KR102589150B1 - Long-distance object detection system using cumulative difference image - Google Patents
Long-distance object detection system using cumulative difference image Download PDFInfo
- Publication number
- KR102589150B1 KR102589150B1 KR1020220172508A KR20220172508A KR102589150B1 KR 102589150 B1 KR102589150 B1 KR 102589150B1 KR 1020220172508 A KR1020220172508 A KR 1020220172508A KR 20220172508 A KR20220172508 A KR 20220172508A KR 102589150 B1 KR102589150 B1 KR 102589150B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- unit
- data
- area
- zone
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 230000001186 cumulative effect Effects 0.000 title claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 21
- 238000013480 data collection Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000005192 partition Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Abstract
본 발명은 누적 차영상을 이용한 원거리 객체 검지 시스템에 관한 것이다. 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템은 데이터베이스와, CCTV를 통해 이미지 또는 영상 데이터를 수집하는 데이터 수집부와, 상기 데이터 수집부에서 수집한 이미지 또는 영상 데이터를 사전에 설정한 크기로 구획 및 영역화하는 이미지 구획부와, 상기 이미지 구획부에서 구획화 및 영역화한 이미지 또는 영상 데이터를 기반으로 객체로 의심되는 오브젝트가 있는지의 여부를 판단하고, 의심되는 오브젝트에 대하여 객체의 거리와 객체의 크기를 산출하는 데이터 분석부와, 상기 데이터 분석부에서 산출한 데이터를 기반으로 상기 의심되는 오브젝트가 객체인지 여부를 판단하는 객체 감지부 및 상기 객체 감지부에서 검지하고자 하는 객체종류와, 상기 객체의 크기와, 분석하는 알고리즘을 선택하고, 상기 데이터 분석부에서 분석할 때 필요한 기준값을 사전에 설정하는 제어 설정부를 포함한다.The present invention relates to a distant object detection system using cumulative difference images. A remote object detection system using accumulated difference images according to an embodiment of the present invention includes a data collection unit that collects image or video data through a database and CCTV, and the image or video data collected by the data collection unit in advance. An image division unit that divides and zones into a set size, determines whether or not there is an object suspected to be an object based on the image or video data sectioned and zoned in the image division, and detects the object as an object. A data analysis unit that calculates the distance and size of the object, an object detection unit that determines whether the suspected object is an object based on the data calculated by the data analysis unit, and a type of object to be detected by the object detection unit. and a control setting unit that selects the size of the object and an analysis algorithm, and sets in advance a reference value necessary for analysis in the data analysis unit.
Description
본 발명은 누적 차영상을 이용한 원거리 객체 검지 시스템에 관한 것이다. 더욱 상세하게는 이미지 또는 영상 데이터에서 객체를 검지하기 위한 누적 차영상을 이용한 원거리 객체 검지 시스템에 관한 것이다.The present invention relates to a distant object detection system using cumulative difference images. More specifically, it relates to a distant object detection system using cumulative difference images to detect objects in image or video data.
객체 검출(Object Detection)은 이미지 또는 비디오 상의 객체를 식별하는 컴퓨터 비전 기술로 객체 검출은 딥러닝과 머신러닝 알고리즘을 통해 산출되는 기술이다. 객체 검출(object detection)이란 사진이나 비디오에 촬영된 객체의 종류를 분류(classification)하고, 해당 객체의 위치를 추출하는(localization) 과정을 동시에 수행하는 것을 의미한다. 사람은 사진 또는 비디오를 볼 때 인물, 물체, 장면 및 시각적 세부 사항을 쉽게 알아볼 수 있다. 이처럼 사람이라면 당연히 할 수 있는 일을 컴퓨터가 할 수 있도록 학습시키는 것을 객체 검출 학습이라고 하며, (특허문헌 1)을 참조하여 구체적으로 설명하면 다음과 같다.Object detection is a computer vision technology that identifies objects in images or videos. Object detection is a technology calculated through deep learning and machine learning algorithms. Object detection means simultaneously performing the process of classifying the type of object captured in a photo or video and extracting the location of the object (localization). When people look at photos or videos, they can easily recognize people, objects, scenes, and visual details. In this way, teaching a computer to do things that a person can naturally do is called object detection learning, and is described in detail with reference to (Patent Document 1) as follows.
(특허문헌 1)은 맞춤형 객체 검출 모델을 가진 객체 검출 장치에 관한 것으로, 이에 따르면, 이미지 데이터를 수신하는 데이터 수신부와, 객체 검출 모델을 저장하는 메모리부 및 상기 데이터 수신부를 통해 수신된 이미지 데이터에 포함된 객체를 검출하도록 상기 메모리부에 저장된 객체 검출 모델을 실행하는 프로세서를 포함하는 객체 검출 장치로서, 상기 객체 검출 모델은, 검출하고자 하는 3차원 객체에 대한 촬영 조건과 관련된 파라미터에 의해 구분된 적어도 하나 이상의 학습 데이터들(이하 '학습 데이터 세트')을 통해 학습된 적어도 하나 이상의 객체 검출 모델인 객체 검출 장치를 포함한다.(Patent Document 1) relates to an object detection device with a customized object detection model. According to this, a data reception unit for receiving image data, a memory unit for storing the object detection model, and image data received through the data reception unit. An object detection device comprising a processor that executes an object detection model stored in the memory unit to detect an included object, wherein the object detection model includes at least one segment divided by parameters related to imaging conditions for a three-dimensional object to be detected. It includes an object detection device that is at least one object detection model learned through one or more learning data (hereinafter referred to as 'learning data set').
그러나, 전술한 (특허문헌 1)에 따르면, 객체를 검출할 때 객체 인근에 있는 또 다른 오브젝트(예를 들면 식물, 바위, 구조물 등)가 동시에 검출되면, 객체 검출 장치에서 검출하고자 하는 객체의 검출할 확률이 떨어지는 문제점이 있다.However, according to the above-mentioned (Patent Document 1), when detecting an object, if another object (e.g., plant, rock, structure, etc.) near the object is detected at the same time, the object to be detected is detected by the object detection device. There is a problem that the probability of doing so is low.
본 발명의 목적은 이미지 또는 영상 데이터에서 거리가 멀어짐에 따라 객체의 작아지는 현상이 발생하고 이는 객체 검지의 정확도가 낮아지는 현상이 발생하고, 이를 보완하고자, 원거리 객체를 정확하게 검지하기 위한 누적 차영상을 이용한 원거리 객체 검지 시스템을 제공하는 데 있다.The purpose of the present invention is to address the phenomenon that objects become smaller as the distance from image or video data increases, which lowers the accuracy of object detection. In order to compensate for this, a cumulative difference image is used to accurately detect distant objects. The goal is to provide a remote object detection system using .
상기 과제를 해결하기 위하여,In order to solve the above problems,
본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템은 데이터베이스;A distant object detection system using accumulated difference images according to an embodiment of the present invention includes a database;
CCTV를 통해 이미지 또는 영상 데이터를 수집하는 데이터 수집부;A data collection unit that collects image or video data through CCTV;
상기 데이터 수집부에서 수집한 이미지 또는 영상 데이터를 사전에 설정한 크기로 구획 및 영역화하는 이미지 구획부;an image division unit that divides and divides the image or video data collected by the data collection unit into a preset size;
상기 이미지 구획부에서 구획화 및 영역화한 이미지 또는 영상 데이터를 기반으로 객체로 의심되는 오브젝트가 있는지의 여부를 판단하고, 의심되는 오브젝트에 대하여 객체의 거리와 객체의 크기를 산출하는 데이터 분석부;a data analysis unit that determines whether there is an object suspected to be an object based on the image or video data segmented and divided by the image partition unit, and calculates the distance and size of the object with respect to the suspected object;
상기 데이터 분석부에서 산출한 데이터를 기반으로 상기 의심되는 오브젝트가 객체인지 여부를 판단하는 객체 감지부; 및an object detection unit that determines whether the suspected object is an object based on the data calculated by the data analysis unit; and
상기 객체 감지부에서 검지하고자 하는 객체종류와, 상기 객체의 크기와, 분석하는 알고리즘을 선택하고, 상기 데이터 분석부에서 분석할 때 필요한 기준값을 사전에 설정하는 제어 설정부; 를 포함할 수 있다.a control setting unit that selects the type of object to be detected by the object detection unit, the size of the object, and an analysis algorithm, and sets in advance a reference value required for analysis by the data analysis unit; may include.
또한, 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템에 있어서, 상기 이미지 구획부는, 상기 이미지 또는 영상이 CCTV의 촬영 지점으로부터 일정 거리에 위치하는 제1 존; 및Additionally, in the remote object detection system using accumulated difference images according to an embodiment of the present invention, the image partition unit includes: a first zone where the image or video is located at a certain distance from the CCTV shooting point; and
상기 이미지 또는 영상이 상기 CCTV의 촬영지점으로부터 일정 거리에 위치하는 제2 존; 을 포함할 수 있다. a second zone where the image or video is located at a certain distance from the CCTV shooting point; may include.
또한, 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템에 있어서, 상기 이미지 구획부는, 상기 제1 존 및 제2 존을 기준으로 영역을 구획하는 이미지 영역부; 를 더 포함하고,Additionally, in the distant object detection system using a cumulative difference image according to an embodiment of the present invention, the image partition unit includes an image area unit that partitions an area based on the first zone and the second zone; It further includes,
상기 이미지 영역부는, The image area is,
상기 상기 CCTV 촬영 지점 및 제1 존 사이에 위치하는 제1 영역;A first area located between the CCTV shooting point and the first zone;
상기 제1 존 및 제2 존 사이에 위치하는 제2 영역; a second area located between the first zone and the second zone;
상기 제2 존 이후에 위치하는 제3 영역; 을 포함할 수 있다.a third zone located after the second zone; may include.
또한, 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템에 있어서, 상기 제1 영역은, 상기 제어 설정부에서 객체의 크기를 1초과로 설정하고, 상기 데이터 분석부에서 객체를 식별할 때 딥러닝 알고리즘을 이용하여 객체 유무를 검출할 수 있다. Additionally, in the remote object detection system using a cumulative difference image according to an embodiment of the present invention, the first area is configured to set the size of the object to greater than 1 in the control setting unit and detect the object in the data analysis unit. When identifying, the presence or absence of an object can be detected using a deep learning algorithm.
또한, 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템에 있어서, 상기 제3 영역은, 상기 제어 설정부에서 객체의 크기를 1이하로 설정하고, 상기 객체 감지부에서 객체를 검지할 때, 누적 차영상 알고리즘을 사용하여 객체를 판단할 수 있다.Additionally, in the remote object detection system using a cumulative difference image according to an embodiment of the present invention, the third area sets the size of the object to 1 or less in the control setting unit and detects the object in the object detection unit. When detecting, the object can be judged using a cumulative difference image algorithm.
또한, 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템에 있어서, 상기 제2 영역은, 상기 제어 설정부에서 객체의 검출 크기를 1초과 또는 1이하의 값 중 어느 하나를 선택하여 설정하고, 상기 객체 감지부에서 객체를 검지할 때, 딥러닝 알고리즘 및 누적 차영상 알고리즘 중 적어도 어느 하나를 선택하여 객체를 판단할 수 있다.Additionally, in the remote object detection system using a cumulative difference image according to an embodiment of the present invention, the second area selects either a value of greater than 1 or less than 1 as the detection size of the object in the control setting unit. When the object detection unit detects an object, the object can be determined by selecting at least one of a deep learning algorithm and a cumulative difference image algorithm.
또한, 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템에 있어서, 기 데이터베이스는, 상기 데이터 수집부에서 이미지 또는 영상에서 반복적으로 검출되는 물체를 수집하여 저장하는 데이터 저장부; 를 포함하고,Additionally, in the remote object detection system using accumulated difference images according to an embodiment of the present invention, the database includes: a data storage unit that collects and stores objects repeatedly detected in images or videos in the data collection unit; Including,
상기 데이터 분석부는, 상기 이미지 또는 영상에서 상기 제어 설정부에서 사전에 설정한 객체로 의심되는 오브젝트 유무를 판단할 때 상기 데이터 저장부에 기 저장된 물체 데이터에 해당하는 영역을 제외하고, 나머지 영역을 분석할 수 있다. When determining the presence or absence of an object in the image or video that is suspected to be an object previously set in the control setting unit, the data analysis unit excludes the area corresponding to the object data previously stored in the data storage unit and analyzes the remaining area. can do.
이러한 해결 수단은 첨부된 도면에 의거한 다음의 발명의 상세한 설명으로부터 더욱 명백해질 것이다.These solutions will become more apparent from the following detailed description of the invention based on the accompanying drawings.
이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니 되며, 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야만 한다.Prior to this, the terms or words used in this specification and claims should not be interpreted in their usual, dictionary meaning, and the inventor may appropriately define the concept of the term in order to explain his or her invention in the best way. It must be interpreted with meaning and concept consistent with the technical idea of the present invention based on the principle that it can be done.
본 발명의 일실시 예에 따르면, 이미지 또는 영상 데이터에서 객체를 검출 할 때, 객체로 의심되는 오브젝트가 상대적으로 먼 지점(본 발명에서는 제3 영역에 해당함)에서도 객체유무를 검지하는 정확도 및 신뢰도를 향상시킬 수 있다. According to one embodiment of the present invention, when detecting an object from image or video data, the accuracy and reliability of detecting the presence or absence of an object even at a relatively distant point (corresponding to the third area in the present invention) is achieved. It can be improved.
또한, 본 발명의 일실시 예에 따르면, 반복적으로 검출되는 데이터 영역을 사전에 삭제하고, 나머지 영역에 대하여 분석을 진행하기 때문에 데이터 분석시간 및 분석에 필요한 자원 리소스를 최소화할 수 있어 실시간으로 객체의 검지 유무를 신속하게 판단할 수 있다. In addition, according to an embodiment of the present invention, data areas that are repeatedly detected are deleted in advance and analysis is performed on the remaining areas, thereby minimizing data analysis time and resources required for analysis. The presence or absence of detection can be quickly determined.
도 1은 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템을 나타내 보인 예시도.
도 2는 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템의 서버의 구성요소를 나타내 보인 블록도.
도 3은 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템의 이미지 또는 영상 데이터의 구획 및 영역화 하는 방법을 나타내 보인 예시도. Figure 1 is an exemplary diagram showing a distant object detection system using cumulative difference images according to an embodiment of the present invention.
Figure 2 is a block diagram showing the components of the server of a remote object detection system using accumulated difference images according to an embodiment of the present invention.
Figure 3 is an example diagram showing a method of segmenting and zoning an image or image data of a distant object detection system using a cumulative difference image according to an embodiment of the present invention.
본 발명의 특이한 관점, 특정한 기술적 특징들은 첨부된 도면들과 연관되는 이하의 구체적인 내용과 일실시 예로부터 더욱 명백해 질 것이다. 본 명세서에서 각 도면의 구성요소들에 참조 부호를 부가함에 있어, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 일실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.Unique aspects and specific technical features of the present invention will become more apparent from the following detailed description and embodiments in conjunction with the accompanying drawings. In this specification, when adding reference numerals to components in each drawing, it should be noted that the same components are given the same reference numerals as much as possible even if they are shown in different drawings. Additionally, when describing an embodiment of the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description will be omitted.
또한, 본 발명의 구성요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 또 다른 구성요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.Additionally, when describing the components of the present invention, terms such as first, second, A, B, (a), and (b) may be used. These terms are only used to distinguish the component from other components, and the nature, order, or order of the component is not limited by the term. When a component is described as being “connected,” “coupled,” or “connected” to another component, that component may be directly connected or connected to that other component, but there is another component between each component. It will be understood that elements may be “connected,” “combined,” or “connected.”
이하, 본 발명의 일실시 예를 첨부된 도면에 의거하여 상세히 설명하면 다음과 같다.Hereinafter, an embodiment of the present invention will be described in detail based on the attached drawings.
도 1에 도시된 바와 같이, 본 발명의 일실시 예에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템은 일정한 영역을 촬영하여 이미지 또는 영상 데이터(I)를 수집하는 촬영장치(2) 및 촬영장치에서 수집한 이미지 또는 영상 데이터(I)를 기반으로 객체 유무를 검출하는 서버(1)를 포함하여 구성될 수 있다. As shown in FIG. 1, the distant object detection system using a cumulative difference image according to an embodiment of the present invention includes a photographing device 2 and a photographing device that collects image or video data (I) by photographing a certain area. It may be configured to include a server 1 that detects the presence or absence of an object based on collected image or video data (I).
촬영장치(2)는 이미지 또는 영상 데이터(I)를 실시간으로 수집하고, 수집한 데이터를 서버(1)에 전송할 수 있으며, 서버(1)와 유무선 네트워크로 연결될 수 있으며, CCTV, 카메라가 촬영장치(2)에 해당될 수 있으며, 본 발명에서는 CCTV를 기준으로 설명하도록 한다. The photographing device (2) can collect image or video data (I) in real time and transmit the collected data to the server (1), and can be connected to the server (1) through a wired or wireless network. CCTV and cameras are the photographing devices. (2) may apply, and in the present invention, it will be explained based on CCTV.
서버(1)는 촬영장치(2)에서 수집한 데이터를 기반으로 객체 유무를 검출하는 기능을 수행하며, 데이터베이스(70), 데이터 수집부(10), 이미지 구획부(20), 데이터 분석부(40), 객체 감지부(50), 제어 설정부(60)를 포함하여 구성될 수 있다.The server 1 performs the function of detecting the presence or absence of an object based on the data collected from the imaging device 2, and includes a database 70, a data collection unit 10, an image partition unit 20, and a data analysis unit ( 40), an object detection unit 50, and a control setting unit 60.
데이터 수집부(10)는 촬영장치(2)에서 촬영한 이미지 또는 영상 데이터(I)를 수집하는 기능을 수행하며, 수집한 데이터를 이미지 구획부(20)에 전송할 수 있다. The data collection unit 10 performs a function of collecting images or image data (I) captured by the photographing device 2, and can transmit the collected data to the image partition unit 20.
이미지 구획부(20)는 데이터 수집부(10)에서 수집한 이미지 또는 영상 데이터(I)를 제어 설정부(60)에서 사전에 설정한 크기로 구획하여 객체(O)가 촬영장치(2)로부터 어느정도 거리가 있는지를 용이하게 분석할 수 있도록 구성된 요소이며, 도 3에 도시된 바와 같이, 촬영장치(2)에서 촬영한 이미지 또는 영상 데이터(I)를 제1 존(21) 및 제2 존(22)으로 구획할 수 있다.The image partition unit 20 divides the image or video data (I) collected by the data collection unit 10 into a size preset in the control setting unit 60 so that the object O can be separated from the imaging device 2. It is an element configured to easily analyze the distance, and as shown in FIG. 3, the image or video data (I) captured by the imaging device 2 is divided into the first zone 21 and the second zone ( 22).
제1 존(21)은 CCTV의 촬영 지점으로부터 일정 거리에 위치하는 지점이며, 본 발명에서는 CCTV의 촬영 지점으로부터 50M에 해당하는 위치가 제1 존(21)으로 좌표화할 수 있다. The first zone 21 is a point located at a certain distance from the CCTV shooting point, and in the present invention, a position corresponding to 50M from the CCTV shooting point can be coordinate as the first zone 21.
제2 존(22)은 이미지 또는 영상 데이터(I)가 CCTV의 촬영지점으로부터 일정 거리에 위치하는 지점이며, 본 발명에서는 제1 존(21)으로부터 150M에 해당하는 위치 또는 CCTV의 촬영 지점으로부터 200M에 해당하는 위치가 제2 존(22)으로 좌표화할 수 있다. The second zone 22 is a point where the image or video data (I) is located at a certain distance from the CCTV shooting point, and in the present invention, it is a position corresponding to 150M from the first zone 21 or 200M from the CCTV shooting point. The location corresponding to can be coordinates as the second zone 22.
이러한 제1 존(21) 및 제2 존(22)으로 이미지 또는 영상 데이터(I)를 구획화한 이후, 이미지 영역부(30)를 통해 이미지 또는 영상 데이터(I)를 영역화할 수 있다. After dividing the image or image data (I) into the first zone 21 and the second zone 22, the image or image data (I) can be zoned through the image area unit 30.
구체적으로, 이미지 영역부(30)는 제1 영역(31), 제2 영역(32), 제3 영역(33)으로 영역을 나눌 수 있는데, 제1 영역(31)은 CCTV 촬영 지점 내지 제1 존 사이에 위치하는 지점이고, 제2 영역(32)은 제1 존(21) 및 제2 존(22)의 사이에 위치하는 지점이며, 제3 영역(33)은 제2 존(22) 이후에 위치하는 지점으로 영역을 나눌 수 있다.Specifically, the image area 30 can be divided into a first area 31, a second area 32, and a third area 33, and the first area 31 is a CCTV shooting point to a first area. It is a point located between the zones, the second area 32 is a point located between the first zone 21 and the second zone 22, and the third area 33 is after the second zone 22. The area can be divided into points located at.
제어 설정부(60)는 객체 감지부(50)에서 검지하고자 하는 객체 종류와, 객체 크기에 대한 기준값을 사전에 설정할 수 있고, 추가로 객체 검출에 필요한 하나 이상의 알고리즘 중에서 하나를 선택하여 분석할 때 사용될 수 있으며, 본 발명에서의 객체 종류는 사람이고, 알고리즘은 딥러닝 알고리즘과 누적 차영상 알고리즘이며, 상기한 알고리즘은 후술할 데이터 분석부(40)에서 객체(O)를 분석하는 기준에 따라 선택하여 사용될 수 있다. The control setting unit 60 can set in advance the reference value for the object type and object size to be detected by the object detection unit 50, and when analyzing by selecting one of one or more algorithms required for object detection. It can be used, and the object type in the present invention is a person, the algorithm is a deep learning algorithm and a cumulative difference image algorithm, and the above algorithm is selected according to the criteria for analyzing the object (O) in the data analysis unit 40, which will be described later. It can be used.
여기서, 누적 차영상 알고리즘은 예컨대, 검지할 객체가 12번 프레임에 검출되었을 경우, 물체 검지를 시작하기 전에 카메라의 영상 프레임 중 11프레임 동안 영상 2번 프레임과 1번 프레임의 영상차(Diff1), 3번 프레임과 2번 프레임의 영상차(Diff2), ~중략~, 11번 프레임과 10번 프레임의 영상차(Diff10)를 산출하고, 산출한 영상차에 대한 평균을 산출하며, 산출된 영상차에 대한 평균(Av1)을 버퍼에 저장될 수 있다. 이 때, 검지할 현 프레임(12번 프레임)과 누적 평균(Av1)값과의 차이를 이용하여 물체를 검지하고, 물체가 검지되면 검지된 현 프레임인 12번 프레임과 11번 프레임의 영상차를 (Diff1)로 재 적용되며, 12번 프레임과 11번 프레임의 영상차(Diff1)를 산출하고, 이에 대한 평균값을 산출하며, 13번 프레임과 평균(Av2)의 차를 이용하여 물체를 검지하는 영상처리 기법이다. 모든 영상 프래임은 노이즈 제거를 위해 블러(Blur) 처리된 영상 프레임을 적용한다.Here, the cumulative difference image algorithm, for example, when an object to be detected is detected in frame 12, the image difference (Diff1) between image frames 2 and 1 during 11 frames of the camera's image frames before starting object detection, Calculate the image difference between frames 3 and 2 (Diff2), ~omitted~, the image difference between frames 11 and 10 (Diff10), calculate the average of the calculated image differences, and calculate the image difference The average (Av1) can be stored in the buffer. At this time, the object is detected using the difference between the current frame to be detected (frame 12) and the cumulative average (Av1) value, and when the object is detected, the image difference between frame 12 and frame 11, which is the current detected frame, is used. (Diff1) is reapplied, and the image difference (Diff1) between the 12th frame and the 11th frame is calculated, the average value is calculated, and the object is detected using the difference between the 13th frame and the average (Av2). It is a processing technique. All video frames are blurred to remove noise.
데이터 분석부(40)는 이미지 구획부(20) 및 이미지 영역부(30)에서 구획화 및 영역화한 이미지 또는 영상 데이터(I)를 기반으로 제어 설정부(60)에서 사전에 설정한 검지하고자 하는 객체(O)로 의심되는 오브젝트가 있는지의 여부를 판단하고, 의심되는 오브젝트에 대하여 객체(O)의 거리 및 크기를 산출하는 기능을 수행할 수 있다. The data analysis unit 40 uses the image or video data (I) segmented and zoned in the image partition unit 20 and the image area unit 30 to detect the data set in advance in the control setting unit 60. It is possible to perform a function of determining whether there is an object suspected to be the object O and calculating the distance and size of the object O with respect to the suspected object.
데이터 분석부(40)는 객체(O)로 의심되는 오브젝트를 분석할 때, 상기한 오브젝트가 어느 영역에 있는지에 따라 다르게 분석할 수 있다. When analyzing an object suspected to be the object O, the data analysis unit 40 may analyze it differently depending on which area the object is located in.
예컨대, 객체(O)로 의심되는 오브젝트가 제1 영역(31)에 위치하는 경우, 제어 설정부(60)에서 객체(O)의 크기를 1초과로 설정하여 객체(O)를 검지할 기준크기를 설정하고, 제어 설정부(60)에서 딥러닝 알고리즘을 선택하여 객체 유무를 검출할 수 있다. For example, when an object suspected to be the object O is located in the first area 31, the control setting unit 60 sets the size of the object O to exceed 1 to set the reference size for detecting the object O. You can set and select the deep learning algorithm in the control setting unit 60 to detect the presence or absence of an object.
또한, 예컨대, 객체(O)로 의심되는 오브젝트가 제3 영역(33)에 위치하는 경우, 제어 설정부(60)에서 객체(O)의 크기를 1이하로 설정하여 객체(O)를 검지할 기준크기를 설정하고, 객체(O) 유무를 검출할 수 있다. In addition, for example, when an object suspected to be the object O is located in the third area 33, the control setting unit 60 sets the size of the object O to 1 or less to detect the object O. You can set a standard size and detect the presence or absence of an object (O).
객체(O)를 검출한 이후, 객체 감지부(50)에서 객체(O)를 검지할 수 있으며, 객체(O)를 검지할 때 누적 차영상 알고리즘을 사용하여 검지하고자 하는 객체(O)가 맞는지에 대한 여부를 판단할 수 있다. After detecting the object (O), the object (O) can be detected by the object detection unit (50), and when detecting the object (O), the cumulative difference image algorithm is used to check whether the object (O) to be detected is correct. It is possible to determine whether .
또한, 예컨대, 객체(O)로 의심되는 오브젝트가 제2 영역(32)에 위치하는 경우, 제어 설정부(60)에서 객체(O)의 크기를 1초과 또는 1이하 중 어느 하나를 선택하여 객체(O)를 검지할 기준크기를 설정하고, 객체(O) 유무를 검출할 수 있다. 이 때, 객체(O)의 크기를 1초과로 설정하면, 제1 영역(31)에서 객체(O)를 검지한 프로세스와 동일한 프로세스로 진행될 수 있고, 객체(O)의 크기를 1이하로 설정하면, 제3 영역(33)에서 객체(O)를 검지한 프로세스와 동일한 프로세스로 진행될 수 있으며, 본 발명에서는 객체(O)의 크기를 1이하로 설정하여 제3 영역(33)에서 객체(O)를 검지한 프로세스와 동일하게 진행될 수 있다. In addition, for example, when an object suspected to be the object O is located in the second area 32, the control setting unit 60 selects the size of the object O as either greater than 1 or less than 1 to make the object O. You can set the standard size to detect (O) and detect the presence or absence of the object (O). At this time, if the size of the object (O) is set to exceed 1, the same process as the process of detecting the object (O) in the first area 31 can be performed, and the size of the object (O) is set to 1 or less. Then, the same process as the process of detecting the object O in the third area 33 can be performed. In the present invention, the size of the object O is set to 1 or less to detect the object O in the third area 33. ) can proceed in the same way as the process that detected it.
여기서, 객체(O)의 크기는 1이 객체의 평균크기(또는 서버에서 기 설정한 기준크기)이고, 수치가 1에서 커질수록 객체(O)의 기준크기가 커지는 것을 의미하고, 수치가 1에서 작아질수록 객체(O)의 기준크기가 작아지는 것을 의미한다. Here, the size of the object (O) is 1, which is the average size of the object (or the standard size preset by the server), and as the number increases from 1, it means that the standard size of the object (O) increases. This means that the smaller the size, the smaller the standard size of the object (O) becomes.
데이터베이스(70)는 제어 설정부(60)에서 사전에 설정한 기준값이 저장되고, 추가로 데이터 수집부(10)에서 수집한 데이터를 저장하는 기능을 수행한다. The database 70 stores reference values set in advance by the control setting unit 60 and additionally performs the function of storing data collected by the data collection unit 10.
또한, 데이터베이스(70)는 데이터 수집부(10)에서 수집한 하나 이상의 이미지 또는 영상 데이터에서 반복적으로 검출되는 물체의 정보를 수집하여 별도로 저장할 수 있고, 데이터 분석부(40)에서 객체(O)로 의심되는 오브젝트의 유무를 판단할 때, 데이터베이스(70)에 기 저장된 반복적으로 검출되는 물체의 정보와 동일한 데이터에 해당하는 영역을 제외하고, 나머지 영역에 대하여 객체(O)로 의심되는 오브젝트를 분석할 수 있다. In addition, the database 70 may collect and separately store information on objects repeatedly detected in one or more images or video data collected by the data collection unit 10, and may be converted to an object O in the data analysis unit 40. When determining the presence or absence of a suspected object, the area corresponding to the same data as the information on the repeatedly detected object previously stored in the database 70 is excluded, and the object suspected to be the object (O) is analyzed for the remaining area. You can.
따라서, 객체(O)로 의심되는 오브젝트 유무를 판단할 때, 반복적으로 검출되는 물체에 대한 데이터 영역을 1차로 삭제하고, 나머지 영역에 대하여 분석을 진행하기 때문에 데이터 분석시간이 최소화할 수 있고, 분석에 필요한 자원리소스를 절약할 수 있는 효과가 있다.Therefore, when determining the presence or absence of an object suspected to be an object (O), the data area for the repeatedly detected object is first deleted and the remaining area is analyzed, so the data analysis time can be minimized and the analysis It has the effect of saving resources needed for.
즉, 본 발명의 일실시 예에 따르면, 이미지 또는 영상 데이터에서 객체를 검출 할 때, 객체로 의심되는 오브젝트가 상대적으로 먼 지점(본 발명에서는 제3 영역에 해당함)에서도 객체유무를 검지하는 정확도 및 신뢰도를 향상시킬 수 있다. That is, according to an embodiment of the present invention, when detecting an object from image or video data, the accuracy of detecting the presence or absence of an object even at a relatively distant point (corresponding to the third area in the present invention) from the object suspected to be the object and Reliability can be improved.
또한, 본 발명의 일실시 예에 따르면, 반복적으로 검출되는 데이터 영역을 사전에 삭제하고, 나머지 영역에 대하여 분석을 진행하기 때문에 데이터 분석시간 및 분석에 필요한 자원 리소스를 최소화할 수 있어 실시간으로 객체의 검지 유무를 신속하게 판단할 수 있다. In addition, according to an embodiment of the present invention, data areas that are repeatedly detected are deleted in advance and analysis is performed on the remaining areas, thereby minimizing data analysis time and resources required for analysis. The presence or absence of detection can be quickly determined.
이상 본 발명을 일실시 예를 통하여 상세히 설명하였으나, 이는 본 발명을 구체적으로 설명하기 위한 것으로, 본 발명에 따른 누적 차영상을 이용한 원거리 객체 검지 시스템은 이에 한정되지 않는다. 그리고 이상에서 기재된 "포함하다", "구성하다", 또는 "가지다", 등의 용어는 특별히 반대되는 기재가 없는 한 해당 구성요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것으로 해석되어야 하며, 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다.The present invention has been described in detail through an example, but this is for detailed explanation of the present invention, and the distant object detection system using accumulated difference images according to the present invention is not limited to this. And terms such as “include,” “comprise,” or “have,” as used above mean that the corresponding component can be included unless specifically stated to the contrary, so excluding other components is not necessary. It should be construed as being capable of further including other components, and all terms, including technical or scientific terms, are generally understood by those skilled in the art to which the present invention pertains, unless otherwise defined. It has the same meaning as becoming.
또한, 이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형 가능하다. 따라서, 본 발명에 개시된 일실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 일실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.In addition, the above description is merely an illustrative explanation of the technical idea of the present invention, and various modifications and variations can be made by those skilled in the art without departing from the essential characteristics of the present invention. Accordingly, the embodiments disclosed in the present invention are not intended to limit the technical idea of the present invention, but are for illustrative purposes, and the scope of the technical idea of the present invention is not limited by these embodiments. The scope of protection of the present invention should be interpreted in accordance with the claims below, and all technical ideas within the equivalent scope should be construed as being included in the scope of rights of the present invention.
1 - 서버 2 - 촬영장치
10 - 데이터 수집부 20 - 이미지 구획부
21 - 제1 존 22 - 제2 존
30 - 이미지영역부 31 - 제1 영역
32 - 제2 영역 33 - 제3 영역
40 - 데이터 분석부 50 - 객체 감지부
60 - 제어 설정부 70 - 데이터베이스
I - 촬영장치에서 촬영한 이미지 또는 영상 데이터
O - 객체1 - Server 2 - Filming device
10 - data collection unit 20 - image compartment
21 - 1st zone 22 - 2nd zone
30 - image area 31 - first area
32 - Second area 33 - Third area
40 - data analysis unit 50 - object detection unit
60 - Control setting unit 70 - Database
I - Image or video data captured by a recording device
O - object
Claims (7)
CCTV를 통해 이미지 또는 영상 데이터를 수집하는 데이터 수집부;
상기 데이터 수집부에서 수집한 이미지 또는 영상 데이터를 사전에 설정한 크기로 구획 및 영역화하는 이미지 구획부;
상기 이미지 구획부에서 구획화 및 영역화한 이미지 또는 영상 데이터를 기반으로 객체로 의심되는 오브젝트가 있는지의 여부를 판단하고, 의심되는 오브젝트에 대하여 객체의 거리와 객체의 크기를 산출하는 데이터 분석부;
상기 데이터 분석부에서 산출한 데이터를 기반으로 상기 의심되는 오브젝트가 객체인지 여부를 판단하는 객체 감지부; 및
상기 객체 감지부에서 검지하고자 하는 객체종류와, 상기 객체의 크기와, 분석하는 알고리즘을 선택하고, 상기 데이터 분석부에서 분석할 때 필요한 기준값을 사전에 설정하는 제어 설정부; 를 포함하고,
상기 이미지 구획부는, 상기 이미지 또는 영상이 CCTV의 촬영 지점으로부터 일정 거리에 위치하는 제1 존;
상기 이미지 또는 영상이 상기 CCTV의 촬영지점으로부터 일정 거리에 위치하는 제2 존; 및
상기 제1 존 및 제2 존을 기준으로 영역을 구획하는 이미지 영역부; 를 포함하며,
상기 이미지 영역부는,
상기 상기 CCTV 촬영 지점 및 제1 존 사이에 위치하는 제1 영역;
상기 제1 존 및 제2 존 사이에 위치하는 제2 영역;
상기 제2 존 이후에 위치하는 제3 영역; 을 포함하고,
상기 제1 영역은, 상기 제어 설정부에서 객체의 크기를 1초과로 설정하고, 상기 객체 감지부에서 객체를 검지할 때, 딥러닝 알고리즘을 이용하여 객체를 판단하며,
상기 제2 영역은, 상기 제어 설정부에서 객체의 검출 크기를 1초과 또는 1이하의 값 중 어느 하나를 선택하여 설정하고, 상기 객체 감지부에서 객체를 검지할 때, 딥러닝 알고리즘 및 누적 차영상 알고리즘 중 적어도 어느 하나를 선택하여 객체를 판단하고,
상기 제3 영역은, 상기 제어 설정부에서 객체의 크기를 1이하로 설정하고, 상기 객체 감지부에서 객체를 검지할 때, 누적 차영상 알고리즘을 사용하여 객체를 판단하는, 누적 차영상을 이용한 원거리 객체 검지 시스템.
database;
A data collection unit that collects image or video data through CCTV;
an image division unit that divides and divides the image or video data collected by the data collection unit into a preset size;
a data analysis unit that determines whether there is an object suspected to be an object based on the image or video data segmented and divided by the image partition unit, and calculates the distance and size of the object with respect to the suspected object;
an object detection unit that determines whether the suspected object is an object based on the data calculated by the data analysis unit; and
a control setting unit that selects the type of object to be detected by the object detection unit, the size of the object, and an analysis algorithm, and sets in advance a reference value required for analysis by the data analysis unit; Including,
The image partition unit includes: a first zone where the image or video is located at a certain distance from the CCTV capture point;
a second zone where the image or video is located at a certain distance from the CCTV shooting point; and
an image area unit dividing an area based on the first zone and the second zone; Includes,
The image area is,
A first area located between the CCTV shooting point and the first zone;
a second area located between the first zone and the second zone;
a third zone located after the second zone; Including,
The first area determines the object using a deep learning algorithm when the control setting unit sets the size of the object to greater than 1 and the object detection unit detects the object,
In the second area, the control setting unit sets the detection size of the object by selecting either a value greater than 1 or less than 1, and when the object detection unit detects an object, a deep learning algorithm and a cumulative difference image are used. Select at least one of the algorithms to determine the object,
In the third area, the control setting unit sets the size of the object to 1 or less, and when the object detection unit detects the object, the third area determines the object using the cumulative difference image algorithm. Object detection system.
상기 데이터베이스는, 상기 데이터 수집부에서 이미지 또는 영상에서 반복적으로 검출되는 물체를 수집하여 저장하는 데이터 저장부; 를 포함하고,
상기 데이터 분석부는, 상기 이미지 또는 영상에서 상기 제어 설정부에서 사전에 설정한 객체로 의심되는 오브젝트 유무를 판단할 때 상기 데이터 저장부에 기 저장된 물체 데이터에 해당하는 영역을 제외하고, 나머지 영역을 분석하는, 누적 차영상을 이용한 원거리 객체 검지 시스템.In claim 1,
The database includes a data storage unit that collects and stores objects repeatedly detected in images or videos in the data collection unit; Including,
When determining the presence or absence of an object in the image or video that is suspected to be an object previously set in the control setting unit, the data analysis unit excludes the area corresponding to the object data previously stored in the data storage unit and analyzes the remaining area. A distant object detection system using cumulative difference images.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220172508A KR102589150B1 (en) | 2022-12-12 | 2022-12-12 | Long-distance object detection system using cumulative difference image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220172508A KR102589150B1 (en) | 2022-12-12 | 2022-12-12 | Long-distance object detection system using cumulative difference image |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102589150B1 true KR102589150B1 (en) | 2023-10-16 |
Family
ID=88506087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220172508A KR102589150B1 (en) | 2022-12-12 | 2022-12-12 | Long-distance object detection system using cumulative difference image |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102589150B1 (en) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101752586B1 (en) * | 2016-01-18 | 2017-06-30 | 조선대학교산학협력단 | Apparatus and method for monitoring object |
| KR101832274B1 (en) * | 2017-05-29 | 2018-02-27 | 주식회사 디케이앤트 | System for crime prevention of intelligent type by video photographing and method for acting thereof |
| KR20210067498A (en) * | 2019-11-29 | 2021-06-08 | 한동대학교 산학협력단 | Method and system for automatically detecting objects in image based on deep learning |
| KR102319468B1 (en) * | 2020-11-23 | 2021-10-29 | 주식회사 핀텔 | Method and device for detecting object based on deep learnning |
| KR20220060163A (en) * | 2020-11-04 | 2022-05-11 | 한국과학기술연구원 | Apparatus for detecting objects of interest based on 3d gaze point information and providing metadata reflecting user's perspective and perception |
| KR20220127188A (en) | 2020-06-11 | 2022-09-19 | 주식회사 에이아이프로 | Object recognition apparatus with customized object detection model |
-
2022
- 2022-12-12 KR KR1020220172508A patent/KR102589150B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101752586B1 (en) * | 2016-01-18 | 2017-06-30 | 조선대학교산학협력단 | Apparatus and method for monitoring object |
| KR101832274B1 (en) * | 2017-05-29 | 2018-02-27 | 주식회사 디케이앤트 | System for crime prevention of intelligent type by video photographing and method for acting thereof |
| KR20210067498A (en) * | 2019-11-29 | 2021-06-08 | 한동대학교 산학협력단 | Method and system for automatically detecting objects in image based on deep learning |
| KR20220127188A (en) | 2020-06-11 | 2022-09-19 | 주식회사 에이아이프로 | Object recognition apparatus with customized object detection model |
| KR20220060163A (en) * | 2020-11-04 | 2022-05-11 | 한국과학기술연구원 | Apparatus for detecting objects of interest based on 3d gaze point information and providing metadata reflecting user's perspective and perception |
| KR102319468B1 (en) * | 2020-11-23 | 2021-10-29 | 주식회사 핀텔 | Method and device for detecting object based on deep learnning |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101337060B1 (en) | Imaging processing device and imaging processing method | |
| JP4616702B2 (en) | Image processing | |
| KR101687530B1 (en) | Control method in image capture system, control apparatus and a computer-readable storage medium | |
| CN109727275B (en) | Object detection method, device, system and computer readable storage medium | |
| US7982774B2 (en) | Image processing apparatus and image processing method | |
| JP6555906B2 (en) | Information processing apparatus, information processing method, and program | |
| KR101781358B1 (en) | Personal Identification System And Method By Face Recognition In Digital Image | |
| US10037467B2 (en) | Information processing system | |
| US9934576B2 (en) | Image processing system, image processing method, and recording medium | |
| JP6565600B2 (en) | Attention detection device and attention detection method | |
| US9953240B2 (en) | Image processing system, image processing method, and recording medium for detecting a static object | |
| CN105631418A (en) | People counting method and device | |
| CN110674680B (en) | Living body identification method, living body identification device and storage medium | |
| EP2309454A2 (en) | Apparatus and method for detecting motion | |
| KR102391853B1 (en) | System and Method for Processing Image Informaion | |
| US20220366570A1 (en) | Object tracking device and object tracking method | |
| CN110992393A (en) | Target motion tracking method based on vision | |
| KR101214858B1 (en) | Moving object detecting apparatus and method using clustering | |
| KR101509593B1 (en) | Image classification method and apparatus for preset tour camera | |
| US11605224B2 (en) | Automated media editing operations in consumer devices | |
| JP2020091649A (en) | Image processing device, image processing system, control method of image processing device, and program | |
| KR102096784B1 (en) | Positioning system and the method thereof using similarity-analysis of image | |
| KR102589150B1 (en) | Long-distance object detection system using cumulative difference image | |
| CN107403192B (en) | Multi-classifier-based rapid target detection method and system | |
| KR101154350B1 (en) | Multiple Images Processing system using Detection of Objects and segmenting - recognizing of High- resolution Image and there of. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |