KR102600418B1 - 구역을 결정하기 위한 방법 및 장치 - Google Patents

Abstract

본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에 의해 수행되는 구역 설정 방법으로서, 제 1 공간을 촬영한 제 1 영상을 획득하는 단계; 상기 제 1 영상을 복수의 구역들로 분할하는 단계; 사전 결정된 기간동안 사전 결정된 시간 간격마다 획득되는 복수의 프레임(frame)들에 기초하여 상기 복수의 구역들 각각의 변화량을 산출하는 단계; 및 상기 복수의 구역들 각각의 변화량에 기초하여 상기 복수의 구역들 중에서 적어도 하나의 제 1 지정 구역을 결정하는 단계;를 포함할 수 있다.

Description

구역을 결정하기 위한 방법 및 장치{APPARATUS AND METHOD FOR DECIDING OF AREA}

본 개시내용은 영상 처리에 관한 것으로, 보다 구체적으로 구역을 결정하기 위한 방법 및 장치에 관한 것이다.

사용자는 특정 장소를 상시 또는 일시적으로 감시하기 위해 CCTV(Closed circuit television) 등의 감시 시스템을 통해 영상을 녹화하거나 실시간으로 영상을 확인할 수 있다.

CCTV 시스템은 카메라가 촬영한 영상을 녹화하여 저장하는 DVR(Digital video recorder)을 이용한 종래의 방식에서, IP 카메라와 네트워크 연결되어 전송된 영상을 압축, 저장하는 NVR(Network video recorder)을 이용하는 방식으로 변화된 추세이다. DVR 또는 NVR은 영상을 모니터링하고 여러 카메라로부터 들어온 신호를 감시 시스템에 효율적으로 전달할 수 있으며, 필요한 경우 영상의 추후 확인이 가능하다.

그러나 기존의 영상 녹화방식은 채널당 화면전체를 녹화하거나 사람을 통해 수동으로 일부 구역을 설정하여 녹화하고 있다. 또한, 기존 영상 녹화방식은 일부 채널 화면에서 불필요한 녹화영역까지 저장하고 있다. 따라서, 효율적으로 영상을 녹화하는 방법에 대한 연구가 진행되고 있다.

대한민국 공개특허 제10-1998-0034374호(2000.03.15. 공개)

본 개시의 전술한 배경기술에 대응하여 안출된 것으로, 구역을 결정하기 위한 방법 및 장치를 제공하기 위함이다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 구역 설정 방법으로서, 제 1 공간을 촬영한 제 1 영상을 획득하는 단계; 상기 제 1 영상을 복수의 구역들로 분할하는 단계; 사전 결정된 기간동안 사전 결정된 시간 간격마다 획득되는 복수의 프레임(frame)들에 기초하여 상기 복수의 구역들 각각의 변화량을 산출하는 단계; 및 상기 복수의 구역들 각각의 변화량에 기초하여 상기 복수의 구역들 중에서 적어도 하나의 제 1 지정 구역을 결정하는 단계;를 포함할 수 있다.

대안적으로, 상기 제 1 영상을 복수의 구역들로 분할하는 단계는, 구역 하나의 크기 또는 사전 결정된 분할 개수에 기초하여 상기 제 1 영상을 상기 복수의 구역들로 분할하는 단계;를 포함할 수 있다.

대안적으로, 상기 변화량은, 상기 복수의 구역들 각각에 포함된 객체의 움직임에 따른 변화의 정도일 수 있다.

대안적으로, 상기 복수의 구역들 각각의 변화량을 산출하는 단계는, 상기 복수의 프레임들을 시간순서 상으로 이전 프레임 또는 다음 프레임과 각각 비교하여 상기 복수의 구역들 각각의 변화량을 산출하는 단계;를 포함할 수 있다.

대안적으로, 상기 제 1 영상을 상기 복수의 구역들로 분할하는 단계 이후, 상기 제 1 영상의 정보에 기초하여, 상기 복수의 구역들 중에서 객체와 관련된 복수의 후보 구역들을 결정하는 단계;를 더 포함하고, 상기 복수의 구역들 각각의 변화량을 산출하는 단계는, 상기 복수의 프레임들에 기초하여 상기 복수의 후보 구역들 각각의 변화량을 산출하는 단계;를 포함하고, 상기 적어도 하나의 제 1 지정 구역을 결정하는 단계는, 상기 복수의 후보 구역들 각각의 변화량에 기초하여 상기 복수의 후보 구역들 중에서 상기 적어도 하나의 제 1 지정 구역을 결정하는 단계;를 포함할 수 있다.

대안적으로, 상기 복수의 후보 구역들을 결정하는 단계는, 상기 제 1 영상의 정보에 포함된 이벤트 발생에 관한 정보를 획득하는 단계; 및 사전 결정된 기준에 기초하여, 상기 이벤트 발생에 관한 정보로부터 상기 복수의 후보 구역들을 결정하는 단계;를 포함할 수 있다.

대안적으로, 상기 이벤트 발생에 관한 정보는, 상기 복수의 구역들 각각에서 인식되는 객체의 정보 또는 상기 객체에 의해 발생되는 이벤트 정보 중 적어도 하나를 포함할 수 있다.

대안적으로, 상기 사전 결정된 기준은, 인식된 객체의 개수, 상기 객체가 인식된 횟수, 상기 객체에 의해 발생되는 이벤트의 횟수 또는 상기 객체의 종류 중 적어도 하나를 포함할 수 있다.

대안적으로, 상기 복수의 후보 구역들을 결정하는 단계는, 후보 구역을 결정하기 위한 인공지능 기반의 모델을 이용하여 상기 제 1 영상의 정보로부터 상기 복수의 후보 구역들을 결정하는 단계;를 포함할 수 있다.

대안적으로, 상기 후보 구역을 결정하기 위한 인공지능 기반의 모델은, 입력된 영상에서 이벤트 발생에 관한 정보를 획득함으로써 상기 복수의 후보 구역들을 결정하도록 사전 학습되며, 그리고 상기 이벤트 발생에 관한 정보에서 이벤트 발생 횟수에 기초하여 상기 복수의 구역들 중에서 상기 복수의 후보 구역들을 결정할 수 있다.

대안적으로, 상기 제 1 공간을 촬영한 제 2 영상을 획득하는 단계; 및 상기 제 2 영상에서 상기 적어도 하나의 제 1 지정 구역에 대응되는 적어도 하나의 제 2 지정 구역을 결정하는 단계;를 더 포함할 수 있다.

대안적으로, 상기 적어도 하나의 제 1 지정 구역에 대한 정보를 저장, 사용자 디바이스에 전달 또는 상기 컴퓨팅 장치와 연동되는 출력부에 표시 중 적어도 하나를 수행하는 단계;를 더 포함할 수 있다.

대안적으로, 상기 적어도 하나의 제 1 지정 구역에 대한 정보는, 상기 제 1 지정 구역의 위치의 정보, 영상의 정보 또는 객체의 정보 중 적어도 하나를 포함할 수 있다.

대안적으로, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 구역 설정을 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 제 1 공간을 촬영한 제 1 영상을 획득하는 단계; 상기 제 1 영상을 복수의 구역들로 분할하는 단계; 사전 결정된 기간동안 사전 결정된 시간 간격마다 획득되는 복수의 프레임(frame)들에 기초하여 상기 복수의 구역들 각각의 변화량을 산출하는 단계; 및 상기 복수의 구역들 각각의 변화량에 기초하여 상기 복수의 구역들 중에서 적어도 하나의 제 1 지정 구역을 결정하는 단계;를 포함할 수 있다.

대안적으로, 구역 설정을 위한 컴퓨팅 장치에 있어서, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및 네트워크부;를 포함하고, 상기 프로세서는, 제 1 공간을 촬영한 제 1 영상을 획득하고, 상기 제 1 영상을 복수의 구역들로 분할하고, 사전 결정된 기간동안 사전 결정된 시간 간격마다 획득되는 복수의 프레임(frame)들에 기초하여 상기 복수의 구역들 각각의 변화량을 산출하고, 그리고 상기 복수의 구역들 각각의 변화량에 기초하여 상기 복수의 구역들 중에서 적어도 하나의 제 1 지정 구역을 결정할 수 있다.

본 개시의 몇몇 실시예에 따른 방법 및 장치는 전체 구역에서 저장이 필요한 구역을 정밀하게 결정할 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부 사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시내용의 일 실시예에 따른 구역을 결정하기 위한 컴퓨팅 장치를 개략적으로 도시한다.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 예시적으로 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 구역을 결정하기 위한 순서도를 예시적으로 나타낸다.
도 4는 본 개시의 일 실시예에 따라 구역을 결정하는 과정을 예시적으로 나타낸다.
도 5는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 “구성요소”, “컴포넌트”, “모듈”, “시스템” 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시내용에서의 제 1, 제 2, 또는 제 3 과 같이 제 N으로 표현되는 용어들은 복수의 엔티티들을 구분하기 위해 사용된다. 예를 들어, 제 1 과 제 2 로 표현된 엔티티들은 서로 동일하거나 또는 상이할 수 있다.

도 1은 본 개시내용의 일 실시예에 따른 구역을 결정하기 위한 컴퓨팅 장치를 개략적으로 도시한다. 도 1에 도시된 시스템의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 시스템은 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 시스템을 구성할 수도 있다.

도 1을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(110), 메모리(130) 및 네트워크부(150)를 포함할 수 있다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

본 개시내용에서의 컴퓨팅 장치(100)는 본 개시내용의 실시예들을 구현하기 위한 시스템을 구성하는 임의의 형태의 노드를 의미할 수 있다. 컴퓨팅 장치(100)는 임의의 형태의 사용자 디바이스 또는 임의의 형태의 서버를 의미할 수 있다. 전술한 컴퓨팅 장치(100)의 컴포넌트들은 예시적인 것으로 일부가 제외될 수 있거나 또는 추가 컴포넌트가 포함될 수도 있다. 일례로, 전술한 컴퓨팅 장치(100)가 사용자 디바이스를 포함하는 경우, 출력부(미도시) 및 입력부(미도시)가 상기 컴퓨팅 장치(100)의 범위 내에 포함될 수 있다.

일 실시예에서, 프로세서(110)는 적어도 하나의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.

일 실시예에서, 프로세서(110)는 구역을 설정하기 위하여, 제 1 공간을 촬영한 제 1 영상을 획득할 수 있다. 프로세서(110)는 제 1 영상을 복수의 구역들로 분할할 수 있다. 프로세서(110)는 사전 결정된 기간동안 사전 결정된 시간 간격마다 획득되는 복수의 프레임(frame)들에 기초하여 복수의 구역들 각각의 변화량을 산출할 수 있다. 프로세서(110)는 복수의 구역들 각각의 변화량에 기초하여 복수의 구역들 중에서 적어도 하나의 제 1 지정 구역을 결정할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시내용의 일 실시예에 따른 구역을 설정하기 위한 방법들을 수행할 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수도 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치들의 프로세서들을 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수도 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다. 본 개시의 일 실시예에 따른 신경망에 대한 동작들은 도 2와 관련하여 후술될 것이다.

추가적으로, 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 예를 들어, 프로세서(110)는 컴퓨팅 장치(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 데이터, 정보, 또는 신호 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 컴퓨팅 장치(100)가 수신한 임의의 형태의 정보를 저장할 수 있다. 본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 본 개시의 실시예들에 따른 동작을 수행하도록 하는 컴퓨터 소프트웨어를 저장하는 저장매체일 수 있다. 따라서, 메모리(130)는 본 개시내용에 실시예들을 수행하는데 필요한 소프트웨어 코드, 코드의 실행 대상이 되는 데이터, 코드의 실행 결과를 저장하기 위한 컴퓨터 판독 매체들을 의미할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 임의의 타입의 저장 매체를 의미할 수 있다 예를 들어, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시내용에서 사용되는 메모리(130)는 전술한 예시들로 제한되지 않는다.

일 실시예에서, 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 개인 통신망(PAN: Personal Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 네트워크부(150)는 월드와이드웹(WWW: World Wide Web) 기반으로 동작할 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 개시내용에서의 컴퓨팅 장치(100)는 임의의 형태의 사용자 디바이스 및/또는 임의의 형태의 서버를 포함할 수 있다. 따라서, 본 개시내용의 실시예들은 서버 및/또는 사용자 디바이스에 의해 수행될 수 있다.

사용자 디바이스는 서버 또는 다른 컴퓨팅 장치와 상호작용 가능한 임의의 형태의 디바이스를 포함할 수 있다. 사용자 디바이스는 예를 들어, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), PDA(personal digital assistants), 슬레이트 PC(slate PC), 태블릿 PC(tablet PC) 및 울트라북(ultrabook)을 포함할 수 있다.

본 개시내용의 일 실시예에서, 컴퓨팅 장치(100)는 사용자 디바이스를 포함하거나, 무선 또는 유선으로 외부의 디바이스와 연동될 수도 있다.

서버는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨팅 시스템 또는 컴퓨팅 장치를 포함할 수 있다.

추가적인 실시예에서 전술한 서버는 영상의 정보 등을 저장 및 관리하는 저장부(미도시)를 포함할 수 있다. 이러한 저장부는 서버 내에 포함되거나 혹은 서버의 관리 하에 존재할 수 있다. 다른 예시로, 저장부는 서버 외부에 존재하여 서버와 통신 가능한 형태로 구현될 수도 있다. 이 경우 서버와는 상이한 다른 외부 서버에 의해 저장부가 관리 및 제어될 수 있다.

컴퓨팅 장치(100)는 카메라 장치와 연동되거나 또는 카메라 장치를 포함할 수 있다.

카메라 장치는 컴퓨팅 장치(100)와 통신을 위한 매커니즘을 갖는 시스템에서의 임의의 형태의 노드들을 의미할 수 있다. 예를 들어, 카메라 장치는 복수의 고정형 카메라들 및 복수의 회전형 카메라들 중 적어도 하나를 포함할 수 있다.

카메라 장치는 촬영된 영상을 컴퓨팅 장치(100)에 전달할 수 있다. 그리고, 카메라 장치는 컴퓨팅 장치(100)에 의해 제어될 수 있다. 예를 들어, 카메라 장치는 컴퓨팅 장치(100)로부터 수신한 제어 신호에 의해 특정 구역 및/또는 특정 공간을 촬영할 수 있다. 카메라 장치는 특정 구역을 촬영한 영상을 컴퓨팅 장치(100)에 전달할 수도 있다. 다만, 이에 한정되지 않고, 카메라 장치는 컴퓨팅 장치(100)와 일체형으로 구비될 수도 있다. 카메라 장치는 전체 구역 내에 구비될 수 있다. 카메라 장치는 한 지점에 고정되거나 또는 이동형으로 구비될 수 있다.

도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 예시적으로 나타낸 개략도이다.

본 개시내용에 걸쳐, 인공지능 기반의 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

뉴럴 네트워크는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비지도 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비지도 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시의 일 실시예에 따른 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 인공지능 기반 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. 본 개시내용에서 가중치 및 파라미터는 서로 교환가능한 의미로 사용될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 3은 본 개시의 일 실시예에 따라 구역을 결정하기 위한 순서도를 예시적으로 나타낸다. 도 3에 도시되는 단계들은 예시적인 단계들이다. 따라서, 본 개시내용의 사상의 범위를 벗어나지 않는 한도에서 도 3의 단계들 중 일부가 생략되거나 추가적인 단계들이 존재할 수 있다는 점 또한 당업자에게 명백할 것이다. 도 3에서 도시되는 순서도는 예를 들어, 컴퓨팅 장치(100)에 의해 수행될 수 있다.

도 3을 참조하면, 본 개시의 일 실시예에서, 프로세서(110)는 제 1 공간을 촬영한 제 1 영상을 획득할 수 있다(310).

본 개시내용에서의 공간(예를 들어, 제 1 공간 등)은 임의의 형태 그리고 임의의 크기의 실내 또는 실외 공간을 의미할 수 있다. 공간은 현실 세계의 실제 공간, 가상 세계의 가상 공간 등을 포함할 수 있다.

본 개시내용에서의 영상(예를 들어, 제 1 영상, 제 2 영상 등)은 빛의 굴절이나 반사 등에 의하여 이루어진 물체의 상을 의미할 수 있다. 영상은 이미지, 동영상 등을 포함할 수 있다. 영상은 특정 공간(예를 들어, 제 1 공간 등)을 포함할 수 있다. 컴퓨팅 장치(100)는 카메라 장치 또는 임의의 컴퓨팅 장치로부터 영상을 수신할 수 있다.

프로세서(110)는 제 1 영상을 복수의 구역들로 분할할 수 있다(320). 본 개시의 일 실시예에서, 프로세서(110)는 구역 하나의 크기, 구역 하나의 형태 또는 사전 결정된 분할 개수에 기초하여 제 1 영상을 복수의 구역들로 분할할 수 있다. 구역 하나의 크기, 구역 하나의 형태 또는 사전 결정된 분할 개수는 사용자의 입력을 통해 결정되거나 또는 사전에 결정되어 있을 수 있다.

프로세서(110)는 입력부를 통해 사용자의 입력에 따른 구역 하나의 크기, 구역 하나의 형태 또는 분할 개수를 획득할 수 있다.

본 개시의 일 실시예에서, 입력부는 사용자의 입력을 수신할 수 있다. 입력부는 사용자의 입력을 수신하기 위한 적어도 하나의 키, 버튼 등을 포함할 수 있다.

입력부는 사용자의 입력에 기초하여 영상을 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다. 입력부는 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신할 수 있다. 또한, 입력부는 카메라 또는 마이크로폰을 통하여 사용자의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.

일 실시예에서, 입력부는 컴퓨팅 장치(100)와 연결된 외부 입력 장비로서 구현될 수 있다. 예를 들어, 외부 입력 장비는 사용자의 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나 일 수 있다. 다만, 이에 한정되지 않는다.

일 실시예에서, 입력부는 출력부와 동일한 구성으로 사용자의 터치 입력을 수신하도록 구현되는 터치 스크린을 포함할 수 있다. 터치 스크린은 접촉식 정전용량 방식, 적외선 광감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식을 포함할 수 있다. 다만, 터치 스크린은 이에 한정되지 않는다. 입력부는 터치 스크린에 가해진 사용자의 터치 입력을 수신하기 위한 터치 센서를 포함할 수 있다.

터치 센서는 입력부의 특정 부위에 가해진 압력 또는 입력부의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력 신호로 변환할 수 있다. 터치 센서는 터치 되는 위치, 면적 및 터치 시의 압력을 검출할 수 있다. 따라서, 입력부는 터치 센서를 통해 사용자의 터치 입력을 수신하고, 프로세서(110)는 입력부를 통해 사용자의 터치 입력을 인식할 수 있다. 프로세서(110)는 사용자의 입력 신호에 기초하여 카메라 장치로부터 수신한 영상을 분할할 수 있다. 예를 들어, 프로세서(110)는 사용자가 영상을 16분할로 지정한 경우, 화면을 16분할로 분할할 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 제 1 영상을 서로 다른 크기의 복수의 구역들로 분할할 수 있다. 예를 들어, 프로세서(110)는 영상의 위치별로 사전 결정된 크기에 따라 제 1 영상을 서로 다른 크기의 복수의 구역들로 분할할 수 있다.

프로세서(110)는 사전 결정된 기간동안 사전 결정된 시간 간격마다 획득되는 복수의 프레임(frame)들에 기초하여 복수의 구역들 각각의 변화량을 산출할 수 있다(330). 본 개시의 일 실시예에서, 프로세서(110)는 복수의 프레임들을 시간순서 상으로 이전 프레임 또는 다음 프레임과 각각 비교하여 복수의 구역들 각각의 변화량을 산출할 수 있다. 예를 들어, 프로세서(110)는 1초에 대응되는 제 1 프레임, 2초에 대응되는 제 2 프레임, 3초에 대응되는 제 3 프레임이 존재하는 경우, 복수의 구역들 중 하나인 제 1 구역의 변화량을 제 2 프레임에서의 제 1 구역과 제 1 프레임(또는, 제 3 프레임)에서의 제 1 구역과의 비교를 통해 산출할 수 있다.

사전 결정된 기간 및/또는 사전 결정된 시간 간격은 사용자의 입력을 통해 결정되거나 또는 사전에 결정되어 있을 수 있다. 복수의 프레임들은 사전 결정된 기간동안 사전 결정된 시간 간격마다 획득되는 프레임의 집합을 의미할 수 있다. 프레임은 영상이 연속적으로 바뀌면서 변화하는 동영상에서의 한 순간의 완전한 화상일 수 있다. 예를 들어, 프로세서(110)는 제 1 영상의 10분동안 1초마다 획득되는 프레임(예를 들어, 제 1 영상의 1초에 획득되는 제 1 프레임, 제 1 영상의 2초에 획득되는 제 2 프레임, 제 1 영상의 3초에 획득되는 제 3 프레임 등)의 집합인 복수의 프레임들을 획득할 수 있다.

변화량은 복수의 구역들 각각에 포함된 객체의 움직임에 따른 변화의 정도일 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 하나의 구역에 복수의 객체들이 존재하는 경우, 하나의 구역에 존재하는 객체별로 개별 변화량을 산출할 수 있다. 프로세서(110)는 객체별로 산출된 개별 변화량을 합한 변화량을 하나의 구역의 변화량으로 산출할 수 있다.

객체는 영구적으로 고정되지 않고 특정한 시점이나 특정한 상황에서 움직임이 가능한 이동체 및/또는 이동체가 아닌 부동체 중 적어도 하나를 포함할 수 있다. 이동체는 이동이 가능한 객체(예를 들어, 사람, 자동차, 자전거 등)일 수 있다. 부동체는 고정된 객체(예를 들어, 식물, 건물 등)일 수 있다.

프로세서(110)는 복수의 구역들 각각의 변화량에 기초하여 복수의 구역들 중에서 적어도 하나의 제 1 지정 구역을 결정할 수 있다(340). 본 개시의 일 실시예에서, 프로세서(110)는 복수의 구역들 중에서 사전 결정된 임계치를 초과하는(또는, 초과하지 않는) 구역을 적어도 하나의 제 1 지정 구역으로 결정할 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 제 1 영상을 복수의 구역들로 분할하는 단계(320) 이후, 제 1 영상의 정보에 기초하여, 복수의 구역들 중에서 객체와 관련된 복수의 후보 구역들을 결정할 수 있다.

영상의 정보(예를 들어, 제 1 영상의 정보, 제 2 영상의 정보 등)는 카메라 장치 또는 임의의 컴퓨팅 장치로부터 수신한 모든 영상에 관한 정보일 수 있다. 예를 들어, 영상의 정보는 카메라 장치에서 촬영된 영상에 관한 정보일 수 있다. 다른 예를 들어, 영상의 정보는 임의의 컴퓨팅 장치에서 사전에 저장되어 있던 영상에 관한 정보일 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 제 1 영상의 정보에 포함된 이벤트 발생에 관한 정보를 획득할 수 있다.

이벤트 발생에 관한 정보는 복수의 구역들 각각에서 인식되는 객체의 정보 또는 객체에 의해 발생되는 이벤트 정보 중 적어도 하나를 포함할 수 있다.

이벤트는 영상에서 인식된 객체의 모션(motion)이 사전 결정된 정상 모션이 아닌 비정상 모션인 경우를 의미할 수 있다. 따라서, 이벤트 발생은 영상에 포함된 객체로부터 사전 결정된 정상 모션이 아닌 다른 모션이 감지되는 것을 의미할 수 있다.

사전 결정된 정상 모션은 구역별로 다르게 설정될 수 있다. 예를 들어, 제 1 구역이 운동을 하는 구역인 경우, 프로세서(110)는 사람으로 인식된 객체들 간에 충돌을 정상 모션으로 설정할 수 있다. 다른 예를 들어, 제 2 구역이 식사를 하는 구역인 경우, 프로세서(110)는 사람으로 인식된 객체들 간에 충돌을 정상 모션이 아닌 비정상 모션으로 설정할 수 있다. 사전 결정된 정상 모션은 이에 한정되지 않고, 구역, 상황 등에 알맞게 설정될 수 있다.

이벤트 발생에 관한 정보는 영상에 포함된 객체로부터 사전 결정된 정상 모션이 아닌 다른 모션이 감지되는 경우에 획득된 적어도 하나의 정보일 수 있다. 예를 들어, 이벤트 발생에 관한 정보는 복수의 구역들의 각각에서 인식되는 객체의 정보 또는 객체에 의해 발생되는 이벤트 정보 중 적어도 하나를 포함할 수 있다. 이벤트 정보는 이벤트별로 이벤트 발생 날짜, 시간, 장소, 영상을 촬영한 카메라 정보, 이벤트를 발생시킨 객체에 대한 정보 등을 포함할 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 사전 결정된 기준에 기초하여, 이벤트 발생에 관한 정보로부터 복수의 후보 구역들을 결정할 수 있다.

사전 결정된 기준은 인식된 객체의 개수, 객체가 인식된 횟수, 객체에 의해 발생되는 이벤트의 횟수 또는 객체의 종류 중 적어도 하나를 포함할 수 있다. 따라서, 프로세서(110)는 사전 결정된 기준에 따라 복수의 구역들의 순위를 결정할 수 있다. 예를 들어, 프로세서(110)는 이벤트 발생에 관한 정보에서 인식된 객체의 개수(또는, 객체가 인식된 횟수, 객체에 의해 발생되는 이벤트의 횟수 등)가 많을수록 후보 구역으로 결정되는 우선순위의 값이 높아지도록 결정할 수 있다. 다른 예를 들어, 프로세서(110)는 이벤트 발생에 관한 정보를 통해 인식된 객체의 정보 중 하나인 객체의 종류가 이동체(또는, 부동체)인 경우, 해당 구역을 후보 구역으로 결정(또는, 미결정)할 수 있다.

프로세서(110)는 후보 구역을 결정하기 위한 인공지능 기반의 모델을 이용하여 제 1 영상의 정보로부터 복수의 후보 구역들을 결정할 수 있다.

후보 구역을 결정하기 위한 인공지능 기반의 모델은 딥러닝 또는 머신러닝을 통해 구축된 신경망일 수 있다. 후보 구역을 결정하기 위한 인공지능 기반의 모델은 입력된 영상에서 이벤트 발생에 관한 정보를 획득할 수 있다.

후보 구역을 결정하기 위한 인공지능 기반의 모델은 데이터셋을 이용하여 학습이 수행될 수 있다.

데이터셋은 신경망의 학습 및 검증을 수행하기 위한 데이터의 집합을 의미할 수 있다. 데이터셋은 학습 데이터셋 및/또는 검증 데이터셋을 포함할 수 있다. 학습 데이터셋은 신경망의 학습 과정에서 사용되는 데이터의 집합일 수 있다. 예를 들어, 학습 데이터셋은 후보 구역을 결정하기 위한 인공지능 기반의 모델의 학습 과정에서 학습에 사용되는 데이터의 집합일 수 있다. 검증 데이터셋은 신경망을 평가하기 위해 사용되는 데이터의 집합일 수 있다. 예를 들어, 검증 데이터셋은 후보 구역을 결정하기 위한 인공지능 기반의 모델을 평가하기 위해 사용되는 데이터의 집합일 수 있다.

후보 구역을 결정하기 위한 인공지능 기반의 모델은 입력된 영상에서 이벤트 발생에 관한 정보를 획득함으로써 복수의 후보 구역들을 결정하도록 사전 학습될 수 있다. 그리고 후보 구역을 결정하기 위한 인공지능 기반의 모델은 이벤트 발생에 관한 정보에서 객체의 정보 또는 이벤트 정보(예를 들어, 이벤트 발생 횟수 등)에 기초하여 복수의 구역들 중에서 복수의 후보 구역들을 결정할 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 복수의 프레임들에 기초하여 복수의 후보 구역들 각각의 변화량을 산출할 수 있다. 여기서, 프로세서(110)는 앞선 과정을 단계(330)에서 수행할 수 있다. 본 개시의 일 실시예에서, 프로세서(110)는 복수의 프레임들을 시간순서 상으로 이전 프레임 또는 다음 프레임과 각각 비교하여 복수의 후보 구역들 각각의 변화량을 산출할 수 있다. 예를 들어, 프로세서(110)는 4초에 대응되는 제 4 프레임, 5초에 대응되는 제 5 프레임, 6초에 대응되는 제 6 프레임이 존재하는 경우, 복수의 후보 구역들 중 하나인 제 2 구역의 변화량을 제 5 프레임에서의 제 2 구역과 제 4 프레임(또는, 제 6 프레임)에서의 제 2 구역과의 비교를 통해 산출할 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 복수의 후보 구역들 각각의 변화량에 기초하여 복수의 후보 구역들 중에서 적어도 하나의 제 1 지정 구역을 결정할 수 있다. 여기서, 프로세서(110)는 앞선 과정을 단계(340)에서 수행할 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 제 1 공간을 촬영한 제 2 영상을 획득할 수 있다. 프로세서(110)는 제 2 영상에서 적어도 하나의 제 1 지정 구역에 대응되는 적어도 하나의 제 2 지정 구역을 결정할 수 있다. 따라서, 프로세서(110)는 제 1 공간을 포함하는 제 2 영상을 획득하는 경우, 적어도 제 1 지정 구역에 대응되도록 적어도 하나의 제 2 지정 구역을 결정함으로써, 새로운 영상에 대해서도 지정 구역을 빠르게 결정할 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 적어도 하나의 제 1 지정 구역에 대한 정보를 저장, 사용자 디바이스에 전달 또는 컴퓨팅 장치(100)와 연동되는 출력부에 표시 중 적어도 하나를 수행할 수 있다.

적어도 하나의 제 1 지정 구역에 대한 정보는 제 1 지정 구역의 위치의 정보, 영상의 정보 또는 객체의 정보 중 적어도 하나를 포함할 수 있다.

위치의 정보는 예를 들어, 특정 지역 혹은 특정 국가에서 통용되는 측지계(geodetic datum), 측지 체계(geodetic system), 공간기준계(spatial reference system, SRS), 좌표 기준계(coordinate reference system, CRS), 지리 좌표계(geographic coordinate system, GCS) 등에 대한 좌표 값 및/또는 방향 값을 포함할 수 있다. 위치의 정보에 대한 다른 예시로 GPS가 포함될 수 있다.

출력부는 화면을 포함하고, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및/또는 네트워크부(150)를 통해 수신한 임의의 형태의 정보를 출력할 수 있다. 예를 들어, 출력부는 카메라 장치로부터 수신한 영상을 디스플레이할 수 있다. 프로세서(110)는 출력부의 영역들을 분할하고, 출력부의 분할된 영역들 각각에 복수의 구역들, 복수의 후보 구역들 및/또는 적어도 하나의 지정구역 중 적어도 하나를 각각 표시할 수 있다. 일 실시예에서, 출력부는 복수의 화면으로 구성될 수도 있다. 따라서, 복수의 구역들, 복수의 후보 구역들 및/또는 적어도 하나의 지정구역 중 적어도 하나는 서로 다른 화면(또는, 서로 동일한 화면) 상에서 디스플레이될 수도 있다.

출력부는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display) 및/또는 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은 그를 통해 외부를 볼 수 있도록 투명형 또는 광투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있고, 투명 디스플레이 모듈은 TOLED(Transparent OLED)을 포함할 수 있다. 다만, 이에 한정되지 않는다. 본 개시의 일 실시예에서, 출력부는 컴퓨팅 장치(100)에 포함될 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 적어도 하나의 제 1 지정 구역에 대한 정보를 사용자 디바이스에 전달하는 경우, 사용자 디바이스에 저장된 기존 지정 구역에 대한 재설정 또는 삭제를 추천하는 알람을 사용자 디바이스에 전달할 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 적어도 하나의 제 1 지정 구역에 대한 정보를 사용자 디바이스에 전달하는 경우, 사용자 디바이스에 저장된 기존 지정 구역에 대한 재설정 또는 삭제를 하는 이벤트를 사용자 디바이스에 전달할 수 있다. 여기서, 이벤트는 어떤 결과를 발생시키는 소프트웨어의 명령일 수 있다. 여기서, 이벤트는 사용자 디바이스의 데이터베이스의 내용을 변경하는 것일 수 있다.

도 4는 본 개시의 일 실시예에 따라 구역을 결정하는 과정을 예시적으로 나타낸다.

도 4를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 공간을 촬영한 제 1 영상(410)을 획득할 수 있다. 제 1 영상은 카메라 장치 또는 임의의 컴퓨팅 장치로부터 수신한 영상일 수 있다. 제 1 영상은 제 1 공간 중 적어도 일부가 포함된 영상일 수 있다.

프로세서(110)는 제 1 영상(410)을 복수의 구역들(420)로 분할할 수 있다. 복수의 구역들(420)은 구역 하나의 크기, 구역 하나의 형태 또는 사전 결정된 분할 개수에 기초하여 제 1 영상을 분할한 구역일 수 있다.

프로세서(110)는 복수의 프레임들(430)에 기초하여 복수의 구역들(420) 각각의 변화량을 산출할 수 있다. 복수의 프레임들(430)은 사전 결정된 기간동안 사전 결정된 시간 간격마다 획득될 수 있다. 프로세서(110)는 복수의 프레임들(430)을 시간순서 상으로 이전 프레임 또는 다음 프레임과 각각 비교하여 복수의 구역들 각각의 변화량을 산출할 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 복수의 프레임들(430)을 랜덤(random)하게 다른 프레임과 각각 비교하여 복수의 구역들 각각의 변화량을 산출할 수 있다. 본 개시의 일 실시예에서, 프로세서(110)는 복수의 프레임들(430)을 일정 시간 이전 프레임 또는 일정시간 이후 프레임과 각각 비교하여 복수의 구역들 각각의 변화량을 산출할 수 있다. 따라서, 프로세서(110)는 시간별로 모든 프레임이 없는 경우에도 일부 프레임만을 이용하여 변화량을 산출할 수 있다.

프로세서(110)는 복수의 구역들(420) 각각의 변화량에 기초하여 복수의 구역들(420) 중에서 적어도 하나의 제 1 지정 구역(440)을 결정할 수 있다. 본 개시의 일 실시예에서, 프로세서(110)는 복수의 구역들(420) 각각의 변화량에 기초하여 결정된 적어도 하나의 제 1 고정 구역을 결정할 수 있다. 그리고 프로세서(110)는 적어도 하나의 제 1 고정 구역의 주변에 존재하는 구역을 제 1 주변 구역으로 결정할 수 있다. 그리고 프로세서(110)는 적어도 하나의 제 1 고정 구역 및 제 1 주변 구역을 제 1 지정 구역(440)으로 결정할 수 있다.

도 4에 기재된 구성들(예를 들어, 컴퓨팅 장치(100)의 구성 등)에 관한 구체적인 내용은 앞서 도 1 내지 도 3을 통해 설명한 내용으로 대체될 수 있다.

도 1 내지 도 4을 참조하여 상술한 바와 같이, 본 개시에 따른 컴퓨팅 장치(100)는 영상의 전체 구역 중에서 필요한 지정 구역을 결정함으로써, 중요한 구역을 수동으로 설정하는 번거로움 없이 필요한 구역만을 저장, 감시, 녹화할 수 있다.

또한, 본 개시에 따른 컴퓨팅 장치(100)는 영상의 전체 구역 중에서 필요한 지정 구역을 결정함으로써, 불필요한 구역까지 저장하여 많은 저장 공간 및 리소스가 필요한 기존 방식을 개선하여 효율적으로 운용할 수 있다.

또한, 본 개시에 따른 컴퓨팅 장치(100)는 제 1 공간을 포함하는 제 2 영상을 획득하는 경우, 적어도 제 1 지정 구역에 대응되도록 적어도 하나의 제 2 지정 구역을 결정함으로써, 새로운 영상에 대해서도 지정 구역을 빠르게 결정할 수 있다.

또한, 본 개시에 따른 컴퓨팅 장치(100)는 영상 분석을 통해 객체의 움직임이 많은 구역과 움직임이 적은 구역을 자동으로 구분하여 객체의 움직임이 많은 구역의 영상만을 저장할 수 있도록 자동 구역 설정 기능을 제공할 수 있다.

또한, 본 개시에 따른 컴퓨팅 장치(100)는 분석된 구역 데이터를 기반으로 저장이 불필요한 구역을 제거하고 필요한 구역만을 저장할 수 있기 때문에 모든 영상을 저장하는 것보다 장기간 저장하는데 도움을 줄 수 있다.

또한, 본 개시에 따른 컴퓨팅 장치(100)는 구역 내 일정 기간동안 객체의 행동 범위를 분석하여 활동 범위가 없는 구역에 대해 재설정 또는 삭제를 추천하는 알람과 이벤트 기능을 제공하여 시스템 내 불필요한 리소스 및 저장용량을 절약하는 효과적인 방법을 제공할 수 있다.

도 5는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 값들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 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 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 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 개시의 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 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (15)

1. 컴퓨팅 장치에 의해 수행되는 구역 설정 방법으로서,
   제 1 공간을 촬영한 제 1 영상을 획득하는 단계;
   상기 제 1 영상을 복수의 구역들로 분할하는 단계;
   상기 제 1 영상의 정보에 포함된 이벤트 발생에 관한 정보를 획득하는 단계;
   사전 결정된 기준에 기초하여, 상기 이벤트 발생에 관한 정보로부터 상기 복수의 구역들 중에서 객체와 관련된 복수의 후보 구역들을 결정하는 단계;
   사전 결정된 기간동안 사전 결정된 시간 간격마다 획득되는 복수의 프레임(frame)들에 기초하여 상기 복수의 후보 구역들 각각의 변화량을 산출하는 단계; 및
   상기 복수의 후보 구역들 각각의 변화량에 기초하여 상기 복수의 후보 구역들 중에서 적어도 하나의 제 1 지정 구역을 결정하는 단계;
   를 포함하고,
   상기 이벤트 발생에 대한 정보는 영상에 포함된 객체로부터 사전 결정된 정상 모션이 아닌 다른 모션이 감지되는 경우에 획득된 적어도 하나의 정보이고,
   상기 사전 결정된 정상 모션은 구역별로 다르게 설정되는,
   방법.
2. 제 1 항에 있어서,
   상기 제 1 영상을 복수의 구역들로 분할하는 단계는,
   구역 하나의 크기 또는 사전 결정된 분할 개수에 기초하여 상기 제 1 영상을 상기 복수의 구역들로 분할하는 단계;
   를 포함하는,
   방법.
3. 제 1 항에 있어서,
   상기 변화량은,
   상기 복수의 후보 구역들 각각에 포함된 객체의 움직임에 따른 변화의 정도인,
   방법.
4. 제 1 항에 있어서,
   상기 복수의 후보 구역들 각각의 변화량을 산출하는 단계는,
   상기 복수의 프레임들을 시간순서 상으로 이전 프레임 또는 다음 프레임과 각각 비교하여 상기 복수의 후보 구역들 각각의 변화량을 산출하는 단계;
   를 포함하는,
   방법.
5. 삭제
6. 삭제
7. 제 1 항에 있어서,
   상기 이벤트 발생에 관한 정보는,
   상기 복수의 구역들 각각에서 인식되는 객체의 정보 또는 상기 객체에 의해 발생되는 이벤트 정보 중 적어도 하나를 포함하는,
   방법.
8. 제 1 항에 있어서,
   상기 사전 결정된 기준은,
   인식된 객체의 개수, 상기 객체가 인식된 횟수, 상기 객체에 의해 발생되는 이벤트의 횟수 또는 상기 객체의 종류 중 적어도 하나를 포함하는,
   방법.
9. 제 1 항에 있어서,
   상기 복수의 후보 구역들을 결정하는 단계는,
   후보 구역을 결정하기 위한 인공지능 기반의 모델을 이용하여 상기 제 1 영상의 정보로부터 상기 복수의 후보 구역들을 결정하는 단계;
   를 포함하는,
   방법.
10. 제 9 항에 있어서,
    상기 후보 구역을 결정하기 위한 인공지능 기반의 모델은,
    입력된 영상에서 이벤트 발생에 관한 정보를 획득함으로써 상기 복수의 후보 구역들을 결정하도록 사전 학습되며, 그리고
    상기 이벤트 발생에 관한 정보에서 이벤트 발생 횟수에 기초하여 상기 복수의 구역들 중에서 상기 복수의 후보 구역들을 결정하는,
    방법.
11. 제 1 항에 있어서,
    상기 제 1 공간을 촬영한 제 2 영상을 획득하는 단계; 및
    상기 제 2 영상에서 상기 적어도 하나의 제 1 지정 구역에 대응되는 적어도 하나의 제 2 지정 구역을 결정하는 단계;
    를 더 포함하는,
    방법.
12. 제 1 항에 있어서,
    상기 적어도 하나의 제 1 지정 구역에 대한 정보를 저장, 사용자 디바이스에 전달 또는 상기 컴퓨팅 장치와 연동되는 출력부에 표시 중 적어도 하나를 수행하는 단계;
    를 더 포함하는,
    방법.
13. 제 12 항에 있어서,
    상기 적어도 하나의 제 1 지정 구역에 대한 정보는,
    상기 제 1 지정 구역의 위치의 정보, 영상의 정보 또는 객체의 정보 중 적어도 하나를 포함하는,
    방법.
14. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 구역 설정을 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
    제 1 공간을 촬영한 제 1 영상을 획득하는 단계;
    상기 제 1 영상을 복수의 구역들로 분할하는 단계;
    상기 제 1 영상의 정보에 포함된 이벤트 발생에 관한 정보를 획득하는 단계;
    사전 결정된 기준에 기초하여, 상기 이벤트 발생에 관한 정보로부터 상기 복수의 구역들 중에서 객체와 관련된 복수의 후보 구역들을 결정하는 단계;
    사전 결정된 기간동안 사전 결정된 시간 간격마다 획득되는 복수의 프레임(frame)들에 기초하여 상기 복수의 후보 구역들 각각의 변화량을 산출하는 단계; 및
    상기 복수의 후보 구역들 각각의 변화량에 기초하여 상기 복수의 후보 구역들 중에서 적어도 하나의 제 1 지정 구역을 결정하는 단계;
    를 포함하고,
    상기 이벤트 발생에 대한 정보는 영상에 포함된 객체로부터 사전 결정된 정상 모션이 아닌 다른 모션이 감지되는 경우에 획득된 적어도 하나의 정보이고,
    상기 사전 결정된 정상 모션은 구역별로 다르게 설정되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
15. 구역 설정을 위한 컴퓨팅 장치에 있어서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및
    네트워크부;
    를 포함하고,
    상기 프로세서는,
    제 1 공간을 촬영한 제 1 영상을 획득하고,
    상기 제 1 영상을 복수의 구역들로 분할하고,
    상기 제 1 영상의 정보에 포함된 이벤트 발생에 관한 정보를 획득하고,
    사전 결정된 기준에 기초하여, 상기 이벤트 발생에 관한 정보로부터 상기 복수의 구역들 중에서 객체와 관련된 복수의 후보 구역들을 결정하고,
    사전 결정된 기간동안 사전 결정된 시간 간격마다 획득되는 복수의 프레임(frame)들에 기초하여 상기 복수의 후보 구역들 각각의 변화량을 산출하고, 그리고
    상기 복수의 후보 구역들 각각의 변화량에 기초하여 상기 복수의 후보 구역들 중에서 적어도 하나의 제 1 지정 구역을 결정하고,
    상기 이벤트 발생에 대한 정보는 영상에 포함된 객체로부터 사전 결정된 정상 모션이 아닌 다른 모션이 감지되는 경우에 획득된 적어도 하나의 정보이고,
    상기 사전 결정된 정상 모션은 구역별로 다르게 설정되는,
    컴퓨팅 장치.

Images