KR102574103B1 - THz 스캔 이미지를 이용한 인공지능 학습모델 기반의 은닉물 탐지 장치 및 시스템 - Google Patents
THz 스캔 이미지를 이용한 인공지능 학습모델 기반의 은닉물 탐지 장치 및 시스템 Download PDFInfo
- Publication number
- KR102574103B1 KR102574103B1 KR1020230044160A KR20230044160A KR102574103B1 KR 102574103 B1 KR102574103 B1 KR 102574103B1 KR 1020230044160 A KR1020230044160 A KR 1020230044160A KR 20230044160 A KR20230044160 A KR 20230044160A KR 102574103 B1 KR102574103 B1 KR 102574103B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- hidden object
- terahertz wave
- hidden
- learning model
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000001931 thermography Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 239000002184 metal Substances 0.000 description 7
- 229910052751 metal Inorganic materials 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000036760 body temperature Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 150000002843 nonmetals Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
- G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/265—Mixing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/30—Transforming light or analogous information into electric information
- H04N5/33—Transforming infrared radiation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
Abstract
인공지능 학습모델 기반의 은닉물 탐지 장치 및 시스템을 개시한다.
본 실시예의 일 측면에 의하면, 출입자가 은닉물을 소지하고 있는지 여부를 탐지하는 은닉물 탐지장치에 있어서, 외부로부터 출입자의 테라헤르츠파 이미지, 열화상 이미지 및 가시광 이미지를 수신하고, 출입자까지의 거리 정보를 수신하는 통신부와 상기 테라헤르츠파 이미지를 전처리하는 전처리부와 테라헤르츠파 이미지를 입력값으로, 테라헤르츠파 이미지 내 존재하는 다양한 은닉물을 출력값으로 하여 학습된 제1 학습모델 및 열화상 이미지를 입력값으로, 열화상 이미지 내 존재하는 다양한 은닉물들을 출력값으로 하여 학습된 제2 학습모델을 저장하는 메모리부와 상기 제1 학습모델 및 상기 제2 학습모델을 이용하여 전처리된 테라헤르츠파 이미지 및 열화상 이미지로부터 출입자가 소지하는 은닉물을 탐지하는 은닉물 탐지부 및 가시광 이미지 내 출입자와 상기 은닉물 탐지부가 탐지한 은닉물을 합성하는 영상 처리부를 포함하는 것을 특징으로 하는 은닉물 탐지장치를 제공한다.
본 실시예의 일 측면에 의하면, 출입자가 은닉물을 소지하고 있는지 여부를 탐지하는 은닉물 탐지장치에 있어서, 외부로부터 출입자의 테라헤르츠파 이미지, 열화상 이미지 및 가시광 이미지를 수신하고, 출입자까지의 거리 정보를 수신하는 통신부와 상기 테라헤르츠파 이미지를 전처리하는 전처리부와 테라헤르츠파 이미지를 입력값으로, 테라헤르츠파 이미지 내 존재하는 다양한 은닉물을 출력값으로 하여 학습된 제1 학습모델 및 열화상 이미지를 입력값으로, 열화상 이미지 내 존재하는 다양한 은닉물들을 출력값으로 하여 학습된 제2 학습모델을 저장하는 메모리부와 상기 제1 학습모델 및 상기 제2 학습모델을 이용하여 전처리된 테라헤르츠파 이미지 및 열화상 이미지로부터 출입자가 소지하는 은닉물을 탐지하는 은닉물 탐지부 및 가시광 이미지 내 출입자와 상기 은닉물 탐지부가 탐지한 은닉물을 합성하는 영상 처리부를 포함하는 것을 특징으로 하는 은닉물 탐지장치를 제공한다.
Description
본 실시예는 THz 스캔 이미지를 이용하여 인공지능 학습모델 기반으로 은닉물을 탐지하는 장치 및 그를 포함하는 시스템에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
주변 상황에 대한 영상 정보를 얻기 위해서 다양한 카메라가 이용되고 있다. 예를 들어, 가시광선을 이용한 CCD/CMOS 카메라, 적외선을 이용한 적외선 카메라 등이 있다. CCD 카메라는 디지털 카메라의 하나로, 전하 결합소자(CCD)를 사용하여 영상을 전기 신호로 변환함으로써 디지털 데이터를 플래시 메모리 등의 기억매체에 저장한다. CCD 카메라는 주간에, 적외선 카메라는 야간에 주로 사용되는 것이 일반적이다.
일반적으로 공항이나 각종 회의장에서는 총기류 등의 금속성 물질을 탐지하여 위험물의 반입을 금지하기 위해 통상의 금속 탐지기를 설치하는데, 금속 탐지기는 전자기 유도 현상을 이용하는 것으로 금속성 물질의 유무에 따라 변화되는 성질을 이용하여 총기 또는 기타 금속성 위험물을 탐지해 내는 장치이다.
금속 탐지기는 안전요원이 휴대하여 출입자의 금속류 소지 여부를 검색하는 휴대용 금속 탐지기와, 게이트 형태의 구조물을 통해 출입자를 차례로 통과시킴에 따라 소지한 금속을 탐지해 내는 게이트형 금속 탐지기가 있다. 그러나 이와 같은 금속 탐지기의 경우에는 비금속류 또는 외부 노이즈에 의한 부정확한 탐지에 의해 원하는 결과를 얻을 수 없는 문제점이 있으며, 일일이 안전요원 등이 출입자 모두를 검사해야 촉수 검사의 번거로움이 있다.
안전 검색 등이 필요한 공항 등에서 사용되는 물품을 대상으로 하는 은닉 물체 감지 장치로는 대표적으로 X선 탐지기가 있다. 그러나 X선 탐지기의 경우에는 옷 속의 인체를 선명하게 표현하여 개인의 인권에 대한 침해 우려가 존재하고, 검색시 인체에 엑스레이를 주사하므로 인체에 악영향을 미치는 문제점이 있다.
이에, 최근 고려되고 있는 방식이 THz이미지를 이용한 방식이다. THz파는 적외선과 마이크로파 사이의 영역에 있는 전자기파로서, 적외선이 가지는 빛의 직진성과 마이크로파가 가지는 투과성을 모두 가지고 있다. 이에 따라, THz파는 마이크로파와 같이 대부분의 비금속 물질을 투과할 수 있을 뿐만 아니라 마이크로파와 달리 미세한 공간 해상도를 제공할 수 있는 장점이 있다.
다만, THz파는 정지해있는 대상에 대해서는 우수한 해상도를 가질 수 있으나, 움직이는 대상에 대해서는 분석에 있어 충분한 해상도를 갖지 못하기 때문에 은닉물 검사에 이용함에 있어 아직까지 부족한 부분이 존재한다.
본 발명의 일 실시예는, 다양한 방식의 촬영장치 및 촬영장치에서 촬영된 이미지로부터 은닉물을 탐지하도록 학습된 인공지능 학습모델을 이용하여, 검사 대상이 은닉한 은닉물을 정확하면서 편리하게 탐지할 수 있는 은닉물 탐지장치 및 시스템을 제공하는 데 일 목적이 있다.
본 실시예의 일 측면에 의하면, 출입자가 은닉물을 소지하고 있는지 여부를 탐지하는 은닉물 탐지장치에 있어서, 외부로부터 출입자의 테라헤르츠파 이미지, 열화상 이미지 및 가시광 이미지를 수신하고, 출입자까지의 거리 정보를 수신하는 통신부와 상기 테라헤르츠파 이미지를 전처리하는 전처리부와 테라헤르츠파 이미지를 입력값으로, 테라헤르츠파 이미지 내 존재하는 다양한 은닉물을 출력값으로 하여 학습된 제1 학습모델 및 열화상 이미지를 입력값으로, 열화상 이미지 내 존재하는 다양한 은닉물들을 출력값으로 하여 학습된 제2 학습모델을 저장하는 메모리부와 상기 제1 학습모델 및 상기 제2 학습모델을 이용하여 전처리된 테라헤르츠파 이미지 및 열화상 이미지로부터 출입자가 소지하는 은닉물을 탐지하는 은닉물 탐지부 및 가시광 이미지 내 출입자와 상기 은닉물 탐지부가 탐지한 은닉물을 합성하는 영상 처리부를 포함하는 것을 특징으로 하는 은닉물 탐지장치를 제공한다.
본 실시예의 일 측면에 의하면, 상기 전처리부는 수신한 거리 정보를 이용하여 상기 테라헤르츠파 이미지를 전처리하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 전처리부는 상기 테라헤르츠파 이미지 및 상기 열화상 이미지의 포맷을 조정하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 제1 학습모델 및 상기 제2 학습모델은 CNN(Convolutional Neural Network) 또는 MLP(Multi Layer Perceptron)으로 각 입력값 및 출력값을 학습한 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 은닉물 탐지장치는 상기 영상 처리부에 의해 합성된 이미지를 출력하는 출력부를 더 포함하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 출입자가 은닉물을 소지하고 있는지 여부를 탐지하는 은닉물 탐지시스템에 있어서, 출입자를 촬영하는 테라헤르츠파 카메라와 출입자를 촬영하는 열화상 카메라;
출입자를 촬영하는 가시광 카메라와 자신과 출입자까지의 거리 정보를 획득하는 뎁스(Depth) 카메라 및 상기 테라헤르츠파 카메라, 상기 열화상 카메라, 상기 가시광 카메라 및 상기 뎁스 카메라로부터 각각 출입자의 테라헤르츠파 이미지, 열화상 이미지, 가시광 이미지 및 출입자까지의 거리 정보를 수신하여, 출입자가 은닉물을 소지하고 있는지 여부를 탐지하는 은닉물 탐지장치를 포함하는 것을 특징으로 하는 은닉물 탐지 시스템을 제공한다.
본 실시예의 일 측면에 의하면, 상기 은닉물 탐지장치는 외부로부터 출입자의 테라헤르츠파 이미지, 열화상 이미지 및 가시광 이미지를 수신하고, 출입자까지의 거리 정보를 수신하는 통신부와 상기 테라헤르츠파 이미지를 전처리하는 전처리부와 테라헤르츠파 이미지를 입력값으로, 테라헤르츠파 이미지 내 존재하는 다양한 은닉물을 출력값으로 하여 학습된 제1 학습모델 및 열화상 이미지를 입력값으로, 열화상 이미지 내 존재하는 다양한 은닉물들을 출력값으로 하여 학습된 제2 학습모델을 저장하는 메모리부와 상기 제1 학습모델 및 상기 제2 학습모델을 이용하여 전처리된 테라헤르츠파 이미지 및 열화상 이미지로부터 출입자가 소지하는 은닉물을 탐지하는 은닉물 탐지부 및 가시광 이미지 내 출입자와 상기 은닉물 탐지부가 탐지한 은닉물을 합성하는 영상 처리부를 포함하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 영상 처리부는 상기 가시광 카메라로부터 수신한 가시광 이미지 내에서 출입자를 제외한 배경을 제거하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 영상 처리부는 상기 은닉물 탐지부가 탐지한 은닉물만을 테라헤르츠파 이미지 또는 열화상 이미지 내에서 추출하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 영상 처리부는 추출한 은닉물을 배경이 제거된 가시광 이미지에 합성하는 것을 특징으로 한다.
이상에서 설명한 바와 같이 본 실시예의 일 측면에 따르면, 다양한 방식의 촬영장치 및 촬영장치에서 촬영된 이미지로부터 은닉물을 탐지하도록 학습된 인공지능 학습모델을 이용하여, 검사 대상이 은닉한 은닉물을 정확하면서 편리하게 탐지할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 은닉물 탐지 시스템의 구성을 도시한 평면도이다.
도 2는 본 발명의 일 실시예에 따른 은닉물 탐지장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 전처리부에 의해 전처리되기 이전과 된 후의 테라헤르츠파 이미지를 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 은닉물 탐지부가 테라헤르츠파 이미지로부터 은닉물을 탐지한 모습을 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 은닉물 탐지부가 열화상 이미지로부터 은닉물을 탐지한 모습을 예시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 영상 처리부가 가시광 이미지로부터 배경을 제거한 모습을 예시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 영상 처리부가 최종적으로 출력할 포맷으로 영상처리한 모습을 예시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 은닉물 탐지장치가 은닉물을 탐지하여 출력하는 방법을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 은닉물 탐지장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 전처리부에 의해 전처리되기 이전과 된 후의 테라헤르츠파 이미지를 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 은닉물 탐지부가 테라헤르츠파 이미지로부터 은닉물을 탐지한 모습을 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 은닉물 탐지부가 열화상 이미지로부터 은닉물을 탐지한 모습을 예시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 영상 처리부가 가시광 이미지로부터 배경을 제거한 모습을 예시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 영상 처리부가 최종적으로 출력할 포맷으로 영상처리한 모습을 예시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 은닉물 탐지장치가 은닉물을 탐지하여 출력하는 방법을 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에서, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해서 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.
도 1은 본 발명의 일 실시예에 따른 은닉물 탐지 시스템의 구성을 도시한 평면도이다.
도 1a 및 1b를 참조하면, 본 발명의 일 실시예에 따른 은닉물 탐지 시스템(100)은 테라헤르츠파 카메라(110), 뎁스(Depth) 카메라(113), 열화상 카메라(116), 가시광 카메라(119) 및 은닉물 탐지장치(120)를 포함한다.
은닉물 탐지 시스템(100)은 공항, 병원 또는 많은 수의 사람이 모이는 공공장소 등 출입자가 은닉물(반입금지 물품)을 소지하고 있는지 감지해야 할 필요가 있는 장소에 설치되어, 출입자의 은닉물 소지 여부를 비접촉식으로 탐지한다. 은닉물 탐지 시스템(100)은 출입자의 은닉물 소지 여부 탐지를 위해 출입자가 정지할 필요없이 통상적으로 걷는 속도로 걷는 상태에서 상대적으로 정확히 은닉물을 소지하고 있는지 여부를 탐지할 수 있다.
각 카메라(110, 113, 116, 119)는 출입자가 출입하는 경로 상에서 출입자를 촬영하도록 배치되어, 촬영한 영상을 은닉물 탐지장치(120)로 전송한다. 테라헤르츠파 이미지(110)는 발명의 배경이 되는 기술에서 언급한 대로, 테라헤르츠파를 이용하여 출입하는 출입자의 이미지를 획득한다. 열화상 카메라(116) 및 가시광 카메라(119)는 각각 열화상 이미지와 통상의 가시광 이미지를 획득하며, 뎁스 카메라(113)는 출입하는 출입자의 카메라(113 등)와의 거리를 촬영한다. 각 카메라(110, 113, 116, 119)는 촬영한 이미지를 은닉물 탐지장치(120)로 전송하여, 은닉물 탐지장치가 출입자가 은닉물을 소지하고 있는지 여부를 탐지할 수 있도록 한다.
은닉물 탐지장치(120)는 각 카메라(110, 113, 116, 119)로부터 영상 또는 거리정보를 수신하고, 수신한 영상을 분석하여 출입자가 은닉물을 소지하고 있는지 여부를 탐지하며, 탐지한 은닉물을 부각하는 이미지를 출력한다.
은닉물 탐지장치(120)는 각 카메라(110, 113, 116, 119)로부터 영상을 수신하며, 테라헤르츠파 이미지 및 열화상 이미지를 이용하여 출입자가 은닉물을 소지하고 있는지 여부를 탐지한다. 은닉물 탐지장치(120)는 각 이미지를 입력값으로, 출입자가 은닉물을 소지하고 있는지 여부를 출력값으로하여 학습된 인공지능 학습모델을 저장한다. 은닉물 탐지장치(120)는 저장된 학습모델을 이용하여, 테라헤르츠파 이미지 및 열화상 이미지 내에서 은닉물을 탐지한다.
은닉물 탐지장치(120)는 탐지한 은닉물을 부각하는 이미지를 출력한다. 이때, 은닉물 탐지장치(120)는 이미지를 출력함에 있어, 가시광 이미지 내에서 촬영된 출입자의 이미지를 메인으로 하고, 각 이미지에서 탐지된 은닉물 만을 추출하여 출입자 이미지에 합성하는 형태로 이미지를 출력한다. 테라헤르츠파 이미지나 열화상 이미지가 그대로 출력될 경우, 출입자의 신체 윤곽이 그대로 드러나게 되어, 개인의 인권에 대한 침해 우려가 존재한다. 은닉물 탐지장치(120)는 해당 이미지들을 은닉물 탐지 과정에서 사용하되, 최종적으로 외부로 출력함에 있어서는 (은닉물이 존재할 경우) 탐지한 은닉물만을 합성하여 출력함으로써 전술한 우려를 해소한다.
한편, 도 1a 및 1b에는 뎁스 카메라(113)가 카메라 형태로 도시되어 있으나, 반드시 이에 한정되는 것은 아니고, 자신과 출입자 간의 거리를 측정할 수 있는 수단(예를 들어, 센서)이라면 어떠한 것으로 대체되어도 무방하다.
도 2는 본 발명의 일 실시예에 따른 은닉물 탐지장치의 구성을 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 은닉물 탐지장치(120)는 통신부(210), 전처리부(220), 은닉물 탐지부(230), 영상 처리부(240), 출력부(250) 및 메모리부(260)를 포함한다.
통신부(210)는 각 카메라(110, 113, 116, 119)로부터 이미지 또는 거리 정보를 수신한다. 통신부(210)는 테라헤르츠파 카메라(110)로부터 테라헤르츠파 이미지를, 열화상 카메라(116)로부터 열화상 이미지를, 가시광 카메라(119)로부터 가시광 이미지를 수신한다. 한편, 통신부(210)는 뎁스 카메라(113)로부터 출입자의 카메라까지의 거리 정보를 수신한다.
전처리부(220)는 수신한 이미지의 포맷을 조정하고 이미지 내 노이즈를 제거하며, 거리 정보를 이용하여 테라헤르츠파 이미지를 전처리한다.
은닉물 탐지부(230)가 메모리부(260) 내 저장된 학습모델을 이용하여 은닉물을 탐지하기 위한 입력값으로서의 이미지 포맷과 통신부(210)가 수신한 이미지의 포맷(사이즈 등)이 상이할 경우, 전처리부(220)는 수신한 이미지의 포맷을 조정한다. 예를 들어, 전처리부(220)는 학습모델의 입력값으로서 요구되는 사이즈 또는 해상도와 수신한 이미지의 그것이 다를 경우, 수신한 이미지의 사이즈 또는 해상도를 학습모델의 입력값으로서 요구되는 사이즈 또는 해상도에 부합하도록 조정한다. 또한, 카메라(110, 116, 119)와 통신부(210)간 전송과정 또는 기타 다양한 상황에서 이미지 내 제거 가능한 노이즈가 발생하는 경우, 전처리부(220)는 노이즈를 제거한다.
또한, 전처리부(220)는 뎁스 카메라(113)로부터 수신한 거리 정보를 이용하여 테라헤르츠파 이미지를 전처리한다. 테라헤르츠파 이미지는 도 3에 도시된 바와 같은 형태로 촬영된다.
도 3은 본 발명의 일 실시예에 따른 전처리부에 의해 전처리되기 이전과 된 후의 테라헤르츠파 이미지를 예시한 도면이다.
도 3(a)를 참조하면, 테라헤르츠파 카메라는 라인카메라로서 동작한다. 즉, 테라헤르츠파 카메라는 이미지 내 일 행의 픽셀들 또는 일 라인을 생성하고, 다음 행 또는 라인을 생성한다. 출입자가 정지해 있는 상태라면, 테라헤르츠파 카메라의 전술한 동작으로 생성된 테라헤르츠 이미지는 어떠한 문제도 발생하지 않는다. 그러나 전술한 대로, 출입자가 자신이 움직이고 있는 상태 그대로 진행하는 상황에서 테라헤르츠파 이미지를 생성할 경우 도 3(a)에 도시된 바와 같은 문제가 발생한다. 출입자의 이동 속도에 의해 테라헤르츠파 이미지에 틀어짐 또는 뒤틀림이 발생하게 된다. 전처리부(220)는 뎁스 카메라(113)로부터 수신한 거리 정보를 이용하여 뎁스 카메라(113)의 각 촬영시점에서 출입자의 위치(거리)가 어디인지를 분석함으로써, 테라헤르츠파 이미지 내 틀어짐 또는 뒤틀림이 얼마나 발생하였는지를 분석한다. 출입자의 위치 정보를 알 수 있다면, 테라헤르츠파 이미지 내 틀어짐 또는 뒤틀림의 보완도 가능해진다. 전처리부(220)는 도 3(b)에 도시된 바와 같이, 뎁스 카메라(113)로부터 수신한 거리 정보를 이용하여 테라헤르츠파 이미지를 전처리한다.
다시 도 2를 참조하면, 은닉물 탐지부(230)는 전처리된 테라헤르츠파 이미지 및 수신한 열화상 이미지를 각각 이용하여 출입자가 소지하고 있는 은닉물을 탐지한다.
은닉물 탐지부(230)는 은닉물을 탐지하기 위해, 메모리부(260) 내 저장된 인공지능 학습모델을 이용한다. 제1 학습모델은 테라헤르츠파 이미지를 입력값으로, 테라헤르츠파 이미지 내 존재하는 다양한 은닉물(신체, 의류 및 장신구 외의 모든 것)들을 출력값으로 하여, 수많은 입력값 및 출력값들을 CNN(Convolutional Neural Network) 또는 MLP(Multi Layer Perceptron) 등 이미지 처리에 적합한 학습모델 알고리즘으로 학습시킨 모델에 해당한다. 제2 학습모델은 열화상 이미지를 입력값으로, 열화상 이미지 내 존재하는 다양한 은닉물들을 출력값으로 하여, 전술한 학습모델 알고리즘으로 학습시킨 모델에 해당한다.
은닉물 탐지부(230)는 도 4에 도시된 바와 같이, 전처리부(220)를 거쳐 전처리된 테라헤르츠파 이미지를 제1 학습모델에 입력하여 테라헤르츠파 이미지 내 은닉물이 존재하는지를 탐지한다.
도 4는 본 발명의 일 실시예에 따른 은닉물 탐지부가 테라헤르츠파 이미지로부터 은닉물을 탐지한 모습을 예시한 도면이다.
도 4에 도시된 바와 같이, 은닉물 탐지부(230)는 전처리부(220)를 거쳐 전처리된 테라헤르츠파 이미지를 제1 학습모델의 입력값으로 입력한다. 이에 따라, 출입자가 은닉물을 소지하고 있을 경우, 은닉물 탐지부(230)는 테라헤르츠파 이미지 내 은닉물을 탐지한다.
다시 도 2를 참조하면, 은닉물 탐지부(230)는 도 5에 도시된 바와 같이, 수신한 열화상 이미지를 제2 학습모델에 입력하여 은닉물 이미지 내 은닉물이 존재하는지를 탐지한다.
도 5는 본 발명의 일 실시예에 따른 은닉물 탐지부가 열화상 이미지로부터 은닉물을 탐지한 모습을 예시한 도면이다.
도 5에 도시된 바와 같이, 은닉물 탐지부(230)는 수신한 열화상 이미지를 제2 학습모델의 입력값으로 입력한다. 이에 따라, 출입자가 은닉물을 소지하고 있을 경우, 은닉물 탐지부(230)는 열화상 이미지 내 은닉물을 탐지한다. 특히, 은닉물 탐지부(230)는 열화상 이미지 내에서 출입자를 검출한 후, 출입자의 신체 내에서 주변보다 상대적으로 온도가 낮거나 높은 부위 또는 구성을 탐지한다. 열화상 이미지 내 출입자, 특히, 출입자의 머리 부분은 계절 및 환경과 관계없이 일정한 온도를 갖게 된다. 특히, 여름철이나 겨울철에 출입자의 신체의 온도는 달라질 수 있지만, 머리 부분은 외투 등을 걸치지 않기 때문에 일정한 온도를 갖는다. 은닉물 탐지부(230)는 이처럼 출입자의 머리를 탐지하여 그로부터 출입자의 전신을 검출할 수 있다. 은닉물 탐지부(230)는 전술한 과정에 따라 출입자를 검출하며, 출입자의 신체 중 주변보다 상대적으로 온도가 높거나 낮은 부분을 탐지한다. 이러한 과정을 거치며 은닉물 탐지부 (또는 제2 학습모델)는 열화상 이미지로부터 은닉물을 탐지할 수 있다.
다시 도 2를 참조하면, 은닉물 탐지부(230)는 이처럼 테라헤르츠파 이미지와 열화상 이미지 각각을 서로 상이한 학습모델을 이용하여 은닉물을 탐지한다. 어느 하나만을 이용하여 은닉물을 탐지할 경우, 정확도는 상대적으로 다소 낮아질 수 있다. 이를 보완하고자, 은닉물 탐지부(230)는 서로 다른 포맷의 이미지를 이용해 학습한 각 학습모델을 이용하여 은닉물을 탐지함으로써 보다 높은 정확도로 은닉물을 팀지할 수 있다.
한편, 은닉물 탐지부(230)는 열화상 이미지를 이용하여 은닉물을 탐지함에 있어, 출입자의 온도(체온)를 식별할 수 있다. 은닉물 탐지부(230)는 열화상 이미지를 이용하여 은닉물을 탐지함에 있어, 어차피 출입자를 식별하는 동작은 수행한다. 이에 따라, 은닉물 탐지부(230)는 어려움없이 출입자의 온도를 식별할 수 있다. 은닉물 탐지부(230)는 출입자의 온도를 식별하여, 출력부(250)가 영상 처리부(240)에서 처리된 이미지를 출력함에 있어 해당 인물의 체온까지 출력할 수 있도록 한다. 이에 따라, 감시자가 출입자의 은닉물 소지 여부 뿐만 아니라, 체온도 함께 파악할 수 있어 감시자의 몸 상태(감염병에 걸렸는지 여부 등)를 확인할 수 있다.
영상 처리부(240)는 수신한 가시광 이미지 내 배경을 제거하며, 은닉물 탐지부(230)가 탐지한 은닉물만을 테라헤르츠파 이미지 또는 열화상 이미지 내에서 추출하여 배경이 제거된 가시광 이미지에 합성한다.
영상 처리부(240)는 도 6에 도시된 바와 같이, 가시광 카메라(119)로부터 수신한 가시광 이미지 내에서 객체(출입자)를 인식하여 객체 이외의 나머지 배경을 제거한다.
도 6은 본 발명의 일 실시예에 따른 영상 처리부가 가시광 이미지로부터 배경을 제거한 모습을 예시한 도면이다.
도 6을 참조하면, 영상 처리부(240)는 다양한 객체 인식 알고리즘 또는 배경 제거 알고리즘을 이용하여 수신한 가시광 이미지 내에서 객체(출입자)를 인식하여 객체 이외의 나머지 배경을 제거한다. 이에 따라, 영상 처리부(240)는 최종적으로 출력될 이미지 내에서 출입자만이 부각될 수 있도록 한다.
은닉물 탐지부(230)에 의해 어느 하나의 이미지 또는 양 이미지(테라헤르츠파 이미지 또는 열화상 이미지) 내 은닉물이 존재하는 경우, 영상 처리부(240)는 탐지된 은닉물만을 해당 이미지 내에서 추출한다. 은닉물 탐지부(230)는 다양한 객체 추출 알고리즘을 이용하여 이미지 내에서 은닉물을 추출한다.
영상 처리부(240)는 도 7에 도시된 바와 같이, 배경이 제거된 가시광 이미지 내에 추출한 은닉물을 합성한다.
도 7은 본 발명의 일 실시예에 따른 영상 처리부가 최종적으로 출력할 포맷으로 영상처리한 모습을 예시한 도면이다.
도 7을 참조하면, 영상 처리부(240)는 추출한 은닉물을, 배경이 제거된 가시광 이미지 내에서 테라헤르츠파 이미지 또는 열화상 이미지 내 은닉물이 존재하는 위치에 대응되는 위치에 합성한다. 이에 따라, 출력될 이미지의 시인성이 향상되며, 테라헤르츠파 이미지 또는 열화상 이미지에서 출력되는 것은 은닉물 뿐이므로 출입자 개개인의 인권 침해 문제도 해소할 수 있다. 은닉물 탐지장치를 이용하여 출입자가 은닉물을 소지하고 있는지를 감시하는 감시자는 영상 처리부(240)에 의해 영상 처리된 이미지를 확인하며 편리하게 은닉물을 확인할 수 있다.
다시 도 2를 참조하면, 출력부(250)는 영상 처리부(240)에 의해 처리된 영상을 출력한다. 감시자가 출입자의 은닉물 소지 여부를 확인할 수 있도록, 출력부(250)는 영상 처리부(240)에 의해 처리된(합성된) 영상을 출력한다.
나아가, 출력부(250)는 은닉물 탐지부(230)가 파악한 출입자의 체온도, 영상과 함께 출력할 수 있다.
메모리부(260)는 제1 학습모델 및 제2 학습모델을 저장한다.
도 8은 본 발명의 일 실시예에 따른 은닉물 탐지장치가 은닉물을 탐지하여 출력하는 방법을 도시한 도면이다.
통신부(210)는 검사 대상의 테라헤르츠파 이미지, 열화상 이미지, 가시광 이미지 및 거리 데이터를 획득한다(S810),
전처리부(220)는 테라헤르츠파 이미지를 전처리한다(S820). 전처리부(220)는 테라헤르츠파 이미지 자체를 전처리하며, 획득한 거리 데이터를 이용하여 추가적으로 전처리할 수 있다.
은닉물 탐지부(230)는 저장된 각 학습모델에, 전처리한 테라헤르츠파 이미지 및 획득한 열화상 이미지를 각각 입력하여 은닉물을 탐지한다(S830).
영상 처리부(240)는 가시광 이미지 내 객체만을 분리한다(S840),
영상 처리부(240)는 분리된 객체의 이미지에 탐지한 은닉물을 합성한다(S850).
출력부(250)는 합성한 이미지를 출력한다(S860).
도 8에서는 각 과정을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 발명의 일 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 발명의 일 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 일 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 각 도면에 기재된 순서를 변경하여 실행하거나 각 과정 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 8은 시계열적인 순서로 한정되는 것은 아니다.
한편, 도 8에 도시된 과정들은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 즉, 컴퓨터가 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등) 및 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 은닉물 탐지 시스템
110: 테라헤르츠파 카메라
113: 뎁스 카메라
116: 열화상 카메라
119: 가시광 카메라
120: 은닉물 탐지장치
210: 통신부
220: 전처리부
230: 은닉물 탐지부
240: 영상 처리부
250: 출력부
260: 메모리부
110: 테라헤르츠파 카메라
113: 뎁스 카메라
116: 열화상 카메라
119: 가시광 카메라
120: 은닉물 탐지장치
210: 통신부
220: 전처리부
230: 은닉물 탐지부
240: 영상 처리부
250: 출력부
260: 메모리부
Claims (10)
- 출입자가 은닉물을 소지하고 있는지 여부를 탐지하는 은닉물 탐지장치에 있어서,
외부로부터 출입자의 테라헤르츠파 이미지, 열화상 이미지 및 가시광 이미지를 수신하고, 뎁스 카메라로부터 출입자의 카메라까지의 거리 정보를 수신하는 통신부;
상기 뎁스 카메라로부터 수신한 거리정보를 이용하여 상기 뎁스 카메라의 각 촬영시점에서 출입자의 위치가 어디인지를 분석함으로써, 출입자의 이동 속도에 의해 테라헤르츠파 이미지 내 틀어짐 또는 뒤틀림이 얼마나 발생하였는지를 분석하여 상기 테라헤르츠파 이미지를 전처리하는 전처리부;
테라헤르츠파 이미지를 입력값으로, 테라헤르츠파 이미지 내 존재하는 다양한 은닉물을 출력값으로 하여 학습된 제1 학습모델 및 열화상 이미지를 입력값으로, 열화상 이미지 내 존재하는 다양한 은닉물들을 출력값으로 하여 학습된 제2 학습모델을 저장하는 메모리부;
상기 제1 학습모델 및 상기 제2 학습모델을 이용하여 전처리된 테라헤르츠파 이미지 및 열화상 이미지로부터 출입자가 소지하는 은닉물을 탐지하는 은닉물 탐지부; 및
수신한 가시광 이미지 내에서 출입자 이외의 나머지 배경을 제거하며, 상기 은닉물 탐지부가 탐지한 은닉물만을 테라헤르츠파 이미지 또는 열화상 이미지 내에서 추출하여, 배경이 제거된 가시광 이미지 내에 은닉물이 존재하는 위치에 대응되는 위치로 합성하는 영상 처리부를 포함하고,
상기 은닉물 탐지부는 열화상 이미지 내에서 출입자의 머리를 탐지하고 그로부터 출입자의 전신을 검출함으로써 출입자를 검출하고, 출입자의 신체 내에서 주변보다 상대적으로 온도가 낮거나 높은 부위 또는 구성을 탐지하는 것을 특징으로 하는 은닉물 탐지장치. - 삭제
- 제1항에 있어서,
상기 전처리부는,
상기 테라헤르츠파 이미지 및 상기 열화상 이미지의 포맷을 조정하는 것을 특징으로 하는 은닉물 탐지장치. - 제1항에 있어서,
상기 제1 학습모델 및 상기 제2 학습모델은,
CNN(Convolutional Neural Network) 또는 MLP(Multi Layer Perceptron)으로 각 입력값 및 출력값을 학습한 것을 특징으로 하는 은닉물 탐지장치. - 제1항에 있어서,
상기 영상 처리부에 의해 합성된 이미지를 출력하는 출력부를 더 포함하는 것을 특징으로 하는 은닉물 탐지장치. - 출입자가 은닉물을 소지하고 있는지 여부를 탐지하는 은닉물 탐지시스템에 있어서,
출입자를 촬영하는 테라헤르츠파 카메라;
출입자를 촬영하는 열화상 카메라;
출입자를 촬영하는 가시광 카메라;
자신과 출입자까지의 거리 정보를 획득하는 뎁스(Depth) 카메라; 및
출입자가 은닉물을 소지하고 있는지 여부를 탐지하는 은닉물 탐지장치를 포함하며,
상기 은닉물 탐지장치는,
외부로부터 출입자의 테라헤르츠파 이미지, 열화상 이미지 및 가시광 이미지를 수신하고, 뎁스 카메라로부터 출입자의 카메라까지의 거리 정보를 수신하는 통신부;
상기 뎁스 카메라로부터 수신한 거리정보를 이용하여 상기 뎁스 카메라의 각 촬영시점에서 출입자의 위치가 어디인지를 분석함으로써, 출입자의 이동 속도에 의해 테라헤르츠파 이미지 내 틀어짐 또는 뒤틀림이 얼마나 발생하였는지를 분석하여 상기 테라헤르츠파 이미지를 전처리하는 전처리부;
테라헤르츠파 이미지를 입력값으로, 테라헤르츠파 이미지 내 존재하는 다양한 은닉물을 출력값으로 하여 학습된 제1 학습모델 및 열화상 이미지를 입력값으로, 열화상 이미지 내 존재하는 다양한 은닉물들을 출력값으로 하여 학습된 제2 학습모델을 저장하는 메모리부;
상기 제1 학습모델 및 상기 제2 학습모델을 이용하여 전처리된 테라헤르츠파 이미지 및 열화상 이미지로부터 출입자가 소지하는 은닉물을 탐지하는 은닉물 탐지부; 및
수신한 가시광 이미지 내에서 출입자 이외의 나머지 배경을 제거하며, 상기 은닉물 탐지부가 탐지한 은닉물만을 테라헤르츠파 이미지 또는 열화상 이미지 내에서 추출하여, 배경이 제거된 가시광 이미지 내에 은닉물이 존재하는 위치에 대응되는 위치로 합성하는 영상 처리부를 포함하고,
상기 은닉물 탐지부는 열화상 이미지 내에서 출입자의 머리를 탐지하고 그로부터 출입자의 전신을 검출함으로써 출입자를 검출하고, 출입자의 신체 내에서 주변보다 상대적으로 온도가 낮거나 높은 부위 또는 구성을 탐지하는 것을 특징으로 하는 은닉물 탐지 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230044160A KR102574103B1 (ko) | 2023-04-04 | 2023-04-04 | THz 스캔 이미지를 이용한 인공지능 학습모델 기반의 은닉물 탐지 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230044160A KR102574103B1 (ko) | 2023-04-04 | 2023-04-04 | THz 스캔 이미지를 이용한 인공지능 학습모델 기반의 은닉물 탐지 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102574103B1 true KR102574103B1 (ko) | 2023-09-04 |
Family
ID=88018424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230044160A KR102574103B1 (ko) | 2023-04-04 | 2023-04-04 | THz 스캔 이미지를 이용한 인공지능 학습모델 기반의 은닉물 탐지 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102574103B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016032289A (ja) * | 2014-07-25 | 2016-03-07 | 日本電気株式会社 | 画像合成システム、画像合成方法、画像合成プログラム |
| KR101733125B1 (ko) * | 2015-11-18 | 2017-05-08 | (주)케이아이에스 | 배경스크린이 필요 없는 크로마키 영상 합성 방법 |
| KR20220071697A (ko) * | 2020-11-24 | 2022-05-31 | (주)아이씨엔아이티 | 비접촉방식의 섬유제품검색 서비스 제공 시스템 및 그 방법 |
-
2023
- 2023-04-04 KR KR1020230044160A patent/KR102574103B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016032289A (ja) * | 2014-07-25 | 2016-03-07 | 日本電気株式会社 | 画像合成システム、画像合成方法、画像合成プログラム |
| KR101733125B1 (ko) * | 2015-11-18 | 2017-05-08 | (주)케이아이에스 | 배경스크린이 필요 없는 크로마키 영상 합성 방법 |
| KR20220071697A (ko) * | 2020-11-24 | 2022-05-31 | (주)아이씨엔아이티 | 비접촉방식의 섬유제품검색 서비스 제공 시스템 및 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102466997B1 (ko) | 라이브니스 검사 방법 및 장치 | |
| CN109461168B (zh) | 目标对象的识别方法和装置、存储介质、电子装置 | |
| EP2467805B1 (en) | Method and system for image analysis | |
| US9224278B2 (en) | Automated method and system for detecting the presence of a lit cigarette | |
| US7174033B2 (en) | Methods and systems for detecting and recognizing an object based on 3D image data | |
| US7257236B2 (en) | Methods and systems for detecting and recognizing objects in a controlled wide area | |
| JP5459674B2 (ja) | 移動物体追跡システムおよび移動物体追跡方法 | |
| JP2008259190A (ja) | 顔領域検出装置及び検出方法 | |
| Krišto et al. | Thermal imaging dataset for person detection | |
| JP2009059073A (ja) | 撮影装置、撮影方法、人物認識装置および人物認識方法 | |
| KR20180001356A (ko) | 지능형 영상 보안 시스템 | |
| KR100813936B1 (ko) | 동영상의 동적 피사체 추출 및 영상합성 서비스 방법 | |
| KR102574103B1 (ko) | THz 스캔 이미지를 이용한 인공지능 학습모델 기반의 은닉물 탐지 장치 및 시스템 | |
| Lewicki et al. | AI thermometer for temperature screening: Demo abstract | |
| Aji et al. | Infrared image analysis for human face recognition | |
| Suresh et al. | An efficient low cost background subtraction method to extract foreground object during human tracking | |
| Nanda et al. | Soft computing techniques-based digital video forensics for fraud medical anomaly detection | |
| KR20120048156A (ko) | 신경망을 이용한 이동 물체의 혼잡도 측정 시스템 및 방법 | |
| WO2015128939A1 (ja) | 安全性判定システム、安全性判定装置、及び安全性判定方法 | |
| Farhi et al. | Smart identity management system by face detection using multitasking convolution network | |
| JP7388532B2 (ja) | 処理システム、処理方法及びプログラム | |
| US10867492B1 (en) | Systems and methods for discreet imaging of a scene | |
| KR101355206B1 (ko) | 영상분석을 이용한 출입 계수시스템 및 그 방법 | |
| CN112287760A (zh) | 基于行为监控的机场人物危险性量化方法 | |
| KR101311728B1 (ko) | 침입자의 얼굴감지 시스템 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |