KR20230094429A

KR20230094429A - 불법카메라 탐지 방법 및 장치

Info

Publication number: KR20230094429A
Application number: KR1020210183615A
Authority: KR
Inventors: 손동현; 조은상; 박지수; 박성환; 니잣무자파리
Original assignee: 에스프레스토 주식회사
Priority date: 2021-12-21
Filing date: 2021-12-21
Publication date: 2023-06-28

Abstract

불법카메라 탐지 방법 및 장치를 제시하며, 불법카메라 탐지 방법 및 장치는 학습된 인공지능 모델을 이용하여 촬영이미지 내 불법카메라를 탐지하고, 탐지된 불법카메라의 예상 위치를 제공하는 단계를 포함한다.

Description

불법카메라 탐지 방법 및 장치{METHOD AND APPARATUS FOR ILLEGAL CAMERA DETECTION}

본 명세서에서 개시되는 실시예들은 불법카메라 탐지 장치 방법 및 장치에 관한 것으로, 보다 상세하게는 인공지능 모델을 이용하여 불법카메라의 예상 위치를 제공하는 방법 및 장치에 관한 것이다.

최근 들어 불법카메라를 이용한 성범죄를 예방하기 위해 불법카메라 탐지기가 인기를 끌고 있다. 다만 종래의 불법카메라 탐지기는 그 자체를 사용자가 소지하고 다녀야 하는 불편함이 있고, 탐지기 자체의 가격도 비싸다는 단점이 있다.

관련하여 선행기술 문헌인 제10-2001-0075965호에서는 불법카메라를 탐지하기 위해 전파수신기를 이용하여 전파데이터가 존재한다고 판단되면 경보신호를 제공할 뿐, 사용자가 불법카메라 탐지기를 소지하고 다녀야 하는 문제점과 비용에 대한 문제점을 해결하고 있지 못한다.

따라서 상술된 문제점을 해결하기 위한 기술이 필요하게 되었다.

한편, 전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 명세서에서 개시되는 실시예들은, 불법카메라 탐지 방법 및 장치를 제시하는데 목적이 있다.

본 명세서에서 개시되는 실시예들은, 카메라 렌즈 이미지를 이용하여 인공지능 모델을 학습시키고, 이 과정에서 오버피팅 문제를 완화할 수 있는 불법카메라 탐지 방법 및 장치를 제시하는데 목적이 있다.

본 명세서에서 개시되는 실시예들은, 긍정오류가 발생하는 유사 객체 이미지와 긍정오류가 발생하지 않은 카메라 렌즈 이미지를 모두 학습시켜 보다 정확하게 불법카메라의 예상 위치를 제공하는 불법카메라 탐지 방법 및 장치를 제시하는데 목적이 있다.

본 명세서에서 개시되는 실시예들은, 불법카메라를 탐지하여 예상 위치를 제공하는데 있어서 예상 위치별 위험도를 제공하는 불법카메라 탐지 방법 및 장치를 제시하는데 목적이 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 불법카메라 탐지 방법은, 학습된 인공지능 모델을 이용하여 촬영이미지 내 불법카메라를 탐지하는 단계; 그리고 탐지된 불법카메라의 예상 위치를 제공하는 단계를 포함할 수 있다.

다른 실시예에 따르면, 불법카메라 탐지 장치는, 학습된 인공지능 모델을 저장하는 메모리; 그리고 학습된 인공지능 모델을 이용하여 촬영이미지 내 불법카메라를 탐지하고, 탐지된 불법카메라의 예상 위치를 제공하는 제어부를 포함할 수 있다.

또 다른 실시예에 따르면, 불법카메라 탐지 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체에서, 불법카메라 탐지 방법은, 학습된 인공지능 모델을 이용하여 촬영이미지 내 불법카메라를 탐지하는 단계; 그리고 탐지된 불법카메라의 예상 위치를 제공하는 단계를 포함할 수 있다.

그리고 또 다른 실시예에 따르면, 불법카메라 탐지 방법에 의해 수행되면, 불법카메라 탐지 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램에서, 불법카메라 탐지 방법은, 학습된 인공지능 모델을 이용하여 촬영이미지 내 불법카메라를 탐지하는 단계; 그리고 탐지된 불법카메라의 예상 위치를 제공하는 단계를 포함할 수 있다.

전술한 과제 해결 수단 중 어느 하나에 의하면, 불법카메라 탐지 방법 및 장치를 제시할 수 있다.

전술한 과제 해결 수단 중 어느 하나에 의하면, 카메라 렌즈 이미지를 이용하여 인공지능 모델을 학습시키고, 이 과정에서 오버피팅 문제를 완화할 수 있는 불법카메라 탐지 방법 및 장치를 제시할 수 있다.

전술한 과제 해결 수단 중 어느 하나에 의하면, 긍정오류가 발생하는 유사 객체 이미지와 긍정오류가 발생하지 않은 카메라 렌즈 이미지를 모두 학습시켜 보다 정확하게 불법카메라의 예상 위치를 제공하는 불법카메라 탐지 방법 및 장치를 제시할 수 있다.

전술한 과제 해결 수단 중 어느 하나에 의하면, 불법카메라를 탐지하여 예상 위치를 제공하는데 있어서 예상 위치별 위험도를 제공하는 불법카메라 탐지 방법 및 장치를 제시할 수 있다.

개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시예에 따른 불법카메라 탐지 장치를 도시한 블록도이다.
도 2 내지 도 3은 일 실시예에 따른 불법카메라 탐지 장치를 설명하기 위한 예시도이다.
도 4 내지 도 5은 일 실시예에 따른 불법카메라 탐지 방법을 설명하기 위한 순서도이다.

아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐 아니라, '그 중간에 다른 구성을 사이에 두고 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.

이하 첨부된 도면을 참고하여 실시예들을 상세히 설명하기로 한다.

다만 이를 설명하기에 앞서, 아래에서 사용되는 용어들의 의미를 먼저 정의한다.

이하에서 '학습이미지'는 불법카메라를 탐지하기 위한 인공지능 모델을 학습시키기 위한 이미지로서, 카메라 렌즈 이미지 및 유사 객체 이미지를 포함한다.

'유사 객체 이미지'는 카메라 렌즈가 아니지만 카메라 렌즈로도 오인될 수 있는 이미지를 의미하며, 카메라 렌즈 이미지와 함께 인공지능 모델을 학습하는데 이용될 수 있다.

'촬영이미지'는 인공지능 모델을 학습하기 위한 이미지가 아닌 사용자에 의해 촬영된 이미지를 의미한다. 또한 불법카메라 탐지 장치(10)는 학습된 인공지능 모델을 이용하여 촬영이미지 내에 불법카메라의 존재 여부를 판단할 수 있다.

불법카메라의 '예상 위치'는 촬영이미지에서, 탐지된 불법카메라의 위치를 의미하며 바운딩박스 또는 2차원 또는 3차원의 좌표값으로 표현될 수 있다. 탐지된 불법카메라의 예상 위치는 위험도에 따라 각기 상이한 텍스트 또는 색상으로 표현될 수 있다.

'영역 정보'는 학습된 인공지능 모델에 의해 탐지된 불법카메라가 설치된 주소를 의미하며 예를 들어GPS 정보 등이 될 수 있다. 예를 들어, 인공지능 모델에 의해 불법카메라가 탐지되면, 불법카메라 탐지 장치(10)는 불법카메라가 탐지된 건물 주소를 저장하고 공유할 수 있는 인터페이스를 제공할 수 있다.

위에 정의한 용어 이외에 설명이 필요한 용어는 아래에서 각각 따로 설명한다.

도 1은 일 실시예에 따른 불법카메라 탐지 장치의 구성을 도시한 도면이다.

불법카메라 탐지 장치(10)는 사용자와 인터랙션할 수 있는 애플리케이션이 설치된 전자단말기로 구현되거나 서버-클라이언트 시스템으로 구현될 수 있으며, 서버-클라이언트 시스템으로 구현되는 경우 사용자와의 인터랙션을 위한 온라인 서비스용 애플리케이션이 설치된 전자단말기를 포함할 수 있다.

여기서 전자단말기는 네트워크를 통해 원격지의 서버에 접속하거나, 타 단말 및 서버와 연결 가능한 컴퓨터나 휴대용 단말기, 텔레비전, 웨어러블 디바이스(Wearable Device) 등으로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop)등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다. 나아가 웨어러블 디바이스는 예를 들어, 시계, 안경, 액세서리, 의복, 신발 등 인체에 직접 착용 가능한 타입의 정보처리장치로서, 직접 또는 다른 정보처리장치를 통해 네트워크를 경유하여 원격지의 서버에 접속하거나 타 단말과 연결될 수 있다.

그리고 서버는 사용자와의 인터랙션을 위한 애플리케이션이나 웹브라우저가 설치된 전자단말기와 네트워크를 통해 통신이 가능한 컴퓨터로 구현되거나, 클라우드 컴퓨팅 서버로 구현될 수도 있다. 또한 서버는, 데이터를 저장할 수 있는 저장장치가 포함되거나, 제3의 서버를 통해 데이터를 저장할 수 있다.

상술된 바와 같이 불법카메라 탐지 장치(10)는 전자단말기, 서버, 또는 서버-클라이언트 시스템 중 어느 하나의 형태로 구현될 수 있으며, 서버로 구현될 경우, 불법카메라 탐지 장치(10)를 구성하는 구성부는 물리적으로 분리된 복수의 서버에서 수행되거나 하나의 서버에서 수행될 수 있다.

이하에서 설명의 편의상, 실시예에 따른 불법카메라 탐지 장치(10)는 서버-클라이언트 시스템으로 구현되며, 예를 들어 사용자에 의해 제어되는 전자단말기 및 서버로 구현될 수 있다.

도 1을 참조하면, 일 실시예에 따른 불법카메라 탐지 장치(10)는, 메모리(11), 제어부(12), 입출력부(13) 및 통신부(14)를 포함할 수 있다.

메모리(11)에는 파일, 어플리케이션 및 프로그램 등과 같은 다양한 종류의 데이터가 설치 및 저장될 수 있다. 제어부(12)는 메모리(11)에 저장된 데이터에 접근하여 이를 이용하거나, 또는 새로운 데이터를 메모리(11)에 저장할 수도 있다. 또한, 제어부(12)는 메모리(11)에 설치된 프로그램을 실행할 수도 있다. 도 1을 참조하면, 메모리(11)에는 불법카메라 탐지 방법을 수행하기 위한 프로그램이 설치될 수 있다.

또한 메모리(11)에는 인공지능 모델을 학습하기 위해 수집된 학습이미지가 저장될 수 있다. 또한 새로운 형태의 렌즈 이미지를 계속 업데이트하며 저장할 수 있다. 예를 들어 기존의 형태와는 다른 형태의 렌즈가 출시되면, 이에 대한 이미지가 수집되어 저장될 수 있다.

또한, 메모리(11)는 학습된 인공지능 모델에 의해 탐지된 불법카메라의 예상 위치가 저장될 수 있다. 예를 들어 촬영이미지 내의 일 지점이 예상 위치로서 표시되어 저장될 수 있다.

또한 메모리(11)는 불법카메라가 탐지된 영역 정보, 예를 들어 불법카메라가 탐지된 건물 주소를 저장할 수 있으며 영역 정보와 함께, 날짜 및 촬영이미지 등을 저장할 수 있다.

또한 메모리(11)는 학습된 인공지능 모델을 저장할 수 있다. 이때 인공지능 모델은 CNN(Convolution Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short Term Memory), R-CNN(Region Proposal-CNN)일 수 있다.

실시예에 따른 제어부(12)는 불법카메라 탐지 장치(10)의 전체적인 동작을 제어하며, CPU, GPU 등과 같은 프로세서를 포함할 수 있다. 제어부(12)는 입출력부(13)를 통해 수신한 사용자 입력에 대응되는 동작을 수행하도록 불법카메라 탐지 장치(10)에 포함된 다른 구성들을 제어할 수 있다.

일 실시예에 따르면, 입출력부(13)를 통해 사용자로부터 불법카메라 탐지를 요청하는 입력을 수신하면, 제어부(12)는 메모리(11)에 저장된 불법카메라 탐지 방법을 수행하는 프로그램을 실행시켜 불법카메라 탐지를 수행한다.

제어부(12)는 관리자에 의해 수집된 학습이미지를 이용하여 인공지능 모델을 학습시킬 수 있다. 또한 제어부(12)는 관리자에 의해 수집된 전체의 렌즈 이미지 중 서로 유사도가 낮은 카메라 렌즈 이미지를 선정할 수 있다. 이후 제어부(12)는 선정된 렌즈 이미지를 이용하여 높은 학습률로 인공지능 모델을 학습시킬 수 있다.

이때 '높은 학습률'은 제어부(12)가 불법카메라를 탐지할 때 촬영이미지에 대해서 보다 정확하게 탐지하기 위해 서로 유사도가 낮은 카메라 렌즈 이미지를 반복 학습시키는 것이다.

하지만 높은 학습률로 학습된 인공지능 모델에서 오버피팅 문제가 발생할 가능성이 있기 때문에, 제어부(12)는 수집된 렌즈 이미지 전체를 인공지능 모델에 낮은 학습률로 학습시킬 수 있다. 이때 전체 렌즈 이미지를, 유사도가 낮은 카메라 렌즈 이미지의 학습률보다 낮은 학습률로 학습시켜 오버피팅에 의한 문제를 해결할 수 있다.

또한 제어부(12)는 인공지능 모델을 학습시킬 때, 긍정오류(false positive)가 발생하는 유사 객체 이미지를 포함하는 학습이미지가 비카메라 라벨로 분류되도록 인공지능 모델을 학습시킬 수 있다. 예를 들어 제어부(12)는 구멍(hole)에 관한 이미지를 포함하는 학습이미지가 비카메라 라벨로 분류되도록 인공지능 모델을 학습시킬 수 있다. 동시에 제어부(12)는 긍정오류가 발생하지 않은 카메라 렌즈 이미지를 포함하는 학습이미지가 카메라 유형별로 라벨이 부여되도록 인공지능 모델을 학습시킬 수 있다. 예를 들어 제어부(12)는, 카메라 렌즈 이미지를 포함하는 학습이미지가, 해당 카메라 렌즈를 제작한 제조사별 라벨로 분류되도록 인공지능 모델을 학습시킬 수 있다.

이와 같이 학습된 인공지능 모델에, 촬영이미지를 입력하여 촬영이미지 내에 예상 위치가 포함되는지 여부를 판단할 수 있는데 이를 위해 제어부(12)는 촬영이미지에 대한 전처리를 수행할 수 있다.

제어부(12)는 촬영이미지의 화질을 올린 후 보간을 수행하고 인공지능 모델에 입력할 수 있다.

구체적으로, 제어부(12)는 촬영이미지의 획득을 위한 카메라의 화질을 최대로 설정하고, 촬영 비율을 1:1로 설정할 수 있으며, 이러한 카메라를 통해 촬영된 촬영이미지를 획득한 제어부(12)는 촬영이미지에 대한 보간(interpolation)을 수행하여 촬영이미지에 픽셀을 추가한 이미지를 학습된 인공지능 모델에 입력할 수 있다. 그리고 제어부(12)는 학습된 인공지능 모델을 이용하여 촬영이미지에서 불법카메라의 존재 유무를 탐지할 수 있다. 예를 들어 제어부(12)는 촬영이미지 내에서 예상 위치를 식별하여 제공할 수 있다.

관련하여 제어부(12)는 촬영이미지에서 불법카메라를 탐지할 때, 학습한 카메라 렌즈 이미지에 해당되는 라벨이 탐지될 경우 카메라 유형과 상관없이 모두 카메라 렌즈 이미지로 식별할 수 있다. 예를 들어 카메라 렌즈 이미지에는 초소형 카메라 렌즈, 핸드폰 카메라 렌즈, 랩톱 카메라 렌즈 등의 이미지가 있을 수 있고 또한 제조사별로 여러 종류의 렌즈 이미지가 있을 수 있다. 즉 여러 유형별로 렌즈 이미지를 라벨링할 수 있는데, 인공지능 모델을 이용하여 출력된 값이 특정 카메라 유형에 해당하더라도 제어부(12)는 카메라 유형과 상관없이 해당 값을 카메라 렌즈 이미지로 식별하고 예상 위치로 결정할 수 있다. 상술된 바처럼 제어부(12)는, 인공지능 모델을 학습시킬 때에는 카메라 유형별로 다른 라벨을 붙여 학습을 수행시킴으로써 빠른 수렴을 가능하게 하고, 추론 시에는 유형별 라벨이 나오더라도 모두 카메라(또는 카메라 렌즈)로 인식함으로써, 불법카메라 탐지에 소요되는 리소스를 최소화하고 성능을 향상시킬 수 있다.

또한 제어부(12)는 촬영이미지에서 불법카메라를 탐지할 때, 촬영이미지에서 비카메라 라벨이 탐지될 수 있다. 실시예에 따르면 제어부(12)는 비카메라 라벨이 탐지된 위치를 예상 위치로 결정할 수 있고, 예상 위치를 촬영이미지 내에서 표시할 때 예상 위치의 위험도도 함께 표시할 수 있는데 예를 들어 위험도를 'may not'이라고 설정할 수 있다.

관련하여 '위험도'는 촬영이미지에서 불법카메라를 탐지할 때 불법카메라의 예상 위치에 대한 부가정보로서, 예상 위치에 대응될 수 있다. 위험도는 해당 예상 위치에 불법카메라가 설치되어 있을 확률을 나타낼 수 있고 제어부(12)는 위험도를 참조하여 예상 위치를 각기 다른 색상과 텍스트로 표시할 수 있다. 예를 들어, 촬영이미지 내 예상 위치로 라벨링된 지점이 카메라 라벨인 경우 해당 예상 위치를 표시하는데 있어 'watch out'이라는 텍스트를 빨간색으로 표시할 수 있고, 비카메라 라벨인 경우, 해당 예상 위치를 표시하는데 있어 'may not'이라는 텍스트를 파란색으로 표시할 수 있다.

한편, 제어부(12)는 촬영이미지 내 예상 위치로 라벨링된 지점이 카메라 라벨인 경우, 불법카메라를 탐지하는 과정에서 신뢰도의 확률분포를 정규분포로 표현할 수 있고 이때 정규분포를 세 구간을 나누어 각 구간에 해당 라벨이 속하는지에 따라 위험도를 결정할 수 있다. 예를 들어 제어부(12)는 신뢰도가 95% 이상이면 watch out 구간으로 설정하고, 신뢰도가 95% 미만, 5% 초과면 check 구간으로 설정하며, 신뢰도가 5% 이하이면 ignore 구간으로 설정할 수 있다. 이때, '신뢰도(confidence)'는 촬영이미지 내 예상 위치로 라벨링된 지점이, 카메라 렌즈인지를 확률로 나타낸 것이다. 따라서 제어부(12)는 인공지능 모델을 통해 출력된 예상 위치의 신뢰도가 위 세 구간 중에 어디에 속하는지에 따라 해당 예상 위치의 위험도를 결정할 수 있다. 예를 들어, 예상 위치의 신뢰도가 99%라면 해당 예상 위치의 위험도는 'watch out'으로 설정할 수 있고, 예상 위치의 신뢰도가 1%라면 해당 예상 위치의 위험도는 'ignore'로 설정할 수 있다.

제어부(12)는 탐지된 불법카메라의 예상 위치에 대응되는 신뢰도가 민감치를 기준으로 높고 낮음에 따라 예상 위치에 대응되는 위험도를 변경시킬 수 있다. 예를 들어, 예상 위치가 'ignore' 또는 'check' 중 어느 하나의 위험도를 갖는지 여부를 판단하는데 있어서 제어부(12)는 민감치를 기준으로 신뢰도가 높으면 'check'로 결정할 수 있고, 민감치를 기준으로 예상 위치의 신뢰도가 낮으면 'ignore'로 결정할 수 있다.

즉 '민감치'는 ignore 구간과 check 구간의 경계를 결정하는 값이고, 다음과 같은 수식을 이용하여 도출될 수 있다.

여기서,

는 민감치이다.

는 기준값을 나타내며, 민감치를 결정하기 위한 변수값이고, 1부터 100 사이 중 사용자에 의해 설정되는 값에서

를 뺀 값일 수 있다. 제어부(12)는 사용자로부터 기준값을 설정받기 위해 기준값 설정을 위한 게이지바를 제공할 수 있다. 예를 들어 기준값을 높게 설정하면 민감치는 높게 산출되어 민감치가 높게 산출되기 이전에 'check'로 분류되던 예상 위치들도 'ignore'로 분류될 수 있고 'ignore'로 분류되는 예상 위치는 사용자에게 제공되지 않을 수 있다. 관련하여 제어부(12)는 카메라 렌즈 이미지를 탐지하였을 때 산출되는 신뢰도의 정규분포에서 95%를

, 5%를

로 선정할 수 있다.

따라서, 제어부(12)는 사용자로부터 기준값을 입력받으면 상술된 수식에 기초하여 민감치를 산출할 수 있다. 그에 따라 제어부(12)는 사용자에 의해 설정되는 민감치에 기초하여 예상 위치를 제공하거나, 민감치에 기초하여 예상 위치에 대응되는 위험도를 제공할 수 있다.

구체적으로 도 2는 사용자에 의해 기준값이 낮게 설정되었을 때 불법카메라의 예상 위치를 제공하는 사용자 인터페이스의 예시도고, 도 3은 사용자에 의해 기준값이 높게 설정되었을 때 불법카메라의 예상 위치를 제공하는 사용자 인터페이스의 예시도이다.

도 2를 참조하면 제어부(12)는 예상 위치(202)를 식별해낼 수 있고 그에 따른 위험도(203)를 표시할 수 있다. 관련하여 게이지바(201)는 좌측으로 이동되면 기준값이 높아지고 우측으로 이동되면 기준값이 낮아진다. 따라서 도 2에 도시된 바에 따른 게이지바(201)에 따라 기준값이 설정됨에 따라 제어부(12)는 위험도(302)를 'check'로 결정하고 표시해줄 수 있다. 한편, 도 3을 참조하면 도 2의 게이지바와 대비하여 좌측으로 이동된 게이지바(301)에 따라 기준값이 높아지게 되며. 기준값이 높아짐에 따라 예상 위치(202)가 표시되지 않거나 예상 위치(202)가 표시되더라도 위험도가 'ignore'로 표시될 수 있다.

한편 제어부(12)는 사용자에 의해 줌인(zoom-in) 여부를 입력받을 수 있고 사용자가 줌인을 요청함에 따라 촬영이미지가 변경되면 제어부(12)는 변경된 촬영이미지에서 예상 위치를 식별할 수 있다.

추가적으로 제어부(12)는 예상 위치가 식별된 촬영이미지에서 전자파가 감지되는지, 또는 적외선이 감지되는지를 추가로 분석함으로써 예상 위치를 검증할 수 있다.

다른 실시예에 따르면, 제어부(12)는 불법카메라가 탐지된 영역 정보를 사용자끼리 공유할 수 있는 인터페이스를 제공할 수 있다. 예를 들어 제어부(12)는 불법카메라가 탐지된 위치를 GPS 등을 통해 식별하여 영역 정보로서 업데이트할 수 있다. 또한 예를 들어 제어부(12)는 불법카메라가 탐지된 건물 주소를 영역 정보로서 업데이트하면서, 영역 정보에 대응되는 날짜, 리뷰, 별점 및 촬영이미지 등을 사용자로부터 입력받고 입력받은 정보를 영역 정보와 함께 메모리(11)에 저장할 수 있다. 그리고 제어부(12)는 저장된 영역 정보를 타 사용자에게 공유할 인터페이스를 제공할 수 있다. 이러한 인터페이스는, 불법카메라가 탐지되지 않아 불법카메라가 설치되지 않았다고 판단되는 영역 정보도 포함할 수 있다.

한편 실시예에 따르면, 입출력부(13)는 사용자로부터 입력을 수신하기 위한 입력부와, 작업의 수행 결과 또는 불법카메라 탐지 장치(10)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 예를 들어, 입출력부(13)는 사용자 입력을 수신하는 조작 패널(operation panel) 및 화면을 표시하는 디스플레이 패널(display panel) 등을 포함할 수 있다.

구체적으로, 입력부는 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 사용자 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 한정되지 않고 입출력부(13)는 다양한 입출력을 지원하는 구성을 포함할 수 있다.

일 실시예에 따르면 입력부는 카메라로 구현되어 렌즈를 통해 보이는 이미지를 촬영할 수 있고 출력부는 촬영이미지 내에서의 예상 위치를 표시해줄 수 있다.

한편 실시예에 따르면 통신부(14)는 다른 디바이스 또는 네트워크와 유무선 통신을 수행할 수 있다. 이를 위해, 통신부(14)는 다양한 유무선 통신 방법 중 적어도 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들어, 통신 모듈은 칩셋(chipset)의 형태로 구현될 수 있다.

통신부(14)가 지원하는 무선 통신은, 예를 들어 Wi-Fi(Wireless Fidelity), Wi-Fi Direct, 블루투스(Bluetooth), UWB(Ultra Wide Band) 또는 NFC(Near Field Communication) 등일 수 있다. 또한, 통신부(14)가 지원하는 유선 통신은, 예를 들어 USB 또는 HDMI(High Definition Multimedia Interface) 등일 수 있다.

한편 도 4 내지 도5는 일 실시예에 따른 불법카메라 탐지 방법을 설명하기 위한 순서도이다.

도 4 내지 도5에 도시된 실시예에 따른 불법카메라 탐지 방법은 도 1 내지 도 3에 도시된 불법카메라 탐지 장치(10)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1 내지 도 3에 도시된 불법카메라 탐지 장치(10)에 관하여 이상에서 기술한 내용은 도 4 내지 도 5에 도시된 실시예에 따른 불법카메라 탐지 방법에도 적용될 수 있다.

도 4를 참조하면, 불법카메라 탐지 장치(10)는 불법카메라의 예상 위치를 출력시키도록 인공지능 모델을 학습시킬 수 있다(S401).

단계 S401과 관련하여 도 5를 참조하면, 불법카메라 탐지 장치(10)는 관리자에 의해 수집된 전체 렌즈 이미지 중 유사도가 낮은 카메라 렌즈 이미지를 선정할 수 있다(S501). 전체 렌즈 이미지 중 유사도가 낮은 카메라 렌즈 이미지는 관리자에 의해 선정되는 것이며, 관리자에 의해 인공지능 모델에 입력될 수 있다.

그리고 불법카메라 탐지 장치(10)는 선정된 렌즈 이미지를 높은 학습률로 인공지능 모델에 학습시킬 수 있다(S502). 따라서 인공지능 모델은 관리자에 의해 선정된 렌즈 이미지를 반복적으로 학습될 수 있다. 한편, 인공지능 모델에는 이러한 학습을 통해 오버피팅에 대한 문제가 발생할 수 있다.

이후 불법카메라 탐지 장치(10)는 관리자에 의해 수집된 전체 렌즈 이미지를 낮은 학습률로 인공지능 모델에 학습시킴으로써 오버피팅에 대한 문제를 완화할 수 있다(S503).

불법카메라 탐지 장치(10)는 긍정오류가 발생하는 유사 객체 이미지를 비카메라 라벨로 분류되도록 학습시키며, 긍정오류가 발생하지 않은 카메라 렌즈 이미지는 카메라 유형별로 라벨을 부여하여 학습시킬 수 있다. 여기서 불법카메라 탐지 장치(10)는 긍정오류가 발생하는 유사 객체 이미지와 카메라 렌즈 이미지를 식별하기 위해 서로 다른 라벨로 분류하도록 학습시킬 수 있다.

그리고 불법카메라 탐지 장치(10)는 촬영이미지에 대한 보간을 수행하고 인공지능 모델에 입력할 수 있다(S402). 이때 불법카메라 탐지 장치(10)는 촬영되고 있는 화면의 화질을 최대로 설정하고, 촬영 비율을 1:1로 설정할 수 있다. 그리고 불법카메라 탐지 장치(10)는 촬영 비율이 1:1로 설정되어 촬영된 촬영이미지에 대한 보간(interpolation)을 수행하여 촬영이미지에 픽셀을 추가한 이미지를 학습된 인공지능 모델에 입력할 수 있다. 그리고 불법카메라 탐지 장치(10)는 학습된 인공지능 모델을 이용하여 촬영이미지에서 불법카메라의 존재 유무를 탐지할 수 있다.

그리고 이어서 불법카메라 탐지 장치(10)는 학습된 인공지능 모델을 이용하여 불법카메라를 탐지할 수 있다(S403).

이후 불법카메라 탐지 장치(10)는 탐지된 불법카메라의 예상 위치를 사용자에게 제공할 수 있다(S404). 이때 불법카메라 탐지 장치(10)는 불법카메라의 예상 위치에 대하여 위험도별로 다른 텍스트와 색상을 제공할 수 있다.

또한 불법카메라 탐지 장치(10)는 탐지된 불법카메라의 영역 정보를 공유할 수 있는 인터페이스를 제공할 수 있다(S405).

따라서 불법카메라 탐지 장치(10)는 사용자에 의해 불법카메라가 탐지된 건물 주소, 날짜, 리뷰, 별점 및 촬영 사진을 입력받고 업로드할 수 있다.

이상의 실시예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 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, 프로그램특허 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'들로부터 분리될 수 있다.

뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다.

도 4 내지 도 5를 통해 설명된 실시예에 따른 불법카메라 탐지 방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함할 수 있다. 예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.

또한 도 4 내지 도 5를 통해 설명된 실시예에 따른 불법카메라 탐지 방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다.

따라서 도 4 내지 도 5를 통해 설명된 실시예에 따른 불법카메라 탐지 방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.

여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다.

또한 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다.

그리고 저장장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다.

상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 명세서를 통해 보호받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.

10: 불법카메라 탐지 장치 11: 메모리
12: 제어부 13: 입출력부
14: 통신부

Claims

불법카메라 탐지 장치에 의해 수행되는 불법카메라 탐지 방법으로서,
학습된 인공지능 모델을 이용하여 촬영이미지 내 불법카메라를 탐지하는 단계; 및
탐지된 불법카메라의 예상 위치를 제공하는 단계를 포함하는, 불법카메라 탐지 방법.
제1항에 있어서,
학습이미지를 입력하여 상기 학습이미지 내에서 상기 불법카메라의 예상 위치를 출력시키도록 상기 인공지능 모델을 학습시키는 단계를 더 포함하는, 불법카메라 탐지 방법.
제2항에 있어서,
상기 인공지능 모델을 학습시키는 단계는,
전체 렌즈 이미지 중 유사도가 낮은 카메라 렌즈 이미지를 선정하고 선정된 렌즈 이미지를 상기 학습이미지로서 상기 인공지능 모델을 학습시키되, 상기 선정된 렌즈 이미지를 높은 학습률로 학습시키는 단계를 포함하는, 불법카메라 탐지 방법.
제3항에 있어서,
상기 인공지능 모델을 학습시키는 단계는,
전체 렌즈 이미지를 상기 학습이미지로서 상기 인공지능 모델을 학습시키되, 낮은 학습률로 학습시키는 단계를 포함하는, 불법카메라 탐지 방법.
제2항에 있어서,
상기 인공지능 모델을 학습시키는 단계는,
긍정오류가 발생하는 유사 객체 이미지를 포함하는 학습이미지가 비카메라 라벨로 분류되도록 학습시키는 동시에, 긍정오류가 발생하지 않은 카메라 렌즈 이미지를 포함하는 학습이미지가 카메라 유형별로 라벨되도록 학습시키는 단계를 포함하는, 불법카메라 탐지 방법.
제1항에 있어서,
상기 불법카메라를 탐지하는 단계는,
보간이 수행된 상기 촬영이미지를 상기 인공지능 모델에 입력하는 단계를 포함하는, 불법카메라 탐지 방법.
제1항에 있어서,
상기 예상 위치를 제공하는 단계는,
카메라 유형별 라벨이 탐지된 위치를, 불법카메라의 예상 위치로서 결정하는 단계를 포함하는, 불법카메라 탐지 방법.
제1항에 있어서,
상기 예상 위치를 제공하는 단계는,
상기 탐지된 불법카메라의 예상 위치에 대응되는 위험도를 결정하는 단계를 포함하는, 불법카메라 탐지 방법.
제1항에 있어서,
상기 예상 위치를 제공하는 단계는,
사용자에 의해 설정되는 민감치에 기초하여 상기 예상 위치를 제공하는 단계를 포함하는, 불법카메라 탐지 방법.
제9항에 있어서,
상기 예상 위치를 제공하는 단계는,
탐지된 불법카메라의 예상 위치에 대응되는 신뢰도가 상기 민감치를 기준으로 높고 낮음에 따라 상기 예상 위치에 대응되는 위험도를 변경시키는 단계를 포함하는, 불법카메라 탐지 방법.
제1항에 있어서,
상기 불법카메라 탐지 방법은,
상기 불법카메라가 탐지된 영역 정보를 사용자끼리 공유할 수 있는 인터페이스를 제공하는 단계를 더 포함하는, 불법카메라 탐지 방법.
불법카메라 탐지 장치에 있어서,
학습된 인공지능 모델을 저장하는 메모리; 및
학습된 인공지능 모델을 이용하여 촬영이미지 내 불법카메라를 탐지하고, 탐지된 불법카메라의 예상 위치를 제공하는 제어부를 포함하는, 불법카메라 탐지 장치.
제12항에 있어서,
상기 제어부는,
학습이미지를 입력하여 상기 학습이미지 내에서 상기 불법카메라의 예상 위치를 출력시키도록 상기 인공지능 모델을 학습시키는, 불법카메라 탐지 장치.
제13항에 있어서,
상기 제어부는,
전체 렌즈 이미지 중 유사도가 낮은 카메라 렌즈 이미지를 선정하고 선정된 렌즈 이미지를 상기 학습이미지로서 상기 인공지능 모델을 학습시키되, 상기 선정된 렌즈 이미지를 높은 학습률로 학습시키는, 불법카메라 탐지 장치.
제14항에 있어서,
상기 제어부는,
전체 렌즈 이미지를 상기 학습이미지로서 상기 인공지능 모델을 학습시키되, 낮은 학습률로 학습시키는, 불법카메라 탐지 장치.
제13항에 있어서,
상기 제어부는,
긍정오류가 발생하는 유사 객체 이미지를 포함하는 학습이미지가 비카메라 라벨로 분류되도록 학습시키는 동시에, 긍정오류가 발생하지 않은 카메라 렌즈 이미지를 포함하는 학습이미지가 카메라 유형별로 라벨되도록 학습시키는, 불법카메라 탐지 장치.
제12항에 있어서,
상기 제어부는,
보간이 수행된 상기 촬영이미지를 상기 인공지능 모델에 입력하는, 불법카메라 탐지 장치.
제12항에 있어서,
상기 제어부는,
카메라 유형별 라벨이 탐지된 위치를, 불법카메라의 예상 위치로서 결정하는, 불법카메라 탐지 장치.
제12항에 있어서,
상기 제어부는,
상기 탐지된 불법카메라의 예상 위치에 대응되는 위험도를 결정하는, 불법카메라 탐지 장치.
제19항에 있어서,
상기 제어부는,
상기 예상 위치를 제공하되, 상기 위험도에 기초하여 상기 예상 위치를 나타내는 색상 및 텍스트 중 적어도 하나를 달리 표시하는, 불법카메라 탐지 장치.
제12항에 있어서,
상기 제어부는,
사용자에 의해 설정되는 민감치에 기초하여 상기 예상 위치를 제공하는, 불법카메라 탐지 장치.
제21항에 있어서,
상기 제어부는,
탐지된 불법카메라의 예상 위치에 대응되는 신뢰도가 상기 민감치를 기준으로 높고 낮음에 따라 상기 예상 위치에 대응되는 위험도를 변경시키는, 불법카메라 탐지 장치.
제12항에 있어서,
상기 제어부는,
상기 불법카메라가 탐지된 영역 정보를 사용자끼리 공유할 수 있는 인터페이스를 제공하는, 불법카메라 탐지 장치.
제 1 항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
불법카메라 탐지 장치에 의해 수행되며, 제 1 항에 기재된 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램.