KR20230028349A - 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템 - Google Patents

비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템 Download PDF

Info

Publication number
KR20230028349A
KR20230028349A KR1020230020651A KR20230020651A KR20230028349A KR 20230028349 A KR20230028349 A KR 20230028349A KR 1020230020651 A KR1020230020651 A KR 1020230020651A KR 20230020651 A KR20230020651 A KR 20230020651A KR 20230028349 A KR20230028349 A KR 20230028349A
Authority
KR
South Korea
Prior art keywords
behavior
signal
detection method
deep learning
behavior detection
Prior art date
Application number
KR1020230020651A
Other languages
English (en)
Other versions
KR102590275B1 (ko
Inventor
한수연
Original Assignee
주식회사 유니유니
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 유니유니 filed Critical 주식회사 유니유니
Publication of KR20230028349A publication Critical patent/KR20230028349A/ko
Application granted granted Critical
Publication of KR102590275B1 publication Critical patent/KR102590275B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/19—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using infrared-radiation detection systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C9/00—Measuring inclination, e.g. by clinometers, by levels
    • G01C9/02—Details
    • G01C9/04—Transmission means between sensing element and final indicator for giving an enlarged reading
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Alarm Systems (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Image Analysis (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

일 구현예에 따른 딥러닝 기반의 이상행동 탐지 방법은 이상행동 탐지 시스템에 의해 수행되며, 상기 탐지 방법은 소정 영역 내에서 대상자의 행동을 감지하여 비식별화된 데이터를 획득하는 단계; 상기 획득된 비식별화된 데이터로부터 특징정보를 추출하는 단계; 상기 추출된 특징정보를 상기 이상행동에 대한 학습 모델에 제공해서 정상행동유형과 이상행동유형 중 어느 하나에 대한 판별 결과를 획득하는 단계; 및 상기 추출된 특징정보가 관리자로부터 획득 및 추출된 것이면, 이상행동 감지 기능이 중단되도록 제어하는 단계를 포함한다.

Description

비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템 {DEEP LEARNING-BASED ABNORMAL BEHAVIOR DETECTION SYSTEM USING DE-IDENTIFIED DATA}
본 발명은 딥러닝 기반의 이상행동 탐지 시스템에 관한 것이다.
최근, 전자 및 광학기술이 발달함에 따라 카메라의 성능은 향상되고 그 크기는 점차 소형화됨에 따라, 이를 악용하여 범죄에 이용하는 사례도 빈번하게 발생하고 있다. 예컨대, 초소형 카메라와 마이크로폰 및 고성능의 소형 무선송신기를 결합한 몰래 카메라를 불특정 다수의 사람들이 이용하는 장소에 설치한 후 그 내부 상황을 엿보거나 녹취 및 녹화하는 행태가 급증하고 있다.
2000년 이후 급속한 발전을 이루고 있는 전자 문명은 각종 디바이스 들을 자동화시켜 현대인들의 생활을 더욱 윤택하고 편리하게 향상시키고 있는 반면에, 타인의 비밀을 쉽게 탐지해낼 수 있는 전자 장치까지도 발전되어 현대인들의 비밀 정보가 정보 관계자의 의사와는 무관하게 노출될 위험이 있다.
초소형 카메라와 고성능의 소형 무선 송신기가 결합된 몰래 카메라를 공중 목욕탕, 화장실, 탈의실, 호텔, 집무실, 사무실 등과 같은 소정 장소에 은밀하게 설치해 놓고 내부 상황을 엿보고 이를 녹화하여 불법적인 용도로 사용함으로써 개인의 사생활을 침해하는 사례가 급증하고 있다.
특히, 의류 판매장의 탈의실, 워터파크 등의 위락시설, 각종 판매장의 화장실 및 숙박업소와 같이 신체노출이 불가피하여 사생활 보호가 지켜져야 하는 업소를 대상으로 몰래카메라가 빈번하게 설치되고 있으며, 몰래카메라에 의해 촬영된 영상이 유출되어 범죄의 대상이 된 피해자에게 막대한 피해를 발생시키고 있다.
한편, 몰래카메라를 탐지하기 위해서는 별도의 탐지기를 이용하여 몰래 카메라를 탐지해야 한다. 탐지기를 이용하여 몰래 카메라를 탐지하는 경우, 탐지기는 범죄 발생된 후 사후적으로 몰래 카메라를 탐지하는, '사후 적발'이라는 문제를 갖는다.
이에 본 발명의 발명자는 그런 문제점을 해결하기 위해서 오랫동안 연구하고 시행착오를 거치며 개발한 끝에 본 발명을 완성하기에 이르렀다.
본 발명은 상술한 바와 같은 문제점을 해결하기 위해, 화장실에서 몰래 카메라를 설치하는 이상행동을 사후 적발이 아닌 사전 예방하여 여성들이 안전하게 이용할 수 있는 안심화장실을 제공하는 것을 목적으로 한다.
본 발명에서 이루고자 하는 기술적 과제들은 상기 기술적 과제로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따른 딥러닝 기반의 이상행동 탐지 시스템에서 수행되는 이상행동 탐지 방법으로서, 소정 영역 내에서 대상자의 행동을 감지하여 비식별화된 데이터를 획득하는 단계; 상기 획득된 비식별화된 데이터로부터 특징정보를 추출하는 단계; 상기 추출된 특징정보를 상기 이상행동에 대한 학습 모델에 제공해서 정상행동유형과 이상행동유형 중 어느 하나에 대한 판별 결과를 획득하는 단계; 및 상기 추출된 특징정보가 관리자로부터 획득 및 추출된 것이면, 이상행동 감지 기능이 중단되도록 제어하는 단계를 포함한다.
또한, 상기 비식별화된 데이터는 대상자의 체온을 화상으로 감지하여 생성된 것일 수 있다.
상기 판별 결과를 획득하는 단계는 상기 추출된 특징정보를 시계열적으로 입력받아 시간적 변화를 반영한 행동 예측정보를 출력하는 단계; 상기 출력된 행동예측정보를 학습된 행동패턴들 중 어느 하나로 분류하는 단계; 및 상기 어느 하나로 분류된 행동패턴을 정상행동유형과 이상행동유형 중 어느 하나로 분류하는 단계를 포함할 수 있다.
또한, 상기 이상행동 탐지 방법은 외부의 위기를 인지하여 서버로 위기신호를 송신하는 단계를 더 포함할 수 있다.
또한, 상기 송신하는 단계에서는 외부에서 발생된 사운드가 인식되고, 상기 인식된 사운드가 학습모델에 의하여 학습된 구조 신호와 동일하거나 유사한 경우, 상기 서버로 위기 신호가 송신될 수 있다.
또한, 상기 판별 결과가 이상행동유형으로 판별되면, 대상자가 인지할 수 있도록 경고신호를 발생시키는 단계를 더 포함할 수 있다.
또한, 상기 이상행동 탐지 방법은 소정 영역으로 들어오는 대상자를 감지하여 출입 신호를 생성하는 단계를 더 포함하고, 상기 대상자에 대한 비식별화된 데이터를 획득하는 단계는 상기 출입 신호가 생성되면 수행될 수 있다.
또한, 상기 이상행동 탐지 방법은 외부의 충격에 의해 발생되는 진동이나 기울어짐을 감지하여 도난 신호를 생성하여 서버로 도난알림 신호를 송신하는 단계를 더 포함할 수 있다.
또한, 상기 이상행동 탐지 방법은 소정 영역으로 들어오는 대상자를 감지하여 출입 신호를 생성하는 단계; 및 상기 생성된 출입 신호를 카운팅하여 소정 영역에 입장하는 대상자들을 기반으로 인원수값을 도출하는 단계를 더 포함할 수 있다.
또한, 상기 이상행동 탐지 방법은 입력받은 인원수값과 당일날짜값을 이용하여 날짜별 인원수값을 산출하는 단계; 상기 날짜별 인원수값을 시간별로 구분하여 시간별 인원수값을 산출하여 날짜와 시간에 기반한 출입인원 통계 데이터를 산출하는 단계; 상기 입력받은 인원수값이 기 설정된 기준 인원수값을 초과하는 경우 서버로 청소알림 신호를 송신하는 단계; 상기 입력받은 인원수값과 기 설정된 인원당 소모정도 비율값을 연산하여 예상소모값을 도출하는 단계; 및 상기 도출된 예상소모값이 기준 소모값을 초과하는 경우 소모품 교체신호를 상기 서버로 송신하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 화장실 내 몰래 카메라 설치에 따른 범죄가 사전에 예방되어, 여성들이 안심하고 용무를 볼 수 있는 안심 화장실이 제공될 수 있다.
또한, 일 실시예에 따르면, 화장실 내 다양한 행동들에 대하여 개인정보가 일체 나타나지 않는 비식별화 영상으로 촬영됨으로써, 화장실 내 촬영에 따른 프라이버시 문제가 원천적으로 해결될 수 있다.
한편, 여기에서 명시적으로 언급되지 않은 효과라하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급됨을 첨언한다.
도 1은 다층 신경망 모델(딥러닝 또는 심층 신경망 모델)의 구조를 도시한 모식도이다.
도 2는 본 발명에 따른 실시예에 적용되는 개념을 간략하게 나타내는 도면이다.
도 3는 본 발명에 따른 실시예에 대한 전체적인 흐름을 나타내는 도면이다.
도 4은 본 발명에 따른 실시예에 대한 구성도이다.
첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다.
본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다.
본 발명은 비식별화한 영상정보 데이터를 딥러닝 기반으로 분석하여 화장실 내 몰래 카메라 설치와 같은 이상행동을 감지하는 시스템에 관한 것으로, 사람의 행동을 스스로 분석하여 이상행동인지를 판단하는 기술이다.
일반적으로 딥러닝을 의미하는 다층 신경망 모델은 도 1에서 도시하는 구조를 갖는다. 도 1은 다층 신경망 모델(딥러닝 또는 심층 신경망 모델)의 구조를 도시한 모식도이다. 도 1에 도시된 바와 같이 다층 신경망 모델은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성된다. 입력층은 각 입력변수에 대응되는 노드로 구성되며, 노드의 수는 입력변수의 개수와 같다. 은닉층은 입력층으로부터 전달되는 변수값들의 선형 결합을 시그모이드 함수와 같은 비선형 함수로 처리하여 출력층 또는 다른 은닉층에 전달하는 역할을 한다. 한편, Back propagation에서 chain rule을 적용하면서 error가 앞단의 layer에서 희석되는 vanishing gradient 문제가 발생될 수도 있는 바, 시그모이드 함수 대신 ReLU를 이용할 수도 있다. 출력층은 출력 변수에 대응되는 노드로서 분류 모형에서는 클래스의 수만큼 출력 노드가 생성된다.
본 발명은 이러한 딥러닝을 독특한 방식으로 활용하여 사람의 행동을 정확하게 분석하여, 화장실 내 이상행동을 감지함으로써 몰래 카메라 설치를 사전에 예방한다. 이하, 본원에 첨부된 도면을 참조하여 본 발명에 따른 실시예(1000)에 대하여 상술한다.
도 2는 본 발명에 따른 실시예(1000)에 적용되는 개념을 간략하게 나타내는 도면이고, 도 3은 본 발명에 따른 실시예(1000)에 대한 전체적인 흐름을 나타내는 도면이고, 도 4는 본 발명에 따른 실시예(1000)에 대한 구성도이다.
본 발명에 따른 실시예(1000)는 화장실 내부를 촬영하는 비식별화 영상정보생성부(1100)를 포함한다. 비식별화 영상정보생성부(1100)는 화장실 내 대상자의 행동을 촬영하며, 나아가 대상자의 개인정보를 비식별화한 영상정보 데이터를 생성한다. 여기서 '비식별화'란 촬영된 사람의 신원을 알 수 없도록 처리한 것을 의미한다. 이에 따라, 본 발명은 화장실과 같이 개인적인 프라이버시가 존중되어야 하는 장소에서 사생활 침해문제 없이 원활하게 작동될 수 있다. 또한, 본 발명에 따른 실시예(1000)는 화장실 내에서의 상황에서 설명되나, 반드시 이에 한정되지 않 고 탈의실이나 쇼핑몰 내 피팅룸과 같이 개인 프라이버시가 존중되어야 하는 소정의 장소/공간 어디에나 적용될 수 있다.
본 발명에 따른 실시예(1000)는 비식별화한 영상정보 데이터에 대하여 이상행동에 대한 학습 모델을 이용하여 정상행동 데이터나 이상행동 데이터로 구분하는 이상행동 판별부(1200)를 포함한다. 이상행동 판별부(1200)는 딥러닝을 통하여 생성된 이상행동에 대한 학습 모델로 정확하게 화장실 내 이상행동을 판별할 수 있다.
구체적으로, 이상행동 판별부(1200)는 비식별화 영상정보 데이터를 분석하여 이상행동을 정확하게 감지하기 위해 CNN(1210), LSTM(1220) 그리고 분류 계층(1230)을 포함한다.
CNN(1210)은 시각적 영상을 분석하는데 사용되는 다층의 피드-포워드적인 인공신경망의 한 종류로서 합성곱 신경망(Convolutional Neural Network)이라고도 불린다. CNN(1210)은 비식별화 영상정보생성부(1100)로부터 비식별화한 영상정보 데이터를 입력받아, 비식별화한 영상정보 데이터로부터 특징정보를 추출한다.
CNN(1210)은 추출된 특징정보를 LSTM(1220)으로 전달한다. LSTM(1220)은 장기 의존성 학습이 가능한 순환 신경망으로서 장단기 메모리(Long Short Term Memory Networks)라고도 불린다. LSTM(1220)은 CNN(1210)으로부터 특징정보를 시계열적으로 입력받아 시간적 변화를 반영한 행동예측정보를 출력한다.
도 2에서 알 수 있듯이, 본 발명에 따른 실시예(1000)는 CNN(1210)에 의하여 특징정보를 추출하고 LSTM(1220)에서 시간적 변화를 반영한 행동예측정보를 출력하여, 영상에서의 각 프레임끼리의 연결성을 부여함으로써 이상행동감지에 대한 정확성을 대폭 향상시켰다. 본 발명은 다양한 방식으로 CNN과 LSTM을 결합할 수 있고, 두 개의 2차원 콘볼루션 레이어로 구성된 CNN과 단층 단방향 레이어 2개를 쌓아 연결성을 높인 LSTM 간의 결합방식으로도 구현될 수도 있다.
LSTM(1220)의 행동예측정보 출력으로 대상자의 행동이 이상행동으로 판단되는 경우, 본 발명에 따른 실시예(1000)는 서버(100)나 단말(200)로 이상행동 신호를 송신하여 알린다. 이를 위해, 상기 실시예(1000)는, 비식별화한 영상정보 데이터가 이상행동 판별부(1200)에서 이상행동 데이터로 구분되는 경우, 대상자의 행동이 이상행동임을 알리기 위해 서버(100)나 단말(200) 중 적어도 어느 하나에 이상행동 신호를 송신하는 통신부(1300)를 포함한다. 통신부(1300)는 도 3에서 나타나듯이 통신망(300)을 통해 서버(100)나 단말(200)로 이상행동 신호를 송신한다. 여기서, 통신망(300)은 광역 통신망(Wide Area Network:WAN), 도시권 통신망(Metropolitan Area Network:MAN), 근거리 통신망(Local Area Network:LAN), 개인 통신망(Personal Area Network:PAN) 등 모든 종류의 네트워크를 의미한다.
또한, 비식별화 영상정보생성부(1100)는 프라이버시가 존중되어야하는 화장실이라는 공간의 특수성을 고려하여 대상자의 체온을 화상으로 감지하는 열화상 카메라일 수 있다. 이러한 경우, 비식별화 영상정보생성부(1100)는 촬영을 통해 비식별화한 영상정보 데이터로서 열화상 영상정보 데이터를 생성한다. 이에 따라, 화장실에서 본 발명에 의한 촬영이 진행되더라도, 촬영된 영상은 촬영된 사람이 누구인지 알 수 없도록 오직 온도 데이터만을 나타내므로, 사람들은 안심하고 화장실을 이용할 수 있다.
이상행동 판별부(1200)는 LSTM(1220)으로부터 입력받은 행동예측정보를 학습된 행동패턴들과 비교하는 분류계층(1230)을 더 포함한다. 학습된 행동패턴들은 정상행동유형과 이상행동유형으로 나뉘는데, 이상행동유형은 화장실 내 몰래 카메라를 설치하는 행동을 의미하고, 정상행동유형은 용무를 보는 행위나 청소하는 행위 혹은 휴지를 교체하는 행위 등을 의미한다.
예를 들어, 이상행동유형에 속하는 행동패턴들은 화장실 내 용무공간(변기가 설치된 공간)에서 공간분리 칸막이의 상측부와 하측부에 몰래 카메라를 설치하는 행위, 휴지걸이에 몰래 카메라를 설치하는 행위 등을 포함할 수 있다. 여기서, 공간분리 칸막이는 변기를 기준으로 좌우측에 설치되는 한쌍의 칸막이를 의미한다. 이에 따라, 이상행동유형은 5가지의 행동패턴으로 분류될 수 있고, 이는 1) 좌측 칸막이의 상부에 몰래 카메라를 설치하는 행위, 2) 좌측 칸막이의 하부에 몰래 카메라를 설치하는 행위, 3) 우측 칸막이의 상부에 몰래 카메라를 설치하는 행위, 4) 우측 칸막이의 하부에 몰래 카메라를 설치하는 행위, 그리고 5) 휴지걸이에 몰래 카메라를 설치하는 행위 등을 의미한다. 이를 고려하면, 정상행동유형에 속하는 행동패턴들은 1) 용무를 보는 행위와, 2) 이상행동유형에 속하지 않는 행동패턴을 의미한다.
분류계층(1230)은 행동예측정보와 학습된 행동패턴들을 비교하여, 행동예측정보가 정상행동유형과 이상행동유형 중 어느 유형에 속하는지를 판단한다. 이를 위해, 분류계층(1230)은 행동예측정보와 동일하거나 가장 유사한 행동패턴을 파악하고, 도출된 행동패턴이 속하는 행동유형을 행동예측정보의 행동 유형으로 분류한다. 이에 따라, 본 발명은 비식별화 영상정보생성부(1100)에 의해 촬영된 대상자의 행위가 정상행동인지 이상행동인지 판단하게 된다.
본 발명에 따른 실시예(1000)는 시스템의 상태 관리를 위해 시스템 관리부(1400)를 더 포함한다. 시스템관리부(1400)는 설정된 영역으로 들어오는 대상자를 감지하여 출입 신호를 생성하고, 출입 신호가 생성되는 경우, 비식별화 영상정보생성부(1100)에 전원을 인가하는 영상촬영 제어부(1410)를 포함한다. 평시에 비식별화 영상정보생성부(1100)는 전기 절약을 위해 꺼진 상태를 유지하다가, 누군 가 화장실 내 화장실칸으로 들어오면, 영상촬영 제어부(1410)는 비식별화 영상정보 생성부(1100)에 전원을 인가한다. 영상촬영 제어부(1410)는 사람의 행동을 감지하 는 다양한 장치가 될 수 있고, 대표적으로 적외선 센서 등이 될 수 있다.
또한, 시스템관리부(1400)는 외부의 충격에 의해 발생되는 진동이나 기울어짐을 감지하여 도난 신호를 생성하여 서버(100)로 도난알림 신호를 송신하는 도난 감지부(1420)를 포함한다. 도난 감지부(1420)는 3축 자이로 센서나 3축 가속도 센서를 포함하여, 외부의 충격을 감지할 수 있다. 이에 따라, 누군가 본 발명이 구현된 디바이스를 훔치려하거나 혹은 몰래 카메라를 설치하려는 범죄자가 본 발명을 끄려고 시도하는 경우, 도난 감지부(1420)는 즉각 이를 감지하여 서버(100)로 도난알림 신호를 송신하여, 관리자는 본 발명의 도난이나 고의적으로 작동을 중단시키려는 행위에 대하여 즉각 대응할 수 있다.
본 발명에 따른 실시예(1000)는 화장실 내 화장실칸으로 들어오는 대상자를 실시간으로 감지하여 출입 신호를 생성하고, 생성되는 출입 신호를 카운팅하여 설정된 영역에 입장하는 대상자들을 기반으로 인원수값을 도출하는 출입인 원수 산출부(1510)를 더 포함한다. 출입인원수 산출부(1510)는 사람의 행동을 감지하는 다양한 장치가 될 수 있고, 전술한 영상촬영 제어부(1410)와 같이 적외선 센서가 될 수 있다. 또한, 출입인원수 산출부(1510)는 영상촬영 제어부(1410)와 별개의 구성일 수 있고, 경우에 따라서는 출입인원수 산출부(1510)와 영상촬영 제어부(1410)는 동일한 구성으로서 일구성 다기능으로 구현될 수도 있다.
본 발명에 따른 실시예(1000)는 출입인원수 산출부(1510)로부터 입력받은 인원수값과 당일 날짜값을 이용하여 날짜별 인원수값을 산출하고, 날짜별 인원수값을 시간별로 구분하여 시간별 인원수값을 산출하는 통계산출부(1520)를 더 포함한다. 통계산출부(1520)는 날짜별 인원수값과 특정날짜의 시간별 인원수값을 통해 날짜와 시간에 기반한 출입인원 통계 데이터를 산출한다. 통계산출부(1520)는 출입인원 통계 데이터를 생성하여, 본 발명은 화장실을 출입하는 인원수를 날짜와 시간에 따라 정확하게 데이터화 한다. 출입인원 통계 데이터는 관리자의 화장실 관리에 참고될 수 있고, 나아가 지방자치단체와 같은 공공기관의 향후 관리계획을 위해 사용될 수도 있다.
또한, 본 발명에 따른 실시예(1000)는 출입인원수 산출부(1510)로부터 입력받은 인원수값을 이용하여 청소알림 신호를 송신하는 청소 알림부(1530)를 포함한다. 청소 알림부(1530)는 입력받은 인원수값이 기설정된 기준 인원수값을 초과하는 경우 서버(100)로 청소알림 신호를 송신한다. 따라서, 본 발명은 화장실을 실제로 사용한 인원수에 기반하여 알맞은 시기에 관리자에게 청소필요 시기를 알릴 수 있다.
나아가, 본 발명에 따른 실시예(1000)는 출입인원수 산출부(1510)로 부터 입력받은 인원수값을 이용하여 소모품 교체신호를 서버(100)로 송신하는 소모품 교체알림부(1540)를 포함한다. 소모품 교체알림부(1540)는 입력받은 인원수값과 기설정된 인원당 소모정도 비율값을 연산하여 예상소모값을 도출한다. 예상소모값이 기준소모값을 초과하는 경우, 소모품 교체알림부(1540)는 소모품 교체신호를 서버 (100)로 송신한다. 예를 들어, 한 사람이 사용하는 화장지의 칸수가 7.8칸 이라면, 소모품 교체알림부(1540)는 입력받은 인원수값에 7.8을 곱하여 사용된 화장지 칸수 (예상소모값)를 도출한다. 만약, 도출된 실제 사용된 화장지수(예상소모값)가 화장 실칸에 비치된 화장지수(기준소모값)를 초과하는 경우, 소모품 교체알림부(1540)는 서버(100)로 화장지 교체신호를 송신한다.
본 발명에 따른 실시예(1000)는 이상행동 판별부(1200)에서 분류된 대상자의 행동유형정보를 사용자 단말(200)로 송신할 수 있고, 또한 청소 알림부(1530)와 소모품 교체알림부(1540)에서 생성된 청소알림 신호와 소모품 교체신호를 사용자 단말(200)로 송신할 수 있다. 사용자 단말(200)은 사용자가 인지할 수 있도록 제작된 사용자 인터페이스에 위험상태와 위생여부 나아가 소모품 부족여부를 표시한다. 또한, 사용자 단말(200)은 화장실 상태 표시뿐만 아니라 민원 요청부를 사용자에게 제공하여, 화장실 상태를 인지한 사용자는 관리자에게 현재 화장실에서 몰래 카메라가 설치되고 있다는 위험 상태나 소모품 부족으로 인한 추가 요청에 대한 민원을 제기할 수 있다. 또한, 본 발명에 따른 실시예(1000)는 서버(100)로도 위와 동일한 방식으로 해당정보를 송신하여, 관리자는 화장실 상태를 인지하고 필요에 따른 조치를 취한 후 화장실 상태를 갱신할 수도 있다. 아울러, 서버(100)는 본 발명에 따른 실시예(1000)로부터 수집된 화장실 정보를 상점 정보에 연계시킨 연계 정보를 사용자 단말(200)로 송신하고, 사용자는 사용자 단말(200)을 통해 현재위치 근처의 상점들에 대한 화장실 정보를 확인할 수도 있다.
본 발명에 따른 실시예(1000)는 비식별화한 영상정보 데이터가 이상 행동 판별부(1200)에서 이상행동 데이터로 구분되는 경우, 대상자가 인지할 수 있도록 경고신호를 외부로 발산하는 경고알림부(1600)를 포함한다. 경고알림부(1600)는 이상행동 판별부(1200)로부터 이상행동 데이터 신호를 수신받는 경우 설정된 경고신호를 발산한다. 경고신호는 다양한 형태일 수 있고, 예를 들어 경찰차 사이렌과 같은 경고음이나 붉은 점멸 등의 형태일 수 있다. 따라서, 본 발명은 관리자나 보안요원의 출동없이 즉각적으로 몰래 카메라 설치 행위를 중단시켜 사전에 범죄를 확실하게 예방할 수 있다.
또한, 본 발명에 따른 실시예(1000)는 외부의 위기를 인지하여 서버(100)로 위기신호를 송신하는 위기알림부(1700)를 포함한다. 위기알림부(1700)는 화장실에서 폭행이나 강도와 같은 돌발상황 발생으로 외부상황을 인지하여 즉각 서버(100)로 위기신호를 송신한다. 이를 위해, 위기알림부(1700)는 구조 신호들을 보유하는 DB(1710)와 외부에서 발생되는 음성을 수신하는 음성인식부(1720)를 포함한다. 여기서, 음성인식부(1720)는 피해자의 음성을 인식할 수 있는 장치로서, 예를 들어 마이크 등이 이에 해당될 수 있다. 또한, 위기알림부(1700)는 음성인식부(1720)를 통해 인식된 음성 신호를 DB(1710)와 비교하여 서버(100)로 위기 신호를 송신하는 위기판단부(1730)를 포함한다. 위기판단부(1730)는 인식된 음성 신호가 DB에 저장된 구조 신호와 동일하거나 유사한 경우 서버(100)로 위기 신호를 송신한다. 이에 따라, 본 발명은 돌발적으로 발생되는 강력 범죄에 대하여 초동적으로 대응하는 시큐리티 기능도 구현할 수 있다. 또는, 위기판단부(1730)는 본 발명의 학습모델에 의하여 학습된 구조 신호와 음성 신호를 비교하여, 외부로부터 인식된 음성 신호가 학습된 구조 신호와 동일하거나 유사한 경우 서버(100)로 위기 신호를 송신한다. 학습된 구조 신호는 전술한 학습 모델과 유사한 방식으로 학습된다. 구체적으로, CNN(1210)은 입력받은 음성 신호로부터 특징정보를 추출하고, LSTM(1220)은 CNN(1210)으로부터 특징정보를 시계열적으로 입력받아 시간적 변화를 반영한 음성예측정보를 출력한다. 분류계층(1230)은 LSTM(1220)으로부터 입력받은 음성예측정보를 학습된 음성패턴들과 비교한다. 학습된 음성패턴들은 일반신호유형과 구조신호유형으로 나뉘고, 분류계층(1230)은 유사도를 기준으로 음성예측정보가 학습된 음성패턴들 중 어느 음성패턴에 더 유사한지 판단하고, 가장 유사하다고 판단된 음성패턴이 속하는 신호유형을 음성예측정보의 신호유형으로 판단한다.
[관리자 판별방법]
본 발명에 따른 실시예(1000)는 화장실칸에서 이루어지는 관리자의 행위와 범죄자의 행위가 유사한 경우를 대비하여 관리자 등록부, 관리자 비교부 그리고 관리자 승인부를 더 포함한다. 예를 들어, 휴지걸이에서 휴지를 교체하는 행위는 휴지걸이에 몰래 카메라를 설치하는 행위와 유사한 패턴 혹은 유사한 형태를 갖을 수 있다. 이러한 경우, 본 발명은 오차없이 이상행동을 감지하기 위해 관리자 등록부, 관리자 비교부 그리고 관리자 승인부를 포함한다.
관리자 등록부는 관리자의 온도 데이터 및/또는 형태를 저장한다. 사전에 비식별화 영상정보생성부(1100)는 관리자를 촬영하여 비식별화 영상정보 데이터를 생성하고, 이상행동 판별부의 CNN(1210)은 관리자에 대한 비식별화 영상정보 데이터로부터 특징정보를 추출하여 관리자 등록부로 송신한다. 이에 따라, 관리자 등록부는 관리자에 대한 특징정보를 저장한다.
관리자 비교부는 관리자 등록부에 저장된 관리자에 대한 특징정보와 실시간으로 감지된 대상자에 대한 특징정보를 비교한다. 양 특징정보가 동일하다면, 관리자 비교부는 관리자 인지신호를 관리자 승인부로 송신하고, 관리자 승인부는 본 발명의 위기알림부(1700)를 제외한 구성들 중 적어도 어느 하나에 중단신호를 송신하여 본 발명의 이상행동감지 기능을 중단시킨다. 이에 따라, 본 발명의 돌발적으로 생기는 범죄상황에 대하여 항시 시큐리티 기능을 유지할 수 있다.
본 발명은 본 발명의 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
100: 서버
200: 사용자 단말
300: 통신망
1000: 이상행동감지 시스템

Claims (10)

  1. 딥러닝 기반의 이상행동 탐지 시스템에서 수행되는 이상행동 탐지 방법으로서,
    소정 영역 내에서 대상자의 행동을 감지하여 비식별화된 데이터를 획득하는 단계;
    상기 획득된 비식별화된 데이터로부터 특징정보를 추출하는 단계;
    상기 추출된 특징정보를 이상행동에 대한 학습 모델에 제공해서 정상행동유형과 이상행동유형 중 어느 하나에 대한 판별 결과를 획득하는 단계; 및
    상기 추출된 특징정보가 관리자에 대한 것이면, 이상행동 감지 기능이 중단되도록 제어하는 단계를 포함하는
    딥러닝 기반의 이상행동 탐지 방법.
  2. 제 1 항에 있어서,
    상기 비식별화된 데이터는,
    대상자의 체온을 화상으로 감지하여 생성된 것인
    딥러닝 기반의 이상행동 탐지 방법.
  3. 제 1 항에 있어서,
    상기 판별 결과를 획득하는 단계는,
    상기 추출된 특징정보를 시계열적으로 입력받아 시간적 변화를 반영한 행동 예측정보를 출력하는 단계;
    상기 출력된 행동예측정보를 학습된 행동패턴들 중 어느 하나로 분류하는 단계; 및
    상기 어느 하나로 분류된 행동패턴을 정상행동유형과 이상행동유형 중 어느 하나로 분류하는 단계를 포함하는
    딥러닝 기반의 이상행동 탐지 방법.
  4. 제 1 항에 있어서,
    상기 이상행동 탐지 방법은,
    외부의 위기를 인지하여 서버로 위기신호를 송신하는 단계를 더 포함하는
    딥러닝 기반의 이상행동 탐지 방법.
  5. 제 4 항에 있어서,
    상기 송신하는 단계에서는,
    외부에서 발생된 사운드가 인식되고,
    상기 인식된 사운드가 학습모델에 의하여 학습된 구조 신호와 동일하거나 유사한 경우, 상기 서버로 위기신호가 송신되는
    딥러닝 기반의 이상행동 탐지 방법.
  6. 제 1 항에 있어서,
    상기 판별 결과에서 이상행동유형으로 판별되면, 대상자가 인지할 수 있도록 경고신호를 발생시키는 단계를 더 포함하는
    딥러닝 기반의 이상행동 탐지 방법.
  7. 제 1 항에 있어서,
    상기 이상행동 탐지 방법은,
    소정 영역으로 들어오는 대상자를 감지하여 출입 신호를 생성하는 단계를 더 포함하고,
    상기 대상자에 대한 비식별화된 데이터를 획득하는 단계는,
    상기 출입 신호가 생성되면 수행되는
    딥러닝 기반의 이상행동 탐지 방법.
  8. 제 1 항에 있어서,
    외부의 충격에 의해 발생되는 진동이나 기울어짐을 감지하여 도난 신호를 생성하여 서버로 도난알림 신호를 송신하는 단계를 더 포함하는
    딥러닝 기반의 이상행동 탐지 방법.
  9. 제 1 항에 있어서,
    소정 영역으로 들어오는 대상자를 감지하여 출입 신호를 생성하는 단계; 및
    상기 생성된 출입 신호를 카운팅하여 소정 영역에 입장하는 대상자들을 기반으로 인원수값을 도출하는 단계를 더 포함하는
    딥러닝 기반의 이상행동 탐지 방법.
  10. 제 1 항에 있어서,
    입력받은 인원수값과 당일날짜값을 이용하여 날짜별 인원수값을 산출하는 단계;
    상기 날짜별 인원수값을 시간별로 구분하여 시간별 인원수값을 산출하여 날짜와 시간에 기반한 출입인원 통계 데이터를 산출하는 단계;
    상기 입력받은 인원수값이 기 설정된 기준 인원수값을 초과하는 경우 서버로 청소알림 신호를 송신하는 단계;
    상기 입력받은 인원수값과 기 설정된 인원당 소모정도 비율값을 연산하여 예상소모값을 도출하는 단계; 및
    상기 도출된 예상소모값이 기준 소모값을 초과하는 경우 소모품 교체신호를 상기 서버로 송신하는 단계를 더 포함하는
    딥러닝 기반의 이상행동 탐지 방법.
KR1020230020651A 2020-10-15 2023-02-16 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템 KR102590275B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020200133301 2020-10-15
KR20200133301 2020-10-15
KR1020220111227A KR20220127196A (ko) 2020-10-15 2022-09-02 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020220111227A Division KR20220127196A (ko) 2020-10-15 2022-09-02 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템

Publications (2)

Publication Number Publication Date
KR20230028349A true KR20230028349A (ko) 2023-02-28
KR102590275B1 KR102590275B1 (ko) 2023-10-17

Family

ID=78507706

Family Applications (10)

Application Number Title Priority Date Filing Date
KR1020200168545A KR102306799B1 (ko) 2020-10-15 2020-12-04 비식별화 데이터를 이용하여 안심 화장실 내 몰래 카메라 설치행동을 감지하는 딥러닝 기반의 이상행동탐지 시스템
KR1020210094723A KR102455997B1 (ko) 2020-10-15 2021-07-20 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020210094722A KR102455996B1 (ko) 2020-10-15 2021-07-20 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020210094725A KR102455999B1 (ko) 2020-10-15 2021-07-20 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020210094724A KR102455998B1 (ko) 2020-10-15 2021-07-20 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020220111227A KR20220127196A (ko) 2020-10-15 2022-09-02 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020230020651A KR102590275B1 (ko) 2020-10-15 2023-02-16 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020230134633A KR102704071B1 (ko) 2020-10-15 2023-10-10 비식별 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020240118527A KR20240136898A (ko) 2020-10-15 2024-09-02 비식별 데이터를 이용한 딥러닝 기반 이상행동 탐지 방법
KR1020240118528A KR20240136276A (ko) 2020-10-15 2024-09-02 비식별 데이터를 이용한 딥러닝 기반의 이상행동을 탐지하기 위한 시스템

Family Applications Before (6)

Application Number Title Priority Date Filing Date
KR1020200168545A KR102306799B1 (ko) 2020-10-15 2020-12-04 비식별화 데이터를 이용하여 안심 화장실 내 몰래 카메라 설치행동을 감지하는 딥러닝 기반의 이상행동탐지 시스템
KR1020210094723A KR102455997B1 (ko) 2020-10-15 2021-07-20 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020210094722A KR102455996B1 (ko) 2020-10-15 2021-07-20 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020210094725A KR102455999B1 (ko) 2020-10-15 2021-07-20 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020210094724A KR102455998B1 (ko) 2020-10-15 2021-07-20 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020220111227A KR20220127196A (ko) 2020-10-15 2022-09-02 비식별화 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템

Family Applications After (3)

Application Number Title Priority Date Filing Date
KR1020230134633A KR102704071B1 (ko) 2020-10-15 2023-10-10 비식별 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR1020240118527A KR20240136898A (ko) 2020-10-15 2024-09-02 비식별 데이터를 이용한 딥러닝 기반 이상행동 탐지 방법
KR1020240118528A KR20240136276A (ko) 2020-10-15 2024-09-02 비식별 데이터를 이용한 딥러닝 기반의 이상행동을 탐지하기 위한 시스템

Country Status (3)

Country Link
US (1) US20240046702A1 (ko)
KR (10) KR102306799B1 (ko)
WO (1) WO2022119080A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3184879A1 (en) * 2022-08-01 2024-02-01 Ji Wu Lighting control method, control system and storage medium
KR102596077B1 (ko) * 2022-08-30 2023-10-31 (주) 이론시스템 인공지능 기반 공공 화장실 및 우범 지역의 거동수상자 감지 및 판별 방법 및 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020017239A (ko) * 2000-08-29 2002-03-07 배재철 데이터통신망을 이용한 보안메세징 시스템 및 그보안메세징 방법
JP2011139278A (ja) * 2009-12-28 2011-07-14 Hitachi Kokusai Electric Inc 監視システム
KR101845077B1 (ko) * 2016-12-12 2018-04-03 김한주 윤곽 분석 서버의 동작 방법, 윤곽 분석 서버와 통신하는 온도 윤곽 센싱 장치, 및 윤곽 분석 서버를 포함하는 보안 시스템
KR20180074422A (ko) * 2016-12-23 2018-07-03 (주)유미테크 스마트 화장실 관리서버
KR102145144B1 (ko) * 2020-02-27 2020-08-18 주식회사 에이아이넷 인공지능 기계학습 이상탐지 기반 승강기 안전사고 예방 및 유지보수를 위한 지능형 원격방재 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110028703A (ko) * 2009-09-14 2011-03-22 주식회사코어벨 핵심어 인식 기술을 이용한 엘리베이터 스마트센서 노드 방범 시스템
KR101194167B1 (ko) * 2012-05-22 2012-10-24 (주)버들시스템 소규모 수도시설의 침입감지 및 영상녹화 시스템
KR102016253B1 (ko) * 2018-02-27 2019-08-29 한국철도공사 열차 화장실 냄새 검출 시스템 및 방법
KR101980551B1 (ko) * 2018-11-08 2019-05-21 주식회사 다누시스 기계학습 객체검출을 이용한 실시간 지능형 cctv 영상 분석 행위 탐지 시스템 및 기계학습 객체검출을 이용한 실시간 지능형 cctv 영상 분석 행위 탐지 방법
KR102172239B1 (ko) * 2019-02-18 2020-10-30 세종대학교산학협력단 영상 기반 비정상 상황 모니터링 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020017239A (ko) * 2000-08-29 2002-03-07 배재철 데이터통신망을 이용한 보안메세징 시스템 및 그보안메세징 방법
JP2011139278A (ja) * 2009-12-28 2011-07-14 Hitachi Kokusai Electric Inc 監視システム
KR101845077B1 (ko) * 2016-12-12 2018-04-03 김한주 윤곽 분석 서버의 동작 방법, 윤곽 분석 서버와 통신하는 온도 윤곽 센싱 장치, 및 윤곽 분석 서버를 포함하는 보안 시스템
KR20180074422A (ko) * 2016-12-23 2018-07-03 (주)유미테크 스마트 화장실 관리서버
KR102145144B1 (ko) * 2020-02-27 2020-08-18 주식회사 에이아이넷 인공지능 기계학습 이상탐지 기반 승강기 안전사고 예방 및 유지보수를 위한 지능형 원격방재 시스템

Also Published As

Publication number Publication date
KR102455996B1 (ko) 2022-10-18
KR102306799B1 (ko) 2021-11-05
US20240046702A1 (en) 2024-02-08
KR102455998B1 (ko) 2022-10-18
KR20220050033A (ko) 2022-04-22
KR20220050031A (ko) 2022-04-22
KR20220050030A (ko) 2022-04-22
WO2022119080A1 (ko) 2022-06-09
KR102590275B1 (ko) 2023-10-17
KR20220050032A (ko) 2022-04-22
KR102455999B1 (ko) 2022-10-18
KR20240136898A (ko) 2024-09-19
KR20230147579A (ko) 2023-10-23
KR20240136276A (ko) 2024-09-13
KR20220127196A (ko) 2022-09-19
KR102704071B1 (ko) 2024-09-06
KR102455997B1 (ko) 2022-10-18

Similar Documents

Publication Publication Date Title
KR102704071B1 (ko) 비식별 데이터를 이용한 딥러닝 기반 이상행동 탐지 시스템
KR101610657B1 (ko) 출입통제 데이터를 기반으로 하는 3차원 공간정보 출입통제 및 방역 시스템 및 방법
CN106463006B (zh) 人员认证和跟踪系统
US20160078883A1 (en) Action analysis device, action analysis method, and action analysis program
KR101841882B1 (ko) 무인방범 시스템 및 방법
CN103839346A (zh) 一种智能门窗防入侵装置以及系统、智能门禁系统
KR20160074208A (ko) 비콘신호를 이용한 안전 서비스 제공 시스템 및 방법
JP2010238204A (ja) 監視装置および監視方法
Gavaskar et al. A novel design and implementation of IoT based real-time ATM surveillance and security system
JP2014067383A (ja) 行動監視通報システム
US20240378893A1 (en) Deep learning-based abnormal behavior detection system through deidentification data analysis
KR102030935B1 (ko) IoT를 기초로 한 관심영역 모니터링 방법, 이를 수행하는 문 사용 인식 장치 및 관심영역 모니터링 시스템
WO2023002563A1 (ja) 監視装置、監視システム、監視方法、及びプログラムが格納された非一時的なコンピュータ可読媒体
JP2011132799A (ja) 自動ドア開閉システム
KR101778863B1 (ko) 홈 네트워크를 이용한 세대 방범시스템
JP5520675B2 (ja) 通報装置
KR20140111718A (ko) 모니터링 자동 포착기능이 구비된 보안 시스템 및 그 보안 처리방법
Raizada et al. Smart lock system using IoT, embedded & machine learning
WO2022102839A1 (ko) 음향 기반의 비상벨 관제 시스템 및 그 방법
JP5611729B2 (ja) 監視装置
Hussain et al. Artificial Intelligence Based Smart Guard for Home Automation
CN107545702A (zh) 智能预警人群过高关注度的安全系统及实现方法
Chua et al. Hierarchical audio-visual surveillance for passenger elevators
KR20220165339A (ko) 고정형 안면 인식 장비와 이동형 안면 인식 단말을 이용한 복합 인식 기반의 지역 관제 서비스 제공 방법, 관제 서비스 시스템 및 그 장치
GB2602790A (en) A method and apparatus for controlling actions of a monitoring system

Legal Events

Date Code Title Description
A107 Divisional application of patent
A302 Request for accelerated examination
PA0107 Divisional application

Comment text: Divisional Application of Patent

Patent event date: 20230216

Patent event code: PA01071R01D

Filing date: 20220902

Application number text: 1020220111227

PA0201 Request for examination
PA0302 Request for accelerated examination

Patent event date: 20230216

Patent event code: PA03022R01D

Comment text: Request for Accelerated Examination

PG1501 Laying open of application
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20230309

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20230712

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20231012

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20231012

End annual number: 3

Start annual number: 1

PG1601 Publication of registration