对象识别设备、分类树学习设备、对象识别设备的操作方法和分类树学习设备的操作方法
【专利摘要】本发明提供了一种对象识别设备、分类树学习设备、该对象识别设备的操作方法和该分类树学习设备的操作方法。该对象识别设备可包括：输入单元，接收作为输入的表示将被分析的对象的深度图像；以及处理单元，通过使用分类树从深度图像识别该对象的可见对象部分和隐藏对象部分。
【专利说明】对象识别设备、分类树学习设备、对象识别设备的操作方法和分类树学习设备的操作方法
【技术领域】
[0001]以下描述的示例实施例涉及一种对象学习和/或识别方法和系统，更具体地讲，涉及一种可基于学习的分类树和单个深度图像识别对象的对象学习和/或识别方法和系统。
【背景技术】
[0002]感测身体移动并控制用户界面(UI)的技术有可能主动地用于控制交互式视频，并且还有可能用作当前的基于图形的游戏的输入单元。
【发明内容】
[0003]前述和/或其他方面通过提供一种对象识别系统来实现，该对象识别系统包括:输入单元，被构造为接收作为输入的表示将被分析的对象的深度图像；以及处理单元，被构造为通过使用分类树识别所述对象的可见对象部分和隐藏对象部分。
[0004]前述和/或其他方面通过提供一种分类树学习设备来实现，该分类树学习设备产生被构造用于识别将被分析的对象的可见对象部分和隐藏对象部分的分类树。该分类树学习设备可包括被构造为基于与对象相关联的训练数据产生分类树的学习单元。
[0005]前述和/或其他方面通过提供一种对象识别方法来实现，该对象识别方法包括:接收作为输入的表示将被分析的对象的深度图像；通过使用分类树从深度图像识别所述对象的可见对象部分和隐藏对象部分。
[0006]前述和/或其他方面通过提供一种用于产生分类树的分类树学习方法来实现，分类树被构造为被对象识别系统用于从深度图像识别将被分析的对象的可见对象部分和隐藏对象部分。该方法可包括基于与该对象相关联的训练数据产生分类树。
【专利附图】
【附图说明】
[0007]应当结合附图考虑以下对一个或多个示例实施例的描述，其中:
[0008]图1示出根据示例实施例的由对象识别系统执行的对象识别方法；
[0009]图2至图6示出根据示例实施例的可见对象部分和隐藏对象部分的示图；
[0010]图7a示出根据示例实施例的在此被表示为用示例分类学习设备实现的分类树学习方法；
[0011]图7b示出根据示例实施例的分类树学习设备的学习单元的构造的框图；
[0012]图7c示出根据示例实施例的在此被表示为用示例分类学习设备实现的、用于通过使用光线投射方案产生训练数据的分类树学习方法；
[0013]图7d和图8示出根据示例实施例的在此被表示为用示例分类学习设备实现的、用于通过使用训练数据学习分类树的分类树学习方法；
[0014]图9示出在此被表示为用图7b的示例学习单元实现的、用于学习分类树的学习方法;
[0015]图1Oa示出根据示例实施例的对象识别设备的构造的框图；
[0016]图1Ob示出在此被表示为用图1Oa的示例识别设备实现的、用于通过使用多个学习的分类树对输入图像进行识别的对象识别方法；
[0017]图11示出在此被表示为用图1Oa的示例对象识别设备实现的对象识别方法；
[0018]图12示出根据示例实施例的在此被表示为用示例对象识别设备实现的、用于通过使用多个学习的分类树识别对象的对象识别方法；
[0019]图13示出根据示例实施例的在此被表示为用示例对象识别设备实现的、用于通过使用存储在学习的分类树中的信息识别将被分析的对象的对象识别方法；
[0020]图14a示出根据示例实施例的在此被表示为用示例对象识别设备实现的、用于基于输入对象的大小与学习期间所使用的三维(3D)对象模型之间的差异增强对象识别性能的对象识别方法；和
[0021]图14b示出根据示例实施例的在此被表示为用示例对象识别系统实现的确定叶节点的对象识别方法。
【具体实施方式】
[0022]现在将详细论述示例实施例，这些示例实施例的示例在附图中示出，其中，相似的标号始终指示相似的元件。以下描述示例实施例，以便参照附图解释示例实施例。
[0023]图1示出根据示例实施例的由对象识别系统执行的识别方法的方面。参照图1，对象识别系统可通过使用将被分析的对象的单个深度图像111识别该对象的可见部分和该对象的隐藏部分这两个部分，并且可基于通过分析该对象而获得的结果来构造该对象的体积。具体地讲，对象识别系统可通过使用对象的单个深度图像、而不是通过使用多个深度图像来识别对象的多个组成部分。例如，当对象是人类时，人类的身体部分可表示例如手、手臂、腿、躯干等这样的组成部分，可表示对象的多个组成部分。各种对象(例如人类、动物、静物等)可被分析。
[0024]对象识别系统可包括分类树学习设备和对象识别设备，以下更详细地讨论这两个设备。因此，图1的识别方法还可表示分类树学习处理和对象识别处理这两个处理。分类树学习设备可学习分类树121和122，对象识别设备可使用所学习的分类树121和122。在操作120中，对象识别设备可通过使用由分类树学习设备产生并学习的分类树121和122从单个深度图像111识别对象的可见对象部分和隐藏对象部分。在这种情况下，根据示例实施例，对象识别系统可产生并学习分类树121和122，并且可识别对象的可见对象部分和隐藏对象部分。根据需要，可如图1所示那样使用多个分类树，或者可仅使用单个分类树。可见对象部分可以是指图像的表示对象被直接观看的一部分，隐藏对象部分可以是指图像的基于图像的角度、捕捉方向、对象的内部深度等被间接观看的一部分。
[0025]根据示例实施例，对象识别设备可在操作130中通过使用所学习的分类树121和122检索对象的可见层和对象的一个或多个隐藏层。在操作131中，对象识别设备可从可见对象部分和隐藏对象部分的识别结果对深度图像的直接可见部分(是深度图像的可见部分)的标识符(ID)和深度图像的非直接可见部分(是深度图像的隐藏部分)的ID进行分类。这在图1中用所示的分类的或识别的单个可见层、第I不可见(或隐藏)层和第2不可见(或隐藏)层表示。在操作132中，对象识别设备可检索隐藏部分中的每个隐藏部分的深度值。这在图1中用所示的检索的单个可见层、第I不可见(或隐藏)层和第2不可见(或隐藏)层表示。在操作140中，对象识别设备可重构对象的体积，或者可基于检索的信息估计对象的姿态。
[0026]对象识别系统可应用于所有类型的要求识别对象的装置。例如，对象识别系统可用在智能TV(包括大型显示器(LFD))、智能电话、移动装置(包括照相机、平板、笔记本计算机、一体式个人计算机(PC))、PC(包括台式机)等中。
[0027]另外，对象识别系统可具有不同应用。例如，对象识别系统可应用于例如运动游戏(exergame)、虚拟运动、虚拟娱乐、图形动画、视频对象探索、工效学、人机交互、监督、用于消费类电子装置的自然用户界面(UI)等【技术领域】。例如，对象识别系统可用作用于控制音乐视频市场、音乐广播市场、健康视频市场等中的交互式视频的技术。
[0028]图2至图6示出根据示例实施例的可见对象部分和隐藏对象部分的示图。可见对象部分可表示用眼睛从通过捕捉对象而获取的图像(例如，彩色图像或深度图像)直接可见的部分，隐藏对象部分可表示该对象的被其他部分覆盖和隐藏的后部部分或内部部分。例如，当对象被图像传感器捕捉时，该对象的承载图像传感器201的传感器平面上的图像的一部分可被定义为可见对象部分数据，该对象的发生该对象的自遮挡或由另一个对象引起的遮挡的一部分可被定义为隐藏对象部分数据。如图5所示，例如，隐藏对象部分数据还可表示在可见外层与后部外层之间的深度处的对象的部分，诸如肌肉平面(level)、血管平面或骨骼平面。
[0029]参照图2，当对象是正六面体时，该正六面体的前视图202的三个面可被定义为被显示为被图像传感器201观测到的三个可见对象部分，该正六面体的后视图203的三个面可被定义为被显示为未被图像传感器201观测到的三个隐藏对象部分。参照图3，当对象是人类时，并且当通过捕捉人类的左侧获取图像时，人体的一部分(诸如人体的左臂、左腿等)可被定义为可见对象部分301，被左臂和左腿隐藏的右臂、左躯干、右腿等可被定义为隐藏对象部分302。参照图4，当对象是人类的右手时，并且当通过捕捉右手的左侧获取图像时，拇指、食指等可被定义为可见对象部分401，中指的一部分可被定义为被表示在第一隐藏对象部分402中，无名指的一部分可被定义为被表示在第二隐藏对象部分403中。
[0030]因为隐藏对象部分在通过捕捉对象而获取的图像中被其他部分覆盖或者被布置在与捕捉传感器相对的一侧，所以图2至图4的隐藏对象部分可能不能被直接查看。根据示例实施例，隐藏对象部分可被布置在对象的内部。例如，参照图5，当对象是人类时，例如，人类的外表可被定义为可见对象部分501，人体中所包括的肌肉、骨骼、内脏器官、心血管系统、神经系统等可被定义为隐藏对象部分502，不同元件被表示在不同的相应的隐藏层中。另外，参照图6，当对象是建筑物时，该建筑物的可见外部可被定义为可见对象部分601，该建筑物的内部结构可被定义为隐藏对象部分602。
[0031]以上已经参照图2至图6描述了对象的各种示例，然而，以下将基于图3的人类的姿态更详细地描述分类树学习设备的示例操作和对象识别设备的示例操作。
[0032]图7a示出根据示例实施例的在此被表示为用示例分类学习设备实现的分类树学习方法。分类树学习设备可产生并学习分类树，该分类树然后被对象识别设备用于识别将被分析的对象的可见对象部分和隐藏对象部分。如以上所指出的，示例对象识别系统可包括分类树学习设备和对象识别设备这两个设备。根据示例实施例，作为当分类树学习设备学习分类树时所执行的预处理操作，相应的对象识别系统可创建三维(3D)对象模型712。在操作710中，对象识别系统可基于与对象相关联的物理信息711创建3D对象模型712。另外，对象识别系统可在操作721中执行对象的运动捕捉，并且可在操作720中对该对象执行逆运动学(IK)以收集运动数据722。对象识别系统可将所收集的运动数据722应用于3D对象模型712，并且可在操作723中更新关于3D对象模型712的信息。
[0033]为了产生用于学习分类树的训练数据，分类树学习设备可在操作724中基于更新的关于3D对象模型712的信息对体积进行分解。分类树学习设备可通过使用光线投射方案对体积进行分解。随后，在操作725中，如以下更详细地讨论的，分类树学习设备可收集关于与对象相关联的深度值和ID的信息。在操作726中，分类树学习设备可基于所收集的信息产生训练数据，并且可通过使用所产生的训练数据学习分类树。根据示例实施例，分类树学习设备可使用随机森林作为分类树。
[0034]图7b示出根据示例实施例的分类树学习设备的学习单元的构造的框图。参照图7b，分类树学习设备可包括学习单元730。学习单元730可通过使用与将被分析的对象相关联的训练数据产生分类树。换句话讲，学习单元730可通过使用训练数据学习分类树。根据示例实施例，学习单元730可直接产生训练数据。学习单元730可包括投射单元731、图像层产生单元732、捕捉单元733和训练数据产生单元734。
[0035]图7c示出根据示例实施例的在此被表示为用示例分类学习设备实现的、用于通过使用光线投射方案产生训练数据的分类树学习方法。参照图7c，投射单元731可通过使用虚拟照相机751使光线朝向将被分析的对象(例如，人类)的3D对象模型752的多个体素投射。每当光线再次穿透3D对象模型752的表面时，图像层产生单元732可顺序地产生多个图像层。例如，图像层产生单元732可收集3D对象模型752的光线最初穿透的点或体素，并且可产生可见层。另外，当光线通过3D对象模型752、然后再次穿透3D对象模型752时，也就是说，当光线两次穿透3D对象模型752时，图像层产生单元732可收集光线穿透的点或体素，并且可产生表示第二穿透部分的第一隐藏层。类似地，图像层产生单元732可产生第二隐藏层、第三隐藏层和第四隐藏层。基于对象的形状、姿态等、虚拟照相机751与对象之间的方向等，可产生单个隐藏层或多个隐藏层。例如，再次参照图3-图5以用于说明这样的隐藏层。就图5的示例而言，隐藏层不必表示3D对象模型的第二穿透，而是表示通过3D对象模型的分离的表面或组成部件的穿透。
[0036]捕捉单元733可对于多个图像层中的每个捕捉光线穿透的表面的深度值和体素ID。另外，捕捉单元733可将所捕捉的体素ID和所捕捉的深度值存储在多个图像层中的每个中。在示例中，捕捉单元733可捕捉3D对象模型752的光线最初穿透的点或体素的ID，可将所捕捉的ID存储在可见层中，并且可产生显示在可见层上的对象部分的ID图像753。在另一示例中，捕捉单元733可捕捉3D对象模型752的光线最初穿透的点或体素的深度值，可将所捕捉的深度值存储在可见层中，并且可产生关于可见层的深度图像756。例如，当光线通过3D对象模型752、然后再次穿透3D对象模型752时，也就是说，光线两次穿透3D对象模型752时，捕捉单元733可捕捉光线穿透的像素或体素的ID，可将所捕捉的ID存储在第一隐藏层中，并且可产生显示在第一隐藏层上的对象部分的ID图像754。另外，当光线通过3D对象模型752、然后再次穿透3D对象模型752时，捕捉单元733可捕捉光线穿透的像素或体素的深度值，可将所捕捉的深度值存储在第一隐藏层中，并且可产生关于第一隐藏层的深度图像757。
[0037]类似地，捕捉单元733可同样地将以上与第一隐藏层相关联的操作应用于第二隐藏层、第三隐藏层和第四隐藏层。例如，捕捉单元733可产生显示在第二隐藏层上的对象部分的ID图像755和关于第二隐藏层的深度图像758。
[0038]训练数据产生单元734可将离虚拟照相机751距离最小的图像层(也就是说，可见层)设置为可见对象部分数据。可见对象部分数据可包括ID和深度值。类似地，训练数据产生单元734可将其他图像层(也就是说，隐藏层)设置为包括ID和深度值的隐藏对象部分数据。训练数据产生单元734可通过使用可见对象部分数据和隐藏对象部分数据产生训练数据。
[0039]如以上在图7b和图7c中所描述的，学习单元730可直接产生用于学习分类树的训练数据，然而，在此的实施例可以不限于此。因此，学习单元730可使用通过使用单独的方案而产生的训练数据。以下，将更详细地描述通过使用所产生的训练数据学习分类树的操作。
[0040]图7d和图8示出根据示例实施例的在此被表示为用示例分类学习设备实现的、用于通过使用训练数据学习分类树的分类树学习方法。参照图7d和图8，在操作801中，分类树学习设备可从训练数据选择可用于学习分类树的可见对象部分数据Dv701和隐藏对象部分数据Dh702。例如，分类树学习设备可随机地选择将被学习的目标数据D。在这种情况下，对象的每个部分可形成每个类。例如，当对象是人类时，人类的手臂、腿、躯干、头等均可被确定为表不一个类。
[0041]在操作802中，分类树学习设备可输入所选择的可见对象部分数据Dv701和所选择的隐藏对象部分数据Dh702，并且可产生并学习分类树703。例如，分类树学习设备可通过使用所选择的目标数据D来产生并学习分类树。在这种情况下，目标数据D可包括可见对象部分数据Dv701和隐藏对象部分数据Dh702。
[0042]分类树学习设备可产生直方图，并且可将这些直方图存储在每个节点中。每个直方图均可表示指示对象的哪个部分对应于输入数据(也就是说，输入的可见对象部分数据Dv701和输入的隐藏对象部分数据Dh702)的概率值。在每个直方图中，水平轴可指示多个对象部分ID，垂直轴可指示输入数据可对应于所述多个对象部分ID中的每个的概率值。例如，当对象是人类时，头、手臂、躯干、腿等可被定义为人类的对象部分。在这种情况下，分类树学习设备可在分类树的每个节点中产生直方图，该直方图表示在预定节点中表示人类的图像可被识别为头的概率、该图像可被识别为手臂的概率、该图像可被识别为躯干的概率、该图像可被识别为腿的概率等。
[0043]在分类树703的根节点704中，输入数据可对应于根节点704的一个类(即，一个部分)的所有概率可被均匀地计算和存储。然而，随着分类树学习设备继续朝向分类树的下层节点学习训练数据，可根据类来确定输入数据可对应于根节点704的一个类(即，一个部分)的概率。因此，在分类树703的叶节点705中，输入数据可以以最高概率被确定为一个类(即，一个部分)。换句话讲，随着分类树703的层次在学习期间增加，可保持预定类的高概率，并且可降低其他类的概率。
[0044]在这种情况下，分类树学习设备可在叶节点705中计算可见对象部分数据Dv701的深度值与隐藏对象部分数据Dh702的深度值之间的差值，可计算相对深度值，并且可将所计算的相对深度值与每个直方图一起存储在叶节点705中。
[0045]根据示例实施例，分类树学习设备可重复地执行操作801和802，并且可在操作803中产生多个学习的分类树。例如,分类树学习设备可重复操作801和802K次，以学习包括K个分类树的随机森林。
[0046]图9示出在此被表示为用图7b的示例学习单元实现的、用于学习分类树的学习方法。参照图7b，为了学习分类树，学习单元730可包括特征选择单元741、特征空间变换单元742、阈值选择单元743、划分单元744、信息增益计算单元745和分类树产生单元746。
[0047]参照图9，在操作901中，特征选择单元741可随机地从多个特征集之中选择单个特征V。在操作902中，特征空间变换单元742可通过使用所选择的特征V将可见对象部分数据Dv和隐藏对象部分数据Dh变换到特征空间。在这种情况下，可见对象部分数据07和隐藏对象部分数据Dh可表示训练数据中所包括的数据。
[0048]根据示例实施例，特征可以是深度比较特征，特征空间变换单元742可通过使用深度比较特征等式(例如，以下等式1-1)来变换特征空间。
[0049]等式1-1:
[0050]
【权利要求】
1.一种对象识别设备，包括: 输入单元，接收作为输入的表示将被分析的对象的深度图像；和 处理单元，通过使用分类树从深度图像识别所述对象的可见对象部分和隐藏对象部分。
2.根据权利要求1所述的对象识别设备，还包括: 体积构造单元，通过使用识别的可见对象部分和识别的隐藏对象部分在单个数据空间中构造所述对象的体积。
3.根据权利要求2所述的对象识别设备，其中，处理单元基于所述体积提取关于所述对象的附加信息。
4.根据权利要求3所述的对象识别设备，其中，附加信息包括关于与所述对象相关联的形状、姿态、关键关节和结构中的至少一个的信息。
5.根据权利要求2所述的对象识别设备，其中，体积构造单元通过使用存储在分类树的叶节点中的相对深度值构造体积，并且 其中，相对深度值指示识别的可见对象部分的深度值与识别的隐藏对象部分的深度值之间的差值。
6.根据权利要求1所述的对象识别设备，其中，处理单元将深度图像输入到分类树， 其中，当分类树的当前节点是划分节点时，处理单元从划分节点读取特征的值和阈值，将所述特征的值和阈值输入到 划分函数，计算结果值，并基于计算的结果值搜索当前节点的左子节点和右子节点之一，并且 其中，当当前节点是叶节点时，处理单元从叶节点读取可见对象部分的第一直方图和隐藏对象部分的第二直方图，基于读取的第一直方图从深度图像识别可见对象部分，并基于读取的第二直方图从深度图像识别隐藏对象部分。
7.根据权利要求6所述的对象识别设备，其中，当结果值小于阈值时，处理单元搜索左子节点，并且 其中，当结果值等于或大于阈值时，处理单元搜索右子节点。
8.根据权利要求1所述的对象识别设备，还包括: 大小调整单元，调整所述对象的对象模型的宽度和高度中的至少一个大小。
9.根据权利要求1所述的对象识别设备，其中，分类树包括可见对象部分的概率值和隐藏对象部分的概率值。
10.根据权利要求1所述的对象识别设备，其中，分类树包括与可见对象部分和隐藏对象部分相关联的相对深度值。
11.根据权利要求1所述的对象识别设备，其中，通过使用隐藏对象部分的至少一部分作为多个层来表示分类树。
12.一种用于产生分类树的分类树学习设备，分类树被对象识别设备用于识别将被分析的对象的可见对象部分和隐藏对象部分，分类树学习设备包括: 学习单元，用于通过使用与所述对象相关联的训练数据产生分类树。
13.根据权利要求12所述的分类树学习设备，其中，学习单元包括: 投射单元，用于通过使用虚拟照相机使光线朝着所述对象的三维(3D)对象模型的多个体素投射光线；图像层产生单元，用于每当光线穿透3D对象模型的表面时，顺序地产生多个图像层；捕捉单元，用于对于所述多个图像层中的每个，捕捉所述表面的深度值和体素标识符(ID)，并将捕捉的深度值和捕捉的体素ID存储在所述多个图像层中的每个中；和 训练数据产生单元，用于将离虚拟照相机距离最小的图像层设置为与可见对象部分相关联的可见对象部分数据，并将其他图像层设置为与隐藏对象部分相关联的隐藏对象部分数据，并产生训练数据。
14.根据权利要求12所述的分类树学习设备，其中，学习单元包括: 特征选择单元，用于从多个特征集随机选择单个特征； 特征空间变换单元，用于通过使用选择的特征将与可见对象部分相关联的可见对象部分数据和与隐藏对象部分相关联的隐藏对象部分数据变换到特征空间； 阈值选择单元，用于从特征空间的最小值到最大值的范围随机地选择阈值； 划分单元，用于将阈值、特征空间和可见对象部分数据输入到划分函数，将可见对象部分数据划分为左可见对象部分数据和右可见对象部分数据，并将隐藏对象部分数据划分为左隐藏对象部分数据和右隐藏对象部分数据； 信息增益计算单元，用于计算用于左可见对象部分数据、右可见对象部分数据、左隐藏对象部分数据和右隐藏对象部分数据中的每个的信息增益；和 分类树产生单元，用于将特征的值、阈值、左可见对象部分数据、右可见对象部分数据、左隐藏对象部分数据和右隐藏对象部分数据存储在分类树的当前节点中，并且当信息增益在最佳参考范围内时，产生分类树。
15.根据权利要求14所述的分类树学习设备，其中，信息增益计算单元计算用于左可见对象部分数据和右可见对象部分数据的第一中间信息增益，计算用于左隐藏对象部分数据和右隐藏对象部分数据的第二中间信息增益，并基于第一中间信息增益和第二中间信息增益计算信息增益。
16.根据权利要求14所述的分类树学习设备，其中，当信息增益超过最佳参考范围时，分类树产生单元控制特征选择单元、特征空间变换单元、阈值选择单元、划分单元和信息增益计算单元中的每个的操作，以使得单个特征重新从所述多个特征集随机地被选择，阈值随机地被选择，并且分类树的当前节点的学习被执行。
17.根据权利要求14所述的分类树学习设备，其中，分类树产生单元确定当前节点是否满足停止标准， 其中，当当前节点未能满足停止标准时，分类树产生单元通过使用左可见对象部分数据和左隐藏对象部分数据作为输入来学习左子节点，并通过使用右可见对象部分数据和右隐藏对象部分数据作为输入来学习右子节点，并且 其中，当当前节点满足停止标准时，分类树产生单元将当前节点确定为叶节点，并终止分类树的学习。
18.根据权利要求17所述的分类树学习设备，其中，当当前节点被确定为叶节点时，分类树产生单元产生表示所述对象的多个对象部分中的每个将被确定为可见对象部分的概率的第一直方图、以及表示所述多个对象部分中的每个将被确定为隐藏对象部分的概率的第二直方图，并且分类树产生单元将第一直方图和第二直方图存储在当前节点中。
19.根据权利要求17所述的分类树学习设备，其中，当当前节点被确定为叶节点时，分类树产生单元计算指示可见对象部分的深度值与隐藏对象部分的深度值之间的差值的相对深度值，并将计算的相对深度值存储在当前节点中。
20.一种对象识别设备的操作方法，所述操作方法包括: 接收作为输入的表示将被分析的对象的深度图像；和 通过使用分类树识别所述对象的可见对象部分和隐藏对象部分。
21.一种用于产生分类树的分类树学习设备的操作方法，分类树被对象识别设备用于识别将被分析的对象的可见对象部分和隐藏对象部分，所述操作方法包括: 通过使用与所述对象相关联的训练数据产生分类树。
22.—种存储使计算机实现权利要求20的方法的程序的非暂时性计算机可读记录介质 。
【文档编号】G06T7/00GK103890752SQ201380003629
【公开日】2014年6月25日 申请日期:2013年1月9日 优先权日:2012年1月11日
【发明者】俞炳仁, 崔昌圭, 李昶敎, 韩在濬 申请人:三星电子株式会社