KR20050016641A - 확률 분포 함수를 사용하여 행동을 모델화하는 방법 및 장치 - Google Patents

Abstract

사람이나 다른 움직이는 물체의 행동 패턴을 모델화하고 행동의 반복 패턴의 위반을 탐지하는 방법과 장치가 개시된다. 하나 또는 그 이상의 사람의 행동이 시간이 흐름에 따라 관찰되고, 그 행동의 특징이 다차원 공간에서 기록된다. 시간에 걸쳐, 다차원 데이터는 사람 행동의 패턴 표시를 제공한다. 시간, 위치 및 수면과 식사와 같은 활동의 측면에서 반복적인 활동이 다차원 데이터에서 가우시안 분포나 클러스터로서 나타나게 된다. 확률 분포 함수는 행동의 반복적인 패턴과, 평균및 분산과 같은 특징을 확인하기 위해 알려진 가우시안이나 클러스터링 기술을 사용하여 분석될 수 있다. 행동의 반복적인 패턴으로부터 벗어나는 것이 탐지될 수 있고, 적절하다면 경보가 발생될 수 있다.

Description

확률 분포 함수를 사용하여 행동을 모델화하는 방법 및 장치{METHOD AND APPARATUS FOR MODELING BEHAVIOR USING A PROBABILITY DISTRIBUTION FUNCTION}

본 발명은 컴퓨터 비전(vision) 시스템에 관한 것으로, 특히 행동 모델화와, 행동 패턴을 관찰함으로써 이벤트(event)를 확인하는 탐지 방법 및 시스템에 관한 것이다.

이미지에서의 물체나 이벤트를 자동으로 탐지하거나 분류하는데 있어, 컴퓨터 비전 기술의 사용이 증가되고 있다. 예를 들어, 행동 모델화 기술은 사람 행동 패턴을 확인하기 위해 종종 사용된다. 통상적으로, 행동 분석 및 모델화 시스템은 초기에 행동 패턴을 학습하고, 이후 그러한 행동 패턴으로부터 이탈을 탐지한다. 일반적으로, 종래의 행동 분석 기술은 평소와 다른 이벤트의 탐지에 초점을 맞추고 있다.

행동 모델화에 있어서의 대부분의 종래의 작업은 확률 분포나 숨겨진 마코프 모델(HMMs : Hidden Markov Models)로서 궤적을 모델화하는 것에 관한 것이었다. 일단 궤적이 모델화되면, 목표는 물체의 궤적을 예측하고 "평소와 다른(unusual)" 궤적을 탐지하는 것이다. 예를 들어, 궤적 분석 기술은 특정 구역에서 걸어가는 사람의 궤적을 관찰한 다음, 사람이 제한된 구역으로 들어갔음을 궤적이 나타내게 되면 경보를 발생시키기는데 응용되어져 왔다.

종래의 궤적 분석 기술이 많은 보안 응용에 대해서 양호하게 수행되지만, 가정 감시(home monitoring)와 같은 다른 응용에 있어서의 그러한 궤적 분석 기술의 타당성과 가치는 의문시되고 있다. 특히 행동 모델화 시스템이 가정 환경에서 노인의 원격 감시와 같은 하나 또는 그 이상의 특정 사람의 활동을 감시할 때, 가장 관련 있는 정보는 그 사람의 현재 위치와 활동으로, 이는 자신의 현재 위치 또는 활동에 그 사람이 어떻게 도달했는가와 대립되는 것이다.

그러므로 행동 모델화와, 행동의 패턴을 관찰하고 행동의 반복 패턴의 위반을 탐지함으로써 이벤트를 확인하는 탐지 방법 및 시스템에 관한 필요성이 존재한다.

도 1은 본 발명의 바람직한 일 실시예에 따른 예시적인 비디오 감시 시스템을 도시하는 도면.

도 2는 본 발명에 따른 다차원 공간에서의 관찰된 사람의 행동이 그려진 도면.

도 3은 도 1의 특징 추출 과정의 예시적인 구현예를 설명하는 흐름도.

도 4는 도 1의 PDF 생성과 분석 과정의 예시적인 구현예를 설명하는 흐름도.

도 5는 도 1의 이벤트 탐지 과정의 예시적인 구현예를 설명하는 흐름도.

일반적으로, 이미지 데이터의 행동 패턴을 자동으로 학습하고 확인하는 방법과 장치가 개시되어 있다. 본 발명의 일 양태에 따르면, 사람이나 다른 움직이는 물체의 행동 패턴을 모델화하고, 행동의 반복 패턴을 위반하는 것을 탐지하는 방법과 장치가 제공된다. 본 발명은 시간에 걸쳐 하나 또는 그 이상의 사람의 행동을 관찰하고 다차원 공간에서의 행동 특징을 기록한다. 예를 들어 위치(예를 들어, 수직 및 수평 위치), 시간, 신체 자세 및 신체 움직임 레벨을 포함하는 다차원 공간에 관한 사용자 행동이 얻어질 수 있다. 시간에 걸쳐, 다차원 데이터는 사람의 행동 패턴의 표시를 제공한다. 시간, 위치 및 수면이나 식사와 같은 활동의 측면에서 반복되는 활동은 가우시안 분포나 다차원 데이터에서 클러스터(cluster)로 나타나게 된다.

학습 알고리듬은 행동의 반복 패턴을 확인하기 위해 다차원 데이터에 적용된다. 예시적인 일 실시예에서, 확률 밀도 함수(pdf)는 사람 행동을 모델화하기 위해 다차원 특징 데이터로부터 계산된다. 확률 분포 함수는 행동의 반복 패턴과 그 특성을 확인하기 위해, 가우시안이나 클러스터링 기술과 같은, PDF 분석을 위한 임의의 방법을 사용하여 분석될 수 있다. 일반적으로 행동의 반복 패턴은 각각 평균과 분산에의 특징 지어지는 가우시안 분포나 클러스터로서 다차원 특징 데이터로 명시될 것이다.

확률 분포 함수는 개별 클러스터로 클러스터링될 수 있고, 클러스터는 행동 패턴에 연관될 수 있다. 일반적으로, 클러스터는 식사와 같은 대응하는 활동으로 명칭이 붙여질 필요는 없다. 클러스트가 일부 개별 행동과 연관된다는 것을 아는 것으로 충분하다.

본 발명의 또다른 양태에 따르면, 행동의 반복 패턴으로부터 벗어나는 것은 탐지될 수 있고, 적절하다면 경보가 발생될 수 있다. 예를 들어, 행동의 반복 패턴이 가우시안 분포나 클러스터로 표현된다면, 현재의 행동이 행동의 반복 패턴으로부터의 이탈로 분류되어야 하는지를 결정하기 위해 분산이 임계치를 제공한다. 일반적으로, 평소와 다른 행동은 일종의 건강 문제나 긴급 상황을 가리킬 수 있다. 그러므로, 행동의 반복 패턴으로부터의 벗어나는 것이 하나 또는 그 이상의 미리 한정된 상황을 만족시키면 경보를 발생시키도록 규칙이 부가적으로 설정될 수 있다.

본 발명의 추가적인 특징 및 장점과 함께 본 발명의 좀더 구체적인 이해는 다음 상세한 설명과 도면을 참조로 하여 얻어지게 된다.

도 1은 본 발명에 따른 예시적인 비디오 감시 시스템(120)을 도시하는 도면이다. 비디오 감시 시스템(120)은 사람이나 다른 움직이는 물체의 행동 패턴을 모델화하고 행동의 반복 패턴의 위반을 탐지한다. 예를 들어, 비디오 감시 시스템(120)은 관찰된 사람의 수면 및 식사 패턴을 감시할 수 있다. 이후, 평소와 다른 간격 또는 평소와 다른 시간에서의 수면이나, 평소와 다른 양 또는 불규칙한 간격으로 식사를 하는 것과 같은, 행동 패턴으로 벗어나는 것이 적절하다면, 경보를 울리도록 탐지될 수 있다.

