KR20190051128A - 머신러닝 기법을 이용한 행동인지 기반 보행취약자 검출 방법 및 시스템 - Google Patents

Abstract

머신러닝 기법을 이용한 행동인지 기반 보행취약자 검출 방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 보행취약자 검출 방법은, 머신러닝 모델을 이용하여, 보행자들을 검출하고, 보행자들 중 보행취약자를 구분한다. 이에 의해, 보조기기를 이용하지 않는 보행취약자에 대해서도 영상 분석을 통해 자동으로 검출할 수 있다.

Description

머신러닝 기법을 이용한 행동인지 기반 보행취약자 검출 방법 및 시스템{Method and System for Detecting Weak Walking Person Based on Behavioral Cognition using Machine Learning Technique}

본 발명은 영상처리 기술에 관한 것으로, 더욱 상세하게는 교통안전을 위한 교통 영상 인식/검출 방법 및 시스템에 관한 것이다.

교통안전을 위한 보행취약자 검출은 패턴 인식 기법을 이용하여 수행되고 있는데, 영상에서 휠체어, 목발 등을 인식하여 검출하고 있다. 따라서, 휠체어, 목발 등의 보조기기를 이용하는 보행취약자 검출은 가능하다.

하지만, 보행취약자는 보조기기를 이용하는 보행취약자 외에, 걸음이 느린 보행자, 절룩이는 보행자 등도 포함되는데, 패턴 인식 기법에서는 이와 같은 보행취약자들을 검출하지 못한다는 문제가 있다.

이에, 보조기기를 이용하지 않는 보행취약자에 대해서도, 이를 자동으로 검출하여 보호하기 위한 방안의 모색이 요청된다.

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 보조기기를 이용하지 않는 보행취약자에 대해서도 영상 분석을 통해 자동으로 검출하여 보호하기 위한 방안으로, 머신러닝 기법을 이용한 행동인지 기반 보행취약자 검출 방법 및 시스템을 제공함에 있다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 보행취약자 검출 방법은, 머신러닝 모델을 이용하여, 보행자들을 검출하는 단계; 및 머신러닝 모델을 이용하여, 보행자들 중 보행취약자를 구분하는 단계;를 포함한다.

그리고, 구분 단계는, 머신러닝 모델을 이용하여, 보행자들의 보행상태를 파악하는 단계; 및 파악된 보행상태를 기초로, 보행자들 중 보행취약자를 구분하는 단계;를 포함할 수 있다.

또한, 보행취약자는, 보조기기를 이용하지 않는 보행취약자를 포함할 수 있다.

그리고, 보행상태 파악 단계는, 보행자의 관절들을 인식하는 단계; 및 인식된 관절들의 움직임들을 분석하여, 보행상태를 파악하는 단계;를 포함할 수 있다.

또한, 본 발명의 실시예에 따른 보행취약자 검출 방법은, 보행취약자의 궤적을 검출하는 단계; 검출된 궤적으로부터 보행취약자의 이동 속도 및 방향을 계산하는 단계; 및 계산된 이동 속도 및 방향으로부터 보행취약자의 안전횡단 여부를 판단하는 단계;를 포함할 수 있다.

그리고, 판단단계는, 보행취약자의 횡단 완료 시간을 예측하고, 예측된 횡단 완료 시간이 보행신호 잔여 시간 보다 크면, 안전횡단이 불가능한 것으로 판단할 수 있다.

또한, 본 발명의 실시예에 따른 보행취약자 검출 방법은, 판단단계에서 안전 횡단이 불가능한 것으로 판단되면, 보행신호 잔여 시간을 증가시키는 단계;를 더 포함할 수 있다.

한편, 본 발명의 다른 실시예에 따른, 보행취약자 검출 시스템은, 횡단보도 영상을 입력받는 입력부; 및 머신러닝 모델을 이용하여, 보행자들을 검출하고 검출된 보행자들 중 보행취약자를 구분하는 프로세서;를 포함한다.

이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 머신러닝 기법을 이용한 행동인지 기반 보행취약자 검출을 통해, 보조기기를 이용하지 않는 보행취약자에 대해서도 영상 분석을 통해 자동으로 검출할 수 있다.

