KR20210086772A

KR20210086772A - 지능형 해변 안전사고 방지를 위한 파도 측정 시스템 및 방법과, 이를 위한 컴퓨터 프로그램

Info

Publication number: KR20210086772A
Application number: KR1020190177778A
Authority: KR
Inventors: 김동욱; 한명묵; 홍성삼; 신건윤
Original assignee: 가천대학교 산학협력단
Priority date: 2019-12-30
Filing date: 2019-12-30
Publication date: 2021-07-09
Also published as: KR102357210B1

Abstract

파도 측정 시스템은, 대상 해수욕장의 이미지 데이터를 수신하도록 구성된 수신부; 미리 설정된 파도 이미지에 대한 학습 결과를 이용하여, 상기 이미지 데이터로부터 파도에 상응하는 복수 개의 객체를 검출하도록 구성된 머신러닝(machine learning)부; 및 상기 머신러닝부에 의해 검출된 상기 복수 개의 객체 사이의 거리를 실제 거리로 환산한 추정값에 기초하여 파도에 의한 위험도를 산출하도록 구성된 위험도 결정부를 포함한다. 상기 파도 측정 시스템에 의하면, 해수욕장에 설치된 CCTV에 의하여 촬영된 영상 등 해변의 이미지 데이터로부터 파도 객체를 추출하고, 추출된 파도 이미지를 가우시안(Gaussian) 혼합 모델 및 직교 방정식에 기반하여 분석함으로써 파도의 높이를 실시간으로 분석하여, 이를 토대로 해변의 안전사고 위험도를 평가할 수 있는 이점이 있다.

Description

지능형 해변 안전사고 방지를 위한 파도 측정 시스템 및 방법과, 이를 위한 컴퓨터 프로그램{SYSTEM AND METHOD FOR MEASURING WAVES FOR PREVENTING BEACH ACCIDENTS AND COMPUTER PROGRAM FOR THE SAME}

실시예들은 파도 측정 시스템 및 방법과, 이를 위한 컴퓨터 프로그램에 관한 것이다. 보다 상세하게는, 실시예들은 해변에서 주로 발생하는 안전 사고에 있어 파도에 의한 영향이 큰 점에 착안하여 이미지 분석 기술을 통해 파도의 높이 등을 실시간으로 분석함으로써 안전사고를 예방하는 기술에 대한 것이다.

해마다 많은 관광객들이 해수욕장을 방문하고 있으며, 해수욕장을 방문하는 관광객들의 수는 해가 갈수록 점차 증가하고 있다. 그런데, 이와 더불어 해수욕장과 관련된 안전사고 또한 빈번하게 발생되고 있다.

해변의 안전사고를 예방하기 위해 다양한 환경 정보에 대한 관찰 능력이 중요하다. 국가적으로 해변 안전사고를 예방하기 위하여 날씨 예보 서비스를 제공하고 있으며, 해변 이용객들은 날씨 예보 서비스를 통해 조석, 조류, 바람, 파고 등의 환경 정보를 제공받아 해안에서의 위험 사고에 대해 예방이 가능하다. 그러나 이러한 정적인 환경 정보를 활용한 예방 대책은 실시간으로 발생하는 사고를 예방하기에는 한계가 있다. 실제 해변에서는 실시간으로 끊임없이 변화하는 해변의 지형 지물에 의해 안전 사고가 시시각각 발생한다.

해변에서의 이상 현상을 파악하는 것에 관련된 종래의 기술은, 바다 위에 별도의 센서를 설치하여 그로부터 측정된 데이터를 이용하는 형태를 갖는다. 예컨대, 등록특허공보 제10-1658197호는 연안의 해상에 다수개의 부유체를 설치한 후, 육상의 측정점 또는 기준점에서 육상레이저 측정기로 해변에 대한 위치 데이터와 해상의 각 부유체에 대한 위치 데이터를 동시에 실시간으로 측량하고, 이를 토대로 연안의 이상현상을 파악하는 기술을 개시한다.

그러나, 등록특허공보 제10-1658197호에 개시된 것과 같은 종래 기술은 해상에 부유체 형태로 설치된 별도의 센서를 필요로 하므로 넓은 지역에 적용되기에는 적절하지 않으며, 또한 부유물에 의한 측정값은 실제 해변에 나타나는 파도를 정확하게 반영하지 못하는 한계가 있다. 이처럼 종래에는 실시간으로 변화하며 해변의 안전 사고에 영향을 큰 미치는 파도의 크기, 속도, 발생 빈도 등 특성을 정량화하여 안전 사고를 예방할 수 있는 기술은 존재하지 않았다.

