KR102640565B1 - 비정상 객체 탐지 장치 및 방법 - Google Patents

비정상 객체 탐지 장치 및 방법 Download PDF

Info

Publication number
KR102640565B1
KR102640565B1 KR1020210138075A KR20210138075A KR102640565B1 KR 102640565 B1 KR102640565 B1 KR 102640565B1 KR 1020210138075 A KR1020210138075 A KR 1020210138075A KR 20210138075 A KR20210138075 A KR 20210138075A KR 102640565 B1 KR102640565 B1 KR 102640565B1
Authority
KR
South Korea
Prior art keywords
abnormal
thermal image
machine learning
normality
object detection
Prior art date
Application number
KR1020210138075A
Other languages
English (en)
Other versions
KR20230054957A (ko
Inventor
김세훈
이재민
감명곤
Original Assignee
라온피플 주식회사
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 라온피플 주식회사 filed Critical 라온피플 주식회사
Priority to KR1020210138075A priority Critical patent/KR102640565B1/ko
Publication of KR20230054957A publication Critical patent/KR20230054957A/ko
Application granted granted Critical
Publication of KR102640565B1 publication Critical patent/KR102640565B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/30—Transforming light or analogous information into electric information
    • H04N5/33—Transforming infrared radiation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)

Abstract

비정상 객체 탐지 장치 및 방법을 개시한다. 비정상 객체 탐지 장치는, 특정 지역에 설치되어 객체를 감시하기 위한 카메라로부터 촬영된 열화상 영상을 획득하는 입출력부; 및 상기 열화상 영상으로부터 제 1 기계 학습 모델에 기초하여 정상도(normality)를 산출하고, 상기 산출된 정상도를 미리 설정된 기준값과 비교하여 비정상 상황을 탐지하며, 상기 열화상 영상이 비정상 상황으로 탐지되면, 상기 열화상 영상으로부터 제 2 기계 학습 모델에 기초하여 객체 정보를 추출하는 제어부;를 포함한다.

Description

비정상 객체 탐지 장치 및 방법{APPARATUS AND METHOD FOR DETECTING ABNORMAL OBJECT}
본 명세서에서 개시되는 실시예들은 비정상 객체 탐지 장치 및 방법에 관한 것으로, 더욱 상세하게는, 열화상 영상에서 비정상 상황을 감지하고, 비정상 상황이 발생한 것으로 예측되는 영역을 확대하여 확대된 영역에서 객체에 대한 정보를 추출하는 비정상 객체 탐지 장치 및 방법에 관한 것이다.
열상감시장비(Thermal Observation Device : TOD)는 사람이나 물체가 방출하는 적외선을 감지하여 영상 정보로 변환해주는 장비로서, 빛이 전혀 없는 곳에서도 사람이나 물체의 위치나 동태를 파악하는 용도로 사용된다. 따라서, 열상감시장비는 주로 감시를 목적으로 산업 재해 감시, 불법 침입 감시, 야간 감시 및 정찰에 많이 사용되고 있다.
하지만, 이러한 열상감시장비는 야간에 주로 사용됨에 따라 비정상 객체의 육안 식별이 어렵다는 문제점이 있다.
이러한 문제점을 극복하기 위해 수집된 영상 내의 객체를 탐지하는 기존 기술이 존재하는데, 첫째는 검출하고자 하는 객체의 종류를 사전에 미리 지정하고 해당 종류의 객체에 대해서만 탐지하도록 하는 객체 검출 기술이고, 둘째는 사전에 고지되지 않은 객체 또는 현상을 탐지하도록 하는 비정상 객체 검출 기술이다. 상술한 객체 검출 기술은 사전에 미리 지정한 객체에 해대 위치를 비롯한 다양한 정보를 손쉽게 획득할 수 있는 장점이 있는 반면, 사전에 미리 지정된 종류의 객체가 아닌 경우에는 객체를 검출할 수 없는 문제점이 있으며, 비정상 객체 검출 기술은 비정상 객체의 정확한 정보를 바로 획득하기는 어려우나 비정상 상황으로 분류되는 상황이라면 사전 학습 개체의 정보가 없이도 객체를 검출할 수 있다는 장점이 있다.
이처럼, 종래 기술은 객체의 종류가 미리 설정되지 않으면 검출이 되지 않거나, 비정상 상황으로 분류되는 상황의 인지는 가능하나 정확하게 비정상 객체에 대한 정보를 획득하기 어렵다는 문제점이 있다.
한국공개특허 제10-2020-0080402호(2020.07.07. 공개)
본 명세서에서 개시되는 실시예들은, 열화상 영상에서 비정상 상황을 감지하고, 비정상 상황이 발생한 영역을 확대하여 확대된 영역에서 객체에 대한 정보를 추출하는 비정상 객체 탐지 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 일 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 비정상 객체 탐지 장치는, 특정 지역에 설치되어 객체를 감시하기 위한 카메라로부터 촬영된 열화상 영상을 획득하는 입출력부; 및 상기 열화상 영상으로부터 제 1 기계 학습 모델에 기초하여 정상도(normality)를 산출하고, 상기 산출된 정상도를 미리 설정된 기준값과 비교하여 비정상 상황을 탐지하며, 상기 열화상 영상이 비정상 상황으로 탐지되면, 상기 열화상 영상으로부터 제 2 기계 학습 모델에 기초하여 객체 정보를 추출하는 제어부;를 포함한다.
다른 실시예에 따르면, 특정 지역에 설치되어 객체를 감시하기 위한 카메라로부터 촬영된 열화상 영상을 획득하는 비정상 객체 탐지 장치에서의 비정상 객체 탐지 방법은, 상기 열화상 영상으로부터 제 1 기계 학습 모델에 기초하여 정상도(normality)를 산출하는 단계; 상기 산출된 정상도를 미리 설정된 기준값과 비교하여 비정상 상황을 탐지하는 단계; 및 상기 열화상 영상이 비정상 상황으로 탐지되면, 상기 열화상 영상으로부터 제 2 기계 학습 모델에 기초하여 객체 정보를 추출하는 단계;를 포함한다.
또 다른 실시예에 따르면, 기록매체는, 비정상 객체 탐지 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체이다.
또 다른 실시예에 따르면, 컴퓨터 프로그램은, 비정상 객체 탐지 장치에 의해 수행되며, 비정상 객체 탐지 방법을 수행하기 위해 기록 매체에 저장된 컴퓨터 프로그램이다.
전술한 과제 해결 수단 중 어느 하나에 의하면, 열화상 영상은 시계열 정보를 포함하는 다수의 프레임으로 구성됨에 따라, 육안으로 판단하기 힘든 점 또는 얇은 선 등을 포함하는 미세한 움직임을 감지할 수 있어, 비정상 상황을 보다 효율적으로 감지할 수 있는 효과가 있다.
또한, 전술한 과제 해결 수단 중 어느 하나에 의하면, 비정상 상황으로 감지된 열화상 영상 내에서 비정상 객체로 의심되는 영역을 확대하고, 확대된 영역 내의 객체를 미리 설정된 객체 정보 탐지 알고리즘을 기초로 판단함으로써 보다 정확하게 객체의 정보를 추출할 수 있는 효과가 있다. 이에 따르면, 비정상 상황으로 탐지된 경우에만 비정상 객체로 의심되는 영역을 확대하고 객체 정보를 추출함에 따라 시스템의 자원을 보다 효율적으로 사용할 수 있는 효과가 있다.
개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
이하, 첨부되는 도면들은 본 명세서에 개시되는 바람직한 실시예를 예시하는 것이며, 발명을 실시하기 위한 구체적인 내용들과 함께 본 명세서에 개시되는 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 명세서에 개시되는 내용은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 일 실시예에 따른 비정상 객체 탐지 장치의 기능 블록도이다.
도 2 내지 도 4는 일 실시예에 따른 비정상 객체 탐지 장치에서 비정상 객체의 탐지를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 비정상 객체 탐지 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐 아니라, '그 중간에 다른 구성을 사이에 두고 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.
이하 첨부된 도면을 참고하여 실시예들을 상세히 설명하기로 한다.
도 1은 일 실시예에 따른 비정상 객체 탐지 장치의 기능 블록도, 도 2 내지 도 4는 일 실시예에 따른 비정상 객체 탐지 장치에서 비정상 객체의 탐지를 설명하기 위한 도면이다.
본 실시예에 따른 비정상 객체 탐지 장치는 사용자와 인터랙션할 수 있는 애플리케이션이 설치된 전자단말기로 구현되거나 서버로 구현되거나 또는 서버-클라이언트 시스템으로 구현될 수 있으며, 서버-클라이언트 시스템으로 구현되는 경우 관리자와의 인터랙션을 위한 온라인 서비스용 애플리케이션이 설치된 전자단말기를 포함할 수 있다.
이때 전자단말기는 네트워크를 통해 원격지의 서버에 접속하거나, 타 디바이스 및 서버와 연결 가능한 컴퓨터나 휴대용 단말기, 텔레비전, 웨어러블 디바이스(Wearable Device) 등으로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop)등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다. 나아가 웨어러블 디바이스는 예를 들어, 시계, 안경, 액세서리, 의복, 신발 등 인체에 직접 착용 가능한 타입의 정보처리장치로서, 직접 또는 다른 정보처리장치를 통해 네트워크를 경유하여 원격지의 서버에 접속하거나 타 디바이스와 연결될 수 있다.
그리고 서버는 비정상 객체 탐지 장치의 관리자와의 인터랙션을 위한 애플리케이션이나 웹브라우저가 설치된 전자단말기와 네트워크를 통해 통신이 가능한 컴퓨터로 구현되거나 클라우드 컴퓨팅 서버로 구현될 수 있다. 또한, 서버는 데이터를 저장할 수 있는 저장장치를 포함하거나 제 3의 서버를 통해 데이터를 저장할 수 있다.
상술된 바와 같이 비정상 객체 탐지 장치는 전자단말기, 서버 또는 서버-클라이언트 시스템 중 어느 하나의 형태로 구현될 수 있으며, 서버로 구현될 경우, 비정상 객체 탐지 장치를 구성하는 구성부는 물리적으로 분리된 복수의 서버에서 수행되거나 하나의 서버에서 수행될 수 있다.
도 1을 참조하면, 본 실시예에 따른 비정상 객체 탐지 장치(100)는 입출력부(110), 통신부(120), 저장부(130) 및 제어부(140)를 포함한다.
입출력부(110)는 사용자로부터 입력을 수신하기 위한 입력부와 작업의 수행결과 또는 비정상 객체 탐지 장치(100)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 다시 말해, 입출력부(110)는 특정 지역에 설치되어 객체를 감시하기 위한 카메라로부터 촬영된 열화상 영상을 획득하고, 획득된 열화상 영상에서 비정상 객체가 검출되면 검출된 객체의 정보를 추출하여 추출된 결과를 출력하기 위한 구성일 수 있다. 한편, 상술한 카메라는 사람이나 물체가 방출하는 적외선을 감지하여 영상 정보로 전환해주는 열상감시장비(Thermal Observation Device : TOD)일 수 있다. 예를 들어, 입출력부(110)는 사용자 입력을 수신하는 조작 패널(operation panel) 및 화면을 표시하는 디스플레이 패널(display panel) 등을 포함할 수 있다.
구체적으로 입력부는 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 한정되지 않고 입출력부(110)(120)는 다양한 입출력을 지원하는 구성을 포함할 수 있다.
통신부(120)는 다른 디바이스(장치) 및/또는 네트워크와 유무선 통신을 수행할 수 있다. 이를 위해, 통신부(120)는 다양한 유무선 통신 방법 중 적어도 하나를 지원하는 통신 모듈을 포함할 수 있다. 예컨대, 통신 모듈은 칩셋(chipset)의 형태로 구현될 수 있다.
한편, 통신부(120)가 지원하는 무선 통신은, 예를 들어 Wi-Fi(Wireless Fidelity), Wi-Fi Direct, 블루투스(Bluetooth), 저전력블루투스(BLE; Bluetooth Low Energy), UWB(Ultra Wide Band), NFC(Near Field Communication), LTE, LTE-Advanced 등의 무선 이동통신 등일 수 있다. 또한, 통신부(120)가 지원하는 유선 통신은, 예를 들어 USB 또는 HDMI(High Definition Multimedia Interface) 등일 수 있다.
저장부(130)는 파일, 어플리케이션 및 프로그램 등과 같은 다양한 종류의 데이터를 설치 및 저장할 수 있으며, RAM, HDD 및 SSD 등과 같이 다양한 종류의 메모리 중 적어도 하나를 포함하도록 구성될 수 있다. 후술하는 제어부(140)는 저장부(130)에 저장된 데이터에 접근하여 이를 이용하거나, 또는 새로운 데이터를 저장부(130)에 저장할 수도 있다. 또한, 제어부(140)는 저장부(130)에 설치된 프로그램을 실행할 수도 있다. 한편, 저장부(130)에는 일 실시예에 따른 비정상 객체 탐지 방법을 수행하기 위한 프로그램이 설치될 수 있다. 또한, 저장부(130)는 열화상 영상 내의 각 픽셀들의 상대적 위치 좌표 정보와 카메라에 촬영되는 열화상 영상의 절대적 위치 좌표 정보를 사전에 매핑하여 저장할 수 있다. 이때, 상술한 좌표 정보는 후술하는 제어부(140)가 열화상 영상에서 비정상 상황을 탐지되면, 열화상 영상에서 객체 정보를 추출하기 위해 비정상 상황으로 탐지된 원인이 되는 영역의 크기를 조절하기 위해 활용될 수 있다.
제어부(140)는 CPU, 아두이노 등과 같은 적어도 하나의 프로세서를 포함하는 구성으로, 비정상 객체 탐지 장치(100)의 전체적인 동작을 제어할 수 있다. 즉, 제어부(140)는 비정상 객체의 탐지를 위한 동작을 수행하도록 비정상 객체 탐지 장치(100)에 포함된 다른 구성들을 제어할 수 있다. 또한, 제어부(140)는 저장부(130)에 저장된 프로그램을 실행하거나, 저장부(130)에 저장된 파일을 읽어오거나 또는 새로운 파일을 저장부(130)에 저장할 수도 있다.
제어부(140)는 입출력부(110)가 획득한 열화상 영상으로부터 비정상 상황을 탐지할 수 있다. 보다 구체적으로, 제어부(140)는 열화상 영상으로부터 제 1 기계 학습 모델에 기초하여 정상도(normality)를 산출하고, 산출된 정상도를 미리 설정된 기준값과 비교하여 비정상 상황을 탐지할 수 있다. 이때, 정상도는 열화상 영상 내에 검출된 영상이 정상 또는 비정상인지 여부를 판가름할 수 있는 척도가 되는 값으로, 비정상 상황을 탐지하기 위해 미리 설정된 기준값과 비교될 수 있으며, 픽셀 단위의 값을 가질 수 있다. 실시예에 따르면, 정상도는 열화상 영상 내의 영상이 정상 영상인 경우에는 사전에 설정된 값보다 높은 값의 정상도가 산출될 수 있고, 비정상 영상인 경우에는 사전에 설정된 값보다 낮은 값의 정상도가 산출될 수 있다. 한편, 산출된 정상도와 비교하기 위한 기준값은, 열화상 영상에서 정상 상황 또는 비정상 상황을 구분하기 위한 기준이 되는 값으로 사전에 미리 설정될 수 있다. 이때, 제 1 기계 학습 모델은 수집된 복수의 영상 내의 정상 상황의 열화상 영상을 기초로 머신러닝(machine learning)의 한 기술분야인 비지도 학습(unsupervised learning)을 통해 학습시킴으로써 구현된 비정상 상황 탐지를 위한 알고리즘일 수 있으며, 사전에 학습되어 저장부(130)에 저장될 수 있다. 즉, 제 1 기계 학습 모델은 비지도 학습(unsupervised learning) 모델을 기반으로 구현된 모델로서, 영상 내의 정상 상황의 열화상 영상을 입력하였을 때 영상에 대한 정상도를 산출하도록 학습될 수 있다. 실시예에 따르면, 제 1 기계 학습 모델은 수집된 복수의 영상으로부터 정상 상황일 때의 열화상 영상 내의 픽셀 별 온도 변화를 기초로 비지도 학습을 통해 학습시켜 구현된 알고리즘일 수 있다. 한편, 정상도(normality)는 열화상 영상 내에 비정상 상황이 존재하는지의 여부를 가늠하기 위한 기준이 되는 것일 수 있으며, 일 실시예에 따르면 영상 내의 픽셀 단위로 계산될 수 있다. 예컨대, 정상도는 열화상 영상 내의 픽셀 별로 온도 값의 변화 여부를 기초로 그 값이 산출될 수 있다. 즉, 제어부(140)는 열화상 영상 내의 어느 하나의 픽셀의 온도 변화가 발생하는 경우 정상도의 값을 산출할 수 있다. 예를 들어, 어느 하나의 픽셀에서의 온도 변화가 5 내지 10 도의 값을 갖는 경우에는 정상도의 값으로 1.1을 산출할 수 있다. 또한, 어느 하나의 픽셀에서의 온도 변화가 10 내지 15 도의 값을 갖는 경우에는 정상도의 값으로 0.9를 산출할 수 있다. 또한, 어느 하나의 픽셀에서의 온도 변화가 15 내지 20 도의 값을 갖는 경우에는 정상도의 값으로 0.7을 산출할 수 있다. 이에 따르면, 제어부(140)는 열화상 영상 내에 미세한 움직임이 감지되고, 움직이는 객체의 온도 변화를 감지하여 정상도의 값을 산출할 수 있다. 한편, 열화상 영상은 시간에 따라 변화하는 연속적인 정보를 가지므로, 시간의 흐름에 따라 계산되는 정상도의 값은 변화할 수 있다. 다시 말해, 열화상 영상은 시간에 따른 객체의 움직임 정보를 포함하는 다수의 프레임의 합으로 구현될 수 있고, 상술한 객체의 움직임 정보는 육안으로 판단하기 힘든 점 또는 얇은 선 등을 포함하는 미세한 연속된 움직임 정보를 포함할 수 있다. 이때, 열화상 영상은 상술한 객체의 미세한 움직임 정보를 포함하는 다수의 프레임의 합으로 구현됨에 따라, 육안으로 판단하기 힘든 점 또는 얇은 선 등의 객체의 움직임을 감지할 수 있어, 비정상 상황을 보다 효율적으로 감지할 수 있다.
제어부(140)는 산출된 정상도를 미리 설정된 기준값과 비교하여 비정상 상황을 탐지할 수 있다. 예를 들어, 정상 상황과 비정상 상황을 구분하는 기준값을 1로 설정하는 경우, 제어부(140)는 산출된 정상도가 1 미만이면 열화상 영상 내에 비정상 상황이 발생하고 있는 것으로 탐지하고, 산출된 정상도가 1을 초과하면 열화상 영상 내에 비정상 상황이 발생하고 있지 않은 것으로 판단할 수 있다. 도 2는 열화상 영상 내에 육안으로는 식별이 어려운 객체가 존재하는 도면이다. 도 2에 도시된 바와 같이, 열화상 영상 내에 A와 같은 객체가 탐지되더라도, 해당 객체가 너무 멀리 있는 경우 또는 영상 내에서 매우 작게 나타나는 경우에 해당 객체(A)는 점 또는 미세한 선 등으로 표시될 수 있다. 이때, 해당 객체(A)가 온도의 변화를 수반하는 경우 미리 설정된 색 예컨대, 빨간색으로 표시될 수 있다. 이때, 도 2의 객체(A)는 움직임에 따라 픽셀에서의 온도 변화가 발생할 수 있다. 이때, 일 실시예에 따르면, 제어부(140)는 열화상 영상 내의 픽셀 단위로 정상도를 산출하고, 산출된 정상도를 미리 설정된 기준값과 비교하여 비정상 상황을 탐지할 수 있다. 도 3은 영상 내의 어느 픽셀에서의 시간의 변화에 따른 정상도를 나타낸 그래프이다. 도 3에 도시된 바와 같이, B로 표시된 t 내지 s 시간 내에 존재하는 그래프 영역의 정상도는 미리 설정된 기준값인 1 미만인 것으로, 열화상 영상의 해당 픽셀에 온도 변화를 갖는 객체가 지나가고 있음을 알 수 있다. 즉, 객체는 부위에 따라 온도의 변화가 존재할 수 있다. 예컨대, 도 2의 객체(A)가 사람인 경우, 심장이 존재하는 부위의 온도가 높게 나타나고 그 이외의 영역은 심장이 존재하는 부위보다 상대적으로 온도가 낮게 나타난다. 따라서, 객체 (A)가 열화상 영상 내의 어느 픽셀을 지나는 경우 온도 변화가 발생할 수 있으며 이에 따라, 도 3의 t 내지 s 시간 내의 그래프 영역(B)과 같이 정상도 값이 달라질 수 있다.
제어부(140)는 열화상 영상이 비정상 상황으로 탐지되면, 열화상 영상으로부터 객체 정보를 추출할 수 있다. 이때, 객체 정보는 객체의 종류 및 객체의 절대적 위치 좌표 정보를 포함할 수 있다. 보다 자세하게, 제어부(140)는 열화상 영상이 비정상 상황으로 탐지되면, 열화상 영상으로부터 제 2 기계 학습 모델에 기초하여 객체 정보를 추출할 수 있다. 이때, 제 2 기계 학습 모델은 사전 정의된 비정상 객체의 종류를 기초로 머신러닝(machine learning)의 한 기술분야인 지도 학습(supervised learning)을 통해 구현된 객체 정보의 탐지를 위한 알고리즘일 수 있다. 즉, 제 2 기계 학습 모델은 지도 학습(supervised learning) 모델을 기반으로 구현된 것으로서, 사전 정의된 비정상 객체의 종류를 입력하였을 때 객체 종류를 출력하도록 학습될 수 있다.
보다 구체적으로, 제어부(140)는 열화상 영상이 비정상 상황으로 탐지되는 경우, 비정상 상황으로 탐지된 원인이 되는 영역 즉, 정상도가 미리 설정된 기준값 이하로 산출된 픽셀을 포함하는 영역의 크기를 미리 설정된 크기만큼 확대되도록 조절하고, 확대된 영역의 내의 열화상 영상으로부터 상술한 제 2 기계 학습 모델을 기초로 객체 정보를 추출할 수 있다. 예컨대, 제어부(140)는 열화상 영상이 비정상 상황으로 탐지되는 경우, 비정상 상황으로 탐지된 원인이 되는 영역 즉, 정상도가 미리 설정된 기준값 이하로 산출된 픽셀을 포함하는 영역의 크기를 픽셀 기준치를 초과할 때까지 확대되도록 조절할 수 있다. 한편, 제어부(140)는 열화상 영상으로부터 제 2 기계 학습 모델을 기초로 객체 정보를 추출하는 경우, 객체 정보의 종류와 함께 픽셀의 상대적 위치 좌표 정보와 대응하는 객체의 절대적 위치 좌표 정보를 화면 상에 표시할 수 있다. 여기서, 상대적 위치 좌표 정보는 열화상 영상 상에 위치하는 객체의 좌표 정보를 의미하는 것으로 예를 들어, x, y로 표시될 수 있으며, 절대적 위치 좌표 정보는 객체의 GPS 상의 좌표 정보를 의미하는 것으로 예를 들어, 위도 및 경도로 표시될 수 있다. 예컨대, 도 4에 도시된 바와 같이, 제어부(140)는 열화상 영상으로부터 제 2 기계 학습 모델을 기초로 “사람”을 추출한 경우, 해당 객체의 정보 “사람”과 객체의 이동이 발생한 픽셀의 상대적 위치 좌표 정보에 대응하는 위도 및 경도를 포함하는 객체의 절대적 위치 좌표 정보인 “37.575908, 126.97692”를 화면 상에 표시할 수 있다. 이에 따라, 사용자는 육안으로 추출된 객체 정보에 대해 확인할 수 있다. 한편, 제어부(140)는 열화상 영상 내에서 객체 정보가 추출된 경우, 해당 객체가 탐지된 시간 정보, 객체의 위치 정보 등을 저장부(130)에 저장할 수도 있으며, 탐지된 객체에는 도 4에 도시된 바와 같이 별도의 사각형으로 표시하여 사용자에 의한 인식률을 높일 수도 있다.
도 5는 일 실시예에 따른 비정상 객체 탐지 방법의 순서도이다.
도 5에 도시된 실시예에 따른 비정상 객체 탐지 방법은 도 1 내지 도 4에 도시된 비정상 객체 탐지 장치(100)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하에서 생략된 내용이라고 하더라도, 도 1 내지 도 4에 도시된 비정상 객체 탐지 장치(100)에 관하여 이상에서 기술한 내용은 도 5에 도시된 실시예에 따른 비정상 객체 탐지 방법에도 적용될 수 있다.
도 5에 도시된 바와 같이, 본 실시예에 따른 비정상 객체 탐지 방법은, 열화상 영상으로부터 제 1 기계 학습 모델에 기초하여 정상도를 산출하는 단계(S510), S510 단계에서 산출된 정상도를 미리 설정된 기준값과 비교하여 비정상 상황을 탐지하는 단계(S520)(S530) 및 S530 단계에서 비정상 상황이 탐지되면, 열화상 영상으로부터 제 2 기계 학습 모델에 기초하여 객체 정보를 추출하는 단계(S540)를 포함한다.
S510 단계에서 비정상 객체 탐지 장치(100)는, 열화상 영상으로부터 제 1 기계 학습 모델에 기초하여 정상도를 산출할 수 있다. 이때, 열화상 영상은 특정 지역에 설치되어 객체를 감시하기 위한 카메라로부터 촬영된 것일 수 있다. 또한, 제 1 기계 학습 모델은 수집된 복수의 영상으로부터 정상 상황의 열화상 영상을 기초로 머신러닝(machine learning)의 한 기술분야인 비지도 학습(unsupervised learning)을 통해 학습시킴으로써 구현된 비정상 상황 탐지를 위한 알고리즘일 수 있다. 한편, 정상도는 열화상 영상 내에 비정상 상황이 존재하는지의 여부를 가늠하기 위한 기준이 되는 것일 수 있으며, 일 실시예에 따르면 영상 내의 픽셀 단위로 계산될 수 있다. 실시예에 따르면, 정상도는 열화상 영상 내의 픽셀 별로 온도 값의 변화 여부를 기초로 그 값이 산출될 수 있다. 따라서, 제어부(140)는 열화상 영상 내에 미세한 움직임이 감지되고, 움직이는 객체의 온도 변화를 감지하여 정상도의 값을 계산할 수 있다. 한편, 열화상 영상은 시간에 따라 변화하는 연속적인 정보를 가지므로, 시간의 흐름에 따라 계산되는 정상도의 값은 변화할 수 있다.
S520 및 S530 단계에서 비정상 객체 탐지 장치(100)는, S510 단계에서 산출된 정상도를 미리 설정된 기준값과 비교하여 열화상 영상내의 비정상 상황을 탐지할 수 있다. 예를 들어, 정상 상황과 비정상 상황을 구분하는 기준값을 1로 설정하는 경우, 비정상 객체 탐지 장치(100)는 산출된 정상도가 1 미만이면 열화상 영상 내에 비정상 상황이 발생하고 있는 것으로 탐지하고, 산출된 정상도가 1을 초과하면 열화상 영상 내에 비정상 상황이 발생하고 있지 않은 것으로 판단할 수 있다.
S540 단계에서 비정상 객체 탐지 장치(100)는, S530 단계에서 열화상 영상이 비정상 상황인 것으로 탐지되면, 열화상 영상으로부터 제 2 기계 학습 모델에 기초하여 객체 정보를 추출할 수 있다. 이때, 제 2 기계 학습 모델은 사전 정의된 비정상 객체의 종류를 기초로 머신러닝(machine learning)의 한 기술분야인 지도 학습(supervised learning)을 통해 구현된 객체 정보의 탐지를 위한 알고리즘일 수 있다. 보다 구체적으로, 비정상 객체 탐지 장치(100)는 열화상 영상이 비정상 상황으로 탐지되는 경우, 비정상 상황으로 탐지된 원인이 되는 영역 즉, 정상도가 미리 설정된 기준값 이하로 산출된 픽셀을 포함하는 영역의 크기를 미리 설정된 크기만큼 확대되도록 조절하고, 확대된 영역의 내의 열화상 영상으로부터 상술한 제 2 기계 학습 모델을 기초로 객체 정보를 추출할 수 있다. 한편, 비정상 객체 탐지 장치(100)는 열화상 영상으로부터 제 2 기계 학습 모델을 기초로 객체 정보를 추출하는 경우, 객체 정보의 종류와 함께 픽셀의 상대적 위치 좌표 정보와 대응하는 객체의 절대적 위치 좌표 정보를 화면 상에 표시할 수 있다.
이상의 실시예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램특허 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다.
구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로부터 분리될 수 있다.
뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다.
한편, 본 명세서를 통해 설명된 일실시예에 따른 비정상 객체 탐지 방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함할 수 있다. 예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.
또한, 본 명세서를 통해 설명된 일실시예에 따른 비정상 객체 탐지 방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다.
따라서, 본 명세서를 통해 설명된 일실시예에 따른 비정상 객체 탐지 방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 마더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.
여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다.
또한, 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다.
그리고, 저장장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다.
상술한 실시예들은 예시를 위한 것이며, 상술한 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술한 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 명세서를 통해 보호받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 : 비정상 객체 탐지 장치
110 : 입출력부
120 : 통신부
130 : 저장부
140 : 제어부

Claims (14)

  1. 특정 지역에 설치되어 객체를 감시하기 위한 카메라로부터 촬영된 열화상 영상을 획득하는 입출력부; 및
    상기 열화상 영상으로부터 제 1 기계 학습 모델에 기초하여 정상도(normality)를 산출하고, 상기 산출된 정상도를 미리 설정된 기준값과 비교하여 비정상 상황을 탐지하며,
    상기 열화상 영상이 비정상 상황으로 탐지되면, 상기 열화상 영상으로부터 제 2 기계 학습 모델에 기초하여 객체 정보를 추출하는 제어부;를 포함하고,
    상기 열화상 영상은,
    시간에 따라 변화하는 객체의 연속된 움직임 정보를 갖는 다수의 프레임을 포함하며,
    상기 제어부는,
    상기 열화상 영상으로부터 제 1 기계 학습 모델에 기초하여 정상도를 산출하되,
    상기 열화상 영상 내에 움직임이 감지되면, 상기 움직임이 감지된 객체의 픽셀 별로 온도 값의 변화 여부를 감지하되, 어느 하나의 픽셀에서의 온도 변화가 미리 설정된 값을 갖게되면, 상기 미리 설정된 값에 대응하는 정상도의 값을 산출하는 것을 특징으로 하는 비정상 객체 탐지 장치.
  2. 제 1 항에 있어서,
    상기 제어부는,
    상기 열화상 영상이 비정상 상황으로 탐지되면, 상기 비정상 상황으로 탐지된 원인이 되는 영역의 크기를 미리 설정된 크기만큼 확대되도록 조절하고, 상기 영역의 크기가 조절된 열화상 영상으로부터 제 2 기계 학습 모델에 기초하여 객체 정보를 추출하는 것을 특징으로 하는 비정상 객체 탐지 장치.
  3. 제 2 항에 있어서,
    상기 제어부는,
    상기 객체 정보를 추출하면, 상기 추출된 객체의 종류 및 객체의 절대적 위치 좌표 정보를 화면 상에 표시하는 것을 특징으로 하는 비정상 객체 탐지 장치.
  4. 제 1 항에 있어서,
    상기 제 1 기계 학습 모델은,
    수집된 복수의 영상에 존재하는 정상 상황의 열화상 영상을 비지도 학습(unsupervised learning)에 입력하여 학습시킴으로써 구현된 비정상 상황 탐지를 위한 알고리즘인 것을 특징으로 하는 비정상 객체 탐지 장치.
  5. 제 1 항에 있어서,
    상기 제 2 기계 학습 모델은,
    사전 정의된 비정상 객체의 종류를 지도 학습(supervised learning)에 입력하여 학습시킴으로써 구현된 객체 정보의 탐지를 위한 알고리즘인 것을 특징으로 하는 비정상 객체 탐지 장치.
  6. 삭제
  7. 특정 지역에 설치되어 객체를 감시하기 위한 카메라로부터 촬영된 열화상 영상을 획득하는 비정상 객체 탐지 장치에서의 비정상 객체 탐지 방법에 있어서,
    상기 열화상 영상으로부터 제 1 기계 학습 모델에 기초하여 정상도(normality)를 산출하는 단계;
    상기 산출된 정상도를 미리 설정된 기준값과 비교하여 비정상 상황을 탐지하는 단계; 및
    상기 열화상 영상이 비정상 상황으로 탐지되면, 상기 열화상 영상으로부터 제 2 기계 학습 모델에 기초하여 객체 정보를 추출하는 단계;를 포함하고,
    상기 열화상 영상은,
    시간에 따라 변화하는 객체의 연속된 움직임 정보를 갖는 다수의 프레임을 포함하며,
    상기 정상도를 산출하는 단계는,
    상기 열화상 영상 내에 움직임이 감지되면, 상기 움직임이 감지된 객체의 픽셀 별로 온도 값의 변화 여부를 감지하되, 어느 하나의 픽셀에서의 온도 변화가 미리 설정된 값을 갖게되면, 상기 미리 설정된 값에 대응하는 정상도의 값을 산출하는 단계를 포함하는 것을 특징으로 하는 비정상 객체 탐지 방법.
  8. 제 7 항에 있어서,
    상기 객체 정보를 추출하는 단계는,
    상기 열화상 영상이 비정상 상황으로 탐지되면, 상기 비정상 상황으로 탐지된 원인이 되는 영역의 크기를 미리 설정된 크기만큼 확대되도록 조절하는 단계; 및
    상기 영역의 크기가 조절된 열화상 영상으로부터 제 2 기계 학습 모델에 기초하여 객체 정보를 추출하는 단계;를 포함하는 것을 특징으로 하는 비정상 객체 탐지 방법.
  9. 제 8 항에 있어서,
    상기 객체 정보를 추출하는 단계는,
    상기 추출된 객체의 종류 및 객체의 절대적 위치 좌표 정보를 화면 상에 표시하는 단계를 포함하는 것을 특징으로 하는 비정상 객체 탐지 방법.
  10. 제 7 항에 있어서,
    상기 제 1 기계 학습 모델은,
    수집된 복수의 영상에 존재하는 정상 상황의 열화상 영상을 비지도 학습(unsupervised learning)에 입력하여 학습시킴으로써 구현된 비정상 상황 탐지를 위한 알고리즘인 것을 특징으로 하는 비정상 객체 탐지 방법.
  11. 제 7 항에 있어서,
    상기 제 2 기계 학습 모델은,
    사전 정의된 비정상 객체의 종류를 지도 학습(supervised learning)에 입력하여 학습시킴으로써 구현된 객체 정보의 탐지를 위한 알고리즘인 것을 특징으로 하는 비정상 객체 탐지 방법.
  12. 삭제
  13. 제 7 항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  14. 비정상 객체 탐지 장치에 의해 수행되며, 제 7 항에 기재된 방법을 수행하기 위해 기록 매체에 저장된 컴퓨터 프로그램.
KR1020210138075A 2021-10-18 2021-10-18 비정상 객체 탐지 장치 및 방법 KR102640565B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210138075A KR102640565B1 (ko) 2021-10-18 2021-10-18 비정상 객체 탐지 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210138075A KR102640565B1 (ko) 2021-10-18 2021-10-18 비정상 객체 탐지 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20230054957A KR20230054957A (ko) 2023-04-25
KR102640565B1 true KR102640565B1 (ko) 2024-02-27

Family

ID=86101642

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210138075A KR102640565B1 (ko) 2021-10-18 2021-10-18 비정상 객체 탐지 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102640565B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101137918B1 (ko) 2011-01-13 2012-04-25 위버브릿지(주) 동작 감지 알람장치 및 이를 이용한 알람 신호 발생 방법
KR102085168B1 (ko) * 2018-10-26 2020-03-04 오토아이티(주) 인체추적 기반 위험지역 안전관리 방법 및 장치
KR102191094B1 (ko) * 2016-11-25 2020-12-15 한국전자기술연구원 시설물 예방정비 및 이상상황 탐지를 위한 열화상 장치 기반 시설물 모니터링 방법 및 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080402A (ko) 2018-12-18 2020-07-07 한국전자통신연구원 비정상 상황 탐지 시스템 및 방법
KR102341471B1 (ko) * 2019-11-25 2021-12-21 김종원 열화상 센서와 영상 센서를 이용한 객체 분석 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101137918B1 (ko) 2011-01-13 2012-04-25 위버브릿지(주) 동작 감지 알람장치 및 이를 이용한 알람 신호 발생 방법
KR102191094B1 (ko) * 2016-11-25 2020-12-15 한국전자기술연구원 시설물 예방정비 및 이상상황 탐지를 위한 열화상 장치 기반 시설물 모니터링 방법 및 시스템
KR102085168B1 (ko) * 2018-10-26 2020-03-04 오토아이티(주) 인체추적 기반 위험지역 안전관리 방법 및 장치

Also Published As

Publication number Publication date
KR20230054957A (ko) 2023-04-25

Similar Documents

Publication Publication Date Title
US10429944B2 (en) System and method for deep learning based hand gesture recognition in first person view
US10474233B2 (en) Enabling augmented reality using eye gaze tracking
US10134165B2 (en) Image distractor detection and processing
US10937290B2 (en) Protection of privacy in video monitoring systems
Wang et al. Enabling live video analytics with a scalable and privacy-aware framework
US9807300B2 (en) Display apparatus for generating a background image and control method thereof
KR102576654B1 (ko) 전자 장치 및 그의 제어 방법
JP2018507476A (ja) コンピュータビジョンに関する遮蔽処理
US20210049789A1 (en) Flame finding with automated image analysis
JP6493624B2 (ja) ガス検知用画像処理装置、ガス検知用画像処理方法及びガス検知用画像処理プログラム
US20170099427A1 (en) Methods and apparatuses for providing improved autofocus using curve-fitting
JP2017523498A (ja) 効率的なフォレストセンシングに基づくアイトラッキング
JP2022535549A (ja) サブタイトルのクロスボーダーの処理方法、装置及び電子装置
US10178358B2 (en) Method for surveillance of an area of interest and a surveillance device thereof
US20140023232A1 (en) Method of detecting target in image and image processing device
WO2015065868A1 (en) Systems and methods for determining motion saliency
US20170091572A1 (en) System And Method For Text Detection In An Image
WO2018210039A1 (zh) 数据处理方法、数据处理装置及存储介质
KR102640565B1 (ko) 비정상 객체 탐지 장치 및 방법
KR102649571B1 (ko) 화재 감시 장치 및 방법
KR20230173343A (ko) 애플리케이션 테스트 장치 및 방법
KR102442084B1 (ko) 디스플레이 장치, 디스플레이 장치의 제어 시스템 및 디스플레이 장치의 제어 방법
KR102082430B1 (ko) 의약품 검색을 위한 낱알 식별 장치 및 낱알 식별 방법
KR20230094429A (ko) 불법카메라 탐지 방법 및 장치
KR20220018805A (ko) 화재 감지 장치 및 화재 감지 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant