| 1 |
1
(a) 영상 감시 장치가 카메라를 통해 촬영된 입력 영상으로부터 학습용 이동 물체를 추출하고, 추출된 학습용 이동 물체에 대한 이미지 데이터와 라벨(label) 데이터를 이용하여 각각의 학습용 이동 물체를 미리 학습시키는 단계;(b) 상기 영상 감시 장치가 상기 미리 학습된 데이터를 이용하여 새로운 입력 영상 내의 이동 물체를 가축 또는 인간의 유형으로 분류하는 단계;(c) 상기 영상 감시 장치가 분류된 상기 이동 물체의 이동 이력을 상기 유형별로 기록하는 단계;(d) 상기 영상 감시 장치가 기록된 상기 이동 이력으로부터 상기 유형별로 각각의 이동 영역을 설정하는 단계; 및(e) 상기 영상 감시 장치가 입력 영상으로부터 이동 물체를 탐지하되, 분류된 유형에 대해 설정된 이동 영역이 아닌 영역에서 상기 이동 물체가 탐지된 경우, 이상 상황으로 판단하는 단계를 포함하고,상기 (b) 단계는,(b1) R-CNN을 통해 미리 학습된 데이터를 이용하여 새로운 입력 영상으로부터 그리드 셀(grid cell)을 생성하고, 상기 셀마다 물체를 검출하기 위한 물체 영역 후보군 중 가장 가능성이 높은 영역을 선택함으로써 생성된 경계 상자(bounding box) 데이터 및 상기 경계 상자 내의 물체가 어떤 클래스(class)에 포함되는지의 확률을 나타내는 클래스 값을 저장하는 단계; 및(b2) 상기 경계 상자 데이터에 포함된 물체의 예측된 위치가 실제할 확률과 상기 클래스 값을 승산함으로써 상기 새로운 입력 영상 내의 이동 물체의 인식 및 분류를 수행하는 단계를 포함하는 영상 감시 방법
|
| 2 |
2
제 1 항에 있어서,상기 (a) 단계는,(a1) 카메라를 통해 촬영된 입력 영상으로부터 가우시안 혼합 모델(Gaussian Mixture Model, GMM)을 이용하여 움직임 영역을 추출하는 단계;(a2) 추출된 상기 움직임 영역에 대해 중간값 필터(Media Filter)를 적용하여 조도의 변화 또는 환경 요소로 인하여 발생하는 잡음을 제거하는 단계;(a3) 상기 잡음이 제거된 움직임 영역을 라벨링(labeling)을 통해 인식하고 라벨 내의 영역에 대한 이미지 데이터를 학습용 데이터로서 저장하는 단계; 및(a4) 저장된 상기 학습용 데이터를 영역 기반의 R-CNN(region based convolution neural network)을 이용하여 학습시키는 단계를 포함하는 영상 감시 방법
|
| 3 |
3
제 2 항에 있어서,상기 (a4) 단계는,최종 출력층의 노드 구성과 입력 영상에 대한 고정 분할에 따른 추정 방식을 사용하여 물체의 검출과 인식이 통합된 YOLO(you only look once)의 네트워크 구조를 기반으로 상기 학습용 데이터를 학습하는 것을 특징으로 하는 영상 감시 방법
|
| 4 |
4
제 2 항에 있어서,상기 (a4) 단계는,합성곱 계층(convolution layer)을 통해 추출된 특징점을 RELU(rectified linear unit)을 수행하여 학습하기 용이한 특징점만 추출하고, 맥스 풀링(max pooling)을 통해 데이터의 크기를 감소시킨 후, 풀리 컨넥션(fully connection)을 수행하여 데이터 벡터(data vector)의 집합을 생성하되, 추출하고자 하는 값과의 오차를 오류 역전파법(backpropagation)을 이용해 상기 합성곱 계층으로 전달하여 오차를 감소시키도록 상기 학습용 데이터를 학습하는 것을 특징으로 하는 영상 감시 방법
|
| 5 |
5
삭제
|
| 6 |
6
제 1 항에 있어서,상기 (c) 단계는,(c1) 분류된 상기 이동 물체의 라벨 중심점을 칼만 필터(Kalman Filter)를 이용하여 실제 상태값과 추정된 상태값의 오차 공분산을 최소화함으로써 상기 이동 물체의 위치를 보정하고 추적하는 단계; 및(c2) 상기 이동 물체에 대해 추정된 위치의 변화를 이동 이력으로 추출하되 상기 이동 물체의 유형과 함께 매칭(matching)하여 기록하는 단계를 포함하는 영상 감시 방법
|
| 7 |
7
제 1 항에 있어서,상기 (d) 단계는,(d1) 기록된 상기 이동 이력 내의 각 위치에 대해 컨벡스 헐(convex hull)을 이용하여 최외곽점을 연결함으로써 다각형 영역을 생성하는 단계; 및(d2) 상기 이동 이력을 포함하는 상기 다각형 영역을 상기 이동 물체의 유형에 대한 이동 영역으로 설정하는 단계를 포함하는 영상 감시 방법
|
| 8 |
8
제 7 항에 있어서,상기 (d) 단계는,(d3) 상기 이동 이력이 미리 설정된 수준으로 축적되었거나 상기 유형별 이동 영역이 임계 거리만큼 인접한 경우, 상기 이동 영역을 고정시킴으로써 상기 이동 영역의 확장 또는 변경을 중지하는 단계를 더 포함하는 영상 감시 방법
|
| 9 |
9
제 1 항에 있어서,상기 (e) 단계는,입력 영상으로부터 이동 물체를 탐지하되, 분류된 유형에 대해 설정된 이동 영역이 아닌 영역에서 상기 이동 물체가 탐지된 경우,인간으로 분류된 이동 물체가 가축의 이동 영역에서 탐지되면, 인간의 침입으로 판단하고,가축으로 분류된 이동 물체가 인간의 이동 영역에서 탐지되면, 가축의 탈출로 판단하며,인간으로 분류된 이동 물체와 가축으로 분류된 이동 물체가 함께 소정 거리 이내에 위치한 것으로 탐지되면, 가축의 도난 상황으로 판단하는 것을 특징으로 하는 영상 감시 방법
|
| 10 |
10
제 1 항 내지 제 4 항, 제 6 항 내지 제 9 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|
| 11 |
11
카메라를 통해 촬영된 영상을 입력받는 입력부;입력된 영상 내에 포함된 가축 및 인간의 움직임을 감시하는 영상 감시 프로그램을 저장하는 메모리; 및상기 영상 감시 프로그램을 구동하는 적어도 하나의 프로세서를 포함하되,상기 메모리에 저장된 영상 감시 프로그램은,입력 영상으로부터 학습용 이동 물체를 추출하고 추출된 학습용 이동 물체에 대한 이미지 데이터와 라벨(label) 데이터를 이용하여 각각의 학습용 이동 물체를 미리 학습시키고, 상기 미리 학습된 데이터를 이용하여 새로운 입력 영상 내의 이동 물체를 가축 또는 인간의 유형으로 분류하고, 분류된 상기 이동 물체의 이동 이력을 상기 유형별로 기록하고, 기록된 상기 이동 이력으로부터 상기 유형별로 각각의 이동 영역을 설정하며, 입력 영상으로부터 이동 물체를 탐지하되, 분류된 유형에 대해 설정된 이동 영역이 아닌 영역에서 상기 이동 물체가 탐지된 경우, 이상 상황으로 판단하는 명령을 포함하되,R-CNN을 통해 미리 학습된 데이터를 이용하여 새로운 입력 영상으로부터 그리드 셀(grid cell)을 생성하고, 상기 셀마다 물체를 검출하기 위한 물체 영역 후보군 중 가장 가능성이 높은 영역을 선택함으로써 생성된 경계 상자(bounding box) 데이터 및 상기 경계 상자 내의 물체가 어떤 클래스(class)에 포함되는지의 확률을 나타내는 클래스 값을 저장하고, 상기 경계 상자 데이터에 포함된 물체의 예측된 위치가 실제할 확률과 상기 클래스 값을 승산함으로써 상기 새로운 입력 영상 내의 이동 물체의 인식 및 분류를 수행하는 명령을 수행하는 영상 감시 장치
|
| 12 |
12
제 11 항에 있어서,상기 메모리에 저장된 영상 감시 프로그램은,카메라를 통해 촬영된 입력 영상으로부터 가우시안 혼합 모델(Gaussian Mixture Model, GMM)을 이용하여 움직임 영역을 추출하고,추출된 상기 움직임 영역에 대해 중간값 필터(Media Filter)를 적용하여 조도의 변화 또는 환경 요소로 인하여 발생하는 잡음을 제거하고,상기 잡음이 제거된 움직임 영역을 라벨링(labeling)을 통해 인식하고 라벨 내의 영역에 대한 이미지 데이터를 학습용 데이터로서 저장하며,저장된 상기 학습용 데이터를 영역 기반의 R-CNN(region based convolution neural network)을 이용하여 학습시키는 명령을 수행하는 영상 감시 장치
|
| 13 |
13
제 12 항에 있어서,상기 메모리에 저장된 영상 감시 프로그램은,최종 출력층의 노드 구성과 입력 영상에 대한 고정 분할에 따른 추정 방식을 사용하여 물체의 검출과 인식이 통합된 YOLO(you only look once)의 네트워크 구조를 기반으로 상기 학습용 데이터를 학습하는 명령을 수행하는 영상 감시 장치
|
| 14 |
14
제 12 항에 있어서,상기 메모리에 저장된 영상 감시 프로그램은,합성곱 계층(convolution layer)을 통해 추출된 특징점을 RELU(rectified linear unit)을 수행하여 학습하기 용이한 특징점만 추출하고, 맥스 풀링(max pooling)을 통해 데이터의 크기를 감소시킨 후, 풀리 컨넥션(fully connection)을 수행하여 데이터 벡터(data vector)의 집합을 생성하되, 추출하고자 하는 값과의 오차를 오류 역전파법(backpropagation)을 이용해 상기 합성곱 계층으로 전달하여 오차를 감소시키도록 상기 학습용 데이터를 학습하는 명령을 수행하는 영상 감시 장치
|
| 15 |
15
삭제
|
| 16 |
16
제 11 항에 있어서,상기 메모리에 저장된 영상 감시 프로그램은,분류된 상기 이동 물체의 라벨 중심점을 칼만 필터(Kalman Filter)를 이용하여 실제 상태값과 추정된 상태값의 오차 공분산을 최소화함으로써 상기 이동 물체의 위치를 보정하고 추적하며,상기 이동 물체에 대해 추정된 위치의 변화를 이동 이력으로 추출하되 상기 이동 물체의 유형과 함께 매칭(matching)하여 기록하는 명령을 수행하는 영상 감시 장치
|
| 17 |
17
제 11 항에 있어서,상기 메모리에 저장된 영상 감시 프로그램은,기록된 상기 이동 이력 내의 각 위치에 대해 컨벡스 헐(convex hull)을 이용하여 최외곽점을 연결함으로써 다각형 영역을 생성하고,상기 이동 이력을 포함하는 상기 다각형 영역을 상기 이동 물체의 유형에 대한 이동 영역으로 설정하는 명령을 수행하는 영상 감시 장치
|
| 18 |
18
제 17 항에 있어서,상기 메모리에 저장된 영상 감시 프로그램은,상기 이동 이력이 미리 설정된 수준으로 축적되었거나 상기 유형별 이동 영역이 임계 거리만큼 인접한 경우, 상기 이동 영역을 고정시킴으로써 상기 이동 영역의 확장 또는 변경을 중지하는 명령을 더 수행하는 영상 감시 장치
|
| 19 |
19
제 11 항에 있어서,상기 메모리에 저장된 영상 감시 프로그램은,입력 영상으로부터 이동 물체를 탐지하되, 분류된 유형에 대해 설정된 이동 영역이 아닌 영역에서 상기 이동 물체가 탐지된 경우,인간으로 분류된 이동 물체가 가축의 이동 영역에서 탐지되면, 인간의 침입으로 판단하고,가축으로 분류된 이동 물체가 인간의 이동 영역에서 탐지되면, 가축의 탈출로 판단하며,인간으로 분류된 이동 물체와 가축으로 분류된 이동 물체가 함께 소정 거리 이내에 위치한 것으로 탐지되면, 가축의 도난 상황으로 판단하는 명령을 수행하는 영상 감시 장치
|
