KR20230001715A - 시선 방향 인식 시에 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법 - Google Patents

시선 방향 인식 시에 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법 Download PDF

Info

Publication number
KR20230001715A
KR20230001715A KR1020210084593A KR20210084593A KR20230001715A KR 20230001715 A KR20230001715 A KR 20230001715A KR 1020210084593 A KR1020210084593 A KR 1020210084593A KR 20210084593 A KR20210084593 A KR 20210084593A KR 20230001715 A KR20230001715 A KR 20230001715A
Authority
KR
South Korea
Prior art keywords
gaze direction
face
module
processor
electronic device
Prior art date
Application number
KR1020210084593A
Other languages
English (en)
Inventor
이철준
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210084593A priority Critical patent/KR20230001715A/ko
Priority to CN202280017066.4A priority patent/CN116917846A/zh
Priority to EP22833353.0A priority patent/EP4250064A4/en
Priority to PCT/KR2022/002425 priority patent/WO2023277295A1/ko
Priority to US17/718,905 priority patent/US20220415083A1/en
Publication of KR20230001715A publication Critical patent/KR20230001715A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/013—Eye tracking input arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06T5/002—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • 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
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

본 기재는 시선 방향 인식 시에 에러를 보정하는 전자 장치에 관한 것이다. 본 기재의 전자 장치는, 이미지 프레임을 생성하도록 설정된 카메라 모듈, 메모리, 그리고 프로세서를 포함하고, 프로세서는 이미지 프레임에 대해 얼굴 인식을 수행하고, 얼굴 인식에서 얼굴이 인식되는 것에 응답하여 얼굴의 특징점 추출을 수행하고, 얼굴의 특징점이 추출되는 것에 응답하여 얼굴의 얼굴 방향을 인식하고, 얼굴 방향이 인식되는 것에 응답하여 얼굴의 시선 방향을 인식하고, 시선 방향이 인식되는 것에 응답하여 시선 방향의 정보에 대해 필터링을 수행하여 필터링된 시선 방향 정보를 생성하고, 그리고 필터링된 시선 방향 정보를 메모리에 저장한다.

Description

시선 방향 인식 시에 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법{ELECTRONIC DEVICE AND OPERATING METHOD OF ELECTRONIC DEVICE FOR CORRECTING ERROR DURING GAZE DIRECTION RECOGNITION}
본 기재는 전자 장치에 관한 것으로, 더 상세하게는 시선 방향 인식 시에 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법에 관한 것이다.
카메라에 의해 촬영된 이미지는 설정된 해상도를 갖는 둘 이상의 색들, 예를 들어, 적색(R), 녹색(G) 및 청색(B)의 데이터를 포함할 수 있다. 카메라에 의해 촬영된 이미지에 사람의 얼굴이 포함되는지를 식별하기 위해, 카메라에 의해 촬영된 이미지에서 얼굴을 인식하는 기술들이 연구되고 있다. 얼굴 인식 기술은 이미지에 포함된 사람의 식별, 이미지의 서비스 품질 개선 등과 같은 다양한 용도로 사용될 수 있다.
얼굴 인식에 더하여, 카메라에 의해 촬영된 이미지에서 인식된 얼굴로부터 시선(gaze) 방향을 인식하는 기술들이 연구되고 있다. 이미지에 포함된 사람의 얼굴에서 시선 방향까지 식별되면, 이미지를 기반으로 더 다양한 서비스들이 제공될 수 있다.
본 기재의 목적은 시선 방향 인식 시에 눈 깜빡임, 기침, 틱장애 등을 포함하는 행동에 의해 발생하는 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법을 제공하는 데에 있다.
본 기재의 실시 예에 따른 전자 장치는, 이미지 프레임을 생성하도록 설정된 카메라 모듈, 메모리, 그리고 프로세서를 포함하고, 상기 프로세서는 상기 이미지 프레임에 대해 얼굴 인식을 수행하고; 상기 얼굴 인식에서 얼굴이 인식되는 것에 응답하여 상기 얼굴의 특징점 추출을 수행하고; 상기 얼굴의 특징점이 추출되는 것에 응답하여 상기 얼굴 방향을 인식하고; 상기 얼굴의 얼굴 방향이 인식되는 것에 응답하여 상기 얼굴의 시선 방향을 인식하여 시선 방향 정보를 생성하고; 상기 시선 방향이 인식되는 것에 응답하여 상기 시선 방향 정보에 대해 필터링을 수행하여 필터링된 시선 방향 정보를 생성하고; 그리고 상기 이미지 프레임, 상기 얼굴 방향 정보, 그리고 상기 필터링된 시선 방향 정보를 상기 메모리에 저장한다.
프로세서, 카메라 모듈 및 메모리를 포함하는 본 기재의 실시 예에 따른 전자 장치의 동작 방법은, 상기 카메라 모듈이 이미지 프레임을 생성하고; 상기 프로세서가 상기 이미지 프레임에 대해 얼굴 인식을 수행하고; 상기 얼굴 인식에서 얼굴이 인식되는 것에 응답하여, 상기 프로세서가 상기 얼굴의 특징점 추출을 수행하고; 상기 얼굴의 특징점이 추출되는 것에 응답하여, 상기 프로세서가 상기 얼굴의 얼굴 방향을 인식하고; 상기 얼굴 방향이 인식되는 것에 응답하여, 상기 프로세서가 상기 얼굴의 시선 방향을 인식하여 시선 방향 정보를 생성하고; 상기 시선 방향이 인식되는 것에 응답하여, 상기 프로세서가 상기 시선 방향 정보에 대해 필터링을 수행하여 필터링된 시선 방향 정보를 생성하고; 그리고 상기 프로세서가 상기 필터링된 시선 방향 정보를 상기 메모리에 저장하는 것을 포함한다.
프로세서 및 카메라 모듈을 포함하는 본 기재의 실시 예에 따른 전자 장치의 동작 방법은, 상기 카메라 모듈이 이미지 프레임을 생성하고; 상기 프로세서가 상기 이미지 프레임에 대해 얼굴 인식을 수행하고; 상기 얼굴 인식에서 얼굴이 인식되는 것에 응답하여, 상기 프로세서가 상기 얼굴의 특징점 추출을 수행하고; 상기 얼굴의 특징점이 추출되는 것에 응답하여, 상기 프로세서가 상기 얼굴의 얼굴 방향을 인식하고; 상기 얼굴 방향이 인식되는 것에 응답하여, 인식 모듈에 기반하여 상기 얼굴의 시선 방향을 인식하고; 그리고 상기 프로세서가 에러 유발 행동들에 의해 상기 시선 방향의 인식 시에 발생하는 에러를 보정하는 것을 포함하고, 상기 인식 모듈은 겉모습-기반(appearance-based)의 심층 학습(Deep Learning)에 기반하여 생성되고 그리고 상기 프로세서에 의해 실행된다.
본 기재에 따르면, 연속한 이미지 프레임들에서 얼굴의 시선 방향의 변화가 저대역 통과 필터링에 의해 억제된다. 따라서, 눈 깜빡임, 기침, 틱장애 등을 포함하는 행동에 의해 시선 방향 인식에서 발생하는 에러가 보정된다. 따라서, 향상된 신뢰성으로 시선 방향을 인식하는 전자 장치 및 전자 장치의 동작 방법이 제공된다.
도 1은 본 기재의 제1 실시 예에 따른 전자 장치를 보여준다.
도 2는 프로세서에 의해 실행되는 모듈들의 예를 보여준다.
도 3은 도 1의 프로세서에 의해 실행되는 도 2의 모듈들에 의해 이미지 프레임이 처리되는 방법의 예를 보여준다.
도 4a 내지 도 4f는 도 3의 방법에 의해 이미지 프레임이 처리되는 과정의 예들을 보여준다.
도 5는 본 기재의 실시 예에 따른 시선 방향 필터링 모듈의 예를 보여준다.
도 6은 필터링 계수에 따라 시선 방향 필터링 모듈이 눈 깜빡임의 에러를 보정하는 성능이 달라지는 측정 결과를 보여준다.
도 7은 필터링 계수에 따라 시선 방향 필터링 모듈(250)이 시선 방향(GD)을 추적하는 성능이 달라지는 측정 결과를 보여준다.
도 8은 실제 시선 방향이 고정된 때에, 시선 방향 필터링 모듈이 눈 깜빡임으로 인한 에러를 억제하는 측정 결과를 보여준다.
도 9는 실제 시선 방향이 이동하는 때에, 시선 방향 필터링 모듈이 눈 깜빡임으로 인한 에러를 억제하는 측정 결과를 보여준다.
도 10은 다양한 실시 예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 11a 내지 도 11d는 전자 장치가 스마트 텔레비전으로 구현되어 시선 방향에 기반한 양방향 서비스를 제공하는 예들을 보여준다.
도 12a 내지 도 12d는 전자 장치가 스마트 폰으로 구현되어 시선 방향에 기반한 양방향 서비스를 제공하는 예들을 보여준다.
도 13은 전자 장치가 스마트 글래스로 구현되는 예들을 보여준다.
이하에서, 본 기재의 기술 분야에서 통상의 지식을 가진 자가 본 기재를 용이하게 실시할 수 있을 정도로, 본 기재의 실시 예들이 명확하고 상세하게 기재될 것이다.
도 1은 본 기재의 제1 실시 예에 따른 전자 장치(100)를 보여준다. 도 1을 참조하면, 전자 장치(100)는 프로세서(110), 메모리(120), 그리고 카메라 모듈(130)을 포함할 수 있다. 프로세서(110)는 전자 장치(100)의 운영 체제, 미들 웨어 또는 응용들을 실행할 수 있다. 프로세서(110)는 메인 프로세서(111) 및 보조 프로세서(113)를 포함할 수 있다. 메인 프로세서(111)는 중앙 처리 장치(CPU) 또는 응용 프로세서(AP)를 포함할 수 있다.
보조 프로세서(113)는 그래픽 프로세서(GPU), 뉴럴 프로세서(NPU), 뉴로모픽 프로세서(Neuromorphic Processor), 이미지 시그널 프로세서(ISP), 디지털 시그널 프로세서(DSP), 센서 허브 프로세서, 또는 커뮤니케이션 프로세서를 포함할 수 있다. 보조 프로세서(113)는 메인 프로세서(111)의 요청에 따라, 메인 프로세서(111)의 작업들 중 일부를 대신하여 처리할 수 있다.
메모리(120)는 데이터를 저장하는데 사용될 수 있다. 메모리(120)는 휘발성 메모리(122) 및 비휘발성 메모리(124)를 포함할 수 있다. 휘발성 메모리(122)는 정적 랜덤 액세스 메모리, 동적 랜덤 액세스 메모리, 상 변화 랜덤 액세스 메모리, 강유전체 랜덤 액세스 메모리, 자기 랜덤 액세스 메모리, 또는 저항성 랜덤 액세스 메모리 등과 같은 다양한 메모리들을 포함할 수 있다. 휘발성 메모리(122)는 전자 장치(100)의 메인 메모리로 사용될 수 있다. 예를 들어, 휘발성 메모리(122)는 운영 체제, 미들 웨어, 또는 응용들에 의해 실행되는 코드들을 임시로 저장할 수 있다. 휘발성 메모리(122)는 운영 체제, 미들 웨어, 또는 응용들에 의해 생성되는 데이터를 임시로 저장할 수 있다. 비휘발성 메모리(124)는 낸드 플래시 메모리, 상 변화 메모리, 강유전체 메모리, 자기 메모리, 또는 저항성 메모리 등과 같은 다양한 비휘발성 메모리들을 포함할 수 있다. 비휘발성 메모리(124)는 전자 장치(100)의 보조 메모리로 사용될 수 있다. 예를 들어, 비휘발성 메모리는 운영 체제, 미들 웨어, 또는 응용들에 의해 실행되는 코드들의 원본들을 저장할 수 있다. 비휘발성 메모리는 운영 체제, 미들 웨어, 또는 응용들에 의해 생성되는 데이터의 원본들을 저장할 수 있다.
카메라 모듈(130)은 정지 영상 또는 동영상을 촬영할 수 있다. 카메라 모듈(130)은 정해진 해상도에 대응하는 이미지(IMG)를 정지 영상 또는 동영상의 하나의 이미지 프레임으로 생성할 수 있다. 이하에서, 이미지(IMG)는 동영상의 이미지 프레임들 중 하나의 이미지 프레임인 것으로 가정되지만, 이는 본 기재의 기술적 사상을 한정하지 않는다.
카메라 모듈(130)에 의해 생성되는 이미지 프레임(IMG)에 기반하여, 프로세서(110)는 얼굴 인식을 수행할 수 있다. 얼굴 인식은 지식-기반(knowledge-based) 방법, 또는 특색-기반(feature-based) 방법에 기반하여 수행될 수 있다. 예를 들어, 얼굴 인식은 심층 학습(Deep Learning)에 기반하여 수행될 수 있다.
프로세서(110)는 이미지 프레임(IMG)에서 인식된 얼굴에 기반하여, 시선 방향을 인식(또는 추정)할 수 있다. 시선 방향의 인식은 모델-기반(model-based) 방법 또는 겉모습-기반(appearance-based) 방법에 기반하여 수행될 수 있다.
모델-기반 방법은 눈의 기하학적 모델(geometrical model)을 사용할 수 있다. 모델-기반 방법은 각막-반사-기반(corneal-reflection-based) 방법 또는 형태-기반(shape-based) 방법을 포함할 수 있다. 각막-반사-기반 방법은 얼굴이 인식된 사용자의 각막을 향해 빛을 비추고, 그리고 각막에서 반사된 빛 방향을 이용하여 시선 방향을 인식(또는 추정)할 수 있다. 형태-기반 방법은 눈동자의 모양에 기반하며, 눈동자와 동공의 중심 위치에 기반하여 시선 방향을 인식(또는 추정)할 수 있다.
모델-기반 방법은 얼굴 및 눈의 기하학적 특징에 기반하므로, 이미지 프레임(IMG)의 해상도가 기준값 이상일 것을 필요로 한다. 이미지 프레임(IMG)의 해상도가 기준값보다 낮은 경우, 프로세서(110)는 이미지 프레임(IMG)에 포함된 눈의 기하학적 특징을 식별하는 데 실패할 수 있다. 즉, 시선 방향의 인식(또는 추정)이 실패할 수 있다.
겉모습-기반 방법은 이미지 프레임(IMG)에 포함된 얼굴의 눈의 기하학적 특징을 이용(예를 들어, 추출 또는 식별하여 이용)하지 않는다. 겉모습-기반 방법은 이미지 프레임(IMG)에 포함된 얼굴의 눈의 이미지 데이터 자체만을 이용하여 시선 방향을 인식(또는 추정)한다. 따라서, 이미지 프레임(IMG)의 해상도가 기준값보다 낮은 경우에도, 프로세서(110)는 시선 방향의 인식(또는 추정)을 성공할 수 있다.
겉모습-기반 방법은 심층 학습(Deep Learning)에 기반하여 학습된 인식 모델을 이용하여 수행될 수 있다. 겉모습-기반 방법은 이미지 프레임(IMG)에서 인식된 얼굴의 이미지에 기반하여 시선 방향을 인식(또는 추정)할 수 있다. 이미지 프레임(IMG) 상의 얼굴이 눈을 깜빡일 때에, 겉모습-기반 방법의 프로세서(110)는 시선 방향의 인식(또는 추정)에서 에러를 발생할 수 있다. 눈의 깜빡임으로 인해 발생하는 에러를 보정하기 위하여, 눈의 깜빡임을 인식하는 시도가 있을 수 있다.
눈 깜빡임은 눈 둘레근(orbicularis oculi) 및 눈꺼풀 올림근(levator palpebrae superioris)을 포함하는 눈 주위의 다양한 근육들을 이용하여 눈꺼풀을 내렸다가 올리는 동작을 나타낼 수 있다. 눈의 깜빡임은 명백한 외부의 자극에 의해 발생하는 자발적 깜빡임(spontaneous blinking), 그리고 갑작스러운 빛의 변화, 각막의 접촉, 갑작스러운 물체의 출현 등에 의해 발생하는 반사적 깜빡임(reflex blinking)을 포함할 수 있다.
사용자가 성인인 경우, 분당 최소 2 내지 4회의 깜빡임을 수행하고, 그리고 평균적으로 15 내지 20회의 깜빡임을 수행할 수 있다. 강한 바람이 부는 환경 또는 건조한 환경에서 깜빡임의 횟수가 증가하고, 그리고 사용자가 특정한 물체를 집중하여 주시할 때에 깜빡임의 횟수가 감소할 수 있다. 한 번의 깜빡임에 필요한 시간은 평균적으로 100ms 내지 400ms일 수 있다.
눈의 깜빡임을 인식하는 방법은 침입적(intrusive) 방법 및 비침입적(non-intrusive) 방법을 포함할 수 있다. 침입적 방법은 눈의 깜빡임을 인식하기 위해 설치된 별도의 장치를 이용할 수 있다. 예를 들어, 침입적 방법은 적어도 하나의 전극을 이용하여 안전도 기록(EOG)(Electrooculography)을 측정하는 방법, 도플러 센서를 이용하는 방법, 그리고 눈을 관찰하는 카메라가 부착된 안경을 이용하는 방법을 포함할 수 있다.
비침입적 방법은 눈의 깜빡임을 인식하기 위해 설치되는 별도의 장치를 필요로 하지 않을 수 있다. 비침입적 방법은 눈을 포함하는 얼굴의 이미지 프레임(IMG)을 이용하여 눈의 깜빡임을 인식할 수 있다. 예를 들어, 비침입적 방법은 눈 주변의 랜드마크들(landmarks)을 식별하고, 랜드마크들에 기반하여 윗눈꺼풀과 아랫눈꺼풀 사이의 거리를 식별하고, 그리고 식별된 거리에 기반하여 눈의 깜빡임을 인식할 수 있다. 하지만, 랜드마크들의 식별은 높은 연산량을 필요로 하고, 비침입적 방법으로 눈의 깜빡임을 인식하는 것은 높은 프레임율을 필요로 한다. 또한, 이미지 프레임(IMG) 상의 사용자가 눈을 깜빡인 후에야 눈의 깜빡임을 식별할 수 있다. 따라서, 비침입적 방법은 눈의 깜빡임을 실시간으로 인식하는 것이 어렵고, 따라서 눈의 깜빡임으로 인해 발생하는 에러를 실시간으로 보정하는 것이 어려울 수 있다.
본 기재는 겉모습-기반(appearance-based) 시선 방향 인식 방법에서, 눈의 깜빡임을 별도로 인식하지 않고도, 이미지 프레임(IMG) 상의 사용자가 눈을 깜빡이는 것에 의해 발생하는 시선 방향 인식(또는 추정)의 에러를 보정함으로써, 이미지 프레임(IMG) 상의 사용자의 시선 방향을 강건하게(robust) 인식(또는 추정)하는 전자 장치(100)의 동작 방법을 제공할 수 있다. 이미지 프레임(IMG) 상의 사용자의 눈의 깜빡임으로 인해 발생하는 시선 방향의 에러를 억제함으로써, 전자 장치(100)는 시선 방향에 기반한 다양한 서비스들을 높은 신뢰도로 사용자에게 제공할 수 있다.
상술된 기재에서 그리고 아래에서, 본 기재의 실시 예들은 눈의 깜빡임으로 인해 발생하는 시선 방향의 에러를 억제(또는 보상)하는 것으로 기술된다. 그러나 본 기재의 실시 예들은 눈의 깜빡임과 연관되는 것으로 한정되지 않는다. 본 기재의 실시 예들은 겉모습-기반 방법에 기반한 시선 방향 인식에서 에러를 유발하는 임의의 행동들, 예를 들어 눈의 깜빡임, 기침, 틱장애로 인해 발생하는 돌발적인 움직임 등으로 인해 발생하는 시선 방향의 에러를 억제(또는 보상)하도록 적용될 수 있다.
도 2는 프로세서(110)에 의해 실행되는 모듈들(200)의 예를 보여준다. 예시적으로, 모듈들(200)의 각각은 하드웨어, 하드웨어에서 실행되는 소프트웨어, 또는 소프트웨어와 하드웨어의 조합으로 구현될 수 있다. 도 2를 참조하면, 모듈들(200)은 얼굴 인식 모듈(210), 특징점 추출 모듈(220), 얼굴 방향 인식 모듈(230), 시선 방향 인식 모듈(240), 그리고 시선 방향 필터링 모듈(250)을 포함할 수 있다.
도 1 및 도 2를 참조하면, 카메라 모듈(130)은 이미지 프레임(IMG)을 생성할 수 있다. 이미지 프레임(IMG)은 프로세서(110)를 통해 또는 프로세서(110)를 우회하여 메모리(120)에 저장될 수 있다.
프로세서(110)에 의해 실행되는 얼굴 인식 모듈(210)은 메모리(120)로부터 이미지 프레임(IMG)을 수신할 수 있다. 얼굴 인식 모듈(210)은 이미지 프레임(IMG)에 대해 얼굴 인식을 수행하여, 이미지 프레임(IMG)에 얼굴이 포함되어 있는지 인식(또는 추론)할 수 있다. 예시적으로, 얼굴 인식 모듈(210)은 심층 학습(Deep Learning)에 기반하여 얼굴을 인식(또는 추론)하도록 학습된 모듈일 수 있다. 즉, 얼굴 인식 모듈(210)은 심층 학습에 기반하여 이미지 프레임(IMG)으로부터 얼굴을 인식할 수 있다.
얼굴 인식이 성공하면, 얼굴 인식 모듈(210)은 인식된 얼굴을 나타내는 얼굴 인식 정보(FRI)(Face Recognition Information)를 생성할 수 있다. 예를 들어, 얼굴 인식 정보(FRI)는 이미지 프레임(IMG)의 메타 정보로서, 이미지 프레임(IMG)에 포함(예를 들어, 추가)될 수 있다. 예를 들어, 얼굴 인식 모듈(210)은 얼굴 인식 정보(FRI)를 메모리(120)에 저장할 수 있다.
특징점 추출 모듈(220)은 메모리(120)로부터 이미지 프레임(IMG) 및 얼굴 인식 정보(FRI)를 수신할 수 있다. 특징점 추출 모듈(220)은 이미지 프레임(IMG) 및 얼굴 인식 정보(FRI)에 기반하여 특징점 추출을 수행하여, 이미지 프레임(IMG) 상의 얼굴의 특징점들을 추출할 수 있다. 특징점들은 이미지 프레임(IMG)의 얼굴의 이미지에서 특징적으로 보여지는 지점들일 수 있다. 특징점들은 모델-기반 방법의 기하학적 특징들과 무관하며, 얼굴의 이미지 자체에서 보여지는 특징적인 지점들일 수 있다.
예시적으로, 특징점 추출 모듈(220)은 심층 학습(Deep Learning)에 기반하여 특징점들을 추출하도록 학습된 모듈일 수 있다. 즉, 특징점 추출 모듈(220)은 심층 학습에 기반하여 이미지 프레임(IMG)의 얼굴로부터 특징점들을 추출할 수 있다. 특징점 추출에 성공하면, 특징점 추출 모듈(220)은 특징점들을 나타내는 특징점 정보(FPI)(Feature Point Information)를 생성할 수 있다. 예를 들어, 특징점 정보(FPI)는 이미지 프레임(IMG)의 메타 정보로서, 이미지 프레임(IMG)에 포함(예를 들어, 추가)될 수 있다. 예를 들어, 특징점 정보(FPI)는 이미지 프레임(IMG)의 메타 정보로서, 얼굴 인식 정보(FRI)를 포함할 수 있다. 예를 들어, 특징점 추출 모듈(220)은 특징점 정보(FPI)를 메모리(120)에 저장할 수 있다.
얼굴 방향 인식 모듈(230)은 메모리(120)로부터 이미지 프레임(IMG) 및 특징점 정보(FPI)를 수신할 수 있다. 얼굴 방향 인식 모듈(230)은 이미지 프레임(IMG) 및 특징점 정보(FPI)에 기반하여 얼굴 방향 인식을 수행하여, 이미지 프레임(IMG)에 포함된 얼굴 방향을 인식(또는 추론)할 수 있다. 예를 들어, 얼굴 방향 인식 모듈(230)은 특정한 알고리즘을 실행하여, 특징점들에 기반하여 이미지 프레임(IMG)의 얼굴의 2차원 이미지로부터 얼굴의 3차원 이미지를 생성할 수 있다.
얼굴 방향은 회전 벡터(Rotation Vector) 및 트랜지션 벡터(Transition Vector)로 나타내어질 수 있다. 회전 벡터는 3차원 벡터이며, 이미지 프레임(IMG) 상에서 얼굴의 정면이 노출될 때를 기준으로, 얼굴이 어느 방향으로 어느 정도(예를 들어, 각도의 단위로) 회전했는지를 나타낼 수 있다. 트랜지션 벡터는 3차원 벡터이며, 이미지 프레임(IMG) 상에서 얼굴이 어느 방향(예를 들어, 이미지 프레임(IMG)의 수평 방향, 수직 방향, 또는 깊이 방향)으로 어느 정도 이동했는지를 나타낼 수 있다. 얼굴 방향 인식 모듈(230)은 회전 벡터 및 트랜지션 벡터를 포함하는 얼굴 방향 정보(FDI)(Face Direction Information)를 생성할 수 있다. 예를 들어, 얼굴 방향 정보(FDI)는 이미지 프레임(IMG)의 메타 정보로서, 이미지 프레임(IMG)에 포함(예를 들어, 추가)될 수 있다. 예를 들어, 얼굴 방향 정보(FDI)는 이미지 프레임(IMG)의 메타 정보로서, 특징점 정보(FPI)를 포함할 수 있다. 예를 들어, 얼굴 방향 인식 모듈(230)은 얼굴 방향 정보(FDI)를 메모리(120)에 저장할 수 있다.
시선 방향 인식 모듈(240)은 메모리(120)로부터 이미지 프레임(IMG) 및 얼굴 방향 정보(FDI)를 수신할 수 있다. 시선 방향 인식 모듈(240)은 이미지 프레임(IMG) 및 얼굴 방향 정보(FDI)에 기반하여 시선 방향 인식을 수행하여, 이미지 프레임(IMG)에 포함된 얼굴의 시선 방향을 인식(또는 추론)할 수 있다.
예를 들어, 시선 방향 인식 모듈(240)은 심층 학습(Deep Learning)에 기반하여 시선 방향을 인식(또는 추론)하도록 학습된 모듈일 수 있다. 즉, 시선 방향 인식 모듈(240)은 심층 학습에 기반하여 이미지 프레임(IMG)의 얼굴의 시선 방향을 인식(또는 추론)할 수 있다. 시선 방향 인식 모듈(240)은 시선 방향을 나타내는 시선 방향 정보(GDI)(Gaze Direction Information)를 생성할 수 있다. 예를 들어, 시선 방향 정보(GDI)는 이미지 프레임(IMG)의 메타 정보로서, 이미지 프레임(IMG)에 포함(예를 들어, 추가)될 수 있다. 예를 들어, 시선 방향 정보(GDI)는 이미지 프레임(IMG)의 메타 정보로서, 얼굴 방향 정보(FDI)를 포함할 수 있다. 예를 들어, 시선 방향 인식 모듈(240)은 시선 방향 정보(GDI)를 메모리(120)에 저장할 수 있다.
시선 방향 필터링 모듈(250)은 메모리(120)로부터 시선 방향 정보(GDI)를 수신할 수 있다. 시선 방향 필터링 모듈(250)은 시선 방향 정보(GDI)에 대해 필터링을 수행하여, 이미지 프레임(IMG)에 포함된 얼굴의 눈 깜빡임으로 인해 발행하는 에러를 보정할 수 있다. 예를 들어, 시선 방향 필터링 모듈(250)은 연속한 이미지 프레임들 사이에서 시선 방향 정보(GDI)가 가리키는 시선 방향이 변하는 정도를 제한함으로써, 시선 방향의 에러를 보정할 수 있다. 예를 들어, 시선 방향 필터링 모듈(250)은 연속한 이미지 프레임들의 시선 방향 정보(GDI)에서 고주파 성분을 제거하는 저대역 통과 필터링(LPF)(Low Pass Filtering)을 수행함으로써, 눈 깜빡임의 에러를 보정할 수 있다. 시선 방향 필터링 모듈(250)은 필터링된 시선 방향 정보(GDI_F)를 메모리(120)에 저장할 수 있다.
예시적으로, 시선 방향 정보(GDI)가 이미지 프레임(IMG)의 메타 정보로서 얼굴 인식 정보(FRI), 특징점 정보(FPI), 얼굴 방향 정보(FDI) 등과 같은 다양한 정보들을 포함할 때, 시선 방향 필터링 모듈(250)은 시선 방향 정보(GDI) 중에서 시선 방향을 나타내는 정보에 대해서만 필터링을 수행할 수 있다. 예시적으로, 시선 방향 필터링 모듈(250)은 메모리(120)로부터 시선 방향 정보(GDI)를 수신하는 대신, 시선 방향 인식 모듈(240)로부터 시선 방향 정보(GDI)를 직접 수신하여 필터링을 수행할 수 있다.
도 3은 도 1의 프로세서(110)에 의해 실행되는 도 2의 모듈들(200)에 의해 이미지 프레임(IMG)이 처리되는 방법의 예를 보여준다. 도 4a 내지 도 4f는 도 3의 방법에 의해 이미지 프레임(IMG)이 처리되는 과정의 예들을 보여준다.
도 1, 도 2, 도 3 및 도 4a를 참조하면, S110 단계에서 프로세서(110)에 의해 실행되는 얼굴 인식 모듈(210)은 이미지 프레임(IMG)을 수신할 수 있다.
S120 단계에서, 얼굴 인식 모듈(210)은 이미지 프레임(IMG)에서 얼굴 인식을 수행할 수 있다. 얼굴 인식이 실패하면, 예를 들어 이미지 프레임(IMG)에서 얼굴이 인식되지 않으면, 이미지 프레임(IMG)은 얼굴을 포함하지 않는 이미지 프레임인 것으로 판단될 수 있다. 따라서, 얼굴 인식과 연관된 후속 프로세스들은 생략되고, 그리고 S110 단계에서 다음 이미지 프레임에 대해 얼굴 인식과 연관된 프로세스들이 수행될 수 있다.
얼굴 인식이 성공하면, 예를 들어 이미지 프레임(IMG)에서 얼굴이 인식되면, 얼굴 인식과 연관된 후속 프로세스들이 수행될 수 있다. 예시적으로, 얼굴 인식 모듈(210)은 도 4a의 이미지 프레임(IMG)에서 얼굴의 인식에 성공할 수 있다. 얼굴의 인식이 성공하면, 얼굴 인식 정보(FRI)가 생성되어 메모리(120)에 저장될 수 있다.
도 1, 도 2, 도 3 및 도 4b를 참조하면, S130 단계에서 특징점 추출 모듈(220)은 이미지 프레임(IMG)에서 인식된 얼굴에 대해 특징점 추출을 수행할 수 있다. 특징점 추출이 실패하면, 얼굴 인식과 연관된 후속 프로세스들은 생략되고, 그리고 S110 단계에서 다음 이미지 프레임에 대해 얼굴 인식과 연관된 프로세스들이 수행될 수 있다.
특징점 추출이 성공하면, 도 4b에 도시된 바와 같이, 이미지 프레임(IMG)의 얼굴에서 특징점들(FP)이 생성될 수 있다. 예를 들어, 특징점들(FP)은 눈의 둘레, 눈썹, 코, 윗 입술과 아랫 입술, 그리고 얼굴의 윤곽선에서 생성될 수 있다. 특징점 추출이 성공하면, 특징점 정보(FPI)가 생성되어 메모리(120)에 저장될 수 있다.
도 1, 도 2, 도 3, 도 4b 및 도 4c를 참조하면, S140 단계에서 얼굴 방향 인식 모듈(230)은 특징점들(FP)에 기반하여 얼굴 방향(FD)을 인식(또는 추론)할 수 있다. 얼굴 방향(FD)의 인식이 성공하면, 얼굴 방향 정보(FDI)가 생성되어 메모리(120)에 저장될 수 있다. 예시적으로, 얼굴 방향 정보(FDI)의 회전 벡터 및 트랜지션 벡터 중에서 회전 벡터의 예가 도 4c에서 얼굴 방향(FD)으로 표시되어 있다.
도 1, 도 2, 도 3 및 도 4d를 참조하면, S150 단계에서, 시선 방향 인식 모듈(240)은 이미지 프레임(IMG)의 얼굴의 눈(또는 눈동자)의 이미지로부터 시선 방향(GD)을 인식(또는 추론)할 수 있다. 얼굴 방향(FD)과 유사하게, 시선 방향 또한 적어도 하나의 3차원 벡터로 표현될 수 있다. 도면이 불필요하게 복잡해지는 것을 방지하기 위하여, 시선 방향(GD)은 벡터들의 총 합의 형태로 간략히 표시된다. 시선 방향의 인식이 성공하면, 시선 방향 정보(GDI)가 생성되어 메모리(120)에 저장될 수 있다.
도 1, 도 2, 도 3 및 도 4e를 참조하면, 이미지 프레임(IMG)이 눈의 깜빡임을 포함할 때, 시선 방향(GD)을 인식하는데 에러가 발생할 수 있다. 예를 들어, 시선 방향(GD)은 눈의 깜빡임이 발생하기 이전에 인식된 시선 방향을 나타낸다. 에러 있는(erroneous) 시선 방향(GD_E)은 눈의 깜빡임이 발생하는 동안 인식되는 시선 방향을 나타낸다. 눈의 깜빡임이 발생하는 동안 사용자가 시선 방향을 고정하더라도, 시선 방향 인식 모듈(240)에서 에러 있는 시선 방향(GD_E)이 인식될 수 있다.
에러 있는 시선 방향(GD_E)이 인식됨에 따라, 시선 방향 인식 모듈(240)의 신뢰성이 저하된다. 따라서, 그리고 시선 방향 인식 모듈(240)의 인식 결과에 기반하여 서비스를 제공하는 것이 어려워질 수 있다.
도 1, 도 2, 도 3 및 도 4f를 참조하면, S160 단계에서 시선 방향 필터링 모듈(250)은 시선 방향 정보(GDI)에 필터링을 수행할 수 있다. 시선 방향 필터링 모듈(250)은 시선 방향 인식 모듈(240)에서 인식된 에러 있는 시선 방향(GD_E)을 보정하여, 필터링된 시선 방향(GD_F)을 생성할 수 있다. 필터링된 시선 방향(GD_F)은 실제 시선 방향에 대응하는 시선 방향(GD)에 에러 있는 시선 방향(GD_E)보다 더 근접할 수 있다.
예시적으로, 시선 방향 필터링 모듈(250)은 연속한 이미지 프레임들 사이에서 시선 방향 정보(GDI)가 가리키는 시선 방향이 변하는 정도를 제한함으로써, 시선 방향의 에러를 보정할 수 있다. 예를 들어, 시선 방향 필터링 모듈(250)은 연속한 이미지 프레임들의 시선 방향 정보(GDI)에서 고주파 성분을 제거하는 저대역 통과 필터링(LPF)(Low Pass Filtering)을 수행함으로써, 눈 깜빡임의 에러를 보정할 수 있다.
S170 단계에서, 시선 방향 필터링 모듈(250)은 필터링된 시선 방향(GD_F)을 나타내는 필터링된 시선 방향 정보(GDI_F)를 출력하여, 메모리(120)에 저장할 수 있다.
도 5는 본 기재의 실시 예에 따른 시선 방향 필터링 모듈(250)의 예를 보여준다. 도 1, 도 2 및 도 5를 참조하면, 시선 방향 필터링 모듈(250)은 계수 메모리(251), 제1 곱셈기(252), 지연기(253)(Z-1), 제2 곱셈기(254), 그리고 덧셈기(255)를 포함할 수 있다. 예시적으로, 시선 방향 필터링 모듈(250)은 1차 IIR(Infinite Impulse Response) 필터로 구현될 수 있다. 그러나 본 기재의 시선 방향 필터링 모듈(250)은 1차 IIR 필터로 한정되지 않으며, 다양한 형태의 필터들로 구현될 수 있다.
계수 메모리(251)는 제1 필터링 계수(a) 및 제2 필터링 계수(b)를 저장할 수 있다. 예시적으로, 제1 필터링 계수(a)의 값 및 제2 필터링 계수(b)의 값은 동적으로 조절될 수 있다. 제1 필터링 계수(a)의 값 및 제2 필터링 계수(b)의 값은 전자 장치(100)의 사용자의 설정에 응답하여 조절될 수 있다. 또는, 제1 필터링 계수(a)의 값 및 제2 필터링 계수(b)의 값은 전자 장치(100)의 운영 체제 또는 응용의 정책에 기반하여 조절될 수 있다. 계수 메모리(251)는 저장된 제1 필터링 계수(a) 및 제2 필터링 계수(b)를 출력할 수 있다.
제1 곱셈기(252)는 시선 방향 인식 모듈(240)로부터(또는 메모리(120)로부터) 제n 이미지 프레임(예를 들어, IMG[n])(n은 시간 상의 순서를 나타내는 정수)의 제n 시선 방향 정보(GDI[n])를 수신하고, 그리고 계수 메모리(251)로부터 제2 필터링 계수(b)를 수신할 수 있다. 제1 곱셈기(252)는 제n 시선 방향 정보(GDI[n])와 제2 필터링 계수(b)를 곱하여 출력할 수 있다. 예를 들어, 제1 곱셈기(252)는 제n 시선 방향 정보(GDI[n])의 3차원 좌표계에 대응하는 세 방향의 값들(예를 들어, 크기 값들)의 각각에 제2 필터링 계수(b)를 곱할 수 있다.
지연기(253)는 시선 방향 필터링 모듈(250)의 출력을 지연하여 출력할 수 있다. 예를 들어, 시선 방향 필터링 모듈(250)에 제n 시선 방향 정보(GDI[n])가 입력될 때, 지연기(253)는 제n-1 필터링된 시선 방향 정보(GDI_F[n-1])를 출력할 수 있다.
제2 곱셈기(254)는 지연기(253)로부터 제n-1 필터링된 시선 방향 정보(GDI_F[n-1])를 수신하고, 그리고 계수 메모리(251)로부터 제1 필터링 계수(a)를 수신할 수 있다. 제2 곱셈기(254)는 제n-1 필터링된 시선 방향 정보(GDI_F[n-1])의 값 및 제1 필터링 계수(a)를 곱하여 출력할 수 있다. 예를 들어, 제2 곱셈기(254)는 제n-1 필터링된 시선 방향 정보(GDI_F[n-1])의 3차원 좌표계에 대응하는 세 방향의 값들(예를 들어, 크기 값들)의 각각에 제1 필터링 계수(a)를 곱할 수 있다.
덧셈기(255)는 제1 곱셈기(252)의 출력과 제2 곱셈기(254)의 출력을 수신할 수 있다. 덧셈기(255)는 제1 곱셈기(252)의 출력과 제2 곱셈기(254)의 출력을 더하여, 제n 필터링된 시선 방향 정보(GDI_F[n])로 출력할 수 있다. 예를 들어, 덧셈기(255)는 제1 곱셈기(252)의 출력의 3차원 좌표계에 대응하는 세 방향의 값들(예를 들어, 크기 값들)과 제2 곱셈기(254)의 출력의 3차원 좌표계에 대응하는 세 방향의 값들(예를 들어, 크기 값들)을 각각 더할 수 있다. 덧셈기(255)로부터 출력되는 제n 필터링된 시선 방향 정보(GDI_F[n])는 메모리(120)에 저장될 수 있다.
도 6은 필터링 계수에 따라 시선 방향 필터링 모듈(250)이 눈 깜빡임의 에러를 보정하는 성능이 달라지는 측정 결과를 보여준다. 도 6에서, 가로 축은 시간(T)(예를 들어, 이미지 프레임(IMG)의 프레임 번호)을 가리키고, 세로 축은 각도(degree)를 나타낸다. 예시적으로, 실제 시선 방향이 고정되고 눈 깜빡임이 발생한 때에, 실제 시선 방향(예를 들어, GD)과 필터링된 시선 방향(GD_F) 사이의 차이가 세로축에서 각도로 나타내어질 수 있다(도 4f 참조).
도 1, 도 2, 도 5 및 도 6을 참조하면, 제1선(L1)은 제1 필터링 계수(a)가 '0.0'이고, 그리고 제2 필터링 계수(b)가 '1.0'인 때, 즉 시선 방향 필터링 모듈(250)이 비활성화된 때의 예를 보여준다. 제2선(L2)은 제1 필터링 계수(a)가 '0.1'이고, 그리고 제2 필터링 계수(b)가 '0.9'인 때의 예를 보여준다. 제3선(L3)은 제1 필터링 계수(a)가 '0.2'이고, 그리고 제2 필터링 계수(b)가 '0.8'인 때의 예를 보여준다. 제4선(L4)은 제1 필터링 계수(a)가 '0.3'이고, 그리고 제2 필터링 계수(b)가 '0.7'인 때의 예를 보여준다.
제1 필터링 계수(a)의 값이 증가할수록 또는 제2 필터링 계수(b)의 값이 감소할수록, 제n 필터링된 시선 방향 정보(GDI_F[n]) 중에서 제n 시선 방향 정보(GD[n])의 비중이 감소하고 그리고 제n-1 필터링된 시선 방향 정보(GDI_F[n-1])의 비중이 증가한다. 즉, 제n 필터링된 시선 방향 정보(GDI_F[n])의 변화가 더 억제되고, 그리고 고주파 성분이 더 억제된다. 따라서, 눈 깜빡임으로 인해 발생하는 에러가 더 억제될 수 있다.
도 7은 필터링 계수에 따라 시선 방향 필터링 모듈이 시선 방향을 추적하는 성능이 달라지는 측정 결과를 보여준다. 도 7에서, 가로 축은 시간(T)(예를 들어, 이미지 프레임(IMG)의 프레임 번호)을 가리키고, 세로 축은 각도(degree)를 나타낸다. 예시적으로, 눈 깜빡임 없이 실제 시선 방향이 변화할 때에, 실제 시선 방향과 필터링된 시선 방향(GD_F) 사이의 차이가 세로축에서 각도로 나타내어질 수 있다.
도 1, 도 2, 도 5 및 도 7을 참조하면, 제5선(L5)은 제1 필터링 계수(a)가 '0.0'이고, 그리고 제2 필터링 계수(b)가 '1.0'인 때, 즉 시선 방향 필터링 모듈(250)이 비활성화된 때의 예를 보여준다. 제6선(L6)은 제1 필터링 계수(a)가 '0.1'이고, 그리고 제2 필터링 계수(b)가 '0.9'인 때의 예를 보여준다. 제7선(L7)은 제1 필터링 계수(a)가 '0.2'이고, 그리고 제2 필터링 계수(b)가 '0.8'인 때의 예를 보여준다. 제8선(L8)은 제1 필터링 계수(a)가 '0.3'이고, 그리고 제2 필터링 계수(b)가 '0.7'인 때의 예를 보여준다.
제1 필터링 계수(a)의 값이 증가할수록 또는 제2 필터링 계수(b)의 값이 감소할수록, 제n 필터링된 시선 방향 정보(GDI_F[n]) 중에서 제n 시선 방향 정보(GD[n])의 비중이 감소하고 그리고 제n-1 필터링된 시선 방향 정보(GDI_F[n-1])의 비중이 증가한다. 즉, 제n 필터링된 시선 방향 정보(GDI_F[n])의 변화가 더 억제되고, 그리고 고주파 성분이 더 억제된다.
도 8은 실제 시선 방향이 고정된 때에, 시선 방향 필터링 모듈(250)이 눈 깜빡임으로 인한 에러를 억제하는 측정 결과를 보여준다. 도 8에서 가로 축은 시간(T)(예를 들어, 이미지 프레임(IMG)의 프레임 번호)을 가리키고, 세로 축은 각도(degree)를 나타낸다.
도 1, 도 2, 도 5 및 도 8을 참조하면, 그라운드 트루스(GT)(Ground Truth)는 실제 시선 방향을 나타낸다. 실제 시선 방향은 고정될 수 있다. 제9 선(L9)은 시선 방향 필터링 모듈(250)이 비활성화된 때의 필터링된 시선 방향 정보(GDI_F)를 보여준다. 제10선(L10)은 시선 방향 필터링 모듈(250)이 활성화된 때의 필터링된 시선 방향 정보(GDI_F)를 보여준다.
눈 깜빡임(BL)이 발생할 때에, 제9선(L9)은 그라운드 트루스(GT)와 큰 오차를 가질 수 있다. 제9선(L9)과 비교하면, 눈 깜빡임(BL)이 발생할 때에, 제10선(L10)은 그라운드 트루스(GT)와 상대적으로 작은 오차를 가질 수 있다. 즉, 본 기재의 실시 예에 따른 시선 방향 필터링 모듈(250)은 눈 깜빡임으로 인해 발생하는 에러를 효과적으로 억제할 수 있다.
도 9는 실제 시선 방향이 이동하는 때에, 시선 방향 필터링 모듈(250)이 눈 깜빡임으로 인한 에러를 억제하는 측정 결과를 보여준다. 도 9에서 가로 축은 시간(T)(예를 들어, 이미지 프레임(IMG)의 프레임 번호)을 가리키고, 세로 축은 각도(degree)를 나타낸다.
도 1, 도 2, 도 5 및 도 9를 참조하면, 그라운드 트루스(GT)(Ground Truth)는 실제 시선 방향을 나타낸다. 실제 시선 방향은 시간의 흐름에 따라 이동할 수 있다. 제11 선(L11)은 시선 방향 필터링 모듈(250)이 비활성화된 때의 필터링된 시선 방향 정보(GDI_F)를 보여준다. 제12선(L12)은 시선 방향 필터링 모듈(250)이 활성화된 때의 필터링된 시선 방향 정보(GDI_F)를 보여준다.
눈 깜빡임이 발생할 때에, 제11선(L11)은 그라운드 트루스(GT)와 큰 오차를 가질 수 있다. 제11선(L11)과 비교하면, 눈 깜빡임이 발생할 때에, 제12선(L12)은 그라운드 트루스(GT)와 상대적으로 작은 오차를 가질 수 있다. 즉, 본 기재의 실시 예에 따른 시선 방향 필터링 모듈(250)은 눈 깜빡임으로 인해 발생하는 에러를 효과적으로 억제할 수 있다.
도 10은 다양한 실시 예들에 따른 네트워크 환경(300) 내의 전자 장치(301)의 블록도이다. 예시적으로, 전자 장치(301)는 도 1의 전자 장치(100)의 확장된 구현 예를 보여준다.
도 10을 참조하면, 네트워크 환경(300)에서 전자 장치(301)는 제1 네트워크(398)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(302)와 통신하거나, 또는 제2 네트워크(399)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(304) 또는 서버(308) 중 적어도 하나와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(301)는 서버(308)를 통하여 전자 장치(304)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(301)는 프로세서(320), 메모리(330), 입력 모듈(350), 음향 출력 모듈(355), 디스플레이 모듈(360), 오디오 모듈(370), 센서 모듈(376), 인터페이스(377), 연결 단자(378), 햅틱 모듈(379), 카메라 모듈(380), 전력 관리 모듈(388), 배터리(389), 통신 모듈(390), 가입자 식별 모듈(396), 또는 안테나 모듈(397)을 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(301)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(378))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시 예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(376), 카메라 모듈(380), 또는 안테나 모듈(397))은 하나의 구성요소(예: 디스플레이 모듈(360))로 통합될 수 있다.
프로세서(320)는, 예를 들면, 소프트웨어(예: 프로그램(340))를 실행하여 프로세서(320)에 연결된 전자 장치(301)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(320)는 다른 구성요소(예: 센서 모듈(376) 또는 통신 모듈(390))로부터 수신된 명령 또는 데이터를 휘발성 메모리(332)에 저장하고, 휘발성 메모리(332)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(334)에 저장할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 메인 프로세서(321)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(323)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(301)가 메인 프로세서(321) 및 보조 프로세서(323)를 포함하는 경우, 보조 프로세서(323)는 메인 프로세서(321)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(323)는 메인 프로세서(321)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(323)는, 예를 들면, 메인 프로세서(321)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(321)를 대신하여, 또는 메인 프로세서(321)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(321)와 함께, 전자 장치(301)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(360), 센서 모듈(376), 또는 통신 모듈(390))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시 예에 따르면, 보조 프로세서(323)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(380) 또는 통신 모듈(390))의 일부로서 구현될 수 있다. 일 실시 예에 따르면, 보조 프로세서(323)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(301) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(308))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
예시적으로, 프로세서(320)는 도 1의 전자 장치(100)의 프로세서(110)에 대응할 수 있다. 메인 프로세서(321) 및 보조 프로세서(323)는 도 1의 메인 프로세서(111) 및 보조 프로세서(113)에 각각 대응할 수 있다.
메모리(330)는, 전자 장치(301)의 적어도 하나의 구성요소(예: 프로세서(320) 또는 센서 모듈(376))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(340)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(330)는, 휘발성 메모리(332) 또는 비휘발성 메모리(334)를 포함할 수 있다.
예시적으로, 메모리(330)는 도 1의 전자 장치(100)의 메모리(120)에 대응할 수 있다. 휘발성 메모리(332) 및 비휘발성 메모리(334)는 도 1의 휘발성 메모리(122) 및 비휘발성 메모리(124)에 각각 대응할 수 있다.
프로그램(340)은 메모리(330)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(342), 미들 웨어(344) 또는 어플리케이션(346)을 포함할 수 있다.
