KR102594435B1 - Ai 기반 재난안전 및 방범용 영상감시시스템과 그 방법 - Google Patents

Ai 기반 재난안전 및 방범용 영상감시시스템과 그 방법 Download PDF

Info

Publication number
KR102594435B1
KR102594435B1 KR1020230117999A KR20230117999A KR102594435B1 KR 102594435 B1 KR102594435 B1 KR 102594435B1 KR 1020230117999 A KR1020230117999 A KR 1020230117999A KR 20230117999 A KR20230117999 A KR 20230117999A KR 102594435 B1 KR102594435 B1 KR 102594435B1
Authority
KR
South Korea
Prior art keywords
risk
unit
crime prevention
video surveillance
central processing
Prior art date
Application number
KR1020230117999A
Other languages
English (en)
Inventor
유춘열
Original Assignee
비티에스 유한회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 비티에스 유한회사 filed Critical 비티에스 유한회사
Priority to KR1020230117999A priority Critical patent/KR102594435B1/ko
Application granted granted Critical
Publication of KR102594435B1 publication Critical patent/KR102594435B1/ko

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)

Abstract

본 발명은 카메라를 통해 인식된 군중의 이동 정보를 토대로 위험여부를 판단하는 AI 기반 재난안전 및 방범용 영상감시시스템과 그 방법에 관한 것이다.
본 발명에 따른 AI 기반 재난안전 및 방범용 영상감시시스템은 카메라에서 촬영한 영상을 일정한 주기로 샘플링하여 이미지데이터를 추출하는 중앙처리부, 중앙처리부에 연결되어 이미지데이터로 인식된 군중속도와 밀집도를 토대로 위험도를 추정하는 측정부, 중앙처리부에 연결되어 위험도를 입력으로 한 위험도 판단모델의 출력 및 중앙처리부에서 제공하는 위험임계값을 토대로 위험여부를 판단하고, 위험으로 판단될 경우 사전위험경보를 사용자 인터페이스부로 송신하는 판단부, 중앙처리부에 연결되어 판단부에서의 위험 판단 결과와 사용자 인터페이스부로부터 수신된 실제 위험여부가 상이할 경우 위험도 판단모델의 갱신에 필요한 학습데이터를 저장하는 저장부, 및 중앙처리부에 연결되어 학습데이터를 토대로 위험도 판단모델을 학습하여 갱신하는 학습부로 이루어진다.

Description

AI 기반 재난안전 및 방범용 영상감시시스템과 그 방법{Artificial Intelligence-based disaster safety and crime prevention video surveillance system and Method thereof}
본 발명은 AI 기반 재난안전 및 방범용 영상감시시스템과 그 방법에 관한 것으로, 상세하게는, 카메라를 통해 인식된 군중의 이동 정보를 토대로 위험여부를 판단하는 것이다.
또한, 본 발명은 실시간 학습을 토대로 변화되는 환경에 적응하여 위험 여부를 정확히 판단할 수 있는 AI 기반 재난안전 및 방범용 영상감시시스템과 그 방법에 관한 것이다.
최근, 사회적 거리두기의 일환으로 한정된 공간에서 많은 사람이 모이지 못하도록 제한하기 위해 군중 모임 제한 또는 집단 시설의 출입 제한 등이 실시되고 있다.
하지만, 모임 제한이 해제되면서 한정된 공간에 많은 인원이 집중되어 전염성 질병의 전파 가능성이 높아지고 있으며, 압사 사고 등 대형 사고로 이어지는 문제가 발생하고 있다.
이러한 문제를 해결하기 위해 사람들의 밀집도 또는 혼잡도를 산출하는 다양한 방법이나 시스템이 제안되고 있다.
예컨대, 모임 공간에 카메라를 설치하고 그로부터 획득된 영상을 분석해서 밀집도/혼잡도를 도출하는 방법, 또는 WiFi AP와 같은 무선통신 중계모듈에 접속한 사용자 단말의 수와 접속하지 않은 사용자 단말의 수를 분석해서 밀집도/혼잡도를 도출하는 방안 등의 연구가 지속되어 왔다.
그 일례로, 대한민국 공개특허공보 제10-2022-0063280호에서는 이미지 인식 기술을 통해 하나의 폐쇄 영역 내의 인원수가 한계에 도달하였는지 여부를 검출하고, 하나의 폐쇄 영역 내의 인원수가 과밀한 것으로 결정될 경우 이 폐쇄 영역에 진입하는 사람들의 흐름 양을 한정하도록 관리자에게 주의를 환기시켜 위험한 상황이 발생하는 것을 방지하는 군중 과밀 예측 방법 및 장치에 관해 개시하고 있다.
그러나, 이러한 기존의 방법에서는 군중의 이동속도와 방향을 제대로 고려하지 않아 위험도 산출의 신뢰도가 저하되는 문제점이 있었다.
대한민국 공개특허공보 제10-2022-0063280호 (2022.05.17)
본 발명의 목적은, 카메라로 인식된 군중의 이동속도와 방향, 및 밀집도를 토대로 위험도를 정확히 산출하는 AI 기반 재난안전 및 방범용 영상감시시스템과 그 방법을 제공하는 것이다.
본 발명은 군중의 이동에 대한 위험도를 실시간으로 학습하여 위험도 산출의 신뢰도를 높이고, 압사 사고와 같은 지나친 군중 밀집으로 인한 위험 상황을 조기에 감지할 수 있는 AI 기반 재난안전 및 방범용 영상감시시스템과 그 방법을 제공하는데 또 다른 목적이 있다.
본 발명에 따른 AI 기반 재난안전 및 방범용 영상감시시스템은 카메라에서 촬영한 영상을 일정한 주기로 샘플링하여 이미지데이터를 추출하는 중앙처리부, 중앙처리부에 연결되어 이미지데이터로 인식된 군중속도와 밀집도를 토대로 위험도를 추정하는 측정부, 중앙처리부에 연결되어 위험도를 입력으로 한 위험도 판단모델의 출력 및 중앙처리부에서 제공하는 위험임계값을 토대로 위험여부를 판단하고, 위험으로 판단될 경우 사전위험경보를 사용자 인터페이스부로 송신하는 판단부, 중앙처리부에 연결되어 판단부에서의 위험 판단 결과와 사용자 인터페이스부로부터 수신된 실제 위험여부가 상이할 경우 위험도 판단모델의 갱신에 필요한 학습데이터를 저장하는 저장부, 및 중앙처리부에 연결되어 학습데이터를 토대로 위험도 판단모델을 학습하여 갱신하는 학습부를 포함할 수 있다.
여기서, 측정부는 적어도 두 개 이상의 이미지데이터를 토대로 군중속도를 추정하고 군중속도를 보정할 수 있다.
또한, 군중속도는 두 개의 인접한 이미지데이터의 상호상관을 이용하여 추정할 수 있다.
여기서, 군중속도는 상호상관의 결과인 상호상관 이미지데이터를 미리 정해진 크기의 구획으로 구분 짓고, 두 개의 구획에서의 피크 지점 간에 가우시안(Gaussian) 함수를 토대로 추출된 이동 거리와, 그리고 두 개의 인접한 이미지데이터의 샘플링 시간차를 토대로 추정할 수 있다.
또한, 군중속도는 루카스-카나데(Lucas-Kanade) 알고리즘을 이용하여 추정할 수 있다.
여기서, 군중속도의 보정은 2D 단위의 이동을 3D인 실측 단위로 변환하기 위해 사영기하학(projective geometry)을 토대로 수행할 수 있다.
또한, 측정부는 보정된 군중속도에 대해 머신러닝을 통해 적합한 회귀 모델을 생성하여 밀집도를 추정할 수 있다.
여기서, 판단부는 그룹별 군중속도 및 이동방향과 밀집도를 토대로 위험여부를 판단할 수 있다.
또한, 중앙처리부는 위험여부가 위험이고 실제 위험여부도 위험으로 판정될 경우 위험상황에 대처하도록 사용자 인터페이스부로 실제위험경보를 전송할 수 있다.
본 발명의 다른 실시예에 따른 AI 기반 재난안전 및 방범용 영상감시방법은 중앙처리부에서 카메라의 영상을 일정한 주기로 샘플링하여 이미지데이터를 추출하는 이미지데이터 추출단계, 측정부에서 상기 이미지데이터로 인식된 군중속도와 밀집도를 토대로 위험도를 추정하는 위험도 추정단계, 판단부에서 위험도를 입력으로 한 위험도 판단모델의 출력 및 중앙처리부에서 제공하는 위험임계값을 토대로 위험여부를 판단하고, 위험으로 판단될 경우 사전위험경보를 사용자 인터페이스부로 송신하는 위험여부 판단단계, 저장부에서 판단부에서의 위험 판단 결과와 사용자 인터페이스부로부터 수신된 실제 위험여부가 상이할 경우 위험도 판단모델의 갱신에 필요한 학습데이터를 저장하는 학습데이터 저장단계, 및 학습부에서 상기 학습데이터를 토대로 위험도 판단모델을 학습하여 갱신하는 위험도 판단모델 갱신단계를 포함할 수 있다.
여기서, 위험도 추정단계에서는 적어도 두 개 이상의 이미지데이터를 토대로 군중속도를 추정하고 군중속도를 보정할 수 있다.
또한, 군중속도는 두 개의 인접한 이미지데이터의 상호상관을 이용하여 추정할 수 있다.
여기서, 군중속도는 상호상관의 결과인 상호상관 이미지데이터를 미리 정해진 크기의 구획으로 구분 짓고, 두 개의 구획에서의 피크 지점 간에 가우시안(Gaussian) 함수를 토대로 추출된 이동 거리와, 그리고 두 개의 인접한 이미지데이터의 샘플링 시간차를 토대로 추정할 수 있다.
또한, 군중속도는 루카스-카나데(Lucas-Kanade) 알고리즘을 이용하여 추정할 수 있다.
여기서, 군중속도의 보정은 2D 단위의 이동을 3D인 실측 단위로 변환하기 위해 사영기하학(projective geometry)을 토대로 수행할 수 있다.
또한, 위험도 추정단계에서는 보정된 군중속도에 대해 머신러닝을 통해 적합한 회귀 모델을 도출하여 밀집도를 추정할 수 있다.
여기서, 위험여부 판단단계에서는 그룹별 군중속도 및 이동방향과 밀집도를 토대로 위험여부를 판단할 수 있다.
또한, 위험여부 판단단계에서의 상기 사전위험경보에 대해 상기 사용자 인터페이스부로부터 수신된 관리자의 실제 위험여부도 위험으로 판정되는 경우, 위험 상황에 대처하도록 중앙처리부가 사용자 인터페이스부로 실제위험경보를 전송하는 단계를 더 포함할 수 있다.
본 발명에 의한 AI 기반 재난안전 및 방범용 영상감시시스템과 그 방법은 카메라로 인식된 군중의 이동속도와 방향, 및 밀집도를 토대로 위험도를 정확히 산출할 수 있는 장점이 있다.
또한, 본 발명에 의한 AI 기반 재난안전 및 방범용 영상감시시스템과 그 방법은 군중의 이동에 대한 위험도를 실시간으로 학습하여 위험도 산출의 신뢰도를 높이고, 압사 사고와 같은 지나친 군중 밀집으로 인한 위험 상황을 조기에 감지할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 AI 기반 재난안전 및 방범용 영상감시시스템을 나타낸 개략구성도이다.
도 2는 도 1의 측정부의 기능을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 AI 기반 재난안전 및 방범용 영상감시방법을 나타낸 순서도이다.
이하, 본 발명의 실시를 위한 구체적인 실시예를 첨부된 도면들을 참조하여 설명한다.
본 발명을 설명함에 있어서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지 않을 수 있다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 연결되어 있다거나 접속되어 있다고 언급되는 경우는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해될 수 있다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 명세서에서, 포함하다 또는 구비하다 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.
또한, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 AI 기반 재난안전 및 방범용 영상감시시스템과 그 방법에 대해 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 AI 기반 재난안전 및 방범용 영상감시시스템을 나타낸 개략구성도이며, 도 2는 도 1을 상세히 설명하기 위한 세부 도면이다.
이하, 도 1 및 도 2를 참조하여 본 발명의 일 실시예에 따른 AI 기반 재난안전 및 방범용 영상감시시스템을 설명한다.
먼저, 도 1을 참조하면, 본 발명에 따른 AI 기반 재난안전 및 방범용 영상감시시스템은 카메라(600)에서 촬영한 영상을 일정한 주기로 샘플링하여 이미지데이터를 추출하는 중앙처리부(500), 중앙처리부(500)에 연결되어 이미지데이터로 인식된 군중속도와 밀집도를 토대로 위험도를 추정하는 측정부(100), 중앙처리부(500)에 연결되어 위험도를 입력으로 한 위험도 판단모델의 출력 및 중앙처리부(500)에서 제공하는 위험임계값을 토대로 위험여부를 판단하고, 위험으로 판단될 경우 사전위험경보를 사용자 인터페이스부(700)로 송신하는 판단부(200), 중앙처리부(500)에 연결되어 판단부(200)에서의 위험 판단 결과와 사용자 인터페이스부(700)로부터 수신된 실제 위험여부가 상이할 경우 위험도 판단모델의 갱신에 필요한 학습데이터를 저장하는 저장부(300), 및 중앙처리부(500)에 연결되어 학습데이터를 토대로 위험도 판단모델을 학습하여 갱신하는 학습부(400)로 이루어진다.
여기서, 저장부(300)는 초기에는 더미데이터(dummy data)가 저장되고 이후로는 파인튜닝(fine-tuning)을 위한 학습으로 얻어진 학습데이터들을 저장한다.
더미데이터는 개발과정 중에서 실제데이타를 획득하는 것이 용이하지 않아 시뮬레이션을 통하여 얻은 초기데이터를 의미한다. 또한, 학습데이터는 이미지데이터를 토대로 산출하여 저장부(300)에 저장된 군중속도, 밀집도, 및 위험도를 의미한다.
한편, 학습부(400)는 저장부(300)의 테스트 데이터를 이용해 각 상황에서의 위험 여부를 학습하여 위험도 판단모델을 생성하는 한편, 저장된 학습데이터를 이용하여 위험도 판단모델을 갱신하며, 이를 통해 본 발명은 위험 여부를 더욱 정밀하게 판단할 수 있다.
여기서, 위험도 판단모델이란 위험 상황을 판별하는 머신러닝(machine learning) 모델을 말한다.
본 발명에서, 머신러닝 모델의 동작은 2가지로 대별되는데, 하나는 학습부(400)에서 저장부(300)의 데이터를 이용해 학습하는 러닝과정이고, 다른 하나는 모델이 제대로 학습되었는지 검증하는 검증과정이다. 학습부(400)에서 수행되는 러닝과정의 경우 저장부(300)에 저장된 학습데이터를 입력으로 위험도 판단모델이 학습되는 것이다.
본 발명은 이러한 위험도 판단모델을 이용해 카메라(600)의 영상으로부터 군중속도와 밀집도를 인식하고 이를 토대로 측정부(100)에서 위험도를 추정할 수 있다.
한편, 측정부(100)에서 추정된 위험도가 기학습된 위험임계값 보다 높을 경우 판단부(200)는 사용자 인터페이스부(700)를 통해 관리자(사용자)에게 사전위험경보를 전송할 수 있다.
이후, 관리자의 판단이 사용자 인터페이스부(700)를 통해 중앙처리부(500)로 전달되면, 실제 위험 했는지의 여부에 따라 측정부(100)에서 얻어진 현재의 위험도를 저장부(300)에 저장한다.
즉, 본 발명에서는 위험도가 위험입계값보다 높아 관리자에게 사전위험경보가 전송되면, 관리자는 이에 대해 현장 상황이 실제 위험한지 여부를 피드백할 수 있다.
이때, 학습부(400)는 더 정밀한 사전위험경보를 위해 위험도와 실제 위험여부와의 차이를 학습하며, 이를 통해 현장의 상황에 대한 관리자의 피드백을 기반으로 위험도 산출을 위한 파라미터들을 실시간으로 재조정하여, 실제 현장에 맞춘 더욱 정밀한 사전위험경보를 제공할 수 있다.
이와 같이, 본 발명은 머신러닝 모델을 사용해 실시간으로 현장 상황에 맞춘 더욱 적절한 위험도를 도출할 수 있으며, 이를 통해 기존에 사람이 수동으로 찾아야 하는 위험도를 자동으로 신속하게 산출할 수 있어 소요되는 시간과 인력을 크게 절감할 수 있다.
한편, 사용자 인터페이스부(700)는 판단부(200)로부터 사전위험경보를 수신하는 한편, 관리자로부터 현장의 실제 위험 상황여부를 피드백 받는 기능을 수행한다.
이때, 학습부(400)는 머신러닝 모델의 동작 중 검증과정으로써, 사용자 인터페이스부(700)를 통한 관리자의 피드백을 토대로 위험도 산출을 위한 기준을 튜닝 및 학습할 수 있다. 이러한 피드백은 현장 상황을 모니터링하는 관리자가 사용자 인터페이스부(700)를 통해 사전위험경보를 수신한 후, 현장의 실제 위험상황 여부를 송부하는 방식으로 이루어질 수 있다.
구현예에 따라서, 판단부(200)의 사전위험경보에 대해 사용자 인터페이스부(700)로부터 수신된 관리자의 실제 위험여부도 위험으로 판정되는 경우, 중앙처리부(500)는 위험 상황에 대처하도록 사용자 인터페이스부(700)로 실제위험경보를 전송하는 한편, 해당 위험 상황에 대한 대응 매뉴얼을 전송하도록 할 수 있다.
다음, 본 발명에서 측정부(100)가 이미지데이터로부터 군중속도와 밀집도를 인식하고 이를 토대로 위험도를 추정하는 방법에 대해 설명한다.
본 발명에서 측정부(100)는 적어도 두 개 이상의 이미지데이터를 토대로 군중속도를 추정하는 한편, 추정된 군중속도에 대해 보정을 수행한다.
여기서, 군중속도는 두 개의 인접한 이미지데이터의 상호상관(Cross Correlation)으로부터 군중속도를 추정할 수 있다.
좀더 상세하게는, 상호상관의 결과인 상호상관 이미지데이터를 미리 정해진 크기의 구획으로 구분 짓고, 두 개의 구획에서의 피크 지점 간에 가우시안(Gaussian) 함수를 토대로 추출된 이동 거리와, 상기 두 개의 인접한 이미지데이터의 샘플링 시간차를 토대로 군중속도를 추정할 수 있다.
즉, 두 개의 인접한 이미지데이터로부터 산출한 군중속도는 교차상관/상호상관(Cross Correlation)을 이용하여 아래의 수학식 1을 통해 얻어질 수 있다.
[수학식 1]
,
여기서, A, B 는 두 이미지 각각의 행렬, mx: 행렬 A or B의 열의 수, my: 행렬 A or B의 행의 수, i: 0 과 mx 사이의 임의의 정수, j: 0 과 my 사이의 임의의 정수.
상기 수학식 1은 매트릭스(matrix) 또는 텐서(Tensor)의 차이(difference)의 정도를 보여준다고 할 수 있으며, 이미지로부터 속도를 추출해 내기 위한 두 이미지의 픽셀값 간의 상관관계를 나타낸다.
여기서, 두 이미지의 차이도(차이의 정도)는 이미지 행렬의 차이의 절대값의 제곱으로 나타낼 수 있으며, 또한 두 이미지의 유사도는 교차상관관계(Cross Correlation)로 표현될 수 있다.
한편, 구현예에 따라서 군중속도를 루카스-카나데(Lucas-Kanade) 알고리즘을 이용해 추정할 수도 있는데, 이는 각 픽셀의 주변 흐름은 동일하다는 가정을 두고 최소 제곱 접근법을 사용하는 것으로서 이미 공개되어 있으므로 자세한 설명은 생략한다.
이후, 본 발명의 측정부(100)는 추정된 군중속도에 대해 보정을 수행할 수 있다. 이는 2D 단위의 이동을 3D 인 실측 단위로 변환하기 위한 것으로서, 사영기하학(projective geometry)을 토대로 수행할 수 있다.
사영기하학은 도형의 성질 중 사영변환에 의하여 변하지 않는 성질을 대상으로 하는 기하학으로서 이미 공개되어 있으므로 자세한 설명은 생략한다.
한편, 본 발명에서는 이러한 군중속도를 토대로 밀집도를 추정할 수 있는데, 본 발명의 측정부(100)는 상술한 보정된 군중속도에 대해 머신러닝을 통해 적합한 회귀 모델을 도출하여 밀집도를 추정할 수 있다. 이에 대해서는 이하 도 2에서 상세히 설명한다.
이상과 같은 본 발명에 의한 AI 기반 재난안전 및 방범용 영상감시시스템은 카메라로 인식된 군중의 이동속도와 방향, 및 밀집도를 토대로 위험도를 정확히 산출할 수 있으며, 군중의 이동에 대한 위험도를 실시간으로 학습하여 위험도 산출의 신뢰도를 높이고, 압사 사고와 같은 지나친 군중 밀집으로 인한 위험 상황을 조기에 감지할 수 있다.
도 2는 도 1의 측정부(100)의 기능을 설명하기 위한 도면이다.
즉, 본 발명에서는 군중속도를 토대로 밀집도를 추정하기 위해 측정부(100)가 보정된 군중속도에 대해 머신러닝을 통해 적합한 회귀 모델을 도출하여 밀집도를 추정하고 있는데, 이를 설명하기 위한 도면이다.
도 2에서, 제1 군중밀집데이터(D100) 및 제2 군중밀집데이터(D200)는 실제 현장데이터를 나타낸 것으로서, 카메라의 지정번호를 의미한다. 또한, 비드만 커브선(D300), 프레데켄스키 커브선(D400), 및 헬빙 커브선(D500))은 본 발명에서 머신러닝을 통해 정밀하게 도출된 회귀 모델을 나타낸 것이다.
또한, 각각의 점은 그룹별 군중속도를 의미하고, 군중 속도의 방향은 미도시 되어있으나, 이미지데이터로부터 쉽게 파악할 수 있다.
도 2에서 볼 수 있는 바와 같이, 군중속도와 밀집도는 유의미한 상관관계를 가지는 것을 알 수 있는데, 해당 커브선들(D300, D400, D500)이 실제 데이터인 제1 군중밀집데이터(D100) 및 제2 군중밀집데이터(D200))와 유사한 회귀곡선을 나타냄을 알 수 있다.
따라서, 본 발명은 머신러닝 모델을 통해 실제 데이터와 유사하게 군중속도와 밀집도 분포를 추정할 수 있으며, 또한 이를 통해 위험 여부를 추정할 수 있다.
예를 들어, 밀집도가 일정값 이상인 상황에서, 평상시 그룹별 여러 방향으로 이동하여야 하나 단일 방향으로 움직일 경우, 그룹별 속도가 일정한 방향으로 이동하여야 하나 정지할 경우, 일부 지역에 밀집도가 몰릴 경우, 넘어짐 등으로 트래킹(tracking)이 불가하여 밀집도가 군중의 유출없이 급격히 줄어든 경우 등 다양한 상황에 대해 학습을 수행함으로써 위험 여부를 판단할 수 있다.
이와 같이, 본 발명에서는 머신러닝 모델을 통해 단순히 밀집도 뿐만 아니라 그룹별 군중속도 및 이동 방향을 함께 고려함으로써 위험도를 정밀하게 추정할 수 있다.
도 3은 본 발명의 일 실시예에 따른 AI 기반 재난안전 및 방범용 영상감시방법을 나타낸 순서도이다.
도 3에서 알 수 있는 바와 같이, AI 기반 재난안전 및 방범용 영상감시방법은 중앙처리부(500)에서 카메라(600)의 영상을 일정한 주기로 샘플링하여 이미지데이터를 추출하는 이미지데이터 추출단계(S100), 측정부(100)에서 이미지데이터로 인식된 군중속도와 밀집도를 토대로 위험도를 추정하는 위험도 추정단계(S200), 판단부(200)에서 위험도를 입력으로 한 위험도 판단모델의 출력 및 중앙처리부(500)에서 제공하는 위험임계값을 토대로 위험여부를 판단하고, 위험으로 판단될 경우 사전위험경보를 사용자 인터페이스부(700)로 송신하는 위험여부 판단단계(S300), 판단부(200)에서의 위험 판단 결과와 사용자 인터페이스부(700)로부터 수신된 실제 위험여부가 상이할 경우 위험도 판단모델의 갱신에 필요한 학습데이터를 저장부(300)에 저장하는 학습데이터 저장단계(S400), 및 학습부(400)에서 학습데이터를 토대로 위험도 판단모델을 학습하여 갱신하는 위험도 판단모델 갱신단계(S500)로 이루어진다.
여기서, 학습데이터 저장단계(S400)에서는 초기에는 더미데이터(dummy data)를 저장하고, 이후로는 파인튜닝(fine-tuning)을 위한 학습으로 얻어진 학습데이터들을 저장한다.
더미데이터와 학습데이터는 상술한 도 1에서와 동일하므로 이에 대한 자세한 설명은 생략한다.
위험도 판단모델 갱신단계(S500)에서는 저장부(300)의 테스트 데이터를 이용해 각 상황에서의 위험 여부를 학습하여 위험도 판단모델을 생성하는 한편, 저장된 학습데이터를 이용하여 위험도 판단모델을 갱신하며, 이를 통해 본 발명은 위험 여부를 더욱 정밀하게 판단할 수 있다.
여기서, 위험도 판단모델이란 위험 상황을 판별하는 머신러닝(machine learning) 모델을 말한다.
본 발명에서, 머신러닝 모델의 동작은 2가지로 대별되는데, 하나는 학습부(400)에서 저장부(300)의 데이터를 이용해 학습하는 러닝과정이고, 다른 하나는 모델이 제대로 학습되었는지 검증하는 검증과정이다. 학습부(400)에서 수행되는 러닝과정의 경우 저장부(300)에 저장된 학습데이터를 입력으로 위험도 판단모델이 학습되는 것이다.
본 발명은 이러한 위험도 판단모델을 이용해 카메라(600)의 영상으로부터 군중속도와 밀집도를 인식하고 이를 토대로 측정부(100)에서 위험도를 추정할 수 있다.
한편, 위험여부 판단단계(S300)에서는 위험도 추정단계(S200)에서 추정된 위험도가 기학습된 위험임계값 보다 높은 경우 사용자 인터페이스부(700)를 통해 관리자(사용자)에게 사전위험경보를 전송할 수 있다.
학습데이터 저장단계(S400)에서는 관리자의 판단이 사용자 인터페이스부(700)를 통해 중앙처리부(500)로 전달되면, 실제 위험 했는지의 여부에 따라 측정부(100)에서 얻어진 현재의 위험도를 저장부(300)에 저장한다.
즉, 본 발명에서는 위험도가 위험입계값보다 높아 관리자에게 사전위험경보가 전송되면, 관리자는 이에 대해 현장 상황이 실제 위험한지 여부를 피드백할 수 있다.
위험도 판단모델 갱신단계(S500)에서는 더 정밀한 사전위험경보를 위해 위험도와 실제 위험여부와의 차이를 학습하며, 이를 통해 현장의 상황에 대한 관리자의 피드백을 기반으로 위험도 산출을 위한 파라미터들을 실시간으로 재조정하여, 실제 현장에 맞춘 더욱 정밀한 사전위험경보를 제공할 수 있다.
이와 같이, 본 발명은 머신러닝 모델을 사용해 실시간으로 현장 상황에 맞춘 더욱 적절한 위험도를 도출하고 있으며, 이를 통해 기존에 사람이 수동으로 찾아야 하는 위험도를 자동으로 신속하게 산출할 수 있어 소요되는 시간과 인력을 크게 절감할 수 있다.
또한, 위험도 판단모델 갱신단계(S500)에서는 머신러닝 모델의 동작 중 검증과정으로써, 사용자 인터페이스부(700)를 통한 관리자의 피드백을 토대로 위험도 산출을 위한 기준을 튜닝 및 학습할 수 있다. 이러한 피드백은 현장 상황을 모니터링하는 관리자가 사용자 인터페이스부(700)를 통해 사전위험경보를 수신한 후, 현장의 실제 위험상황 여부를 송부하는 방식으로 이루어질 수 있다.
구현예에 따라서, 위험여부 판단단계(S300)에서의 사전위험경보에 대해 사용자 인터페이스부(700)로부터 수신된 관리자의 실제 위험여부도 위험으로 판정되는 경우, 중앙처리부(500)가 위험 상황에 대처하도록 사용자 인터페이스부(700)로 실제위험경보를 전송하는 한편, 해당 위험 상황에 대한 대응 매뉴얼을 전송하도록 하는 단계를 더 포함할 수 있다.
한편, 본 발명의 AI 기반 재난안전 및 방범용 영상감시방법에서 이미지데이터로부터 군중속도와 밀집도를 인식하고 이를 토대로 위험도를 추정하는 방법은 상술한 도 1 및 도 2 에서와 동일하므로 이에 대한 자세한 설명은 생략한다.
이와 같은 본 발명에 의한 AI 기반 재난안전 및 방범용 영상감시방법은 카메라로 인식된 군중의 이동속도와 방향, 및 밀집도를 토대로 위험도를 정확히 산출할 수 있으며, 군중의 이동에 대한 위험도를 실시간으로 학습하여 위험도 산출의 신뢰도를 높이고, 압사 사고와 같은 지나친 군중 밀집으로 인한 위험 상황을 조기에 감지할 수 있다.
상술한 바와 같이, 본 발명에 따른 AI 기반 재난안전 및 방범용 영상감시시스템과 그 방법은 카메라로 인식된 군중의 이동속도와 방향, 및 밀집도를 토대로 위험도를 정확히 산출할 수 있으며, 군중의 이동에 대한 위험도를 실시간으로 학습하여 위험도 산출의 신뢰도를 높이고, 압사 사고와 같은 지나친 군중 밀집으로 인한 위험 상황을 조기에 감지할 수 있는 장점이 있다.
본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (18)

  1. 카메라에서 촬영한 영상을 일정한 주기로 샘플링하여 이미지데이터를 추출하는 중앙처리부;
    상기 중앙처리부에 연결되어 상기 이미지데이터로 인식된 군중속도와 밀집도를 토대로 위험도를 추정하는 측정부;
    상기 중앙처리부에 연결되어 상기 위험도를 입력으로 한 위험도 판단모델의 출력 및 중앙처리부에서 제공하는 위험임계값을 토대로 위험여부를 판단하고, 위험으로 판단될 경우 사전위험경보를 사용자 인터페이스부로 송신하는 판단부;
    상기 중앙처리부에 연결되어 판단부에서의 위험 판단 결과와 사용자 인터페이스부로부터 수신된 실제 위험여부가 상이할 경우 위험도 판단모델의 갱신에 필요한 학습데이터를 저장하는 저장부; 및
    상기 중앙처리부에 연결되어 상기 학습데이터를 토대로 상기 위험도 판단모델을 학습하여 갱신하는 학습부;를 포함하는 AI 기반 재난안전 및 방범용 영상감시시스템.
  2. 제 1항에 있어서,
    상기 측정부는,
    적어도 두 개 이상의 상기 이미지데이터를 토대로 상기 군중속도를 추정하고 상기 군중속도를 보정하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시시스템.
  3. 제 2항에 있어서,
    상기 군중속도는,
    두 개의 인접한 이미지데이터의 상호상관(Cross Correlation)을 이용하여 추정하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시시스템.
  4. 제 3항에 있어서,
    상기 군중속도는,
    상기 상호상관의 결과인 상호상관 이미지데이터를 미리 정해진 크기의 구획으로 구분 짓고, 두 개의 구획에서의 피크 지점 간에 가우시안(Gaussian) 함수를 토대로 추출된 이동 거리와, 상기 두 개의 인접한 이미지데이터의 샘플링 시간차를 토대로 추정하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시시스템.
  5. 제 2항에 있어서,
    상기 군중속도는,
    루카스-카나데(Lucas-Kanade) 알고리즘을 이용하여 추정하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시시스템.
  6. 제 2항에 있어서,
    상기 군중속도의 보정은,
    2D 단위의 이동을 3D인 실측 단위로 변환하기 위해 사영기하학(projective geometry)을 토대로 수행하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시시스템.
  7. 제 2항에 있어서,
    상기 측정부는,
    보정된 군중속도에 대해 머신러닝을 통해 적합한 회귀 모델을 도출하여 밀집도를 추정하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시시스템.
  8. 제 2항에 있어서,
    상기 판단부는,
    그룹별 군중속도 및 이동방향과 밀집도를 토대로 위험여부를 판단하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시시스템.
  9. 제 1항에 있어서,
    상기 중앙처리부는,
    상기 사전위험경보에 대해 상기 사용자 인터페이스부로부터 수신된 관리자의 실제 위험여부도 위험으로 판정되는 경우 위험 상황에 대처하도록 상기 사용자 인터페이스부로 실제위험경보를 전송하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시시스템.
  10. 중앙처리부에서 카메라의 영상을 일정한 주기로 샘플링하여 이미지데이터를 추출하는 이미지데이터 추출단계;
    측정부에서 상기 이미지데이터로 인식된 군중속도와 밀집도를 토대로 위험도를 추정하는 위험도 추정단계;
    판단부에서 상기 위험도를 입력으로 한 위험도 판단모델의 출력 및 상기 중앙처리부에서 제공하는 위험임계값을 토대로 위험여부를 판단하고, 위험으로 판단될 경우 사전위험경보를 사용자 인터페이스부로 송신하는 위험여부 판단단계;
    상기 판단부에서의 위험 판단 결과와 상기 사용자 인터페이스부로부터 수신된 실제 위험여부가 상이할 경우 상기 위험도 판단모델의 갱신에 필요한 학습데이터를 저장부에 저장하는 학습데이터 저장단계; 및
    학습부에서 상기 학습데이터를 토대로 상기 위험도 판단모델을 학습하여 갱신하는 위험도 판단모델 갱신단계;를 포함하는 AI 기반 재난안전 및 방범용 영상감시방법.
  11. 제 10항에 있어서,
    상기 위험도 추정단계에서는,
    적어도 두 개 이상의 상기 이미지데이터를 토대로 상기 군중속도를 추정하고 상기 군중속도를 보정하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시방법.
  12. 제 11항에 있어서,
    상기 군중속도는,
    두 개의 인접한 상기 이미지데이터의 상호상관(Cross Correlation)을 이용하여 추정하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시방법.
  13. 제 12항에 있어서,
    상기 군중속도는,
    상기 상호상관의 결과인 상호상관 이미지데이터를 미리 정해진 크기의 구획으로 구분 짓고, 두 개의 구획에서의 피크 지점 간에 가우시안(Gaussian) 함수를 토대로 추출된 이동 거리와, 그리고 상기 두 개의 인접한 이미지데이터의 샘플링 시간차를 토대로 추정하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시방법.
  14. 제 11항에 있어서,
    상기 군중속도는,
    루카스-카나데(Lucas-Kanade) 알고리즘을 이용하여 추정하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시방법.
  15. 제 11항에 있어서,
    상기 군중속도의 보정은,
    2D 단위의 이동을 3D인 실측 단위로 변환하기 위해 사영기하학(projective geometry)을 토대로 수행하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시방법.
  16. 제 11항에 있어서,
    상기 위험도 추정단계에서는,
    보정된 군중속도에 대해 머신러닝을 통해 적합한 회귀 모델을 도출하여 밀집도를 추정하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시방법.
  17. 제 10항에 있어서,
    상기 위험여부 판단단계에서는,
    그룹별 군중속도 및 이동방향과 밀집도를 토대로 위험여부를 판단하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시방법.
  18. 제 10항에 있어서,
    상기 위험여부 판단단계에서의 상기 사전위험경보에 대해 상기 사용자 인터페이스부로부터 수신된 관리자의 실제 위험여부도 위험으로 판정되는 경우, 위험 상황에 대처하도록 상기 중앙처리부가 상기 사용자 인터페이스부로 실제위험경보를 전송하는 단계를 더 포함하는 것을 특징으로 하는 AI 기반 재난안전 및 방범용 영상감시방법.
KR1020230117999A 2023-09-05 2023-09-05 Ai 기반 재난안전 및 방범용 영상감시시스템과 그 방법 KR102594435B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230117999A KR102594435B1 (ko) 2023-09-05 2023-09-05 Ai 기반 재난안전 및 방범용 영상감시시스템과 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230117999A KR102594435B1 (ko) 2023-09-05 2023-09-05 Ai 기반 재난안전 및 방범용 영상감시시스템과 그 방법

Publications (1)

Publication Number Publication Date
KR102594435B1 true KR102594435B1 (ko) 2023-10-27

Family

ID=88513996

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230117999A KR102594435B1 (ko) 2023-09-05 2023-09-05 Ai 기반 재난안전 및 방범용 영상감시시스템과 그 방법

Country Status (1)

Country Link
KR (1) KR102594435B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150005863A (ko) * 2014-07-28 2015-01-15 성균관대학교산학협력단 이동 방향별 보행자 계수 방법 및 장치
KR20220063280A (ko) 2020-06-08 2022-05-17 상하이 센스타임 인텔리전트 테크놀로지 컴퍼니 리미티드 군중 과밀 예측 방법 및 장치
JP2023501690A (ja) * 2019-11-20 2023-01-18 オムロン株式会社 群衆のダイナミックを予測する方法及びシステム
KR20230067255A (ko) * 2021-11-09 2023-05-16 주식회사 페타브루 밀집도 분석에 기반한 과밀 방지 장치 및 이를 포함하는 과밀 방지 시스템
KR102535934B1 (ko) * 2022-12-19 2023-05-26 주식회사 지란지교데이터 밀집도 예측 시스템 및 방법
KR102584708B1 (ko) * 2022-12-13 2023-10-05 주식회사 인텔리빅스 과소 및 과밀 환경을 지원하는 군중위험관리시스템 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150005863A (ko) * 2014-07-28 2015-01-15 성균관대학교산학협력단 이동 방향별 보행자 계수 방법 및 장치
JP2023501690A (ja) * 2019-11-20 2023-01-18 オムロン株式会社 群衆のダイナミックを予測する方法及びシステム
KR20220063280A (ko) 2020-06-08 2022-05-17 상하이 센스타임 인텔리전트 테크놀로지 컴퍼니 리미티드 군중 과밀 예측 방법 및 장치
KR20230067255A (ko) * 2021-11-09 2023-05-16 주식회사 페타브루 밀집도 분석에 기반한 과밀 방지 장치 및 이를 포함하는 과밀 방지 시스템
KR102584708B1 (ko) * 2022-12-13 2023-10-05 주식회사 인텔리빅스 과소 및 과밀 환경을 지원하는 군중위험관리시스템 및 방법
KR102535934B1 (ko) * 2022-12-19 2023-05-26 주식회사 지란지교데이터 밀집도 예측 시스템 및 방법

Similar Documents

Publication Publication Date Title
US10217229B2 (en) Method and system for tracking moving objects based on optical flow method
CN110689054B (zh) 一种工人违规行为监测方法
KR101748121B1 (ko) 객체 인지 기반의 실시간 영상 검지 시스템 및 그 방법
KR102217253B1 (ko) 행동패턴 분석 장치 및 방법
CN109241896B (zh) 一种通道安全检测方法、装置及电子设备
US9008440B2 (en) Component recognizing apparatus and component recognizing method
CN101315701B (zh) 运动目标图像分割方法
KR101735365B1 (ko) 학습 기반의 영상 내 관심 물체 검지 및 환경 변화에 강인한 물체 추적 방법
EP2993621B1 (en) Method and apparatus for detecting shielding against object
CN110796819B (zh) 一种针对站台黄线入侵越界人员的检测方法及系统
JP2007334623A (ja) 顔認証装置、顔認証方法、および入退場管理装置
CN103824070A (zh) 一种基于计算机视觉的快速行人检测方法
KR102282800B1 (ko) 라이다와 영상카메라를 이용한 멀티 표적 추적 방법
CN111553732B (zh) 移动轨迹的处理方法和装置
CN104200466A (zh) 一种预警方法及摄像机
CN104658152A (zh) 一种基于视频的运动物体入侵报警方法
CN104658008A (zh) 一种基于视频图像的人员聚集检测方法
CN104301697A (zh) 一种公共场所暴力事件自动检测系统及其方法
CN103123726A (zh) 一种基于运动行为分析的目标跟踪算法
CN114373162B (zh) 用于变电站视频监控的危险区域人员入侵检测方法及系统
KR101441107B1 (ko) 승강기내 이상 행동 판별 방법 및 그 장치
Martani et al. Pedestrian monitoring techniques for crowd-flow prediction
KR102594435B1 (ko) Ai 기반 재난안전 및 방범용 영상감시시스템과 그 방법
CN111178220A (zh) 检测客车内的安全设施的方法、设备和存储介质
CN112949359A (zh) 基于卷积神经网络的异常行为识别方法和装置

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant