KR102491684B1 - 선실드가 형성된 감시카메라 장치 및 이의 제어방법 - Google Patents

Abstract

본 발명은 선실드가 형성된 감시카메라 장치 및 이의 제어방법에 관한 것으로서, 상세하게는, 카메라부의 일측에 전후 이동 가능한 선실드가 형성된 감시카메라 제어방법에 있어서, 상기 카메라부가 이미지를 촬영하고, 상기 이미지를 분석하여 강우데이터를 생성하는 강우인식단계, 미리 저장된 일출 또는 일몰 시간데이터 및 상기 강우데이터에 따라 상기 선실드를 전후 방향으로 이동시키는 이동단계 및 상기 선실드 이동 시 zoom 값의 관계에 따라 사각지대가 발생하지 않는 제한 거리를 산출하여 상기 선실드의 이동거리를 제한하는 거리제한단계를 포함하여, 카메라부의 렌즈 부위에 빗물이 흐르거나 태양광이 입사되는 것을 방지할 수 있고, 사각지대가 발생하는 것을 방지할 수 있는 장점이 있다.

Description

선실드가 형성된 감시카메라 장치 및 이의 제어방법{Control method of a surveillance camera with a sunshield and control method thereof}

본 발명은 선실드가 형성된 감시카메라 장치 및 이의 제어방법에 관한 것으로서, 상세하게는 전후방향으로 이동이 가능한 선실드를 통해 태양광 및 강우 시 감시카메라의 시야가 확보되도록 하는 선실드가 형성된 감시카메라 장치 및 이의 제어방법에 관한 것이다.

감시카메라의 선실드란 강우, 빛 등으로부터 감시카메라의 영상촬영부를 보호하여 영상이 선명하게 촬영할 수 있도록 부착되는 부품이다.

일반적으로 실내에 설치되는 감시카메라는 주변 환경의 변화가 적어 선실드가 부착되지 않은 Dome형 타입을 사용하나, 실외에 설치되는 카메라는 빛의 조사량을 조절하고 영상촬영부에 눈, 비가 맺히거나 가까운 거리에서 눈, 비가 내려 영상의 선명도가 저하되는 것을 방지하기 위해 선실드가 부착된 타입의 카메라를 사용한다.

상기의 선실드가 부착된 카메라는 사람이 직접 선실드를 조정해야 하는 수동 조작 방식으로 만들어져, 주변 환경 변화에 따라 선실드를 지속 조정할 수 없기 때문에 영상 관제 효율의 향상이 어렵다. 특히, 최근 4차산업혁명에 따라 중요도가 높아진 AI 기반 영상분석 기술은 촬영되는 영상의 질(Quaility)에 따라 정확도에 확연한 차이가 발생한다.

또한, CCTV는 강한 태양광이 입사할 경우 입사된 태양광의 양에 따라 명암 차이가 극심해져 영상의 질이 떨어지는 문제점이 있다.

이에, 한국등록특허공보 제10-1935550호 '역광보정용 필터 CCTV를 포함하는 영상감지 시스템'은 렌즈모듈을 통해 일정 영역을 촬영하며 영상이미지를 생성하는 야외카메라 모듈의 상단부에 형성된 샤프트 축을 태양광의 조사량에 따라 구동시켜, 렌즈모듈과 필름부를 중첩되도록 하였으나, 필름부가 위아래로 회전하는 것으로 강우 시 필름부에 눈, 빗물과 같은 이물질을 용이하게 차단하지 못하는 문제점이 남아있다.

따라서, 촬영되는 영상의 질을 향상시키기 위해 강우 및 강한 태양광이 렌즈에 입사하는 것을 방지하는 선실드가 형성된 감시카메라 장치 및 이의 제어방법의 개발이 요구되는 실정이다.

상기와 같은 문제를 해결하고자, 본 발명은 전후 방향으로 이동이 가능한 선실드를 통해 태양광 및 강우 시 감시카메라의 시야가 확보되도록 하는 선실드가 형성된 감시카메라 장치 및 이의 제어방법을 제공하는 데에 목적이 있다.

상기 과제를 해결하기 위하여, 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치의 제어방법은 카메라부의 일측에 전후 이동 가능한 선실드가 형성된 감시카메라 장치의 제어방법에 있어서, 상기 카메라부가 이미지를 촬영하고, 상기 이미지를 분석하여 강우데이터를 생성하는 강우인식단계; 미리 저장된 일출 또는 일몰 시간데이터 및 상기 강우데이터에 따라 상기 선실드를 전후 방향으로 이동시키는 이동단계 및 상기 선실드 이동 시 zoom 값의 관계에 따라 사각지대가 발생하지 않는 제한 거리를 산출하여 상기 선실드의 이동거리를 제한하는 거리제한단계를 포함할 수 있다.

여기서, 상기 사각지대는, 상기 카메라부의 렌즈에 상기 선실드가 노출되어 상기 이미지에 상기 선실드가 노출되는 부분일 수 있다.

여기서, 상기 강우인식단계는, 딥러닝 학습에 사용될 강우기초데이터를 수집하는 기초데이터수집단계; 상기 카메라부가 촬영한 상기 이미지를 취득하여 수집하는 이미지수집단계; 상기 강우기초데이터 및 상기 이미지를 기반으로 딥러닝 학습을 진행하는 학습단계 및 상기 이미지를 딥러닝 기반으로 분석하여 상기 강우데이터를 생성하는 분석단계를 포함할 수 있다.

또한, 상기 학습단계는, 상기 강우기초데이터 및 상기 이미지의 강우 특징을 CNN(합성곱 신경망)을 통해 추출하는 특징추출단계 및 상기 CNN(합성곱 신경망)으로부터 추출된 상기 강우 특징을 DNN(심층 신경망)를 통해 학습하는 특징학습단계를 포함할 수 있다.

또한, 상기 분석단계는, 상기 이미지를 전처리하는 이미지전처리단계 및 상기 전처리된 이미지를 학습시켜 '강우' 또는 '비강우'로 판단하여 상기 강우데이터를 생성하는 강우판단단계를 포함할 수 있다.

또한, 상기 이미지수집단계 이후, 상기 일출 또는 일몰 시간데이터에 해당하는 시간에 수집된 상기 이미지 내의 색상을 통해 태양광이 상기 카메라부의 렌즈에 직접적으로 입사된 것을 판단하는 태양광판단단계를 더 포함할 수 있다.

또한, 상기 태양광판단단계는, 상기 일출 또는 일몰 시간데이터에 해당하는 시간에 취득된 이미지를 전처리하고, 상기 전처리된 이미지의 픽셀의 색상을 나타내는 RGB값으로 분리하여 나열하는 색상나열단계 및 상기 나열된 RGB값에서 상기 픽셀 하나의 RGB평균값을 계산하고, 상기 RGB평균값의 최빈값을 추출하여, 상기 최빈값이 250 내지 255일 경우, 해당 선실드 이동경로에서 태양광이 상기 카메라부의 렌즈로 직접적으로 들어온다고 판단하여 입사데이터를 생성하고, 상기 이동단계에서 상기 판단된 입사데이터를 이용하도록 하는 입사판단단계를 포함할 수 있다.

또한, 상기 태양광판단단계는, 상기 일출 또는 일몰 시간데이터에 해당하는 시간대의 상기 이미지 내의 색상과 상기 일출 또는 일몰 시간데이터에 해당하는 시간을 제외한 다른 시간대의 상기 이미지의 내의 색상을 비교하는 것으로, 상기 카메라부의 렌즈로 태양광이 직접적으로 들어오는 것을 판단할 수 있다.

또한, 상기 거리제한단계 이후, 미리 저장된 일몰 시간데이터에 따라 겨울철에 태양이 졌다고 판단되었을 경우, 야간에 상기 선실드를 전후 왕복 운동 시키는 왕복이동단계를 더 포함할 수 있다.

본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치는 카메라부; 및 상기 카메라부의 상부에 결합되되 전후 방향으로 이동 가능하며, 아치형으로 형성되는 선실드;를 포함하고, 상기 선실드는, 전면에 형성되어, 전후 방향의 이동에 따라 상기 카메라부의 렌즈에 빗물이 흘러내리는 것을 방지하는 굴곡부;를 포함할 수 있다.

본 발명의 실시 예에 따른 선실드가 형성된 감시카메라 장치 및 이의 제어방법은 선실드를 전후방향으로 이동시켜 렌즈 부위에 빗물이 흐르거나 태양광이 입사되는 것을 방지할 수 있으며, zoom 값에 따라 선실드의 이동거리를 제한하여 사각지대가 발생하는 것을 방지할 수 있는 효과가 있다.

도 1은 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치의 사시도이다.
도 2는 도 1의 측면도이다.
도 3은 도 1의 정면도이다.
도 4는 도 1의 저면사시도이다.
도 5는 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치의 제어방법의 순서도이다.
도 6은 도 5의 강우인식단계에서 이루어질 수 있는 단계들을 나타낸 순서도이다.
도 7은 도 6의 강우인식단계에 태양광판단단계를 추가한 단계들을 나타낸 순서도이다.
도 8은 도 7의 태양광판단단계에서 이루어질 수 있는 단계들을 나타낸 순서도이다.
도 9는 도 6의 학습단계에서 이루어질 수 있는 단계들을 나타낸 순서도이다.
도 10은 도 6의 분석단계에서 이루어질 수 있는 단계들을 나타낸 순서도이다.

이하, 도면을 참조한 본 발명의 설명은 특정한 실시 형태에 대해 한정되지 않으며, 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있다. 또한, 이하에서 설명하는 내용은 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

이하의 설명에서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용되는 용어로서, 그 자체에 의미가 한정되지 아니하며, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 명세서 전체에 걸쳐 사용되는 동일한 참조번호는 동일한 구성요소를 나타낸다.

본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 이하에서 기재되는 "포함하다", "구비하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로 해석되어야 하며, 하나 또는 그 이상의 다른 특징들이나, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, 도 1 내지 도 10을 참조하여 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치 및 이의 제어방법을 구체적으로 설명하기로 한다.

또한, 이하의 설명에서는 특별한 언급이 없는 한 도 1을 기준으로 전면을 향하는 방향을 '전방'이라 하고, 그 반대 방향을 '후방'이라 한다. 이에 따라 '좌측', '우측', '상방' 및 '하방'과 같은 방향을 지시하는 용어들은 상기 전방 및 후방을 기준으로 각각의 방향을 지시하는 것으로 정의한다.

먼저, 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치에 대해 설명하고자 한다.

도 1은 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치의 사시도이고, 도 2는 도 1의 선실드의 이동방향을 나타낸 측면도이며, 도 3은 도 1의 선실드의 형태를 나타낸 정면도이고, 도 4는 도 1의 난반사 방지 시트를 나타낸 저면사시도이다.

도 1을 참조하면, 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치는 카메라부(10) 및 선실드(20)를 포함할 수 있다.

여기서, 카메라부(10)는 촬영부(11), 고정부(12) 및 각도조정부(13)를 포함할 수 있다.

촬영부(11)는 전방의 피사체를 촬영할 수 있어, 렌즈, 센서모듈, 제어모듈 및 하우징을 포함할 수 있다.

여기서, 센서모듈은 레이더 센서 또는 적외선 센서를 포함할 수 있으나, 이는 예시적인 것으로, 전방의 피사체를 감지할 수 있는 모든 센서를 포함할 수 있어, 이에 한정하지는 않는다.

제어모듈은 촬영부(11) 뿐만 아니라 선실드(20)의 작동 및 이동을 제어할 수 있다. 그러나, 선실드(20)는 제어모듈뿐만 아니라 별도의 제어 수단을 통해 제어될 수 있어, 이에 한정하지는 않는다.

하우징은 촬영부(11)의 구성들을 수용할 수 있다. 하우징은 고정부(12)에 의해 건물 또는 물체와 같은 설치면에 고정될 수 있으며, 각도조정부(13)에 의해 피사체를 촬영하는 방향이 바뀌어질 수 있다.

고정부(12)는 촬영부(11)를 설치면에 고정시킬 수 있다. 이때, 고정부(12)는 고정부(12)의 변형에 맞추어 수축 또는 확장되는 유연성을 갖는 탄성 재질의 마운트 커버를 일측에 구비하여 변형 자율성이 부여될 수 있다.

구체적으로, 마운트 커버는 고정부(12)의 일측에서 고정부(12)가 진동 또는 떨림에 의한 변형 등에 맞추어 수축 또는 확장되면서 진동을 감쇠할 수 있고, 열팽창과 수축에 의한 변형 등에 맞추어 수축 또는 확장되면서 고정부(12)에 발생되는 응력을 최소화할 수 있다.

각도조정부(13)는 촬영부(11)와 고정부(12) 사이에 마련되어 촬영부(11)의 롤링각(Rolling angle)과 피칭각(Pitching angle)을 조정할 수 있다.

한편, 설명된 카메라부(10)의 구성은 선실드(20)가 형성된 감시카메라 장치의 제어방법에서 사용되는 바람직한 예시이나, 본 발명의 기술분야에서 통상적으로 사용되는 카메라의 구성은 모두 사용할 수 있어, 이에 한정하지는 않는다.

도 2 및 도 3을 참조하면, 선실드(20)는 카메라부(10)로 입사되는 태양광을 차단하여 카메라부(10)에서 촬영되는 이미지의 선명도를 높일 수 있으며, 카메라부(10)에 결합되어 전후 방향으로 이동이 가능하도록 형성될 수 있다.

구체적으로, 선실드(20)는 카메라부(10)의 상부에 결합되되, 카메라부(10)의 전면보다 더 돌출되는 위치로 이동 가능하도록 형성될 수 있어, 전방으로 이동 시 카메라부(10)의 전면이 선실드(20)의 그림자에 의해 가려질 수 있다.

이에, 선실드(20)는 그림자를 통해 카메라부(10)를 가리면서, 태양광으로부터 카메라부(10)의 간섭을 차단시켜 선명한 이미지를 얻도록 할 수 있다.

또한, 선실드(20)는 전면이 카메라부(10)의 상부 및 양측면부의 일부를 가리는 아치형 형태로 형성될 수 있어, 태양광의 간섭을 최대한 넓게 차단할 수 있다.

또한, 선실드(20)는 굴곡부(21)를 포함할 수 있다.

굴곡부(21)는 선실드(20)의 전면에 형성되어 카메라부(10)의 렌즈에 빗물이 흘러내리는 것을 방지할 수 있다. 굴곡부(21)는 선실드(20)의 전면에서 수직방향으로 돌출되도록 형성된 수직부와 수직부의 하단에서 수평으로 연장되도록 형성된 수평부를 포함할 수 있다.

여기서, 수직부는 선실드(20)의 상면으로부터 돌출되는 높이를 가져 선실드(20)의 상면과 단차를 형성할 수 있다. 수평부는 수직부의 하단에서 카메라부(10)를 등지는 방향으로 길이를 형성할 수 있다.

이로 인해, 굴곡부(21)는 빗물을 수직부에 막혀 선실드(20)의 양측방향으로 흐르도록 유도할 수 있으며, 빗물이 수직부를 넘어 흐르더라도 수평부에 의해 카메라부(10)보다 먼 위치에서 낙하하도록 유도할 수 있다.

또한, 굴곡부(21)는 상기와 같이 수직부와 수평부로 형성되어 'ㄴ'자 형태로 형성될 수 있으나, 이는 예시적인 것으로, 카메라부(10)의 렌즈에 빗물이 흘러내리는 것을 방지할 수 있는 모든 형태로 형성될 수 있어, 이에 한정하지는 않는다.

또한, 선실드(20)는 도 4에 도시된 바와 같이 하부 방지막(30) 및 난반사 방지 시트(40)를 더 포함할 수 있다.

하부 방지막(30)은 선실드(20)의 하면에서 하방으로 돌출되도록 구성될 수 있다. 이때, 하부 방지막(30)은 하나만 마련되어도 무관하나, 복수로 마련될 수도 있으며, 복수로 마련될 경우에는 카메라부(10)에 가까운 하부 방지막(30)일수록 길이가 점차 늘어나도록 구성될 수 있다.

이에, 하부 방지막(30)은 굴곡부(21)와 함께 카메라부(10)로의 빗물 유입을 2차로 방지하여 빗물 유입 방지 효과를 배가시킬 수 있는 효과가 있다.

난반사 방지 시트(40)는 선실드(20)의 하면에 형성되어, 태양광이 선실드(20)를 통해 반사되어 카메라부(10)의 렌즈에 입사하는 것을 방지할 수 있다.

여기서, 태양광은 지면이나 주변 물체로부터 반사되어 선실드(20) 하단으로 입사되는 빛이나 가로등과 같은 주변 물체로부터 선실드(20) 하단으로 입사되는 빛일 수 있으나, 이는 예시적인 것으로, 태양이 아닌 가로등과 같은 광원부로부터 선실드(20) 하단으로 입사되는 빛을 포함할 수 있어, 이에 한정하지는 않는다.

난반사 방지 시트(40)는 선실드(20)가 전방으로 이동했을 경우에만 노출될 수 있으며, 빛을 흡수하는 소재 등으로 마련되어 카메라부(10)의 렌즈로 입사하는 것을 방지하고 카메라부(10)의 촬영 선명도를 높일 수 있다.

이에, 난반사 방지 시트(40)는 선실드(20)가 전방으로 이동할 경우, 상면과 하면 모두 태양광이나 가로등 등의 직사광이나 반사광 등이 카메라부(10)의 렌즈로 입사되는 것을 방지할 수 있는 효과가 있다.

즉, 본 발명은 상술한 구조를 통하여 카메라부(10)로의 빗물 유입을 방지함으로써 카메라부(10)의 고장 등을 방지할 수 있고, 나아가 난반사를 방지함으로써 이미지의 선명도를 높일 수 있다.

다음으로, 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치의 제어방법에 대하여 설명하기로 한다.

도 5는 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치의 제어방법의 순서도이고, 도 6은 도 5의 강우인식단계에서 이루어질 수 있는 단계들을 나타낸 순서도이며, 도 7은 도 6의 강우인식단계에 태양광판단단계를 추가한 단계들을 나타낸 순서도이고, 도 8은 도 7의 태양광판단단계에서 이루어질 수 있는 단계들을 나타낸 순서도이며, 도 9는 도 6의 학습단계에서 이루어질 수 있는 단계들을 나타낸 순서도이고, 도 10은 도 6의 분석단계에서 이루어질 수 있는 단계들을 나타낸 순서도이다.

도 5를 참조하면, 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치의 제어방법은 강우인식단계(S10), 이동단계(S20) 및 거리제한단계(S30)를 포함할 수 있다.

먼저, 강우인식단계(S10)는 카메라부(10)가 이미지를 촬영하고, 이미지를 분석하여 강우데이터를 생성할 수 있다.

도 6을 참조하면, 강우인식단계(S10)는 기초데이터수집단계(S11), 이미지수집단계(S12), 학습단계(S13) 및 분석단계(S14)를 포함할 수 있다.

기초데이터수집단계(S11)는 딥러닝 학습에 사용될 강우기초데이터를 수집하는 단계일 수 있다.

구체적으로, 기초데이터수집단계(S11)에서 인터넷 상에서 실시간으로 수집되거나, 기상전문업체 및 기상청과 같은 국가기관으로부터 수집된 강우 사진과 기상 정보를 수신 받아 강우기초데이터로 수집할 수 있다.

여기서, 기상 정보는 감시카메라가 설치된 지역의 시간에 따른 기온, 강수 확률, 풍속을 포함할 수 있으나, 이는 예시적인 것으로, 감시카메라가 설치된 지역의 날씨에 대한 정보를 모두 포함할 수 있어, 이에 한정하지는 않는다.

기초데이터수집단계(S11)에서 수집된 강우기초데이터를 카메라부(10)에 마련된 데이터베이스 혹은 별도의 서버에 저장할 수 있으며, 딥러닝 학습에 이용할 수 있다.

여기서, 딥러닝(Deep learning)은 생물의 신경계를 모방한 인공신경망의 모델로서, 뉴런 모델의 층을 깊게 쌓아 올림으로써 신경망의 학습을 높이는 모델을 적용하는 기술로, 통상적으로 사용되는 인공신경망의 모델로 자세한 설명은 생략하기로 한다.

이미지수집단계(S12)는 카메라부(10)가 촬영한 이미지를 취득하여 수집하는 단계일 수 있다. 이미지수집단계(S12)에서 수집된 이미지를 강우기초데이터와 마찬가지로 카메라부(10)에 구비된 데이터베이스 혹은 별도의 서버에 저장할 수 있다.

여기서, 강우기초데이터와 이미지는 시간별로 매칭되어 하나의 데이터셋으로 데이터베이스 혹은 별도의 서버에 저장되는 것이 바람직하나, 이에 한정하지는 않는다.

도 7을 참조하면, 이미지수집단계(S12) 이후, 태양광판단단계(S120)를 더 포함할 수 있다.

태양광판단단계(S120)는 일출 또는 일몰 시간데이터에 해당하는 시간에 수집된 이미지 내의 색상을 분석하는 단계일 수 있으며, 태양광이 카메라부(10)의 렌즈에 직접적으로 입사된 것을 판단하는 단계일 수 있다.

여기서, 일출 또는 일몰 시간데이터는 기상전문업체 및 기상청과 같은 국가기관으로부터 수집된 기상 정보일 수 있으나, 가장 바람직하게는 감시카메라가 설치된 지역의 기상센터의 기상 정보일 수 있다.

또한, 일출 또는 일몰 시간데이터는 강우기초데이터와 마찬가지로 카메라부(10)에 구비된 데이터베이스 혹은 별도의 서버에 저장될 수 있다.

도 8을 참조하면, 태양광판단단계(S120)는 색상나열단계(S121) 및 입사판단단계(S122)를 더 포함할 수 있다.

색상나열단계(S121)는 일출 또는 일몰 시간데이터에 해당하는 시간에 취득된 이미지의 색상을 나열하는 단계일 수 있다.

구체적으로, 색상나열단계(S121)에서 일출 또는 일몰 시간데이터에 해당하는 시간 즉, 오전 4시 30분 내지 8시 또는 오후 5시 30분 내지 8시에 이미지를 취득하고 전처리할 수 있다.

색상나열단계(S121)에서 전처리된 이미지의 픽셀의 색상을 RGB값으로 분리하여 나열할 수 있다.

여기서, RGB값은 통상적으로 빛의 삼원색을 이용하여 색을 표현하는 방식일 수 있어, R값, G값, B값이 각각 0 내지 255사이의 값으로 나타날 수 있다. 예를 들어, 이미지의 한 픽셀의 RGB값은 (0, 10, 255)값으로 나타날 수 있으며, 이미지의 전체 RGB값은 ((0,10,255), (7,8,155), …, (1,5,70))과 같이 나열될 수 있다.

입사판단단계(S122)는 나열된 RGB값을 통해 태양광이 카메라부(10)의 렌즈로 들어오는 지를 판단하는 단계일 수 있다.

구체적으로, 입사판단단계(S122)에서 나열된 RGB값에서 픽셀 하나의 RGB평균값을 계산할 수 있다. 예를 들어, 이미지의 전체 RGB값이 ((0,10,255), (7,8,155), (255,245,255), …, (1,5,70))라면, RGB평균값은 (88, 56, 251, …, 25)로 계산될 수 있다.

이후, 입사판단단계(S122)는 RGB평균값에서 최빈값 즉, RGB평균값에서 가장 많이 나온 값을 추출하는 단계일 수 있으며, 추출된 최빈값이 250 내지 255일경우, 이미지 내의 색상이 흰색이 많아 태양광이 카메라부(10)의 렌즈로 직접적으로 들어온다고 판단하여 입사데이터를 생성하는 단계일 수 있다.

이때, 입사데이터는 하기의 이동단계(S20)에서 선실드(20)가 감시카메라의 전방으로 이동하여 카메라부(10)에 태양광의 간섭을 차단하는 데에 활용될 수 있다.

또한, 태양광판단단계(S120)는 일출 또는 일몰 시간데이터에 해당하는 시간대의 이미지 내의 색상과 일출 또는 일몰 시간데이터에 해당하지 않는 시간대의 이미지 내 색상을 비교할 수 있다.

여기서, 일출 또는 일몰 시간데이터에 해당하는 시간대의 이미지와 일출 또는 일몰 시간데이터에 해당하지 않는 시간대의 이미지는 동일한 크기를 가진 이미지로 마련될 수 있다.

구체적으로, 태양광판단단계(S120)에서 일출 또는 일몰 시간데이터에 해당하지 않는 시간대의 이미지 내 색상을 나열하여 RGB평균값을 계산할 수 있고, 계산된 RGB평균값을 일출 또는 일몰 시간데이터에 해당하는 시간대의 이미지 RGB평균값과 비교할 수 있다.

이후, 태양광판단단계(S120)에서 각각의 이미지 내에 동일한 위치에 마련된 픽셀의 RGB평균값을 각각 빼내고, 빼낸 값들의 절댓값을 나열할 수 있다. 여기서, 절댓값은 빼낸 값들에서 양 또는 음의 부호를 제거한 수로 각각의 RGB평균값을 비교한 값을 나타낼 수 있다.

예를 들어, 일출 또는 일몰 시간데이터에 해당하지 않는 시간대의 이미지의 RGB평균값이 (5, 6, 78, 15, 53, …, 175, 36, 71, …)이고, 일출 또는 일몰 시간데이터에 해당하는 시간대의 이미지의 RGB평균값이 (7, 6, 78, 156, 245, …, 255,254,254, …)로 계산되었다면, 각 이미지의 픽셀 값을 각각 빼내어 계산된 절댓값이 (2, 0, 0, 141, 192, …, 80, 218, 183, …)으로 나열될 수 있다.

이때, 태양광판단단계(S120)에서 나열된 절댓값 중 100 내지 255의 사이에 있는 절댓값이 전체 픽셀의 수에서 80% 이상으로 판단되었을 경우, 카메라부(10)의 렌즈에 태양광이 직접적으로 들어온다고 판단할 수 있다.

즉, 태양광판단단계(S120)에서 일출 또는 일몰의 시간데이터에 해당하는 이미지 내의 색상과 해당하지 않은 이미지 내의 색상을 비교하는 것으로, 카메라부(10)의 렌즈에 태양광이 직접적으로 들어오는 지에 대해 보다 정확히 판단할 수 있다.

또한, 태양광판단단계(S120)는 이미지의 배경이 하얀색일 경우를 고려하여, 동일한 시간대의 태양광이 카메라부(10)의 렌즈에 직접적으로 들어올 경우의 이미지와 카메라부(10)의 렌즈에 직접적으로 들어오지 않을 경우의 이미지를 비교할 수도 있어, 이에 한정하지는 않는다.

한편, 학습단계(S13)는 강우기초데이터 및 이미지를 기반으로 딥러닝 학습을 진행할 수 있다.

도 9를 참조하면, 학습단계(S13)는 특징추출단계(S130) 및 특징학습단계(S131)를 포함할 수 있으며, 강우기초데이터 및 이미지를 통해 '강우' 또는 '비강우'를 결과값으로 도출하는 이진 분류 모델(Binary Classification Model)을 생성하는 단계일 수 있다.

특징추출단계(S130)는 강우기초데이터 및 이미지의 강우 특징을 CNN(합성곱 신경망)을 통해 추출하는 단계일 수 있다.

CNN은 입력데이터인 강우기초데이터 및 이미지에서 강우 특징을 추출하는 컨벌루션 레이어(Convolutional Layer)와 추출된 특성들을 분석하는 복수의 완전 연결 레이어 (Fully-Connected Layer)를 포함할 수 있다. 이에, CNN은 강우 특징에 따라 입력데이터가 어떤 범주에 속하는 지 분류할 수 있다.

여기서, CNN(Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델일 수 있다.

이에, CNN은 2차원 합성곱 신경망, 3차원 합성곱 신경망 및 가상 3차원 합성곱 신경망 중 어느 하나를 사용하는 것이 바람직하나, 이에 한정하지는 않는다.

또한, 강우 특징은 CNN에서 학습을 위해 추출되는 특징이며, 지면에 형성되는 물결무늬, 빗방울, 빗소리, 빗줄기, 우산 및 빗방울 흔적이 포함될 수 있으나, 이는 예시적인 것으로, '강우' 또는 '비강우'를 분류할 수 있는 모든 특징을 포함할 수 있어, 이에 한정하지는 않는다.

여기서, 우산은 펼쳐진 상태일 수 있고, 빗방울 흔적은 빗방울에 의해 색상이 진해진 피사체의 표면일 수 있으나, 이에 한정하지는 않는다.

또한, 빗줄기는 강우의 강도에 따라 가시성이 차이가 날 수 있으며, 우산은 밝은 날씨의 사용되는 양산과 혼동될 수 있어 다른 강우 특징과 함께 추출될 수도 있으나, 이에 한정하지는 않는다.

특징학습단계(S131)는 CNN(합성곱 신경망)으로부터 추출된 강우 특징을 DNN(심층 신경망)을 통해 학습하는 단계일 수 있다. 특징학습단계(S131)는 DNN을 통해 강우 특징을 이용하여 비 종류를 판단하고, 추출된 강우 특징과 판단된 비 종류를 학습하여 '강우' 또는 '비강우'의 결과값을 출력할 수 있다.

여기서, 비 종류는 기상청 강수량에 따라 1 내지 4mm, 5 내지 9mm, 10mm, 20㎜, 50㎜, 100㎜ 등으로 분류될 수 있다. 이때, 강수량의 수치는 사용자의 요구에 따라 변경될 수 있다.

특징학습단계(S131)는 DNN을 통해 강우 특징에 따라 비 종류 중 하나로 판단하는 단계일 수 있으나, 이에 한정하지는 않는다. 여기서, DNN(Deep Neural Network)은 입력 계층(Input layer)과 출력 계층(Output layer) 사이에 복수개의 은닉 계층(Hidden layer)들로 이뤄진 인공신경망일 수 있으며, 통상적으로 쓰이는 DNN이 활용될 수 있으므로 자세한 설명은 생략하기로 한다.

바람직하게, 본 발명의 DNN의 입력계층의 노드의 수는 입력데이터인 강우 특징의 수와 동일할 수 있고, 츨력계층의 노드의 수는 '강우' 또는 '비강우'를 분류하므로 두 개로 형성될 수 있다. 은닉 계층은 나오면 1 내지 4층으로 구성될 수 있으나, 이에 한정하지는 않는다.

분석단계(S14)는 이미지를 딥러닝 기반으로 분석하여 강우데이터를 생성하는 단계일 수 있다.

도 10을 참조하면 분석단계(S14)는 이미지전처리단계(S140) 및 강우판단단계(S141)를 포함할 수 있다.

이미지전처리단계(S140)는 강우데이터를 정확하게 생성하기 위하여 이미지를 전처리하는 단계일 수 있다. 이미지전처리단계(S140)에서 사이즈조절, 자르기, 확대, 명도조절, 채도조절 및 색상조절이 이용될 수 있으며, 상황에 따라 하나 이상이 선택적으로 적용되어 이미지 전처리가 진행될 수 있다.

여기서, 사이즈조절은 원하는 크기로 사진의 사이즈를 변환하는 방법이고, 자르기는 원하는 부분만 남겨두고 잘라내는 방법으로 자유영역 자르기, 다양한 비율 별 자르기가 있을 수 있다.

확대는 원하는 부분을 크게 보이도록 변환하는 방법이다. 명도조절은 사진을 원하는 밝기로 변환하는 방법이고, 채도조절은 색의 선명도를 조절하여 색상의 밸런스를 유지하는 방법이며, 색상조절은 빛에 의해 왜곡된 색상을 복원하는 방법일 수 있다

강우판단단계(S141)는 전처리된 이미지를 학습시켜 '강우' 또는 '비강우'로 판단하여 강우데이터를 생성하는 단계일 수 있다.

다시 말해, 강우판단단계(S141)에서 이진 분류 모델을 통해 이미지를 '강우' 또는 '비강우'로 분류시킬 수 있다. 여기서, 분류과정은 상기 학습단계(S13)와 동일하므로 자세한 설명은 생략하기로 한다.

이동단계(S20)는 미리 저장된 일출 또는 일몰 시간데이터 및 강우데이터에 따라 선실드(20)를 전후 방향으로 이동시키는 단계일 수 있다.

이동단계(S20)는 강우인식단계(S10)에서 생성된 강우데이터가 '강우'로 분류된 경우 강우발생데이터를 생성하는 단계일 수 있다.

또한, 이동단계(S20)는 태양광판단단계(S120)에서 생성된 입사데이터를 통해 카메라부(10)의 렌즈에 태양광이 입사되는 지를 전달 받는 단계일 수 있다.

또한, 카메라부(10)에 GPS를 미리 설치할 수도 있으며, 이동단계(S20)는 일출 또는 일몰 시간데이터와 카메라부(10)의 GPS 정보를 통해 카메라부(10)의 렌즈에 입사되는 태양광의 각도데이터를 산출할 수도 있으나, 이는 예시적인 것으로, 태양광이 카메라부(10)의 렌즈에 입사되는 것을 판단하는 모든 방법을 포함할 수 있어, 이에 한정하지는 않는다.

여기서, GPS 정보는 감시카메라의 위치 정보로서, 이를 통해 시간에 따른 태양의 고도를 계산할 수 있어, 카메라부(10)의 렌즈에 입사하는 태양광 각도가 계산될 수 있다. 이때, 카메라부(10)에 설치된 GPS는 렌즈에 가깝게 구비되어 태양광 각도데이터의 오류를 최소화하는 것이 바람직하나, 이에 한정하지는 않는다.

이후, 이동단계(S20)는 강우발생데이터, 입사데이터 및 태양광의 각도데이터 중 하나 이상의 데이터를 통해 이동거리를 산출하여 선실드(20)를 전후 방향으로 이동시키는 단계일 수 있다.

이에 이동단계(S20)에서 카메라부(10)에 마련된 제어모듈 또는 별도의 제어 수단을 통해 선실드(20)를 제어하여 전후 방향으로 이동시킴에 따라, 카메라부(10)의 렌즈에 빗물이 흐르거나 태양광이 입사되지 않도록 할 수 있는 효과가 있다.

또한, 이동단계(S20)에서 강우발생데이터, 입사데이터 및 각도데이터 모두의 데이터를 토대로 선실드(20)를 이동시킬 경우, 각각의 이동거리 중 큰 값에 따라 이동하도록 제어할 수 있다.

거리제한단계(S30)는 선실드(20) 이동 시 zoom 값의 관계에 따라 사각지대가 발생하지 않는 제한 거리를 산출하는 단계일 수 있다. 여기서, 제한 거리는 이동거리보다 짧아 선실드(20)가 카메라부(10)의 렌즈를 가리지 않는 거리일 수 있다.

또한, 사각지대는 카메라부(10)의 렌즈에 선실드(20)가 노출되어 이미지에 선실드가 노출되는 부분일 수 있다. 본 발명의 감시카메라는 선실드(20)가 카메라부(10)의 상부에 설치되므로 사각지대가 이미지의 상단 모서리에 형성될 수 있다.

거리제한단계(S30)는 이동단계(S20)에서 강우데이터, 입사데이터 및 태양광의 각도데이터 중 하나 이상의 데이터에 따라 산출된 이동거리만 고려될 수 있으며, 선실드(20)가 이동할 경우 사각지대가 발생하는 것을 보정하는 단계일 수 있다.

구체적으로, 거리제한단계(S30)는 카메라부(10)의 zoom의 사용으로 사각지대가 발생하지 않는 제한 거리를 산출할 수 있다. 이때, zoom은 카메라부(10)의 렌즈의 동작으로 이미지를 확대하는 것일 수 있다.

거리제한단계(S30)는 zoom 값이 적용되더라도 확대되기 전의 이미지 90% 이상의 면적이미지를 얻을 수 있도록 제한 거리를 산출하는 것이 바람직하나, 이에 한정하지는 않는다.

또한, 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치의 제어방법은 거리제한단계(S30) 이후, 왕복이동단계(S40)를 더 포함할 수 있다.

왕복이동단계(S40)는 미리 저장된 일몰 시간데이터에 따라 야간에 선실드(20)를 전후 왕복 운동시키는 단계일 수 있다.

이때, 카메라부(10)는 온도센서를 더 포함할 수 있으며, 카메라부(10)의 온도센서 또는 상기의 기상 정보를 통해 카메라부(10)가 설치된 지역의 기온을 감지할 수 있으나, 이에 한정하지는 않는다.

구체적으로, 왕복이동단계(S40)에서 야간의 기온이 0℃ 이하로 감지되었을 경우, 제한 거리 내에서 선실드(20)를 전후 왕복 운동시키는 것으로, 카메라부(10)에서 발생한 열 또는 카메라부(10)와 선실드(20)에서 발생한 마찰열에 의해 카메라부(10)와 선실드(20) 사이가 얼지 않도록 할 수 있다.

이에 왕복이동단계(S40)는 겨울철과 같이 기온이 0℃ 이하인 야간에 카메라부(10)와 선실드(20)의 사이가 얼지 않도록 함에 따라, 겨울철에 선실드(20)가 얼어 이동하지 못하는 것으로 카메라부(20)의 렌즈에 태양광이 입사되는 상황을 방지할 수 있는 장점이 있다.

이처럼, 상기와 같은 단계를 통해, 본 발명의 실시예에 따른 선실드가 형성된 감시카메라 장치는 선실드(20)를 전후방향으로 이동시켜 렌즈 부위에 빗물이 흐르는 것을 방지하고, 태양광의 각도에 따라 선실드(20)를 이동시켜 카메라부(10)의 렌즈 부위에 태양광이 입사되는 것을 방지할 수 있으며, zoom 값에 따라 선실드(20)의 이동거리를 제한하여 사각지대가 발생하는 것을 방지할 수 있다.

이상으로 첨부된 도면을 참조하여 본 발명의 실시 예를 설명하였으나, 본 발명의 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고 다른 구체적인 형태로 실시할 수 있다는 것을 이해할 수 있을 것이다. 따라서 이상에서 기술한 실시 예는 모든 면에서 예시적인 것이며 한정적이 아닌 것이다.

10 : 카메라부
11 : 촬영부
12 : 고정부
13 : 각도조정부
20 : 선실드
21 : 굴곡부
30 : 하부 방지막
40 : 난반사 방지 시트

Claims (10)

1. 카메라부의 일측에 전후 이동 가능한 선실드가 형성된 감시카메라 장치의 제어방법에 있어서,
   상기 카메라부가 이미지를 촬영하고, 상기 이미지를 분석하여 강우데이터를 생성하는 강우인식단계;
   미리 저장된 일출 또는 일몰 시간데이터 및 상기 강우데이터에 따라 상기 선실드를 전후 방향으로 이동시키는 이동단계; 및
   상기 선실드 이동 시 zoom 값의 관계에 따라 사각지대가 발생하지 않는 제한 거리를 산출하여 상기 선실드의 이동거리를 제한하는 거리제한단계;를 포함하고,
   상기 강우인식단계는,
   상기 카메라부가 촬영한 상기 이미지를 취득하여 수집하는 이미지수집단계를 포함하고,
   상기 이미지수집단계 이후,
   상기 일출 또는 일몰 시간데이터에 해당하는 시간에 수집된 상기 이미지 내의 색상을 통해 태양광이 상기 카메라부의 렌즈에 직접적으로 입사된 것을 판단하는 태양광판단단계;를 더 포함하고,
   상기 태양광판단단계는,
   일출 또는 일몰 시간데이터에 해당하는 시간에 수집된 이미지의 픽셀의 색상을 RGB 값으로 분리하여 나열하는 색상나열단계와,
   상기 나열된 RGB 값을 통해 태양광이 카메라부의 렌즈로 들어오는지 판단하는 입사판단단계를 포함하고,
   상기 입사판단단계는,
   상기 일출 또는 일몰 시간데이터에 해당하는 시간대의 상기 이미지 내의 색상과 상기 일출 또는 일몰 시간데이터에 해당하는 시간을 제외한 다른 시간대의 상기 이미지의 내의 색상을 비교하는 것으로, 상기 카메라부의 렌즈로 태양광이 직접적으로 들어오는 것을 판단하되, 상기 일출 또는 일몰 시간데이터에 해당하는 시간대의 상기 이미지의 RGB 평균값과 일출 또는 일몰 시간데이터에 해당하는 시간을 제외한 다른 시간대의 상기 이미지의 RGB 평균값을 비교한 것에 기초하여 상기 카메라부의 렌즈로 태양광이 직접적으로 들어오는 것을 판단하는 것이고,
   상기 이미지의 RGB 평균값을 비교하는 것은,
   각각의 이미지 내에 동일한 위치에 마련된 픽셀의 RGB 평균값의 차를 산출하고, 상기 산출된 차의 절댓값을 나열하는 것이고,
   상기 입사판단단계는,
   상기 나열된 절대값 중 기설정된 값의 범위를 갖는 절댓값의 수가 전체 픽셀의 수에 비해 임계치 이상을 차지할 경우 상기 카메라부의 렌즈로 태양광이 직접적으로 들어오는 것으로 판단하는 것을 특징으로 하고,
   상기 사각지대는,
   상기 카메라부의 렌즈에 상기 선실드가 노출되어 상기 이미지에 상기 선실드가 노출되는 부분이고,
   상기 거리제한단계는,
   상기 이동거리에 따라 선실드가 이동할 경우 사각지대가 발생하는 것을 보정하기 위해, 상기 카메라부의 zoom의 사용으로 사각지대가 발생하지 않는 제한거리를 산출하는 것을 특징으로 하는 선실드가 형성된 감시카메라 장치의 제어방법
   
2. 삭제
3. 제1항에 있어서,
   상기 강우인식단계는,
   딥러닝 학습에 사용될 강우기초데이터를 수집하는 기초데이터수집단계;
   상기 강우기초데이터 및 상기 이미지를 기반으로 딥러닝 학습을 진행하는 학습단계; 및
   상기 이미지를 딥러닝 기반으로 분석하여 상기 강우데이터를 생성하는 분석단계;를 포함하는 선실드가 형성된 감시카메라 장치의 제어방법
   
4. 제3항에 있어서,
   상기 학습단계는,
   상기 강우기초데이터 및 상기 이미지의 강우 특징을 CNN(합성곱 신경망)을 통해 추출하는 특징추출단계; 및
   상기 CNN(합성곱 신경망)으로부터 추출된 상기 강우 특징을 DNN(심층 신경망)를 통해 학습하는 특징학습단계;를 포함하는 선실드가 형성된 감시카메라 장치의 제어방법
   
5. 제3항에 있어서,
   상기 분석단계는,
   상기 이미지를 전처리하는 이미지전처리단계; 및
   상기 전처리된 이미지를 학습시켜 '강우' 또는 '비강우'로 판단하여 상기 강우데이터를 생성하는 강우판단단계;를 포함하는 선실드가 형성된 감시카메라 장치의 제어방법
   
6. 삭제
7. 삭제
8. 삭제
9. 제1항에 있어서,
   상기 거리제한단계 이후,
   미리 저장된 일몰 시간데이터에 따라 겨울철에 태양이 졌다고 판단되었을 경우, 야간에 상기 선실드를 전후 왕복 운동 시키는 왕복이동단계;를 더 포함하는 선실드가 형성된 감시카메라 장치의 제어방법
   
10. 카메라부; 및
    상기 카메라부의 상부에 결합되되 전후 방향으로 이동 가능하며, 아치형으로 형성되는 선실드;를 포함하고,
    상기 선실드는,
    전면에 형성되어, 전후 방향의 이동에 따라 상기 카메라부의 렌즈에 빗물이 흘러내리는 것을 방지하는 굴곡부;를 포함하는 감시카메라 장치에 있어서,
    상기 카메라부가 이미지를 촬영하고, 상기 이미지를 분석하여 강우데이터를 생성하고,
    미리 저장된 일출 또는 일몰 시간데이터 및 상기 강우데이터에 따라 상기 선실드를 전후 방향으로 이동시키고,
    상기 선실드 이동 시 zoom 값의 관계에 따라 사각지대가 발생하지 않는 제한거리를 산출하여 상기 선실드의 이동거리를 제한하고,
    상기 감시카메라 장치는,
    상기 카메라부가 촬영한 상기 이미지를 취득하여 수집하고,
    상기 일출 또는 일몰 시간데이터에 해당하는 시간에 수집된 상기 이미지 내의 색상을 통해 태양광이 상기 카메라부의 렌즈에 직접적으로 입사된 것을 판단하고,
    일출 또는 일몰 시간데이터에 해당하는 시간에 수집된 이미지의 픽셀의 색상을 RGB 값으로 분리하여 나열하고,
    상기 나열된 RGB 값을 통해 태양광이 카메라부의 렌즈로 들어오는지 입사판단을 수행하고,
    상기 입사판단을 수행하는 것은,
    상기 일출 또는 일몰 시간데이터에 해당하는 시간대의 상기 이미지 내의 색상과 상기 일출 또는 일몰 시간데이터에 해당하는 시간을 제외한 다른 시간대의 상기 이미지의 내의 색상을 비교하여, 상기 카메라부의 렌즈로 태양광이 직접적으로 들어오는 것을 판단하되, 상기 일출 또는 일몰 시간데이터에 해당하는 시간대의 상기 이미지의 RGB 평균값과 일출 또는 일몰 시간데이터에 해당하는 시간을 제외한 다른 시간대의 상기 이미지의 RGB 평균값을 비교한 것에 기초하여 상기 카메라부의 렌즈로 태양광이 직접적으로 들어오는 것을 판단하는 것이고,
    상기 이미지의 RGB 평균값을 비교하는 것은,
    각각의 이미지 내에 동일한 위치에 마련된 픽셀의 RGB 평균값의 차를 산출하고, 상기 산출된 차의 절댓값을 나열하는 것이고,
    상기 입사판단을 수행하는 것은,
    상기 나열된 절대값 중 기설정된 값의 범위를 갖는 절댓값의 수가 전체 픽셀의 수에 비해 임계치 이상을 차지할 경우 상기 카메라부의 렌즈로 태양광이 직접적으로 들어오는 것으로 판단하는 것을 특징으로 하고,
    상기 사각지대는,
    상기 카메라부의 렌즈에 상기 선실드가 노출되어 상기 이미지에 상기 선실드가 노출되는 부분이고,
    상기 감시카메라 장치는,
    상기 이동거리에 따라 선실드가 이동할 경우 사각지대가 발생하는 것을 보정하기 위해, 상기 카메라부의 zoom의 사용으로 사각지대가 발생하지 않는 제한거리를 산출하는 선실드가 형성된 감시카메라 장치

Images