등록특허공보 제10-1658197호

본 발명의 일 측면에 따르면, 해수욕장에 설치된 CCTV에 의하여 촬영된 영상 등 해변의 이미지 데이터로부터 파도 객체를 추출하고, 추출된 파도 이미지를 가우시안(Gaussian) 혼합 모델 및 직교 방정식에 기반하여 분석함으로써 파도의 높이를 실시간으로 분석할 수 있는 파도 측정 시스템 및 방법과, 이를 위한 컴퓨터 프로그램을 제공할 수 있다.

본 발명의 일 측면에 따른 파도 측정 시스템은, 대상 해수욕장의 이미지 데이터를 수신하도록 구성된 수신부; 미리 설정된 파도 이미지에 대한 학습 결과를 이용하여, 상기 이미지 데이터로부터 파도에 상응하는 복수 개의 객체를 검출하도록 구성된 머신러닝(machine learning)부; 및 상기 머신러닝부에 의해 검출된 상기 복수 개의 객체 사이의 거리를 실제 거리로 환산한 추정값에 기초하여 파도에 의한 위험도를 산출하도록 구성된 위험도 결정부를 포함한다.

일 실시예에 따른 파도 측정 시스템은, 상기 이미지 데이터로부터 육지 및 물에 각각 상응하는 가우시안(Gaussian) 분포를 포함하는 가우시안 혼합 모델을 이용하여 해안 경계선을 검출하도록 구성된 경계선 검출부를 더 포함한다. 이때, 상기 위험도 결정부는, 검출된 상기 해안 경계선을 이용하여, 상기 이미지 데이터상의 상기 복수 개의 객체 사이의 거리를 상기 이미지 데이터의 촬영 지점에 대한 상대적인 위치에 기초하여 보정하도록 더 구성된다.

일 실시예에 따른 파도 측정 시스템은, 상기 복수 개의 객체 사이의 구간에 포함된 데이터 점들에 대해 미리 설정된 역 거리 가중치의 합계를 산출함으로써 상기 추정값에 적용될 가중치 합계를 산출하도록 구성된 가중합계 산출부를 더 포함한다.

일 실시예에서, 상기 위험도 결정부는, 상기 위험도의 시간에 따른 변화를 이용하여 안전사고 발생 위험을 산출하도록 더 구성된다.

본 발명의 일 측면에 따른 파도 측정 방법은, 파도 측정 시스템이 대상 해수욕장의 이미지 데이터를 수신하는 단계; 상기 파도 측정 시스템이, 미리 설정된 파도 이미지에 대한 학습 결과를 이용하여, 상기 이미지 데이터로부터 파도에 상응하는 복수 개의 객체를 검출하는 단계; 및 상기 파도 측정 시스템이, 상기 검출하는 단계에 의해 검출된 상기 복수 개의 객체 사이의 거리를 실제 거리로 환산한 추정값에 기초하여 파도에 의한 위험도를 산출하는 단계를 포함한다.

일 실시예에 따른 파도 측정 방법은, 상기 파도 측정 시스템이, 상기 이미지 데이터로부터 육지 및 물에 각각 상응하는 가우시안 분포를 포함하는 가우시안 혼합 모델을 이용하여 해안 경계선을 검출하는 단계를 더 포함한다. 이때, 상기 위험도를 산출하는 단계는, 상기 파도 측정 시스템이, 검출된 상기 해안 경계선을 이용하여, 상기 이미지 데이터상의 상기 복수 개의 객체 사이의 거리를 상기 이미지 데이터의 촬영 지점에 대한 상대적인 위치에 기초하여 보정하는 단계를 포함한다.

일 실시예에서, 상기 위험도를 산출하는 단계는, 상기 파도 측정 시스템이, 상기 이미지 데이터상의 상기 복수 개의 객체 사이의 거리를 직교 방정식을 이용하여 구면 상의 거리로 환산한 하나 이상의 추정값을 산출하는 단계; 및 상기 파도 측정 시스템이, 상기 복수 개의 객체 사이의 구간에 포함된 데이터 점들에 대해 미리 설정된 역 거리 가중치의 합계를 산출함으로써 상기 추정값에 적용될 가중치 합계를 산출하는 단계를 포함한다.

일 실시예에 따른 파도 측정 방법은, 상기 파도 측정 시스템이, 상기 위험도의 시간에 따른 변화를 이용하여 안전사고 발생 위험을 산출하는 단계를 더 포함한다.

일 실시예에 따른 컴퓨터 프로그램은 하드웨어와 결합되어 전술한 실시예들에 따른 파도 측정 방법을 실행하기 위한 것으로서 컴퓨터로 판독 가능한 매체에 저장된 것일 수 있다.

본 발명의 일 측면에 따른 파도 측정 시스템 및 방법에 의하면, 해수욕장에 설치된 CCTV에 의하여 촬영된 영상 등 해변의 이미지 데이터로부터 파도 객체를 추출하고, 추출된 파도 이미지를 가우시안(Gaussian) 혼합 모델 및 직교 방정식에 기반하여 분석함으로써, 해변의 안전 사고에 대한 영향이 큰 파도의 높이를 실시간으로 추정할 수 있는 이점이 있다.

본 발명의 일 측면에 따른 파도 측정 시스템 및 방법에 의하면, 딥러닝(deep learning) 프레임워크 기반의 객체 탐지를 통하여 파도 이미지를 학습하고 학습 결과를 기반으로 실제 해변의 CCTV 영상을 분석함으로써, 탐지된 객체인 파도의 높이, 속도, 발생 빈도 등을 객관적으로 추정하고 이를 통해 안전사고의 위험도를 평가할 수 있다.

도 1은 일 실시예에 따른 파도 측정 시스템의 개략적인 블록도이다.
도 2는 일 실시예에 따른 파도 측정 방법의 각 단계를 나타내는 순서도이다.
도 3은 일 실시예에 따른 파도 측정 방법에 의한 파도 검출 과정을 나타내는 개념도이다.
도 4는 일 실시예에 따른 파도 측정 방법에 의해 이미지 데이터로부터 검출된 파도 객체를 나타내는 예시적인 이미지이다.
도 5는 일 실시예에 따른 파도 측정 방법에 의해 직교 방정식으로부터 파도 사이의 거리를 추정하는 과정을 설명하기 위한 그래프이다.

이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.

도 1은 일 실시예에 따른 파도 측정 시스템의 개략적인 블록도이다.

도 1을 참조하면, 본 실시예에 따른 파도 측정 시스템(3)은 대상 해수욕장에 설치된 하나 이상의 촬영 장치(1)로부터 이미지 데이터를 수신하도록 구성된다. 예를 들어, 촬영 장치(1)는 CCTV일 수 있으나, 이에 한정되는 것은 아니다. 또한, 파도 측정 시스템(3)은 외부 서버(2)로부터 이미지 데이터 및/또는 파도 객체의 탐지를 위한 학습 데이터 등을 수신할 수도 있다.

파도 측정 시스템(3)과 촬영 장치(1) 및/또는 외부 서버(2) 사이의 통신 방법은 유선 및/또는 무선 네트워크를 통하여 객체와 객체가 네트워킹 할 수 있는 모든 통신 방법을 포함할 수 있으며, 유선 통신, 무선 통신, 3G, 4G, 혹은 그 이외의 방법으로 제한되지 않는다.

예를 들어, 파도 측정 시스템(3)과 촬영 장치(1) 및/또는 외부 서버(2) 사이의 유선 및/또는 무선 네트워크는 LAN(Local Area Network), MAN(Metropolitan Area Network), GSM(Global System for Mobile Network), EDGE(Enhanced Data GSM Environment), HSDPA(High Speed Downlink Packet Access), W-CDMA(Wideband Code Division Multiple Access), CDMA(Code Division Multiple Access), TDMA(Time Division Multiple Access), 블루투스(Bluetooth), 지그비(Zigbee), 와이-파이(Wi-Fi), VoIP(Voice over Internet Protocol), LTE Advanced, IEEE802.16m, WirelessMAN-Advanced, HSPA+, 3GPP Long Term Evolution (LTE), Mobile WiMAX (IEEE 802.16e), UMB (formerly EV-DO Rev. C), Flash-OFDM, iBurst and MBWA (IEEE 802.20) systems, HIPERMAN, Beam-Division Multiple Access (BDMA), Wi-MAX(World Interoperability for Microwave Access) 및 초음파 활용 통신으로 이루어진 군으로부터 선택되는 하나 이상의 통신 방법에 의한 통신 네트워크를 지칭할 수 있으나, 이에 한정되는 것은 아니다.

본 명세서에서 이미지 데이터란, 대상 해수욕장에 설치된 촬영 장치(1)에 의하여 촬영된 해변의 이미지가 포함된 임의의 형식의 데이터를 지칭하는 것으로서, 이미지 데이터는 하나의 이미지를 지칭하는 것일 수도 있으며, 또는 시간 간격을 가지고 촬영된 복수의 연속된 이미지, 즉, 동영상을 지칭하는 것일 수도 있다.

또한, 본 명세서에서 대상 해수욕장은 반드시 특정한 하나의 지점을 지칭하는 것이 아닐 수도 있다. 예컨대, 특정 지역범위 내의 다수의 해수욕장 전체를 대상으로 파도의 영향에 의한 위험도를 분석하는 것도 본 발명의 실시예들에서 지칭하는 대상 해수욕장에 대한 평가에 포함된다.

일 실시예에서, 파도 측정 시스템(3)은 수신부(31), 머신러닝(machine learning)부(32), 및 위험도 결정부(35)를 포함한다. 일 실시예에서, 파도 측정 시스템(3)은 경계선 검출부(33)를 더 포함한다. 또한 일 실시예에서, 파도 측정 시스템(3)은 가중합계 산출부(34)를 더 포함한다.

실시예들에 따른 파도 측정 시스템(3)과 이에 포함된 각 부(unit)는, 전적으로 하드웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 파도 측정 시스템(3)과 이에 포함된 각 모듈 또는 부는 특정 형식 및 내용의 데이터를 처리하거나 또는/또한 전자통신 방식으로 주고받기 위한 하드웨어 및 이에 관련된 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부", "모듈(module)", "장치", "단말기", "서버" 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 하드웨어에 의해 구동되는 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.

또한, 파도 측정 시스템(3)을 구성하는 각각의 요소는 반드시 서로 물리적으로 구분되는 별개의 장치를 지칭하는 것으로 의도되지 않는다. 즉, 도 1의 수신부(31), 머신러닝부(32), 경계선 검출부(33), 가중합계 산출부(34) 및 위험도 결정부(35) 등은 파도 측정 시스템(3)을 구성하는 하드웨어를 해당 하드웨어에 의해 수행되는 동작에 따라 기능적으로 구분한 것일 뿐, 반드시 각각의 부가 서로 독립적으로 구비되어야 하는 것이 아니다. 물론, 실시예에 따라서는 수신부(31), 머신러닝부(32), 경계선 검출부(33), 가중합계 산출부(34) 및 위험도 결정부(35) 중 하나 이상이 서로 물리적으로 구분되는 별개의 장치로 구현되는 것도 가능하다.

수신부(31)는, 하나 이상의 촬영 장치(1)로부터 대상 해수욕장의 이미지 데이터를 수신하도록 구성된다. 또는, 수신부(31)에 수신되는 이미지 데이터는 촬영 장치(1)에 의하여 촬영된 후 외부 서버(2)를 경유하여 수신부(31)에 수신되는 것일 수도 있다. 또한, 수신부(31)는 머신러닝부(32)에 의한 학습을 위한 학습 데이터를 외부 서버(2)로부터 더 수신할 수도 있다.

머신러닝부(32)는, 학습 데이터에 포함된 파도 이미지를 이용하여 파도 객체의 탐지를 위한 학습을 수행하며, 학습 결과를 기반으로 수신부(31)에 수신된 대상 해수욕장의 이미지 데이터로부터 파도에 해당하는 복수 개의 객체를 검출하도록 구성된다.

위험도 결정부(35)는, 머신러닝부(32)에 의해 검출된 복수 개의 파도 객체 사이의 거리를 실제 거리로 환산한 추정값을 산출하고, 이를 토대로 파도에 의한 위험도를 산출하도록 구성된다. 예를 들어, 파도 객체 사이의 거리를 실제 거리로 환산한 추정값은 평면상의 거리를 구면 좌표계 상의 거리로 환산하기 위한 직교 방정식을 이용하여 수행될 수 있다.

일 실시예에서, 파도 측정 시스템(3)은 가중합계 산출부(34)를 더 포함한다. 가중합계 산출부(34)는 복수 개의 객체 사이의 구간에 포함된 데이터 점들에 대해 미리 설정된 역 거리 가중치의 합계를 산출함으로써 추정값에 적용될 가중치 합계를 산출할 수 있다. 이때 역 거리 가중치란 촬영 지점으로부터 멀리 위치하는 파도 객체 사이의 거리에 대해 더 큰 가중치를 부여하여 해변에 분산된 파도 객체 사이의 거리를 실제에 가깝게 추정하기 위한 것이며, 거리에 따른 역 거리 가중치의 수치는 사용자에 의해 적절히 설정될 수 있다.

일 실시예에서, 파도 측정 시스템(3)은 경계선 검출부(33)를 더 포함한다. 경계선 검출부(33)는 육지 및 물에 각각 상응하는 가우시안(Gaussian) 분포를 포함하는 가우시안 혼합 모델(Gaussian Mixture Model; GMM)을 이용하여 이미지 데이터로부터 해안 경계선을 검출하도록 구성된다. 검출된 해안 경계선은, 위험도 결정부(35)에 의하여 산출된 파도 객체 사이의 거리를 촬영 위치에 대해 상대적으로 보정하기 위한 용도로 이용된다.

