KR101064114B1 - 패턴인식을 통한 출입통제시스템 - Google Patents
패턴인식을 통한 출입통제시스템 Download PDFInfo
- Publication number
- KR101064114B1 KR101064114B1 KR1020100012628A KR20100012628A KR101064114B1 KR 101064114 B1 KR101064114 B1 KR 101064114B1 KR 1020100012628 A KR1020100012628 A KR 1020100012628A KR 20100012628 A KR20100012628 A KR 20100012628A KR 101064114 B1 KR101064114 B1 KR 101064114B1
- Authority
- KR
- South Korea
- Prior art keywords
- pattern
- unit
- access control
- feature
- learning
- Prior art date
Links
- 238000003909 pattern recognition Methods 0.000 title claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 27
- 230000001537 neural effect Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 9
- 230000010365 information processing Effects 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 210000000887 face Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 238000001757 thermogravimetry curve Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템은, 하나 이상의 객체를 포함하는 화상데이터를 입력받는 입력부; 상기 입력부로부터 입력된 화상데이터에 대해 전처리를 수행하는 전처리부; 상기 전처리부에서 처리된 데이터로부터 객체 인식에 필요한 특징을 추출하는 특징 추출부; 상기 특징 추출부에서 추출한 특징을 이용하여 패턴을 학습하는 패턴 학습부; 상기 패턴 학습부에서 학습된 패턴을 저장하는 패턴 데이터베이스; 상기 패턴 데이터베이스에 저장된 패턴을 이용하여 상기 특징 추출부에서 추출한 특징에 대해 패턴을 인식하는 패턴 인식부; 및 상기 패턴 인식부에서 인식된 결과에 의거하여 상기 객체의 출입여부를 판단하는 객체 판별부를 포함한다.
Description
본 발명은 패턴인식을 통한 출입통제시스템에 관한 것으로, 더욱 상세하게는 출입이 허가된 사람들로부터 미리 저장해 둔 패턴과 대조하여 어떤 사람이 어떤 장소의 출입이 허가되는지 알려주는 출입통제시스템에 있어서 패턴의 분류를 입력 자극(pattern )에 대한 처리 단위(neuron)로 이루어진 망의 응답 과정으로 행하는 신경망(neural net) 접근법에 기반한 패턴인식을 활용하여 출입자 인증의 정확도를 높일 수 있는 출입통제시스템에 관한 것이다.
전자 산업의 발전과 컴퓨터 및 주변 기기의 발전에 힘입어 연구소 혹은 은행 등과 같은 공공 기관에서는 점차 소수의 경비원만으로 운영 가능한 24시간 감시 체제인 전자 감시 체제가 도입되고 있으며, 이러한 전자 감시 체제의 일예로서 얼굴 인증 시스템을 들 수 있다.
얼굴 인증 시스템에서 일반적으로 사용되고 있는 얼굴 인식 방법에는 다음과 같은 방법들이 있다.
첫 번째로, 국소 특징 분석 방법이 있다. 국소 특징 분석 방법은 주성분 분석을 얼굴 인식에 적용하여 고유 얼굴을 제작한다. 얼굴의 집합은 소수의 전역적인 고유 벡터를 이용하여 표현되며, 그 입력 집합에서 주요 변화들을 코드화하며 이것을 이용하여 고유 얼굴과 평균 얼굴을 제작한다.
주어진 고유 얼굴에서 각 얼굴은 가중치의 벡터로 구성된다. 가중치는 이미지를 내적 연산을 통해 고유 얼굴 평면으로 투영함으로써 얻어진다. 얼굴 인식은 데이터베이스에 기록된 이미지와의 비교에 의해서 가중치가 가장 가까운 것이 선택된다.
이 방법을 사용하면 조명, 방향, 크기의 영향도 극복할 수 있다. 하지만, 이러한 방법에서는 이미지를 전체적으로 처리하기 때문에 크고 복잡한 데이터 집합을 처리할 때 생기는 문제점을 극복하지 못한다. 그럼에도 불구하고, 이 방법은 현재 많이 연구되고 있으며, 성별 및 인종 인식에 적용하기 위한 시도가 계속되고 있다.
두 번째로, 국부 특징 분석 방법이 있다. 이는 고유 얼굴 방법에서 유도되었는데, 고유 얼굴 방법에서의 문제점인 얼굴 표정의 변화, 조명이나 자세 등의 변화 때문에 나타나는 문제점을 해결하고자 제안되었다. 이 방법은 얼굴의 전역적인 표현에 의존하는 대신 각 개인의 특징을 이용한다. 이 과정은 사진들의 데이터베이스를 모으고 그들로부터 고유 얼굴을 추출하면서 시작한다.
국부 특징 분석 방법을 적용한 시스템은 다른 얼굴들과 가장 큰 차이점을 나타내는 각 얼굴에서의 특징들이나 블록을 모은다. 주어진 얼굴은 32개에서 50개 정도의 블록으로 나타내어지고 가장 특징적인 점들은 코, 눈썹, 입 등이다.
얼굴 인식을 수행하기 위해서 컴퓨터에는 인증받기 위한 사람의 이미지가 저장되어 있어야 하고, 각 개인이 다른 사람과 가장 다르게 구분되는 점들의 패턴을 측정해야 한다. 그 다음 무작위로 혹은 고유 얼굴 평균에 기반을 둔 패턴을 시스템은 만들기 시작한다.
각 선택에 대해 얼굴 이미지를 만들고 인식을 하고자 하는 목표 얼굴과 비교한다. 그리고 목표와 매치되는 얼굴 이미지가 생성될 때까지 새로운 패턴이 생성된다. 매치되는 것이 있을 때 컴퓨터는 사용자와 매치되는 패턴에 대한 데이터베이스를 확인하게 된다.
세 번째로, 얼굴의 온도 분포를 나타낸 써모그램을 이용한 인식 방법이다. 이 방법은 개인의 얼굴에 나타나는 온도 분포의 차이점을 식별 프로세스에 이용한다. 개인은 주요 혈관의 위치, 뼈 구조의 두께, 세포 조직의 양, 근육과 지방의 분포 등 9가지의 요소에 따라 각기 다른 양의 열을 방출한다.
써멀 페이스는 개인마다 독특하다. 심지어 쌍둥이도 얼굴의 온도 분포가 다르게 나타난다. 하지만, 동일인에게 있어서는 긴장 상태나 나이에 관계없이 일정하며, 변장 등에도 동일하게 유지된다. 이러한 특징은 특정인을 인식하는데 더 없이 좋은 특징으로 작용하게 된다. 현재 상품화되어 있는 적외선 카메라를 통해 써모그램을 얻을 수 있다.
인간의 얼굴 온도 분포에 미치는 굉장히 많은 양의 요인과 변화 특성들은 각각의 개인들에게 거의 무한대에 가까운 다양성을 지니게 한다. 상용화된 방법에서는 19000개의 포인트들을 인식에 사용한다. 이 방법은 우선 개인의 써멀 이미지를 적외선 카메라를 통해 촬영하여 인식 시스템에 저장하여 놓는다.
이러한 이미지는 개인 식별 번호에 등록된다. 따라서, 얼굴 인증시 적외선 카메라로 써멀 이미지를 찍어 이것을 데이터베이스에 등록된 이미지와 비교하여 두 이미지가 동일할 경우 동일인으로 인식한다.
네 번째로, 템플릿 매칭 방법이다. 앞서 언급된 기하학적 특징에 기초한 방법들이 높은 인식 속도, 적은 메모리 사용 등의 장점을 가지고 있지만, 이들 방법은 템플릿 매칭 방법 보다 더 나쁘다는 결론을 수많은 실험을 통하여 증빙하고 있다. 하지만, 템플릿 매칭 방법은 단지 질의 이미지가 훈련 이미지와 같은 크기, 같은 방향, 같은 조명하에 있을 때에만 효율적이라는 단점이 있다.
기존 CCTV 카메라 시스템이 사건 발생 후 증거 자료 또는 범죄 발생 후 용의자 추적의 단서 제공을 하거나 범죄 동기를 저하시키는데 그 역할이 제한되어 왔다는 의견에는 그다지 논쟁의 여지가 없어 보인다. 이는 CCTV의 카메라와 비디오 시스템이 단지 저장 및 검색의 용도로만 사용되었고 단면적인 영상 촬영으로 보다 종합적인 사태 및 상황 파악에 제한이 있었기 때문이다. 이러한 CCTV의 한계를 극복할 수 있는 보다 능동적인 출입통제시스템에 대한 연구 및 개발 활동이 요구되고 있는 실정이다.
본 발명은 상기와 같은 종래 기술을 개선하기 위해 안출된 것으로서, 입력 상태, 즉, 인식하려고 시도하는 패턴을 출력 상태, 즉, 인식하도록 훈련된 패턴으로 매핑하는데 매우 유용한 신경망을 활용하여 신분 확인 및 출입 통제를 보다 효과적으로 수행하는 패턴인식을 통한 출입통제시스템을 제공하는 것을 목적으로 한다.
상기의 목적을 이루고 종래기술의 문제점을 해결하기 위하여, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템은, 하나 이상의 객체를 포함하는 화상데이터를 입력받는 입력부; 상기 입력부로부터 입력된 화상데이터에 대해 전처리를 수행하는 전처리부; 상기 전처리부에서 처리된 데이터로부터 객체 인식에 필요한 특징을 추출하는 특징 추출부; 상기 특징 추출부에서 추출한 특징을 이용하여 패턴을 학습하는 패턴 학습부; 상기 패턴 학습부에서 학습된 패턴을 저장하는 패턴 데이터베이스; 상기 패턴 데이터베이스에 저장된 패턴을 이용하여 상기 특징 추출부에서 추출한 특징에 대해 패턴을 인식하는 패턴 인식부; 및 상기 패턴 인식부에서 인식된 결과에 의거하여 상기 객체의 출입여부를 판단하는 객체 판별부를 포함한다.
또한, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템에서 상기 입력부는 건물 내외부의 감시 구역마다 설치되어 그 구역 내의 영상을 촬영하는 다수의 CCTV 카메라로부터 상기 화상데이터를 획득하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템에서 상기 전처리부는 상기 입력부로부터 입력된 화상데이터에 대해 이진화, 세션화, 및 잡음제거 중 어느 하나 이상의 전처리를 수행하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템에서 상기 패턴 학습부는 신경망(neural net)을 기반으로 한 패턴 학습을 수행하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템은 상기 출입통제시스템에서 접수된 각종의 정보를 네트워킹을 통해 제공받고 이를 토대로 상기 출입통제시스템을 중앙 집중식으로 관리하는 중앙 집중식 서버를 포함하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템은, 입력부로부터 입력된 학습 자료에 대해 신경망(neural net)을 이용하여 패턴을 학습하는 패턴학습 단계; 및 상기 입력부로부터 입력된 질의 자료에 대해 특징을 추출하여 패턴을 인식하고 인식 결과에 의거하여 객체의 출입여부를 판단하는 패턴인식 단계를 포함한다.
또한, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템에서 상기 패턴학습 단계는, 상기 입력부를 통해 상기 학습 자료를 입력받는 단계; 상기 입력된 학습 자료에 대해 이진화, 세션화, 및 잡음제거 중 어느 하나 이상의 전처리를 수행하는 단계; 상기 전처리가 수행된 데이터에서 객체 인식에 필요한 특징을 추출하는 단계; 상기 추출된 특징에 대해 신경망을 이용하여 패턴을 학습하는 단계; 및 상기 학습된 패턴을 패턴 데이터베이스에 저장하는 단계를 포함하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템에서 상기 패턴인식 단계는, 상기 입력부를 통해 상기 질의 자료를 입력받는 단계; 상기 입력된 질의 자료에 대해 이진화, 세션화, 및 잡음제거 중 어느 하나 이상의 전처리를 수행하는 단계; 상기 전처리가 수행된 데이터에서 객체 인식에 필요한 특징을 추출하는 단계; 상기 학습된 패턴을 토대로 상기 질의 자료의 패턴을 인식하는 단계; 및 상기 인식 결과에 의거하여 상기 객체의 출입여부를 결정하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템에 따르면, 인공 지능의 대표적 알고리즘인 신경 회로망을 이용하여 인간 두뇌와 같이 패턴을 인식함으로써 객체를 보다 정확히 인식할 수 있도록 하고, 더 나아가 범죄 예방과 범인 검거에 활용 가능케 하는 효과를 얻을 수 있다.
도 1은 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템의 구성을 도시한 구성도.
도 2는 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템의 흐름을 도시한 순서도.
도 3은 본 발명의 일실시예에 따른 패턴학습 단계의 흐름을 도시한 순서도.
도 4는 본 발명의 일실시예에 따른 패턴인식 단계의 흐름을 도시한 순서도.
도 2는 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템의 흐름을 도시한 순서도.
도 3은 본 발명의 일실시예에 따른 패턴학습 단계의 흐름을 도시한 순서도.
도 4는 본 발명의 일실시예에 따른 패턴인식 단계의 흐름을 도시한 순서도.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다.
도 1은 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템의 구성을 도시한 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템은 입력부(110), 전처리부(120), 특징 추출부(130), 패턴 학습부(140), 패턴 데이터베이스(150), 패턴 인식부(160), 및 객체 판별부(170)를 포함한다.
본 발명의 일실시예에 따른 입력부(110)는 하나 이상의 객체를 포함하는 화상데이터를 입력받는다. 입력부(110)는 건물 내외부의 감시 구역마다 설치되어 그 구역 내의 영상을 촬영하는 다수의 CCTV 카메라로부터 상기 화상데이터를 획득할 수 있다.
건물 내로 진입하는 출입구 곳곳에 출입자의 신원 파악을 위해 CCTV가 설치될 수 있다. 이에, 상기 화상데이터는 출입구로 진입하는 하나 이상의 객체를 포함할 수 있다. 여기서, 객체는 출입구로 진입하는 출입자를 포함한다.
또한, 본 발명의 일실시예에 따른 전처리부(120)는 입력부(110)로부터 입력된 화상데이터에 대해 전처리를 수행한다. 전처리부(120)는 입력부(110)로부터 입력된 화상데이터에 대해 이진화, 세션화, 및 잡음제거 중 어느 하나 이상의 전처리를 수행한다.
예를 들어, 전처리부(120)는 임계치에 의한 이진화 기법을 이용하여 상기 화상데이터의 이진화를 수행하도록 구현될 수 있다. 또한, 전처리부(120)는 상기 화상데이터의 왜곡이나 노이즈에 의한 장애요소를 제거하기 위한 전처리를 수행할 수 있다.
또한, 본 발명의 일실시예에 따른 특징 추출부(130)는 전처리부(120)에서 처리된 데이터로부터 객체 인식에 필요한 특징을 추출한다. 또한, 본 발명의 일실시예에 따른 패턴 학습부(140)는 특징 추출부(130)에서 추출한 특징을 이용하여 패턴을 학습한다. 패턴 학습부(140)는 신경망(neural net)을 기반으로 한 패턴 학습을 수행한다.
신경망 모델은 뉴런의 상호 연결을 통해서 많은 추상적인 문제들을 해결하는 모델이므로 신경망은 학습이 가능하며, 추상적인 표현을 함축하는 기능을 가지고 있기 때문에, 얼굴 인식에 많이 활용되고 있다.
현재 다층 퍼셉트론이 많이 사용되고 있으며, 이는 입력층, 은닉층, 출력층이 네트워크로 연결되어 있고, 은닉층에서 복잡한 얼굴 표현이 추상화되어 압축 저장되도록 하였다. 즉, 신경망의 방법은 학습에 의해서 구성된다.
신경망 이론은 생물학적인 신경계의 구조에서 영감을 얻어 만들어진 정보 처리 체계로서, 인간의 기억이 신경망으로 구성되어 있고, 기억 내용들이 노드 사이의 연결 강도로 저장된다는 이론이다.
신경망은 기본적으로 정보처리 요소와 연접경로로 구성된다. 정보처리 요소는 정보 전송로인 지향성 링크에 의하여 서로 병렬로 연결되어 있다. 정보는 하나의 단위 내에서만 저장되는 것이 아니라 여러 신경 단위 내에 동시에 저장된다.
정보처리 요소는 뇌의 뉴론을 모형화한 것이고 연접경로는 뇌의 시냅스를 모형화한 것이다. 연접경로는 두 개의 뉴런을 쌍으로 연결하고 있으며 각각의 연결 강도가 다르다.
하나의 뉴런은 다른 많은 뉴런으로부터 정보를 받고, 이 정보를 다른 뉴런에게 전달한다. 정보가 전달되기 위해서는 시냅스가 여러 개의 뉴런에게 출력신호를 보내게 된다. 각각의 출력신호는 또 다른 뉴런에게 입력신호가 된다.
신경망 이론에서의 신경망은 연상 기능, 최접근 자료의 인출 기능, 비상 안전 기능 등의 다양한 기능을 수행한다. 신경망 이론은 정보처리 이론이 가지고 있는 문제점을 해결하고 보다 인간의 인지처리에 접근한 모형이다.
정보처리 이론이 기계론적인 절차에 바탕을 두고 있는 이론이라면 신경망 이론은 인간의 뇌구조에 바탕을 두고 있다. 또한, 정보처리 이론이 순차적이고 일방향적이라면 신경망 이론은 비순차적이고 양방향적이다.
또한, 본 발명의 일실시예에 따른 패턴 데이터베이스(150)는 패턴 학습부(140)에서 학습된 패턴을 저장한다. 또한, 본 발명의 일실시예에 따른 패턴 인식부(160)는 패턴 데이터베이스(150)에 저장된 패턴을 이용하여 특징 추출부(130)에서 추출한 특징에 대해 패턴을 인식한다. 또한, 본 발명의 일실시예에 따른 객체 판별부(170)는 패턴 인식부(160)에서 인식된 결과에 의거하여 상기 객체의 출입여부를 판단한다.
종래에는 입력 정보를 바탕으로 특정인에 대한 신원을 확인할 수 있었으나 본 발명에 따르면 머리 모양을 바꾸고 안경을 착용하는 등의 외적 정보가 변경된 경우에도 신경망을 기반으로 한 패턴 학습을 통해 보다 정확하게 출입자에 대한 신원 확인과 통제 구역에 대한 권한별 개폐시설의 제어를 수행할 수 있다.
본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템은 상기 출입통제시스템에서 접수된 각종의 정보를 네트워킹을 통해 제공받고 이를 토대로 상기 출입통제시스템을 중앙 집중식으로 관리하는 중앙 집중식 서버를 포함하도록 구현될 수 있다.
본 발명의 일실시예에 따른 다수 개의 출입통제서비스를 통합하여 관리하는 중앙 집중식 서버는 네트워킹을 통해 제공받은 각종의 정보를 분석하여 상기 다수 개의 출입통제서비스 중 상기 정보에 대한 관련 서비스를 선택하고 상기 관련 서비스에 대한 관제 처리를 수행할 수 있다.
즉, 상기 중앙 집중식 서버는 상기 다수 개의 출입통제서비스를 제공하는 다양한 집합을 통합적으로 제어할 수 있다. 이러한 경우, 각 출입통제서비스 간의 긴밀한 상호 연동을 통해 이상 상태 발생으로 인해 파급될 수 있는 문제점을 보다 신속하게 처리할 수 있다.
도 2는 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템의 흐름을 도시한 순서도이다.
도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템은 입력부(110)로부터 입력된 학습 자료에 대해 신경망(neural net)을 이용하여 패턴을 학습하는 패턴학습 단계; 및 입력부(110)로부터 입력된 질의 자료에 대해 특징을 추출하여 패턴을 인식하고 인식 결과에 의거하여 객체의 출입여부를 판단하는 패턴인식 단계를 포함하여 수행하는 것을 특징으로 한다.
즉, 본 발명의 일실시예에 따른 패턴인식을 통한 출입통제시스템은 기본 데이터를 학습하는 단계 및 실제 이것을 이용하여 객체를 인식하는 단계로 분류할 수 있다.
도 3은 본 발명의 일실시예에 따른 패턴학습 단계의 흐름을 도시한 순서도이다.
도 3에 도시된 바와 같이, 패턴학습 단계는 입력부(110)를 통해 상기 학습 자료를 입력받는 단계; 상기 입력된 학습 자료에 대해 이진화, 세션화, 및 잡음제거 중 어느 하나 이상의 전처리를 수행하는 단계; 상기 전처리가 수행된 데이터에서 객체 인식에 필요한 특징을 추출하는 단계; 상기 추출된 특징에 대해 신경망을 이용하여 패턴을 학습하는 단계; 및 상기 학습된 패턴을 패턴 데이터베이스(150)에 저장하는 단계를 포함하여 수행하는 것을 특징으로 한다.
상기 학습된 패턴은 출입자에 대한 인증정보로서 사용될 수 있다.
도 4는 본 발명의 일실시예에 따른 패턴인식 단계의 흐름을 도시한 순서도이다.
도 4에 도시된 바와 같이, 패턴인식 단계는 입력부(110)를 통해 상기 질의 자료를 입력받는 단계; 상기 입력된 질의 자료에 대해 이진화, 세션화, 및 잡음제거 중 어느 하나 이상의 전처리를 수행하는 단계; 상기 전처리가 수행된 데이터에서 객체 인식에 필요한 특징을 추출하는 단계; 상기 학습된 패턴을 토대로 상기 질의 자료의 패턴을 인식하는 단계; 및 상기 인식 결과에 의거하여 상기 객체의 출입여부를 결정하는 단계를 포함하여 수행하는 것을 특징으로 한다.
상술한 바와 같이, 본 발명의 일실시예에 따른 입력부(110)는 객체 인식에 필요한 학습 자료 및 질의 자료를 입력받는다. 또한, 본 발명의 일실시예에 따른 전처리부(120)는 입력부(110)로부터 입력된 학습 자료 및 질의 자료에 대해 이진화, 세션화, 및 잡음제거 중 어느 하나 이상의 전처리를 수행한다.
상기와 같이 본 발명에 따르면, 인공 지능의 대표적 알고리즘인 신경 회로망을 이용하여 인간 두뇌와 같이 패턴을 인식함으로써 객체를 보다 정확히 인식할 수 있도록 하고, 더 나아가 범죄 예방과 범인 검거에 활용 가능케 하는 효과를 얻을 수 있다.
또한, 본 발명에 따른 패턴인식을 통한 출입통제방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.
Claims (9)
- 객체의 신원을 확인하여 복수개 개폐시설의 출입을 제어하는 출입통제시스템에 있어서,
씨씨티브이(CCTV, closed circuit television) 카메라를 통해 상기 개폐시설로 진입하는 하나 이상의 객체를 포함하는 화상데이터를 입력받는 입력부;
상기 입력부로부터 입력된 화상데이터에 대해 이진화, 세션화, 및 잡음제거 중 어느 하나 이상의 전처리를 수행하는 전처리부;
상기 전처리부에서 처리된 데이터로부터 객체 인식에 필요한 특징을 추출하는 특징 추출부;
상기 특징 추출부에서 추출한 특징을 이용하여 연상 기능, 최접근 자료의 인출 기능, 및 비상 안전 기능을 포함하는 신경망(neural net)을 기반으로 한 패턴 학습을 수행하는 패턴 학습부;
상기 패턴 학습부에서 학습된 패턴을 저장하는 패턴 데이터베이스;
상기 패턴 데이터베이스에 저장된 패턴을 이용하여 상기 특징 추출부에서 추출한 특징에 대해 패턴을 인식하는 패턴 인식부;
상기 패턴 인식부에서 인식된 결과 및 상기 복수개 개폐시설에 대한 각각의 출입권한 정보에 의거하여 상기 객체의 출입여부를 판단하는 객체 판별부; 및
상기 객체 판별부로부터 제공된 객체 출입여부 정보를 포함하여 접수된 정보를 네트워킹을 통해 제공받고, 상기 출입통제시스템을 중앙 집중식으로 관리하는 중앙 집중식 서버; 를 포함하되,
상기 입력부는 특정 객체에 대한 화상데이터의 질의 자료 및 상기 패턴 데이터베이스와 연동되어 인식된 패턴의 학습 자료를 입력하는 것을 특징으로 하는 패턴인식을 통한 출입통제시스템. - 삭제
- 삭제
- 삭제
- 삭제
- 상기 제1항에 의한 패턴인식을 통한 출입통제시스템의 출입통제방법에 있어서,
입력부로부터 입력된 학습 자료에 대해 신경망(neural net)을 이용하여 패턴을 학습하는 패턴학습 단계; 및
상기 입력부로부터 입력된 질의 자료에 대해 특징을 추출하여 패턴을 인식하고 인식 결과에 의거하여 객체의 출입여부를 판단하는 패턴인식 단계;
를 포함하는 패턴인식을 통한 출입통제방법. - 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100012628A KR101064114B1 (ko) | 2010-02-11 | 2010-02-11 | 패턴인식을 통한 출입통제시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100012628A KR101064114B1 (ko) | 2010-02-11 | 2010-02-11 | 패턴인식을 통한 출입통제시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20110092923A KR20110092923A (ko) | 2011-08-18 |
| KR101064114B1 true KR101064114B1 (ko) | 2011-09-15 |
Family
ID=44929697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020100012628A KR101064114B1 (ko) | 2010-02-11 | 2010-02-11 | 패턴인식을 통한 출입통제시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101064114B1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102006933B1 (ko) * | 2017-09-27 | 2019-10-01 | 최유강 | 출입문용 감시 시스템 및 이의 동작 방법 |
| KR102093805B1 (ko) * | 2019-08-30 | 2020-03-26 | 김동관 | 건설현장 근로자 얼굴과 특수라벨 번호 분석 모듈을 이용한 운영플랫폼 |
| KR102619956B1 (ko) * | 2021-11-10 | 2024-01-02 | 주식회사 유엑스팩토리 | ToF 센서를 이용한 자동 개폐 안전 시스템 및 이의 제어방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010008715A (ko) * | 1999-07-02 | 2001-02-05 | 학교법인 인하학원 | 다-차원 신경 회로망을 이용한 얼굴 검출 방법 및 그 장치 |
| JP2003067744A (ja) * | 2001-08-24 | 2003-03-07 | Toshiba Corp | 個人認証装置および個人認証方法 |
| KR200321644Y1 (ko) | 2003-04-28 | 2003-07-31 | 이상호 | 실시간 얼굴 인식을 통한 출입통제 및 방문자 기록 시스템 |
| KR20070119105A (ko) * | 2006-06-14 | 2007-12-20 | 주식회사 사람과사람들 | 기계학습을 이용한 얼굴인식 장치 및 그 방법 |
-
2010
- 2010-02-11 KR KR1020100012628A patent/KR101064114B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010008715A (ko) * | 1999-07-02 | 2001-02-05 | 학교법인 인하학원 | 다-차원 신경 회로망을 이용한 얼굴 검출 방법 및 그 장치 |
| JP2003067744A (ja) * | 2001-08-24 | 2003-03-07 | Toshiba Corp | 個人認証装置および個人認証方法 |
| KR200321644Y1 (ko) | 2003-04-28 | 2003-07-31 | 이상호 | 실시간 얼굴 인식을 통한 출입통제 및 방문자 기록 시스템 |
| KR20070119105A (ko) * | 2006-06-14 | 2007-12-20 | 주식회사 사람과사람들 | 기계학습을 이용한 얼굴인식 장치 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20110092923A (ko) | 2011-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Doshi et al. | Online anomaly detection in surveillance videos with asymptotic bound on false alarm rate | |
| Chackravarthy et al. | Intelligent crime anomaly detection in smart cities using deep learning | |
| Gowsikhaa et al. | Suspicious Human Activity Detection from Surveillance Videos. | |
| CN106919921B (zh) | 结合子空间学习与张量神经网络的步态识别方法及系统 | |
| CN108898093A (zh) | 一种人脸识别方法及应用该方法的电子病历登陆系统 | |
| Hao et al. | An end-to-end human abnormal behavior recognition framework for crowds with mentally disordered individuals | |
| KR20210062256A (ko) | 행동 시퀀스 기반으로 이상행동 여부를 판단하는 방법, 프로그램 및 시스템 | |
| Dung et al. | Algorithm for fire detection using a camera surveillance system | |
| CN111754669A (zh) | 一种基于人脸识别技术的高校学生管理系统 | |
| Jafri et al. | Face Recognition using Deep Neural Network with" LivenessNet" | |
| CN110069965A (zh) | 一种机器人身份识别方法 | |
| Alrahawe et al. | A biometric technology‐based framework for tackling and preventing crimes | |
| Szwoch et al. | Eye blink based detection of liveness in biometric authentication systems using conditional random fields | |
| CN117975533A (zh) | 基于人脸轮廓线的视频身份识别方法及系统 | |
| KR101064114B1 (ko) | 패턴인식을 통한 출입통제시스템 | |
| Fernando et al. | Face recognition system using deep neural network with convolutional neural networks | |
| Byeon et al. | A surveillance system using CNN for face recognition with object, human and face detection | |
| Jang et al. | Detection of dangerous situations using deep learning model with relational inference | |
| Manssor et al. | TIRFaceNet: thermal IR facial recognition | |
| Saranya et al. | Computer vision on identifying persons under real time surveillance using IOT | |
| Pai et al. | Face recognition using convolutional neural networks | |
| Kanthaseelan et al. | CCTV intelligent surveillance on intruder detection | |
| Dolgov et al. | Intelligent access control systems | |
| Xu et al. | Trajectory is not enough: Hidden following detection | |
| El Gemayel et al. | Automated face detection and control system using computer vision based video analytics to avoid the spreading of Covid-19 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20100211 |
|
| PA0201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20110429 Patent event code: PE09021S01D |
|
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20110831 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20110905 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20110905 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| FPAY | Annual fee payment |
Payment date: 20150828 Year of fee payment: 5 |
|
| PR1001 | Payment of annual fee |
Payment date: 20150828 Start annual number: 5 End annual number: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20160831 Year of fee payment: 6 |
|
| PR1001 | Payment of annual fee |
Payment date: 20160831 Start annual number: 6 End annual number: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20170831 Year of fee payment: 7 |
|
| PR1001 | Payment of annual fee |
Payment date: 20170831 Start annual number: 7 End annual number: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20180829 Year of fee payment: 8 |
|
| PR1001 | Payment of annual fee |
Payment date: 20180829 Start annual number: 8 End annual number: 8 |
|
| PR1001 | Payment of annual fee |
Payment date: 20210831 Start annual number: 11 End annual number: 11 |
|
| PR1001 | Payment of annual fee |
Payment date: 20220831 Start annual number: 12 End annual number: 12 |
|
| PR1001 | Payment of annual fee |
Payment date: 20240904 Start annual number: 14 End annual number: 14 |