KR102507892B1 - 객체 상태 인식 방법, 장치 및 컴퓨터 프로그램 - Google Patents

객체 상태 인식 방법, 장치 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102507892B1
KR102507892B1 KR1020210011040A KR20210011040A KR102507892B1 KR 102507892 B1 KR102507892 B1 KR 102507892B1 KR 1020210011040 A KR1020210011040 A KR 1020210011040A KR 20210011040 A KR20210011040 A KR 20210011040A KR 102507892 B1 KR102507892 B1 KR 102507892B1
Authority
KR
South Korea
Prior art keywords
image
mask
neural network
artificial neural
background
Prior art date
Application number
KR1020210011040A
Other languages
English (en)
Other versions
KR20220107852A (ko
Inventor
최홍섭
이미수
Original Assignee
주식회사 마인즈랩
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 주식회사 마인즈랩 filed Critical 주식회사 마인즈랩
Priority to KR1020210011040A priority Critical patent/KR102507892B1/ko
Publication of KR20220107852A publication Critical patent/KR20220107852A/ko
Application granted granted Critical
Publication of KR102507892B1 publication Critical patent/KR102507892B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—Image restoration
    • G06T5/003—Deblurring; Sharpening
    • G06T5/004—Unsharp masking
    • G06T5/75—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

본 발명은 복수의 학습된 인공 신경망을 이용하여 객체의 상태를 인식하는 방법, 장치 및 컴퓨터 프로그램에 관한 것 이다.

Description

객체 상태 인식 방법, 장치 및 컴퓨터 프로그램{Object state recognition method, apparatus and computer program}
본 발명은 복수의 학습된 인공 신경망을 이용하여 객체의 상태를 인식하는 방법, 장치 및 컴퓨터 프로그램에 관한 것이다.
오늘날 다수의 감시카메라가 도처에 설치되어 있고, 감시카메라가 획득한 영상을 분석하는 다양한 기술들이 개발되고 있다.
특히 감시카메라의 설치 대수가 증가함에 따라, 관리자가 모든 감시카메라의 영상을 육안으로 관찰하고 분석하는 것은 사실상 불가능해진 실정이다.
따라서 감시 장치가 보다 사용자의 니즈에 부합하도록 영상을 분석할 수 있는 방법의 필요성이 대두되고 있다.
본 발명은 영상에서 객체를 식별하고, 식별된 객체의 상태를 정확하게 인식하고자 한다.
본 발명의 일 실시예에 따른 입력 영상으로부터 객체 상태를 인식하는 방법은, 상기 입력 영상으로부터 배경 마스크를 생성하는 단계; 상기 입력 영상에서 움직임이 발생한 영역을 포함하는 움직임 마스크를 생성하는 단계; 학습된 제2 인공 신경망을 이용하여, 상기 배경 마스크 및 상기 움직임 마스크로부터 상기 객체에 해당하는 영역을 포함하는 객체 마스크를 생성하는 단계; 및 학습된 제3 인공 신경망을 이용하여, 상기 입력 영상 및 상기 객체 마스크로부터 상기 객체의 상태를 생성하는 단계;를 포함할 수 있다.
상기 배경 마스크를 생성하는 단계는 학습된 제1 인공 신경망을 이용하여 상기 입력 영상으로부터 배경 마스크를 생성하는 단계;를 포함하고 상기 제1 인공 신경망은 객체를 포함하는 제1 영상과 상기 제1 영상에서 배경 영역을 나타내는 배경 마스크 간의 상관관계를 학습한 신경망일 수 있다.
상기 움직임 마스크를 생성하는 단계는 이전 시점의 입력 영상과 현재 시점의 입력 영상 간의 차이가 발생한 영역을 누적하여 상기 움직임 마스크를 생성하는 단계;를 포함할 수 있다.
상기 제2 인공 신경망은 학습 데이터에 기반하여 상기 배경 마스크, 상기 움직임 마스크 및 상기 객체 마스크 간의 상관관계를 학습한 신경망이고, 상기 학습 데이터는 제1 시점에서의 제3 영상, 상기 제1 시점 이후의 시점인 제2 시점에서의 제4 영상, 상기 제3 영상에서 배경에 해당하는 영역이 표지 된 제3 배경 마스크, 상기 제4 영상에서 배경에 해당하는 영역이 표지 된 제4 배경 마스크 및 상기 제3 영상과 상기 제4 영상의 차이에 기초하여 생성된 상기 객체의 움직임 마스크를 포함할 수 있다.
상기 객체의 상태를 생성하는 단계는 상기 객체 마스크를 참조하여, 상기 입력 영상에서 상기 객체에 해당하는 객체 영상을 생성하는 단계; 및 상기 제3 인공 신경망을 이용하여, 상기 객체 영상으로부터 상기 객체의 상태를 생성하는 단계;를 포함할 수 있다. 이때 상기 제3 인공 신경망은 학습 객체의 영상과 상기 학습 객체의 상태 간의 상관 관계를 학습한 신경망일 수 있다.
본 발명의 일 실시예에 따른 입력 영상으로부터 객체 상태를 인식하는 장치에 있어서, 상기 장치는 제어부를 포함하고, 상기 제어부는 상기 입력 영상으로부터 배경 마스크를 생성하고, 상기 입력 영상에서 움직임이 발생한 영역을 포함하는 움직임 마스크를 생성하고, 학습된 제2 인공 신경망을 이용하여, 상기 배경 마스크 및 상기 움직임 마스크로부터 상기 객체에 해당하는 영역을 포함하는 객체 마스크를 생성하고, 학습된 제3 인공 신경망을 이용하여, 상기 입력 영상 및 상기 객체 마스크로부터 상기 객체의 상태를 생성할 수 있다.
상기 제어부는 학습된 제1 인공 신경망을 이용하여 상기 입력 영상으로부터 배경 마스크를 생성하고 상기 제1 인공 신경망은 객체를 포함하는 제1 영상과 상기 제1 영상에서 배경 영역을 나타내는 배경 마스크 간의 상관관계를 학습한 신경망일 수 있다.
