| 1 |
1
영상에 기반하여 이상 행동을 보이는 객체를 탐지하는 장치로서,프로세서; 및상기 프로세서와 동작 가능하게 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고,상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서로 하여금,설정된 시간 간격으로 촬영된 복수의 제1 영상 프레임에 미리 학습된 제1 알고리즘을 적용하여 제1 광학 흐름(Optical Flow)을 생성하고, 상기 복수의 제1 영상 프레임 간의 픽셀 차이에 기초하여 생성된 제2 광학 흐름에 미리 학습된 제2 알고리즘을 적용하여 복수의 제2 영상 프레임을 생성하고, 상기 복수의 제1 영상 프레임 및 상기 복수의 제2 영상 프레임 간의 제1 차이를 검출하고, 상기 제1 차이에 기초하여 상기 복수의 제1 영상 프레임 내 이상 행동 객체를 판단하도록 야기하는 코드를 저장하는,이상 행동 객체 탐지 장치
|
| 2 |
2
제1항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 제1 광학 흐름 및 상기 제2 광학 흐름 간의 제2 차이를 검출하고, 상기 제1 차이에 더하여 상기 제2 차이에 더 기초하여 상기 복수의 제1 영상 프레임 내 이상 행동 객체를 판단하도록 야기하는 코드를 저장하는,이상 행동 객체 탐지 장치
|
| 3 |
3
제1항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 제1 차이에 기초한 상기 복수의 제1 영상 프레임 내 이상 행동 객체의 판단 이전에,상기 제1 광학 흐름 및 상기 제2 광학 흐름 간의 차이에 기초하여 상기 복수의 제1 영상 프레임 내 이상 행동 객체를 가판단하고, 상기 가판단한 결과와 상기 판단 결과가 상이할 경우, 미리 설정된 수의 신규 영상 프레임을 상기 복수의 제1 영상 프레임에 추가하고, 상기 신규 영상 프레임이 추가된 상기 복수의 제1 영상 프레임에 기초하여 이상 행동 객체를 판단하도록 야기하는 코드를 저장하는,이상 행동 객체 탐지 장치
|
| 4 |
4
제1항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 제1 영상 프레임 및 상기 제2 영상 프레임 각각을 설정된 크기 또는 개수의 프레임 패치로 분할하고, 상기 제1 영상 프레임 내 제1 프레임 패치 및 상기 제1 프레임 패치의 위치에 대응하는 상기 제2 영상 프레임 내 제2 프레임 패치에 머신 러닝 기반의 훈련된 객체 식별 학습 모델을 적용하여 상기 제1 프레임 패치 및 상기 제2 프레임 패치 각각에 대한 카테고리 식별자를 결정하고, 상기 제1 영상 프레임 내 제1 프레임 패치에 대한 카테고리 식별자와 상기 제2 영상 프레임 내 제2 프레임 패치에 대한 카테고리 식별자의 일치 여부에 기초하여 상기 제1 차이를 검출하도록 야기하는 코드를 저장하고,이상 행동 객체 탐지 장치
|
| 5 |
5
제4항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 제1 영상 프레임 내 제1 프레임 패치 및 상기 제2 영상 프레임 내 제2 프레임 패치 각각에 SSIM(structural similarity index measure) differentiation을 적용한 결과값 간의 차이에 더 기초하여 상기 제1 차이를 검출하도록 야기하는 코드를 저장하는,이상 행동 객체 탐지 장치
|
| 6 |
6
제1항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 복수의 제1 영상 프레임에서 백그라운드(background)를 제거하고, 상기 백그라운드가 제거된 복수의 제1 영상 프레임과 상기 제2 광학 흐름을 퓨즈(fuse)하여 상기 제2 광학 흐름을 조정하고, 상기 조정된 제2 광학 흐름에 상기 제2 알고리즘을 적용하도록 야기하는 코드를 저장하는,이상 행동 객체 탐지 장치
|
| 7 |
7
제6항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 복수의 제1 영상 프레임에 머신 러닝 기반의 훈련된 객체 식별 학습 모델을 적용하여 상기 복수의 제1 영상 프레임 내 움직임이 없는 객체가 이동 가능한 카테고리 식별자로 결정될 경우, 상기 움직임이 없는 객체가 상기 백그라운드에서 제외되도록 야기하는 코드를 저장하는,이상 행동 객체 탐지 장치
|
| 8 |
8
제1항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 제1 알고리즘 및 상기 제2 알고리즘 중 적어도 하나의 알고리즘은 GAN(Generative Adversarial Network) Loss 및 L1 Loss와 함께, SSIM loss에 기초하여 학습되는,이상 행동 객체 탐지 장치
|
| 9 |
9
제1항에 있어서,상기 제1 알고리즘은 생성적 적대 신경망(GAN)으로서, 이상 행동 객체가 없는 정상 상태 영상 프레임 및 정상 상태 영상 프레임의 광학 흐름을 포함하는 훈련 데이터에 기초하여 훈련된 생성자를 포함하며,상기 제1 알고리즘의 훈련된 생성자는 이상 행동 객체가 포함된 영상 프레임에 기초하여 이상 행동 객체가 제외된 정상 상태 광학 흐름을 출력하도록 구성되는,이상 행동 객체 탐지 장치
|
| 10 |
10
제1항에 있어서,상기 제2 알고리즘은 생성적 적대 신경망(GAN)으로서, 이상 행동 객체가 없는 정상 상태 광학 흐름 및 정상 상태 광학 흐름의 기초가 되는 정상 상태 영상 프레임을 포함하는 훈련 데이터에 기초하여 훈련된 생성자를 포함하며,상기 제2 알고리즘의 훈련된 생성자는 이상 행동 객체가 포함된 광학 흐름에 기초하여 이상 행동 객체가 제외된 정상 상태 영상 프레임을 출력하도록 구성되는,이상 행동 객체 탐지 장치
|
| 11 |
11
영상에 기반하여 이상 행동을 보이는 객체를 탐지하는 방법으로서,설정된 시간 간격으로 촬영된 복수의 제1 영상 프레임에 미리 학습된 제1 알고리즘을 적용하여 제1 광학 흐름(Optical Flow)을 생성하는 단계;상기 복수의 제1 영상 프레임 간의 픽셀 차이에 기초하여 생성된 제2 광학 흐름에 미리 학습된 제2 알고리즘을 적용하여 복수의 제2 영상 프레임을 생성하는 단계; 및상기 복수의 제1 영상 프레임 및 상기 복수의 제2 영상 프레임 간의 제1 차이를 검출하고, 상기 제1 차이에 기초하여 상기 복수의 제1 영상 프레임 내 이상 행동 객체를 판단하는 단계를 포함하는,이상 행동 객체 탐지 방법
|
| 12 |
12
제11항에 있어서,상기 이상 행동 객체를 판단하는 단계는,상기 제1 광학 흐름 및 상기 제2 광학 흐름 간의 제2 차이를 검출하고, 상기 제1 차이에 더하여 상기 제2 차이에 더 기초하여 상기 복수의 제1 영상 프레임 내 이상 행동 객체를 판단하는 단계를 포함하는,이상 행동 객체 탐지 방법
|
| 13 |
13
제11항에 있어서,상기 이상 행동 객체를 판단하는 단계는,상기 제1 영상 프레임 및 상기 제2 영상 프레임 각각을 설정된 크기 또는 개수의 프레임 패치로 분할하는 단계;상기 제1 영상 프레임 내 제1 프레임 패치 및 상기 제1 프레임 패치의 위치에 대응하는 상기 제2 영상 프레임 내 제2 프레임 패치에 머신 러닝 기반의 훈련된 객체 식별 학습 모델을 적용하여 상기 제1 프레임 패치 및 상기 제2 프레임 패치 각각에 대한 카테고리 식별자를 결정하는 단계; 및상기 제1 영상 프레임 내 제1 프레임 패치에 대한 카테고리 식별자와 상기 제2 영상 프레임 내 제2 프레임 패치에 대한 카테고리 식별자의 일치 여부에 기초하여 상기 제1 차이를 검출하는 단계를 포함하는,이상 행동 객체 탐지 방법
|
| 14 |
14
제11항에 있어서,상기 제1 알고리즘은 생성적 적대 신경망(GAN)으로서, 이상 행동 객체가 없는 정상 상태 영상 프레임 및 정상 상태 영상 프레임의 광학 흐름을 포함하는 훈련 데이터에 기초하여 훈련된 생성자를 포함하며,상기 제1 알고리즘의 훈련된 생성자는 이상 행동 객체가 포함된 영상 프레임에 기초하여 이상 행동 객체가 제외된 정상 상태 광학 흐름을 출력하도록 구성되는,이상 행동 객체 탐지 방법
|
| 15 |
15
제11항에 있어서,상기 제2 알고리즘은 생성적 적대 신경망(GAN)으로서, 이상 행동 객체가 없는 정상 상태 광학 흐름 및 정상 상태 광학 흐름의 기초가 되는 정상 상태 영상 프레임을 포함하는 훈련 데이터에 기초하여 훈련된 생성자를 포함하며,상기 제2 알고리즘의 훈련된 생성자는 이상 행동 객체가 포함된 광학 흐름에 기초하여 이상 행동 객체가 제외된 정상 상태 영상 프레임을 출력하도록 구성되는,이상 행동 객체 탐지 방법
|
