WO2024063343A1 - 3d 모션 캡처 방법 및 시스템 - Google Patents

3d 모션 캡처 방법 및 시스템 Download PDF

Info

Publication number
WO2024063343A1
WO2024063343A1 PCT/KR2023/012256 KR2023012256W WO2024063343A1 WO 2024063343 A1 WO2024063343 A1 WO 2024063343A1 KR 2023012256 W KR2023012256 W KR 2023012256W WO 2024063343 A1 WO2024063343 A1 WO 2024063343A1
Authority
WO
WIPO (PCT)
Prior art keywords
motion
information
hand
image
machine learning
Prior art date
Application number
PCT/KR2023/012256
Other languages
English (en)
French (fr)
Inventor
이용수
임현택
임동현
최재홍
손태영
이경문
박성준
고병찬
권혁민
이우섭
신찬영
Original Assignee
주식회사 날비컴퍼니
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
Priority claimed from KR1020230105729A external-priority patent/KR20240040620A/ko
Application filed by 주식회사 날비컴퍼니 filed Critical 주식회사 날비컴퍼니
Publication of WO2024063343A1 publication Critical patent/WO2024063343A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/02—Non-photorealistic rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions

Definitions

  • the present disclosure relates to a 3D motion capture method and system, and specifically, to generate a character image including a character that replicates the body motion, hand motion, and facial motion of a person object included in the image. It relates to a method and system for recognizing 3D motion information of an object.
  • Motion capture is a technique that uses video footage of the movements of real animals or people to create digital characters that behave similarly to the animals or people in the video. In the case of 3D motion capture, it often involves complex calculations, so a considerable amount of delay is required when performing motion capture. Additionally, when performing motion capture in real time, there is a problem in that the character's movements are often unnatural because the calculations must be performed in a short time, or the character is often unable to replicate the detailed movements or facial expressions of the human object.
  • the present disclosure provides a 3D motion capture method, a computer-readable non-transitory recording medium recording commands, and a device (system) to solve the above problems.
  • the present disclosure may be implemented in various ways, including a method, a device (system), or a computer-readable non-transitory recording medium recording instructions.
  • a 3D motion capture method performed by at least one processor includes receiving an input image including a human object, using a first machine learning model, Detecting a person region, a hand region, and a face region, and recognizing 3D motion information from a person sub-image including a person region, a hand sub-image including a hand region, and a face sub-image including a face region; , Through rendering based on 3D motion information, a character image containing a character that replicates the body motion, hand motion, and facial motion of the human object included in the input image is created.
  • receiving an input image includes sequentially receiving a plurality of frame images including a human object, and in response to each of the plurality of frame images being sequentially received. , the detection and recognition steps for each of the plurality of frame images are performed in real time, and through rendering based on 3D motion information, the body motion, hand motion, and face of the human object included in each of the plurality of frame images A plurality of character images containing characters replicating motion are created.
  • the first machine learning model includes a hand classifier
  • the detecting step includes classifying the detected hand region into at least one of the left hand region, the right hand region, and both hand regions using the hand classifier. Includes steps.
  • the recognizing step includes recognizing body motion information from a person sub-image including a human area using a second machine learning model, and using a third machine learning model to recognize body motion information. It includes recognizing hand motion information from a hand sub-image including a region and recognizing face motion information from a face sub-image including a face region using a fourth machine learning model.
  • the second machine learning model is a model configured to output body model parameters and camera parameters based on a human sub-image
  • the body motion information is a body 3D obtained based on the body model parameters. It includes joint angle information, body 3D joint position information, and body 3D mesh information.
  • the second machine learning model is a model further configured to output body 2D joint estimation information and body part segmentation map based on the person sub-image.
  • the detected hand region further comprising classifying the detected hand region into at least one of a left hand region, a right hand region, and both hand regions using body 3D joint position information, body 2D joint estimation information, and body part segmentation map.
  • the first machine learning model is a model configured to detect a person region, a hand region, and a face region from at least a portion of an input image and recognize body motion information
  • the second machine learning model is a 1 This is the same model as the machine learning model.
  • receiving an input image includes sequentially receiving a plurality of frame images of the same size, and in response to each of the plurality of frame images being sequentially received,
  • the step of detecting for each of the frame images and the step of recognizing the 3D motion information are performed in real time, and in the step of detecting and recognizing the 3D motion information for a specific frame image among the plurality of frame images, the specific frame image At least a part of the image is applied as an input to the first machine learning model, and at least a part of the specific frame image is applied as an input to the first machine learning model.
  • the previous frame When a human area is detected from the previous frame image of the specific frame image, the previous frame It includes an area at the same location as the location of the person area detected from the image, and if the person area is not detected from the previous frame image of the specific frame image, it is all of the specific frame image.
  • the third machine learning model includes a hand classifier
  • the step of recognizing hand motion information includes selecting the detected hand region among the left hand region, right hand region, or both hand regions using the hand classifier. It includes at least one classification step.
  • the third machine learning model is a model configured to output hand pose parameters based on hand sub-images, and the hand motion information is first wrist angle information obtained based on the hand pose parameters. , including hand 3D joint angle information, hand 3D mesh information, and camera parameters.
  • the body motion information includes second wrist angle information obtained based on the output of the second machine learning model, and the step of recognizing the 3D motion information is based on the hand pose parameter. It further includes correcting the second wrist angle information obtained based on the output of the second machine learning model using the obtained first wrist angle information.
  • the body motion information includes elbow angle information and shoulder angle information obtained based on the output of the second machine learning model
  • the step of recognizing the 3D motion information includes the first wrist angle It further includes correcting the elbow angle information and shoulder angle information obtained based on the output of the second machine learning model using the information.
  • the fourth machine learning model is a model configured to output 3D face model parameters, 3D face landmark information, blendshape, and camera parameters based on the face sub-image.
  • facial motion information includes head pose information, facial shape information, and facial expression information
  • the step of recognizing the facial motion information includes using a fourth machine learning model to obtain a facial sub-image. It includes the step of distinguishing and recognizing head pose information, face shape information, and facial expression information.
  • facial expression information includes gaze information and tongue movement information.
  • the body motion information includes head angle information obtained based on the output of the second machine learning model
  • the step of recognizing the 3D motion information includes using the head pose information, 2 It further includes the step of correcting the obtained head angle information based on the output of the machine learning model.
  • the 3D motion information includes joint angle information
  • the step of recognizing the 3D motion information includes the body ratio of the human object included in the input image, the body ratio of the character, or the joint angle associated with the character. and correcting joint angle information using at least one of the restriction information.
  • a computer-readable non-transitory recording medium recording instructions for executing a 3D motion capture method on a computer according to an embodiment of the present disclosure is provided.
  • a motion capture system includes a memory, and at least one processor connected to the memory and configured to execute at least one computer-readable program included in the memory, where the at least one program includes, Receive an input image including a person object, detect a person region, a hand region, and a face region from at least a portion of the input image using a first machine learning model, and detect a person sub-image including the person region and a hand region. Includes instructions for recognizing 3D motion information from a hand sub-image and a face sub-image including a face area, and through rendering based on 3D motion information, body motion, hand motion, and A character image containing a character replicating facial motion is created.
  • motion information for each target object may be individually recognized using a plurality of models with different target objects. Additionally, motion information for each target object may be individually recognized based on a plurality of sub-images in which each target object occupies a large proportion. Accordingly, detailed motion information can be extracted from the image in a short time.
  • motion capture can be performed within a short period of time. Additionally, by using the detection result for the previous frame image to detect the next frame image, the amount of computation or time required to capture motion for continuously received images can be reduced.
  • motion information acquired based on the output of a specific model is used to correct or replace motion information obtained based on the output of another model, thereby making the motion of the human object more accurate and natural.
  • An imitating character image can be created.
  • head pose information, face shape information, and facial expression information may be recognized separately.
  • facial expression information may include gaze information and tongue movement information. Accordingly, a character image that replicates the facial expression of a human object in more detail can be created.
  • FIG. 1 is a diagram illustrating an example in which a 3D motion capture method according to an embodiment of the present disclosure is utilized.
  • Figure 2 is a block diagram showing the internal configuration of the motion capture system 200 according to an embodiment of the present disclosure.
  • FIG. 3 is a schematic diagram showing an example of a 3D motion capture method according to an embodiment of the present disclosure.
  • FIG. 4 is a diagram illustrating an example of an input image including a human object according to an embodiment of the present disclosure.
  • FIG. 5 is a diagram illustrating an example of a motion capture system detecting a person area, a hand area, and a face area from an input image according to an embodiment of the present disclosure.
  • FIG. 6 is a diagram illustrating an example in which a motion capture system according to an embodiment of the present disclosure recognizes body motion information from a person sub-image including a person area.
  • Figures 7 and 8 are diagrams illustrating an example in which a motion capture system according to an embodiment of the present disclosure performs detection and body motion information recognition using the same model.
  • FIG. 9 is a diagram illustrating an example in which a motion capture system according to an embodiment of the present disclosure recognizes hand motion information from a hand sub-image including a hand region.
  • FIG. 10 is a diagram illustrating an example in which a motion capture system according to an embodiment of the present disclosure recognizes facial motion information from a facial sub-image including a facial area.
  • FIG. 11 is a diagram illustrating an example in which rendering is performed based on motion information according to an embodiment of the present disclosure.
  • FIG. 12 is a diagram illustrating an example of a character image including a character replicating the motion of a human object according to an embodiment of the present disclosure.
  • Figure 13 is a flowchart illustrating an example of a 3D motion capture method according to an embodiment of the present disclosure.
  • a modulee' or 'unit' refers to a software or hardware component, and the 'module' or 'unit' performs certain roles.
  • 'module' or 'unit' is not limited to software or hardware.
  • a 'module' or 'unit' may be configured to reside on an addressable storage medium and may be configured to run on one or more processors.
  • a 'module' or 'part' refers to components such as software components, object-oriented software components, class components and task components, processes, functions and properties. , procedures, subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, or variables.
  • Components and 'modules' or 'parts' may be combined into smaller components and 'modules' or 'parts' or further components and 'modules' or 'parts'.
  • a 'module' or 'unit' may be implemented with a processor and memory.
  • 'Processor' should be interpreted broadly to include general-purpose processors, central processing units (CPUs), microprocessors, digital signal processors (DSPs), controllers, microcontrollers, state machines, etc.
  • 'processor' may refer to an application-specific integrated circuit (ASIC), programmable logic device (PLD), field programmable gate array (FPGA), etc.
  • ASIC application-specific integrated circuit
  • PLD programmable logic device
  • FPGA field programmable gate array
  • 'Processor' refers to a combination of processing devices, for example, a combination of a DSP and a microprocessor, a combination of a plurality of microprocessors, a combination of one or more microprocessors in combination with a DSP core, or any other such combination of configurations. You may. Additionally, 'memory' should be interpreted broadly to include any electronic component capable of storing electronic information.
  • RAM random access memory
  • ROM read-only memory
  • NVRAM non-volatile random access memory
  • PROM programmable read-only memory
  • EPROM erasable-programmable read-only memory
  • a memory is said to be in electronic communication with a processor if the processor can read information from and/or write information to the memory.
  • the memory integrated into the processor is in electronic communication with the processor.
  • 'system' may include at least one of a server device and a cloud device, but is not limited thereto.
  • a system may consist of one or more server devices.
  • a system may consist of one or more cloud devices.
  • the system may be operated with a server device and a cloud device configured together.
  • 'machine learning model' may include any model used to infer an answer to a given input.
  • the machine learning model may include an artificial neural network model including an input layer (layer), a plurality of hidden layers, and an output layer.
  • each layer may include multiple nodes.
  • a machine learning model may refer to an artificial neural network model
  • an artificial neural network model may refer to a machine learning model.
  • 'each of a plurality of A' or 'each of a plurality of A' may refer to each of all components included in a plurality of A, or may refer to each of some components included in a plurality of A. .
  • 'person' or 'person object' may include not only people but also entities that can operate in the real world or the virtual world, such as animals. Additionally, in some embodiments of the present disclosure, 'person' or 'person object' may refer to an area in an image where a person or person object is captured or an area in which the person or person object is detected from the image.
  • 'image' may include not only one image but also multiple images.
  • the image may include a video including multiple frame images.
  • a user may film a person object 112 (eg, a user) operating using a user terminal (eg, the first user terminal 110).
  • the user terminal may include, for example, a mobile device (e.g., a smartphone, a tablet PC, etc.), a webcam device with a processing function (e.g., a webcam device with a processor chip, etc.), a desktop PC, etc.
  • a mobile device e.g., a smartphone, a tablet PC, etc.
  • a webcam device with a processing function e.g., a webcam device with a processor chip, etc.
  • desktop PC etc.
  • the human object 112 included in the photographed image is displayed as an illustration, but this is only for explanation purposes, and in actual implementation, the photographed image may be an image of an actual person making a specific motion. .
  • the user terminal may recognize motion information of the human object 112 included in the captured image.
  • the motion information may be 3D motion information and may include body motion information, hand motion information, and face motion information.
  • body motion information, hand motion information, and face motion information may each be recognized by separate models.
  • a character image 122 containing a character that simulates the body motion, hand motion, and facial motion of the human object 112 included in the image may be generated through rendering based on recognized motion information.
  • the user terminal may output the generated character image 122.
  • the first user terminal 110 captures the human object 112 and the second user terminal 120 outputs the character image 122.
  • At least one of the tasks such as shooting the human object 112, recognizing motion information, rendering, and outputting the character image 122 may be performed by the same device, or each task may be performed by a separate device. It may be possible. For example, an image or video captured by a first device may be transmitted to a second device, motion information recognition for the image or video may be performed by the second device, and the recognized motion information may be sent to the third device.
  • the user terminal may provide a user interface (eg, GUI) (not shown) that can utilize the character image 122.
  • GUI user interface
  • the generated character image 122 can be used in various fields that require motion capture, such as streaming broadcasting, video production, animation production, game motion production, and webtoon production, and the user terminal provides an appropriate user interface for the purpose. can be provided.
  • At least one task for performing the motion capture method of the present disclosure e.g., shooting a human object 112, motion information recognition, motion information correction, rendering, character image 122
  • At least one device that performs at least one of the following operations may be referred to as a motion capture system.
  • FIG. 2 is a block diagram showing the internal configuration of the motion capture system 200 according to an embodiment of the present disclosure.
  • the motion capture system 200 may include a memory 210, a processor 220, a communication module 230, and an input/output interface 240.
  • the motion capture system 200 may be configured to communicate information and/or data over a network using the communication module 230.
  • Memory 210 may include any non-transitory computer-readable recording medium.
  • the memory 210 may include a non-permanent mass storage device, such as a read only memory (ROM), a disk drive, a solid state drive (SSD), or flash memory. You can.
  • non-perishable mass storage devices such as ROM, SSD, flash memory, disk drive, etc. may be included in the motion capture system 200 as a separate persistent storage device that is distinct from memory.
  • the memory 210 may store an operating system and at least one program code (eg, code for object detection, motion recognition, etc. installed and driven in the motion capture system 200).
  • These software components may be loaded from a computer-readable recording medium separate from the memory 210.
  • These separate computer-readable recording media may include recording media directly connectable to the motion capture system 200, for example, floppy drives, disks, tapes, DVD/CD-ROM drives, memory cards, etc. It may include a recording medium that can be read by a computer.
  • software components may be loaded into the memory 210 through the communication module 230 rather than a computer-readable recording medium.
  • at least one program is a computer program (e.g., object detection, motion recognition, It may be loaded into the memory 210 based on a program (for example, etc.).
  • the processor 220 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. Commands may be provided to a user terminal (not shown) or another external system by the memory 210 or the communication module 230. For example, the processor 220 may receive an input image including a human object and detect a person area, a hand area, and a face area from at least a portion of the input image using a first machine learning model. Additionally, the processor 220 may recognize 3D motion information from a person sub-image including a person region, a hand sub-image including a hand region, and a face sub-image including a face region. According to one embodiment, the processor 220 sequentially receives a plurality of frame images including a human object, and in response to each of the plurality of frame images being sequentially received, detects each of the plurality of frame images. and motion information recognition can be performed.
  • the communication module 230 may provide a configuration or function for the motion capture system 200 to communicate with external devices and the like through a network, and the motion capture system 200 may be connected to an external system (for example, a separate cloud system, etc.). Configuration or functions for communicating with can be provided. For example, control signals, commands, data, etc. provided under the control of the processor 220 of the motion capture system 200 pass through the communication module 230 and the network to the outside world through the communication module of an external device and/or an external system. It may be transmitted to a device and/or an external system.
  • the input/output interface 240 of the motion capture system 200 may be coupled to the motion capture system 200 or means for interfacing with a device (not shown) for input or output that the motion capture system 200 may include. It can be.
  • the input/output interface 240 is shown as an element configured separately from the processor 220, but the present invention is not limited thereto, and the input/output interface 240 may be included in the processor 220.
  • Motion capture system 200 may include more components than those of FIG. 2 . However, there is no need to clearly show most prior art components.
  • FIG. 3 is a schematic diagram showing an example of a 3D motion capture method according to an embodiment of the present disclosure.
  • the motion capture system may receive an input image 310 including a human object and extract motion information 330 by performing motion recognition 320 on the input image 310.
  • the motion capture system may first detect a person area, a hand area, and a face area from at least a portion of the input image 310 using the detection model 321 . This will be described in more detail later with reference to FIG. 5 .
  • the motion capture system may then recognize 320 motion information from the person sub-image containing the detected person area, the hand sub-image containing the detected hand area, and the face sub-image containing the detected face area. .
  • a motion capture system can use the body motion recognition model 322 to recognize body motion information from a person sub-image. Additionally, the motion capture system can recognize hand motion information from the hand sub-image using the hand motion recognition model 323. Additionally, the motion capture system can recognize facial motion information from facial sub-images using the facial motion recognition model 324. In this way, by using a plurality of models with different target objects and individually recognizing motion information for each target object based on a plurality of sub-images in which each target object occupies a large proportion, detailed information can be obtained from the image in a short time. Motion information 330 can be extracted. Specific examples of how the motion capture system performs motion recognition 320 will be described in more detail later with reference to FIGS. 6 to 10 .
  • the motion capture system may use an exception handling algorithm 325 to correct at least some of the recognized motion information and/or supplement the motion information.
  • the exception handling algorithm 325 may detect a specific body part (e.g., hand, etc.) of a person object in the input image 310 if it goes out of the screen, if the person object moves quickly and blur occurs, or if the person's right/left hand If the distinction fails, or there is a problem with detection and/or motion recognition for any other reason, the character naturally assumes a default motion (e.g., default pose) in the character image 350 to be created, or changes to the motion of the previous frame or It may be an algorithm that corrects and/or supplements motion information to maintain the pose. Additionally, the motion capture system may apply a smoothing algorithm to at least some of the recognized motion information (e.g., joint angle information, etc.) to avoid sudden pose changes and implement natural motion when handling exceptions. .
  • the recognized motion information e.g., joint angle information, etc.
  • the motion capture system may use the retargeting algorithm 326 to correct at least some of the motion information.
  • the motion capture system corrects the joint angle information using at least one of the body ratio of the character or the body ratio of the character object included in the input image 310 so that the character can appropriately replicate the motion of the human object. can do.
  • the motion capture system can correct the joint angle information using joint angle limitation information associated with the character.
  • Motion information 330 may be extracted from the input image 310 through a series of motion recognition 320 processes as described above.
  • Rendering 340 may be performed based on the extracted motion information 330, and accordingly, a character image 350 containing a character that mimics the motion of a human object included in the input image 310 may be generated. You can.
  • a specific example in which rendering 340 is performed based on motion information 330 will be described in more detail later with reference to FIG. 11 .
  • FIG. 4 is a diagram illustrating an example of an input image including a human object according to an embodiment of the present disclosure.
  • the human object included in the input image is displayed replaced with an illustration, but this is only for explanation purposes.
  • the input image may be an image of an actual person making a specific motion.
  • a motion capture system may receive an input image containing a human object. For example, images or videos captured in real time through a camera can be received, or pre-photographed images or videos can be received by loading or decoding them.
  • the motion capture system may sequentially receive a plurality of frame images 410, 420, and 430 including human objects.
  • the user might start the motion with a human object standing facing the camera, making a certain facial expression, and posing with one hand clenched into a fist and the other hand with all fingers extended, with the fingers extended.
  • a human object standing facing the camera making a certain facial expression
  • posing with one hand clenched into a fist and the other hand with all fingers extended, with the fingers extended.
  • the first frame image 410 in which the person object is standing facing the front of the camera, making a specific expression, and posing with one hand clenched into a fist and the other hand with all fingers extended, is A second frame image 420 and a human object standing facing the camera, making a specific expression, and posing with one hand clenched into a fist and the other hand with several fingers folded and other fingers open.
  • a third frame image 430 may be sequentially captured in which the user is standing facing the front of the camera, making a specific facial expression, and posing with both hands clenched into fists.
  • the motion capture system may sequentially receive the first frame image 410, the second frame image 420, and the third frame image 430.
  • the motion capture system may sequentially receive first to third frame images 410, 420, and 430 captured in real time.
  • the motion capture system may sequentially receive the first to third frame images 410, 420, and 430 by loading or decoding pre-photographed images.
  • the motion capture system may receive metadata including a frame number indicating the order of the first to third frame images 410, 420, and 430 along with the image.
  • the motion capture system In response to sequentially receiving each of the plurality of frame images 410, 420, and 430, the motion capture system performs a motion information recognition process, which will be described later, for each of the plurality of frame images 410, 420, and 430 in real time. It can be done.
  • FIG. 5 is a diagram illustrating an example in which a motion capture system according to an embodiment of the present disclosure detects a person area 412, a hand area 414_1, and a face area 416 from an input image.
