WO2018117538A1 - 차선 정보를 추정하는 방법 및 전자 장치 - Google Patents

차선 정보를 추정하는 방법 및 전자 장치 Download PDF

Info

Publication number
WO2018117538A1
WO2018117538A1 PCT/KR2017/014810 KR2017014810W WO2018117538A1 WO 2018117538 A1 WO2018117538 A1 WO 2018117538A1 KR 2017014810 W KR2017014810 W KR 2017014810W WO 2018117538 A1 WO2018117538 A1 WO 2018117538A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
image
lane
information
estimating
Prior art date
Application number
PCT/KR2017/014810
Other languages
English (en)
French (fr)
Inventor
김지만
박찬종
양도준
이현우
Original Assignee
삼성전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020170142567A external-priority patent/KR102480416B1/ko
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to EP17884410.6A priority Critical patent/EP3543896B1/en
Priority to US16/469,910 priority patent/US11436744B2/en
Publication of WO2018117538A1 publication Critical patent/WO2018117538A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof

Definitions

  • Various embodiments relate to a method and an electronic device for estimating lane information, and more particularly, to a method and an electronic device for estimating and outputting lane information in bad weather.
  • AI Artificial Intelligence
  • AI technology is composed of elementary technologies that utilize machine learning (deep learning) and machine learning.
  • Machine learning is an algorithm technology that classifies / learns characteristics of input data by itself
  • element technology is a technology that simulates the functions of human brain cognition and judgment by using machine learning algorithms such as deep learning. It consists of technical areas such as understanding, reasoning / prediction, knowledge representation, and motion control.
  • Linguistic understanding is a technology for recognizing and applying / processing human language / characters and includes natural language processing, machine translation, dialogue system, question and answer, speech recognition / synthesis, and the like.
  • Visual understanding is a technology that recognizes and processes objects as human vision, and includes object recognition, object tracking, image retrieval, person recognition, scene understanding, spatial understanding, and image enhancement.
  • Inference Prediction is a technique for judging, logically inferring, and predicting information. It includes knowledge / probability-based inference, optimization prediction, preference-based planning, and recommendation.
  • Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data generation / classification) and knowledge management (data utilization).
  • Motion control is a technology for controlling autonomous driving of a vehicle and movement of a robot, and includes motion control (navigation, collision, driving), operation control (action control), and the like.
  • ADAS advanced driver assistance system
  • Various embodiments may provide a method and apparatus for estimating lane information of a road on which a vehicle is driving in an environment including visual disturbances such as bad weather.
  • FIG. 1 is a schematic diagram illustrating an example of estimating lane information by an electronic device according to an exemplary embodiment.
  • FIG. 2 is a flowchart illustrating a method of operating an electronic device according to an exemplary embodiment.
  • FIG. 3 is a diagram for describing a method of converting an image by an electronic device according to an exemplary embodiment.
  • FIG. 4 is a diagram for describing a method of estimating lane information of a road, by an electronic device, according to an exemplary embodiment.
  • FIG. 5 is a diagram for describing a method of estimating lane information of a road, by an electronic device, according to an exemplary embodiment.
  • FIG. 6 is a diagram for describing a method of outputting guide information by an electronic device according to an exemplary embodiment.
  • FIG. 7 and 8 are block diagrams illustrating a configuration of an electronic device according to an embodiment.
  • FIG. 9 is a block diagram of a processor according to an embodiment.
  • FIG. 10 is a block diagram of a data learner according to an exemplary embodiment.
  • FIG. 11 is a block diagram of a data recognizer according to an exemplary embodiment.
  • FIG. 12 illustrates an example of learning and recognizing data by interworking with an electronic device and a server, according to an exemplary embodiment.
  • an electronic device includes a camera photographing an external image of a vehicle, a memory storing one or more instructions, and a processor executing one or more instructions stored in the memory, wherein the processor executes one or more instructions. Determining at least one object for estimating lane information from the captured image, estimating lane information of a road on which the vehicle is traveling in the image, based on the determined distance between the at least one object and the vehicle and the vanishing point of the image, Based on the estimated lane information, guide information for guiding driving of the vehicle may be output.
  • a method of operating an electronic device may include obtaining an image of an exterior of a vehicle, determining at least one object for estimating lane information from the obtained image, and determining a distance between the determined at least one object and the vehicle. And estimating lane information of a road on which the vehicle is driving based on the vanishing point of the image, and outputting guide information for guiding driving of the vehicle based on the estimated lane information.
  • a computer-readable recording medium includes a recording medium recording a program for executing the above-described method on a computer.
  • FIG. 1 is a schematic diagram illustrating an example of estimating lane information by an electronic device according to an exemplary embodiment.
  • the electronic device 100 is installed in the vehicle 110 to estimate lane information 103 of a driving road from an image 101 of the outside of the vehicle 110.
  • the lane information 103 means a line that divides the road on which the vehicle 110 is traveling into a lane (for example, a first lane and a second lane in the case of a two-lane road).
  • the electronic device 100 may be a mobile or non-mobile electronic device that may be mounted on the vehicle 110.
  • the electronic device 100 may include a display module for outputting a camera and guide information for acquiring an external image 101.
  • the electronic device 100 may control other devices such as a camera, a display 106, a local navigation, a GPS receiver, and the like included in the vehicle 110.
  • the electronic device 100 may receive data for estimating the lane information 103 or transmit guide information by communicating with other devices included in the vehicle 110.
  • the electronic device 100 may assist the safe driving of the vehicle 110 by estimating the lane information 103 of the driving road and outputting the guide information as shown in FIG. 1.
  • the electronic device 100 may acquire an image 101 of the outside of the driving vehicle 110 to estimate the lane information 103 of the driving road.
  • the electronic device 100 may estimate the lane information 103 using at least one object included in the acquired image 101.
  • the object is a subject included in the image, and refers to one subject that is recognized by being distinguished from other subjects in the image 101.
  • image 101 may include at least one object, such as guard-rail 105 or vehicle 104 in front of it.
  • the electronic device 100 may utilize information through analysis of the acquired image 101 such as lane number information of a driving road and a vanishing point of the image 101 to estimate the lane information 103.
  • the electronic device 100 converts the acquired image such that the image acquired to estimate the lane information 103 has a visibility greater than or equal to a preset value by using a learning model. can do.
  • the learning model for transforming the image may be based on learning according to a deep neural model technology.
  • the learning model may be an artificial intelligence learning model.
  • the electronic device 100 may output guide information based on the estimated lane information 103.
  • the guide information means information for guiding driving of the vehicle.
  • the guide information may include lane information of a road, a driving speed of a vehicle, or danger warning information processed based on the same.
  • the electronic device 100 may include a display 106 displaying guide information.
  • the display 106 may include at least one of a head-up display, a mirror display, and a transparent display.
  • the electronic device 100 may control the driving of the vehicle 110 based on the autonomous driving system or the driving assistance system.
  • the electronic device 100 may be a smart phone, tablet PC, PC, smart TV, mobile phone, personal digital assistant (PDA), laptop, media player, micro server, global positioning system (GPS) device, electronic Book terminals, digital broadcasting terminals, navigation, kiosks, MP3 players, digital cameras, home appliances and other computing devices, but is not limited thereto.
  • the electronic device 100 may be a wearable device such as a watch, glasses, a hair band, and a ring having a display function and a data processing function.
  • the present invention is not limited thereto, and the electronic device 100 may include all kinds of devices capable of processing data and providing processed data.
  • the electronic device 100 obtains a front image of the driving vehicle 110 and estimates lane information 103 in front of the vehicle 110 by using the acquired image, but is limited thereto. It doesn't happen.
  • the electronic device 100 may obtain a rear image of the driving vehicle 110 and estimate the lane information 103 using the acquired image. In this case, the electronic device 100 may assist the driver in driving the vehicle by providing lane information of the rearward driving road of the vehicle 110.
  • the electronic device 100 is illustrated as a separate device from the vehicle 110, the present disclosure is not limited thereto, and the electronic device 100 may be integrated into the vehicle 110 and included in the vehicle 110. It may be implemented as.
  • the electronic device 100 may be implemented as a processor included in the vehicle 110.
  • the processor may include a micro controller unit (MCU) included in the vehicle 110.
  • the vehicle 110 may include a memory for storing data and lane information 103 necessary for the processor to operate, and a communication module capable of communicating with an external device.
  • FIG. 2 is a flowchart illustrating a method of operating an electronic device according to an exemplary embodiment.
  • the electronic device 100 acquires an image of the outside of the vehicle.
  • the external image of the vehicle may be an image of a part of the external space of the vehicle that can be detected by a camera or other sensor.
  • the external image of the vehicle may be an image representing the front or the rear of the vehicle, but is not limited thereto.
  • the electronic device 100 may acquire an image of the outside of the vehicle using a camera.
  • the camera may mean a pinhole camera, a stereo camera, an infrared camera, or a thermal imaging camera, but is not limited thereto.
  • the electronic device 100 may acquire an external image of the vehicle or receive an external image of the vehicle from a photographing device outside the electronic device 100 by using a camera provided in the electronic device 100. .
  • the electronic device 100 determines at least one object for estimating lane information from the obtained image. For example, the electronic device 100 may extract a plurality of objects as distinct objects by analyzing pixels included in the image. The electronic device 100 may use a learning model according to a deep neural network technology to extract an object from an image.
  • the electronic device 100 may determine at least one object for estimating lane information among the plurality of extracted objects. For example, the electronic device 100 may determine at least one object for estimating lane information by selecting a preset object from among a plurality of objects included in an image according to a lane information estimation method. For example, the electronic device 100 may determine at least one of the guard rail, the front driving vehicle, and the rear driving vehicle included in the image as at least one object for estimating lane information.
  • the electronic device 100 may use a learning model according to a deep neural network technology to determine at least one object for estimating lane information from the obtained image. For example, the electronic device 100 may improve the visibility of an image by using a learning model. Also, the electronic device 100 may determine at least one object for estimating lane information from an image having improved visibility.
  • the use of the learning model according to the deep neural network technology will be described later in detail with reference to FIG. 3.
  • the electronic device 100 estimates lane information of the road on which the vehicle is driving in the image based on the determined distance between the object and the vehicle and the vanishing point of the image.
  • the electronic device 100 may measure a distance between the determined object and the vehicle. For example, the electronic device 100 may measure the distance between the object determined by the distance sensor and the vehicle. Alternatively, the electronic device 100 may determine the distance between the determined object and the vehicle based on the pre-stored experimental data for the specific type of object and the size of the specific object included in the acquired image.
  • the electronic device 100 may predict a vanishing point of the image. For example, the electronic device 100 may predict the vanishing point by extracting a straight line through the lower end of the building or the guard rail among the objects included in the image. In detail, the electronic device 100 may predict one point where a plurality of extension lines of a plurality of straight lines extracted from an image are collected as a vanishing point.
  • the electronic device 100 may determine a road area based on the determined position of the object, and determine the lane width of each lane based on the distance between the determined object and the vehicle. Also, the electronic device 100 may estimate the lane information of the road by dividing the road area determined by the vanishing point of the image into the number of lanes.
  • the electronic device 100 may estimate the lane width based on the distance between the determined object and the vehicle.
  • the electronic device 100 may estimate the lane information of the road by extending a straight line having the estimated lane width by using the vanishing point of the image as a center point.
  • the electronic device 100 outputs guide information for guiding driving of the vehicle based on the estimated lane information.
  • the electronic device 100 may display the synthesized guide information on the road area of the acquired image.
  • the electronic device 100 may output guide information as a sound.
  • the electronic device 100 may determine whether a danger of the driving route of the vehicle occurs based on the guide information and the preset reference, and output the determination result as a sound.
  • FIG. 3 is a diagram for describing a method of converting an image by an electronic device according to an exemplary embodiment.
  • the electronic device 100 uses a plurality of images of the same subject to learn a model 321 based on a result of learning a relationship between the plurality of images. ) Can be obtained.
  • the plurality of images of the same subject may be a plurality of images photographing the same object at the same position and at the same angle.
  • the relationship between the plurality of images may be an error value between pixels included in the same position of the image.
  • the electronic device 100 may generate the learning model 321 by learning relationships between the plurality of pair images using the plurality of pair images.
  • the plurality of pair images may include a plurality of images 311 including visual disturbances (eg, low light, fog, yellow dust, etc.) and a plurality of images 312 without corresponding visual disturbances. it means.
  • the electronic device 100 may generate a second learning model 321 for image conversion by using a pre-generated first learning model (not shown).
  • the electronic device 100 may receive a first learning model for image analysis from another external electronic device (for example, a server including a plurality of image analysis models).
  • the electronic device 100 may retrain the first learning model to generate a second learning model 321 for image conversion.
  • the electronic device 100 may include an image 311 including visual disturbances in one pair image and an output image passed through the first training model and an image not including visual disturbances in one pair image.
  • the second learning model 321 may be generated by repeatedly inputting an error of the second learning model to the first learning model.
  • the electronic device 100 may receive the learned learning model 321 from the outside.
  • the electronic device 100 may determine at least one object for estimating lane information from the converted image.
  • the embodiments described in step 204 of FIG. 2 may be applied.
  • the electronic device 100 utilizes the learning model 321 acquired in block 310 to obtain a visibility of a acquired image having a predetermined value or more. It is possible to convert the acquired image to have. For example, the electronic device 100 may increase the visibility of an image including visual disturbance elements by using the learning model 321.
  • the learning model 321 is a set of algorithms that identify and / or determine objects included in an image by extracting and using various attributes included in the image by using a result of statistical machine learning. Can be. For example, when it is determined that the visibility of the image does not exceed the preset value, the learning model 321 may perform image conversion based on the identification and / or determination of the objects of the image.
  • the training model 321 may be an end-to-end deep neural network model.
  • the end-to-end deep neural network model refers to a learning model that can convert an input image into an output image without post-processing.
  • the electronic device 100 may convert the first image 322 into the second image 323 by inputting the first image 322 including visual disturbances into the acquired learning model 321.
  • the second image 323 is an image having a visibility greater than or equal to a preset value.
  • the learning model 321 may identify each object included in the image and process the pixels included in the object for each object, thereby converting the visibility of the entire image to be greater than or equal to a preset value.
  • the preset value may be determined according to the learning model 321.
  • the preset value may change as the learning model is updated.
  • the electronic device 100 converts an image into an image having a visibility greater than or equal to a predetermined value by using the learning model 321, thereby performing lane information through analysis of an image including an existing visual disturbance element.
  • the precision can be higher than when estimating.
  • FIG. 4 is a diagram for describing a method of estimating lane information of a road, by an electronic device, according to an exemplary embodiment.
  • the electronic device 100 may estimate the lane information 405 based on the information obtained through the analysis of the acquired image and the lane number information 404 of the driving road.
  • the information obtained through analysis of the image may include at least one object, such as vanishing point, road area, guard rail, or front vehicle, but is not limited thereto.
  • the electronic device 100 may determine the road area 402 from the obtained image. For example, the electronic device 100 may determine the road area 402 based on the position of the guard rail 401 and the height of the guard rail 401 among the plurality of objects included in the image through analysis of the image. have.
  • the electronic device 100 may obtain lane number information 404 of a road on which the vehicle is driving, based on the location information of the vehicle 400.
  • the electronic device 100 may obtain the lane number information 404 of the road on which the vehicle 400 is driving based on the position information of the vehicle 400 obtained through the global positioning system (GPS).
  • GPS global positioning system
  • the electronic device 100 may obtain the lane number information 404 of the driving road from the local navigation 411 included in the vehicle 400.
  • the electronic device 100 may obtain the number of lanes 404 previously stored in the electronic device 100 based on the location information of the vehicle 400.
  • the electronic device 100 is driving the vehicle based on the distance between the front vehicle 406 and the vehicle 400 determined in the image, the determined road area 402, and the obtained road number information 404. It is possible to estimate the lane widths 407-410 for each lane of the in-road. For example, when the lane number information 404 is four lanes, the electronic device 100 may divide the road area into four lanes. In addition, the electronic device 100 may determine a ratio of each lane divided by the lane number information 404 to occupy the entire road area based on the distance between the front vehicle 406 and the vehicle 400.
  • the electronic device 100 determines a ratio between the first lane 407, the second lane 408, the third lane 409, and the fourth lane 410 as 1.1: 1.2: 1.0: 1.1. Can be. In addition, the electronic device 100 may estimate each lane width 407-410 based on the determined ratio.