입력 모듈(350)은, 전자 장치(301)의 구성요소(예: 프로세서(320))에 사용될 명령 또는 데이터를 전자 장치(301)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(350)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(355)은 음향 신호를 전자 장치(301)의 외부로 출력할 수 있다. 음향 출력 모듈(355)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시 예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(360)은 전자 장치(301)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(360)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 디스플레이 모듈(360)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(370)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시 예에 따르면, 오디오 모듈(370)은, 입력 모듈(350)을 통해 소리를 획득하거나, 음향 출력 모듈(355), 또는 전자 장치(301)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(302))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(376)은 전자 장치(301)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시 예에 따르면, 센서 모듈(376)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(377)는 전자 장치(301)가 외부 전자 장치(예: 전자 장치(302))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시 예에 따르면, 인터페이스(377)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(378)는, 그를 통해서 전자 장치(301)가 외부 전자 장치(예: 전자 장치(302))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시 예에 따르면, 연결 단자(378)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(379)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시 예에 따르면, 햅틱 모듈(379)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(380)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시 예에 따르면, 카메라 모듈(380)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다. 예시적으로, 카메라 모듈(380)은 도 1의 전자 장치(100)의 카메라 모듈(130)에 대응할 수 있다.
전력 관리 모듈(388)은 전자 장치(301)에 공급되는 전력을 관리할 수 있다. 일 실시 예에 따르면, 전력 관리 모듈(388)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(389)는 전자 장치(301)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시 예에 따르면, 배터리(389)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(390)은 전자 장치(301)와 외부 전자 장치(예: 전자 장치(302), 전자 장치(304), 또는 서버(308)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(390)은 프로세서(320)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시 예에 따르면, 통신 모듈(390)은 무선 통신 모듈(392)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(394)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제1 네트워크(398)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제2 네트워크(399)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(304)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(392)은 가입자 식별 모듈(396)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제1 네트워크(398) 또는 제2 네트워크(399)와 같은 통신 네트워크 내에서 전자 장치(301)를 확인 또는 인증할 수 있다.
무선 통신 모듈(392)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(392)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(392)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔포밍(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(392)은 전자 장치(301), 외부 전자 장치(예: 전자 장치(304)) 또는 네트워크 시스템(예: 제2 네트워크(399))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시 예에 따르면, 무선 통신 모듈(392)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(397)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시 예에 따르면, 안테나 모듈(397)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시 예에 따르면, 안테나 모듈(397)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제1 네트워크(398) 또는 제2 네트워크(399)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(390)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(390)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시 예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(397)의 일부로 형성될 수 있다.
다양한 실시 예에 따르면, 안테나 모듈(397)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시 예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제2 면(예: 윗면 또는 측면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들 간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시 예에 따르면, 명령 또는 데이터는 제2 네트워크(399)에 연결된 서버(308)를 통해서 전자 장치(301)와 외부의 전자 장치(304) 간에 송신 또는 수신될 수 있다. 외부의 전자 장치(302, 또는 304) 각각은 전자 장치(301)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시 예에 따르면, 전자 장치(301)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(302, 304, 또는 308) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(301)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(301)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(301)로 전달할 수 있다. 전자 장치(301)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(301)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시 예에 있어서, 외부의 전자 장치(304)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(308)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시 예에 따르면, 외부의 전자 장치(304) 또는 서버(308)는 제2 네트워크(399) 내에 포함될 수 있다. 전자 장치(301)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 1 내지 도 9를 참조하여 설명된 바와 같이, 프로세서(320)는 도 2의 모듈들(200)을 실행할 수 있다. 따라서, 프로세서(320)는 카메라 모듈(380)을 통해 사용자의 시선 방향을 더 향상된 신뢰도로 인식(또는 추정)할 수 있다. 전자 장치(301)는 인식된 시선 방향에 기반하여, 시선 방향을 이용한 양방향 서비스를 사용자에게 제공할 수 있다.
도 11a 내지 도 11d는 전자 장치(301)가 스마트 텔레비전(400)으로 구현되어 시선 방향에 기반한 양방향 서비스를 제공하는 예들을 보여준다. 도 11a를 참조하면, 스마트 텔레비전(400)은 입력 모듈(450), 음향 출력 모듈(455), 디스플레이 모듈(460), 그리고 카메라 모듈(480)을 포함할 수 있다.
입력 모듈(450)은 스마트 텔레비전(400)의 본체에 결합된 마이크, 또는 스마트 텔레비전(400)과 원격으로 연결된 원격 컨트롤러(remote controller)를 포함할 수 있다. 원격 컨트롤러는 마이크를 포함할 수 있다. 입력 모듈(450)은 도 10의 입력 모듈(350)에 대응할 수 있다.
음향 출력 모듈(455)은 둘 이상의 스피커들을 포함할 수 있다. 음향 출력 모듈(455)은 도 10의 음향 출력 모듈(355)에 대응할 수 있다. 디스플레이 모듈(460)은 도 10의 디스플레이 모듈(360)에 대응할 수 있다. 카메라 모듈(480)은 도 10의 카메라 모듈(380)에 대응할 수 있다. 도 11a에서 생략되었지만, 스마트 텔레비전(400)은 도 10을 참조하여 설명된 전자 장치(301)의 구성 요소들의 전부 또는 일부를 더 포함할 수 있다. 예를 들어, 스마트 텔레비전(400)은 디스플레이 모듈(460)을 통해 표시되는 이미지를 외부의 장치로부터 수신하기 위한 통신 모듈(도 10의 390에 대응)과 같은 추가적인 구성 요소들을 더 포함할 수 있다.
스마트 텔레비전(400)은 사용자의 명령에 응답하여, 카메라 모듈(480)에서 생성되는 이미지 프레임에 기반하여 사용자의 시선 방향을 추적하는 시선 추적 모드를 활성화 또는 비활성화할 수 있다. 시선 추적 모드가 활성화되는 것에 응답하여, 스마트 텔레비전(400)은 사용자의 시선 방향을 지속적으로 추적할 수 있다. 시선 방향 필터링 모듈(250)(도 2 참조)에 기반하여, 스마트 텔레비전(400)은 사용자의 눈 깜빡임으로 인해 발생하는 에러를 보정할 수 있다. 따라서, 스마트 텔레비전(400)은 높은 신뢰도로 사용자의 시선 방향을 추적할 수 있다.
도 11b를 참조하면, 스마트 텔레비전(400)은 사용자로부터 입력 모듈(450)을 통해 특정한 신호(예를 들어, 명령)가 생성되는 것에 응답하여, 사용자의 시선 방향 정보(예를 들어, 필터링된 시선 방향 정보(GDI_F)(도 2, 도 3 및 도 4f 참조)에 기반한 양방향 서비스를 시작할 수 있다. 예를 들어, S210 단계에서, 사용자는 '헤이 빅스비. 이건 뭐지?'와 같이, 대상의 정보를 요청하는 명령을 내림으로써, 양방향 서비스의 시작을 요청할 수 있다.
예를 들어, 스마트 텔레비전(400)은 본체에 구비된 입력 모듈(450)(예를 들어, 마이크) 또는 원격 컨트롤러에 구비된 입력 모듈(450)(예를 들어, 마이크 또는 버튼)을 통해 사용자로부터 명령을 수신하고, 그리고 명령에 대응하는 신호를 생성할 수 있다.
사용자의 명령에 응답하여, 스마트 텔레비전(400)은 디스플레이 모듈(460)에 의해 표시되는 이미지 상에서 필터링된 시선 방향 정보(GDI_F)가 가리키는 위치의 대상을 식별할 수 있다. 필터링된 시선 방향 정보(GDI_F)가 이미지 상에서 가리키는 대상이 식별되지 않으면, 스마트 텔레비전(400)은 '대상을 식별할 수 없습니다'와 같은 식별이 실패하였음을 알리는 메시지를 출력(예를 들어, 음성 또는 텍스트의 형태로)할 수 있다.
필터링된 시선 방향 정보(GDI_F)가 이미지 상에서 가리키는 대상이 식별되면, S220 단계에서 스마트 텔레비전(400)은 대상의 정보를 표시(예를 들어, 음성 또는 텍스트의 형태로)할 수 있다. 예를 들어, 필터링된 시선 방향 정보(GDI_F)가 가리키는 대상은 '비빔밥'일 수 있다. 스마트 텔레비전(400)은 대상의 명칭인 '비빔밥'을 표시할 수 있다. 스마트 텔레비전(400)은 '비빔밥'의 레시피 정보, 비빔밥을 판매하는 가까운 레스토랑들의 정보, 비빔밥을 배달하는 가까운 업체들의 정보, 또는 '비빔밥'의 유래, '비빔밥'의 연령대별 또는 성별별 선호도 등과 같은 '비빔밥'과 연관된 추가 정보를 표시할 수 있다. 예시적으로, 스마트 텔레비전(400)은 통신 모듈(도 10의 390 대응)을 이용하여 외부의 장치로부터 대상의 정보를 획득하고, 그리고 획득된 정보를 표시할 수 있다.
도 11c를 참조하면, S230 단계에서 사용자는 '헤이 빅스비. 이건 뭐지?'와 같이, 대상의 정보를 요청하는 명령을 내릴 수 있다. 사용자의 명령에 응답하여, 스마트 텔레비전(400)은 디스플레이 모듈(460)에 의해 표시되는 이미지 상에서 필터링된 시선 방향 정보(GDI_F)가 가리키는 위치의 대상을 식별할 수 있다.
S240 단계에서 스마트 텔레비전(400)은 대상의 정보를 표시(예를 들어, 음성 또는 텍스트의 형태로)할 수 있다. 예를 들어, 필터링된 시선 방향 정보(GDI_F)가 가리키는 대상은 '사과'일 수 있다. 스마트 텔레비전(400)은 대상의 명칭인 '사과'를 표시할 수 있다. 스마트 텔레비전(400)은 '사과'를 판매하는 가까운 매장의 가격 정보, '사과'를 배달하는 가까운 매장의 가격 정보, 또는 '사과'와 연관된 추가 정보를 표시할 수 있다.
대상이 식별된 후에, 사용자로부터 입력 모듈(450)을 통해 대상의 식별 명령이 아닌 추가 서비스를 요구하는 추가 명령이 생성되는 것에 응답하여, 스마트 텔레비전(400)은 추가 서비스를 실행할 수 있다. 스마트 텔레비전(400)이 지원하는 추가 서비스들 중 일부는 통신 모듈(390)을 통해 수행될 수 있다. 예를 들어, 추가 서비스들 중 일부는 결제 서비스를 포함할 수 있다. 스마트 텔레비전(400)이 지원하는 추가 서비스들 중 다른 일부는 통신 모듈(390)을 통하지 않고 수행될 수 있다. 예를 들어, 추가 서비스들 중 다른 일부는 데이터 저장 서비스를 포함할 수 있다.
도 11d를 참조하면, S250 단계에서 사용자는 '3개 배달시켜줘'와 같이, 대상의 배달을 요청하는 명령을 내릴 수 있다. 사용자의 명령에 응답하여, 스마트 텔레비전(400)은 디스플레이 모듈(460)에 의해 표시되는 이미지 상에서 필터링된 시선 방향 정보(GDI_F)가 가리키는 위치의 대상의 배달을 요청할 수 있다.
다른 예로서, 스마트 텔레비전(400)은 필터링된 시선 방향(GD_F)에 기반하여 사용자의 명령을 인식할 수 있다. 예를 들어, 필터링된 시선 방향(GD_F)이 특정한 텍스트에 기준 시간 이상 머무르는 것에 응답하여, 스마트 텔레비전(400)은 특정한 텍스트에 대응하는 명령이 수신된 것으로 판단할 수 있다.
S260 단계에서, 스마트 텔레비전(400)은 사전에 사용자에 의해 등록된 결제 정보에 기반하여 온라인 결제를 수행하고, 그리고 결제 결과를 나타내는 결제 정보를 표시할 수 있다. 또한, 스마트 텔레비전(400)은 사과의 배달이 완료될 예상 시간을 나타내는 시간 정보를 표시할 수 있다.
도 11a 내지 도 11d를 참조하여 설명된 바와 같이, 필터링된 시선 방향 정보(GDI_F)의 신뢰성이 보장되면, 스마트 텔레비전(400)은 필터링된 시선 방향 정보(GDI_F)에 기반한 양방향 서비스를 사용자에게 제공할 수 있다. 따라서, 스마트 텔레비전(400)에 의해 제공되는 사용자의 편익이 증대될 수 있다.
도 12a 내지 도 12d는 전자 장치(301)가 스마트 폰(500)으로 구현되어 시선 방향에 기반한 양방향 서비스를 제공하는 예들을 보여준다. 도 12a를 참조하면, 스마트 폰(500)은 입력 모듈(550), 음향 출력 모듈(555), 디스플레이 모듈(560), 제1 카메라 모듈(580a), 그리고 제2 카메라 모듈(580b)을 포함할 수 있다.
입력 모듈(550)은 스마트 폰(500)의 하단에 제공되는 마이크를 포함할 수 있으며, 도 10의 입력 모듈(350)에 대응할 수 있다. 음향 출력 모듈(555)은 스마트폰(500)의 하단에 제공되는 스피커를 포함할 수 있으며, 도 10의 음향 출력 모듈(355)에 대응할 수 있다.
디스플레이 모듈(560)은 도 10의 디스플레이 모듈(360)에 대응할 수 있다. 제1 카메라 모듈(580a)은 스마트 폰(500)의 전면 카메라 모듈일 수 있으며, 도 10의 카메라 모듈(380)에 대응할 수 있다. 제2 카메라 모듈(580b)은 스마트 폰(500)의 후면 카메라 모듈일 수 있으며, 도 10의 카메라 모듈(380)에 대응할 수 있다. 도 12a에서 생략되었지만, 스마트 폰(500)은 도 10을 참조하여 설명된 전자 장치(301)의 구성 요소들의 전부 또는 일부를 더 포함할 수 있다. 예를 들어, 스마트 폰(500)은 외부의 장치와 통신하기 위한 통신 모듈(도 10의 390에 대응)과 같은 추가적인 구성 요소들을 더 포함할 수 있다.
스마트 폰(500)은 사용자의 명령에 응답하여, 제1 카메라 모듈(580a) 또는 제2 카메라 모듈(580b)에서 생성되는 이미지 프레임에 기반하여 사용자의 시선 방향을 추적하는 시선 추적 모드를 활성화 또는 비활성화할 수 있다. 시선 추적 모드가 활성화되는 것에 응답하여, 스마트 폰(500)은 사용자의 시선 방향을 지속적으로 추적할 수 있다. 시선 방향 필터링 모듈(250)(도 2 참조)에 기반하여, 스마트 폰(500)은 사용자의 눈 깜빡임으로 인해 발생하는 에러를 보정할 수 있다. 따라서, 스마트 폰(500)은 높은 신뢰도로 사용자의 시선 방향을 추적할 수 있다.
도 12a 및 도 12b를 참조하면, 스마트 폰(500)의 제2 카메라 모듈(580b)의 초기 촬영 모드는 와이드 모드일 수 있다. 와이드 모드에서, 제2 카메라 모듈(580b)은 넓은 시야로 이미지를 촬영할 수 있다. 제2 카메라 모듈(580b)에 의해 촬영된 이미지는 디스플레이 모듈(560)을 통해 표시될 수 있다.
스마트 폰(500)은 사용자로부터 입력 모듈(550)을 통해 특정한 신호(예를 들어, 명령)가 생성되는 것에 응답하여, 사용자의 시선 방향 정보(예를 들어, 필터링된 시선 방향 정보(GDI_F)(도 2, 도 3 및 도 4f 참조)에 기반한 양방향 서비스를 시작할 수 있다. 예를 들어, S310 단계에서, 사용자는 '헤이 빅스비. 시선 모드'와 같이, 모드의 변경을 요청하는 명령을 내림으로써, 양방향 서비스의 시작을 요청할 수 있다.
사용자의 명령에 응답하여, S320 단계에서 스마트 폰(500)은 제1 카메라 모듈(580a)을 이용하여 사용자의 눈동자와 스마트 폰(500) 사이의 거리를 측정할 수 있다. 예를 들어, 제1 카메라 모듈(580a)은 거리를 측정하도록 설정된 별도의 거리 측정 이미지 센서를 구비하거나, 또는 거리를 측정하도록 설정된 거리 측정 픽셀들을 포함하는 이미지 센서를 구비할 수 있다. 예시적으로, 측정되는 거리는 제1 카메라 모듈(580a)과 사용자의 눈동자 사이의 가상의 선(점선으로 표시)의 거리일 수 있다.
S330 단계에서 스마트 폰(500)은 필터링된 시선 방향 정보(GDI_F)과 가성의 선 사이의 각도를 계산할 수 있다. S340 단계에서, 스마트 폰(500)은 디스플레이 모듈(560)에 의해 표시되는 이미지 상에서 필터링된 시선 방향 정보(GDI_F)가 가리키는 위치의 대상을 식별할 수 있다. 예시적으로, 스마트 폰(500)이 제2 카메라 모듈(580b)을 이용하여 이미지를 생성하는 동안, 스마트 폰(500)은 제2 카메라 모듈(580b)을 이용하여 이미지에 포함된 대상들까지의 거리 또는 초점 영역까지의 거리에 대한 정보를 지속적으로 생성할 수 있다. 스마트 폰(500)은 S320 단계에서 측정된 거리, S330 단계에서 계산된 각도, 그리고 지속적으로 생성되는 거리에 기반하여, 이미지 상에서 필터링된 시선 방향 정보(GDI_F)가 가리키는 위치의 대상을 식별할 수 있다.
예시적으로, 필터링된 시선 방향 정보(GDI_F)가 이미지 상에서 가리키는 대상이 식별되지 않으면, 스마트 폰(500)은 '대상을 식별할 수 없습니다'와 같은 식별이 실패하였음을 알리는 메시지를 출력(예를 들어, 음성 또는 텍스트의 형태로)할 수 있다.
도 12b 및 도 12c를 참조하면, 필터링된 시선 방향 정보(GDI_F)가 이미지 상에서 가리키는 대상이 식별되면, S350 단계에서, 스마트 폰(500)은 이미지 상에서 필터링된 시선 방향 정보(GDI_F)에 의해 식별된 대상으로 제2 카메라 모듈(580b)의 초점을 변경할 수 있다. 따라서, 식별된 대상이 확대된 이미지가 제2 카메라 모듈(580b)에 의해 촬영되고, 그리고 디스플레이 모듈(560)에서 표시될 수 있다. 또는, 필터링된 시선 방향 정보(GDI_F)가 가리키는 대상이 이미지 상에서 식별되지 않아도, 스마트 폰(500)은 필터링된 시선 방향 정보(GDI_F)가 가리키는 위치로 초점을 변경할 수 있다.
제2 카메라 모듈(580b)의 초점이 변경되는 것에 응답하여, S360 단계에서 스마트 폰(500)은 '시선 모드를 시작합니다'와 같이 모드의 변경을 알리는 메시지를 출력(예를 들어, 음성 또는 텍스트의 형태로)할 수 있다. S370 단계에서, 스마트 폰(500)은 식별된 대상에 대한 정보를 음성 또는 텍스트의 형태로 출력할 수 있다. 예를 들어, 식별된 대상에 대한 정보는 식별된 대상의 명칭, 종류, 학술정보 등을 포함할 수 있다.
도 12a 내지 도 12c를 참조하여 설명된 바와 같이, 필터링된 시선 방향 정보(GDI_F)의 신뢰성이 보장되면, 스마트 폰(500)은 필터링된 시선 방향 정보(GDI_F)에 기반한 양방향 서비스를 사용자에게 제공할 수 있다. 따라서, 스마트 폰(500)에 의해 제공되는 사용자의 편익이 증대될 수 있다.
도 13은 전자 장치(301)가 스마트 글래스(600)로 구현되는 예들을 보여준다. 도 13을 참조하면, 스마트 글래스(600)는 입력 모듈(650), 음향 출력 모듈(655), 디스플레이 모듈(660), 그리고 카메라 모듈(680)을 포함할 수 있다.
입력 모듈(650)은 스마트 글래스(600)의 테두리에 제공되는 마이크를 포함할 수 있으며, 도 10의 입력 모듈(350)에 대응할 수 있다. 음향 출력 모듈(655)은 스마트 글래스(600)의 거치대에 제공되는 스피커를 포함할 수 있으며, 도 10의 음향 출력 모듈(355)에 대응할 수 있다.
디스플레이 모듈(660)은 스마트 글래스(600)의 렌즈들에 대응할 수 있으며, 도 10의 디스플레이 모듈(360)에 대응할 수 있다. 디스플레이 모듈(660)은 투명 디스플레이로 구현될 수 있다. 카메라 모듈(680)은 스마트 글래스(600)의 전면 카메라 모듈일 수 있으며, 도 10의 카메라 모듈(380)에 대응할 수 있다. 도 12a에서 생략되었지만, 스마트 글래스(600)는 도 10을 참조하여 설명된 전자 장치(301)의 구성 요소들의 전부 또는 일부를 더 포함할 수 있다. 예를 들어, 스마트 글래스(600)는 외부의 장치와 통신하기 위한 통신 모듈(도 10의 390에 대응), 그리고 스마트 글래스(600)의 후면의 이미지를 촬영하기 위한 추가적인 카메라 모듈(도 10의 380에 대응)과 같은 추가적인 구성 요소들을 더 포함할 수 있다.
카메라 모듈(680)은 사용자의 눈의 이미지를 촬영할 수 있다. 예를 들어, 스마트 글래스(600)와 사용자의 눈들의 사이의 간격 및 각도(예를 들어, 상대적인 위치들)는 일정하게 유지될 수 있다. 따라서, 스마트 글래스(600)의 프로세서(도 10의 320에 대응)는 얼굴 인식 및 특징점 추출을 생략하고, 시선 방향 인식 및 시선 방향 필터링을 수행하도록 설정될 수 있다.
예시적으로, 사용자로부터 '메뉴 표시'와 같은 특정한 명령에 대응하는 신호가 입력 모듈(650)에서 생성되는 것에 응답하여, 스마트 글래스(600)는 디스플레이 모듈(660)을 통해 날씨, 길안내, 메모, 전화 등과 같은 항목들을 포함하는 메뉴를 표시할 수 있다. 필터링된 시선 방향 정보(GDI_F)가 가리키는 필터링된 시선 방향(GD_F)이 특정한 목록에 기준 시간 이상 머무르는 것에 응답하여, 스마트 글래스(600)는 특정한 목록에 대응하는 동작(또는 기능)을 수행할 수 있다.
예를 들어, 필터링된 시선 방향(GD_F)이 '날씨'의 메뉴에 기준 시간 이상 머무를 때, 스마트 글래스(600)는 예상 날씨에 대한 정보를 텍스트 또는 음성 형태의 메시지로 출력할 수 있다. 필터링된 시선 방향(GD_F)이 '길안내'의 메뉴에 기준 시간 이상 머무를 때, 스마트 글래스(600)는 사용자에게 목적지의 정보를 요청할 수 있다. 사용자로부터 목적지의 정보가 입력되는 것에 응답하여, 스마트 글래스(600)는 현재 위치로부터 목적지 까지의 길안내를 텍스트 또는 음성 형태의 메시지를 이용하여 수행할 수 있다.
필터링된 시선 방향(GD_F)이 '메모'의 메뉴에 기준 시간 이상 머무를 때, 스마트 글래스(600)는 사용자로부터 입력되는 정보(예를 들어, 음성 정보)를 기록할 수 있다. 필터링된 시선 방향(GD_F)이 '전화'의 메뉴에 기준 시간 이상 머무를 때, 스마트 글래스(600)는 사용자에게 연락처의 정보를 요청할 수 있다. 사용자로부터 연락처의 정보가 입력되는 것에 응답하여, 스마트 글래스(600)는 외부의 스마트 폰과 연동(또는 링크)되어 통화 기능을 수행할 수 있다.
예시적으로, 본 기재의 전자 장치(301)는 가상 현실 고글로 구현될 수도 있다. 가상 현실 고글은 도 13의 스마트 글래스(600)와 유사한 형태로 구현될 수 있다. 따라서 중복되는 설명은 생략된다.
본 기재의 다양한 실시 예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 기재의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 기재의 다양한 실시 예들 및 이에 사용된 용어들은 본 기재의 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 기재에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제1", "제2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 기재의 다양한 실시 예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 IC (Integrated Circuit), ASIC(application-specific integrated circuit), FPGA (Field Programmable Gate Array), CPLD (Complex Programmable Logic Device) 등의 형태로 구현될 수 있다.
본 기재의 다양한 실시 예들은 기기(machine)(예: 전자 장치(301)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(336) 또는 외장 메모리(338))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(340))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(301))의 프로세서(예: 프로세서(320))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시 예에 따르면, 본 기재의 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
상술된 내용은 본 기재를 실시하기 위한 구체적인 실시 예들이다. 본 기재는 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 기재는 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 기재의 범위는 상술된 실시 예들에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 기재의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.
100: 전자 장치
110: 프로세서
111: 메인 프로세서
113: 보조 프로세서
120: 메모리
122: 휘발성 메모리
124: 비휘발성 메모리
130: 카메라 모듈
210: 얼굴 인식 모듈
220: 특징점 추출 모듈
230: 얼굴 방향 인식 모듈
240: 시선 방향 인식 모듈
250: 시선 방향 필터링 모듈

Claims (20)

  1. 이미지 프레임을 생성하도록 설정된 카메라 모듈;
    메모리; 그리고
    적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는:
    상기 이미지 프레임에 대해 얼굴 인식을 수행하고;
    상기 얼굴 인식에서 얼굴이 인식되는 것에 응답하여 상기 얼굴의 특징점 추출을 수행하고;
    상기 얼굴의 특징점이 추출되는 것에 응답하여 상기 얼굴의 얼굴 방향을 인식하고;
    상기 얼굴 방향이 인식되는 것에 응답하여 상기 얼굴의 시선 방향을 인식하여 시선 방향 정보를 생성하고;
    상기 시선 방향이 인식되는 것에 응답하여 상기 시선 방향 정보에 대해 필터링을 수행하여 필터링된 시선 방향 정보를 생성하고; 그리고
    상기 필터링된 시선 방향 정보를 상기 메모리에 저장하는 전자 장치.
  2. 제1항에 있어서,
    상기 필터링은 저대역 통과 필터링을 포함하는 전자 장치.
  3. 제1항에 있어서,
    상기 필터링은 상기 이미지 프레임으로부터 인식된 상기 시선 방향 정보 및 이전 이미지 프레임으로부터 인식된 이전의 필터링된 시선 방향 정보에 기반하는 전자 장치.
  4. 제1항에 있어서,
    겉모습-기반(appearance-based)의 심층 학습(Deep Learning)에 기반하여 생성되고, 그리고 상기 적어도 하나의 프로세서에 의해 실행되는 인식 모듈에 기반하여, 상기 적어도 하나의 프로세서는 상기 얼굴 방향을 인식하는 전자 장치.
  5. 제1항에 있어서,
    상기 적어도 하나의 프로세서는 상기 시선 방향 정보에 대해 상기 필터링을 수행하는 시선 방향 필터링 모듈을 포함하고, 그리고
    상기 시선 방향 필터링 모듈은:
    이전 이미지 프레임의 이전의 필터링된 시선 방향 정보를 수신하고, 그리고 상기 이전 이미지 프레임의 상기 이전의 필터링된 시선 방향 정보를 지연하여 출력하는 지연기;
    상기 지연기의 출력 및 제1 필터링 계수를 수신하고, 그리고 상기 지연기의 출력 및 상기 제1 필터링 계수의 곱을 출력하는 제1 곱셈기;
    상기 이미지 프레임의 상기 시선 방향 정보 및 제2 필터링 계수를 수신하고, 그리고 상기 이미지 프레임의 상기 시선 방향 정보 및 제2 필터링 계수의 곱을 출력하는 제2 곱셈기; 그리고
    상기 제1 곱셈기의 출력 및 상기 제2 곱셈기의 출력을 수신하고, 그리고 상기 제1 곱셈기의 출력 및 상기 제2 곱셈기의 출력의 합을 상기 이미지 프레임의 상기 필터링된 시선 방향 정보로 출력하는 덧셈기를 포함하는 전자 장치.
  6. 제5항에 있어서,
    상기 제1 필터링 계수 및 상기 제2 필터링 계수는 동적으로 조절되는 전자 장치.
  7. 제1항에 있어서,
    상기 필터링은 에러 유발 행동들에 의해 상기 시선 방향 정보에서 발생하는 에러를 보정하고, 그리고
    상기 에러 유발 행동들은 눈 깜빡임, 기침, 틱장애로 인해 발생하는 돌발적인 움직임을 포함하는 전자 장치.
  8. 제1항에 있어서,
    외부의 장치로부터 이미지를 수신하는 통신 모듈;
    상기 통신 모듈을 통해 수신되는 상기 이미지를 표시하는 디스플레이 모듈; 그리고
    사용자로부터 신호를 생성하는 입력 모듈을 더 포함하고,
    상기 사용자로부터 제1 신호가 생성되는 것에 응답하여, 상기 적어도 하나의 프로세서는 상기 필터링된 시선 방향 정보에 대응하는 상기 이미지 상의 대상을 식별하는 전자 장치.
  9. 제8항에 있어서,
    상기 필터링된 시선 방향 정보에 대응하는 상기 이미지 상의 대상이 식별되는 것에 응답하여, 상기 적어도 하나의 프로세서는 상기 이미지 상의 대상에 대한 정보를 상기 디스플레이 모듈을 통해 표시하는 전자 장치.
  10. 제9항에 있어서,
    외부의 제2 장치로부터 상기 이미지 상의 대상에 대한 정보를 수신하고, 그리고 상기 이미지 상의 대상에 대한 정보를 상기 적어도 하나의 프로세서에 제공하는 제2 통신 모듈을 더 포함하는 전자 장치.
  11. 제10항에 있어서,
    상기 사용자로부터 제2 신호가 생성되는 것에 응답하여, 상기 적어도 하나의 프로세서는 상기 제2 통신 모듈을 통한 제1 추가 서비스 및 상기 제2 통신 모듈을 통하지 않는 제2 추가 서비스 중 적어도 하나를 실행하고, 그리고
    상기 제1 추가 서비스는 결제 서비스를 포함하는 전자 장치.
  12. 제1항에 있어서,
    이미지를 생성하는 제2 카메라 모듈;
    상기 제2 카메라 모듈에 의해 생성되는 상기 이미지를 표시하는 디스플레이 모듈; 그리고
    사용자로부터 신호를 생성하는 입력 모듈을 더 포함하고,
    상기 사용자로부터 제1 신호가 생성되는 것에 응답하여, 상기 적어도 하나의 프로세서는 상기 필터링된 시선 방향 정보에 대응하는 상기 이미지 상의 대상을 식별하는 전자 장치.
  13. 제12항에 있어서,
    외부의 장치와 통신하는 통신 모듈; 그리고
    소리를 출력하는 음향 출력 모듈을 더 포함하고,
    상기 필터링된 시선 방향 정보에 대응하는 상기 이미지 상의 대상이 식별되는 것에 응답하여, 상기 적어도 하나의 프로세서는 상기 통신 모듈을 통해 상기 대상의 정보를 수신하고, 그리고 상기 음향 출력 모듈 및 상기 디스플레이 모듈 중 적어도 하나를 통해 상기 대상의 정보를 출력하는 전자 장치.
  14. 제12항에 있어서,
    상기 필터링된 시선 방향 정보에 대응하는 상기 이미지 상의 대상이 식별되는 것에 응답하여, 상기 적어도 하나의 프로세서는 상기 이미지 상의 대상으로 초점을 이동하도록 상기 제2 카메라 모듈을 제어하는 전자 장치.
  15. 적어도 하나의 프로세서, 카메라 모듈 및 메모리를 포함하는 전자 장치의 동작 방법에 있어서:
    상기 카메라 모듈이 이미지 프레임을 생성하고;
    상기 적어도 하나의 프로세서가 상기 이미지 프레임에 대해 얼굴 인식을 수행하고;
    상기 얼굴 인식에서 얼굴이 인식되는 것에 응답하여, 상기 적어도 하나의 프로세서가 상기 얼굴의 특징점 추출을 수행하고;
    상기 얼굴의 특징점이 추출되는 것에 응답하여, 상기 적어도 하나의 프로세서가 상기 얼굴의 얼굴 방향을 인식하고;
    상기 얼굴 방향이 인식되는 것에 응답하여, 상기 적어도 하나의 프로세서가 상기 얼굴의 시선 방향을 인식하여 시선 방향 정보를 생성하고;
    상기 시선 방향이 인식되는 것에 응답하여, 상기 적어도 하나의 프로세서가 상기 시선 방향 정보에 대해 필터링을 수행하여 필터링된 시선 방향 정보를 생성하고; 그리고
    상기 적어도 하나의 프로세서가 상기 필터링된 시선 방향 정보를 상기 메모리에 저장하는 것을 포함하는 동작 방법.
  16. 제15항에 있어서,
    상기 전자 장치의 입력 장치를 통해 사용자로부터 제1 신호가 생성되는 것에 응답하여, 상기 필터링된 시선 방향 정보에 기반한 동작을 수행하는 것을 더 포함하는 동작 방법.
  17. 제15항에 있어서,
    상기 필터링은 상기 이미지 프레임으로부터 인식된 상기 시선 방향 정보 및 이전 이미지 프레임으로부터 인식된 이전의 필터링된 시선 방향 정보에 기반하는 동작 방법.
  18. 제15항에 있어서,
    상기 필터링은 눈 깜빡임에 의해 상기 시선 방향 정보에서 발생하는 에러를 보정하는 동작 방법.
  19. 적어도 하나의 프로세서 및 카메라 모듈을 포함하는 전자 장치의 동작 방법에 있어서:
    상기 카메라 모듈이 이미지 프레임을 생성하고;
    상기 적어도 하나의 프로세서가 상기 이미지 프레임에 대해 얼굴 인식을 수행하고;
    상기 얼굴 인식에서 얼굴이 인식되는 것에 응답하여, 상기 적어도 하나의 프로세서가 상기 얼굴의 특징점 추출을 수행하고;
    상기 얼굴의 특징점이 추출되는 것에 응답하여, 상기 적어도 하나의 프로세서가 상기 얼굴의 얼굴 방향을 인식하고;
    상기 얼굴 방향이 인식되는 것에 응답하여, 상기 적어도 하나의 프로세서가 인식 모듈에 기반하여 상기 얼굴의 시선 방향을 인식하고; 그리고
    상기 적어도 하나의 프로세서가 에러 유발 행동들에 의해 상기 시선 방향의 인식 시에 발생하는 에러를 보정하는 것을 포함하고,
    상기 인식 모듈은 겉모습-기반(appearance-based)의 심층 학습(Deep Learning)에 기반하여 생성되고, 그리고 상기 적어도 하나의 프로세서에 의해 실행되는, 동작 방법.
  20. 제19항에 있어서,
    상기 시선 방향의 인식 시에 발생하는 에러를 보정하는 것은:
    이전 이미지 프레임의 이전 시선 방향과 상기 이미지 프레임의 상기 시선 방향 사이의 변화 정도를 제한하는 것을 포함하는 동작 방법
KR1020210084593A 2021-06-29 2021-06-29 시선 방향 인식 시에 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법 KR20230001715A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020210084593A KR20230001715A (ko) 2021-06-29 2021-06-29 시선 방향 인식 시에 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법
CN202280017066.4A CN116917846A (zh) 2021-06-29 2022-02-18 用于校正注视方向识别期间的误差的电子装置及操作方法
EP22833353.0A EP4250064A4 (en) 2021-06-29 2022-02-18 ELECTRONIC DEVICE FOR ERROR CORRECTION DURING GAZE DIRECTION DETECTION AND OPERATING METHOD FOR AN ELECTRONIC DEVICE
PCT/KR2022/002425 WO2023277295A1 (ko) 2021-06-29 2022-02-18 시선 방향 인식 시에 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법
US17/718,905 US20220415083A1 (en) 2021-06-29 2022-04-12 Electronic device and operating method of electronic device for correcting error during gaze direction recognition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210084593A KR20230001715A (ko) 2021-06-29 2021-06-29 시선 방향 인식 시에 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법

Publications (1)

Publication Number Publication Date
KR20230001715A true KR20230001715A (ko) 2023-01-05

Family

ID=84690364

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210084593A KR20230001715A (ko) 2021-06-29 2021-06-29 시선 방향 인식 시에 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법

Country Status (2)

Country Link
KR (1) KR20230001715A (ko)
WO (1) WO2023277295A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1173289A (ja) * 1997-08-29 1999-03-16 Sanyo Electric Co Ltd 情報処理装置
KR101977638B1 (ko) * 2012-02-29 2019-05-14 삼성전자주식회사 영상 내 사용자의 시선 보정 방법, 기계로 읽을 수 있는 저장 매체 및 통신 단말
EP2790126B1 (en) * 2013-04-08 2016-06-01 Cogisen SRL Method for gaze tracking
KR102098277B1 (ko) * 2013-06-11 2020-04-07 삼성전자주식회사 시선 추적을 이용한 시인성 개선 방법, 저장 매체 및 전자 장치
JP2022534338A (ja) * 2019-03-27 2022-07-29 インテル コーポレイション スマート・ディスプレイ・パネル装置および関連する方法

Also Published As

Publication number Publication date
WO2023277295A1 (ko) 2023-01-05

Similar Documents

Publication Publication Date Title
EP4167019A1 (en) Method of changing settings of display and electronic device
US20230222744A1 (en) Electronic device for providing augmented reality content and operation method thereof
KR20220102436A (ko) 웨어러블 전자 장치의 가속도 센서를 이용하여 사용자의 자세를 판단하는 방법 및 그 전자 장치
US20230260177A1 (en) Electronic device and method for providing augmented reality content
US11996067B2 (en) Method and apparatus for displaying virtual objects in different brightnesses
US20230196689A1 (en) Electronic device for using virtual input device and operation method in the electronic device
US11226675B2 (en) Apparatus and method for adaptively configuring user interface
US20220276824A1 (en) Augmented reality device and electronic device interacting with augmented reality device
KR20230001715A (ko) 시선 방향 인식 시에 에러를 보정하는 전자 장치 및 전자 장치의 동작 방법
US20220415083A1 (en) Electronic device and operating method of electronic device for correcting error during gaze direction recognition
KR20220001666A (ko) 전자 장치와 연결된 히어러블 장치 및 이의 동작 방법
KR20220062938A (ko) 가상현실 서비스를 제공하는 전자 장치 및 방법
US12026816B2 (en) Method for providing avatar and electronic device supporting the same
EP4270160A1 (en) Method for reducing fatigue level of eyes and electronic device therefor
EP4322525A1 (en) Electronic device for providing augmented reality or virtual reality, and operation method of electronic device
US20240126371A1 (en) Method for providing vibration and wearable electronic device supporting the same
US20240062584A1 (en) Electronic device identifying direction of gaze and method for operating the same
US20230009287A1 (en) Method for providing avatar and electronic device supporting the same
US20240111334A1 (en) Wearable device for sensing wearing by user
US20230110484A1 (en) Electronic device including multiple displays and method for operating the same
US20240070820A1 (en) Electronic device performing interpolation, operation method, and storage medium
US20240094805A1 (en) Method for controlling virtual reality content and wearable electronic device supporting the same
EP4372709A1 (en) Electronic device and method for providing notification information
US20240094971A1 (en) Wearable device for providing information about an application through an external display and method of controlling the wearable device
EP4240004A1 (en) Electronic device and method for capturing image by electronic device

Legal Events

Date Code Title Description
A201 Request for examination