  • the motion capture system can detect the person area 412, the hand area 414_1, 414_2, and the face area 416 from the first frame image 410 using the detection model 321.
  • the detection model 321 may be a machine learning model (eg, a deep learning-based network). For example, based on the input image, the detection model 321 includes a bounding box 412 including the person area included in the input image, bounding boxes 414_1 and 414_2 including the hand area, and a face area. It may be a machine learning model configured to output the bounding box 416.
  • detection model 321 may include a hand classifier.
  • the motion capture system may use the detection model 321 including a hand classifier to classify the detected hand regions 414_1 and 414_2 into at least one of the left hand region, the right hand region, and both hand regions.
  • the detection model 321 may be a model configured to further output whether each of the bounding boxes 414_1 and 414_2 including the hand area includes a left hand, a right hand, or both hands. .
  • FIG. 6 is a diagram illustrating an example in which a motion capture system according to an embodiment of the present disclosure recognizes body motion information 620 from a person sub-image 610 including a human area.
  • the motion capture system may recognize body motion information 620 from the person sub-image 610 including a person region using the body motion recognition model 322.
  • the body motion recognition model 322 may be a machine learning model (eg, a deep learning-based network).
  • the person sub-image 610 may be a sub-image that is loosely cropped from the first frame image to include the person area detected from the detection model.
  • the body motion information 620 includes body 3D joint angle information, body 3D joint position information, body 3D mesh information, camera parameters, etc. may include.
  • joints may include, but are not limited to, the head, neck, shoulders, elbows, wrists, finger joints, pelvis, knees, ankles, and toe joints.
  • the body motion recognition model 322 is a model configured to output body model parameters (e.g., Skinned Multi-Person Linear Model Parameters; SMPL parameters) and camera parameters based on the person sub-image 610. It can be. Additionally, at least some of the body motion information 620 may be obtained based on body model parameters and/or camera parameters output by the body motion recognition model 322.
  • the motion capture system reprojects at least some of the recognized body motion information 620 (e.g., 3D joint angle information, body 3D joint position information, etc.) into the image, thereby determining the coordinates of the joints in the image. Information can be obtained.
  • the recognized body motion information 620 e.g., 3D joint angle information, body 3D joint position information, etc.
  • the body motion information 620 may further include 2D joint estimation information and a human part segmentation map.
  • the body motion recognition model 322 may be a model configured to further output body 2D joint estimation information and body part segmentation map based on the person sub-image 610.
  • the motion capture system uses body 3D joint position information, body 2D joint estimation information, and body part segmentation map to classify the hand region detected from the detection model into at least one of the left hand region, the right hand region, and both hand regions. You can.
  • the motion capture system uses at least some of the body motion information 620 (e.g., 3D joint angles) to prevent subtle tremors from occurring when the body motion information 620 is applied to the character. information, camera parameters, etc.), a smoothing algorithm can be applied.
  • the body motion information 620 e.g., 3D joint angles
  • a smoothing algorithm can be applied.
  • Figures 7 and 8 are diagrams illustrating an example in which a motion capture system according to an embodiment of the present disclosure performs detection and body motion information recognition using the same model.
  • the motion capture system may simultaneously perform detection and body motion information recognition using the same machine learning model, instead of performing detection and body motion information recognition using separate models.
  • the motion capture system detects the person region 412, hand regions 414_1, 414_2, and face region 416 from the first frame image 410 using the detection and body motion recognition model 700.
  • body motion information 620 can be recognized.
  • the detection and body motion recognition model 700 is configured to detect the person region 412, hand regions 414_1, 414_2, and face region 416 from at least a portion of the input image and recognize body motion information 620. It could be a machine learning model.
  • the detection and body motion recognition model 700 may be a deep learning-based network, but is not limited to this.
  • the input of the detection and body motion recognition model 700 may be determined according to the detection result from the previous frame image. For example, the motion capture system detects the person region 812, the hand region 814_1, 814_2, and the face region 816 for the second frame image, and recognizes body motion information 820. At least a portion 810 of the frame image may be applied as input to the detection and body motion recognition model 700. At this time, the image applied as an input to the detection and body motion recognition model 700 may be determined depending on whether the human area 412 is detected from the first frame image 410, which is the previous frame image of the second frame image. .
  • the motion capture system selects an area of the second frame image at the same location as the location of the human area detected from the first frame image 410.
  • Detection and body motion of the sub-image 810 e.g., an image obtained by loosely cropping an area at the same location as the location of the person area detected from the first frame image 410, among the second frame images
  • the motion capture system may apply all of the second frame image as input to the detection and body motion recognition model 700. With this configuration, the motion capture system can perform motion capture at a faster rate for images that are continuously received.
  • FIG. 9 is a diagram illustrating an example in which a motion capture system according to an embodiment of the present disclosure recognizes hand motion information 920 from hand sub-images 910_1 and 910_2 including a hand region.
  • the motion capture system may use the hand motion recognition model 323 to recognize hand motion information 920 from hand sub-images 910_1 and 910_2 including the hand region.
  • the hand motion recognition model 323 may be a machine learning model (eg, a deep learning-based network).
  • the hand sub-images 910_1 and 910_2 may be sub-images obtained by loosely cropping the first frame image to include the hand region detected from the detection model (or detection and body motion recognition model).
  • the first hand sub-image 910_1 including one hand and the second hand sub-image 910_2 including the other hand are shown as being applied as separate inputs, but the image is not limited to this. No.
  • one hand sub-image including both hands for example, a hand sub-image including both hands at the moment a human object claps, etc. may be applied as input.
  • the hand motion information 920 may include first wrist angle information, hand 3D joint angle information, hand 3D mesh information, and camera parameters.
  • the hand motion recognition model 323 uses hand pose parameters (e.g., parameters representing 3D hand poses, specific examples, hand Model with Articulated and Non) based on the hand sub-images 910_1 and 910_2.
  • -rigid defOrmations parameter may be a model configured to output, and at least some of the hand motion information 920 may be obtained based on the hand pose parameter output by the hand motion recognition model 323.
  • the body motion information may include second wrist angle information, elbow angle information, and shoulder angle information obtained based on the output of the body motion recognition model (or detection and body motion recognition model).
  • the first wrist angle information is obtained based on the hand sub-images 910_1 and 910_2, which have a large proportion of hands in the image, and is based on the output (hand pose parameter) of the hand motion recognition model 323, which recognizes only the hand motion information 920. Since it is obtained by doing so, the accuracy may be higher than that of the second wrist angle information. Accordingly, in this embodiment, the motion capture system may use the first wrist angle information to correct or replace the second wrist angle information included in the body motion information.
  • the motion capture system uses highly accurate first wrist angle information to correct the elbow angle information and shoulder angle information included in the body motion information, thereby creating a natural fit in which the body and hand are structurally well-harmonized. You can make it into a pose.
  • the hand motion recognition model 323 may include a hand classifier.
  • the motion capture system uses the hand motion recognition model 323 including a hand classifier to distinguish whether the hand sub-images 910_1 and 910_2 include a hand and/or The hands included in 910_1, 910_2) can be classified as at least one of the left hand, right hand, or both hands.
  • the motion capture system uses at least some of the hand motion information 920 (e.g., hand 3D joints) to prevent subtle tremors from occurring when the hand motion information 920 is applied to the character.
  • a smoothing algorithm can be applied to angle information, wrist angle information, etc.).
  • FIG. 10 is a diagram illustrating an example in which a motion capture system according to an embodiment of the present disclosure recognizes facial motion information 1020 from a facial sub-image 1010 including a facial area.
  • the motion capture system may recognize facial motion information 1020 from the facial sub-image 1010 including the facial region using the facial motion recognition model 324.
  • the facial motion recognition model 324 may be a machine learning model (eg, a deep learning-based network).
  • the face sub-image 1010 may be a sub-image that is loosely cropped from the first frame image to include the face area detected from the detection model (or detection and body motion recognition model).
  • the motion capture system may perform face alignment pre-processing on the face sub-image 1010.
  • a motion capture system may receive a plurality of facial landmarks (eg, eye area, eyebrows, nose, mouth, chin, etc.) as input and perform facial alignment preprocessing.
  • An image on which face alignment preprocessing has been performed may be applied as an input to the facial motion recognition model 324, or alternatively, the facial motion recognition model 324 may perform face alignment preprocessing.
  • Facial motion information 1020 may include first head pose information, face shape information, and facial expression information.
  • facial expression information may include gaze information and tongue movement information.
  • the facial motion recognition model 324 may include 3D facial model (e.g., 3D Morphable Model (3DMM) such as FaceScape) parameters and 3D facial landmarks based on the facial sub-image 1010. It may be a model configured to output information, a blendshape (e.g., a blendshape based on facial action units (FACS) that allows a 3D character to express facial expressions), and camera parameters, and may include at least facial motion information (1020). Some may be obtained based on the output of the facial motion recognition model 324.
  • 3DMM 3D Morphable Model
  • FACS facial action units
  • the facial motion recognition model 324 may be a model learned to recognize head pose information, facial shape information, and facial expression information separately. Accordingly, the motion capture system may use head pose information, facial shape information, and facial expression information. and facial expression information can be recognized separately.
  • the body motion information may include second head pose information obtained based on the output of a body motion recognition model (or detection and body motion recognition model). Since the first head pose information is obtained based on the face sub-image 1010, which has a large proportion of faces in the image, and is obtained based on the output of the facial motion recognition model 324 that recognizes only the facial motion information 1020, the second head pose information It may be more accurate than head pose information. Accordingly, in this embodiment, the motion capture system may use the first head pose information to correct or replace the second head pose information included in the body motion information.
  • the motion capture system uses at least some of the facial motion information 1020 (e.g., 3D face land) to prevent subtle tremors from occurring when the facial motion information 1020 is applied to the character.
  • a smoothing algorithm can be applied to mark information, head pose information, face shape information, facial expression information, etc.).
  • FIG. 11 is a diagram illustrating an example in which rendering 340 is performed based on motion information 1110 according to an embodiment of the present disclosure.
  • Rendering 340 may be performed by the same device as motion recognition, or may be performed by a different device.
  • rendering 340 may be performed by the same device as motion recognition. For example, if motion recognition and rendering 340 are performed by the same program (or same process) within the same device, separate communication may not be necessary. In contrast, when motion recognition and rendering 340 are performed within the same device, but are performed by separate programs (or separate processes), motion information 1110 is transmitted using IPC (Inter Process Communication) communication method. It can be delivered.
  • IPC Inter Process Communication
  • rendering 340 may be performed by a different device than the motion recognition.
  • motion recognition may be performed by a first device
  • rendering 340 may be performed by a second device.
  • the motion information 1110 can be transmitted to the second device using any wired/wireless communication method between devices (e.g., USB communication, Wi-fi wireless communication, socket communication using a LAN cable, etc.). .
  • the motion information 1110 is transmitted to another device, another program, or another process using any communication method, according to one embodiment, the motion information 1110 is transmitted to a plurality of threads or a plurality of processes for efficient transmission. Can be passed in parallel. Additionally or alternatively, metadata including a frame number indicating the order of the motion information 1110 may be transmitted along with the motion information 1110 . Additionally or alternatively, the motion information 1110 may be encrypted and transmitted so that other users cannot access the motion information 1110. When the motion information 1110 is encrypted and transmitted, a device (or program) that performs the rendering 340 may decrypt the motion information 1110 and then perform the rendering 340.
  • a character image 1120 including a character that simulates the body motion, hand motion, and facial motion of a human object included in the first frame image through rendering 340 based on motion information 1110. can be created.
  • a 3D engine e.g., Unity, Unreal Engine, etc.
  • a 3D character performing the same motion as a human object is created through rendering 340 based on motion information 1110 received in real time. It can be.
  • Rendering 340 may be performed in a rendering engine in which the character is fixed and the camera moves, or the camera is fixed and the character moves.
  • rendering 340 may be performed by reflecting not only the motion of the character, but also its position and size in space. Additionally, the viewing angle (e.g., FoV value, etc.) is adjusted dynamically according to the orientation of the display on which the character image 1120 will be displayed (e.g., portrait or landscape, etc.). , the character (or character image 1120) can be enlarged or reduced.
  • the viewing angle e.g., FoV value, etc.
  • a background scene of the character image 1120 may be created through rendering 340.
  • the background scene may be the same/similar to the background scene included in the first frame image.
  • the background scene is different from the background scene included in the first frame image and may be a default background scene or a background scene selected by the user.
  • FIG. 12 is a diagram illustrating an example of a character image including a character replicating the motion of a human object according to an embodiment of the present disclosure.
  • a first character image 1210 containing a character that simulates the motion of a human object included in the first frame image may be generated.
  • a plurality of character images for each of the plurality of frame images may be sequentially generated. For example, when the motion capture system sequentially receives a first frame image, a second frame image, and a third frame image, a first character including a character that mimics the motion of a human object included in the first frame image An image 1210, a second character image 1220 including a character simulating the motion of a human object included in the second frame image, and a second character image 1220 including a character simulating the motion of a human object included in the third frame image. 3 character images 1230 may be generated sequentially.
  • the generated character image may be output to the user terminal.
  • the first character image 1210, the second character image 1220, and the third character image 1230 may be sequentially output to the user terminal.
  • the user terminal on which the character image is output may be the same as or different from the user terminal on which the image containing the character object is captured.
  • each of the captured image and the character image replicating the motion of the human object included in the image is displayed on the user terminal. Can be output simultaneously on divided screens of the display.
  • FIG. 13 is a flowchart illustrating an example of a 3D motion capture method 1300 according to an embodiment of the present disclosure.
  • Method 1300 may begin with at least one processor (e.g., at least one processor of a motion capture system) receiving an input image including a human object (S1310).
  • at least one processor e.g., at least one processor of a motion capture system
  • the processor may detect the person area, hand area, and face area from at least part of the input image using the first machine learning model (S1320).
  • the first machine learning model used for detection may include a hand classifier, and the processor classifies the detected hand region into at least one of the left hand region, the right hand region, and both hand regions using the hand classifier. can do.
  • the processor may recognize 3D motion information from the person sub-image including the detected person area, the hand sub-image including the detected hand area, and the face sub-image including the detected face area (S1330).
  • the processor recognizes body motion information from a person sub-image including a human region using a second machine learning model, and recognizes body motion information from a hand sub-image including a hand region using a third machine learning model.
  • Motion information can be recognized, and facial motion information can be recognized from a facial sub-image including a facial area using the fourth machine learning model.
  • the second machine learning model used to recognize body motion information may be a model configured to output body model parameters and camera parameters based on a person sub-image.
  • the body motion information may include body 3D joint angle information, body 3D joint position information, and body 3D mesh information, and at least some of this information may be obtained based on body model parameters output by the second machine learning model. You can.
  • the second machine learning model may be a model configured to further output body 2D joint estimation information and body part segmentation map based on the person sub-image.
  • the processor may classify the detected hand region into at least one of a left hand region, a right hand region, or both hand regions using body 3D joint position information, body 2D joint estimation information, and body part segmentation map.
  • the processor may simultaneously perform detection (S1320) and body motion information recognition using the same machine learning model.
  • the first machine learning model may be a model configured to detect a person area, a hand area, and a face area from at least a portion of an input image and recognize body motion information.
  • the processor can simultaneously perform detection (S1320) and body motion information recognition using the first machine learning model configured as described above.
  • the third machine learning model used to recognize hand motion information may be a model configured to output hand pose parameters based on hand sub-images.
  • the hand motion information may include first wrist angle information, hand 3D joint angle information, hand 3D mesh information, and camera parameters, and at least some of this information is included in the hand pose parameters output by the third machine learning model. It can be obtained based on
  • the body motion information may include second wrist angle information, elbow angle information, and shoulder angle information obtained based on the output of the second machine learning model.
  • the processor uses the first wrist angle information obtained based on the hand pose parameter to include second wrist angle information, elbow angle information, and shoulder angle information (e.g., second wrist angle information) included in the body motion information. information obtained based on the output of the machine learning model) can be corrected.
  • the third machine learning model used to recognize hand motion information may include a hand classifier.
  • the processor may use a hand classifier included in the third machine learning model to classify the detected hand region into at least one of a left-hand region, a right-hand region, or both hand regions.
  • the fourth machine learning model used to recognize facial motion information may be a model configured to output 3D facial model parameters, 3D facial landmark information, blend shape, and camera parameters based on facial sub-images.
  • Facial motion information may include head pose information, facial shape information, and facial expression information, and at least some of this information may be obtained based on the output of the fourth machine learning model.
  • the processor when recognizing facial motion information based on a facial sub-image using the fourth machine learning model, the processor may recognize head pose information, facial shape information, and facial expression information separately.
  • facial expression information may include gaze information and tongue movement information.
  • the body motion information may include head angle information obtained based on the output of the second machine learning model.
  • the processor uses head pose information included in the facial motion information (e.g., head pose information obtained based on the output of the fourth machine learning model) to use head angle information included in the body motion information. (Head angle information obtained based on the output of the second machine learning model) can be corrected.
  • 3D motion information (body motion information, hand motion information, face motion information, etc.) may include joint angle information.
  • the processor may correct joint angle information included in the 3D motion information using at least one of the body ratio of the human object included in the input image, the body ratio of the character, or joint angle limitation information associated with the character.
  • Rendering may be performed based on 3D motion information recognized (and/or corrected) through the above-described method, and accordingly, a character that mimics the body motion, hand motion, and facial motion of the human object included in the input image.
  • a character image containing may be created.
  • the processor may sequentially receive a plurality of frame images including a human object.
  • the processor can continuously receive a series of images (videos).
  • the processor may perform the above-described motion recognition (e.g., detection (S1320) and recognition (S1330)) in real time for each of the plurality of frame images.
  • a series of character images i.e., character images
  • a series of character images i.e., character images
  • the processor when the processor simultaneously performs detection (S1320) and body motion information recognition using the first machine learning model, the first frame image is used according to the detection result from the previous frame image.
  • the input of the machine learning model can be determined. For example, in order to perform detection and body motion information recognition for a specific frame image, at least a part of the specific frame image may be applied as input to a first machine learning model, where a human area is detected from the previous frame image.
  • the image applied as input to the first machine learning model may be determined depending on whether the image is applied as an input to the first machine learning model.
  • At least a portion of the specific frame image applied as input to the first machine learning model may include an area at the same location as the location of the human area detected from the previous frame image.
  • all of the specific frame image may be applied as input to the first machine learning model.
  • the above-described method may be provided as a computer program stored in a computer-readable recording medium for execution on a computer.
  • the medium may continuously store a computer-executable program, or may temporarily store it for execution or download.
  • the medium may be a variety of recording or storage means in the form of a single or several pieces of hardware combined. It is not limited to a medium directly connected to a computer system and may be distributed over a network. Examples of media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, And there may be something configured to store program instructions, including ROM, RAM, flash memory, etc. Additionally, examples of other media include recording or storage media managed by app stores that distribute applications, sites or servers that supply or distribute various other software, etc.
  • the processing units used to perform the techniques may include one or more ASICs, DSPs, digital signal processing devices (DSPDs), programmable logic devices (PLDs). ), field programmable gate arrays (FPGAs), processors, controllers, microcontrollers, microprocessors, electronic devices, and other electronic units designed to perform the functions described in this disclosure. , a computer, or a combination thereof.
  • the various illustrative logical blocks, modules, and circuits described in connection with this disclosure may be general-purpose processors, DSPs, ASICs, FPGAs or other programmable logic devices, discrete gate or transistor logic, discrete hardware components, or It may be implemented or performed as any combination of those designed to perform the functions described in.
  • a general-purpose processor may be a microprocessor, but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine.
  • a processor may also be implemented as a combination of computing devices, such as a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other configuration.
  • RAM random access memory
  • ROM read-only memory
  • NVRAM non-volatile random access memory
  • PROM on computer-readable media such as programmable read-only memory (EPROM), electrically erasable PROM (EEPROM), flash memory, compact disc (CD), magnetic or optical data storage devices, etc. It may also be implemented as stored instructions. Instructions may be executable by one or more processors and may cause the processor(s) to perform certain aspects of the functionality described in this disclosure.
  • Computer-readable media includes both computer storage media and communication media, including any medium that facilitates transfer of a computer program from one place to another.
  • Storage media may be any available media that can be accessed by a computer.
  • such computer readable media may include RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or the desired program code in the form of instructions or data structures. It can be used to transfer or store data and can include any other media that can be accessed by a computer. Any connection is also properly termed a computer-readable medium.
  • disk and disk include CD, laser disk, optical disk, digital versatile disc (DVD), floppy disk, and Blu-ray disk, where disks are usually magnetic. It reproduces data optically, while discs reproduce data optically using lasers. Combinations of the above should also be included within the scope of computer-readable media.
  • a software module may reside in RAM memory, flash memory, ROM memory, EPROM memory, EEPROM memory, registers, hard disk, removable disk, CD-ROM, or any other form of storage medium known.
  • An exemplary storage medium may be coupled to the processor such that the processor may read information from or write information to the storage medium. Alternatively, the storage medium may be integrated into the processor.
  • the processor and storage medium may reside within an ASIC. ASIC may exist within the user terminal. Alternatively, the processor and storage medium may exist as separate components in the user terminal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는 3D 모션 캡처 방법에 관한 것이다. 3D 모션 캡처 방법은, 인물 객체를 포함하는 입력 이미지를 수신하는 단계, 제1 기계학습 모델을 이용하여, 입력 이미지의 적어도 일부로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지하는 단계 및 사람 영역을 포함하는 사람 서브 이미지, 손 영역을 포함하는 손 서브 이미지 및 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 3D 모션 정보를 인식하는 단계를 포함하고, 3D 모션 정보에 기초한 렌더링을 통해, 입력 이미지에 포함된 인물 객체의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터를 포함하는 캐릭터 이미지가 생성된다.

Description

3D 모션 캡처 방법 및 시스템
본 개시는 3D 모션 캡처 방법 및 시스템에 관한 것으로, 구체적으로, 이미지에 포함된 인물 객체의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터가 포함된 캐릭터 이미지를 생성하기 위해, 이미지에 포함된 인물 객체의 3D 모션 정보를 인식하는 방법 및 시스템에 관한 것이다.
가상 공간에 대한 관심이 증가함에 따라, 가상 공간에서 사용자를 나타내는 캐릭터에 대한 관심 역시 증가하고 있다. 많은 서비스 제공자들은 실제 세계에서의 사람과 유사하게 동작하는 가상의 3차원 캐릭터를 구현하기 위해 많은 노력을 기울이고 있다.
모션 캡처(motion capture)란 실제 동물 또는 사람의 움직임을 촬영한 영상을 이용하여, 영상 내의 동물 또는 사람과 유사하게 동작하는 디지털 캐릭터를 제작하는 기법이다. 3D 모션 캡처의 경우, 복잡한 연산을 동반하는 경우가 많아 모션 캡처를 수행할 때 적지 않은 지연 시간이 소요된다. 또한, 실시간으로 모션 캡처를 수행하는 경우, 빠른 시간 내에 연산을 수행하여야 함에 따라 캐릭터의 동작이 부자연스럽거나, 캐릭터가 인물 객체의 세밀한 동작이나 표정까지는 디테일하게 모사하지 못하는 경우가 많다는 문제점이 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 3D 모션 캡처 방법, 명령어들을 기록한 컴퓨터 판독가능한 비일시적 기록 매체 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 명령어들을 기록한 컴퓨터 판독가능한 비일시적 기록 매체를 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 3D 모션 캡처 방법은, 인물 객체를 포함하는 입력 이미지를 수신하는 단계, 제1 기계학습 모델을 이용하여, 입력 이미지의 적어도 일부로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지하는 단계 및 사람 영역을 포함하는 사람 서브 이미지, 손 영역을 포함하는 손 서브 이미지 및 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 3D 모션 정보를 인식하는 단계를 포함하고, 3D 모션 정보에 기초한 렌더링을 통해, 입력 이미지에 포함된 인물 객체의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터를 포함하는 캐릭터 이미지가 생성된다.
본 개시의 일 실시예에 따르면, 입력 이미지를 수신하는 단계는, 인물 객체를 포함하는 복수의 프레임 이미지를 순차적으로 수신하는 단계를 포함하고, 복수의 프레임 이미지의 각각이 순차적으로 수신되는 것에 응답하여, 복수의 프레임 이미지의 각각에 대해 탐지하는 단계 및 인식하는 단계가 실시간으로 수행되고, 3D 모션 정보에 기초한 렌더링을 통해, 복수의 프레임 이미지의 각각에 포함된 인물 객체의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터를 포함하는 복수의 캐릭터 이미지가 생성된다.
본 개시의 일 실시예에 따르면, 제1 기계학습 모델은 손 분류기를 포함하고, 탐지하는 단계는, 손 분류기를 이용하여, 탐지된 손 영역을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 인식하는 단계는, 제2 기계학습 모델을 이용하여, 사람 영역을 포함하는 사람 서브 이미지로부터 바디 모션 정보를 인식하는 단계, 제3 기계학습 모델을 이용하여, 손 영역을 포함하는 손 서브 이미지로부터 손 모션 정보를 인식하는 단계 및 제4 기계학습 모델을 이용하여, 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 얼굴 모션 정보를 인식하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 제2 기계학습 모델은, 사람 서브 이미지를 기초로 바디 모델 파라미터 및 카메라 파라미터를 출력하도록 구성된 모델이고, 바디 모션 정보는, 바디 모델 파라미터에 기초하여 획득된 바디 3D 관절 각도 정보, 바디 3D 관절 위치 정보 및 바디 3D 메쉬 정보를 포함한다.
본 개시의 일 실시예에 따르면, 제2 기계학습 모델은, 사람 서브 이미지를 기초로 바디 2D 관절 추정 정보 및 신체 부위 세그멘테이션 맵을 더 출력하도록 더 구성된 모델이다.
본 개시의 일 실시예에 따르면, 바디 3D 관절 위치 정보, 바디 2D 관절 추정 정보 및 신체 부위 세그멘테이션 맵을 이용하여, 탐지된 손 영역을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류하는 단계를 더 포함한다.
본 개시의 일 실시예에 따르면, 제1 기계학습 모델은 입력 이미지의 적어도 일부로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지하고, 바디 모션 정보를 인식하도록 구성된 모델이고, 제2 기계학습 모델은 제1 기계학습 모델과 동일한 모델이다.
본 개시의 일 실시예에 따르면, 입력 이미지를 수신하는 단계는, 동일한 크기의 복수의 프레임 이미지를 순차적으로 수신하는 단계를 포함하고, 복수의 프레임 이미지의 각각이 순차적으로 수신되는 것에 응답하여, 복수의 프레임 이미지의 각각에 대해 탐지하는 단계 및 3D 모션 정보를 인식하는 단계가 실시간으로 수행되고, 복수의 프레임 이미지 중 특정 프레임 이미지에 대한 탐지하는 단계 및 3D 모션 정보를 인식하는 단계에서, 특정 프레임 이미지의 적어도 일부가 제1 기계학습 모델의 입력으로 인가되고, 제1 기계학습 모델의 입력으로 인가되는 특정 프레임 이미지의 적어도 일부는, 특정 프레임 이미지의 이전 프레임 이미지로부터 사람 영역이 탐지된 경우, 이전 프레임 이미지로부터 탐지된 사람 영역의 위치와 동일한 위치의 영역을 포함하고, 특정 프레임 이미지의 이전 프레임 이미지로부터 사람 영역이 탐지되지 않은 경우, 특정 프레임 이미지의 전부이다.
본 개시의 일 실시예에 따르면, 제3 기계학습 모델은 손 분류기를 포함하고, 손 모션 정보를 인식하는 단계는, 손 분류기를 이용하여, 탐지된 손 영역을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 제3 기계학습 모델은, 손 서브 이미지를 기초로 손 포즈 파라미터를 출력하도록 구성된 모델이고, 손 모션 정보는, 손 포즈 파라미터에 기초하여 획득된 제1 손목 각도 정보, 손 3D 관절 각도 정보, 손 3D 메쉬 정보 및 카메라 파라미터를 포함한다.
본 개시의 일 실시예에 따르면, 바디 모션 정보는, 제2 기계학습 모델의 출력에 기초하여 획득된 제2 손목 각도 정보를 포함하고, 3D 모션 정보를 인식하는 단계는, 손 포즈 파라미터에 기초하여 획득된 제1 손목 각도 정보를 이용하여, 제2 기계학습 모델의 출력에 기초하여 획득된 제2 손목 각도 정보를 보정하는 단계를 더 포함한다.
본 개시의 일 실시예에 따르면, 바디 모션 정보는, 제2 기계학습 모델의 출력에 기초하여 획득된 팔꿈치 각도 정보 및 어깨 각도 정보를 포함하고, 3D 모션 정보를 인식하는 단계는, 제1 손목 각도 정보를 이용하여, 제2 기계학습 모델의 출력에 기초하여 획득된 팔꿈치 각도 정보 및 어깨 각도 정보를 보정하는 단계를 더 포함한다.
본 개시의 일 실시예에 따르면, 제4 기계학습 모델은, 얼굴 서브 이미지를 기초로 3D 얼굴 모델 파라미터, 3D 얼굴 랜드마크 정보, 블렌드쉐입(blendshpe) 및 카메라 파라미터를 출력하도록 구성된 모델이다.
본 개시의 일 실시예에 따르면, 얼굴 모션 정보는, 머리 포즈 정보, 얼굴 형태 정보 및 얼굴 표정 정보를 포함하고, 얼굴 모션 정보를 인식하는 단계는, 제4 기계학습 모델을 이용하여, 얼굴 서브 이미지로부터 머리 포즈 정보, 얼굴 형태 정보 및 얼굴 표정 정보를 구분하여 인식하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 얼굴 표정 정보는, 시선 정보 및 혀의 움직임 정보를 포함한다.
본 개시의 일 실시예에 따르면, 바디 모션 정보는, 제2 기계학습 모델의 출력에 기초하여 획득된 머리 각도 정보를 포함하고, 3D 모션 정보를 인식하는 단계는, 머리 포즈 정보를 이용하여, 제2 기계학습 모델의 출력에 기초하여 획득된 머리 각도 정보를 보정하는 단계를 더 포함한다.
본 개시의 일 실시예에 따르면, 3D 모션 정보는 관절 각도 정보를 포함하고, 3D 모션 정보를 인식하는 단계는, 입력 이미지에 포함된 인물 객체의 신체 비율, 캐릭터의 신체 비율 또는 캐릭터와 연관된 관절 각도 제한 정보 중 적어도 하나를 이용하여, 관절 각도 정보를 보정하는 단계를 포함한다.
본 개시의 일 실시예에 따른 3D 모션 캡처 방법을 컴퓨터에서 실행하기 위한 명령어들을 기록한 컴퓨터 판독가능한 비일시적 기록 매체가 제공된다.
본 개시의 일 실시예에 따른 모션 캡처 시스템은, 메모리, 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 인물 객체를 포함하는 입력 이미지를 수신하고, 제1 기계학습 모델을 이용하여, 입력 이미지의 적어도 일부로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지하고, 사람 영역을 포함하는 사람 서브 이미지, 손 영역을 포함하는 손 서브 이미지 및 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 3D 모션 정보를 인식하기 위한 명령어들을 포함하고, 3D 모션 정보에 기초한 렌더링을 통해, 입력 이미지에 포함된 인물 객체의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터를 포함하는 캐릭터 이미지가 생성된다.
본 개시의 일부 실시예에 따르면, 타겟 대상이 서로 다른 복수의 모델을 이용하여, 타겟 대상 별 모션 정보가 개별적으로 인식될 수 있다. 또한, 각각의 타겟 대상이 큰 비중을 차지하는 복수의 서브 이미지를 기초로, 타겟 대상 별 모션 정보가 개별적으로 인식될 수 있다. 이에 따라, 빠른 시간 내에 이미지로부터 디테일한 모션 정보가 추출될 수 있다.
본 개시의 일부 실시예에 따르면, 객체 탐지 및 바디 모션 인식이 동시에 수행됨에 따라, 빠른 시간 내에 모션 캡처가 수행될 수 있다. 또한, 이전 프레임 이미지에 대한 탐지 결과가 다음 프레임 이미지에 대한 탐지에 이용됨으로써, 연속적으로 수신되는 이미지에 대한 모션 캡처에 필요한 연산량 또는 소요 시간이 감소될 수 있다.
본 개시의 일부 실시예에 따르면, 특정 모델의 출력에 기초하여 획득된 모션 정보를 이용하여, 다른 모델의 출력에 기초하여 획득된 모션 정보가 보정되거나 대체됨으로써, 인물 객체의 모션을 보다 정확하고 자연스럽게 모사하는 캐릭터 이미지가 생성될 수 있다.
본 개시의 일부 실시예에 따르면, 머리 포즈 정보, 얼굴 형태 정보 및 얼굴 표정 정보가 구분되어 인식될 수 있다. 또한, 얼굴 표정 정보는 시선 정보 및 혀의 움직임 정보까지 포함할 수 있다. 이에 따라, 인물 객체의 표정을 보다 디테일하게 모사하는 캐릭터 이미지가 생성될 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 3D 모션 캡처 방법이 활용되는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 모션 캡처 시스템(200)의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 3D 모션 캡처 방법의 예시를 나타내는 개요도이다.
도 4는 본 개시의 일 실시예에 따른 인물 객체를 포함하는 입력 이미지의 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 모션 캡처 시스템이 입력 이미지로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지하는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 모션 캡처 시스템이 사람 영역을 포함하는 사람 서브 이미지로부터 바디 모션 정보를 인식하는 예시를 나타내는 도면이다.
도 7 및 도 8은 본 개시의 일 실시예에 따른 모션 캡처 시스템이 동일한 모델을 이용하여, 탐지와 바디 모션 정보 인식을 수행하는 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 모션 캡처 시스템이 손 영역을 포함하는 손 서브 이미지로부터 손 모션 정보를 인식하는 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 모션 캡처 시스템이 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 얼굴 모션 정보를 인식하는 예시를 나타내는 도면이다.
도 11은 본 개시의 일 실시예에 따라 모션 정보에 기초하여 렌더링이 수행되는 예시를 나타내는 도면이다.
도 12는 본 개시의 일 실시예에 따른 인물 객체의 모션을 모사하는 캐릭터가 포함된 캐릭터 이미지의 예시를 나타내는 도면이다.
도 13은 본 개시의 일 실시예에 따른 3D 모션 캡처 방법의 예시를 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.
본 개시에서, '기계학습 모델'은 주어진 입력에 대한 해답(answer)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다. 또한, 본 개시에서, 기계학습 모델은 인공신경망 모델을 지칭할 수 있으며, 인공신경망 모델은 기계학습 모델을 지칭할 수 있다.
본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.
본 개시에서, '인물' 또는 '인물 객체'는 인물 뿐만 아니라 동물 등 현실 세계 또는 가상 세계에서 동작할 수 있는 개체를 모두 포괄할 수 있다. 또한, 본 개시의 일부 실시예에서, '인물' 또는 '인물 객체'는 이미지 중 인물 또는 인물 객체가 촬상된 영역 또는 이미지로부터 인물 또는 인물 객체가 탐지된 영역을 지칭할 수도 있다.
본 개시의 일부 실시예에서, '이미지'는 하나의 이미지 뿐만 아니라 복수의 이미지를 포함할 수 있다. 예를 들어, 이미지는 복수의 프레임 이미지를 포함하는 영상을 포함할 수 있다.
