KR102471701B1 - 감시카메라 관리 장치 - Google Patents

감시카메라 관리 장치 Download PDF

Info

Publication number
KR102471701B1
KR102471701B1 KR1020220030951A KR20220030951A KR102471701B1 KR 102471701 B1 KR102471701 B1 KR 102471701B1 KR 1020220030951 A KR1020220030951 A KR 1020220030951A KR 20220030951 A KR20220030951 A KR 20220030951A KR 102471701 B1 KR102471701 B1 KR 102471701B1
Authority
KR
South Korea
Prior art keywords
image
surveillance camera
monitoring camera
neural network
partial
Prior art date
Application number
KR1020220030951A
Other languages
English (en)
Inventor
앤드류 허
노창훈
Original Assignee
(주) 글로벌비엠아이
주식회사 코아아띠즈
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) 글로벌비엠아이, 주식회사 코아아띠즈 filed Critical (주) 글로벌비엠아이
Priority to KR1020220030951A priority Critical patent/KR102471701B1/ko
Application granted granted Critical
Publication of KR102471701B1 publication Critical patent/KR102471701B1/ko
Priority to PCT/KR2023/002898 priority patent/WO2023171981A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H04N21/234381—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by altering the temporal resolution, e.g. decreasing the frame rate by frame skipping
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording
    • H04N5/91—Television signal processing therefor
    • H04N5/92—Transformation of the television signal for recording, e.g. modulation, frequency changing; Inverse transformation for playback
    • H04N5/926—Transformation of the television signal for recording, e.g. modulation, frequency changing; Inverse transformation for playback by pulse code modulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording
    • H04N5/91—Television signal processing therefor
    • H04N5/92—Transformation of the television signal for recording, e.g. modulation, frequency changing; Inverse transformation for playback
    • H04N5/926—Transformation of the television signal for recording, e.g. modulation, frequency changing; Inverse transformation for playback by pulse code modulation
    • H04N5/9261—Transformation of the television signal for recording, e.g. modulation, frequency changing; Inverse transformation for playback by pulse code modulation involving data reduction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
    • H04N7/0127—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level by changing the field or frame frequency of the incoming video signal, e.g. frame rate converter
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

본 발명의 일 실시예에 따른 적어도 하나의 감시카메라에 전원을 공급하고 상기 적어도 하나의 감시카메라가 획득한 영상을 압축하여 제공하는 감시카메라 관리 장치는, 적어도 하나의 감시카메라와 연결되는 감시카메라 연결부; 네트워크와 연결되는 네트워크 연결부; 전원으로부터 전력을 공급받아 상기 감시카메라 연결부를 통하여 연결된 상기 적어도 하나의 감시카메라에 공급되는 전력을 생성하는 전원부; 상기 적어도 하나의 감시카메라로부터 수신된 영상 데이터를 압축하여 압축 영상 데이터를 생성하는 제어부; 및 상기 적어도 하나의 감시카메라로부터 상기 영상 데이터를 수신하여 상기 제어부에 제공하고, 상기 제어부가 생성한 상기 압축 영상 데이터를 상기 네트워크에 연결된 적어도 하나의 외부 장치에 전송하는 통신부;를 포함할 수 있다.

Description

감시카메라 관리 장치{A surveillance camera management device}
본 발명은 연결된 적어도 하나의 감시카메라에 전원을 공급하고, 적어도 하나의 감시카메라가 획득한 영상을 압축하여 제공하는 감시카메라 관리 장치에 관한 것이다.
오늘날 감시카메라의 설치 대수가 증가함에 따라 감시카메라와 관련된 인프라들에 부담이 증가하고 있는 추세이다.
예를 들어 감시카메라에 전원을 공급하는 전원 공급 인프라의 경우 감시카메라의 데이터 송수신을 위한 네트워크 회선과 별개로 설치되어, 설치 대수가 증가될수록 그에 비례하여 전원 공급 장치 등의 증설이 필요하다.
또한 일반적인 감시 시스템에 있어서, 감시카메라가 획득한 영상은 모두 통신망을 통하여 관제실 등으로 전송되기에, 감시카메라의 증가에 따라 인터넷과 같은 통신망에서 영상 송수신에 사용되는 리소스와 영상의 저장에 필요한 리소스가 기하급수적으로 증가하고 있다. 따라서 보다 효율적인 영상 압축 및 전송 방법이 필요한 실정이다.
본 발명은 복수의 감시카메라를 포함하는 감시 시스템의 구성을 보다 간소화 하고자 한다.
또한 본 발명은 화질 열화 없이 영상을 효율적으로 압축하여 전송하고자 한다.
본 발명의 일 실시예에 따른 적어도 하나의 감시카메라에 전원을 공급하고 상기 적어도 하나의 감시카메라가 획득한 영상을 압축하여 제공하는 감시카메라 관리 장치는, 적어도 하나의 감시카메라와 연결되는 감시카메라 연결부; 네트워크와 연결되는 네트워크 연결부; 전원으로부터 전력을 공급받아 상기 감시카메라 연결부를 통하여 연결된 상기 적어도 하나의 감시카메라에 공급되는 전력을 생성하는 전원부; 상기 적어도 하나의 감시카메라로부터 수신된 영상 데이터를 압축하여 압축 영상 데이터를 생성하는 제어부; 및 상기 적어도 하나의 감시카메라로부터 상기 영상 데이터를 수신하여 상기 제어부에 제공하고, 상기 제어부가 생성한 상기 압축 영상 데이터를 상기 네트워크에 연결된 적어도 하나의 외부 장치에 전송하는 통신부;를 포함할 수 있다.
상기 제어부는 학습된 제1 인공 신경망을 이용하여 제1 영상을 제1 압축 조건에 따라 압축이 필요한 적어도 하나의 제1 부분 영상과 제2 압축 조건에 따라 압축이 필요한 적어도 하나의 제2 부분 영상으로 구분하고, 상기 제1 부분 영상을 상기 제1 압축 조건에 따라 압축한 제1 영상 데이터를 생성하고, 상기 제2 부분 영상을 상기 제2 압축 조건에 따라 압축한 제2 영상 데이터를 생성하고, 상기 제1 영상 데이터 및 상기 제2 영상 데이터를 상기 적어도 하나의 외부 장치에 전송할 수 있다.
상기 제1 인공 신경망은 제1 학습 영상, 상기 제1 학습 영상으로부터 생성된 제1 부분 학습 영상 및 상기 제1 학습 영상으로부터 생성된 제2 부분 학습 영상 간의 상관관계를 학습한 신경망일 수 있다.
상기 제1 부분 학습 영상은 상기 제1 학습 영상 내에서 움직임의 정도가 소정의 임계 정도 이상일 것으로 분류된 객체에 해당하는 영역만을 포함하는 영상이고, 상기 제2 부분 학습 영상은 상기 제1 학습 영상 내에서 움직임의 정도가 상기 소정의 임계 정도 미만인 것으로 분류된 객체에 해당하는 영역만을 포함하는 영상일 수 있다.
상기 제1 영상은 제1 해상도 및 제1 프레임 레이트로 구성되며, 상기 제1 압축 조건은 상기 제1 부분 영상을 제2 해상도 및 제2 프레임 레이트로 압축하는 조건이고, 상기 제2 해상도는 상기 제1 해상도 이상이고, 상기 제2 프레임 레이트는 상기 제1 프레임 레이트 이상일 수 있다.
상기 제1 영상은 제1 해상도 및 제1 프레임 레이트로 구성되며, 상기 제2 압축 조건은 상기 제2 부분 영상을 제3 해상도 및 제3 프레임 레이트로 압축하는 조건이고, 상기 제3 해상도는 상기 제1 해상도 이하이고, 상기 제3 프레임 레이트는 상기 제1 프레임 레이트 미만일 수 있다.
상기 제어부는 학습된 제2 인공 신경망을 이용하여 제1 영상에 포함된 적어도 하나의 객체 각각의 식별 정보를 생성하고, 상기 적어도 하나의 객체 각각의 식별 정보를 참조하여, 상기 제1 영상을 제1 압축 조건에 따라 압축이 필요한 적어도 하나의 제3 부분 영상과 제2 압축 조건에 따라 압축이 필요한 제4 부분 영상으로 구분하고, 상기 제3 부분 영상을 상기 제1 압축 조건에 따라 압축한 제3 영상 데이터를 생성하고, 상기 제4 부분 영상을 상기 제2 압축 조건에 따라 압축한 제4 영상 데이터를 생성하고, 상기 제3 영상 데이터 및 상기 제4 영상 데이터를 상기 적어도 하나의 외부 장치에 전송할 수 있다.
상기 인공 신경망은 제2 학습 영상, 상기 제2 학습 영상 내에서 객체에 해당하는 영역 및 상기 객체의 식별 정보 간의 상관관계를 학습한 신경망일 수 있다.
상기 제어부는 상기 적어도 하나의 객체 각각의 식별 정보를 이용하여, 상기 제1 영상 내에서 움직임의 정도가 소정의 임계 정도 이상인 것으로 분류된 객체에 해당하는 영역으로 구성된 상기 제3 부분 영상을 생성하고, 상기 적어도 하나의 객체 각각의 식별 정보를 이용하여, 상기 제1 영상 내에서 움직임의 정도가 소정의 임계 정도 미만인 것으로 분류된 객체에 해당하는 영역으로 구성된 상기 제4 부분 영상을 생성할 수 있다.
상기 감시카메라 연결부와 상기 적어도 하나의 감시카메라는 제1 인터페이스를 통해 연결되고, 상기 전원부가 생성한 전력은 상기 제1 인터페이스를 통해 상기 적어도 하나의 감시카메라로 공급되고, 상기 적어도 하나의 감시카메라가 생성한 상기 영상 데이터는 상기 제1 인터페이스를 통해 상기 통신부로 전송될 수 있다.
상기 제어부는 상기 적어도 하나의 외부 장치로부터 수신된 감시카메라 관리 인터페이스 요청에 따라, 상기 적어도 하나의 외부 장치에 상기 적어도 하나의 감시카메라의 관리를 위한 인터페이스를 제공할 수 있다.
상기 인터페이스는 상기 적어도 하나의 감시카메라가 설치된 환경을 설정하는 인터페이스; 상기 적어도 하나의 감시카메라가 획득한 영상을 압축하는데 사용되는 적어도 하나의 조건을 설정하는 인터페이스; 및 상기 적어도 하나의 감시카메라에 공급되는 전원과 관련된 항목을 설정하는 인터페이스;중 적어도 하나를 포함할 수 있다.
본 발명에 따르면 복수의 감시카메라를 포함하는 감시 시스템의 구성을 보다 간소화 할 수 있다. 특히 본 발명은 감시카메라에 대한 전원 공급과 감시카메라가 획득한 영상의 압축이 하나의 장치에서 수행될 수 있도록 함으로써 시스템의 구성을 간소화 할 수 있다.
또한 본 발명은 학습된 인공 신경망을 이용하여 영상의 부분 별 압축 조건을 달리함으로써 화질의 열화 없이 영상을 압축할 수 있다.
도 1은 본 발명의 일 실시예에 따른 감시 시스템의 구성을 개략적으로 도시한 도면이다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)의 구성을 개략적으로 도시한 도면이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)가 사용하는 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)가 복수의 학습 데이터(410)를 이용하여 제1 인공 신경망(420)을 학습하는 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)가 학습된 제1 인공 신경망(420)을 이용하여 제1 영상(430)으로부터 제1 부분 영상(441)과 제2 부분 영상(442)을 출력하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)가 복수의 학습 데이터(510)를 이용하여 제2 인공 신경망(520)을 학습하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)가 학습된 제2 인공 신경망(520)을 이용하여 제1 영상(530)으로부터 인식된 객체에 해당하는 영역(541) 및 객체의 식별 정보(542)를 출력하는 과정을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 제어부(110)가 제1 영상(610)으로부터 제1 영상 데이터(622) 및 제2 영상 데이터(632)를 생성하는 과정을 설명하기 위한 도면이다.
도 11은 제어부(110)에 의해 전송되는 영상 데이터를 시간의 흐름에 따라 도시한 도면이다.
도 12는 본 발명의 일 실시예에 따른 제어부(110)에 의해 수행되는 감시카메라 관리 방법을 설명하기 위한 흐름도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 형태는 설명의 편의를 위해 임의로 나타났었음으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 감시 시스템의 구성을 개략적으로 도시한 도면이다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치는 적어도 하나의 감시카메라에 전원을 공급하고, 적어도 하나의 감시카메라가 획득한 영상을 압축하여 하나 이상의 다른 장치에 공급할 수 있다. 이때 본 발명의 일 실시예에 따른 감시카메라 관리 장치는 각각의 감시카메라와 단일 인터페이스(예를 들어 RJ45타입의 플러그를 갖는 네트워크 연결 케이블)를 통해 감시카메라에 전원을 공급하며, 감시카메라가 획득한 영상을 획득할 수 있다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치는 학습된 인공 신경망을 이용하여 감시카메라가 획득한 영상을 압축할 수 있다. 가령 감시카메라 관리 장치는 감시카메라로부터 획득된 영상을 제1 압축 조건에 따라 압축이 필요한 적어도 하나의 제1 부분 영상과 제2 압축 조건에 따라 압축이 필요한 적어도 하나의 제2 부분 영상으로 구분하고, 각각의 부분 영상으로부터 압축된 영상을 생성할 수 있다. 이에 대한 상세한 설명은 후술한다.
본 발명에서 '인공 신경망'은 소정의 목적에 따라 학습된 신경망으로, 머신 러닝(Machine Learning) 또는 딥러닝(Deep Learning) 기법에 의해 학습된 인공 신경망을 의미할 수 있다. 이와 같은 신경망에 대해서는 도 4 내지 도 9를 참조하여 설명한다.
본 발명의 일 실시예에 따른 감시 시스템은 도 1에 도시된 바와 같이 감시카메라 관리 장치(100), 적어도 하나의 감시카메라(200), 네트워크(300), 영상 저장 장치(310) 및 사용자 단말(320)을 포함할 수 있다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 전술한 바와 같이 적어도 하나의 감시카메라(200)에 전원을 공급하고, 적어도 하나의 감시카메라(200)가 획득한 영상을 압축하여 하나 이상의 다른 장치에 공급할 수 있다.
이때 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 연결된 적어도 하나의 감시카메라(200) 각각에 대한 식별 번호를 부여하여 관리할 수 있다. 가령 적어도 하나의 감시카메라(200)들이 RJ45타입의 플러그를 갖는 네트워크 연결 케이블을 통해 연결되는 경우, 감시카메라 관리 장치(100)는 적어도 하나의 감시카메라(200) 각각에 대한 IP 주소를 부여하여 관리할 수 있다. 다만 이와 같은 방식은 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)의 구성을 개략적으로 도시한 도면이다. 이하에서는 도 2 및 도 3을 함께 참조하여 설명한다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 도 2에 도시된 바와 같이 제어부(110), 전원부(120), 감시카메라 연결부(130), 네트워크 연결부(140) 및 통신부(150)를 포함할 수 있다.
본 발명의 일 실시예에 따른 제어부(110)는 감시카메라 관리 장치(100)가 적어도 하나의 감시카메라(200)에 전원을 공급하고, 적어도 하나의 감시카메라(200)가 획득한 영상을 압축하여 하나 이상의 다른 장치에 공급하는 일련의 과정을 제어하는 장치일 수 있다.
이때 제어부(110)는 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array), GPU(Graphics processing unit) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 1에는 제어부(110)가 단수인 것으로 도시되었으나, 제어부(110)는 상술한 일련의 과정을 제어하기 위해 복수의 하드웨어(예를 들어 복수의 칩)로 구성될 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 전원부(120)는 전원(또는 외부 전원)으로부터 전력을 공급받아 감시카메라 연결부(130)를 통하여 연결된 적어도 하나의 감시카메라(200)에 공급되는 전력을 생성할 수 있다. 물론 전원부(120)는 전원으로부터 공급받은 전력으로부터 감시카메라 관리 장치(100)가 사용하는 전력을 생성할 수도 있다.
가령 본 발명의 일 실시예에 따른 전원부(120)는 전원으로부터 전력을 공급받아 적어도 하나의 감시카메라(200) 및/또는 감시카메라 관리 장치(100)에 공급되는 전력을 생성할 수 있다. 이때 전원부(120)는 적어도 하나의 감시카메라(200)에 공급되는 제1 유형의 전력을 생성하고, 감시카메라 관리 장치(100)에 사용되는 제2 유형의 전력을 생성할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 전원부(120)가 생성한 전력은 감시카메라 연결부(130)에 연결된 인터페이스를 통해 적어도 하나의 감시카메라(200)에 공급될 수 있다. 가령 감시카메라 연결부(130)에 RJ45타입의 플러그를 갖는 네트워크 연결 케이블이 연결된 경우, 전원부(120)가 생성한 전력은 이와 같은 케이블을 통하여 적어도 하나의 감시카메라(200)에 공급될 수 있다. 바꾸어 말하면 적어도 하나의 감시카메라(200)에 대한 전원의 공급과 적어도 하나의 감시카메라(200)와의 데이터 송수신이 하나의 인터페이스를 통해 이루어질 수 있다.
본 발명의 일 실시예에 따른 전원부(120)는 외부 전원과 연결되는 전원 포트(121)를 포함할 수 있다.
본 발명의 일 실시예에 따른 감시카메라 연결부(130)는 적어도 하나의 감시카메라(200)와 감시카메라 관리 장치(100)를 연결할 수 있다. 이때 두 장치를 '연결'하는 것은 물리적으로 연결하는 것뿐만 아니라 전기적으로 연결하는 것을 의미할 수 있다.
본 발명의 일 실시예에 따른 감시카메라 연결부(130)는 도 3에 도시된 바와 같이 소정의 인터페이스를 통하여 적어도 하나의 감시카메라(200)와 연결되는 하나 이상의 연결 포트(131 내지 136)를 포함할 수 있다. 가령 연결부(130)의 첫 번째 포트(131)에 첫 번째 감시카메라가 연결될 수 있고, 두 번째 포트(132)에 두 번째 감시카메라가 연결될 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
한편 하나 이상의 포트(131)는 소정의 인터페이스에 따른 연결을 위한 것 일 수 있다. 가령 하나 이상의 포트(131)는 RJ45타입의 플러그를 갖는 네트워크 연결 케이블을 연결하기 위한 것 일 수 있다. 가만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 네트워크 연결부(140)는 네트워크(300)와 감시카메라 관리 장치(100)를 연결할 수 있다.
본 발명의 일 실시예에 따른 네트워크 연결부(140)는 제1 인터페이스에 따라 네트워크(300)에 연결되는 제1 포트(141)와 제2 인터페이스에 따라 네트워크(300)에 연결되는 제2 포트(142)를 포함할 수 있다. 이때 제1 인터페이스는 예를 들어 RJ45타입의 플러그를 갖는 네트워크 연결 케이블일 수 있고, 제2 인터페이스는 광케이블 일 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 통신부(150)는 적어도 하나의 감시카메라(200)로부터 영상 데이터를 수신하여 제어부(110)에 제공하고, 제어부(110)가 생성한 압축 영상 데이터를 네트워크(300)에 연결된 적어도 하나의 외부 장치에 전송할 수 있다.
이때 통신부(150)는 감시카메라 관리 장치(100)가 영상 저장 장치(310) 및/또는 사용자 단말(320)과 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
본 발명의 일 실시예에 따른 통신부(150)는 감시카메라 연결부(130)를 통해 적어도 하나의 감시카메라(200)로부터 영상 데이터를 수신하고, 네트워크 연결부(140)를 통해 제어부(110)가 생성한 압축 영상 데이터를 적어도 하나의 외부 장치에 전송할 수 있다. 이때 감시카메라 연결부(130)와 적어도 하나의 감시카메라(200)는 소정의 인터페이스에 따라 연결된 것 일 수 있다. 또한 이와 같은 인터페이스를 통해 영상 데이터의 송수신 뿐만 아니라 적어도 하나의 감시카메라(200)에 대한 전력의 공급이 이루어질 수 있다.
본 발명의 일 실시예에 따른 적어도 하나의 감시카메라(200)는 주변 환경에 대한 영상을 획득하고 이를 다른 장치(예를 들어 감시카메라 관리 장치(100))에 전송하는 장치일 수 있다.
도 1에 도시된 바와 같이 적어도 하나의 감시카메라(200)는 팬, 틸트 및 줌이 가능한 타입일 수도 있고, 화각이 고정된 타입일 수도 있다. 다만 이는 예시적인것으로, 환경에 대한 영상을 획득하고 이를 전송하는 장치라면 본 발명에서 설명하는 '적어도 하나의 감시카메라(200)'에 해당할 수 있다.
본 발명의 일 실시예에 따른 적어도 하나의 감시카메라(200) 각각은 감시카메라 관리 장치(100)와 소정의 인터페이스에 따라 연결될 수 있다. 가령 적어도 하나의 감시카메라(200) 각각은 RJ45타입의 플러그를 갖는 네트워크 연결 케이블을 통해 감시카메라 관리 장치(100)와 연결될 수 있다. 이때 적어도 하나의 감시카메라(200)는 하나의 인터페이스를 통해 전원을 공급받음과 동시에 획득된 영상 데이터를 전송할 수 있다.
본 발명의 일 실시예에 따른 네트워크(300)는 감시카메라 관리 장치(100)와 적어도 하나의 외부 장치(310, 320) 간의 데이터 송수신을 매개하는 통신망을 의미할 수 있다. 가령 네트워크(300)는 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 예를 들어 네트워크(300)는 감시카메라 관리 장치(100)가 압축 영상 데이터를 영상 저장 장치(310) 및/또는 사용자 단말(320)에 전송하는 경로를 제공할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 영상 저장 장치(310)는 감시카메라 관리 장치(100)가 전송한 압축 영상 데이터를 수신하여 저장 및/또는 관리하는 장치일 수 있다. 가령 영상 저장 장치(310)는 NVR(Network Video Recorder)이거나 NVR을 포함하는 장치일 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 영상 저장 장치(310)는 네트워크(300)를 통하여 수신된 압축 영상 데이터로부터 영상을 생성하고 이를 스토리지에 저장할 수 있다. 또한 영상 저장 장치(310)는 사용자 단말(320)과 같은 다른 장치의 요청에 따라 스토리지에 저장된 영상을 그 다른 장치에 제공할 수도 있다.
본 발명의 일 실시예에 따른 영상 저장 장치(310)는 저장된 영상을 검색 및/또는 관리하기 위한 인터페이스를 제공할 수 있다. 가령 영상 저장 장치(310)는 네트워크(300)를 통해 접속된 사용자 단말(320)에 웹 페이지의 형태로 저장된 영상을 제공할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 사용자 단말(320)은 감시카메라 관리 장치(100) 및/또는 영상 저장 장치(310)로부터 영상을 수신하여 표시할 수 있다. 이와 같은 사용자 단말(320)은 가령 도 1에 도시된 바와 같이 휴대폰 일 수 있다. 다만 이는 예시적인 것으로, 태블릿 PC 및 PC 등과 같이 네트워킹 기능을 갖는 범용적 정보처리장치라면 본 발명의 사용자 단말(320)에 해당할 수 있다.
이하에서는 감시카메라 관리 장치(100)가 영상을 압축하는 과정에서 사용되는 인공 신경망에 대해서 상세히 설명한다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)가 사용하는 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다. 이하에서는 인공 신경망이 별도의 인공 신경망 학습 장치(미도시)에 의해 학습되며, 감시카메라 관리 장치(100)는 학습된 인공 신경망을 인공 신경망 학습 장치로부터 수신하여 사용하는 것을 전제로 설명한다. 이때 인공 신경망 학습 장치(미도시)는 컴퓨터, 서버 등과 같은 범용적 정보처리기기의 형태로 구현될 수 있다.
본 발명의 일 실시예에 따른 인공 신경망은 도 4에 도시된 바와 같은 합성 곱 신경망(CNN: Convolutional Neural Network) 모델에 따른 인공 신경망일 수 있다. 이때 CNN 모델은 복수의 연산 레이어(Convolutional Layer, Pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터의 특징을 추출하는 데 사용되는 계층 모델일 수 있다.
본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)는 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 인공 신경망 모델을 구축하거나 학습시킬 수 있다. 인공 신경망 학습 장치(미도시)가 인공 신경망을 학습시키는 방법에 대한 상세한 설명은 후술한다.
본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)는 복수의 학습 데이터를 이용하여, 어느 하나의 입력 데이터를 인공 신경망에 입력하여 생성된 출력 값이 해당 학습 데이터에 표지된 값에 근접하도록 각 레이어 및/또는 각 노드의 가중치를 갱신하는 과정을 반복하여 수행함으로써 인공 신경망을 학습시킬 수 있다.
이때 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)는 역전파(Back Propagation) 알고리즘에 따라 각 레이어 및/또는 각 노드의 가중치(또는 계수)를 갱신할 수 있다.
본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)는 입력 데이터의 특징 값을 추출하기 위한 컨볼루션 레이어(Convolution layer), 추출된 특징 값을 결합하여 특징 맵을 구성하는 풀링 레이어(pooling layer)를 생성할 수 있다.
또한 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)는 생성된 특징 맵을 결합하여, 입력 데이터가 복수의 항목 각각에 해당할 확률을 결정할 준비를 하는 풀리 커넥티드 레이어(Fully Conected Layer)를 생성할 수 있다.
본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)는 입력 데이터에 대응되는 출력을 포함하는 아웃풋 레이어(Output Layer)를 산출할 수 있다.
도 4에 도시된 예시에서는, 입력 데이터가 5X7 형태의 블록으로 나누어지며, 컨볼루션 레이어의 생성에 5X3 형태의 단위 블록이 사용되고, 풀링 레이어의 생성에 1X4 또는 1X2 형태의 단위 블록이 사용되는 것으로 도시되었지만, 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 입력 데이터의 종류 및/또는 각 블록의 크기는 다양하게 구성될 수 있다.
한편 이와 같은 인공 신경망은 인공 신경망 학습 장치(미도시)의 메모리에 인공 신경망의 모델의 종류, 인공 신경망을 구성하는 적어도 하나의 노드의 계수, 노드의 가중치 및 인공 신경망을 구성하는 복수의 레이어 간의 관계를 정의하는 함수의 계수들의 형태로 저장될 수 있다. 물론 인공 신경망의 구조 또한 메모리에 소스코드 및/또는 프로그램의 형태로 저장될 수 있다.
본 발명의 일 실시예에 따른 인공 신경망은 도 5에 도시된 바와 같은 순환 신경망(Recurrent Neural Network, RNN) 모델에 따른 인공 신경망일 수 있다.
도 5를 참조하면, 이와 같은 순환 신경망(RNN) 모델에 따른 인공 신경망은 적어도 하나의 입력 노드(N1)를 포함하는 입력 레이어(L1), 복수의 히든 노드(N2)를 포함하는 히든 레이어(L2) 및 적어도 하나의 출력 노드(N3)를 포함하는 출력 레이어(L3)를 포함할 수 있다.
히든 레이어(L2)는 도시된 바와 같이 전체적으로 연결된(Fully Connected) 하나 이상의 레이어를 포함할 수 있다. 히든 레이어(L2)가 복수의 레이어를 포함하는 경우, 인공 신경망은 각각의 히든 레이어 사이의 관계를 정의하는 함수(미도시)를 포함할 수 있다.
출력 레이어(L3)의 적어도 하나의 출력 노드(N3)는 인공 신경망 학습 장치(미도시)의 제어에 따라 인공 신경망이 입력 레이어(L1)의 입력 값으로부터 생성한 출력 값을 포함할 수 있다.
한편 각 레이어의 각 노드에 포함되는 값은 벡터일 수 있다. 또한 각 노드는 해당 노드의 중요도에 대응되는 가중치를 포함할 수도 있다.
한편 인공 신경망은 입력 레이어(L1)와 히든 레이어(L2)의 관계를 정의하는 제1 함수(F1) 및 히든 레이어(L2)와 출력 레이어(L3)의 관계를 정의하는 제2 함수(F2)를 포함할 수 있다.
제1 함수(F1)는 입력 레이어(L1)에 포함되는 입력 노드(N1)와 히든 레이어(L2)에 포함되는 히든 노드(N2)간의 연결관계를 정의할 수 있다. 이와 유사하게, 제2 함수(F2)는 히든 레이어(L2)에 포함되는 히든 노드(N2)와 출력 레이어(L3)에 포함되는 출력 노드(N3)간의 연결관계를 정의할 수 있다.
이와 같은 제1 함수(F1), 제2 함수(F2) 및 히든 레이어 사이의 함수들은 이전 노드의 입력에 기초하여 결과물을 출력하는 순환 신경망 모델을 포함할 수 있다.
인공 신경망 학습 장치(미도시)에 의해 인공 신경망이 학습되는 과정에서, 복수의 학습 데이터에 기초하여 제1 함수(F1) 및 제2 함수(F2)가 학습될 수 있다. 물론 인공 신경망이 학습되는 과정에서 전술한 제1 함수(F1) 및 제2 함수(F2) 외에 복수의 히든 레이어 사이의 함수들 또한 학습될 수 있다.
본 발명의 일 실시예에 따른 인공 신경망은 표지(Labeled)된 학습 데이터를 기반으로 지도학습(Supervised Learning) 방식으로 학습될 수 있다.
본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)는 복수의 학습 데이터를 이용하여, 어느 하나의 입력 데이터를 인공 신경망에 입력하여 생성된 출력 값이 해당 학습 데이터에 표지된 값에 근접하도록 전술한 함수들(F1, F2, 히든 레이어 사이의 함수들 등)을 갱신하는 과정을 반복하여 수행함으로써 인공 신경망을 학습시킬 수 있다.
이때 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)는 역전파(Back Propagation) 알고리즘에 따라 전술한 함수들(F1, F2, 히든 레이어 사이의 함수들 등)을 갱신할 수 있다. 다만 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
도 4 및 도 5에서 설명한 인공 신경망의 종류 및/또는 구조는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 다양한 종류의 모델의 인공 신경망이 명세서를 통하여 설명하는 '인공 신경망'에 해당할 수 있다.
도 6은 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)가 복수의 학습 데이터(410)를 이용하여 제1 인공 신경망(420)을 학습하는 방법을 설명하기 위한 도면이다. 도 7은 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)가 학습된 제1 인공 신경망(420)을 이용하여 제1 영상(430)으로부터 제1 부분 영상(441)과 제2 부분 영상(442)을 출력하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 제1 인공 신경망(420)은 복수의 학습 데이터(410) 각각에 포함되는 제1 학습 영상, 제1 학습 영상으로부터 생성된 제1 부분 학습 영상 및 제1 학습 영상으로부터 생성된 제2 부분 학습 영상 간의 상관관계를 학습한 신경망일 수 있다.
따라서 본 발명의 일 실시예에 따른 제1 인공 신경망(420)은 도 7에 도시된 바와 같이 제1 영상(430)의 입력에 따라 제1 부분 영상(441)과 제2 부분 영상(442)을 출력하도록 학습된(또는 학습되는) 신경망을 의미할 수 있다.
한편 본 발명에서 제1 부분 영상(또는 제1 부분 학습 영상)은 원본 영상(제1 영상 또는 제1 학습 영상) 내에서 움직임의 정도가 소정의 임계 정도 이상일 것으로 분류된 객체에 해당하는 영역만을 포함하는 영상일 수 있다. 가령 원본 영상이 보행자가 보행하고 있는 장면을 담은 영상인 경우, 제1 부분 영상은 원본 영상에서 보행자에 해당하는 영역만이 추출된 영상일 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
또한 본 발명에서 제2 부분 영상(또는 제2 부분 학습 영상)은 원본 영상(제1 영상 또는 제1 학습 영상) 내에서 움직임의 정도가 소정의 임계 정도 미만인 것으로 분류된 객체에 해당하는 영역만을 포함하는 영상일 수 있다. 전술한 예시에서와 같이 원본 영상이 보행자가 보행하고 있는 장면을 담은 영상인 경우, 제2 부분 영상은 원본 영상에서 보행자에 해당하는 영역을 제외한 나머지 영역만이 추출된 영상일 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 선택적 실시예에서, 제2 부분 영상(또는 제2 부분 학습 영상)은 원본 영상(제1 영상 또는 제1 학습 영상)에서 제1 부분 영상(또는 제1 부분 학습 영상)을 제외하는 방식으로 생성될 수 있다. 바꾸어 말하면 제1 부분 영상(또는 제1 부분 학습 영상)과 제2 부분 영상(또는 제2 부분 학습 영상)을 합한 영상이 원본 영상(제1 영상 또는 제1 학습 영상)에 해당할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 복수의 학습 데이터(410) 각각은 제1 학습 영상, 제1 학습 영상으로부터 생성된 제1 부분 학습 영상 및 제1 학습 영상으로부터 생성된 제2 부분 학습 영상을 포함할 수 있다.
가령 첫 번째 학습 데이터(411)의 경우 제1 학습 영상(411A), 제1 학습 영상(411A)으로부터 생성된 제1 부분 학습 영상(411B) 및 제1 학습 영상으로부터 생성된 제2 부분 학습 영상(411C)을 포함할 수 있다. 이와 유사하게 두 번째 학습 데이터(412) 및 세 번째 학습 데이터(413)도 각각 제1 학습 영상, 제1 학습 영상으로부터 생성된 제1 부분 학습 영상 및 제1 학습 영상으로부터 생성된 제2 부분 학습 영상을 포함할 수 있다.
도 8은 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)가 복수의 학습 데이터(510)를 이용하여 제2 인공 신경망(520)을 학습하는 방법을 설명하기 위한 도면이다. 도 9는 본 발명의 일 실시예에 따른 인공 신경망 학습 장치(미도시)가 학습된 제2 인공 신경망(520)을 이용하여 제1 영상(530)으로부터 인식된 객체에 해당하는 영역(541) 및 객체의 식별 정보(542)를 출력하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 제2 인공 신경망(520)은 복수의 학습 데이터(510) 각각에 포함되는 제2 학습 영상, 제2 학습 영상 내에서 객체에 해당하는 영역 및 객체의 식별 정보 간의 상관관계를 학습한 신경망일 수 있다.
따라서 본 발명의 일 실시예에 따른 제2 인공 신경망(520)은 도 9에 도시된 바와 같이 제1 영상(530)의 입력에 따라 제1 영상(530)내에서 객체에 해당하는 영역(541)과 해당 객체의 식별 정보(542)를 출력하도록 학습된(또는 학습되는) 신경망을 의미할 수 있다.
본 발명의 일 실시예에 따른 복수의 학습 데이터(510) 각각은 제2 학습 영상, 제2 학습 영상 내에서 객체에 해당하는 영역 및 객체의 식별 정보를 포함할 수 있다.
가령 첫 번째 학습 데이터(511)의 경우 제2 학습 영상(511A), 제2 학습 영상(511A) 내에서 객체에 해당하는 영역(511B) 및 객체의 식별 정보(511C)를 포함할 수 있다. 이와 유사하게 두 번째 학습 데이터(512) 및 세 번째 학습 데이터(513)도 각각 제2 학습 영상, 제2 학습 영상 내에서 객체에 해당하는 영역 및 객체의 식별 정보를 포함할 수 있다.
한편 제2 인공 신경망에 의해 생성된 객체에 해당하는 영역 및 객체의 식별 정보는 원본 영상을 두 개의 부분 영상으로 구분하는데 사용될 수 있으며, 이에 대한 상세한 설명은 후술한다.
이하에서는 상술한 과정에 따라 제1 인공 신경망(420) 및 제2 인공 신경망(520)이 학습되어 감시카메라 관리 장치(100)에 저장되어 있음을 전제로 제어부(110)의 동작을 중심으로 설명한다.
본 발명의 일 실시예에 따른 제어부(110)는 적어도 하나의 감시카메라(200)로부터 제1 영상을 획득할 수 있다. 이때 제1 영상은 적어도 하나의 감시카메라(200)가 획득한 영상으로 제1 해상도 및 제1 프레임 레이트로 구성되는 영상일 수 있다. 가령 제1 영상은 1920x1080의 해상도 및 30Fps의 프레임 레이트로 구성된 영상일 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 제어부(110)는 학습된 인공 신경망을 이용하여 제1 영상 데이터 및 제2 영상 데이터를 생성할 수 있다.
도 10은 본 발명의 일 실시예에 따른 제어부(110)가 제1 영상(610)으로부터 제1 영상 데이터(622) 및 제2 영상 데이터(632)를 생성하는 과정을 설명하기 위한 도면이다.
먼저 본 발명의 일 실시예에 따른 제어부(110)가 제1 인공 신경망(420)을 이용하는 경우를 설명한다.
본 발명의 일 실시예에 따른 제어부(110)는 학습된 제1 인공 신경망(420)을 이용하여 제1 영상(610)을 제1 압축 조건에 따라 압축이 필요한 적어도 하나의 제1 부분 영상(621)과 제2 압축 조건에 따라 압축이 필요한 적어도 하나의 제2 부분 영상(631)으로 구분할 수 있다.
제1 인공 신경망(420)은 도 7에 도시된 바와 같이 제1 영상(430)의 입력에 따라 제1 부분 영상(441)과 제2 부분 영상(442)을 출력하도록 학습된(또는 학습되는) 신경망이기에, 제1 영상(610)으로부터 제1 부분 영상(621)과 제2 부분 영상(631)을 출력할 수 있다.
이어서 본 발명의 일 실시예에 따른 제어부(110)는 제1 부분 영상(441)을 제1 압축 조건에 따라 압축하여 제1 영상 데이터(622)를 생성하고, 이와 마찬가지로 제2 부분 영상(442)을 제2 압축 조건에 따라 압축하여 제2 영상 데이터(632)를 생성할 수 있다.
전술한 바와 같이 제1 영상(610)이 제1 해상도 및 제1 프레임 레이트로 구성되는 경우, 제1 압축 조건은 제1 부분 영상(621)을 제2 해상도 및 제2 프레임 레이트로 압축하는 조건일 수 있다. 이때 제2 해상도는 제1 해상도 이상이고, 제2 프레임 레이트는 제1 프레임 레이트 이상일 수 있다. 바꾸어 말하면 제1 압축 조건은 최소 압축 품질이 원본 영상의 품질인 압축 조건일 수 있다. 예를 들어 제1 영상(610)이 1920x1080의 해상도 및 30Fps의 프레임 레이트로 구성된 영상일 경우, 제1 압축 조건은 제1 부분 영상(621)을 1920x1080의 해상도 및 30Fps의 프레임 레이트로 압축하는 조건일 수 있다.
한편 제2 압축 조건은 제2 부분 영상(631)을 제3 해상도 및 제3 프레임 레이트로 압축하는 조건일 수 있다. 이때 제3 해상도는 제1 해상도 이하이고, 제3 프레임 레이트는 제1 프레임 레이트 미만일 수 있다. 바꾸어 말하면 제2 압축 조건은 최대 품질이 원본 영상의 품질인 압축 조건일 수 있다. 예를 들어 제1 영상(610)이 1920x1080의 해상도 및 30Fps의 프레임 레이트로 구성된 영상일 경우, 제2 압축 조건은 제2 부분 영상(631)을 1920x1080의 해상도 및 10Fps의 프레임 레이트로 압축하는 조건일 수 있다.
다음으로 본 발명의 일 실시예에 따른 제어부(110)가 제2 인공 신경망(520)을 이용하는 경우를 설명한다.
본 발명의 일 실시예에 따른 제어부(110)는 학습된 제2 인공 신경망(520)을 이용하여 제1 영상에 포함된 적어도 하나의 객체 각각의 식별 정보를 생성할 수 있다. 이때 제2 인공 신경망(520)은 도 9에 도시된 바와 같이 제1 영상(530)의 입력에 따라 제1 영상(530)내에서 객체에 해당하는 영역(541)과 해당 객체의 식별 정보(542)를 출력하도록 학습된(또는 학습되는) 신경망을 의미할 수 있다.
본 발명의 일 실시예에 따른 제어부(110)는 제2 인공 신경망(520)이 제1 영상으로부터 출력한 적어도 하나의 객체 각각의 식별 정보를 참조하여, 제1 영상을 제1 압축 조건에 따라 압축이 필요한 적어도 하나의 제3 부분 영상과 제2 압축 조건에 따라 압축이 필요한 제4 부분 영상으로 구분할 수 있다. 이때 제3 부분 영상은 제1 인공 신경망(420)을 사용할 때의 제1 부분 영상에 상응하는 영상이고, 제4 부분 영상도 제1 인공 신경망(420)을 사용할 때의 제2 부분 영상에 상응하는 영상일 수 있다.
가령 본 발명의 일 실시예에 따른 제어부(110)는 적어도 하나의 객체 각각의 식별 정보를 이용하여, 제1 영상 내에서 움직임의 정도가 소정의 임계 정도 이상인 것으로 분류된 객체에 해당하는 영역으로 구성된 제3 부분 영상을 생성할 수 있다. 또한 제어부(110)는 제1 영상 내에서 움직임의 정도가 소정의 임계 정도 미만인 것으로 분류된 객체에 해당하는 영역으로 구성된 제4 부분 영상을 생성할 수 있다.
예를 들어 제1 영상이 자동차가 통행하는 도로에 대한 영상인 경우 제어부(110)는 차량, 보행자 등과 같이 움직임의 정도가 큰 객체로 식별 정보가 부여된 영역을 포함하는 제3 부분 영상과 가로수, 도로면, 도로 주변의 건물 등과 같이 움직임의 정도가 작은 객체로 식별 정보가 부여된 영역을 포함하는 제4 부분 영상을 생성할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
한편 제어부(110)가 객체의 움직임을 판단/분류 하는 기준은 미리 저장되어 있을 수 있다.
본 발명의 일 실시예에 따른 제어부(110)는 제3 부분 영상을 제1 압축 조건에 따라 압축한 제3 영상 데이터를 생성하고, 제4 부분 영상을 제2 압축 조건에 따라 압축한 제4 영상 데이터를 생성할 수 있다. 이때 제1 압축 조건 및 제2 압축 조건 각각에 대해서는 상술하였으므로 이에 대한 상세한 설명은 생략한다.
본 발명의 일 실시예에 따른 제어부(110)는 상술한 과정에 따라 생성된 제1 영상 데이터(622) 및 제2 영상 데이터(632)(또는 제3 영상 데이터 및 제4 영상 데이터)를 네트워크(300)에 연결된 적어도 하나의 외부 장치에 전송할 수 있다. 가령 제어부(110)는 제1 영상 데이터(622) 및 제2 영상 데이터(632)를 영상 저장 장치(310)에 전송할 수 있다.
도 11은 제어부(110)에 의해 전송되는 영상 데이터를 시간의 흐름에 따라 도시한 도면이다.
전술한 바와 같이 제어부(110)는 최소한 원본 영상의 품질로 압축된 제1 영상 데이터(Image Data_1)와 최대한 원본 영상의 품질로 압축된 제2 영상 데이터(Image Data_2)를 생성할 수 있다. 이때 '최대한 원본 영상의 품질'로 압축되는 것은 프레임 레이트가 원본보다 작게 설정되는 것을 포함하기에, 도 11에 도시된 바와 같이 제2 영상 데이터(Image Data_2)는 제1 영상 데이터(Image Data_1)에 비해 낮은 빈도로 전송될 수 있다. 바꾸어 말하면 제1 영상 데이터(Image Data_1)는 제2 영상 데이터(Image Data_2)보다 더 자주 생성되어 전송될 수 있다.
이로써 본 발명은 영상의 전송에 있어서 네트워크 리소스를 보다 효율적으로 사용하도록 할 수 있다.
본 발명의 일 실시예에 따른 제어부(110)는 적어도 하나의 외부 장치로부터 수신된 감시카메라 관리 인터페이스 요청에 따라, 적어도 하나의 외부 장치에 적어도 하나의 감시카메라(200)의 관리를 위한 인터페이스를 제공할 수 있다. 이때 제공되는 인터페이스는 적어도 하나의 감시카메라(200)가 설치된 환경을 설정하는 인터페이스, 적어도 하나의 감시카메라가 획득한 영상을 압축하는데 사용되는 적어도 하나의 조건을 설정하는 인터페이스 및 적어도 하나의 감시카메라(200)에 공급되는 전원과 관련된 항목을 설정하는 인터페이스 중 적어도 하나를 포함할 수 있다. 가령 제어부(110)는 사용자 단말(320)의 감시카메라 관리 인터페이스 제공 요청에 따라, 적어도 하나의 감시카메라(200)가 획득한 영상을 압축하는데 사용되는 조건들을 설정하는 인터페이스를 제공할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
도 12는 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)에 의해 수행되는 감시카메라 관리 방법을 설명하기 위한 흐름도이다. 이하에서는 도 1 내지 도 11을 함께 참조하여 설명하되, 중복되는 설명은 생략한다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 인공 신경망을 로드할 수 있다.(S1210) 이때 인공 신경망을 '로드'하는 것은 학습 된 인공 신경망을 다른 장치(예를 들어 인공 신경망 학습 장치(미도시))로부터 수신하여 사용할 수 있도록 하는 것을 의미할 수 있다. 가령 감시카메라 관리 장치(100)는 인공 신경망을 구성하는 가중치들을 인공 신경망 학습 장치로부터 수신하고, 이를 이용할 수 있다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 시스템에 추가된 제1 감시카메라(201)에 전원을 공급하고(S1220), 소정의 과정을 통해 네트워크를 설정할 수 있다.(S1230) 가령 감시카메라 관리 장치(100)는 RJ45타입의 플러그를 갖는 네트워크 연결 케이블을 통해 제1 감시카메라(201)에 전력을 공급하고, 또한 동일한 케이블을 이용하여 제1 감시카메라(201)의 IP 주소를 할당할 수 있다.
본 발명의 일 실시예에 따른 제1 감시카메라(201)는 제1 영상을 획득할 수 있다.(S1240) 또한 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 제1 감시카메라(201)로부터 제1 영상을 수신할 수 있다.(S1250) 이때 제1 영상은 제1 감시카메라(201)가 획득한 영상으로 제1 해상도 및 제1 프레임 레이트로 구성되는 영상일 수 있다. 가령 제1 영상은 1920x1080의 해상도 및 30Fps의 프레임 레이트로 구성된 영상일 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 학습된 인공 신경망을 이용하여 제1 영상 데이터 및 제2 영상 데이터를 생성할 수 있다.(S1260)
도 10은 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)가 제1 영상(610)으로부터 제1 영상 데이터(622) 및 제2 영상 데이터(632)를 생성하는 과정을 설명하기 위한 도면이다.
먼저 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)가 제1 인공 신경망(420)을 이용하는 경우를 설명한다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 학습된 제1 인공 신경망(420)을 이용하여 제1 영상(610)을 제1 압축 조건에 따라 압축이 필요한 적어도 하나의 제1 부분 영상(621)과 제2 압축 조건에 따라 압축이 필요한 적어도 하나의 제2 부분 영상(631)으로 구분할 수 있다.
제1 인공 신경망(420)은 도 7에 도시된 바와 같이 제1 영상(430)의 입력에 따라 제1 부분 영상(441)과 제2 부분 영상(442)을 출력하도록 학습된(또는 학습되는) 신경망이기에, 제1 영상(610)으로부터 제1 부분 영상(621)과 제2 부분 영상(631)을 출력할 수 있다.
이어서 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 제1 부분 영상(441)을 제1 압축 조건에 따라 압축하여 제1 영상 데이터(622)를 생성하고, 이와 마찬가지로 제2 부분 영상(442)을 제2 압축 조건에 따라 압축하여 제2 영상 데이터(632)를 생성할 수 있다.
전술한 바와 같이 제1 영상(610)이 제1 해상도 및 제1 프레임 레이트로 구성되는 경우, 제1 압축 조건은 제1 부분 영상(621)을 제2 해상도 및 제2 프레임 레이트로 압축하는 조건일 수 있다. 이때 제2 해상도는 제1 해상도 이상이고, 제2 프레임 레이트는 제1 프레임 레이트 이상일 수 있다. 바꾸어 말하면 제1 압축 조건은 최소 압축 품질이 원본 영상의 품질인 압축 조건일 수 있다. 예를 들어 제1 영상(610)이 1920x1080의 해상도 및 30Fps의 프레임 레이트로 구성된 영상일 경우, 제1 압축 조건은 제1 부분 영상(621)을 1920x1080의 해상도 및 30Fps의 프레임 레이트로 압축하는 조건일 수 있다.
한편 제2 압축 조건은 제2 부분 영상(631)을 제3 해상도 및 제3 프레임 레이트로 압축하는 조건일 수 있다. 이때 제3 해상도는 제1 해상도 이하이고, 제3 프레임 레이트는 제1 프레임 레이트 미만일 수 있다. 바꾸어 말하면 제2 압축 조건은 최대 품질이 원본 영상의 품질인 압축 조건일 수 있다. 예를 들어 제1 영상(610)이 1920x1080의 해상도 및 30Fps의 프레임 레이트로 구성된 영상일 경우, 제2 압축 조건은 제2 부분 영상(631)을 1920x1080의 해상도 및 10Fps의 프레임 레이트로 압축하는 조건일 수 있다.
다음으로 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)가 제2 인공 신경망(520)을 이용하는 경우를 설명한다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 학습된 제2 인공 신경망(520)을 이용하여 제1 영상에 포함된 적어도 하나의 객체 각각의 식별 정보를 생성할 수 있다. 이때 제2 인공 신경망(520)은 도 9에 도시된 바와 같이 제1 영상(530)의 입력에 따라 제1 영상(530)내에서 객체에 해당하는 영역(541)과 해당 객체의 식별 정보(542)를 출력하도록 학습된(또는 학습되는) 신경망을 의미할 수 있다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 제2 인공 신경망(520)이 제1 영상으로부터 출력한 적어도 하나의 객체 각각의 식별 정보를 참조하여, 제1 영상을 제1 압축 조건에 따라 압축이 필요한 적어도 하나의 제3 부분 영상과 제2 압축 조건에 따라 압축이 필요한 제4 부분 영상으로 구분할 수 있다. 이때 제3 부분 영상은 제1 인공 신경망(420)을 사용할 때의 제1 부분 영상에 상응하는 영상이고, 제4 부분 영상도 제1 인공 신경망(420)을 사용할 때의 제2 부분 영상에 상응하는 영상일 수 있다.
가령 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 적어도 하나의 객체 각각의 식별 정보를 이용하여, 제1 영상 내에서 움직임의 정도가 소정의 임계 정도 이상인 것으로 분류된 객체에 해당하는 영역으로 구성된 제3 부분 영상을 생성할 수 있다. 또한 감시카메라 관리 장치(100)는 제1 영상 내에서 움직임의 정도가 소정의 임계 정도 미만인 것으로 분류된 객체에 해당하는 영역으로 구성된 제4 부분 영상을 생성할 수 있다.
예를 들어 제1 영상이 자동차가 통행하는 도로에 대한 영상인 경우 감시카메라 관리 장치(100)는 차량, 보행자 등과 같이 움직임의 정도가 큰 객체로 식별 정보가 부여된 영역을 포함하는 제3 부분 영상과 가로수, 도로면, 도로 주변의 건물 등과 같이 움직임의 정도가 작은 객체로 식별 정보가 부여된 영역을 포함하는 제4 부분 영상을 생성할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
한편 감시카메라 관리 장치(100)가 객체의 움직임을 판단/분류 하는 기준은 미리 저장되어 있을 수 있다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 제3 부분 영상을 제1 압축 조건에 따라 압축한 제3 영상 데이터를 생성하고, 제4 부분 영상을 제2 압축 조건에 따라 압축한 제4 영상 데이터를 생성할 수 있다. 이때 제1 압축 조건 및 제2 압축 조건 각각에 대해서는 상술하였으므로 이에 대한 상세한 설명은 생략한다.
본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 상술한 과정에 따라 생성된 제1 영상 데이터(622) 및 제2 영상 데이터(632)(또는 제3 영상 데이터 및 제4 영상 데이터)를 사용자 단말(320)에 전송할 수 있다.(S1270)
또한 본 발명의 일 실시예에 따른 감시카메라 관리 장치(100)는 제1 감시카메라(201)가 획득한 제2 영상에 대해서 단계 S1250, 단계 S1260 및 단계 S1270의 과정을 반복하여 수행할 수 있다.(S1280) 물론 감시카메라 관리 장치(100)는 제1 감시카메라(201)가 제2 영상 이후에 획득한 복수의 제3 영상에 대해서도 마찬가지 과정을 반복적으로 수행할 수 있다.
도 11은 감시카메라 관리 장치(100)에 의해 전송되는 영상 데이터를 시간의 흐름에 따라 도시한 도면이다.
전술한 바와 같이 감시카메라 관리 장치(100)는 최소한 원본 영상의 품질로 압축된 제1 영상 데이터(Image Data_1)와 최대한 원본 영상의 품질로 압축된 제2 영상 데이터(Image Data_2)를 생성할 수 있다. 이때 '최대한 원본 영상의 품질'로 압축되는 것은 프레임 레이트가 원본보다 작게 설정되는 것을 포함하기에, 도 11에 도시된 바와 같이 제2 영상 데이터(Image Data_2)는 제1 영상 데이터(Image Data_1)에 비해 낮은 빈도로 전송될 수 있다. 바꾸어 말하면 제1 영상 데이터(Image Data_1)는 제2 영상 데이터(Image Data_2)보다 더 자주 생성되어 전송될 수 있다.
이로써 본 발명은 영상의 전송에 있어서 네트워크 리소스를 보다 효율적으로 사용하도록 할 수 있다.
이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 저장하는 것일 수 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 감시카메라 관리 장치
110: 제어부
120: 전원부
130: 감시카메라 연결부
140: 네트워크 연결부
150: 통신부
200: 감시카메라
300: 네트워크
310: 영상 저장 장치
320: 사용자 단말

Claims (12)

  1. 적어도 하나의 감시카메라에 전원을 공급하고 상기 적어도 하나의 감시카메라가 획득한 영상을 압축하여 제공하는 감시카메라 관리 장치에 있어서,
    적어도 하나의 감시카메라와 연결되는 감시카메라 연결부;
    네트워크와 연결되는 네트워크 연결부;
    전원으로부터 전력을 공급받아 상기 감시카메라 연결부를 통하여 연결된 상기 적어도 하나의 감시카메라에 공급되는 전력을 생성하는 전원부;
    상기 적어도 하나의 감시카메라로부터 수신된 영상 데이터를 압축하여 압축 영상 데이터를 생성하는 제어부; 및
    상기 적어도 하나의 감시카메라로부터 상기 영상 데이터를 수신하여 상기 제어부에 제공하고, 상기 제어부가 생성한 상기 압축 영상 데이터를 상기 네트워크에 연결된 적어도 하나의 외부 장치에 전송하는 통신부;를 포함하고,
    상기 제어부는
    상기 수신된 영상 데이터에 따른 영상을 상기 영상 내에서의 움직임의 정도에 따라 적어도 2개의 부분 영상으로 구분하고 구분된 2개의 영상을 서로 다른 조건으로 압축하고,
    상기 감시카메라 관리 장치는 상기 적어도 하나의 감시 카메라 및 상기 적어도 하나의 외부 장치와 구분되는 장치로써 상기 적어도 하나의 감시 카메라 및 상기 적어도 하나의 외부 장치 간의 영상 송수신을 매개하는, 감시카메라 관리 장치.
  2. 청구항 1에 있어서
    상기 제어부는
    학습된 제1 인공 신경망을 이용하여 제1 영상을 제1 압축 조건에 따라 압축이 필요한 적어도 하나의 제1 부분 영상과 제2 압축 조건에 따라 압축이 필요한 적어도 하나의 제2 부분 영상으로 구분하고,
    상기 제1 부분 영상을 상기 제1 압축 조건에 따라 압축한 제1 영상 데이터를 생성하고, 상기 제2 부분 영상을 상기 제2 압축 조건에 따라 압축한 제2 영상 데이터를 생성하고,
    상기 제1 영상 데이터 및 상기 제2 영상 데이터를 상기 적어도 하나의 외부 장치에 전송하는, 감시카메라 관리 장치.
  3. 청구항 2에 있어서
    상기 제1 인공 신경망은
    제1 학습 영상, 상기 제1 학습 영상으로부터 생성된 제1 부분 학습 영상 및 상기 제1 학습 영상으로부터 생성된 제2 부분 학습 영상 간의 상관관계를 학습한 신경망인, 감시카메라 관리 장치.
  4. 청구항 3에 있어서
    상기 제1 부분 학습 영상은
    상기 제1 학습 영상 내에서 움직임의 정도가 소정의 임계 정도 이상일 것으로 분류된 객체에 해당하는 영역만을 포함하는 영상이고,
    상기 제2 부분 학습 영상은
    상기 제1 학습 영상 내에서 움직임의 정도가 상기 소정의 임계 정도 미만인 것으로 분류된 객체에 해당하는 영역만을 포함하는 영상인, 감시카메라 관리 장치.
  5. 청구항 2에 있어서
    상기 제1 영상은 제1 해상도 및 제1 프레임 레이트로 구성되며,
    상기 제1 압축 조건은
    상기 제1 부분 영상을 제2 해상도 및 제2 프레임 레이트로 압축하는 조건이고,
    상기 제2 해상도는 상기 제1 해상도 이상이고,
    상기 제2 프레임 레이트는 상기 제1 프레임 레이트 이상인, 감시카메라 관리 장치.
  6. 청구항 2에 있어서
    상기 제1 영상은 제1 해상도 및 제1 프레임 레이트로 구성되며,
    상기 제2 압축 조건은
    상기 제2 부분 영상을 제3 해상도 및 제3 프레임 레이트로 압축하는 조건이고,
    상기 제3 해상도는 상기 제1 해상도 이하이고,
    상기 제3 프레임 레이트는 상기 제1 프레임 레이트 미만인, 감시카메라 관리 장치.
  7. 청구항 1에 있어서
    상기 제어부는
    학습된 제2 인공 신경망을 이용하여 제1 영상에 포함된 적어도 하나의 객체 각각의 식별 정보를 생성하고,
    상기 적어도 하나의 객체 각각의 식별 정보를 참조하여, 상기 제1 영상을 제1 압축 조건에 따라 압축이 필요한 적어도 하나의 제3 부분 영상과 제2 압축 조건에 따라 압축이 필요한 제4 부분 영상으로 구분하고,
    상기 제3 부분 영상을 상기 제1 압축 조건에 따라 압축한 제3 영상 데이터를 생성하고, 상기 제4 부분 영상을 상기 제2 압축 조건에 따라 압축한 제4 영상 데이터를 생성하고,
    상기 제3 영상 데이터 및 상기 제4 영상 데이터를 상기 적어도 하나의 외부 장치에 전송하는, 감시카메라 관리 장치.
  8. 청구항 7에 있어서
    상기 인공 신경망은
    제2 학습 영상, 상기 제2 학습 영상 내에서 객체에 해당하는 영역 및 상기 객체의 식별 정보 간의 상관관계를 학습한 신경망인, 감시카메라 관리 장치.
  9. 청구항 7에 있어서
    상기 제어부는
    상기 적어도 하나의 객체 각각의 식별 정보를 이용하여, 상기 제1 영상 내에서 움직임의 정도가 소정의 임계 정도 이상인 것으로 분류된 객체에 해당하는 영역으로 구성된 상기 제3 부분 영상을 생성하고,
    상기 적어도 하나의 객체 각각의 식별 정보를 이용하여, 상기 제1 영상 내에서 움직임의 정도가 소정의 임계 정도 미만인 것으로 분류된 객체에 해당하는 영역으로 구성된 상기 제4 부분 영상을 생성하는, 감시카메라 관리 장치.
  10. 청구항 1에 있어서
    상기 감시카메라 연결부와 상기 적어도 하나의 감시카메라는 제1 인터페이스를 통해 연결되고,
    상기 전원부가 생성한 전력은 상기 제1 인터페이스를 통해 상기 적어도 하나의 감시카메라로 공급되고,
    상기 적어도 하나의 감시카메라가 생성한 상기 영상 데이터는 상기 제1 인터페이스를 통해 상기 통신부로 전송되는, 감시카메라 관리 장치.
  11. 청구항 1에 있어서
    상기 제어부는
    상기 적어도 하나의 외부 장치로부터 수신된 감시카메라 관리 인터페이스 요청에 따라, 상기 적어도 하나의 외부 장치에 상기 적어도 하나의 감시카메라의 관리를 위한 인터페이스를 제공하는, 감시카메라 관리 장치.
  12. 청구항 11에 있어서
    상기 인터페이스는
    상기 적어도 하나의 감시카메라가 설치된 환경을 설정하는 인터페이스;
    상기 적어도 하나의 감시카메라가 획득한 영상을 압축하는데 사용되는 적어도 하나의 조건을 설정하는 인터페이스; 및
    상기 적어도 하나의 감시카메라에 공급되는 전원과 관련된 항목을 설정하는 인터페이스;중 적어도 하나를 포함하는, 감시카메라 관리 장치.
KR1020220030951A 2022-03-11 2022-03-11 감시카메라 관리 장치 KR102471701B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220030951A KR102471701B1 (ko) 2022-03-11 2022-03-11 감시카메라 관리 장치
PCT/KR2023/002898 WO2023171981A1 (ko) 2022-03-11 2023-03-03 감시카메라 관리 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220030951A KR102471701B1 (ko) 2022-03-11 2022-03-11 감시카메라 관리 장치

Publications (1)

Publication Number Publication Date
KR102471701B1 true KR102471701B1 (ko) 2022-11-28

Family

ID=84237018

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220030951A KR102471701B1 (ko) 2022-03-11 2022-03-11 감시카메라 관리 장치

Country Status (2)

Country Link
KR (1) KR102471701B1 (ko)
WO (1) WO2023171981A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023171981A1 (ko) * 2022-03-11 2023-09-14 주식회사 코아아띠즈 감시카메라 관리 장치
KR102656142B1 (ko) * 2023-04-12 2024-04-22 주식회사 케이티에스엠 현장 모니터링 영상 관리 장치 및 장치의 동작 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100480520B1 (ko) * 2004-10-29 2005-04-07 (주)유디피 영상 전송 방법 및 상기 방법을 이용하는 네트워크 카메라시스템
KR20100022447A (ko) * 2008-08-19 2010-03-02 브로드콤 코포레이션 압축 및 압축복원 비디오 비트스트림 모두에 대한 움직임 보상 프레임 레이트 상향 변환을 위한 방법 및 시스템
KR20200079697A (ko) * 2018-12-26 2020-07-06 삼성전자주식회사 영상 처리 장치 및 그 영상 처리 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090032800A (ko) * 2007-09-28 2009-04-01 주식회사 삼전 Ｃｃｔｖ용 무선 송수신 장치
KR102261669B1 (ko) * 2019-03-22 2021-06-07 주식회사 핀텔 인공신경망 기반 객체영역 검출방법, 장치 및 이에 대한 컴퓨터 프로그램
KR102471701B1 (ko) * 2022-03-11 2022-11-28 (주) 글로벌비엠아이 감시카메라 관리 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100480520B1 (ko) * 2004-10-29 2005-04-07 (주)유디피 영상 전송 방법 및 상기 방법을 이용하는 네트워크 카메라시스템
KR20100022447A (ko) * 2008-08-19 2010-03-02 브로드콤 코포레이션 압축 및 압축복원 비디오 비트스트림 모두에 대한 움직임 보상 프레임 레이트 상향 변환을 위한 방법 및 시스템
KR20200079697A (ko) * 2018-12-26 2020-07-06 삼성전자주식회사 영상 처리 장치 및 그 영상 처리 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023171981A1 (ko) * 2022-03-11 2023-09-14 주식회사 코아아띠즈 감시카메라 관리 장치
KR102656142B1 (ko) * 2023-04-12 2024-04-22 주식회사 케이티에스엠 현장 모니터링 영상 관리 장치 및 장치의 동작 방법

Also Published As

Publication number Publication date
WO2023171981A1 (ko) 2023-09-14

Similar Documents

Publication Publication Date Title
US11132818B2 (en) Predicting attributes for point cloud compression according to a space filling curve
KR102471701B1 (ko) 감시카메라 관리 장치
CN109508678B (zh) 人脸检测模型的训练方法、人脸关键点的检测方法和装置
KR102527878B1 (ko) 키 포인트 학습 모델 구축 방법, 장치, 전자 기기 및 판독 가능한 저장 매체 그리고 프로그램
CN113811920A (zh) 分布式姿势估计
CN112887728B (zh) 电子装置、电子装置的控制方法以及系统
CN112597883A (zh) 一种基于广义图卷积和强化学习的人体骨架动作识别方法
CN112001274B (zh) 人群密度确定方法、装置、存储介质和处理器
CN108898171B (zh) 图像识别处理方法、系统及计算机可读存储介质
EP3872760A2 (en) Method and apparatus of training depth estimation network, and method and apparatus of estimating depth of image
CN112906721B (zh) 图像处理方法、装置、设备及计算机可读存储介质
JP2022553252A (ja) 画像処理方法、画像処理装置、サーバ、及びコンピュータプログラム
KR102433646B1 (ko) 2차원 이미지 인식에 기반한 3차원 모델링 시스템 및 이를 위한 방법
CN115131849A (zh) 图像生成方法以及相关设备
KR20230131878A (ko) 포인트 클라우드 프로세싱을 위한 장치 및 방법
CN118075494A (zh) 点云数据编码方法、解码方法、装置、设备及存储介质
WO2020038589A1 (en) Methods for automatically generating diverse image data
Yang et al. Development of a fast transmission method for 3D point cloud
CN114677350A (zh) 连接点提取方法、装置、计算机设备及存储介质
JP2021517289A (ja) 分散型ニューラルネットワークを用いた物体認識システム
EP4164221A1 (en) Processing image data
KR20230143377A (ko) 장면 단위 예측 기반의 동영상 인코딩 최적화 방법 및 시스템
CN111488476B (zh) 图像推送方法、模型训练方法及对应装置
CN114510911A (zh) 文本处理方法、装置、计算机设备及存储介质
US20240185511A1 (en) Information processing apparatus and information processing method

Legal Events

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