| 1 |
1
(a) 실시간 촬영된 영상으로부터 프레임을 추출하는 단계;(b) 상기 (a) 단계로부터 추출된 프레임에 optical flow를 적용하여 벡터를 추출하는 단계;(c) 상기 (b) 단계로부터 추출된 벡터를 이용하여 영상 프레임에 대한 벡터 특성인 연속하는 프레임의 영역에서 추출된 움직임 벡터 개수, 단위영역에서의 화소 대표 움직임 방향, 움직임 벡터의 크기 평균값을 포함하는 특성 집합으로 산출하고, 산출된 특성 집합으로부터 각 프레임에 대한 움직임 벡터가 탐지된 영역의 비율과 프레임 전체에서 움직임 벡터를 누적한 평균 크기를 포함하는 중간-레벨 군중 특성값을 계산하는 단계;(d) 상기 (c) 단계로부터 계산된 중간-레벨 군중 특성값을 기준값과 비교하여 영상 프레임의 그룹 특성을 분류하는 단계; 그리고(e) 상기 (c) 단계로부터 계산된된 상기 프레임 전체에서 움직임 벡터를 누적한 평균 크기와, 상기 단위영역에서의 화소 대표 움직임 방향을 기준값과 비교하여 영상 프레임의 비정상 집단행동 상태를 분류하는 단계를 포함하는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 2 |
2
제1항에 있어서,상기 (b) 단계는 Pyramid Lucas-Kanade Optical Flow 기술로 수행되는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 3 |
3
제1항에 있어서,상기 (b) 단계는, 복수 개의 연속하는 프레임을 추출하여 각각에 대해 벡터를 추출하고, t번째 프레임의 객체의 코너에 대해 좌표와 t+1번째 프레임의 객체의 코너에 대한 좌표를 비교하여 움직임 벡터를 산출하는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 4 |
4
제1항에 있어서,상기 (c) 단계에서 산출되는 상기 벡터 특성 집합은 영상에서 객체의 상호 작용을 표현하기 위한 요소로서, 움직임 벡터의 위치, 크기, 방향 등의 정보로부터 산출되는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 5 |
5
제1항에 있어서,상기(c) 단계에서, 상기 벡터 특성은 연속하는 복수 개의 프레임을 누적하여 산출되는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 6 |
6
제5항에 있어서,상기 벡터 특성은 10개의 연속하는 프레임을 누적하여 산출되는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 7 |
7
제1항에 있어서,상기 (c) 단계에서 산출되는 상기 벡터 특성은 다음의 집합으로 정의되는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 8 |
8
제7항에 있어서,상기 C(m,n)은 다음의 식으로부터 산출되는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 9 |
9
제7항에 있어서,상기 OG(m,n)은 다음의 식으로부터 산출되는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 10 |
10
제7항에 있어서,상기 A(m,n)은 다음의 식으로부터 산출되는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 11 |
11
제7항에 있어서,상기 산출된 상기 벡터 특성에 따라 프레임에 대한 중간-레벨 특성값인 CAk={Dk,Sk}를 산출하는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 12 |
12
제11항에 있어서,상기 (e) 단계는 아래의 식으로부터 수행되는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
| 13 |
13
제11항에 있어서,상기 (e) 단계는 아래의 식으로부터 수행되는 것을 특징으로 하는 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법
|
