1 |
1
광선(ray) 광원들로부터 광선을 객체로 조사하여 객체와의 거리데이터를 획득하는 광선 조사부;조명 광원들로부터 조명을 상기 객체로 조사하여 각 조명 광원 별 객체의 그림자 이미지데이터를 획득하는 조명 조사부;상기 광선 조사부와 조명 조사부에서 조사된 광선과 조명의 송신정보(이하, '광송신정보'라 한다)와, 상기 획득한 거리데이터와 상기 각 조명 광원 별 그림자 이미지데이터를 포함하는 광피드백정보를 이용하여 상기 객체의 특징을 추출하는 추출부; 및상기 획득한 그림자 이미지데이터와 상기 추출된 객체의 특징을 이미지 딥러닝 모델에 입력하여 객체를 추론 및 객체에 대한 메쉬를 생성하는 이미지 딥러닝 프로세싱부;를 포함하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 장치
|
2 |
2
제1항에 있어서,상기 조명 조사부는,(O × P) 형태(여기서, O와 P는 정수임)로 배열된 조명 광원들을 순차적으로 1개씩 온(On)시켜 조명을 조사하고 나머지 조명 광원들은 오프(Off)시켜 온된 조명 광원마다 그림자 이미지데이터를 획득하는 것을 특징으로 하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 장치
|
3 |
3
제1항에 있어서,상기 추출부는,상기 광선을 조사한 광선 광원들의 위치정보와, 상기 조명을 조사한 조명 광원들의 위치정보를 포함하는 광송신정보를 생성하는 광송신정보 생성부; 상기 거리데이터와, 각 조명 광원 별 그림자 이미지데이터와, 각 조명 광원의 위치정보를 포함하는 광피드백정보를 생성하는 광피드백정보 생성부; 및상기 광송신정보와 광피드백정보에 기초하여 상기 객체의 특징을 추출하는 객체 특징 추출부;를 포함하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 장치
|
4 |
4
제1항에 있어서,상기 이미지 딥러닝 프로세싱부는,상기 조명 조사부에서 획득한 그림자 이미지데이터를 이미지 신경망에 적용하여 상기 객체를 임시로 추론하는 이미지 신경망부;상기 추출부에서 추출된 객체의 특징 중 삼각셀의 위치정보와 거리정보를 그래픽 신경망에 가중치로 적용하여 상기 객체를 임시로 추론하는 그래픽 신경망부; 및상기 이미지 신경망부와 그래픽 신경망부에서 임시로 추론된 객체들을 오버랩하여 상기 객체의 형태를 최종 추론하고, 객체에 대한 메쉬를 생성하는 메쉬 생성부; 를 포함하는 것을 특징으로 하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 장치
|
5 |
5
제1항에 있어서,상기 객체를 상기 이미지 딥러닝 모델에 적용불가하면, 상기 획득한 그림자 이미지데이터들과 상기 추출된 객체의 특징을 기반으로 객체 학습을 수행하여 상기 이미지 딥러닝 모델을 업데이트하거나 신규 이미지 딥러닝 모델을 생성하는 모델 생성부;를 더 포함하는 것을 특징으로 하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 장치
|
6 |
6
제1항에 있어서,상기 광선 광원들과 조명 광원들은 광패널에 교번적으로 배열되는 것을 특징으로 하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 장치
|
7 |
7
제6항에 있어서,상기 광패널은 상기 객체를 6면으로 둘러싸는 육면체의 각 면에 구비되는 것을 특징으로 하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 장치
|
8 |
8
(A) 전자장치가, 광선(ray) 광원들로부터 광선을 객체로 조사하여 객체와의 거리데이터를 획득하는 단계;(B) 상기 전자장치가, 배열된 조명 광원들로부터 조명을 상기 객체로 조사하여 각 조명 광원 별 객체의 그림자 이미지데이터를 획득하는 단계;(C) 상기 전자장치가, 상기 (A) 단계와 상기 (B) 단계에서 조사된 광선과 조명의 송신정보(이하, '광송신정보'라 한다)와, 상기 (A) 단계에서 획득한 거리데이터와 상기 (B) 단계에서 획득한 각 조명 광원 별 그림자 이미지데이터를 포함하는 광피드백정보를 이용하여 상기 객체의 특징을 추출하는 단계; 및(D) 상기 전자장치가, 상기 (B) 단계에서 획득한 그림자 이미지데이터와 상기 (C) 단계에서 추출된 객체의 특징을 이미지 딥러닝 모델에 입력하여 객체를 추론 및 객체에 대한 메쉬를 생성하는 단계;를 포함하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 방법
|
9 |
9
제8항에 있어서,상기 (B) 단계는,(O × P) 형태(여기서, O와 P는 정수임) 형태로 배열된 조명 광원들을 순차적으로 1개씩 온(On)시켜 조명을 조사하고 나머지 조명 광원들은 오프(Off)시켜 온된 조명 광원마다 그림자 이미지데이터를 획득하는 것을 특징으로 하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 방법
|
10 |
10
제8항에 있어서,상기 (C) 단계는,(C1) 상기 (A) 단계에서 광선을 조사한 광선 광원들의 위치정보와, 상기 (B) 단계에서 조명을 조사한 조명 광원들의 위치정보를 포함하는 광송신정보를 생성하는 단계;(C2) 상기 (A) 단계에서 획득한 거리데이터와, 상기 (B) 단계에서 획득한 각 조명 광원 별 그림자 이미지데이터와, 각 조명 광원의 위치정보를 포함하는 광피드백정보를 생성하는 단계; 및(C3) 상기 광송신정보와 광피드백정보에 기초하여 상기 객체의 특징을 추출하는 단계;를 포함하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 방법
|
11 |
11
제8항에 있어서,상기 (D) 단계는,(D1) 상기 (B) 단계에서 획득한 그림자 이미지데이터를 이미지 신경망에 적용하여 상기 객체를 임시로 추론하는 단계;(D2) 상기 (C) 단계에서 추출된 객체의 특징 중 삼각셀의 위치정보와 거리정보를 그래픽 신경망에 적용하여 상기 객체를 임시로 추론하는 단계; 및(D3) 상기 (D1) 및 (D2) 단계에서 임시로 추론된 객체들을 오버랩하여 상기 객체의 형태를 최종 추론하고, 객체에 대한 메쉬를 생성하는 단계; 를 포함하는 것을 특징으로 하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 방법
|
12 |
12
제8항에 있어서,(E) 상기 전자장치가, 상기 객체를 상기 이미지 딥러닝 모델에 적용불가하면, 상기 (B) 단계에서 획득한 그림자 이미지데이터와 상기 (C) 단계에서 추출된 객체의 특징을 기반으로 객체 학습을 수행하여 상기 이미지 딥러닝 모델을 업데이트하거나 신규 이미지 딥러닝 모델을 생성하는 단계;를 더 포함하는 것을 특징으로 하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 방법
|
13 |
13
제8항에 있어서,상기 광선 광원들과 조명 광원들은 광패널에 교번적으로 배열되는 것을 특징으로 하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 방법
|
14 |
14
제13항에 있어서,상기 광패널은 상기 객체를 6면으로 둘러싸는 육면체의 각 면에 구비되는 것을 특징으로 하는 이미지 딥러닝 기반 객체의 실시간 메쉬화 방법
|