KR102366522B1 - 물체 검출 방법 및 이 방법을 채용한 감시 시스템 - Google Patents

물체 검출 방법 및 이 방법을 채용한 감시 시스템 Download PDF

Info

Publication number
KR102366522B1
KR102366522B1 KR1020150019731A KR20150019731A KR102366522B1 KR 102366522 B1 KR102366522 B1 KR 102366522B1 KR 1020150019731 A KR1020150019731 A KR 1020150019731A KR 20150019731 A KR20150019731 A KR 20150019731A KR 102366522 B1 KR102366522 B1 KR 102366522B1
Authority
KR
South Korea
Prior art keywords
image
detection
detection result
images
database
Prior art date
Application number
KR1020150019731A
Other languages
English (en)
Other versions
KR20160097690A (ko
Inventor
김지성
배순민
장재호
백영민
Original Assignee
한화테크윈 주식회사
한화디펜스 주식회사
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 한화테크윈 주식회사, 한화디펜스 주식회사 filed Critical 한화테크윈 주식회사
Priority to KR1020150019731A priority Critical patent/KR102366522B1/ko
Publication of KR20160097690A publication Critical patent/KR20160097690A/ko
Application granted granted Critical
Publication of KR102366522B1 publication Critical patent/KR102366522B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Abstract

학습 데이터베이스를 사용하여 감시 대상 화면상에서 특정 대상의 영상의 영역을 검출하는 물체 검출 방법으로서, 단계들 (a) 내지 (c)를 포함한다. 단계 (a)에서는, 특정 대상의 영상의 영역이 검출될 때마다 검출 결과 영상이 저장된다. 단계 (b)에서는, 사용자의 요청에 따라, 저장되어 있는 검출 결과 영상들이 오검출 후보 영상들로서 디스플레이된다. 단계 (c)에서는, 오검출 후보 영상들 중에서 적어도 한 영상이 오검출 영상으로서 선택되면, 선택된 적어도 한 오검출 영상에 의하여 상기 학습 데이터베이스가 재구성된다.

Description

물체 검출 방법 및 이 방법을 채용한 감시 시스템{Method for detecting object and surveillance system adopting the method}
본 발명은, 물체 검출 방법 및 이 방법을 채용한 감시 시스템에 관한 것으로서, 보다 상세하게는, 학습 데이터베이스를 사용하여 감시 대상 화면상에서 특정 대상의 영상의 영역을 검출하는 물체 검출 방법 및 이 방법을 채용한 감시 시스템에 관한 것이다.
감시 시스템의 호스트 장치는 학습 데이터베이스를 사용하여 감시 대상 화면상에서 특정 대상의 영상의 영역을 검출할 수 있다. 학습 데이터베이스는 특정 대상의 데이터베이스와 배경의 데이터베이스를 포함한다. 여기에서, 특정 대상의 예로서 사람 또는 자동차 등을 들 수 있다. 특정 대상의 영상의 영역이 검출되면, 검출 결과의 영역이 감시 대상 화면상에서 표시되는 한편, 경보 신호가 출력된다.
이와 같이 학습 데이터베이스를 사용하는 물체 검출 방법으로서, 전후 영상들의 비교 또는 확률적인 모델링 등의 다양한 방법들이 있다. 그럼에도 불구하고 아직까지 검출 오류의 문제점이 남아 있다.
예를 들어, 감시 대상 화면상에 표시된 특정 대상의 영상의 영역은 사람의 전체를 포함하지 못하고 일부만을 포함할 수 있다. 또한, 특정 대상으로서 사람만을 검출하는 경우, 사람뿐만 아니라 자동차도 검출해버리는 오류가 발생하였다.
상기 배경 기술의 문제점은, 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 내용으로서, 반드시 본 발명의 출원 전에 일반 공중에게 공지된 내용이라 할 수는 없다.
대한민국 공개특허공보 제2014-0052257호, 출원인 : 계명대학교 산학협력단).
본 발명의 실시예는, 물체 검출 오류의 발생을 근본적으로 방지할 수 있는 물체 검출 방법 및 감시 시스템을 제공하고자 한다.
본 발명의 일 측면에 따르면, 학습 데이터베이스를 사용하여 감시 대상 화면상에서 특정 대상의 영상의 영역을 검출하는 물체 검출 방법으로서, 단계들 (a) 내지 (c)를 포함한다.
상기 단계 (a)에서는, 상기 특정 대상의 영상의 영역이 검출될 때마다 검출 결과 영상이 저장된다.
상기 단계 (b)에서는, 사용자의 요청에 따라, 저장되어 있는 검출 결과 영상들이 오검출 후보 영상들로서 디스플레이된다.
상기 단계 (c)에서는, 상기 오검출 후보 영상들 중에서 적어도 한 영상이 오검출 영상으로서 선택되면, 선택된 적어도 한 오검출 영상에 의하여 상기 학습 데이터베이스가 재구성된다.
본 발명의 제2 측면에 따르면, 카메라에 호스트 장치가 연결되고, 상기 호스트 장치가 학습 데이터베이스를 사용하여 감시 대상 화면상에서 특정 대상의 영상의 영역을 검출하는 감시 시스템이 제공될 수 있다. 상기 호스트 장치는 상기 물체 검출 방법을 채용한다.
본 발명의 실시예의 물체 검출 방법 및 이 방법을 채용한 감시 시스템에 의하면, 특정 대상의 영상의 영역이 검출될 때마다 검출 결과 영상이 저장됨에 따라, 검출 결과 영상들이 오검출 후보 영상들로서 디스플레이될 수 있다. 여기에서 사용자에 의하여 선택된 적어도 한 오검출 영상에 의하여 상기 학습 데이터베이스가 재구성된다.
따라서, 상기 학습 데이터베이스가 새로운 오검출 영상에 의하여 수시로 재구성될 수 있으므로, 환경 변화에 적응하는 최적의 학습 데이터베이스가 사용될 수 있다. 따라서, 본 실시예의 물체 검출 방법 및 이 방법을 채용한 감시 시스템에 의하면, 물체 검출 오류의 발생이 근본적으로 방지될 수 있다.
도 1은 본 발명의 일 실시예의 방법을 채용한 감시 시스템을 보여주는 도면이다.
도 2는 도 1의 감시 시스템의 호스트 장치에서 수행되는 본 발명의 일 실시예의 물체 검출 방법을 보여주는 흐름도이다.
도 3은 도 1의 감시 시스템의 호스트 장치에 포함되어 있는 데이터베이스의 구성을 보여주는 블록도이다.
도 4는 도 2의 단계 S204에 의하여 오검출 후보 영상들이 디스플레이됨을 보여주는 도면이다.
도 5는 도 2의 단계 S202의 상세 알고리즘을 보여주는 흐름도이다.
도 6은 도 5의 상세 알고리즘을 설명하기 위한 도면이다.
도 7은 도 5의 단계 S502에서 어느 한 대표 영상에 대하여 검출 결과 영상의 유사도를 구하는 알고리즘의 흐름도이다.
하기의 설명 및 첨부된 도면은 본 발명에 따른 동작을 이해하기 위한 것이며, 본 기술 분야의 통상의 기술자가 용이하게 구현할 수 있는 부분은 생략될 수 있다. 즉, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.
또한, 본 명세서 및 도면은 본 발명을 제한하기 위한 목적으로 제공된 것은 아니고, 본 발명의 범위는 청구의 범위에 의하여 정해져야 한다. 본 명세서에서 사용된 용어들은, 본 발명을 가장 적절하게 표현할 수 있도록, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 한다.
이하 첨부된 도면들을 참조하여 본 발명의 실시예가 상세히 설명된다. 물론, 본 실시예의 물체 검출 방법은 종래의 다양한 검출 알고리즘과 함께 사용될 수 있다.
도 1은 본 발명의 일 실시예의 방법을 채용한 카메라(101a 내지 101n) 또는 감시 시스템(10)을 보여준다.
도 1을 참조하면, 카메라들(101a 내지 101n)은, 통신 신호들(Sco)을 교환하면서 호스트 장치(102)와 통신하면서, 라이브-뷰(live-view)의 비디오 신호(Svid)를 호스트 장치(102)에 전송한다.
호스트 장치(102)에서 수신된 비디오 신호(Svid)는, 디스플레이 장치를 통하여 디스플레이되는 한편, 기록 장치 예를 들어, 하드 디스크 드라이브(Hard Disk Drive)에 저장된다.
여기에서, 본 발명의 일 실시예에 의한 방법은 호스트 장치(102)에 의하여 수행된다. 즉, 호스트 장치(102)는 학습 데이터베이스를 사용하여 감시 대상 화면상에서 특정 대상의 영상의 영역을 검출한다.
이와 관련된 내용이 도 2 내지 7을 참조하여 상세히 설명될 것이다. 본 실시예의 경우, 특정 대상은 사람으로 설정되어 있다.
도 2는 도 1의 감시 시스템(10)의 호스트 장치(102)에서 수행되는 본 발명의 일 실시예의 물체 검출 방법을 보여준다. 도 1 및 2를 참조하여 이를 설명하면 다음과 같다.
호스트 장치(102)는 특정 대상의 영상의 영역이 검출될 때마다 검출 결과 영상을 저장한다(단계들 S201 및 S202).
또한, 호스트 장치(102)는 사용자의 요청에 따라 학습 데이터베이스의 재구성 모드가 설정되어 있는지를 판단한다(단계 S203). 재구성 모드가 설정되어 있으면 호스트 장치(102)는 아래의 단계들을 수행한다.
호스트 장치(102)는 저장되어 있는 검출 결과 영상들을 오검출 후보 영상들로서 디스플레이한다(단계 S204, 도 4 및 그 설명 참조).
사용자에 의하여 오검출 후보 영상들 중에서 적어도 한 영상이 오검출 영상으로서 선택되었으면(단계 S205), 호스트 장치(102)는 선택된 적어도 한 오검출 영상에 의하여 학습 데이터베이스를 재구성한다(단계 S206).
상기 모든 단계들(S201 내지 S205)은 종료 신호가 발생될 때까지 반복적으로 수행된다(단계 S207).
도 2의 실시예의 물체 검출 방법 및 이 방법을 채용한 감시 시스템(10)에 의하면, 특정 대상의 영상의 영역이 검출될 때마다 검출 결과 영상이 저장됨에 따라, 검출 결과 영상들이 오검출 후보 영상들로서 디스플레이될 수 있다(도 4 참조). 여기에서 사용자에 의하여 선택된 적어도 한 오검출 영상에 의하여 학습 데이터베이스가 재구성된다.
따라서, 학습 데이터베이스가 새로운 오검출 영상에 의하여 수시로 재구성될 수 있으므로, 환경 변화에 적응하는 최적의 학습 데이터베이스가 사용될 수 있다. 따라서, 본 실시예의 물체 검출 방법 및 이 방법을 채용한 감시 시스템(10)에 의하면, 물체 검출 오류의 발생이 근본적으로 방지될 수 있다.
도 3은 도 1의 감시 시스템(10)의 호스트 장치(102)에 포함되어 있는 데이터베이스의 구성을 보여준다. 도 4는 도 2의 단계 S204에 의하여 오검출 후보 영상들(I11 내지 Imn)이 디스플레이됨을 보여준다. 도 4에서 참조 부호 401은 호스트 장치(102) 내의 디스플레이 패널을, 그리고 402는 커서(cursor)를 가리킨다.
도 2 내지 4를 참조하면, 호스트 장치(도 1의 102)는 검출 데이터베이스(301)와 학습 데이터베이스(302)를 포함한다. 검출 데이터베이스(301)는 제1 검출 데이터베이스(301a)와 제2 검출 데이터베이스(301b)를 포함한다.
상기 단계 S202에 있어서, 모든 검출 결과 영상들이 시간 대역 별로 제1 검출 데이터베이스(301a)에 저장되고, 서로 다른 검출 결과 영상들만이 대표 영상들로서 제2 검출 데이터베이스(301b)에 저장된다.
상기 단계 S204에 있어서, 제2 검출 데이터베이스(301b)에 저장되어 있는 각각의 대표 영상(I11 내지 Imn)이 누적 검출 횟수와 함께 디스플레이된다. 예를 들어, 제11 대표 영상(I11)은 현재까지 13회 검출되었고, 제1n 대표 영상(I1n)은 현재까지 3회 검출되었으며, 제m1 대표 영상(Im1)은 현재까지 5회 검출되었고, 제mn 대표 영상(Imn)은 현재까지 8회 검출되었음을 알 수 있다.
또한, 상기 단계 S206에서, 선택된 오검출 영상(I11 내지 Imn 중에서 적어도 어느 하나)에 의하여 학습 데이터베이스(302)가 재구성된 후에 상기 선택된 오검출 영상이 제2 검출 데이터베이스(301b)에서 삭제된다.
도 5는 도 2의 단계 S202의 상세 알고리즘을 보여준다. 도 6은 도 5의 상세 알고리즘을 설명하기 위한 도면이다. 도 6에서 참조 부호 301b는 도 3에서의 제2 검출 데이터베이스를, IIN은 현재의 검출 결과 영상을, 그리고 S11 내지 Smn은 유사도들(similarities)을 가리킨다.
도 3, 5 및 6을 참조하여 단계 S202의 상세 알고리즘을 설명하면 다음과 같다.
먼저, 호스트 장치(도 1의 102)는 현재의 검출 결과 영상(IIN)을 제1 검출 데이터베이스(301a)에 저장한다(단계 S501).
다음에, 호스트 장치(102)는 제2 검출 데이터베이스(301b)에 저장되어 있는 대표 영상들(I11 내지 Imn)에 대하여 현재의 검출 결과 영상(IIN)의 유사도들(S11 내지 Smn)을 구한다(단계 S502).
다음에, 호스트 장치(102)는 현재의 검출 결과 영상(IIN)의 유사도들(S11 내지 Smn) 중에서 가장 높은 유사도(SHI)가 기준 유사도(SRE)보다 낮은지의 여부를 판단한다(단계 S503).
현재의 검출 결과 영상(IIN)의 유사도들(S11 내지 Smn) 중에서 가장 높은 유사도(SHI)가 기준 유사도(SRE)보다 낮으면(단계 S503), 호스트 장치(102)는 현재의 검출 결과 영상을 하나의 대표 영상으로서 제2 검출 데이터베이스(301b)에 저장한다(단계 S504).
현재의 검출 결과 영상(IIN)의 유사도들(S11 내지 Smn) 중에서 가장 높은 유사도(SHI)가 기준 유사도(SRE)보다 낮지 않으면(단계 S503), 호스트 장치(102)는 상기 가장 높은 유사도에 대응하는 대표 영상의 누적 검출 횟수를 1회 증가시킨다(단계 S505). 예를 들어, 현재의 검출 결과 영상(IIN)의 유사도들(S11 내지 Smn) 중에서 제11 대표 영상(I11)에 대한 유사도(S11)가 가장 높다면, 제11 대표 영상(I11)의 누적 검출 횟수는 13에서 14로 증가한다.
한편, 도 2의 단계 S202의 상세 예로서, 도 5의 상세 예가 다음과 같이 변할 수 있다.
도 5의 단계들 S501과 S502는 다음과 같이 변할 수 있다. 단계 S501에서, 특정 대상의 영상의 영역의 위치 정보, 컬러 영상 및 에지(edge) 영상이 시간 대역 별로 제1 검출 데이터베이스(도 3의 301a)에 저장된다. 또한, 단계 S502에서, 특정 대상의 영상의 영역의 위치 정보, 컬러 영상 및 에지(edge) 영상에 의하여 현재의 검출 결과 영상(IIN)의 유사도들(S11 내지 Smn)이 구해진다. 이 경우, 보다 빠르고 정확하게 유사도들(S11 내지 Smn)이 구해질 수 있다. 이와 관련된 내용은 도 7에 도시되어 있다.
도 7은 도 5의 단계 S502에서 어느 한 대표 영상(Imn)에 대하여 검출 결과 영상의 유사도(Smn)를 구하는 알고리즘(S502a)의 흐름도이다. 도 6 및 7을 참조하여 이 알고리즘(S502a)을 설명하면 다음과 같다.
먼저, 호스트 장치(도 1의 102)는 상기 위치 정보를 사용하여 상기 어느 한 대표 영상(Imn)과 현재의 검출 결과 영상(IIN)의 중첩 비율을 구한다(단계 S701). 여기에서, 위치 정보는 영상의 기준 꼭지점의 좌표, 수평 방향(X-축 방향)의 길이, 및 수직 방향(Y-축 방향)의 길이를 포함한다.
또한, 호스트 장치(102)는 구해진 중첩 비율(RPC)이 기준 중첩 비율(RPR)보다 높은지의 여부를 판단한다(단계 S702).
구해진 중첩 비율(RPC)이 기준 중첩 비율(RPR) 예를 들어, 50 퍼센트(%)보다 높지 않으면, 호스트 장치(102)는 해당되는 대표 영상(Imn)에 대하여 더 이상 유사도를 구하지 않는다. 즉, 구해진 중첩 비율(RPC)이 기준 중첩 비율(RPR)보다 높지 않으면, 호스트 장치(102)는 해당되는 대표 영상(Imn)이 현재의 검출 결과 영상(IIN)과 동일한 영상이 아니라고 판정한다.
구해진 중첩 비율(RPC)이 기준 중첩 비율(RPR)보다 높으면, 호스트 장치(102)는 상기 컬러 영상의 데이터를 사용하여 컬러 히스토그램 교차(intersection)의 비율을 구한다(단계 S703). 잘 알려져 있는 바와 같이, 컬러 히스토그램 교차(intersection)의 비율 RCC는 아래의 수학식 1에 의하여 구해질 수 있다.
Figure 112015013710394-pat00001
상기 수학식 1에서 Ak는 상기 어느 한 대표 영상(Imn)의 컬러 화소 값을, 그리고 Bk는 Ak에 대응하는 현재의 검출 결과 영상(IIN)의 컬러 화소 값을 각각 가리킨다. 상기 수학식 1에서의 분모는, 두 영상들(Imn,IIN) 각각의 총합들 중에서 적은 값이다. 상기 수학식 1에서의 분자는, 각각의 화소에 대한 두 영상들(Imn,IIN)의 화소 값들 중에서 적은 값들의 총합이다.
예를 들어, 어느 한 대표 영상(Imn)의 N 개의 컬러 화소 값들이 12, 21, 42, 51, 및 17이면,
Figure 112015013710394-pat00002
는 12 + 21 + 42 + 51 + 17 즉, 146이다. 또한, 이에 대응하는 현재의 검출 결과 영상(IIN)의 컬러 화소 값들이 57, 83, 15, 11, 1이면,
Figure 112015013710394-pat00003
는 57 + 83 + 15 + 11 + 1 즉, 167이다. 따라서, 상기 수학식 1에서의 분모의 값은 146이다. 한편, 상기 수학식 1에서의 분자의 값은 15 + 21 + 15 + 11 + 1 즉, 63이다. 따라서, 컬러 히스토그램 교차(intersection)의 비율 RCC는 63/146 즉, 0.43이다.
다음에, 호스트 장치(102)는 구해진 컬러 히스토그램 교차의 비율(RCC)이 기준 교차 비율(RCR)보다 높은지의 여부를 판단한다(단계 S704).
컬러 히스토그램 교차의 비율(RCC)이 기준 교차 비율(RCR)보다 높지 않으면, 호스트 장치(102)는 해당되는 대표 영상(Imn)에 대하여 더 이상 유사도를 구하지 않는다. 즉, 구해진 컬러 히스토그램 교차의 비율(RCC)이 기준 교차 비율(RCR)보다 높지 않으면, 호스트 장치(102)는 해당되는 대표 영상(Imn)이 현재의 검출 결과 영상(IIN)과 동일한 영상이 아니라고 판정한다.
컬러 히스토그램 교차의 비율(RCC)이 기준 교차 비율(RCR)보다 높으면, 호스트 장치(102)는 상기 에지(edge) 영상의 데이터를 사용하여 NCC(Normalized Cross Correlation)의 비율(RNC)을 구한다(단계 S705). 잘 알려져 있는 바와 같이, NCC의 비율 RNC는 아래의 수학식 2에 의하여 구해질 수 있다.
Figure 112015013710394-pat00004
상기 수학식 2에서, Ak는 상기 어느 한 대표 영상(Imn)의 컬러 화소 값을, 그리고 Bk는 Ak에 대응하는 현재의 검출 결과 영상(IIN)의 컬러 화소 값을 각각 가리킨다. μA는 상기 어느 한 대표 영상(Imn)의 화소 값들의 평균 값을, μB는 현재의 검출 결과 영상(IIN)의 화소 값들의 평균 값을, σA는 상기 어느 한 대표 영상(Imn)의 화소 값들의 분산 값을, 그리고 σB는 현재의 검출 결과 영상(IIN)의 화소 값들의 분산 값을 각각 가리킨다.
다음에, 호스트 장치(102)는 상기 중첩 비율 RPC, 상기 컬러 히스토그램 교차(intersection)의 비율 RCC, 및 상기 NCC(Normalized Cross Correlation)의 비율 RNC의 합산 결과 비율Smn을 상기 어느 한 대표 영상(Imn)의 유사도(Smn)로서 설정한다(단계 S706). 즉, 호스트 장치(102)는 아래의 수학식 3에 따른 계산 결과를 구한다.
Figure 112015013710394-pat00005
이상 설명된 바와 같이, 본 발명에 따른 실시예의 물체 검출 방법 및 이 방법을 채용한 감시 시스템에 의하면, 특정 대상의 영상의 영역이 검출될 때마다 검출 결과 영상이 저장됨에 따라, 검출 결과 영상들이 오검출 후보 영상들로서 디스플레이될 수 있다. 여기에서 사용자에 의하여 선택된 적어도 한 오검출 영상에 의하여 학습 데이터베이스가 재구성된다.
따라서, 학습 데이터베이스가 새로운 오검출 영상에 의하여 수시로 재구성될 수 있으므로, 환경 변화에 적응하는 최적의 학습 데이터베이스가 사용될 수 있다. 따라서, 본 실시예의 물체 검출 방법 및 이 방법을 채용한 감시 시스템에 의하면, 물체 검출 오류의 발생이 근본적으로 방지될 수 있다.
이제까지 본 발명에 대하여 바람직한 실시예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다.
그러므로 상기 개시된 실시예는 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 특허청구범위에 의해 청구된 발명 및 청구된 발명과 균등한 발명들은 본 발명에 포함된 것으로 해석되어야 한다.
물체 검출 뿐만 아니라 움직임 검출에도 이용될 가능성이 높다.
10 : 감시 시스템, 101a 내지 101n : 카메라들,
102 : 호스트 장치, 301 : 검출 데이터베이스,
301a : 제1 검출 데이터베이스, 301b : 제2 검출 데이터베이스,
302 : 학습 데이터베이스, 401 : 디스플레이 패널,
I11 내지 Imn : 오검출 후보 영상들, 402 : 커서,
IIN : 현재의 검출 결과 영상, S11 내지 Smn : 유사도들.

Claims (7)

  1. 학습 데이터베이스를 사용하여 감시 대상 화면상에서 물체를 검출하는 방법에 있어서,
    (a) 특정 대상이 검출될 때마다 검출 결과 영상을 저장함;
    (b) 저장되어 있는 검출 결과 영상들 중 서로 다른 검출 결과 영상들인 대표 영상들을 오검출 후보 영상들로서 디스플레이함; 및
    (c) 상기 오검출 후보 영상들 중에서 적어도 한 영상이 오검출 영상으로서 선택되면, 선택된 적어도 한 오검출 영상에 의하여 상기 학습 데이터베이스를 재구성함;을 포함하고,
    상기 단계 (a)에서,
    현재 검출 결과 영상과 상기 오검출 후보 영상들 각각의 위치 데이터, 컬러 데이터 및 에지 데이터를 기초로, 상기 현재 검출 결과 영상과 상기 오검출 후보 영상들 간의 유사도들을 산출하고, 산출된 상기 유사도들을 기초로 상기 현재 검출 결과 영상을 상기 대표 영상으로 저장하는, 물체 검출 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 단계 (a)에서,
    모든 검출 결과 영상들이 시간 대역 별로 제1 검출 데이터베이스에 저장되고,
    상기 대표 영상들이 제2 검출 데이터베이스에 저장되며,
    상기 단계 (b)에서,
    상기 제2 검출 데이터베이스에 저장되어 있는 각각의 대표 영상이 누적 검출 횟수와 함께 디스플레이되고,
    상기 단계 (c)에서,
    상기 선택된 오검출 영상에 의하여 상기 학습 데이터베이스가 재구성된 후에 상기 선택된 오검출 영상이 상기 제2 검출 데이터베이스에서 삭제되는, 물체 검출 방법.
  4. 삭제
  5. 삭제
  6. 카메라에 호스트 장치가 연결되고, 상기 호스트 장치가 학습 데이터베이스를 사용하여 감시 대상 화면상에서 물체를 검출하는 감시 시스템에 있어서,
    상기 호스트 장치는,
    특정 대상이 검출될 때마다 검출 결과 영상을 저장하고,
    저장되어 있는 검출 결과 영상들 중 서로 다른 검출 결과 영상들인 대표 영상들을 오검출 후보 영상들로서 디스플레이하고,
    상기 오검출 후보 영상들 중에서 적어도 한 영상이 오검출 영상으로서 선택되면, 선택된 오검출 영상에 의하여 상기 학습 데이터베이스를 재구성하고,
    상기 호스트 장치는,
    현재 검출 결과 영상과 상기 오검출 후보 영상들 각각의 위치 데이터, 컬러 데이터 및 에지 데이터를 기초로, 상기 현재 검출 결과 영상과 상기 오검출 후보 영상들 간의 유사도들을 산출하고, 산출된 상기 유사도들을 기초로 상기 현재 검출 결과 영상을 상기 대표 영상으로 저장하는, 감시 시스템.
  7. 제3항에 있어서,
    상기 단계 (a)는,
    상기 현재 검출 결과 영상의 유사도들 중 가장 높은 유사도가 기준 유사도보다 낮으면, 상기 현재 검출 결과 영상을 상기 대표 영상으로서 상기 제2 검출 데이터베이스에 저장함; 및
    상기 현재 검출 결과 영상의 유사도들 중 중 가장 높은 유사도가 상기 기준 유사도보다 낮지 않으면, 상기 가장 높은 유사도에 대응하는 대표 영상의 누적 검출 횟수를 1회 증가시킴;을 포함한, 물체 검출 방법.
KR1020150019731A 2015-02-09 2015-02-09 물체 검출 방법 및 이 방법을 채용한 감시 시스템 KR102366522B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150019731A KR102366522B1 (ko) 2015-02-09 2015-02-09 물체 검출 방법 및 이 방법을 채용한 감시 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150019731A KR102366522B1 (ko) 2015-02-09 2015-02-09 물체 검출 방법 및 이 방법을 채용한 감시 시스템

Publications (2)

Publication Number Publication Date
KR20160097690A KR20160097690A (ko) 2016-08-18
KR102366522B1 true KR102366522B1 (ko) 2022-02-23

Family

ID=56874182

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150019731A KR102366522B1 (ko) 2015-02-09 2015-02-09 물체 검출 방법 및 이 방법을 채용한 감시 시스템

Country Status (1)

Country Link
KR (1) KR102366522B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102486986B1 (ko) * 2017-05-04 2023-01-10 한화테크윈 주식회사 객체 검출 시스템, 방법 및 컴퓨터 판독 가능한 기록매체
KR102402883B1 (ko) * 2017-06-20 2022-05-27 한화테크윈 주식회사 객체 검출 시스템, 방법 및 컴퓨터 판독 가능한 기록매체
KR102500975B1 (ko) * 2020-04-29 2023-02-21 한국건설기술연구원 딥러닝 모델을 학습시키기 위한 장치 및 그 방법
KR102549703B1 (ko) * 2021-08-19 2023-06-30 뱀부스 주식회사 돌발상황 오탐지 분류 방법 및 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005228140A (ja) 2004-02-13 2005-08-25 Canon Inc 被写体領域検出情報の調整方法
JP2014044525A (ja) * 2012-08-24 2014-03-13 Canon Inc 被写体認識装置及びその制御方法、撮像装置、表示装置、並びにプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI489394B (zh) * 2008-03-03 2015-06-21 Videoiq Inc 用於追蹤、索引及搜尋之物件匹配
KR101437999B1 (ko) 2012-10-24 2014-09-04 계명대학교 산학협력단 밝기맵 기반의 중심대칭 국부이진 패턴과 랜덤 포레스트를 이용한 열 영상에서의 사람 검출 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005228140A (ja) 2004-02-13 2005-08-25 Canon Inc 被写体領域検出情報の調整方法
JP2014044525A (ja) * 2012-08-24 2014-03-13 Canon Inc 被写体認識装置及びその制御方法、撮像装置、表示装置、並びにプログラム

Also Published As

Publication number Publication date
KR20160097690A (ko) 2016-08-18

Similar Documents

Publication Publication Date Title
JP6814673B2 (ja) 移動経路予測装置、及び移動経路予測方法
US9451062B2 (en) Mobile device edge view display insert
US11450114B2 (en) Information processing apparatus, information processing method, and computer-readable storage medium, for estimating state of objects
US9875408B2 (en) Setting apparatus, output method, and non-transitory computer-readable storage medium
JP6806188B2 (ja) 情報処理システム、情報処理方法及びプログラム
KR102366522B1 (ko) 물체 검출 방법 및 이 방법을 채용한 감시 시스템
CN110268440B (zh) 图像解析装置、图像解析方法、以及存储介质
JP6724904B2 (ja) 画像処理装置、画像処理方法、および画像処理システム
US9589192B2 (en) Information processing system, information processing method, and program
US20120020523A1 (en) Information creation device for estimating object position and information creation method and program for estimating object position
US9984300B2 (en) Image processing system, image processing method, and program
US9934576B2 (en) Image processing system, image processing method, and recording medium
EP2570992A1 (en) Image processing apparatus, image processing method, and program
US20140226857A1 (en) Information processing system, information processing method and program
US10679377B2 (en) Object detection system and method, and computer readable recording medium
US20200018926A1 (en) Information processing apparatus, information processing method, and program
JP2017168885A (ja) 撮像制御装置及びカメラ
JP6736348B2 (ja) 画像処理装置、画像処理方法及びプログラム
US11544833B1 (en) System and method for capturing by a device an image of a light colored object on a light colored background for uploading to a remote server
JP7214437B2 (ja) 情報処理装置、情報処理方法及びプログラム
JP2015106387A (ja) 表示制御方法、情報処理装置およびプログラム
US10979675B2 (en) Video monitoring apparatus for displaying event information
JP7034827B2 (ja) 監視方法
JP2010087937A (ja) 映像検出装置、映像検出方法および映像検出プログラム
KR20220061923A (ko) 움직임 검출 방법, 이 방법을 채용한 카메라 및 감시 시스템

Legal Events

Date Code Title Description
N231 Notification of change of applicant
N231 Notification of change of applicant
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right