KR102436142B1 - 단속 카메라로 촬영된 위반 사실을 이용한 확률적 예측 서비스 제공 방법 및 이를 위한 장치 - Google Patents
단속 카메라로 촬영된 위반 사실을 이용한 확률적 예측 서비스 제공 방법 및 이를 위한 장치 Download PDFInfo
- Publication number
- KR102436142B1 KR102436142B1 KR1020190028035A KR20190028035A KR102436142B1 KR 102436142 B1 KR102436142 B1 KR 102436142B1 KR 1020190028035 A KR1020190028035 A KR 1020190028035A KR 20190028035 A KR20190028035 A KR 20190028035A KR 102436142 B1 KR102436142 B1 KR 102436142B1
- Authority
- KR
- South Korea
- Prior art keywords
- violation
- vehicle
- probabilistic
- image
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- OWZREIFADZCYQD-NSHGMRRFSA-N deltamethrin Chemical compound CC1(C)[C@@H](C=C(Br)Br)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 OWZREIFADZCYQD-NSHGMRRFSA-N 0.000 claims description 8
- 230000000873 masking effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 22
- 238000012549 training Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- G06Q50/30—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
단속 카메라로 촬영된 위반 사실을 이용한 확률적 예측 서비스 제공 방법 및 이를 위한 장치가 개시된다. 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법은 확률적 예측 서비스 제공 장치가, 위반 사실 인지 시스템으로부터 단속 카메라를 기반으로 촬영된 위반 영상 및 위반 사실 정보를 획득하는 단계; 상기 확률적 예측 서비스 제공 장치가, 상기 위반 영상 및 위반 사실 정보를 기반으로 학습을 수행하여 차량의 종류를 고려한 확률 모델을 생성하는 단계; 및 상기 확률적 예측 서비스 제공 장치가, 사용자로부터 서비스 요청이 수신되는 경우에 상기 확률 모델을 기반으로 예측된 정보를 제공하는 단계를 포함한다.
Description
본 발명은 확률적 예측 서비스 제공 기술에 관한 것으로, 특히 단속 카메라를 통해 촬영된 위반 영상과 이를 토대로 작성된 위반 사실 정보를 이용하여 학습된 확률 모델을 이용하여 차량 분류 또는 이동경로 예측 등의 서비스를 제공하는 기술에 관한 것이다.
스마트시티에서는 도시 기반 시설로 영상 획득 장치를 구축하여 방범, 방재 등의 보안 서비스를 비롯한 다양한 응용 서비스를 제공하는 것을 목표로 한다. 최근 빅데이터나 딥러닝과 같은 인공지능 기술의 발달로 CCTV, 블랙박스 및 휴대폰 등에서 촬영된 사진 혹은 연속된 이미지에서 특정 상황을 인식하는 기술이 활발히 개발되고 있다. 단, 이는 학습 및 예측 모델의 훈련 집합인 해당 이미지의 동영상 클립과 그 레이블의 조합이 대량으로 수집되어 있음을 가정하고 있다.
자동차의 경우 COMPCAR, VEHICLE ID, VERI와 같은 BENCHMARKING DATASETS가 있지만 중국 도로나 해외 캠퍼스에서 연구 목적으로 수집된 데이터라 국내 스마트시티 서비스에 활용 시 잠재적인 오차가 예측된다. 따라서, 관련 기능의 현지화나 성능향상 등을 목적으로 추가적인 비용을 들여 빅데이터 수집 및 레이블을 연결하는 작업이 필요하다.
이 때, 차량의 경우는 목표 현장의 도심이나 고속 도로 곳곳에 도로교통법을 위반한 운전자를 단속하는 목적으로 카메라를 통해 위반차량을 식별하고 위반내용, 장소 및 시간 등을 포함한 과태료부과 통지 시스템이 이미 구축되어 있어 이 데이터를 인공지능 장치의 훈련집합으로 활용 시 효율성 향상이 예측된다. 그러나, 도로교통법 위반사실은 개인의 비밀 정보로 취급해야 하는 보안 이슈와 새로운 차량의 등장은 위반 데이터가 없어 적용 한계가 있다.
본 발명의 목적은 단속 카메라에서 촬영된 영상 및 위반 사실을 활용하여 학습된 확률 모델을 기반으로 차량 분류와 차량의 이동경로를 식별하는 것이다.
또한, 본 발명의 목적은 단속 카메라에서 획득된 영상과 위반사실 인지 기능을 모방하여 CCTV를 통해 단속 카메라의 기능을 제공하는 것이다.
또한, 본 발명의 목적은 단속 카메라에서 촬영된 영상 및 위반 사실을 토대로 생성된 가상 환경을 이용하여 위반 사실 인지 시스템에 미등록된 신규 차량을 식별할 수 있는 확률 모델을 확보하는 것이다.
또한, 본 발명의 목적은 범칙금 통지 또는 과태료 납부 통지 정보에 포함된 개인정보 유출 문제를 방지할 수 있는 구조의 서비스 방법을 제공하는 것이다.
상기한 목적을 달성하기 위한 본 발명에 따른 확률적 예측 서비스 제공 방법은 확률적 예측 서비스 제공 장치가, 위반 사실 인지 시스템으로부터 단속 카메라를 기반으로 촬영된 위반 영상 및 위반 사실 정보를 획득하는 단계; 상기 확률적 예측 서비스 제공 장치가, 상기 위반 영상 및 위반 사실 정보를 기반으로 학습을 수행하여 차량의 종류를 고려한 확률 모델을 생성하는 단계; 및 상기 확률적 예측 서비스 제공 장치가, 사용자로부터 서비스 요청이 수신되는 경우에 상기 확률 모델을 기반으로 예측된 정보를 제공하는 단계를 포함한다.
이 때, 생성하는 단계는 상기 위반 영상 및 위반 사실 정보를 기반으로 위반 사실에 대한 가상 환경을 생성하고, 상기 가상 환경을 기반으로 상기 위반 사실 인지 시스템에서 획득하지 못한 신규 차량에 대한 학습 데이터를 생성하여 상기 확률 모델을 생성할 수 있다.
이 때, 제공하는 단계는 상기 서비스 요청이 차량 분류에 상응하는 경우, 상기 서비스 요청과 함께 전달된 차량 영상을 상기 확률 모델에 입력하고, 상기 확률 모델을 통해 예측된 적어도 하나의 차량 모델을 확률이 높은 순서대로 정렬하여 제공할 수 있다.
이 때, 제공하는 단계는 상기 서비스 요청이 특정 차량의 이동경로 검색에 상응하는 경우, 상기 확률 모델을 기반으로 상기 위반 영상에서 상기 서비스 요청과 함께 전달된 차량 영상과 가장 유사한 차량의 이동경로를 정렬하여 제공할 수 있다.
이 때, 획득하는 단계는 자동차 등록 시스템으로부터 상기 위반 영상 및 위반 사실 정보에 상응하는 차량에 대해 등록된 차량식별정보를 획득하고, 상기 차량식별정보에 포함된 개인정보를 마스킹 처리하는 단계를 포함할 수 있다.
이 때, 확률적 예측 서비스 제공 방법은 상기 위반 사실 인지 시스템으로부터 획득한 위반 사실 속성 정보를 기반으로 학습 데이터를 생성하여 위반 예측 모델을 생성하는 단계; 상기 확률적 예측 서비스 제공 장치와 연동되어 동작하는 복수개의 지능형 CCTV 카메라들을 기반으로 상기 단속 카메라가 위치하지 않는 지역의 단속 영상을 획득하는 단계; 및 상기 위반 예측 모델을 기반으로 상기 단속 영상의 위반 여부를 판단하여 상기 위반 사실 인지 시스템으로 제공하는 단계를 더 포함할 수 있다.
또한, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 장치는, 위반 사실 인지 시스템으로부터 단속 카메라를 기반으로 촬영된 위반 영상 및 위반 사실 정보를 획득하고, 상기 위반 영상 및 위반 사실 정보를 기반으로 학습을 수행하여 차량의 종류를 고려한 확률 모델을 생성하고, 사용자로부터 서비스 요청이 수신되는 경우에 상기 확률 모델을 기반으로 예측된 정보를 제공하는 프로세서; 및 상기 차량의 종류를 고려한 확률 모델을 저장하는 메모리를 포함한다.
이 때, 프로세서는 상기 위반 영상 및 위반 사실 정보를 기반으로 위반 사실에 대한 가상 환경을 생성하고, 상기 가상 환경을 기반으로 상기 위반 사실 인지 시스템에서 획득하지 못한 신규 차량에 대한 학습 데이터를 생성하여 상기 확률 모델을 생성할 수 있다.
이 때, 프로세서는 상기 서비스 요청이 차량 분류에 상응하는 경우, 상기 서비스 요청과 함께 전달된 차량 영상을 상기 확률 모델에 입력하고, 상기 확률 모델을 통해 예측된 적어도 하나의 차량 모델을 확률이 높은 순서대로 정렬하여 제공할 수 있다.
이 때, 프로세서는 상기 서비스 요청이 특정 차량의 이동경로 검색에 상응하는 경우, 상기 확률 모델을 기반으로 상기 위반 영상에서 상기 서비스 요청과 함께 전달된 차량 영상과 가장 유사한 차량의 이동경로를 정렬하여 제공할 수 있다.
이 때, 프로세서는 자동차 등록 시스템으로부터 상기 위반 영상 및 위반 사실 정보에 상응하는 차량에 대해 등록된 차량식별정보를 획득하고, 상기 차량식별정보에 포함된 개인정보를 마스킹 처리할 수 있다.
이 때, 프로세서는 상기 위반 사실 인지 시스템으로부터 획득한 위반 사실 속성 정보를 기반으로 학습 데이터를 생성하여 위반 예측 모델을 생성하고, 상기 확률적 예측 서비스 제공 장치와 연동되어 동작하는 복수개의 지능형 CCTV 카메라들을 기반으로 상기 단속 카메라가 위치하지 않는 지역의 단속 영상을 획득하고, 상기 위반 예측 모델을 기반으로 상기 단속 영상의 위반 여부를 판단하여 상기 위반 사실 인지 시스템으로 제공할 수 있다.
본 발명에 따르면, 단속 카메라에서 촬영된 영상 및 위반 사실을 활용하여 학습된 확률 모델을 기반으로 차량 분류와 차량의 이동경로를 식별할 수 있다.
또한, 본 발명은 단속 카메라에서 획득된 영상과 위반사실 인지 기능을 모방하여 CCTV를 통해 단속 카메라의 기능을 제공할 수 있다.
또한, 본 발명은 단속 카메라에서 촬영된 영상 및 위반 사실을 토대로 생성된 가상 환경을 이용하여 위반 사실 인지 시스템에 미등록된 신규 차량을 식별할 수 있는 확률 모델을 확보할 수 있다.
또한, 본 발명은 범칙금 통지 또는 과태료 납부 통지 정보에 포함된 개인정보 유출 문제를 방지할 수 있는 구조의 서비스 방법을 제공할 수 있다.
도 1은 본 발명에 따른 스마트 시티의 도시 인프라 시스템의 일 예를 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법을 나타낸 동작 흐름도이다.
도 3은 본 발명에 따른 개인정보 마스킹 처리의 일 예를 나타낸 도면이다.
도 4 내지 도 5는 본 발명에 따른 위반 예측 모델을 생성하기 위한 위반 사실 속성 정보와 이를 이용한 학습 데이터 생성의 일 예를 나타낸 도면이다.
도 6은 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 시스템을 나타낸 도면이다.
도 7은 도 6에 도시된 확률적 예측 서비스 제공 시스템을 기반으로 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 과정을 나타낸 도면이다.
도 8은 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법을 보다 상세하게 나타낸 동작흐름도이다.
도 9는 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 장치를 나타낸 블록도이다.
도 2는 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법을 나타낸 동작 흐름도이다.
도 3은 본 발명에 따른 개인정보 마스킹 처리의 일 예를 나타낸 도면이다.
도 4 내지 도 5는 본 발명에 따른 위반 예측 모델을 생성하기 위한 위반 사실 속성 정보와 이를 이용한 학습 데이터 생성의 일 예를 나타낸 도면이다.
도 6은 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 시스템을 나타낸 도면이다.
도 7은 도 6에 도시된 확률적 예측 서비스 제공 시스템을 기반으로 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 과정을 나타낸 도면이다.
도 8은 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법을 보다 상세하게 나타낸 동작흐름도이다.
도 9는 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 장치를 나타낸 블록도이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명에 따른 스마트 시티의 도시 인프라 시스템의 일 예를 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 스마트 시티의 도시 인프라 중 하나인 지능형 CCTV(110)에는 공공안전, 교통관리 및 시설관리의 통합관제를 위한 영상 분석 기능이 탑재될 수 있다. 이 때, 도 1에서는 하나의 지능형 CCTV(110)만 도시하고 있으나, 도시 곳곳에 복수개의 지능형 CCTV가 설치되어 공공안전의 방범을 목적으로 용의자 혹은 용의차량(140)을 분류하거나 용의차량(140)의 이동경로(150)를 식별하는 기능을 제공할 수 있다.
최근 차량의 이동경로를 식별하기 위한 재식별 기술은, 위치, 높이 및 각도가 다양하게 설치된 다수의 카메라들로부터 입력된 영상에서 대상 차량의 방향을 고려하여 전면, 후면 및 측면의 조도 차이를 극복하고 재식별하는 것을 목적으로 연구 개발이 진행 중이다. 다양한 환경 변화에 민감하지 않고, 적응적으로 처리하기 위해서 빅데이터를 이용한 지도 학습을 이용하는 것이 하나의 방법이지만, 학습의 훈련 집합을 가능한 많은 경우의 수로 수집하는 것이 도전적 문제이다.
따라서, 본 발명에서는 이러한 문제점을 해결 하기 위해 스마트 시티 내에 설치된 다양한 종류의 단속 카메라(120, 130)를 활용하는 방법을 제안하고자 한다.
대부분 도로에는 규정 속도, 신호등 또는 지시, 주차 가능 지역 및 버스 전용 차로 등의 위반을 단속하는 단속 카메라(120, 130)가 위치, 높낮이 및 도로를 바라보는 각도를 달리하여 다양하게 설치되어 있으므로 이로부터 추출된 영상과 위반사실을 정제하여 지도 학습 장치의 훈련 집합으로 활용이 가능하다. 이러한 위반사실 정보로 훈련된 지능형 CCTV(110)는 차량의 이동경로를 식별하는 기능뿐만 아니라 차량 분류 및 기존 단속 카메라의 기능을 모방하여 수행하는 기능까지 제공할 수 있다.
도 2는 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법을 나타낸 동작 흐름도이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법은 확률적 예측 서비스 제공 장치가 위반 사실 인지 시스템으로부터 단속 카메라를 기반으로 촬영된 위반 영상 및 위반 사실 정보를 획득한다(S210).
이 때, 자동차 등록 시스템으로부터 위반 영상 및 위반 사실 정보에 상응하는 차량에 대해 등록된 차량식별정보를 획득하고, 차량식별정보에 포함된 개인정보를 마스킹 처리할 수 있다.
이 때, 도 3을 참조하면, 위반 사실 인지 시스템에서 획득한 획득 영상(301)에는 운전자(310), 동승자(320), 차량번호(330)와 함께 영상이 촬영된 장소 및 시각 정보(340)가 포함되어 있을 수 있다. 그러나 이러한 정보들은 민감한 개인 정보로 취급될 수 있으므로 개인정보 보안 관리 시스템에서 마스킹 영상(302)과 같이 변형된 영상을 학습 데이터로 사용하도록 제공할 수 있다.
예를 들어, 자동 부호화 및 복호화 모델을 활용하여 도 3에 도시된 것처럼 운전자(310)와 동승자(320)를 마스킹 처리하여 나타내거나(311, 321), 성별을 변경하는 방식으로 나타낼 수 있다. 또한, 공개키/개인키 보안 방식을 활용해 암호화된 차량번호(331)로 변경하거나 장소 및 시각 정보는 영상에서 삭제할 수도 있다.
또한, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법은 확률적 예측 서비스 제공 장치가 위반 영상 및 위반 사실 정보를 기반으로 학습을 수행하여 차량의 종류를 고려한 확률 모델을 생성한다(S220).
예를 들어, 확률 모델은 자동차 등록 시스템에 등록된 모델 별로 학습을 수행하여 모델 별 확률 모델로써 생성되어 사용될 수 있다. 즉, 차량의 모델 별로 입력되는 위반 영상 및 위반 사실 정보를 기반으로 각 모델 별 학습 데이터를 생성함으로써 차량의 모델 별 확률 모델을 생성할 수 있다.
이 때, 위반 영상 및 위반 사실 정보를 기반으로 위반 사실에 대한 가상 환경을 생성하고, 가상 환경을 기반으로 위반 사실 인지 시스템에서 획득하지 못한 신규 차량에 대한 학습 데이터를 생성하여 확률 모델을 생성할 수 있다.
예를 들어, 위반 사실 인지 시스템에 아직 신규 차량에 대한 위반 사실이 축적되지 않았을 경우를 대비하여, 다른 모델의 차량을 이용한 실제 위반 영상을 기반으로 가상 환경을 생성하고, 가상 환경 상에 신규 차량의 이미지를 포함한 학습 데이터를 생성함으로써 신규 차량에 대한 확률 모델도 생성할 수 있다.
이 때, 위반 영상 및 위반 사실 정보를 기반으로 단속 카메라가 설치된 위치, 단속 카메라가 도로를 바라보는 각도, 거리 정보 및 도로 환경 정보 등을 수집하여 가상 환경에 가상의 단속 카메라를 배치할 수 있다. 이 후, 가상 모델 생성 시스템을 통해 신규 차량 또는 특정 차량의 데이터를 로딩하여 가상 환경에 배치함으로써 확률 모델을 생성하기 위한 위반 사실의 정보를 재구성할 수 있다. 이와 같이 재구성된 데이터는 현실 정보와 연동되어 관리될 수 있고, 신규 차량에 대한 가상 모델은 별도의 현실 정보 없이 가상환경 데이터로써 실제 환경 이미지로 생성될 수 있다.
또한, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법은 확률적 예측 서비스 제공 장치가 사용자로부터 서비스 요청이 수신되는 경우에 확률 모델을 기반으로 예측된 정보를 제공한다(S230).
이 때, 서비스 요청이 차량 분류에 상응하는 경우, 서비스 요청과 함께 전달된 차량 영상을 확률 모델에 입력하고, 확률 모델을 통해 예측된 적어도 하나의 차량 모델을 확률이 높은 순서대로 정렬하여 제공할 수 있다.
예를 들어, 확률 모델을 통해 총 3개의 차량 모델이 예측된 경우, 3개의 모델들을 확률이 높은 순서대로 정렬한 데이터를 사용자에게 전달할 수 있다.
또는, 확률 모델을 통해 여러 차량 모델들이 예측된 경우, 예측된 모델들 중 가장 확률이 높은 하나의 모델만을 선택하여 사용자에게 제공할 수도 있다.
이 때, 확률 모델을 통해 예측된 정보를 제공하는 방식은 특정한 방식으로 한정되지 않고, 다양한 방식을 활용할 수 있다.
또한, 서비스 요청이 특정 차량의 이동경로 검색에 상응하는 경우, 확률 모델을 기반으로 위반 영상에서 서비스 요청과 함께 전달된 차량 영상과 가장 유사한 차량의 이동경로를 정렬하여 제공할 수 있다.
예를 들어, 이동경로 검색 요청과 함께 차량 영상이 전달되는 경우, 먼저 확률 모델을 통해 차량 영상에서 차량을 특정할 수 있는 최소한의 이미지를 필터링하여 선별할 수 있다. 이 후, 확률 모델은 이미지 간의 유사도 판별을 기반으로 위반 영상에서 높은 유사도로 검출된 이미지들을 선정하여 이동경로를 추출할 수 있다. 이와 같이 추출된 이동경로는 사용자가 판별할 수 있는 형태의 정보로 제공될 수 있다.
또한, 도 2에는 도시하지 아니하였으나, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법은 위반 사실 인지 시스템으로부터 획득한 위반 사실 속성 정보를 기반으로 학습 데이터를 생성하여 위반 예측 모델을 생성한다.
이 때, 확률적 예측 서비스 제공 장치와 연동되어 동작하는 복수개의 지능형 CCTV 카메라들을 기반으로 단속 카메라가 위치하지 않는 지역의 단속 영상을 획득할 수 있다.
이 때, 위반 예측 모델을 기반으로 단속 영상의 위반 여부를 판단하여 위반 사실 인지 시스템으로 제공할 수 있다.
예를 들어, 도 4 내지 도 5를 참조하면, 위반 사실 인지 시스템에서 과태료를 납부해야 할 차량의 소유자에게 과태료 부과 통지서(400)를 발급하기 위해서 위반 사실 장면(410), 영상에서 확인된 차량 번호(420) 및 과태료 부과 통지서(400)의 고유 식별 번호, 위반내용, 장소, 시각, 적용법령 등이 포함된 위반 사실 속성 정보(430)를 생성할 수 있다.
따라서, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 장치에서는 이러한 정보를 활용하여 도 5에 도시된 것처럼 위반사실 단속 방법을 모방하기 위한 학습 데이터(500)를 생성할 수 있다. 이 때, 학습 데이터(500)에는 레이블 정보(510)와 레이블 값(520)을 포함하도록 설정함으로써 위반 내용과 함께 위반 과정이 촬영된 연속된 이미지를 포함할 수 있다.
예를 들어, 끼어들기와 관련된 과태료 부과 통지서를 활용하는 경우, 일련번호로 참고된 위반 직전 영상의 수 프레임을 IMAGE SEQUENCES에 상응하는 레이블 정보(510)의 레이블 값(520)으로 저장하고, 위반 내용에 상응하는 레이블 정보(510)의 레이블 값(520)에는 끼어들기를 저장하는 과정을 통해 학습 데이터(500)를 구성할 수 있다. 이 때, 기설정된 최소 개수의 학습 데이터를 확보하여 끼어들기와 관련된 훈련 집합을 생성하고, 이러한 훈련 집합을 기반으로 끼어들기와 관련된 위반 예측 모델을 생성할 수 있다.
따라서, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법과 연동된 복수개의 지능형 CCTV 카메라들에게 위반 예측 모델에 기반한 단속 기능을 추가함으로써 단속 카메라가 없는 지역에서 단속 카메라의 기능을 모방하여 끼어들기와 같은 위반사실을 위반 사실 인지 시스템으로 통보할 수 있다.
또한, 도 2에는 도시하지 아니하였으나, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법은 상술한 바와 같이 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 과정에서 발생되는 다양한 정보를 별도의 저장 모듈에 저장할 수 있다.
이와 같은 확률적 예측 서비스 제공 방법을 통해 단속 카메라에서 촬영된 영상 및 위반 사실을 활용하여 학습된 확률 모델을 기반으로 차량 분류와 차량의 이동경로를 식별할 수 있다.
또한, 단속 카메라에서 획득된 영상과 위반사실 인지 기능을 모방하여 CCTV를 통해 단속 카메라의 기능을 제공할 수 있다.
또한, 단속 카메라에서 촬영된 영상 및 위반 사실을 토대로 생성된 가상 환경을 이용하여 위반 사실 인지 시스템에 미등록된 신규 차량을 식별할 수 있는 확률 모델을 확보할 수 있다.
또한, 범칙금 통지 또는 과태료 납부 통지 정보에 포함된 개인정보 유출 문제를 방지할 수 있는 구조의 서비스 방법을 제공할 수 있다.
도 6은 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 시스템을 나타낸 도면이다.
도 6을 참조하면, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 시스템은 크게 데이터 변환 구간(610), 학습 및 예측 구간(620), 신규 차량 적용 구간(630) 및 서비스 활용 구간(640)으로 분류할 수 있다.
먼저, 위반사실을 학습 데이터로 변환하기 위한 데이터 변환 구간(610)은 단속 카메라로부터 위반사실을 인지하여 영상 혹은 사진, 위반차량 번호, 위반 내용, 위치 및 시각 정보를 추출하는 위반 사실 인지 시스템과 차량의 모델과 연식 정보를 관리하는 자동차 등록 시스템으로 구성될 수 있다.
학습 및 예측 구간(620)은 개인정보가 포함된 위반 사실 정보에 보안 기술을 적용하여 관리하는 개인정보 보안 관리 시스템과 개인정보 보안 관리 시스템에 의해 변형된 연속된 이미지, 고유 식별 번호 및 속성 값으로 훈련하여 예측해야 할 내용을 확률 모델로 생성하는 지능형 CCTV 시스템(600)으로 구성될 수 있다. 이 때, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 장치는 지능형 CCTV 시스템(600)에 포함되거나 또는 연동되도록 구성되어 동작할 수 있다.
신규 차량 적용 구간(630)은 위반 사실에서 단속 카메라의 각도, 거리, 도로 환경 정보를 추출하여 가상의 모델로 생성하는 가상 모델 생성 시스템과 차량과 CCTV 재구성을 통해 가상 환경을 생성하고, 기존 위반 사실을 가상 환경으로 생성하는 가상 환경 생성 시스템을 포함할 수 있다. 또한, 신규 차량 적용 구간(630)은 데이터의 역생산을 통해 신규 차량에 대한 위반 데이터를 실제 데이터와 유사한 데이터로 생성하여 아직 위반 사실을 수집하지 못한 신규 차량의 모델과 연식을 인식할 수 있는 학습 데이터를 생성하는 신규 차량 위반 데이터 생성 시스템을 포함할 수 있다.
서비스 활용 구간(640)은 VMS(Video Management System)와 같은 CCTV 관제 시스템을 포함할 수 있다. 이 때, CCTV 관제 시스템에서 CCTV 영상을 지능형 CCTV 시스템(600)으로 전달하면서 서비스를 요청하는 경우, 지능형 CCTV 시스템(600)은 요청된 서비스의 종류에 따라 분류된 차량 모델 및 차량 번호, 차량의 이동경로 등의 정보를 예측하여 CCTV 관제 시스템으로 제공해줄 수 있다.
도 7은 도 6에 도시된 확률적 예측 서비스 제공 시스템을 기반으로 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 과정을 나타낸 도면이다.
도 7을 참조하면, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 과정은 먼저 사용자(710)가 GUI(720)에서 CCTV 관제를 요청하는 경우, 서비스 관리 장치(730)가 사용자의 요청에 해당하는 CCTV의 고유 식별 번호(CCTV ID)로 관제 시스템(740)에 URI로 접근할 수 있으며, 해당 CCTV 영상이 사용자(710)의 GUI(720)에 네트워크를 통해 재생될 수 있다(S710).
또한, 사용자(710)가 GUI(720)에서 차량 분류에 해당하는 서비스 제공을 요청하는 경우, 서비스 관리 장치(730)가 요청된 영상에 포함된 다수의 차량들 중 하나를 선정한 이미지를 차량 분류 확률 모델(770)에게 전달하여 각 모델의 확률 값을 차량 속성인 차량의 종류, 모델, 색상, 방향 정보 표현하여 사용자(710)에게 제공할 수 있다 (S720).
또한, 사용자(710)가 GUI(720)에서 이동경로를 한정하는 범위를 지정하면서 특정 차량의 이동경로 식별에 해당하는 서비스 제공을 요청하는 경우, 서비스 관리 장치(730)가 관제 시스템(740)으로 차량의 이동경로를 찾아야 하는 영상을 요청할 수 있다. 이 후, 관제 시스템(740)으로부터 획득한 영상을 이동경로 식별 확률 모델(790)에게 전달하면, 이를 다시 차량 분류 확률 모델(770)로 전달하여 필터링함으로써 최소한의 이미지를 선정하고 이후에 다시 이동경로 식별 확률 모델(790)이 이미지 간의 유사도를 판별할 수 있다. 이 후, 이동경로 식별 확률 모델(790)은 다수의 카메라에서 높은 유사도로 검출된 이미지를 선정하여 이동경로를 판별할 수 있는 정보로 표현하여 사용자(710)에게 제공할 수 있다(S730).
만약, 사용자(710)로부터 요청된 서비스에 상응하는 차량 분류 확률 모델 또는 이동경로 식별 확률 모델이 존재하지 않는 경우, 위반사실 인지 시스템(750)에 축적된 위반사실 정보를 개인정보 보안 관리 시스템(760)으로 전달하여 마스킹처리된 이미지와 자동차 등록 시스템으로부터 추가된 정보들을 훈련데이터로 제공하여 차량 분류 확률 모델 또는 이동경로 식별 확률 모델을 학습하도록 할 수 있다(S740).
이 때, 본 발명의 일실시예에 따라 단속 카메라의 기능을 모방한 위반 예측 모델(780)은 관제 시스템(740)으로부터 영상을 수신하고, 위반사실을 예측하여 위반내용을 위반 사실 인지 시스템(750)으로 제공할 수도 있다(S750).
또한, 별도의 CCTV 영상 없이 사용자(710)가 GUI(720)를 통해 제공하는 차량의 속성 값을 차량 분류 확률 모델(770)로 전달하여 차량 분류 서비스를 제공하거나, 차량의 속성값을 대표하는 이미지를 선정하여 이동경로 식별 확률 모델(790)로 제공함으로써 이동경로 식별 서비스를 제공할 수도 있다(S760).
도 8은 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법을 보다 상세하게 나타낸 동작흐름도이다.
도 8을 참조하면, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 방법은 사용자가 지능형 CCTV로 촬영된 영상을 보다가 필요한 서비스를 요청하면(S802), 요청된 서비스가 차량 분류 서비스인지 여부를 판단할 수 있다(S804).
단계(S804)의 판단결과 요청된 서비스가 차량 분류 서비스이면, 해당 서비스 요청과 함께 전달된 영상을 기반으로 기학습된 확률 모델이 존재하는지 여부를 판단할 수 있다(S806).
단계(S806)의 판단결과 기학습된 확률 모델이 존재하면, 해당 영상을 확률 모델로 입력하여 각 차량 모델의 확률 분포 값을 요청하고(S808), 적어도 하나의 차량 모델들을 확률이 높은 순서대로 정렬하여 제공할 수 있다(S830).
만약 단계(S806)의 판단결과 기학습된 확률 모델이 존재하지 않으면 개인정보 보안 관리 시스템에게 영상과 그 속성 값인 위반사실 정보를 요청하고(S810), 이를 학습 데이터로 학습을 진행하여 확률 모델을 생성할 수 있다(S812).
또한, 단계(S804)의 판단결과 요청된 서비스가 차량 분류 서비스가 아니면, 요청된 서비스가 이동경로 예측 서비스인지 여부를 판단할 수 있다(S814).
단계(S814)의 판단결과 요청된 서비스가 이동경로 예측 서비스이면, 해당 서비스 요청과 함께 전달된 영상을 기반으로 기학습된 확률 모델이 존재하는지 여부를 판단할 수 있다(S816).
단계(S816)의 판단결과 기학습된 확률 모델이 존재하면, 해당 영상과 유사한 차량을 찾아야 하는 영상을 확률 모델로 입력하여 유사도 판단의 확률 분포 값을 요청하고(S818), 가장 높은 확률을 가진 차량의 이동경로를 정렬하여 제공할 수 있다(S830).
만약, 단계(S816)의 판단결과 기학습된 확률 모델이 존재하지 않으면 위반 사실 인지 시스템과 개인정보 보안 관리 시스템에게 위반사실 정보와 고유 식별번호를 요청하고(S820), 이를 학습 데이터로 학습을 진행하여 확률 모델을 생성할 수 있다(S822).
또한, 단계(S814)의 판단결과 요청된 서비스가 이동경로 예측 서비스가 아니면, 요청된 서비스가 제공 가능한 기타 서비스인지 여부를 판단할 수 있다(S824).
단계(S824)의 판단결과 요청된 서비스가 제공 가능한 기타 서비스이면, 서비스 제공을 위해 필요한 속성을 선별하여 요청하고(S826), 그에 상응하는 확률 모델을 생성하여 예측된 결과를(S828) 사용자에게 제공하여 서비스를 처리할 수 있다(S830).
또한, 단계(S824)의 판단결과 요청된 서비스가 제공 가능한 기타 서비스도 아니면 사용자에게 서비스 불가능 또는 오류 메시지를 전달하면서 서비스를 종료할 수도 있다.
도 9는 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 장치를 나타낸 블록도이다.
도 9를 참조하면, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 장치는 통신부(910), 프로세서(920) 및 메모리(930)를 포함한다.
통신부(910)는 네트워크와 같은 통신망을 통해 확률적 예측 서비스 제공을 위해 필요한 정보를 송수신하는 역할을 할 수 있다. 특히, 본 발명의 일실시예에 따른 통신부(910)는 위반 사실 인지 시스템으로부터 위반 영상 및 위반 사실 정보를 수신하거나 관제 시스템으로 확률 모델에서 예측된 결과를 제공할 수 있다.
이 때, 네트워크는 확률적 예측 서비스 제공 장치 및 위반 사실 인지 시스템 또는 관제 시스템 사이에 데이터를 전달하는 통로를 제공하는 것으로서, 기존에 이용되는 네트워크 및 향후 개발 가능한 네트워크를 모두 포괄하는 개념이다. 예를 들어, 네트워크는 한정된 지역 내에서 각종 정보장치들의 통신을 제공하는 유무선근거리 통신망, 이동체 상호 간 및 이동체와 이동체 외부와의 통신을 제공하는 이동통신망, 위성을 이용해 지구국과 지구국간 통신을 제공하는 위성통신망이거나 유무선 통신망 중에서 어느 하나이거나, 둘 이상의 결합으로 이루어질 수 있다. 한편, 네트워크의 전송 방식 표준은, 기존의 전송 방식 표준에 한정되는 것은 아니며, 향후 개발될 모든 전송 방식 표준을 포함할 수 있다.
프로세서(920)는 위반 사실 인지 시스템으로부터 단속 카메라를 기반으로 촬영된 위반 영상 및 위반 사실 정보를 획득한다.
이 때, 자동차 등록 시스템으로부터 위반 영상 및 위반 사실 정보에 상응하는 차량에 대해 등록된 차량식별정보를 획득하고, 차량식별정보에 포함된 개인정보를 마스킹 처리할 수 있다.
이 때, 도 3을 참조하면, 위반 사실 인지 시스템에서 획득한 획득 영상(301)에는 운전자(310), 동승자(320), 차량번호(330)와 함께 영상이 촬영된 장소 및 시각 정보(340)가 포함되어 있을 수 있다. 그러나 이러한 정보들은 민감한 개인 정보로 취급될 수 있으므로 개인정보 보안 관리 시스템에서 마스킹 영상(302)과 같이 변형된 영상을 학습 데이터로 사용하도록 제공할 수 있다.
예를 들어, 자동 부호화 및 복호화 모델을 활용하여 도 3에 도시된 것처럼 운전자(310)와 동승자(320)를 마스킹 처리하여 나타내거나(311, 321), 성별을 변경하는 방식으로 나타낼 수 있다. 또한, 공개키/개인키 보안 방식을 활용해 암호화된 차량번호(331)로 변경하거나 장소 및 시각 정보는 영상에서 삭제할 수도 있다.
또한, 프로세서(920)는 위반 영상 및 위반 사실 정보를 기반으로 학습을 수행하여 차량의 종류를 고려한 확률 모델을 생성한다.
예를 들어, 확률 모델은 자동차 등록 시스템에 등록된 모델 별로 학습을 수행하여 모델 별 확률 모델로써 생성되어 사용될 수 있다. 즉, 차량의 모델 별로 입력되는 위반 영상 및 위반 사실 정보를 기반으로 각 모델 별 학습 데이터를 생성함으로써 차량의 모델 별 확률 모델을 생성할 수 있다.
이 때, 위반 영상 및 위반 사실 정보를 기반으로 위반 사실에 대한 가상 환경을 생성하고, 가상 환경을 기반으로 위반 사실 인지 시스템에서 획득하지 못한 신규 차량에 대한 학습 데이터를 생성하여 확률 모델을 생성할 수 있다.
예를 들어, 위반 사실 인지 시스템에 아직 신규 차량에 대한 위반 사실이 축적되지 않았을 경우를 대비하여, 다른 모델의 차량을 이용한 실제 위반 영상을 기반으로 가상 환경을 생성하고, 가상 환경 상에 신규 차량의 이미지를 포함한 학습 데이터를 생성함으로써 신규 차량에 대한 확률 모델도 생성할 수 있다.
이 때, 위반 영상 및 위반 사실 정보를 기반으로 단속 카메라가 설치된 위치, 단속 카메라가 도로를 바라보는 각도, 거리 정보 및 도로 환경 정보 등을 수집하여 가상 환경에 가상의 단속 카메라를 배치할 수 있다. 이 후, 가상 모델 생성 시스템을 통해 신규 차량 또는 특정 차량의 데이터를 로딩하여 가상 환경에 배치함으로써 확률 모델을 생성하기 위한 위반 사실의 정보를 재구성할 수 있다. 이와 같이 재구성된 데이터는 현실 정보와 연동되어 관리될 수 있고, 신규 차량에 대한 가상 모델은 별도의 현실 정보 없이 가상환경 데이터로써 실제 환경 이미지로 생성될 수 있다.
또한, 프로세서(920)는 사용자로부터 서비스 요청이 수신되는 경우에 확률 모델을 기반으로 예측된 정보를 제공한다.
이 때, 서비스 요청이 차량 분류에 상응하는 경우, 서비스 요청과 함께 전달된 차량 영상을 확률 모델에 입력하고, 확률 모델을 통해 예측된 적어도 하나의 차량 모델을 확률이 높은 순서대로 정렬하여 제공할 수 있다.
예를 들어, 확률 모델을 통해 총 3개의 차량 모델이 예측된 경우, 3개의 모델들을 확률이 높은 순서대로 정렬한 데이터를 사용자에게 전달할 수 있다.
또는, 확률 모델을 통해 여러 차량 모델들이 예측된 경우, 예측된 모델들 중 가장 확률이 높은 하나의 모델만을 선택하여 사용자에게 제공할 수도 있다.
이 때, 확률 모델을 통해 예측된 정보를 제공하는 방식은 특정한 방식으로 한정되지 않고, 다양한 방식을 활용할 수 있다.
또한, 서비스 요청이 특정 차량의 이동경로 검색에 상응하는 경우, 확률 모델을 기반으로 위반 영상에서 서비스 요청과 함께 전달된 차량 영상과 가장 유사한 차량의 이동경로를 정렬하여 제공할 수 있다.
예를 들어, 이동경로 검색 요청과 함께 차량 영상이 전달되는 경우, 먼저 확률 모델을 통해 차량 영상에서 차량을 특정할 수 있는 최소한의 이미지를 필터링하여 선별할 수 있다. 이 후, 확률 모델은 이미지 간의 유사도 판별을 기반으로 위반 영상에서 높은 유사도로 검출된 이미지들을 선정하여 이동경로를 추출할 수 있다. 이와 같이 추출된 이동경로는 사용자가 판별할 수 있는 형태의 정보로 제공될 수 있다.
또한, 프로세서(920)는 위반 사실 인지 시스템으로부터 획득한 위반 사실 속성 정보를 기반으로 학습 데이터를 생성하여 위반 예측 모델을 생성한다.
이 때, 확률적 예측 서비스 제공 장치와 연동되어 동작하는 복수개의 지능형 CCTV 카메라들을 기반으로 단속 카메라가 위치하지 않는 지역의 단속 영상을 획득할 수 있다.
이 때, 위반 예측 모델을 기반으로 단속 영상의 위반 여부를 판단하여 위반 사실 인지 시스템으로 제공할 수 있다.
예를 들어, 도 4 내지 도 5를 참조하면, 위반 사실 인지 시스템에서 과태료를 납부해야 할 차량의 소유자에게 과태료 부과 통지서(400)를 발급하기 위해서 위반 사실 장면(410), 영상에서 확인된 차량 번호(420) 및 과태료 부과 통지서(400)의 고유 식별 번호, 위반내용, 장소, 시각, 적용법령 등이 포함된 위반 사실 속성 정보(430)를 생성할 수 있다.
따라서, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 장치에서는 이러한 정보를 활용하여 도 5에 도시된 것처럼 위반사실 단속 방법을 모방하기 위한 학습 데이터(500)를 생성할 수 있다. 이 때, 학습 데이터(500)에는 레이블 정보(510)와 레이블 값(520)을 포함하도록 설정함으로써 위반 내용과 함께 위반 과정이 촬영된 연속된 이미지를 포함할 수 있다.
예를 들어, 끼어들기와 관련된 과태료 부과 통지서를 활용하는 경우, 일련번호로 참고된 위반 직전 영상의 수 프레임을 IMAGE SEQUENCES에 상응하는 레이블 정보(510)의 레이블 값(520)으로 저장하고, 위반 내용에 상응하는 레이블 정보(510)의 레이블 값(520)에는 끼어들기를 저장하는 과정을 통해 학습 데이터(500)를 구성할 수 있다. 이 때, 기설정된 최소 개수의 학습 데이터를 확보하여 끼어들기와 관련된 훈련 집합을 생성하고, 이러한 훈련 집합을 기반으로 끼어들기와 관련된 위반 예측 모델을 생성할 수 있다.
따라서, 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 장치와 연동된 복수개의 지능형 CCTV 카메라들에게 위반 예측 모델에 기반한 단속 기능을 추가함으로써 단속 카메라가 없는 지역에서 단속 카메라의 기능을 모방하여 끼어들기 위반사실을 위반 사실 인지 시스템으로 통보할 수 있다.
메모리(930)는 차량의 종류를 고려한 확률 모델을 저장한다.
또한, 메모리(930)는 상술한 바와 같이 본 발명의 일실시예에 따른 확률적 예측 서비스 제공 과정에서 발생되는 다양한 정보를 저장한다.
실시예에 따라, 메모리(930)는 확률적 예측 서비스 제공 장치와 독립적으로 구성되어 확률적 예측 서비스 제공을 위한 기능을 지원할 수 있다. 이 때, 메모리(930)는 별도의 대용량 스토리지로 동작할 수 있고, 동작 수행을 위한 제어 기능을 포함할 수도 있다.
한편, 확률적 예측 서비스 제공 장치는 메모리가 탑재되어 그 장치 내에서 정보를 저장할 수 있다. 일 구현예의 경우, 메모리는 컴퓨터로 판독 가능한 매체이다. 일 구현 예에서, 메모리는 휘발성 메모리 유닛일 수 있으며, 다른 구현예의 경우, 메모리는 비휘발성 메모리 유닛일 수도 있다. 일 구현예의 경우, 저장장치는 컴퓨터로 판독 가능한 매체이다. 다양한 서로 다른 구현 예에서, 저장장치는 예컨대 하드디스크 장치, 광학디스크 장치, 혹은 어떤 다른 대용량 저장장치를 포함할 수도 있다.
이와 같은 확률적 예측 서비스 제공 장치를 이용함으로써 단속 카메라에서 촬영된 영상 및 위반 사실을 활용하여 학습된 확률 모델을 기반으로 차량 분류와 차량의 이동경로를 식별할 수 있다.
또한, 단속 카메라에서 획득된 영상과 위반사실 인지 기능을 모방하여 CCTV를 통해 단속 카메라의 기능을 제공할 수 있다.
또한, 단속 카메라에서 촬영된 영상 및 위반 사실을 토대로 생성된 가상 환경을 이용하여 위반 사실 인지 시스템에 미등록된 신규 차량을 식별할 수 있는 확률 모델을 확보할 수 있다.
또한, 범칙금 통지 또는 과태료 납부 통지 정보에 포함된 개인정보 유출 문제를 방지할 수 있는 구조의 서비스 방법을 제공할 수 있다.
이상에서와 같이 본 발명에 따른 단속 카메라로 촬영된 위반 사실을 이용한 확률적 예측 서비스 제공 방법 및 이를 위한 장치는 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
110: 지능형 CCTV 120, 130: 단속 카메라
140: 용의차량 150: 이동경로
301: 획득 영상 302: 마스킹 영상
310: 운전자 320: 동승자
330: 차량번호 340: 장소 및 시각 정보
311: 마스킹 처리된 운전자 321: 마스킹 처리된 동승자
331: 암호화된 차량 번호 400: 과태료 부과 통지서
410: 위반 사실 장면 420: 영상에서 확인된 차량 번호
430: 위반 사실 속성 정보 500: 학습 데이터
510: 레이블 정보 520: 레이블 값
600: 지능형 CCTV 시스템 610: 데이터 변환 구간
620: 학습 및 예측 구간 630: 신규 차량 적용 구간
640: 서비스 활용 구간 710: 사용자
720: GUI 730: 서비스 관리 장치
740: 관제 시스템 750: 위반사실 인지 시스템
760: 개인정보 보안 관리 시스템 770: 차량 분류 확률 모델
780: 위반 예측 모델 790: 이동경로 식별 확률 모델
910: 통신부 920: 프로세서
930: 메모리
140: 용의차량 150: 이동경로
301: 획득 영상 302: 마스킹 영상
310: 운전자 320: 동승자
330: 차량번호 340: 장소 및 시각 정보
311: 마스킹 처리된 운전자 321: 마스킹 처리된 동승자
331: 암호화된 차량 번호 400: 과태료 부과 통지서
410: 위반 사실 장면 420: 영상에서 확인된 차량 번호
430: 위반 사실 속성 정보 500: 학습 데이터
510: 레이블 정보 520: 레이블 값
600: 지능형 CCTV 시스템 610: 데이터 변환 구간
620: 학습 및 예측 구간 630: 신규 차량 적용 구간
640: 서비스 활용 구간 710: 사용자
720: GUI 730: 서비스 관리 장치
740: 관제 시스템 750: 위반사실 인지 시스템
760: 개인정보 보안 관리 시스템 770: 차량 분류 확률 모델
780: 위반 예측 모델 790: 이동경로 식별 확률 모델
910: 통신부 920: 프로세서
930: 메모리
Claims (12)
- 확률적 예측 서비스 제공 장치가, 위반 사실 인지 시스템으로부터 단속 카메라를 기반으로 촬영된 위반 영상 및 위반 사실 정보를 획득하는 단계;
상기 확률적 예측 서비스 제공 장치가, 상기 위반 영상 및 위반 사실 정보를 기반으로 학습을 수행하여 차량의 종류를 고려한 확률 모델을 생성하는 단계; 및
상기 확률적 예측 서비스 제공 장치가, 사용자로부터 서비스 요청이 수신되는 경우에 상기 확률 모델을 기반으로 예측된 정보를 제공하는 단계
를 포함하고,
상기 생성하는 단계는
상기 위반 영상 및 위반 사실 정보를 기반으로 위반 사실에 대한 가상 환경을 생성하고, 상기 가상 환경을 기반으로 상기 위반 사실 인지 시스템에서 획득하지 못한 신규 차량에 대한 학습 데이터를 생성하여 상기 확률 모델을 생성하는 것을 특징으로 하는 확률적 예측 서비스 제공 방법. - 삭제
- 청구항 1에 있어서,
상기 제공하는 단계는
상기 서비스 요청이 차량 분류에 상응하는 경우, 상기 서비스 요청과 함께 전달된 차량 영상을 상기 확률 모델에 입력하고, 상기 확률 모델을 통해 예측된 적어도 하나의 차량 모델을 확률이 높은 순서대로 정렬하여 제공하는 것을 특징으로 하는 확률적 예측 서비스 제공 방법. - 청구항 1에 있어서,
상기 제공하는 단계는
상기 서비스 요청이 특정 차량의 이동경로 검색에 상응하는 경우, 상기 확률 모델을 기반으로 상기 위반 영상에서 상기 서비스 요청과 함께 전달된 차량 영상과 가장 유사한 차량의 이동경로를 정렬하여 제공하는 것을 특징으로 하는 확률적 예측 서비스 제공 방법. - 청구항 1에 있어서,
상기 획득하는 단계는
자동차 등록 시스템으로부터 상기 위반 영상 및 위반 사실 정보에 상응하는 차량에 대해 등록된 차량식별정보를 획득하고, 상기 차량식별정보에 포함된 개인정보를 마스킹 처리하는 단계를 포함하는 것을 특징으로 하는 확률적 예측 서비스 제공 방법. - 청구항 1에 있어서,
상기 확률적 예측 서비스 제공 방법은
상기 위반 사실 인지 시스템으로부터 획득한 위반 사실 속성 정보를 기반으로 학습 데이터를 생성하여 위반 예측 모델을 생성하는 단계;
상기 확률적 예측 서비스 제공 장치와 연동되어 동작하는 복수개의 지능형 CCTV 카메라들을 기반으로 상기 단속 카메라가 위치하지 않는 지역의 단속 영상을 획득하는 단계; 및
상기 위반 예측 모델을 기반으로 상기 단속 영상의 위반 여부를 판단하여 상기 위반 사실 인지 시스템으로 제공하는 단계를 더 포함하는 것을 특징으로 하는 확률적 예측 서비스 제공 방법. - 위반 사실 인지 시스템으로부터 단속 카메라를 기반으로 촬영된 위반 영상 및 위반 사실 정보를 획득하고, 상기 위반 영상 및 위반 사실 정보를 기반으로 학습을 수행하여 차량의 종류를 고려한 확률 모델을 생성하고, 사용자로부터 서비스 요청이 수신되는 경우에 상기 확률 모델을 기반으로 예측된 정보를 제공하는 프로세서; 및
상기 차량의 종류를 고려한 확률 모델을 저장하는 메모리
를 포함하고,
상기 프로세서는
상기 위반 영상 및 위반 사실 정보를 기반으로 위반 사실에 대한 가상 환경을 생성하고, 상기 가상 환경을 기반으로 상기 위반 사실 인지 시스템에서 획득하지 못한 신규 차량에 대한 학습 데이터를 생성하여 상기 확률 모델을 생성하는 것을 특징으로 하는 확률적 예측 서비스 제공 장치. - 삭제
- 청구항 7에 있어서,
상기 프로세서는
상기 서비스 요청이 차량 분류에 상응하는 경우, 상기 서비스 요청과 함께 전달된 차량 영상을 상기 확률 모델에 입력하고, 상기 확률 모델을 통해 예측된 적어도 하나의 차량 모델을 확률이 높은 순서대로 정렬하여 제공하는 것을 특징으로 하는 확률적 예측 서비스 제공 장치. - 청구항 7에 있어서,
상기 프로세서는
상기 서비스 요청이 특정 차량의 이동경로 검색에 상응하는 경우, 상기 확률 모델을 기반으로 상기 위반 영상에서 상기 서비스 요청과 함께 전달된 차량 영상과 가장 유사한 차량의 이동경로를 정렬하여 제공하는 것을 특징으로 하는 확률적 예측 서비스 제공 장치. - 청구항 7에 있어서,
상기 프로세서는
자동차 등록 시스템으로부터 상기 위반 영상 및 위반 사실 정보에 상응하는 차량에 대해 등록된 차량식별정보를 획득하고, 상기 차량식별정보에 포함된 개인정보를 마스킹 처리하는 것을 특징으로 하는 확률적 예측 서비스 제공 장치. - 청구항 7에 있어서,
상기 프로세서는
상기 위반 사실 인지 시스템으로부터 획득한 위반 사실 속성 정보를 기반으로 학습 데이터를 생성하여 위반 예측 모델을 생성하고, 상기 확률적 예측 서비스 제공 장치와 연동되어 동작하는 복수개의 지능형 CCTV 카메라들을 기반으로 상기 단속 카메라가 위치하지 않는 지역의 단속 영상을 획득하고, 상기 위반 예측 모델을 기반으로 상기 단속 영상의 위반 여부를 판단하여 상기 위반 사실 인지 시스템으로 제공하는 것을 특징으로 하는 확률적 예측 서비스 제공 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190028035A KR102436142B1 (ko) | 2019-03-12 | 2019-03-12 | 단속 카메라로 촬영된 위반 사실을 이용한 확률적 예측 서비스 제공 방법 및 이를 위한 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190028035A KR102436142B1 (ko) | 2019-03-12 | 2019-03-12 | 단속 카메라로 촬영된 위반 사실을 이용한 확률적 예측 서비스 제공 방법 및 이를 위한 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200109046A KR20200109046A (ko) | 2020-09-22 |
| KR102436142B1 true KR102436142B1 (ko) | 2022-08-26 |
Family
ID=72706757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190028035A KR102436142B1 (ko) | 2019-03-12 | 2019-03-12 | 단속 카메라로 촬영된 위반 사실을 이용한 확률적 예측 서비스 제공 방법 및 이를 위한 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102436142B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240055509A (ko) | 2022-10-20 | 2024-04-29 | 주식회사 사로리스 | 단일 카메라를 이용한 복수 임무를 처리하는 인공지능 단속 시스템 및 이를 이용하는 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014059729A (ja) * | 2012-09-18 | 2014-04-03 | Toshiba Corp | 物体検出・識別装置及びその方法とその物体検出・識別に用いられる辞書データ生成方法 |
| KR101671428B1 (ko) * | 2016-02-25 | 2016-11-03 | 유한회사 비츠 | 지능형 교차로 위법 차량 감시 시스템 |
| KR101786923B1 (ko) * | 2017-05-15 | 2017-11-15 | 주식회사 두원전자통신 | 다목적 통합 운영 cctv 시스템 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101045300B1 (ko) * | 2009-01-22 | 2011-06-29 | 렉스젠(주) | 개인정보 보호를 위한 차량 촬영 시스템 및 그 제어방법 |
| KR101951534B1 (ko) * | 2017-01-02 | 2019-02-22 | 이대규 | 교통 cctv 단속 시스템을 위한 통합 단속 방법 및 장치 |
| KR101780320B1 (ko) | 2017-03-17 | 2017-10-10 | 세종신호(주) | 지능형 다기능 영상 감시 시스템 |
-
2019
- 2019-03-12 KR KR1020190028035A patent/KR102436142B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014059729A (ja) * | 2012-09-18 | 2014-04-03 | Toshiba Corp | 物体検出・識別装置及びその方法とその物体検出・識別に用いられる辞書データ生成方法 |
| KR101671428B1 (ko) * | 2016-02-25 | 2016-11-03 | 유한회사 비츠 | 지능형 교차로 위법 차량 감시 시스템 |
| KR101786923B1 (ko) * | 2017-05-15 | 2017-11-15 | 주식회사 두원전자통신 | 다목적 통합 운영 cctv 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240055509A (ko) | 2022-10-20 | 2024-04-29 | 주식회사 사로리스 | 단일 카메라를 이용한 복수 임무를 처리하는 인공지능 단속 시스템 및 이를 이용하는 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200109046A (ko) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10296794B2 (en) | On-demand artificial intelligence and roadway stewardship system | |
| AU2019235551B2 (en) | On-demand artificial intelligence and roadway stewardship system | |
| Bulan et al. | Video-based real-time on-street parking occupancy detection system | |
| KR100895846B1 (ko) | 주차정보제공및 불법주차와 불법차량의 무인단속시스템 | |
| CN112997211B (zh) | 数据分发系统、传感器装置和服务器 | |
| KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
| Kurdi | Review of closed circuit television (cctv) techniques for vehicles traffic management | |
| CN106846819B (zh) | 一种基于小型飞行器的航拍罚单生成方法及实现系统 | |
| KR101626377B1 (ko) | Cctv와 차량내 블랙박스를 활용한 빅데이터 기반의 불법 주정차 단속 시스템 | |
| CN107111940B (zh) | 交通违章管理系统和交通违章管理方法 | |
| JP6365311B2 (ja) | 交通違反管理システムおよび交通違反管理方法 | |
| KR101066081B1 (ko) | 차량 탑재형 스마트 정보 판독 시스템 및 방법 | |
| KR102090907B1 (ko) | 영상개선 및 딥러닝 기술을 접목한 차량검출 및 번호인식 방법과 이를 이용한 주차시스템 | |
| KR101394201B1 (ko) | 버스장착 무선cctv 촬영단속시스템 | |
| KR102436142B1 (ko) | 단속 카메라로 촬영된 위반 사실을 이용한 확률적 예측 서비스 제공 방법 및 이를 위한 장치 | |
| US20220156504A1 (en) | Audio/video capturing device, vehicle mounted device, control centre system, computer program and method | |
| KR102526194B1 (ko) | 이동차량 추적에 의한 불법 끼어들기 차량 감지시스템 | |
| Chandrasekaran et al. | Computer vision based parking optimization system | |
| KR102436111B1 (ko) | 모빌리티 시스템으로 위법 차량을 단속하도록 한 인공지능 기반 이벤트검지 시스템 | |
| KR101416457B1 (ko) | 역주행 차량 및 보행자 위험상황 인지가 적용된 도로방범시스템 | |
| KR102039404B1 (ko) | 영상 감시 시스템 및 그 방법 | |
| KR102483250B1 (ko) | 해양도시 인프라의 효율적 관제를 위한 영상 ai 기반 안전관리 통합장치 | |
| KR102256325B1 (ko) | 재난사고와 범죄의 과학적분석 및 안내방송을 위한 드론용 및 차량용 감지분석장치 와 그 방법 | |
| KR102518152B1 (ko) | 대교 위 다채널 카메라 영상에서 차량 추적 기반의 불법 차선침입 검출 시스템 | |
| Goel et al. | S mart car parking system using openCV |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |