KR20190143701A

KR20190143701A - 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치

Info

Publication number: KR20190143701A
Application number: KR1020180071547A
Authority: KR
Inventors: 김일봉; 신제용; 류승훈
Original assignee: 엘지이노텍 주식회사
Priority date: 2018-06-21
Filing date: 2018-06-21
Publication date: 2019-12-31
Also published as: KR102505691B1

Abstract

실시예에 따르면, 이미지로부터 생성된 복수의 블록을 포함하는 영상 데이터를 이용하여, 상기 블록을 유사성에 따라 적어도 2개의 그룹으로 분류하여 개체의 분포를 나타내는 위치 분포 데이터를 생성하는 제1특징 추출 유닛; 상기 영상 데이터를 이용하여, 상기 블록별 움직임 검출 여부를 나타내는 동작 데이터를 생성하는 제2특징 추출 유닛; 및 상기 위치 분포 데이터 및 동작 데이터를 비교하여 상기 개체의 분포와 상기 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성하는 제어부를 포함하는 이상 개체 검출 장치를 제공한다.

Description

이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치{APPARATUS AND METHOD FOR DETECTING ABNORMAL OBJECT AND IMAGING DEVICE COMPRISING THE SAME}

본 발명의 실시예는 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치에 관한 것이다.

축산물에 대한 소비가 늘어나면서,　가축을 효율적으로 관리하는 방법에 대한 다양한 방안들이 제안되고 있다.

종래에는 사람이 각각의　가축의 상태를 파악하여, 이상 징후가 나타나는　가축에 대하여 진료를 받게 하거나 따로 격리시켰다. 다만,　가축의 수가 많은 경우 모든　가축을 관리하기 위해서는 많은 인력이 필요하다는 문제점이 있었다.

또한, 일부　가축에 전염병이 발생하면　가축의 대부분이 폐사하는 결과가 초래될 수 있으므로,　가축의 이상 여부를 빠르고 정확하게 판단할 수 있는 방안이 요구되고 있다.

또한, 교통 수단의 발달로 인하여 특정 지역에서 발생된　질병은 특정한 장소에 한정되지 않고 전국적으로 빠른 시간 내에 전염되는 현실에서 초기에 빠른　질병　판단이 요구되고 있다. 가축의　질병　판단에 있어서 발열에 따른 온도측정 방식이 질병　유무 판단의 기준으로 활용되고 있다. 그러나 많은　가축에 대한 일률적인 온도측정이 이루어지기 때문에,　가축　개체 각각의 상태에 따른　질병　판단에 대한 어려움이 있다. 또한, 이러한 온도 측정에 의한 질병 판단 방식은 질병 발생 초기 단계에 개체를 검출하는데에 어려움이 있다.

본 발명이 이루고자 하는 기술적 과제는 사육장 내부를 촬영한 영상 데이터 상에서 질병에 걸린 가능성이 높은 개체를 검출할 수 있는 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치를 제공하는데 있다.

상기 제1특징 추출 유닛은 상기 그룹별로 상기 블록의 분포도, 밀도, 색상, 외형 및 크기 중 적어도 하나의 특징점을 기 저장된 특징점과 비교하여 개체의 종류를 분류할 수 있다.

상기 제어부는 상기 제1특징 추출 유닛에서 구분한 개체 중 가금류 그룹의 분포와 상기 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성하는 제어부를 포함할 수 있다.

상기 제1특징 추출 유닛은 이진화 방식, 히스토그램 방식, 워터쉐드 방식, k-평균 클러스터링 방식 및 머신 러닝 방식 중 적어도 하나의 방식을 이용하여 상기 그룹의 분류를 수행할 수 있다.

상기 제1특징 추출 유닛은 2 내지 10개의 그룹으로 분류를 수행할 수 있다.

상기 제1특징 추출 유닛은 상기 블록을 바닥, 모이통, 식수대, 배관 및 가금류를 포함하는 그룹으로 분류할 수 있다.

상기 제1특징 추출 유닛은 상기 모이통 그룹 및 상기 식수대 그룹 중 적어도 하나의 주변에 대한 밀도 분포가 다른 영역에 대한 밀도 분포보다 높은 그룹을 가금류 그룹으로 구분할 수 있다.

실시예에 따르면, 복수 블록을 포함하는 이미지를 촬영하여 영상 데이터를 생성하는 촬영부; 상기 영상 데이터에 포함된 상기 블록을 유사성에 따라 적어도 2개의 그룹으로 분류하여 개체의 분포를 나타내는 위치 분포 데이터를 생성하는 제1특징 추출 유닛; 상기 영상 데이터를 이용하여, 상기 블록별 움직임 검출 여부를 나타내는 동작 데이터를 생성하는 제2특징 추출 유닛; 및 상기 위치 분포 데이터 및 동작 데이터를 비교하여 상기 개체의 분포와 상기 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성하는 제어부를 포함하는 촬상 장치를 제공한다.

실시예에 따르면, 복수 블록을 포함하는 이미지를 촬영하여 영상 데이터를 생성하는 단계; 상기 영상 데이터에 포함된 상기 블록을 유사성에 따라 적어도 2개의 그룹으로 분류하는 단계; 상기 그룹별 개체의 분포를 나타내는 위치 분포 데이터를 생성하는 단계; 상기 영상 데이터를 이용하여, 상기 블록별 움직임 검출 여부를 나타내는 동작 데이터를 생성하는 단계; 및 상기 위치 분포 데이터 및 동작 데이터를 비교하여 상기 개체의 분포와 상기 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성하는 단계를 포함하는 이상 개체 검출 방법을 제공한다.

상기 위치 분포 데이터를 생성하는 단계는 상기 그룹별로 상기 블록의 분포도, 밀도, 색상, 외형 및 크기 중 적어도 하나의 특징점을 기 저장된 특징점과 비교하여 개체의 종류를 분류하는 단계를 더 포함할 수 있다.

상기 이상 개체 데이터를 생성하는 단계는 상기 제1특징 추출 유닛에서 분류한 그룹 중 가금류 그룹의 분포와 상기 움직임 검출 여부가 중복되는 블록을 비교하여 수행될 수 있다.

본 발명인 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치는 사육장 내부를 촬영한 영상데이터 상에서 질병에 걸린 가능성이 높은 이상 개체를 검출할 수 있다.

또한, 이상 개체와 정상 개체를 시각적으로 구분하여 표시할 수 있다.

또한, 이상 개체를 추적하여 감시할 수 있다.

또한, 이상 개체 발생시 관리자에게 알림 또는 경고를 송출할 수 있다.

또한, 분석 데이터의 연산량을 감소시키고, 연산 속도를 향상시킬 수 있다.

또한, 픽셀별 또는 특정 영역별로 개체, 개체의 머리 또는 몸통의 존재 확률을 검출하고, 움직임 검출 결과와 비교하여 이상 개체를 검출함으로써 특정 개체를 트래킹하는 방식에 비하여 연산량, 속도, 정확도면에서 향상된 효과를 기대할 수 있다.

도 1은 본 발명의 실시예에 따른 사육장 관리 시스템의 개념도이다.
도 2는 본 발명의 실시예에 따른 촬상 장치의 블록도이다.
도3은 실시예에 따른 제1특징 추출 유닛의 동작을 설명하기 위한 도면이다.
도4는 실시예에 따른 제1특징 추출 유닛의 동작 결과를 설명하기 위한 도면이다.
도5 내지 도17은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다.
도18 내지 도19는 본 발명의 실시예에 따른 이상 개체 검출 방법의 순서도이다.
도20은 본 발명의 실시예에 따른 학습용 서버의 구성 개념도이다.
도21 내지 도24는 본 발명의 실시예에 따른 이상 개체 검출 장치의 동작을 설명하기 위한 도면이다.
도25 내지 도26은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제2, 제1 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 발명의 실시예에 따른 사육장의 개념도이고, 도 2는 본 발명의 실시예에 따른 촬상 장치의 블록도이다.

도 1 내지 2를 참조하면, 먼저 사육장(10)은 가축을 사육하는 축사를 의미한다. 가축은 닭, 오리 등의 가금류뿐만 아니라, 소, 돼지 등 축사 내에서 집단으로 사육되는 다양한 종류의 동물일 수 있다.

촬상 장치(100)는 사육장(10) 내의 환경을 검출하고, 이를 관리 서버(200) 및 공조 장치(300) 중 적어도 하나에 전송할 수 있다. 이를 위하여, 촬상 장치(100)는 관리 서버(200) 및 공조 장치(300)와 유선 또는 무선으로 통신할 수 있다. 여기서, 촬상 장치(100)가 관리 서버(200) 및 공조 장치(300)와 각각 통신하는 것으로 도시되어 있으나, 이로 제한되지 않으며, 촬상 장치(100)가 관리 서버(200)와 통신하고, 관리 서버(200)가 공조 장치(300)와 통신할 수도 있다.

사육장(10) 내에는 복수개의 촬상 장치가 배치될 수 있다. 촬상 장치(100)는 촬영부(111)에서 촬영한 영상 데이터를 관리 서버(200)로 전송할 수 있다. 또는, 사육장(10)내에는 별도의 데이터 수집장치(150)가 배치되어 복수개의 촬상 장치(100)로부터 영상 데이터를 수집하여 관리 서버(200)로 전송할 수 있다. 사육장(10) 내부의 상태를 정밀하게 분석하기 위하여 촬상 장치(100)의 영상 데이터는 고화질, 고용량의 특성을 가질 수 있다. 따라서, 복수개의 촬상 장치(100)에서 촬영된 영상 데이터를 실시간으로 원격의 관리 서버(200)로 전송하기 위하여서는 큰 대역폭이 요구될 수 있으며, 이에 따라 전송 속도가 저하될수 있다. 따라서, 별도의 데이터 수집장치(150)에서는 사육장(10)내의 촬상 장치(100)로부터 영상 데이터를 수집하여 인코딩 한 후 관리 서버(200)로 전송함으로써 통신 대역폭을 저감시키고, 전송 속도를 향상시킬 수 있다. 또는 촬상 장치(100)는 영상 데이터를 이용하여 사육장(10)상태를 분석하기 위한 1차 분석을 수행한 후, 가공된 데이터를 데이터 수집장치에 전달하거나 또는 관리 서버(200)에 전송할 수 있다. 즉, 촬상 장치(100)는 사육장(10)의 상태 분석을 위하여 필요한 데이터만을 선별하여 데이터 수집장치(150)에 전달하거나 또는 관리 서버(200)에 전송함으로써 통신 자원을 효율적으로 관리할 수 있다. 또는 촬상 장치(100)는 사육장(10)을 촬영한 영상 데이터를 이용하여 사육장(10) 내부 상태를 1차적으로 분석하여 그 결과를 데이터 수집장치(150)에 전달하거나 또는 관리 서버(200)에 전송할 수 있다.

관리 서버(200)는 퍼스널 컴퓨터(personal computer, PC), 태블릿 PC, 휴대단말 등을 포함하는 서버일 수 있다. 촬상 장치(100)가 관리 서버(200)에게 사육장(10) 내의 환경을 전송하는 경우, 관리자는 관리 서버(200)에 출력된 화면 등을 통하여 사육장(10) 내의 환경을 인지할 수 있다. 예를 들어, 촬상 장치(100)가 사육장(10) 내의 이상상황을 포착하여 이를 관리 서버(200)에게 전송한 경우, 관리자는 관리 서버(200)에 출력된 화면을 통하여 사육장(10) 내에 이상상황이 발생하였음을 인지할 수 있으며, 이상상황에 대하여 초기에 대응할 수 있다. 여기서, 이상상황은, 예를 들어 질병에 걸린 가축의 발생, 가축의 임신, 가축의 생장 기간, 사육장(10) 내 습도, 온도, 특정 분자의 농도 이상 등일 수 있다.

관리 서버(200)가 복수의 사육장(10)으로부터 정보를 전송 받는 중앙 서버일 경우에 관리자는 관리 서버(200)와이 접근성이 용이 하지 않을 수 있다. 이런 경우 관리 서버(200)는 별도의 관리자의 휴대단말 등을 통하여 사육장(10) 내에 이상상황에 대한 정보를 전달 할 수 있다.

또한, 관리 서버(200)는 촬상 장치(100) 또는 데이터 수집장치(150)에서 전송한 데이터를 이용하여 사육장 상태를 분석할 수 있다. 예를 들면, 관리 서버(100)는 복수개의 촬상 장치(100) 또는 데이터 수집장치(150)에서 1차적으로 가공된 데이터를 수신하여 사육장 상태에 대한 보다 정밀한 분석을 수행할 수 있다. 관리 서버(200)는 촬상 장치(100)의 통신부(115)와 데이터 통신을 수행하거나 또는 데이터 수집장치(150)에 장착된 통신 모듈(미도시)과 데이터 통신을 수행할 수 있다. 관리 서버(200)는 촬상 장치(100)에서 촬영한 원본 영상과 1차적으로 가공된 가공 영상 데이터를 수신할 수 있다. 이 때, 가공 영상 데이터는 사육장 관리 장치(100) 또는 촬상 장치(100)에서 원본 영상에 대하여 1차적인 분석을 수행하고, 이를 인코딩한 데이터를 의미할 수 있다.

공조 장치(300)는 사육장(10)의 온도를 조절하는 장치이다. 촬상 장치(100)가 사육장(10) 내 온도이상을 포착하여 관리 서버(200)에게 전송한 경우, 관리자는 관리 서버(200)에 출력된 화면을 통하여 사육장(10) 내 온도이상이 발생하였음을 인지할 수 있으며, 공조 장치(300)를 제어하여 사육장(10) 내 온도를 정상화할 수 있다. 또는, 촬상 장치(100)가 사육장(10) 내 온도이상을 검출하여 공조 장치(300)에게 직접 전달한 경우, 공조 장치(300)가 직접 사육장(10) 내 온도를 정상화할 수도 있다. 예를 들어, 사육장(10) 내의 온도가 가축이 생활하기에 적절한 온도보다 낮거나, 높은 경우, 가축들의 움직임이 둔화되는 경향이 있다. 이에 따라, 촬상 장치(100), 관리 서버(200), 또는 공조 장치(300)는 사육장(10) 내 온도이상을 검출하여 사육장(10) 내 온도를 정상화할 수 있다.

공조 장치(300)는 사육장(10)의 습도를 조절할 수 있다. 사육장(10) 내의 습도 이상이 발생한 경우, 공조 장치(300)를 제어하여 사육장(10) 내 습도를 정상화할 수 있다.

촬상 장치(100)는 촬영부(111), 제1특징 추출 유닛(112), 제2특징 추출 유닛(113), 제어부(114), 통신부(115), 표시부(116), 유저 인터페이스부(117), 인코딩부(118), 데이터 베이스(119), 조도 센서(120), 광원부(121), 팬틸트부(122)를 포함한다. 본 발명의 실시예에서는 제1특징 추출 유닛(112), 제2특징 추출 유닛(113), 제어부(114), 통신부(115)를 포함하는 이상 개체 검출 장치가 촬상 장치(100)에 포함되어 구성되는 것으로 도시하였다. 그러나, 이상 개체 검출 장치는 별도의 모듈 형태로 제작되어 데이터 수집장치(150) 또는 관리 서버(200)에 포함되어 구성될 수 있다. 또는, 이상 개체 검출 장치는 별도의 디바이스 형태로 독립된 제품으로 실시될 수 있다. 이상 개체 검출 장치가 촬상 장치(100)와 별도의 모듈 또는 디바이스 형태로 적용되는 경우 이상 개체 검출 장치는 통신부(115)를 통하여 촬상 장치(100)로부터 영상 데이터를 수신할 수 있다. 또한, 제1특징 추출 유닛 및 제2특징 추출 유닛은 제어부에 포함되어 하나의 프로세서로 구현될 수 있다. 본 발명의 실시예에서는 설명의 편의를 위하여 제1특징 추출 유닛, 제2특징 추출 유닛, 제어부의 기능을 나누어 설명하기로 한다.

이하에서는, 이상 개체 검출 장치가 촬상 장치(100)내에 포함되어 있음을 예로 들어 설명하기로 한다.

촬상 장치(100)는 사육장(10)내에 복수개가 설치될 수 있다. 예를 들어, 촬상 장치(100)는 사육장(10)의 상부에 배치된 적어도 하나의 상부 촬상 장치 및 사육장의 측부에 배치된 적어도 하나의 측부 촬상 장치를 포함할 수 있다. 상부 촬상 장치 및 측부 촬상 장치 각각은 유선 또는 무선으로 통신이 가능하여 실시간 영상의 송출이 가능한 IP 카메라일 수 있다. 본 실시예에서는 사육장 상부에 하나의 촬상 장치(100)가 배치되어 있는 것을 예로 들어 설명하기로 한다.

또한, 본 발명의 실시예에서 복수 개체는 사육장 내부에서 사육되는 가금류를 의미할 수 있다.

촬영부(111)는 순차적으로 촬영되는 복수개의 이미지를 이용하여 복수개의 영상 데이터를 생성할 수 있다. 예를 들면, 촬영부(111)는 복수의 블록을 포함하는 제1이미지를 촬영하여 제1영상 데이터를 생성할 수 있으며, 복수의 블록을 포함하는 제2이미지를 촬영하여 제2영상 데이터를 생성할 수 있다. 제1이미지 및 제2이미지는 시간상으로 연속적으로 촬영된 이미지일 수 있으며, 하나의 영상 데이터는 단일 프레임을 의미할 수 있다. 촬영부(111)는 순차적으로 촬영되는 제1이미지 및 제2이미지를 이용하여 제1영상 데이터 및 제2영상 데이터를 생성할 수 있다.

촬영부(111)는 렌즈 및 이미지 센서를 포함할 수 있다.

이미지 센서는COMS(complementary metal-oxide semiconductor) 모듈 또는 CCD(charge coupled device) 모듈 등을 이용하여 피사체를 촬영하는 이미지 센서일 수 있다. 이때, 입력되는 영상 프레임은 렌즈를 통해 촬영부(111) 내의 COMS 모듈 또는 CCD 모듈로 제공되고, COMS 모듈 또는 CCD 모듈은 렌즈를 통과한 피사체의 광신호를 전기적 신호(영상 데이터)로 변환하여 출력한다.

촬영부(111)는 시야각이 넓은 어안렌즈 또는 광각렌즈를 포함할 수 있다. 이에 따라, 하나의 촬상 장치(100)가 사육장(10) 내부의 전체 공간을 촬영하는 것이 가능하다.

또한, 촬영부(111)는 깊이 카메라일 수 있다. 촬영부(111)는 다양한 깊이 인식 방식 중 어느 하나의 방식으로 구동될 수 있으며, 촬영부(111)를 통하여 촬영된 영상에는 깊이 정보가 포함될 수 있다. 촬영부(111)는 예를 들어, 키넥트 센서일 수 있다. 키넥트 센서는 구조광 투영 방식의 깊이 카메라로서, 프로젝터나 레이저를 이용하여 정의된 패턴 영상을 투영시키고 카메라를 통하여 패턴이 투영된 영상을 획득함으로써 장면의 삼차원 정보를 획득할 수 있다. 이러한 키넥트 센서는 적외선 레이저를 이용해 패턴을 조사하는 적외선 방사체, 및 적외선 영상을 촬영하는 적외선 카메라를 포함하며, 일반적인 웹캠과 같은 기능을 하는 RGB 카메라가 적외선 방사체와 적외선 카메라 사이에 배치되어 있다. 이 외에도, 키넥트 센서에는 마이크 배열과 카메라의 각도를 조절하는 팬틸트부(122)가 더 구성될 수 있다.

키넥트 센서의 기본적인 원리는, 적외선 방사체에서 조사된 레이저 패턴이 물체에 투영되어 반사되면, 반사 지점에서의 패턴의 위치 및 크기를 이용해 물체 표면까지의 거리를 구하게 된다. 이러한 원리에 따라, 촬영부(111)는 사육장 내 공간으로 레이저 패턴을 조사하고, 개체에서 반사된 레이저 패턴을 센싱하여 개체 별 깊이 정보를 포함하는 영상 데이터를 생성할 수 있다.

실시예에서 영상 데이터는 N X M의 픽셀로 구성되는 영상 데이터일 수 있다.

실시예에서 블록은 영상 데이터의 단일 픽셀 또는 복수개의 픽셀을 포함하는 영역을 포함할 수 있다.

제1특징 추출 유닛(112)은 이미지로부터 생성된 복수의 블록을 포함하는 영상 데이터를 이용하여, 블록을 유사성에 따라 적어도 2개의 그룹으로 분류하여 개체의 존재 또는 분포를 나타내는 위치 분포 데이터를 생성할 수 있다. 제1특징 추출 유닛(112)은 영상 데이터를 구성하는 다양한 개체의 블록을 유사성에 따라 복수개의 그룹으로 분류하고, 각 그룹별로 개체의 존재 또는 분포를 나타내는 위치 분포 데이터를 생성할 수 있다. 즉, 영상 데이터 상에서 각 개체는 적어도 하나의 블록으로 표현될 수 있으며, 제1특징 추출 유닛(112)은 각 블록을 유사성에 따라 복수개의 그룹으로 분류함으로써 영상 데이터에 포함된 다양한 개체를 복수개의 그룹으로 분류할 수 있다. 이 때, 그룹을 분류하는 기준은 분류 방식에 따라 다양하게 설정될 수 있다.

실시예에서 위치 분포 데이터는 개별 복수 개체의 위치를 표시하는 것이 아니라, 블록별로 개체, 개체의 몸통 또는 개체의 머리의 분포를 나타내는 데이터이다. 즉, 위치 분포 데이터는 단일 픽셀 또는 구분된 영역을 포함하는 복수개의 픽셀별로 개체, 개체의 몸통 또는 개체의 머리의 분포 밀도를 표현하는 데이터이다.

실시예에서 위치 분포 데이터는 각 블록에 개체의 존재 여부를 1 또는 0으로 표현하는 히트맵 또는 로우 데이터 일 수 있다.

제1특징 추출 유닛(112)은 그룹별로 블록의 분포도, 밀도, 색상, 외형 및 크기 중 적어도 하나의 특징점을 미리 저장된 특징점과 비교하여 개체의 종류를 분류할 수 있다. 제1특징 추출 유닛(112)은 1차적으로 블록의 유사성에 따라 복수개의 그룹으로 분류하고, 각 그룹의 특징점을 미리 저장된 특징점과 비교하여 그룹을 구성하고 있는 개체의 종류를 분류할 수 있다.

제1특징 추출 유닛(112)은 2 내지 10개의 그룹으로 분류를 수행할 수 있다.

예를 들면, 제1특징 추출 유닛(112)은 블록을 바닥, 모이통, 식수대, 배관 및 가금류를 포함하는 그룹으로 분류할 수 있다. 그러나 이에 한정되는 것은 아니며, 제1특징 추출 유닛(112)은 영상 데이터 상에 포함될 수 있는 다양한 개체 및 물체의 종류에 따라 그룹을 분류할 수 있다.

예를 들면, 제1특징 추출 유닛(112)(112)은 그룹별 블록의 분포도, 밀도, 색상, 외형 및 크기 중 적어도 하나의 특징점을 추출하고, 이를 데이터 베이스(119)에 미리 저장된 바닥, 모이통, 식수대, 배관 및 가금류의 분포도, 밀도, 색상, 외형 및 크기와 각각 비교하여 그룹의 종류를 분류할 수 있다.

또는, 제1특징 추출 유닛(112)은 모이통 그룹 및 식수대 그룹 중 적어도 하나의 주변에 대한 밀도 분포가 다른 영역에 대한 밀도 분포보다 높은 그룹을 가금류 그룹으로 분류할 수 있다. 일반적으로 사육장내의 가금류는 모이통 또는 식수대를 주변으로 밀집되어 있는 경향을 보인다. 따라서, 제1특징 추출 유닛(112)은 모이통 또는 식수대로 분류된 그룹 주변에 밀도가 높은 그룹을 가금류 그룹으로 분류할 수 있다.

또는 제1특징 추출 유닛(112)은 연결 요소(connected component)를 적용하여 그룹의 종류를 분류할 수 있다. 즉, 가금류, 모이통, 식수대, 배관, 바닥 등 사육장 내부를 구성하는 다양한 오브젝트의 연결 요소 특성을 비교하여 그룹의 종류를 분류할 수 있다. 예를 들면, 제1특징 추출 유닛(112)은 연결 요소를 구성하는 정점의 개수가 가장 많은 그룹을 가금류로 분류하고, 정점의 개수가 가장 적은 그룹을 바닥으로 분류할 수 있다.

제1특징 추출 유닛(112)은 이진화 방식, 히스토그램 방식, 워터쉐드 방식, k-평균 클러스터링 방식 및 머신 러닝 방식 중 적어도 하나의 방식을 이용하여 그룹의 분류를 수행할 수 있다.

제1특징 추출 유닛(112)은 이진화 방식에 따라 특정 화소 임계값을 설정하고, 특정 화소 임계값을 초과하는 블록을 제1그룹으로, 특정 화소 임계값을 초과하지 않는 블록을 제2그룹으로 분류하는 방식이다. 이진화 방식에 의할 경우 영상 데이터의 블록은 오브젝트 또는 개체를 표현하는 그룹과 배경을 표현하는 그룹으로 분류될 수 있다.

또는, 제1특징 추출 유닛(112)은 히스토그램 방식에 따라 그룹의 분류를 수행할 수 있다. 제1특징 추출 유닛(112)은 영상　데이터의 명암에 관한 명암　히스토그램을 구하고, 명암　히스토그램을 기초로 영상　데이터를 복수개의 그룹을 분류한다. 예를 들면, 제1특징 추출 유닛(112)은 명암의 범위를 256개의 계급으로 나누고 영상　데이터에서 각 계급에 해당하는 명암을 가진 블록의 개수를 산출하여 명암　히스토그램을 구한다. 다음으로, 제1특징 추출 유닛(112)은 명암　히스토그램에서 AGMC(adaptive Global Maximum Clustering) 기법을 이용하여 특정 기준을 충족하는 피크, 즉, 의미있는 피크를 가지는 부분 영역을 추출한다. 제1특징 추출 유닛(112)은 각 부분 영역의 명암　히스토그램의 평균 값을 기초로 영상　데이터의 블록을 복수개의 그룹으로　분류할 수 있다.

또는 제1특징 추출 유닛(112)은 워터쉐드 방식에 따라 그룹의 분류를 수행할 수 있다. 워터쉐드　방식은 영상 데이터 각 블록의 픽셀값을 높이로 하는 2차원 지형으로 간주하고, 이 지형에 물을 채웠을 때 하나의 윤곽선으로 둘러 쌓인 웅덩이를 분할된 영역으로 판단하여 영상을 분할하는 방식이다. 구현하는 방식에 따라 크게 침수(flooding) 방식과 강수(rainfalling) 방식으로 구분할 수 있다. 침수 방식은 2차원 지형의 국소 최소점에 구멍이 있다고 가정하고, 물을 가장 낮은 곳부터 점차적으로 채우는 것이다. 물을 점차 채우면 일정 높이가 되면 봉우리를 가운데 두고 서로 반대편에 채워지던 물이 합쳐지게 되는데, 이때 댐을 쌓아서 물이 합쳐지는 것을 방지한다. 이와 같이 방식을 물을 최종 높이까지 물을 채우고, 그 결과 생기는 댐들의 연결선이　워터쉐드가 되며,　워터쉐드가 영상 데이터상의 블록을 복수개의 그룹으로 분류하는 경계선이 된다. 이에 비하여 강수 방식은 낮은 곳에서부터 물을 채워 나가는 것이 아니라 위에서 물을 분사한 후 영상 데이터 블록의 픽셀값을 스캔하면서 최소점을 찾고 동일한 최소점을 가지는 픽셀들을 병합하여 영역을 형성하고, 형성된 영역에 따라 영상 데이터 블록을 복수개의 그룹으로 분류한다.

또는 제1특징 추출 유닛(112)은 k-평균 클러스터링 방식에 따라 그룹의 분류를 수행할 수 있다. 제1특징 추출 유닛(112)은 임의의 k값에 따라 설정되는 k개 그룹의 중심(centroid)과 영상 데이터를 구성하는 각 블록간의 거리의 제곱합을 비용 함수로 정하고, 이 함수값을 최소화하는 방향으로 각 블록이 속하는 그룹을 업데이트 해 줌으로써 클러스터링을 수행할 수 있다.

또는 제1특징 추출 유닛(112)은 머신 러닝 방식에 따라 그룹의 분류를 수행할 수 있다. 제1특징 추출 유닛(112)은 원본 영상 데이터, 그룹화 된 영상 데이터 및 위치 분포 데이터를 트레이닝 세트로 학습하고, 학습 결과를 바탕으로 이후 입력되는 영상 데이터를 복수개의 그룹으로 분류할 수 있다. 이 때, 제1특징 추출 유닛은 FCN(Fully Convolutional Networks)을 적용하여 머신 러닝을 수행할 수 있다.

머신 러닝 방식을 사용할 경우 보다 정교하고 정확하게 그룹을 분류하고 개체를 검출할 수 있다. 그러나, 머신 러닝 방식은 많은 양의 학습데이터가 필요하며 정확한 알고리즘을 파악하기 어렵다는 단점이 있다. 이에 반하여, 이진화 방식, 히스토그램 방식, 워터쉐드 방식 및 k-평균 클러스터링 방식은 학습데이터가 필요하지 않으며 적용되는 알고리즘을 파악할 수 있다는 장점이 있다.

제1특징 추출 유닛(112)은 예를 들면, 복수 블록을 포함하여 생성된 제1영상 데이터를 이용하여 개체의 분포를 나타내는 제1위치 분포 데이터를 생성하고, 복수 블록을 포함하여 생성된 제2영상 데이터를 이용하여 개체의 분포를 나타내는 제2위치 분포 데이터를 생성할 수 있다.

또한, 제1특징 추출 유닛(112)은 촬영부(111)에서 촬영한 영상 데이터에서 노이즈를 저감하고, 감마 보정(Gamma Correction), 색필터 배열보간(color filter array interpolation), 색 메트릭스(color matrix), 색보정(color correction), 색 향상(color enhancement) 등의 화질 개선을 위한 영상 신호 처리를 수행할 수 있다. 제1특징 추출 유닛(112)는 색채 처리, 블러처리, 에지 강조 처리, 영상 해석 처리, 영상 인식 처리, 영상 이펙트 처리 등도 수행할 수 있다.

제2특징 추출 유닛(113)은 영상 데이터를 이용하여 블록별 움직임 검출 여부를 나타내는 동작 데이터를 생성할 수 있다. 제2특징 추출 유닛(113)은 단일 영상 데이터 또는 복수개의 연속된 영상 데이터를 이용하여 분포도상의 단일 픽셀 또는 특정 영역을 포함하는 복수개의 픽셀에서의 움직임을 검출할 수 있다.

실시예에서 동작 데이터는 개별 복수 개체의 움직임을 표시하는 것이 아니라,

블록별로 움직임이 검출되었는지 여부를 나타내는 데이터이다. 즉, 동작 데이터는 단일 픽셀 또는 구분된 영역을 포함하는 복수개의 픽셀별로 움직임이 존재하였는지 여부를 나타내는 데이터이다.

실시예에서 동작 데이터는 기 설정되는 임계값과 비교하여 움직임의 존재여부를 표현한다.

실시예에 따른 동작 데이터는 개체의 움직임뿐만 아니라, 개체 이외의 움직임도 표현이 될 수 있다.

제2특징 추출 유닛(113)은 예를 들면, 제1영상 데이터를 이용하여 복수 개체 중 동작 개체의 움직임을 나타내는 제1동작 데이터를 생성하고, 제2 영상 데이터를 이용하여 블록별 움직임을 나타내는 제2 동작 데이터를 생성할 수 있다.

제2특징 추출 유닛(113)은 Dense Optical Flow방식을 이용하여 블록별 움직임을 검출할 수 있다. 제2특징 추출 유닛(113)은 영상 데이터상의 모든 픽셀에 대해서 모션 벡터(Motion Vector)를 연산하여 각 픽셀에 대한 움직임을 검출할 수 있다. Dense Optical Flow방식의 경우 모든 픽셀에 대하여 모션 벡터를 연산하기 때문에 검출 정확도는 향상되지만 상대적으로 연산량은 증가하게 된다. 따라서, Dense Optical Flow방식은 이상상황이 발생된 것으로 의심되는 사육장이나 개체 숫자가 매우 많은 사육장 등 검출 정확도가 매우 높게 요구되는 특정 영역에 적용될 수 있다.

또는 제2특징 추출 유닛(113)은 Sparse Optical Flow방식을 이용하여 블록별 움직임을 검출할 수 있다. 제2특징 추출 유닛(113)은 영상 내 에지와 같은 움직임 추적이 쉬운 특징적인 일부 픽셀에 대해서만 모션 벡터를 연산하여 움직임을 검출할 수 있다. Sparse Optical Flow방식은 연산량이 감소하지만 한정적인 픽셀에 대한 결과만 얻을 수 있다. 따라서, Sparse Optical Flow방식은 개체 숫자가 적은 사육장 또는 개체가 중복되어 나타나지 않는 특정 영역에 적용될 수 있다.

또는 제2특징 추출 유닛(113)은 Block Matching을 이용하여 블록별 움직임을 검출할 수 있다. 제2특징 추출 유닛(113)은 영상을 균등하게 또는 비균등하게 분할하여 분할 영역에 대해 모션 벡터를 연산하여 움직임을 검출할 수 있다. Block Matching은 분할 영역별로 모션 벡터를 연산하기 때문에 연산량이 감소하지만 영역별 모션 벡터에 대한 결과를 산출하기 때문에 검출 정확도가 상대적으로 낮을 수 있다. 따라서, Block Matching방식은 개체 숫자가 적은 사육장 또는 개체가 중복되어 나타나지 않는 특정 영역에 적용될 수 있다.

또는 제2특징 추출 유닛(113)은 Continuous Frame Difference방식을 이용하여 블록별 움직임을 검출할 수 있다. 제2특징 추출 유닛(113)은 연속하는 영상 프레임을 픽셀 별로 비교하고, 그 차이만큼의 값을 연산하여 움직임을 검출할 수 있다. Continuous Frame Difference방식은 프레임간 차이값을 이용하여 움직임을 검출하기 때문에, 전체적인 연산량은 감소하지만 부피가 큰 개체 또는 중복되어 나타나는 개체에 대한 검출 정확도가 상대적으로 낮을 수 있다. 또한, Continuous Frame Difference방식은 배경 영상과 움직이지 않는 개체를 구분할 수 없어 정확도가 상대적으로 낮을 수 있다. 따라서, Continuous Frame Difference방식은 개체 숫자가 적은 사육장 또는 개체가 중복되어 나타나지 않는 특정 영역에 적용될 수 있다.

또는 제2특징 추출 유닛(113)은 Background Subtraction방식을 이용하여 블록별 움직임을 검출할 수 있다. 제2특징 추출 유닛(113)은 배경 영상을 초기에 학습한 상태에서 연속하는 영상 프레임을 픽셀 별로 비교하고, 그 차이만큼의 값을 연산하여 움직임을 검출할 수 있다. Background Subtraction방식은 배경 영상을 미리 학습하고 있기 때문에 배경 영상과 움직이지 않는 개체를 구분할 수 있다. 따라서, 배경 영상을 필터링하는 별도의 과정이 필요하여 연산량은 증가하지만 정확도는 향상된다. 따라서, Background Subtraction방식은 이상상황이 발생된 것으로 의심되는 사육장이나 개체 숫자가 매우 많은 사육장 등 검출 정확도가 매우 높게 요구되는 특정 영역에 적용될 수 있다. Background Subtraction방식에서 배경 영상은 지속적으로 업데이트 될 수 있다.

제2특징 추출 유닛(113)은 사육장내의 환경과 외부의 설정에 따라 적절한 방식을 이용하여 분포도상에서 움직임을 검출한다.

제어부(114)는 영상 데이터의 위치 분포 데이터(또는 위치 검출 데이터) 및 동작 데이터를 비교하여 블록별 개체의 분포와 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성할 수 있다.

제어부(114)는 제1특징 추출 유닛(112)에서 분류한 그룹 중 가금류 그룹의 개체 분포와 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성할 수 있다. 실시예에서 가금류 그룹 블록은 위치 분포 데이터 상에서 가금류 그룹으로 분류된 블록의 집합을 의미할 수 있다.

제어부(114)는 블록별 개체의 분포를 나타내는 제1위치 분포 데이터 상에서 가금류 그룹으로 분류된 블록 중 움직임이 검출되지 않는 블록에 질병에 걸린 개체가 위치한 것으로 추정하고, 이에 대한 제1이상 개체 데이터를 생성할 수 있다. 제어부(114)는 블록별 개체의 분포를 나타내는 제1위치 분포 데이터 상에서 가금류 그룹으로 분류되지 않는 블록은 움직임이 검출되더라도 이상 개체 판단 대상으로 고려하지 않는다. 즉, 제1이상 개체 데이터는 단일 영상 데이터에 대한 가금류 그룹 블록의 위치 분포와 움직임 검출 정보를 이용하여 개체의 질병 여부를 판단한 결과 데이터를 의미할 수 있다. 또는 제어부(114)는 복수개의 영상 데이터에 대한 위치 분포 데이터 및 동작 데이터를 비교하여 블록별 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수를 연산하고, 상기 움직임 검출 누적 횟수와 상기 움직임 비검출 누적 횟수에 따라 이상 개체 데이터를 생성할 수 있다. 제어부는 예를 들면, 제1이상 개체 데이터, 제2위치 분포 데이터 및 제2 동작 데이터를 비교하여 제2 이상 개체 데이터를 생성할 수 있다. 제어부는 제1이상 개체 데이터를 제2위치 분포데이터 및 제2동작 데이터와 비교하여 가금류 그룹 블록의 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수를 연산하고, 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수에 따라 제2이상 개체 데이터를 생성할 수 있다. 즉, 제2이상 개체 데이터는 복수개의 영상 데이터에 대하여 누적된 가금류 그룹 블록의 위치 정보와 움직임 검출 정보를 이용하여 개체의 질병 여부를 판단한 결과 데이터를 의미할 수 있다.

제어부(114)는 이상 개체 데이터의 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수에 따라 영상 데이터 상에서 블록별 픽셀 표시를 제어할 수 있다. 제어부는 예를 들면, 제2이상 개체 데이터에 따라 영상 데이터 상에서 블록별 픽셀 표시를 제어할 수 있다. 여기서, 픽셀의 표시란 픽셀의 채도, 픽셀의 명암, 픽셀의 색상, 픽셀의 윤곽선, 마크 표시 등 임의의 지점에 대응되는 픽셀을 다른 픽셀과 구분하여 표시하기 위한 모든 개념을 포함할 수 있다. 본 발명의 실시예에서는 픽셀값의 조절을 통하여 픽셀의 표시를 제어할 수 있다. 픽셀값은 단계적으로 조절될 수 있으며, 픽셀값이 높은 픽셀의 경우, 픽셀값이 낮은 픽셀 보다 시각적으로 강조되어 표시될 수 있다. 그러나 이에 한정되는 것은 아니고, 픽셀값이 낮은 픽셀이 픽셀값이 높은 픽셀보다 강조되어 표시되는 것으로 설정할 수 있다.

제어부(114)는 가금류 그룹 블록의 움직임이 검출될 수록 정상개체로 분류하고, 움직임이 검출되지 않을 수록 이상개체로 분류하여 픽셀값을 다르게 표시할 수 있다.

제어부(114)는 촬상 장치(100)의 동작을 위한 각종 명령을 수행할 수 있다.

제어부(114)는 예를 들면, 유저 인터페이스부(117) 또는 데이터 베이스(119)에 저장된 명령을 수행하여 촬상 장치(100)의 동작을 수행할 수 있다.

또는 제어부(114)는 관리 서버(200)로부터 수신한 명령을 이용하여 촬상 장치(100)의 각종 동작을 제어할 수 있다.

제어부(114)는 촬영부(11)를 제어하여 움직임 검출 누적 횟수가 제3설정값 이상인 블록을 추적 촬영할 수 있다. 제3설정값은 유저 인터페이스부(117)를 통하여 설정되거나 또는 관리 서버(200)의 제어 명령을 통하여 설정될 수 있다. 제어부(114)는 촬영부(111)를 제어하여 이상개체가 있는 특정 영역을 추적 촬영하여 영상 데이터를 생성하게 함으로써 지속적인 모니터링을 수행할 수 있게 한다.

이 때, 제어부(114)는 촬상 장치(100)의 팬틸트부(122)를 제어하여 추적 촬영을 수행할 수 있다. 팬틸트부(122)는 팬(Pan, 수평방향) 및 틸트(Tilt, 수직 방향) 2개의 모터를 구동하여 촬영부(111)의 촬영 영역을 제어할 수 있다. 팬틸트부(122)는 제어부(114)의 제어에 따라 특정 영역을 촬영하기 위하여 촬영부(111)의 지향 방향을 조절할 수 있다. 또한, 팬틸트부(122)는 제어부(114)의 제어에 따라 특정 블록을 트래킹하기 위하여 촬영부(111)의 지향 방향을 조절할 수 있다.

통신부(115)는 타 촬상 장치, 데이터 수집장치(150) 또는 관리 서버(200)와 데이터 통신을 수행할 수 있다. 예를 들면, 통신부(115)는 무선랜(Wireless LAN: WLAN), 와이 파이(Wi-Fi), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등의 원거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.

또는 통신부(115)는 블루투스, RFID(RadioFrequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비, 인접 자장 통신(NFC) 등이 포함될 수 있다. 또한, 유선 통신 기술로는, USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등의 근거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.

예를 들면, 통신부(115)는 근거리 통신 기술을 사용하여 타 촬상 장치 또는 데이터 수집장치(150)와 데이터 통신을 수행하고, 원거리 통신 기술을 사용하여 관리 서버(200)와 데이터 통신을 수행할 수 있다, 그러나 이에 한정되는 것은 아니고, 사육장(10)의 제반 사항 등을 고려하여 다양한 통신 기술이 사용될 수 있다.

통신부(115)는 촬영부(111)에서 촬영한 원본 영상 데이터를 데이터 수집장치(150) 또는 관리 서버(200)에 전송할 수 있다.

또는 통신부(115)는 데이터 수집장치(150) 또는 원격의 관리 서버(200) 중 적어도 하나로 픽셀값이 조절된 영상 데이터, 위치 분포 데이터, 동작 데이터 및 좌표 정보 중 적어도 하나를 전송할 수 있다. 이 때, 좌표 정보는 이상개체로 의심되는 지점 또는 개체에 대한 좌표를 의미할 수 있다.

통신부(115)를 통하여 전송되는 데이터는 인코딩부(118)를 통하여 인코딩된 압축 데이터일 수 있다.

표시부(116)는 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), 3차원 디스플레이(3D Display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.

표시부(116)는 제어부(114)를 통하여 픽셀값이 조절된 영상 데이터 및 분포 데이터 중 적어도 하나를 디스플레이할 수 있다.

또한, 표시부(116)는 촬영부(111)에서 촬영한 원본 영상 데이터를 화면에 출력할 수 있다.

또한, 표시부(116)는 다양한 사용자 인터페이스 또는 그래픽 사용자 인터페이스를 화면에 출력할 수 있다.

유저 인터페이스부(117)는 촬상 장치(100)의 동작 제어를 위한 입력 데이터를 발생시킨다. 유저 인터페이스부(117)는 키 패드, 돔 스위치, 터치 패드, 조그 휠, 조그 스위치 등으로 구성될 수 있다. 표시부(116)와 터치패드가 상호 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 표시부(116)는 출력 장치 이외에 입력 장치로도 사용될 수 있다.

유저 인터페이스부(117)는 촬상 장치의 동작을 위한 다양한 명령을 입력받을 수 있다.

인코딩부(118)는 촬영부(111)에서 촬영한 원본 영상 데이터 또는 제1특징 추출 유닛(112), 제2특징 추출 유닛(113), 제어부(114) 등을 통하여 가공된 가공 영상 데이터를 디지털 신호로 부호화한다. 예를 들면, 인코딩부(118)는 H.264, H.265, MPEG(Moving Picture Experts Group), M-JPEG(Motion Joint Photographic Experts Group) 표준에 따라 영상 데이터를 인코딩할 수 있다.

데이터 베이스(119)는, 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리등), 자기 메모리, 자기 디스크, 광디스크, 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) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 촬상 장치(100)는 인터넷(internet) 상에서 데이터 베이스(119)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 웹 스토리지와 관련되어 동작할 수도 있다.

데이터 베이스(119)는 촬영부(111)에서 촬영한 영상 데이터를 저장할 수 있으며, 과거 일정 기간 동안의 영상 데이터를 저장할 수 있다.

또한, 데이터 베이스(119)는, 촬상 장치(100)가 동작하는데 필요한 데이터와 프로그램 등을 저장할 수 있다.

또한, 데이터 베이스(119)는, 다양한 사용자 인터페이스(User Interface: UI) 또는 그래픽 사용자 인터페이스(Graphic User Interface: GUI)를 저장할 수 있다.

조도 센서(120)는 주변의 조도를 감지할 수 있다. 조도 센서는 광도전셀, 포토다이오드, 포토트랜지스터, 포토사이러스터, 광전자 증배관 및 광전관 중 적어도 하나를 포함할 수 있다.

광도전셀은 광도전 효과를 이용하여 주변의 조도를 감지한다. 광도전 효과란, 반도체에 빛을 조사하면 반도체 중 캐리어 밀도가 증가하여 도전율이 증가하는 현상으로 외부로부터의 빛의 에너지에 의하여 가전자대의 자유전자가 전도대에 여기되어 그 결과 도전성을 나타내게 되는 현상이다.

포토다이오드, 포토트랜지스터, 포토사이러스터는 광기전력 효과를 이용하여 주변의 조도를 감지한다, 광기전력 효과란, PN접합에서　N형과　P형 반도체의 경계층에 빛을 조사하면 전자와 정공이 발생(전자정공쌍 생성이라고 한다)하여 전계와 열확산에 의해　PN접합의 전위장벽을 뛰어넘어 이동하여 기전력을 발생하는 현상이며 광전효과의 일종으로서 반도체의　PN접합이나 반도체와 금속의 접합면에 빛이 입사했을 때 기전력이 발생하는 현상이다.

광전자 증배관, 광전관은 광전자 방출효과를 이용하여 주변의 조도를 감지한다. 광전자 방출효과란, 금속이나 금속산화물 등에 빛이 닿았을 때 일의 함수보다도 큰 에너지를 얻게 되며 원자상의 전자가 금속표면에서 방출되는 효과를 가르키며 그 효과를 이용하는 수광면을 광전면이라 한다.

광원부(121)는 제어부(114)의 제어에 따라 지향하는 방향으로 광을 조사할 수 있다. 예를 들면, 광원부(121)는 적어도 하나의 레이저 다이오드(LD), 발광 다이오드(LED)를 포함할 수 있다. 광원부(121)는 제어부(114)의 제어에 따라 다양한 파장대의 광을 조사할 수 있다.

예를 들면, 광원부(121)는 야간 촬영을 위하여 적외선 파장대의 광을 조사할 수 있다. 또는, 광원부(121)는 사육장 내 가축의 광화학 치료(photochemotherapy)를 위하여 자외선 파장대의 광을 조사할 수도 있다.

도3은 실시예에 따른 제1특징 추출 유닛의 동작을 설명하기 위한 도면이다.

도3을 참조하면 제1특징 추출 유닛은 촬영부에서 생성한 영상 데이터를 입력받는다.

제1특징 추출 유닛은 영상 데이터를 분류하기 위한 그룹의 개수에 따라 임의의 k값을 설정한다. 이 때, k값은 영상 데이터상의 블록을 분류하기 위한 그룹의 개수를 의미한다. 제1특징 추출 유닛은 사육장을 구성하는 오브젝트의 종류와 개수에 따라 k값을 설정할 수 있다. 예를 들면, 제1특징 추출 유닛은 k값을 5로 설정할 수 있다. k값을 5로 설정하는 이유는 사육장을 구성하는 바닥, 모이통, 식수대, 배관 및 가금류를 각각의 그룹으로 분류하기 위한 것이다. k값을 크게 설정할수록 다양한 오브젝트를 그룹화 할 수 있다(S301).

제1특징 추출 유닛은 k값에 따라 랜덤한 특징점을 선택한다. 제1특징 추출 유닛은 앞서 설정된 k값에 따라 5개의 특징점을 선택한다. 이 때, 각각의 특징점은 RGB파라미터에 따라 설정될 수 있다(S302).

제1특징 추출 유닛은 선택된 특징점과 블록간의 거리를 연산한다. 제1특징 추출 유닛은 각 특징점에서 각 블록간의 거리의 합이 가장 최소화가 되는 특징점 k개의 위치를 찾는 과정을 반복하고, 최종적으로 특징점의 위치가 변화되지 않을 때까지 반복한다. 특징점의 위치가 변화되지 않을 때, 제1특징 추출 유닛은 각 특징점에서 가까운 블록들을 특징점을 기준으로 분류함으로써 각 블록을 k개의 그룹으로 분류한다(S303).

도4는 실시예에 따른 제1특징 추출 유닛의 동작 결과를 설명하기 위한 도면이다. 도4를 참조하면, 제1특징 추출 유닛의 그룹화 동작에 따라 영상 데이터는 바닥, 모이통, 식수대, 배관 및 가금류에 따라 5개의 그룹으로 분류되었다. 도4는 영상 데이터를 5개의 그룹으로 분류하였으나 도3에서 설명한 바와 같이 분류하고자 하는 그룹의 개수는 다양하게 설정될 수 있다.

이하, 도5 내지 도17은 사육장 상부에 설치된 촬상 장치로부터 촬영된 영상 데이터를 예시로 설명하기로 한다. 도5 내지 도17에서 각 블록은 단일 픽셀 또는 복수개의 픽셀을 포함할 수 있다. 또한, 블록 A, B, C는 각각 가금류 그룹으로 분류된 단일 개체를 의미하고, 블록 D는 가금류가 아닌 다른 그룹의 개체를 의미한다.

또한, 블록 A 내지 D를 제외한 영상 데이터 내의 모든 블록에 대하여서도 개체 분포를 나타내는 위치 분포 데이터와 움직임 검출 여부를 나타내는 동작 데이터가 존재하며 설명의 편의를 위하여 도5 내지 도17에서는 도시되지 않았다.

도5 내지 도17에서, n-k(k는 -1 에서 3사이의 자연수)프레임은 시간상 연속된 프레임을 의미하며, "0"는 각 프레임에서 움직임이 검출된 경우이고, "X"는 움직임이 비검출된 경우이다. 또한, 도3 내지 도6에서 영상 데이터의 각 블록의 픽셀값은 "0"으로 설정되어 있고, 도7 내지 도11에서 영상 데이터의 각 블록의 픽셀값은 "5"로 설정되어 있다. 도3 내지 도16에서 하나의 영상 데이터는 단일 프레임을 의미할 수 있다. 예를 들어, n-1번째 프레임이 제1영상 데이터인 경우, n번째 프레임은 제2영상 데이터를 의미할 수 있다. 또한, n번째 프레임이 제1영상 데이터인 경우, n+1번째 프레임은 제2영상 데이터를 의미할 수 있다.

또한, 도5 내지 도17에서 블록 D의 움직임 비검출 누적횟수는 5번이지만 가금류 그룹으로 분류되지 않은 블록이므로 가금류의 분포와 움직임 검출 여부가 중복되지 않아 블록 D는 이상 개체의 판단 대상에서 제외되며, 블록 D의 픽셀값은 조정되지 않는다.

또한, 도5 내지 도17에 도시되지는 않았지만, 블록 D의 움직임 검출 누적횟수가 1이상으로 검출되었다고 하더라도, 블록 D는 가금류 그룹으로 분류되지 않은 블록이므로 가금류의 분포와 움직임 검출 여부가 중복되지 않아 블록 D는 이상 개체의 판단 대상에서 제외되며, 블록 D의 픽셀값은 조정되지 않는다.

도5는 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도5를 참고하면, 제어부는 움직임 비검출 누적 횟수에 따라 검출된 지점에 대응되는 가금류 블록의 픽셀값을 단계적으로 증가시킬 수 있다. 도5에서, 블록 A의 움직임 비검출 누적횟수는 5번이다. 따라서, 제어부는 블록 A의 픽셀값을 5단계 증가시킨다. 블록 B의 움직임 비검출 누적횟수는 3번이다. 따라서, 제어부는 블록 B의 픽셀값을 3단계 증가시킨다. 블록 C의 움직임 비검출 누적횟수는 2번이다. 따라서, 제어부는 블록 C의 픽셀값을 2단계 증가시킨다. 도3의 실시예에 따르면, 블록의 움직임 비검출 횟수의 총 누적 횟수가 커질수록 픽셀값이 증가하여 강조되어 표시될 수 있다. 즉, 분포도상에서 픽셀값이 높을 수록 적색으로 강조되어 표시될 수 있으며, 픽셀값이 낮을수록 원본 데이터 값에 가깝게 표시될 수 있다. 이에 따르면, 제어부는 일정 프레임 동안 움직임이 검출된 개체라 하더라도, 전체적인 움직임 비검출 누적 횟수가 많다면 이상 개체에 가깝도록 강조 표시함으로써 질병에 대한 낮은 확률의 의심이 드는 개체라 하더라도 강조 표시할 수 있다.

도6은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도6을 참고하면, 제어부는 연속된 움직임 비검출 누적 횟수에 따라 대응되는 가금류 그룹 블록의 픽셀값을 단계적으로 증가시킬 수 있다. 도6에서, 블록 A의 연속된 움직임 비검출 누적횟수는 5번이다. 따라서, 제어부는 블록 A의 픽셀값을 5단계 증가시킨다. 블록 B의 연속된 움직임 비검출 누적횟수는 2번이다. 따라서, 제어부는 블록 B의 픽셀값을 2단계 증가시킨다. 블록 C의 연속된 움직임 비검출 누적횟수는 1번이다. 따라서, 제어부는 블록 C의 픽셀값을 1단계 증가시킨다. 도4의 실시예에 따르면, 블록의 연속된 움직임 비검출 횟수의 총 누적 횟수가 커질수록 픽셀값이 증가하여 강조되어 표시될 수 있다. 이에 따르면, 제어부는 누적된 움직임 비검출 횟수가 크다 하더라도, 연속된 움직임 비검출 누적 횟수가 크지 않다면 정상개체에 가깝도록 표시할 수 있다.

도7은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도7을 참고하면, 제어부는 움직임 비검출 누적 횟수가 제1임계값을 초과할 경우 대응되는 가금류 그룹 블록의 픽셀값을 제1설정값으로 제어할 수 있다. 여기서 제1임계값 및 제1설정값은 유저 인터페이스부를 통하여 설정될 수 있다. 또는 관리 서버의 제어 명령을 통하여 설정될 수 있다. 도7에서 제1임계값은 2회로 설정되어 있다. 제1설정값은 픽셀값의 최댓값을 의미할 수 있다. 도7에서 제1설정값은 픽셀의 최대 적색값을 의미할 수 있다. 도5에서, 블록 A의 움직임 비검출 누적횟수는 5번으로 제1임계값을 초과한다. 따라서, 제어부는 블록 A의 픽셀값을 최대 적색값으로 제어한다. 블록 B의 움직임 비검출 누적횟수는 3번으로 제1임계값을 초과한다. 따라서, 제어부는 블록 B의 픽셀값을 최대 적색값으로 제어한다. 블록 C의 연속된 움직임 비검출 누적횟수는 1번으로 제1임계값을 초과하지 않는다. 따라서, 제어부는 블록 C의 픽셀값을 현상태로 유지시킨다. 도5의 실시예에 따르면, 가금류로 분류된 블록의 움직임 비검출 횟수의 총 누적 횟수가 특정횟수를 초과하는 경우에는 픽셀값을 최대한 강조하여 표시할 수 있다.

도8은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도8을 참고하면, 제어부는 연속된 움직임 비검출 누적 횟수가 제1임계값을 초과할 경우 대응되는 가금류 그룹 블록의 픽셀값을 제1설정값으로 제어할 수 있다. 여기서 제1임계값 및 제1설정값은 유저 인터페이스부를 통하여 설정될 수 있다. 또는 관리 서버의 제어 명령을 통하여 설정될 수 있다. 도8에서 제1임계값은 2회로 설정되어 있다. 제1설정값은 픽셀값의 최댓값을 의미할 수 있다. 도8에서 제1설정값은 픽셀의 최대 적색값을 의미할 수 있다. 블록 A의 연속된 움직임 비검출 누적횟수는 5번으로 제1임계값을 초과한다. 따라서, 제어부는 블록 A의 픽셀값을 최대 적색값으로 제어한다. 블록 B의 연속된 움직임 비검출 누적횟수는 2번으로 제1임계값을 초과하지 않는다. 따라서, 제어부는 블록 B의 픽셀값을 현상태로 유지시킨다. 블록 C의 연속된 움직임 비검출 누적횟수는 1번으로 제1임계값을 초과하지 않는다. 따라서, 제어부는 블록 C의 픽셀값을 현상태로 유지시킨다. 도6의 실시예에 따르면, 가금류 그룹 블록이 연속하여 움직이지 않는 프레임의 수가 제1임계값을 초과하는 경우에만 픽셀값을 최대한 강조하여 표시함으로써 좀 더 엄격한 기준에 따른 이상개체 판별이 가능하다.

도9는 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도9를 참고하면, 제어부는 움직임 검출 누적 횟수에 따라 대응되는 가금류 그룹 블록의 픽셀값을 단계적으로 감소시킬 수 있다. 블록 A의 움직임 검출 누적횟수는 5번이다. 따라서, 제어부는 블록 A의 픽셀값을 5단계 감소시킨다. 블록 B의 움직임 검출 누적횟수는 3번이다. 따라서, 제어부는 블록 B의 픽셀값을 3단계 감소시킨다. 블록 C의 움직임 검출 누적횟수는 2번이다. 따라서, 제어부는 블록 C의 픽셀값을 2단계 감소시킨다. 도9의 실시예에 따르면, 가금류 그룹 블록의 움직임 검출 횟수의 총 누적 횟수가 커질수록 픽셀값이 감소함으로써 비강조되어 표시될 수 있다. 즉, 분포도상에서 픽셀값이 낮을 수록 원본 데이터 값에 가깝게 표시되거나 또는 희미하게 표시될 수 있다. 이에 따르면, 제어부는 일정 프레임 동안 움직임이 비검출된 가금류 그룹 블록이라 하더라도, 전체적인 움직임 검출 누적 횟수가 많다면 정상개체에 가깝도록 비강조하여 표시할 수 있다.

도10은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도10을 참고하면, 제어부는 연속된 움직임 검출 누적 횟수에 따라 대응되는 가금류 그룹 블록의 픽셀값을 단계적으로 감소시킬 수 있다. 도10에서, 블록 A의 연속된 움직임 검출 누적횟수는 5번이다. 따라서, 제어부는 블록 A의 픽셀값을 5단계 감소시킨다. 블록 B의 연속된 움직임 검출 누적횟수는 2번이다. 따라서, 제어부는 블록 B의 픽셀값을 2단계 감소시킨다. 블록 C의 연속된 움직임 검출 누적횟수는 1번이다. 따라서, 제어부는 블록 C의 픽셀값을 1단계 감소시킨다. 도10의 실시예에 따르면, 가금류 그룹 블록의 연속된 움직임 검출 횟수의 누적 횟수가 커질수록 픽셀값이 감소하여 비강조 표시될 수 있다. 이에 따르면, 제어부는 누적된 움직임 검출 횟수가 크다 하더라도, 연속된 움직임 검출 누적 횟수가 크지 않다면 이상개체에 가깝도록 표시할 수 있다.

도11은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도11을 참고하면, 제어부는 움직임이 검출된 가금류 그룹 블록의 픽셀값을 제2설정값으로 제어할 수 있다. 여기서 제2설정값은 유저 인터페이스부를 통하여 설정될 수 있다. 또는 관리 서버의 제어 명령을 통하여 설정될 수 있다. 도11에서 제2설정값은 원본 영상 데이터의 픽셀값이다. 도11에서, 블록 A 내지 블록 C는 n-1 내지 n+3의 영상 프레임동안 모두 한번 이상의 움직임이 검출되었다. 따라서, 제어부는 블록 A 내지 블록 C의 픽셀값을 원본 영상 데이터의 픽셀값으로 설정한다. 이에 따르면, 분석 영상 프레임 기간 동안 한 번이라도 움직임이 검출된 가금류 그룹 블록은 정상 개체로 분류하여 원본 영상 데이터의 픽셀값으로 표시할 수 있다.

도12는 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도12를 참고하면, 제어부는 움직임 검출 누적 횟수가 제2임계값을 초과할 경우 대응되는 가금류 그룹 블록의 픽셀값을 제2설정값으로 제어할 수 있다. 여기서 제2임계값 및 제2설정값은 유저 인터페이스부를 통하여 설정될 수 있다. 또는 관리 서버의 제어 명령을 통하여 설정될 수 있다. 도12에서 제2임계값은 2회로 설정되어 있다. 제2설정값은 원본 영상 데이터의 픽셀값이다. 도12에서, 블록 A의 움직임 검출 누적횟수는 5번으로 제2임계값을 초과한다. 따라서, 제어부는 블록 A의 픽셀값을 원본 영상 데이터의 픽셀값으로 제어한다. 블록 B의 움직임 검출 누적횟수는 3번으로 제2임계값을 초과한다. 따라서, 제어부는 블록 B의 픽셀값을 원본 영상 데이터의 픽셀값으로 제어한다. 블록 C의 연속된 움직임 검출 누적횟수는 1번으로 제2임계값을 초과하지 않는다. 따라서, 제어부는 블록 C의 픽셀값을 현상태로 유지시킨다. 도12의 실시예에 따르면, 가금류 그룹 블록의 움직임 검출 횟수의 총 누적 횟수가 특정횟수를 초과하는 경우에는 픽셀값을 원본 영상 데이터의 픽셀값으로 표시할 수 있다.

도13은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도13을 참고하면, 제어부는 연속된 움직임 검출 누적 횟수가 제2임계값을 초과할 경우 대응되는 가금류 그룹 블록의 픽셀값을 제2설정값으로 제어할 수 있다. 여기서 제2임계값 및 제2설정값은 유저 인터페이스부를 통하여 설정될 수 있다. 또는 관리 서버의 제어 명령을 통하여 설정될 수 있다. 도13에서 제2임계값은 2회로 설정되어 있다. 제2설정값은 원본 영상 데이터의 픽셀값이다. 도13에서, 블록 A의 움직임 검출 누적횟수는 5번으로 제2임계값을 초과한다. 따라서, 제어부는 블록 A의 픽셀값을 원본 영상 데이터의 픽셀값으로 제어한다. 블록 B의 움직임 검출 누적횟수는 2번으로 제2임계값을 초과하지 않는다. 따라서, 제어부는 블록 B의 픽셀값을 현상태로 유지시킨다. 블록 C의 연속된 움직임 검출 누적횟수는 1번으로 제2임계값을 초과하지 않는다. 따라서, 제어부는 블록 C의 픽셀값을 현상태로 유지시킨다. 도13의 실시예에 따르면, 가금류 그룹 블록의 연속된 움직임 검출 횟수의 총 누적 횟수가 특정횟수를 초과하는 경우에만 픽셀값을 원본 영상 데이터의 픽셀값으로 표시할 수 있다.

도14는 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도14를 참고하면, 제어부는 움직임이 검출된 가금류 그룹 블록에 대응되는 픽셀값을 제2설정값으로 제어하고, 이상 개체 데이터상에서 제외시킴으로써 이후 분석 대상에서 제외할 수 있다. 여기서 제2설정값은 유저 인터페이스부를 통하여 설정될 수 있다. 또는 관리 서버의 제어 명령을 통하여 설정될 수 있다. 도14에서 제2설정값은 원본 영상 데이터의 픽셀값이다. 도14에서, 블록 A의 경우, 제어부는 움직임이 검출된 n-1프레임에서 블록 A의 픽셀값을 원본 영상 데이터 픽셀값으로 설정하고, 이후 n 내지 n+3프레임 기간동안 분석 대상에서 제외한다. 블록 B의 경우, 제어부는 움직임이 검출된 n프레임에서 블록 B의 픽셀값을 원본 영상 데이터 픽셀값으로 설정하고, 이후 n+1 내지 n+3프레임 기간동안 분석 대상에서 제외한다. 블록 C의 경우, 제어부는 움직임이 검출된 n+2프레임에서 블록 C의 픽셀값을 원본 영상 데이터 픽셀값으로 설정하고, 이후 n+3프레임 기간동안 분석 대상에서 제외한다.

도15는 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도15를 참고하면, 제어부는 움직임 검출 누적 횟수가 제2임계값을 초과하는 가금류 그룹 블록에 대응되는 픽셀값을 제2설정값으로 제어하고, 이상 개체 데이터상에서 제외시킴으로써 이후 분석 대상에서 제외할 수 있다. 여기서 제2임계값 및 제2설정값은 유저 인터페이스부를 통하여 설정될 수 있다. 또는 관리 서버의 제어 명령을 통하여 설정될 수 있다. 도15에서 제2임계값은 1회로 설정되어 있다. 제2설정값은 원본 영상 데이터의 픽셀값이다. 도15에서, 블록 A의 경우 n프레임에서 움직임 누적 검출 횟수가 2회로 나타난다. 따라서, 제어부는 n프레임에서 블록 A의 픽셀값을 원본 영상 데이터 픽셀값으로 설정하고, 이후 n+1 내지 n+3프레임 기간동안 분석 대상에서 제외한다. 블록 B의 경우 n+2프레임에서 움직임 누적 검출 횟수가 2회로 나타난다. 따라서, 제어부는 n+2프레임에서 블록 B의 픽셀값을 원본 영상 데이터 픽셀값으로 설정하고, 이후 n+3프레임 기간동안 분석 대상에서 제외한다. 블록 C의 경우 분석 프레임 기간 동안 움직임 검출 누적 횟수가 2회 미만으로 나타났기 때문에 제어부는 이후 프레임에서도 지속적으로 분석을 수행하여 픽셀값을 제어하게 된다.

도16은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도16을 참고하면, 제어부는 연속된 움직임 검출 누적 횟수가 제2임계값을 초과하는 가금류 그룹 블록에 대응되는 픽셀값을 제2설정값으로 제어하고, 이상 개체 데이터상에서 제외시킴으로써 이후 분석 대상에서 제외할 수 있다. 여기서 제2임계값 및 제2설정값은 유저 인터페이스부를 통하여 설정될 수 있다. 또는 관리 서버의 제어 명령을 통하여 설정될 수 있다. 도16에서 제2임계값은 1회로 설정되어 있다. 제2설정값은 원본 영상 데이터의 픽셀값이다. 도16에서, 블록 A의 경우 n프레임에서 연속된 움직임 누적 검출 횟수가 2회로 나타난다. 따라서, 제어부는 n프레임에서 블록 A의 픽셀값을 원본 영상 데이터 픽셀값으로 설정하고, 이후 n+1 내지 n+3프레임 기간동안 분석 대상에서 제외한다. 블록 B및 블록 C의 경우 분석 프레임 기간 동안 연속된 움직임 검출 누적 횟수가 2회 미만으로 나타났기 때문에 제어부는 이후 프레임에서도 지속적으로 분석을 수행하여 픽셀값을 제어하게 된다.

도14 내지 도16의 경우 움직임 검출 횟수에 따라 특정 조건을 만족하는 가금류 그룹 블록의 경우 정상 개체로 판단하고, 정상 개체로 판단한 시점 이후에는 분석 대상에서 제외함으로써 분석을 위한 데이터 연산량을 감소시킬 수 있다. 이에 따라 적게는 수백마리 많게는 수만마리의 가금류가 생활하는 사육장 내부를 촬영한 영상 데이터의 분석 속도와 정확성, 그리고 효율성을 크게 향상시킬 수 있다.

도17은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다. 도17을 참고하면, 제어부는 움직임 검출 누적 횟수가 제2임계값 이상인 가금류 그룹 블록에 대응되는 픽셀값을 제2설정값으로 제어하고, 분석 대상에서 제외할 수 있다. 여기서 제2임계값 및 제2설정값은 유저 인터페이스부를 통하여 설정될 수 있다. 또는 관리 서버의 제어 명령을 통하여 설정될 수 있다. 도17에서 제2임계값은 2회로 설정되어 있다. 제2설정값은 해당 블록이 시각적으로 표시되지 않기 위한 모든 수단으로 구현될 수 있다. 제2설정값은 예를 들면, 해당 블록에 대한 마스킹 처리, 모자이크 처리, 투명 픽셀 처리 등에 의하여 구현될 수 있다. 이에 따라 정상 개체로 분류될 경우 영상 데이터 상에 시각적으로 표시되지 않게 되어 이상 개체를 보다 정확하게 판별할 수 있다는 이점이있다.

도18은 본 발명의 실시예에 따른 이상 개체 검출 방법의 순서도이다.

도18을 참고하면, 먼저 촬영부는 복수 블록을 포함하는 이미지를 촬영한다(S1801).

다음으로, 촬영부는 복수 블록을 포함하는 이미지를 이용하여 영상 데이터를 생성한다. 하나의 영상 데이터는 단일 프레임을 의미할 수 있다. 촬영부는 순차적으로 촬영되는 이미지를 이용하여 복수개의 영상 데이터를 생성한다(S1802).

실시예에 따른 영상 데이터는 N X M의 픽셀로 구성되는 영상 데이터일 수 있다.

다음으로, 제1특징 추출 유닛은 영상 데이터에 포함된 복수의 블록을 유사성에 따라 적어도 2개의 그룹으로 분류한다(S1803).

다음으로, 제1특징 추출 유닛은 그룹별로 분류된 영상 데이터를 이용하여 개체의 분포를 나타내는 위치 분포 데이터를 생성한다. 실시예에 따른 위치 분포 데이터는 개별 복수 개체의 위치를 표시한다. 실시예에 따른 위치 분포 데이터는 영상 데이터의 구분된 영역 또는 블록별로 해당되는 영역 또는 블록에 개체, 몸통 또는 머리의 분포, 밀도를 나타내는 데이터이다(S1804). 실시예에 따른 위치 분포 데이터느 영상 데이터에 구분된 영역 또는 블록별로 해당되는 영역 또는 블록에 개채의 존재 여부를 표시한다.

다음으로, 제1특징 추출 유닛은 그룹별로 상기 블록의 분포도, 밀도, 색상, 외형 및 크기 중 적어도 하나의 특징점을 기 저장된 특징점과 비교하여 개체의 종류를 분류한다. 제1특징 추출 유닛은 2 내지 10개의 그룹으로 분류를 수행할 수 있으며, 예를 들면 바닥, 모이통, 식수대, 배관 및 가금류를 포함하는 그룹으로 분류할 수 있다(S1805).

제2특징 추출 유닛은 영상 데이터를 이용하여 블록별 움직임 검출 여부를 나타내는 동작 데이터를 생성한다(S1806).

실시예에 따른 동작 데이터는 개별 복수 개체의 움직임을 표시하는 것이 아니라, 영상 데이터의 구분된 영역 또는 블록별로 해당되는 영역 또는 블록에 움직임이 존재했는지 여부를 나타내는 데이터이다.

실시예에 따른 동작 데이터는 개별 복수 개체의 움직임을 표시하는 것이 아니라, 픽셀별로 해당되는 픽셀에 움직임이 존재했는지 여부를 나타내는 데이터이다.

실시예에 따른 동작 데이터는 임계값과 비교하여 움직임의 존재여부를 표현한다.

제2특징 추출 유닛은 시계열적으로 생성된 복수개의 영상 데이터에 대한 동작 데이터를 생성한다.

실시예에 따른 위치 분포 데이터 생성 및 동작 데이터를 생성하는 단계는 동시에 수행되거나, 어느 하나의 데이터 생성 과정이 먼저 이루어 질 수 있다.

실시예에 따른 위치 분포 데이터 생성 및 동작 데이터는 각각 별개의 동작을 병렬적으로 수행하여, 위치 분포 데이터와 동작 데이터를 생성하는 것으로서, 위치 분포 데이터를 이용하여 동작 데이터를 생성하거나 또는 동작 데이터를 이용하여 위치 분포 데이터를 생성하는 것은 아니다.

다음으로, 제어부는 위치 분포 데이터 및 동작 데이터를 비교하여 상기 개체의 분포와 상기 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성한다. 이 때, 제어부는 제1특징 추출 유닛에서 구분한 개체 중 가금류 그룹의 개체 분포와 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성한다(S1807).

실시예에 따른 위치 분포 데이터 및 동작 데이터는 각 개별 개체의 위치 및 동작을 나타내는 것이 아니다.

실시예에 따른 제어부는 동작 데이터에서 움직임이 존재한 영역이라도 위치 분포 데이터에서 가금류 그룹으로 분류되지 않은 블록의 경우에는 이상 개체 판단 대상으로 고려하지 않는다.

제어부는 복수개의 영상 데이터에 대한 위치 분포 데이터 및 동작 데이터를 비교하여 복수 개체의 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수를 연산하고, 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수에 따라 이상 개체 데이터를 생성할 수 있다.

다음으로, 제어부는 이상 개체 데이터의 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수에 따라 영상 데이터 상에서 복수개의 개체에 대한 픽셀 표시를 제어한다. 제어부는 가금류 그룹 블록을 움직임이 검출되지 않은 횟수와 움직임이 검출된 횟수에 따라 정상개체 및 이상개체로 분류하고, 영상 데이터 상에서 정상개체 및 이상개체에 대응되는 픽셀값을 다르게 표시한다(S1808).

도19는 본 발명의 실시예에 따른 이상 개체 검출 방법의 순서도이다.

도19를 참고하면, 먼저 촬영부는 복수 블록을 포함하는 제1이미지를 촬영한다. 촬영부는 사육장 내부에 배치되어 가금류를 포함하는 복수 개체를 촬영한다(S1901).

다음으로, 촬영부는 복수 블록을 포함하는 제1이미지를 이용하여 제1영상 데이터를 생성한다. 제1 영상 데이터는 단일 프레임을 의미할 수 있다(S1902).

실시예에 따른 제1영상 데이터는 N X M의 픽셀로 구성되는 영상 데이터일 수 있다.

다음으로, 제1특징 추출 유닛은 제1영상 데이터에 포함된 복수의 블록을 유사성에 따라 적어도 2개의 그룹으로 분류한다(S1903).

다음으로, 제1특징 추출 유닛은 그룹별로 분류된 제1영상 데이터를 이용하여 개체의 분포를 나타내는 제1위치 분포 데이터를 생성한다. 실시예에 따른 제1위치 분포 데이터는 개별 복수 개체의 위치를 표시한다. 실시예에 따른 제1 위치 분포 데이터는 제1영상 데이터의 구분된 영역 또는 블록별로 해당되는 영역 또는 블록에 개체, 몸통 또는 머리의 분포, 밀도를 나타내는 데이터이다(S1904). 실시예에 따른 재1 위치 분포 데이터느 영상 데이터에 구분된 영역 또는 블록별로 해당되는 영역 또는 블록에 개채의 존재 여부를 표시한다.

다음으로, 제1특징 추출 유닛은 그룹별로 블록의 분포도, 밀도, 색상, 외형 및 크기 중 적어도 하나의 특징점을 기 저장된 특징점과 비교하여 개체의 종류를 분류한다. 제1특징 추출 유닛은 2 내지 10개의 그룹으로 분류를 수행할 수 있으며, 예를 들면 바닥, 모이통, 식수대, 배관 및 가금류를 포함하는 그룹으로 분류할 수 있다(S1905).

제2특징 추출 유닛은 제1영상 데이터를 이용하여 복수 개체 중 동작 개체의 움직임을 나타내는 제1동작 데이터를 생성한다(S1906).

실시예에 따른 제1동작 데이터는 개별 복수 개체의 움직임을 표시하는 것이 아니라, 영상 데이터의 구분된 영역 또는 블록별로 해당되는 영역 또는 블록에 움직임이 존재했는지 여부를 나타내는 데이터이다.

실시예에 따른 제1동작 데이터는 개별 복수 개체의 움직임을 표시하는 것이 아니라, 픽셀별로 해당되는 픽셀에 움직임이 존재했는지 여부를 나타내는 데이터이다.

실시예에 따른 제1동작 데이터는 기 설정된 임계값과 비교하여 움직임의 존재여부를 표현한다.

실시예에 따른 제1동작 데이터는 개체의 움직임뿐만 아니라, 개체 이외의 움직임도 표현이 될 수 있다.

실시예에 따른 제1위치 분포 데이터 및 제1동작 데이터는 각각 별개의 동작을 병렬적으로 수행하여, 제1위치 분포 데이터와 제1동작 데이터를 생성하는 것으로서, 제1위치 분포 데이터를 이용하여 제1동작 데이터를 생성하거나 또는 제1동작 데이터를 이용하여 제1위치 분포 데이터를 생성하는 것은 아니다.

다음으로, 제어부는 제1위치 분포 데이터 및 제1동작 데이터를 비교하여 개체의 분포와 움직임 검출 여부가 중복되는 블록을 나타내는 제1이상 개체 데이터를 생성한다. 이 때, 제어부는 제1특징 추출 유닛에서 구분한 개체 중 가금류 그룹의 개체 분포와 움직임 검출 여부가 중복되는 블록을 나타내는 제1이상 개체 데이터를 생성한다(S1907).

실시예에 따른 제1위치 분포 데이터 및 제1동작 데이터는 각 개별 개체의 위치 및 동작을 나타내는 것이 아니다.

실시예에 따른 제어부는 제1동작 데이터에서 움직임이 존재한 영역이라도 제1위치 분포 데이터에서 가금류 그룹으로 분류되지 않은 블록의 경우에는 이상 개체 판단 대상으로 고려하지 않는다.

다음으로, 촬영부는 복수 블록을 포함하는 제2이미지를 이용하여 제2영상 데이터를 생성한다. 제2 영상 데이터는 단일 프레임을 의미할 수 있다(S1908).

실시예에 따른 제2영상 데이터는 N X M의 픽셀로 구성되는 영상 데이터일 수 있다.

다음으로, 제1특징 추출 유닛은 제2영상 데이터에 포함된 복수의 블록을 유사성에 따라 적어도 2개의 그룹으로 분류한다(S1909).

다음으로, 제1특징 추출 유닛은 그룹별로 분류된 제2영상 데이터를 이용하여 개체의 분포를 나타내는 제2위치 분포 데이터를 생성한다. 실시예에 따른 제2위치 분포 데이터는 개별 복수 개체의 위치를 표시한다. 실시예에 따른 제2 위치 분포 데이터는 제2영상 데이터의 구분된 영역 또는 블록별로 해당되는 영역 또는 블록에 개체, 몸통 또는 머리의 분포, 밀도를 나타내는 데이터이다(S1910). 실시예에 따른 재2 위치 분포 데이터느 영상 데이터에 구분된 영역 또는 블록별로 해당되는 영역 또는 블록에 개채의 존재 여부를 표시한다.

다음으로, 제1특징 추출 유닛은 그룹별로 블록의 분포도, 밀도, 색상, 외형 및 크기 중 적어도 하나의 특징점을 기 저장된 특징점과 비교하여 개체의 종류를 분류한다. 제1특징 추출 유닛은 2 내지 10개의 그룹으로 분류를 수행할 수 있으며, 예를 들면 바닥, 모이통, 식수대, 배관 및 가금류를 포함하는 그룹으로 분류할 수 있다(S1911).

제2특징 추출 유닛은 제2영상 데이터를 이용하여 복수 개체 중 동작 개체의 움직임을 나타내는 제2동작 데이터를 생성한다(S1912).

실시예에 따른 제2동작 데이터는 개별 복수 개체의 움직임을 표시하는 것이 아니라, 영상 데이터의 구분된 영역 또는 블록별로 해당되는 영역 또는 블록에 움직임이 존재했는지 여부를 나타내는 데이터이다.

실시예에 따른 제2동작 데이터는 개별 복수 개체의 움직임을 표시하는 것이 아니라, 픽셀별로 해당되는 픽셀에 움직임이 존재했는지 여부를 나타내는 데이터이다.

실시예에 따른 제2동작 데이터는 기 설정된 임계값과 비교하여 움직임의 존재여부를 표현한다.

실시예에 따른 제2동작 데이터는 개체의 움직임뿐만 아니라, 개체 이외의 움직임도 표현이 될 수 있다.

실시예에 따른 제2위치 분포 데이터 및 제2동작 데이터는 각각 별개의 동작을 병렬적으로 수행하여, 제2위치 분포 데이터와 제2동작 데이터를 생성하는 것으로서, 제2위치 분포 데이터를 이용하여 제2동작 데이터를 생성하거나 또는 제2동작 데이터를 이용하여 제2위치 분포 데이터를 생성하는 것은 아니다.

다음으로, 제어부는 제1이상 개체 데이터, 제2위치 분포 데이터 및 제2 동작 데이터를 비교하여 제2 이상 개체 데이터를 생성한다. 제어부는 제1이상 개체 데이터를 제2위치 분포데이터 및 제2동작 데이터와 비교하여 복수 개체의 움직임 검출 누적 횟수와 복수 개체의 움직임 비검출 누적 횟수를 연산하고, 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수에 따라 제2이상 개체 데이터를 생성한다(S1913).

실시예에 따른 제2위치 분포 데이터 및 제2동작 데이터는 각 개별 개체의 위치 및 동작을 나타내는 것이 아니다.

실시예에 따른 제어부는 제2동작 데이터에서 움직임이 존재한 영역이라도 제2위치 분포 데이터에서 가금류 그룹으로 분류되지 않은 블록의 경우에는 이상 개체 판단 대상으로 고려하지 않는다.

다음으로, 제어부는 제2이상 개체 데이터에 따라 영상 데이터 상에서 복수개의 개체에 대한 픽셀 표시를 제어한다. 제어부는 특정 개체의 움직임이 검출되지 않은 횟수와 움직임이 검출된 횟우에 따라 정상개체 및 이상개체로 분류하고, 영상 데이터 상에서 정상개체 및 이상개체에 대응되는 픽셀값을 다르게 표시한다(S1914).

상기S1901 내지 S1914 단계는 제1 이상 개체 데이터 및 제2 이상 개체 데이터를 생성하는 것으로 간략하게 도시되었으나, 이상 개체 데이터는 이미지 촬영을 통한 영상 데이터 생성이 연속적으로 이루어짐에 따라 지속적으로 생성 및 업데이트 되어 픽셀 표시를 제어하도록 동작한다.

도20은 본 발명의 실시예에 따른 학습용 서버의 구성 개념도이다. 도20의 이상 개체 검출 장치는 도2에 도시된 이상 개체 검출 장치와 동일한 구성을 포함할 수 있다. 학습 전처리부(120)는 촬영부(111)에 의하여 획득된 영상 데이터 중 학습용 서버(400)가 학습에 사용할 학습용 데이터를 추출한다. 학습 전처리부(120)가 학습 데이터를 추출하는 자세한 방법은 이하에서 설명한다.

도20 내지 도21을 참조하면, 이상 개체 검출 장치(100)는 촬영부(111)를 이용하여 복수의 개체가 함께 촬영된 영상에 대한 영상 데이터를 획득하며(S2100), 제어부(112)는 획득한 영상 데이터로부터 이상 개체 정보를 추출한다(S2102). 여기서, 하나의 영상 데이터는 단일 프레임을 의미할 수 있으며, 촬영부(111)는 순차적으로 촬영되는 영상을 이용하여 복수 개의 영상 데이터를 생성할 수 있다. 이때, 제어부(112)는 미리 저장된 알고리즘 및 이에 적용되는 파라미터를 이용하여 이상 개체 정보를 추출할 수 있다. 여기서, 미리 저장된 알고리즘은 영상 데이터 내에서 객체가 위치한다고 판단되는 영역을 표시하도록 학습된 제1 알고리즘 및 옵티컬 플로우(optical flow)를 활용하여 모션을 검출하도록 학습된 제2 알고리즘을 이용하여 객체 중 움직임이 없는 객체를 표시하는 알고리즘을 의미할 수 있다. 여기서, 제1 알고리즘은 객체가 존재하는 영역을 표시하는 알고리즘을 활용한 실시간 객체 검출 방법을 이용할 수 있다, 또는, 제1 알고리즘은 객체의 분포 정보, 즉 객체가 위치하는 영역의 밀도 정보를 나타내는 방법을 이용할 수도 있다. 도 22는 객체 밀도 예측 네트워크를 설명하기 위한 도면이다. 여기서, 객체 밀도 예측 네트워크는 객체가 위치하는 영역의 밀도 정보를 표시하도록 설계된 딥러닝 알고리즘의 한 예이다. 객체 밀도 예측 네트워크는 컨볼루션 네트워크(convolution network) 기반 학습 머신에 원본 영상을 입력한 후, 그레이 스케일의 확률 맵으로 나타낸 밀도 영상을 출력하는 알고리즘일 수 있다. 이에 따르면, 닭장과 같이 유사한 모양을 가진 객체가 높은 밀도로 수용된 사육장 환경에서도 이상 객체 정보를 용이하게 추출할 수 있다.

객체 밀도 예측 네트워크는 원본 영상과 밀도 영상을 이용하여 학습될 수 있으며, 후술하는 도 26의 학습용 서버(Training server)에 의해 학습될 수 있다.

도 22에서 도시된 바와 같이, 객체 밀도 예측 네트워크는 적어도 하나의 컨볼루션 네트워크(convolution network(layer))를 포함할 수 있다.

컨볼루션 네트워크는 적어도 하나의 피쳐 맵(feature map(W))을 이용하여 영상의 특징점을 분류할수 있다.

컨볼루션 네트워크 는 적어도 하나의 풀러(pooler) 및/또는 액티베이터(activator)를 통해 객체 밀도 예측 네트워크의 성능을 개선할 수 있다.

객체 밀도 예측 네트워크는 concatenator를 더 포함하며, concatenator는 적어도 하나의 컨볼루션 네트워크의 출력 결과를 연결하고(concatenate), 재배열하여 원본 영상의 특징점을 이용하여 객체의 밀도(분포) 정보를 출력할 수 있다.

도 26을 이용하여 후술할 학습용 서버(Training server)에서 적어도 하나의 피쳐 맵(feature map(W))은 객체의 밀도 정보를 출력할 수 있도록 훈련(trained(tuned))될 수 있다.

본 발명의 실시예에서, 밀도 영상은 원본 영상과 같거나 유사한 크기(Width x Highet)를 가지도록 객체 밀도 예측 네트워크가 구성되며, 각각의 픽셀(또는 블록)의 위치는 서로 대응되고, 밀도 영상의 픽셀의 값은 원본 영상의 대응 픽셀에 객체(예를들어 가금류)가 존재할 수 있는 확률을 나타낼 수 있다. 예를 들어, 원본 영상의 픽셀에 객체가 존재할 확률이 높은수록, 밀도 영상의 해당 픽셀의 값은 높은 값을 가질 수 있다. 또는 개체의 존재 여부만 나타내어, 개체가 존재할 때와 존재하지 않을 때 픽셀 값을 다르게 설정한다.

이상 개체 검출 장치(100)의 통신부(113)는 제어부(112)가 획득한 이상 개체 정보를 관리자 단말(200)에게 전송하며(S2104), 관리자 단말(200)은 이상 개체 정보를 출력한다(S2106). 이에 따라, 관리자는 관리자 단말(200)에 출력된 이상 개체 정보를 인지할 수 있다. 여기서, 이상 개체 정보는 이상 개체 데이터와 혼용될 수 있다.

도 23은 관리자 단말에 이상 개체 정보가 표시되는 예를 설명하기 도면이다. 관리자 단말(200)에는 도 23(c)와 같은 영상이 표시될 수 있다. 즉, 관리자 단말(200)에는 도 23(a)와 같이 촬영부(111)에 의하여 촬영된 원본 이미지와 도 23(b)와 같이 제어부(112)에 의하여 추출된 이상 개체 데이터를 정합한 영상이 표시될 수 있다. 여기서, 이상 개체 데이터는 닭 밀도 추정 이미지일 수 있으며, 유사밀도 8비트 그레이 이미지, 확률맵 또는 비트맵으로 표시될 수 있다. 이때, 이상 개체 데이터는 개체 별로 이상 확률을 표시한 데이터가 아니라, 영상 데이터 내 구분된 영역 별, 블록 별, 또는 픽셀 별로 해당되는 영역, 블록 또는 픽셀에서 개체, 몸통 또는 머리의 이상 확률을 나타내는 데이터이다.

만약, 관리자 단말(200)에 노출된 이상 개체 정보에 오류가 있는 경우, 관리자는 관리자 단말(200)을 통하여 이상 개체 검출 장치(100)에게 피드백 정보를 전송할 수 있다(S2108). 예를 들어, 이상 개체가 아님에도 불구하고 이상 개체 검출 장치(100)가 이상 개체인 것으로 판단하거나, 이상 개체임에도 불구하고 이상 개체 검출 장치(100)가 정상 개체인 것으로 판단한 경우, 관리자 단말(200)은 이상 개체 정보에 오류가 있음을 알리는 피드백 정보를 이상 개체 검출 장치(100)에게 전송할 수 있다. 여기서, 피드백 정보는 이상 개체 정보 중 오류가 있는 시간 영역 및 공간 영역 중 적어도 하나를 포함할 수 있다. 오류가 있는 시간 영역 및 공간 영역은 관리자에 의하여 선택되거나 지정될 수 있으며, 관리자 단말(200)의 유저 인터페이스부를 통하여 입력될 수 있다. 예를 들어, 도 24(c)에서 예시한 바와 같이, 관리자 단말(200)이 화면(800) 내 4개의 영역에 대한 이상 개체 정보(802, 804, 806, 808)를 표시하며, 관리자가 4개 중 1개의 이상 개체 정보(예를 들어, 806)는 오류인 것으로 판단한 경우, 관리자가 유저 인터페이스를 통하여 오류인 이상 개체 정보(806)를 선택하여 피드백할 수 있다. 또는, 관리자 단말(200)이 출력한 화면 내에 이상 개체가 있음에도 불구하고 이상 개체 정보가 표시되지 않은 경우, 관리자는 이상 개체인 것으로 보이는 시간 영역 및 공간 영역을 지정하여 피드백할 수도 있다.

이상 개체 검출 장치(100)의 학습 전처리부(120)는 관리자 단말(200)로부터 수신한 피드백 정보를 이용하여 학습용 데이터를 추출하며(S2110), 추출한 학습용 데이터를 학습용 서버(400)에게 전송한다(S2112).

여기서, 학습용 데이터는 단계 S2100에서 획득한 영상 데이터의 일부일 수 있다. 이상 개체 검출 장치(100)의 학습 전처리부(120)는 단계 S2100에서 획득한 영상 데이터 중 관리자 단말(200)로부터 수신한 피드백 정보에 포함된 시간 영역 및 공간 영역에 따라 영상 데이터를 추출할 수 있다. 예를 들어, 관리자 단말(200)이 n번째 프레임의 일부 영역(예, 도 24(c)의 806))에 오류가 있는 것으로 판단한 경우, 학습용 데이터는 n번째 프레임 중 일부 영역(예, 도 24(c)의 806)일 수 있다. 또는, 관리자 단말(200)이 전체 프레임 중 n번째 프레임에서 n+3번째 프레임의 이상 개체 데이터에 오류가 있는 것으로 판단한 경우, 학습용 데이터는 전체 프레임 중 n번째 프레임에서 n+3번째 프레임일 수 있다. 이에 따라, 이상 개체 검출 장치(100)는 촬영부(111)가 획득한 전체 영상 데이터 중 이상 개체 검출에 오류가 있는 영상 데이터만을 추출하여 학습용 서버(400)에게 전송할 수 있다. 이에 따라, 이상 개체 검출 장치(100)와 학습용 서버(400) 간 통신 트래픽이 현저히 줄어들 수 있다. 여기서, 학습용 데이터는, 추출된 영상 데이터뿐만 아니라, 오류 정보 및 정정 정보 중 적어도 하나를 더 포함할 수도 있다. 오류 정보는 제어부에 의한 판단이 잘못되었음을 알리는 정보이고, 정정 정보는 정정되어야 할 방향을 알리는 정보일 수 있다. 또는, 학습용 데이터는, 추출된 원본의 영상 데이터 및 오류가 정정된 후의 이상 개체 데이터를 포함할 수도 있다. 예를 들어, n번째 프레임 내지 n+3번째 프레임 내 일부 영역(예, 도 24(c)의 806)에 오류가 있는 것으로 판단된 경우, 학습용 데이터는 n번째 프레임 내지 n+3번째 프레임에 대한 원본의 영상 데이터 및 n번째 프레임 내지 n+3번째 프레임에 대한 이상 개체 데이터를 포함할 수 있으며, n번째 프레임 내지 n+3번째 프레임에 대한 이상 개체 데이터는 오류가 있는 것으로 판단된 일부 영역(예, 도 24(c)의 806)의 오류가 정정된 후의 그레이 이미지일 수 있다. 학습용 서버(400)는 이상 개체 검출 장치(100)로부터 수신한 학습용 데이터를 이용하여 재학습(retraining)하며(S2114), 이에 따라 이상 개체 검출을 위한 업데이트 정보를 이상 개체 검출 장치(100)에게 전송한다(S2116). 여기서, 업데이트 정보는 이상 개체 검출을 위한 알고리즘에 적용되는 파라미터일 수 있으며, 이는 조정 가능한 매트릭스(adjustable matrix) 형태일 수 있다.

이후, 이상 개체 검출 장치(100)는 단계 S2100와 같이, 복수의 개체가 함께 촬영된 영상에 대한 영상 데이터를 획득하며(S2118), 제어부(112)는 미리 저장된 알고리즘 및 업데이트 정보를 이용하여 획득한 영상 데이터로부터 이상 개체 정보를 추출한다(S2120).

이에 따라, 이상 개체 검출 장치(100)는 관리자 단말(200)의 피드백 정보를 반영하여 이상 개체를 검출할 수 있으며, 이상 개체 검출 장치(100)와 학습용 서버(400) 간의 통신 트래픽을 줄일 수 있다.

학습용 서버(400)가 복수의 이상 개체 검출 장치(100)와 통신하는 경우, 학습용 서버(400)는 복수의 이상 개체 검출 장치(100)에게 동일한 업데이트 정보를 전송할 수 있다. 또는, 이상 개체 검출 장치(100) 마다 상이한 환경에 처해 있을 수 있으므로, 업데이트 정보는 이상 개체 검출 장치(100) 마다 특이적일 수도 있다.

본 발명의 실시예에 따르면, 이상 개체 검출 장치(100)의 객체 밀도 예측 네트워크와 같은 알고리즘을 학습용 서버(400)도 저장하며, 학습용 서버(400)는 이를 이용하여 오류 데이터와 대응되는 원본 영상으로 재학습시키는 것이 바람직하다.

이하, 본 발명의 실시예에 따른 이상 개체 검출 장치(100)가 이상 개체를 검출하는 방법을 설명한다.

도 25는 본 발명의 실시예에 따른 이상 개체 검출 장치의 이상 개체 검출 알고리즘을 설명하는 도면이다.

도25를 참조하면, 제1 특징 추출 유닛(600)은 촬영부(111)에 의하여 촬영된 영상에 대한 영상 데이터 내 복수의 개체의 위치 분포를 추출하고, 제2 특징 추출 유닛(602)은 영상 데이터 내 복수의 개체의 움직임을 추출한다. 그리고, 제어부(604)는 제1 특징 추출 유닛(600)에 의하여 추출된 위치 분포 및 제2 특징 추출 유닛(602)에 의하여 추출된 움직임에 기초하여 이상 개체 정보, 예를 들어 픽셀 별 이상 개체 확률을 추정한다.

구체적으로, 제1 특징 추출 유닛(600)은 영상 데이터를 이용하여 복수의 개체의 위치 분포를 나타내는 위치 분포 데이터를 생성할 수 있다. 여기서, 복수의 개체의 위치 분포는 위치 별 객체의 밀도 분포를 의미할 수 있으며, 위치 분포 데이터는 밀도 맵과 혼용될 수 있다. 전술한 바와 같이, 제1 특징 추출 유닛(600)은 영상 데이터 내에서 객체가 위치한다고 판단되는 영역을 제안하도록 학습된 제1 알고리즘, 즉 영역 제안 알고리즘을 활용한 실시간 객체 검출 방법을 이용할 수 있다. 제1 특징 추출 유닛(600)은 예를 들면, 복수의 개체를 포함하여 생성된 제1영상 데이터를 이용하여 복수의 개체의 위치 분포를 나타내는 제1위치 분포 데이터를 생성하고, 복수의 개체를 포함하여 생성된 제2영상 데이터를 이용하여 복수의 개체의 위치 분포를 나타내는 제2위치 분포 데이터를 생성할 수 있다. 여기서, 제1 위치 분포 데이터 및 제2 위치 분포 데이터는 시계열적으로 생성된 영상 데이터에 대한 위치 분포 데이터일 수 있다.

본 발명의 실시예에서 위치 분포 데이터란, 개별 개체 위치를 표시하는 것이 아니라, 영상 데이터의 구분된 영역 또는 블록 별로 해당되는 영역 또는 블록에 개체, 몸통 또는 머리가 존재할 수 있는 확률을 나타내는 데이터이다. 위치 분포 데이터는 각 픽셀에 개체가 존재할 확률을 다른 색으로 표현하는 히트맵일 수 있다.

또한, 제1 특징 추출 유닛(600)은 개체 검출 분류기를 이용하여 영상 데이터에서 동물 개체를 검출할 수 있다. 이때, 개체 검출 분류기는 동물 개체의 자세나 외부 환경을 달리하여 기촬영한 동물 개체의 영상들로부터 훈련 DB 를 구축하여 학습된 것으로서, 이러한 개체 검출 분류기는 SVM(Support Vector Machine), 신경망, AdaBoost 알고리즘 등을 포함하는 다양한 학습 알고리즘을 통해 동물 개체의 DB 를 생성한다. 구체적으로, 제1 특징 추출 유닛(600)은 기 촬영된 사육장 내 배경의 영상 데이터에서 전경에 해당하는 개체의 에지를 검출하고, 영상 데이터에서 검출된 전경 개체의 에지를 적용하고, 전경 개체의 에지가 적용된 영상 데이터의 영역에 개체 검출 분류기를 적용하여 동물 개체를 검출할 수 있다.

제2 특징 추출 유닛(602)은 영상 데이터를 이용하여 복수의 개체 중 동작 개체의 움직임을 나타내는 동작 데이터를 생성할 수 있다. 여기서, 동작 데이터는 개별 개체의 움직임을 표시하는 것이 아니라, 영상 데이터의 구분된 영역 또는 블록 별로 해당되는 영역 또는 블록에 움직임이 존재했는지 여부를 나타내는 데이터이고, 동작 데이터는 동작 맵과 혼용될 수 있다. 동작 데이터는 픽셀 별로 해당되는 픽셀에 움직임이 존재했는지 여부를 나타내는 데이터일 수도 있다. 전술한 바와 같이, 제2 특징 추출 유닛(602)은 옵티컬 플로우(optical flow)를 활용하여 모션을 검출하도록 학습된 제2 알고리즘을 이용할 수 있다. 제2 특징 추출 유닛(602)은 단일 영상 데이터 또는 복수개의 연속된 영상 데이터를 이용하여 분포도 상의 특정 지점, 특정 개체 또는 특정 픽셀에서의 움직임을 검출할 수 있다.

제2 특징 추출 유닛(602)은 예를 들면, 제1영상 데이터를 이용하여 복수의 개체 중 동작 개체의 움직임을 나타내는 제1동작 데이터를 생성하고, 제2 영상 데이터를 이용하여 복수의 개체 중 동작 개체의 움직임을 나타내는 제2 동작 데이터를 생성할 수 있다. 여기서, 제1 동작 데이터 및 제2 동작 데이터는 시계열적으로 생성된 복수 개의 영상 데이터에 대한 동작 데이터일 수 있다.

제2 특징 추출 유닛(602)은 Dense Optical Flow방식을 이용하여 동작 개체의 움직임을 검출할 수 있다. 제2 특징 추출 유닛(602)은 영상 데이터 상의 모든 픽셀에 대해서 모션 벡터(Motion Vector)를 연산하여 각 픽셀에 대한 움직임을 검출할 수 있다. Dense Optical Flow방식의 경우 모든 픽셀에 대하여 모션 벡터를 연산하기 때문에 검출 정확도는 향상되지만 상대적으로 연산량은 증가하게 된다. 따라서, Dense Optical Flow방식은 이상상황이 발생된 것으로 의심되는 사육장이나 개체 숫자가 매우 많은 사육장 등 검출 정확도가 매우 높게 요구되는 특정 영역에 적용될 수 있다.

또는 제2 특징 추출 유닛(602)은 Sparse Optical Flow방식을 이용하여 동작 개체의 움직임을 검출할 수 있다. 제2 특징 추출 유닛(602)은 영상 내 에지와 같은 움직임 추적이 쉬운 특징적인 일부 픽셀에 대해서만 모션 벡터를 연산하여 움직임을 검출할 수 있다. Sparse Optical Flow방식은 연산량이 감소하지만 한정적인 픽셀에 대한 결과만 얻을 수 있다. 따라서, Sparse Optical Flow방식은 개체 숫자가 적은 사육장 또는 개체가 중복되어 나타나지 않는 특정 영역에 적용될 수 있다.

또는 제2 특징 추출 유닛(602)은 Block Matching을 이용하여 동작 개체의 움직임을 검출할 수 있다. 제2 특징 추출 유닛(602)은 영상을 균등하게 또는 비균등하게 분할하여 분할 영역에 대해 모션 벡터를 연산하여 움직임을 검출할 수 있다. Block Matching은 분할 영역별로 모션 벡터를 연산하기 때문에 연산량이 감소하지만 영역별 모션 벡터에 대한 결과를 산출하기 때문에 검출 정확도가 상대적으로 낮을 수 있다. 따라서, Block Matching방식은 개체 숫자가 적은 사육장 또는 개체가 중복되어 나타나지 않는 특정 영역에 적용될 수 있다.

또는 제2 특징 추출 유닛(602)은 Continuous Frame Difference 방식을 이용하여 동작 개체의 움직임을 검출할 수 있다. 제2 특징 추출 유닛(602)은 연속하는 영상 프레임을 픽셀 별로 비교하고, 그 차이만큼의 값을 연산하여 움직임을 검출할 수 있다. Continuous Frame Difference 방식은 프레임간 차이값을 이용하여 움직임을 검출하기 때문에, 전체적인 연산량은 감소하지만 부피가 큰 개체 또는 중복되어 나타나는 개체에 대한 검출 정확도가 상대적으로 낮을 수 있다. 또한, Continuous Frame Difference 방식은 배경 영상과 움직이지 않는 개체를 구분할 수 없어 정확도가 상대적으로 낮을 수 있다. 따라서, Continuous Frame Difference 방식은 개체 숫자가 적은 사육장 또는 개체가 중복되어 나타나지 않는 특정 영역에 적용될 수 있다.

또는 제2 특징 추출 유닛(602)은 Background Subtraction 방식을 이용하여 동작 개체의 움직임을 검출할 수 있다. 제2 특징 추출 유닛(602)은 배경 영상을 초기에 학습한 상태에서 연속하는 영상 프레임을 픽셀 별로 비교하고, 그 차이만큼의 값을 연산하여 움직임을 검출할 수 있다. Background Subtraction 방식은 배경 영상을 미리 학습하고 있기 때문에 배경 영상과 움직이지 않는 개체를 구분할 수 있다. 따라서, 배경 영상을 필터링하는 별도의 과정이 필요하여 연산량은 증가하지만 정확도는 향상된다. 따라서, Background Subtraction 방식은 이상상황이 발생된 것으로 의심되는 사육장이나 개체 숫자가 매우 많은 사육장 등 검출 정확도가 매우 높게 요구되는 특정 영역에 적용될 수 있다. Background Subtraction 방식에서 배경 영상은 지속적으로 업데이트 될 수 있다.

제2 특징 추출 유닛(602)은 사육장 내의 환경과 외부의 설정에 따라 적절한 방식을 이용하여 분포도 상에서 움직임을 검출한다. 위의 움직임 검출 방식은 예시일 뿐, 프레임 내 움직임이 발생한 영역(예를들어 픽셀/블록)을 표시할 수 있는 방법들이 사용될 수 있다.

제1 특징 추출 유닛(600)이 위치 분포 데이터를 생성하는 과정과 제2 특징 추출 유닛(602)이 동작 데이터를 생성하는 과정은 동시에 이루어지거나, 병렬적으로 이루어지거나, 순차적으로 이루어질 수 있다. 즉, 제1 특징 추출 유닛(600)이 위치 분포 데이터를 생성하는 과정과 제2 특징 추출 유닛(602)이 동작 데이터를 생성하는 과정은 서로 독립적으로 처리됨을 의미할 수 있다.

제어부(604)는 영상 데이터의 위치 분포 데이터 및 동작 데이터를 영역 별, 블록 별 또는 픽셀 별로 비교하여 이상 개체를 나타내는 이상 개체 데이터를 영역 별, 블록 별 또는 픽셀 별로 생성할 수 있다. 제어부(604)는 예를 들면, 제1위치 분포 데이터 및 제1동작 데이터를 비교하여 이상 개체를 나타내는 제1이상 개체 데이터를 생성할 수 있다. 제어부(604)는 제1위치 분포 데이터와 제1동작 데이터를 비교하여, 제1위치 분포 데이터 상에서 움직임이 검출되지 않은 개체에 대한 정보를 나타내는 제1이상 개체 데이터를 생성할 수 있다. 즉, 제어부(604)는 개체의 위치를 나타내는 제1위치 분포 데이터 상에서 움직임이 검출되지 않은 개체를 질병에 걸린 것으로 추정하고, 이에 대한 제1이상 개체 데이터를 생성할 수 있다. 즉, 제1이상 개체 데이터는 단일 영상 데이터에 대한 개체의 위치 분포와 움직임 검출 정보를 이용하여 개체의 질병 여부를 판단한 결과 데이터를 의미할 수 있다. 또는 제어부(604)는 복수 개의 영상 데이터에 대한 위치 분포 데이터 및 동작 데이터를 비교하여 복수의 개체의 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수를 연산하고, 상기 움직임 검출 누적 횟수와 상기 움직임 비검출 누적 횟수에 따라 이상 개체 데이터를 생성할 수 있다. 제어부(604)는 예를 들면, 제1이상 개체 데이터, 제2위치 분포 데이터 및 제2 동작 데이터를 비교하여 제2 이상 개체 데이터를 생성할 수 있다. 제어부(604)는 제1이상 개체 데이터를 제2위치 분포 데이터 및 제2동작 데이터와 비교하여 복수 개체의 움직임 검출 누적 횟수와 복수 개체의 움직임 비검출 누적 횟수를 연산하고, 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수에 따라 제2이상 개체 데이터를 생성할 수 있다. 즉, 제2이상 개체 데이터는 복수 개의 영상 데이터에 대하여 누적된 개체의 위치 정보와 움직임 검출 정보를 이용하여 개체의 질병 여부를 판단한 결과 데이터를 의미할 수 있다.

제어부(604)는 이상 개체 데이터의 움직임 검출 누적 횟수와 움직임 비검출 누적 횟수에 따라 영상 데이터 상에서 복수개의 개체에 대한 픽셀 표시를 제어할 수도 있다. 제어부(604)는 예를 들면, 제2이상 개체 데이터에 따라 영상 데이터 상에서 상기 복수개의 개체에 대한 픽셀 표시를 제어할 수 있다. 여기서, 픽셀의 표시란 픽셀의 채도, 픽셀의 명암, 픽셀의 색상, 픽셀의 윤곽선, 마크 표시 등 임의의 지점에 대응되는 픽셀을 다른 픽셀과 구분하여 표시하기 위한 모든 개념을 포함할 수 있다. 본 발명의 실시예에서는 픽셀값의 조절을 통하여 픽셀의 표시를 제어할 수 있다. 픽셀값은 단계적으로 조절될 수 있으며, 픽셀값이 높은 픽셀의 경우, 픽셀값이 낮은 픽셀 보다 시각적으로 강조되어 표시될 수 있다. 그러나 이에 한정되는 것은 아니고, 픽셀값이 낮은 픽셀이 픽셀값이 높은 픽셀보다 강조되어 표시되는 것으로 설정할 수 있다. 여기서, 픽셀값은 픽셀 별 이상 개체 확률을 의미할 수 있다.

이하에서는 움직임이 검출된 픽셀과 개체를 동일시하여 설명하기 위하여 하나의 픽셀은 하나의 개체를 표현하는 것으로 한다. 이는 설명의 편의를 위한 것이며 실제로는 복수개의 픽셀이 하나의 개체를 표현하게 된다. 즉, 가금류의 일부 신체 영역의 움직임만을 검출하여 이상상황을 판단하기 위하여서는 픽셀별로 움직임을 검출하여 픽셀의 표시를 제어하는 방식이 사용될 것이다.

제어부(604)는 특정 개체의 움직임이 검출되지 않을수록 이상개체로 분류하고, 움직임이 검출될수록 정상개체로 분류하여 픽셀값을 다르게 표시할 수 있다.

여기서, 제1 특징 추출 유닛(600), 제2 특징 추출 유닛(602) 및 제어부(604) 각각은 학습용 서버(400)로부터 제1 업데이트 정보, 제2 업데이트 정보 및 제3 업데이트 정보를 수신할 수 있고, 제1 업데이트 정보, 제2 업데이트 정보 및 제3 업데이트 정보 각각은 제1 특징 추출 유닛(600), 제2 특징 추출 유닛(602) 및 제어부(604) 각각에 적용될 수 있다. 제1 업데이트 정보, 제2 업데이트 정보 및 제3 업데이트 정보는 이상 개체 검출 장치(100)에 의하여 전송된 학습용 데이터를 학습한 결과, 학습용 서버(400)가 추출한 업데이트 정보일 수 있다. 여기서, 학습용 데이터는 이상 개체 검출 장치(100)가 획득한 영상 데이터의 일부 및 오류가 정정된 이상 개체 데이터의 일부를 포함할 수 있으며, 이는 이상 개체 검출 장치(100)가 이상 개체 검출용 알고리즘을 구동하여 얻은 이상 개체 정보에 대한 관리자 단말(200)의 피드백 정보를 이용하여 얻어질 수 있다. 여기서, 제1 업데이트 정보, 제2 업데이트 정보 및 제3 업데이트 정보 각각은 조정 가능한 매트릭스(adjustable matrix)를 포함할 수 있다.

도25를 참조하면, 먼저 n번째 영상 데이터를 획득한다. 여기서, 영상 데이터는, 예를 들어 W X H크기의 RGB데이터일 수 있다(S2501). 여기서, n번째 영상 데이터는 n번째 원본 데이터, n번째 원본 영상, n 번째 원본 영상 데이터 등과 혼용될 수 있다.

이상 개체 검출 장치(100)의 제어부(112), 예를 들어 제1 특징 추출 유닛(600)은 n번째 영상 데이터에서 개체를 검출하여 n번째 영상 데이터에 대한 개체의 위치 분포 데이터를 생성한다(S2502). 여기서, 위치 분포 데이터는 영역 별, 블록 별, 또는 픽셀 별로 생성될 수 있으며, 제어부(112)는 영상 데이터 내에서 객체가 위치한다고 판단되는 영역을 제안하도록 학습된 제1 알고리즘을 이용할 수 있다. 여기서, 제1 알고리즘은, 전술한 바와 같이 객체가 존재하는 영역을 표시하는 알고리즘을 활용한 실시간 객체 검출 방법을 이용할 수 있다, 또는, 제1 알고리즘은 객체의 분포 정보, 즉 객체가 위치하는 영역의 밀도 정보를 나타내는 방법을 이용할 수도 있다. 여기서, 위치 분포 데이터는 제1 밀도 맵일 수 있다.

이하 설명에서는 영상 데이터의 픽셀 별 연산을 이용하여 이상 개체 데이터를 연산 또는 표시하는 방법을 설명한다.

위치 분포 데이터에는 업데이트 파라미터 μ값이 적용된다. 또는 업데이트 파라미터 μ값과 오프셋 파라미터 ε값이 동시에 적용될 수도 있다. μ는 아주 작은 값으로 예를 들어 0.001일 수 있다. 즉, 위치 분포 데이터가 오랫 동안 누적이 되어야만 서서히 픽셀에 표시되도록 제어하는 것이다. offset parameter ε는 위치 분포 데이터의 누적을 조정하는 parameter로서 μ대비 1/10~1/100의 값을 가질 수 있다(S2503).

이상 개체 검출 장치(100)의 제어부(112), 예를 들어 제2 특징 추출 유닛(602)은 n-1번째 영상 데이터와 n번째 영상 데이터를 비교하여 n번째 영상 데이터에 대한 개체의 움직임을 검출한다. 이 때, n-1번째 영상 데이터는 래치회로 또는 버퍼회로에 저장되어 있을 수 있다. 이상 개체 검출 장치(100)의 제어부(112), 예를 들어 제2 특징 추출 유닛(602)는 검출한 움직임에 따라 동작 데이터를 생성한다(S2504). 여기서, 동작 데이터는 동작 맵일 수 있다. 여기서, 동작 데이터는 영역 별, 블록 별 또는 픽셀 별로 생성될 수 있으며, 제어부(112)는 옵티컬 플로우(optical flow)를 활용하여 모션을 검출하도록 학습된 제2 알고리즘(motion detector)을 이용할 수 있다. 동작 데이터에는 업데이트 파라미터 κ가 적용될 수 있다. κ는 동작 데이터의 누적을 조정하는 파라미터이다(S2505).

이상 개체 검출 장치(100)의 제어부(112), 예를 들어 제어부(604)는 n번째 영상 데이터의 위치 분포 데이터에 n-1번째 이상 개체 데이터를 합하고(S2506), n번째 영상 데이터의 동작 데이터를 감하여 n번째 영상 데이터에 대한 이상 개체 데이터를 생성한다(S2507). 여기서, n번째 영상 데이터에 대한 이상 개체 데이터는 n번째 이상 개체 밀도 맵일 수 있다.

본 발명의 실시예에 따른 이상 개체 검출 장치(100)는 S2501 내지 S2507과정을 반복하여 움직임이 검출된 개체의 색상은 연하게 또는 원본 색상에 가깝게 표시하고, 움직임이 누적하여 검출되지 않은 개체의 색상은 진하게 또는 빨간 색상에 가깝게 표시하도록 제어할 수 있다.

이후, n번째 이상 개체 데이터는 n번째 영상 데이터, 즉 n번째 원본 데이터 상에 정합될 수 있으며, n번째 원본 데이터 상에 n번째 이상 개체 데이터가 정합된 영상이 관리자 단말(200)에 표시될 수 있다. 즉, n번째 영상 내 이상 개체가 위치한 영역은 n번째 이상 개체 밀도 맵을 이용하여 마스킹될 수 있으며, 마스킹된 영상이 관리자 단말(200)에 표시될 수 있다.

본 발명의 실시예에 따른 이상 개체 검출 장치(100)의 동작은 아래와 같은 수학식 1을 적용할 수 있다.

수학식 1에서 μ는 업데이트 파라미터로 설정에 따라 변경될 수 있다.

수학식 1에서 Pixel_t, Pixel_t _-1은 이상 개체 데이터로서, 이상 개체의 존재 여부를 픽셀에 표시하기 위한 값으로서 픽셀의 농도를 의미할 수 있다. 이상 개체가 존재할 확률이 높은 픽셀일수록 더 진한 색으로 표시할 수 있도록 하는 것이다. 예를 들어, 이상 개체가 존재할 확률이 없으면 원색(하얀색)으로 표시되고, 이상 개체가 존재할 확률이 높을수록 빨강색에 가깝게 표현하고, 이상 개체가 존재할 확률이 아주 높다고 판단되면 가장 진한 빨강색으로 표시되게 하는 것이다. 따라서, Pixel_t, Pixel_t _-1은 0에서 1 사이의 값을 가지도록 설정할 수 있으며, 0에 가까울수록 원색(하얀색)에 가깝게 표시되고, 1에 가까울수록 빨강색으로 표시된다.

수학식 1에서 Pixel_t _- ₁는 위치 분포 데이터 및 동작 데이터가 누적된 직전 프레임의 이상 개체 데이터다. 수학식 1에서 Pixel_t는 현재 프레임의 위치분포 데이터와 동작 데이터를 적용하여 업데이트된 이상 개체 데이터다.

수학식 1에서 W_t는 현재 프레임의 위치 분포 데이터일 수 있다. 위치 분포 데이터는 해당 픽셀에 개체가 존재하는지 확률로서 0에서 1 사이의 값을 가질 수 있다. 위치 분포 데이터에는 update parameter μ가 적용될 수 있다. μ는 아주 작은 값으로 예를 들어 0.001일 수 있다. 즉, 위치 분포 데이터가 오랫 동안 누적이 되어야만 서서히 픽셀에 표시되도록 제어하는 것이다.

수학식 1에서 F_t 는 현재 프레임의 동작 데이터일 수 있다. 동작 데이터는 모션 벡터의 절대값을 산출한 것으로서 0 이상의 값을 가질 수 있다. 모션 벡터의 크기는 개체의 속도에 대응되므로 1이상의 값을 가질 수 있다. 동작 데이터에는 별도의 파라미터 를 반영하지 않아 해당 픽셀에서 동작이 검출된 경우에는 해당 픽셀의 표시는 초기화가 되도록 제어한다.

또는 실시예에 따른 이상 개체 판단 장치의 동작은 아래와 같은 수학식 2를 적용할 수 있다.

※μ: update parameter, ε: offset parameter

수힉식2는 수학식1에서 offset parameter ε가 추가된 것으로 수학식1과 동일한 설명은 생략한다. offset parameter ε는 위치 분포 데이터의 누적을 조정하는 parameter로서 μ대비 1/10~1/100의 값을 가질 수 있다.

또는 실시예에 따른 이상 개체 판단 장치의 동작은 아래와 같은 수학식 3또는 수학식 4를 적용할 수 있다.

※μ: update parameter, ε: offset parameter, κ: update parameter

수학식3 또는 수학식4는 동작 데이터 F_t에 update parameter κ를 곱한 것으로서 수학식1 및 수학식2와 동일한 내용은 생략한다. constant κ는 동작 데이터의 누적을 조정하는 parameter이다.

또는 실시예에 따른 이상 개체 판단 장치의 동작은 아래와 같은 수학식 5를 적용할 수 있다.

수학식5는 수학식1,2,3 또는 4의 값이 0 이하로 떨어지는 것을 방지하기 위한 수식이다. 예를들어 동작 데이터(Ft)의 크기가 다른 파라미터 값의 합보다 크게 되어, 수학식1,2,3 또는 4의 값이 0보다 작은 음수가 될 경우 이를 보정하여 0으로 표시될 수 있도록 보정하는 제어 방법이다.

도 26은 학습용 서버에 의하여 재학습된 결과를 이용하여 본 발명의 실시예에 따른 이상 개체 검출 장치가 이상 개체를 검출하는 방법을 설명하는 도면이다.

도26을 참조하면, S2601 내지 S2607과정 동안 학습용 서버(400)로부터 수신한 제1 업데이트 정보, 제2 업데이트 정보 및 제3 업데이트 정보가 적용될 수 있다. 제1 업데이트 정보, 제2 업데이트 정보 및 제3 업데이트 정보를 얻기 위하여, 본 발명의 실시예에 따른 이상 개체 검출 장치(100)는 학습용 데이터를 추출하여 학습용 서버(400)에 전송할 수 있다. 이때, 학습용 데이터는 이상 개체 검출 장치(100)가 획득한 영상 데이터의 일부를 포함할 수 있으며, 이는 이상 개체 검출 장치(100)가 이상 개체 검출을 위한 알고리즘을 구동하여 추출한 이상 개체 정보에 대한 피드백 정보를 이용하여 얻어질 수 있다. 여기서, 피드백 정보는 관리자 단말(200)에 의하여 수정된 정보를 포함할 수 있다.

더욱 구체적으로, 도 26(a)를 참조하면, 본 발명의 실시예에 따른 이상 개체 검출 장치(100)는 학습용 데이터를 추출하여 학습용 서버(400)에 전송할 수 있으며, 학습용 서버(400)는 이상 개체 검출 장치(100)로부터 수신한 학습용 데이터를 이용하여 객체 밀도 예측 네트워크를 재학습(retraining), 즉 업데이트할 수 있다. 여기서, 학습용 데이터는 오류가 있는 것으로 지시된 영상 데이터 및 오류가 정정된 이상 개체 데이터를 포함할 수 있다. 예를 들어, n 번째 프레임 내 일부 영역(806)에 이상 개체가 존재하지 않음에도 불구하고 이상 개체가 존재하는 것으로 검출된 경우, 학습용 데이터는 n번째 프레임의 영상 데이터 및 n번째 프레임의 이상 개체 데이터 중 일부 영역(806)의 오류가 정정된 이상 개체 데이터를 포함할 수 있다. 여기서, 오류가 정정된 이상 개체 데이터는 관리자 단말(200)에 의하여 개체의 밀도가 수정된 정보일 수 있으며, 이상 개체 검출 장치(100)가 추출한 영역 별, 블록 별 또는 픽셀 별 개체의 밀도 분포를 제1 밀도 맵이라 하는 경우, 관리자 단말(200)에 의하여 수정된 영역 별, 블록 별 또는 픽셀 별 개체의 밀도 분포는 제2 밀도 맵이라 지칭할 수 있다. 학습용 서버(400)는 학습용 서버(400) 내 객체 밀도 예측 네트워크의 출력 영상과 학습용 데이터에 포함된 오류가 정정된 영상, 즉 정답 영상을 비교하여 손실(loss)을 구하고, 해당 손실을 최소화 하도록 학습기(trainer)에서 객체 밀도 예측 network의 변수들(예를 들어, feature map 등)을 학습(보정)할 수 있다.

이후, 도 26(b)를 참조하면, 이상 개체 검출 장치(100)의 제어부(112)는 위치 분포 데이터를 생성하는 단계, 즉 S2602에서, 학습용 서버(400)에 의하여 재학습된 객체 밀도 네트워크를 이용할 수 있다. 즉, 이상 개체 검출 장치(100)의 제어부(112)는 학습용 서버(400)로부터 학습용 데이터, 예를 들어 n번째 영상 및 제2 밀도 맵을 이용한 재학습에 의하여 얻어진 업데이트 정보를 이용하여 n번째 영상 이후의 소정 영상에 대한 이상 개체 밀도 맵을 출력할 수 있다.

본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 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, 프로그램 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'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100: 촬상 장치
111: 촬영부
112: 제1특징 추출 유닛
113: 제2특징 추출 유닛
114: 제어부
115: 통신부
116: 표시부
117: 유저 인터페이스부
118: 인코딩부
119: 데이터베이스
120: 조도 센서
121: 광원부
122: 팬틸트부

Claims

이미지로부터 생성된 복수의 블록을 포함하는 영상 데이터를 이용하여, 상기 블록을 유사성에 따라 적어도 2개의 그룹으로 분류하여 개체의 분포를 나타내는 위치 분포 데이터를 생성하는 제1특징 추출 유닛;
상기 영상 데이터를 이용하여, 상기 블록별 움직임 검출 여부를 나타내는 동작 데이터를 생성하는 제2특징 추출 유닛; 및
상기 위치 분포 데이터 및 상기 동작 데이터를 비교하여 상기 개체의 분포와 상기 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성하는 제어부를 포함하는 이상 개체 검출 장치.
제1항에 있어서,
상기 제1특징 추출 유닛은 상기 그룹별로 상기 블록의 분포도, 밀도, 색상, 외형 및 크기 중 적어도 하나의 특징점을 미리 저장된 특징점과 비교하여 개체의 종류를 분류하는 이상 개체 검출 장치.
제2항에 있어서,
상기 제어부는 상기 제1특징 추출 유닛에서 구분한 개체 중 가금류 그룹의 분포와 상기 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성하는 제어부를 포함하는 이상 개체 검출 장치.
제2항에 있어서,
상기 제1특징 추출 유닛은 이진화 방식, 히스토그램 방식, 워터쉐드 방식, k-평균 클러스터링 방식 및 머신 러닝 방식 중 적어도 하나의 방식을 이용하여 상기 그룹의 분류를 수행하는 이상 개체 검출 장치.
제4항에 있어서,
상기 제1특징 추출 유닛은 2 내지 10개의 그룹으로 분류를 수행하는 이상 개체 검출 장치.
제4항에 있어서,
상기 제1특징 추출 유닛은 상기 블록을 바닥, 모이통, 식수대, 배관 및 가금류를 포함하는 그룹으로 분류하는 이상 개체 검출 장치.
제6항에 있어서,
상기 제1특징 추출 유닛은 상기 모이통 그룹 및 상기 식수대 그룹 중 적어도 하나의 주변에 대한 밀도 분포가 다른 영역에 대한 밀도 분포보다 높은 그룹을 가금류 그룹으로 분류하는 이상 개체 검출 장치.
복수 블록을 포함하는 이미지를 촬영하여 영상 데이터를 생성하는 촬영부;
상기 영상 데이터에 포함된 상기 블록을 유사성에 따라 적어도 2개의 그룹으로 분류하여 개체의 분포를 나타내는 위치 분포 데이터를 생성하는 제1특징 추출 유닛;
상기 영상 데이터를 이용하여, 상기 블록별 움직임 검출 여부를 나타내는 동작 데이터를 생성하는 제2특징 추출 유닛; 및
상기 위치 분포 데이터 및 상기 동작 데이터를 비교하여 상기 개체의 분포와 상기 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성하는 제어부를 포함하는 촬상 장치.
제8항에 있어서,
상기 제1특징 추출 유닛은 상기 그룹별로 상기 블록의 분포도, 밀도, 색상, 외형 및 크기 중 적어도 하나의 특징점을 미리 저장된 특징점과 비교하여 개체의 종류를 분류하는 촬상 장치.
제9항에 있어서,
상기 제어부는 상기 제1특징 추출 유닛에서 구분한 개체 중 가금류 그룹의 분포와 상기 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성하는 제어부를 포함하는 촬상 장치.
제9항에 있어서,
상기 제1특징 추출 유닛은 이진화 방식, 히스토그램 방식, 워터쉐드 방식, k-평균 클러스터링 방식 및 머신 러닝 방식 중 적어도 하나의 방식을 이용하여 상기 그룹의 분류를 수행하는 촬상 장치.
제11항에 있어서,
상기 제1특징 추출 유닛은 2 내지 10개의 그룹으로 분류를 수행하는 촬상 장치.
제11항에 있어서,
상기 제1특징 추출 유닛은 상기 블록을 바닥, 모이통, 식수대, 배관 및 가금류를 포함하는 그룹으로 분류하는 촬상 장치.
제13항에 있어서,
상기 제1특징 추출 유닛은 상기 모이통 그룹 및 상기 식수대 그룹 중 적어도 하나의 주변에 대한 밀도 분포가 다른 영역에 대한 밀도 분포보다 높은 그룹을 가금류 그룹으로 구분하는 촬상 장치.
복수 블록을 포함하는 이미지를 촬영하여 영상 데이터를 생성하는 단계;
상기 영상 데이터에 포함된 상기 블록을 유사성에 따라 적어도 2개의 그룹으로 분류하는 단계;
상기 그룹별 개체의 분포를 나타내는 위치 분포 데이터를 생성하는 단계;
상기 영상 데이터를 이용하여, 상기 블록별 움직임 검출 여부를 나타내는 동작 데이터를 생성하는 단계; 및
상기 위치 분포 데이터 및 상기 동작 데이터를 비교하여 상기 개체의 분포와 상기 움직임 검출 여부가 중복되는 블록을 나타내는 이상 개체 데이터를 생성하는 단계를 포함하는 이상 개체 검출 방법.
제15항에 있어서,
상기 위치 분포 데이터를 생성하는 단계는 상기 그룹별로 상기 블록의 분포도, 밀도, 색상, 외형 및 크기 중 적어도 하나의 특징점을 미리 저장된 특징점과 비교하여 개체의 종류를 분류하는 단계를 더 포함하는 이상 개체 검출 방법.
제16항에 있어서,
상기 이상 개체 데이터를 생성하는 단계는 상기 제1특징 추출 유닛에서 구분한 개체 중 가금류 그룹의 분포와 상기 움직임 검출 여부가 중복되는 블록을 비교하여 수행되는 이상 개체 검출 방법.