KR102010925B1 - 범죄 위험 정보 전달 시스템 및 방법 - Google Patents

범죄 위험 정보 전달 시스템 및 방법 Download PDF

Info

Publication number
KR102010925B1
KR102010925B1 KR1020180041441A KR20180041441A KR102010925B1 KR 102010925 B1 KR102010925 B1 KR 102010925B1 KR 1020180041441 A KR1020180041441 A KR 1020180041441A KR 20180041441 A KR20180041441 A KR 20180041441A KR 102010925 B1 KR102010925 B1 KR 102010925B1
Authority
KR
South Korea
Prior art keywords
region
risk
area
sensor
target space
Prior art date
Application number
KR1020180041441A
Other languages
English (en)
Inventor
류병훈
성원모
양일규
Original Assignee
주식회사 이엠따블유
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 이엠따블유 filed Critical 주식회사 이엠따블유
Priority to KR1020180041441A priority Critical patent/KR102010925B1/ko
Application granted granted Critical
Publication of KR102010925B1 publication Critical patent/KR102010925B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0205—Specific application combined with child monitoring using a transmitter-receiver system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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

범죄 위험 정보 전달 시스템은 특정 지역을 일정한 규모의 공간으로 분할하는 목표 공간 분할부, 상기 목표 공간 분할부가 분할한 각 영역에 배치되며, 상기 각 영역의 상태를 센싱하는 복수개의 센서들을 포함하는 센서부, 상기 센서부의 센서들과 상기 목표 공간 분할부가 분할한 각 영역 사이의 연관도를 계산하고, 상기 센서부의 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 높은 센서들을 선정하는 센서 선정부, 상기 센서 선정부에서 선정한 센서들이 센싱한 값을 이용하여 각 영역의 위험도를 산출하는 국소지역 위험도 산출부, 상기 국소지역 위험도 산출부에서 산출한 각 영역의 위험도를 저장하는 중간 서버, 상기 중간 서버에 저장된 상기 각 영역의 위험도를 바탕으로 하나의 영역이 인접하는 영역에 주는 영향을 반영한 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 산출하는 통합 위험도 산출부, 상기 통합 위험도 산출부에서 산출한 상기 각 영역의 고급화된 위험도 및 상기 전체 영역의 위험도에 관한 정보를 저장하는 최종 서버 및 상기 최종 서버에 저장된 상기 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 표시하는 표시부를 포함한다.

Description

범죄 위험 정보 전달 시스템 및 방법 {SYSTEM AND METHOD FOR DELIVERING INFORMATION OF CRIME RISK}
본 발명은 범죄 위험 정보 전달 시스템 및 방법에 관한 것으로, 보다 상세하게는 국소 지역의 위험도를 인접지역 또는 전체 구역의 통합적 위험도 산출로 반영하여 범위 위험 정보의 정확도를 높일 수 있는 범죄 위험 정보 전달 시스템 및 방법에 관한 것이다.
일반적으로 주거환경에서 위험을 인식하는 방법은 CCTV를 이용하는 방법이다. 최근에는 모션 인식 기술을 이용하는 지능형 CCTV가 범죄 위험을 인식하기 위하여 활용되고 있다. CCTV는 범죄 발생을 신속하게 인식하는 것과 범인을 특정하여 용의자를 검거하는데 유익하다.
그러나, 범죄 피해는 회복하기 어려운 경우가 많으므로 범죄 발생 징후를 미리 감지하고 위험상황을 보다 정확히 인지하여 범죄 발생을 억제하고 위험을 회피하는 것이 필요하다. 센서의 종류는 다양하며, 센서는 실제 세계의 물리적, 화학적, 생물학적 변화를 전기신호로 변환하고 이를 수치화할 수 있다. 센서를 통하여 실제 세계에서 발생하는 급격한 변화의 량을 정량화할 수 있다.
이러한 센서를 여러 가지 다양한 기능을 가진 이기종 센서를 목표 공간에 배포하여 상황 정보를 획득하면 실세계의 정보를 더 정확하게 획득할 수 있다.
범죄 위험은 인접한 지역과 위험이 연동하는 경우가 많으며, 한 지역의 위험 요인은 인접 지역의 안전에 영향을 주는 경우가 많다. 그러나, 범죄 위험 정보를 획득하기 위한 센서들은 센서 그 자체로 센싱되는 값들 만을 수치로 나타내므로 특정 지역의 독자적인 상황만을 나타낸다. 따라서, 여러 영역들의 실질적인 범죄 위험 정보를 획득하는데 어려움이 있다.
한국공개특허공보 제10-2011-0042677호(2011.04.27)
이에 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로, 본 발명의 목적은 국소 지역의 위험도를 인접지역 또는 전체 구역의 통합적 위험도 산출로 반영하여 범위 위험 정보의 정확도를 높일 수 있는 범죄 위험 정보 전달 시스템을 제공하는 것이다.
본 발명의 또 다른 목적은 국소 지역의 위험도를 인접지역 또는 전체 구역의 통합적 위험도 산출로 반영하여 범위 위험 정보의 정확도를 높일 수 있는 범죄 위험 정보 전달 방법을 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 범죄 위험 정보 전달 시스템은 특정 지역을 일정한 규모의 공간으로 분할하는 목표 공간 분할부, 상기 목표 공간 분할부가 분할한 각 영역에 배치되며, 상기 각 영역의 상태를 센싱하는 복수개의 센서들을 포함하는 센서부, 상기 센서부의 센서들과 상기 목표 공간 분할부가 분할한 각 영역 사이의 연관도를 계산하고, 상기 센서부의 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 높은 센서들을 선정하는 센서 선정부, 상기 센서 선정부에서 선정한 센서들이 센싱한 값을 이용하여 각 영역의 위험도를 산출하는 국소지역 위험도 산출부, 상기 국소지역 위험도 산출부에서 산출한 각 영역의 위험도를 저장하는 중간 서버, 상기 중간 서버에 저장된 상기 각 영역의 위험도를 바탕으로 하나의 영역이 인접하는 영역에 주는 영향을 반영한 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 산출하는 통합 위험도 산출부, 상기 통합 위험도 산출부에서 산출한 상기 각 영역의 고급화된 위험도 및 상기 전체 영역의 위험도에 관한 정보를 저장하는 최종 서버 및 상기 최종 서버에 저장된 상기 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 표시하는 표시부를 포함한다.
본 발명의 일 실시예에 있어서, 상기 목표 공간 분할부가 분할하는 각 영역에 관한데이터는 위치에 관한 데이터, 센서에 관한 데이터 및 상기 센서의 가중치에 관한 데이터를 포함하며, 상기 각 영역의 공간 집합은 아래의 수학식으로 정의될 수 있다.
Figure 112018035481048-pat00001
여기서,
Figure 112018035481048-pat00002
는 목표 공간 분할부가 분할하는 각 영역의 공간 집합,
Figure 112018035481048-pat00003
는 위치 벡터,
Figure 112018035481048-pat00004
는 센서 벡터,
Figure 112018035481048-pat00005
은 가중치 벡터를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 목표 공간 분할부가 분할하는 영역의 중심은 아래의 수학식에 의해 정의될 수 있다.
Figure 112018035481048-pat00006
상기 목표 공간 분할부가 분할하는 영역의 반경은 아래의 수학식에 의해 정의될 수 있다.
Figure 112018035481048-pat00007
여기서
Figure 112018035481048-pat00008
는 k번째 영역의 중심,
Figure 112018035481048-pat00009
는 k번째 영역의 반경, 는
Figure 112018035481048-pat00010
는 위치 벡터,
Figure 112018035481048-pat00011
는 평균값을 추출하는 함수를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 센서 선정부가 계산하는 연관도는 아래의 수학식에 의해 정의될 수 있다.
Figure 112018035481048-pat00012
여기서,
Figure 112018035481048-pat00013
는 센서와 각 영역 사시의 연관도,
Figure 112018035481048-pat00014
는 k번째 영역의 중심,
Figure 112018035481048-pat00015
는 k번째 영역의 j 종류의 센서,
Figure 112018035481048-pat00016
는 연관도를 추출하는 함수를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 센서 선정부는 센서부의 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 0.5 이상인 센서를 선정할 수 있다.
본 발명의 일 실시예에 있어서, 상기 국소지역 위험도 산출부가 산출하는 각 영역의 위험도는 아래의 수학식에 의해 정의될 수 있다.
Figure 112018035481048-pat00017
여기서,
Figure 112018035481048-pat00018
은 n번째 영역의 위험도,
Figure 112018035481048-pat00019
은 n번째 영역의 공간 특성을 나타내는 특성 함수,
Figure 112018035481048-pat00020
은 목표 공간 분할부가 분할하는 각 영역의 공간 집합을 나타낸다.
본 발명의 일 실시예에 있어서, 상기 n번째 영역의 공간 특성을 나타내는 특성 함수는 아래의 수학식으로 정의될 수 있다.
Figure 112018035481048-pat00021
여기서,
Figure 112018035481048-pat00022
은 n번째 영역의 공간 특성을 나타내는 특성 함수,
Figure 112018035481048-pat00023
은 목표 공간 분할부가 분할하는 각 영역의 공간 집합,
Figure 112018035481048-pat00024
는 n번째 영역의 j센서의 가중치,
Figure 112018035481048-pat00025
는 n번째 영역의 j센서를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 통합 위험도 산출부가 산출하는 각 영역의 고급화된 위험도는 0과 1 사이의 값으로 표현되며, 아래의 수학식으로 정의될 수 있다.
Figure 112018035481048-pat00026
여기서,
Figure 112018035481048-pat00027
는 i번째 영역의 고급화된 위험도,
Figure 112018035481048-pat00028
는 i번째 영역의 실시간 위험도,
Figure 112018035481048-pat00029
는 상수로서 1을 나타낸다.
본 발명의 일 실시예에 있어서, 상기 i번째 영역의 실시간 위험도는 아래의 수학식으로 정의될 수 있다.
Figure 112018035481048-pat00030
여기서,
Figure 112018035481048-pat00031
는 i번째 영역의 실시간 위험도,
Figure 112018035481048-pat00032
는 j번째 영역이 i번째 영역에 미치는 영향을 나타낸다.
본 발명의 일 실시예에 있어서, 상기 j번째 영역이 i번째 영역에 미치는 영향은 아래의 수학식으로 정의될 수 있다.
Figure 112018035481048-pat00033
여기서,
Figure 112018035481048-pat00034
는 j번째 영역이 i번째 영역에 미치는 영향,
Figure 112018035481048-pat00035
는 j번째 영역의 위치 벡터,
Figure 112018035481048-pat00036
는 i번째 영역의 위치 벡터,
Figure 112018035481048-pat00037
는 미리 정해진 상수로 감쇄계수를 나타낸다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 범죄 위험 정보 전달 방법은 목표 공간 분할부가 특정 지역을 일정한 규모로 분할하는 단계, 센서 선정부가 상기 목표 공간 분할부가 분할한 각 영역에 배치되는 센서들과 상기 목표 공간 분할부가 분할한 각 영역 사이의 연관도를 계산하는 단계, 상기 센서 선정부가 상기 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 높은 센서들을 선정하는 단계, 국소지역 위험도 산출부가 상기 센서 선정부에서 선정한 센서들이 센싱한 값을 이용하여 각 영역의 위험도를 산출하는 단계, 상기 각 영역의 위험도를 중간 서버에 저장하는 단계, 통합 위험도 산출부가 상기 국소지역 위험도 산출부에서 산출한 각 영역의 위험도를 바탕으로 하나의 영역이 인접하는 영역에 주는 영향을 반영한 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 산출하는 단계, 상기 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 통합 서버에 저장하는 단계 및 표시부가 상기 통합 서버에 저장된 상기 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 표시하는 단계를 포함한다.
본 발명의 일 실시예에 있어서, 상기 목표 공간 분할부가 분할하는 각 영역에 관한데이터는 위치에 관한 데이터, 센서에 관한 데이터 및 상기 센서의 가중치에 관한 데이터를 포함하며, 상기 각 영역의 공간 집합은 아래의 수학식으로 정의될 수 있다.
Figure 112018035481048-pat00038
여기서,
Figure 112018035481048-pat00039
는 목표 공간 분할부가 분할하는 각 영역의 공간 집합,
Figure 112018035481048-pat00040
는 위치 벡터,
Figure 112018035481048-pat00041
는 센서 벡터,
Figure 112018035481048-pat00042
은 가중치 벡터를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 목표 공간 분할부가 분할하는 영역의 중심은 아래의 수학식에 의해 정의될 수 있다.
Figure 112018035481048-pat00043
상기 목표 공간 분할부가 분할하는 영역의 반경은 아래의 수학식에 의해 정의될 수 있다.
Figure 112018035481048-pat00044
여기서
Figure 112018035481048-pat00045
는 k번째 영역의 중심,
Figure 112018035481048-pat00046
는 k번째 영역의 반경, 는
Figure 112018035481048-pat00047
는 위치 벡터,
Figure 112018035481048-pat00048
는 평균값을 추출하는 함수를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 센서 선정부가 계산하는 연관도는 아래의 수학식에 의해 정의될 수 있다.
Figure 112018035481048-pat00049
여기서,
Figure 112018035481048-pat00050
는 센서와 각 영역 사시의 연관도,
Figure 112018035481048-pat00051
는 k번째 영역의 중심,
Figure 112018035481048-pat00052
는 k번째 영역의 j 종류의 센서,
Figure 112018035481048-pat00053
는 연관도를 추출하는 함수를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 센서 선정부는 센서부의 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 0.5 이상인 센서를 선정할 수 있다.
본 발명의 일 실시예에 있어서, 상기 국소지역 위험도 산출부가 산출하는 각 영역의 위험도는 아래의 수학식에 의해 정의될 수 있다.
Figure 112018035481048-pat00054
여기서,
Figure 112018035481048-pat00055
은 n번째 영역의 위험도,
Figure 112018035481048-pat00056
은 n번째 영역의 공간 특성을 나타내는 특성 함수,
Figure 112018035481048-pat00057
은 목표 공간 분할부가 분할하는 각 영역의 공간 집합을 나타낸다.
본 발명의 일 실시예에 있어서, 상기 n번째 영역의 공간 특성을 나타내는 특성 함수는 아래의 수학식으로 정의될 수 있다.
Figure 112018035481048-pat00058
여기서,
Figure 112018035481048-pat00059
은 n번째 영역의 공간 특성을 나타내는 특성 함수,
Figure 112018035481048-pat00060
은 목표 공간 분할부가 분할하는 각 영역의 공간 집합,
Figure 112018035481048-pat00061
는 n번째 영역의 j센서의 가중치,
Figure 112018035481048-pat00062
는 n번째 영역의 j센서를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 통합 위험도 산출부가 산출하는 각 영역의 고급화된 위험도는 0과 1 사이의 값으로 표현되며, 아래의 수학식으로 정의될 수 있다.
Figure 112018035481048-pat00063
여기서,
Figure 112018035481048-pat00064
는 i번째 영역의 고급화된 위험도,
Figure 112018035481048-pat00065
는 i번째 영역의 실시간 위험도,
Figure 112018035481048-pat00066
는 상수로서 1을 나타낸다.
본 발명의 일 실시예에 있어서, 상기 i번째 영역의 실시간 위험도는 아래의 수학식으로 정의될 수 있다.
Figure 112018035481048-pat00067
여기서,
Figure 112018035481048-pat00068
는 i번째 영역의 실시간 위험도,
Figure 112018035481048-pat00069
는 j번째 영역이 i번째 영역에 미치는 영향을 나타낸다.
본 발명의 일 실시예에 있어서, 상기 j번째 영역이 i번째 영역에 미치는 영향은 아래의 수학식으로 정의될 수 있다.
Figure 112018035481048-pat00070
여기서,
Figure 112018035481048-pat00071
는 j번째 영역이 i번째 영역에 미치는 영향,
Figure 112018035481048-pat00072
는 j번째 영역의 위치 벡터,
Figure 112018035481048-pat00073
는 i번째 영역의 위치 벡터,
Figure 112018035481048-pat00074
는 미리 정해진 상수로 감쇄계수를 나타낸다.
본 발명에 따르면, 특정 지역을 복수개의 영역으로 분할하고, 분할될 각 영역의 국소지역 위험도를 산출한다. 이후, 각 영역의 국소지역 위험도를 이용하여 인접한 영역의 위험도 및 전체 영역의 위험도를 산출한다. 따라서, 국소지역의 세밀한 상황 인식이 가능하며, 하나의 영역이 인접한 영역에 미치는 영향을 반영한 통합 위험도의 산출이 가능하므로 정확한 위험도의 산출이 가능하다.
또한, 각 영역의 특성에 맞는 센서를 선정하여 위험도를 산출하므로, 불필요한 센서의 사용을 줄일 수 있어 정보의 효율적인 분석이 가능하다.
도 1은 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 시스템을 나타내는 블럭도이다.
도 2는 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 시스템의 센서부를 나타내는 블럭도이다.
도 3은 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 시스템의 전처리부를 나타내는 블럭도이다.
도 4는 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 시스템의 산출부를 나타내는 블럭도이다.
도 5는 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 시스템의 서버부를 나타내는 블럭도이다.
도 6은 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 방법을 나타내는 순서도이다.
도 7은 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 방법의 특정 지역을 일정한 규모로 분할하는 단계를 나타내는 순서도이다.
도 8은 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 방법의 센서 선정 단계를 나타내는 순서도이다.
도 9는 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 방법의 위험도 산출 단계를 나타내는 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 실시예들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다.
상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함하다" 또는 "이루어진다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 시스템을 나타내는 블럭도이다. 도 2는 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 시스템의 센서부를 나타내는 블럭도이다. 도 3은 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 시스템의 전처리부를 나타내는 블럭도이다. 도 4는 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 시스템의 산출부를 나타내는 블럭도이다.
도 1 내지 도 4를 참조하면, 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 시스템(10)은 센서부(100), 전처리부(200), 산출부(300), 서버부(400) 및 표시부(500)를 포함한다.
상기 센서부(100)는 조도 센서(110), 적외선 센서(120), 음향 센서(130) 및 인체 감지 센서(140)를 포함할 수 있다. 그러나, 본 발명은 이에 한정되는 것은 아니며, 상기 센서부(100)는 범죄 위험을 감지할 수 있는 다양한 종류의 센서들을 포함할 수 있다. 상기 센서부(100)는 범죄 위험을 감지하기 위한 영역에 배치될 수 있다.
상기 전처리부(200)는 목표 공간 분할부(210) 및 센서 선정부(220)를 포함할 수 있다. 상기 전처리부(200)는 센서들이 감지한 데이터들을 이용하여 위험도를 산출하기 전에 위험도를 보다 정확하고 효과적으로 산출할 수 있도록 데이터를 전처리하는 역할을 할 수 있다.
상기 목표 공간 분할부(210)는 특정 지역을 일정한 규모의 공간으로 분할한다. 상기 목표 공간 분할부(210)가 분할하는 각 영역에 관한 데이터는 위치에 관한 데이터, 센서에 관한 데이터 및 상기 센서의 가중치에 관한 데이터를 포함할 수 있다. 상기 목표 공간 분할부(210)는 특정 지역을 일정한 규모의 공간으로 분할하기 위해, 먼저 분할 공간의 중심을 정하고, 상기 중심으로부터 일정 반경의 공간으로 분할한다. 상기 센서부(100)의 센서들은 상기 목표 공간 분할부(210)가 분할한 각 영역에 배치될 수 있다. 상기 목표 공간 분할부(210)가 영역을 분할하는 방법에 대하여는 도 6을 참조하여 상세하게 설명하도록 한다.
상기 센서 선정부(220)는 상기 센서부(100)의 센서들과 상기 목표 공간 분할부(210)가 분할한 각 영역 사이의 연관도를 계산하고, 상기 센서부(100)의 센서들 중 상기 목표 공간 분할부(210)가 분할한 각 영역과의 연관도가 높은 센서들을 선정할 수 있다. 각 영역에는 다양한 센서들이 배치될 수 있다. 다양한 종류의 센서를 다량으로 이용하는 것은 정확도 면에서는 장점이 있으나 서버 자원을 불필요하게 많이 사용하는 문제점이 있다. 따라서, 효율적인 센싱을 위해서는 각 영역의 특성에 따른 센서를 선정하는 것이 바람직하다. 상기 센서 선정부(220)는 상기 센서부(100)의 센서들 중 상기 목표 공간 분할부(210)가 분할한 각 영역과의 연관도가 0.5 이상인 센서를 선정할 수 있다. 연관도의 계산 방법 및 센서 선정 방법에 관하여는 도 7을 참조하여 상세하게 설명하도록 한다.
상기 산출부(300)는 위험도를 산출할 수 있다. 상기 산출부(300)는 국소지역 위험도 산출부(310) 및 통합 위험도 산출부(320)를 포함할 수 있다. 상기 국소지역 위험도 산출부(310)는 상기 센서 선정부(220)에서 선정한 센서들이 센싱한 값을 이용하여 각 영역의 위험도를 산출할 수 있다. 상기 통합 위험도 산출부(320)는 상기 국소지역 위험도 산출부(210)에서 산출한 각 영역의 위험도를 바탕으로 하나의 영역이 인접하는 영역에 주는 영향을 반영한 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 산출할 수 있다. 상기 국소지역 위험도 산출부(310) 및 상기 통합 위험도 산출부(320)가 위험도를 산출하는 방법은 도 9를 참조하여 상세하게 설명하도록 한다.
상기 서버부(400)는 상기 산출부(300)가 산출한 위험도를 저장한다. 상기 서버부(400)는 중간 서버(410) 및 통합 서버(420)를 포함할 수 있다. 상기 중간 서버(410)는 상기 국소지역 위험도 산출부(210)에서 산출한 각 영역의 위험도를 저장할 수 있다. 상기 통합 서버(420)는 상기 통합 위험도 산출부(320)에서 산출한 하나의 영역이 인접하는 영역에 주는 영향을 반영한 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 저장한다.
상기 표시부(500)는 상기 통합 서버(420)에 저장된 상기 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 표시할 수 있다.
도 6은 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 방법을 나타내는 순서도이다. 도 7은 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 방법의 특정 지역을 일정한 규모로 분할하는 단계를 나타내는 순서도이다. 도 8은 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 방법의 센서 선정 단계를 나타내는 순서도이다. 도 9는 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 방법의 위험도 산출 단계를 나타내는 순서도이다.
도 6 내지 도 9를 참조하면, 본 발명의 일 실시예에 따른 범죄 위험 정보 전달 방법은 특정 지역을 일정한 규모로 분할하는 단계(S100), 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 높은 센서들을 선정하는 단계(S200), 위험도를 산출하는 단계(S300) 및 위험도를 표시하는 단계(S400)를 포함한다.
상기 특정 지역을 일정한 규모로 분할하는 단계(S100)는 영역의 중심을 결정하는 단계(S110), 영역의 반경을 결정하는 단계(S120) 및 영역을 분할하는 단계(S130)를 포함할 수 있다.
주거 환경은 다양한 조건을 가지고 있으며, 주거지역, 상가지역, 근린시설 지역 등 다양한 특성을 가지고 있다. 따라서, 위험도를 산출하기 위해서는 일정한 규모의 목표 공간으로 분할하는 것이 바람직하다. n개의 영역으로 나누어진 공간들의 집합은 아래의 수학식 1과 같이 표현될 수 있다.
수학식 1
Figure 112018035481048-pat00075
여기서,
Figure 112018035481048-pat00076
는 n개의 영역으로 나누어진 공간들의 집합,
Figure 112018035481048-pat00077
는 각각의 영역을 나타낸다.
예들 들어, 각각의 영역 중
Figure 112018035481048-pat00078
은
Figure 112018035481048-pat00079
와 인접하고,
Figure 112018035481048-pat00080
는
Figure 112018035481048-pat00081
와 인접하며,
Figure 112018035481048-pat00082
은
Figure 112018035481048-pat00083
과 인접하는 것으로 볼 수 있다.
상기 목표 공간 분할부(210)가 분할하는 각 영역에 관한 데이터는 위치에 관한 데이터, 센서에 관한 데이터 및 상기 센서의 가중치에 관한 데이터를 포함할 수 있다. 각 영역의 공간 집합은 아래의 수학식 2로 정의될 수 있다.
수학식 2
Figure 112018035481048-pat00084
여기서,
Figure 112018035481048-pat00085
는 목표 공간 분할부가 분할하는 각 영역의 공간 집합,
Figure 112018035481048-pat00086
는 위치 벡터,
Figure 112018035481048-pat00087
는 센서 벡터,
Figure 112018035481048-pat00088
은 가중치 벡터를 나타낸다.
가중치 벡터는 각 센서에 대한 가중치를 말하며, 위험 상황에 더 큰 영향을 주는 센서 값을 증폭시키기 위해 특성 함수에 사용될 수 있다. 예를 들어,
Figure 112018035481048-pat00089
가 조도 센서,
Figure 112018035481048-pat00090
가 적외선 센서일 때, 이에 따른 가중치 벡터
Figure 112018035481048-pat00091
는 1.0,
Figure 112018035481048-pat00092
는 0.7 등으로 생성할 수 있다.
상기 영역의 중심을 결정하는 단계(S110)에서는 분할하는 영역의 중심을 결정한다. 상기 목표 공간 분할부가 분할하는 각 영역의 중심은 아래의 수학식 3에 의해 정의될 수 있다.
수학식 3
Figure 112018035481048-pat00093
여기서,
Figure 112018035481048-pat00094
는 k번째 영역의 중심,
Figure 112018035481048-pat00095
는 평균값을 추출하는 함수를 나타낸다.
분할하는 영역의 중심을 결정되면, 영역의 반경을 결정하는 단계(S120)에서 영역의 반경을 결정한다. 분할하는 영역의 반경은 아래의 수학식 4에 의해 정의될 수 있다.
수학식 4
Figure 112018035481048-pat00096
여기서,
Figure 112018035481048-pat00097
는 k번째 영역의 반경,
Figure 112018035481048-pat00098
는 위치 벡터,
Figure 112018035481048-pat00099
는 평균값을 추출하는 함수를 나타낸다.
분할하고자 하는 영역의 중심과 반경이 결정되면, 영역을 분할하는 단계(S130)에서 상기 목표 공간 분할부가 영역을 분할한다.
상기 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 높은 센서들을 선정하는 단계(S200)에서는 서버 자원의 낭비를 줄이기 위해 효율적으로 센싱할 수 있는 센서들을 선정한다. 상기 센서들을 선정하는 단계(S200)는 연관도를 계산하는 단계(S210) 및 연관도에 따라 센서를 선정하는 단계(S220)를 포함할 수 있다.
상기 연관도를 계산하는 단계(S210)에서는 센서 선정부가 상기 목표 공간 분할부가 분할한 각 영역에 배치되는 센서들과 상기 목표 공간 분할부가 분할한 각 영역 사이의 연관도를 계산한다. 각 센서와 영역의 연관도는 아래의 수학식 5에 의해 정의될 수 있다.
수학식 5
Figure 112018035481048-pat00100
여기서,
Figure 112018035481048-pat00101
는 센서와 각 영역 사시의 연관도,
Figure 112018035481048-pat00102
는 k번째 영역의 중심,
Figure 112018035481048-pat00103
는 k번째 영역의 j 종류의 센서,
Figure 112018035481048-pat00104
는 연관도를 추출하는 함수를 나타낸다.
상기 연관도에 따라 센서를 선정하는 단계(S220)에서는 구해진 연관도를 이용하여 센서를 선정한다. 상기 센서 선정부는 센서부의 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 0.5 이상인 센서를 선정할 수 있다.
상기 위험도를 산출하는 단계(S300)에서는 센서가 선정되면, 선정된 센서로부터의 이벤트 정보를 토대로 위험도를 산출할 수 있다. 상기 위험도를 산출하는 단계(S300)는 국소지역의 위험도를 산출하는 단계(S310), 국소지역 위험도를 중간 서버에 저장하는 단계(S320), 통합 위험도를 산출하는 단계(S330) 및 통합 위험도를 최종 서버에 저장하는 단계(S340)를 포함할 수 있다.
상기 국소지역 위험도 산출부가 산출하는 각 영역의 위험도는 아래의 수학식 6에 의해 정의될 수 있다.
수학식 6
Figure 112018035481048-pat00105
여기서,
Figure 112018035481048-pat00106
은 n번째 영역의 위험도,
Figure 112018035481048-pat00107
은 n번째 영역의 공간 특성을 나타내는 특성 함수,
Figure 112018035481048-pat00108
은 목표 공간 분할부가 분할하는 각 영역의 공간 집합을 나타낸다.
이산 데이터의 경우에는 바로 이전 시간과의 차이를 구하여 미분 연산을 대체할 수 있다. 여기서, n번째 영역의 공간 특성을 나타내는 특성 함수의 급격한 변화는 위험도의 상승을 유발하는 것으로 해석될 수 있다.
상기 위험도를 산출하는 수학식에서 상기 n번째 영역의 공간 특성을 나타내는 특성 함수
Figure 112018035481048-pat00109
은 아래의 수학식 7로 정의될 수 있다.
수학식 7
Figure 112018035481048-pat00110
여기서,
Figure 112018035481048-pat00111
은 n번째 영역의 공간 특성을 나타내는 특성 함수,
Figure 112018035481048-pat00112
은 목표 공간 분할부가 분할하는 각 영역의 공간 집합,
Figure 112018035481048-pat00113
는 n번째 영역의 j센서의 가중치,
Figure 112018035481048-pat00114
는 n번째 영역의 j센서를 나타낸다.
상기 n번째 영역의 공간 특성을 나타내는 특성 함수는 가중치와 센서 값의 내적의 정규화 값이며, 최대값과 최소값은 예외적인 상황에 발생되는 값이므로 제외하였다. 따라서, 최대값과 최소값을 제외한 특성함수 값을 미분하여 국소지역 위험도를 산출할 수 있다.
상기 국소지역 위험도를 중간 서버에 저장하는 단계(S320)에서는 산출된 국소지역 위험도를 저장한다. 국소지역 위험도 산출부에서 산출한 위험도는 국소지역의 위험도이며, 해당 영역에 배치된 센서로부터 센싱된 측정값에만 의존한 값이다. 그러나, 위험도는 인접한 영역의 위험도에 영향을 받으며, 정확한 위험도를 산출하기 위해서는 인접한 다른 영역의 위험도와 연동하여 종합적으로 분석되어야 한다.
상기 통합 위험도를 산출하는 단계(S330)에서는 국소지역 위험도 산출부에서 산출한 각 영역들의 국소지역 위험도를 이용하여 보다 고수준의 위험도를 산출한다. 상기 통합 위험도를 산출하는 단계(S330)에서 산출하는 통합 위험도는 아래 수학식 8에 의해 정의될 수 있다.
수학식 8
Figure 112018035481048-pat00115
여기서,
Figure 112018035481048-pat00116
는 i번째 영역의 고급화된 위험도,
Figure 112018035481048-pat00117
는 i번째 영역의 실시간 위험도,
Figure 112018035481048-pat00118
는 상수로서 1을 나타낸다.
상기 통합 위험도는 0과 1 사이의 값으로 표현될 수 있으며, 상기 i번째 영역의 실시간 위험도
Figure 112018035481048-pat00119
는 아래 수학식 9에 의해 정의될 수 있다.
수학식 9
Figure 112018035481048-pat00120
여기서,
Figure 112018035481048-pat00121
는 i번째 영역의 실시간 위험도,
Figure 112018035481048-pat00122
는 j번째 영역이 i번째 영역에 미치는 영향을 나타낸다.
이때, 상기 j번째 영역이 i번째 영역에 미치는 영향은 아래 수학학 10에 의해 정의될 수 있다.
수학식 10
Figure 112018035481048-pat00123
여기서,
Figure 112018035481048-pat00124
는 j번째 영역이 i번째 영역에 미치는 영향,
Figure 112018035481048-pat00125
는 j번째 영역의 위치 벡터,
Figure 112018035481048-pat00126
는 i번째 영역의 위치 벡터,
Figure 112018035481048-pat00127
는 미리 정해진 상수로 감쇄계수를 나타낸다.
상기
Figure 112018035481048-pat00128
는 미리 정해진 감쇄계수로서, 위험의 전파 속도에 관련된 변수이다. 여기서,
Figure 112018035481048-pat00129
부분은 서로 다른 영역 간의 거리가 멀 수록 상호간 영향이 감소하는 것을 의미하고, 이와 국소지역 위험도를 곱한 것은 두 지역 사이의 상호작용에 대한 표현으로 볼 수 있다.
상기 통합 위험도를 최종 서버에 저장하는 단계(S340)상기 통합 위험도를 산출하는 단계(S330)에서 산출한 통합 위험도를 통합 서버에 저장한다. 이후 위험도를 표시하는 단계(S400)에서는 위험도를 표시부에 표시한다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 통상의 기술자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 센서부
200: 전처리부
210: 목표 공간 분할부
220: 센서 선정부
300: 산출부
310: 국소지역 위험도 산출부
320: 통합 위험도 산출부
400: 서버부
410: 중간 서버
420: 통합 서버
500: 표시부

Claims (20)

  1. 특정 지역을 일정한 규모의 공간으로 분할하는 목표 공간 분할부;
    상기 목표 공간 분할부가 분할한 각 영역에 배치되며, 상기 각 영역의 상태를 센싱하는 복수개의 센서들을 포함하는 센서부;
    상기 센서부의 센서들과 상기 목표 공간 분할부가 분할한 각 영역 사이의 연관도를 계산하고, 상기 센서부의 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 높은 센서들을 선정하는 센서 선정부;
    상기 센서 선정부에서 선정한 센서들이 센싱한 값을 이용하여 각 영역의 위험도를 산출하는 국소지역 위험도 산출부;
    상기 국소지역 위험도 산출부에서 산출한 각 영역의 위험도를 저장하는 중간 서버;
    상기 중간 서버에 저장된 상기 각 영역의 위험도를 바탕으로 하나의 영역이 인접하는 영역에 주는 영향을 반영한 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 산출하는 통합 위험도 산출부;
    상기 통합 위험도 산출부에서 산출한 상기 각 영역의 고급화된 위험도 및 상기 전체 영역의 위험도에 관한 정보를 저장하는 최종 서버; 및
    상기 최종 서버에 저장된 상기 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 표시하는 표시부를 포함하고,
    상기 목표 공간 분할부가 분할하는 각 영역에 관한데이터는 위치에 관한 데이터, 센서에 관한 데이터 및 상기 센서의 가중치에 관한 데이터를 포함하며, 상기 각 영역의 공간 집합은 아래의 수학식으로 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 시스템.
    Figure 112019029666700-pat00130

    여기서,
    Figure 112019029666700-pat00131
    는 목표 공간 분할부가 분할하는 각 영역의 공간 집합,
    Figure 112019029666700-pat00132
    는 위치 벡터,
    Figure 112019029666700-pat00133
    는 센서 벡터,
    Figure 112019029666700-pat00134
    은 가중치 벡터를 나타냄.
  2. 삭제
  3. 제1항에 있어서,
    상기 목표 공간 분할부가 분할하는 영역의 중심은 아래의 수학식에 의해 정의되고,
    Figure 112018035481048-pat00135

    상기 목표 공간 분할부가 분할하는 영역의 반경은 아래의 수학식에 의해 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 시스템.
    Figure 112018035481048-pat00136

    여기서
    Figure 112018035481048-pat00137
    는 k번째 영역의 중심,
    Figure 112018035481048-pat00138
    는 k번째 영역의 반경, 는
    Figure 112018035481048-pat00139
    는 위치 벡터,
    Figure 112018035481048-pat00140
    는 평균값을 추출하는 함수를 나타냄.
  4. 제1항에 있어서, 상기 센서 선정부가 계산하는 연관도는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 시스템.
    Figure 112018035481048-pat00141

    여기서,
    Figure 112018035481048-pat00142
    는 센서와 각 영역 사시의 연관도,
    Figure 112018035481048-pat00143
    는 k번째 영역의 중심,
    Figure 112018035481048-pat00144
    는 k번째 영역의 j 종류의 센서,
    Figure 112018035481048-pat00145
    는 연관도를 추출하는 함수를 나타냄.
  5. 제4항에 있어서, 상기 센서 선정부는 센서부의 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 0.5 이상인 센서를 선정하는 것을 특징으로 하는 범죄 위험 정보 전달 시스템.
  6. 제1항에 있어서, 상기 국소지역 위험도 산출부가 산출하는 각 영역의 위험도는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 시스템.
    Figure 112018035481048-pat00146

    여기서,
    Figure 112018035481048-pat00147
    은 n번째 영역의 위험도,
    Figure 112018035481048-pat00148
    은 n번째 영역의 공간 특성을 나타내는 특성 함수,
    Figure 112018035481048-pat00149
    은 목표 공간 분할부가 분할하는 각 영역의 공간 집합을 나타냄.
  7. 제6항에 있어서, 상기 n번째 영역의 공간 특성을 나타내는 특성 함수는 아래의 수학식으로 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 시스템.
    Figure 112018035481048-pat00150

    여기서,
    Figure 112018035481048-pat00151
    은 n번째 영역의 공간 특성을 나타내는 특성 함수,
    Figure 112018035481048-pat00152
    은 목표 공간 분할부가 분할하는 각 영역의 공간 집합,
    Figure 112018035481048-pat00153
    는 n번째 영역의 j센서의 가중치,
    Figure 112018035481048-pat00154
    는 n번째 영역의 j센서를 나타냄.
  8. 제1항에 있어서, 상기 통합 위험도 산출부가 산출하는 각 영역의 고급화된 위험도는 0과 1 사이의 값으로 표현되며, 아래의 수학식으로 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 시스템.
    Figure 112018035481048-pat00155

    여기서,
    Figure 112018035481048-pat00156
    는 i번째 영역의 고급화된 위험도,
    Figure 112018035481048-pat00157
    는 i번째 영역의 실시간 위험도,
    Figure 112018035481048-pat00158
    는 상수로서 1을 나타냄.
  9. 제8항에 있어서, 상기 i번째 영역의 실시간 위험도는 아래의 수학식으로 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 시스템.
    Figure 112018035481048-pat00159

    여기서,
    Figure 112018035481048-pat00160
    는 i번째 영역의 실시간 위험도,
    Figure 112018035481048-pat00161
    는 j번째 영역이 i번째 영역에 미치는 영향을 나타냄.
  10. 제9항에 있어서, 상기 j번째 영역이 i번째 영역에 미치는 영향은 아래의 수학식으로 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 시스템.
    Figure 112018035481048-pat00162

    여기서,
    Figure 112018035481048-pat00163
    는 j번째 영역이 i번째 영역에 미치는 영향,
    Figure 112018035481048-pat00164
    는 j번째 영역의 위치 벡터,
    Figure 112018035481048-pat00165
    는 i번째 영역의 위치 벡터,
    Figure 112018035481048-pat00166
    는 미리 정해진 상수로 감쇄계수를 나타냄.
  11. 목표 공간 분할부가 특정 지역을 일정한 규모로 분할하는 단계;
    센서 선정부가 상기 목표 공간 분할부가 분할한 각 영역에 배치되는 센서들과 상기 목표 공간 분할부가 분할한 각 영역 사이의 연관도를 계산하는 단계;
    상기 센서 선정부가 상기 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 높은 센서들을 선정하는 단계;
    국소지역 위험도 산출부가 상기 센서 선정부에서 선정한 센서들이 센싱한 값을 이용하여 각 영역의 위험도를 산출하는 단계;
    상기 각 영역의 위험도를 중간 서버에 저장하는 단계;
    통합 위험도 산출부가 상기 국소지역 위험도 산출부에서 산출한 각 영역의 위험도를 바탕으로 하나의 영역이 인접하는 영역에 주는 영향을 반영한 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 산출하는 단계;
    상기 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 통합 서버에 저장하는 단계; 및
    표시부가 상기 통합 서버에 저장된 상기 각 영역의 고급화된 위험도 및 전체 영역의 위험도를 표시하는 단계를 포함하고,
    상기 목표 공간 분할부가 분할하는 각 영역에 관한데이터는 위치에 관한 데이터, 센서에 관한 데이터 및 상기 센서의 가중치에 관한 데이터를 포함하며, 상기 각 영역의 공간 집합은 아래의 수학식으로 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 방법.
    Figure 112019029666700-pat00167

    여기서,
    Figure 112019029666700-pat00168
    는 목표 공간 분할부가 분할하는 각 영역의 공간 집합,
    Figure 112019029666700-pat00169
    는 위치 벡터,
    Figure 112019029666700-pat00170
    는 센서 벡터,
    Figure 112019029666700-pat00171
    은 가중치 벡터를 나타냄.
  12. 삭제
  13. 제11항에 있어서,
    상기 목표 공간 분할부가 분할하는 영역의 중심은 아래의 수학식에 의해 정의되고,
    Figure 112018035481048-pat00172

    상기 목표 공간 분할부가 분할하는 영역의 반경은 아래의 수학식에 의해 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 방법.
    Figure 112018035481048-pat00173

    여기서,
    Figure 112018035481048-pat00174
    는 k번째 영역의 중심,
    Figure 112018035481048-pat00175
    는 k번째 영역의 반경, 는
    Figure 112018035481048-pat00176
    는 위치 벡터,
    Figure 112018035481048-pat00177
    는 평균값을 추출하는 함수를 나타냄.
  14. 제11항에 있어서, 상기 센서 선정부가 계산하는 연관도는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 방법.
    Figure 112018035481048-pat00178

    여기서,
    Figure 112018035481048-pat00179
    는 센서와 각 영역 사시의 연관도,
    Figure 112018035481048-pat00180
    는 k번째 영역의 중심,
    Figure 112018035481048-pat00181
    는 k번째 영역의 j 종류의 센서,
    Figure 112018035481048-pat00182
    는 연관도를 추출하는 함수를 나타냄.
  15. 제14항에 있어서, 상기 센서 선정부는 센서부의 센서들 중 상기 목표 공간 분할부가 분할한 각 영역과의 연관도가 0.5 이상인 센서를 선정하는 것을 특징으로 하는 범죄 위험 정보 전달 방법.
  16. 제11항에 있어서, 상기 국소지역 위험도 산출부가 산출하는 각 영역의 위험도는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 방법.
    Figure 112018035481048-pat00183

    여기서,
    Figure 112018035481048-pat00184
    은 n번째 영역의 위험도,
    Figure 112018035481048-pat00185
    은 n번째 영역의 공간 특성을 나타내는 특성 함수,
    Figure 112018035481048-pat00186
    은 목표 공간 분할부가 분할하는 각 영역의 공간 집합을 나타냄.
  17. 제16항에 있어서, 상기 n번째 영역의 공간 특성을 나타내는 특성 함수는 아래의 수학식으로 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 방법.
    Figure 112018035481048-pat00187

    여기서,
    Figure 112018035481048-pat00188
    은 n번째 영역의 공간 특성을 나타내는 특성 함수,
    Figure 112018035481048-pat00189
    은 목표 공간 분할부가 분할하는 각 영역의 공간 집합,
    Figure 112018035481048-pat00190
    는 n번째 영역의 j센서의 가중치,
    Figure 112018035481048-pat00191
    는 n번째 영역의 j센서를 나타냄.
  18. 제11항에 있어서, 상기 통합 위험도 산출부가 산출하는 각 영역의 고급화된 위험도는 0과 1 사이의 값으로 표현되며, 아래의 수학식으로 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 방법.
    Figure 112018035481048-pat00192

    여기서,
    Figure 112018035481048-pat00193
    는 i번째 영역의 고급화된 위험도,
    Figure 112018035481048-pat00194
    는 i번째 영역의 실시간 위험도,
    Figure 112018035481048-pat00195
    는 상수로서 1을 나타냄.
  19. 제18항에 있어서, 상기 i번째 영역의 실시간 위험도는 아래의 수학식으로 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 방법.
    Figure 112018035481048-pat00196

    여기서,
    Figure 112018035481048-pat00197
    는 i번째 영역의 실시간 위험도,
    Figure 112018035481048-pat00198
    는 j번째 영역이 i번째 영역에 미치는 영향을 나타냄.
  20. 제19항에 있어서, 상기 j번째 영역이 i번째 영역에 미치는 영향은 아래의 수학식으로 정의되는 것을 특징으로 하는 범죄 위험 정보 전달 방법.
    Figure 112018035481048-pat00199

    여기서,
    Figure 112018035481048-pat00200
    는 j번째 영역이 i번째 영역에 미치는 영향,
    Figure 112018035481048-pat00201
    는 j번째 영역의 위치 벡터,
    Figure 112018035481048-pat00202
    는 i번째 영역의 위치 벡터,
    Figure 112018035481048-pat00203
    는 미리 정해진 상수로 감쇄계수를 나타냄.













KR1020180041441A 2018-04-10 2018-04-10 범죄 위험 정보 전달 시스템 및 방법 KR102010925B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180041441A KR102010925B1 (ko) 2018-04-10 2018-04-10 범죄 위험 정보 전달 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180041441A KR102010925B1 (ko) 2018-04-10 2018-04-10 범죄 위험 정보 전달 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102010925B1 true KR102010925B1 (ko) 2019-08-14

Family

ID=67622181

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180041441A KR102010925B1 (ko) 2018-04-10 2018-04-10 범죄 위험 정보 전달 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102010925B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110042677A (ko) 2009-10-19 2011-04-27 주식회사 베스코 센서카메라를 이용한 방범 시스템
KR101368470B1 (ko) * 2007-06-29 2014-03-12 주식회사 케이티 원격지 센서에서 측정된 대용량 데이터 처리 시스템 및 그방법
KR101598863B1 (ko) * 2014-09-05 2016-03-02 (주)에스티씨 연속적 이벤트의 연계와 결합이 있는 상황 추론에서의 가중치 부여 시스템 및 방법
KR101805713B1 (ko) * 2017-07-31 2017-12-06 한국가스안전공사 위험지도를 이용한 위험도 분석 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101368470B1 (ko) * 2007-06-29 2014-03-12 주식회사 케이티 원격지 센서에서 측정된 대용량 데이터 처리 시스템 및 그방법
KR20110042677A (ko) 2009-10-19 2011-04-27 주식회사 베스코 센서카메라를 이용한 방범 시스템
KR101598863B1 (ko) * 2014-09-05 2016-03-02 (주)에스티씨 연속적 이벤트의 연계와 결합이 있는 상황 추론에서의 가중치 부여 시스템 및 방법
KR101805713B1 (ko) * 2017-07-31 2017-12-06 한국가스안전공사 위험지도를 이용한 위험도 분석 시스템

Similar Documents

Publication Publication Date Title
EP3270134A1 (en) Gas leak location estimating device, gas leak location estimating system, gas leak location estimating method and gas leak location estimating program
US20120327119A1 (en) User adaptive augmented reality mobile communication device, server and method thereof
US9846811B2 (en) System and method for video-based determination of queue configuration parameters
US20140169639A1 (en) Image Detection Method and Device
EP3364350A1 (en) Inventory management computer system and inventory tracking method
RU2014126446A (ru) Способ и система для совместного использования данных об объекте
CN113988880A (zh) 一种行业识别模型确定方法和装置
US20150363706A1 (en) Fusion of data from heterogeneous sources
US20160091359A1 (en) System and method for measuring segment parameters of a human body for recording a body mass index
US10664879B2 (en) Electronic device, apparatus and system
JP2023536025A (ja) 路車協調における目標検出方法、装置及び路側機器
CN111210071B (zh) 业务对象预测方法、装置、设备及可读存储介质
US20200272906A1 (en) Discriminant model generation device, discriminant model generation method, and discriminant model generation program
CN103456009A (zh) 目标检测方法与装置、监控系统
US20230385799A1 (en) Article deduction apparatus, article deduction method, and program
Mooney et al. Using universal kriging to improve neighborhood physical disorder measurement
KR102010925B1 (ko) 범죄 위험 정보 전달 시스템 및 방법
US20210256502A1 (en) Account entity location based navigation and display for a projectable transaction card
US9607008B2 (en) Analysis engine control device
US11216651B2 (en) Information processing device and reporting method
US10909710B2 (en) System and method for tracking product stock in a store shelf
JP6849887B2 (ja) 検出装置及び方法、画像処理装置及びシステム、並びに記憶媒体
CN114641795A (zh) 物体检索装置及物体检索方法
KR102006688B1 (ko) 영역별 방범 정보 공유 시스템 및 방법
Stump et al. How robust are deep object detectors to variability in ground truth bounding boxes? Experiments for target recognition in infrared imagery

Legal Events

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