), 이미지 스태빌라이저(240), 메모리(250)(예: 버퍼 메모리), 또는 이미지 시그널 프로세서(260)를 포함할 수 있다. 렌즈 어셈블리(210)는 이미지 촬영의 대상인 피사체로부터 방출되는 빛을 수집할 수 있다. 렌즈 어셈블리(210)는 하나 또는 그 이상의 렌즈들을 포함할 수 있다. 일 실시 예에 따르면, 카메라 모듈(180)은 복수의 렌즈 어셈블리(210)들을 포함할 수 있다. 이런 경우, 카메라 모듈(180)은, 예를 들면, 듀얼 카메라, 360도 카메라, 또는 구형 카메라(spherical camera)를 형성할 수 있다. 복수의 렌즈 어셈블리(210)들 중 일부는 동일한 렌즈 속성(예: 화각, 초점 거리, 자동 초점, f 넘버(f number), 또는 광학 줌)을 갖거나, 또는 적어도 하나의 렌즈 어셈블리는 다른 렌즈 어셈블리의 렌즈 속성들과 다른 하나 이상의 렌즈 속성들을 가질 수 있다. 렌즈 어셈블리(210)는, 예를 들면, 광각 렌즈 또는 망원 렌즈를 포함할 수 있다.
플래쉬(220)는 피사체로부터 방출 또는 반사되는 빛을 강화하기 위하여 사용되는 빛을 방출할 수 있다. 일 실시 예에 따르면, 플래쉬(220)는 하나 이상의 발광 다이오드들(예: RGB(red-green-blue) LED, white LED, infrared LED, 또는 ultraviolet LED), 또는 xenon lamp를 포함할 수 있다. 이미지 센서(230)는 피사체로부터 방출 또는 반사되어 렌즈 어셈블리(210)를 통해 전달된 빛을 전기적인 신호로 변환함으로써, 상기 피사체에 대응하는 이미지를 획득할 수 있다. 일 실시 예에 따르면, 이미지 센서(230)는, 예를 들면, RGB 센서, BW(black and white) 센서, IR 센서, 또는 UV 센서와 같이 속성이 다른 이미지 센서들 중 선택된 하나의 이미지 센서, 동일한 속성을 갖는 복수의 이미지 센서들, 또는 다른 속성을 갖는 복수의 이미지 센서들을 포함할 수 있다. 이미지 센서(230)에 포함된 각각의 이미지 센서는, 예를 들면, CCD(charged coupled device) 센서 또는 CMOS(complementary metal oxide semiconductor) 센서를 이용하여 구현될 수 있다.
이미지 스태빌라이저(240)는 카메라 모듈(180) 또는 이를 포함하는 전자 장치(101)의 움직임에 반응하여, 렌즈 어셈블리(210)에 포함된 적어도 하나의 렌즈 또는 이미지 센서(230)를 특정한 방향으로 움직이거나 이미지 센서(230)의 동작 특성을 제어(예: 리드 아웃(read-out) 타이밍을 조정 등)할 수 있다. 이는 촬영되는 이미지에 대한 상기 움직임에 의한 부정적인 영향의 적어도 일부를 보상하게 해 준다. 일 실시 예에 따르면, 이미지 스태빌라이저(240)는, 일 실시 예에 따르면, 이미지 스태빌라이저(240)은 카메라 모듈(180)의 내부 또는 외부에 배치된 자이로 센서(미도시) 또는 가속도 센서(미도시)를 이용하여 카메라 모듈(180) 또는 전자 장치(101)의 그런 움직임을 감지할 수 있다. 일 실시 예에 따르면, 이미지 스태빌라이저(240)는, 예를 들면, 광학식 이미지 스태빌라이저로 구현될 수 있다. 메모리(250)는 이미지 센서(230)을 통하여 획득된 이미지의 적어도 일부를 다음 이미지 처리 작업을 위하여 적어도 일시 저장할 수 있다. 예를 들어, 셔터에 따른 이미지 획득이 지연되거나, 또는 복수의 이미지들이 고속으로 획득되는 경우, 획득된 원본 이미지(예: Bayer-patterned 이미지 또는 높은 해상도의 이미지)는 메모리(250)에 저장이 되고, 그에 대응하는 사본 이미지(예: 낮은 해상도의 이미지)는 디스플레이 모듈(160)을 통하여 프리뷰될 수 있다. 이후, 지정된 조건이 만족되면(예: 사용자 입력 또는 시스템 명령) 메모리(250)에 저장되었던 원본 이미지의 적어도 일부가, 예를 들면, 이미지 시그널 프로세서(260)에 의해 획득되어 처리될 수 있다. 일 실시 예에 따르면, 메모리(250)는 메모리(130)의 적어도 일부로, 또는 이와는 독립적으로 운영되는 별도의 메모리로 구성될 수 있다.
이미지 시그널 프로세서(260)는 이미지 센서(230)을 통하여 획득된 이미지 또는 메모리(250)에 저장된 이미지에 대하여 하나 이상의 이미지 처리들을 수행할 수 있다. 상기 하나 이상의 이미지 처리들은, 예를 들면, 깊이 지도(depth map) 생성, 3차원 모델링, 파노라마 생성, 특징점 추출, 이미지 합성, 또는 이미지 보상(예: 노이즈 감소, 해상도 조정, 밝기 조정, 블러링(blurring), 샤프닝(sharpening), 또는 소프트닝(softening)을 포함할 수 있다. 추가적으로 또는 대체적으로, 이미지 시그널 프로세서(260)는 카메라 모듈(180)에 포함된 구성 요소들 중 적어도 하나(예: 이미지 센서(230))에 대한 제어(예: 노출 시간 제어, 또는 리드 아웃 타이밍 제어 등)를 수행할 수 있다. 이미지 시그널 프로세서(260)에 의해 처리된 이미지는 추가 처리를 위하여 메모리(250)에 다시 저장되거나 카메라 모듈(180)의 외부 구성 요소(예: 메모리(130), 디스플레이 모듈(160), 전자 장치(102), 전자 장치(104), 또는 서버(108))로 제공될 수 있다. 일 실시 예에 따르면, 이미지 시그널 프로세서(260)는 프로세서(120)의 적어도 일부로 구성되거나, 프로세서(120)와 독립적으로 운영되는 별도의 프로세서로 구성될 수 있다. 이미지 시그널 프로세서(260)이 프로세서(120)과 별도의 프로세서로 구성된 경우, 이미지 시그널 프로세서(260)에 의해 처리된 적어도 하나의 이미지는 프로세서(120)에 의하여 그대로 또는 추가의 이미지 처리를 거친 후 디스플레이 모듈(160)를 통해 표시될 수 있다.
일 실시 예에 따르면, 전자 장치(101)는 각각 다른 속성 또는 기능을 가진 복수의 카메라 모듈(180)들을 포함할 수 있다. 이런 경우, 예를 들면, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 광각 카메라이고, 적어도 다른 하나는 망원 카메라일 수 있다. 유사하게, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 전면 카메라이고, 적어도 다른 하나는 후면 카메라일 수 있다.
도 3은 일 실시 예에 따라 AF 기능을 수행하기 위한 전자 장치(300)의 하드웨어 구성을 나타내는 블록도이다.
일 실시 예에 따르면, 도 3은 전자 장치(300)에 포함되는 간략한 구성들을 도시한다. 전자 장치(300)는 도 1에서 설명된 전자 장치(101)와 동일 또는 유사한 구성들을 포함할 수 있다.
도 3을 참조하면, 전자 장치(300)는 카메라 모듈(310) 및 프로세서(320)를 포함할 수 있다. 일 실시 예에 따르면, 카메라 모듈(310)은 도 1 및 도 2의 카메라 모듈(180)에 대응될 수 있다. 일 실시 예에 따르면, 프로세서(320)는 도 1에서 도시된 프로세서(120), 또는 도 2에서 도시된 이미지 시그널 프로세서(260) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 제어하여 이미지 프레임을 획득할 수 있다. 일 실시 예에 따르면, 카메라 모듈(310)은 제1 이미지 프레임을 획득하고, 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득할 수 있다. 일 실시 예에서, 제1 이미지 프레임에 후속하는 제2 이미지 프레임이란, 제1 이미지 프레임에 연달아 획득된 제2 이미지 프레임을 의미할 수 있다. 예를 들어, 제1 이미지 프레임이 N번째 프레임이라면, 제2 이미지 프레임은 N+1번째 프레임을 의미할 수 있다. 다른 실시 예에서, 제1 이미지 프레임에 후속하는 제2 이미지 프레임이란, 제1 이미지 프레임이 획득된 이후에 획득되는 복수의 이미지 프레임들 중 적어도 하나의 이미지 프레임을 의미할 수도 있다. 예를 들어 제1 이미지 프레임이 제1 시점에 획득된 이미지 프레임인 경우, 제2 이미지 프레임은 제1 시점으로부터 소정 시간(예: 1초) 이내에 획득되는 복수 개의 이미지 프레임들 중 어느 하나의 이미지 프레임에 해당할 수 있다.
일 실시 예에 따르면, 카메라 모듈(310)은 AF 기능을 지원할 수 있다. 예를 들면, 카메라 모듈(310)은 콘트라스트 AF 방법을 지원하거나 위상차 AF 기능을 지원할 수 있다. 다른 예를 들면, 카메라 모듈(310)은 콘트라스트 AF와 위상 차 AF를 결합한 하이브리드 AF(hybrid AF) 방법을 지원할 수도 있다. 일 실시 예에 따르면, 카메라 모듈(310)은 프로세서(320)의 제어에 의해 AF 기능을 수행하는 동안 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득할 수 있다. 예를 들면, 상기 제1 위치는 전자 장치(300)로부터 제1 이미지 프레임에 포함된 피사체의 상대적 위치(예: 거리)를 의미할 수 있다. 일 실시 예에 따르면, 카메라 모듈(310)은 제1 이미지 프레임을 프로세서(320)에 제공할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 적어도 하나의 프로세서를 포함하는 것으로 이해될 수 있다. 예를 들어, 프로세서(320)는 AP(application processor), 이미지 시그널 프로세서(260), CP(communication processor) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)로부터 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)로부터 획득한 이미지 프레임들에 대해 딥 러닝(deep learning)을 수행할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 통해 상기 이미지 프레임이 지정된 장면(scene)에 해당하는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 상기 딥 러닝의 결과를 기반으로 제2 이미지 프레임의 초점을 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 상기 판단 결과에 따라 카메라 모듈(310)의 AF 기능을 제어할 수 있다.
도 4는 일 실시 예에 따라 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다.
일 실시 예에 따르면, 동작 401에서, 프로세서(320)는 카메라 모듈(310)로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득할 수 있다. 예를 들어, 프로세서(320)는 카메라 모듈(310)의 촬영 기능을 지원하는 애플리케이션을 실행하고, 촬영 기능이 활성화되면 제1 위치에 자동으로 초점을 설정할 수 있다. 다른 예시에서, 프로세서(320)는 카메라 모듈(310)에 의해 획득되는 실시간 이미지를 프리뷰로서 전자 장치(300)의 디스플레이에 표시하고, 프리뷰에 대한 사용자 입력에 응답하여 상기 제1 위치에 초점을 설정할 수 있다.
일 실시 예에 따르면, 카메라 모듈(310)은 AF 기능을 통해 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득할 수 있다. 카메라 모듈(310)은 제1 이미지 프레임을 프로세서(320)에 제공할 수 있다.