도 1은 본 개시의 일 실시예에 따른 3D 모션 캡처 방법이 활용되는 예시를 나타내는 도면이다. 일 실시예에 따르면, 사용자는 사용자 단말(예를 들어, 제1 사용자 단말(110))을 이용하여 인물 객체(112)(예를 들어, 사용자)가 동작하는 것을 촬영할 수 있다. 사용자 단말은, 예를 들어, 모바일 디바이스(예를 들어, 스마트폰, 태블릿 PC 등), 프로세싱 기능이 있는 웹캠 디바이스(예를 들어, 프로세서 칩이 포함된 웹캠 디바이스 등), 데스크탑 PC 등을 포함할 수 있으나, 이에 한정되지 않는다. 도 1의 예시에서는 촬영되는 이미지에 포함된 인물 객체(112)가 일러스트로 대체되어 표시되어 있으나, 이는 설명을 위한 것일 뿐, 실제 구현에서 촬영되는 이미지는 실제 인물이 특정 모션을 취하는 이미지일 수 있다.
사용자 단말은 촬영된 이미지에 포함된 인물 객체(112)의 모션 정보를 인식할 수 있다. 예를 들어, 모션 정보는 3D 모션 정보일 수 있으며, 바디 모션 정보, 손 모션 정보 및 얼굴 모션 정보를 포함할 수 있다. 일 실시예에 따르면, 바디 모션 정보, 손 모션 정보 및 얼굴 모션 정보는 각각 별개의 모델에 의해 인식될 수 있다. 인식된 모션 정보에 기초한 렌더링을 통해 이미지에 포함된 인물 객체(112)의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터가 포함된 캐릭터 이미지(122)가 생성될 수 있다.
사용자 단말(예를 들어, 제2 사용자 단말(120))은 생성된 캐릭터 이미지(122)를 출력할 수 있다. 도 1의 예시에서는 제1 사용자 단말(110)에 의해 인물 객체(112)에 대한 촬영이 수행되고, 제2 사용자 단말(120)에 의해 캐릭터 이미지(122)의 출력이 수행되는 것처럼 도시하였으나, 이는 설명의 편의를 위한 것일 뿐 이에 한정되지 않는다. 인물 객체(112)에 대한 촬영, 모션 정보 인식, 렌더링, 캐릭터 이미지(122)의 출력 등의 작업 중 적어도 하나의 작업이 동일한 디바이스에 의해 수행될 수도 있고, 각 작업이 별개의 디바이스에 의해 수행될 수도 있다. 예를 들어, 제1 디바이스에 의해 촬영된 이미지 또는 영상이 제2 디바이스에 전송되어, 이미지 또는 영상에 대한 모션 정보 인식이 제2 디바이스에 의해 수행될 수 있고, 인식된 모션 정보가 제3 디바이스에 전송되어 제3 디바이스에 의해 렌더링될 수도 있다. 일 실시예에서, 동일한 사용자 단말을 통해 인물 객체(112)를 포함하는 이미지가 촬영되고, 생성된 캐릭터 이미지(122)가 출력되는 경우, 촬영되는 이미지 및 이미지에 포함된 인물 객체(112)의 모션을 모사하는 캐릭터 이미지(122) 각각이 사용자 단말의 디스플레이의 분할된 화면들에 동시에 출력될 수 있다.
추가적으로, 사용자 단말은 캐릭터 이미지(122)를 활용할 수 있는 사용자 인터페이스(예를 들어, GUI)(미도시)를 제공할 수 있다. 예를 들어, 생성되는 캐릭터 이미지(122)는 스트리밍 방송, 영상 제작, 애니메이션 제작, 게임 모션 제작, 웹툰 제작 등 모션 캡처가 필요한 다양한 분야에 활용될 수 있으며, 사용자 단말은 목적에 맞는 적절한 사용자 인터페이스를 제공할 수 있다.
본 개시의 일부 실시예에서, 본 개시의 모션 캡처 방법을 수행하기 위한 적어도 하나의 작업(예를 들어, 인물 객체(112)에 대한 촬영, 모션 정보 인식, 모션 정보 보정, 렌더링, 캐릭터 이미지(122)의 출력 등의 작업 중 적어도 하나)이 수행되는 적어도 하나의 장치를 모션 캡처 시스템으로 지칭할 수 있다.
도 2는 본 개시의 일 실시예에 따른 모션 캡처 시스템(200)의 내부 구성을 나타내는 블록도이다. 모션 캡처 시스템(200)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 모션 캡처 시스템(200)은 통신 모듈(230)을 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다.
메모리(210)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(210)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 모션 캡처 시스템(200)에 포함될 수 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 모션 캡처 시스템(200)에 설치되어 구동되는 객체 탐지, 모션 인식 등을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 모션 캡처 시스템(200)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(230)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 객체 탐지, 모션 인식 등을 위한 프로그램 등)에 기반하여 메모리(210)에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(220)는 인물 객체를 포함하는 입력 이미지를 수신하고, 제1 기계학습 모델을 이용하여 입력 이미지의 적어도 일부로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지할 수 있다. 또한, 프로세서(220)는 사람 영역을 포함하는 사람 서브 이미지, 손 영역을 포함하는 손 서브 이미지 및 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 3D 모션 정보를 인식할 수 있다. 일 실시예에 따르면, 프로세서(220)는 인물 객체를 포함하는 복수의 프레임 이미지를 순차적으로 수신하고, 복수의 프레임 이미지의 각각이 순차적으로 수신되는 것에 응답하여, 복수의 프레임 이미지의 각각에 대해 탐지 및 모션 정보 인식을 수행할 수 있다.
통신 모듈(230)은 네트워크를 통해 외부 장치 등과 모션 캡처 시스템(200)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 모션 캡처 시스템(200)이 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 모션 캡처 시스템(200)의 프로세서(220)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 외부 장치 및/또는 외부 시스템의 통신 모듈을 통해 외부 장치 및/또는 외부 시스템으로 전송될 수 있다.
또한, 모션 캡처 시스템(200)의 입출력 인터페이스(240)는 모션 캡처 시스템(200)과 연결되거나 모션 캡처 시스템(200)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 2에서는 입출력 인터페이스(240)가 프로세서(220)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(240)가 프로세서(220)에 포함되도록 구성될 수 있다. 모션 캡처 시스템(200)은 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.
도 3은 본 개시의 일 실시예에 따른 3D 모션 캡처 방법의 예시를 나타내는 개요도이다.
일 실시예에 따르면, 모션 캡처 시스템은 인물 객체를 포함하는 입력 이미지(310)를 수신하고, 입력 이미지(310)에 대해 모션 인식(320)을 수행함으로써 모션 정보(330)를 추출할 수 있다.
예를 들어, 모션 캡처 시스템은 먼저, 디텍션 모델(321)을 이용하여, 입력 이미지(310)의 적어도 일부로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지할 수 있다. 이와 관련하여서는 도 5를 참조하여 보다 상세히 후술된다.
그런 다음, 모션 캡처 시스템은 탐지된 사람 영역을 포함하는 사람 서브 이미지, 탐지된 손 영역을 포함하는 손 서브 이미지 및 탐지된 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 모션 정보를 인식(320)할 수 있다.
예를 들어, 모션 캡처 시스템은 바디 모션 인식 모델(322)을 이용하여, 사람 서브 이미지로부터 바디 모션 정보를 인식할 수 있다. 또한, 모션 캡처 시스템은 손 모션 인식 모델(323)을 이용하여, 손 서브 이미지로부터 손 모션 정보를 인식할 수 있다. 또한, 모션 캡처 시스템은 얼굴 모션 인식 모델(324)을 이용하여, 얼굴 서브 이미지로부터 얼굴 모션 정보를 인식할 수 있다. 이와 같이, 타겟 대상이 서로 다른 복수의 모델을 이용하여, 각각의 타겟 대상이 큰 비중을 차지하는 복수의 서브 이미지를 기초로, 타겟 대상 별 모션 정보를 개별적으로 인식함으로써, 빠른 시간 내에 이미지로부터 디테일한 모션 정보(330)를 추출할 수 있다. 모션 캡처 시스템이 모션 인식(320)을 수행하는 구체적인 예시와 관련하여서는 도 6 내지 도 10을 참조하여 보다 상세히 후술된다.
일 실시예에 따르면, 모션 캡처 시스템은 예외 처리 알고리즘(325)을 이용하여 인식된 모션 정보 중 적어도 일부를 보정하고/하거나, 모션 정보를 보충할 수 있다. 예를 들어, 예외 처리 알고리즘(325)은 입력 이미지(310)에서 인물 객체의 특정 신체 부위(예를 들어, 손 등)가 화면 밖으로 나가거나, 인물 객체가 빠르게 움직여서 블러가 생기거나, 오른손/왼손 구분에 실패하거나, 기타 다른 이유로 탐지 및/또는 모션 인식에 문제가 있는 경우, 생성될 캐릭터 이미지(350)에서 캐릭터가 자연스럽게 디폴트 모션(예를 들어, 디폴트 포즈)을 취하거나, 이전 프레임의 모션 또는 포즈를 유지하도록 모션 정보를 보정 및/또는 보충하는 알고리즘일 수 있다. 추가적으로, 모션 캡처 시스템은 예외 처리 시 급격한 포즈의 변화를 피하고 자연스러운 모션을 구현하기 위해, 인식된 모션 정보 중 적어도 일부(예를 들어, 관절 각도 정보 등)에 스무딩(smoothing) 알고리즘을 적용할 수 있다.
입력 이미지(310)에 포함된 인물 객체의 신체 비율이 캐릭터 이미지(350)에 포함될 타겟 캐릭터의 신체 비율과 상이할 때, 이미지(310) 내의 인물 객체의 모션 정보를 캐릭터에 그대로 적용하는 경우 인물 객체의 모션을 모사하는 캐릭터를 제대로 구현할 수 없는 경우가 있다. 따라서, 일 실시예에 따르면, 모션 캡처 시스템은 리타겟팅 알고리즘(326)을 이용하여, 모션 정보 중 적어도 일부를 보정할 수 있다.
예를 들어, 이미지 내의 인물 객체가 손뼉을 치는 동작을 했을 때, 인물 객체의 관절 각도를 신체 비율이 다른 캐릭터에 그대로 적용하는 경우, 캐릭터의 손뼉이 맞지 않을 수 있다. 이에 따라, 모션 캡처 시스템은 캐릭터가 인물 객체의 모션을 적절히 모사할 수 있도록, 입력 이미지(310)에 포함된 인물 객체의 신체 비율 또는 캐릭터의 신체 비율 중 적어도 하나를 이용하여, 관절 각도 정보를 보정할 수 있다.
다른 예로, 캐릭터의 머리가 너무 큰 경우, 입력 이미지(310) 내의 인물 객체가 팔을 들면, 생성되는 캐릭터 이미지(350) 내의 캐릭터의 팔이 머리를 뚫고 들어가는 메쉬 간 침투(inter-penetration)가 발생할 수 있다. 메쉬 간 침투 현상을 방지하기 위해, 모션 캡처 시스템은 캐릭터와 연관된 관절 각도 제한 정보를 이용하여, 관절 각도 정보를 보정할 수 있다.
상술한 바와 같은 일련의 모션 인식(320) 과정을 거쳐 입력 이미지(310)로부터 모션 정보(330)가 추출될 수 있다. 추출된 모션 정보(330)에 기초하여 렌더링(340)이 수행될 수 있으며, 이에 따라, 입력 이미지(310)에 포함된 인물 객체의 동작을 모사하는 캐릭터가 포함된 캐릭터 이미지(350)가 생성될 수 있다. 모션 정보(330)에 기초하여 렌더링(340)이 수행되는 구체적인 예시는 도 11을 참조하여 보다 상세히 후술된다.
도 4는 본 개시의 일 실시예에 따른 인물 객체를 포함하는 입력 이미지의 예시를 나타내는 도면이다. 도 4의 예시에서는 입력 이미지에 포함된 인물 객체가 일러스트로 대체되어 표시되어 있으나, 이는 설명을 위한 것일 뿐, 실제 구현에서 입력 이미지는 실제 인물이 특정 모션을 취하는 이미지일 수 있다.
모션 캡처 시스템은 인물 객체를 포함하는 입력 이미지를 수신할 수 있다. 예를 들어, 카메라를 통해 실시간으로 촬영되는 이미지 또는 영상을 수신하거나, 미리 촬영된 이미지 또는 영상을 로딩 또는 디코딩함으로써 수신할 수 있다.
일 실시예에 따르면, 모션 캡처 시스템은 인물 객체를 포함하는 복수의 프레임 이미지(410, 420, 430)를 순차적으로 수신할 수 있다.
예를 들어, 사용자는 인물 객체가 카메라 정면을 바라보고 서있는 상태로, 특정 표정을 지으며, 한 손은 주먹을 쥐고 다른 한 손은 손가락을 모두 편 상태의 포즈로 모션을 시작하여, 손가락을 편 손의 손가락들을 순차적으로 접으며, 해당 손의 손가락을 모두 접어 주먹을 쥔 상태의 포즈로 끝나는 이미지를 촬영할 수 있다.
이에 따라, 인물 객체가 카메라 정면을 바라보고 서있는 상태로, 특정 표정을 지으며, 한 손은 주먹을 쥐고 다른 한 손은 손가락을 모두 편 상태의 포즈를 취하는 제1 프레임 이미지(410), 인물 객체가 카메라 정면을 바라보고 서있는 상태로, 특정 표정을 지으며, 한 손은 주먹을 쥐고 다른 한 손은 몇 개의 손가락은 접혀 있고 다른 손가락들은 펴져 있는 상태의 포즈를 취하는 제2 프레임 이미지(420) 및 인물 객체가 카메라 정면을 바라보고 서있는 상태로, 특정 표정을 지으며, 두 손은 주먹을 쥐고 있는 상태의 포즈를 취하는 제3 프레임 이미지(430)가 순차적으로 촬영될 수 있다.
모션 캡처 시스템은 제1 프레임 이미지(410), 제2 프레임 이미지(420) 및 제3 프레임 이미지(430)를 순차적으로 수신할 수 있다. 예를 들어, 모션 캡처 시스템은 실시간으로 촬영되는 제1 프레임 이미지 내지 제3 프레임 이미지(410, 420, 430)를 순차적으로 수신할 수 있다. 다른 예로, 모션 캡처 시스템은 미리 촬영된 이미지를 로딩 또는 디코딩함으로써 제1 프레임 이미지 내지 제3 프레임 이미지(410, 420, 430)를 순차적으로 수신할 수 있다. 일 실시예에서, 모션 캡처 시스템은, 제1 프레임 이미지 내지 제3 프레임 이미지(410, 420, 430)의 순서를 나타내는 프레임 번호 등을 포함하는 메타 데이터를 이미지와 함께 수신할 수도 있다.
모션 캡처 시스템은 복수의 프레임 이미지(410, 420, 430)의 각각이 순차적으로 수신되는 것에 응답하여, 복수의 프레임 이미지(410, 420, 430)의 각각에 대해 후술할 모션 정보 인식 과정을 실시간으로 수행할 수 있다.
도 5는 본 개시의 일 실시예에 따른 모션 캡처 시스템이 입력 이미지로부터 사람 영역(412), 손 영역(414_1, 414_2) 및 얼굴 영역(416)을 탐지하는 예시를 나타내는 도면이다.
일 실시예에 따르면, 모션 캡처 시스템은 디텍션 모델(321)을 이용하여, 제1 프레임 이미지(410)로부터 사람 영역(412), 손 영역(414_1, 414_2) 및 얼굴 영역(416)을 탐지할 수 있다. 일 실시예에서, 디텍션 모델(321)은 기계학습 모델(예를 들어, 딥러닝 기반의 네트워크)일 수 있다. 예를 들어, 디텍션 모델(321)은 입력 이미지에 기초하여, 입력 이미지에 포함된 사람 영역을 포함하는 바운딩 박스(412), 손 영역을 포함하는 바운딩 박스(414_1, 414_2) 및 얼굴 영역을 포함하는 바운딩 박스(416)를 출력하도록 구성된 기계학습 모델일 수 있다.
추가적으로, 디텍션 모델(321)은 손 분류기를 포함할 수 있다. 이러한 실시예에서, 모션 캡처 시스템은 손 분류기가 포함된 디텍션 모델(321)을 이용하여, 탐지된 손 영역(414_1, 414_2)을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류할 수 있다. 예를 들어, 디텍션 모델(321)은 손 영역을 포함하는 바운딩 박스(414_1, 414_2)의 각각이 왼손을 포함하는 지, 오른손을 포함하는 지 또는 양손을 포함하는 지를 더 출력하도록 구성된 모델일 수 있다.
도 6은 본 개시의 일 실시예에 따른 모션 캡처 시스템이 사람 영역을 포함하는 사람 서브 이미지(610)로부터 바디 모션 정보(620)를 인식하는 예시를 나타내는 도면이다. 모션 캡처 시스템은, 바디 모션 인식 모델(322)을 이용하여, 사람 영역을 포함하는 사람 서브 이미지(610)로부터 바디 모션 정보(620)를 인식할 수 있다. 바디 모션 인식 모델(322)은 기계학습 모델(예를 들어, 딥러닝 기반의 네트워크)일 수 있다. 또한, 사람 서브 이미지(610)는 디텍션 모델로부터 탐지된 사람 영역이 포함되도록 제1 프레임 이미지를 루즈하게 크롭한 서브 이미지일 수 있다.
일 실시예에 따르면, 바디 모션 정보(620)는 바디 3D 관절 각도(body 3D joint angle) 정보, 바디 3D 관절 위치(body 3D joint position) 정보, 바디 3D 메쉬(body 3D mesh) 정보, 카메라 파라미터 등을 포함할 수 있다. 여기서, 관절(joint)은 머리, 목, 어깨, 팔꿈치, 손목, 손가락 마디, 골반, 무릎, 발목, 발가락 마디 등을 포함할 수 있으나, 이에 한정되지 않는다. 일 실시예에 따르면, 바디 모션 인식 모델(322)은 사람 서브 이미지(610)를 기초로 바디 모델 파라미터(예를 들어, Skinned Multi-Person Linear Model Parameter; SMPL 파라미터) 및 카메라 파라미터를 출력하도록 구성된 모델일 수 있다. 또한, 바디 모션 정보(620)들 중 적어도 일부는 바디 모션 인식 모델(322)에 의해 출력된 바디 모델 파라미터 및/또는 카메라 파라미터에 기초하여 획득될 수 있다. 추가적으로, 모션 캡처 시스템은 인식된 바디 모션 정보(620) 중 적어도 일부(예를 들어, 3D 관절 각도 정보, 바디 3D 관절 위치 정보 등)를 이미지로 재투영(reprojection)시킴으로써, 이미지에서의 관절의 좌표 정보를 획득할 수 있다.
추가적으로, 바디 모션 정보(620)는 2D 관절 추정(2D joint estimation) 정보 및 신체 부위 세그멘테이션 맵(human part segmentation map)을 더 포함할 수 있다. 예를 들어, 바디 모션 인식 모델(322)은 사람 서브 이미지(610)를 기초로 바디 2D 관절 추정 정보 및 신체 부위 세그멘테이션 맵을 더 출력하도록 구성된 모델일 수 있다. 이러한 실시예에서, 모션 캡처 시스템은 바디 3D 관절 위치 정보, 바디 2D 관절 추정 정보 및 신체 부위 세그멘테이션 맵을 이용하여, 디텍션 모델로부터 탐지된 손 영역을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류할 수 있다.
일 실시예에 따르면, 모션 캡처 시스템은 바디 모션 정보(620)를 캐릭터에 적용했을 때 미세한 떨림 현상이 발생하는 것을 방지하기 위해, 바디 모션 정보(620) 중 적어도 일부(예를 들어, 3D 관절 각도 정보, 카메라 파라미터 등)에 스무딩 알고리즘을 적용할 수 있다.
도 7 및 도 8은 본 개시의 일 실시예에 따른 모션 캡처 시스템이 동일한 모델을 이용하여, 탐지와 바디 모션 정보 인식을 수행하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 모션 캡처 시스템은 탐지와 바디 모션 정보 인식을 각각 별개의 모델을 이용하여 수행하는 대신에, 동일한 기계학습 모델을 이용하여 탐지와 바디 모션 정보 인식을 동시에 수행할 수 있다. 예를 들어, 모션 캡처 시스템은 디텍션 및 바디 모션 인식 모델(700)을 이용하여, 제1 프레임 이미지(410)로부터 사람 영역(412), 손 영역(414_1, 414_2) 및 얼굴 영역(416)을 탐지하고, 바디 모션 정보(620)를 인식할 수 있다. 여기서, 디텍션 및 바디 모션 인식 모델(700)은 입력 이미지의 적어도 일부로부터 사람 영역(412), 손 영역(414_1, 414_2) 및 얼굴 영역(416)을 탐지하고 바디 모션 정보(620)를 인식하도록 구성된 기계학습 모델일 수 있다. 예를 들어, 디텍션 및 바디 모션 인식 모델(700)은 딥러닝 기반의 네트워크일 수 있으나 이에 한정되지 않는다.
모션 캡처 시스템이 복수의 프레임 이미지를 순차적으로 수신하는 경우, 이전 프레임 이미지로부터의 탐지 결과에 따라 디텍션 및 바디 모션 인식 모델(700)의 입력이 결정될 수 있다. 예를 들어, 모션 캡처 시스템이 제2 프레임 이미지에 대해 사람 영역(812), 손 영역(814_1, 814_2) 및 얼굴 영역(816)을 탐지하고, 바디 모션 정보(820)를 인식하기 위해, 제2 프레임 이미지의 적어도 일부(810)를 디텍션 및 바디 모션 인식 모델(700)의 입력으로 인가할 수 있다. 이 때, 제2 프레임 이미지의 이전 프레임 이미지인 제1 프레임 이미지(410)로부터 사람 영역(412)이 탐지되었는지 여부에 따라 디텍션 및 바디 모션 인식 모델(700)의 입력으로 인가되는 이미지가 결정될 수 있다.
예를 들어, 제1 프레임 이미지(410)로부터 사람 영역(412)이 탐지된 경우, 모션 캡처 시스템은 제2 프레임 이미지 중 제1 프레임 이미지(410)로부터 탐지된 사람 영역의 위치와 동일한 위치의 영역을 포함하는 서브 이미지(810)(예를 들어, 제2 프레임 이미지 중에서, 제1 프레임 이미지(410)로부터 탐지된 사람 영역의 위치와 동일한 위치의 영역을 루즈하게 크롭한 이미지)를 디텍션 및 바디 모션 인식 모델(700)의 입력으로 인가할 수 있다. 이와 달리, 제1 프레임 이미지(410)로부터 사람 영역(412)이 탐지되지 않은 경우, 모션 캡처 시스템은 제2 프레임 이미지의 전부를 디텍션 및 바디 모션 인식 모델(700)의 입력으로 인가할 수 있다. 이와 같은 구성을 통해, 모션 캡처 시스템은 연속적으로 수신되는 이미지에 대해, 보다 빠른 속도로 모션 캡처를 수행할 수 있다.
도 9는 본 개시의 일 실시예에 따른 모션 캡처 시스템이 손 영역을 포함하는 손 서브 이미지(910_1, 910_2)로부터 손 모션 정보(920)를 인식하는 예시를 나타내는 도면이다. 모션 캡처 시스템은, 손 모션 인식 모델(323)을 이용하여, 손 영역을 포함하는 손 서브 이미지(910_1, 910_2)로부터 손 모션 정보(920)를 인식할 수 있다. 손 모션 인식 모델(323)은 기계학습 모델(예를 들어, 딥러닝 기반의 네트워크)일 수 있다.
일 실시예에 따르면, 손 서브 이미지(910_1, 910_2)는 디텍션 모델(또는 디텍션 및 바디 모션 인식 모델)로부터 탐지된 손 영역이 포함되도록 제1 프레임 이미지를 루즈하게 크롭한 서브 이미지일 수 있다. 도 9의 예시에서는 하나의 손이 포함된 제1 손 서브 이미지(910_1) 및 다른 하나의 손이 포함된 제2 손 서브 이미지(910_2)가 각각 별개의 입력으로 인가되는 것으로 도시하였으나, 이에 한정되지 않는다. 예를 들어, 양손이 모두 포함된 하나의 손 서브 이미지 (예를 들어, 인물 객체가 박수치는 순간의 양손이 포함된 손 서브 이미지 등)가 입력으로 인가될 수도 있다.
일 실시예에 따르면, 손 모션 정보(920)는, 제1 손목 각도 정보, 손 3D 관절 각도 정보(hand 3D joint angle), 손 3D 메쉬 정보(hand 3D mesh) 및 카메라 파라미터를 포함할 수 있다. 일 실시예에서, 손 모션 인식 모델(323)은, 손 서브 이미지(910_1, 910_2)를 기초로 손 포즈 파라미터(예를 들어, 3D 손 포즈를 표현하는 파라미터, 구체적 예로, hand Model with Articulated and Non-rigid defOrmations parameter; MANO 파라미터)를 출력하도록 구성된 모델일 수 있으며, 손 모션 정보(920) 중 적어도 일부는 손 모션 인식 모델(323)에 의해 출력된 손 포즈 파라미터에 기초하여 획득될 수 있다.
일 실시예에 따르면, 바디 모션 정보는, 바디 모션 인식 모델(또는 디텍션 및 바디 모션 인식 모델)의 출력에 기초하여 획득된 제2 손목 각도 정보, 팔꿈치 각도 정보 및 어깨 각도 정보를 포함할 수 있다. 제1 손목 각도 정보는 이미지 중 손 비중이 큰 손 서브 이미지(910_1, 910_2)에 기초하여 획득되며 손 모션 정보(920)만을 인식하는 손 모션 인식 모델(323)의 출력(손 포즈 파라미터)에 기초하여 획득되기 때문에, 제2 손목 각도 정보보다 정확도가 높을 수 있다. 따라서, 이러한 실시예에서, 모션 캡처 시스템은 제1 손목 각도 정보를 이용하여, 바디 모션 정보에 포함된 제2 손목 각도 정보를 보정 또는 대체할 수 있다. 추가적으로 또는 대안적으로, 모션 캡처 시스템은 정확도가 높은 제1 손목 각도 정보를 이용하여, 바디 모션 정보에 포함된 팔꿈치 각도 정보 및 어깨 각도 정보를 보정함으로써, 바디와 손이 인체 구조적으로 잘 조화되는 자연스러운 포즈가 될 수 있도록 할 수 있다.
추가적으로, 손 모션 인식 모델(323)은 손 분류기를 포함할 수 있다. 이러한 실시예에서, 모션 캡처 시스템은 손 분류기가 포함된 손 모션 인식 모델(323)을 이용하여, 손 서브 이미지(910_1, 910_2)에 손이 포함되어 있는지 여부를 구분하고/하거나, 손 서브 이미지(910_1, 910_2)에 포함된 손을 왼손, 오른손 또는 양손 중 적어도 하나로 분류할 수 있다.
일 실시예에 따르면, 모션 캡처 시스템은 손 모션 정보(920)를 캐릭터에 적용했을 때 미세한 떨림 현상이 발생하는 것을 방지하기 위해, 손 모션 정보(920) 중 적어도 일부(예를 들어, 손 3D 관절 각도 정보, 손목 각도 정보 등)에 스무딩 알고리즘을 적용할 수 있다.
도 10은 본 개시의 일 실시예에 따른 모션 캡처 시스템이 얼굴 영역을 포함하는 얼굴 서브 이미지(1010)로부터 얼굴 모션 정보(1020)를 인식하는 예시를 나타내는 도면이다. 모션 캡처 시스템은, 얼굴 모션 인식 모델(324)을 이용하여, 얼굴 영역을 포함하는 얼굴 서브 이미지(1010)로부터 얼굴 모션 정보(1020)를 인식할 수 있다. 얼굴 모션 인식 모델(324)은 기계학습 모델(예를 들어, 딥러닝 기반의 네트워크)일 수 있다.
일 실시예에 따르면, 얼굴 서브 이미지(1010)는 디텍션 모델(또는 디텍션 및 바디 모션 인식 모델)로부터 탐지된 얼굴 영역이 포함되도록 제1 프레임 이미지를 루즈하게 크롭한 서브 이미지일 수 있다. 일 실시예에 따르면, 모션 캡처 시스템은 얼굴 서브 이미지(1010)에 대해 얼굴 정렬 전처리를 수행할 수 있다. 예를 들어, 모션 캡처 시스템은 복수 개의 얼굴 랜드마크(예를 들어, 눈가, 눈썹, 코, 입 및 턱 등)를 입력으로 받아, 얼굴 정렬 전처리를 수행할 수 있다. 얼굴 정렬 전처리가 수행된 이미지가 얼굴 모션 인식 모델(324)의 입력으로 인가되거나, 대안적으로, 얼굴 모션 인식 모델(324)이 얼굴 정렬 전처리를 수행할 수도 있다.
얼굴 모션 정보(1020)는, 제1 머리 포즈 정보, 얼굴 형태(face shape) 정보 및 얼굴 표정(face expression) 정보를 포함할 수 있다. 여기서, 얼굴 표정 정보는 시선 정보 및 혀의 움직임 정보까지 포함할 수 있다. 예를 들어, 얼굴 모션 인식 모델(324)은, 얼굴 서브 이미지(1010)를 기초로 3D 얼굴 모델(예를 들어, FaceScape와 같은 3D Morphable Model; 3DMM) 파라미터, 3D 얼굴 랜드마크(3D facial landmark) 정보, 블렌드쉐입(예를 들어, 3D 캐릭터가 얼굴 표정을 표현할 수 있도록 해주는 facial action units(FACS) 기반의 블렌드쉐입) 및 카메라 파라미터를 출력하도록 구성된 모델일 수 있으며, 얼굴 모션 정보(1020) 중 적어도 일부가 얼굴 모션 인식 모델(324)의 출력에 기초하여 획득될 수 있다. 일 실시예에서, 얼굴 모션 인식 모델(324)은 머리 포즈 정보, 얼굴 형태 정보 및 얼굴 표정 정보를 구분하여 인식하도록 학습된 모델일 수 있으며, 이에 따라, 모션 캡처 시스템은 머리 포즈 정보, 얼굴 형태 정보 및 얼굴 표정 정보를 구분하여 인식할 수 있다.
일 실시예에 따르면, 바디 모션 정보는, 바디 모션 인식 모델(또는 디텍션 및 바디 모션 인식 모델)의 출력에 기초하여 획득된 제2 머리 포즈 정보를 포함할 수 있다. 제1 머리 포즈 정보는 이미지 중 얼굴 비중이 큰 얼굴 서브 이미지(1010)에 기초하여 획득되며 얼굴 모션 정보(1020)만을 인식하는 얼굴 모션 인식 모델(324)의 출력에 기초하여 획득되기 때문에, 제2 머리 포즈 정보보다 정확도가 높을 수 있다. 따라서, 이러한 실시예에서, 모션 캡처 시스템은 제1 머리 포즈 정보를 이용하여, 바디 모션 정보에 포함된 제2 머리 포즈 정보를 보정 또는 대체할 수 있다.
일 실시예에 따르면, 모션 캡처 시스템은 얼굴 모션 정보(1020)를 캐릭터에 적용했을 때 미세한 떨림 현상이 발생하는 것을 방지하기 위해, 얼굴 모션 정보(1020) 중 적어도 일부(예를 들어, 3D 얼굴 랜드마크 정보, 머리 포즈 정보, 얼굴 형태 정보, 얼굴 표정 정보 등)에 스무딩 알고리즘을 적용할 수 있다.
도 11은 본 개시의 일 실시예에 따라 모션 정보(1110)에 기초하여 렌더링(340)이 수행되는 예시를 나타내는 도면이다. 렌더링(340)은 모션 인식과 동일한 디바이스에 의해 수행될 수도 있고, 상이한 디바이스에 의해 수행될 수도 있다.
일 실시예에 따르면, 렌더링(340)이 모션 인식과 동일한 디바이스에 의해 수행될 수 있다. 예를 들어, 모션 인식과 렌더링(340)이 동일한 디바이스 내에서 동일한 프로그램(또는 동일한 프로세스)에 의해 수행되는 경우, 별도의 통신이 필요하지 않을 수 있다. 이와 달리, 모션 인식과 렌더링(340)이 동일한 디바이스 내에서 수행되나, 별개의 프로그램(또는 별개의 프로세스)에 의해 수행되는 경우, IPC(Inter Process Communication) 통신 방식을 이용하여 모션 정보(1110)가 전달될 수 있다.
대안적으로, 렌더링(340)이 모션 인식과 상이한 디바이스에 의해 수행될 수 있다. 예를 들어, 제1 디바이스에 의해 모션 인식이 수행되고, 제2 디바이스에 의해 렌더링(340)이 수행될 수 있다. 이 경우, 임의의 디바이스 간 유/무선 통신 방식(예를 들어, USB 통신, Wi-fi 무선 통신, 랜선을 이용한 소켓 통신 등)을 이용하여 모션 정보(1110)가 제2 디바이스로 전달될 수 있다.
모션 정보(1110)가 임의의 통신 방식을 이용하여 다른 디바이스, 다른 프로그램 또는 다른 프로세스로 전달되는 경우, 일 실시예에 따르면, 효율적인 전달을 위해 모션 정보(1110)가 복수의 쓰레드 또는 복수의 프로세스로 병렬적으로 전달될 수 있다. 추가적으로 또는 대안적으로, 모션 정보(1110)의 순서를 나타내는 프레임 번호 등을 포함하는 메타 데이터가 모션 정보(1110)와 함께 전달될 수 있다. 추가적으로 또는 대안적으로, 다른 사용자가 모션 정보(1110)에 접근할 수 없도록, 모션 정보(1110)가 암호화되어 전달될 수 있다. 모션 정보(1110)가 암호화되어 전달되는 경우, 렌더링(340)을 수행하는 디바이스(또는 프로그램)는 모션 정보(1110)를 복호화한 후 렌더링(340)을 수행할 수 있다.
일 실시예에 따르면, 모션 정보(1110)에 기초한 렌더링(340)을 통해, 제1 프레임 이미지에 포함된 인물 객체의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터를 포함하는 캐릭터 이미지(1120)가 생성될 수 있다. 예를 들어, 3D 엔진(예를 들어, Unity, Unreal Engine 등)을 이용하여, 실시간으로 수신되는 모션 정보(1110)에 기초한 렌더링(340)을 통해 인물 객체와 동일한 모션을 수행하는 3D 캐릭터가 생성될 수 있다. 렌더링(340)은 렌더링 엔진 안에서 캐릭터가 고정되고 카메라가 움직이는 방식으로 수행될 수도 있고, 카메라가 고정되고 캐릭터가 움직이는 방식으로 수행될 수도 있다.
일 실시예에 따르면, 렌더링(340)은 캐릭터의 모션 뿐만 아니라, 공간에서의 위치 및 크기 역시 반영하여 수행될 수 있다. 추가적으로, 캐릭터 이미지(1120)가 출력될 디스플레이의 방향(orientation)(예를 들어, 세로 방향(portrait) 또는 가로 방향(landscape) 등)에 따라 동적으로 시야각(예를 들어, FoV 값 등)이 조절되어, 캐릭터(또는 캐릭터 이미지(1120))가 확대 또는 축소될 수 있다.
추가적으로, 렌더링(340)을 통해 캐릭터 이미지(1120)의 배경 장면이 생성될 수 있다. 예를 들어, 배경 장면은 제1 프레임 이미지에 포함된 배경 장면과 동일/유사할 수 있다. 다른 예로, 배경 장면은 제1 프레임 이미지에 포함된 배경 장면과 상이하며, 기본 배경 장면 또는 사용자에 의해 선택된 배경 장면일 수 있다.
도 12는 본 개시의 일 실시예에 따른 인물 객체의 모션을 모사하는 캐릭터가 포함된 캐릭터 이미지의 예시를 나타내는 도면이다. 상술한 예시와 같은 모션 인식 과정 및 렌더링 과정을 거쳐, 제1 프레임 이미지에 포함된 인물 객체의 모션을 모사하는 캐릭터가 포함된 제1 캐릭터 이미지(1210)가 생성될 수 있다.
일 실시예에서, 모션 캡처 시스템이 인물 객체를 포함하는 복수의 프레임 이미지를 순차적으로 수신한 경우, 복수의 프레임 이미지의 각각에 대한 복수의 캐릭터 이미지가 순차적으로 생성될 수 있다. 예를 들어, 모션 캡처 시스템이 제1 프레임 이미지, 제2 프레임 이미지 및 제3 프레임 이미지를 순차적으로 수신한 경우, 제1 프레임 이미지에 포함된 인물 객체의 모션을 모사하는 캐릭터가 포함된 제1 캐릭터 이미지(1210), 제2 프레임 이미지에 포함된 인물 객체의 모션을 모사하는 캐릭터가 포함된 제2 캐릭터 이미지(1220) 및 제3 프레임 이미지에 포함된 인물 객체의 모션을 모사하는 캐릭터가 포함된 제3 캐릭터 이미지(1230)가 순차적으로 생성될 수 있다.
일 실시예에 따르면, 생성된 캐릭터 이미지는 사용자 단말에 출력될 수 있다. 예를 들어, 제1 캐릭터 이미지(1210), 제2 캐릭터 이미지(1220) 및 제3 캐릭터 이미지(1230)가 순차적으로 사용자 단말에 출력될 수 있다. 캐릭터 이미지가 출력되는 사용자 단말은 인물 객체를 포함하는 이미지가 촬영되는 사용자 단말과 동일할 수도 있고, 상이할 수도 있다. 일 실시예에서, 동일한 사용자 단말을 통해 인물 객체를 포함하는 이미지가 촬영되고, 생성된 캐릭터 이미지가 출력되는 경우, 촬영되는 이미지 및 이미지에 포함된 인물 객체의 모션을 모사하는 캐릭터 이미지 각각이 사용자 단말의 디스플레이의 분할된 화면들에 동시에 출력될 수 있다.
도 13은 본 개시의 일 실시예에 따른 3D 모션 캡처 방법(1300)의 예시를 나타내는 흐름도이다. 방법(1300)은 적어도 하나의 프로세서(예를 들어, 모션 캡처 시스템의 적어도 하나의 프로세서)가 인물 객체를 포함하는 입력 이미지를 수신함으로써 개시될 수 있다(S1310).
그런 다음, 프로세서는 제1 기계학습 모델을 이용하여, 입력 이미지의 적어도 일부로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지할 수 있다(S1320).
일 실시예에 따르면, 탐지에 이용되는 제1 기계학습 모델은 손 분류기를 포함할 수 있고, 프로세서는, 손 분류기를 이용하여, 탐지된 손 영역을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류할 수 있다.
그 후, 프로세서는 탐지된 사람 영역을 포함하는 사람 서브 이미지, 탐지된 손 영역을 포함하는 손 서브 이미지 및 탐지된 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 3D 모션 정보를 인식할 수 있다(S1330).
예를 들어, 프로세서는 제2 기계학습 모델을 이용하여, 사람 영역을 포함하는 사람 서브 이미지로부터 바디 모션 정보를 인식하고, 제3 기계학습 모델을 이용하여, 손 영역을 포함하는 손 서브 이미지로부터 손 모션 정보를 인식하고, 제4 기계학습 모델을 이용하여, 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 얼굴 모션 정보를 인식할 수 있다.
일 실시예에 따르면, 바디 모션 정보 인식에 사용되는 제2 기계학습 모델은, 사람 서브 이미지를 기초로 바디 모델 파라미터 및 카메라 파라미터를 출력하도록 구성된 모델일 수 있다. 바디 모션 정보는 바디 3D 관절 각도 정보, 바디 3D 관절 위치 정보 및 바디 3D 메쉬 정보를 포함할 수 있으며, 이러한 정보들 중 적어도 일부는 제2 기계학습 모델에 의해 출력된 바디 모델 파라미터에 기초하여 획득될 수 있다.
추가적으로, 제2 기계학습 모델은, 사람 서브 이미지를 기초로 바디 2D 관절 추정 정보 및 신체 부위 세그멘테이션 맵을 더 출력하도록 구성된 모델일 수 있다. 이러한 실시예에서, 프로세서는 바디 3D 관절 위치 정보, 바디 2D 관절 추정 정보 및 신체 부위 세그멘테이션 맵을 이용하여, 탐지된 손 영역을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류할 수 있다.
추가적으로 또는 대안적으로, 프로세서는 동일한 기계학습 모델을 이용하여, 탐지(S1320)와 바디 모션 정보 인식을 동시에 수행할 수 있다. 예를 들어, 제1 기계학습 모델은 입력 이미지의 적어도 일부로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지하고 바디 모션 정보를 인식하도록 구성된 모델일 수 있다. 프로세서는 이와 같이 구성된 제1 기계학습 모델을 이용하여, 탐지(S1320)와 바디 모션 정보 인식을 동시에 수행할 수 있다.
일 실시예에 따르면, 손 모션 정보 인식에 사용되는 제3 기계학습 모델은, 손 서브 이미지를 기초로 손 포즈 파라미터를 출력하도록 구성된 모델일 수 있다. 손 모션 정보는, 제1 손목 각도 정보, 손 3D 관절 각도 정보, 손 3D 메쉬 정보 및 카메라 파라미터를 포함할 수 있으며, 이러한 정보들 중 적어도 일부는 제3 기계학습 모델에 의해 출력된 손 포즈 파라미터에 기초하여 획득될 수 있다.
일 실시예에 따르면, 바디 모션 정보는, 제2 기계학습 모델의 출력에 기초하여 획득된 제2 손목 각도 정보, 팔꿈치 각도 정보 및 어깨 각도 정보를 포함할 수 있다. 이러한 실시예에서, 프로세서는 손 포즈 파라미터에 기초하여 획득된 제1 손목 각도 정보를 이용하여, 바디 모션 정보에 포함된 제2 손목 각도 정보, 팔꿈치 각도 정보 및 어깨 각도 정보(예를 들어, 제2 기계학습 모델의 출력에 기초하여 획득된 정보들)를 보정할 수 있다.
일 실시예에서, 손 모션 정보 인식에 사용되는 제3 기계학습 모델은 손 분류기를 포함할 수 있다. 이 경우, 프로세서는 제3 기계학습 모델에 포함된 손 분류기를 이용하여, 탐지된 손 영역을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류할 수 있다.
일 실시예에 따르면, 얼굴 모션 정보 인식에 사용되는 제4 기계학습 모델은, 얼굴 서브 이미지를 기초로 3D 얼굴 모델 파라미터, 3D 얼굴 랜드마크 정보, 블렌드쉐입 및 카메라 파라미터를 출력하도록 구성된 모델일 수 있다. 얼굴 모션 정보는, 머리 포즈 정보, 얼굴 형태 정보 및 얼굴 표정 정보를 포함할 수 있으며, 이러한 정보들 중 적어도 일부가 제4 기계학습 모델의 출력에 기초하여 획득될 수 있다. 일 실시예에서, 프로세서는 제4 기계학습 모델을 이용하여 얼굴 서브 이미지를 기초로 얼굴 모션 정보를 인식할 때, 머리 포즈 정보, 얼굴 형태 정보 및 얼굴 표정 정보를 각각 구분하여 인식할 수 있다. 여기서, 얼굴 표정 정보는, 시선 정보 및 혀의 움직임 정보를 포함할 수 있다.
일 실시예에 따르면, 바디 모션 정보는, 제2 기계학습 모델의 출력에 기초하여 획득된 머리 각도 정보를 포함할 수 있다. 이러한 실시예에서, 프로세서는 얼굴 모션 정보에 포함된 머리 포즈 정보(예를 들어, 제4 기계학습 모델의 출력에 기초하여 획득된 머리 포즈 정보)를 이용하여, 바디 모션 정보에 포함된 머리 각도 정보(제2 기계학습 모델의 출력에 기초하여 획득된 머리 각도 정보)를 보정할 수 있다.
일 실시예에 따르면, 3D 모션 정보(바디 모션 정보, 손 모션 정보, 얼굴 모션 정보 등)는 관절 각도 정보를 포함할 수 있다. 프로세서는 입력 이미지에 포함된 인물 객체의 신체 비율, 캐릭터의 신체 비율 또는 캐릭터와 연관된 관절 각도 제한 정보 중 적어도 하나를 이용하여, 3D 모션 정보에 포함된 관절 각도 정보를 보정할 수 있다.
상술한 방법을 통해 인식된(및/또는 보정된) 3D 모션 정보에 기초하여 렌더링이 수행될 수 있고, 이에 따라, 입력 이미지에 포함된 인물 객체의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터를 포함하는 캐릭터 이미지가 생성될 수 있다.
일 실시예에 따르면, 수신 단계(S1310)에서 프로세서는 인물 객체를 포함하는 복수의 프레임 이미지를 순차적으로 수신할 수 있다. 즉, 프로세서는 일련의 이미지(영상)를 연속적으로 수신할 수 있다. 복수의 프레임 이미지의 각각이 순차적으로 수신되는 것에 응답하여, 프로세서는 복수의 프레임 이미지의 각각에 대해 상술한 모션 인식(예를 들어, 탐지(S1320) 및 인식(S1330))을 실시간으로 수행할 수 있다. 이에 따라, 일련의 이미지(즉, 영상)에 포함된 인물 객체의 동작(바디 모션, 손 모션 및 얼굴 모션)을 모사하는 캐릭터를 포함하는 일련의 캐릭터 이미지(즉, 캐릭터 영상)가 생성될 수 있다.
이와 같이 복수의 프레임 이미지를 순차적으로 수신하는 실시예에서, 프로세서가 제1 기계학습 모델을 이용하여 탐지(S1320)와 바디 모션 정보 인식을 동시에 수행하는 경우, 이전 프레임 이미지로부터의 탐지 결과에 따라 제1 기계학습 모델의 입력이 결정될 수 있다. 예를 들어, 특정 프레임 이미지에 대한 탐지 및 바디 모션 정보 인식 수행을 위해, 특정 프레임 이미지의 적어도 일부가 제1 기계학습 모델의 입력으로 인가될 수 있는데, 이 때, 이전 프레임 이미지로부터 사람 영역이 탐지되었는지에 따라 제1 기계학습 모델의 입력으로 인가되는 이미지가 결정될 수 있다. 이전 프레임 이미지로부터 사람 영역이 탐지된 경우, 제1 기계학습 모델의 입력으로 인가되는 특정 프레임 이미지의 적어도 일부는, 이전 프레임 이미지로부터 탐지된 사람 영역의 위치와 동일한 위치의 영역을 포함할 수 있다. 이와 달리, 이전 프레임 이미지로부터 사람 영역이 탐지되지 않은 경우, 특정 프레임 이미지의 전부가 제1 기계학습 모델의 입력으로 인가될 수 있다.
도 13의 흐름도 및 상술한 설명은 본 개시의 일 실시예에 불과하며, 다른 방식으로 구현될 수 있다. 예를 들어, 일부 실시예에서 하나 이상의 단계가 추가/삭제/변경되거나, 각 단계의 순서가 변경될 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

Claims (20)

  1. 적어도 하나의 프로세서에 의해 수행되는, 3D 모션 캡처 방법에 있어서,
    인물 객체를 포함하는 입력 이미지를 수신하는 단계;
    제1 기계학습 모델을 이용하여, 상기 입력 이미지의 적어도 일부로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지하는 단계; 및
    상기 사람 영역을 포함하는 사람 서브 이미지, 상기 손 영역을 포함하는 손 서브 이미지 및 상기 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 3D 모션 정보를 인식하는 단계
    를 포함하고,
    상기 3D 모션 정보에 기초한 렌더링을 통해, 상기 입력 이미지에 포함된 상기 인물 객체의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터를 포함하는 캐릭터 이미지가 생성되는, 3D 모션 캡처 방법.
  2. 제1항에 있어서,
    상기 입력 이미지를 수신하는 단계는,
    상기 인물 객체를 포함하는 복수의 프레임 이미지를 순차적으로 수신하는 단계
    를 포함하고,
    상기 복수의 프레임 이미지의 각각이 순차적으로 수신되는 것에 응답하여, 상기 복수의 프레임 이미지의 각각에 대해 상기 탐지하는 단계 및 상기 인식하는 단계가 실시간으로 수행되고,
    상기 3D 모션 정보에 기초한 렌더링을 통해, 상기 복수의 프레임 이미지의 각각에 포함된 상기 인물 객체의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터를 포함하는 복수의 캐릭터 이미지가 생성되는, 3D 모션 캡처 방법.
  3. 제1항에 있어서,
    상기 제1 기계학습 모델은 손 분류기를 포함하고,
    상기 탐지하는 단계는,
    상기 손 분류기를 이용하여, 상기 탐지된 손 영역을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류하는 단계
    를 포함하는, 3D 모션 캡처 방법.
  4. 제1항에 있어서,
    상기 인식하는 단계는,
    제2 기계학습 모델을 이용하여, 상기 사람 영역을 포함하는 상기 사람 서브 이미지로부터 바디 모션 정보를 인식하는 단계;
    제3 기계학습 모델을 이용하여, 상기 손 영역을 포함하는 상기 손 서브 이미지로부터 손 모션 정보를 인식하는 단계; 및
    제4 기계학습 모델을 이용하여, 상기 얼굴 영역을 포함하는 상기 얼굴 서브 이미지로부터 얼굴 모션 정보를 인식하는 단계
    를 포함하는, 3D 모션 캡처 방법.
  5. 제4항에 있어서,
    상기 제2 기계학습 모델은, 상기 사람 서브 이미지를 기초로 바디 모델 파라미터 및 카메라 파라미터를 출력하도록 구성된 모델이고,
    상기 바디 모션 정보는, 상기 바디 모델 파라미터에 기초하여 획득된 바디 3D 관절 각도 정보, 바디 3D 관절 위치 정보 및 바디 3D 메쉬 정보를 포함하는, 3D 모션 캡처 방법.
  6. 제5항에 있어서,
    상기 제2 기계학습 모델은, 상기 사람 서브 이미지를 기초로 바디 2D 관절 추정 정보 및 신체 부위 세그멘테이션 맵을 더 출력하도록 더 구성된 모델인, 3D 모션 캡처 방법.
  7. 제6항에 있어서,
    상기 바디 3D 관절 위치 정보, 상기 바디 2D 관절 추정 정보 및 상기 신체 부위 세그멘테이션 맵을 이용하여, 상기 탐지된 손 영역을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류하는 단계
    를 더 포함하는, 3D 모션 캡처 방법.
  8. 제4항에 있어서,
    상기 제1 기계학습 모델은 상기 입력 이미지의 적어도 일부로부터 상기 사람 영역, 상기 손 영역 및 상기 얼굴 영역을 탐지하고, 상기 바디 모션 정보를 인식하도록 구성된 모델이고,
    상기 제2 기계학습 모델은 상기 제1 기계학습 모델과 동일한 모델인, 3D 모션 캡처 방법.
  9. 제8항에 있어서,
    상기 입력 이미지를 수신하는 단계는,
    동일한 크기의 복수의 프레임 이미지를 순차적으로 수신하는 단계
    를 포함하고,
    상기 복수의 프레임 이미지의 각각이 순차적으로 수신되는 것에 응답하여, 상기 복수의 프레임 이미지의 각각에 대해 상기 탐지하는 단계 및 상기 3D 모션 정보를 인식하는 단계가 실시간으로 수행되고,
    상기 복수의 프레임 이미지 중 특정 프레임 이미지에 대한 상기 탐지하는 단계 및 상기 3D 모션 정보를 인식하는 단계에서, 상기 특정 프레임 이미지의 적어도 일부가 상기 제1 기계학습 모델의 입력으로 인가되고,
    상기 제1 기계학습 모델의 입력으로 인가되는 상기 특정 프레임 이미지의 적어도 일부는,
    상기 특정 프레임 이미지의 이전 프레임 이미지로부터 사람 영역이 탐지된 경우, 상기 이전 프레임 이미지로부터 탐지된 사람 영역의 위치와 동일한 위치의 영역을 포함하고,
    상기 특정 프레임 이미지의 이전 프레임 이미지로부터 사람 영역이 탐지되지 않은 경우, 상기 특정 프레임 이미지의 전부인,
    3D 모션 캡처 방법.
  10. 제4항에 있어서,
    상기 제3 기계학습 모델은 손 분류기를 포함하고,
    상기 손 모션 정보를 인식하는 단계는,
    상기 손 분류기를 이용하여, 상기 탐지된 손 영역을 왼손 영역, 오른손 영역 또는 양손 영역 중 적어도 하나로 분류하는 단계
    를 포함하는, 3D 모션 캡처 방법.
  11. 제4항에 있어서,
    상기 제3 기계학습 모델은, 상기 손 서브 이미지를 기초로 손 포즈 파라미터를 출력하도록 구성된 모델이고,
    상기 손 모션 정보는, 상기 손 포즈 파라미터에 기초하여 획득된 제1 손목 각도 정보, 손 3D 관절 각도 정보, 손 3D 메쉬 정보 및 카메라 파라미터를 포함하는, 3D 모션 캡처 방법.
  12. 제11항에 있어서,
    상기 바디 모션 정보는, 상기 제2 기계학습 모델의 출력에 기초하여 획득된 제2 손목 각도 정보를 포함하고,
    상기 3D 모션 정보를 인식하는 단계는,
    상기 손 포즈 파라미터에 기초하여 획득된 제1 손목 각도 정보를 이용하여, 상기 제2 기계학습 모델의 출력에 기초하여 획득된 상기 제2 손목 각도 정보를 보정하는 단계
    를 더 포함하는, 3D 모션 캡처 방법.
  13. 제11항에 있어서,
    상기 바디 모션 정보는, 상기 제2 기계학습 모델의 출력에 기초하여 획득된 팔꿈치 각도 정보 및 어깨 각도 정보를 포함하고,
    상기 3D 모션 정보를 인식하는 단계는,
    상기 제1 손목 각도 정보를 이용하여, 상기 제2 기계학습 모델의 출력에 기초하여 획득된 상기 팔꿈치 각도 정보 및 상기 어깨 각도 정보를 보정하는 단계
    를 더 포함하는, 3D 모션 캡처 방법.
  14. 제4항에 있어서,
    상기 제4 기계학습 모델은, 상기 얼굴 서브 이미지를 기초로 3D 얼굴 모델 파라미터, 3D 얼굴 랜드마크 정보, 블렌드쉐입(blendshpe) 및 카메라 파라미터를 출력하도록 구성된 모델인, 3D 모션 캡처 방법.
  15. 제4항에 있어서,
    상기 얼굴 모션 정보는, 머리 포즈 정보, 얼굴 형태 정보 및 얼굴 표정 정보를 포함하고,
    상기 얼굴 모션 정보를 인식하는 단계는,
    상기 제4 기계학습 모델을 이용하여, 상기 얼굴 서브 이미지로부터 상기 머리 포즈 정보, 상기 얼굴 형태 정보 및 상기 얼굴 표정 정보를 구분하여 인식하는 단계
    를 포함하는, 3D 모션 캡처 방법.
  16. 제15항에 있어서,
    상기 얼굴 표정 정보는, 시선 정보 및 혀의 움직임 정보를 포함하는, 3D 모션 캡처 방법.
  17. 제15항에 있어서,
    상기 바디 모션 정보는, 상기 제2 기계학습 모델의 출력에 기초하여 획득된 머리 각도 정보를 포함하고,
    상기 3D 모션 정보를 인식하는 단계는,
    상기 머리 포즈 정보를 이용하여, 상기 제2 기계학습 모델의 출력에 기초하여 획득된 상기 머리 각도 정보를 보정하는 단계
    를 더 포함하는, 3D 모션 캡처 방법.
  18. 제1항에 있어서,
    상기 3D 모션 정보는 관절 각도 정보를 포함하고,
    상기 3D 모션 정보를 인식하는 단계는,
    상기 입력 이미지에 포함된 인물 객체의 신체 비율, 상기 캐릭터의 신체 비율 또는 상기 캐릭터와 연관된 관절 각도 제한 정보 중 적어도 하나를 이용하여, 상기 관절 각도 정보를 보정하는 단계
    를 포함하는, 3D 모션 캡처 방법.
  19. 제1항에 따른 방법을 컴퓨터에서 실행하기 위한 명령어들을 기록한 컴퓨터 판독 가능한 비일시적 기록매체.
  20. 모션 캡처 시스템으로서,
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로그램은,
    인물 객체를 포함하는 입력 이미지를 수신하고, 제1 기계학습 모델을 이용하여, 입력 이미지의 적어도 일부로부터 사람 영역, 손 영역 및 얼굴 영역을 탐지하고, 상기 사람 영역을 포함하는 사람 서브 이미지, 상기 손 영역을 포함하는 손 서브 이미지 및 상기 얼굴 영역을 포함하는 얼굴 서브 이미지로부터 3D 모션 정보를 인식하기 위한 명령어들을 포함하고,
    상기 3D 모션 정보에 기초한 렌더링을 통해, 상기 입력 이미지에 포함된 상기 인물 객체의 바디 모션, 손 모션 및 얼굴 모션을 모사하는 캐릭터를 포함하는 캐릭터 이미지가 생성되는, 모션 캡처 시스템.
PCT/KR2023/012256 2022-09-21 2023-08-18 3d 모션 캡처 방법 및 시스템 WO2024063343A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0119647 2022-09-21
KR20220119647 2022-09-21
KR1020230105729A KR20240040620A (ko) 2022-09-21 2023-08-11 3d 모션 캡처 방법 및 시스템
KR10-2023-0105729 2023-08-11

Publications (1)

Publication Number Publication Date
WO2024063343A1 true WO2024063343A1 (ko) 2024-03-28

Family

ID=90454616

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/012256 WO2024063343A1 (ko) 2022-09-21 2023-08-18 3d 모션 캡처 방법 및 시스템

Country Status (1)

Country Link
WO (1) WO2024063343A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101393717B1 (ko) * 2012-06-26 2014-05-13 구글 인코포레이티드 얼굴 인식 기술
KR20210135033A (ko) * 2020-05-04 2021-11-12 한양대학교 에리카산학협력단 신체부위 세그먼테이션 및 관절좌표 탐지 방법 및 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101393717B1 (ko) * 2012-06-26 2014-05-13 구글 인코포레이티드 얼굴 인식 기술
KR20210135033A (ko) * 2020-05-04 2021-11-12 한양대학교 에리카산학협력단 신체부위 세그먼테이션 및 관절좌표 탐지 방법 및 시스템

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LU YANG, YU HAN, NI WEI, SONG LIANG: "3D real-time human reconstruction with a single RGBD camera", APPLIED INTELLIGENCE., KLUWER ACADEMIC PUBLISHERS, DORDRECHT., NL, vol. 53, no. 8, 2 August 2022 (2022-08-02), NL , pages 8735 - 8745, XP093149262, ISSN: 0924-669X, DOI: 10.1007/s10489-022-03969-4 *
SONG KYUNG-MIN, CHILL-WOO LEE: "Motion Curve Fitting for Character Animation", PROCEEDINGS OF THE KOREA MULTIMEDIA SOCIETY 2001 FALL CONFERENCE, 1 January 2011 (2011-01-01), pages 611 - 616, XP093149263 *
박나현 등. RGB-Depth 카메라와 Deep Convolution Neural Networks 기반의 실시간 사람 양손 3D 포즈 추정. 2018년 추계학술발표대회 논문집. vol. 25, no. 2, pp. 686-689, November 2018 (PARK, Na Hyeon et al. Real-time 3D Pose Estimation of Both Human Hands via RGB-Depth Camera and Deep Convolutional Neural Networks. Proceedings of 2018 Fall Conference). *

Similar Documents

Publication Publication Date Title
WO2019164266A1 (en) Electronic device for generating image including 3d avatar reflecting face motion through 3d avatar corresponding to face and method of operating same
WO2017010695A1 (en) Three dimensional content generating apparatus and three dimensional content generating method thereof
WO2019050360A1 (en) ELECTRONIC DEVICE AND METHOD FOR AUTOMATICALLY SEGMENTING TO BE HUMAN IN AN IMAGE
WO2023024442A1 (zh) 检测方法、训练方法、装置、设备、存储介质和程序产品
WO2015012495A1 (en) User terminal device and the control method thereof
WO2020105871A1 (ko) 전자 장치 및 그 제어 방법
WO2022071743A1 (en) Body shape and pose estimation via volumetric regressor for raw three dimensional scan models
WO2024063343A1 (ko) 3d 모션 캡처 방법 및 시스템
WO2021251534A1 (ko) 모션 및 얼굴 캡쳐를 이용한 실시간 방송플랫폼 제공 방법, 장치 및 그 시스템
WO2019151689A1 (ko) 전자 장치 및 이의 제어 방법
WO2021096339A1 (ko) 이미지 변형 방법
TWI808321B (zh) 應用於畫面顯示的物件透明度改變方法及實物投影機
WO2012034469A1 (zh) 基于手势的人机交互方法及系统、计算机存储介质
WO2024014819A1 (en) Multimodal disentanglement for generating virtual human avatars
WO2023075508A1 (ko) 전자 장치 및 그 제어 방법
WO2022098164A1 (ko) 전자 장치 및 전자 장치의 제어 방법
KR20240040620A (ko) 3d 모션 캡처 방법 및 시스템
WO2020122513A1 (ko) 2차원 이미지 처리 방법 및 이 방법을 실행하는 디바이스
WO2023224250A1 (ko) 전자 장치 및 이의 제어 방법
Annachhatre et al. Virtual Mouse Using Hand Gesture Recognition-A Systematic Literature Review
WO2023063570A1 (ko) 손 동작에 관한 이미지 데이터를 획득하는 전자 장치 및 그 동작 방법
WO2020017668A1 (ko) 다시점 영상 정합을 이용한 아바타 생성 방법 및 장치
WO2023113471A1 (ko) 복수의 카메라를 이용하여 촬영된 객체의 3차원 골격 데이터를 획득하는 전자 장치 및 방법
WO2023146118A1 (ko) Hci를 통해 태그를 획득하고 물체에 대한 명령을 수행하는 방법 및 전자 장치
WO2023101167A1 (ko) 후면 영상정보 생성 장치 및 방법

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: 23868401

Country of ref document: EP

Kind code of ref document: A1