KR102591399B1 - 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 cctv 인공지능 시스템 - Google Patents
버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 cctv 인공지능 시스템 Download PDFInfo
- Publication number
- KR102591399B1 KR102591399B1 KR1020220173659A KR20220173659A KR102591399B1 KR 102591399 B1 KR102591399 B1 KR 102591399B1 KR 1020220173659 A KR1020220173659 A KR 1020220173659A KR 20220173659 A KR20220173659 A KR 20220173659A KR 102591399 B1 KR102591399 B1 KR 102591399B1
- Authority
- KR
- South Korea
- Prior art keywords
- bus
- cctv
- radar
- learning
- video
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 abstract description 76
- 230000033001 locomotion Effects 0.000 abstract description 52
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000035939 shock Effects 0.000 abstract description 4
- 238000010191 image analysis Methods 0.000 description 71
- 238000000034 method Methods 0.000 description 50
- 238000013528 artificial neural network Methods 0.000 description 49
- 239000010410 layer Substances 0.000 description 43
- 238000012549 training Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 23
- 230000008859 change Effects 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 16
- 238000007726 management method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000007797 corrosion Effects 0.000 description 10
- 238000005260 corrosion Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 239000011247 coating layer Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- BDJRBEYXGGNYIS-UHFFFAOYSA-N nonanedioic acid Chemical compound OC(=O)CCCCCCCC(O)=O BDJRBEYXGGNYIS-UHFFFAOYSA-N 0.000 description 4
- 239000000843 powder Substances 0.000 description 4
- 229920005989 resin Polymers 0.000 description 4
- 239000011347 resin Substances 0.000 description 4
- 210000000225 synapse Anatomy 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000003373 anti-fouling effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- 239000004734 Polyphenylene sulfide Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 235000013870 dimethyl polysiloxane Nutrition 0.000 description 2
- 239000004205 dimethyl polysiloxane Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- BXWNKGSJHAJOGX-UHFFFAOYSA-N hexadecan-1-ol Chemical compound CCCCCCCCCCCCCCCCO BXWNKGSJHAJOGX-UHFFFAOYSA-N 0.000 description 2
- XJNUECKWDBNFJV-UHFFFAOYSA-N hexadecyl 2-ethylhexanoate Chemical compound CCCCCCCCCCCCCCCCOC(=O)C(CC)CCCC XJNUECKWDBNFJV-UHFFFAOYSA-N 0.000 description 2
- 239000003112 inhibitor Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 229920000435 poly(dimethylsiloxane) Polymers 0.000 description 2
- 229920005668 polycarbonate resin Polymers 0.000 description 2
- 239000004431 polycarbonate resin Substances 0.000 description 2
- 229920000069 polyphenylene sulfide Polymers 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 150000003505 terpenes Chemical class 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OBETXYAYXDNJHR-SSDOTTSWSA-M (2r)-2-ethylhexanoate Chemical compound CCCC[C@@H](CC)C([O-])=O OBETXYAYXDNJHR-SSDOTTSWSA-M 0.000 description 1
- ZZMVLMVFYMGSMY-UHFFFAOYSA-N 4-n-(4-methylpentan-2-yl)-1-n-phenylbenzene-1,4-diamine Chemical compound C1=CC(NC(C)CC(C)C)=CC=C1NC1=CC=CC=C1 ZZMVLMVFYMGSMY-UHFFFAOYSA-N 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- OBETXYAYXDNJHR-UHFFFAOYSA-N alpha-ethylcaproic acid Natural products CCCCC(CC)C(O)=O OBETXYAYXDNJHR-UHFFFAOYSA-N 0.000 description 1
- 230000003254 anti-foaming effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 229960000541 cetyl alcohol Drugs 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000008199 coating composition Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 150000002148 esters Chemical class 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229920006015 heat resistant resin Polymers 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004078 waterproofing Methods 0.000 description 1
Images
Classifications
-
- G06Q50/30—
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04H—BUILDINGS OR LIKE STRUCTURES FOR PARTICULAR PURPOSES; SWIMMING OR SPLASH BATHS OR POOLS; MASTS; FENCING; TENTS OR CANOPIES, IN GENERAL
- E04H1/00—Buildings or groups of buildings for dwelling or office purposes; General layout, e.g. modular co-ordination or staggered storeys
- E04H1/12—Small buildings or other erections for limited occupation, erected in the open air or arranged in buildings, e.g. kiosks, waiting shelters for bus stops or for filling stations, roofs for railway platforms, watchmen's huts or dressing cubicles
- E04H1/1205—Small buildings erected in the open air
- E04H1/1211—Waiting shelters for bus stops
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B3/00—Audible signalling systems; Audible personal calling systems
- G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Architecture (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Structural Engineering (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Acoustics & Sound (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Civil Engineering (AREA)
- Operations Research (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 CCTV 인공지능 시스템에 관한 것으로, 보다 상세하게는 버스 승강장, 교차로, 업무시설 등과 같이 대중이 많은 장소에 설치되는 감시용 CCTV와 교통 관제용 CCTV를 구별하여 서로 다른 시스템에 적용되었던 종래 CCTV 관제 시스템의 오보가 많았던 문제점을 관리수단이 객체 감지와 클라우드에서 상황 분석에 기반하여 자체적으로 외부 환경과 오염과 충격 등으로부터 보호되어 모니터링과 같은 핵심적인 상황 관리 역할을 안정적으로 수행하고, 초음파 레이더 장치를 이용하여 대상 객제의 위치, 크키, 이동방향, 이동속도를 분석하며 해당 음성급 신호의 안내메시지를 스피커로 출력하므로 주변의 민원발생 우려를 해소하는 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 CCTV 인공지능 시스템에 관한 것이다.
Description
본 발명은 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 CCTV 인공지능 시스템에 관한 것으로, 보다 상세하게는 버스 승강장, 교차로, 업무시설 등과 같이 대중이 많은 장소에 설치되는 감시용 CCTV와 교통 관제용 CCTV를 구별하여 서로 다른 시스템에 적용되었던 종래 CCTV 관제 시스템의 오보가 많았던 문제점을 관리수단이 객체 감지와 클라우드에서 상황 분석에 기반하여 자체적으로 외부 환경과 오염과 충격 등으로부터 보호되어 모니터링과 같은 핵심적인 상황 관리 역할을 안정적으로 수행하고, 초음파 레이더 장치를 이용하여 대상 객제의 위치, 크키, 이동방향, 이동속도를 분석하며 해당 음성급 신호의 안내메시지를 스피커로 출력하므로 주변의 민원발생 우려를 해소하는 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 CCTV 인공지능 시스템에 관한 것이다.
버스승강장과 주거지역 및 업무시설 등에 설치된 기존 CCTV 설비의 주된 이용현황을 보면 이벤트 발생 시점에서 즉각적인 대응을 못하고, 발생 후 저장된 영상을 통하여 이벤트에 대한 원인 분석과 결과 처리 정도로 이용되고 있는 실정이다.
따라서 기존 CCTV 설비로는 사고와 범죄에 대한 예방 및 즉각적인 조치가 어려운 경우가 많았다.
지능형 CCTV의 초기 모델은 룰 기반으로 운영되었고 룰 기반의 지능형 CCTV는 영상에서 움직이는 픽셀을 감지하여 이동물체를 감지 또는 검출하였다.