일 실시 예에 따르면, 동작 403에서, 프로세서(320)는 카메라 모듈(310)로부터 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득할 수 있다. 예를 들어, 제1 위치에 초점에 설정된 제1 이미지 프레임을 획득하는 동안(또는 획득 이후에) 조명의 ON/OFF와 같은 조도의 변화가 발생하거나, 실내와 실외 사이의 장소 이동이 발생하거나, 전자 장치(300)의 카메라가 향하는 방향이 변경되는 이벤트가 발생할 수 있다. 이벤트의 발생 시점을 기준으로, 상기 이벤트의 발생 전에 제1 이미지 프레임이, 발생 후에 제2 이미지 프레임이 획득될 수 있다. 다른 예를 들어, 제1 이미지 프레임과 제2 이미지 프레임의 획득 사이에는 유의미한 환경 변화가 발생하지 않을 수 있다.
일 실시 예에 따르면, 제1 이미지 프레임에 후속하는 제2 이미지 프레임은 제1 위치에 초점이 설정된 이후 획득된 복수의 이미지 프레임들 중 적어도 하나의 이미지 프레임을 의미하는 것으로 이해될 수 있다.
일 실시 예에 따르면, 동작 405에서, 프로세서(320)는 제1 이미지 프레임 및 제2 이미지 프레임에 대한 딥 러닝을 수행할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 통해 이미지 프레임에서 검출되는 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 획득할 수 있다.
일 실시 예에 따르면, 동작 407에서, 프로세서(320)는 딥 러닝의 결과를 기반으로 제2 이미지 프레임의 초점을 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 초점을 제1 위치와 다른 위치로 변경할 필요가 있는지 판단할 수 있다. 예를 들면, 제1 이미지 프레임의 밝기와 비교할 때 제2 이미지 프레임의 밝기가 변화하였으나 제1 이미지 프레임에 포함된 피사체의 위치와 제2 이미지 프레임에 포함된 피사체의 위치는 변화하지 않은 경우, 프로세서(320)는 제2 이미지 프레임의 초점을 변경할 필요가 없다고 판단할 수 있다. 다른 예를 들면, 제1 이미지 프레임에 포함된 피사체와 비교할 때 제2 이미지 프레임에 포함된 피사체의 위치(예: 피사체와 전자 장치(300)의 거리)가 변경된 경우, 프로세서(320)는 제2 이미지 프레임의 초점을 변경할 필요가 있다고 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝의 결과를 기반으로 상기 제2 위치를 결정할 수 있다. 예를 들면, 프로세서(320)는 딥 러닝의 결과에 따라 제2 이미지 프레임이 하늘에 대한 이미지라고 판단한 경우, 무한대의 위치로 초점을 결정할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 딥 러닝의 결과에 따라 결정된 제2 위치를 기반으로 제2 이미지 프레임의 초점을 제2 위치에 설정할 필요가 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터를 서로 비교할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 상기 딥 러닝의 결과와 함께 두 픽셀 데이터의 차이 값을 기반으로 제2 이미지 프레임의 초점을 제2 위치에 설정할 필요가 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝의 결과와 함께 콘트라스트 데이터(contrast data), 위상 차 데이터(phase data), 전자 장치(300) 주변의 조도 데이터, 또는 자이로 센서(gyro sensor)를 통해 획득한 모션 데이터 중 적어도 하나의 데이터를 기반으로 제2 이미지 프레임의 초점을 변경할 필요가 있는지 여부를 판단할 수도 있다.
일 실시 예에 따르면, 동작 409에서, 프로세서(320)는 판단 결과에 따라 카메라 모듈의 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 초점을 제2 위치에 설정할 필요가 없다고 판단한 것에 응답하여 상기 제1 위치에 초점을 유지할 수 있다. 프로세서(320)는 카메라 모듈(310)로부터 제2 이미지 프레임에 후속하고 제1 위치에 초점이 설정된 제3 이미지 프레임을 획득할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 초점을 제2 위치에 설정할 필요가 있다고 판단한 것에 응답하여, 상기 제2 위치에 초점을 설정할 수 있다. 프로세서(320)는 카메라 모듈(310)로부터 제2 이미지 프레임에 후속하고 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 위치에 초점을 설정하기 위해, 카메라 모듈(310)에 포함된 렌즈(예: 도 2의 렌즈 어셈블리(210)에 포함되는 적어도 하나의 렌즈)가 특정 지점으로 이동하도록 카메라 모듈(310)을 제어할 수 있다. 예를 들면, 프로세서(320)는 카메라 모듈(310)에 포함된 홀 센서를 통해 현재 렌즈가 위치한 지점(예: 제1 지점)을 감지할 수 있다. 프로세서(320)는 현재 렌즈가 위치한 지점(예: 제1 지점)과 렌즈를 이동시킬 지점(예: 제2 지점)을 비교할 수 있다. 프로세서(320)는 상기 제1 지점과 상기 제2 지점 사이에 차이가 있는 경우, 카메라 모듈(310)에 포함된 렌즈 액추에이터를 통해 렌즈를 제2 지점으로 이동시킬 수 있다. 프로세서(320)는 상기 제1 지점과 상기 제2 지점이 일치할 때까지 상기 동작을 반복할 수 있다. 프로세서(320)는 제1 지점과 제2 지점이 일치하는 경우 AF 동작이 완료된 것으로 판단할 수 있다. 프로세서(320)는 AF 동작이 완료된 이후, 제2 지점에 위치하는 렌즈를 통해 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득할 수 있다.
도 5는 일 실시 예에 따라 적어도 딥 러닝의 결과를 기반으로 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다.
일 실시 예에 따르면, 동작 501에서, 프로세서(320)는 딥 러닝을 통해 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 획득할 수 있다. 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터를 비교하여 픽셀 데이터의 차이 값을 획득할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 통해 제1 이미지 프레임 및 제2 이미지 프레임에서 신체, 깊이, 하늘, 또는 모아레 중 적어도 하나를 검출할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 수행하기 위해 이미지 분할(image segmentation) 정보를 이용할 수 있다. 예를 들면, 상기 이미지 분할 정보는 제2 이미지 프레임 내에서 인물에 대응하는 영역의 위치에 대한 정보를 포함할 수 있다. 다른 예를 들면, 상기 이미지 분할 정보는 제2 이미지 프레임 내에서 상기 가장 가까운 피사체에 대응하는 영역의 위치에 대한 정보를 포함할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 데이터와 제2 이미지 데이터 사이의 픽셀 데이터 차이 값을 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터를 차분하고, 상기 차분한 값의 절대값을 기반으로 픽셀 데이터의 차이 값을 획득할 수 있다. 예를 들면, 프로세서(320)는 제1 이미지 프레임의 로우 데이터(raw data)와 제2 이미지 프레임의 로우 데이터를 기반으로 상기 차이 값을 획득할 수 있다.
일 실시 예에 따르면, 동작 503에서, 프로세서(320)는 신체 검출 정보를 기반으로 AF 기능을 제어할 수 있다. 신체 검출 정보를 기반으로 하는 AF 기능과 관련하여, 도 6a 내지 도 6c를 참조하여 후술한다.
일 실시 예에 따르면, 동작 505에서, 프로세서(320)는 깊이 검출 정보를 기반으로 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 신체 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우, 또는 신체 검출 정보에 기반한 AF 기능을 보완하기 위해, 깊이 검출 정보를 기반으로 AF 기능을 제어할 수 있다. 예를 들면, 상기 신체 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우는, 딥 러닝을 통해서 신체 검출 정보가 획득되지 않은 경우, 또는 신체 검출 정보가 획득되었으나 신체 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우를 포함할 수 있다. 깊이 검출 정보를 기반으로 하는 AF 기능과 관련하여, 도 7을 참조하여 후술한다.
일 실시 예에 따르면, 동작 507에서, 프로세서(320)는 하늘 검출 정보를 기반으로 AF 기능을 제어할 수 있다. 하늘 검출 정보를 기반으로 하는 AF 기능과 관련하여, 도 8a 내지 도 8b를 참조하여 후술한다.
일 실시 예에 따르면, 동작 509에서, 프로세서(320)는 픽셀 데이터 차이 값을 기반으로 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 하늘 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우, 픽셀 데이터의 차이 값을 기반으로 AF 기능을 제어할 수 있다. 예를 들면, 상기 하늘 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우는, 딥 러닝을 통해서 하늘 검출 정보가 획득되지 않은 경우, 또는 하늘 검출 정보가 획득되었으나 하늘 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우를 포함할 수 있다. 픽셀 데이터의 차이 값을 기반으로 하는 AF 기능과 관련하여, 도 9a 내지 도 9b를 참조하여 후술한다.
일 실시 예에 따르면, 동작 511에서, 프로세서(320)는 모아레 검출 정보를 기반으로 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 픽셀 데이터의 차이 값이 지정된 값 이상인 경우, 모아레 검출 정보를 기반으로 AF 기능을 제어할 수 있다. 예를 들면, 프로세서(320)는 각각의 픽셀마다 픽셀 데이터의 차이 값을 획득하고, 이미지 프레임에 포함된 전체 픽셀 중 상기 차이 값이 임계 값보다 큰 픽셀의 비율을 획득할 수 있다. 프로세서(320)는 상기 비율이 일정 비율 이상인 경우, 픽셀 데이터의 차이 값이 지정된 값 이상이라고 판단할 수 있다. 모아레 검출 정보를 기반으로 하는 AF 기능과 관련하여, 도 10a 내지 도 10b를 참조하여 후술한다.
동작 503 내지 동작 511은 순차적으로 수행될 수도 있으나, 다양한 실시 예에서, 동작 501의 수행 결과에 기반하여 동작 503 내지 동작 511 중 적어도 하나가 선택적으로 또는 병렬적으로 수행될 수 있다.
도 6a는 일 실시 예에 따라 신체 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다. 도 6b는 일 실시 예에 따라 역광 환경에서 획득된 이미지에 대한 관심 영역의 예를 도시한다. 도 6c는 일 실시 예에 따라 얼굴 크기가 지정된 크기보다 작은 이미지에 대한 관심 영역의 예를 도시한다. 도 6a 내지 도 6c와 관련하여 설명되는 동작은 도 5의 동작 503에서 프로세서(320)가 신체 검출 정보를 기반으로 AF 기능을 제어하는 구체적인 동작으로 이해될 수 있다.
일 실시 예에 따르면, 동작 601에서, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임에 대한 딥 러닝을 통해 신체 검출 정보를 획득할 수 있다. 추가적으로 또는 대체적으로(additionally or alternatively), 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임으로부터 얼굴 검출 정보를 획득할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임 또는 제2 이미지 프레임 중 적어도 하나에 대해 딥 러닝을 수행하여 신체 검출 정보를 획득할 수 있다. 일 실시 예에서, 프로세서(320)가 제1 이미지 프레임과 제2 이미지 프레임 중 적어도 하나에서 신체 검출 정보를 획득하지 못한 경우, 프로세서(320)는 도 5의 동작 505 또는 도 7에서 후술하는 프로세스를 통해 카메라 모듈(310)의 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 통해 획득한 복수의 이미지 프레임들 중 제2 이미지 프레임과 동일한 장면(scene)이 촬영된 이미지 프레임에 대해 딥 러닝을 수행하여 상기 신체 검출 정보를 획득할 수도 있다. 예를 들면, 프로세서(320)는 이미지 프레임의 장면이 변경되지 않는 경우, 제1 이미지 프레임 이전에 획득한 이미지 프레임에 대해 딥 러닝을 수행할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임에 대해 얼굴 검출 기능(face detection)을 수행할 수 있다. 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임 중 적어도 하나로부터 얼굴 검출 정보를 획득할 수 있다. 예를 들면, 얼굴 검출 정보는 이미지 프레임에 포함된 얼굴의 유무에 대한 정보, 이미지 프레임에서 얼굴이 검출되었다면 이미지 프레임 내에서 얼굴에 대응하는 영역의 위치 및 크기에 대한 정보, 또는 이미지 프레임에 포함된 얼굴이 전자 장치(300)에 사전에 저장된 특정 얼굴에 대응되는지에 대한 정보 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 동작 603에서, 프로세서(320)는 제2 이미지 프레임이 역광 환경에서 획득된 이미지인지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 밝기 정보를 기반으로 제2 이미지 프레임이 역광 환경에서 획득된 이미지인지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 전자 장치(300)에 포함된 조도 센서를 통해 획득한 전자 장치(300) 주변의 조도 정보를 통해 제2 이미지 프레임이 역광 환경에서 획득된 이미지인지 여부를 판단할 수도 있다.
일 실시 예에 따르면, 동작 605에서, 프로세서(320)는 제2 이미지 프레임이 역광 환경에서 획득된 이미지라고 판단한 것에 응답하여, 신체 검출 정보를 통해 관심 영역을 설정할 수 있는지 여부를 판단할 수 있다.
도 6b를 참조하면, 참조번호 652는 역광 환경에서 획득된 이미지 프레임의 예를 도시한다. 일 실시 예에 따르면, 제2 이미지 프레임이 역광 환경에서 획득된 이미지인 경우, 프로세서(320)는 얼굴 검출 기능을 이용하여 얼굴을 검출할 수 없거나, 프로세서(320)가 얼굴을 검출하더라도 그 결과가 부정확할 수 있다. 따라서, 프로세서(320)는 제2 이미지 프레임이 역광 환경에서 획득된 이미지라고 판단한 경우 신체 검출 정보를 통해 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 동작 607에서, 프로세서(320)는 신체 검출 정보를 통해 관심 영역을 설정할 수 있다고 판단한 것에 응답하여, 신체 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 신체 검출 정보를 기반으로 이미지 프레임의 적어도 일부 영역을 관심 영역으로 설정할 수 있다. 예를 들면, 프로세서(320)는 신체 검출 정보를 통해 제2 이미지 프레임 내에서 신체에 대응하는 영역의 위치 및 크기를 판단할 수 있다. 프로세서(320)는 제2 이미지 프레임 내에서 적어도 상기 신체에 대응하는 영역을 포함하는 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 도 6b에 도시된 참조번호 654의 이미지는 신체 검출 정보를 기반으로 관심 영역(655)을 설정한 예를 도시한다. 프로세서(320)가 딥 러닝을 통해 획득한 신체 검출 정보는 제2 이미지 프레임 내에서 신체에 대응하는 영역의 위치 및 크기에 대한 정보를 포함할 수 있다. 프로세서(320)는 제2 이미지 프레임 중 신체에 대응하는 영역을 관심 영역(655)으로 설정할 수 있다. 예를 들어, 프로세서(320)는 이미지 세그멘테이션을 이용하여 정의되는 다수의 영역에 대해 딥 러닝을 수행하고, 신체로 판단된 영역들을 관심 영역(655)으로 지정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임에 포함된 피사체가 인물의 측면인 경우에도 신체 검출 정보를 기반으로 관심 영역을 설정할 수 있다. 프로세서(320)는 딥 러닝을 통해 인물의 측면에 해당하는 영역을 검출하고, 검출된 영역을 관심 영역으로 설정할 수 있다.
일 실시 예에 따르면, 동작 609에서, 프로세서(320)는 신체 검출 정보를 통해 관심 영역을 설정할 수 없다고 판단한 것에 응답하여, 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다. 예를 들어, 프로세서(320)는 신체 검출 정보를 통해 추정되는 관심 영역의 신뢰도가 지정된 값보다 낮은 경우, 신체 검출 정보를 통해 관심 영역을 설정할 수 없다고 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 통해 획득한 신체 검출 정보를 이용하여 제2 이미지 프레임에서 관심 영역을 설정할 수 없다고 판단할 수 있다. 예를 들면, 프로세서(320)가 딥 러닝을 통해 제2 이미지 프레임에서 신체를 검출할 수 없거나 제2 이미지 프레임에서 검출된 신체가 지정된 크기보다 작은 경우, 프로세서(320)는 신체 검출 정보를 이용하여 관심 영역을 설정할 수 없다고 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 신체 검출 정보를 통해 관심 영역을 설정할 수 없다고 판단한 경우 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다. 일 실시 예에 따르면, 이미지 프레임의 중심 영역을 관심 영역으로 설정하는 동작은 일반적인 AF 동작의 예시로서, 프로세서(320)는 이미지 프레임의 중심 영역이 아닌 이미지 프레임 전체 영역을 관심 영역으로 설정할 수 있고, 중심 영역에서 일정 거리 벗어난 영역을 관심 영역으로 설정할 수도 있다. 일 실시 예에 따르면, 프로세서(320)는 신체 검출 정보를 통해 관심 영역을 설정할 수 없다고 판단한 경우, 깊이 검출 정보를 기반으로 AF 동작을 수행하도록 카메라 모듈(310)을 제어할 수도 있다.
일 실시 예에 따르면, 동작 611에서, 프로세서(320)는 제2 이미지 프레임이 역광 환경에서 획득된 이미지가 아니라고 판단한 것에 응답하여, 제2 이미지 프레임에서 얼굴이 검출되는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 역광 환경에서 획득된 이미지가 아닌 경우, 동작 601에서 획득한 얼굴 검출 정보를 통해 제2 이미지 프레임에 얼굴이 포함되어 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 동작 613에서, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출된 것에 응답하여, 얼굴의 크기가 지정된 크기보다 작은 지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출되지 않은 것에 응답하여, 동작 605에서 신체 검출 정보를 통해 관심 영역을 설정할 수 있는지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)가 제2 이미지 프레임에서 얼굴이 검출되지 않았다고 판단한 경우, 프로세서(320)는 얼굴 검출 정보를 이용할 수 없으므로 신체 검출 정보를 통해 AF 기능을 제어할 수 있다.
일 실시 예에 따르면, 동작 615에서, 프로세서(320)는 제2 이미지 프레임에서 검출된 얼굴의 크기가 지정된 크기보다 작은 것에 응답하여, 신체 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 제2 이미지 프레임에 포함된 얼굴의 크기가 지정된 크기보다 작은 경우, 프로세서(320)는 얼굴 검출 정보를 기반으로 AF 기능을 제어할 수 없거나 제어하기 어려울 수 있다. 예를 들면, 프로세서(320)가 지정된 크기보다 작은 크기의 얼굴을 기반으로 관심 영역을 설정할 경우 해당 관심 영역에는 얼굴 외에 다른 피사체가 함께 포함될 수 있다. 프로세서(320)가 얼굴 및 그 외의 피사체에 대응하는 영역을 기반으로 AF 기능을 제어할 경우, 얼굴이 아닌 피사체에 초점이 설정될 수 있다. 따라서, 프로세서(320)는 제2 이미지 프레임에 포함된 얼굴의 크기가 지정된 크기보다 작은 경우, 딥 러닝을 통한 신체 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 도 6c에 도시된 참조번호 662는 제2 이미지 프레임에 포함된 얼굴의 크기가 지정된 크기보다 작은 경우에 설정된 관심 영역(665)의 예를 도시한다. 일 실시 예에 따르면, 프로세서(320)는 동작 603과 관련하여, 참조번호 662의 이미지가 역광 환경에서 획득된 이미지가 아니라고 판단할 수 있다. 프로세서(320)는 동작 611과 관련하여, 참조번호 662의 이미지에서 얼굴이 검출된다고 판단할 수 있다. 프로세서(320)는 동작 613과 관련하여, 참조번호 662의 이미지에서 검출되는 얼굴의 크기가 지정된 크기보다 작다고 판단할 수 있다. 프로세서(320)는 동작 615와 관련하여, 신체 검출 정보를 기반으로 관심 영역(665)을 설정할 수 있다. 도 6c를 참조하면, 프로세서(320)는 딥 러닝을 통해 이미지 프레임에 포함된 신체의 위치 및 크기에 대한 정보를 획득하고, 상기 신체에 대응되는 영역을 관심 영역(665)으로 설정할 수 있다.
일 실시 예에 따르면, 동작 617에서, 프로세서(320)는 얼굴의 크기가 지정된 크기보다 큰 것에 응답하여, 얼굴 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임에 포함된 얼굴의 크기가 지정된 크기보다 큰 경우, 제2 이미지 프레임 내에서 얼굴 검출 정보에 포함된 얼굴에 대응하는 영역을 관심 영역으로 설정할 수 있다.
일 실시 예에 따르면, 동작 619에서, 프로세서(320)는 동작 607, 동작 609, 동작 615, 또는 동작 617에서 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 결정된 제2 위치에 초점을 설정하도록 카메라 모듈(310)을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 이미지 프레임의 적어도 일부 영역에서 콘트라스트 데이터(contrast data) 또는 위상 차 데이터(phase data)를 획득할 수 있고, 상기 획득한 콘트라스트 데이터(또는, 위상 차 데이터)를 기반으로 AF 기능을 수행할 수 있다. 예를 들면, 상기 적어도 일부 영역에 포함된 피사체의 위치 변경이 있어 콘트라스트 데이터(또는, 위상 차 데이터)에 변경이 있는 경우, 프로세서(320)는 초점 위치를 변경할 수 있다. 일 실시 예에 따르면, 상기 AF 기능을 수행하기 위해 설정되는 이미지 프레임의 적어도 일부 영역은 관심 영역(예: 동작 607, 동작 609, 동작 615, 또는 동작 617에서 설정된 관심 영역)으로 참조될 수 있다.
일 실시 예에 따르면, 프로세서(320)는 상기 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 제2 이미지 프레임 중 관심 영역에서 획득되는 콘트라스트 데이터(또는, 위상 차 데이터)를 기반으로 제2 위치를 결정할 수 있다. 예를 들면, 상기 제2 위치는 제1 위치와 다른 위치일 수 있다.
일 실시 예에 따르면, 프로세서(320)는 상기 관심 영역을 기반으로 결정된 제2 위치에 초점을 설정하기 위해 카메라 모듈(310)에 포함된 렌즈를 특정 지점으로 이동시키기 위해 카메라 모듈(310)을 제어할 수 있다. 예를 들면, 프로세서(320)는 현재 렌즈의 위치(예: 제1 지점)와 렌즈를 이동시켜야 하는 위치(예: 제2 지점)를 비교하고, 상기 제1 지점과 상기 제2 지점이 서로 일치할 때까지 렌즈를 이동시킬 수 있다.
일 실시 예에 따르면, 프로세서(320)가 상기 관심 영역을 기반으로 결정한 제2 위치가 제1 이미지 프레임에서 초점이 설정된 제1 위치와 일치할 수도 있다. 프로세서(320)는 적어도 신체 검출 정보를 기반으로 결정한 제2 위치가 제1 위치와 일치하는 경우, 제2 이미지 프레임의 초점을 변경할 필요가 없다고 판단할 수 있다. 프로세서(320)는 제2 이미지 프레임의 초점을 변경할 필요가 없다고 판단한 경우 제1 위치에 초점을 유지할 수 있다.
도 7은 일 실시 예에 따라 깊이 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다. 도 7과 관련하여 설명되는 동작은 도 5의 동작 505에서 프로세서(320)가 깊이 검출 정보를 기반으로 AF 기능을 제어하는 구체적인 동작으로 이해될 수 있다.
일 실시 예에 따르면, 동작 701에서, 프로세서(320)는 제1 이미지 프레임 또는 제2 이미지 프레임 중 적어도 하나에 대한 딥 러닝을 통해 깊이 검출 정보를 획득할 수 있다.
일 실시 예에 따르면, 딥 러닝을 통한 깊이 검출 정보는 뎁스 맵(depth map)을 의미하는 것으로 이해될 수 있다. 일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 통해 획득한 제1 이미지 프레임 및 제2 이미지 프레임에 대해 딥 러닝을 수행하여 상기 깊이 검출 정보를 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 통해 획득한 복수의 이미지 프레임들 중 제2 이미지 프레임과 동일한 장면(scene)이 촬영된 이미지 프레임에 대해 딥 러닝을 수행하여 상기 깊이 검출 정보를 획득할 수도 있다. 예를 들면, 프로세서(320)는 이미지 프레임의 장면이 변경되지 않는 경우, 제1 이미지 프레임 이전에 획득한 이미지 프레임에 대해 딥 러닝을 수행할 수 있다.
일 실시 예에 따르면, 동작 703에서, 프로세서(320)는 제2 이미지 프레임이 깊이 차이가 있는 이미지인지 여부를 판단할 수 있다.
일 실시 예에 따르면, 깊이 차이가 있는 이미지는 피사체 및 배경과 전자 장치(300) 사이의 거리가 서로 다른 복수의 피사체들을 포함하는 이미지를 의미하는 것으로 이해될 수 있다. 일 실시 예에 따르면, 상기 깊이 차이가 있는 이미지는 상기 피사체 및 배경과 전자 장치(300) 사이의 거리 중 가장 큰 값과 가장 작은 값이 지정된 값보다 큰 이미지를 의미하는 것으로 이해될 수도 있다. 예를 들어, 제1 피사체와 제2 피사체가 지정된 값 이상의 거리 차이를 가지거나, 제1 피사체와 배경이 지정된 값 이상의 거리 차이를 가지는 경우, 이러한 피사체/배경을 포함하는 이미지는 깊이 차이가 있는 이미지로 이해될 수 있다.
일 실시 예에 따르면, 프로세서(320)는 딥 러닝을 통해 획득한 깊이 검출 정보를 통해 제2 이미지 프레임이 깊이 차이가 있는 이미지인지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 깊이 검출 정보와 함께, 전자 장치(300)의 거리 센서를 통해 획득한 거리 데이터를 이용하여 제2 이미지 프레임이 깊이 차이가 있는 이미지인지 여부를 판단할 수도 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 적어도 일부 영역에 깊이 차이가 있는지 여부를 판단할 수도 있다. 예를 들면, 프로세서(320)는 제2 이미지 프레임이 깊이 차이가 있는 이미지인지 여부를 판단하기 이전에 설정된 관심 영역(예: 제1 관심 영역)을 기반으로, 상기 제1 관심 영역 내에 깊이 차이가 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 동작 705에서, 프로세서(320)는 제2 이미지 프레임이 깊이 차이가 있는 이미지라고 판단한 것에 응답하여, 깊이 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 깊이 검출 정보를 기반으로 제2 이미지 프레임에 포함된 피사체들 중 전자 장치(300)와 가장 가까운 거리에 위치한 피사체에 대응되는 영역을 관심 영역으로 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)가 제2 이미지 프레임이 깊이 차이가 있는 이미지인지 여부를 판단하기 이전에 설정된 관심 영역(예: 제1 관심 영역)이 있는 경우, 프로세서(320)는 깊이 검출 정보를 기반으로 관심 영역(예: 제2 관심 영역)을 재설정할 수 있다.
일 실시 예에 따르면, 동작 707에서, 프로세서(320)는 제2 이미지 프레임이 깊이 차이가 있는 이미지가 아니라고 판단한 것에 응답하여, 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 깊이 차이가 있는 이미지가 아니라고 판단한 것에 응답하여, 도 5의 동작 507 또는 도 8a에서 후술하는 프로세스를 통해 카메라 모듈(310)의 AF 기능을 제어할 수도 있다.
일 실시 예에 따르면, 동작 709에서, 프로세서(320)는 동작 705, 또는 동작 707에서 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 결정된 제2 위치에 초점을 설정하도록 카메라 모듈(310)을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 상기 설정된 관심 영역을 기반으로 제2 위치를 결정하기 위해, 깊이 검출 정보에 포함된 거리 값을 이용할 수 있다. 예를 들면, 관심 영역에 포함되는 피사체와 전자 장치(300) 사이의 거리가 1m라는 정보가 상기 깊이 검출 정보에 포함된 경우, 프로세서(320)는 제2 위치가 1m라고 결정할 수 있다.
도 8a는 일 실시 예에 따라 하늘 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다. 도 8b는 하늘 이미지의 예를 도시한다. 도 8a 내지 도 8b와 관련하여 설명되는 동작은 도 5의 동작 507에서 프로세서(320)가 하늘 검출 정보를 기반으로 AF 기능을 제어하는 구체적인 동작으로 이해될 수 있다.
일 실시 예에 따르면, 동작 801에서, 프로세서(320)는 제1 이미지 프레임 또는 제2 이미지 프레임 중 적어도 하나에 대한 딥 러닝을 통해 하늘 검출 정보를 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 통해 획득한 복수의 이미지 프레임들 중 제2 이미지 프레임과 동일한 장면(scene)이 촬영된 이미지 프레임에 대해 딥 러닝을 수행하여 상기 하늘 검출 정보를 획득할 수도 있다. 또한, 프로세서(320)는 조도 센서를 통해 전자 장치(300) 주변의 조도 정보를 획득할 수 있다.
일 실시 예에서, 프로세서(320)가 딥 러닝을 통해서 하늘 검출 정보를 획득하지 못한 경우, 또는 하늘 검출 정보를 획득하였으나 하늘 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우, 프로세서(320)는 도 5의 동작 505 또는 도 7에서 후술하는 프로세스를 통해 카메라 모듈(310)의 AF 기능을 제어할 수 있다. 예를 들면, 제2 이미지 프레임이 하늘 이미지가 인화된 사진 또는 모니터의 디스플레이에 표시된 하늘을 촬영한 이미지 프레임인 경우, 프로세서(320)가 제2 이미지 프레임으로부터 하늘 검출 정보를 획득하였으나 하늘 검출 정보를 기반으로 AF 기능을 제어하기 어려운 경우에 해당할 수 있다.
일 실시 예에 따르면, 동작 803에서, 프로세서(320)는 조도 정보를 기반으로 제2 이미지 프레임이 실외에서 획득되었는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임의 장면이 하늘에 해당하지 않는 경우에도 딥 러닝의 결과 하늘을 검출할 수 있다. 예를 들면, 프로세서(320)는 제2 이미지 프레임이 하늘과 유사한 색깔의 벽 이미지인 경우, 딥 러닝의 결과 하늘이 검출되었다고 판단할 수 있다. 따라서 프로세서(320)는 조도 센서를 통해 획득한 조도 정보를 이용하여 제2 이미지 프레임이 실외에서 획득된 이미지인지 여부를 판단할 수 있다. 여기서 실외란 실제로 전자 장치(300)가 실외에 위치한 경우 및 전자 장치(300)가 창문 등을 통해 실외의 하늘을 촬영하고 있는 경우를 포함할 수 있다.
일 실시 예에 따르면, 동작 805에서, 프로세서(320)는 제2 이미지 프레임이 실외에서 획득되었다고 판단한 것에 응답하여, 제2 이미지 프레임이 하늘인지 여부를 판단할 수 있다. 또한 프로세서(320)는 거리 센서를 통해 획득한 추가적인 정보를 이용하여 제2 이미지 프레임이 실제 하늘을 촬영한 이미지인지 아니면 하늘과 유사한 이미지나 대상을 촬영한 것인지 판단할 수 있다.
일 실시 예에 따르면, 동작 807에서, 프로세서(320)는 제2 이미지 프레임의 장면이 하늘이라고 판단한 것에 응답하여 초점을 무한대에 해당하는 제2 위치로 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 하늘에 해당하는 장면이라고 판단한 경우, 무한대에 초점을 설정할 필요가 있다고 판단할 수 있다. 종래 기술에 따른 전자 장치는 하늘 이미지인지 여부를 판단하기 위해 렌즈를 이동시키면서 이미지 프레임들을 획득하는 동작을 수행한다. 종래 기술과 달리, 일 실시 예에 따른 프로세서(320)는 딥 러닝의 결과를 이용하여 제2 이미지 프레임이 하늘에 해당하는 이미지임을 판단할 수 있다. 따라서, 전자 장치(300)는 필요 이상으로 렌즈를 이동시킴에 따라 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시되는 프리뷰 이미지가 울렁거리는 현상을 감소시킬 수 있다.
도 8b를 참조하면, 참조번호 852는 하늘에 해당하는 이미지의 예를 도시한다. 프로세서(320)는 동작 803과 관련하여, 참조번호 852의 이미지가 실외에서 획득된 이미지라고 판단할 수 있다. 프로세서(320)는 동작 805와 관련하여, 참조번호 852의 이미지가 하늘에 해당하는 이미지라고 판단할 수 있다. 프로세서(320)는 동작 807과 관련하여, 참조번호 852의 이미지의 초점을 무한대로 설정할 필요가 있다고 판단할 수 있다.
일 실시 예에 따르면, 동작 809에서, 프로세서(320)는 제2 이미지 프레임이 실외에서 획득되지 않았다고 판단하거나, 제2 이미지 프레임의 장면이 하늘이 아니라고 판단한 것 중 적어도 하나에 응답하여, 이미지 프레임의 중심 영역을 관심 영역으로 설정하고, 관심 영역을 기반으로 제2 위치를 결정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 조도 센서를 통해 획득한 조도 데이터를 기반으로 제2 이미지 프레임이 실내에서 획득된 이미지라고 판단할 수 있다. 예를 들면, 제2 이미지 프레임이 실내에서 촬영한 벽 이미지인 경우, 프로세서(320)는 조도 데이터를 기반으로 제2 이미지 프레임이 실외에서 획득되지 않았다고 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 실외에서 촬영된 이미지인 경우에도 하늘에 해당하지 않는다고 판단할 수 있다. 예를 들면, 제2 이미지 프레임이 실외에서 촬영한 벽 이미지인 경우, 프로세서(320)는 하늘 검출 정보를 기반으로 제2 이미지 프레임이 하늘 이미지가 아니라고 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 이미지 프레임의 중심 영역을 관심 영역으로 설정하고, 관심 영역에 포함되는 피사체를 기반으로 제2 위치를 결정할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 벽 이미지에 해당한다고 판단한 경우, 제2 위치가 2m 내지 3m인 것으로 결정할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 하늘에 해당하는 이미지가 아니라고 판단한 것에 응답하여, 도 5의 동작 509 또는 도 9a에서 후술하는 프로세스를 통해 카메라 모듈(310)의 AF 기능을 제어할 수도 있다.
일 실시 예에 따르면, 동작 811에서, 프로세서(320)는 동작 807, 또는 동작 809에서 결정된 제2 위치에 초점을 설정하도록 카메라 모듈(310)을 제어할 수 있다.
도 9a는 일 실시 예에 따라 픽셀 데이터의 차이 값을 기반으로 AF 기능을 수행하는 전자 장치(300)의 동작을 나타내는 흐름도이다. 도 9b는 일 실시 예에 따른 제1 이미지 프레임, 제2 이미지 프레임, 및 제1 이미지 프레임과 제2 이미지 프레임 사이의 픽셀 데이터의 차이 값의 예를 도시한다. 도 9a 내지 도 9b와 관련하여 설명되는 동작은 도 5의 동작 509에서 프로세서(320)가 픽셀 데이터의 차이 값을 기반으로 AF 기능을 제어하는 구체적인 동작으로 이해될 수 있다.
일 실시 예에 따르면, 동작 901에서, 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득할 수 있다. 또한, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임으로부터 얼굴 검출 정보를 획득할 수 있다.
일 실시 예에 따르면, 동작 903에서, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출되는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임 또는 제2 이미지 프레임 중 적어도 하나에 대해 얼굴 검출 기능을 수행하여 얼굴 검출 정보를 획득할 수 있다. 프로세서(320)는 상기 얼굴 검출 정보를 기반으로 제2 이미지 프레임에 얼굴이 포함되었는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 동작 905에서, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출된 것에 응답하여, 얼굴 검출 정보를 기반으로 관심 영역을 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출된 경우에는 얼굴 검출 정보를 기반으로 AF 기능을 제어할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제 2 이미지 프레임에서 얼굴이 검출된 경우에는 픽셀 데이터의 차이 값에 대한 정보를 이용하지 않을 수 있다.
일 실시 예에 따르면, 동작 907에서, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출되지 않은 것에 응답하여, 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 간 차이가 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 동작 909에서, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 간 차이가 있다고 판단한 것에 응답하여, 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 사이에 차이가 있다고 판단한 경우, 제1 이미지 프레임에 포함된 피사체의 위치와 제2 이미지 프레임에 포함된 피사체의 위치가 변경되었다고 판단할 수 있다. 예를 들면, 프로세서(320)는 픽셀 데이터의 차이 값을 이용하여 피사체의 움직임(local motion) 또는 전자 장치(300)의 움직임(global motion)을 검출할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임 사이에 픽셀 데이터의 차이가 있는 경우, 제2 이미지 프레임의 초점을 변경할 필요가 있다고 판단할 수 있다. 프로세서(320)는 이미지 프레임의 중심 영역을 관심 영역으로 설정하여 제2 이미지 프레임의 초점을 변경할 위치를 결정할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터 사이에 차이가 있다고 판단한 것에 응답하여, 도 5의 동작 511 또는 도 10a에서 후술하는 프로세스를 통해 카메라 모듈(310)의 AF 기능을 제어할 수도 있다.
일 실시 예에 따르면, 동작 911에서, 프로세서(320)는 동작 909에서 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 결정된 제2 위치에 초점을 설정하도록 카메라 모듈(310)을 제어할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임에서 얼굴이 검출된 경우 동작 905에서 얼굴 검출 정보를 기반으로 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 사이에 유의미한 차이가 있는 경우 동작 909에서 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다.
일 실시 예에 따르면, 동작 913에서, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 간 차이가 없다고 판단한 것에 응답하여, 제1 위치에 초점을 유지할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임에 포함된 픽셀 데이터와 제2 이미지 프레임에 포함된 픽셀 데이터를 비교한 결과 차이가 없다고 판단할 수 있다. 예를 들어, 프로세서(320)는 픽셀 데이터의 차이 값이 지정된 조건을 만족하는 경우 제1 이미지 프레임의 픽셀 데이터와 제2 이미지 프레임의 픽셀 데이터의 차이가 없다고 판단할 수 있다. 예를 들어, 프로세서(320)는 상기 픽셀 데이터의 차이 값이 0이거나, 0이 아니더라도 무시할 수 있는 수준의 지정된 범위에 해당하는 경우, 제1 이미지 프레임의 픽셀 데이터와 제2 이미지 프레임의 픽셀 데이터의 차이가 없다고 판단할 수 있다. 예를 들면, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임에 포함된 각각의 픽셀마다 픽셀 데이터의 차이 값을 획득하고, 상기 각각의 픽셀에 대한 픽셀 데이터의 차이 값이 임계 값 이하인지 여부를 판단할 수 있다. 프로세서(320)는 이미지 프레임에 포함된 전체 픽셀 중 상기 차이 값이 임계 값 이하인 픽셀의 비율을 획득할 수 있다. 프로세서(320)는 상기 비율이 일정 비율 미만인 경우, 픽셀 데이터의 차이 값이 없다고 판단할 수 있다. 일 실시 예에서 프로세서(320)는 픽셀 데이터의 유의미한 차이가 존재하지 않는 경우에 제2 이미지 프레임에 대한 초점을 변경하지 않고 제1 이미지 프레임에 대한 초점을 계속 유지할 수 있다.
도 9b는, 제1 이미지 프레임(951)과 제2 이미지 프레임(952)의 예를 도시한다. 참조번호 954의 이미지는 제1 이미지 프레임(951)에 포함된 픽셀 데이터와 제2 이미지 프레임(952)에 포함된 픽셀 데이터의 차이 값에 대응하는 이미지의 예를 도시한다. 또한 참조번호 956의 이미지는 참조번호 954의 이미지 중에서 각각의 픽셀마다 획득된 픽셀 데이터의 차이 값이 임계 값 이하인 경우에는 상기 픽셀 데이터의 차이 값을 0으로 설정한 이미지의 예를 도시한다.
일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임(951)에 포함된 픽셀 데이터와 제2 이미지 프레임(952)에 포함된 픽셀 데이터를 차분하고, 상기 차분한 값의 절대값을 기반으로 참조번호 954의 이미지를 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 제1 이미지 프레임(951) 및 제2 이미지 프레임(952)에 포함된 노이즈를 제거한 후, 노이즈가 제거된 제1 이미지 프레임(951) 및 제2 이미지 프레임(952)을 기반으로 차분 값을 획득할 수 있다. 프로세서(320)는 제2 이미지 프레임의 초점을 변경할 필요가 없는 경우(예: 피사체의 이동이 없는 경우)에도 제1 이미지 프레임(951) 또는 제2 이미지 프레임(952)에 포함된 노이즈에 의해 픽셀 데이터의 차이가 있다고 판단되는 것을 방지하기 위해, 제1 이미지 프레임(951)과 제2 이미지 프레임(952)의 노이즈를 제거할 수 있다. 예를 들면, 프로세서(320)는 제1 이미지 프레임(951)과 제2 이미지 프레임(952)에 대해 가우시안 필터(gaussian filter)를 적용할 수 있다. 프로세서(320)가 가우시안 필터를 적용한 제1 이미지 프레임(951)과 제2 이미지 프레임(952)을 기반으로 픽셀 데이터의 차이 값을 획득하는 동작은 DoG(difference of gaussian)로 참조될 수 있다.
일 실시 예에 따르면, 프로세서(320)는 참조번호 954의 이미지 중 각각의 픽셀마다 획득된 픽셀 데이터의 차이 값이 임계 값 이하인 경우에는 상기 차이 값을 0으로 설정하여 참조번호 956의 이미지를 획득할 수 있다. 프로세서(320)는 참조번호 956의 이미지에서 전체 픽셀 중 픽셀 데이터의 차이 값이 0인 픽셀의 비율이 일정 비율 미만인 경우, 픽셀 데이터의 차이 값이 없다고 판단할 수 있다.
도 10a는 일 실시 예에 따라 모아레 검출 정보를 기반으로 AF 기능을 수행하는 전자 장치의 동작을 나타내는 흐름도이다. 도 10b는 모아레 이미지의 예를 도시한다. 도 10a 내지 도 10b와 관련하여 설명되는 동작은 도 5의 동작 511에서 프로세서(320)가 모아레 검출 정보를 기반으로 AF 기능을 제어하는 구체적인 동작으로 이해될 수 있다.
일 실시 예에 따르면, 동작 1001에서, 프로세서(320)는 제1 이미지 프레임 또는 제2 이미지 프레임 중 적어도 하나에 대한 딥 러닝을 통해 모아레 검출 정보와, 깊이 검출 정보를 획득할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 카메라 모듈(310)을 통해 획득한 복수의 이미지 프레임들 중 제2 이미지 프레임과 동일한 장면(scene)이 촬영된 이미지 프레임에 대해 딥 러닝을 수행하여 상기 모아레 검출 정보와 상기 깊이 검출 정보를 획득할 수도 있다. 또한, 프로세서(320)는 제1 이미지 프레임과 제2 이미지 프레임의 픽셀 데이터 차이 값을 획득할 수 있다.
일 실시 예에 따르면, 동작 1003에서, 프로세서(320)는 제2 이미지 프레임이 모아레가 검출된 이미지인지 여부를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 모아레 검출 정보를 통해 제2 이미지 프레임에 모아레가 포함되었는지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 깊이 검출 정보를 통해 제2 이미지 프레임이 평면에서 획득된 이미지인지 여부를 판단할 수 있다. 모아레는 평면의 피사체(예: PC 화면)에서 발생하는 경우가 많으므로, 프로세서(320)는 깊이 검출 정보를 함께 이용하여 제2 이미지 프레임이 모아레 이미지인지 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 픽셀 데이터의 차이 값을 함께 이용하여 모아레 여부를 판단할 수 있다. 예를 들면, 프로세서(320)는 픽셀 데이터의 차이 값을 통해 피사체의 움직임이 있는지 여부를 판단할 수 있다. 프로세서(320)는 제2 이미지 프레임에서 모아레가 검출되었는지 여부를 판단하기 위해 딥 러닝의 결과와 함께 픽셀 데이터의 차이 값을 함께 고려할 수 있다.
일 실시 예에 따르면, 동작 1005에서, 프로세서(320)는 제2 이미지 프레임이 모아레가 검출된 이미지라고 판단한 것에 응답하여, 제1 위치에 초점을 유지할 수 있다.
일 실시 예에 따르면, 제2 이미지 프레임이 모아레에 따른 이미지에 해당하는 경우, 제2 이미지 프레임에서 초점을 설정할 위치는 제1 이미지 프레임에서 초점이 설정된 제1 위치와 일치할 수 있다. 프로세서(320)는 제2 이미지 프레임에서 모아레가 검출되었다고 판단한 경우 제2 이미지 프레임의 초점을 제1 위치에 유지할 수 있다.
도 10b를 참조하면, 참조번호 1052는 모아레에 따른 이미지의 예를 도시한다. 프로세서(320)는 동작 1003과 관련하여, 참조번호 1052의 이미지가 모아레가 검출된 이미지라고 판단할 수 있다. 프로세서(320)는 동작 1005와 관련하여, 참조번호 1052의 이미지의 초점 위치를 변경할 필요가 없다고 판단할 수 있다. 프로세서(320)는 참조번호 1052의 이미지의 초점을 제1 위치에 유지할 수 있다.
일 실시 예에 따르면, 동작 1007에서, 프로세서(320)는 제2 이미지 프레임이 모아레가 검출된 이미지가 아니라고 판단한 것에 응답하여, 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다.
일 실시 예에 따르면, 프로세서(320)는 제2 이미지 프레임이 모아레에 따른 이미지가 아닌 경우, 이미지 프레임의 중심 영역을 관심 영역으로 설정할 수 있다. 다른 실시 예에 따르면, 프로세서(320)는 깊이 검출 정보를 기반으로 관심 영역을 설정할 수도 있다.
일 실시 예에 따르면, 동작 1009에서, 프로세서(320)는 동작 1007에서 설정된 관심 영역을 기반으로 제2 위치를 결정할 수 있다. 프로세서(320)는 결정된 제2 위치에 초점을 설정하도록 카메라 모듈(310)을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치는, AF(auto focus) 기능을 지원하는 카메라 모듈, 및 상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는, 상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝(deep learning)을 수행하고, 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고, 상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 없다고 판단한 것에 응답하여 상기 제1 위치에 초점을 유지하고, 상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제1 위치에 초점이 설정된 제3 이미지 프레임을 획득할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있다고 판단한 것에 응답하여 상기 제2 위치에 초점을 설정하고, 상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 딥 러닝의 결과는 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레(moire) 검출 정보 중 적어도 하나를 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하고, 상기 딥 러닝의 결과와 함께 상기 차이 값을 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 위치를 결정할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 적어도 일부 영역을 관심 영역으로 설정하고, 상기 관심 영역을 기반으로 상기 제2 위치를 결정할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 딥 러닝 결과 상기 제2 이미지 프레임이 지정된 장면(scene)에 해당하는 경우 상기 제2 위치를 무한대로 결정할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법은, 상기 전자 장치에 포함된 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하는 동작, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하는 동작, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하는 동작, 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작, 및 상기 판단 결과에 따라 상기 카메라 모듈의 AF 기능을 제어하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 AF 기능을 제어하는 동작은, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 없다고 판단한 것에 응답하여 상기 제1 위치에 초점을 유지하는 동작을 포함하고, 상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제1 위치에 초점이 설정된 제3 이미지 프레임을 획득하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 AF 기능을 제어하는 동작은, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있다고 판단한 것에 응답하여 상기 제2 위치에 초점을 설정하는 동작을 포함하고, 상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은, 상기 딥 러닝을 수행하여 획득한 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은, 상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하는 동작, 및 상기 딥 러닝의 결과와 함께 상기 차이 값을 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은, 적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 위치를 결정하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치의 동작 방법에서, 상기 제2 위치를 결정하는 동작은, 적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 적어도 일부 영역을 관심 영역으로 설정하는 동작, 및 상기 관심 영역을 기반으로 상기 제2 위치를 결정하는 동작을 포함할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치는, AF 기능을 지원하는 카메라 모듈, 및 상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는, 상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고, 상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고, 상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하고, 상기 딥 러닝을 통한 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 획득하고, 상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하고, 상기 딥 러닝을 통해 획득된 정보 및 상기 차이 값에 기반하여 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고, 상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 신체 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고, 상기 제2 이미지 프레임에서 상기 신체 검출 정보가 획득되지 않은 것에 응답하여, 상기 깊이 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 깊이 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고, 상기 제2 이미지 프레임에서 상기 깊이 검출 정보가 획득되지 않은 것에 응답하여, 상기 하늘 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 하늘 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고, 상기 제2 이미지 프레임에서 상기 하늘 검출 정보가 획득되지 않은 것에 응답하여, 상기 차이 값을 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.
본 문서의 일 실시 예에 따른 전자 장치에서, 상기 적어도 하나의 프로세서는, 상기 차이 값을 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어하고, 상기 제2 이미지 프레임에서 상기 차이 값이 지정된 값 이상인 것에 응답하여, 상기 모아레 검출 정보를 기반으로 상기 카메라 모듈의 상기 AF 기능을 제어할 수 있다.

Claims (15)

  1. 전자 장치에 있어서,
    AF(auto focus) 기능을 지원하는 카메라 모듈; 및
    상기 카메라 모듈과 전기적으로 연결된 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는:
    상기 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하고,
    상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하고,
    상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝(deep learning)을 수행하고,
    상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하고,
    상기 판단 결과에 따라 상기 카메라 모듈의 상기 AF 기능을 제어하는, 전자 장치.
  2. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는:
    상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 없다고 판단한 것에 응답하여 상기 제1 위치에 초점을 유지하고,
    상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제1 위치에 초점이 설정된 제3 이미지 프레임을 획득하는, 전자 장치.
  3. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는:
    상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있다고 판단한 것에 응답하여 상기 제2 위치에 초점을 설정하고,
    상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득하는, 전자 장치.
  4. 청구항 1에 있어서,
    상기 딥 러닝의 결과는 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레(moire) 검출 정보 중 적어도 하나를 포함하는, 전자 장치.
  5. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는:
    상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하고,
    상기 딥 러닝의 결과와 함께 상기 차이 값을 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는, 전자 장치.
  6. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는,
    적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 위치를 결정하는, 전자 장치.
  7. 청구항 6에 있어서,
    상기 적어도 하나의 프로세서는:
    적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 적어도 일부 영역을 관심 영역으로 설정하고,
    상기 관심 영역을 기반으로 상기 제2 위치를 결정하는, 전자 장치.
  8. 청구항 6에 있어서,
    상기 적어도 하나의 프로세서는, 상기 딥 러닝 결과 상기 제2 이미지 프레임이 지정된 장면(scene)에 해당하는 경우 상기 제2 위치를 무한대로 결정하는, 전자 장치.
  9. 전자 장치의 동작 방법에 있어서,
    상기 전자 장치에 포함된 카메라 모듈로부터 제1 위치에 초점이 설정된 제1 이미지 프레임을 획득하는 동작;
    상기 카메라 모듈로부터 상기 제1 이미지 프레임에 후속하는 제2 이미지 프레임을 획득하는 동작;
    상기 제1 이미지 프레임 및 상기 제2 이미지 프레임에 대한 딥 러닝을 수행하는 동작;
    상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제1 위치와 다른 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작; 및
    상기 판단 결과에 따라 상기 카메라 모듈의 AF 기능을 제어하는 동작을 포함하는, 전자 장치의 동작 방법.
  10. 청구항 9에 있어서,
    상기 AF 기능을 제어하는 동작은, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 없다고 판단한 것에 응답하여 상기 제1 위치에 초점을 유지하는 동작을 포함하고,
    상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제1 위치에 초점이 설정된 제3 이미지 프레임을 획득하는 동작을 포함하는, 전자 장치의 동작 방법.
  11. 청구항 9에 있어서,
    상기 AF 기능을 제어하는 동작은, 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있다고 판단한 것에 응답하여 상기 제2 위치에 초점을 설정하는 동작을 포함하고,
    상기 카메라 모듈로부터 상기 제2 이미지 프레임에 후속하고 상기 제2 위치에 초점이 설정된 제3 이미지 프레임을 획득하는 동작을 포함하는, 전자 장치의 동작 방법.
  12. 청구항 9에 있어서,
    상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은,
    상기 딥 러닝을 수행하여 획득한 신체 검출 정보, 깊이 검출 정보, 하늘 검출 정보, 또는 모아레 검출 정보 중 적어도 하나를 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작을 포함하는, 전자 장치의 동작 방법.
  13. 청구항 9에 있어서,
    상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은:
    상기 제1 이미지 프레임에 포함된 픽셀 데이터와 상기 제2 이미지 프레임에 포함된 픽셀 데이터의 차이 값을 획득하는 동작; 및
    상기 딥 러닝의 결과와 함께 상기 차이 값을 기반으로 상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작을 포함하는, 전자 장치의 동작 방법.
  14. 청구항 9에 있어서,
    상기 제2 이미지 프레임의 초점을 상기 제2 위치에 설정할 필요가 있는지 여부를 판단하는 동작은,
    적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 위치를 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
  15. 청구항 14에 있어서,
    상기 제2 위치를 결정하는 동작은:
    적어도 상기 딥 러닝의 결과를 기반으로 상기 제2 이미지 프레임의 적어도 일부 영역을 관심 영역으로 설정하는 동작; 및
    상기 관심 영역을 기반으로 상기 제2 위치를 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
PCT/KR2021/002869 2021-01-12 2021-03-09 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법 WO2022154168A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP21919797.7A EP4228246A4 (en) 2021-01-12 2021-03-09 ELECTRONIC DEVICE CAPABLE OF PERFORMING AUTOMATIC FOCUS AND ITS OPERATING METHOD

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210004162A KR20220101998A (ko) 2021-01-12 2021-01-12 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법
KR10-2021-0004162 2021-01-12

Publications (1)

Publication Number Publication Date
WO2022154168A1 true WO2022154168A1 (ko) 2022-07-21

Family

ID=82447393

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/002869 WO2022154168A1 (ko) 2021-01-12 2021-03-09 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법

Country Status (3)

Country Link
EP (1) EP4228246A4 (ko)
KR (1) KR20220101998A (ko)
WO (1) WO2022154168A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100799829B1 (ko) * 2006-10-11 2008-01-31 삼성전기주식회사 신경망을 이용한 오토포커싱 방법
KR20090002685A (ko) * 2007-07-02 2009-01-09 삼성전기주식회사 오토 포커싱 장치 및 방법
JP2016224385A (ja) * 2015-06-04 2016-12-28 オリンパス株式会社 撮像装置
JP2019215489A (ja) * 2018-06-14 2019-12-19 オリンパス株式会社 撮像装置および焦点調節方法
US20200145583A1 (en) * 2018-11-05 2020-05-07 Sony Corporation Image capture device control based on determination of blur value of objects in images

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5049899B2 (ja) * 2008-06-30 2012-10-17 キヤノン株式会社 撮像装置及びその制御方法
JP2014126710A (ja) * 2012-12-26 2014-07-07 Canon Inc 自動焦点検出装置およびその制御方法、撮像装置
US9686463B2 (en) * 2015-03-10 2017-06-20 Qualcomm Incorporated Systems and methods for continuous auto focus (CAF)

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100799829B1 (ko) * 2006-10-11 2008-01-31 삼성전기주식회사 신경망을 이용한 오토포커싱 방법
KR20090002685A (ko) * 2007-07-02 2009-01-09 삼성전기주식회사 오토 포커싱 장치 및 방법
JP2016224385A (ja) * 2015-06-04 2016-12-28 オリンパス株式会社 撮像装置
JP2019215489A (ja) * 2018-06-14 2019-12-19 オリンパス株式会社 撮像装置および焦点調節方法
US20200145583A1 (en) * 2018-11-05 2020-05-07 Sony Corporation Image capture device control based on determination of blur value of objects in images

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4228246A4 *

Also Published As

Publication number Publication date
EP4228246A4 (en) 2024-03-20
EP4228246A1 (en) 2023-08-16
KR20220101998A (ko) 2022-07-19

Similar Documents

Publication Publication Date Title
WO2022114801A1 (ko) 복수의 카메라를 포함하는 전자 장치 및 그 전자 장치의 제어 방법
WO2022108235A1 (ko) 슬로우 셔터를 제공하기 위한 방법, 장치 및 저장 매체
WO2022039424A1 (ko) 흔들림을 보정하는 방법 및 그 전자 장치
WO2022149654A1 (ko) 흔들림 보정을 수행하는 전자 장치 및 그 동작 방법
WO2023033333A1 (ko) 복수의 카메라를 포함하는 전자 장치 및 그 동작 방법
WO2022149812A1 (ko) 카메라 모듈을 포함하는 전자 장치 및 그 전자 장치의 동작 방법
WO2022260252A1 (ko) 카메라 모듈을 포함하는 전자 장치 및 그 전자 장치의 동작 방법
WO2022092706A1 (ko) 복수의 카메라를 이용한 사진 촬영 방법 및 그 장치
WO2022154168A1 (ko) 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법
WO2024090803A1 (ko) 이미지를 제공하는 방법 및 이를 지원하는 전자 장치
WO2024034856A1 (ko) 이미지를 제공하는 방법 및 이를 지원하는 전자 장치
WO2022031050A1 (ko) 이미지를 생성하는 전자 장치 및 방법
WO2024076176A1 (ko) 카메라를 제어하는 방법 및 전자 장치
WO2022203211A1 (ko) 카메라 모듈을 포함하는 전자 장치 및 그 전자 장치의 동작 방법
WO2023018201A1 (ko) 이미지 안정화를 수행하는 전자 장치 및 그의 동작 방법
WO2024014761A1 (ko) 카메라 흔들림을 보정하기 위한 방법 및 이를 지원하는 전자 장치
WO2022149714A1 (ko) 전자 장치의 플래시 렌즈
WO2022231270A1 (ko) 전자 장치 및 그의 이미지 처리 방법
WO2022114789A1 (ko) 광량을 획득하는 전자 장치 및 방법
WO2022203447A1 (ko) 이미지 센서를 포함하는 전자 장치 및 그 동작 방법
WO2023033396A1 (ko) 연속된 촬영 입력을 처리하는 전자 장치 및 그의 동작 방법
WO2022203355A1 (ko) 복수의 카메라들을 포함하는 전자 장치
WO2023027463A1 (ko) 이미지를 제공하는 방법 및 이를 지원하는 전자 장치
WO2023017981A1 (ko) 언더 디스플레이 카메라를 포함하는 전자 장치 및 그 동작 방법
WO2024076092A1 (ko) 카메라를 제어하기 위한 방법 및 이를 지원하는 전자 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21919797

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021919797

Country of ref document: EP

Effective date: 20230512

NENP Non-entry into the national phase

Ref country code: DE