  • the electronic device 100 may estimate respective lane widths 407-410 with reference to previously stored experimental data values.
  • the pre-stored experimental data value may be ratio information of each lane width matching the distance between the front vehicle 406 and the vehicle 400 and the number of lanes when the total road area is 1.
  • the electronic device 100 may predict the vanishing point 403 of the image.
  • the embodiments described in operation 206 of FIG. 2 may be applied to the method of determining the distance between the front vehicle 406 and the vehicle 400 and the method of predicting the vanishing point 403 of the image. .
  • the electronic device 100 may estimate lane information 405 of a driving road based on the estimated lane width 407-410 and the vanishing point 403 of the image. For example, the electronic device 100 may estimate the lane information 405 by extending a straight line dividing the lane based on the vanishing point of the image based on the estimated road width 407-410 based on the road area. have.
  • the electronic device 100 when the electronic device 100 utilizes the number of lanes 404 stored in the vehicle 400, the electronic device 100 analyzes the acquired image to obtain a data server external to the vehicle 400. Lane information 405 can be estimated without access to.
  • FIG. 5 is a diagram for describing a method of estimating lane information of a road, by an electronic device, according to an exemplary embodiment.
  • the electronic device 100 may estimate lane information of a road based on the first front vehicle 502 located on the driving center line 501 of the vehicle 500. .
  • the electronic device 100 may determine the driving center line 501 of the vehicle.
  • the driving center line 501 is a center line of the driving vehicle 500 and means a center line of an image obtained through a camera.
  • the electronic device 100 may determine the first front vehicle 502 located on the center line as at least one object for estimating lane information.
  • the electronic device 100 may determine the first path of the first lane in which the vehicle is driven based on the distance between the first front vehicle 502 and the vehicle 500 and the vehicle width of the first front vehicle 502.
  • the lane width 503 can be estimated.
  • the vehicle width refers to the horizontal size of the first front vehicle detected in the acquired image.
  • the size of the vehicle width may be expressed in units of pixels.
  • the electronic device 100 may determine the distance between the first front vehicle 502 and the vehicle 500 based on the size of the first front vehicle 502 detected from the image by using previously stored experimental data. Can be.
  • the electronic device 100 may estimate the sum of the vehicle width and the first value of the first front vehicle 502 as the first lane width 503 of the first lane.
  • the first value may be determined according to the distance between the first front vehicle 502 and the vehicle 500.
  • the first value may be a value set according to experimental data previously stored in the electronic device 100.
  • the electronic device 100 may estimate lane information 505 of a road on which the vehicle is driving, based on the estimated first lane width 503 and the vanishing point of the image. For example, the electronic device 100 may extend the straight line passing through the vanishing point of the image based on the driving width 503 estimated based on the driving center line 501 or the first front vehicle in the image. 505) can be estimated.
  • the electronic device 100 may lanes of other lanes (for example, the second lane in which the second front vehicle 510 is driving) except for the lane in which the vehicle 500 is driving in a similar manner. Can be estimated.
  • the electronic device 100 may determine the second front vehicle 510 not located on the driving center line as at least one object.
  • the electronic device 100 may be configured based on the distance between the second front vehicle 510 and the driving center line 501, the distance between the second front vehicle 510 and the vehicle 500, and the vehicle width of the second front vehicle.
  • the second lane width of the second lane can be estimated.
  • the electronic device 100 may estimate the sum of the vehicle width and the second value of the second front vehicle 510 as the width of the second lane of the second lane.
  • the second value may be determined according to the distance between the second front vehicle 510 and the driving center line 501 and the distance between the second front vehicle 510 and the vehicle 500.
  • the electronic device 100 may estimate lane information of the second lane based on the estimated second lane width and the vanishing point of the image. For example, the electronic device 100 may extend lane line information of the second lane by extending a straight line passing through the vanishing point of the image based on the driving lane line 501 or the second lane width estimated based on the second front vehicle in the image. Can be estimated.
  • the electronic device 100 outputs lane information including lane information of a lane on which the second front vehicle is driving and lane information 505 of a lane on which the first front vehicle is driving as guide information. can do.
  • FIG. 6 is a diagram for describing a method of outputting guide information by an electronic device according to an exemplary embodiment.
  • the electronic device 100 may generate guide information based on the estimated lane information.
  • the guide information may be an image of estimated lane information.
  • the guide information may be processed by the electronic device 100 based on the estimated lane information and the driving information of the vehicle.
  • the electronic device 100 may generate guide information based on the estimated lane information and the driving speed of the vehicle.
  • the electronic device 100 may output imaged lane information.
  • the electronic device 100 may display the lane 602 of the driving road based on the estimated lane information on the display 601 included in the vehicle (eg, a head-up display or a transparent display on the front of the vehicle). I can display it.
  • the electronic device 100 may display the acquired image on the display 601 and highlight and display the estimated lane 602 on the obtained image.
  • the guide information may be hazard warning information processed using the estimated lane information.
  • the electronic device 100 may predict the driving path of the vehicle according to the driving direction, the speed, and the like of the vehicle, and determine whether the lane is in danger of departure using the estimated lane information.
  • the electronic device 100 may output corresponding guide information as a sound.
  • the electronic device 100 may output danger warning information 603 generated based on lane information. For example, when it is determined that there is a lane departure risk, the electronic device 100 may output the danger warning information 603 to a display included in the vehicle. For example, the electronic device 100 may provide text, an image, or an animation indicating the danger warning information 603.
  • the electronic device 100 may determine whether the location of the vehicle is within a preset range based on the estimated lane information. In addition, the electronic device 100 may output guide information based on the determination result.
  • the preset range is a range of the position of the vehicle estimated when the vehicle is driven in one lane.
  • the electronic device 100 may use the center line of the image to determine whether the location of the vehicle is within a preset range. When the location of the lane estimated from the centerline of the image in the acquired image is outside the safety range, it may be determined that the driving path of the vehicle of the electronic device 100 has left the lane.
  • the safety range may be preset in the electronic device 100 based on the experiment data.
  • the electronic device 100 may output guide information such as danger warning information 603.
  • the driver may safely drive the vehicle even when there is a visual disturbance in the driving environment.
  • the guide information is output in various forms while the driver is driving the vehicle, thereby increasing the driving satisfaction of the driver.
  • FIG. 7 and 8 are block diagrams illustrating a configuration of an electronic device according to an embodiment.
  • the electronic device 1000 may include a memory 1100, a display unit 1210, a camera 1610, and a processor 1300.
  • the electronic device 1000 may be implemented by more components than those illustrated in FIG. 7, or the electronic device 1000 may be implemented by fewer components than those illustrated in FIG. 7.
  • the electronic device 1000 may include the output unit 1200 in addition to the memory 1100, the display unit 1210, the camera 1610, and the processor 1300.
  • the communication unit 1500 may further include a sensing unit 1400, an A / V input unit 1600, and a user input unit 1700.
  • the memory 1100 may store a program for processing and controlling the processor 1300, and may store an image input to the electronic device 1000 or guide information output from the electronic device 1000. In addition, the memory 1100 may store specific information for determining whether to output the guide information.
  • the memory 1100 may be a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (for example, SD or XD memory), RAM Random Access Memory (RAM) Static Random Access Memory (SRAM), Read-Only Memory (ROM), Electrically Erasable Programmable Read-Only Memory (EEPROM), Programmable Read-Only Memory (PROM), Magnetic Memory, Magnetic Disk It may include at least one type of storage medium of the optical disk.
  • RAM Random Access Memory
  • SRAM Static Random Access Memory
  • ROM Read-Only Memory
  • EEPROM Electrically Erasable Programmable Read-Only Memory
  • PROM Programmable Read-Only Memory
  • Magnetic Memory Magnetic Disk It may include at least one type of storage medium of the optical disk.
  • Programs stored in the memory 1100 may be classified into a plurality of modules according to their functions.
  • the programs stored in the memory 1100 may be classified into a UI module 1110, a touch screen module 1120, and a notification module 1130. .
  • the UI module 1110 may provide a specialized UI, GUI, or the like that interworks with the electronic device 1000 for each application.
  • the touch screen module 1120 may detect a touch gesture on the user's touch screen and transmit information about the touch gesture to the processor 1300.
  • the touch screen module 1120 according to an embodiment may recognize and analyze a touch code.
  • the touch screen module 1120 may be configured as separate hardware including a controller.
  • the notification module 1130 may generate a signal for notifying occurrence of an event of the electronic device 1000. Examples of events occurring in the electronic apparatus 1000 may include call signal reception, message reception, key signal input, and schedule notification.
  • the notification module 1130 may output the notification signal in the form of a video signal through the display unit 1210, may output the notification signal in the form of an audio signal through the sound output unit 1220, and the vibration motor 1230. Through the notification signal may be output in the form of a vibration signal.
  • the notification module 1130 may generate a signal for outputting guide information based on the estimated lane information.
  • the output unit 1200 may output an audio signal, a video signal, or a vibration signal, and the output unit 1200 may include a display unit 1210, an audio output unit 1220, and a vibration motor 1230. have.
  • the display unit 1210 displays and outputs information processed by the electronic apparatus 1000.
  • the display 1210 may output an image captured by the camera 1610.
  • the display unit 1210 may output the synthesized guide information generated by the processor 1300 to the captured image.
  • the display unit 1210 may display a user interface for executing an operation related to the response in response to a user input.
  • the sound output unit 1220 outputs audio data received from the communication unit 1500 or stored in the memory 1100.
  • the sound output unit 1220 outputs a sound signal related to a function (for example, a call signal reception sound, a message reception sound, and a notification sound) performed by the electronic device 1000.
  • the sound output unit 1220 may output guide information generated as a signal from the notification module 1130 as a sound signal under the control of the processor 1300.
  • the processor 1300 typically controls the overall operation of the electronic apparatus 1000.
  • the processor 1300 executes programs stored in the memory 1100, such as a user input unit 1700, an output unit 1200, a sensing unit 1400, a communication unit 1500, and an A / V input unit 1700. ) Can be controlled overall.
  • the processor 1300 may perform the functions of the electronic apparatus 1000 described with reference to FIGS. 1 to 6 by executing programs stored in the memory 1100.
  • the processor 1300 may control the camera 1610 to capture an image of the outside of the vehicle by executing one or more instructions stored in the memory.
  • the processor 1300 may control the communicator 1500 to acquire an image of the outside of the vehicle by executing one or more instructions stored in the memory.
  • the processor 1300 may determine at least one object for estimating lane information from the captured image by executing one or more instructions stored in the memory. For example, the processor 1300 may determine a guard rail, a front vehicle, or a rear vehicle included in the image as at least one object for estimating lane information.
  • the processor 1300 may estimate lane information of a road on which the vehicle is driving in the image based on the distance between the at least one object and the vehicle and the vanishing point of the image determined by executing one or more instructions stored in the memory. For example, the processor 1300 may obtain a distance between at least one object determined by the sensing unit 1400 and the vehicle by executing one or more instructions stored in a memory. In addition, the processor 1300 may predict the vanishing point by extracting a straight line through a lower end of the building or a guard rail among the objects included in the image.
  • the processor 1300 may determine a road area based on the distance between the determined object and the vehicle. In addition, the processor 1300 may estimate the lane information of the road by dividing the predicted road area by the number of cars by using the predicted road area as the vanishing point of the image.
  • the processor 1300 may estimate the lane width based on the distance between the determined object and the vehicle.
  • the processor 1300 may estimate the lane information of the road by extending a straight line having the estimated lane width by using the vanishing point of the image as a centripetal point.
  • the processor 1300 may determine the road area from the captured image by executing one or more instructions stored in the memory. In addition, the processor 1300 may obtain lane number information of a road on which the vehicle is driving, based on the location information of the vehicle. For example, the processor 1300 may control the position sensor 1460 to acquire GPS information of the vehicle by executing one or more instructions stored in a memory. In addition, the processor 1300 may estimate the lane width in the image based on the determined distance between the at least one object and the vehicle, the determined road area, and the obtained lane number information. In addition, the processor 1300 may estimate lane information of the road on which the vehicle is traveling in the image based on the estimated lane width and the vanishing point of the image.
  • the processor 1300 may determine the driving center line of the vehicle by executing one or more instructions stored in a memory. In addition, the processor 1300 may determine the first front vehicle positioned on the driving center line as at least one object for estimating lane information by executing one or more instructions stored in a memory. In addition, the processor 1300 may execute one or more instructions stored in the memory to determine the width of the first lane of the first lane in which the vehicle is driving in the image based on the distance between the first vehicle and the vehicle width of the first vehicle. It can be estimated. In addition, the processor 1300 may estimate lane information of a road on which the vehicle is traveling in the image based on the estimated first lane width and the vanishing point of the image by executing one or more instructions stored in the memory.
  • the processor 1300 may determine a second front vehicle that is not positioned on the driving center line as at least one object for estimating lane information. Further, the processor 1300 may further include a second lane of the second lane in which the second front vehicle is driving based on the distance between the second front vehicle and the driving centerline, the distance between the second front vehicle and the vehicle, and the vehicle width of the second front vehicle. The width can be estimated. In addition, the processor 1300 may estimate lane information of the road on which the vehicle is traveling in the image based on the estimated second lane width and the vanishing point of the image.
  • the processor 1300 may learn a relationship between the plurality of images by using the plurality of images of the same subject.
  • the processor 1300 may generate a learning model based on the learning result by executing one or more instructions stored in the memory.
  • the processor 1300 may convert the photographed image using the learning model by executing one or more instructions stored in the memory so that the photographed image has a visibility greater than or equal to a preset value.
  • the processor 1300 may estimate lane information of a road on which the vehicle is driven by utilizing the converted image by executing one or more instructions stored in a memory. For example, the processor 1300 may determine at least one object for estimating lane information from the converted image.
  • the processor 1300 may control the output unit 1200 to output guide information for guiding driving of the vehicle based on the estimated lane information by executing one or more instructions stored in a memory. .
  • the processor 1300 may control the display unit 1210 to synthesize and display the guide information on the road area of the acquired image by executing one or more instructions stored in the memory.
  • the processor 1300 may control the sound output unit 1220 to output guide information by executing one or more instructions stored in a memory.
  • the processor 1300 may determine whether a risk of a vehicle's driving path occurs according to the guide information and a predetermined reference by executing one or more instructions stored in a memory, and determine a result of the sound output unit 1220 or vibration.
  • the motor 1230 may be controlled to output.
  • the processor 1300 may generate guide information.
  • the processor 1300 may generate guide information based on the estimated lane information and the driving speed of the vehicle.
  • the processor 1300 may generate guide information by determining whether the location of the vehicle is within a preset range, based on the estimated lane information.
  • the sensing unit 1400 may detect a state of the electronic device 1000 or a state around the electronic device 1000 and transmit the detected information to the processor 1300.
  • the sensing unit 1400 may include a geomagnetic sensor 1410, an acceleration sensor 1420, a temperature / humidity sensor 1430, an infrared sensor 1440, a gyroscope sensor 1450, and a position sensor. (Eg, GPS) 1460, barometric pressure sensor 1470, proximity sensor 1480, and RGB sensor (RGB sensor) 1490, but are not limited thereto. Since functions of the respective sensors can be intuitively deduced by those skilled in the art from the names, detailed descriptions thereof will be omitted.
  • the sensing unit 1400 may measure a distance between at least one object determined from the captured image and the vehicle.
  • the communication unit 1500 may include one or more components that allow the electronic device 1000 to communicate with other devices (not shown) and a server (not shown).
  • the other device (not shown) may be a computing device such as the electronic device 1000 or a sensing device, but is not limited thereto.
  • the communicator 1500 may include a short range communicator 1510, a mobile communicator 1520, and a broadcast receiver 1530.
  • the short-range wireless communication unit 1510 includes a Bluetooth communication unit, a Bluetooth low energy (BLE) communication unit, a near field communication unit, a WLAN (Wi-Fi) communication unit, a Zigbee communication unit, an infrared ray ( IrDA (Infrared Data Association) communication unit, WFD (Wi-Fi Direct) communication unit, UWB (ultra wideband) communication unit, Ant + communication unit and the like, but may not be limited thereto.
  • the short range communication unit 1510 may receive the number of lane information through short range wireless communication from a navigation device included in the vehicle.
  • the mobile communication unit 1520 transmits and receives a radio signal with at least one of a base station, an external terminal, and a server on a mobile communication network.
  • the wireless signal may include various types of data according to transmission and reception of a voice call signal, a video call call signal, or a text / multimedia message.
  • the broadcast receiving unit 1530 receives a broadcast signal and / or broadcast related information from the outside through a broadcast channel.
  • the broadcast channel may include a satellite channel and a terrestrial channel. According to an embodiment of the present disclosure, the electronic device 1000 may not include the broadcast receiving unit 1530.
  • the A / V input unit 1600 is for inputting an audio signal or a video signal, and may include a camera 1610 and a microphone 1620.
  • the camera 1610 may obtain an image frame such as a still image or a moving image through an image sensor in a video call mode or a photographing mode.
  • the image captured by the image sensor may be processed by the processor 1300 or a separate image processor (not shown).
  • the camera 1610 may capture an image of the outside of the vehicle.
  • the camera 1610 may photograph a front image of a driving vehicle, but is not limited thereto.
  • the microphone 1620 receives an external sound signal and processes the external sound signal into electrical voice data.
  • the microphone 1620 may receive an acoustic signal from an external device or a user.
  • the microphone 1620 may receive a voice input of a user.
  • the microphone 1620 may use various noise removing algorithms for removing noise generated in the process of receiving an external sound signal.
  • the user input unit 1700 means a means for a user to input data for controlling the electronic apparatus 1000.
  • the user input unit 1700 includes a key pad, a dome switch, a touch pad (contact capacitive type, pressure resistive layer type, infrared sensing type, surface ultrasonic conduction type, and integral type). Tension measurement method, piezo effect method, etc.), a jog wheel, a jog switch, and the like, but are not limited thereto.
  • FIG. 9 is a block diagram of a processor according to an embodiment.
  • a processor 1300 may include a data learner 1310 and a data recognizer 1320.
  • the data learner 1310 may learn a criterion for increasing the visibility of an image.
  • the data learner 1310 may learn what data is used to increase the visibility of the image and how to increase the visibility of the image using the data.
  • the data learner 1310 acquires data to be used for learning and applies the acquired data to a data recognition model to be described later, thereby learning a criterion for increasing the visibility of an image.
  • the data recognizer 1320 may increase the visibility of the input image.
  • the data recognizer 1320 may increase the visibility of the input image by using the learned data recognition model.
  • the data recognizing unit 1320 may increase the visibility of the input image by acquiring predetermined data according to a predetermined reference by learning and using the data recognition model using the acquired data as an input value.
  • the result value output by the data recognition model using the acquired data as an input value may be used to update the data recognition model.
  • At least one of the data learner 1310 and the data recognizer 1320 may be manufactured in the form of at least one hardware chip and mounted on the electronic device.
  • at least one of the data learner 1310 and the data recognizer 1320 may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or an existing general purpose processor (eg, a CPU).
  • AI artificial intelligence
  • the electronic device may be manufactured as a part of an application processor or a graphics dedicated processor (eg, a GPU) and mounted on the aforementioned various electronic devices.
  • the data learner 1310 and the data recognizer 1320 may be mounted on one electronic device or may be mounted on separate electronic devices, respectively.
  • one of the data learner 1310 and the data recognizer 1320 may be included in the electronic device, and the other may be included in the server.
  • the data learner 1310 and the data recognizer 1320 may provide model information constructed by the data learner 1310 to the data recognizer 1320 via a wired or wireless connection.
  • the data input to 1320 may be provided to the data learner 1310 as additional learning data.
  • At least one of the data learner 1310 and the data recognizer 1320 may be implemented as a software module.
  • the software module may be a computer readable non-transitory computer. It may be stored in a non-transitory computer readable media.
  • at least one software module may be provided by an operating system (OS) or by a predetermined application.
  • OS operating system
  • OS operating system
  • others may be provided by a predetermined application.
  • FIG. 10 is a block diagram of a data learner according to an exemplary embodiment.
  • the data learner 1310 may include a data acquirer 1310-1, a preprocessor 1310-2, a training data selector 1310-3, and a model learner 1310. -4) and the model evaluator 1310-5.
  • the data acquirer 1310-1 may acquire data necessary for determining a situation.
  • the data acquirer 1310-1 may acquire data necessary for learning for situation determination.
  • the data acquirer 1310-1 may receive a plurality of images of the same subject. For example, the data acquirer 1310-1 may receive an image of a time, a date, or a season, photographing the same road at the same place. The data acquirer 1310-1 may receive an image through a camera of the electronic device including the data learner 1310. Alternatively, the data acquirer 1310-1 may acquire data through an external device that can communicate with the electronic device.
  • the preprocessor 1310-2 may preprocess the acquired data so that the acquired data can be used for learning for situation determination.
  • the preprocessor 1310-2 may process the acquired data in a preset format so that the model learner 1310-4, which will be described later, uses the acquired data for learning for situation determination.
  • the preprocessor 1310-2 may divide the image in pixel units to analyze the obtained plurality of images.
  • the preprocessor 1310-2 may extract an object from each image to analyze the obtained plurality of images.
  • the preprocessor 1310-2 may process the extracted object as data.
  • the preprocessor 1310-2 may tag and classify an object or a pixel at a common position in the image.
  • the training data selector 1310-3 may select data required for learning from the preprocessed data.
  • the selected data may be provided to the model learner 1310-4.
  • the training data selector 1310-3 may select data necessary for learning from preprocessed data according to a predetermined criterion for determining a situation.
  • the training data selector 1310-3 may select data according to preset criteria by learning by the model learner 1310-4 to be described later.
  • the training data selector 1310-3 may select data required for learning from data processed by the preprocessor 1310-2.
  • the training data selector 1310-3 may select data corresponding to the specific object in order to learn a criterion for increasing the visibility of the specific object in the image.
  • the model learner 1310-4 may learn a criterion on how to determine a situation based on the training data. In addition, the model learner 1310-4 may learn a criterion about what training data should be used for situation determination.
  • the model learner 1310-4 may analyze characteristics of each object or pixel to learn a criterion for increasing the visibility of an image.
  • the model learner 1310-4 may learn a criterion for increasing the visibility of the image by analyzing the relationship between the images by using one pair image.
  • the model learner 1310-4 may analyze the relationship by extracting an error between the images by using one pair image.
  • the model learner 1310-4 may train the data recognition model used for situation determination using the training data.
  • the data recognition model may be a pre-built model.
  • the data recognition model may be a model built in advance by receiving basic training data (eg, a sample image).
  • the data recognition model may be constructed in consideration of the application field of the recognition model, the purpose of learning, or the computer performance of the device.
  • the data recognition model may be, for example, a model based on a neural network.
  • a model such as a deep neural network (DNN), a recurrent neural network (RNN), and a bidirectional recurrent deep neural network (BRDNN) may be used as the data recognition model, but is not limited thereto.
  • the model learner 1310-4 may be a data recognition model to learn a data recognition model having a large correlation between input training data and basic training data. You can decide.
  • the basic training data may be previously classified by the type of data, and the data recognition model may be pre-built by the type of data. For example, the basic training data is classified based on various criteria such as the region where the training data is generated, the time at which the training data is generated, the size of the training data, the genre of the training data, the creator of the training data, and the types of objects in the training data. It may be.
  • model learner 1310-4 may train the data recognition model using, for example, a learning algorithm including an error back-propagation method or a gradient descent method. .
  • model learner 1310-4 may train the data recognition model through, for example, supervised learning using the training data as an input value.
  • the model learner 1310-4 for example, by unsupervised learning to find a criterion for situation determination by learning the kind of data necessary for situation determination without any guidance, You can train the data recognition model.
  • the model learner 1310-4 may train the data recognition model, for example, through reinforcement learning using feedback on whether the result of the situation determination according to the learning is correct.
  • the model learner 1310-4 may store the trained data recognition model.
  • the model learner 1310-4 may store the learned data recognition model in a memory of the electronic device including the data recognizer 1320.
  • the model learner 1310-4 may store the learned data recognition model in a memory of an electronic device including the data recognizer 1320, which will be described later.
  • the model learner 1310-4 may store the learned data recognition model in a memory of a server connected to the electronic device through a wired or wireless network.
  • the memory in which the learned data recognition model is stored may store, for example, commands or data related to at least one other element of the electronic device.
  • the memory may also store software and / or programs.
  • the program may include, for example, a kernel, middleware, an application programming interface (API) and / or an application program (or “application”), and the like.
  • the model evaluator 1310-5 may input the evaluation data into the data recognition model, and cause the model learner 1310-4 to relearn if the recognition result output from the evaluation data does not satisfy a predetermined criterion. have.
  • the evaluation data may be preset data for evaluating the data recognition model.
  • the evaluation data may include at least one pair image.
  • the model evaluator 1310-5 may determine a predetermined criterion when the number or ratio of the evaluation data that is not accurate among the recognition results of the learned data recognition model for the evaluation data exceeds a preset threshold. It can be evaluated as not satisfied. For example, when a predetermined criterion is defined at a ratio of 2%, the model evaluator 1310-5 when the learned data recognition model outputs an incorrect recognition result for more than 20 evaluation data out of a total of 1000 evaluation data. Can be judged that the learned data recognition model is not suitable.
  • the model evaluator 1310-5 evaluates whether each learned data recognition model satisfies a predetermined criterion, and recognizes the final data as a model that satisfies the predetermined criterion. Can be determined as a model. In this case, when there are a plurality of models satisfying a predetermined criterion, the model evaluator 1310-5 may determine any one or a predetermined number of models that are preset in the order of the highest evaluation score as the final data recognition model.
  • At least one of -5) may be manufactured in the form of at least one hardware chip and mounted on the electronic device.
  • at least one of the data acquirer 1310-1, the preprocessor 1310-2, the training data selector 1310-3, the model learner 1310-4, and the model evaluator 1310-5 One may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or may be manufactured as a part of an existing general purpose processor (eg, a CPU or application processor) or a graphics dedicated processor (eg, a GPU). It may be mounted on various electronic devices.
  • AI artificial intelligence
  • the data obtaining unit 1310-1, the preprocessor 1310-2, the training data selecting unit 1310-3, the model learning unit 1310-4, and the model evaluating unit 1310-5 are electronic components. It may be mounted on the device, or may be mounted on separate electronic devices, respectively. For example, some of the data acquirer 1310-1, the preprocessor 1310-2, the training data selector 1310-3, the model learner 1310-4, and the model evaluator 1310-5. May be included in the electronic device, and the rest may be included in the server.
  • At least one of the data acquirer 1310-1, the preprocessor 1310-2, the training data selector 1310-3, the model learner 1310-4, and the model evaluator 1310-5 may be used. It may be implemented as a software module. At least one of the data acquirer 1310-1, the preprocessor 1310-2, the training data selector 1310-3, the model learner 1310-4, and the model evaluator 1310-5 is a software module. (Or a program module including instructions), the software module may be stored in a computer readable non-transitory computer readable media. In this case, at least one software module may be provided by an operating system (OS) or by a predetermined application. Alternatively, some of the at least one software module may be provided by an operating system (OS), and others may be provided by a predetermined application.
  • OS operating system
  • OS operating system
  • some of the at least one software module may be provided by an operating system (OS), and others may be provided by a predetermined application.
  • 11 is a block diagram of a data recognizer 1320 according to an embodiment.
  • the data recognizer 1320 may include a data acquirer 1320-1, a preprocessor 1320-2, a recognition data selector 1320-3, and a recognition result provider ( 1320-4) and a model updater 1320-5.
  • the data acquirer 1320-1 may acquire data necessary for situation determination, and the preprocessor 1320-2 may preprocess the acquired data so that the acquired data may be used for situation determination.
  • the preprocessor 1320-2 may process the acquired data into a preset format so that the recognition result providing unit 1320-4, which will be described later, uses the acquired data for determining a situation.
  • the recognition data selector 1320-3 may select data required for situation determination from among the preprocessed data.
  • the selected data may be provided to the recognition result provider 1320-4.
  • the recognition data selector 1320-3 may select some or all of the preprocessed data according to a preset criterion for determining a situation.
  • the recognition data selector 1320-3 may select data according to a predetermined criterion by learning by the model learner 1310-4 to be described later.
  • the recognition result providing unit 1320-4 may determine the situation by applying the selected data to the data recognition model.
  • the recognition result providing unit 1320-4 may provide a recognition result according to a recognition purpose of data.
  • the recognition result provider 1320-4 may apply the selected data to the data recognition model by using the data selected by the recognition data selector 1320-3 as an input value.
  • the recognition result may be determined by the data recognition model.
  • the recognition result for the input image may be provided as text, an image, or a command (for example, an application execution command, a module function execution command, etc.).
  • the recognition result providing unit 1320-4 may apply the image to the data recognition model to provide a result converted into an image that satisfies a preset visibility reference value.
  • the recognition result providing unit 1320-4 may provide a display function execution command for causing the display unit 1210 to output the converted image as the recognition result.
  • the model updater 1320-5 may cause the data recognition model to be updated based on the evaluation of the recognition result provided by the recognition result provider 1320-4. For example, the model updater 1320-5 provides the model learning unit 1310-4 with the recognition result provided by the recognition result providing unit 1320-4 so that the model learner 1310-4 provides the recognition result.
  • the data recognition model can be updated.
  • the data acquisition unit 1320-1, the preprocessor 1320-2, the recognition data selector 1320-3, the recognition result providing unit 1320-4, and the model updater in the data recognition unit 1320 may be manufactured in the form of at least one hardware chip and mounted on the electronic device.
  • At least one may be fabricated in the form of a dedicated hardware chip for artificial intelligence (AI), or may be fabricated as part of an existing general purpose processor (e.g., CPU or application processor) or graphics dedicated processor (e.g., GPU). It may be mounted on various electronic devices.
  • AI artificial intelligence
  • the data acquisition unit 1320-1, the preprocessor 1320-2, the recognition data selection unit 1320-3, the recognition result providing unit 1320-4, and the model updater 1320-5 may be mounted on an electronic device, or may be mounted on separate electronic devices, respectively.
  • the preprocessor 1320-2, the recognition data selector 1320-3, the recognition result provider 1320-4, and the model updater 1320-5 may be included in the electronic device, and others may be included in the server.
  • At least one of the data acquirer 1320-1, the preprocessor 1320-2, the recognition data selector 1320-3, the recognition result provider 1320-4, and the model updater 1320-5 May be implemented as a software module.
  • At least one of the data acquirer 1320-1, the preprocessor 1320-2, the recognition data selector 1320-3, the recognition result provider 1320-4, and the model updater 1320-5 is software.
  • the software module When implemented as a module (or a program module including instructions), the software module may be stored on a computer readable non-transitory computer readable media.
  • at least one software module may be provided by an operating system (OS) or by a predetermined application.
  • some of the at least one software module may be provided by an operating system (OS), and others may be provided by a predetermined application.
  • FIG. 12 illustrates an example in which the electronic apparatus 1000 and the server 2000 learn and recognize data by interworking with each other, according to an exemplary embodiment.
  • the server 2000 may learn a criterion for increasing the visibility of an image, and the electronic apparatus 1000 may determine a situation based on the learning result by the server 2000.
  • the model learner 2340 of the server 2000 may perform a function of the data learner 1310 illustrated in FIG. 10.
  • the model learner 2340 of the server 2000 may learn what data is used to increase the visibility of the image and how to increase the visibility of the image using the data.
  • the model learner 2340 acquires data to be used for learning and applies the acquired data to a data recognition model to be described later, thereby learning a criterion for increasing the visibility of an image.
  • the recognition result providing unit 1320-4 of the electronic apparatus 1000 applies the data selected by the recognition data selecting unit 1320-3 to a data recognition model generated by the server 2000 to display the image visibility. Can be increased.
  • the recognition result provider 1320-4 transmits the data selected by the recognition data selector 1320-3 to the server 2000, and the server 2000 transmits the recognition data selector 1320-3.
  • the recognition result providing unit 1320-4 may receive an image converted by the server 2000 into an image having increased visibility from the server 2000.
  • the recognition result providing unit 1320-4 of the electronic apparatus 1000 receives the recognition model generated by the server 2000 from the server 2000, and increases the visibility of the image using the received recognition model. You can.
  • the recognition result providing unit 1320-4 of the electronic apparatus 1000 may apply the data selected by the recognition data selecting unit 1320-3 to the data recognition model received from the server 2000 to display the image visibility. Can increase.
  • Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media.
  • Computer readable media may include both computer storage media and communication media.
  • Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.
  • Communication media typically includes computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transmission mechanism, and includes any information delivery media.
  • unit may be a hardware component such as a processor or a circuit, and / or a software component executed by a hardware component such as a processor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 차량의 외부의 이미지를 촬영하는 카메라, 및 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 프로세서는 하나 이상의 인스트럭션을 실행함으로써, 촬영된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하고, 결정된 적어도 하나의 객체와 차량 간의 거리 및 이미지의 소실점에 기초하여, 이미지에서 상기 차량이 주행중인 도로의 차선 정보를 추정하고, 추정된 차선 정보에 기초하여, 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는 전자 장치가 개시된다.

Description

차선 정보를 추정하는 방법 및 전자 장치
다양한 실시예들은 차선 정보를 추정하는 방법 및 전자 장치에 관한 것으로서, 보다 상세하게는 악천후에서 차선 정보를 추정하여 출력하는 방법 및 전자 장치에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
차량(vehicle)에 적용되는 기술들이 발전함에 따라, 차량의 자율주행 시스템(Autonomous Driving System) 또는 운전 보조 시스템(Advanced Driver Assistance System: ADAS)을 위한 다양한 방법들이 개발되고 있다.
한편, 차량이 운행되는 지역의 날씨 또는 차량이 운행되는 시각에 따라, 운전자가 운전하는데 필요한 충분한 시각적 정보가 확보되지 않는 경우가 빈번하게 발생할 수 있다. 이에 따라, 원활한 차량 운행에 장애가 있는 환경에서, 운전자의 차량 운행을 보조하거나, 자율주행 시스템이 차량을 안전하게 제어하도록 하기 위해 차량이 위치한 차선에 대한 정보를 제공하는 기술이 요구되고 있다.
다양한 실시예들은, 악천후 등 시각적 방해 요소를 포함하는 환경에서 차량이 주행중인 도로의 차선 정보를 추정하는 방법 및 장치를 제공할 수 있다.
도 1은 일 실시예에 따른 전자 장치가 차선 정보를 추정하는 예시를 나타내는 개요도이다.
도 2는 일 실시예에 따른 전자 장치의 동작 방법을 도시한 흐름도이다.
도 3은 일 실시예에 따라 전자 장치가 이미지를 변환하는 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따라 전자 장치가 도로의 차선 정보를 추정하는 방법을 설명하기 위한 도면이다.
도 5는 일 실시예에 따라 전자 장치가 도로의 차선 정보를 추정하는 방법을 설명하기 위한 도면이다.
도 6은 일 실시예에 따라 전자 장치가 가이드 정보를 출력하는 방법을 설명하기 위한 도면이다.
도 7 및 도 8은 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 9는 일 실시예에 따른 프로세서의 블록도이다.
도 10은 일 실시예에 따른 데이터 학습부의 블록도이다.
도 11은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 12는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
일 실시예에 따른 전자 장치는, 차량의 외부의 이미지를 촬영하는 카메라, 하나 이상의 인스트럭션을 저장하는 메모리, 및 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 프로세서는 하나 이상의 인스트럭션을 실행함으로써, 촬영된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하고, 결정된 적어도 하나의 객체와 차량 간의 거리 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정하고, 추정된 차선 정보에 기초하여, 차량의 주행을 가이드하기 위한 가이드 정보를 출력할 수 있다.
일 실시예에 따른 전자 장치의 동작 방법은, 차량의 외부의 이미지를 획득하는 단계, 획득된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하는 단계, 결정된 적어도 하나의 객체와 차량 간의 거리 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정하는 단계, 및 추정된 차선 정보에 기초하여, 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는 단계를 포함할 수 있다.
또 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
<도 1>
도 1은 일 실시예에 따른 전자 장치가 차선 정보를 추정하는 예시를 나타내는 개요도이다.
도 1을 참조하면, 일 실시예에 따라, 전자 장치(100)는 차량(110)에 설치되어, 차량(110)의 외부의 이미지(101)로부터 주행중인 도로의 차선 정보(103)를 추정할 수 있다. 여기에서, 차선 정보(103)는 차량(110)이 주행중인 도로를 차로(예를 들어, 2차선 도로인 경우 1차로 및 2차로)로 분할하는 선을 의미한다.
예를 들어, 전자 장치(100)는 차량(110)에 탑재될 수 있는 이동식 또는 비 이동식 전자 장치일 수 있다. 또한, 전자 장치(100)는 외부의 이미지(101)를 획득하기 위한 카메라 및 가이드 정보를 출력하기 위한 디스플레이 모듈을 구비할 수 있다. 또는, 전자 장치(100)는 차량(110)에 포함된 카메라, 디스플레이(106), 로컬 네비게이션, GPS 수신 장치 등과 같은 다른 장치들을 제어할 수도 있다. 또한, 전자 장치(100)는 차량(110)에 포함된 다른 장치들과 통신함으로써 차선 정보(103)를 추정하기 위한 데이터를 수신하거나, 가이드 정보를 송신할 수 있다.
운전자가 시각적 방해 요소를 포함하는 환경에서 차량(110)을 운행하는 경우, 운전자의 시야가 충분히 확보되지 않을 수 있다. 또한, 차량(110)의 자율주행 시스템(Autonomous Driving System) 또는 운전 보조 시스템(Advanced Driver Assistance System: ADAS)이 제대로 작동하지 않을 수 있다. 전자 장치(100)는 주행중인 도로의 차선 정보(103)를 추정하고 도 1에서와 같이 가이드 정보를 출력함으로써 차량(110)의 안전한 운행을 보조할 수 있다.
예를 들어, 전자 장치(100)는 주행중인 도로의 차선 정보(103)를 추정하기 위해, 주행중인 차량(110)의 외부의 이미지(101)를 획득할 수 있다. 또한, 전자 장치(100)는 획득한 이미지(101)에 포함된 적어도 하나의 객체를 이용하여, 차선 정보(103)를 추정할 수 있다. 여기에서, 객체는 이미지에 포함된 피사체로, 이미지(101) 내에서 다른 피사체와 구별되어 인식되는 하나의 피사체를 의미한다. 예를 들어, 이미지(101)는 가드 레일(guard-rail)(105) 또는 전방의 차량(104) 등과 같은 적어도 하나의 객체를 포함할 수 있다. 또한, 전자 장치(100)는 차선 정보(103)를 추정하기 위해, 주행중인 도로의 차로 개수 정보, 이미지(101)의 소실점 등의 획득된 이미지(101)의 분석을 통한 정보를 활용할 수 있다.
한편, 일 실시예에 따라, 전자 장치(100)는 학습 모델을 활용하여, 차선 정보(103)를 추정하기 위해 획득된 이미지가 기 설정된 값 이상의 가시도(visibility)를 가지도록 획득된 이미지를 변환할 수 있다. 또한, 일 실시예에서, 이미지를 변환하는 학습 모델은 심층 신경망(Deep Neural Model) 기술에 따른 학습에 기초한 것일 수 있다. 학습 모델은 인공 지능 학습 모델일 수 있다.
일 실시예에 따라, 전자 장치(100)는 추정된 차선 정보(103)에 기초하여, 가이드 정보를 출력할 수 있다. 여기에서, 가이드 정보는 차량의 주행을 가이드하기 위한 정보를 의미한다. 예를 들어, 가이드 정보는 도로의 차선 정보, 차량의 주행 속도 또는 이에 기초하여 가공된 위험 경고 정보 등을 포함할 수 있다.
또한, 전자 장치(100)는 가이드 정보를 표시하는 디스플레이(106)를 포함할 수 있다. 일 실시예에 따라, 디스플레이(106)는 헤드 업 디스플레이(head-up display), 미러 디스플레이(mirror display) 및 투명 디스플레이 중 적어도 하나를 포함할 수 있다.
또한, 전자 장치(100)는 자율주행 시스템 또는 운전 보조 시스템에 기초하여 차량(110)의 주행을 제어할 수도 있다.
일 실시예에 따라, 전자 장치(100)는, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 컴퓨팅 장치일 수 있으나, 이에 한정되는 것은 아니다. 또한, 전자 장치(100)는 디스플레이 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다. 그러나, 이에 한정되지 않으며, 전자 장치(100)는 데이터를 처리하고, 처리된 데이터를 제공할 수 있는 모든 종류의 기기를 포함할 수 있다.
한편, 도 1에서는, 전자 장치(100)가 주행중인 차량(110)의 전방 이미지를 획득하고, 획득한 이미지를 활용하여 차량(110)의 전방의 차선 정보(103)를 추정하고 있으나, 이에 한정되는 것은 아니다. 예를 들어, 전자 장치(100)는 주행중인 차량(110)의 후방 이미지를 획득하고, 획득한 이미지를 활용하여 차선 정보(103)를 추정할 수도 있다. 이 경우, 전자 장치(100)는 차량(110)의 후 방향 주행 도로의 차선 정보를 제공함으로써 운전자의 차량 운행을 보조할 수 있다.
도 1에서는, 전자 장치(100)가 차량(110)과 별도의 장치인 것으로 도시하였으나, 이에 한정되지 않으며, 전자 장치(100)는 차량(110)에 통합되어 차량(110)에 포함되는 일부 구성으로 구현될 수도 있다. 예를 들어, 전자 장치(100)는 차량(110)에 포함되는 프로세서로 구현될 수 있다. 예를 들어, 프로세서는 차량(110)에 포함된 MCU(micro controller unit)를 포함할 수 있다. 또한, 차량(110)은 프로세서가 동작하는데 필요한 데이터 및 차선 정보(103)를 저장하는 메모리 및 외부 장치와 통신할 수 있는 통신 모듈을 포함할 수 있다.
<도 2>
도 2는 일 실시예에 따른 전자 장치의 동작 방법을 도시한 흐름도이다.
도 2를 참조하면, 단계 202에서, 전자 장치(100)는 차량의 외부의 이미지를 획득한다. 여기에서, 차량의 외부 이미지는 차량의 외부 공간 중 카메라 또는 기타 센서에 의해 감지할 수 있는 범위의 일부 공간에 대한 이미지일수 있다. 예를 들어, 차량의 외부 이미지는 차량의 전방 또는 후방을 나타내는 이미지일 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에 따라, 전자 장치(100)는 카메라를 이용하여 차량의 외부의 이미지를 획득할 수 있다. 예를 들어, 카메라는 핀홀(pinhole) 카메라, 스테레오(stereo) 카메라, 적외선 카메라 또는 열화상 카메라를 의미할 수 있으나, 이에 한정되지 않는다. 예를 들어, 전자 장치(100)는 전자 장치(100)에 구비된 카메라를 이용하여, 차량의 외부 이미지를 획득하거나 전자 장치(100)외부의 촬영 장치로부터 차량의 외부의 이미지를 수신할 수도 있다.
단계 204에서, 전자 장치(100)는 획득된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정한다. 예를 들어, 전자 장치(100)는 이미지에 포함된 픽셀을 분석함으로써 복수의 객체를 구별된 각각의 객체로 추출할 수 있다. 전자 장치(100)는 이미지로부터 객체의 추출을 위해 심층 신경망(Deep Neural Network) 기술에 따른 학습 모델을 활용할 수 있다.
또한, 전자 장치(100)는 추출된 복수의 객체들 중 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정할 수 있다. 예를 들어, 전자 장치(100)는 이미지에 포함된 복수의 객체들 중 차선 정보 추정 방법에 따라 기 설정된 객체를 선택함으로써 차선 정보를 추정하기 위한 적어도 하나의 객체로 결정할 수 있다. 예를 들어, 전자 장치(100)는 이미지에 포함된 가드 레일, 전방 주행 차량, 후방 주행 차량 중 적어도 하나를 차선 정보를 추정하기 위한 적어도 하나의 객체로 결정할 수 있다.
일 실시예에 따라, 전자 장치(100)는 획득한 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하기 위해, 심층 신경망 기술에 따른 학습 모델을 활용할 수 있다. 예를 들어, 전자 장치(100)는 학습 모델을 활용하여 이미지의 가시도를 개선할 수 있다. 또한, 전자 장치(100)는 가시도가 개선된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정할 수 있다. 심층 신경망 기술에 따른 학습 모델의 활용과 관련하여서는 도 3을 참조하여 상세히 후술한다.
단계 206에서, 전자 장치(100)는 결정된 객체와 차량 간의 거리 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정한다.
일 실시예에 따라, 전자 장치(100)는 결정된 객체와 차량 간의 거리를 측정할 수 있다. 예를 들어, 전자 장치(100)는 거리 측정 센서를 이용하여 결정된 객체와 차량 간의 거리를 측정할 수 있다. 또는, 전자 장치(100)는 특정 유형의 객체에 대해 기 저장된 실험 데이터 및 획득한 이미지에 포함된 특정 객체의 크기에 기초하여, 결정된 객체와 차량 간의 거리를 결정할 수도 있다.
일 실시예에 따라, 전자 장치(100)는 이미지의 소실점(vanishing point)을 예측할 수 있다. 예를 들어, 전자 장치(100)는 이미지에 포함된 객체 중 건물의 하단 또는 가드 레일 등을 통해 직선을 추출함으로써 소실점을 예측할 수 있다. 구체적으로, 전자 장치(100)는 이미지로부터 추출된 복수의 직선의 연장선이 모이는 하나의 점을 소실점으로 예측할 수 있다.
예를 들어, 전자 장치(100)는 결정된 객체의 위치에 기초하여 도로 영역을 결정하고, 결정된 객체와 차량 간의 거리에 기초하여 각각의 차로의 차로 폭을 결정할 수 있다. 또한, 전자 장치(100)는 이미지의 소실점을 구심점으로 하여 결정된 도로 영역을 차로 개수로 분할함으로써 도로의 차선 정보를 추정할 수 있다.
또는, 예를 들어, 전자 장치(100)는 결정된 객체와 차량 간의 거리에 기초하여 차로 폭을 추정할 수 있다. 또한, 전자 장치(100)는 이미지의 소실점을 구심점으로 하여 추정된 차로 폭을 가지는 직선을 연장 시킴으로써 도로의 차선 정보를 추정할 수 있다.
단계 208에서, 전자 장치(100)는 추정된 차선 정보에 기초하여, 차량의 주행을 가이드하기 위한 가이드 정보를 출력한다. 예를 들어, 전자 장치(100)는 가이드 정보를 획득된 이미지의 도로 영역에 합성하여 표시할 수 있다. 또는, 전자 장치(100)는 가이드 정보를 음향으로 출력할 수도 있다. 예를 들어, 전자 장치(100)는 가이드 정보 및 기 설정된 기준에 따라, 차량의 주행 경로의 위험 발생 여부를 판단하고, 판단 결과를 음향으로 출력할 수 있다.
<도 3>
도 3은 일 실시예에 따라 전자 장치가 이미지를 변환하는 방법을 설명하기 위한 도면이다.
도 3의 블록 310을 참조하면, 일 실시예에 따라, 전자 장치(100)는 동일한 피사체에 대한 복수의 이미지들을 이용하여 복수의 이미지들 사이의 관계성을 학습한 결과에 기초하여 학습 모델(321)을 획득할 수 있다. 예를 들어, 동일한 피사체에 대한 복수의 이미지들은 동일한 위치, 동일한 각도에서 동일한 객체를 촬영한 복수의 이미지들일 수 있다. 예를 들어, 복수의 이미지들 사이의 관계성은 이미지의 동일한 위치에 포함된 픽셀 사이의 오차값이 될 수 있다.
예를 들어, 전자 장치(100)는 복수의 페어 이미지들(Pair image)을 이용하여 복수의 페어 이미지들 사이의 관계성을 학습함으로써 학습 모델(321)을 생성할 수 있다. 여기에서, 복수의 페어 이미지는 시각적 방해 요소(예를 들어, 저조도, 안개, 황사 등)를 포함하는 복수의 이미지(311) 및 이에 대응하는 시각적 방해 요소를 포함하지 않는 복수의 이미지(312)를 의미한다.
다른 일 실시예에 따라, 전자 장치(100)는 기 생성된 이미지 분석용 제 1 학습 모델(미도시)을 활용하여, 이미지 변환을 위한 제 2 학습 모델(321)을 생성할 수 있다. 예를 들어, 전자 장치(100)는 외부의 다른 전자 장치(예를 들어, 복수의 이미지 분석 모델을 포함하는 서버 등)로부터 이미지 분석용 제 1 학습 모델을 수신할 수 있다. 또한, 전자 장치(100)는 제 1 학습 모델을 다시 학습 시킴으로써, 이미지 변환을 위한 제 2 학습 모델(321)을 생성할 수 있다.
예를 들어, 전자 장치(100)는 하나의 페어 이미지 중 시각적 방해 요소를 포함하는 이미지(311) 및 제 1 학습 모델을 통과시킨 출력 이미지와 하나의 페어 이미지 중 시각적 방해 요소를 포함하지 않는 이미지 사이의 오류를 제 1 학습 모델에 반복하여 입력함으로써, 제 2 학습 모델(321)을 생성할 수 있다.
또는, 전자 장치(100)는 학습된 학습 모델(321)을 외부로부터 수신할 수도 있다.
또한, 일 실시예에 따라, 전자 장치(100)는 변환된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정할 수 있다. 이 경우, 도 2의 단계 204에서 설명된 실시예들이 적용될 수 있다.
도 3의 블록(320)을 참조하면, 일 실시예에 따라, 전자 장치(100)는 블록(310)에서 획득된 학습 모델(321)을 활용하여, 획득된 이미지가 기 설정된 값 이상의 가시도를 가지도록 획득된 이미지를 변환할 수 있다. 예를 들어, 전자 장치(100)는 학습 모델(321)을 활용하여, 시각적 방해 요소를 포함하는 이미지의 가시도를 증가시킬 수 있다.
일 실시예에 따라, 학습 모델(321)은, 통계학적 기계 학습의 결과를 이용하여, 이미지에 포함된 다양한 속성들을 추출하여 이용함으로써, 이미지에 포함된 객체들을 식별 및/또는 판단하는 알고리즘 집합일 수 있다. 예를 들어, 학습 모델(321)은 이미지의 가시도가 기 설정된 값 이상이 되지 않는 것으로 판단되는 경우, 이미지의 객체들에 대한 식별 및/또는 판단에 기초하여 이미지 변환을 수행할 수 있다.
일 실시예에 따라, 학습 모델(321)은 end-to-end 심층 신경망 모델일 수 있다. 여기에서, end-to-end 심층 신경망 모델이란 후처리 없이 입력 이미지를 출력 이미지로 변환할 수 있는 학습 모델을 의미한다.
예를 들어, 전자 장치(100)는 획득된 학습 모델(321)에 시각적 방해 요소를 포함하는 제 1 이미지(322)를 입력함으로써, 제 1 이미지(322)를 제 2 이미지(323)로 변환할 수 있다. 여기에서, 제 2 이미지(323)는 기 설정된 값 이상의 가시도를 가지는 이미지이다.
예를 들어, 학습 모델(321)은 이미지에 포함된 각각의 객체들을 식별하고 각각의 객체 별로 객체에 포함된 픽셀을 처리함으로써, 전체 이미지의 가시도가 기 설정된 값 이상이 되도록 변환할 수 있다.
일 실시예에 따라, 기 설정된 값은 학습 모델(321)에 따라 결정될 수 있다. 예를 들어, 기 설정된 값은 학습 모델이 업데이트됨에 따라 변경될 수 있다.
일 실시예에 따라, 전자 장치(100)는 학습 모델(321)을 활용하여 이미지를 기 설정된 값 이상의 가시도를 가지는 이미지로 변환함으로써, 기존의 시각적 방해 요소를 포함하는 이미지의 분석을 통해 차선 정보를 추정하는 경우보다 정밀도를 높일 수 있다.
<도 4>
도 4는 일 실시예에 따라 전자 장치가 도로의 차선 정보를 추정하는 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 일 실시예에 따라, 전자 장치(100)는 획득된 이미지의 분석을 통해 획득된 정보 및 주행중인 도로의 차로 개수 정보(404)에 기초하여 차선 정보(405)를 추정할 수 있다. 예를 들어, 이미지의 분석을 통해 획득된 정보는 이미지의 소실점, 도로 영역, 가드 레일 또는 전방 차량과 같은 적어도 하나의 객체를 포함할 수 있으나, 이에 한정되지 않는다.
일 실시예에 따라, 전자 장치(100)는 획득된 이미지로부터 도로 영역(402)을 결정할 수 있다. 예를 들어, 전자 장치(100)는 이미지의 분석을 통해 이미지에 포함된 복수의 객체 중 가드 레일(401)의 위치 및 가드 레일(401)의 높이에 기초하여, 도로 영역(402)을 결정할 수 있다.
일 실시예에 따라, 전자 장치(100)는 차량(400)의 위치 정보에 기초하여, 차량이 주행중인 도로의 차로 개수 정보(404)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 GPS(Global Positioning System)를 통해 획득한, 차량(400)의 위치 정보에 기초하여 차량(400)이 주행중인 도로의 차로 개수 정보(404)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 차량(400)에 포함된 로컬 네비게이션(local navigation)(411)으로부터 주행중인 도로의 차로 개수 정보(404)를 획득할 수 있다. 또는, 전자 장치(100)는 차량(400)의 위치 정보에 기초하여, 전자 장치(100)에 기 저장된 차로 개수 정보(404)를 획득할 수도 있다.
일 실시예에 따라, 전자 장치(100)는 이미지에서 결정된 전방 차량(406)과 차량(400) 간의 거리, 결정된 도로 영역(402) 및 획득된 차로 개수 정보(404)에 기초하여, 차량이 주행중인 도로의 각각의 차로 별 차로 폭(407-410)을 추정할 수 있다. 예를 들어, 전자 장치(100)는 차로 개수 정보(404)가 4차로인 경우, 도로 영역을 4개의 차로로 분할할 수 있다. 또한, 전자 장치(100)는 전방 차량(406)과 차량(400) 간의 거리에 기초하여, 차로 개수 정보(404)로 분할된 각각의 차로가 전체 도로 영역을 차지하는 비율을 결정할 수 있다. 구체적으로, 전자 장치(100)는 제 1 차로(407), 제 2 차로(408), 제 3 차로(409), 제 4 차로(410) 사이의 비율을 1.1:1.2:1.0:1.1과 같이 결정할 수 있다. 또한, 전자 장치(100)는 결정된 비율에 기초하여, 각각의 차로 폭(407-410)을 추정할 수 있다.
일 실시예에 따라, 전자 장치(100)는 기 저장된 실험 데이터 값을 참조하여 각각의 차로 폭(407-410)을 추정할 수도 있다. 예를 들어, 기 저장된 실험 데이터 값은 전체 도로 영역을 1이라고 할 때, 전방 차량(406)과 차량(400) 간의 거리 및 차로 개수 정보와 매칭되는 각각의 차로 폭의 비율 정보일 수 있다.
일 실시예에 따라, 전자 장치(100)는 이미지의 소실점(403)을 예측할 수 있다. 또한, 전자 장치(100)가 전방 차량(406)과 차량(400) 간의 거리를 결정하는 방법 및 이미지의 소실점(403)을 예측하는 방법에는 도 2의 단계 206에서 설명된 실시예들이 적용될 수 있다.
일 실시예에 따라, 전자 장치(100)는 추정된 차로 폭(407-410) 및 이미지의 소실점(403)에 기초하여, 주행중인 도로의 차선 정보(405)를 추정할 수 있다. 예를 들어, 전자 장치(100)는 도로 영역을 추정된 차로 폭(407-410)에 기초하여, 이미지의 소실점을 구심점으로 하여 차로를 분할하는 직선을 연장함으로써 차선 정보(405)를 추정할 수 있다.
일 실시예에 따라, 전자 장치(100)가 차량(400) 기 저장된 차로 개수 정보(404)를 활용하는 경우, 전자 장치(100)는 획득한 이미지의 분석을 통해 차량(400) 외부의 데이터 서버에 대한 접속 없이, 차선 정보(405)를 추정할 수 있다.
<도 5>
도 5는 일 실시예에 따라 전자 장치가 도로의 차선 정보를 추정하는 방법을 설명하기 위한 도면이다.
도 5를 참조하면, 일 실시예에 따라, 전자 장치(100)는 차량(500)의 주행 중심선(501) 상에 위치한 제 1 전방 차량(502)에 기초하여 도로의 차선 정보를 추정할 수 있다.
일 실시예에 따라, 전자 장치(100)는 차량의 주행 중심선(501)을 결정할 수 있다. 여기에서, 주행 중심선(501)이란 주행중인 차량(500)의 중심선으로, 카메라를 통해 획득된 이미지의 중심선을 의미한다.
일 실시예에 따라, 전자 장치(100)는 중심선 상에 위치하는 제 1 전방 차량(502)을 차선 정보의 추정을 위한 적어도 하나의 객체로 결정할 수 있다.
일 실시예에 따라, 전자 장치(100)는 제 1 전방 차량(502)과 차량(500) 간의 거리 및 제 1 전방 차량(502)의 차폭에 기초하여, 차량이 주행중인 제 1 차로의 제 1 차로 폭(503)을 추정할 수 있다. 여기에서, 차폭은 획득한 이미지에서 검출된 제 1 전방 차량의 가로 크기를 의미한다. 예를 들어, 차폭의 크기는 픽셀(pixel) 단위로 표현될 수 있다.
예를 들어, 전자 장치(100)는 기 저장된 실험 데이터를 활용하여 이미지로부터 검출된 제 1 전방 차량(502)의 크기에 기초하여, 제 1 전방 차량(502)과 차량(500) 간의 거리를 결정할 수 있다.
예를 들어, 전자 장치(100)는 제 1 전방 차량(502)의 차폭과 제 1 값을 합한 값을 제 1 차로의 제 1 차로 폭(503)으로 추정할 수 있다. 또한, 제 1 값은 제 1 전방 차량(502)과 차량(500) 간의 거리에 따라 결정될 수 있다. 예를 들어, 제 1 값은 전자 장치(100)에 기 저장된 실험 데이터에 따라 설정된 값일 수 있다.
또한, 전자 장치(100)는 추정된 제 1 차로 폭(503) 및 이미지의 소실점에 기초하여, 차량이 주행중인 도로의 차선 정보(505)를 추정할 수 있다. 예를 들어, 전자 장치(100)는 이미지에서 주행 중심선(501) 또는 제 1 전방 차량을 기준으로 추정된 제 1 차로 폭(503)에 기초하여, 이미지의 소실점을 지나는 직선을 연장 함으로써 차선 정보(505)를 추정할 수 있다.
한편, 일 실시예에 따라, 전자 장치(100)는 유사한 방법으로 차량(500)이 주행중인 차로를 제외한 다른 차로(예를 들어, 제 2 전방 차량(510)이 주행중인 제 2 차로)의 차선을 추정할 수 있다.
예를 들어, 전자 장치(100)는 주행 중심선 상에 위치하지 않는 제 2 전방 차량(510)을 적어도 하나의 객체로 결정할 수 있다.
또한, 전자 장치(100)는 제 2 전방 차량(510)과 주행 중심선(501) 간의 거리, 제 2 전방 차량(510)과 차량(500) 간의 거리 및 제 2 전방 차량의 차폭에 기초하여, 제 2 차로의 제 2 차로 폭을 추정할 수 있다. 예를 들어, 전자 장치(100)는 제 2 전방 차량(510)의 차폭과 제 2 값을 합한 값을 제 2 차로의 제 2 차로 폭으로 추정할 수 있다. 또한, 제 2 값은 제 2 전방 차량(510)과 주행 중심선(501) 간의 거리 및 제 2 전방 차량(510)과 차량(500) 간의 거리에 따라 결정될 수 있다.
또한, 전자 장치(100)는 추정된 제 2 차로 폭 및 이미지의 소실점에 기초하여, 제 2 차로의 차선 정보를 추정할 수 있다. 예를 들어, 전자 장치(100)는 이미지에서 주행 중심선(501) 또는 제 2 전방 차량을 기준으로 추정된 제 2 차로 폭에 기초하여, 이미지의 소실점을 지나는 직선을 연장 함으로써 제 2 차로의 차선 정보를 추정할 수 있다.
또한, 일 실시예에 따라, 전자 장치(100)는 제 2 전방 차량이 주행중인 차로의 차선 정보 및 제 1 전방 차량이 주행중인 차로의 차선 정보(505)를 포함하는 차선 정보를 가이드 정보로 출력할 수 있다.
<도 6>
도 6은 일 실시예에 따라 전자 장치가 가이드 정보를 출력하는 방법을 설명하기 위한 도면이다.
한편, 일 실시예에 따라, 전자 장치(100)는 추정된 차선 정보에 기초하여, 가이드 정보를 생성할 수 있다. 예를 들어, 가이드 정보는 추정된 차선 정보를 이미지화한 것일 수 있다. 또는, 가이드 정보는 추정된 차선 정보 및 차량의 운행 정보에 기초하여 전자 장치(100)에 의해 가공된 것일 수 있다. 예를 들어, 전자 장치(100)는 추정된 차선 정보 및 차량의 주행 속도에 기초하여, 가이드 정보를 생성할 수 있다.
도 6을 참조하면, 일 실시예에 따라, 전자 장치(100)는 이미지화된 차선 정보를 출력할 수 있다. 예를 들어, 전자 장치(100)는 추정된 차선 정보에 기초하여 주행중인 도로의 차선(602)을 차량에 포함된 디스플레이(601)(예를 들어, 차량 전면의 헤드 업 디스플레이 또는 투명 디스플레이)에 표시할 수 있다. 예를 들어, 전자 장치(100)는 디스플레이(601)에 획득된 이미지를 표시하고, 획득된 이미지 상에 추정된 차선(602)을 하이라이트하여 표시할 수도 있다.
일 실시예에 따라, 가이드 정보는 추정된 차선 정보를 이용하여 가공된 위험 경고 정보일 수 있다. 예를 들어, 전자 장치(100)는 차량의 주행 방향, 속도 등에 따라 차량의 진행 경로를 예측하고, 추정된 차선 정보를 이용하여 차선 이탈 위험 여부를 판단할 수 있다. 또한, 전자 장치(100)는 차선 이탈 위험이 있는 것으로 판단되는 경우, 해당 가이드 정보를 음향으로 출력할 수 있다.
도 6을 참조하면, 예를 들어, 전자 장치(100)는 차선 정보에 기초하여 생성된 위험 경고 정보(603)를 출력할 수 있다. 예를 들어, 전자 장치(100)는 차선 이탈 위험이 있는 것으로 판단되는 경우, 위험 경고 정보(603)를 차량에 포함된 디스플레이에 출력할 수 있다. 예를 들어, 전자 장치(100)는 위험 경고 정보(603)를 나타내는 텍스트, 이미지 또는 애니메이션 등을 제공할 수 있다.
일 실시예에 따라, 전자 장치(100)는 추정된 차선 정보에 기초하여, 차량의 위치가 기 설정된 범위에 포함되는지 여부를 판단할 수 있다. 또한, 전자 장치(100)는 판단 결과에 기초하여, 가이드 정보를 출력할 수 있다. 여기에서, 기 설정된 범위는 차량이 하나의 차선 안에서 운행되는 경우 추정되는 차량의 위치의 범위이다.
예를 들어, 전자 장치(100)는 차량의 위치가 기 설정된 범위에 포함되는지 여부를 판단하기 위해, 이미지의 중심선을 이용할 수 있다. 획득된 이미지에서 이미지의 중심선으로부터 추정된 차선의 위치가 안전 범위를 벗어나는 경우, 전자 장치(100) 차량의 주행 경로가 차선을 이탈하였음을 판단할 수 있다. 예를 들어, 안전 범위는 실험 데이터에 기초하여 전자 장치(100)에 기 설정된 것일 수 있다.
또한, 전자 장치(100)는 차량의 위치가 기 설정된 범위에 포함되지 않는 경우, 위험 경고 정보(603) 등의 가이드 정보를 출력할 수 있다.
일 실시예에 따라, 전자 장치(100)는 가이드 정보를 출력함에 따라, 운전자가 주행 환경에 시각적 방해 요소가 있는 경우에서도 안전하게 차량을 운행하게 할 수 있다. 또한, 가이드 정보가 운전자의 차량 운행 중 다양한 형태로 출력됨으로써, 운전자의 주행 만족도가 높아질 수 있다.
<도 7,8>
도 7 및 도 8은 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 7에 도시된 바와 같이, 일 실시예에 따른 전자 장치(1000)는 메모리(1100), 디스플레이부(1210), 카메라(1610) 및 프로세서(1300)를 포함할 수 있다.
그러나, 도 7에 도시된 구성 요소 모두가 전자 장치(1000)의 필수 구성 요소인 것은 아니다. 도 7에 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 도 7에 도시된 구성 요소보다 적은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있다.
예를 들어, 도 8에 도시된 바와 같이, 일 실시예에 따른 전자 장치(1000)는, 메모리(1100), 디스플레이부(1210), 카메라(1610) 및 프로세서(1300) 이외에 출력부(1200), 통신부(1500), 센싱부(1400), A/V 입력부(1600) 및 사용자 입력부(1700)를 더 포함할 수도 있다.
메모리(1100)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되는 이미지 또는 전자 장치(1000)로부터 출력되는 가이드 정보를 저장할 수도 있다. 또한, 메모리(1100)는 가이드 정보의 출력 여부 판단을 위한 특정 정보를 저장할 수 있다.
메모리(1100)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1100)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1110), 터치 스크린 모듈(1120), 알림 모듈(1130) 등으로 분류될 수 있다.
UI 모듈(1110)은, 애플리케이션 별로 전자 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1120)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일 실시예에 따른 터치 스크린 모듈(1120)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1120)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
알림 모듈(1130)은 전자 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 전자 장치(1000)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1130)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다. 예를 들어, 알림 모듈(1130)은 추정된 차선 정보에 기초하여 가이드 정보를 출력하기 위한 신호를 발생할 수 있다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.
디스플레이부(1210)는 전자 장치(1000)에서 처리되는 정보를 표시 출력한다. 구체적으로, 디스플레이부(1210)는 카메라(1610)에서 촬영된 이미지를 출력할 수 있다. 또한, 디스플레이부(1210)는 프로세서(1300)에서 생성된 가이드 정보를 촬영된 이미지에 합성하여 출력할 수 있다.
또한, 디스플레이부(1210)는, 사용자의 입력에 대한 응답으로, 응답에 관련된 동작을 실행하기 위한 사용자 인터페이스를 디스플레이할 수 있다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1100)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 전자 장치(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 예를 들어, 음향 출력부(1220)는 프로세서(1300)의 제어에 의해 알림 모듈(1130)에서 신호로 발생된 가이드 정보를 음향 신호로 출력할 수 있다.
프로세서(1300)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1100)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1700), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1700) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1100)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 6에 기재된 전자 장치(1000)의 기능을 수행할 수 있다.
구체적으로, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 카메라(1610)가 차량의 외부의 이미지를 촬영하도록 제어할 수 있다. 또는, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 통신부(1500)가 차량의 외부의 이미지를 획득하도록 제어할 수도 있다.
또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 촬영된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정할 수 있다. 예를 들어, 프로세서(1300)는 이미지에 포함된 가드 레일, 전방 차량 또는 후방 차량 등을 차선 정보를 추정하기 위한 적어도 하나의 객체로 결정할 수 있다.
또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 결정된 적어도 하나의 객체와 차량 간의 거리 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정할 수 있다. 예를 들어, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 센싱부(1400)를 통해 결정된 적어도 하나의 객체와 차량 간의 거리를 획득할 수 있다. 또한, 프로세서(1300)는 이미지에 포함된 객체 중 건물의 하단 또는 가드 레일 등을 통해 직선을 추출함으로써 소실점을 예측할 수 있다.
예를 들어, 프로세서(1300)는 결정된 객체와 차량 간의 거리에 기초하여 도로 영역을 결정할 수 있다. 또한, 프로세서(1300)는 예측된 도로 영역을 이미지의 소실점을 구심점으로 하여 예측된 도로 영역을 차로 개수로 분할함으로써 도로의 차선 정보를 추정할 수 있다.
또는, 예를 들어, 프로세서(1300)는 결정된 객체와 차량 간의 거리에 기초하여 차로 폭을 추정할 수 있다. 또한, 프로세서(1300)는 이미지의 소실점을 구심점으로 하여 추정된 차로 폭을 가지는 직선을 연장 시킴으로써 도로의 차선 정보를 추정할 수 있다.
일 실시예에 따라, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 촬영된 이미지로부터 도로 영역을 결정할 수 있다. 또한, 프로세서(1300)는 차량의 위치 정보에 기초하여, 차량이 주행중인 도로의 차로 개수 정보를 획득할 수 있다. 예를 들어, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 위치 센서(1460)가 차량의 GPS정보를 획득하도록 제어할 수 있다. 또한, 프로세서(1300)는 결정된 적어도 하나의 객체와 차량 간의 거리, 결정된 도로 영역 및 획득한 차로 개수 정보에 기초하여, 이미지에서 차로 폭을 추정할 수 있다. 또한, 프로세서(1300)는 추정된 차로 폭 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정할 수 있다.
일 실시예에 따라, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 차량의 주행 중심선을 결정할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 주행 중심선 상에 위치하는 제 1 전방 차량을 차선 정보를 추정하기 위한 적어도 하나의 객체로 결정할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 제 1 전방 차량과 차량 간의 거리 및 제 1 전방 차량의 차폭에 기초하여, 이미지에서 차량이 주행중인 제 1 차로의 제 1 차로 폭을 추정할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 추정된 제 1 차로 폭 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정할 수 있다,
또한, 프로세서(1300)는 주행 중심선 상에 위치하지 않는 제 2 전방 차량을 차선 정보를 추정하기 위한 적어도 하나의 객체로 결정할 수 있다. 또한, 프로세서(1300)는 제 2 전방 차량과 주행 중심선 간의 거리, 제 2 전방 차량과 차량 간의 거리 및 제 2 전방 차량의 차폭에 기초하여, 제 2 전방 차량이 주행중인 제 2 차로의 제 2 차로 폭을 추정할 수 있다. 또한, 프로세서(1300)는 추정된 제 2 차로 폭 및 이미지의 소실점에 기초하여, 이미지에서 차량이 주행중인 도로의 차선 정보를 추정할 수 있다.
일 실시예에 따라, 프로세서(1300)는 동일한 피사체에 대한 복수의 이미지들을 이용하여 복수의 이미지들 사이의 관계성을 학습할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 학습 결과에 기초하여 학습 모델을 생성할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 학습 모델을 이용하여, 촬영된 이미지가 기 설정된 값 이상의 가시도를 가지도록 촬영된 이미지를 변환할 수 있다. 또한, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 변환된 이미지를 활용하여, 차량이 주행중인 도로의 차선 정보를 추정할 수 있다. 예를 들어, 프로세서(1300)는 변환된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정할 수 있다.
일 실시예에 따라, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 출력부(1200)가 추정된 차선 정보에 기초하여, 차량의 주행을 가이드하기 위한 가이드 정보를 출력도록 제어할 수 있다. 예를 들어, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 디스플레이부(1210)가 가이드 정보를 획득된 이미지의 도로 영역에 합성하여 표시하도록 제어할 수 있다. 또는, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 음향 출력부(1220)가 가이드 정보를 출력하도록 제어할 수도 있다. 예를 들어, 프로세서(1300)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 가이드 정보 및 기 설정된 기준에 따라, 차량의 주행 경로의 위험 발생 여부를 판단하고, 판단 결과를 음향 출력부(1220) 또는 진동 모터(1230)가 출력하도록 제어할 수 있다.
일 실시예에 따라, 프로세서(1300)는 가이드 정보를 생성할 수 있다. 예를 들어, 프로세서(1300)는 추정된 차선 정보 및 차량의 주행 속도에 기초하여, 가이드 정보를 생성할 수 있다. 예를 들어, 프로세서(1300)는 추정된 차선 정보에 기초하여, 차량의 위치가 기 설정된 범위에 포함되는지 여부를 판단함으로써 가이드 정보를 생성할 수 있다.
센싱부(1400)는, 전자 장치(1000)의 상태 또는 전자 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다.
센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(RGB sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
일 실시예에 따라, 센싱부(1400)는 촬영된 이미지에서 결정된 적어도 하나의 객체와 차량 간의 거리를 측정할 수 있다.
통신부(1500)는, 전자 장치(1000)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 전자 장치(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 근거리 통신부(1510)는 차량에 포함된 네비게이션 장치로부터 근거리 무선 통신을 통해 차로 개수 정보를 수신할 수 있다.
이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡처된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.
일 실시예에 따라, 카메라(1610)는 차량의 외부의 이미지를 촬영할 수 있다. 예를 들어, 카메라(1610)는 주행중인 차량의 전방 이미지를 촬영할 수 있으나, 이에 한정되는 것은 아니다.
마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 사용자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)은 사용자의 음성 입력을 수신할 수 있다. 마이크로폰(1620)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
사용자 입력부(1700)는, 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1700)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
<도 9-12>
도 9는 일 실시예에 따른 프로세서의 블록도이다.
도 9를 참조하면, 일 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 이미지의 가시도 증가를 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 이미지의 가시도를 증가시키기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 이미지의 가시도를 어떻게 증가시킬 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 이미지의 가시도 증가를 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 입력된 이미지의 가시도를 증가시킬 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 입력된 이미지의 가시도를 증가시킬 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 입력된 이미지의 가시도를 증가시킬 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 10은 일 실시예에 따른 데이터 학습부의 블록도이다.
도 10을 참조하면, 일 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.
데이터 획득부(1310-1)는 상황 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 상황 판단을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.
데이터 획득부(1310-1)는 동일한 피사체에 대한 복수의 이미지를 입력 받을 수 있다. 예를 들어, 데이터 획득부(1310-1)는 동일한 장소에서 동일한 도로를 촬영한, 시간별, 날짜별, 계절별 이미지를 입력 받을 수 있다. 데이터 획득부(1310-1)는 데이터 학습부(1310)를 포함하는 전자 장치의 카메라를 통하여 이미지를 입력 받을 수 있다. 또는, 데이터 획득부(1310-1)는 전자 장치와 통신 가능한 외부 장치를 통해 데이터를 획득할 수 있다.
전처리부(1310-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(1310-2)는 획득한 복수의 이미지를 분석하기 위해, 이미지를 픽셀 단위로 분할할 수 있다. 또는, 전처리부(1310-2)는 획득한 복수의 이미지를 분석하기 위해 각각의 이미지에서 객체를 추출할 수 있다. 또한, 전처리부(1310-2)는 추출한 객체를 데이터로 가공할 수 있다. 또한, 전처리부(1310-2)는 이미지에서 공통된 위치에 있는 객체 또는 픽셀을 태깅(tagging)하여 분류할 수 있다.
학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
학습 데이터 선택부(1310-3)는 전처리부(1310-2)에서 가공된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 예를 들어, 학습 데이터 선택부(1310-3)는 이미지에서 특정 객체의 가시도를 증가시키기 위한 기준을 학습하기 위해, 특정 객체에 해당하는 데이터를 선택할 수 있다.
모델 학습부(1310-4)는 학습 데이터에 기초하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 상황 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
예를 들어, 모델 학습부(1310-4)는 이미지의 가시도 증가를 위한 기준을 학습하기 위해, 각각의 객체 또는 픽셀의 특징을 분석할 수 있다. 또는, 모델 학습부(1310-4)는 하나의 페어 이미지를 활용하여 이미지 사이의 관계성을 분석함으로써, 이미지의 가시도 증가를 위한 기준을 학습할 수도 있다. 예를 들어, 모델 학습부(1310-4)는 하나의 페어 이미지를 활용하여 이미지 사이의 오차를 추출함으로써 관계성을 분석할 수 있다.
또한, 모델 학습부(1310-4)는 상황 판단에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되는 것은 아니다.
다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 평가 데이터는 적어도 하나의 페어 이미지를 포함할 수 있다.
예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 데이터 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.
한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 11은 일 실시예에 따른 데이터 인식부(1320)의 블록도이다.
도 11을 참조하면, 일 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.
데이터 획득부(1320-1)는 상황 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
예를 들어, 입력된 이미지에 대한 인식 결과는 텍스트, 이미지 또는 명령어(예를 들어, 어플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다. 인식 결과 제공부(1320-4)는 이미지를 데이터 인식 모델에 적용하여 기 설정된 가시도 기준값을 만족하는 이미지로 변환된 결과를 제공할 수 있다.
예를 들어, 인식 결과 제공부(1320-4)는 디스플레이부(1210)가 변환된 이미지를 출력하도록 하는 디스플레이 기능 실행 명령어를 인식 결과로서 제공할 수도 있다.
모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 12는 일 실시예에 따른 전자 장치(1000) 및 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 12를 참조하면, 서버(2000)는 이미지의 가시도 증가를 위한 기준을 학습할 수 있으며, 전자 장치(1000)는 서버(2000)에 의한 학습 결과에 기초하여 상황을 판단할 수 있다.
이 경우, 서버(2000)의 모델 학습부(2340)는 도 10에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 이미지의 가시도를 증가시키기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 이미지의 가시도를 어떻게 증가 시킬 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 이미지의 가시도 증가를 위한 기준을 학습할 수 있다.
또한, 전자 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여 이미지의 가시도 증가 시킬 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 이미지의 가시도를 증가 시킬 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 가시도를 증가시킨 이미지로 변환된 이미지를 서버(2000)로부터 수신할 수 있다.
또는, 전자 장치(1000)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 이미지의 가시도를 증가 시킬 수 있다. 이 경우, 전자 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여 이미지의 가시도를 증가 시킬 수 있다.
일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 차량의 외부의 이미지를 촬영하는 카메라;
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 촬영된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하고,
    상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차량이 주행중인 도로의 차선 정보를 추정하고,
    상기 추정된 차선 정보에 기초하여, 상기 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는, 전자 장치.
  2. 제 1항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    동일한 피사체에 대한 복수의 이미지들을 이용하여 상기 복수의 이미지들 사이의 관계성을 학습한 결과에 기초하여, 인공지능 학습 모델을 획득하고,
    상기 획득된 인공지능 학습 모델을 이용하여, 상기 촬영된 이미지가 기 설정된 값 이상의 가시도(visibility)를 가지도록, 상기 촬영된 이미지를 변환하고,
    상기 변환된 이미지로부터 상기 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하는, 전자 장치.
  3. 제 1항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 촬영된 이미지로부터 도로 영역을 결정하고,
    상기 차량의 위치 정보에 기초하여, 상기 차량이 주행중인 도로의 차로 개수 정보를 획득하고,
    상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리, 상기 결정된 도로 영역 및 상기 차로 개수 정보에 기초하여, 상기 이미지에서 차로 폭을 추정하고,
    상기 추정된 차로 폭 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차선 정보를 추정하는, 전자 장치.
  4. 제 1항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 차량의 주행 중심선을 결정하고,
    상기 결정된 적어도 하나의 객체는, 상기 주행 중심선 상에 위치하는 제 1 전방 차량을 포함하고,
    상기 제 1 전방 차량과 상기 차량 간의 거리 및 상기 제 1 전방 차량의 차폭에 기초하여, 상기 이미지에서 상기 차량이 주행중인 제 1 차로의 제 1 차로 폭을 추정하고,
    상기 추정된 제 1 차로 폭 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차선 정보를 추정하는, 전자 장치.
  5. 제 4항에 있어서
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 결정된 적어도 하나의 객체는 상기 주행 중심선 상에 위치하지 않는 제 2 전방 차량을 포함하고,
    상기 제 2 전방 차량과 상기 주행 중심선 간의 거리, 상기 제 2 전방 차량과 상기 차량 간의 거리 및 상기 제 2 전방 차량의 차폭에 기초하여, 상기 제 2 전방 차량이 주행중인 제 2 차로의 제 2 차로 폭을 추정하고,
    상기 추정된 제 2 차로 폭 및 상기 이미지의 소실점에 기초하여, 상기 차선 정보를 추정하는, 전자 장치.
  6. 제 1항에 있어서,
    상기 전자 장치는,
    상기 촬영된 이미지를 표시하는 디스플레이를 더 포함하고,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 추정된 차선 정보 및 상기 차량의 주행 속도에 기초하여, 상기 가이드 정보를 생성하고,
    상기 생성된 가이드 정보를 상기 촬영된 이미지의 도로 영역에 합성하여 상기 디스플레이에 표시하는, 전자 장치.
  7. 제 1항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 추정된 차선 정보에 기초하여, 상기 차량의 위치가 기 설정된 범위에 포함되는지 여부를 판단하고,
    상기 판단 결과에 기초하여, 상기 가이드 정보를 출력하는, 전자 장치.
  8. 차량의 외부의 이미지를 획득하는 단계;
    상기 획득된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하는 단계;
    상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차량이 주행중인 도로의 차선 정보를 추정하는 단계; 및
    상기 추정된 차선 정보에 기초하여, 상기 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는 단계를 포함하는, 방법.
  9. 제 8항에 있어서,
    상기 방법은,
    동일한 피사체에 대한 복수의 이미지들을 이용하여 상기 복수의 이미지들 사이의 관계성을 학습하는 단계; 및
    상기 학습 결과에 기초하여, 상기 획득된 이미지가 기 설정된 값 이상의 가시도를 가지도록 상기 획득된 이미지를 변환하는 단계를 더 포함하고,
    상기 획득된 이미지로부터 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하는 단계는,
    상기 변환된 이미지로부터 상기 차선 정보를 추정하기 위한 적어도 하나의 객체를 결정하는 단계를 포함하는, 방법.
  10. 제 8항에 있어서,
    상기 방법은,
    상기 획득된 이미지로부터 도로 영역을 결정하는 단계; 및
    상기 차량의 위치 정보에 기초하여, 상기 차량이 주행중인 도로의 차로 개수 정보를 획득하는 단계를 더 포함하고
    상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차량이 주행중인 도로의 차선 정보를 추정하는 단계는,
    상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리, 상기 결정된 도로 영역 및 상기 차로 개수 정보에 기초하여, 상기 이미지에서 차로 폭을 추정하는 단계; 및
    상기 추정된 차로 폭 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차선 정보를 추정하는 단계를 포함하는, 방법.
  11. 제 8항에 있어서,
    상기 방법은,
    상기 차량의 주행 중심선을 결정하는 단계를 더 포함하고,
    상기 결정된 적어도 하나의 객체는, 상기 주행 중심선 상에 위치하는 제 1 전방 차량을 포함하고,
    상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차량이 주행중인 도로의 차선 정보를 추정하는 단계는,
    상기 제 1 전방 차량과 상기 차량 간의 거리 및 상기 제 1 전방 차량의 차폭에 기초하여, 상기 이미지에서 상기 차량이 주행중인 제 1 차로의 제 1 차로 폭을 추정하는 단계; 및
    상기 추정된 제 1 차로 폭 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차선 정보를 추정하는 단계를 포함하는, 방법
  12. 제 11항에 있어서,
    상기 결정된 적어도 하나의 객체는 상기 주행 중심선 상에 위치하지 않는 제 2 전방 차량을 포함하고,
    상기 결정된 적어도 하나의 객체와 상기 차량 간의 거리 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차선 정보를 추정하는 단계는,
    상기 제 2 전방 차량과 상기 주행 중심선 간의 거리, 상기 제 2 전방 차량과 상기 차량 간의 거리 및 상기 제 2 전방 차량의 차폭에 기초하여, 상기 이미지에서 상기 제 2 전방 차량이 주행중인 제 2 차로의 제 2 차로 폭을 추정하는 단계; 및
    상기 추정된 제 2 차로 폭 및 상기 이미지의 소실점에 기초하여, 상기 이미지에서 상기 차선 정보를 추정하는 단계를 더 포함하는, 방법.
  13. 제 8항에 있어서,
    상기 추정된 차선 정보에 기초하여, 상기 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는 단계는,
    상기 추정된 차선 정보 및 상기 차량의 주행 속도에 기초하여, 상기 가이드 정보를 생성하는 단계; 및
    상기 생성된 가이드 정보를 상기 획득된 이미지의 도로 영역에 합성하여 표시하는 단계를 포함하는, 방법.
  14. 제 8항에 있어서,
    상기 추정된 차선 정보에 기초하여, 상기 차량의 주행을 가이드하기 위한 가이드 정보를 출력하는 단계는,
    상기 추정된 차선 정보에 기초하여, 상기 차량의 위치가 기 설정된 범위에 포함되는지 여부를 판단하는 단계; 및
    상기 판단 결과에 기초하여, 상기 가이드 정보를 출력하는 단계를 포함하는, 방법.
  15. 제 8항 내지 제 14항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
PCT/KR2017/014810 2016-12-23 2017-12-15 차선 정보를 추정하는 방법 및 전자 장치 WO2018117538A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP17884410.6A EP3543896B1 (en) 2016-12-23 2017-12-15 Method for estimating lane information, and electronic device
US16/469,910 US11436744B2 (en) 2016-12-23 2017-12-15 Method for estimating lane information, and electronic device

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20160178012 2016-12-23
KR10-2016-0178012 2016-12-23
KR1020170142567A KR102480416B1 (ko) 2016-12-23 2017-10-30 차선 정보를 추정하는 방법 및 전자 장치
KR10-2017-0142567 2017-10-30

Publications (1)

Publication Number Publication Date
WO2018117538A1 true WO2018117538A1 (ko) 2018-06-28

Family

ID=62626749

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/014810 WO2018117538A1 (ko) 2016-12-23 2017-12-15 차선 정보를 추정하는 방법 및 전자 장치

Country Status (1)

Country Link
WO (1) WO2018117538A1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260918A (zh) * 2018-12-03 2020-06-09 罗伯特·博世有限公司 精确至车道地定位车辆的方法和服务器单元
CN111369566A (zh) * 2018-12-25 2020-07-03 杭州海康威视数字技术股份有限公司 确定路面消隐点位置的方法、装置、设备及存储介质
CN111967301A (zh) * 2020-06-30 2020-11-20 北京百度网讯科技有限公司 定位导航方法、装置、电子设备和存储介质
CN112149484A (zh) * 2019-06-28 2020-12-29 百度（美国）有限责任公司 基于车道线确定消失点
CN113574535A (zh) * 2019-03-13 2021-10-29 标致雪铁龙汽车股份有限公司 训练神经网络，以通过确定难观察到的界限辅助驾驶车辆
WO2023273344A1 (zh) * 2021-06-28 2023-01-05 北京百度网讯科技有限公司 车辆跨线识别方法、装置、电子设备和存储介质
US11679768B2 (en) 2020-10-19 2023-06-20 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for vehicle lane estimation

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130012629A (ko) * 2011-07-26 2013-02-05 한국과학기술원 헤드업 디스플레이를 위한 증강현실 시스템
KR20140071174A (ko) * 2012-12-03 2014-06-11 현대자동차주식회사 차량의 차선 가이드 장치 및 그 방법
KR20150084234A (ko) * 2014-01-13 2015-07-22 한화테크윈 주식회사 차량 및 차선 위치 검출 시스템 및 방법
KR101582572B1 (ko) * 2013-12-24 2016-01-11 엘지전자 주식회사 차량 운전 보조 장치 및 이를 구비한 차량
KR101609303B1 (ko) * 2014-03-28 2016-04-20 주식회사 하나비전테크 카메라 캘리브레이션 방법 및 그 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130012629A (ko) * 2011-07-26 2013-02-05 한국과학기술원 헤드업 디스플레이를 위한 증강현실 시스템
KR20140071174A (ko) * 2012-12-03 2014-06-11 현대자동차주식회사 차량의 차선 가이드 장치 및 그 방법
KR101582572B1 (ko) * 2013-12-24 2016-01-11 엘지전자 주식회사 차량 운전 보조 장치 및 이를 구비한 차량
KR20150084234A (ko) * 2014-01-13 2015-07-22 한화테크윈 주식회사 차량 및 차선 위치 검출 시스템 및 방법
KR101609303B1 (ko) * 2014-03-28 2016-04-20 주식회사 하나비전테크 카메라 캘리브레이션 방법 및 그 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3543896A4 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260918A (zh) * 2018-12-03 2020-06-09 罗伯特·博世有限公司 精确至车道地定位车辆的方法和服务器单元
CN111369566A (zh) * 2018-12-25 2020-07-03 杭州海康威视数字技术股份有限公司 确定路面消隐点位置的方法、装置、设备及存储介质
CN111369566B (zh) * 2018-12-25 2023-12-05 杭州海康威视数字技术股份有限公司 确定路面消隐点位置的方法、装置、设备及存储介质
CN113574535A (zh) * 2019-03-13 2021-10-29 标致雪铁龙汽车股份有限公司 训练神经网络，以通过确定难观察到的界限辅助驾驶车辆
CN112149484A (zh) * 2019-06-28 2020-12-29 百度（美国）有限责任公司 基于车道线确定消失点
CN111967301A (zh) * 2020-06-30 2020-11-20 北京百度网讯科技有限公司 定位导航方法、装置、电子设备和存储介质
US11679768B2 (en) 2020-10-19 2023-06-20 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for vehicle lane estimation
WO2023273344A1 (zh) * 2021-06-28 2023-01-05 北京百度网讯科技有限公司 车辆跨线识别方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
WO2018117538A1 (ko) 차선 정보를 추정하는 방법 및 전자 장치
WO2018212538A1 (en) Electronic device and method of detecting driving event of vehicle
WO2018117704A1 (en) Electronic apparatus and operation method thereof
WO2020080773A1 (en) System and method for providing content based on knowledge graph
WO2020085694A1 (ko) 이미지 획득 장치 및 그의 제어 방법
WO2019031714A1 (ko) 객체를 인식하는 방법 및 장치
EP3602497A1 (en) Electronic device and method of detecting driving event of vehicle
WO2020231153A1 (en) Electronic device and method for assisting with driving of vehicle
WO2019059505A1 (ko) 객체를 인식하는 방법 및 장치
EP3634812A1 (en) Electronic device and method of controlling operation of vehicle
WO2018117428A1 (en) Method and apparatus for filtering video
WO2019168336A1 (en) Autonomous driving apparatus and method thereof
WO2019172645A1 (ko) 차량의 주행을 보조하는 전자 장치 및 방법
WO2018182153A1 (ko) 입력 영상에 포함된 객체를 인식하는 디바이스 및 방법
KR102480416B1 (ko) 차선 정보를 추정하는 방법 및 전자 장치
WO2019208950A1 (ko) 사용자에게 서비스를 제공하는 이동형 로봇 장치 및 방법
EP3545436A1 (en) Electronic apparatus and method of operating the same
EP3539056A1 (en) Electronic apparatus and operation method thereof
WO2019031825A1 (ko) 전자 장치 및 그 동작 방법
WO2019151735A1 (en) Vision inspection management method and vision inspection system
WO2019093819A1 (ko) 전자 장치 및 그 동작 방법
WO2019132410A1 (en) Electronic device and control method thereof
WO2019124963A1 (ko) 음성 인식 장치 및 방법
WO2018124500A1 (ko) 객체의 인식 결과를 제공하는 방법 및 전자 장치
WO2021206221A1 (en) Artificial intelligence apparatus using a plurality of output layers and method for same

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: 17884410

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2017884410

Country of ref document: EP

Effective date: 20190621