상기 제어부는 이전 시점의 입력 영상과 현재 시점의 입력 영상 간의 차이가 발생한 영역을 누적하여 상기 움직임 마스크를 생성할 수 있다.
상기 제2 인공 신경망은 학습 데이터에 기반하여 상기 배경 마스크, 상기 움직임 마스크 및 상기 객체 마스크 간의 상관관계를 학습한 신경망이고, 상기 학습 데이터는 제1 시점에서의 제3 영상, 상기 제1 시점 이후의 시점인 제2 시점에서의 제4 영상, 상기 제3 영상에서 배경에 해당하는 영역이 표지 된 제3 배경 마스크, 상기 제4 영상에서 배경에 해당하는 영역이 표지 된 제4 배경 마스크 및 상기 제3 영상과 상기 제4 영상의 차이에 기초하여 생성된 상기 객체의 움직임 마스크를 포함할 수 있다.
상기 제어부는 상기 객체 마스크를 참조하여, 상기 입력 영상에서 상기 객체에 해당하는 객체 영상을 생성하고, 상기 제3 인공 신경망을 이용하여, 상기 객체 영상으로부터 상기 객체의 상태를 생성하고, 상기 제3 인공 신경망은 학습 객체의 영상과 상기 학습 객체의 상태 간의 상관 관계를 학습한 신경망일 수 있다.
본 발명에 따르면 영상에서 객체를 식별하고, 식별된 객체의 상태를 정확하게 인식할 수 있다.
특히 본 발명에 따르면 저조도 환경에서도 객체의 상태를 정확하게 인식할 수 있다.
도 1은 본 발명의 일 실시예에 따른 객체 상태 인식 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 서버(100)의 구성을 개략적으로 도시한 도면이다.
도 3 및 도 4는 본 발명의 서버(100)에 의해 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 제어부(120)가 복수의 학습 데이터(510)를 이용하여 제1 인공 신경망(520)을 학습하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 제어부(120)가 제1 인공 신경망(520)을 이용하여 배경 마스크(540)를 생성하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 제어부(120)가 복수의 학습 데이터(610)를 이용하여 제2 인공 신경망(620)을 학습하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 제어부(120)가 제2 인공 신경망(620)을 이용하여 객체 마스크(640)를 생성하는 과정을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 제어부(120)가 복수의 학습 데이터(710)를 이용하여 제3 인공 신경망(720)을 학습하는 방법을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 제어부(120)가 제3 인공 신경망(720)을 이용하여 객체의 상태(740)를 생성하는 과정을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 제어부(120)가 객체의 상태를 인식하는 과정을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실싱예에 따른 제어부(120)에 의해 수행되는 객체 상태 인식 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 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 객체 상태 인식 시스템의 구성을 개략적으로 도시한 도면이다.
본 발명의 일 실시예에 따른 객체 상태 인식 시스템은 입력 영상으로부터 객체의 상태를 인식할 수 있다. 가령 본 발명의 일 실시예에 따른 객체 상태 인식 시스템은 복수의 학습된 인공 신경망을 이용하여 배경 마스크, 움직임 마스크 및 객체 마스크를 생성하고, 생성된 마스크를 이용하여 입력 영상으로부터 객체의 상태를 생성할 수 있다.
본 발명에서 배경 마스크, 움직임 마스크 및 객체 마스크와 같은 '마스크'는 영상의 적어도 일부 영역을 나타내기 위한(또는 구분하기 위한) 데이터를 의미할 수 있다. 가령 입력 영상에 배경과 객체가 포함되어 있는 경우, 배경 마스크는 입력 영상에서 배경에 해당하는 영역을 나타낸(또는 표지한) 데이터를 의미할 수 있다. 또한 움직임 마스크는 입력 영상 내에서 객체 및/또는 배경의 움직임에 따라, 움직임이 발생한 지점을 누적한 영역을 나타낸(또는 표지한) 데이터를 의미할 수 있다. 또한 객체 마스크는 입력 영상에서 객체에 해당하는 영역을 나타낸(또는 표지한) 데이터를 의미할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명에서 객체의 '상태'는 영상 내의 객체의 모양이나 상황을 나타낸 것을 의미할 수 있다. 가령 객체가 사람인 경우, 상태는 사람이 쓰러진 상태, 사람이 배회하는 상태 등을 의미할 수 있다. 다만 이와 같은 상태는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니며, 객체 상태 인식 시스템의 사용 목적에 따라 객체의 상태는 다양하게 정의될 수 있다.
본 발명에서 제1 인공 신경망, 제2 인공 신경망 및 제3 인공 신경망과 같은 '인공 신경망'은 서버(100)가 수행하는 서비스에 적합하게 학습된 신경망으로, 머신 러닝(Machine Learning) 또는 딥러닝(Deep Learning) 기법에 의해 학습된 인공 신경망을 의미할 수 있다. 이와 같은 신경망의 구조에 대해서는 도 3 내지 도 4를 참조하여 후술한다.
본 발명의 일 실시예에 따른 객체 상태 인식 시스템은 도 1에 도시된 바와 같이 서버(100), 사용자 단말(200), 영상 획득 장치(300) 및 통신망(400)을 포함할 수 있다.
본 발명의 일 실시예에 따른 사용자 단말(200)은 사용자가 서버(100)에 의해 제공되는 다양한 서비스를 이용할 수 있도록 사용자와 서버(100)를 매개하는 다양한 형태의 장치를 의미할 수 있다. 바꾸어 말하면, 본 발명의 일 실시예에 따른 사용자 단말(200)은 서버(100)와 데이터를 송수신 하는 다양한 장치를 의미할 수 있다.
본 발명의 일 실시예에 따른 사용자 단말(200)은 서버(100)에 의해 제공되는 입력 영상과 해당 입력 영상으로부터 생성된 객체의 상태를 수신하고, 이를 사용자에게 제공할 수 있다. 이와 같은 사용자 단말(200)은 도 1에 도시된 바와 같이, 휴대용 단말(201, 202, 203)을 의미할 수도 있고, 컴퓨터(204)를 의미할 수도 있다.
한편 사용자 단말(200)은 상술한 기능을 수행하기 위해 콘텐츠 등을 표시하기 위한 표시수단, 이러한 콘텐츠에 대한 사용자의 입력을 획득하기 위한 입력수단을 구비할 수 있다. 이 때 입력수단 및 표시수단은 다양하게 구성될 수 있다. 가령 입력수단은 키보드, 마우스, 트랙볼, 마이크, 버튼, 터치패널 등을 포함할 수 있으나 이에 한정되지 않는다.
본 발명의 일 실시예에 따른 영상 획득 장치(300)는 영상을 획득하고, 이를 서버(100) 및/또는 사용자 단말(200)과 같은 다른 장치에 제공하는 장치를 의미할 수 있다. 가령 영상 획득 장치(300)는 도 1에 도시된 바와 같이 영상 센서를 이용하여 주변 환경에 대한 영상을 획득하는 감시카메라일 수 있다. 또한 영상 획득 장치(300)는 도 1에 도시된 바와 달리, 내부 저장소에 저장된 영상을 다른 장치에 제공하는 영상 저장 장치일 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니며, 영상을 다른 장치에 제공할 수 있는 장치라면 그 명칭에도 불구하고 본 발명의 '영상 획득 장치'에 해당할 수 있다.
본 발명의 일 실시예에 따른 통신망(400)은 객체 상태 인식 시스템의 각 구성 간의 데이터 송수신을 매개하는 통신망을 의미할 수 있다. 가령 통신망(400)은 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.
본 발명의 일 실시예에 따른 서버(100)는 입력 영상으로부터 객체의 상태를 인식할 수 있다. 가령 본 발명의 일 실시예에 따른 객체 상태 인식 시스템은 복수의 학습된 인공 신경망을 이용하여 배경 마스크, 움직임 마스크 및 객체 마스크를 생성하고, 생성된 마스크를 이용하여 입력 영상으로부터 객체의 상태를 생성할 수 있다.
도 2는 본 발명의 일 실시예에 따른 서버(100)의 구성을 개략적으로 도시한 도면이다. 본 명세서에서 서버(100)는 때때로 '객체 상태 인식 장치'로 명명되어 설명될 수 있다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 서버(100)는 통신부(110), 제어부(120) 및 메모리(130)를 포함할 수 있다. 또한 도면에는 도시되지 않았으나, 본 발명의 일 실시예에 따른 서버(100)는 입/출력부, 프로그램 저장부 등을 더 포함할 수 있다.
통신부(110)는 서버(100)가 사용자 단말(200) 및/또는 영상 획득 장치(300)와 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
제어부(120)는 프로세서(Processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(Processor)'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) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
메모리(130)는 서버(100)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 메모리는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 가령 메모리(130)는 인공 신경망들을 구성하는 데이터들(가령 계수들)을 일시적 및/또는 영구적으로 저장할 수 있다. 물론 메모리(130)는 인공 신경망들을 학습하기 위한 학습 데이터도 저장할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
도 3 및 도 4는 본 발명의 서버(100)에 의해 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다. 이하에서는 설명의 편의를 위하여 제1 인공 신경망 내지 제3 인공 신경망을 '인공 신경망'으로 통칭하여 설명한다.
본 발명의 일 실시예에 따른 인공 신경망은 도 3에 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 제어부(120)는 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 인공 신경망 모델을 구축하거나 학습시킬 수 있다. 제어부(120)가 인공 신경망을 학습시키는 방법에 대한 상세한 설명은 후술한다.
본 발명의 일 실시예에 따른 제어부(120)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 제어부(120)는 역전파(Back Propagation) 알고리즘에 따라 각 레이어 및/또는 각 노드의 가중치(또는 계수)를 갱신할 수 있다.
본 발명의 일 실시예에 따른 제어부(120)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 제어부(120)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 제어부(120)는 입력 데이터에 대응되는 출력을 포함하는 아웃풋 레이어(Output Layer)를 산출할 수 있다.
도 3에 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 전술한 메모리(130)에 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 메모리(130)에 소스코드 및/또는 프로그램의 형태로 저장될 수 있다.
본 발명의 일 실시예에 따른 인공 신경망은 도 4에 도시된 바와 같은 순환 신경망(Recurrent Neural Network, RNN) 모델에 따른 인공 신경망일 수 있다.
도 4를 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 제어부(120)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(L2)에 포함되는 출력 노드(N2)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.
제어부(120)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 제어부(120)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 제어부(120)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 3 및 도 4에서 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.
이하에서는 서버(100)의 제어부(120)가 제1 인공 신경망 내지 제3 인공 신경망을 학습하는 과정에 대해서 먼저 설명하고, 학습된 제1 인공 신경망 내지 제3 인공 신경망을 이용하여 객체의 상태를 인식하는 방법에 대해 나중에 설명한다.
본 발명의 일 실시예에 따른 제어부(120)는 각각의 학습 데이터를 이용하여 제1 인공 신경망 내지 제3 인공 신경망을 학습시킬 수 있다.
도 5는 본 발명의 일 실시예에 따른 제어부(120)가 복수의 학습 데이터(510)를 이용하여 제1 인공 신경망(520)을 학습하는 방법을 설명하기 위한 도면이다. 도 6은 본 발명의 일 실시예에 따른 제어부(120)가 제1 인공 신경망(520)을 이용하여 배경 마스크(540)를 생성하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 제1 인공 신경망(520)은 복수의 학습 데이터(510) 각각에 포함되는 제1 영상(객체를 포함하는)과 제1 영상에서 배경 영역을 나타내는 배경 마스크 간의 상관관계를 학습한(또는 학습하는) 신경망을 의미할 수 있다.
따라서 본 발명의 일 실시예에 따른 제1 인공 신경망(520)은 도 6에 도시된 바와 같이 객체를 포함하는 이미지(530)의 입력에 따라, 배경 영역을 나타내는 배경 마스크(540)를 출력하도록 학습된(또는 학습 되는) 신경망을 의미할 수 있다.
이때 복수의 학습 데이터(510) 각각은 제1 영상(객체를 포함하는)과 제1 영상에서 배경 영역을 나타내는 배경 마스크를 포함할 수 있다.
가령 첫 번째 학습 데이터(511)의 경우 제1 영상(511A)과 제1 영상(511A)에서 배경 영역을 나타내는 배경 마스크(511B)를 포함할 수 있다. 이와 유사하게 두 번째 학습 데이터(512) 및 세 번째 학습 데이터(513)도 각각 제1 영상과 제1 영상에서 배경 영역을 나타내는 배경 마스크를 포함할 수 있다.
도 7은 본 발명의 일 실시예에 따른 제어부(120)가 복수의 학습 데이터(610)를 이용하여 제2 인공 신경망(620)을 학습하는 방법을 설명하기 위한 도면이다. 도 8은 본 발명의 일 실시예에 따른 제어부(120)가 제2 인공 신경망(620)을 이용하여 객체 마스크(640)를 생성하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 제2 인공 신경망(620)은 복수의 학습 데이터(610) 각각에 포함되는 배경 마스크, 움직임 마스크 및 객체 마스크 간의 상관관계를 학습한(또는 학습하는) 신경망을 의미할 수 있다. 이때 배경 마스크는 도 5 내지 도 6에서 설명한 바와 같이 영상에 대한 배경 영역을 나타내는 마스크를 의미할 수 있다. 또한 움직임 마스크는 입력 영상의 소정의 시구간 내에서, 이전 시점과 다음 시점 간의 차이가 발생한 영역을 누적한 것을 의미할 수 있다. 객체 마스크는 영상에 대한 객체 영역을 나타내는 마스크를 의미할 수 있다.
따라서 본 발명의 일 실시예에 따른 제2 인공 신경망(620)은 도 8에 도시된 바와 같이 배경 마스크(631) 및 움직임 마스크(632)의 입력에 따라, 객체 마스크(640)를 출력하도록 학습된(또는 학습 되는) 신경망을 의미할 수 있다.
이때 복수의 학습 데이터(610) 각각은 제1 시점에서의 제3 영상, 제1 시점 이후의 시점인 제2 시점에서의 제4 영상, 제3 영상에서 배경에 해당하는 영역이 표지 된 제3 배경 마스크, 제4 영상에서 배경에 해당하는 영역이 표지 된 제4 배경 마스크 및 제3 영상과 제4 영상의 차이에 기초하여 생성된 객체의 움직임 마스크를 포함할 수 있다.
가령 첫 번째 학습 데이터(611)의 경우 제1 시점에서의 제3 영상(611A), 제1 시점 이후의 시점인 제2 시점에서의 제4 영상(611B), 제3 영상에서 배경에 해당하는 영역이 표지 된 제3 배경 마스크(611D), 제4 영상에서 배경에 해당하는 영역이 표지 된 제4 배경 마스크(611E) 및 제3 영상과 제4 영상의 차이에 기초하여 생성된 객체의 움직임 마스크(611C)를 포함할 수 있다.
물론 이와 유사하게 두 번째 학습 데이터(612) 및 세 번째 학습 데이터(613)도 각각 제1 시점에서의 제3 영상, 제1 시점 이후의 시점인 제2 시점에서의 제4 영상, 제3 영상에서 배경에 해당하는 영역이 표지 된 제3 배경 마스크, 제4 영상에서 배경에 해당하는 영역이 표지 된 제4 배경 마스크 및 제3 영상과 제4 영상의 차이에 기초하여 생성된 객체의 움직임 마스크를 포함할 수 있다.
도 9는 본 발명의 일 실시예에 따른 제어부(120)가 복수의 학습 데이터(710)를 이용하여 제3 인공 신경망(720)을 학습하는 방법을 설명하기 위한 도면이다. 도 10은 본 발명의 일 실시예에 따른 제어부(120)가 제3 인공 신경망(720)을 이용하여 객체의 상태(740)를 생성하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 제3 인공 신경망(720)은 복수의 학습 데이터(710) 각각에 포함되는 학습 객체의 영상과 학습 객체의 상태 간의 상관 관계를 학습한(또는 학습하는) 신경망을 의미할 수 있다. 이때 '학습 객체의 영상'은 사실 상 객체만을 포함하는 영상을 의미할 수 있다. 또한 '객체의 상태'는 예를 들어 '배회', '쓰러짐', '보행'과 같이 객체의 상태를 텍스트의 형태로 표현한 것을 의미할 수 있다.
따라서 본 발명의 일 실시예에 따른 제3 인공 신경망(720)은 도 10에 도시된 바와 같이 객체 영상(730)의 입력에 따라 해당 객체 영상 상의 객체의 상태를 출력하도록 학습된(또는 학습 되는) 신경망을 의미할 수 있다.
이때 복수의 학습 데이터(710) 각각은 학습 객체의 영상과 학습 객체의 상태를 포함할 수 있다.
가령 첫 번째 학습 데이터(711)의 경우 학습 객체의 영상(711A)과 학습 객체의 상태(711B)를 포함할 수 있다. 물론 이와 유사하게 두 번째 학습 데이터(712) 및 세 번째 학습 데이터(713)도 각각 학습 객체의 영상과 학습 객체의 상태를 포함할 수 있다.
이하에서는 도 5 내지 도 10에서 설명한 과정에 따라 제1 인공 신경망(520), 제2 인공 신경망(620) 및 제3 인공 신경망(720)이 학습되었음을 전제로 설명한다.
도 11은 본 발명의 일 실시예에 따른 제어부(120)가 객체의 상태를 인식하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 제어부(120)는 입력 영상(810)을 획득할 수 있다. 가령 제어부(120)는 영상 획득 장치(300)로부터 입력 영상(810)을 획득할 수 있다. 이때 본 발명의 일 실시예에 따른 제어부(120)는 입력 영상(810) 전후의 영상을 함께 획득할 수 있다. 가령 제어부(120)는 입력 영상(810)이 획득된 시점보다 이전 시점(즉 과거의 시점)의 영상인 과거 영상(820)을 함께 획득할 수 있다. 선택적 실시예에서, 과거 영상(820)은 이미 획득되어 메모리(130)에 저장된 영상일 수도 있다.
본 발명의 일 실시예에 따른 제어부(120)는 입력 영상(810)으로부터 배경 마스크(830)를 생성할 수 있다. 이때 배경 마스크(830)는 전술한 바와 같이 입력 영상(810)에서 배경에 해당하는 영역을 나타낸(또는 표지한) 데이터를 의미할 수 있다.
가령 본 발명의 일 실시예에 따른 제어부(120)는 학습된 제1 인공 신경망(520)을 이용하여 입력 영상(810)으로부터 배경 마스크(830)를 생성할 수 있다. 이때 제1 인공 신경망(520)은 도 5 내지 도 6에서 설명한 과정에 따라 학습된 인공 신경망으로, 객체를 포함하는 제1 영상과 제1 영상에서 배경 영역을 나타내는 배경 마스크 간의 상관관계를 학습한 신경망일 수 있다.
한편 본 발명의 일 실시예에 따른 제어부(120)는 입력 영상에서 움직임이 발생한 영역을 포함하는 움직임 마스크를 생성할 수 있다. 이때 움직임 마스크는 전술한 바와 같이 입력 영상 내에서 객체 및/또는 배경의 움직임에 따라, 움직임이 발생한 지점을 누적한 영역을 나타낸(또는 표지한) 데이터를 의미할 수 있다.
가령 제어부(120)는 이전 시점의 입력 영상과 현재 시점의 입력 영상 간의 차이가 발생한 영역을 누적하여 움직임 마스크(840)를 생성할 수 있다. 예를 들어 제어부(120)는 입력 영상(810)과 과거 영상(820) 간의 차이가 발생한 영역을 누적하여 움직임 마스크(840)를 생성할 수 있다. 이때 제어부(120)는 현재 시점의 입력 영상과 복수 시점의 과거 영상의 비교를 통해 차이가 발생한 영역을 누적하여 움직임 마스크(840)를 생성할 수도 있다. 이때 움직임 마스크(840)에 포함되는 영역은 주로 객체의 움직임을 나타내는 것을 의미하나, 때로는 배경의 변화에 따른 움직임도 포함할 수 있다.
본 발명의 일 실시예에 따른 제어부(120)는 학습된 제2 인공 신경망(620)을 이용하여, 상술한 과정에 따라 생성된 배경 마스크(830) 및 움직임 마스크(840)로부터 객체에 해당하는 영역을 포함하는 객체 마스크(850)를 생성할 수 있다. 이때 제2 인공 신경망(620)은 도 7 내지 도 8에서 설명한 과정에 따라 학습된 인공 신경망으로, 배경 마스크, 움직임 마스크 및 객체 마스크 간의 상관관계를 학습한 신경망일 수 있다.
한편 제2 인공 신경망(620)에 의해 생성되는 객체 마스크(850)는 입력 영상(810)에서 객체에 해당하는 영역을 나타낸(또는 표지한) 데이터를 의미할 수 있다.
본 발명의 일 실시예에 따른 제어부(120)는 학습된 제3 인공 신경망(720)을 이용하여, 입력 영상(810) 및 객체 마스크(850)로부터 객체의 상태(870)를 생성할 수 있다.
보다 구체적으로, 본 발명의 일 실시예에 따른 제어부(120)는 객체 마스크(850)를 참조하여, 입력 영상(810)에서 객체에 해당하는 객체 영상(860)을 생성할 수 있다.
또한 제어부(120)는 제3 인공 신경망(720)을 이용하여, 객체 영상(860)으로부터 객체의 상태(870)를 생성할 수 있다. 이때 제3 인공 신경망(720)은 도 9 내지 도 10에서 설명한 과정에 따라 학습된 인공 신경망으로, 학습 객체의 영상과 학습 객체의 상태 간의 상관 관계를 학습한 신경망을 의미할 수 있다.
이로써 본 발명은 객체의 상태를 보다 정확하게 인식할 수 있으며, 특히 저조도 환경에서도 객체의 상태를 정확하게 인식할 수 있다.
도 12는 본 발명의 일 실싱예에 따른 제어부(120)에 의해 수행되는 객체 상태 인식 방법을 설명하기 위한 흐름도이다. 이하에서는 도 1 내지 도 11을 함께 참조하여 설명한다.
본 발명의 일 실시예에 따른 제어부(120)는 각각의 학습 데이터를 이용하여 제1 인공 신경망 내지 제3 인공 신경망을 학습시킬 수 있다.(S1210)
도 5는 본 발명의 일 실시예에 따른 제어부(120)가 복수의 학습 데이터(510)를 이용하여 제1 인공 신경망(520)을 학습하는 방법을 설명하기 위한 도면이다. 도 6은 본 발명의 일 실시예에 따른 제어부(120)가 제1 인공 신경망(520)을 이용하여 배경 마스크(540)를 생성하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 제1 인공 신경망(520)은 복수의 학습 데이터(510) 각각에 포함되는 제1 영상(객체를 포함하는)과 제1 영상에서 배경 영역을 나타내는 배경 마스크 간의 상관관계를 학습한(또는 학습하는) 신경망을 의미할 수 있다.
따라서 본 발명의 일 실시예에 따른 제1 인공 신경망(520)은 도 6에 도시된 바와 같이 객체를 포함하는 이미지(530)의 입력에 따라, 배경 영역을 나타내는 배경 마스크(540)를 출력하도록 학습된(또는 학습 되는) 신경망을 의미할 수 있다.
이때 복수의 학습 데이터(510) 각각은 제1 영상(객체를 포함하는)과 제1 영상에서 배경 영역을 나타내는 배경 마스크를 포함할 수 있다.
가령 첫 번째 학습 데이터(511)의 경우 제1 영상(511A)과 제1 영상(511A)에서 배경 영역을 나타내는 배경 마스크(511B)를 포함할 수 있다. 이와 유사하게 두 번째 학습 데이터(512) 및 세 번째 학습 데이터(513)도 각각 제1 영상과 제1 영상에서 배경 영역을 나타내는 배경 마스크를 포함할 수 있다.
도 7은 본 발명의 일 실시예에 따른 제어부(120)가 복수의 학습 데이터(610)를 이용하여 제2 인공 신경망(620)을 학습하는 방법을 설명하기 위한 도면이다. 도 8은 본 발명의 일 실시예에 따른 제어부(120)가 제2 인공 신경망(620)을 이용하여 객체 마스크(640)를 생성하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 제2 인공 신경망(620)은 복수의 학습 데이터(610) 각각에 포함되는 배경 마스크, 움직임 마스크 및 객체 마스크 간의 상관관계를 학습한(또는 학습하는) 신경망을 의미할 수 있다. 이때 배경 마스크는 도 5 내지 도 6에서 설명한 바와 같이 영상에 대한 배경 영역을 나타내는 마스크를 의미할 수 있다. 또한 움직임 마스크는 입력 영상의 소정의 시구간 내에서, 이전 시점과 다음 시점 간의 차이가 발생한 영역을 누적한 것을 의미할 수 있다. 객체 마스크는 영상에 대한 객체 영역을 나타내는 마스크를 의미할 수 있다.
따라서 본 발명의 일 실시예에 따른 제2 인공 신경망(620)은 도 8에 도시된 바와 같이 배경 마스크(631) 및 움직임 마스크(632)의 입력에 따라, 객체 마스크(640)를 출력하도록 학습된(또는 학습 되는) 신경망을 의미할 수 있다.
이때 복수의 학습 데이터(610) 각각은 제1 시점에서의 제3 영상, 제1 시점 이후의 시점인 제2 시점에서의 제4 영상, 제3 영상에서 배경에 해당하는 영역이 표지 된 제3 배경 마스크, 제4 영상에서 배경에 해당하는 영역이 표지 된 제4 배경 마스크 및 제3 영상과 제4 영상의 차이에 기초하여 생성된 객체의 움직임 마스크를 포함할 수 있다.
가령 첫 번째 학습 데이터(611)의 경우 제1 시점에서의 제3 영상(611A), 제1 시점 이후의 시점인 제2 시점에서의 제4 영상(611B), 제3 영상에서 배경에 해당하는 영역이 표지 된 제3 배경 마스크(611D), 제4 영상에서 배경에 해당하는 영역이 표지 된 제4 배경 마스크(611E) 및 제3 영상과 제4 영상의 차이에 기초하여 생성된 객체의 움직임 마스크(611C)를 포함할 수 있다.
물론 이와 유사하게 두 번째 학습 데이터(612) 및 세 번째 학습 데이터(613)도 각각 제1 시점에서의 제3 영상, 제1 시점 이후의 시점인 제2 시점에서의 제4 영상, 제3 영상에서 배경에 해당하는 영역이 표지 된 제3 배경 마스크, 제4 영상에서 배경에 해당하는 영역이 표지 된 제4 배경 마스크 및 제3 영상과 제4 영상의 차이에 기초하여 생성된 객체의 움직임 마스크를 포함할 수 있다.
도 9는 본 발명의 일 실시예에 따른 제어부(120)가 복수의 학습 데이터(710)를 이용하여 제3 인공 신경망(720)을 학습하는 방법을 설명하기 위한 도면이다. 도 10은 본 발명의 일 실시예에 따른 제어부(120)가 제3 인공 신경망(720)을 이용하여 객체의 상태(740)를 생성하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 제3 인공 신경망(720)은 복수의 학습 데이터(710) 각각에 포함되는 학습 객체의 영상과 학습 객체의 상태 간의 상관 관계를 학습한(또는 학습하는) 신경망을 의미할 수 있다. 이때 '학습 객체의 영상'은 사실 상 객체만을 포함하는 영상을 의미할 수 있다. 또한 '객체의 상태'는 예를 들어 '배회', '쓰러짐', '보행'과 같이 객체의 상태를 텍스트의 형태로 표현한 것을 의미할 수 있다.
따라서 본 발명의 일 실시예에 따른 제3 인공 신경망(720)은 도 10에 도시된 바와 같이 객체 영상(730)의 입력에 따라 해당 객체 영상 상의 객체의 상태를 출력하도록 학습된(또는 학습 되는) 신경망을 의미할 수 있다.
이때 복수의 학습 데이터(710) 각각은 학습 객체의 영상과 학습 객체의 상태를 포함할 수 있다.
가령 첫 번째 학습 데이터(711)의 경우 학습 객체의 영상(711A)과 학습 객체의 상태(711B)를 포함할 수 있다. 물론 이와 유사하게 두 번째 학습 데이터(712) 및 세 번째 학습 데이터(713)도 각각 학습 객체의 영상과 학습 객체의 상태를 포함할 수 있다.
이하에서는 도 5 내지 도 10에서 설명한 과정에 따라 제1 인공 신경망(520), 제2 인공 신경망(620) 및 제3 인공 신경망(720)이 학습되었음을 전제로 설명한다.
도 11은 본 발명의 일 실시예에 따른 제어부(120)가 객체의 상태를 인식하는 과정을 설명하기 위한 도면이다. 이하에서는 도 11을 참조하여 설명한다.
본 발명의 일 실시예에 따른 제어부(120)는 입력 영상(810)을 획득할 수 있다. (S1220)
가령 제어부(120)는 영상 획득 장치(300)로부터 입력 영상(810)을 획득할 수 있다. 이때 본 발명의 일 실시예에 따른 제어부(120)는 입력 영상(810) 전후의 영상을 함께 획득할 수 있다. 가령 제어부(120)는 입력 영상(810)이 획득된 시점보다 이전 시점(즉 과거의 시점)의 영상인 과거 영상(820)을 함께 획득할 수 있다. 선택적 실시예에서, 과거 영상(820)은 이미 획득되어 메모리(130)에 저장된 영상일 수도 있다.
본 발명의 일 실시예에 따른 제어부(120)는 입력 영상(810)으로부터 배경 마스크(830)를 생성할 수 있다. (S1230) 이때 배경 마스크(830)는 전술한 바와 같이 입력 영상(810)에서 배경에 해당하는 영역을 나타낸(또는 표지한) 데이터를 의미할 수 있다.
가령 본 발명의 일 실시예에 따른 제어부(120)는 학습된 제1 인공 신경망(520)을 이용하여 입력 영상(810)으로부터 배경 마스크(830)를 생성할 수 있다. 이때 제1 인공 신경망(520)은 도 5 내지 도 6에서 설명한 과정에 따라 학습된 인공 신경망으로, 객체를 포함하는 제1 영상과 제1 영상에서 배경 영역을 나타내는 배경 마스크 간의 상관관계를 학습한 신경망일 수 있다.
한편 본 발명의 일 실시예에 따른 제어부(120)는 입력 영상에서 움직임이 발생한 영역을 포함하는 움직임 마스크를 생성할 수 있다. (S1240) 이때 움직임 마스크는 전술한 바와 같이 입력 영상 내에서 객체 및/또는 배경의 움직임에 따라, 움직임이 발생한 지점을 누적한 영역을 나타낸(또는 표지한) 데이터를 의미할 수 있다.
가령 제어부(120)는 이전 시점의 입력 영상과 현재 시점의 입력 영상 간의 차이가 발생한 영역을 누적하여 움직임 마스크(840)를 생성할 수 있다. 예를 들어 제어부(120)는 입력 영상(810)과 과거 영상(820) 간의 차이가 발생한 영역을 누적하여 움직임 마스크(840)를 생성할 수 있다. 이때 제어부(120)는 현재 시점의 입력 영상과 복수 시점의 과거 영상의 비교를 통해 차이가 발생한 영역을 누적하여 움직임 마스크(840)를 생성할 수도 있다. 이때 움직임 마스크(840)에 포함되는 영역은 주로 객체의 움직임을 나타내는 것을 의미하나, 때로는 배경의 변화에 따른 움직임도 포함할 수 있다.
본 발명의 일 실시예에 따른 제어부(120)는 학습된 제2 인공 신경망(620)을 이용하여, 상술한 과정에 따라 생성된 배경 마스크(830) 및 움직임 마스크(840)로부터 객체에 해당하는 영역을 포함하는 객체 마스크(850)를 생성할 수 있다.(S1250) 이때 제2 인공 신경망(620)은 도 7 내지 도 8에서 설명한 과정에 따라 학습된 인공 신경망으로, 배경 마스크, 움직임 마스크 및 객체 마스크 간의 상관관계를 학습한 신경망일 수 있다.
한편 제2 인공 신경망(620)에 의해 생성되는 객체 마스크(850)는 입력 영상(810)에서 객체에 해당하는 영역을 나타낸(또는 표지한) 데이터를 의미할 수 있다.
본 발명의 일 실시예에 따른 제어부(120)는 학습된 제3 인공 신경망(720)을 이용하여, 입력 영상(810) 및 객체 마스크(850)로부터 객체의 상태(870)를 생성할 수 있다. (S1260)
보다 구체적으로, 본 발명의 일 실시예에 따른 제어부(120)는 객체 마스크(850)를 참조하여, 입력 영상(810)에서 객체에 해당하는 객체 영상(860)을 생성할 수 있다.
또한 제어부(120)는 제3 인공 신경망(720)을 이용하여, 객체 영상(860)으로부터 객체의 상태(870)를 생성할 수 있다. 이때 제3 인공 신경망(720)은 도 9 내지 도 10에서 설명한 과정에 따라 학습된 인공 신경망으로, 학습 객체의 영상과 학습 객체의 상태 간의 상관 관계를 학습한 신경망을 의미할 수 있다.
이로써 본 발명은 객체의 상태를 보다 정확하게 인식할 수 있으며, 특히 저조도 환경에서도 객체의 상태를 정확하게 인식할 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: 서버
110: 통신부
120: 제어부
130: 메모리
200: 사용자 단말
300: 영상 획득 장치
400: 통신망

Claims (5)

  1. 입력 영상으로부터 객체 상태를 인식하는 방법에 있어서,
    상기 입력 영상으로부터 배경 마스크를 생성하는 단계;
    상기 입력 영상 및 상기 입력 영상 이전 시점의 입력 영상으로부터 움직임이 발생한 영역을 포함하는 움직임 마스크를 생성하는 단계로써, 상기 움직임 마스크는 상기 이전 시점의 입력 영상으로부터 상기 입력 영상으로 전환되는 구간 내에서 객체 및 배경 중 적어도 하나의 움직임에 따라 움직임이 발생한 지점을 누적한 영역을 나타낸 데이터이고;
    학습된 제2 인공 신경망을 이용하여, 상기 배경 마스크 및 상기 움직임 마스크로부터 상기 객체에 해당하는 영역을 포함하는 객체 마스크를 생성하는 단계로써, 상기 객체 마스크는 상기 입력 영상 내에서 상기 객체에 해당하는 영역을 나타내는 것이고; 및
    학습된 제3 인공 신경망을 이용하여, 상기 입력 영상 및 상기 객체 마스크로부터 상기 객체의 상태를 생성하는 단계;를 포함하는, 객체 상태 인식 방법.
  2. 청구항 1에 있어서
    상기 배경 마스크를 생성하는 단계는
    학습된 제1 인공 신경망을 이용하여 상기 입력 영상으로부터 배경 마스크를 생성하는 단계;를 포함하고
    상기 제1 인공 신경망은
    객체를 포함하는 제1 영상과 상기 제1 영상에서 배경 영역을 나타내는 배경 마스크 간의 상관관계를 학습한 신경망인, 객체 상태 인식 방법.
  3. 삭제
  4. 청구항 1에 있어서
    상기 제2 인공 신경망은
    학습 데이터에 기반하여 상기 배경 마스크, 상기 움직임 마스크 및 상기 객체 마스크 간의 상관관계를 학습한 신경망이고,
    상기 학습 데이터는
    제1 시점에서의 제3 영상, 상기 제1 시점 이후의 시점인 제2 시점에서의 제4 영상, 상기 제3 영상에서 배경에 해당하는 영역이 표지 된 제3 배경 마스크, 상기 제4 영상에서 배경에 해당하는 영역이 표지 된 제4 배경 마스크 및 상기 제3 영상과 상기 제4 영상의 차이에 기초하여 생성된 상기 객체의 움직임 마스크를 포함하는, 객체 상태 인식 방법.
  5. 청구항 1에 있어서
    상기 객체의 상태를 생성하는 단계는
    상기 객체 마스크를 참조하여, 상기 입력 영상에서 상기 객체에 해당하는 객체 영상을 생성하는 단계; 및
    상기 제3 인공 신경망을 이용하여, 상기 객체 영상으로부터 상기 객체의 상태를 생성하는 단계;를 포함하고,
    상기 제3 인공 신경망은
    학습 객체의 영상과 상기 학습 객체의 상태 간의 상관 관계를 학습한 신경망인, 객체 상태 인식 방법.
KR1020210011040A 2021-01-26 2021-01-26 객체 상태 인식 방법, 장치 및 컴퓨터 프로그램 KR102507892B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210011040A KR102507892B1 (ko) 2021-01-26 2021-01-26 객체 상태 인식 방법, 장치 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210011040A KR102507892B1 (ko) 2021-01-26 2021-01-26 객체 상태 인식 방법, 장치 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20220107852A KR20220107852A (ko) 2022-08-02
KR102507892B1 true KR102507892B1 (ko) 2023-03-09

Family

ID=82845772

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210011040A KR102507892B1 (ko) 2021-01-26 2021-01-26 객체 상태 인식 방법, 장치 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102507892B1 (ko)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102140873B1 (ko) * 2018-11-27 2020-08-03 연세대학교 산학협력단 동적 객체 검출 장치 및 방법
KR102194499B1 (ko) * 2019-01-18 2020-12-23 주식회사 인텔리빅스 객체 이미지 인식 dcnn 기반 cctv 영상분석장치 및 그 장치의 구동방법
KR20190122606A (ko) * 2019-10-11 2019-10-30 엘지전자 주식회사 차량 내 객체 모니터링 장치 및 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
한국 공개특허공보 제10-2019-0122606호(2019.10.30.) 1부.*
한국 공개특허공보 제10-2020-0058260호(2020.05.27.) 1부.*
한국 공개특허공보 제10-2020-0062686호(2020.06.04.) 1부.*

Also Published As

Publication number Publication date
KR20220107852A (ko) 2022-08-02

Similar Documents

Publication Publication Date Title
Villegas et al. High fidelity video prediction with large stochastic recurrent neural networks
CN108205655B (zh) 一种关键点预测方法、装置、电子设备及存储介质
KR102400017B1 (ko) 객체를 식별하는 방법 및 디바이스
KR102486699B1 (ko) 영상 인식 방법, 영상 검증 방법, 장치, 및 영상 인식 및 검증에 대한 학습 방법 및 장치
CN111241989B (zh) 图像识别方法及装置、电子设备
Cruz et al. Using convolutional neural networks in robots with limited computational resources: detecting NAO robots while playing soccer
KR20180055070A (ko) 재질 인식 및 재질 트레이닝을 수행하는 방법 및 장치
CN112232293A (zh) 图像处理模型训练、图像处理方法及相关设备
Wen et al. Joint video frame set division and low-rank decomposition for background subtraction
CN112396106B (zh) 内容识别方法、内容识别模型训练方法及存储介质
JP6948851B2 (ja) 情報処理装置、情報処理方法
KR20150039252A (ko) 행동 인식 기반의 응용 서비스 제공 장치 및 그 방법
KR101996371B1 (ko) 영상 캡션 생성 시스템과 방법 및 이를 위한 컴퓨터 프로그램
KR20220081261A (ko) 객체 포즈 추정 방법 및 장치
KR20160053749A (ko) 얼굴 영상의 다양성에 강인한 얼굴 표정 특징 분류 방법 및 시스템
KR20220004009A (ko) 키 포인트 검출 방법, 장치, 전자 기기 및 저장 매체
CN116664719B (zh) 一种图像重绘模型训练方法、图像重绘方法及装置
CN115223020B (zh) 图像处理方法、装置、设备、存储介质及计算机程序产品
CN111814573A (zh) 一种人脸信息的检测方法、装置、终端设备及存储介质
CN111291695B (zh) 人员违章行为识别模型训练方法、识别方法及计算机设备
CN113298922B (zh) 人体姿态估计方法、装置及终端设备
CN112990154B (zh) 一种数据处理方法、计算机设备以及可读存储介质
CN106598856B (zh) 一种路径检测方法及装置
KR102507892B1 (ko) 객체 상태 인식 방법, 장치 및 컴퓨터 프로그램
CN111652181A (zh) 目标跟踪方法、装置及电子设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right