그러나 룰 기반 지능형 CCTV는 사람과 사물의 객체를 구분하지 못했고, 수동으로 감지레벨이 설정되어야 하는 어려움이 있었다. 룰 기반 지능형 CCTV에서 사람이 이동하는 경우에 알림이 발생되어야 하는데, 개와 고양이 등의 가축이 지나가는 경우와 낙엽이 날라가거나 나무가 바람에 흔들리는 경우 및 노이즈가 생겼을 경우 등에도 알람이 발생되어 하루에도 다수의 오보가 자주 발생하므로 지능형 CCTV를 설치해 놓고도 알람을 작동시키지 않은 상태로 육안 관제에 의존해야 했다.
하나의 관련 기술로서 지능형 협업 서버, 시스템 및 이의 협업 기반 분석 방법이 등록번호 KR 제10-2008503호의 공고공보에 개시된다.
이러한 관련 기술에 따르면 여러 가지 분석 기법에 의한 정보 분석이 실제로는 불가능하고, 제1 영상 분석 정보와 제2 영상 분석 정보가 서로 상충하는 경우 높은 신뢰도를 갖는 분석 기법을 선택하는 방법이 제시되어 있지 않았다.
그리고 위의 관련 기술은 영상 분석에 기초하여 카메라 제어 정보를 생성하는 것에 한정되어 있다는 단점이 있다.
또한, 버스승강장의 안내방송에 의하여 주변으로부터 소음 발생 민원이 제기되는 문제와 버스승강장의 승객 검출에 카메라의 가시광선을 이용하므로 조명이 어두운 등의 경우에 객체 식별력이 현저히 떨어지는 등의 문제가 여전히 남아 있었다.
본 발명은 이상과 같은 문제점등을 해결하고자 안출된 것으로서, 버스 승강장, 교차로, 업무시설 등과 같이 대중이 많은 장소에 설치되는 감시용 CCTV와 교통 관제용 CCTV를 구별하여 서로 다른 시스템에 적용되었던 종래 CCTV 관제 시스템의 오보가 많았던 문제점을 관리수단이 객체 감지와 클라우드에서 상황 분석에 기반하여 자체적으로 외부 환경과 오염과 충격 등으로부터 보호되어 모니터링과 같은 핵심적인 상황 관리 역할을 안정적으로 수행하고, 초음파 레이더 장치를 이용하여 대상 객제의 위치, 크키, 이동방향, 이동속도를 분석하며 해당 음성급 신호의 안내메시지를 스피커로 출력하므로 주변의 민원발생 우려를 해소하는 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 CCTV 인공지능 시스템을 제공함에 있다.
본 발명은 상기한 목적을 달성하기 위한 수단으로, 버스승강장에 설치되며 감시 영상을 수집하고 이를 전송하는 하나 이상 다수로 이루어지는 카메라; 버스승강장에 설치되며 객체의 이동 상태를 초음파 신호로 검출하여 전송하는 하나 이상 다수로 이루어지는 레이더; 버스승강장에 설치되며 안내 메시지를 음성급 신호로 출력하는 하나 이상 다수로 이루어지는 스피커; 상기 카메라 및 레이더가 보낸 정보를 수신하여 인공지능으로 분석하고 판단하여 위험시 스피커를 통해 경고방송을 송출하는 통합관제서버;를 포함하되,
상기 감시 영상은 버스승강장의 안전선 밖에 위치한 승객 또는 버스승강장으로 진입하는 버스를 촬상한 영상이고; 상기 초음파 신호는 버스승강장의 안전선 밖에 위치한 승객 또는 버스승강장으로 진입하는 버스를 검출한 신호인 것을 특징으로 하는 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 CCTV 인공지능 시스템을 제공한다.
이때, 상기 통합관제서버의 제어신호에 따라 버스가 버스정거장의 정해진 라인 안쪽으로 진입하면 자동으로 개폐하여 승객의 안전한 승하차를 유도하는 안전도어(400)를 더 포함하되, 상기 안전도어(400)는 버스정거장에 설치된 한 쌍의 포스트(P1,P2) 상단을 가로질러 고정되는 슬라이드가이더(410)와, 상기 슬라이드가이더(410)와 간격을 두고 슬라이드가이더(410)에 고정된 서브프레임(420)과, 상기 서브프레임(420)에 고정되고 상기 슬라이드가이더(410) 전방에 배치되게 브라켓(422)으로 고정된 좌,우 한 쌍의 봉롤(430)과, 상기 슬라이드가이더(410) 상부에 배치되고 상기 서브프레임(420)에 제자리회전되게 고정되며 길이 중앙을 기준으로 서로 나선방향이 반대로 형성된 스크류샤프트(440)와, 상기 스크류샤프트(440)의 일단에 고정된 동력발생기(450)와, 상기 스크류샤프트(440)에 치결합되어 스크류샤프트(440)를 따라 좌,우 방향으로 움직일 수 있는 좌,우 한 쌍의 유동부재(460)와, 상기 유동부재(460)의 하단면에 고정되어 좌우로 움직이면서 버스정거장을 개폐하는 한 쌍의 스크린(470)을 포함하는 것에도 그 특징이 있다.
본 발명에 따르면, 버스 승강장, 교차로, 업무시설 등과 같이 대중이 많은 장소에 설치되는 감시용 CCTV와 교통 관제용 CCTV를 구별하여 서로 다른 시스템에 적용되었던 종래 CCTV 관제 시스템의 오보가 많았던 문제점을 관리수단이 객체 감지와 클라우드에서 상황 분석에 기반하여 자체적으로 외부 환경과 오염과 충격 등으로부터 보호되어 모니터링과 같은 핵심적인 상황 관리 역할을 안정적으로 수행하고, 초음파 레이더 장치를 이용하여 대상 객제의 위치, 크키, 이동방향, 이동속도를 분석하며 해당 음성급 신호의 안내메시지를 스피커로 출력하므로 주변의 민원발생 우려를 해소하는 효과가 있다.
도 1은 종래 기술에 따른 CCTV 관제 시스템의 블록도이다.
도 2는 본 발명에 따른 시스템이 연결된 네트워크 환경의 예시도이다.
도 3은 본 발명에 따른 시스템의 블록도이다.
도 4는 본 발명에 따른 시스템을 구성하는 영상분석 장치의 블록도이다.
도 5는 본 발명에 따른 시스템의 상세한 블록도이다.
도 6은 본 발명에 따른 시스템을 이용한 상황 분석 기반 버스승강장의 CCTV 관제 방법 신호 흐름도이다.
도 7은 본 발명에 따른 시스템을 이용한 상황 분석 기반 버스승강장의 CCTV 관제 방법의 운용 순서도이다.
도 8은 본 발명에 따른 시스템을 이용한 상황 분석 기반 버스승강장의 CCTV 관제 신호 처리도이다.
도 9는 본 발명에 따른 시스템을 구성하는 안전도어의 예시도이다.
도 2는 본 발명에 따른 시스템이 연결된 네트워크 환경의 예시도이다.
도 3은 본 발명에 따른 시스템의 블록도이다.
도 4는 본 발명에 따른 시스템을 구성하는 영상분석 장치의 블록도이다.
도 5는 본 발명에 따른 시스템의 상세한 블록도이다.
도 6은 본 발명에 따른 시스템을 이용한 상황 분석 기반 버스승강장의 CCTV 관제 방법 신호 흐름도이다.
도 7은 본 발명에 따른 시스템을 이용한 상황 분석 기반 버스승강장의 CCTV 관제 방법의 운용 순서도이다.
도 8은 본 발명에 따른 시스템을 이용한 상황 분석 기반 버스승강장의 CCTV 관제 신호 처리도이다.
도 9는 본 발명에 따른 시스템을 구성하는 안전도어의 예시도이다.
이하에서는, 첨부도면을 참고하여 본 발명에 따른 바람직한 실시예를 보다 상세하게 설명하기로 한다.
본 발명 설명에 앞서, 이하의 특정한 구조 내지 기능적 설명들은 단지 본 발명의 개념에 따른 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며, 본 명세서에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니된다.
본 발명의 구체적인 설명에 앞서 먼저 도 1을 참조하면, 서버 기반의 영상분석 방법을 수행하는 영상 분석 서버가 도시되어 있다. 영상 분석 서버(Video Analysis Server)는 n개의 카메라에서 전송되는 비디오 스트림을 처리하고, n개 채널의 비디오 스트림 중에서 이벤트와 관련된 비디오 스트림이 통합관제서버(Video Management Server)를 통해 집중적으로 보여지고, 알람이 동작된다.
영상 분석 서버가 수행하는 객체 감지 기술은 머신 러닝에 기초하여, 학습된 행동 패턴을 기반으로 감시, 위험 상황 혹은 특이 사항 등을 인지하고 추출할 수 있다.
서버 기반의 영상분석 방법은 카메라로부터 영상을 전송 받아서 지능형 영상분석을 수행하는 집중형 구조로써 카메라에 대한 의존성이 없기 때문에 기존 시스템에 적용하기 용이하지만, 서버 한대가 처리할 수 있는 카메라수가 제한적이기 때문에 확장성에 문제가 있다.
그리고 서버 기반 영상분석의 문제점은 학습패턴과 동일 또는 유사한 상황이나 대상에 대해 인지하고 추출하는 경우가 아닌 예상 밖의 상황 변화와 연관된 객체 변화 등의 발생을 인식하고 대상 추출에 과도한 이벤트가 발생하거나 오탐률이 높아지는 것이다.
또한, 영상 분석 서버가 다수의 채널에서 송신되는 영상 정보를 분석하고 처리하므로 과도한 영상 데이터의 전송 및 처리로 인한 네트워크 및 시스템의 부하 문제도 발생할 수 있다.
서버 기반의 영상분석 방법 외에 에지 기반의 영상분석 방법은 카메라 또는 카메라와 연결된 영상 인코더에서 영상을 분석하는 방법으로 영상을 전송하기 위해서 압축하는 과정에서 발생하는 신호의 왜곡 없이 영상을 분석할 수 있다는 장점이 있다.
그러나 임베디드 장비의 연산 능력이 제한될 수 있기 때문에 복잡도가 높은 영상분석 기법을 적용할 수 없고 추후 기능 업그레이드가 비교적 어려웠다.
본 발명의 일 실시 예에 따른 스피커와 초음파 신호를 이용하는 레이더가 포함되고 상황 분석 기반 버스승강장의 CCTV 관제 시스템(100)은 초음파 레이더 신호와 에지 기반의 영상신호 분석과 서버 기반의 영상신호 분석을 모두 포함하는 하이브리드 영상분석 방법에 기반한다.
버스승강장에서 승객 또는 객체 검출과 식별에 초음파 레이더를 이용하므로 버스승강장 주변의 조명에 관계 없이 저녁 또는 밤 또는 비바람 또는 눈보라 또는 심한 황사, 미세먼지 또는 심각한 매연 환경속에서도 언제 어느때나 승객 또는 객체의 상태와 위치를 정확하게 식별하고 검출한다.
또한, 버스승강장에서 버스 승객 또는 버스 이용자 안전을 위한 안내메시지를 스피커를 이용하여 버스승강장 내부에 한정되도록 방송하므로 소음에 의한 주변 민원발생 소지를 줄이고 버스승객 또는 버스 이용자의 안전성을 매우 획기적으로 높일 수 있다.
예컨대, 도 2의 예시와 같이, 본 발명에 따른 시스템(100)은 높은 네트워크 대역폭 사용율, 서버당 처리할 수 있는 채널의 수 문제, 에지기반의 방법의 디바이스 연산 능력으로 고수준 영상분석 기법의 적용 제한 등의 문제점을 해결하기 위하여 두 방법의 장점을 결합하고 버스 승강장에 초음파 레이더(115)를 이용하여 이용자(버스 승객)의 위치를 검출하고 고지향스피커를 이용하여 소음에 의한 민원 발생의 소지를 획기적으로 줄이면서도 버스승객의 안전한 승하차를 안내하는 하이브리드 기반의 방법에 해당한다.
상기 시스템(100)은 영상분석에 있어서 에지에서 객체의 움직임을 감지하고, 객체의 움직임에 기반하여 상황 변화를 감지하고, 객체의 움직임과 상황 변화에 기반하여 이벤트의 발생 여부를 판단할 수 있다.
이러한 시스템(100)은 카메라(110), 레이더(115), 스피커(117) 제1 영상분석장치(120), 제2 영상분석장치(130) 및 통합관제서버(150)를 포함하도록 구성될 수 있다.
카메라(110)는 상기 시스템(100)의 여러 가지 용도에 따라 다양한 장소에 설치될 수 있다. 예를 들어 카메라(100)는 교통데이터 수집, 통과차량 카운팅, 차량의 진행방향 확인, 차량의 비정상적인 정차 감지를 위해 교차로에 설치되거나, 특정지역의 주의상황 감지, 특정지역의 침입자 감지, 근거리 화재 또는 연기감지, 게이트로의 출입자 탐지, 배회자 추적을 위해 사유 또는 공공 건조물이나 거리에 설치되거나, 폭력 감지, 어린이 추돌사고, 횡단보도 안전사고의 감지를 위해 학교 시설물이나 어린이 보호구역에 설치될 수 있다.
본 발명에서는 버스 승강장에서 버스 승객에게 버스의 도착과 출발, 안전영역에 승객이 위치하는지의 여부를 영상으로 검출 분석하기 위하여 카메라(110)가 설치되고 운용되는 것으로 설명한다.
카메라(110)는 네트워크 상에서 IP 주소가 부여되지 않은 카메라 및 IP 주소가 부여된 IP 카메라 중에서 적어도 하나의 종류를 포함하도록 구성될 수 있다. IP 주소가 부여되지 않은 카메라는 IP 주소가 부여된 영상 인코딩장치와 연결될 수 있다. 따라서 IP 카메라 또는 영상 인코딩 장치는 인코딩된 비디오 스트리밍을 제1 영상분석장치(120) 및 제2 영상분석(130)에 전송할 수 있다.
레이더(115)는 통합관제서버(150)의 해당 제어신호에 의하여 초음파 신호를 지향성 있게 발생하여 출력하고 물체에 반사되어 회신되는 초음파 신호를 분석하므로 버스 승강장의 안전영역에 버스승객이 위치하는지 여부는 물론 버스정류장으로 진입하는 객체인 버스도 확인한다.
레이더(115)는 임베디드에 의하여 자체적으로 초음파 신호를 송신하고 수신된 신호를 분석하므로 대상 물체의 위치와 크기, 이동여부, 이동방향, 이동속도 등을 모두 확인할 수 있다. 레이더의 이러한 기능은 매우 잘 알려져 있으므로 구체적인 설명은 생략하기로 한다.
레이더(115)는 버스승강장 영역 안에서 하나 이상 다수가 설치된다.
레이더(115)를 이용하므로 조명 여부에 관계없이 버스승강장 영역에서의 객체 이동상태, 위치 등을 검출 한다.
스피커(117)는 통합관제서버(150)의 해당 제어신호에 의하여 버스 승강장에서 버스 승객이 안전영역에 위치하여야 된다는 메시지, 버스가 도착한다는 메시지, 버스가 출발한다는 메시지 및 기타 안내 메시지 등을 버스승강장 영역에만 송출하는 지향성이 매우 높은 스피커이며 주변에서 발생할 수 있는 소음민원을 원천적으로 해소한다.
스피커(117)는 버스승강장 영역 안에서 하나 이상 다수가 설치된다.
제1 영상분석장치(120)는 객체의 움직임에 기초하여 영상을 분석할 수 있다. 반면 제2 영상분석 장치(120)는 상황 변화에 기초하여 영상을 분석할 수 있다. 여기서 제1 영상분석장치(120)는 임베디드 시스템 형태로 카메라(110)에 포함되도록 구성될 수 있다.
이벤트의 발생을 감지하기 위해 제1 영상분석장치(120)는 이벤트 발생과 관련된 객체의 움직임을 판단하는데 필요한 제1 영상분석을 수행하고, 제2 영상분석장치(130)는 이벤트 발생과 관련된 상황 변화를 판단하는데 필요한 영상분석을 수행할 수 있다.
또한, 제1 영상분석장치(120)와 제2 영상분석장치(130)는 인공지능 모델, 예를 들어 인공지능 모델로서 인공신경망을 저장하고 있어서 이를 이용하여 영상을 분석할 수 있는데, 각각의 장치가 이용하는 인공지능 모델은 객체의 움직임 파악에 중점을 둔 학습과 상황의 변화에 중점을 둔 학습에 의해 각각 따로 훈련되는 것을 특징으로 한다.
여기서, 제2 영상분석장치(130)는 제1 영상분석장치(120)의 영상분석 결과물인 제1 메타데이터를 이용하여 제2 메타데이터를 생성할 수 있다. 제2 영상분석장치(130)는 제1 메타데이터와 제2 메타데이터를 이용하여 객체의 움직임이 이벤트의 발생으로 연결되는지 최종적인 판단을 한다.
통합관제서버(150)는 이벤트 발생의 알람을 표시하고, 각종 안내메시지가 출력되도록 해당 제어신호를 출력하며 감시하고 해당 영상을 통합 관제 뷰어(160)를 통해 필요한 정보를 표시할 수 있다. 그 밖에 수신한 제2 메타데이터를 이용하여 카메라(110)의 동작을 제어할 수 있다. 또한, 통합관제서버(150)는 영상분석에 필요한 각종 설정을 제1 영상분석장치(120)와 제2 영상분석장치(130)에 저장할 수 있다.
통합관제서버(150)는 레이더(115)가 검출한 신호를 인가받아 분석하여 버스승강장에서 버스 승객이 안전영역에 위치하는지 또는 위험영역에 위치하는지를 판단하고 필요한 해당 제어신호를 출력한다.
또한, 통합관제서버(150)는 스피커(117)에 해당 제어신호 또는 음성급 신호를 출력하여 버스 승강장에 도착하는 버스의 해당 정보, 버스 승강장에서의 승객이 안전영역에 위치하는지 또는 위험영역에 위치하는지 등을 안내하는 음성급(오디오급) 신호를 출력하되, 출력되는 음성급 신호가 버스 승강장의 영역을 벗어나지 않도록 적으로 출력한다. 즉, 버스 승강장 영역을 벗어나는 인접 지역에서는 인식하지 못할 정도로 안내메시지를 출력한다. 이러한 기술은 일반적으로 알려진 모든 기술이 적용되는 것으로 기재하고 설명한다.
이러한 본 발명에 따른 시스템(100)은 그 밖에 통합 관제 뷰어(160), 영상 저장장치(NVR)(170), 메타데이터 저장장치(180) 등을 추가적으로 포함하도록 구성될 수 있다.
즉, 통합 관제 뷰어(160)는 통합관제서버(150)에 직접 연결되거나 별도의 서버로 구성될 수 있고, 비디오 스트리밍은 네트워크 비디오 레코더(Network VideoRecorder)에 해당하는 NVR(170)에 저장될 수 있고, 그리고 제1 영상분석장치(120)가 생성하는 제1 메타데이터와 제2 영상분석장치(130)가 생성하는 제2 메타데이터는 별도의 메타데이터 저장장치(180)에 저장될 수 있다.
카메라(110)는 PTZ 카메라와 관련이 있으며 회전 변화, 기울기 변화 및 확대 변화를 위한 동작이 제어될 수 있다. 제1 영상분석장치(120)는 에지 영역에서 카메라(110)에 연결되어 객체 움직임에 중점을 둔 영상분석의 결과물인 제1 메타데이터를 이용하여 카메라(110)의 동작을 직접 제어할 수 있다.
반면에, 통합관제서버(150)는 상황 변화에 중점을 둔 영상분석의 결과물인 제2 메타데이터를 이용하여 카메라(110)의 동작을 제어할 수 있다. 그 밖에 카메라(110)는 통합 관제 뷰어(160)의 도움으로 관리자에 의해 직접 제어될 수 있다.
네트워크(190)는 유선 및 무선 네트워크, 예를 들어 LAN(local area network), WAN(wide area network), 인터넷(internet), 인트라넷(intranet) 및 엑스트라넷(eCCTV 시스템 운영방법tranet), 그리고 모바일 네트워크, 예를 들어 셀룰러, 3G,LTE, 5G, WiFi 네트워크, 애드혹 네트워크 및 이들의 조합을 비롯한 임의의 적절한 통신 네트워크 일 수 있다.
네트워크(190)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(190)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(190)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.
한편, 도 3에 따르면 본 발명의 시스템(100)을 구성하는 카메라, 제1 영상분석장치(120), 제2 영상분석장치(130), 통합관제서버(150), 통합 관제 뷰어(160), 영상 저장장치(170) 및 메타데이터 저장장치(180)가 도시되어 있다.
여기서 제1 영상분석 장치는 에지 지능형 영상분석 장치로, 제2 영상분석 장치는 상황기반 영상분석 장치로 지칭될 수 있다.
n개의 카메라(110)를 통해 영상이 수집되고, 수집된 각 영상과 각 카메라정보는 제1 영상분석장치(120)와 제2 영상분석장치(130)로 전송될 수 있다.
제1 영상분석장치(120)는 객체의 움직임에 중점을 둔 영상분석을 통해 제1 메타데이터를 추출하고, 제1 메타데이터에 포함된 제어정보는 카메라(110)에 전송될 수 있다.
제1 영상분석장치(120)는 영상분석 설정에 따라 각 카메라(110)로부터 수신한 영상을 객체의 움직임 판단에 중점을 두면서 분석한다. 제1 분석을 통해 객체의 움직임과 관련된 시간, 카메라, 위치 및 객체의 색상에 관한 정보를 포함하는 제1 메타데이터가 제2 영상분석장치(130)에 전송될 수 있다.
제2 영상분석장치(130)는 수신한 제1 메타데이터를 이용하면서, 상황 변화 판단에 중점을 둔 제2 영상분석을 통해 제2 메타데이터를 생성할 수 있다.
제2 메타데이터는 움직인 객체의 정체, 인식된 배경의 종류, 객체의 배경에 대한 움직임에 따른 장면 구성 및 인식, 그리고 상황 추론 및 분석에 따른 상황 변화에 관한 정보를포함할 수 있다. 제1 메타데이터와 제2 메타데이터는 별도의 메타데이터 저장장치(180)에 저장되어 통합관제서버(150)에 의해관리될 수 있다.
통합관제서버(150)는 영상분석의 결과 즉 이벤트 발생에 관한 정보를 이용하여 알람을 표시하고 해당 영상의이벤트 발생을 북마크 할 수 있다. 또한, 통합관제서버(150)는 제2 영상분석장치(130)로부터 수신한 영상을 별도의 영상 저장장치(170)에 저장하고 이를 관리할 수 있다.
또한, 통합관제서버(150)는 통합 관제 뷰어(160)를 통해 영상분석 정보와 함께 해당 영상을 표시할 수 있다. 그 밖에 통합관제서버(150)는 영상분석에 필요한 환경 설정을 제1 영상분석장치(120) 및 상황기반영상분석 장치(130)에 저장할 수 있다.
시스템(100)은 객체의 움직임 탐지에 중점을 둔 영상분석과 상황의 변화 탐지에 중점을 둔 영상분석이 서로 다른 영상분석 장치에 의해 수행된다는 특징을 가지며, 그 밖의 영상 저장, 메타데이터의 저장 및 영상의 디스플레이 기능은 컴퓨터에 해당하는 하나 이상의 서버에 의해 수행될 수 있다.
제 1 메타 데이터를 추출하고 분석하는 것에 의하여 제1 영상분석 장치에 해당하는 에지지능형 영상분석장치, 제 1 메타 데이터를 이용하면서 상황변화 판단에 중점을 둔 제 2 영상 분석을 통해 제 2 메타 데이터를 생성하는 제2 영상분석장치 및 통합관제서버(150)도 컴퓨터 형태로 구현될 수 있다. 이하 여러 장치들을 대표하여 컴퓨터로 구현될 수 있는 제2 영상분석 장치에 대해 설명하기로 한다.
도 4는 본 발명에 따른 시스템을 구성하는 상황기반 영상분석 장치의 세부기능 블록도로서, 이에 따르면 제2 영상분석장치(130)는 프로세서(131), 메모리(138), 입력 디바이스(139), 디스플레이 디바이스(140), 데이터 버스(141), 송수신기(142) 및 저장 디바이스(143)를 포함하도록 구성될 수 있다.
프로세서(131)는 메모리에(138)에 저장된 프로그램 모듈을 실행할 수 있다.
프로그램 모듈의 실행을 통해 프로 그램 모듈에 포함된 각종 명령어 셋과 관련된 명령이 수행되고 그 결과로서 본 발명의 일 실시 예에 따른 상황기반의 CCTV 관제 방법을 이루는 단계가 제2 영상분석장치(130)에 의해 수행될 수 있다.
송수신기(142)는 카메라(110)를 통해 수집된 영상을 수신하고, 이 영상을 통합관제서버(150)에 전송할 수 있다.
또한, 송수신기(142)는 프로세서(131)에 의해 생성된 제2 메타데이터를 통합관제서버(150)에 전송할 수 있다. 송수신기(142)는 이더넷과 같은 네트워크 통신카드 형태로 구현될 수 있다.
제2 영상분석장치(130)의 영상분석에 필요한 각종 데이터는 데이터 버스(142)를 통해 그 내부의 각종 구성장치간에 전송될 수 있다. 이하 컴퓨터로 구현될 수 있는 제1 영상분석장치(120) 및 제2 영상분석장치(130)가 프로세서와메모리를 통해 수행하는 알고리즘에 대해 자세히 설명하기로 한다.
도 5는 본 발명에 따른 시스템(100)의 부분적 세부 기능 블록도로서, 제1 영상분석장치(120), 제2 영상분석장치(130) 및 통합관제서버(150)의 각 프로세서(121, 131, 151)와 메모리에 저장된 각종 프로그램 모듈이 수행하는 CCTV 관제 방법이 도시되어 있다.
제1 영상분석장치(120)는 카메라(110)로부터 영상 및 카메라정보를 수신하고, 카메라제어정보를 카메라(110)에 전송할 수 있다. 프로세서(121)는 일단 지능형 영상분석 장치(120)는 제1 영상분석과 관련하여 환경을 설정할 수 있다.
다음으로 프로세서(121)는 해당 프로그램 모듈의 제어를 통해 객체를 추출할 수 있다(122). 다음으로 프로세서(121)는 해당 프로그램 모듈의 제어를 통해 영상과 학습패턴을 매칭할 수 있다(123). 다음으로 프로세서(121)는 해당 프로그램 모듈의 제어를 통해 메타데이터를 추출할 수 있다(124).
제1 영상분석장치(120)의 프로세서(121)에 의해 추출된 메타데이터는 제1 메타데이터로 지칭될 수 있다. 제1차 메타데이터는 제2 영상분석장치(130)로 전송될 수 있다. 제1 메타데이터는 영상에서 발생하는 객체의 움직임에 관한 정보를 포함할 수 있다.
예를 들어 제1차 메타데이터는 객체의 출현 위치, 객체의 움직임 시간, 객체의 크기 및 객체의 색상에 관한 정보를 포함할 수 있다.
제2 영상분석장치(130)는 카메라(110)로부터 직접 영상 및 카메라정보를 수신할 수 있다. 또한, 상황기반영상분석 장치(130)는 제1 메타데이터와 함께 영상을 제1 영상분석장치(120)로부터 수신할 수도 있다.
통합관제서버(150)는 제2 영상분석장치(130)에 의한 영상분석 결과를 이용하여 이벤트 발생의 알람과확인이 필요한 영상을 알림을 표시할 수 있다.
통합관제서버(150)는 제2 메타데이터를 수신할 수 있고, 카메라(110)의 동작을 제어하는 제2 메타데이터에 포함된 카메라제어정보를 카메라(110)로 송신할 수 있다.
도 6은 본 발명에 따른 시스템의 CCTV 관제 방법의 흐름도이다.
도 6을 참조하면, 객체의 움직임을 판단하는 모델과 상황 변화 를 판단하는 모델을 구성하는 단계(S110), 감시 영상을 수신하는 단계(S120), 객체의 움직임 판단에 중점을 둔제1차 영상분석의 결과로서 제1 메타데이터를 생성하는 단계(S130), 상황 변화 판단에 중점을 둔 제2차 영상분석의 결과로서 제2 메타데이터를 생성하는 단계(S140), 및 감시 영상을 디스플레이하고, 제1 메타데이터 및 제2메타데이터 기반으로 이벤트의 발생을 알리는 단계(S150)를 포함하도록 구성될 수 있다.
본 발명의 일 실시 예에 따르면 객체의 움직임을 판단하는 모델과 상황 변화를 판단하는 모델을 구분하여 각 모델이 따로 구성될 수 있다(S110). 여기서 객체의 움직임을 판단하는 모델은 그 기능의 특성상 에지에 연결된 제1 영상분석장치(120)에 의해 구동될 수 있다.
특히 제1 영상분석장치(120)는 각 카메라(110) 내부에 임베디드시스템 형태로 구현될 수도 있다. 그리고 상황 변화를 판단하는 모델은 그 기능의 특성상 클라우드에 연결된 제2 영상분석장치(130)에 이해 구동될 수 있다.
감시 영상은 선별된 위치에 설치된 카메라(110)에 의해 수집될 수 있다. 감시 영상은 제1 영상분석장치(120)와 제2 영상분석장치(130)가 수행하는 영상분석의 대상이자, 제1 영상분석장치(120)와 제2 영상분석장치(130)에 각각 저장되어 구동되는 객체의 움직임 판단 모델과 상황의 변화 판단 모델의 훈련하는 필요한 학습 데이터로도 이용될 수 있다. 감시 영상을 훈련 데이터 셋으로 이용하는 학습방법에 대해서는 후술하기로 한다.
본 발명의 일 실시 예에 따르면 영상분석은 2단계를 통해 서로 다른 장치에 의해 각각 수행될 수 있다. 그리고 각각의 영상분석 단계는 순서에 관계없이 동시에 수행될 수 있다.
제1 영상분석은 객체의 움직임 판단에 중점을 둔 영상분석이고, 제2 영상분석은 상황의 변화 판단에 중점을 둔 영상분석에 해당한다. 제1 영상분석을 통해 제1 메타데이터가 생성되고(S130), 제2 영상분석을 통해 제2 메타데이터가 생성될 수 있다(S140).
제1 메타데이터는 감시 영상에서 감지된 객체의 움직임에 관한 정보를 포함할 수 있다. 예를 들어 제1 메타데이터는 객체의 출현, 출현 시간, 출현 위치, 카메라 및 객체의 색상에 관한 정보를 포함할 수 있다.
그리고 제2 메타데이터는 감시 영상에서 감지된 상환의 변화에 관한 정보를 포함할 수 있다. 예를 들어 제2 메타데이터는 인식된 객체의 정체, 추출된 배경의 종류, 추출된 배경에 대해 인식된 객체의 행위분석에 의한 장면 구성 및 인식, 그리고 이를 이용한 상환 추론 및 분석에 따른 상환 변화에 관한 정보를 포함할 수 있다.
구체적인 예를 들면 제2 영상분석장치(130)는 객체의 움직임 정보에 기초하여 객체가 사람임을 인식하고, 배경 중에서 어린이보호 구역을 알리는 표지를 문자인식을 통해 인식하고, 객체의 행위분석에 따라 어린이보호 구역에서의 객체에 해당하는 사람과 차량에 의한 충돌로 인한 상황 변화를 인식할 수 있다.
영상분석의 결과로 생성된 제1 메타데이터와 제2 메타데이터의 조합을 통해, 즉 객체의 움직임과 상황 변화의종합적 판단을 통해 이벤트의 발생 여부가 판단되고, 이에 대응하여 알람이 표시될 수 있다(S150). 위에 서술된 상황 분석 기반의 CCTV 관제 방법(S100)은, 상황 분석 기반의 CCTV 관제 시스템(100)을 주체로 하는 관점에서 서술되었다.
그 밖에 상황 분석 기반의 CCTV 관제 방법(S100)은, 객체의 움직임을 판단하는 모델,상황 변화를 판단하는 모델을 이용하여 분석된 영상분석 결과로서 제1 메타데이터를 수신하는 단계, 제2 메타데이터를 수신하는 단계 및 감시 영상을 디스플레이, 제1 및 제2 메타데이터 기반으로 이벤트의 발생을 알리는 단계를 포함하도록 구성될 수도 있다.
도 7은 본 발명에 따른 시스템의 CCTV 관제 방법의 흐름도이다.
도 7을 참조하면, 도 6의 S130 내지 S150에 관한 상세한 단계가 도시되어 있다. S211 내지 S214 단계는 에지에서 제1 영상분석 장치에 의해 수행될 수 있다.
그리고 S310 내지 S370 단계는 클라우드에서 제2 영상분석 장치에 의해 수행될 수 있다. 통합관제서버(150)는 객체의 움직임이 판단된 영상, 상황 변화가 판단된 영상 및 이벤트의 발생이 판단된 영상을 통합 관제 뷰어(160)를 통해 출력할 수 있다.
S364 단계에서 제1 영상분석 장치 및 제2 영상분석 장치의 영상분석에 따라 객체의 움직임, 상황의 변화 및 이벤트의 발생으로 판단된 해당 영상들은 객체의 움직임을 판단하는 모델과 상황의 변화를 판단하는 모델의 훈련데이터로 사용될 수 있다.
S365 단계에서 객체의 움직임을 판단하는 모델과 상황의 변화를 판단하는 모델은 해당 영상을 학습하고 이를 패턴화할 수 있다.
에지에 연결된 제1 영상분석장치(120)의 메모리에 저장된 객체의 움직임을 판단하는 모델은, 에지의 특성상 업데이트가 어려울 수 있다. 그러나 본 발명의 일 실시예에 따른 제1 영상분석 장치는 객체 움직임을 판단하는데사용된 데이터를 훈련 데이터로 이용하여 전이 학습을 수행할 수 있다.
따라서 본 발명의 일 실시 예에 따른 객체의 움직임을 판단하는 모델은 전이학습을 통해 그 성능이 점차 향상될 수 있다. 그리고 카메라(110)를 통해수집된 영상을 이용하는 전이학습은 제2 영상분석 장치에도 동일하게 적용될 수 있다.
인공 지능을 구성하는 여러 학습 방법 중에서, 에지에 연결된 제1 영상분석장치(120)에 저장된 객체의 움직임을 판단하는 인공지능 모델은 영상에서 특징 추출과 관련하여 객체의 움직임과 관련된 특징을 스스로 추출하고이를 이용하여 딥 러닝을 수행하도록 구성될 수 있다.
또한, 인공 지능을 구성하는 여러 학습 방법 중에서, 클라우드에 연결된 제2 영상분석장치(130)에 저장된 상황의 변화를 판단하는 인공지능 모델은, 미리 설정된 여러 상황에 대해 상황 변화를 감지하는 학습을 수행하도록 하는 머신 러닝을 수행하도록 구성될 수 있다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공 지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다.
머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기위해 특정한 모델을 구축하는 방식을 취한다.
용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다. 기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다.
의사결정나무 (Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다. 인공 신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다. 인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공 신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공 신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다. 인공 신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나 이에 한정되지 않는다.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공 신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다. 입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다.
여기서 학습이란 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다.
인공신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다. 훈련 데이터에 의하여 학습된 인공 신경망은 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다. 인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해 내기 위한 기계 학습의 한 방법이다. 그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다. 여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블은 하나의 트레이닝 셋(training set)을 구성하고, 인공신경망에는 트레이닝 셋의 형태로 입력될 수 있다. 한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다. 구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는 훈련 데이터자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다. 본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다. 또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다. 오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다. 이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다. 또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다.
이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다. 준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다. 마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(CostFunction), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터 (Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다.
인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam등이 있다. 경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다. 이때, 스텝 사이즈는 학습률을 의미할 수 있다. 경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강 의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
도 8은 본 발명에 따른 시스템의 CCTV 관제 방법의 흐름도이다.
도 8을 참조하면, 도 7의 S360 단계를 통해 이벤트의 발생 여부가 판단되는 알고리즘이 도시되어 있다.
제2 영상분석장치(130)는 제1 메타데이터와 제2 메타데이터를 조합하여 이벤트의 발생 여부를 판단할 수 있다. 예를들어 제1 메타데이터와 제2 메타데이터의 조합을 통해 객체의 움직임 및 객체의 움직임과 관련하여 상황 변화가 발생하였다면, 이벤트가 발생한 것으로 판단된다. 그러나 객체의 움직임만 판단되거나, 상황의 변화만 판단된 경우에는 이벤트 발생에 까지는 미치지 못하고 이상여부가 확인될 필요에 따라 해당 영상을 촬영한 카메라, 시간 및 상황이 북마크 된다. 객체의 움직임과 상황 변화를 모두 고려하는 이벤트 발생 여부의 판단에 대해 예를 들어 설명하기로 한다.
본 발명에 따르면, 객체의 움직임 판단 외에 상황 변화의 판단에 기초하여 이벤트 발생 여부가 판단될 수 있다. 여기서 상황 변화의 판단은 추출된 객체와 배경을 이용하여 장면을 구성하고 이를 인식하는 것에 기초한다.
종래의 기술에 따라 객체의 움직임만을 기초로 이벤트의 발생을 판단하게 된다면, 동물의 움직임이나 나무의 움직임에 의해 오보가 발생할 수 있으나, 본 발명의 일 실시 예에따르면 객체가 무엇인지 인식되고, 인식된 객체에 의해 상황 변화가 판단되면, 객체의 움직임 정보와 상황 변화 정보를 이용하여 이벤트의 발생이 판단될 수 있다.
또한, 객체의 움직임 및 상황 변화에 기반하므로 이벤트 검출에서의 오보를 확률적으로 줄일 수 있다. 본 발명에 의하면, 하나의 이벤트 검출 알고리즘이 범죄 예방용 CCTV와 교통 관제용 CCTV에 모두 적용될 수 있다.
본 발명에 의하면, 인공지능 모델의 에지 및 클루우드에서의 전이학습을 통해 CCTV의 관제 지능이 점차 향상될수 있다. 이상 설명된 본 발명에 따른 실시 예는 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 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 메모리등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 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 코드도포함 될 수 있다.
아울러, 본 발명에 따른 시스템은 도 9에서와 같은 안전도어(400)를 더 포함할 수 있다.
이때, 상기 안전도어(400)는 카메라의 감시 영상 및 레이더의 초음파 신호를 분석한 통합관제서버(150)의 제어신호에 따라 개폐되게 구성하여 승객을 안전하게 보호할 수 있도록 구성될 수 있다.
예컨대, 버스가 버스정거장의 정해진 라인 안쪽으로 진입하면 통합관제서버(150)의 제어신호에 따라 자동으로 안전도어(400)를 열어 승객들이 버스와 충돌없이 안전하게 승하차할 수 있도록 안내할 수 있다.
이 경우, 버스의 위치 감식은 카메라의 감시 영상과 레이더의 초음파 신호를 통해 이중으로 체크함으로써 오류 발생을 줄일 수 있다.
여기에서, 상기 안전도어(400)는 버스정거장에 설치된 한 쌍의 포스트(P1,P2) 상단을 가로질러 고정되는 슬라이드가이더(410)와, 상기 슬라이드가이더(410)와 간격을 두고 슬라이드가이더(410)에 고정된 서브프레임(420)과, 상기 서브프레임(420)에 고정되고 상기 슬라이드가이더(410) 전방에 배치되게 브라켓(422)으로 고정된 좌,우 한 쌍의 봉롤(430)과, 상기 슬라이드가이더(410) 상부에 배치되고 상기 서브프레임(420)에 제자리회전되게 고정되며 길이 중앙을 기준으로 서로 나선방향이 반대로 형성된 스크류샤프트(440)와, 상기 스크류샤프트(440)의 일단에 고정된 동력발생기(450)와, 상기 스크류샤프트(440)에 치결합되어 그 길이방향으로 움직일 수 있는 좌,우 한 쌍의 유동부재(460)와, 상기 유동부재(460)의 하단면에 고정되어 좌우로 움직이면서 버스정거장을 개폐하는 한 쌍의 스크린(470)을 포함한다.
이때, 상기 유동부재(460)의 전면은 상기 봉롤(430)에 접촉되어 유동시 구름접촉되며, 상기 동력발생기(450)는 상기 서브프레임(420)에 결속되어 견고히 고정된다.
뿐만 아니라, 상기 슬라이드가이더(410)의 길이 중앙 전면 하단에는 전방으로 돌출되게 롤판(480)가 설치되고, 상기 롤판(480)에는 제1스파이어럴롤(482)이 설치되며, 상기 스크린(470)의 상단에는 제2스파이어럴롤(484)이 설치되고, 상기 제1,2스파이어럴롤(482,484)에는 장력편(486)이 감겨 설치된다.
따라서, 스크린(470) 한 쌍이 서로 원,근접될 때 장력편(486)이 탄력적으로 당기기 때문에 스크린(470)의 떨림을 최소화시키면서 원활한 구동을 유지할 수 있게 된다.
아울러, 상기 슬라이드가이더(410)와 서브프레임(420)과 브라켓(422) 및 유동부재(460)는 그 외표면에 내식방습성 코팅층이 형성되어 내부식성, 내열성, 방습성, 내화성, 방오성 등을 갖춤으로써 장수명화를 달성하도록 할 수 있다.
이때, 내식방습성 코팅층은 코팅조성물로 스프레이코팅되어 형성되며, 상기 코팅조성물은 폴리카보네이트수지 100중량부에 대해, 아젤라인산 5중량부, 세틸에틸헥사노에이트 8.5중량부, 10㎛의 입도를 갖는 VCI(Volatile Corrosion Inhibitor) 미분 5.5중량부, 폴리페닐렌설파이드 5중량부, 디메틸폴리실록산 6.5중량부, 테르페노이드 10중량부, 에틸렌디아민테트라아세트산 5중량부, 알킬벤젠술폰산나트륨 5중량부, C18H24N2 5중량부, PPO수지(Polyehenylene Oxide) 10중량부를 혼합하여 조성된다.
여기에서, 폴리카보네이트수지는 내식성과 내구성, 부착고정력을 증대시키기 위한 베이스수지이다.
뿐만 아니라, 아젤라인산은 코팅층에서의 열수축성을 억제하고 내크랙성, 층분리 억제성을 강화시킨다.
이 경우, 세틸에틸헥사노에이트(Cetyl Ethylhexanoate)는 세틸알콜과 2-에틸헥사노익의 에스터로서 끈적임을 줄이고, 표면눌림 저항성을 높이기 위해 첨가된다.
아울러, 10㎛의 입도를 갖는 VCI(Volatile Corrosion Inhibitor) 미분은 무규소 기화성 내부식성 파우더로서, 유해성분의 용출이 없는 친환경 내침식기능을 갖는 분말이다.
또한, 폴리페닐렌설파이드(Poly phenylene sulfide resin)는 코팅면의 고온 밀착성, 내열성, 굴곡강도를 향상시키기 위해 첨가된다
그리고, 디메틸폴리실록산은 내열성과 열산화 안정성, 내화학성 및 발수성에 따른 오염방지기능을 강화하고, 소포성을 확보하기 위해 첨가된다.
뿐만 아니라, 테르페노이드는 물때를 분해하여 물때가 고착되는 것을 방지함으로써 오염이 생기지 않도록 한다.
또한, 에틸렌디아민테트라아세트산(Ethylenediaminetetraacetic acid)는 산화에 의한 산패를 막고 중성화를 억제하여 채움재의 성형 후 내식성을 강화시키기 위해 첨가된다.
아울러, 알킬벤젠술폰산나트륨은 내산성을 강화 뿐만 아니라, 열화저항성을 강화시키면서 내약품성도 증대시키기는 특징이 있다.
또한, C18H24N2(N-(1,3-Dimethylbutyl)-N'-phenyl-p-phenylenediamine)는 열산화를 막아 변색을 억제하고, 코팅층의 내구성을 강화시킨다.
그리고, PPO수지(POLYEHENYLENE OXIDE)는 고온 내열성 수지로서, 저수분 흡수성(내수성)인한 전기 절연성, 치수 안정성 우수, 경도와 충격강도 우수하며, 내식성과 방오성, 방수성을 모두 증대시키는 장점이 있다.
110: 카메라 115 : 레이더
117 : 스피커 120: 제1 영상분석 장치
130 : 제2 영상분석 장치 150 : 통합관제서버
117 : 스피커 120: 제1 영상분석 장치
130 : 제2 영상분석 장치 150 : 통합관제서버
Claims (2)
- 삭제
- 버스승강장에 설치되며 감시 영상을 수집하고 이를 전송하는 하나 이상 다수로 이루어지는 카메라; 버스승강장에 설치되며 객체의 이동 상태를 초음파 신호로 검출하여 전송하는 하나 이상 다수로 이루어지는 레이더; 버스승강장에 설치되며 안내 메시지를 음성급 신호로 출력하는 하나 이상 다수로 이루어지는 스피커; 상기 카메라 및 레이더가 보낸 정보를 수신하여 인공지능으로 분석하고 판단하여 위험시 스피커를 통해 경고방송을 송출하는 통합관제서버;를 포함하되,
상기 감시 영상은 버스승강장의 안전선 밖에 위치한 승객 또는 버스승강장으로 진입하는 버스를 촬상한 영상이고; 상기 초음파 신호는 버스승강장의 안전선 밖에 위치한 승객 또는 버스승강장으로 진입하는 버스를 검출한 신호인 것을 특징으로 하는 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 CCTV 인공지능 시스템에 있어서,
상기 통합관제서버의 제어신호에 따라 버스가 버스정거장의 정해진 라인 안쪽으로 진입하면 자동으로 개폐하여 승객의 안전한 승하차를 유도하는 안전도어(400)를 더 포함하되,
상기 안전도어(400)는 버스정거장에 설치된 한 쌍의 포스트(P1,P2) 상단을 가로질러 고정되는 슬라이드가이더(410)와, 상기 슬라이드가이더(410)와 간격을 두고 슬라이드가이더(410)에 고정된 서브프레임(420)과, 상기 서브프레임(420)에 고정되고 상기 슬라이드가이더(410) 전방에 배치되게 브라켓(422)으로 고정된 좌,우 한 쌍의 봉롤(430)과, 상기 슬라이드가이더(410) 상부에 배치되고 상기 서브프레임(420)에 제자리회전되게 고정되며 길이 중앙을 기준으로 서로 나선방향이 반대로 형성된 스크류샤프트(440)와, 상기 스크류샤프트(440)의 일단에 고정된 동력발생기(450)와, 상기 스크류샤프트(440)에 치결합되어 스크류샤프트(440)를 따라 좌,우 방향으로 움직일 수 있는 좌,우 한 쌍의 유동부재(460)와, 상기 유동부재(460)의 하단면에 고정되어 좌우로 움직이면서 버스정거장을 개폐하는 한 쌍의 스크린(470)을 포함하는 것을 특징으로 하는 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 CCTV 인공지능 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220173659A KR102591399B1 (ko) | 2022-12-13 | 2022-12-13 | 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 cctv 인공지능 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220173659A KR102591399B1 (ko) | 2022-12-13 | 2022-12-13 | 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 cctv 인공지능 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102591399B1 true KR102591399B1 (ko) | 2023-10-19 |
Family
ID=88507556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220173659A KR102591399B1 (ko) | 2022-12-13 | 2022-12-13 | 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 cctv 인공지능 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102591399B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100799317B1 (ko) * | 2007-08-06 | 2008-02-12 | (주)한일에스티엠 | 차량 승강장 안전관리 시스템 및 그 제어방법 |
| JP2009098098A (ja) * | 2007-10-19 | 2009-05-07 | Yamaguchi Univ | 超音波レーダによる人体検知システム |
| KR102152237B1 (ko) | 2020-05-27 | 2020-09-04 | 주식회사 와치캠 | 상황 분석 기반의 cctv 관제 방법 및 시스템 |
| KR20210067066A (ko) | 2019-11-29 | 2021-06-08 | (주)진명아이앤씨 | 독립적인 지향성 경고방송이 가능한 지능형 영상 감시시스템 |
| KR102300308B1 (ko) | 2021-06-08 | 2021-09-09 | 티앤피 주식회사 | Cctv카메라의 위치변경용 브라켓과 높이조절용 폴대가 구비된 포터블 함체 |
-
2022
- 2022-12-13 KR KR1020220173659A patent/KR102591399B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100799317B1 (ko) * | 2007-08-06 | 2008-02-12 | (주)한일에스티엠 | 차량 승강장 안전관리 시스템 및 그 제어방법 |
| JP2009098098A (ja) * | 2007-10-19 | 2009-05-07 | Yamaguchi Univ | 超音波レーダによる人体検知システム |
| KR20210067066A (ko) | 2019-11-29 | 2021-06-08 | (주)진명아이앤씨 | 독립적인 지향성 경고방송이 가능한 지능형 영상 감시시스템 |
| KR102152237B1 (ko) | 2020-05-27 | 2020-09-04 | 주식회사 와치캠 | 상황 분석 기반의 cctv 관제 방법 및 시스템 |
| KR102300308B1 (ko) | 2021-06-08 | 2021-09-09 | 티앤피 주식회사 | Cctv카메라의 위치변경용 브라켓과 높이조절용 폴대가 구비된 포터블 함체 |
Non-Patent Citations (1)
| Title |
|---|
| 등록특허공보 제10-2104351호(2020.05.29.), 레이더 모듈을 이용하여 움직이는 객체를 검지하는 CCTV 카메라 및 이를 구비하는 CCTV 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102152237B1 (ko) | 상황 분석 기반의 cctv 관제 방법 및 시스템 | |
| Morris et al. | A survey of vision-based trajectory learning and analysis for surveillance | |
| KR102212217B1 (ko) | 충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법 | |
| Bonnin et al. | General behavior prediction by a combination of scenario-specific models | |
| KR101377029B1 (ko) | 지능형 하이브리드 감시제어모듈을 통한 단계별 자율 경보형 스마트 cctv 감시장치 및 감시방법 | |
| KR20190095200A (ko) | 영상 내 물체 인식 장치 및 방법 | |
| CN109191829B (zh) | 道路安全监控方法及系统、计算机可读存储介质 | |
| KR101900237B1 (ko) | 획득한 영상에 대한 상황 판단 데이터를 이용한 현장 판단 방법 | |
| Goel et al. | An IoT approach for context-aware smart traffic management using ontology | |
| Patil et al. | A survey of video datasets for anomaly detection in automated surveillance | |
| Hwang et al. | Hierarchical probabilistic network-based system for traffic accident detection at intersections | |
| KR102591399B1 (ko) | 버스승강장의 안전관리 솔루션을 위한 스피커와 레이더를 포함하는 cctv 인공지능 시스템 | |
| CN113255620B (zh) | 一种基于视频中车辆群体轨迹分析的异常事件检测方法 | |
| Balasubramanian et al. | Machine learning based IoT system for secure traffic management and accident detection in smart cities | |
| Andersson et al. | Activity recognition and localization on a truck parking lot | |
| Rothkrantz | Surveillance angels | |
| Pahal et al. | An ontology-based context-aware IoT framework for smart surveillance | |
| Priya et al. | Abnormal activity detection techniques in intelligent video surveillance: A survey | |
| WO2023241536A1 (en) | A system and method for detecting traffic events | |
| KR102502922B1 (ko) | 비상 상황 알람 및 모니터링 방법, 장치 시스템 | |
| Karim et al. | An attention-guided multistream feature fusion network for localization of risky objects in driving videos | |
| WO2023158926A1 (en) | Systems and methods for detecting security events in an environment | |
| Gudepu et al. | Edge computing in micro data centers for firefighting in residential areas of future smart cities | |
| MacDorman et al. | Memory-based attention control for activity recognition at a subway station | |
| KR20210004173A (ko) | 사용자 모니터링 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |