KR101821242B1 - 영상 인식에 기반하여 차량을 계수하는 방법 및 이를 이용한 장치 - Google Patents

Abstract

본 발명은 영상 인식에 기반하여 차량을 계수하는 방법 및 이를 이용한 차량 계수 장치에 관한 것이다. 구체적으로, 본 발명에 따른 컴퓨팅 장치인 차량 계수 장치는, 상기 차량이 출입하는 장소에 대한 촬영 영상을 획득하고, 상기 차량에 대한 기계 학습 모델(machine learning model)에 기초하여 상기 촬영 영상의 입력으로부터 상기 차량의 존재 여부에 관한 확률 정보 및 상기 확률 정보에 대응되는 상기 차량의 치수(dimension) 및 위치(location) 정보를 포함하는 분석 정보를 생성하며, 상기 분석 정보 및 미리 설정된 입출선에 상대적인 상기 차량의 위치에 기초하여, 상기 차량을 계수한다.

Description

영상 인식에 기반하여 차량을 계수하는 방법 및 이를 이용한 장치{METHOD FOR COUNTING VEHICLES BASED ON IMAGE RECOGNITION AND APPARATUS USING THE SAME}

본 발명은 영상 인식에 기반하여 차량을 계수하는 방법 및 이를 이용한 차량 계수 장치에 관한 것이다. 구체적으로, 본 발명에 따른 컴퓨팅 장치인 차량 계수 장치는, 상기 차량이 출입하는 장소에 대한 촬영 영상을 획득하고, 상기 차량에 대한 기계 학습 모델(machine learning model)에 기초하여 상기 촬영 영상의 입력으로부터 상기 차량의 존재 여부에 관한 확률 정보 및 상기 확률 정보에 대응되는 상기 차량의 치수(dimension) 및 위치(location) 정보를 포함하는 분석 정보를 생성하며, 상기 분석 정보 및 미리 설정된 입출선에 상대적인 상기 차량의 위치에 기초하여, 상기 차량을 계수한다.

종래에 이용되던 차량 계수 시스템은 센서에 기반한 차량 계수 시스템인데, 이를 개략적으로 도시한 도 1을 참조하면, 종래의 차량 계수 시스템은 차량의 진입 또는 진출시에 센서(A, B)가 이를 감지하여 계수기를 1씩 증가시켜 그 정보를 라우터(예컨대 RF 모듈)에 전송하며, 그 계수된 정보는 게이트웨이(gateway)를 거쳐 서버에 전송된다. 그러면 서버는 그 전송된 정보를 통하여 입차 또는 출차를 판단 및 처리하게 된다.

이와 같은 센서 기반의 차량 계수 시스템은 차량 진입시에 발생되는 다양한 상황들에 의한 높은 오탐률을 가져, 그 실효성에 관한 문제점이 있다.

예를 들어, 차량이 센서에 의하여 감지되는 입출선을 넘어 진입한 후에 그 차량이 후진하는 경우, 차량이 역주행하여 입출선을 넘어가는 경우, 차량 이외의 물체, 예컨대 리어카, 오토바이 등이 입출선을 지나가는 경우, 차량이 센서 위를 정확하게 통과하지 못한 경우, 차량들이 연속적으로 입출선에 진입하거나 진출하는 경우 등에 그러한 센서에 의한 오탐이 빈번하게 발생하게 된다.

따라서 본 발명에서는 이러한 문제점을 해결하고 센서가 아닌 촬영 영상의 인식을 통하여 보다 정확하게 차량의 계수를 수행할 수 있는 차량 계수 방법 및 이를 이용하는 차량 계수 장치를 제안하고자 한다.

비특허문헌 1: Wei Liu, et al., "SSD: Single Shot MultiBox Detector", ECCV 2016 비특허문헌 2: Henriques, Joao F., et al. "High-speed tracking with kernelized correlation filters." Pattern Analysis and Machine Intelligence, IEEE Transactions on 37.3 (2015): 583-596

본 발명은 상술한 문제점을 해결하기 위하여 CCTV 등에 의한 촬영 영상을 이용하여 신속하고 정확하게 차량의 계수를 할 수 있게 하는 것을 목적으로 한다.

상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.

본 발명의 일 태양에 따르면, 영상 인식에 기반하여 차량을 계수하는 방법이 제공되는바, 그 방법은, (a) 컴퓨팅 장치가, 상기 차량이 출입하는 장소에 대한 촬영 영상을 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계; (b) 상기 컴퓨팅 장치가, 상기 차량에 대한 기계 학습 모델(machine learning model)에 기초하여 상기 촬영 영상의 입력으로부터 상기 차량의 존재 여부에 관한 확률 정보 및 상기 확률 정보에 대응되는 상기 차량의 치수(dimension) 및 위치(location) 정보를 포함하는 분석 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계; 및 (c) 상기 컴퓨팅 장치가, 상기 분석 정보 및 미리 설정된 입출선에 상대적인 상기 차량의 위치에 기초하여, 상기 차량을 계수하거나 상기 타 장치로 하여금 계수하도록 지원하는 단계를 포함한다.

본 발명의 다른 태양에 따르면, 전술한 방법을 수행하도록 구현된 명령어(instructions)를 포함하는 컴퓨터 프로그램도 제공된다.

본 발명의 또 다른 태양에 따르면, 영상 인식에 기반하여 차량을 계수하는 컴퓨팅 장치가 제공되는바, 그 컴퓨팅 장치는, 상기 차량이 출입하는 장소에 대한 촬영 영상을 획득하는 통신부; 및 상기 차량에 대한 기계 학습 모델(machine learning model)에 기초하여 상기 촬영 영상의 입력으로부터 상기 차량의 존재 여부에 관한 확률 정보 및 상기 확률 정보에 대응되는 상기 차량의 치수(dimension) 및 위치(location) 정보를 포함하는 분석 정보를 생성하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 생성하도록 지원하는 프로세서를 포함하되, 상기 프로세서는, 상기 분석 정보 및 미리 설정된 입출선에 상대적인 상기 차량의 위치에 기초하여, 상기 차량을 계수하거나 상기 타 장치로 하여금 계수하도록 지원한다.

본 발명에 의하면, 종래에 높은 오탐률을 보이던 센서 기반의 차량 계수 방법의 문제점을 해결하여 보다 정확하게 차량의 출입을 판정하여 차량을 계수할 수 있는 효과가 있다.

뿐만 아니라, 본 발명에는, 종래에 센서를 이용함으로써 차량에 관한 오탐지의 원인 파악이 어려웠던 것과는 달리, CCTV 등을 통한 촬영 영상의 분석을 통하여 그 오탐지에 대한 개선을 도모할 수 있는 효과도 있다.

본 발명의 실시예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 “통상의 기술자”라 함)에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 종래의 센서 기반의 차량 계수 시스템을 개략적으로 도시한 개념도이다.
도 2는 본 발명에 따른 영상 인식 기반의 차량 계수 시스템을 예시적으로 도시한 개념도이다.
도 3은 본 발명에 따라 영상 인식에 기반하여 차량을 계수하는 방법(이하 "영상 인식 기반 차량 계수 방법"이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 4는 본 발명에 따른 영상 인식 기반의 차량 계수 방법에서 이용되는 기계 학습 모델의 일 예시로서 딥 러닝 모델(deep learning model)을 설명하기 위하여 그 주요 개념을 도시한 도면이다.
도 5는 본 발명에 따른 영상 인식 기반 차량 계수 방법을 예시적으로 나타낸 흐름도이다.
도 6a 및 도 6b는 본 발명에 따라 차량을 계수하는 방법을 수행하는 과정에서 처리되는 촬영 영상들을 예시적으로 나타낸 도면이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.

그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습'은 절차에 따라 기계 학습(machine learning), 예컨대 딥 러닝(deep learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.

그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다.

더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 2는 본 발명에 따른 영상 인식 기반의 차량 계수 시스템을 예시적으로 도시한 개념도이다.

도 2를 참조하면, 본 발명에 따른 영상 인식 기반의 차량 계수 방법을 이용하는 본 발명의 차량 계수 시스템에는, 차량이 출입하는 장소에 대한 촬영 영상을 획득할 수 있는 CCTV 등의 촬영 장치, 및 획득된 촬영 영상으로부터 차량에 관한 분석 정보를 생성함으로써 차량을 계수하는 서버 등의 컴퓨팅 장치가 포함된다. 도 2에 예시적으로 도시된 바와 같이 촬영 장치와 컴퓨팅 장치는 서로 케이블 및 공유기 등에 의하여 연결될 수 있을 것이나, 통상의 기술자는 그 연결 방식에 이와 같은 방식에 한정되지 않는다는 점을 이해할 수 있을 것이다.

다음으로, 도 3은 본 발명에 따른 영상 인식 기반의 차량 계수 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.

도 3을 참조하면, 본 발명의 일 실시예에 따른 컴퓨팅 장치(300)는, 통신부(310) 및 프로세서(320)를 포함하며, 상기 통신부(310)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.

구체적으로, 상기 컴퓨팅 장치(300)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS) 및 스토리지 영역 네트워크(SAN)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 인스트럭션들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.

이와 같은 컴퓨팅 장치의 통신부(310)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP 세션에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP 데이터그램으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(310)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.

또한, 컴퓨팅 장치의 프로세서(320)는 MPU(Micro Processing Unit) 또는 CPU(Central Processing Unit), 캐시 메모리(Cache Memory), 데이터 버스(Data Bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.

도 4는 본 발명에 따른 영상 인식 기반의 차량 계수 방법에서 이용되는 기계 학습 모델의 일 예시로서 딥 러닝 모델(deep learning model)을 설명하기 위하여 그 주요 개념을 도시한 도면이다.

도 4를 참조하면, 기계 학습 모델의 일 예시로서의 딥 러닝(deep learning) 모델은 인공 신경망을 다층으로 쌓은 형태로 간략하게 설명할 수 있다. 즉, 깊은 구조의 네트워크라는 의미로 깊은 신경망 (deep neural network; 딥 뉴럴 네트워크)이라고 표현하며, 도 4에 도시된 바와 같이, 다층의 네트워크로 이루어진 구조에서 다량의 데이터를 학습시킴으로써 각각의 영상의 특징을 자동으로 학습하고, 이를 통하여 목적 함수의 에러(error)를 최소화시키는 방법으로 네트워크를 학습시켜 나아가는 형태이다. 이는, 일견 인간 두뇌의 신경세포 간의 연결로도 표현이 되는바, 이에 따라 인공지능의 대표격으로 자리잡아 가고 있다.

본 발명에서 활용되는 기계 학습 모델의 일 예시인 딥 러닝 모델 중 특히 CNN(convolutional neural network; 합성 신경망)은 영상과 같은 2차원 영상의 분류에 적합한 모델로서, 영상의 각 영역을 복수의 필터를 이용하여 특징 지도(feature map)를 만들어내는 합성층(convolution layer)과 특징 지도의 크기를 줄여 위치나 회전의 변화에 불변하는 특징을 추출할 수 있도록 하는 sub-sampling layer를 반복함으로써 점, 선, 면 등의 저수준의 특징에서부터 복잡하고 의미 있는 고수준의 특징까지 다양한 수준의 특징을 추출할 수 있게 되며, 최종적으로 추출된 특징을 기존 분류 모델의 입력값으로서 이용하면 더 높은 정확도의 분류 모델을 구축할 수 있게 되는 장점이 있다.

본 발명에서 이용되는 여러 CNN 모델 중에서도 괄목할 만한 성능을 보이는 모델 하나는 비특허문헌 1: [Wei Liu, et al., "SSD: Single Shot MultiBox Detector", ECCV 2016]에 개시된 바와 같은 SSD(single shot multibox detector)이다. 이 비특허문헌 1에 따르면, SSD는 단일의 깊은 신경망을 이용하여 영상들로부터 객체(object)들을 검출할 수 있는바, 영상의 일 영역을 둘러싸는 박스들의 출력 공간을 특징 맵의 위치마다 상이한 종횡비 및 축적(scales)에 걸친 디폴트 박스들의 세트로 구분하는 것을 특징으로 한다. 이 SSD는 현존하는 Faster R-CNN 모델을 능가하는 성능을 보이는 것으로 알려져 있다.

하기에서 설명하는 본 발명의 기계 학습 모델은 미리 촬영된 학습용 영상 및 그 학습용 영상의 어떤 부분에 차량이 존재하는지를 표시한 레이블링(labeing) 데이터를 이용하여 학습시킬 수 있는바, 이와 같은 학습을 통하여 본 발명의 기계 학습 모델이 마련된다. 그 기계 학습 모델의 정확도와 신뢰도를 높이기 위하여 다량의 레이블링 데이터가 필요하며, 데이터가 많으면 많을수록 그 정확도 및 신뢰도가 향상될 수 있다.

이제 본 발명에 따른 차량 계수 방법을 도 5를 참조하여 구체적으로 설명하기로 한다. 도 5는 본 발명에 따른 차량 계수 방법을 예시적으로 나타낸 흐름도이다.

도 5를 참조하면, 본 발명에 따른 차량 계수 방법은, 우선, 컴퓨팅 장치(300)의 통신부(310)가, 차량이 출입하는 장소에 대한 촬영 영상을 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계(S510)를 포함한다.

예를 들어, 촬영 영상은 상기 컴퓨팅 장치에 직간접적으로 연결된 촬영 장치로부터 획득될 수 있으며, 그와 같은 촬영 장치는, 예컨대, CCTV 장비일 수 있으나 이에 한정되지 않는바, 통상의 기술자는 상기 컴퓨팅 장치가 상기 차량이 출입하는 장소에 대한 촬영 영상을 획득하는 다양한 방식을 상정할 수 있을 것이다.

다음으로, 도 5를 참조하면, 본 발명에 따른 차량 계수 방법은, 상기 컴퓨팅 장치(300)의 프로세서(320)가, 상기 프로세서(320)에 의하여 구현되는 기계 학습 모듈(미도시)을 통하여, 상기 차량을 식별하기 위한 기계 학습 모델에 기초하여 상기 촬영 영상으로부터 상기 차량의 존재 여부에 관한 확률 정보 및 상기 확률 정보에 대응되는 상기 차량의 치수(dimension) 및 위치(location) 정보를 포함하는 분석 정보를 생성하거나, 상기 통신부(310)를 통하여 연동되는 타 장치로 하여금 상기 분석 정보를 생성하도록 지원하는 단계(S520)를 더 포함한다.

그런데, 상기 촬영 영상의 촬영시 조명의 변화, 크기의 변화, 노이즈의 존재, 흐릿함 등 원시(raw)의 촬영 영상에 있을 수 있는 다양한 요소로 인하여 상기 기계 학습 모델에 의한 차량의 인식 성능이 저하될 수 있는바, 이와 같은 문제점을 해결하기 위하여, 본 발명에 따른 차량 계수 방법은, 상기 단계(S510) 후 단계(S520)의 수행 전에, 상기 컴퓨팅 장치(300)의 프로세서(320)가, 상기 촬영 영상을 전처리하는 단계(S515)를 더 포함할 수 있으며, 예컨대, 상기 전처리는 명암 조정, 노이즈 제거 및 크기 조정 중 적어도 하나를 포함할 수 있다.

다시, 단계(S520)에 관하여 설명하면, 상기 분석 정보에 포함되는 차량이 존재할 확률의 값인 확률 정보는 0에서 1 사이의 값(즉, 0에서 100% 사이의 값)으로서 생성될 수 있으며, 상기 차량의 치수 및 위치 정보는, 상기 촬영 영상 내에서, 상기 차량이 차지하는 가로(x) 및 세로(y)의 위치, 폭(w), 및 높이(h)를 포함하도록 생성될 수 있다.

전술한 바와 같이, 상기 기계 학습 모델은 CNN일 수 있으며, 더 구체적으로는, SSD일 수 있다. 예를 들어, 상기 기계 학습 모델로서 SSD를 이용하는 경우에 SSD는 추가 특징층들(extra feature layers)을 통하여 차량의 예상 좌표(box regression), 즉, 상기 차량의 치수 및 위치 정보와, 차량의 확률값(multiclass probabilities), 즉, 상기 확률 정보를 전달하고, CNN에서 다뤄지는 관심 영역의 특징 결과, 즉 convolution 값을 이들 정보와 함께 출력층(output layer)에 전달함으로써 그 정보를 출력한다.

그런데, 본 발명에서 이용되는 전술한 바와 같은 기계 학습 모델은 차량의 존재 여부를 확률적인 값으로 산출하므로, 차량이 존재하는지 존재하지 않는지를 이분법적으로 판단하기 위한 소정의 문턱값을 설정할 수 있는바, 상기 확률 정보가 상기 소정의 문턱값 이상이면 차량이 존재하는 것으로 판정하고, 그렇지 않으면 차량이 존재하지 않는 것으로 판정하는 것이다.

본 발명자는 대략 35,000 여 장의 영상을 이용하여 학습시킨 SSD를 상기 기계 학습 모델로서 이용하는 경우에 상기 소정의 문턱값을 0.65 내지 0.7 사이의 값으로 설정하면 주간과 야간 모두의 경우에 98% 이상의 정확도로 차량의 존재 여부를 판정할 수 있음을 파악할 수 있었다.

한편, 상기 단계(S520)의 일 실시예에서는, 상기 기계 학습 모델에 기초하여, 실시간 또는 연속적으로 입력되는 상기 촬영 영상의 프레임 별로 상기 분석 정보가 생성될 수 있다.

그런데, 이 실시예에서 상기 기계 학습 모델에 의한 상기 분석 정보의 생성이 완벽하지 않음으로 인하여 촬영 영상의 특정 프레임에 차량이 존재함에도 차량이 존재하지 않는 것으로 판단되거나 프로세싱 성능의 한계로 인하여 촬영 영상의 일부 프레임에 대한 판정이 누락되는 문제점이 생길 수 있는바, 이를 해결할 필요가 있다.

이를 위하여, 이 실시예에서는, 상기 기계 학습 모델에 의한 상기 분석 정보의 생성이 누락된 적어도 하나의 프레임에 관하여는, 소정의 추적기(tracker)를 이용함으로써, 상기 누락 전의 상기 분석 정보인 제1 분석 정보와 상기 누락 후의 상기 분석 정보인 제2 분석 정보를 서로 대응시킴으로써, 상기 누락을 보충하여 모든 프레임에 대한 분석 정보를 생성할 수도 있다.

통상의 기술자는 상기 소정의 추적기의 일 예시로서, 비특허문헌 2: [Henriques, Joao F., et al. "High-speed tracking with kernelized correlation filters." Pattern Analysis and Machine Intelligence, IEEE Transactions on 37.3 (2015): 583-596]에 개시된 KCF(kernerlized correlation filters)를 이용할 수도 있다.

상기 추적기에 관한 구체적인 일 실시예에서, 상기 단계(S520)는, 상기 분석 정보의 생성이 누락되는 프레임에 관하여, 상기 컴퓨팅 장치가, 상기 제1 분석 정보에 포함된 차량 각각에 대하여 식별자(identifier)를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계(S522; 미도시); 상기 컴퓨팅 장치가, 상기 식별자 각각에 대응되는 영상 정보를 상기 추적기에 제공함으로써, 상기 추적기를 통하여 상기 식별자 각각에 해당하는 차량의 다음 위치 정보를 획득하거나 상기 타 장치로 하여금 획득하도록 지원하는 단계(S524; 미도시); 및 획득된 상기 차량의 다음 위치 정보를 이용하여 상기 식별자 각각을 상기 제2 분석 정보에 대응시키거나 상기 타 장치로 하여금 대응시키도록 지원하는 단계(S526; 미도시)를 포함할 수 있다.

더 구체적으로, 상기 단계(S520)에서는, 단계들(S522 내지 S526)이 반복하여 수행되되, 연속된 소정 개수의 프레임에 대하여 상기 기계 학습 모델에 의한 상기 분석 정보가 새로이 생성되지 않는 경우에, 상기 제1 분석 정보에 포함된 차량이 사라진 것으로 간주될 수도 있으며, 상기 연속된 소정 개수의 프레임에 대하여 상기 기계 학습 모델에 의한 상기 분석 정보가 새로이 생성되는 경우에는, 상기 컴퓨팅 장치가, 단계(S526)에서 대응된 상기 식별자 각각을 상기 새로이 생성된 분석 정보에 대응시키거나 상기 타 장치로 하여금 대응시키도록 지원할 수도 있다.

다시, 도 5를 참조하면, 본 발명에 따른 차량 계수 방법은, 상기 컴퓨팅 장치(300)의 프로세서(320)가, 상기 프로세서(320)에 의하여 구현되는 계수 모듈(미도시)을 통하여, 상기 분석 정보 및 미리 설정된 입출선에 상대적인 상기 차량의 위치에 기초하여 상기 차량을 계수하거나, 상기 통신부(310)를 통하여, 상기 타 장치로 하여금 마찬가지 방식으로 상기 차량을 계수하도록 지원하는 단계(S530)를 더 포함한다.

단계(S530)의 일 실시예로서, 상기 분석 정보로부터 도출되는 상기 차량의 일 지점이 상기 입출선의 일방으로부터 타방으로 진행됨이 검출되면, 상기 계수 모듈에 의하여, 상기 차량이 계수되는 것으로 구성될 수 있다.

이와 같은 입출선은 소정의 입력장치에 의하여 상기 컴퓨팅 장치에 입력되는 정보에 의하여 구성되는데, 그 입출선의 일 예시적 설정 방식으로서, 상기 촬영 영상이 속한 2차원 평면 상에서, 상기 입출선의 시작점으로부터 종점을 향하는 벡터의 왼쪽 또는 오른쪽 영역이 상기 입출선의 상기 일방으로 설정되고, 상기 영역에 대향되는 영역이 상기 입출선의 상기 타방으로 설정될 수 있다.

단계(S530)의 다른 일 실시예로서, 상기 입출선이 폐곡선인 경우에, 상기 분석 정보로부터 도출되는 상기 차량의 일 지점이 상기 폐곡선의 내부에 있음이 검출되면, 상기 계수 모듈에 의하여, 상기 차량이 계수되는 것으로 구성될 수 있다. 이 실시예에 따르면, 소정의 주차 공간을 둘러싼 폐곡선이 설정되면, 그 폐곡선 내부에 차량이 존재하는지 존재하지 않는지를 판정함으로써 그 주차 공간 내의 차량 주차 여부를 알아낼 수 있다.

지금까지 설명된 차량의 계수가, 하나의 입출선에 대하여 뿐만 아니라 다수의 입출선에 대하여도 그 입출선 별로 수행될 수 있음을 통상의 기술자는 이해할 수 있을 것이다.

상기 단계(S530) 후에, 본 발명에 따른 차량 계수 방법은, 컴퓨팅 장치(300)의 프로세서(320)에 의하여 구현되는 표시 모듈(미도시)이, 생성된 상기 분석 정보를 가공하여 촬영 영상 상에 부가하여 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계(S540)를 더 포함할 수 있다. 경우에 따라서는 상기 입출선이나 차량을 계수한 결과인 계수 정보도 함께 부가되어 제공될 수 있다. 또한, 디스플레이 상에 표시됨으로써 사용자에게 제공될 수도 있고, 동영상 데이터로서 소정의 저장소(storage)에 저장될 수도 있다.

도 6a 및 도 6b는 본 발명에 따라 차량을 계수하는 방법을 수행하는 과정에서 처리되는 촬영 영상들을 예시적으로 나타낸 도면인바, 도 6a 및 6b의 예시를 참조하면, 상기 분석 정보가 상기 촬영 영상 상에서는 차량 이미지를 포위하는 박스 형상으로 표시되어 있고, 입출선도 아울러 표시되어 있음을 알 수 있다.

이와 같이 본 발명은 전술한 모든 실시예들에 걸쳐, 종래의 센서 기반의 차량 계수 시스템에서 빈발하였던 오탐을 방지하여 여러 가지 다양한 상황에서도 정확하게 차량을 계수할 수 있는 효과가 있다.

상기 실시예들로써 여기에서 설명된 기술의 이점은, 차량이 센서에 의하여 감지되는 입출선을 넘어 진입한 후에 그 차량이 후진하는 경우, 차량이 역주행하여 입출선을 넘어가는 경우, 차량 이외의 물체, 예컨대 리어카, 오토바이 등이 입출선을 지나가는 경우, 차량이 센서 위를 정확하게 통과하지 못한 경우, 차량들이 연속적으로 입출선에 진입하거나 진출하는 경우 등에 차량을 다른 물체와 구분하지 못하거나 다수 차량을 동시에 추적하지 못함으로 인하여 발생하였던 오탐을 방지하여 사람이 직접 수행하는 것과 유사하거나 그보다 더 뛰어난 성능으로 신속하게 정확하게 차량을 계수할 수 있게 된다는 점이다.

위 실시예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명이 소프트웨어 및 하드웨어의 결합을 통하여 달성되거나 하드웨어만으로 달성될 수 있다는 점을 명확하게 이해할 수 있다. 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다.

상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 CPU나 GPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고 받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것이다.

Claims (11)

1. 영상 인식에 기반하여 차량을 계수하는 방법으로서,
   (a) 컴퓨팅 장치가, 상기 차량이 출입하는 장소에 대한 촬영 영상을 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계;
   (b) 상기 컴퓨팅 장치가, 상기 차량에 대한 기계 학습 모델(machine learning model)에 기초하여 상기 촬영 영상의 입력으로부터 상기 차량의 존재 여부에 관한 확률 정보 및 상기 확률 정보에 대응되는 상기 차량의 치수(dimension) 및 위치(location) 정보를 포함하는 분석 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계; 및
   (c) 상기 컴퓨팅 장치가, 상기 분석 정보 및 미리 설정된 입출선에 상대적인 상기 차량의 위치에 기초하여, 상기 차량을 계수하거나 상기 타 장치로 하여금 계수하도록 지원하는 단계;
   를 포함하고,
   상기 (b) 단계에서,
   상기 기계 학습 모델에 기초하여, 실시간 또는 연속적으로 입력되는 상기 촬영 영상의 프레임 별로 상기 분석 정보가 생성되되,
   상기 기계 학습 모델에 의한 상기 분석 정보의 생성이 누락되는 프레임에 관하여는, 상기 컴퓨팅 장치에 의하여 실행되거나 상기 타 장치에 의하여 실행되는 소정의 추적기(tracker)를 통하여, 상기 누락 전의 상기 분석 정보인 제1 분석 정보와 상기 누락 후의 상기 분석 정보인 제2 분석 정보를 서로 대응시킴으로써 상기 입력되는 모든 프레임에 대한 상기 분석 정보가 생성되는 것을 특징으로 하는 영상 인식 기반 차량 계수 방법.
2. 삭제
3. 제1항에 있어서,
   상기 (b) 단계는,
   (b1) 상기 분석 정보의 생성이 누락되는 프레임에 관하여, 상기 컴퓨팅 장치가, 상기 제1 분석 정보에 포함된 차량 각각에 대하여 식별자(identifier)를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계;
   (b2) 상기 컴퓨팅 장치가, 상기 식별자 각각에 대응되는 영상 정보를 상기 추적기에 제공함으로써, 상기 추적기를 통하여 상기 식별자 각각에 해당하는 차량의 다음 위치 정보를 획득하거나 상기 타 장치로 하여금 획득하도록 지원하는 단계; 및
   (b3) 획득된 상기 차량의 다음 위치 정보를 이용하여 상기 식별자 각각을 상기 제2 분석 정보에 대응시키거나 상기 타 장치로 하여금 대응시키도록 지원하는 단계
   를 포함하는 것을 특징으로 하는 영상 인식 기반 차량 계수 방법.
4. 제3항에 있어서,
   상기 (b) 단계는,
   상기 (b1) 단계 내지 상기 (b3) 단계가 반복하여 수행되되, 연속된 소정 개수의 프레임에 대하여 상기 기계 학습 모델에 의한 상기 분석 정보가 생성되지 않는 경우에, 상기 제1 분석 정보에 포함된 차량이 사라진 것으로 간주되며,
   상기 연속된 소정 개수의 프레임에 대하여 상기 기계 학습 모델에 의한 상기 분석 정보가 새로이 생성되는 경우에, 상기 컴퓨팅 장치가, 상기 (b3) 단계에서 대응된 상기 식별자 각각을 상기 새로이 생성된 분석 정보에 대응시키거나 상기 타 장치로 하여금 대응시키도록 지원하는 것을 특징으로 하는 영상 인식 기반 차량 계수 방법.
5. 제1항에 있어서,
   상기 (c) 단계에서, 상기 분석 정보로부터 도출되는 상기 차량의 일 지점이 상기 입출선의 일방으로부터 타방으로 진행됨이 검출되면, 상기 차량이 계수되는 것을 특징으로 하는 영상 인식 기반 차량 계수 방법.
6. 제5항에 있어서,
   상기 촬영 영상이 속한 2차원 평면 상에서, 상기 입출선의 시작점으로부터 종점을 향하는 벡터의 왼쪽 또는 오른쪽 영역이 상기 입출선의 상기 일방으로 설정되고, 상기 영역에 대향되는 영역이 상기 입출선의 상기 타방으로 설정되는 것을 특징으로 하는 영상 인식 기반 차량 계수 방법.
7. 제1항에 있어서,
   상기 (c) 단계에서,
   상기 입출선이 폐곡선인 경우에, 상기 분석 정보로부터 도출되는 상기 차량의 일 지점이 상기 폐곡선의 내부에 있음이 검출되면, 상기 차량이 계수되는 것을 특징으로 하는 영상 인식 기반 차량 계수 방법.
8. 제1항에 있어서,
   상기 차량의 계수는 상기 입출선 별로 수행되는 것을 특징으로 하는 영상 인식 기반 차량 계수 방법.
9. 제1항, 제3항 내지 제8항 중 어느 한 항의 방법을 상기 컴퓨팅 장치로 하여금 수행하도록 구현되는 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된 컴퓨터 프로그램.
10. 영상 인식에 기반하여 차량을 계수하는 컴퓨팅 장치에 있어서,
    상기 차량이 출입하는 장소에 대한 촬영 영상을 획득하는 통신부; 및
    상기 차량에 대한 기계 학습 모델(machine learning model)에 기초하여 상기 촬영 영상의 입력으로부터 상기 차량의 존재 여부에 관한 확률 정보 및 상기 확률 정보에 대응되는 상기 차량의 치수(dimension) 및 위치(location) 정보를 포함하는 분석 정보를 생성하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 생성하도록 지원하는 프로세서
    를 포함하되,
    상기 프로세서는,
    상기 분석 정보 및 미리 설정된 입출선에 상대적인 상기 차량의 위치에 기초하여, 상기 차량을 계수하거나 상기 타 장치로 하여금 계수하도록 지원하고,
    상기 프로세서는,
    상기 기계 학습 모델에 기초하여, 실시간 또는 연속적으로 입력되는 상기 촬영 영상의 프레임 별로 상기 분석 정보를 생성하되,
    상기 기계 학습 모델에 의한 상기 분석 정보의 생성이 누락되는 프레임에 관하여는, 소정의 추적기(tracker)를 통하여, 상기 누락 전의 상기 분석 정보인 제1 분석 정보와 상기 누락 후의 상기 분석 정보인 제2 분석 정보를 서로 대응시킴으로써 상기 입력되는 모든 프레임에 대한 상기 분석 정보를 생성하는 것을 특징으로 하는 영상 인식 기반 차량 계수 장치.
11. 삭제

Images