KR101927364B1 - 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법 - Google Patents

딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법 Download PDF

Info

Publication number
KR101927364B1
KR101927364B1 KR1020170170896A KR20170170896A KR101927364B1 KR 101927364 B1 KR101927364 B1 KR 101927364B1 KR 1020170170896 A KR1020170170896 A KR 1020170170896A KR 20170170896 A KR20170170896 A KR 20170170896A KR 101927364 B1 KR101927364 B1 KR 101927364B1
Authority
KR
South Korea
Prior art keywords
information
frequency waveform
deep learning
server
error
Prior art date
Application number
KR1020170170896A
Other languages
English (en)
Inventor
김현돈
Original Assignee
주식회사 에스원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에스원 filed Critical 주식회사 에스원
Priority to KR1020170170896A priority Critical patent/KR101927364B1/ko
Application granted granted Critical
Publication of KR101927364B1 publication Critical patent/KR101927364B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/181—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems
    • G08B13/183—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/008—Alarm setting and unsetting, i.e. arming or disarming of the security system
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/14—Central alarm receiver or annunciator arrangements

Abstract

본 발명 딥러닝 기반의 상황인지 실외 침입감지 레이더 시스템은 감시구역으로 레이더파를 방출하고 침입자에 의하여 반사되는 반사 레이더파를 수신하며 수신된 레이더 파에서 주파수 파형을 생성하고 생성된 주파수 파형 정보를 딥 러닝 서버로 전송하는 다수의 레이더와, 딥 러닝 서버에 날씨 정보, 지리 정보 및 교통 정보를 제공하는 상황 관리 서버와, 상기 다수의 레이더로부터 수신 주파수 파형 정보를 수신하고 상황 관리 서버로부터 날씨 정보, 교통 정보, 지리 정보를 수신하며, DB화하여 저장된 수신 주파수 파형과 침입자 오보 발생 경보를 기초로 신경망 회로를 이용한 학습을 통하여 침입자의 침입 여부를 정확히 판단하는 딥 러닝 서버로 구성된 것을 특징으로 하는 것이다.

Description

딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법{Outside Intruding and Monitering Radar Syatem Based on Deep -Learning and Method thereof}
본 발명은 야외 외곽 경비에 사용되는 레이더 침입 감지 시스템에 관한 것이다. 상기와 같은 외곽 경비의 레이더 침입 감지 시스템은 넓은 탐지 거리와 탐지 범위를 갖지만 외부의 소동물, 비, 바람에 의한 주변 나무 흔들림 등에 의한 침입자 오보 발명 가능성이 높은 것이다.
본 발명과 관련된 종래의 기술은 대한민국 등록특허 제10-1789690호(2017. 10. 25. 공고)에 개시되어 있는 것이다. 도 1은 종래의 딥 러닝 기반 보안 서비스 제공 시스템의 구성도이다. 상기도 1에서 종래의 딥 러닝 기반 보안 서비스 제공 시스템은 다양한 센서를 포함하는 센서부(10)와, 해당 센서부(10)와 연결되어 상기 센서부(10)의 센싱 신호를 수신하는 감지 관리 장치(20)와, 상기 감지 관리 장치(20)와 연결되어 상기 감지 관리 장치(20)로부터 상기 센서부(10)의 센싱신호를 수신하는 신호 서버(30)와, 감시 대상 지역을 촬영하는 카메라부(70)와, 상기 카메라부(70)와 연결되어 상기 카메라부(70)를 통해 생성된 영상에 대한 영상 분석을 수행하는 영상 분석 장치(60)와, 상기 신호 서버(30)와 연결되어 상기 센싱 신호를 수신하고, 상기 영상 분석 장치(60)와 연결되는 딥러닝 서버(50)를 포함할 수 있다. 이때, 상기 딥 러닝 기반 보안 서비스 제공 시스템을 구성하는 구성 요소 사이의 연결은 유무선 통신망을 통해 연결될 수 있으며, 상기 유무선 통신망은 널리 알려진 다양한 통신 방식이 적용될 수 있다. 또한, 상기 감지 관리 장치(20)와 신호 서버(30)는 하나의 구성부로 구성될 수 있으며, 일례로 상기 감지 관리 장치(20)가 상기 신호 서버(30)에 포함되어 구성되거나 상기 신호 서버(30)가 상기 감지 관리 장치(20)에 포함되어 구성될 수도 있다. 또한, 상기 영상 분석 장치(60)는 DVR(Digital Video Recorder) 또는 NVR(Network Video Recorder)로 구성될 수 있다. 상기 센서부(10)는 상기 감시 대상 지역에 다양한 장소에 위치하는 적외선 센서, 인체감지 센서, 자기 센서 등과 같은 다양한 센서를 포함할 수 있으며, 상기 감시 대상 지역에서 감시 대상의 감지에 따라 생성한 센싱 신호를 통신망을 통해 상기 감지 관리 장치(20)로 전송할 수 있다. 또한, 상기 센서부(10)로부터 센싱 신호를 수신한 감지 관리 장치(20)는 상기 센싱 신호를 통신망을 통해 상기 신호 서버(30)로 전송할 수 있다. 또한, 상기 신호 서버(30)는 상기 센싱 신호 수신시 통신망을 통해 미리 설정된 상기 딥러닝 서버(50)로 전송할 수 있다. 한편, 상기 카메라부(70)는 상기 감시 대상 지역을 촬영하여 생성한 동영상 정보를 상기 영상 분석 장치(60)로 전송할 수 있다. 이때, 상기 카메라부(70)는 가시광 카메라, 적외선 카메라, 깊이감지 카메라 등과 같은 다양한 종류의 카메라를 포함할 수 있으며, 감시 대상 지역에서 서로 다른 장소에 위치하는 하나 이상의 카메라로 구성될 수 있다. 또한, 상기 영상 분석 장치(60)는 상기 카메라부(70)로부터 동영상 정보 수신시 상기 동영상 정보를 미리 설정된 영상 분석 알고리즘에 따라 영상을 분석하여 상기 감시 대상 지역에 위치하는 감시 대상에 대한 객체를 검출할 수 있다. 이때, 상기 영상 분석 장치(60)는 상기 카메라부(70)로부터 수신된 동영상 정보를 상기 영상 분석 장치(60)에 구성된 저장부에 저장할 수 있다. 또한, 상기 딥러닝 서버(50)는 상기 감지 관리 장치(20)로부터 센싱 신호 수신시 상기 영상 분석 장치(60)로 상기 센싱 신호가 감지된 감시 대상에 대응되는 객체를 식별하기 위해 상기 영상 분석 장치(60)로 상기 센싱 신호에 대응되는 이미지를 요청하기 위한 요청정보를 전송할 수 있다. 이에 따라, 상기 영상 분석 장치(60)는 상기 딥러닝 서버(50)의 이미지 요청에 대한 요청정보 수신시 상기 동영상 정보를 구성하는 복수의 이미지 중 상기 요청 정보에 포함된 상기 센싱 신호의 수신시점에 대응되는 이미지를 상기 동영상 정보로부터 추출하여 상기 딥러닝 서버(50)로 전송할 수 있다. 또한, 상기 영상 분석 장치(60)는 상기 요청정보 수신시 상기 동영상 정보를 구성하는 복수의 이미지 중 상기 센싱 신호의 수신 시점을 기준으로 미리 설정된 시간 범위 내에 속하는 하나 이상의 이미지에 대한 영상 분석을 통해 객체가 검출된 하나 이상의 이미지를 상기 동영상 정보로부터 추출하여 상기 딥러닝 서버(50)로 전송할 수도 있다. 이때, 상기 영상 분석 장치(60)는 상기 동영상 정보를 구성하는 복수의 이미지에 대한 영상 분석시 전경과 배경을 분리하고, 전경 중 움직이는 이동 객체를 검출하여 해당 이동 객체가 검출되는 이미지를 상기 딥러닝 서버(50)로 전송할 수 있다. 또한, 상기 영상 분석 장치(60)는 영상 분석의 일례로 차분영상 방법, GMM(Gaussian Mixture [0039] Models)을 이용하는 MOG(Model of Gaussian) 알고리즘, 코드북(Codebook) 알고리즘 등과 같은 영상 분석 알고리즘이 미리 설정될 수 있으며, 해다 영상 분석 알고리즘을 객체 검출에 적용할 수 있다. 한편, 상기 딥러닝 서버(50)는 상기 영상 분석 장치(60)로부터 수신된 이미지를 딥 러닝(deep learning) 방식으로 분석하여 미리 설정된 감시 대상에 대한 감시 대상 객체가 식별된 경우 감시 대상 객체의 식별에 따른 이벤트 정보를 생성하여 상기 신호 서버(30)로 전송할 수 있다. 또한, 상기 신호 서버(30)는 상기 이벤트 정보를 미리 설정된 관제 서버(40)로 통신망을 통해 전송하여 감시 대상에 대한 이벤트 발생을 관제 서버(40)에 알릴 수 있으며, 이를 통해 감시 대상 지역에 침입한 감시 대상에 대한 알림을 관제 서버(40)에 제공하여 감시 대상의 출현에 대한 보고를 수행할 수 있다. 이때, 상기 딥러닝 서버(50)는 상기 이벤트 정보 생성시 통신망을 통해 미리 설정된 클라이언트(Client) 단말로 상기 이벤트 정보를 직접 전송할 수 있으며, 상기 클라이언트 단말은 해당 이벤트 정보 수신시 상기 클라이언트 단말에 구성된 별도의 어플리케이션이나 웹 브라우저를 통해 상기 이벤트 정보를 표시할 수 있다. 상술한 바와 같이, 일반적으로 기존의 보안 시스템이 저조도의 환경에서 동작하여 센서의 센싱 신호를 통해 감시 대상의 감지시 생성된 동영상에 대한 영상 분석 과정에서 객체가 검출된 경우에도 객체의 식별이 어려워 감시 대상 객체가 아닌 객체에 대한 이벤트를 생성하여 보고하거나 센서를 통해 감시 대상이 감지된 경우에도 영상에서 낮은 조도로 인해 객체가 식별되지 않아 감시 대상의 감지에 따른 보고가 누락되는 경우와 같은 오보율이 증가하는 문제점을 개선하기 위하여, 딥 러닝 기반 보안 서비스 제공 시스템은 딥 러닝을 통해 감시 대상 지역의 환경 특성(환경 조건)에서 나타나는 감시 대상 객체의 특징을 지속적으로 학습하여 감시 대상 객체에 대한 식별 정확도를 높이는 동시에 감시 대상 객체가 식별된 이미지의 영상 특징을 지속적으로 학습하여 객체 식별이 용이한 최적의 이미지를 판단하고 이를 통해 감시 대상 객체가 정확하게 식별되는 이미지를 선별하여 제공함으로써 감시 대상 객체를 다른 객체와 정확히 구분하여 식별되도록 지원하여 오보율을 낮추는 동시에 감시 대상의 감지시 보고가 누락되는 경우를 방지하도록 지원할 수 있는 것이다.
도 2는 종래 레이더 침입 감시 시스템 구성도이다. 상기도 2에서 종래의 레이더 침입 감시 시스템은 레이더 파를 방출하는 레이더와 레이더에서 일정거리 이격되게 설치되는 반사판으로 구성되어 감시 구역 내의 침입자의 침입 여부를 판단할 수 있는 것이다.
상기와 같이 구성된 딥 러닝 기반 보안 서비스 제공 시스템은 감시 대상 객체를 다른 객체와 정확히 구분하여 식별되도록 하는 것으로 외부 환경적인 영향인 소동물, 비, 바람에 의한 전파의 난반사를 통한 오보 발생을 줄일 수 없는 문제점이 있는 것이다. 또한, 상기와 같은 종래의 기술은 센서와 영상 장비를 통하여 침입 객체를 검출하는 것으로 시스템 구축비용이 과다 소요되는 문제점이 있는 것이다. 또한, 다른 다수의 종래 레이더 침입 감지 시스템은 일반적으로 긴 탐지 거리와 넓은 감지 범위를 가지지만 환경에 따른 오보 가능성이 높고 사이드로브(Sidelobe)의 영향으로 자동차와 같이 반사면적이 큰 물체가 근처를 지나갈 경우 감지 영역 밖 차량에 의해서도 오보가 발생할 수 있는 문제점이 있는 것이다. 또한, 종래의 레이더 침입 감지 시스템은 실외에 설치되는 경우 주변 환경에 따라 전파 반사 조건이 크게 변화되므로 담당자가 장시간에 걸쳐 수동으로 기준점 및 스케일을 재조정할 필요가 있으며 설치 환경이 상이하므로 성능 향상을 위한 알고리즘 업그레이드 시 각 레이더마다 수작업에 의한 개별 동작 기준값 설정이 필요한 문제점이 있는 것이다.
상기와 같은 종래 기술의 문제점을 해결하기 위한 본 발명 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템은 감시구역으로 레이더파를 방출하고 침입자에 의하여 반사되는 반사 레이더파를 수신하며 수신된 레이더 파에서 수신 주파수 파형을 생성하고 생성된 주파수 파형을 딥 러닝 서버로 전송하는 다수의 레이더와, 딥 러닝 서버에 날씨 정보, 지리 정보 및 교통 정보를 제공하는 상황 관리 서버와, 상기 다수의 레이더로부터 반사 레이더 파를 수신하고 상황 관리 서버로부터 날씨 정보, 교통 정보, 지리 정보를 수신하고, DB화하여 저장된 수신 주파수 파형과 침입자 오보 발생 경보를 기초로 신경망 회로를 이용한 학습을 통하여 침입자의 침입 여부를 정확히 판단하는 딥 러닝 서버로 구성된 것을 특징으로 하는 것이다.
상기와 같이 구성된 본 발명 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법은 외부 환경 변화에 따른 오보 발생을 줄일 수 있는 효과가 있는 것이다. 또한, 본 발명의 다른 효과는 전파 반사 조건이 변화하여도 수동으로 기준점을 수정하거나 스케일을 재조정할 필요 없이 딥 러닝 서버에서 학습 효과를 통하여 오보 경보를 줄이고 침입자를 정확하게 판단할 수 있는 효과가 있는 것이다.
도 1은 종래의 딥 러닝 기반 보안 서비스 제공 시스템의 구성도,
도 2는 종래 레이더 침입 감시 시스템 구성도,
도 3은 본 발명에 적용되는 외부 환경 변화의 예시도,
도 4는 본 발명 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 전체 구성도,
도 5는 본 발명에 적용되는 거리에 따른 침입 감지 시의 수신 주파수 파형도,
도 6은 본 발명에 적용되는 비 및 자동차에 의한 오보 발생 시 수신 주파수 파형도,
도 7은 본 발명에 적용되는 학습 효과를 하기 위한 신경망 회로 구성도,
도 8은 본 발명 딥 러닝 기반의 상황인지 실외 침입감지 방법에 대한 제어 흐름도 이다.
상기와 같은 목적을 가진 본 발명 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법을 도 3 내지 도 8을 기초로 하여 설명하면 다음과 같다.
도 3은 본 발명에 적용되는 외부 환경 변화의 예시도 이다. 상기도 3에서 본 발명 레이더 침입 감지 시스템에서 레이더 반사파에 영향을 미치는 외부 환경은 소동물, 비, 바람에 의한 주변 나무 흔들림 등이 있으며, 감시 구역 근처에 반사 면적이 큰 자동차가 통과하는 경우에도 반사파에 영향을 미쳐 침입자 판단에 오류의 원인이 될 수 있는 것이다.
도 4는 본 발명 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 전체 구성도이다. 상기도 4에서 본 발명 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템은 감시구역으로 레이더파를 방출하고 침입자에 의하여 반사되는 반사 레이더파를 수신하며 수신된 반사 레이더파에서 주파수 파형을 생성하고 딥 러닝 서버로 전송하는 다수의 레이더(100)와, 딥 러닝 서버에 날씨 정보, 교통 정보 및 지리 정보를 제공하는 환경 관리 서버(200)와, 상기 다수의 레이더로부터 반사 레이더 파인 주파수 파형을 수신하고 환경 관리 서버로부터 날씨 정보, 교통정보, 지리 정보를 수신하고, 30m, 70m와 같은 감지 거리에 따른 오보 발생 시의 수신 주파수 파형, 비가 오는 날씨의 오보 발생 시의 수신 주파수 파형, 자동차가 근처로 지나가는 경우의 오보 발생 시의 주파수 파형이 입력 정보이고, 침입자 오보 발생 정보가 출력 정보로 이루어지며 DB화하여 저장된 입력 정보, 출력 정보, 날씨 정보, 거리 정보를 기초로 신경망 회로를 이용한 학습을 통하여 침입자의 침입 여부를 판단하는 딥 러닝 서버(300) 및 다수의 레이더와 환경 관리 서버 및 딥 러닝 서버를 네트워크로 연결하는 인터넷망/또는 유무선통신망(400)으로 구성된 것을 특징으로 하는 것이다. 상기에서 입력 정보는 다양한 감지 거리에 따는 오보 발생 시의 수신 주파수 파형과 비가 오는 경우의 오보 발생 시의 수신 주파수 파형, 눈이 오는 경우의 오보 발생 시의 수신 주파수 파형, 바람부는 경우의 오보 발생 시의 수신 주파수 파형과 같이 입력 정보의 수를 증가시킬 수 있으며, 비가 오는 경우의 감지 거리에 따른 오보 발생 시의 주파수 파형, 눈이 오는 경우의 감지 거리에 따른 오보 발생 시의 주파수 파형, 바람부는 경우의 감지 거리에 따는 오보 발생 시의 주파수 파형과 같이 더 상세하게 입력 정보를 증가시킬 수도 있는 것이다.
도 5는 본 발명에 적용되는 거리에 따른 침입 감지 시의 수신 주파수 파형도이다. 상기도 5에서 (a)는 레이더를 기준으로 하여 감시 구역의 30m에 침입자가 존재하는 경우의 레이더 수신 주파수 파형이고, (b)는 레이더를 기준으로 감시 구역의 70m에 침입자가 존재하는 경우의 레이더 수신 주파수 파형을 나타내는 것으로 본 발명에 적용되는 거리에 따른 침입 감지 시의 수신 주파수 파형은 x 축은 주파수 bin, y 축은 시간축 frame, z 축은 신호의 크기를 나타내는 것이고, 침입자인 물체의 거리가 멀어질수록 일정 크기의 신호가 존재하는 주파수 bin 값이 증가하며 이를 통해서 감지거리를 유추할 수 있는 것이다.
도 6은 본 발명에 적용되는 비 및 자동차에 의한 오보 발생 시 수신 주파수 파형도이다. 상기도 6에서 (a)는 비가 오는 경우에 레이더의 수신 주파수 파형이고, (b)는 감시구역 주변의 자동차에 의한 레이더의 수신 주파수 파형을 나타내는 것으로 감시 구역에서 비와 같은 날씨의 변화 또는 경계범위에서 반사 면적이 큰 자동차가 지나갈 경우 배경 잡음이 높아지거나 특정 주파수 bin에서 비정상적으로 큰 신호가 감지되어 오보가 발생할 수 있는 것임을 나타내고 있는 것이다.
도 7은 본 발명에 적용되는 학습 효과를 하기 위한 신경망 회로 구성도이다. 상기도 7에서 본 발명에 적용되는 신경망 회로에서 입력 레이어는 다양한 거리에 따른 오보 발생 시의 수신 주파수 파형, 비가 오는 경우의 오보 발생 시의 수신 주파수 파형, 자동차 반사에 의한 오보 발생 시의 수신 주파수 파형들이고, 출력 레이어는 침입자 오보 발생 정보이며, hidden Layer는 4개로 이루어지고 Convolution Layer with RELU, Max Pooling Layer, Affine Layer with RELU(Rectified Linear Unit), Fully Connected Layer with Softmax 로 구성된 것임을 나타내고 있는 것이다.
도 8은 본 발명 딥 러닝 기반의 상황인지 실외 침입감지 방법에 대한 제어 흐름도 이다. 상기도 8에서 본 발명 딥 러닝 기반의 상황인지 실외 침입감지 방법은 감시 구역에서 감지 거리에 따른 오보 발생 시의 수신 주파수 파형, 비가 오는 날씨의 오보 발생 시의 수신 주파수 파형, 자동차가 근처로 지나가는 경우의 오보 발생 시의 주파수 파형 정보과 같은 다양한 레이더 수신 주파수 파형 정보를 입력 레이어로 하고 오보 발생 정보를 출력 레이어로 하여 DB화하여 딥 러닝 서버에 저장하는 단계(S11)와, 환경 관리 서버로부터 날씨 정보, 교통 정보, 지리 정보를 실시간으로 수신하여 딥 러닝 서버에 저장하는 단계(S12)와, 다수의 레이더가 감시 구역에서 반사되어 수신되는 레이더 파의 수신 주파수 파형을 각각 생성하여 저장하는 단계(S13)와, 다수의 레이더가 수신 주파수 파형 정보를 딥 러닝 서버로 실시간으로 전송하는 단계(S14)와, 딥 러닝 서버가 저장된 DB를 기초로 학습을 하여 수신 주파수 파형이 오보인지 여부를 판단하는 단계(S15)와, 오보가 아닌 경우, 딥 러닝 서버가 침입자의 거리, 위치, 크기를 검출하는 단계(S16)와 딥 러닝 서버가 검출된 침입자 정보를 표시부를 통하여 제공하는 단계(S17)를 포함하여 이루어지는 것을 특징으로 하는 것이다. 상기에서 침입자 정보인 침입자의 거리, 위치 크기 검출은 다양한 공지 기술을 적용할 수 있는 것이다. 또한, 상기 S15 단계에서 오보인 경우에는 딥 러닝 서버가 오보를 발령하고 종료하는 것을 특징으로 것이다.
100 : 레이더, 200 : 환경 관리 서버,
300 : 딥 러닝 서버

Claims (9)

  1. 야외 외곽경비에 사용되는 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템에 있어서,
    상기 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템은,
    감시구역으로 레이더파를 방출하고 침입자에 의하여 반사되는 반사 레이더파를 수신하며 수신된 반사 레이더파인 주파수 파형을 딥 러닝 서버로 전송하는 다수의 레이더(100)와;
    딥 러닝 서버에 날씨 정보, 교통 정보 및 지리 정보를 제공하는 환경 관리 서버(200)와;
    상기 다수의 레이더로부터 반사 레이더 파인 주파수 파형을 수신하고 환경 관리 서버로부터 날씨 정보, 교통정보, 지리 정보를 수신하고, 30m, 70m와 같은 감지 거리에 따른 오보 발생 시의 수신 주파수 파형, 비가 오는 날씨의 오보 발생 시의 수신 주파수 파형, 자동차가 근처로 지나가는 경우의 오보 발생 시의 주파수 파형이 입력 정보이고, 침입자 오보 발생 정보가 출력 정보로 이루어지며 DB화하여 저장된 입력 정보, 출력 정보, 날씨 정보, 거리 정보를 기초로 신경망 회로를 이용한 학습을 통하여 침입자의 침입 여부를 판단하는 딥 러닝 서버(300);
    및 다수의 레이더와 환경 관리 서버 및 딥 러닝 서버를 네트워크로 연결하는 인터넷망/또는 유무선통신망(400)으로 구성된 것을 특징으로 하는 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템.
  2. 제1항에 있어서,
    상기 딥 러닝 서버(300)는,
    hidden layer가 4개의 layer로 구성된 것을 특징으로 하는 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템.
  3. 제1항에 있어서,
    상기 수신 주파수 파형은,
    x 축은 주파수 bin, y 축은 시간축 frame, z 축은 신호의 크기를 나타내는 것을 특징으로 하는 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템.
  4. 제2항에 있어서,
    상기 4개의 hidden layer는,
    Convolution Layer with RELU, Max Pooling Layer, Affine Layer with RELU(Rectified Linear Unit), Fully Connected Layer with Softmax로 이루어진 것을 특징으로 하는 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템.
  5. 제3항에 있어서,
    상기 수신 주파수 파형은,
    침입자인 물체의 거리가 멀어질수록 일정 크기의 신호가 존재하는 주파수 bin 값이 증가하는 것을 특징으로 하는 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템.
  6. 제3항에 있어서,
    상기 수신 주파수 파형은,
    경계범위에서 반사 면적이 큰 자동차가 지나갈 경우 배경 잡음이 높아지거나 특정 주파수 bin에서 비정상적으로 큰 신호가 감지되어 오보가 발생할 수 있는 것을 특징으로 하는 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템.
  7. 야외 외곽경비에 사용되는 딥 러닝 기반의 상황인지 실외 침입감지 방법에 있어서,
    상기 딥 러닝 기반의 상황인지 실외 침입감지 방법은,
    감시 구역에서 감지 거리에 따른 오보 발생 시의 수신 주파수 파형, 비가 오는 날씨의 오보 발생 시의 수신 주파수 파형, 자동차가 근처로 지나가는 경우의 오보 발생 시의 주파수 파형 정보를 포함하는 다양한 레이더 수신 주파수 파형 정보를 입력 레이어로 하고 오보 발생 정보를 출력 레이어로 하여 DB화하여 딥 러닝 서버에 저장하는 단계(S11)와;
    환경 관리 서버로부터 날씨 정보, 교통 정보, 지리 정보를 실시간으로 수신하여 딥 러닝 서버에 저장하는 단계(S12)와;
    다수의 레이더가 감시 구역에서 반사되어 수신되는 레이더 파의 수신 주파수 파형을 각각 생성하여 저장하는 단계(S13)와;
    다수의 레이더가 수신 주파수 파형 정보를 딥 러닝 서버로 실시간으로 전송하는 단계(S14);
    및 딥 러닝 서버가 저장된 DB를 기초로 학습을 하여 수신 주파수 파형이 오보인지 여부를 판단하는 단계(S15)를 포함하여 이루어진 것을 특징으로 하는 딥 러닝 기반의 상황인지 실외 침입감지 방법.
  8. 제7항에 있어서,
    상기 딥 러닝 기반의 상황인지 실외 침입감지 방법은,
    오보가 아닌 경우, 딥 러닝 서버가 침입자의 거리, 위치, 크기를 검출하는 단계(S16);
    및 딥 러닝 서버가 검출된 침입자 정보를 표시부를 통하여 제공하는 단계(S17)를 더 포함하여 이루어진 것을 특징으로 하는 딥 러닝 기반의 상황인지 실외 침입감지 방법.
  9. 제7항에 있어서,
    상기 S15 단계에서 오보인 경우에는,
    딥 러닝 서버가 오보를 발령하고 종료하는 것을 특징으로 하는 딥 러닝 기반의 상황인지 실외 침입감지 방법.








KR1020170170896A 2017-12-13 2017-12-13 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법 KR101927364B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170170896A KR101927364B1 (ko) 2017-12-13 2017-12-13 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170170896A KR101927364B1 (ko) 2017-12-13 2017-12-13 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법

Publications (1)

Publication Number Publication Date
KR101927364B1 true KR101927364B1 (ko) 2018-12-10

Family

ID=64670339

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170170896A KR101927364B1 (ko) 2017-12-13 2017-12-13 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법

Country Status (1)

Country Link
KR (1) KR101927364B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110300095A (zh) * 2019-05-13 2019-10-01 江苏大学 一种基于改进学习率的深度学习网络入侵检测方法
KR102054153B1 (ko) * 2019-07-11 2019-12-12 가온플랫폼 주식회사 딥러닝 기반 잠수함 소나 음파데이터와 잠망경 영상데이터와의 융합을 통한 인공지능 자동식별시스템
WO2020262772A1 (ko) * 2019-06-27 2020-12-30 주식회사 에이유 딥러닝을 이용한 사람 감지 및 인원 수 검출을 위한 레이더 신호 처리 방법 및 레이더 시스템
KR102266548B1 (ko) 2021-02-09 2021-06-18 케이에스아이 주식회사 오작동 방지와 침입 감지 신뢰성이 향상된 스마트 보안 울타리 시스템
KR20210078338A (ko) * 2019-12-18 2021-06-28 주식회사 포휴먼테크 고성능 레이더 및 머신 러닝을 이용한 침입탐지 시스템
CN113156425A (zh) * 2021-04-25 2021-07-23 中航睿智科技(成都)有限公司 一种基于大数据的毫米波雷达围界入侵数据处理方法
KR20210158545A (ko) * 2020-06-24 2021-12-31 한국전력공사 머신러닝을 이용한 무인변전소 감시 시스템 및 그 동작 방법
KR102440169B1 (ko) 2021-10-15 2022-09-05 케이에스아이 주식회사 멀티센서 신호 융합과 ai 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템
CN117275157A (zh) * 2023-11-21 2023-12-22 青岛民航凯亚系统集成有限公司 一种基于雷达和视频融合的围界入侵报警系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000230972A (ja) 1999-02-08 2000-08-22 Mitsubishi Electric Corp レーダ信号処理装置
US20160307418A1 (en) 2013-12-13 2016-10-20 Utc Fire & Security Americas Corporation, Inc. Selective intrusion detection systems
JP2017091381A (ja) 2015-11-13 2017-05-25 パナソニックＩｐマネジメント株式会社 セキュリティ装置、及び、セキュリティシステム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000230972A (ja) 1999-02-08 2000-08-22 Mitsubishi Electric Corp レーダ信号処理装置
US20160307418A1 (en) 2013-12-13 2016-10-20 Utc Fire & Security Americas Corporation, Inc. Selective intrusion detection systems
JP2017091381A (ja) 2015-11-13 2017-05-25 パナソニックＩｐマネジメント株式会社 セキュリティ装置、及び、セキュリティシステム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
논문, RNN 학습을 이용한 차량용 레이더 CFAR 알고리즘 개선, 조재학 외 2인, 한국통신학회 학술대회논문집, 2016.1, pp889~890.

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110300095A (zh) * 2019-05-13 2019-10-01 江苏大学 一种基于改进学习率的深度学习网络入侵检测方法
WO2020262772A1 (ko) * 2019-06-27 2020-12-30 주식회사 에이유 딥러닝을 이용한 사람 감지 및 인원 수 검출을 위한 레이더 신호 처리 방법 및 레이더 시스템
KR102054153B1 (ko) * 2019-07-11 2019-12-12 가온플랫폼 주식회사 딥러닝 기반 잠수함 소나 음파데이터와 잠망경 영상데이터와의 융합을 통한 인공지능 자동식별시스템
KR20210078338A (ko) * 2019-12-18 2021-06-28 주식회사 포휴먼테크 고성능 레이더 및 머신 러닝을 이용한 침입탐지 시스템
KR102365578B1 (ko) * 2019-12-18 2022-02-21 주식회사 포휴먼테크 고성능 레이더 및 머신 러닝을 이용한 침입탐지 시스템
KR20210158545A (ko) * 2020-06-24 2021-12-31 한국전력공사 머신러닝을 이용한 무인변전소 감시 시스템 및 그 동작 방법
KR102488182B1 (ko) * 2020-06-24 2023-01-16 한국전력공사 머신러닝을 이용한 무인변전소 감시 시스템 및 그 동작 방법
KR102266548B1 (ko) 2021-02-09 2021-06-18 케이에스아이 주식회사 오작동 방지와 침입 감지 신뢰성이 향상된 스마트 보안 울타리 시스템
CN113156425A (zh) * 2021-04-25 2021-07-23 中航睿智科技(成都)有限公司 一种基于大数据的毫米波雷达围界入侵数据处理方法
KR102440169B1 (ko) 2021-10-15 2022-09-05 케이에스아이 주식회사 멀티센서 신호 융합과 ai 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템
CN117275157A (zh) * 2023-11-21 2023-12-22 青岛民航凯亚系统集成有限公司 一种基于雷达和视频融合的围界入侵报警系统及方法

Similar Documents

Publication Publication Date Title
KR101927364B1 (ko) 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법
CN105283776B (zh) 雷达假警报的减少
KR102365578B1 (ko) 고성능 레이더 및 머신 러닝을 이용한 침입탐지 시스템
CN109920185A (zh) 一种基于毫米波雷达与视频数据融合检测移动目标的方法
KR101923900B1 (ko) 다목적 쓰레기 불법 투기 감시 시스템
AU2017359142B2 (en) Systems and methods for detecting flying animals
US20180356509A1 (en) Radar-based detection system
TW201539383A (zh) 利用動作感應的侵入偵測技術
KR101507238B1 (ko) 레이더 장치
JP2010145318A (ja) 侵入物体識別方法、侵入物体識別装置、及び侵入物体識別センサ装置
CN112133050A (zh) 基于微波雷达的周界报警装置及其方法
KR101876797B1 (ko) 울타리 경계용 레이더의 침입자 타겟 검출 방법 및 장치
CN116935551A (zh) 周界入侵检测方法、系统、设备及存储介质
KR102440169B1 (ko) 멀티센서 신호 융합과 ai 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템
KR20140034364A (ko) 임펄스 레이더를 이용한 인체감지 보안 시스템
CN114511978B (zh) 一种入侵预警方法、装置、车辆和计算机可读存储介质
CN202904792U (zh) 一种智能可视化报警系统
KR20060003871A (ko) 검출시스템, 물체검출방법 및 물체검출을 위한 컴퓨터프로그램
EP3301656A2 (en) System and method for an alarm system
KR20190079183A (ko) 도플러 정보를 이용한 보행자 및 차량 인식 장치 및 그 방법
KR101959142B1 (ko) 초고주파 신호를 이용한 울타리 침입 감지 시스템 및 방법
KR20210094365A (ko) 객체의 움직임 정보에 기초하여 이상 상황을 판단하는 장치, 방법 및 컴퓨터 프로그램
US20220392322A1 (en) Multisensor Security System with Aircraft Monitoring
Heško et al. Perimeter protection of the areas of interest
KR102193301B1 (ko) 수중 침입 감지시스템

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant