KR102619493B1 - 다중밀집사고를 감지하는 방법 및 시스템 - Google Patents

다중밀집사고를 감지하는 방법 및 시스템 Download PDF

Info

Publication number
KR102619493B1
KR102619493B1 KR1020230082970A KR20230082970A KR102619493B1 KR 102619493 B1 KR102619493 B1 KR 102619493B1 KR 1020230082970 A KR1020230082970 A KR 1020230082970A KR 20230082970 A KR20230082970 A KR 20230082970A KR 102619493 B1 KR102619493 B1 KR 102619493B1
Authority
KR
South Korea
Prior art keywords
data
interest
risk
time
population density
Prior art date
Application number
KR1020230082970A
Other languages
English (en)
Inventor
임희경
Original Assignee
주식회사 명빈글로벌
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 주식회사 명빈글로벌 filed Critical 주식회사 명빈글로벌
Priority to KR1020230082970A priority Critical patent/KR102619493B1/ko
Application granted granted Critical
Publication of KR102619493B1 publication Critical patent/KR102619493B1/ko

Links

Images

Classifications

    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/006—Alarm destination chosen according to type of event, e.g. in case of fire phone the fire service, in case of medical emergency phone the ambulance
    • 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
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B5/00—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied
    • G08B5/22—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
    • G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/21—Server components or server architectures
    • H04N21/218—Source of audio or video content, e.g. local disk arrays
    • H04N21/2187—Live feed
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

다중밀집사고를 감지하는 방법 및 시스템을 개시한다.
본 개시의 일 실시예에 의하면, 인구밀집도를 분석하여 다중밀집사고를 감지하는 방법에 있어서, 카메라를 이용하여 촬영된 영상을 수신하는 과정; 영상 내에서 인구밀집도를 분석하려는 영역인 관심영역을 지정하는 과정; 관심영역 및 영상을 입력받아 인구밀집도를 분석하도록 학습된 인공지능엔진을 이용하여 인구밀집도에 대한 데이터를 생성하는 과정; 및 인구밀집도에 대한 데이터에 기초하여 다중밀집사고에 대한 위험도를 산출하는 과정을 포함하는, 다중밀집사고 감지방법을 제공한다.

Description

다중밀집사고를 감지하는 방법 및 시스템{Method And System for Detecting Mass Casualty Incident}
본 개시는 다중밀집사고를 감지하는 방법 및 시스템에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 개시에 대한 배경정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
다중밀집사고는 여러 명의 군중이 넘어지거나 압사하는 사고를 의미한다. 다중밀집사고는 콘서트, 축제, 행사, 공연장, 경기장, 지하철 또는 버스 등 사람이 많이 모이는 곳에서 발생할 수 있다. 다중밀집사고는 사람들의 움직임이 제한되어 있고, 공기 순환이 잘 되지 않는 환경에서 발생할 가능성이 높다. 다중밀집사고는 사망자와 부상자가 많이 발생하는 대형사고가 될 수 있다.
다중밀집사고는 사전에 예측하기 어렵다는 문제가 있다. 다중밀집사고는 급작스럽게 일어나는 경우가 많기 때문에, 다중밀집사고의 발생 가능성을 신속하게 판단하고, 이에 대해 대응할 수 있는 시스템이 필요하다. 그러나, 종래에는 다중밀집사고의 발생을 예측하고, 다중밀집사고에 대응할 수 있는 시스템 또는 방법이 존재하지 않았다.
이에, 본 개시는 이러한 문제점들을 해결하기 위한 것으로서, 다중밀집사고에 대한 정보를 효율적으로 제공하는 시스템 및 방법을 제공하는 데 주된 목적이 있다.
또한, 본 개시는 다중밀집사고에 대한 위험도를 분석하여 다중밀집사고를 대비하거나 다중밀집사고에 대응할 수 있는 시스템 및 방법을 제공하는 데 주된 목적이 있다.
또한, 본 개시는 다중밀집사고에 대한 정보를 군중에게 쉽게 전달할 수 있는 시스템 및 방법을 제공하는 데 주된 목적이 있다.
이러한 목적을 달성하기 위한 본 개시의 일 실시예에 의하면, 인구밀집도를 분석하여 다중밀집사고를 감지하는 방법에 있어서, 카메라를 이용하여 촬영된 영상을 수신하는 과정; 상기 영상 내에서 인구밀집도를 분석하려는 영역인 관심영역을 지정하는 과정; 상기 관심영역 및 상기 영상을 입력받아 인구밀집도를 분석하도록 학습된 인공지능엔진을 이용하여 인구밀집도에 대한 데이터를 생성하는 과정; 및 상기 인구밀집도에 대한 데이터에 기초하여 다중밀집사고에 대한 위험도를 산출하는 과정을 포함하는, 다중밀집사고 감지방법을 제공한다.
이러한 목적을 달성하기 위한 본 개시의 일 실시예에 의하면, 인구밀집도를 분석하여 다중밀집사고를 감지하는 시스템에 있어서, 카메라에 연결되어 상기 카메라가 촬영한 영상을 수신하는 제1 컨트롤러; 상기 제1 컨트롤러로부터 상기 영상을 수신하고, 인공지능엔진을 이용하여 상기 영상 내의 인구밀집도를 분석함으로써 인구밀집도에 대한 데이터를 생성하며, 상기 인구밀집도에 대한 데이터에 기초하여 위험도를 산출하는 메인서버; 상기 메인서버로부터 산출된 위험도에 따른 정보를 표시하기 위한 알림장치; 및 상기 메인서버로부터 산출된 위험도가 기설정된 임계위험도를 초과하는 경우, 상기 알림장치에 위험알림신호를 송신하고, 긴급센터에 긴급출동신호를 송신하기 위한 제2 컨트롤러를 포함하되, 상기 인공지능엔진은, 상기 영상 내에서 인구밀집도를 분석하려는 영역인 관심영역 및 상기 영상을 입력받아 인구밀집도를 분석하도록 학습된, 다중밀집사고 감지시스템을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 다중밀집사고에 대한 위험도를 분석하여 다중밀집사고를 대비하거나 다중밀집사고에 대응할 수 있는 시스템 및 방법을 제공할 수 있는 효과가 있다.
또한, 다중밀집사고에 대한 위험도를 분석하여 다중밀집사고를 대비하거나 다중밀집사고에 대응할 수 있는 시스템 및 방법을 제공할 수 있는 효과가 있다.
또한, 다중밀집사고에 대한 정보를 군중에게 쉽게 전달할 수 있는 시스템 및 방법을 제공할 수 있는 효과가 있다.
도 1은 본 개시의 일 실시예에 따른 다중밀집사고 감지시스템의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 알림장치를 나타내는 도면이다.
도 3은 본 개시의 일 실시예에 따라 다중밀집사고를 감지하는 방법을 나타내는 흐름도이다.
도 4는 본 개시의 일 실시예에 따라 관심영역을 지정하는 방법을 나타내는 흐름도이다.
도 5는 관심영역의 예를 나타내는 도면이다.
도 6 내지 도 8은 본 개시의 다양한 실시예에 따라 인구밀집도에 대한 데이터를 생성하고, 이를 이용하여 위험도를 산출하는 방법을 나타내는 흐름도이다.
도 9는 관심영역 내의 객체를 인식한 예를 나타내는 도면이다.
이하, 본 개시의 일부 실시예들을 예시적인 도면을 이용해 상세하게 설명한다. 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면 상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다.
어떤 구성 요소가 다른 구성요소에 '연결', '결합' 또는 '접속'된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 '연결', '결합' 또는 '접속'될 수도 있다고 이해되어야 할 것이다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서에 기재된 '…부', '모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
반대되는 기재가 없는 이상, 어느 하나의 실시예에 대한 설명은, 다른 실시예에도 적용될 수 있음을 밝혀 둔다.
첨부된 도면과 함께 이하에 개시될 발명의 설명은 본 발명의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시 형태를 나타내고자 하는 것이 아니다.
도 1은 본 개시의 일 실시예에 따른 다중밀집사고 감지시스템의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 알림장치를 나타내는 도면이다.
도 1 및 도 2를 참조하면, 다중밀집사고 감지시스템(system for mass casualty incident, 100)은 제1 컨트롤러(first controller, 112), 메인서버(main server, 120), 제2 컨트롤러(second controller, 130) 및 알림장치(notification apparatus, 140)의 전부 또는 일부를 포함할 수 있다.
제1 컨트롤러(112)는 CCTV장치(110)에 연결될 수 있다. 제1 컨트롤러(112)는 CCTV장치(110)의 카메라(111)와 연결되어, 카메라(111)가 촬영한 영상을 수신할 수 있다. 제1 컨트롤러(112)는 RTSP(Real Time Streaming Protocol)를 이용하여 카메라(111)가 촬영한 영상을 실시간으로 수신할 수 있다.
제1 컨트롤러(112)는 관심영역(interest area)을 지정하기 위한 딥러닝 모델(deeplearning model)을 포함할 수 있다. 본 개시에서 관심영역이란, 영상 내에서 인구밀집도(population density)를 분석하려는 영역을 의미한다. 예를 들어, 사람이 보행할 수 없는 건물 영역과 사람이 보행 가능한 도로 영역이 영상에 포함된 경우, 사람이 보행할 수 없는 건물 영역은 관심영역에서 제외될 수 있다. 딥러닝 모델을 이용하여 관심영역을 지정하는 과정은 도 4를 참조하여 후술한다.
메인서버(120)는 웹서버(web server), 데이터베이스서버(database server), 프록시서버(proxy server), DNS서버(Domain Name System Server), DHCP서버(Dynamic Host Configuration Protocol Server), NTP서버(Network Time Protocol Server), NAS서버(Network Attached Storage Server), CDN서버(Content Delivery Network Server), 클라우드서버(cloud server) 또는 파일서버(file server) 중 적어도 하나를 포함하는 형태로 구성될 수 있다.
메인서버(120)는 제1 컨트롤러(112)로부터 영상을 수신할 수 있다. 메인서버(120)는 RTSP를 이용하여 제1 컨트롤러(112)로부터 영상을 수신할 수 있다.
메인서버(120)는 관심영역 및 영상을 입력받아 인구밀집도를 분석하도록 학습된 인공지능엔진(AI engine)을 포함할 수 있다. 메인서버(120)는 인공지능엔진을 이용하여 인구밀집도에 대한 데이터를 생성할 수 있다. 인구밀집도에 대한 데이터는 제1 데이터, 제2 데이터, 제3 데이터 및 제4 데이터 중 적어도 하나를 포함할 수 있다. 제1 데이터는 관심영역을 일정 간격으로 분할한 분할영역(segmented area)에 대한 데이터를 의미한다. 제2 데이터는 분할영역 내의 객체의 수에 대한 데이터를 의미한다. 제3 데이터는 관심영역 내의 객체 간의 간격에 대한 데이터를 의미한다. 제4 데이터는 객체가 관심영역에 머무는 시간에 대한 데이터를 의미한다. 여기서 객체란 사람을 의미한다. 메인서버(120)는 인구밀집도에 대한 데이터에 기초하여 위험도를 산출할 수 있다. 메인서버(120)가 인구밀집도에 대한 데이터를 생성하고, 인구밀집도에 대한 데이터에 기초하여 위험도를 산출하는 과정은, 도 4 내지 도 6을 참조하여 후술한다.
제2 컨트롤러(130)는 본 개시에 따른 다중밀집사고 감지시스템(100)을 관제하는 시스템일 수 있다. 예를 들어, 제2 컨트롤러(130)는 다중밀집사고 감지 시스템()의 일부가 오류 없이 작동하는지 확인할 수 있다. 다중밀집사고 감지시스템(100)을 관제하기 위해, 제2 컨트롤러(130)는 실체가 있는 컴퓨터일 수 있다. 이와 달리, 제2 컨트롤러(130)는 웹을 기반으로 한 관제 서버일 수 있다. 예를 들어, 임의의 컴퓨터 내에서 암호화된 웹에 접속함으로써, 제2 컨트롤러를 작동시킬 수 있다. 본 개시에서 제2 컨트롤러(130)는 메인서버(120)와 분리하여 설명하지만 제2 컨트롤러(130) 및 메인서버(120)는 동일한 구성요소일 수 있다.
제2 컨트롤러(130)는 메인서버(120)로부터 산출된 위험도가 기설정된 임계위험도를 초과하는 경우, 알림장치(140)에 위험알림신호를 송신하고, 긴급센터(emergency center, 150)에 긴급출동신호(SOS signal)를 송신할 수 있다. 위험알림신호는 음성메세지 및 카메라가 촬영한 실시간 영상을 포함할 수 있다. 긴급센터(150)는 소방서, 경찰서, 구급대, 긴급신고센터, 구청 또는 시청 관제센터 등의 긴급출동이 가능한 모든 센터를 의미한다.
알림장치(140)는 CCTV장치(110)의 근처에 장착되어 메인서버(120)로부터 산출된 위험도에 따른 정보를 표시할 수 있다. 여기서 위험도에 따른 정보란, 위험알림신호를 의미할 수 있다. 알림장치(140)는 디스플레이 패널(display panel, 141) 및 스피커(speaker, 142)를 포함할 수 있다. 메인서버(120)로부터 산출된 위험도가 기설정된 임계위험도 이하인 경우, 알림장치(140)는 뉴스, 날씨 또는 시간 정보 등을 표시할 수 있다. 반면, 메인서버(120)로부터 산출된 위험도가 기설정된 임계위험도를 초과하는 경우, 알림장치(140)는 위험알림신호를 송출할 수 있다. 예를 들어, 메인서버(120)로부터 산출된 위험도가 기설정된 임계위험도를 초과하는 경우, 알림장치(140)는 "현재 다중밀집사고의 가능성이 높습니다"라는 취지의 메시지를 음성메세지 및 시각메세지로서 송출할 수 있다. 위험알림신호는 복수의 단계로 구성될 수 있다. 예를 들어, 위험알림신호는 주의 단계, 경고 단계 및 발생 단계로서 구성될 수 있다. 이에 따라, 임계위험도는 한 개의 값이 아닌 복수 개의 값으로 구성될 수 있다. 위험알림신호는 다중밀집사고에 대한 대처에 관한 내용을 포함할 수 있다. 예를 들어, 위험알림신호는 호흡을 유지하기 위한 자세에 대한 내용 등을 포함할 수 있다.
도 3은 본 개시의 일 실시예에 따라 다중밀집사고를 감지하는 방법을 나타내는 흐름도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따라 다중밀집사고를 감지하는 방법은 다음과 같다.
카메라(111)를 이용하여 촬영된 영상을 수신한다(S310). 촬영된 영상은 RTSP를 이용하여 실시간으로 수신될 수 있다.
관심영역을 지정한다(S320). 관심영역은 기지정되거나 딥러닝 모델을 이용하여 지정될 수 있다. 딥러닝 모델을 이용하여 관심영역을 지정하는 과정은 도 4를 참조하여 후술한다.
인구밀집도에 대한 데이터를 생성한다(S330). 전술한 바와 같이, 인구밀집도에 대한 데이터는 제1 내지 제4 데이터 중 적어도 하나의 데이터를 포함할 수 있다.
인구밀집도에 대한 데이터에 기초하여 위험도를 산출한다(S340).
위험도가 기설정된 임계위험도를 초과하는지 판단한다(S350). 위험도가 기설정된 임계위험도 이하인 경우, 알고리즘을 종료한다. 위험도가 기설정된 임계위험도를 초과하는 경우, 알림장치(140)에 위험알림신호를 송신하고, 긴급센터에 긴급출동신호를 송신한다(S360).
도 4는 본 개시의 일 실시예에 따라 관심영역을 지정하는 방법을 나타내는 흐름도이다.
도 5는 관심영역의 예를 나타내는 도면이다.
도 4 및 도 5를 참조하면, 본 개시의 일 실시예에 따라 관심영역을 지정하는 방법은 다음과 같다.
영상을 일정시간마다 캡쳐하여 이미지를 생성한다(S321). 예를 들어, 영상을 한시간 단위로 캡쳐하여 이미지를 생성할 수 있다. 이와 같이, 영상을 일정시간마다 캡쳐한 이미지를 이용하여 관심영역을 주기적으로 갱신함으로써, 정확한 관심영역에 대한 데이터를 제공할 수 있다.
캡쳐한 이미지를 이용하여 영상에서 보행로를 추정한다(S322). 보행로는 이미지를 입력받아 객체를 인식하도록 학습된 딥러닝 모델을 이용하여 추정될 수 있다. 예를 들어, 인공지능 모델을 이용하여 객체를 인식한 후, 객체가 인식된 영역을 보행로로서 추정할 수 있다.
추정된 보행로를 관심영역으로서 지정한다(S323). 다만, 도 3에서 설명하는 바와 달리, 관심영역은 기설정되어 인공지능엔진에 입력될 수 있다.
도 6 내지 도 8는 본 개시의 다양한 실시예에 따라 인구밀집도에 대한 데이터를 생성하고, 이를 이용하여 위험도를 산출하는 방법을 나타내는 흐름도이다. 상세하게는, 도 6은 제1 데이터 및 제2 데이터를 생성하고 제1 데이터 및 제2 데이터를 이용하여 위험도를 산출하는 방법을 나타내는 흐름도이다. 도 7은 제3 데이터를 생성하고, 제3 데이터를 이용하여 위험도를 산출하는 방법을 나타내는 흐름도이다. 도 8은 제4 데이터를 생성하고, 제4 데이터를 이용하여 위험도를 산출하는 방법을 나타내는 흐름도이다.
도 9는 관심영역 내의 객체를 인식한 예를 나타내는 도면이다.
도 6 및 도 9를 참조하면, 본 개시의 일 실시예에 따라 인구밀집도에 대한 데이터를 생성하고, 이를 이용하여 위험도를 산출하는 방법은 다음과 같다.
관심영역으로부터 적어도 하나의 분할영역을 생성한다(S510). 적어도 하나의 분할영역은 CNN(Convolutional Neural Network)를 이용하여 생성될 수 있다. 분할영역은 관심영역을 일정한 크기로서 분할한 영역일 수 있다. 여기서 일정한 크기란, 영상을 기준으로 한 크기가 아닌 실제 크기를 의미한다. 예를 들어, 폭이 10 m인 도로에 대한 관심영역으로부터 분할영역을 생성하는 경우, 한 개의 분할영역은 영상의 관심영역을 폭 1 m 및 길이 1 m의 크기로서 분할한 영역일 수 있다.
각각의 분할영역 내의 객체의 수를 카운팅한다(S520).
기설정된 임계값을 초과하는 분할영역의 수를 카운팅한다(S530). 예를 들어, 기설정된 임계값이 한 개의 분할영역 내 10개의 객체이고, 특정 분할영역 내에 인식되는 객체가 10개를 초과한다면, 그 분할영역은 기설정된 임계값을 초과하는 영역이라고 판단할 수 있다.
기설정된 임계값을 초과하는 분할영역의 수 및 기설정된 상수를 이용하여 위험도를 산출한다(S540). 예를 들어 기설정된 상수가 0.8인 경우, 0.8과 기설정된 임계값을 초과하는 분할영역의 수를 전체 분할영역의 수로 나눈 값을 비교함으로써 위험도를 산출할 수 있다.
도 7 및 도 9를 참조하면, 본 개시의 다른 실시예에 따라 인구밀집도에 대한 데이터를 생성하고, 이를 이용하여 위험도를 산출하는 방법은 다음과 같다.
객체가 관심영역에 진입하는 시각 및 객체가 관심영역으로부터 퇴장하는 시각을 기록한다(S610). 예를 들어, 특정 개체가 관심영역에 진입한 시각이 2023년 6월 10일 20시 00분 00초이고, 그 개체가 관심영역으로부터 퇴장한 시각이 2023년 6월 10일 20시 00분 50초인 경우, 해당 시각을 모두 기록한다.
기록된 시각을 이용하여 객체가 관심영역에 머무는 시간을 산출한다(S620). 전술한 예시를 이용하여 설명하자면, 전술한 예시의 객체가 관심영역에 머무는 시간은 50초라고 판단할 수 있다.
각각의 객체가 관심영역에 머무는 시간을 총합한 후, 총 객체의 수로 나눔으로써, 객체가 관심영역에 머무는 시간의 평균값을 산출한다(S630).
객체가 관심영역에 머무는 시간의 평균값과 기설정된 상수를 이용하여 위험도를 산출한다(S640). 예를 들어 기설정된 상수가 10분이고, 객체가 관심영역에 머무는 시간의 평균값이 7분인 경우, 10분과 7분을 비교함으로써 위험도를 산출할 수 있다. 여기서 기설정된 상수는 도 6의 기설정된 상수와 다른 상수임에 유의한다.
도 8 및 도 9를 참조하면, 본 개시의 또다른 실시예에 따라 인구밀집도에 대한 데이터를 생성하고, 이를 이용하여 위험도를 산출하는 방법은 다음과 같다.
관심영역 내의 객체를 인식한다(S710). 관심영역 내의 객체를 인식하는 과정은, CNN을 이용하여 수행될 수 있다. 도 9에서 볼 수 있는 것과 같이, 관심 영역 내의 객체는, 각각의 객체의 머리를 검출함으로써 인식될 수 있다.
객체 간의 거리를 산출한다(S720). 객체 간의 거리는, 객체의 머리 간의 거리일 수 있다.
객체 간의 거리의 평균값을 산출한다(S730).
객체 간의 거리의 평균값 및 기설정된 상수를 이용하여 위험도를 산출한다(S740). 예를 들어, 기설정된 상수가 30 cm이고 객체 간의 거리의 평균값은 31 cm인 경우, 두 값을 비교함으로써 위험도를 산출할 수 있다. 여기서, 기설정된 상수는 도 6 또는 도 7의 기설정된 상수와 다른 상수임에 유의한다.
본 개시에 따른 다중밀집사고 감지방법 및 시스템(100)은, 관심영역 내의 객체만을 인식함으로써, 시스템의 부하를 줄이고, 객체 인식의 시간을 단축할 수 있는 효과가 있다. 또한, 본 개시에 따른 다중밀집사고 감지방법 및 시스템(100)은, 다중밀집사고에 대한 위험도를 다양한 방법을 이용하여 산출함으로써, 보다 정확하게 다중밀집사고에 대한 위험도를 검출할 수 있다는 효과가 있다.
본 개시의 순서도에서는 각각의 과정들을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 발명의 일부 실시예의 기술 사상을 예시적으로 설명한 것에 불과하다. 다시 말해, 본 발명의 일부 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 일부 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 순서도에 기재된 과정을 변경하여 실행하거나 각각의 과정 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 순서도는 시계열적인 순서로 한정되는 것은 아니다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 다중밀집사고 감지시스템 110: CCTV장치
111: 카메라 112: 제1 컨트롤러
120: 메인서버 130: 제2 컨트롤러
140: 알림장치 141: 디스플레이 패널
142: 스피커 150: 긴급센터

Claims (16)

  1. 메인서버를 이용하여 인구밀집도를 분석함으로써 다중밀집사고를 감지하는 방법에 있어서,
    카메라를 이용하여 촬영된 영상을 수신하는 과정;
    상기 영상을 일정시간마다 캡쳐한 이미지를 생성하는 과정;
    상기 이미지를 입력받아 객체를 인식하도록 학습된 딥러닝 모델을 이용하여 상기 영상 내에서 보행로를 추정하고, 추정된 보행로를 관심영역으로서 지정하는 과정;
    상기 관심영역 및 상기 영상을 입력받아 인구밀집도를 분석하도록 학습된 인공지능엔진을 이용하여 인구밀집도에 대한 데이터를 생성하는 과정;
    상기 인구밀집도에 대한 데이터에 기초하여 다중밀집사고에 대한 위험도를 산출하는 과정; 및
    산출된 위험도가 기설정된 임계위험도를 초과하는 경우, 알림장치에 위험알림신호를 송신하고, 긴급센터에 긴급출동신호를 송신하는 과정을 포함하되,
    상기 관심영역은, 상기 이미지가 변경될 때마다 다시 추정되어 갱신되고,
    상기 인구밀집도에 대한 데이터는, 제1 데이터, 제2 데이터, 제3 데이터 및 제4 데이터를 포함하고,
    상기 제1 데이터는, 상기 관심영역을 일정 간격으로 분할한 분할영역에 대한 데이터이고,
    상기 제2 데이터는, 상기 분할영역 내의 객체의 수에 대한 데이터이고,
    상기 제3 데이터는, 상기 관심영역 내의 객체 간의 간격에 대한 데이터이고,
    상기 제4 데이터는, 객체가 상기 관심영역에 진입한 시각과 객체가 상기 관심영역에 퇴장한 시각의 차이를 이용하여 산출되는 객체가 상기 관심영역에 머무는 시간에 대한 데이터이며,
    상기 위험도는, 상기 제1 데이터로부터 생성된 분할영역 각각에 대해 상기 제2 데이터, 상기 제3 데이터 및 상기 제4 데이터별로 생성되고,
    상기 제4 데이터에 기초하여 다중밀집사고에 대한 위험도를 산출하는 과정은,
    객체가 분할영역에 진입하는 시각 및 객체가 분할영역으로부터 퇴장하는 시각을 기록하는 과정;
    기록된 시각을 이용하여 객체가 분할영역에 머무는 시간을 산출하는 과정;
    각각의 객체가 분할영역에 머무는 시간을 총합한 후, 총 객체의 수로 나눔으로써, 객체가 분할영역에 머무는 시간의 평균값을 산출하는 과정; 및
    객체가 분할영역에 머무는 시간의 평균값과 기설정된 상수를 이용하여 위험도를 산출하는 과정을 포함하고,
    상기 임계위험도는, 복수 개의 단계로서 기설정되고,
    상기 위험알림신호는, 음성메시지 및 상기 영상을 포함하는, 다중밀집사고를 감지하는 방법.

  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 인구밀집도를 분석하여 다중밀집사고를 감지하는 시스템에 있어서,
    카메라에 연결되어 상기 카메라가 촬영한 영상을 수신하는 제1 컨트롤러;
    상기 제1 컨트롤러로부터 상기 영상을 수신하고, 인공지능엔진을 이용하여 상기 영상 내의 인구밀집도를 분석함으로써 인구밀집도에 대한 데이터를 생성하며, 상기 인구밀집도에 대한 데이터에 기초하여 위험도를 산출하는 메인서버;
    상기 메인서버로부터 산출된 위험도에 따른 정보를 표시하기 위한 알림장치; 및
    상기 메인서버로부터 산출된 위험도가 기설정된 임계위험도를 초과하는 경우, 상기 알림장치에 위험알림신호를 송신하고, 긴급센터에 긴급출동신호를 송신하기 위한 제2 컨트롤러를 포함하되,
    상기 인공지능엔진은,
    상기 영상 내에서 인구밀집도를 분석하려는 영역인 관심영역 및 상기 영상을 입력받아 인구밀집도를 분석하도록 학습된 엔진이고,
    상기 메인서버는, 상기 영상을 일정시간마다 캡쳐한 이미지를 생성하는 과정; 상기 이미지를 입력받아 객체를 인식하도록 학습된 딥러닝 모델을 이용하여 상기 영상 내에서 보행로를 추정하고, 추정된 보행로를 관심영역으로서 지정하는 과정; 및 상기 관심영역 및 상기 영상을 입력받아 인구밀집도를 분석하도록 학습된 인공지능엔진을 이용하여 인구밀집도에 대한 데이터를 생성하는 과정을 통해 상기 영상 내의 인구밀집도를 분석하고,
    상기 관심영역은, 상기 이미지가 변경될 때마다 다시 추정되어 갱신되고,
    상기 인구밀집도에 대한 데이터는, 제1 데이터, 제2 데이터, 제3 데이터 및 제4 데이터를 포함하고,
    상기 제1 데이터는, 상기 관심영역을 일정 간격으로 분할한 분할영역에 대한 데이터이고,
    상기 제2 데이터는, 상기 분할영역 내의 객체의 수에 대한 데이터이고,
    상기 제3 데이터는, 상기 관심영역 내의 객체 간의 간격에 대한 데이터이고,
    상기 제4 데이터는, 객체가 상기 관심영역에 진입한 시각과 객체가 상기 관심영역에 퇴장한 시각의 차이를 이용하여 산출되는 객체가 상기 관심영역에 머무는 시간에 대한 데이터이며,
    상기 위험도는, 상기 제1 데이터로부터 생성된 분할영역 각각에 대해 상기 제2 데이터, 상기 제3 데이터 및 상기 제4 데이터별로 생성되고,
    상기 메인서버는, 객체가 분할영역에 진입하는 시각 및 객체가 분할영역으로부터 퇴장하는 시각을 기록하는 과정; 기록된 시각을 이용하여 객체가 분할영역에 머무는 시간을 산출하는 과정; 각각의 객체가 분할영역에 머무는 시간을 총합한 후, 총 객체의 수로 나눔으로써, 객체가 분할영역에 머무는 시간의 평균값을 산출하는 과정; 및 객체가 분할영역에 머무는 시간의 평균값과 기설정된 상수를 이용하여 위험도를 산출하는 과정을 통해 상기 제4 데이터에 기초하여 다중밀집사고에 대한 위험도를 산출하고,
    상기 임계위험도는, 복수 개의 단계로서 기설정되고,
    상기 위험알림신호는, 음성메시지 및 상기 영상을 포함하는, 다중밀집사고를 감지하는 시스템.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
KR1020230082970A 2023-06-27 2023-06-27 다중밀집사고를 감지하는 방법 및 시스템 KR102619493B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230082970A KR102619493B1 (ko) 2023-06-27 2023-06-27 다중밀집사고를 감지하는 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230082970A KR102619493B1 (ko) 2023-06-27 2023-06-27 다중밀집사고를 감지하는 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102619493B1 true KR102619493B1 (ko) 2024-01-03

Family

ID=89538710

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230082970A KR102619493B1 (ko) 2023-06-27 2023-06-27 다중밀집사고를 감지하는 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102619493B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200039526A (ko) * 2018-10-04 2020-04-16 가천대학교 산학협력단 해수욕장 안전사고 예방을 위한 해수욕장 안전 관리 시스템 및 방법과, 이를 위한 컴퓨터 프로그램
KR20210085017A (ko) * 2019-12-30 2021-07-08 주식회사 싸인텔레콤 인구밀집파악형 맞춤 정보 사이니지
KR20230017444A (ko) * 2021-07-28 2023-02-06 신대균 드론을 이용한 방역수칙준수 감시방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200039526A (ko) * 2018-10-04 2020-04-16 가천대학교 산학협력단 해수욕장 안전사고 예방을 위한 해수욕장 안전 관리 시스템 및 방법과, 이를 위한 컴퓨터 프로그램
KR20210085017A (ko) * 2019-12-30 2021-07-08 주식회사 싸인텔레콤 인구밀집파악형 맞춤 정보 사이니지
KR20230017444A (ko) * 2021-07-28 2023-02-06 신대균 드론을 이용한 방역수칙준수 감시방법

Similar Documents

Publication Publication Date Title
AU2014214545B2 (en) A surveillance system
CA2931713C (en) Video camera scene translation
US10592771B2 (en) Multi-camera object tracking
KR101375583B1 (ko) 비디오에서의 물체 조밀도 판단
US10713500B2 (en) Identification and classification of traffic conflicts using live video images
US20180278894A1 (en) Surveillance system
JP5992681B2 (ja) 混雑の非通常状態検知システム
KR102039277B1 (ko) 보행자 얼굴 인식 시스템 및 그 방법
US20210357649A1 (en) Systems and methods of enforcing distancing rules
KR101377029B1 (ko) 지능형 하이브리드 감시제어모듈을 통한 단계별 자율 경보형 스마트 cctv 감시장치 및 감시방법
CN104581081A (zh) 基于视频信息的客流分析方法
Bang et al. AR/VR based smart policing for fast response to crimes in safe city
CN211630273U (zh) 用于铁路环境的图像智能识别装置
CN114913663A (zh) 异常检测方法、装置、计算机设备和存储介质
KR102619493B1 (ko) 다중밀집사고를 감지하는 방법 및 시스템
CN109523776B (zh) 公共交通运营计划生成装置、方法及系统
KR102557769B1 (ko) 디지털 트윈 가상 모델을 활용한 cctv 기반 사고 지점의 공간 좌표 인식 기술 시스템
KR102407202B1 (ko) 지능형 영상 분석 장치 및 방법
KR20220064213A (ko) 보안 감시 장치의 동작 프로그램
Gheorghiu et al. Computer vision application to determine crowdedness in public transport stations
KR20160041462A (ko) 맞춤형 광고 제공 시스템 및 방법, 이를 수행하기 위한 기록매체
KR20200075666A (ko) 서버 장치 및 이의 동작 방법
Rindt Situational Awareness for Transportation Management: Automated Video Incident Detection and Other Machine Learning Technologies for the Traffic Management Center
NAMEE et al. Edge Computing Based on Raspberry PI for People Counting in Smart Office
KR102397839B1 (ko) Ａｉ 영상 자율 센서의 영상 분석 기반 캡션 센서 장치 및 그 동작 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant