KR102453247B1 - 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법 - Google Patents

모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법 Download PDF

Info

Publication number
KR102453247B1
KR102453247B1 KR1020220022183A KR20220022183A KR102453247B1 KR 102453247 B1 KR102453247 B1 KR 102453247B1 KR 1020220022183 A KR1020220022183 A KR 1020220022183A KR 20220022183 A KR20220022183 A KR 20220022183A KR 102453247 B1 KR102453247 B1 KR 102453247B1
Authority
KR
South Korea
Prior art keywords
passenger
gate
mobile
payment
main control
Prior art date
Application number
KR1020220022183A
Other languages
English (en)
Inventor
조효기
Original Assignee
(주)에이텍티앤
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 (주)에이텍티앤 filed Critical (주)에이텍티앤
Priority to KR1020220022183A priority Critical patent/KR102453247B1/ko
Application granted granted Critical
Publication of KR102453247B1 publication Critical patent/KR102453247B1/ko

Links

Images

Classifications

    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
    • G06Q20/327—Short range or proximity payments by means of M-devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
    • G06Q20/322—Aspects of commerce using mobile devices [M-devices]
    • G06Q20/3224—Transactions dependent on location of M-devices
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
    • G06Q20/326—Payment applications installed on the mobile devices
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/34—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using cards, e.g. integrated circuit [IC] cards or magnetic cards
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00309—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated with bidirectional data transmission between data carrier and locks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

게이트의 특정 위치에 설치된 적외선센서(IR 센서)에 의해 승객 진입 감지시, 수신된 수신신호 세기(RSSI)를 시계열 데이터로 변환하고 일정길이로 만들어 딥러닝 모델에 적용하여 정확하게 게이트 진입 여부를 판단하여 결제 오류를 방지할 수 있도록 한 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법에 관한 것으로서, 승객 단말에서 지하철 역사 비콘 신호를 수신하면 태그리스 요금 결제를 위한 태그리스 결제 앱을 활성화하고, 결제 서버에서 승객 식별 정보 및 결제 카드 정보를 획득하여 저장하며, 메인 컨트롤 보드에서 블루투스 모듈을 통해 사용자 신호의 제1 내지 제6 수신감도(RSSI1 - RSSI6)를 측정하고, 제1 내지 제3 승객 위치 감지부에서 승객 진입을 감지하면, 메인 컨트롤 보드에서 측정한 제1 내지 제6 수신감도를 일정 길이의 시계열 데이터로 변환하고, 변환한 시계열 데이터를 딥러닝 모델에 적용하여 게이트의 진입 유무를 판단하며, 게이트 진입으로 판단이 되면 사용자의 결제를 처리하는 과정을 통해, 모바일의 수신신호를 이용하여 게이트 진입을 정확하게 판단한다.

Description

모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법{Apparatus and method for determining gate entry using mobile received signal strength indication}
본 발명은 모바일의 수신신호를 이용한 게이트 진입 판단에 관한 것으로, 특히 게이트의 특정 위치에 설치된 적외선센서(IR 센서)에 의해 승객진입 감지시, 수신된 수신신호 세기(RSSI; received signal strength indication)를 시계열 데이터로 변환하고 일정길이로 만들어 딥러닝 모델에 적용하여 정확하게 게이트 진입 여부를 판단하여 결제 오류를 방지할 수 있도록 한 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법에 관한 것이다.
지하철(전철) 역사 내에는 개표 및 집표를 위한 게이트(Gate)가 마련되어 있다. 이러한 게이트를 통과할 때 승객은 미리 정해진 승차권이나 티머니와 같은 교통 카드, 신용카드 및 단말기 등 다양한 결제 수단을 이용하여 결제를 하게 된다.
그 중 무선 결제를 위한 방법으로, 게이트에는 단말기와 같은 장비의 무선 결제를 위해 BLE가 설치되어 있으며, 각각의 게이트별로 BLE가 한 개씩 설치되어 승객 단말기와 블루투스 통신을 통해 결제를 수행하게 된다.
그러나 이러한 일반적인 무선 결제 방식은 게이트로 진입하기 위한 여러 대의 BLE 신호가 감지될 경우 결제 오류가 발생하며, 신호의 세기(RSSI)가 기기/조제사마다 상이하여 일반적인 BLE 측위 기술로는 정확한 위치를 인지할 수 없으며, BLE 신호는 주위 환경에 민감하게 반응하여(사람, 휴대전화의 위치, 간섭 전자파 등), 정확한 위치 판단이 어려워 결제 오류를 발생하는 단점이 있다.
한편, 승객의 모바일을 이용하여 결제를 수행하기 위해 종래에 제안된 기술이 하기의 <특허문헌 1> 에 개시되어 있다.
<특허문헌 1> 에 개시된 종래기술은 진입 제한 구역에 대해 진입을 제어하는 게이트 제어 장치의 존재를 알리는 비콘(Beacon) 신호를 수신하는 단계, 비콘 신호의 수신에 응답하여, 티켓 보관소에서 진입 제한 구역에 진입하기 위한 티켓을 조회하고, 티켓의 사용 가능 여부를 확인하는 단계 및 체크 결과 티켓의 사용이 가능한 경우, 게이트 제어 장치에 대하여 게이트 오픈 명령을 송신하는 단계를 포함한다. 이러한 구성을 통해, 지하철, 극장 등 티켓을 이용하여 출입을 통제하는 장소에서 종래의 물리적 티켓이 아닌 모바일 티켓을 이용하여 게이트를 제어한다.
이러한 종래기술도 한 개의 게이트에 BLE 장치 한 개를 구현하여 승객 단말기와 블루투스 통신을 통해 결제를 수행하고 게이트 플랩을 제어하는 방식이므로, 승객이 실제 사용하는 게이트의 식별에 정확성이 떨어지고, 이로 인해 게이트 플랩 제어의 오동작이 발생하고 결제 오류가 발생하는 단점이 있다.
즉, 지하철 역사 내부에는 다양한 무선 통신 신호들이 혼재되어 있는 상태이므로, 단일의 BLE 장치로 해당 승객의 게이트 입장을 정확히 인식하는 것이 어려워 플랩 제어의 오동작이 발생하고, 결제 오류가 발생하는 단점이 있다.
대한민국 공개특허 10-2016-0051008(2016.05.11. 공개)(모바일 티켓을 이용한 게이트 제어 방법 및 그 장치)
따라서 본 발명은 상기와 같은 일반적인 BLE를 이용한 무선 결제 방식에서 발생하는 제반 문제점과 종래기술에서 발생하는 제반 문제점을 해결하기 위해서 제안된 것으로서, 게이트의 특정 위치에 설치된 적외선센서(IR 센서)에 의해 승객 진입 감지시, 수신된 수신신호 세기(RSSI; received signal strength indication)를 시계열 데이터로 변환하고 일정길이로 만들어 딥러닝 모델에 적용하여 정확하게 게이트 진입 여부를 판단하여 결제 오류를 방지할 수 있도록 한 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법을 제공하는 데 그 목적이 있다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명에 따른 "모바일의 수신신호를 이용한 게이트 진입 판단장치"는,
사이에 출입구를 형성하는 제1 및 제2 게이트 몸체;
상기 제1 및 제2 게이트 몸체의 임의 위치에 설치되어 출입구로 진입하여 출입구를 통과하는 승객이 휴대한 승객 단말과 근거리 통신을 통해 사용자 정보를 획득하는 블루투스 모듈;
상기 제1 및 제2 게이트 몸체의 임의 위치에 설치되어 게이트의 내부에서 승객의 위치를 감지하는 제1 내지 제3 승객 위치 감지부; 및
상기 제1 내지 제3 승객 위치 감지부를 이용하여 획득한 승객 위치 정보를 기초로 상기 블루투스 모듈을 통해 획득한 수신 신호의 수신감도(RSSI)를 시계열 데이터로 변환하여 일정길이로 만들고, 변환한 시계열 데이터를 딥러닝 모델에 적용하여 게이트의 진입 유무를 판단하여 결제 처리를 제어하는 메인 컨트롤 보드를 포함하는 것을 특징으로 한다.
상기에서 메인 컨트롤 보드는,
상기 제1 내지 제3 승객 위치 감지부를 통해 획득한 승객 위치 정보를 이용하여 승객의 게이트 진입 여부를 판단하는 것을 특징으로 한다.
상기에서 메인 컨트롤 보드는,
상기 제1 내지 제3 승객 위치 감지부의 구간별 수신한 수신감도를 딥러닝으로 처리하고, 딥러닝 결과에 따라 구간별 모바일의 소지 여부를 판단하여 결제 처리에 활용하는 것을 특징으로 한다.
상기에서 메인 컨트롤 보드는,
상기 블루투스 모듈을 통해 획득되는 정보에서, 수신감도(RSSI) 값과 모듈번호 및 카드 번호를 수집하고, 상기 제1 내지 제3 승객 위치 감지부를 통해 승객 위치 정보를 수집하는 원시데이터 수집부;
상기 수집한 원시 데이터에서 수신한 수신감도를 일정길이의 시계열 데이터로 변환하여 딥러닝 모델 적용 데이터를 생성하는 데이터 변환부; 및
상기 데이터 변환부에서 변환한 시계열 데이터를 딥러닝 알고리즘에 적용하여 모바일의 게이트 진입을 판단하는 게이트 진입 판단부를 포함하는 것을 특징으로 한다.
상기에서 데이터 변환부는,
수신한 수신감도를 카드번호별로 분류하고,
제1 승객 위치 감지부 내지 제3 승객 위치 감지부에서 승객을 감지하기 이전의 수신감도는 일정 시간간격으로 나누어 각 구간의 대표값을 시계열 데이터로 사용하고,
상기 제1 승객 위치 감지부 내지 제3 승객 위치 감지부에서 승객을 감지한 후에는 승객 감지시점에서 수신감도의 대표값을 시계열 데이터로 사용하는 것을 특징으로 한다.
상기에서 대표값은 구간별 RSSI의 최대값 또는 최소값 또는 평균값 또는 변화률 또는 표준편차를 이용하는 것을 특징으로 한다.
상기에서 데이터 변환부는,
딥러닝을 위하여 변환한 시계열 데이터의 1채널의 크기는 동일하게 하는 것을 특징으로 한다.
상기에서 데이터 변환부는,
모바일의 파지 방법에 따라 클래스를 정의하고, 라벨링을 수행하는 것을 특징으로 한다.
상기에서 게이트 진입 판단부는,
CNN 레이어, 정규화 레이어 및 ReLu 레이어로 이루어진 CNN 과정을 복수로 수행하여 특징을 추출하고, 추출한 특징을 Global Average Pooling Layer로 처리하여 크기를 감소하며, 상기 크기가 감소한 특징을 Dense Layer에서 클래스별로 분류한 후 게이트 진입을 판단하는 것을 특징으로 한다.
또한, 상기한 바와 같은 목적을 달성하기 위하여, 본 발명에 따른 "모바일의 수신신호를 이용한 게이트 진입 판단방법"은,
(a) 승객 단말에서 지하철 역사 비콘 신호를 수신하면 태그리스 요금 결제를 위한 태그리스 결제 앱을 활성화하는 단계;
(b) 결제 서버에서 승객 식별 정보 및 결제 카드 정보를 획득하여 저장하는 단계;
(c) 메인 컨트롤 보드에서 블루투스 모듈을 통해 사용자 신호의 제1 및 제2 수신감도(RSSI1, RSSI2)를 측정하는 단계;
(d) 제1 승객 위치 감지부에서 승객 진입이 감지되면, 메인 컨트롤 보드에서 블루투스 모듈을 통해 사용자 신호의 제3 및 제4 수신감도(RSSI3, RSSI4)를 측정하는 단계;
(e) 제2 승객 위치 감지부에서 승객 진입이 감지되면, 메인 컨트롤 보드에서 블루투스 모듈을 통해 사용자 신호의 제5 및 제6 수신감도(RSSI5, RSSI6)를 측정하는 단계;
(f) 제3 승객 위치 감지부에서 승객 진입 감지되면, 상기 메인 컨트롤 보드에서 측정한 제1 내지 제6 수신감도를 일정 길이의 시계열 데이터로 변환하고, 변환한 시계열 데이터를 딥러닝 모델에 적용하여 게이트의 진입 유무를 판단하는 단계; 및
(g) 상기 (f)단계에서 게이트 진입으로 판단이 되면 사용자의 결제를 처리하는 단계를 포함하는 것을 특징으로 한다.
상기에서 메인 컨트롤 보드는,
상기 블루투스 모듈을 통해 획득되는 정보에서, 수신감도(RSSI) 값, 모듈번호, 카드 번호를 수집하고, 상기 제1 내지 제3 승객 위치 감지부를 통해 승객 위치 정보를 수집하여, 태그리스 결제에 활용하는 것을 특징으로 한다.
본 발명에 따르면 게이트의 특정 위치에 설치된 적외선 센서(IR 센서)에 의해 승객 감지 시, 수신된 수신신호 세기(RSSI; received signal strength indication)를 시계열 데이터로 변환하고 일정길이로 만들어 딥러닝 모델에 적용하여 정확하게 게이트 진입 여부를 판단함으로써, 결제 오류를 방지할 수 있는 효과가 있다.
도 1은 본 발명에 따른 모바일의 수신신호를 이용한 게이트 진입 판단장치의 전체 구성도,
도 2는 본 발명에서 승객 위치 및 모바일 휴대전화의 위치를 판단하는 프로세스 개념도,
도 3은 도 1의 메인 컨트롤 보드의 실시 예 구성도,
도 4a 내지 도 4c는 본 발명에서 모바일 파지유형을 판단하기 위한 파형 예시도,
도 5는 본 발명에서 클래스별 시계열 데이터의 예시도,
도 6은 본 발명을 적용한 실험 결과표,
도 7은 본 발명에 따른 모바일의 수신신호를 이용한 게이트 진입 판단방법을 보인 흐름도이다.
이하 본 발명의 바람직한 실시 예에 따른 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법을 첨부된 도면을 참조하여 상세하게 설명한다.
이하에서 설명되는 본 발명에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 안 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 바람직한 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명의 바람직한 실시 예에 따른 모바일의 수신신호를 이용한 게이트 진입 판단장치의 전체 구성도이고, 도 2는 승객 위치 및 모바일 폰의 위치를 판단하는 프로세스 개념도이고, 도 3은 도 1의 메인 컨트롤 보드의 실시 예 구성도이다.
본 발명에 따른 모바일의 수신신호를 이용한 게이트 진입 판단장치는, 사이에 출입구(10)를 형성하는 제1 및 제2 게이트 몸체(101, 102), 상기 제1 및 제2 게이트 몸체(101, 102)의 임의 위치에 설치되어 출입구(10)로 진입하여 출입구를 통과하는 승객이 휴대한 승객 단말(200)과 근거리 통신(블루투스 통신)을 통해 사용자 정보를 획득하는 블루투스 모듈(120)을 포함할 수 있다
상기 블루투스 모듈(120)은 2개의 블루투스 스캐너(121, 122)가 쌍으로 구현되며, 쌍으로 이루어진 2개의 블루투스 스캐너(121, 122)는 상기 제1 및 제2 게이트 몸체(101)(102)의 동일한 위치에 서로 대향되게 설치되며, 지향성을 갖고 승객 단말(200)과 근거리 통신을 수행한다.
바람직하게, 상기 블루투스 모듈(120)은 상기 출입구(10)를 기준으로 출입구(10)에 진입한 사용자를 인식하기 위한 위치에 설치될 수 있다.
또한, 본 발명에 따른 모바일의 수신신호를 이용한 게이트 진입 판단장치는 상기 제1 및 제2 게이트 몸체(101, 102)의 임의 위치에 설치되어 게이트의 내부에서 승객의 위치를 감지하는 제1 내지 제3 승객 위치 감지부(160 - 180)를 포함할 수 있다.
상기 제1 내지 제3 승객 위치 감지부(160 - 180)의 구성 및 작용은 동일하다.
상기 제1 내지 제3 승객 위치 감지부(160 - 180)는 적외선 또는 광을 이용하여 승객을 감지하는 승객 감지센서(161 - 162)(171 - 172)(181 - 182)가 상기 제1 및 제2 게이트 몸체(101, 102)에 설치될 수 있다.
적외선 또는 광을 이용하여 승객을 감지하는 방식은 동일하게 송신부에서 적외선 또는 광을 송신하고, 수신부에서 적외선 또는 광을 수신하는 방식을 이용하며, 수신부에서 적외선 또는 광이 수신되면 승객이 감지되지 않은 것으로 판단한다.
또한, 본 발명에 따른 모바일의 수신신호를 이용한 게이트 진입 판단장치는 상기 제1 내지 제3 승객 위치 감지부(160 - 180)를 이용하여 획득한 승객 위치 정보를 기초로 상기 블루투스 모듈(120)을 통해 획득한 수신 신호의 수신감도(RSSI)를 시계열 데이터로 변환하여 일정길이로 만들고, 변환한 시계열 데이터를 딥러닝 모델에 적용하여 게이트의 진입 유무를 판단하여 결제 처리를 제어하는 메인 컨트롤 보드(150)를 포함할 수 있다.
여기서 메인 컨트롤 보드(150)는 상기 제1 및 제2 게이트 몸체(101)(102) 중 어느 하나의 몸체에 내장될 수 있다.
상기 메인 컨트롤 보드(150)는 상기 제1 내지 제3 승객 위치 감지부(160 180)를 통해 획득한 승객 위치 정보를 이용하여 승객의 게이트 진입 여부를 판단하며, 상기 제1 내지 제3 승객 위치 감지부(160 - 180)의 전단 및 구간별 수신한 수신감도를 딥러닝으로 처리하고, 딥러닝 결과에 따라 모바일의 소지 여부를 판단하여 결제 처리에 활용한다.
이러한 메인 컨트롤 보드(150)는 도 3에 도시한 바와 같이, 상기 블루투스 모듈(120)을 통해 획득되는 정보에서, 수신감도(RSSI) 값, 모듈번호, 카드 번호 등을 수집하고, 상기 제1 내지 제3 승객 위치 감지부(160 - 180)를 통해 승객 위치 정보를 수집하는 원시데이터 수집부(151), 상기 수집한 원시 데이터에서 수신한 수신감도(RSSI)를 일정길이(동일 Byte 수)의 시계열 데이터로 변환하여 딥러닝 모델 적용 데이터를 생성하는 데이터 변환부(152), 및 상기 데이터 변환부(152)에서 변환한 시계열 데이터를 딥러닝 알고리즘에 적용하여 모바일의 게이트 진입을 판단하는 게이트 진입 판단부(153)를 포함할 수 있다.
상기 데이터 변환부(152)는 수신한 수신감도를 카드번호별로 분류하고, 제1 승객 위치 감지부(160) 내지 제3 승객 위치 감지부(180)에서 승객을 감지하기 이전의 수신감도는 일정 시간간격으로 나누어 각 구간의 대표값을 시계열 데이터로 사용하고, 상기 제1 승객 위치 감지부(160) 내지 제3 승객 위치 감지부(180)에서 승객을 감지한 후에는 승객 감지시점에서 수신감도의 대표값을 시계열 데이터로 사용한다.
여기서 대표값은 구간별 RSSI의 최대값 또는 최소값 또는 평균값 또는 변화률 또는 표준편차를 이용할 수 있으며, 딥러닝을 위하여 변환한 시계열 데이터의 1채널의 크기는 동일(동일 Byte 수)하며, 모바일의 파지 방법에 따라 클래스(Class)를 정의하고, 라벨링(Labeling)을 수행한다.
또한, 상기 게이트 진입 판단부(153)는 CNN 레이어(CNN Layer), 정규화 레이어(BachNomalization Layer) 및 ReLu 레이어(ReLu Layer)로 이루어진 CNN 과정을 복수(예를 들어, 3회, 153a - 153c)로 수행하여 특징을 추출하고, 추출한 특징을 Global Average Pooling Layer(153d)로 처리하여 특징의 크기를 감소하며, 상기 크기가 감소한 특징을 Dense Layer(153e)에서 클래스별로 분류한 후 게이트 진입을 판단한다.
또한, 본 발명에 따른 모바일의 수신신호를 이용한 게이트 진입 판단장치는 상기 메인 컨트롤 보드(150)와 연동하여 각각의 게이트 정보를 처리하고, 역단위 정보를 처리하는 역단위 시스템을 포함하는 게이트 처리기(400), 승객이 휴대한 승객 단말(200)을 더 포함할 수 있다.
여기서 게이트 처리기(400)는 통상의 지하철 역사에서 게이트 정보를 처리하기 위해서 필수적으로 마련되는 구비되는 장치이므로, 이하 그에 대한 구체적인 설명은 생략하기로 한다.
승객 단말(200)은 태그리스 방식으로 결제를 처리하기 위한 태그리스 무선 결제 애플리케이션(앱)이 설치된 것으로 가정한다.
도 7은 본 발명에 따른 "모바일의 수신신호를 이용한 게이트 진입 판단방법"을 보인 흐름도로서, (a) 승객 단말(200)에서 지하철 역사 비콘 신호를 수신하면 태그리스 요금 결제를 위한 태그리스 결제 앱을 활성화하는 단계(S101 - S102), (b) 결제 서버(300)에서 승객 식별 정보 및 결제 카드 정보를 획득하여 저장하는 단계(S103), (c) 메인 컨트롤 보드(150)에서 블루투스 모듈(120)을 통해 사용자 신호의 제1 및 제2 수신감도(RSSI1, RSSI2)를 측정하는 단계(S104), (d) 제1 승객 위치 감지부(160)에서 승객 진입이 감지되면, 메인 컨트롤 보드(150)에서 블루투스 모듈(120)을 통해 사용자 신호의 제3 및 제4 수신감도(RSSI3, RSSI4)를 측정하는 단계(S105 - S106), (e) 제2 승객 위치 감지부(170)에서 승객 진입이 감지되면, 메인 컨트롤 보드(150)에서 블루투스 모듈(120)을 통해 사용자 신호의 제5 및 제6 수신감도(RSSI5, RSSI6)를 측정하는 단계(S107 - S108), (f) 제3 승객 위치 감지부(180)에서 승객 진입 감지되면, 상기 메인 컨트롤 보드(150)에서 측정한 제1 내지 제6 수신감도를 일정 길이의 시계열 데이터로 변환하고, 변환한 시계열 데이터를 딥러닝 모델에 적용하여 게이트의 진입 유무를 판단하는 단계(S109 - S112), 및 (g) 상기 (f)단계에서 게이트 진입으로 판단이 되면 사용자의 결제를 처리하는 단계(S113, S114)를 포함할 수 있다.
상기 메인 컨트롤 보드(150)는 상기 블루투스 모듈(120)을 통해 획득되는 정보에서, 수신감도(RSSI) 값, 모듈번호, 카드 번호를 수집하고, 상기 제1 내지 제3 승객 위치 감지부(160 - 180)를 통해 승객 위치 정보를 수집하여, 태그리스 결제에 활용할 수 있다.
이와 같이 구성된 본 발명의 바람직한 실시 예에 따른 "모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법"을 구체적으로 설명하면 다음과 같다.
먼저, 지하철 등의 태그리스 게이트를 이용하고자 하는 승객이 태그리스 결제 앱이 설치된 모바일 기기인 승객 단말(200)을 이용하여 지하철 역사의 비콘(양방향 비콘일 수 있음) 신호 수신 영역에 진입한다. 여기서 태그리스 게이트는 지하철 게이트로 설명하나, 이것은 설명의 편의를 위한 일 실시 예에 불과하며, 본 발명은 태그리스 게이트를 이용하는 모든 게이트(예를 들어, 버스 승하차 출입문, 건물 출입 통제 게이트 등)에 적용할 수 있다.
승객 단말(200)은 상기 지하철 역사의 비콘 신호 수신 영역에 진입하면 지하철 역사에 설치된 비콘에서 발신되는 신호를 수신하고, 비콘 신호가 수신되면 설치된 태그리스 결제 앱을 자동으로 활성화한다(S101 - S102).
태그리스 결제 앱이 활성화되면, 승객 단말(200)은 요금 결제를 위해 결제 카드 정보와 승객 단말(200)을 식별하기 위한 식별정보(예를 들어, ID) 등을 승객 정보로 결제서버(300)에 전송한다.
결제 서버(300)는 상기 승객 정보를 통해 결제 카드 정보와 승객 식별을 위한 ID 정보 등을 판독하여 데이터베이스에 임시 저장한다(S103).
아울러 태그리스 결제 앱을 활성화하고, 승객 정보를 송신한 승객 단말(200)을 휴대한 승객이 도 2에 도시한 바와 같이, 제1 및 제2 게이트 몸체(101, 102)에 의해 형성된 게이트의 출입구(10)로 진입을 하면, 지향성을 갖는 블루투스 모듈(120)의 2개의 블루투스 스캐너(121, 122)를 통해 승객 단말(200)과 접속을 하여 승객 정보(ID, 결제 카드 정보와 수신감도)를 획득한다. 이렇게 획득되는 승객 정보는 메인 컨트롤 보드(150)에 이더넷(Ethernet) 등의 통신을 통해 실시간으로 전달된다.
여기서 2개의 블루투스 스캐너(121, 122)는 쌍으로 이루어져 동일한 승객에 대하여 2개의 승객 정보가 획득된다. 메인 컨트롤 보드(150)는 수신된 2개의 승객 정보에서 제1 및 제2 수신감도(RSSI1, RSSI2)를 측정하여 저장한다(S104).
여기서 승객이 승객 단말(200)을 오른손 또는 오른쪽 포켓 등에 휴대한 경우와 왼손 또는 왼쪽 포켓 등에 휴대한 경우, 한쪽에만 블루투스를 설치하면 인체나 기타 방해 요소에 의해 블루투스 신호의 송수신이 방해가 될 수 있어, 정확성을 높이기 위해서 블루투스 스캐너를 게이트를 중심으로 양측에 쌍으로 설치하였다.
상기 블루투스 모듈(120)을 통해 획득한 승객 정보에 포함된 결제 카드 정보 및 ID 정보, 수신감도를 임시 저장한다.
다음으로, 사용자가 출입구(10) 측으로 계속 진행하면, 출입구(10) 측으로 어느 정도 진입이 이루어지면, 게이트의 내부에 설치된 제1 승객 위치 감지부(160) 내의 승객 감지센서(161, 162)에 의해 승객이 감지된다(S105).
상기 제1 승객 위치 감지부(160)를 통해 게이트 출입구(10) 측으로 진행을 한 승객이 감지되면, 블루투스 모듈(120)에 의해 승객 정보가 다시 인식된다.
즉, 지향성을 갖는 블루투스 모듈(120)의 2개의 블루투스 스캐너(121, 122)를 통해 승객 단말(200)과 접속을 하여 승객 정보를 획득한다. 이렇게 획득되는 승객 정보는 메인 컨트롤 보드(150)에 이더넷(Ethernet) 등의 통신을 통해 실시간으로 전달된다.
메인 컨트롤 보드(150)는 쌍으로 이루어진 2개의 블루투스(121, 122)를 통해 동일한 승객에 대하여 2개의 승객 정보를 획득하고, 주지한 바와 같이 수신된 2개의 승객 정보에서 제3 및 제4 수신감도(RSSI3, RSSI4)를 측정한다(S106).
아울러 제2 승객 위치 감지부(170)를 통해 게이트 출입구(10) 측으로 진행을 한 승객이 감지되면, 블루투스 모듈(120)에 의해 승객 정보가 다시 인식된다.
즉, 지향성을 갖는 블루투스 모듈(120)의 2개의 블루투스 스캐너(121, 122)를 통해 승객 단말(200)과 접속을 하여 승객 정보를 획득한다. 이렇게 획득되는 승객 정보는 메인 컨트롤 보드(150)에 이더넷(Ethernet) 등의 통신을 통해 실시간으로 전달된다.
메인 컨트롤 보드(150)는 쌍으로 이루어진 2개의 블루투스(121, 122)를 통해 동일한 승객에 대하여 2개의 승객 정보를 획득하고, 주지한 바와 같이 수신된 2개의 승객 정보에서 제5 및 제6 수신감도(RSSI5, RSSI5)를 측정한다(S106).
다시 말해 본 발명은 쌍으로 이루어진 3개의 승객 위치 감지부(160 - 180)를 통해 승객 진입(위치)을 감지하고, 제1 및 내지 제3 승객 위치 감지부(160 - 180)의 전단 및 후단에서 각각 승객 정보를 획득한다.
즉, 메인 컨트롤 보드(150)의 원시데이터 수집부(151)는 상기 블루투스 모듈(120)을 통해 획득되는 정보에서, 제1 내지 제6 수신감도(RSSI1 - RSSI6) 값, 모듈번호, 카드 번호 등을 수집하고, 상기 제1 내지 제3 승객 위치 감지부(160 - 180)를 통해 승객 위치 정보를 수집한다.
다음으로, 데이터 변환부(152)는 상기 수집한 원시 데이터에서 수신감도(RSSI1 - RSSI6)를 일정길이의 시계열 데이터로 변환하여 딥러닝 모델 적용 데이터를 생성한다.
예컨대, 데이터 변환부(152)는 수신한 수신감도(RSSI1 - RSSI6)를 카드번호별로 분류하고, 제1 승객 위치 감지부(160)에서 승객을 감지하기 이전의 수신감도(RSSI1 - RSSI2)는 일정 시간간격으로 나누어 각 구간의 대표값을 시계열 데이터로 생성한다. 아울러 상기 제1 승객 위치 감지부(160)에서 승객을 감지한 후에 획득한 수신감도(RSSI3 - RSSI6)는 대표값을 시계열 데이터로 생성한다.
여기서 대표값은 구간별 RSSI의 최대값 또는 최소값 또는 평균값 또는 변화률 또는 표준편차를 이용할 수 있다.
상기 데이터 변환부(152)는 딥러닝을 위하여 변환한 시계열 데이터의 1채널의 크기를 동일하게 하며(동일 바이트 수), 모바일의 파지 방법에 따라 클래스(Class)를 정의하고, 라벨링(Labeling)을 한다.
이후, 각 블루투스 모듈에서 수신한 수신감도 값을 여러 가지 방법으로 훈련하고 평가하여 최적의 데이터를 사용하여 딥러닝 모델에 적용한다.
변환한 데이터를 딥러닝 모델에 적용하기 위해서는 특징 추출이 필요하다.
본 발명은 다양한 딥러닝 모델 중, 뉴럴 네트워크 구조를 가진 CNN을 딥러닝 모델로 사용하였다.
일반적으로 시계열 예측의 경우, RNN, LSTM, GRU의 신경망을 사용하지만 수신감도(RSSI)의 경우 신호의 세기가 다양하고 예측보단 진입 여부 판단과 신호의 세기가 다르더라도 진입 시 패턴은 유사하여 CNN을 이용하였다.
일반적인 CNN 딥러닝 모델의 뉴럴 네트워크 구조는, 입력 레이어(Input layer), 입력 데이터로부터 특징들을 추출하는 계층인 컨벌루션 레이어(Convolutional layer), 컨벌루션 레이어를 통과한 출력 데이터의 크기(dimension)를 줄이는 계층인 풀링 레이어(Pooling Layer), 출력 레이어(Output layer)로 이루어진다.
컨벌루션 레이어는 주지한 바와 같이, 파라미터는 Filter, kernel, stride, padding 등이 있으며, 커널을 스트라이드만큼 이동하면서 이미지와 곱한 결과를 적분해 나간다. 커널을 이용해 이미지를 변환하는 중 이미지의 축소를 방지하기 위하여 패딩을 사용한다.
풀링 레이어는 매트릭스에서 가장 큰 값을 대표값으로 추출하는 Max Pooling, 매트릭스에서 평균값 또는 변화률 또는 표준편차를 대표값으로 추출하는 Average Pooling 등을 이용하여 컨벌루션 레이어를 통과한 데이터의 크기를 줄인다.
본 발명은 상기와 같은 뉴럴 네트워크의 구조를 가진 CNN 레이어와 정규화 레이어 및 ReLu 레이어로 이루어진 CNN 과정을 3번 수행한다(153a, - 153c).
데이터 변환부(152)에서 변환한 데이터를 훈련용으로 사용하기 위하여 읽어들인다.
게이트의 진입시와 비진입시의 수신감도(RSSI1 - RSSI6)정보와 시간 및 Class를 보면 다음과 같다.
도 4a 내지 도 4c와 같이, 모바일의 파지 유형에 따른 파형 데이터가 RSSI값으로 획득되는 데, 게이트 진입 전의 블루투스 모듈(120)의 블루투스 스캐너(121, 122)로 획득한 RSSI정보(RSSI1, RSSI2)를 일정 시간간격으로 선택하고(P101 - P110), 게이트 진입 후의 블루투스 모듈(120)의 블루투스 스캐너(121, 122)로 획득한 RSSI정보(RSSI3 - RSSI6)를 일정 시간간격으로 선택한다(P201 - P210).
아울러 게이트 진입 후 제1 승객 위치 감지부(160)를 지날 때의 블루투스 모듈(120)의 블루투스 스캐너(121, 122)로 획득한 RSSI 정보(IR112, IR123)를 선택하고, 게이트 진입 후 제2 승객 위치 감지부(170)를 지날 때의 블루투스 모듈(120)의 블루투스 스캐너(121, 122)로 획득한 RSSI 정보(IR212, IR223)를 선택한다.
여기서 Class는 모바일 소지 타입에 따른 분류 코드로서 지도학습의 Y값이 된다.
Time은 최초의 승객 위치를 감지한 시간(즉, 제1 승객 위치 감지부를 통해 승객을 감지한 시간)이다.
수신감도 데이터를 시각화하면 다음과 같다.
게이트 진입 시 모바일 파지유형은 다양한 실험(복수의 모바일, 10가지 종류 시험)을 통해 아래와 같은 3가지 유형으로 정의하였다.
즉, 도 4a와 같은 Hand_Center(가운데 정방향), 도 4b와 같은 Hand_left_backward(왼손 역방향), 도 4c와 같은 비정상 파형(게이트 주위를 배회하거나 진입 시도)으로 정의하였다.
읽은 데이터에서 Y = WX + b에 해당하는 값들을 정의한다.
X : P101 ~ IR223,
Y : Class.
입력 데이터를 무작위로 shuffling 하여 20%를 분리하여 테스트용으로, 80%를 훈련용으로 사용한다. 80%의 훈련용에서 20%는 모델 검증용으로 사용한다.
각 Class 별 시계열 데이터를 시각화하면 도 5와 같다.
미진입시의 데이터(0)와 9가지의 파지 유형별 데이터를 나타낸 것이다.
다음으로, 시계열 데이터를 정규화(Normalization)한다(Data Scaling).
데이터의 RSSI값은 모바일 종류와 송신 파워 레벨 설정에 따라 입력되는 신호의 세기가 다양한 범위에 있게 된다. Scikit_Learn의 전처리 기능들 중 Scale에 대한 것을 시험한 결과 분류 정확도는 다음과 같았다.
Normalizer: 99.5%, MinMaxScaler: 98.5%, StandardScaler: 95.5%
상기 Class(y_train, y_test)의 값은 다음과 같다.
0 or 1 : 게이트에 진입 여부만을 분류, 1 ~ 9: 모바일의 파지유형별 분류.
이렇게 변환한 데이터를 첫 번째 CNN 과정(153a)의 CNN 레이어로 처리하여 특징을 추출한다. 이렇게 추출한 특징이 레이어를 지날수록 서로 다른 분포가 생기거나 Batch별로 서로 다른 분포가 생기는 것을 방지하기 위하여, CNN 레이어에서 출력되는 특징 데이터를 BatchNormalization layer를 이용하여 정규화한다.
이어, 정규화된 특징 데이터를 ReLu 레이어에서 음수를 제거하여, Gradient 소실문제에는 도움이 되나, 신경망의 특정출력이 0이 되면 죽는 문제를 해결한다.
이러한 CNN 처리 과정을 3번(153a - 153c)을 수행한다.
다음으로, 상기 3번의 CNN 과정이 이루어진 결과를 GlobalAverage Pooling Layer(153)로 처리하여 특징을 추출한다.
즉, 일반적인 Pooling의 특징은 적절한 수준으로 특징을 줄이는 역할을 한다(filter와 stride로 조절). GAP은 더 급격하게 특징을 줄인다. 즉, 1개의 특징 맵(Feature map)에서 1개의 특징을 선택하여 1차원 벡터로 만든다.
다음으로, 상기 추출한 특징을 Dense Layer(153e)에서 클래스별로 분류한 후 게이트 진입을 판단한다. 즉, 10개의 Class중 Softmax activation function을 적용시켜 최종 분류하고 최종 결과물 즉, 진입 판단 결과정보를 출력한다.
메인 컨트롤 보드(150)는 상기와 같은 승객의 게이트 진입 판단 정보를 기초로, 승객이 게이트에 진입한 것으로 판단을 하고, 제3 승객 위치 감지부(180)를 통해 승객이 감지되면, 결제 처리 정보를 결제 서버(300)에 제공하여 태그리스 결제를 처리하게 된다(S113). 이와는 달리 게이트 진입을 판단한 결과 게이트 진입이 이루어지지 않은 것으로 판단이 되면, 진입을 불허하는 안내 음성을 송출한다(S114).
본 발명자는 상기와 같은 원시데이터 수집, 원시데이터를 시계열 데이터로 변환, 3번의 CNN 과정을 통해 승객의 게이트 진입을 판단하는 과정을 실험하였다.
샘플 수는 11000(5400통과, 5600 배회)이다.
도 6은 실험 결과표로서, 100ms 간격으로 데이터를 슬라이스하고, 진입판단만 할 경우 정확도가 가장 높을 것을 확인하였다.
이상 상술한 본 발명에 따르면 게이트의 특정 위치에 설치된 적외선 센서(IR 센서)에 의해 승객 진입 감지 시, 수신된 수신신호 세기(RSSI; received signal strength indication)를 시계열 데이터로 변환하고 일정길이로 만들어 딥러닝 모델에 적용하여 정확하게 게이트 진입 여부를 판단함으로써, 결제 오류를 방지할 수 있다.
이상 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 이 기술분야에서 통상의 지식을 가진 자에게 자명하다.
120: 블루투스 모듈
121, 122: 블루투스 스캐너
150: 메인 컨트롤 보드
160, 170, 180: 제1 내지 제3 승객 위치 감지부
200: 승객 단말
300: 결제 서버

Claims (11)

  1. 사이에 출입구를 형성하는 제1 및 제2 게이트 몸체;
    상기 제1 및 제2 게이트 몸체의 임의 위치에 설치되어 출입구로 진입하여 출입구를 통과하는 승객이 휴대한 모바일과 근거리 통신을 통해 사용자 정보를 획득하는 블루투스 모듈;
    상기 제1 및 제2 게이트 몸체의 임의 위치에 설치되어 게이트의 내부에서 승객의 위치를 감지하는 제1 내지 제3 승객 위치 감지부; 및
    상기 제1 내지 제3 승객 위치 감지부를 이용하여 획득한 승객 위치 정보를 기초로 상기 블루투스 모듈을 통해 획득한 수신 신호의 수신감도(RSSI)를 시계열 데이터로 변환하여 일정길이로 만들고, 변환한 시계열 데이터를 딥러닝 모델에 적용하여 상기 모바일의 게이트의 진입 유무를 판단하여 결제 처리를 제어하는 메인 컨트롤 보드를 포함하고,
    상기 메인 컨트롤 보드는,
    상기 블루투스 모듈을 통해 획득되는 정보에서, 수신감도(RSSI) 값과 모듈번호 및 카드 번호를 수집하고, 상기 제1 내지 제3 승객 위치 감지부를 통해 승객 위치 정보를 수집하는 원시데이터 수집부;
    상기 수집한 원시 데이터에서 수집한 수신감도를 일정길이의 시계열 데이터로 변환하여 딥러닝 모델 적용 데이터를 생성하는 데이터 변환부; 및
    상기 데이터 변환부에서 변환한 시계열 데이터를 딥러닝 알고리즘에 적용하여 상기 모바일의 게이트 진입을 판단하는 게이트 진입 판단부를 포함하는 것을 특징으로 하는 모바일의 수신신호를 이용한 게이트 진입 판단장치.
  2. 청구항 1에서, 상기 메인 컨트롤 보드는,
    상기 제1 내지 제3 승객 위치 감지부를 통해 획득한 승객 위치 정보를 이용하여 승객의 게이트 진입 여부를 판단하는 것을 특징으로 하는 모바일의 수신신호를 이용한 게이트 진입 판단장치.
  3. 청구항 1에서, 상기 메인 컨트롤 보드는,
    상기 제1 내지 제3 승객 위치 감지부의 구간별 수신한 수신감도를 딥러닝으로 처리하고, 딥러닝 결과에 따라 상기 구간별 모바일의 소지 여부를 판단하여 결제 처리에 활용하는 것을 특징으로 하는 모바일의 수신신호를 이용한 게이트 진입 판단장치.
  4. 삭제
  5. 청구항 1에서, 상기 데이터 변환부는,
    수신한 수신감도를 카드번호별로 분류하고,
    제1 승객 위치 감지부에서 승객을 감지하기 이전의 수신감도를 일정 시간간격으로 나누어 각 구간의 대표값을 시계열 데이터로 사용하고,
    상기 제1 승객 위치 감지부 및 제2 승객 위치 감지부에서 승객을 감지한 후에는 승객 감지시점에서 수신감도의 대표값을 시계열 데이터로 사용하는 것을 특징으로 하는 모바일의 수신신호를 이용한 게이트 진입 판단장치.
  6. 청구항 5에서, 상기 대표값은 구간별 RSSI의 최대값 또는 최소값 또는 평균값 또는 변화률 또는 표준편차를 이용하는 것을 특징으로 하는 모바일의 수신신호를 이용한 게이트 진입 판단장치.
  7. 청구항 1에서, 상기 데이터 변환부는,
    딥러닝을 위하여 변환한 시계열 데이터의 1채널의 크기는 동일하게 하는 것을 특징으로 하는 모바일의 수신신호를 이용한 게이트 진입 판단장치.
  8. 청구항 1에서, 상기 데이터 변환부는,
    상기 모바일의 파지 방법에 따라 클래스(Class)를 정의하고, 라벨링(Labeling)을 수행하는 것을 특징으로 하는 모바일의 수신신호를 이용한 게이트 진입 판단장치.
  9. 청구항 1에서, 상기 게이트 진입 판단부는,
    CNN 레이어, 정규화 레이어 및 ReLu 레이어로 이루어진 CNN 과정을 복수로 수행하여 특징을 추출하고, 그 결과를 GlobalAverage Pooling Layer로 처리하여 특징의 크기를 줄이며, 상기 감소한 특징을 Dense Layer에서 클래스별로 분류한 후 게이트 진입을 판단하는 것을 특징으로 하는 모바일의 수신신호를 이용한 게이트 진입 판단장치.
  10. 청구항 1 내지 청구항 3, 청구항 5 내지 청구항 9중 어느 하나의 청구항에 기재된 모바일의 수신신호를 이용한 게이트 진입 판단장치를 이용하여 게이트 진입을 판단하는 방법으로서,
    (a) 모바일에서 지하철 역사 비콘 신호를 수신하면 태그리스 요금 결제를 위한 태그리스 결제 앱을 활성화하는 단계;
    (b) 결제 서버에서 승객 식별 정보 및 결제 카드 정보를 획득하여 저장하는 단계;
    (c) 메인 컨트롤 보드에서 블루투스 모듈을 통해 사용자 신호의 제1 및 제2 수신감도(RSSI1, RSSI2)를 측정하는 단계;
    (d) 제1 승객 위치 감지부에서 승객 진입이 감지되면, 메인 컨트롤 보드에서 블루투스 모듈을 통해 사용자 신호의 제3 및 제4 수신감도(RSSI3, RSSI4)를 측정하는 단계;
    (e) 제2 승객 위치 감지부에서 승객 진입이 감지되면, 메인 컨트롤 보드에서 블루투스 모듈을 통해 사용자 신호의 제5 및 제6 수신감도(RSSI5, RSSI6)를 측정하는 단계;
    (f) 제3 승객 위치 감지부에서 승객 진입 감지되면, 상기 메인 컨트롤 보드에서 측정한 제1 내지 제6 수신감도를 일정 길이의 시계열 데이터로 변환하고, 변환한 시계열 데이터를 딥러닝 모델에 적용하여 상기 모바일의 게이트의 진입 유무를 판단하는 단계; 및
    (g) 상기 (f)단계에서 게이트 진입으로 판단이 되면 사용자의 결제를 처리하는 단계를 포함하는 것을 특징으로 하는 모바일의 수신신호를 이용한 게이트 진입 판단방법.
  11. 청구항 10에서, 상기 메인 컨트롤 보드는,
    상기 블루투스 모듈을 통해 획득되는 정보에서, 수신감도(RSSI) 값과 모듈번호 및 카드 번호를 수집하고, 상기 제1 내지 제3 승객 위치 감지부를 통해 승객 위치 정보를 수집하여, 태그리스 결제에 활용하는 것을 특징으로 하는 모바일의 수신신호를 이용한 게이트 진입 판단방법.
KR1020220022183A 2022-02-21 2022-02-21 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법 KR102453247B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220022183A KR102453247B1 (ko) 2022-02-21 2022-02-21 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220022183A KR102453247B1 (ko) 2022-02-21 2022-02-21 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법

Publications (1)

Publication Number Publication Date
KR102453247B1 true KR102453247B1 (ko) 2022-10-12

Family

ID=83598011

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220022183A KR102453247B1 (ko) 2022-02-21 2022-02-21 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법

Country Status (1)

Country Link
KR (1) KR102453247B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240087116A (ko) 2022-12-12 2024-06-19 (주)에이텍모빌리티 게이트 호환성 향상을 위한 태그리스용 ble 모듈 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980014224A (ko) * 1996-08-09 1998-05-25 배순훈 자동 개, 집표기용 폴장치
KR20160051008A (ko) 2014-10-31 2016-05-11 삼성에스디에스 주식회사 모바일 티켓을 이용한 게이트 제어 방법 및 그 장치
KR20200024556A (ko) * 2018-08-28 2020-03-09 (주)제이엠피시스템 머신러닝을 이용한 실내 측위 방법 및 시스템
KR102179371B1 (ko) * 2020-09-03 2020-11-16 주식회사 코어시스템즈 지하철의 요금 결제 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980014224A (ko) * 1996-08-09 1998-05-25 배순훈 자동 개, 집표기용 폴장치
KR20160051008A (ko) 2014-10-31 2016-05-11 삼성에스디에스 주식회사 모바일 티켓을 이용한 게이트 제어 방법 및 그 장치
KR20200024556A (ko) * 2018-08-28 2020-03-09 (주)제이엠피시스템 머신러닝을 이용한 실내 측위 방법 및 시스템
KR102179371B1 (ko) * 2020-09-03 2020-11-16 주식회사 코어시스템즈 지하철의 요금 결제 방법 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240087116A (ko) 2022-12-12 2024-06-19 (주)에이텍모빌리티 게이트 호환성 향상을 위한 태그리스용 ble 모듈 장치

Similar Documents

Publication Publication Date Title
CN104010914B (zh) 用于辨识车辆乘员的系统、方法和装置
CN104024078B (zh) 用于学习运载工具乘员的身份的系统、方法和设备
CN106251347B (zh) 地铁异物检测方法、装置、设备及地铁屏蔽门系统
KR102453247B1 (ko) 모바일의 수신신호를 이용한 게이트 진입 판단장치 및 방법
CN108983204B (zh) 一种无钥匙进入和无钥匙启动系统定位方法
KR102443591B1 (ko) 비접촉 결제시 승객위치 인식장치 및 방법
WO2007109607A2 (en) Verification and screening system
CN111436944A (zh) 一种基于智能移动终端的跌倒检测方法
CN112364768B (zh) 一种基于空域特征和机器学习的分布式光纤入侵识别方法
CN112215234A (zh) 一种道路卡口车辆人员信息核查方法
CN109389176A (zh) 基于wifi信道状态信息的粮食水分检测方法及系统
CN106483920A (zh) 一种基于物联网的水处理综合自动化一体控制系统
CN111062021A (zh) 一种基于可穿戴设备进行身份认证的方法及装置
KR102287173B1 (ko) 다중 사물인터넷 장치를 이용한 지하철 결제 방법
CN112257533A (zh) 一种周界入侵检测识别方法
US20240078857A1 (en) Access control method for persons and system for carrying out the method
JP2003331323A (ja) 自動ゲートシステム
US11525937B2 (en) Registration system
CN111445926A (zh) 一种基于声音的农村道路交通事故警情识别方法
CN111316335A (zh) 用于监测人的系统
KR102651250B1 (ko) 지하철 게이트 승객 감지장치 및 방법
CN114898473A (zh) 手写签名比对方法、装置及电子设备
KR102496288B1 (ko) 비접촉 결제시 결제오류 방지장치 및 방법
CN109101889B (zh) 基于灰尘分析的指纹扫描机构
KR102091322B1 (ko) 얼굴 인식 기능을 가지는 출입 관리 시스템

Legal Events

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