예를 들어, 위험도 결정부(35)는 경계선 검출부(33)에 의해 검출된 해안 경계선을 이용하여 이미지 데이터 상의 사분면 중 촬영 지점(즉, 촬영 장치(1)가 배치된 지점)에 상대적으로 가까운 사분면과 이로부터 상대적으로 먼 사분면을 결정하고, 촬영 지점에서 상대적으로 가까이 위치한 객체 사이의 거리에 비해 촬영 지점에서 상대적으로 멀리 위치한 객체 사이의 거리에 더 높은 가중치가 적용되도록 각 사분면의 객체 사이의 거리에 대한 가중치를 결정함으로써 객체 사이의 거리를 보정할 수 있다.

도 2는 일 실시예에 따른 파도 측정 방법의 각 단계를 나타내는 순서도이다. 실시예들에 따른 파도 측정 방법은 파도 측정 시스템을 이용하여 수행될 수 있으며, 설명의 편의를 위하여, 도 1 및 도 2를 참조하여 본 실시예에 따른 파도 측정 방법에 대하여 설명한다.

파도 측정 시스템(3)의 머신러닝부(32)는, 외부 서버(2) 등으로부터 수신되거나 또는 파도 측정 시스템(3)에 입력된 학습 데이터를 기반으로 파도 객체의 검출을 위한 학습을 수행할 수 있다(S1). 머신러닝부(32)의 학습은 YOLO(You Only Look Once) 등과 같은 실시간 객체 검출을 위한 딥러닝 프레임워크(deep learning framework)를 이용하여 수행될 수 있으나, 이에 한정되는 것은 아니며, 공지된 또는 향후 개발될 임의의 머신러닝 알고리즘이 객체 검출에 이용될 수 있다.

파도 측정 시스템(3)의 수신부(31)에 대상 해수욕장의 이미지 데이터가 수신되면, 머신러닝부(32)는 학습 결과를 기반으로 이미지 데이터로부터 파도에 해당하는 복수 개의 객체를 검출할 수 있다(S4). 이미지 데이터로부터 파도에 해당하는 객체들이 검출되면, 위험도 결정부(35)에서는 직교 방정식에 의해 파도 객체 사이의 거리를 구면상의 거리로 변환한 추정값을 산출하고, 이를 통해 파도 객체에 의한 위험도를 평가할 수 있다(S5). 또한, 위험도 결정부(35)는, 파도 객체를 평가하여 얻은 위험도의 시간에 따른 변화를 이용하여 안전사고 발생 위험을 산출할 수 있다(S6).

도 3은 일 실시예에 따른 파도 측정 방법에 의한 파도 검출 과정을 나타내는 개념도이다.

도 3을 참조하면, 파도 측정 시스템은 YOLO 등의 머신러닝 프레임워크에 기반한 객체 검출 시스템을 통합하여 포함하고 있으며, 학습 이미지를 이용하여 객체 검출 시스템의 학습을 수행함으로써 이미지 데이터로부터 파도 객체를 검출하기 위한 특징(feature) 데이터와 이에 관련된 파라미터 등을 결정할 수 있다.

학습을 통하여 파도에 대한 탐지가 적절하게 수행될 수 있다면, 파도 측정 시스템은 객체 검출 시스템을 이용하여 대상 해수욕장의 실제 이미지 데이터로부터 파도 객체를 탐지한다. 또한, 파도 측정 시스템은 탐지된 파도 객체로부터 파도에 의한 위험도를 평가하기 위한 특징 데이터를 추출하고, 이를 통해 파도에 의한 위험도를 결정할 수 있다. 특징 데이터로부터 파도의 위험도를 결정하는 과정에는 가우시안 혼합 모델(Gaussian Mixture Model; GMM)에 의한 해안 경계선 검출이 이용될 수 있다. 또한, 파도의 위험도를 결정하는 과정에는 파도 객체로부터 커널 밀도 추정(Kernel Density Estimation; KDE) 등의 알고리즘을 통하여 파도의 특성(예컨대, 높이, 속도, 발생 빈도 등)을 추정하는 과정이 이용될 수도 있다.

도 4는 일 실시예에 따른 파도 측정 방법에 의해 이미지 데이터로부터 검출된 파도 객체를 나타내는 예시적인 이미지이다.

도 4를 참조하여 보다 구체적으로 설명하면, 본 발명의 실시예들에서는 촬영 장치(예컨대, CCTV)의 정확한 위치를 알지 못하는 상태에서 파도 높이의 산출이 가능하도록 상대적인 추정 방법을 이용한다. 일 실시예에서는, 먼저 도 4에 도시된 것과 같이 이미지 데이터로부터 해안 경계선(410)을 검출할 수 있다. 이때, 해안선을 따라 가우시안 필터를 적용함으로써 이미지 데이터로부터 노이즈를 제거할 수도 있다.

구체적으로, 이미지 데이터를 해안 경계선(410)을 기준으로 분리된 픽셀들로 구성하기 위하여, 미리 설정된 구역별 임계값을 이용하여 육지 배경 부분과 물 배경 부분에 해당하는 픽셀들을 검색할 수 있다. 또한, 검색된 픽셀들에 K-평균(K-means) 알고리즘을 적용함으로써, 물 지역에 해당하는 가우시안 분포 및 육지 지역에 해당하는 가우시안 분포를 각각 포함하는 가우시안 혼합 모델(GMM)을 생성할 수 있다.

가우시안 혼합 모델(GMM)은 육지 및 물의 두 영역으로 인한 이봉분포(bimodal distribution)를 갖는다. 일 실시예에서는, 가우시안 분포의 혼합에 대한 계산을 위하여 아래의 수학식 1과 같은 간단한 기대-최대화(Expectation-Maximization; EM) 알고리즘을 사용할 수도 있다.

[수학식 1]

수학식 1에서 μ₁및 μ₂는 각각 육지와 물에 해당하는 두 분포에 대한 평균값을 의미하며, p(i)는 혼합물의 계수로 총 해면 픽셀 수와 블록의 총 크기 사이의 비율을 픽셀 단위로 나타낸 것이고, δ는 가우시안 혼합 모델(GMM)의 피크 대 골짜기 비율(valley-to-peak ratio)을 의미한다. 이를 기반으로 해양과 육지에 대한 경계 분포를 생성하여 해안 경계선(410)의 위치를 검출할 수 있다.

다음으로, 본 발명의 실시예들에 따른 파도 측정 시스템은 머신러닝에 기반하여 이미지 데이터로부터 복수 개의 파도 객체를 검출하고, 직교 방정식에 의해 파도 객체 사이의 거리를 구면상의 거리로 변환한 추정값을 산출할 수 있다.

도 5는 일 실시예에 따른 파도 측정 방법에 의해 직교 방정식으로부터 파도 사이의 거리를 추정하는 과정을 설명하기 위한 그래프이다.

도 4 및 도 5를 참조하면, 파도 측정 시스템은 이미지 데이터상에 소정의 좌표계(또는, 그리드(grid))를 생성하고, 이미지 데이터로부터 검출된 복수 개의 파도 객체(401 내지 406) 사이의 거리를 아래의 수학식 2와 같은 직교 방정식을 통하여 구면상의 거리로 환산하여 추정할 수 있다.

[수학식 2]

상기 수학식 2에서 r_i는 1개의 파도 객체에 대한 크기를 담는 정보이며, X_j 및 x_i는 파도 객체에 상응하는 경계 상자(bounding box)의 x축 방향의 양단에 해당하는 x좌표이며, Y_j 및 y_i는 파도 객체에 상응하는 경계 상자의 y축 방향의 양단에 해당하는 y 좌표이다. 또한, Z_j및 z_i는 해당 경계 상자의 중심을 나타내는 좌표이다. 일 실시예에 따른 파도 측정 시스템은, 이미지 데이터로부터 탐지된 파도 객체(401 내지 406)에 해당하는 데이터 점(즉, 픽셀)들을 대상으로 전술한 수학식 2에 기초한 r_i를 산출할 수 있다. 다음으로, 파도 측정 시스템은 특정 파도 객체에 해당하는 r_i와 다른 파도 객체에 해당하는 의 r_i+1,r_i+2등의 차이를 통해 파도 객체 사이의 거리의 추정값을 산출할 수 있고, 이를 위험도 평가에 이용할 수 있다. 예를 들어, 위험도는 파도 객체 사이의 거리의 추정값 자체이거나, 또는 이러한 추정값 또는 복수의 추정값들을 이용하여 산출되는 값일 수 있다.

한편, 수학식 2의 R은 유효 반경을 의미하는 것으로서, 전술한 수학식 2에 의하여 산출된 객체의 크기가 이미지의 픽셀보다 작을 경우 이를 위험도 평가에서 배제하기 위한 용도로 사용된다. 유효 반경 R의 값은 이미지 데이터의 픽셀 크기를 토대로 결정될 수 있으나, 사용자에게 의해 적절히 설정될 수 있다.

일 실시예에서, 파도 측정 시스템은 파도 객체 사이의 구간에 포함된 데이터 점들에 대해 미리 설정된 역 거리 가중치의 합계를 산출함으로써 수학식 2의 추정값에 적용될 가중치 합계를 산출할 수 있다. 예를 들어, 일 실시예에서 구간 가중치의 합은 다음 수학식 3과 같이 산출된다.

[수학식 3]

상기 수학식 3에서 w_i는 파도 객체 사이의 구간에 위치하는 데이터 포인트들에서 i 번째 데이터 포인트의 역 거리 가중치를 의미하고, N은 상기 구간에 포함된 데이터 포인트의 수를 의미한다. 또한, 상기 수학식 3에서 w_S는 이러한 역 거리 가중치를 해당 구간 내의 데이터 포인트들에 대해 합산한 구간 가중치의 합계이다. 역 거리 가중치 w_i의 값은 촬영 지점에서 상대적으로 먼 데이터 포인트가 촬영 지점에 상대적으로 가까운 데이터 포인트에 비해 더 큰 값을 갖도록 적절히 설정될 수 있다.

이상의 과정에 의하여 산출되는w_S는, 해당 구간에 상응하는 파도 객체 사이의 거리 r_i에 적용됨으로써 객체 사이의 거리를 촬영 지점으로부터의 거리에 따라 보정하여 해변에 분산된 파도 객체 사이의 거리를 실제에 가깝게 추정할 수 있게 하는 역할을 한다. 또한, 역 거리 가중치의 값은 해안 경계선을 기준으로 결정되는 이미지 데이터 상의 사분면에 대해 각각 결정될 수도 있다.

일 실시예에서, 파도 측정 시스템의 위험도 결정부는, 전술한 수학식들을 통하여 산출되는 위험도의 시간에 따른 변화를 이용하여 안전사고의 발생 위험을 산출할 수 있다. 즉, 시계열적으로 탐지되는 위험도의 크기를 비교하여, 이미지 데이터로부터 탐지된 파도 객체에 대한 클러스터링 분석을 통해 파도의 특성(높이, 속도, 발생 빈도 등)에 따른 위험도를 결정할 수 있다.

도 1 및 도 2를 참조하면, 전술한 것과 같이 이미지 데이터로부터 해양와 육지의 경계 분포를 생성한 경우(S3), 일 실시예에 따른 파도 측정 시스템(3)의 위험도 결정부(35)는, 해양과 육지의 경계 분포로부터 검출된 해안 경계선을 이용하여, 파도 객체 사이의 거리를 이미지 데이터의 촬영 지점으로부터의 거리에 대해 상대적으로 보정할 수 있다. 도 2에서는 경계 분포의 생성(S3)이 파도 객체의 검출(S4) 전에 수행되는 것으로 도시되었으나, 이는 예시적인 것으로서, 다른 실시예에서 경계 분포의 생성(S3) 과정은 파도 객체의 검출(S4) 과정과 동시에 수행되거나 또는 그 후에 수행될 수도 있다.

예를 들어, 위험도 결정부(35)는 이미지 데이터를 상단과 하단으로 나누어, 이미지 데이터의 하단을 향하는 해안 경계선(410)의 연장 방향에 위치하는 사분면을 촬영 지점에 가장 가까운 것으로 추정하고, 이에 대하여 대각선에 위치하는 사분면이 촬영 지점에서 가장 먼 것으로 추정할 수 있다. 예를 들어, 도 4에 도시된 것과 같이 탐지된 해안 경계선(410)이 제1 사분면으로부터 제3 사분면으로 이어지는 경우, 제3 사분면이 촬영 지점에 가장 가까운 사분면이며 제1 사분면이 촬영 지점에서 가장 먼 사분면에 해당한다. 또한, 촬영 지점에 두 번째로 가까운 사분면은 이미지 데이터의 하단의 2개의 사분면 중 해안 경계선(410)의 연장 방향에 해당하는 사분면이 아닌 나머지 사분면에 해당하고, 촬영 지점에 세 번째로 가까운 사분면은 이미지 데이터의 상단의 2개의 사분면 중 촬영 지점에서 가장 먼 사분면이 아닌 나머지 사분면에 해당한다. 도 4에 도시된 예에 적용하면, 촬영 지점에 가까운 것에서 먼 순서대로 나열하면 제3 사분면 - 제4 사분면 - 제2 사분면 및 제1 사분면이 된다.

이때, 위험도 결정부(35)는 가중치 w_i의 합계로서 위험도 w_s를 산출할 때, 각 가중치에 해당하는 파도 객체 사이의 간격이 위치하는 사분면이 어느 사분면인지에 따라 가중치 w_i의 값을 보정하여 위험도 w_s를 산출할 수 있다. 이때, 촬영 지점에서 멀리 위치하는 파도 객체 사이의 간격에 대해, 촬영 지점에 가까이 위치하는 파도 객체 사이의 간격에 비해 더 큰 가중치를 부여함으로써, 촬영 지점으로부터 거리가 멀어 간격이 작게 관측되는 것을 보정할 수 있다. 도 4에 도시된 예에서는, 촬영 지점에 가까운 제3 사분면의 이미지 데이터로부터 추정된 파도 객체(404)와 파도 객체(405)의 간격에 비해, 촬영 지점에서 먼 제1 사분면의 이미지 데이터로부터 추정된 파도 객체(3)와 파도 객체(402) 사이의 간격이 더 큰 가중치를 가지고 합산되도록 가중치를 적용할 수 있다.

이상에서 설명한 본 발명의 일 실시예들에 의하면, 해변의 이미지 데이터를 기반으로 파도 객체를 실시간으로 탐지함으로써 안전 사고에 대한 파도의 영향을 실시간으로 평가할 수 있고, 이를 통하여 지능형 안전사고 방지 시스템을 구현할 수 있다. 이러한 지능형 해변 안전사고 방지 시스템은, 해변에서 발생하는 안전사고에 대한 데이터베이스를 구축하고, 주요 안전사고로 나타내는 표류(漂流) 및 익수(溺水) 사고를 예방하기 위한 용도로 활용될 수 있다.

이상에서 설명한 실시예들에 따른 파도 측정 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 실시예들에 따른 파도 측정 방법에 의한 동작을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다.

이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해서 정해져야 할 것이다.

Claims

대상 해수욕장의 이미지 데이터를 수신하도록 구성된 수신부;
미리 설정된 파도 이미지에 대한 학습 결과를 이용하여, 상기 이미지 데이터로부터 파도에 상응하는 복수 개의 객체를 검출하도록 구성된 머신러닝부; 및
상기 머신러닝부에 의해 검출된 상기 복수 개의 객체 사이의 거리를 실제 거리로 환산한 추정값에 기초하여 파도에 의한 위험도를 산출하도록 구성된 위험도 결정부를 포함하는 파도 측정 시스템.
제1항에 있어서,
상기 이미지 데이터로부터 육지 및 물에 각각 상응하는 가우시안 분포를 포함하는 가우시안 혼합 모델을 이용하여 해안 경계선을 검출하도록 구성된 경계선 검출부를 더 포함하며,
상기 위험도 결정부는, 검출된 상기 해안 경계선을 이용하여, 상기 이미지 데이터상의 상기 복수 개의 객체 사이의 거리를 상기 이미지 데이터의 촬영 지점에 대한 상대적인 위치에 기초하여 보정하도록 더 구성된 파도 측정 시스템.
제1항에 있어서,
상기 복수 개의 객체 사이의 구간에 포함된 데이터 점들에 대해 미리 설정된 역 거리 가중치의 합계를 산출함으로써 상기 추정값에 적용될 가중치 합계를 산출하도록 구성된 가중합계 산출부를 더 포함하는 파도 측정 시스템.
제1항에 있어서,
상기 위험도 결정부는, 상기 위험도의 시간에 따른 변화를 이용하여 안전사고 발생 위험을 산출하도록 더 구성된 파도 측정 시스템.
파도 측정 시스템이 대상 해수욕장의 이미지 데이터를 수신하는 단계;
상기 파도 측정 시스템이, 미리 설정된 파도 이미지에 대한 학습 결과를 이용하여, 상기 이미지 데이터로부터 파도에 상응하는 복수 개의 객체를 검출하는 단계; 및
상기 파도 측정 시스템이, 상기 검출하는 단계에 의해 검출된 상기 복수 개의 객체 사이의 거리를 실제 거리로 환산한 추정값에 기초하여 파도에 의한 위험도를 산출하는 단계를 포함하는 파도 측정 방법.
제5항에 있어서,
상기 파도 측정 시스템이, 상기 이미지 데이터로부터 육지 및 물에 각각 상응하는 가우시안 분포를 포함하는 가우시안 혼합 모델을 이용하여 해안 경계선을 검출하는 단계를 더 포함하며,
상기 위험도를 산출하는 단계는, 상기 파도 측정 시스템이, 검출된 상기 해안 경계선을 이용하여, 상기 이미지 데이터상의 상기 복수 개의 객체 사이의 거리를 상기 이미지 데이터의 촬영 지점에 대한 상대적인 위치에 기초하여 보정하는 단계를 포함하는 파도 측정 방법.
제5항에 있어서,
상기 위험도를 산출하는 단계는,
상기 파도 측정 시스템이, 상기 이미지 데이터상의 상기 복수 개의 객체 사이의 거리를 직교 방정식을 이용하여 구면 상의 거리로 환산한 하나 이상의 추정값을 산출하는 단계; 및
상기 파도 측정 시스템이, 상기 복수 개의 객체 사이의 구간에 포함된 데이터 점들에 대해 미리 설정된 역 거리 가중치의 합계를 산출함으로써 상기 추정값에 적용될 가중치 합계를 산출하는 단계를 포함하는 파도 측정 방법.
제5항에 있어서,
상기 파도 측정 시스템이, 상기 위험도의 시간에 따른 변화를 이용하여 안전사고 발생 위험을 산출하는 단계를 더 포함하는 파도 측정 방법.
하드웨어와 결합되어 제5항 내지 제8항 중 어느 한 항에 따른 파도 측정 방법을 실행하도록 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.