| 1 |
1
교통사고 예측 시스템에 있어서, 실시간 영상을 획득하는 영상촬영부; 상기 획득된 영상으로부터 객체를 탐지하고, 탐지된 객체로부터 객체정보를 추출하는 객체정보 추출부; 및 상기 추출한 객체정보로부터 객체의 미래 위치와 크기를 예측하고, 예측된 객체의 미래 위치와 크기에 기반하여 사고 가능성을 예측하는 교통사고 예측부를 포함하는, 교통사고 예측 시스템
|
| 2 |
2
제1항에 있어서, 상기 객체정보 추출부는, 상기 실시간으로 획득한 영상에서 차량이나 보행자를 탐지하는 객체탐지부; 및 상기 탐지된 객체의 움직임 정보를 추출하는 객체의 움직임 정보 추출부를 포함하는, 교통사고 예측 시스템
|
| 3 |
3
제2항에 있어서, 상기 객체탐지부는, 상기 실시간으로 획득한 영상을 객체 탐지 딥러닝 모델에 입력하여, 상기 실시간으로 획득한 객체 관련 영상으로부터 적어도 하나의 객체, 객체 식별자 및 객체 표시 시간 중 적어도 하나를 탐지하고, 상기 탐지된 적어도 하나의 객체를 트래킹(tracking) 알고리즘을 통해 실시간 트래킹(tracking)하는, 교통사고 예측 시스템
|
| 4 |
4
제3항에 있어서, 상기 객체탐지부는, 상기 실시간으로 획득한 영상을 객체 탐지 딥러닝 모델에 입력하여, 상기 실시간으로 획득한 객체 관련 영상으로부터 적어도 하나의 객체, 객체 식별자 및 객체 표시 시간 중 적어도 하나를 탐지하고, 상기 탐지된 적어도 하나의 객체에 각각 대응되는 적어도 하나의 바운딩 박스(bounding box)를 생성하고, 상기 탐지된 적어도 하나의 바운딩 박스(bounding box)를 트래킹(tracking) 알고리즘을 통해 실시간 트래킹(tracking)하는, 교통사고 예측 시스템
|
| 5 |
5
제2항에 있어서, 상기 객체 움직임 정보 추출부는, 상기 생성된 바운딩 박스(bounding box)의 좌표가 시계열적으로 변화하는 변화량 정보를 이용하여 움직임 정보를 추출하는, 교통사고 예측 시스템
|
| 6 |
6
제2항에 있어서, 상기 교통사고 예측부는, 상기 추출한 객체정보를 순환신경망(Recurrent neural network; RNN)모델에 입력하여 나온 결과값을 이용하여 객체의 미래 위치 및 크기를 예측하는 객체 미래 위치 및 크기 예측부; 및 상기 예측된 객체의 미래 위치 및 크기를 사고 가능성 예측 모델에 입력하여 나온 결과값을 통해 미래의 사고 가능성을 예측하는 사고 가능성 예측부를 포함하는, 교통사고 예측 시스템
|
| 7 |
7
제6항에 있어서, 상기 사고 가능성 예측부는, 사전에 라벨링된 데이터를 이용하여 실시간 영상에서 각각의 객체들의 스코어를 추출하고, 추출된 스코어가 기설정된 임계값을 초과하는지 여부로 미래의 사고의 가능성을 예측하는, 교통사고 예측 시스템
|
| 8 |
8
교통사고 예측 방법에 있어서, 실시간 영상을 획득하는 영상촬영단계; 상기 획득된 영상으로부터 객체를 탐지하고, 탐지된 객체로부터 객체정보를 추출하는 객체정보 추출단계; 및 상기 추출한 객체정보로부터 객체의 미래 위치를 예측하고, 예측된 객체의 미래 위치에 기반하여 사고 가능성을 예측하는 교통사고 예측단계를 포함하는, 교통사고 예측 방법
|
| 9 |
9
제8항에 있어서, 상기 객체정보 추출단계는, 상기 실시간으로 획득한 영상에서 차량이나 보행자를 탐지하는 객체탐지단계; 및 상기 탐지된 객체의 움직임 정보를 추출하는 단계를 포함하는, 교통사고 예측 방법
|
| 10 |
10
제9항에 있어서, 상기 객체탐지단계는, 상기 실시간으로 획득한 영상을 객체 탐지 딥러닝 모델에 입력하여, 상기 실시간으로 획득한 영상으로부터 적어도 하나의 객체, 객체 식별자 및 객체 표시 시간 중 적어도 하나를 탐지하고, 상기 탐지된 적어도 하나의 객체를 트래킹(tracking) 알고리즘을 통해 실시간 트래킹(tracking)하는 단계인, 교통사고 예측 방법
|
| 11 |
11
제10항에 있어서, 상기 객체탐지단계는, 상기 실시간으로 획득한 영상을 객체 탐지 딥러닝 모델에 입력하여, 상기 실시간으로 획득한 객체 관련 영상으로부터 적어도 하나의 객체, 객체 식별자 및 객체 표시 시간 중 적어도 하나를 탐지하고, 상기 탐지된 적어도 하나의 객체에 각각 대응되는 적어도 하나의 바운딩 박스(bounding box)를 생성하고, 상기 생성된 적어도 하나의 바운딩 박스(bounding box)를 트래킹(tracking) 알고리즘을 통해 실시간 트래킹(tracking)하는 단계인, 교통사고 예측 방법
|
| 12 |
12
제11항에 있어서, 상기 객체의 움직임 정보를 추출하는 단계는,상기 생성된 바운딩 박스(bounding box)의 좌표가 시게열적으로 변화하는 변화량 정보를 이용하여 움직임 정보를 추출하는 단계인, 교통사고 예측 방법
|
| 13 |
13
제9항에 있어서, 상기 교통사고예측단계는, 상기 객체정보를 순환신경망(Recurrent neural network; RNN)모델에 입력하여 나온 결과값을 이용하여 객체의 미래 위치 및 크기를 예측하는 객체 미래 위치 및 크기 예측 단계; 및 상기 예측된 객체의 미래 위치 및 크기를 사고 가능성 예측 모델에 입력하여 나온 결과값을 통해 미래의 사고 가능성을 예측하는 사고 가능성 예측단계를 포함하는, 교통사고 예측 방법
|
| 14 |
14
제13항에 있어서, 상기 사고 가능성 예측단계는, 사전에 라벨링된 데이터를 이용하여 실시간 영상에서 각각의 객체들의 스코어를 추출하고, 추출된 스코어가 기설정된 임계값을 초과하는지 여부로 미래의 사고 가능성을 예측하는 단계인, 교통사고 예측 방법
|