또한, 본 발명의 실시예들에 따르면, 검출된 보행취약자의 안전 횡단을 불가능한 경우에는 보행신호 잔여 시간을 증가시켜, 보행취약자의 교통안전을 도모할 수 있게 된다.

도 1은 본 발명의 일 실시예에 따른 보행취약자 검출 방법의 설명에 제공되는 흐름도,
도 2는, 도 1에 도시된 S170단계의 상세 흐름도, 그리고,
도 3은 본 발명의 다른 실시예에 따른 보행취약자 검출 시스템의 블럭도이다.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 보행취약자 검출 방법의 설명에 제공되는 흐름도이다.

본 발명의 실시예에 따른 보행취약자 검출 방법은, 횡단보도에서 발생하는 보행취약자의 교통사고를 예방하기 위해, 머신러닝 기법을 이용한 행동인지 기반으로 보행취약자를 검출한다.

여기서, 보행취약자는, 휠체어, 목발 등의 보조기기를 이용하는 보행취약자는 물론, 보조기기를 이용하지 않는 보행취약자(걸음이 느리거나 절룩이는 보행자)까지 포함된다.

보행취약자 검출을 위해, 도 1에 도시된 바와 같이, 먼저 횡단보도에 설치된 CCTV(Closed-Circuit TeleVision) 또는 카메라로부터 촬영된 영상을 입력받는다(S110).

다음, 딥러닝 모델을 이용하여, 보행자들을 검출한다(S120). 이를 위해, 딥러닝 모델은, 횡단보도, 횡단보도 주변 및 인도 등지에서 획득한 보행자 데이터베이스로 사전 학습이 필요하다.

그리고, 딥러닝 모델을 이용하여, S120단계에서 검출된 보행자들을 보조기기를 이용하는 보행자들과 보조기기를 이용하지 않는 보행자들로 구분한다(S130). S130단계에서 구분된 보조기기를 이용하는 보행자들은 보행취약자로 취급한다.

이후, 딥러닝 모델을 이용하여, S130단계에서 검출된 보조기기를 이용하지 않는 보행자들 중 보행취약자를 구분한다(S140~S160).

구체적으로, S130단계에서 검출된 보조기기를 이용하지 않는 보행자들의 관절들을 프레임 마다 인식하고(S140), 인식된 관절들의 움직임들을 분석하여, 보행자의 보행상태를 파악한다(S150).

다음, S150단계에서 파악된 보행상태를 기초로, 보조기기를 이용하지 않는 보행자들을 일반보행자와 보행취약자로 구분한다(SS160).

이후, S130단계와 S160단계에서 검출한 보행취약자들(보조기기를 이용하는 보행취약자들과 보조기기를 이용하지 않는 보행취약자들을 포함)의 안전횡단을 위해, 필요시 보행신호등을 제어한다(S170).

이하에서, S170단계에 대해 도 2를 참조하여 상세히 설명한다. 도 2는, 도 1에 도시된 S170단계의 상세 흐름도이다.

도 2에 도시된 바와 같이, 보행취약자의 안전횡단을 위해, 먼저, 보행취약자의 이동 궤적을 검출한다(S171). S171단계에서는 객체 추적 기법을 이용하여 보행취약자 이동 궤적을 검출할 수 있다.

다음, S171단계에서 검출된 이동 궤적으로부터 보행취약자의 이동 속도 및 방향을 계산하고(S172), S172단계에서 계산된 이동 속도 및 방향으로부터 보행취약자의 횡단 완료 시간을 예측한다(S173).

그리고, S173단계에서 예측된 횡단 완료 시간으로부터, 보행취약자의 안전 횡단 여부를 판단한다(S174).

구체적으로, S173단계에서 예측된 횡단 완료 시간이, 보행신호 잔여시간 보다 크면(S174-Y), 안전횡단이 불가능한 것으로 판단하여, 보행신호 잔여시간이 증가되도록 보행신호등을 제어한다(S175).

반면, S173단계에서 예측된 횡단 완료 시간이, 보행신호 잔여시간 이하이면(S174-N), 안전횡단이 가능한 것으로 판단하여, S175단계는 수행되지 않는다.

도 3은 본 발명의 다른 실시예에 따른 보행취약자 검출 시스템의 블럭도이다. 본 발명의 실시예에 따른 보행취약자 검출 시스템은, 도 3에 도시된 바와 같이, 영상 입력부(210), 프로세서(220), 제어부(230) 및 저장부(240)를 포함한다.

영상 입력부(210)는 횡단보도에 설치된 CCTV 또는 카메라로부터 촬영된 영상을 입력받는다.

프로세서(220)는, 딥러닝 모델을 이용하여 보행자들을 검출하고, 검출된 보행자들에서 보조기기를 이용하는 보행취약자와 보조기기를 이용하지 않는 보행취약자를 구분한다.

보조기기를 이용하지 않는 보행취약자를 구분하기 위해, 프로세서(220)는 보행자의 관절을 인식하고 움직임을 분석하여 보행자의 보행상태를 파악하고, 보행상태를 기초로 보행취약자를 구분한다.

저장부(240)에는 프로세서(220)가 이용하는 학습된 딥러닝 모델이 저장되어 있는 저장매체로, 프로세서(220)가 보행취약자 검출 알고리즘을 수행함에 있어 필요한 저장공간을 제공한다.

제어부(230)는 프로세서(220)가 검출한 보행취약자의 안전횡단을 위해, 필요시 보행신호등을 제어한다.

보행신호등을 제어하기 위해, 제어부(230)는, 보행취약자의 이동 궤적을 검출하고, 검출된 이동 궤적으로부터 보행취약자의 이동 속도 및 방향을 계산하며, 계산된 이동 속도 및 방향으로부터 보행취약자의 횡단 완료 시간을 예측하고, 예측된 횡단 완료 시간이 보행신호 잔여시간 보다 크면 보행신호 잔여시간이 증가되도록 보행신호등을 제어한다.

한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

210 : 영상 입력부
220 : 프로세서
230 : 제어부
240 : 저장부

Claims (8)

1. 머신러닝 모델을 이용하여, 보행자들을 검출하는 단계;
   머신러닝 모델을 이용하여, 보행자들 중 보행취약자를 구분하는 단계;를 포함하는 것을 특징으로 하는 보행취약자 검출 방법.
   
2. 청구항 1에 있어서,
   구분 단계는,
   머신러닝 모델을 이용하여, 보행자들의 보행상태를 파악하는 단계;
   파악된 보행상태를 기초로, 보행자들 중 보행취약자를 구분하는 단계;를 포함하는 것을 특징으로 하는 보행취약자 검출 방법.
   
3. 청구항 2에 있어서,
   보행취약자는,
   보조기기를 이용하지 않는 보행취약자를 포함하는 것을 특징으로 하는 보행취약자 검출 방법.
   
4. 청구항 2에 있어서,
   보행상태 파악 단계는,
   보행자의 관절들을 인식하는 단계;
   인식된 관절들의 움직임들을 분석하여, 보행상태를 파악하는 단계;를 포함하는 것을 특징으로 하는 보행취약자 검출 방법.
   
5. 청구항 2에 있어서,
   보행취약자의 궤적을 검출하는 단계;
   검출된 궤적으로부터 보행취약자의 이동 속도 및 방향을 계산하는 단계; 및
   계산된 이동 속도 및 방향으로부터 보행취약자의 안전횡단 여부를 판단하는 단계;를 포함하는 것을 특징으로 하는 보행취약자 검출 방법.
   
6. 청구항 5에 있어서,
   판단단계는,
   보행취약자의 횡단 완료 시간을 예측하고, 예측된 횡단 완료 시간이 보행신호 잔여 시간 보다 크면, 안전횡단이 불가능한 것으로 판단하는 것을 특징으로 하는 보행취약자 검출 방법.
   
7. 청구항 6에 있어서,
   판단단계에서 안전 횡단이 불가능한 것으로 판단되면, 보행신호 잔여 시간을 증가시키는 단계;를 더 포함하는 것을 특징으로 하는 보행취약자 검출 방법.
   
8. 횡단보도 영상을 입력받는 입력부; 및
   머신러닝 모델을 이용하여, 보행자들을 검출하고 검출된 보행자들 중 보행취약자를 구분하는 프로세서;를 포함하는 것을 특징으로 하는 보행취약자 검출 시스템.
   

Images