아래에 추가로 논의되는 예시적인 일 실시에에서, 본 발명은 시간에 걸쳐 하나 또는 그 이상의 사람들의 행동을 관찰하고 다차원 공간에서 그 행동의 특징을 기록한다. 예를 들어, 사용자 행동은 위치(수직 및 수평), 시간, 신체 자세 및 신체 움직임 레벨에 관한 2개의 차원을 포함하는 5차원 공간에 대해서 얻어질 수 있다. 시간에 걸쳐, 다차원 데이터는 사람 행동의 패턴 표시를 제공한다. 시간, 위치 및 수면과 식사와 같은 활동의 측면에서의 반복되는 활동이 다차원 데이터에서 클러스터(cluster)로서 나타나게 된다.

이후, 그러한 행동의 반복 패턴을 확인하기 위해, 학습 알고리듬이 다차원 데이터에 적용된다. 예를 들어, 확률 밀도 함수(pdf)가 사람의 행동을 모델화하기 위해 계산되어질 수 있다. 확률 분포 함수는 행동과 그것의 특징의 반복 패턴을 확인하기 위해 가우시안(Gaussian) 또는 클러스터링 기술을 사용하여 분석되어질 수 있다. 일반적으로, 행동의 반복 패턴은 각각 평균과 분산으로 특징지어지는 가우시안 분포나 클러스터로서 다차원 데이터로 확인된다.

일단 행동의 반복적인 패턴이 확인되면, 그러한 반복적인 이벤트나 행동으로부터의 이탈이 탐지될 수 있고, 적절하다면 경보가 울릴 수 있다. 예를 들어, 행동의 반복적인 패턴이 가우시안 분포나 클러스터로서 표현되면, 가우시안 분포나 클러스터의 분산은 현재의 행동이 행동의 반복적인 패턴의 일부 또는 행동의 반복적인 패턴으로부터의 이탈로 분류되는지를 결정하기 위한 임계치를 제공한다.

일반적으로, 평소와 다른 행동은 어떤 종류의 건강 문제나 긴급함을 가리킬 수 있다. 그러므로, 행동의 반복적인 패턴으로부터의 벗어나는 행동이 탐지되면 경보를 발생시키는 규칙이 설정될 수 있다.

확률 분포 함수는 별개의 클러스터들로 클러스터링될 수 있고, 클러스터들은 행동의 패턴과 연관될 수 있다. 일반적으로, 클러스터는 식사와 같은 대응하는 활동으로 라벨 표시될 필요는 없다. 그 클러스터가 일부 개별 행동와 연관되는지를 아는 것으로 충분한다. 그러므로 특정한 행동에 대한 지식 기반의 기술이, 확률 분포 함수로부터의 그러한 행동을 인식하기 위해 선택적으로 제공되어질 수 있다. 예를 들어, 사람들은 흔히 밤에 잠을 자므로, 미리 명시된 시간(예를 들어, 야간의 수시간), 자세(예를 들어, 눕는 것) 및 활동(예를 들어, 신체 움직임의 저 레벨)을 가진 클러스터는 수면이라고 라벨 표시될 수 있다. 게다가 이러한 기술로부터, 집에서의 사람의 침대 위치를 추론할 수 있다.

이제 도 1을 참조하면, 행동을 관찰하고 본 발명에 따른 행동 패턴을 탐지하는 비디오 처리 시스템(120)이 도시되어 있다. 비디오 처리 시스템(120)은 카메라(105)와 같은 하나 또는 그 이상의 카메라, 비디오 공급선(107), 디지털 다기능 디스크(DVD)(110) 및 네트워크(115)와 상호 작용하는 것으로 도시되어 있다. 비디오 처리 시스템(120)은 프로세서(130), 매체 인터페이스(135), 네트워크 인터페이스(140) 및 메모리(145)를 포함한다. 메모리(145)는 이미지 그래버(image grabber)(150), 입력 이미지(155), 도 3과 관련하여 아래에 논의되는 특징 추출 과정(300), 도 4와 관련하여 아래에 논의되는 PDF 생성 및 분석 과정(400), 및 도 5와 관련하여 아래에 논의되는 이벤트 탐지 과정(500)을 포함한다.

관련 분야에 알려진 바와 같이, 본 명세서에서 논의된 방법 및 장치는 그 자체가 그 위에 구체화된 컴퓨터 판독 가능한 코드 수단을 가지는 컴퓨터 판독 가능한 매체를 포함하는 제조 물품(article)으로서 분류될 수 있다. 컴퓨터 판독 가능한 프로그램 코드 수단은, 상기 방법을 수행하거나 본 명세서에 논의된 장치를 생성하기 위해, 비디오 처리 시스템(120)과 같은 컴퓨터 시스템과 연계하여 단계들의 모두 또는 일부를 수행하도록 동작 가능하다. 컴퓨터 판독 가능한 매체는 기록 가능한 매체{예를 들어, 플로피 디스크, 하드 드라이브, 매체 인터페이스(135)를 통해 액세스된 DVD(110)와 같은 컴팩트 디스크 또는 메모리 카드}일 수 있거나, 전송 매체{예를 들어, 광섬유, 월드 와이드 웹, 케이블 또는 시간 분할 다중 접속, 코드 분할 다중 접속을 사용하는 무선 채널 또는 기타 무선 주파수 채널을 포함하는 네트워크(115)}일 수 있다. 컴퓨터 시스템과 사용하기에 적합한 정보를 저장할 수 있는 알려진 또는 개발된 매체라면 어느 것이라도 사용될 수 있다. 컴퓨터 판독 가능한 코드 수단은 컴퓨터가 명령어와, 자기 매체 상의 자기 변동 또는 DVD(110)와 같은 컴팩트 디스크의 표면 상의 높이 변동과 같은 데이터를 판독하는 것을 허용하는 임의의 메카니즘이다.

메모리(145)는 본 명세서에 기재된 상기 방법, 단계 및 기능을 구현하도록 프로세서(130)를 구성할 것이다. 메모리(145)는 분산되거나 국부적이 되고, 프로세서(130)는 분산되거나 단독적이 될 수 있다. 메모리(145)는 전기적, 자기적 또는 광학 메모리 또는 이들 또는 다른 유형의 저장 디바이스의 임의의 조합으로서 구현될 수 있다. "메모리"라는 용어는 프로세서(130)에 의해 액세스된 어드레스 지정 가능한 공간에서의 하나의 어드레스로부터 판독 또는 어드레스로 기록될 수 있는 임의의 정보를 포함하기에 넓게 충분한 것으로 해석되어야 한다. 이러한 정의를 가지고, 네트워크 인터페이스(140)를 통해 액세스된 네트워크(115)와 같은 네트워크 상의 정보는, 프로세서(130)가 네트워크로부터 정보를 검색할 수 있기 때문에, 여전히 비디오 처리 시스템(120)의 메모리(145) 내에 있다. 비디오 처리 시스템(120)의 모두 또는 일부는 집적 회로나 프로그래밍 가능한 논리 회로와 같은 다른 유사한 디바이스로 만들어질 수 있다는 점이 주목되야 한다.

이제 하나의 시스템의 논의가 되었으므로, 전역(global) 및 국부적인(local) 픽셀 종속물(pixel dependency)과 증분 연습(incremental training)을 제공할 수 있는 확률 모델들이 논의된다.

도 2는 다차원 공간에서 관찰된 사람 행동의 도면(200)을 도시하고 있다. 도 2의 예시적인 실시예에서, 사람 행동은 하루중 시간, 신체 자세 및 위치(집에서의)에 기초하여 감시된다. 시간은 연속적이고, 예시적인 신체 자세(앉고, 서고 및 드러눕는 것과 같은)와 위치 차원은 불연속적이다. 또한, 설명의 목적으로 예시적인 위치 차원은, 집에서 원래의 수평 및 수직 좌표로부터 집에서의 특별한 방(부엌과 침실)을 표시하는 것을 해석되었다. 예시적인 행동 도면(200)은 신체 움직임의 레벨을 나타내지 않는다는 점이 주목된다.

도 2에 표시된 데이터는 임의의 행동을 제거하고, 그 밖에 행동 패턴을 구성하지 않는 행동을 제거하기 위해 설명의 목적으로 필터링되었다. 도 2에서의 나머지 데이터는 각각 행동 패턴과 연관되는 3개의 클러스터(210, 220, 230)를 포함한다. 클러스터(210)는 사람이 정오 경에 부엌에서 앉아 있는 위치에 있음을 가리키고 그 사람이 점심을 먹고 있음을 제시한다. 클러스터(220)는 사람이 오후 6시경에 부엌에서 앉아 있는 위치에 있음을 가리키고, 그 사람이 저녁을 먹고 있음을 제시한다. 클러스터(230)는 사람이 자정부터 오전 7시까지의 시간 동안에 침실에서 누워 있는 위치에 있음을 가리키고 그 사람이 수면 중임을 제시한다.

도 3은 도 2에 도시된 예시적인 행동 도면(200)을 생성하기 위해 사용되는 사람의 행동을 관찰하는데 사용되는 예시적인 특징 추출 과정(300)을 설명하는 흐름도이다. 초기에, 특징 추출 과정(300)은 단계(310) 동안에 이미지 데이터의 프레임을 얻는다. 이후 단계 추출 과정(300)이 단계(320) 동안에, 예를 들어 S.Iwasawa 등이 1998년 4월 14일에서 16일에 걸쳐 일본 나라(Nara)에서 개최된 자동 얼굴 및 몸짓 인식(Automatic Face and Gesture Recognition)에 관한 제 3차 국제 회의의 회의록 페이지 492-497에 실린 "단안 열 이미지를 사용하여 실시간 인간의 자세 추정(Real-Time Human Posture Estimation Using Monocular Thermal Images)"에 기재된 것과 같은, 공지된 트랙킹(tracking) 및 자세 분석 기술을 사용하여 프레임으로부터 사람의 위치와 자세를 추출한다.

신체 움직임의 레벨은 예를 들어 눈의 흐름(optical flow), 움직임 이력 또는 기타 움직임 추정 기술을 사용하여 단계(340) 동안에 부가적으로 얻어질 수 있다. 적절한 눈의 흐름 추정 기술은, 예를 들어 J.L. Barron 등의 컴퓨터 비전의 국제 저널(Int'l J. of Computer Vision)의 12(1):43-77(1994)에 실린 "눈의 흐름 기술의 수행(Performance of Optical Flow Techniques)"에 기술되어 있다. 신체 움직임의 레벨은 일반적으로 동일한 물리적 위치의 부근에 머무르면서 사람이 만들어내는 움직임의 양이다.

추출된 위치, 신체 자세 및 신체 움직임 특징 데이터의 레벨은 단계(350) 동안에 타임 스탬프(time-stamped)될 수 있어서, 도 2에 도시된 바와 같이 데이터는 하루의 시간의 함수로서 그려질 수 있다. 이후, 프로그램 제어가 종료된다.

도 4는 특징 추출 과정(300)(도 3)에 의해 얻어진 특징 데이터를 처리하고 행동의 반복 패턴과 그 특징을 확인하기 위해 예시적인 실시예에서의 확률 분포 함수를 생성하고 분석하는 예시적인 PDF 생성 및 분석 과정(400)을 설명하는 흐름도이다. 도 4에 도시된 바와 같이, PDF 생성과 분석 과정(400)은 원하는 다차원 공간에서 단계(410) 동안에 특징 추출 과정(300)에 의해 추출된 특징 데이터를 초기에 얻는다.

이후, 확률 분포 함수는 단계(420) 동안에 추출된 특징 데이터에 맞추어진다. 추출된 특징 데이터로 가우시안의 혼합체를 맞추기 위한 적합한 기술의 논의에 관해서는, 예를 들어 신경망(Neural Networks)에 관한 IEEE Trans 2, 366-377(1991)에 실린 H.G.C Traven의 "확률 밀도 함수의 '절반 매개 변수' 추정에 의한 통계 패턴 분류로의 신경망 접근(A Neural Network Approach to Statistical Pattern Classification by 'Semiparametric' Estimation of Probability Desnity Functions)"을 보라.

전술한 바와 같이, 행동의 반복 패턴은 각각 평균과 분산에의 특징지어지는 가우시안 분포나 클러스터로서 다차원 데이터로 명시될 것이다. 예시적인 실시예에서, 확률 분포 함수는 가우시안의 혼합체로서, 다음 수학식

으로 주어지며, 여기서 x는 다차원 공간에서의 포인트를 나타내고, n은 가우시안(미지의)의 숫자를 나타내며, μ_j와 C_j는 각각 j번째 가우시안(미지의)의 평균과 분산을 나타낸다.

도 5는 행동의 반복 패턴으로부터의 이탈을 탐지하는 예시적인 이벤트 탐지 프로세스(500)를 설명하는 흐름도이다. 예를 들어, 행동의 반복 패턴이 가우시안 분포나 클러스터로서 표현되면, 가우시안 분포나 클러스터의 분산은 현재의 행동이 행동의 반복 패턴의 일부 또는 행동의 반복 패턴으로부터의 벗어난 것으로 분류되어야할지를 결정하기 위한 임계치를 제공한다. 예시적인 이벤트 탐지 과정(500)은 행동의 반복 패턴으로부터의 벗어나는 행동이 탐지될 때, 경보를 발생시키기 위해 많은 규칙을 이용한다.

도 5에 도시된 바와 같이, 이벤트 탐지 과정(500)은 초기에 단계(510) 동안의 이미지 데이터를 관찰한다. 이후, 이벤트 탐지 과정(500)이 단계(520) 동안에 위치, 신체 자세 및 신체 움직임 특징 데이터의 레벨과 같은 다수의 특징을 추출한다. 이후, 추출된 특징 데이터는 단계(540) 동안에 PDF 생성 및 분석 과정(400)에 의해 생성된 확률 분포 함수와 비교된다.

추출된 특징 데이터가 가우시안 분포나 클러스터의 분산을 미리 한정된 임계치 이상으로 초과하는지를 결정하기 위해, 단계(550) 동안에 시험이 행해진다. 임계치는 일반적으로 각 가우시안 분포나 클러스터의 분산(예를 들어, 분산 더하기 일부 허용 한계)에 기초한다는 점이 주목된다. 단계(550) 동안에 추출된 특징 데이터가 임의의 가우시안 분포나 클러스터의 분산은 미리 한정된 임계치 이상으로 초과하지 않는다고 결정되면, 프로그램 제어는 단계(510)로 돌아가서 사람의 행동이 추가로 이탈이 있는지를 계속해서 감시한다.

하지만, 단계(550) 동안에 추출된 특징 데이터가 임의의 가우시안 분포나 클러스터의 분산을 미리 한정된 임계치 이상으로 초과한다고 판단되면, 관찰된 행동은 데이터의 반복 패턴으로부터 벗어나는 것이 될 것이다. 임의의 행동을 나타내는 데이터는, 예를 들어 각각 수학식 2와 수학식 3과 연계하여 아래에 논의된 Kullback Leibler 거리 기술이나 교점(intersection)을 사용하여 걸러질 수 있다.

관찰된 행동은 단계(560) 동안에 데이터의 반복 패턴으로부터 벗어난 것으로서 표시된다(flagged). 또한 관찰된 행동은, 행동의 반복 패턴으로부터의 특정 행동이 탐지될 때, 경보를 발생시키도록 설정된 다수의 예시적인 미리 한정된 규칙을 위반하고 있는지를 결정하기 위해, 단계(570) 동안에 평가된다. 단계(570) 동안에 하나 또는 그 이상의 예시적인 미리 정의된 규칙이 위반된 것으로 결정되면, 프로그램 제어가 종료되기 전에 단계(580) 동안에 경보가 발생된다.

전술한 예시적인 이벤트 탐지 과정(500)은 행동의 확률 분포 함수(수학식 1) 특성화 패턴을 n개의 단일 가우시안으로 분해하고, 새롭게 탐지된 행동인 b(x)는 개별적으로 각 가우시안에 대해서 비교되는 점이 주목된다. 일반적으로 새로운 행동이 탐지되면, 이벤트 탐지 과정(500)은 새로운 행동이 수학식 1로부터의 확률 분포 함수인 f(x)로부터 얼마나 멀리 있는지를 측정하고 그렇게 하는 여러 가지 방식이 존재한다. 한가지 방식은 정상 행동인 f(x)와, 새롭게 탐지된 행동인 b(x) 사이의 중복되는 부분(overlap)을 계산하는 것이다. 이는 예를 들어 Kullback-Leibler 거리를 사용하여 행해질 수 있다.

여기서, 적분은 전체 공간에 걸쳐 수행된다. 수학식 2는 단지 도 5의 예시적인 이벤트 탐지 과정(500)에 의해 구현된 기술의 좀더 간결한 표현이다.

사용될 수 있는 또다른 거리 함수는

으로 한정된 간단한 교점이다.

0 ≤d_int ≤1이라는 점이 주목된다. 만약 b ≡f이라면, d_int=1이고, b ∩f=0이면, d_int=0이다. b가 균일하게 분포된 임의의 신호라면, d_int 0이다.

추가 변형예에서, 행동 패턴은 데이터를 클러스터링함으로써 확인될 수 있고, 이는 효과적으로 도 4와 연계하여 전술한 가우시안의 혼합체를 맞추는 것과 동일한 기술이다. 차이점은 분석 함수가 추정되지 않는다는 점이지만, 데이터를 클러스터로 그룹화하기 위한 최선의 방식이 결정된다. 이들 클러스터는 분석적으로 표현되는 것이 아니라 상관적인 형태로 표현된다(즉, 하나의 클러스터에 속하는 포인트의 특정 세트와 또다른 클러스터에 속하는 일부 다른 세트의 포인트를 얘기할 수 있다). 새로운 행동이 탐지될 때는 언제나 우리 클러스터(통상의 행동)의 일부에 맞는지 점검하거나, 이것은 별개의 클러스터(평소와 다른 행동)이어야 한다. 이후, 클러스터 크기는 얼마나 "정상적인(normal)" 행동인지를 결정하게 된다(크기가 클수록, 행동은 더 정상적인 것이 된다). 어떠한 클러스터링 기술도 이용될 수 있다. 좀더 보편적인 클러스터링 기술 중 일부는, 예를 들어 2001년 Willey사가 발간한 Richard Duda 등의 "패턴 분류(Pattern Classification)"의 10장에 기재되어 있다.

본 명세서에 도시되고 설명된 실시예와 변형예는 단지 본 발명의 원리를 설명하기 위한 것이고, 본 발명의 범위와 정신을 벗어나지 않으면서 당업자에 의해 다양한 수정예가 구현될 수 있음이 이해될 것이다.

본 발명은 컴퓨터 비전 시스템에 적용할 수 있는 것으로, 특히 행동 모델화와 행동 패턴을 관찰함으로써 이벤트를 확인하는 탐지 방법 및 시스템에 이용 가능하다.

Claims (20)

1. 움직이는 물체의 행동을 모델화하는 방법으로서,

   복수의 이미지를 얻는 단계;

   상기 복수의 이미지로부터 복수의 특징을 추출하는 단계; 및

   다차원 공간에서 상기 복수의 추출된 특징을 분석하는 단계를 포함하는, 움직이는 물체의 행동을 모델화하는 방법.
2. 제 1항에 있어서, 상기 다차원 공간은 상기 이미지 데이터의 확률 분포 함수를 제공하는, 움직이는 물체의 행동을 모델화하는 방법.
3. 제 1항에 있어서, 행동의 적어도 1개의 반복적인 패턴을 확인하기 위해 상기 추출된 특징 데이터를 클러스터링(clustering)하는 단계를 더 포함하는, 움직이는 물체의 행동을 모델화하는 방법.
4. 제 3항에 있어서, 상기 클러스터링 단계는 상기 각 클러스터의 평균과 분산을 계산하는 단계를 더 포함하는, 움직이는 물체의 행동을 모델화하는 방법.
5. 제 3항에 있어서, 1개의 데이터 클러스터가 1개의 행동 패턴에 대응하는, 움직이는 물체의 행동을 모델화하는 방법.
6. 제 1항에 있어서, 평균과 분산을 가지는 적어도 1개의 가우시안을 확인하기 위해, 상기 추출된 특징 데이터를 확률 분포 함수에 맞추는 단계를 더 포함하는, 움직이는 물체의 행동을 모델화하는 방법.
7. 제 6항에 있어서, 1개의 가우시안이 1개의 행동 패턴에 대응하는, 움직이는 물체의 행동을 모델화하는 방법.
8. 제 1항에 있어서, 상기 추출된 특징 데이터는 시간 표시를 포함하는, 움직이는 물체의 행동을 모델화하는 방법.
9. 제 1항에 있어서, 상기 추출된 특징 데이터는 위치 표시를 포함하는, 움직이는 물체의 행동을 모델화하는 방법.
10. 제 1항에 있어서, 상기 추출된 특징 데이터는 활동 표시를 포함하는, 움직이는 물체의 행동을 모델화하는 방법.
11. 제 1항에 있어서, 상기 추출된 특징 데이터는 신체 자세 표시를 포함하는, 움직이는 물체의 행동을 모델화하는 방법.
12. 움직이는 물체의 행동을 모델화하는 시스템으로서,

    컴퓨터 판독 가능한 코드를 저장하는 메모리와,

    상기 메모리에 동작 가능하게 결합되고, 상기 컴퓨터 판독 가능한 코드를 구현하도록 구성된 프로세서를 포함하고, 상기 컴퓨터 판독 가능한 코드는

    복수의 이미지를 얻고;

    상기 복수의 이미지로부터 복수의 특징을 추출하며;

    다차원 공간에서 상기 복수의 추출된 특징을 분석하도록 구성되는, 움직이는 물체의 행동을 모델화하는 시스템.
13. 제 12항에 있어서, 상기 다차원 공간은 상기 이미지 데이터의 확률 분포 함수를 제공하는, 움직이는 물체의 행동을 모델화하는 시스템.
14. 제 12항에 있어서, 상기 프로세서는 행동의 적어도 1개의 반복 패턴을 확인하기 위해 상기 추출된 특징 데이터를 클러스터링하도록 더 구성되는, 움직이는 물체의 행동을 모델화하는 시스템.
15. 제 14항에 있어서, 상기 프로세서는 각 클러스터의 평균과 분산을 계산하도록 더 구성되는, 움직이는 물체의 행동을 모델화하는 시스템.
16. 제 14항에 있어서, 1개의 데이터 클러스터가 1개의 행동 패턴에 대응하는, 움직이는 물체의 행동을 모델화하는 시스템.
17. 제 12항에 있어서, 상기 프로세서는 평균과 분산을 가지는 적어도 1개의 가우시안을 확인하기 위해, 상기 추출된 특징 데이터를 1개의 확률 분포 함수에 맞추도록 또한 구성되는, 움직이는 물체의 행동을 모델화하는 시스템.
18. 제 17항에 있어서, 1개의 가우시안이 1개의 행동 패턴에 대응하는, 움직이는 물체의 행동을 모델화하는 시스템.
19. 움직이는 물체의 행동을 모델화하기 위한 제조 물품에 있어서,

    구체화된 컴퓨터 판독 가능한 코드 수단을 가지는 컴퓨터 판독 가능한 매체를 포함하고, 상기 컴퓨터 판독 가능한 코드 수단은

    복수의 이미지를 얻기 위한 단계;

    상기 복수의 이미지로부터 복수의 특징을 추출하는 단계; 및

    다차원 공간에서 상기 복수의 추출된 특징을 분석하는 단계를 포함하는, 움직이는 물체의 행동을 모델화하기 위한 제조 물품.
20. 제 19항에 있어서, 상기 다차원 공간은 상기 이미지 데이터의 확률 분포 함수를 제공하는, 움직이는 물체의 행동을 모델화하기 위한 제조 물품.