1 |
1
입력영상 내에서 움직이는 물체의 특징점을 추출한 후, 상기 추출된 특징점들의 시간에 따른 위치변화를 추적하여 상기 추출된 특징점들의 궤적을 파악하는 특징점추적부;상기 입력영상을 상기 궤적의 묶음인 문서단위로 분류하고, 확률적 토픽 모델인 온라인 학습방법을 적용하여 분류된 문서를 구성하는 토픽들의 확률분포 상태를 파악하는 토픽온라인학습부; 및상기 파악된 토픽별로 영역, 속도 및 방향을 학습하고, 파악된 토픽 간의 시공간적 연관관계를 추론하여 움직임패턴을 학습하는 움직임패턴온라인학습부; 를 포함하며, 상기 궤적은 단어의 집합 및 벡터차의 집합으로 표현되고, 상기 단어들의 집합은 상기 입력영상 내에서 상기 각 궤적이 지나는 격자점 위치를 표시하는 단어들의 집합을 나타내는 것을 특징으로 하는 비정상 움직임 탐지 장치
|
2 |
2
제 1 항에 있어서, 상기 학습된 움직임패턴의 가우시안 학습 결과를 이용하여 입력영상의 매 프레임에 포함된 궤적이 상기 학습된 움직임패턴에 포함될 확률이 낮은 경우 비정상 움직임패턴으로 구별하는 비정상탐지부;를 더 포함하는 것을 특징으로 하는 비정상 움직임 탐지 장치
|
3 |
3
◈청구항 3은(는) 설정등록료 납부시 포기되었습니다
|
4 |
4
제 1 항에 있어서, 상기 토픽온라인학습부에서상기 문서는 다항분포(multinomial distribution) 에 의해 생성되는 다수의 토픽으로 구성되고, 상기 문서를 구성하는 다수의 토픽들의 확률분포 상태를 표시하는 다항분포 파라미터 확률벡터 값을 추론하여, 토픽별로 궤적들의 위치를 클러스터링하는 것을 특징으로 하는 비정상 움직임 탐지 장치
|
5 |
5
제 1 항에 있어서, 상기 문서를 구성하는 다수의 토픽들의 확률분포 상태를 표시하는 다항분포 파라미터 확률벡터 값은 문서-토픽 확률분포(θd)과 토픽-단어 확률분포 (φk)를 포함하는 것을 특징으로 하는 비정상 움직임 탐지 장치
|
6 |
6
제 1 항에 있어서, 상기 궤적은 단어 wji의 집합 및 벡터차 vjiτ의 집합으로 표현되고, 상기 단어의 집합은 상기 입력 영상 내에서 상기 각 궤적이 지나는 격자점 위치를 표시하는 단어들의 집합을 나타내며, 이 경우 wji 는 j번째 궤적이 i 번째 격자를 지나는 것을 표시하고, 상기 벡터차의 집합은 상기 단어 내 실제 특징점의 위치와 τ프레임 전 상기 실제 특징점의 위치간 벡터값의 차 vjiτ의 집합을 나타내는 것을 특징으로 하는 비정상 움직임 탐지 장치
|
7 |
7
◈청구항 7은(는) 설정등록료 납부시 포기되었습니다
|
8 |
8
◈청구항 8은(는) 설정등록료 납부시 포기되었습니다
|
9 |
9
◈청구항 9은(는) 설정등록료 납부시 포기되었습니다
|
10 |
10
◈청구항 10은(는) 설정등록료 납부시 포기되었습니다
|
11 |
11
◈청구항 11은(는) 설정등록료 납부시 포기되었습니다
|
12 |
12
입력영상 내에서 움직이는 물체의 특징점을 추출한 후, 상기 추출된 특징점들의 시간에 따른 위치변화를 추적하여 상기 추출된 특징점들의 궤적을 파악하는 특징점추적부;상기 입력영상을 상기 궤적의 묶음을 나타내는 문서단위로 분류하고, 확률적 토픽 모델인 온라인 학습방법으로 각 문서를 구성하는 토픽들의 히스토그램 분포를 표시하는 다항분포 파라미터 확률벡터 값을 추론하여, 상기 각 문서 내에서 토픽별로 궤적들의 위치를 클러스터링하는 궤적분류부;및추론된 상기 다항분포 파라미터 확률벡터값을 기초로 시공간연관관계를 추론하는 시공간연관관계추론부;및상기 파악된 토픽별로 영역, 속도 및 방향을 학습하여, 파악된 토픽 간의 시공간적 연관관계를 추론하여 움직임패턴을 학습하는 움직임패턴온라인학습부;를 포함하고, 상기 궤적은 단어의 집합 및 벡터차의 집합으로 표현되고, 상기 단어들의 집합은 상기 입력영상 내에서 상기 각 궤적이 지나는 격자점 위치를 표시하는 단어들의 집합을 나타내는 것을 특징으로 하는 비정상 움직임 탐지 장치
|
13 |
13
제 12 항에 있어서, 상기 학습된 움직임패턴의 가우시안 학습 결과를 이용하여 입력영상의 매 프레임에 포함된 궤적이 상기 학습된 움직임패턴에 포함될 확률이 낮은 경우 비정상 움직임패턴으로 구별하는 비정상탐지부;를 더 포함하는 것을 특징으로 하는 비정상 움직임 탐지 장치
|
14 |
14
◈청구항 14은(는) 설정등록료 납부시 포기되었습니다
|
15 |
15
◈청구항 15은(는) 설정등록료 납부시 포기되었습니다
|
16 |
16
제 12항에 있어서, 상기 궤적은 단어 wji의 집합 및 벡터차 vjiτ의 집합으로 표현되고, 상기 단어의 집합은 상기 입력 영상 내에서 상기 각 궤적이 지나는 격자점 위치를 표시하는 단어들의 집합을 나타내며, 이 경우 wji 는 j번째 궤적이 i 번째 격자를 지나는 것을 표시하고, 상기 벡터차의 집합은 상기 단어 내 실제 특징점의 위치와 τ프레임 전 상기 실제 특징점의 위치간 벡터값의 차 vjiτ의 집합을 나타내는 것을 특징으로 하는 비정상 움직임 탐지 장치
|
17 |
17
◈청구항 17은(는) 설정등록료 납부시 포기되었습니다
|
18 |
18
◈청구항 18은(는) 설정등록료 납부시 포기되었습니다
|
19 |
19
◈청구항 19은(는) 설정등록료 납부시 포기되었습니다
|
20 |
20
◈청구항 20은(는) 설정등록료 납부시 포기되었습니다
|
21 |
21
특징점추적부에서 입력영상 내에서 움직이는 물체의 특징점을 추출한 후, 상기 추출된 특징점들의 시간에 따른 위치변화를 추적하여 상기 추출된 특징점들의 궤적을 파악하는 단계;토픽온라인학습부에서 상기 입력영상을 상기 궤적의 묶음인 문서단위로 분류하고, 확률적 토픽 모델인 온라인 학습방법을 적용하여 분류된 문서를 구성하는 토픽들의 확률분포 상태를 파악하는 단계; 및움직임패턴온라인학습부에서 상기 파악된 토픽별로 영역, 속도 및 방향을 학습하고, 파악된 토픽 간의 시공간적 연관관계를 추론하여 움직임패턴을 학습하는 단계;를 포함하고, 상기 궤적은 단어의 집합 및 벡터차의 집합으로 표현되고, 상기 단어들의 집합은 상기 입력영상 내에서 상기 각 궤적이 지나는 격자점 위치를 표시하는 단어들의 집합을 나타내는 것을 특징으로 하는 비정상 움직임 탐지 방법
|
22 |
22
◈청구항 22은(는) 설정등록료 납부시 포기되었습니다
|
23 |
23
특징점추적부에서 입력영상 내에서 움직이는 물체의 특징점을 추출한 후, 상기 추출된 특징점들의 시간에 따른 위치변화를 추적하여 상기 추출된 특징점들의 궤적을 파악하는 단계;궤적분류부에서 상기 입력영상을 상기 궤적의 묶음을 나타내는 문서단위로 분류하고, 확률적 토픽 모델인 온라인 학습방법으로 각 문서를 구성하는 토픽들의 히스토그램 분포를 표시하는 다항분포 파라미터 확률벡터 값을 추론하여, 상기 각 문서 내에서 토픽별로 궤적들의 위치를 클러스터링하는 단계;및시공간연관관계추론부에서 추론된 상기 다항분포 파라미터 확률벡터값을 기초로 시공간연관관계를 추론하는 단계;움직임패턴온라인학습부에서 상기 파악된 토픽별로 영역, 속도 및 방향을 학습하여, 파악된 토픽 간의 시공간적 연관관계를 추론하여 움직임패턴을 학습하는 단계;를 포함하고, 상기 궤적은 단어의 집합 및 벡터차의 집합으로 표현되고, 상기 단어들의 집합은 상기 입력영상 내에서 상기 각 궤적이 지나는 격자점 위치를 표시하는 단어들의 집합을 나타내는 것을 특징으로 하는 비정상 움직임 탐지 방법
|