KR101979375B1 - 감시 영상의 객체 행동 예측 방법 - Google Patents

감시 영상의 객체 행동 예측 방법 Download PDF

Info

Publication number
KR101979375B1
KR101979375B1 KR1020180021992A KR20180021992A KR101979375B1 KR 101979375 B1 KR101979375 B1 KR 101979375B1 KR 1020180021992 A KR1020180021992 A KR 1020180021992A KR 20180021992 A KR20180021992 A KR 20180021992A KR 101979375 B1 KR101979375 B1 KR 101979375B1
Authority
KR
South Korea
Prior art keywords
behavior
metadata
appearance
image
learning
Prior art date
Application number
KR1020180021992A
Other languages
English (en)
Inventor
이경석
Original Assignee
주식회사 삼알글로벌
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 삼알글로벌 filed Critical 주식회사 삼알글로벌
Priority to KR1020180021992A priority Critical patent/KR101979375B1/ko
Application granted granted Critical
Publication of KR101979375B1 publication Critical patent/KR101979375B1/ko

Links

Images

Classifications

    • 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
    • G06K9/00771—
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G06K2017/0045—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

컴퓨터 수행 가능한 감시 영상의 객체 행동 예측 방법은 (a) 감시 영상에서 객체를 인식하는 단계, (b) 상기 객체의 사전 설정된 질의를 통해 객체상태를 결정하고 상기 객체의 움직임 패턴을 통해 객체행위를 결정하여 상기 객체를 분석하는 단계, (c) 상기 객체상태와 상기 객체행위를 기초로 객체 메타데이터를 생성하는 단계 및 (d) 기존 객체 메타데이터의 학습결과를 활용하여 상기 객체의 행동유형을 분류하고 상기 객체의 향후행동을 예측하는 단계를 포함한다. 일 실시예에서, 상기 (d) 단계는 상기 인식된 객체를 기초로 가상학습 데이터를 상기 기존 객체 메타데이터로서 생성하여 딥러닝 기반의 신경망 학습을 수행하는 단계를 포함할 수 있다. 본 발명의 일 실시예에 따르면, 객체 메타데이터의 학습결과를 활용하여 객체의 향후행동을 예측함으로써 학습의 효율성을 개선할 수 있다.

Description

감시 영상의 객체 행동 예측 방법{METHOD OF PREDICTING OBJECT BEHAVIOR OF SURVEILLANCE VIDEO}
본 발명은 객체 행동 예측 기술에 관한 것으로, 보다 상세하게는, 객체 메타데이터의 학습결과를 활용하여 객체의 향후행동을 예측함으로써 학습의 효율성을 개선할 수 있는 감시 영상의 객체 행동 예측 방법에 관한 관한 것이다.
영상의 객체 분석 기술은 감시 카메라를 이용하여 촬영된 영상데이터에서 객체를 인식하고 객체를 분석하여 영상 분석 과정에 활용할 수 있다. 종래의 영상의 객체 분석 기술은 영상에 있는 실제의 객체 중심으로 객체를 분석하여 행동패턴 등을 분석하고 분석 결과를 바탕으로 학습을 수행하기 때문에 시간이 오래 소요되고 효율성이 저하되는 단점이 있다.
한국등록특허 제10-1795798호(2017.11.02)는 지능형 영상감시 시스템에 관한 것으로, 각각 설정된 구역을 촬영하는 복수의 카메라와, 상기 복수의 카메라의 촬영영상을 수신받으며, 수신된 촬영영상을 분석하여 객체 검출 및 영역 검출 중 어느 하나 이상의 검출동작을 수행하는 지능형 영상 처리장치와, 상기 지능형 영상 처리장치에 접속되어, 상기 지능형 영상 처리장치에서 분석된 검출 데이터 및 상기 촬영영상을 수신받는 모니터링 장치를 포함한다.
한국공개특허 제10-2015-0112712호(2015.10.07)는 객체 행동패턴 CCTV 영상 분석서버에 관한 것으로, 마이크로프로세서로 구성된 주제어부, 영상분석 API, 객체인식모듈, 송수신부로 구성된 객체 행동패턴 CCTV 영상 분석서버에 있어서, 상기 영상분석 API는 디지탈감시카메라에서 촬영된 원본 영상데이터를 전송받아 주제어부 장기저장 메모리에 원본 영상데이터를 저장 및 객체인식모듈 해마신경망 메모리에 저장하며; 상기 송수신부는 네트워크망을 통해 연결된 통합방범센터 센터제어서버와의 전송 트래픽을 측정하여 주제어부로 전송하며; 상기 주제어부는 객체인식모듈에 수신된 원본 영상데이터를 상기 송수신부에서 측정된 트래픽 이하의 저화질 저용량으로 암호화 압축한 저용량영상압축파일을 네트워크망을 통해 통합방범센터 센터제어서버로 전송하며; 상기 객체인식모듈은 해마신경망 메모리에 수신된 원본 영상데이터를 중첩되게 X축 Y축으로 하나 이상으로 분할하여 X-Y좌표 값과 시간 데이터를 매칭시켜 디지털 줌 확대하여 분할영상을 저장하며; 상기 객체인식모듈은 각 각의 디지털 줌 확대된 분할영상 및 분할영상에 대해 객체인식 프로그램에 의해 객체인식 후 인식된 객체를 분류한 객체분류 영상을 주제어부로 전송하며; 상기 주제어부는 상기 객체분류 영상 및 상기 분할영상의 행동패턴을 분류한 행동패턴 영상에 대하여 장기저장 메모리에 저장되어 있는 위험객체 및 행동패턴과 비교하여 위험행동 우선순위 특징값을 부여하여 암호화 압축한 위험이벤트압축파일을 통합방범센터 센터제어서버로 전송하는 것을 특징으로 한다.
한국공개특허 제10-2015-0112712호(2015.10.07) 한국공개특허 제10-2015-0112712호(2015.10.07)
본 발명의 일 실시예는 객체 메타데이터의 학습결과를 활용하여 객체의 향후행동을 예측함으로써 학습의 효율성을 개선할 수 있는 컴퓨터 수행 가능한 감시 영상의 객체 행동 예측 방법을 제공하고자 한다.
본 발명의 일 실시예는 질의 기반의 객체상태와 움직임 패턴 기반의 객체행위를 기초로 생성된 객체 메타데이터를 통해 보다 효율적으로 객체의 행동유형을 분류하고 향후행동을 예측할 수 있는 컴퓨터 수행 가능한 감시 영상의 객체 행동 예측 방법을 제공하고자 한다.
실시예들 중에서, 컴퓨터 수행 가능한 감시 영상의 객체 행동 예측 방법은 (a) 감시 영상에서 객체를 인식하는 단계, (b) 상기 객체의 사전 설정된 질의를 통해 객체상태를 결정하고 상기 객체의 움직임 패턴을 통해 객체행위를 결정하여 상기 객체를 분석하는 단계, (c) 상기 객체상태와 상기 객체행위를 기초로 객체 메타데이터를 생성하는 단계 및 (d) 기존 객체 메타데이터의 학습결과를 활용하여 상기 객체의 행동유형을 분류하고 상기 객체의 향후행동을 예측하는 단계를 포함한다.
상기 (b) 단계는 상기 감시 영상에서 상기 객체의 주요 출현 여부를 기초로 상기 객체의 분석구간을 결정하는 단계를 포함할 수 있다.
상기 (b) 단계는 상기 객체의 출현 영역범위 및 상기 객체의 출현 시간구간을 기초로 상기 객체의 주요 출현 여부를 결정하는 단계를 더 포함할 수 있다.
상기 (c) 단계는 상기 객체상태를 상기 질의에 관한 답변에 따라 제1 문형으로 결정하고 상기 객체행위를 상기 움직임 패턴에 따라 제2 문형으로 결정하는 단계를 포함할 수 있다.
상기 (c) 단계는 상기 제1 및 제2 문형들을 통해 상기 객체 메타데이터를 생성하고 상기 객체 메타데이터로부터 영상검색태그를 생성하는 단계를 더 포함할 수 있다.
상기 (c) 단계는 상기 영상검색태그를 상기 객체의 분석구간에 해당하는 영상의 시작 시점과 연관시키는 단계를 더 포함할 수 있다.
상기 (d) 단계는 상기 인식된 객체를 기초로 가상학습 데이터를 상기 기존 객체 메타데이터로서 생성하여 딥러닝 기반의 신경망 학습을 수행하는 단계를 포함할 수 있다.
상기 (d) 단계는 상기 객체의 향후행동이 기 지정된 특정 시나리오에 정의된 행동과 동일한 경우에는 상기 객체의 행동유형과 향후행동을 사용자 단말에 제공하는 단계를 포함할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다 거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 컴퓨터 수행 가능한 감시 영상의 객체 행동 예측 방법은 객체 메타데이터의 학습결과를 활용하여 객체의 향후행동을 예측함으로써 학습의 효율성을 개선할 수 있다.
본 발명의 일 실시예에 따른 컴퓨터 수행 가능한 감시 영상의 객체 행동 예측 방법은 질의 기반의 객체상태와 움직임 패턴 기반의 객체행위를 기초로 생성된 객체 메타데이터를 통해 보다 효율적으로 객체의 행동유형을 분류하고 향후행동을 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 객체 행동 예측 시스템을 나타내는 도면이다.
도 2는 도 1에 있는 객체 행동 예측 장치의 구성을 나타내는 도면이다.
도 3은 도 2에 있는 프로세서의 기능 요소를 나타내는 블록도이다.
도 4는 도 3에 있는 프로세서가 객체 행동 예측 프로시저를 실행하는 과정을 설명하기 위한 흐름도이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다 거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에" 와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명의 일 실시예에 따른 객체 행동 예측 시스템을 나타내는 도면이다.
도 1을 참조하면, 객체 행동 예측 시스템(100)은 객체 행동 예측 장치(110), 비디오 감시 장치(120) 및 사용자 단말(130)을 포함할 수 있다.
객체 행동 예측 장치(110)는 비디오 감시 장치(120) 및 사용자 단말(130)와 네트워크를 통해 연결될 수 있는 컴퓨팅 장치에 해당한다. 일 실시예에서, 객체 행동 예측 장치(110)는 비디오 감시 장치(120)로부터 수신된 감시 영상을 기초로 객체의 향후행동 예측을 수행할 수 있다.
비디오 감시 장치(120)는 객체 행동 예측 장치(110)와 네트워크를 통해 연결되어 객체 행동 예측 장치(110)에 감시 영상을 제공할 수 있는 컴퓨팅 장치에 해당한다. 일 실시예에서, 비디오 감시 장치(120)는 감시 카메라(125)와 유무선 통신망을 통하거나 전기적으로 연결되어 감시 카메라(125)로부터 영상을 수신할 수 있고, 수신된 영상을 기초로 비디오 감시를 수행하여 영상 중 적어도 일부를 저장할 수 있으며, 수신된 영상 또는 저장된 영상을 감시 영상으로서 객체 행동 예측 장치(110)에 전송할 수 있다. 일 실시예에서, 비디오 감시 장치(120)는 수신된 영상을 분석하여 객체의 움직임을 검출할 수 있고, 객체의 움직임이 검출된 영상을 선별적으로 저장하고 감시 영상으로서 객체 행동 예측 장치(110)에 전송할 수 있다.
일 실시예에서, 비디오 감시 장치(120)는 DVR(Digital Video Recorder)로 구현될 수 있고, 디스크에 영상을 저장하거나 저장된 영상을 재생할 수 있는 분리형(stand-alone) 셋톱 박스나 PC에서 이용할 수 있는 소프트웨어를 포함할 수 있다. 일 실시예에서, 감시 카메라(125)는 아날로그 CCTV(closed circuit television) 카메라와 UHD(Ultra High Definition) CCTV 중 적어도 하나를 통해 구현될 수 있으나, 이에 제한되지는 않는다.
사용자 단말(130)은 객체 행동 예측 장치(110)와 네트워크를 통해 연결될 수 있는 컴퓨팅 장치에 해당하고, 예를 들어, 데스크톱, 노트북, 태블릿 PC 또는 스마트폰으로 구현될 수 있다. 일 실시예에서, 사용자 단말(130)은 객체 행동 예측 에이전트를 통해 객체 행동 예측 장치(110)와 연결될 수 있고, 여기에서, 객체 행동 예측 에이전트는 사용자 단말(130)에 설치되면 사용자 단말(130)의 승인 하에 사용자 단말(130)과 객체 행동 예측 장치(110)가 상호 연동되도록 할 수 있는 소프트웨어인 에이전트 프로그램에 해당하며, 예를 들어, 모바일 어플리케이션으로 구현될 수 있다.
일 실시예에서, 객체 행동 예측 장치(110)와 비디오 감시 장치(120)는 상호 독립적인 컴퓨팅 장치로서 구현될 수 있으나, 다른 일 실시예에서, 물리적으로 또는 기능적으로 통합된 컴퓨팅 장치로 구현될 수도 있다. 이하, 편의상, 전자의 실시예를 참조하여 설명하도록 한다.
도 2는 도 1에 있는 객체 행동 예측 장치의 구성을 나타내는 도면이다.
도 2를 참조하면, 객체 행동 예측 장치(110)는 프로세서(210), 메모리(220), 사용자 입출력부(230), 네트워크 입출력부(240) 및 객체 데이터베이스(250)를 포함할 수 있다.
프로세서(210)는 도 4에 있는 객체 행동 예측 프로시저를 실행할 수 있고, 이러한 과정에서 읽혀지거나 작성되는 메모리(220)를 관리할 수 있으며, 메모리(220)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 객체 행동 예측 장치(110)의 동작 전반을 제어할 수 있고, 메모리(220), 사용자 입출력부(230), 네트워크 입출력부(240) 및 객체 데이터베이스(250)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있으며, 객체 행동 예측 장치(110)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(220)는 SSD(Solid State Disk) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 객체 행동 예측 장치(110)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다. 이처럼, 메모리(220)는 휘발성 및 비휘발성 메모리로 구현될 수 있고, 만일 비휘발성 메모리로 구현되면 하이퍼링크를 통해 연결되도록 구현될 수 있다.
사용자 입출력부(230)은 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함하고, 예를 들어, 마우스, 트랙볼, 터치 패드, 그래픽 태블릿, 스캐너, 터치 스크린, 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(230)은 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 객체 행동 예측 장치(110)는 서버로서 수행될 수 있다.
네트워크 입출력부(240)은 네트워크를 통해 사용자 단말(130)과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network) 통신을 위한 어댑터를 포함할 수 있다.
객체 데이터베이스(250)는 기존 객체 메타데이터의 학습결과를 데이터베이스로서 포함할 수 있고, 일 실시예에서, 객체종류 별로 사전 설정된 질의 및 객체 행동 예측 모델을 포함할 수 있다. 일 실시예에서, 프로세서(210)는 객체 데이터베이스(250)를 기반으로 객체 행동 예측 프로시저를 실행하고 딥러닝 기반의 신경망 학습을 수행할 수 있고, 주기 또는 비주기적으로 빅데이터 분석을 수행하여 객체 데이터베이스(250)를 갱신할 수 있다.
도 3은 도 2에 있는 프로세서의 기능 요소를 나타내는 블록도이다.
도 3을 참조하면, 프로세서(210)는 객체 인식부(310), 객체 분석부(320), 객체 메타데이터 생성부(330), 객체 향후행동 예측부(340) 및 제어부(350)를 포함할 수 있다.
객체 인식부(310)는 감시 영상에서 객체를 인식한다. 일 실시예에서, 객체 인식부(310)는 비디오 감시 장치(120)로부터 감시 영상이 제공되면 해당 감시 영상을 분석하여 감시 영상에서 적어도 하나의 객체의 유무를 검출할 수 있고, 그렇다면, 검출된 적어도 하나의 객체 각각에 관한 형상 정보를 분석하여 각각의 객체종류(예를 들어, 사람이나 차량)를 결정할 수 있다.
일 실시예에서, 객체 인식부(310)는 이전 영상에서의 움직임 여부를 기초로 또는 감시 영상에서 주변 영역과 유사 색상에 해당되는지 여부를 기초로 감시 영상을 각각이 적어도 기준 값 이상의 영역 크기를 가지는 N (N은 자연수) 개의 분할 영역들로 분할할 수 있고, 분할 영역들 각각을 분석하여 적어도 하나의 객체를 인식할 수 있다. 일 실시예에서, 객체 인식부(310)는 감시 영상의 PTZ(Pan-Tilt-Zoom) 정보를 기초로 N 개를 특정 값으로 설정할 수 있다.
객체 분석부(320)는 객체의 사전 설정된 질의를 통해 객체상태를 결정하고 객체의 움직임 패턴을 통해 객체행위를 결정하여 객체를 분석한다. 일 실시예에서, 객체 분석부(320)는 감시 영상에서 인식된 객체를 기 학습된 객체 행동 예측 모델을 기초로 분석하여 객체상태 및 객체행위를 결정할 수 있다.
객체 분석부(320)는 객체 데이터베이스(250)를 검색하여 감시 영상에서 인식된 객체의 객체종류에 설정된 질의를 가져와 해당 질의를 기초로 해당 객체에 관한 질의처리를 수행하여 해당 객체의 객체상태를 결정할 수 있고, 예를 들어, 인식된 객체의 객체종류가 사람이면 사람과 매칭되어 설정된 복수의 질의 데이터들을 기초로 객체를 분석하여 [사람이 가방을 착용]을 해당 객체의 객체상태로 결정할 수 있다. 일 실시예에서, 질의는 설계자 또는 사용자에 의해 객체종류 별로 상이하게 설정되어 객체 데이터베이스(250)에 저장 및 관리될 수 있고, 전체 형상에 관한 제1 질의(예를 들어, 인식되는 객체의 전체 형상이 기 저장된 적어도 하나의 전체 형상 중 하나와 매칭되는지에 관한 질의), 세부 형상에 관한 제2 질의(예를 들어, 인식되는 객체의 특정 부분(예를 들어, 얼굴)의 세부 형상이 기 저장된 적어도 하나의 세부 형상 중 하나와 매칭되는지에 관한 질의) 및 객체 특성에 관한 제3 질의(예를 들어, 인식되는 객체가 해당 객체종류와 연관된 객체 특성에 부합되는지에 관한 질의) 중 적어도 하나를 포함할 수 있다.
객체 분석부(320)는 객체 데이터베이스(250)에 기 저장되고 행위분석 알고리즘을 포함하는 객체 행동 예측 모델을 기초로 감시 영상에서 인식된 객체를 분석하여 해당 객체의 객체종류와 매칭되는 객체행위를 결정할 수 있고, 예를 들어, 인식된 객체의 객체종류가 사람이면 일련의 감시 영상에서 연속되는 객체의 움직임 패턴을 기초로 객체를 분석하여 [사람이 오른쪽으로 이동 중]을 해당 객체의 객체행위로 결정할 수 있다.
객체 분석부(320)는 감시 영상에서 객체의 주요 출현 여부를 기초로 객체의 분석구간을 결정할 수 있다. 일 실시예에서, 객체 분석부(320)는 객체의 출현 영역범위 및 객체의 출현 시간구간을 기초로 객체의 주요 출현 여부를 결정할 수 있다. 보다 구체적으로, 객체 분석부(320)는 가장 최근에 특정 시간구간(예를 들어, 1분) 동안 수신된 일련의 감시 영상에서 해당 객체가 인식된 출현 시간구간(예를 들어, 30초) 및 전체 화면범위 대비하여 차지하는 출현 영역범위의 산술연산 결과(예를 들어, 평균 또는 최대-최소)를 검출하여 주요 출현 여부를 결정할 수 있고, 주요 출연 여부에 따라 해당 객체의 분석구간을 주요 출연 대상과 연관된 제1 분석구간(예를 들어, 1분) 또는 비-주요 출연 대상과 연관된 제2 분석구간(예를 들어, 30초)으로 설정할 수 있다. 여기에서, 특정 시간구간 및 제1 내지 제2 분석구간은 상호 동일하거나 상이한 값으로 설계자 또는 사용자에 의해 각각 설정될 수 있다.
일 실시예에서, 객체 분석부(320)는 검출된 출현 영역범위와 기준 영역범위 간의 비교 및 검출된 출현 시간구간과 기준 시간구간 간의 비교를 통해 해당 객체의 주요 출현 여부를 결정할 수 있고, 예를 들어, 하기의 수학식 1을 기초로 주요 출현 지수(r)를 산출하여 기 설정된 기준 출현 지수 r0 보다 큰지 여부에 따라 해당 객체의 주요 출현 여부를 결정할 수 있다. 여기에서, 기준 영역범위, 기준 시간구간 및 기준 출현 지수 각각은 설계자 또는 사용자에 의해 각각 설정될 수 있다.
[수학식 1]
Figure 112018019201657-pat00001
(여기에서, r은 주요 출현 지수를 의미하고, t는 출현 시간구간을 의미하며, t0는 기준 시간구간을 의미하고, a는 출현 영역범위를 나타내며, a0는 기준 영역범위를 의미하고, m은 1 이상 3 이하의 자연수로서 값이 클수록 해당 객체의 움직임이 큰 것을 의미함(예를 들어, m=1: 움직임 없음, m=2: 정적인 움직임, m=3: 동적인 움직임)
객체 메타데이터 생성부(330)는 객체상태와 객체행위를 기초로 객체 메타데이터를 생성한다. 일 실시예에서, 객체 메타데이터 생성부(330)는 객체상태를 질의에 관한 답변에 따라 제1 문형으로 결정하고 객체행위를 움직임 패턴에 따라 제2 문형으로 결정할 수 있고, 제1 및 제2 문형들을 통해 객체 메타데이터를 생성할 수 있으며, 해당 객체의 객체종류를 해당 객체 메타데이터에 별도의 문형으로 포함시킬 수 있다. 예를 들어, 객체 메타데이터 생성부(330)는 객체 분석부(320)에 의해 결정된 해당 객체의 객체종류 [사람]을 제0 문형으로, 객체상태의 키워드 [가방을 착용]을 제1 문형으로 결정하고 해당 객체의 객체행위의 키워드 [오른쪽으로 이동]을 제2 문형으로 결정할 수 있고, 결정된 제0 내지 제2 문형을 포함하는 객체 메타데이터를 생성할 수 있다.
일 실시예에서, 객체 메타데이터 생성부(330)는 객체 분석부(320)에 의해 분석된 해당 객체의 주요 출현 여부 및 주요 출연되는 것으로 결정된 시간 구간을 기초로 제3 문형을 결정하여 해당 객체 메타데이터에 포함시킬 수 있다. 예를 들어, 객체 메타데이터 생성부(330)는 해당 객체가 감시 영상의 전체 시간구간을 기준으로 [시간구간 A ~ B] 에서 주요 출현된 것으로 분석되었다면 [주요 출연, 시간구간 A ~ B]를 제3 문형으로서 결정할 수 있다.
객체 메타데이터 생성부(330)는 객체 메타데이터로부터 영상검색태그를 생성할수 있다. 일 실시예에서, 객체 메타데이터 생성부(330)는 객체 메타데이터에 있는 객체종류 및 제1 내지 제3 문형 중 적어도 하나를 기초로 적어도 하나의 태그로 구성된 영상검색태그를 생성할수 있고, 예를 들어, 해당 객체의 객체종류 [사람], 제1 문형의 키워드 [가방-착용], 제2 문형의 키워드 [오른쪽-이동] 및 제3 문형의 키워드 [주요출연, 시간구간 A~B] 각각에 해당되는 텍스트를 태그로서 추출하여 해당 태그들로 구성된 영상검색태그를 생성할수 있다.
객체 메타데이터 생성부(330)는 영상검색태그를 해당 객체의 분석구간에 해당하는 영상의 시작 시점과 연관시킬 수 있다. 일 실시예에서, 객체 메타데이터 생성부(330)는 객체 메타데이터를 통해 생성된 영상검색태그를 감시 영상의 시작 시점에 인덱싱할 수 있고, 감시 영상에 관하여 사용자에 의해 영상검색태그에 있는 특정 태그가 검색되면 해당 검색된 특정 태그와 결합된 영상의 특정 시점을 검출하여 해당 특정 시점부터 영상이 재생되도록 할 수 있다.
일 실시예에서, 객체 메타데이터 생성부(330)는 생성된 영상검색태그를 영상의 시작 시점에 연관시켜 해당 영상의 재생이 시작되면 해당 시작 시점부터 이후에 연속되는 시간구간에 동기화되도록 해당 영상검색태그를 세팅할 수 있다.
객체 향후행동 예측부(340)는 기존 객체 메타데이터의 학습결과를 활용하여 객체의 행동유형을 분류하고 객체의 향후행동을 예측한다. 일 실시예에서, 객체 향후행동 예측부(340)는 기 저장된 학습 알고리즘에 따라 기존 객체 메타데이터를 기초로 기 학습된 객체 행동 예측 모델을 객체 데이터베이스(250)에 저장할 수 있고, 저장된 객체 행동 예측 모델에 생성된 객체 메타데이터를 적용하여 해당 객체의 행동유형을 분류하고 향후행동을 예측할 수 있다. 예를 들어, 객체 향후행동 예측부(340)는 객체 행동 예측 모델을 기초로 감시 영상의 분석구간에서 ([사람], [가방을 착용], [오른쪽으로 이동])의 객체 메타데이터로 정의되는 제1 객체에 관한 행동유형을 분석하여 해당 객체의 행동유형을 [주차장 이동]으로 분류할 수 있고, 분류된 행동유형과 해당 객체 메타데이터를 기초로 해당 객체의 향후행동 [차로 이동하여 탑승]를 예측할 수 있다.
객체 향후행동 예측부(340)는 예측된 객체의 향후행동이 기 지정된 특정 시나리오에 정의된 행동과 동일한 경우에는 해당 객체의 행동유형과 향후행동을 사용자 단말(130)에 제공할 수 있다. 일 실시예에서, 객체 향후행동 예측부(340)는 객체 행동 예측 모델에 저장된 복수의 시나리오들 중에서 예측된 객체의 향후행동과 동일한 행동이 정의된 적어도 하나의 특정 시나리오를 검출할 수 있고, 검출된 적어도 하나의 특정 시나리오 각각에 관해 해당 객체의 객체 메타데이터 및 분류된 행동유형과의 매칭도를 산출하여 기준 매칭도 이상으로 확인되면 해당 감시 영상과 연관된 사용자 단말(130)에 해당 객체의 행동유형과 향후행동의 제공을 결정할 수 있다.
일 실시예에서, 객체 향후행동 예측부(340)는 검출된 적어도 하나의 특정 시나리오 각각에 관하여 예측된 향후행동과 매칭되는 시나리오 상의 행동이 해당 시나리오에 정의된 일련의 위험 단계들 중 어느 단계에 해당하는지를 검출하여 예측된 향후행동의 위험 단계가 결정할 수 있다. 일 실시예에서, 객체 향후행동 예측부(340)는 결정된 향후행동의 위험 단계가 기준 위험 단계 이상이면 사운드 모듈(미도시됨)을 통해 경고 컨텐츠를 출력하거나 비디오 감시 장치(120)에 해당 객체의 행동유형, 향후행동 및 위험 경보를 권장하는 경고 컨텐츠를 제공할 수 있다.
일 실시예에서, 객체 향후행동 예측부(340)는 산출된 매칭도가 기준 매칭도 이상이고 예측된 향후행동의 위험 단계가 기준 위험 단계 이상이면 관제 서버(미도시됨)에 해당 감시 영상, 해당 객체의 행동유형과 향후행동 및 예측된 향후행동의 위험 단계을 전송하여 구조를 요청하고 사용자 단말(130)에 긴급 메시지를 전송할 수 있다.
일 실시예에서, 객체 향후행동 예측부(340)는 산출된 매칭도가 기준 매칭도 이상이고 예측된 향후행동의 위험 단계가 기준 위험 단계 미만이면 사용자 단말(130)에 설치된 객체 행동 예측 에이전트를 통해 해당 객체의 행동유형과 향후행동을 포함하는 객체 행동 예측 메시지를 전송할 수 있다.
일 실시예에서, 객체 향후행동 예측부(340)는 산출된 매칭도가 기준 매칭도 미만이고 예측된 향후행동의 위험 단계가 기준 위험 단계 미만이면 해당 시점으로부터 특정 시간 구간 동안 해당 객체의 객체 메타데이터 및 행동유형을 추적하여 해당 시나리오와의 비교 결과를 생성할 수 있다.
객체 향후행동 예측부(340)는 인식된 객체를 기초로 가상학습 데이터를 기존 객체 메타데이터로서 생성하여 딥러닝 기반의 신경망 학습을 수행할 수 있다. 일 실시예에서, 객체 향후행동 예측부(340)는 객체의 향후행동 예측이 완료되면 해당 예측 과정에서 생성된 객체 메타데이터를 가상학습 데이터로서 이용하여 딥러닝 기반의 신경망 학습을 수행함으로써 기 저장된 객체 행동 예측 모델을 갱신할 수 있다. 즉, 객체 향후행동 예측부(340)는 객체 메타데이터를 통한 신경망 학습을 기반으로 저장된 객체 행동 예측 모델을 학습하여 객체 메타데이터를 기반으로 객체의 행동유형을 분류하고 향후행동을 예측할 수 있도록 하여 학습의 효율성을 개선할 수 있다.
일 실시예에서, 객체 향후행동 예측부(340)는 신경망 학습의 수행 과정에서 예측된 향후행동의 위험 단계가 기준 단계 이상에 해당되는 객체 메타데이터를 가상학습 데이터로서 이용하는 경우에는 해당 객체 메타데이터의 반영 가중치를 상향 조정할 수 있다. 예를 들어, 객체 향후행동 예측부(340)는 다층 신경망으로 구현된 학습 알고리즘을 기초로 해당 객체 메타데이터를 가상학습 데이터로서 신경망 학습을 수행할 수 있고, 이 과정에서 다층 신경망에 있는 각 노드를 연결하는 가중치 중 해당 객체 메타데이터와 가장 높게 연관된 노드와 연결된 가중치를 조정할 수 있다.
제어부(350)는 프로세서(210)의 동작 전반을 제어할 수 있고, 객체 인식부(310), 객체 분석부(320), 객체 메타데이터 생성부(330) 및 객체 향후행동 예측부(340) 간의 데이터 흐름을 제어할 수 잇다.
도 4는 도 3에 있는 프로세서가 객체 행동 예측 프로시저를 실행하는 과정을 설명하기 위한 흐름도이다.
도 4에서, 객체 인식부(310)는 감시 영상에서 객체를 인식한다(단계 S410). 객체 분석부(320)는 객체의 사전 설정된 질의를 통해 객체상태를 결정하고 객체의 움직임 패턴을 통해 객체행위를 결정하여 해당 객체를 분석한다(단계 S420). 객체 메타데이터 생성부(330)는 객체상태와 객체행위를 기초로 객체 메타데이터를 생성한다(단계 S430). 객체 향후행동 예측부(340)는 기존 객체 메타데이터의 학습결과를 활용하여 객체의 행동유형을 분류하고 해당 객체의 향후행동을 예측한다(단계 S440). 일 실시예에서, 객체 향후행동 예측부(340)는 인식된 객체를 기초로 가상학습 데이터를 기존 객체 메타데이터로서 생성하여 딥러닝 기반의 신경망 학습을 수행할 수 있다.
본 발명의 일 실시예에 따르면, 객체 행동 예측 장치(110)는 객체 메타데이터의 학습결과를 활용하여 객체의 향후행동을 예측함으로써 학습의 효율성을 개선할 수 있다.
상기에서는 본 출원의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 통상의 기술자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 출원을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 객체 행동 예측 시스템
110: 객체 행동 예측 장치 120: 비디오 감시 장치
130: 사용자 단말
210: 프로세서 220: 메모리
230: 사용자 입출력부 240: 네트워크 입출력부
250: 객체 데이터베이스
310: 객체 인식부 320: 객체 분석부
330: 객체 메타데이터 생성부 340: 객체 향후행동 예측부
350: 제어부

Claims (8)

  1. (a) 감시 영상에서 객체를 인식하는 단계;
    (b) 상기 객체의 사전 설정된 질의를 통해 객체상태를 결정하고 상기 객체의 움직임 패턴을 통해 객체행위를 결정하여 상기 객체를 분석하는 단계;
    (c) 상기 객체상태와 상기 객체행위를 기초로 객체 메타데이터를 생성하는 단계; 및
    (d) 기존 객체 메타데이터의 학습결과를 활용하여 상기 객체의 행동유형을 분류하고 상기 객체의 향후행동을 예측하는 단계를 포함하되,
    상기 (b) 단계는 상기 감시 영상에서 상기 객체의 출현 영역범위 및 상기 객체의 출현 시간구간을 기초로 상기 객체의 주요 출현 여부를 결정하여 상기 결정된 주요 출현 여부를 기초로 상기 객체의 분석구간을 결정하는 단계 및 상기 출현 영역범위와 기준 영역범위 간의 비교 및 상기 출현 시간구간과 기준 시간구간 간의 비교와 관련된 하기의 수학식 1을 기초로 주요 출현 지수를 산출하여 기 설정된 기준 출현 지수 보다 큰지 여부에 따라 해당 객체의 상기 주요 출현 여부를 결정하는 단계를 더 포함하고,
    상기 (c) 단계는 상기 객체상태를 상기 질의에 관한 답변에 따라 제1 문형으로 결정하고 상기 객체행위를 상기 움직임 패턴에 따라 제2 문형으로 결정하며 해당 객체의 주요 출현 여부 및 주요 출현되는 것으로 결정된 시간 구간을 기초로 제3문형을 결정하는 단계 및 상기 제1 내지 제3 문형들을 통해 상기 객체 메타데이터를 생성하고 상기 객체 메타데이터로부터 영상검색태그를 생성하여 상기 영상검색태그를 상기 객체의 분석구간에 해당하는 영상의 시작 시점과 연관시키는 단계를 더 포함하며,
    상기 (d) 단계는 상기 인식된 객체를 기초로 가상학습 데이터를 상기 기존 객체 메타데이터로서 생성하여 딥러닝 기반의 신경망 학습을 수행하는 단계, 상기 객체의 향후행동이 기 지정된 특정 시나리오에 정의된 행동과 동일한 경우에는 상기 객체의 행동유형과 향후행동을 사용자 단말에 제공하는 단계 및 상기 예측된 향후행동이 상기 기 지정된 특정 시나리오에 관하여 정의된 복수의 위험 단계들 중 어느 위험 단계에 해당하는지 검출하여 검출된 위험 단계가 기준 단계 이상일 경우 해당 객체 메타데이터를 상기 가상학습 데이터로 이용하는 경우에 해당 객체 메타데이터의 반영 가중치를 상향 조정하는 단계를 더 포함하는 것을 특징으로 하는 컴퓨터 수행 가능한 감시 영상의 객체 행동 예측 방법.
    [수학식1]
    Figure 112019502280887-pat00006

    여기에서, r은 주요 출현 지수를 의미하고, r0는 설계자에 의해 기 설정된 기준 출현 지수를, t는 출현 시간구간을 의미하며, t0는 기준 시간구간을 의미하고, a는 출현 영역범위를 나타내며, a0는 기준 영역범위를 의미하고, m은 1 이상 3 이하의 자연수로서 값이 클수록 해당 객체의 움직임이 큰 것을 의미한다.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
KR1020180021992A 2018-02-23 2018-02-23 감시 영상의 객체 행동 예측 방법 KR101979375B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180021992A KR101979375B1 (ko) 2018-02-23 2018-02-23 감시 영상의 객체 행동 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180021992A KR101979375B1 (ko) 2018-02-23 2018-02-23 감시 영상의 객체 행동 예측 방법

Publications (1)

Publication Number Publication Date
KR101979375B1 true KR101979375B1 (ko) 2019-08-28

Family

ID=67775350

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180021992A KR101979375B1 (ko) 2018-02-23 2018-02-23 감시 영상의 객체 행동 예측 방법

Country Status (1)

Country Link
KR (1) KR101979375B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021235682A1 (en) * 2020-05-18 2021-11-25 StradVision, Inc. Method and device for performing behavior prediction by using explainable self-focused attention
KR20220072316A (ko) 2020-11-25 2022-06-02 주식회사 넥스트케이 다객체의 이벤트 검출을 위한 영상분석장치 및 그 장치의 구동방법
KR20220094416A (ko) 2020-12-29 2022-07-06 (주)에이아이매틱스 근미래 객체 위치 예측 시스템
US11527067B2 (en) 2019-11-07 2022-12-13 Electronics And Telecommunications Research Institute Electronic device, action instance generation method, and recording medium
US12026894B2 (en) 2020-12-29 2024-07-02 Aimatics Co., Ltd. System for predicting near future location of object

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140106883A (ko) * 2013-02-27 2014-09-04 한국전자통신연구원 객체간 연관성 분석을 통한 위험 상황 분석 장치 및 방법
KR20150112712A (ko) 2014-06-05 2015-10-07 주식회사 성우음향정보통신 객체 행동패턴 cctv 영상 분석서버
KR101720781B1 (ko) * 2015-12-21 2017-03-28 고려대학교 산학협력단 객체에 대한 이상 행동 예측 장치 및 이를 이용한 이상 행동 예측 방법
KR101731461B1 (ko) * 2015-12-09 2017-05-11 고려대학교 산학협력단 객체에 대한 행동 탐지 장치 및 이를 이용한 행동 탐지 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140106883A (ko) * 2013-02-27 2014-09-04 한국전자통신연구원 객체간 연관성 분석을 통한 위험 상황 분석 장치 및 방법
KR20150112712A (ko) 2014-06-05 2015-10-07 주식회사 성우음향정보통신 객체 행동패턴 cctv 영상 분석서버
KR101731461B1 (ko) * 2015-12-09 2017-05-11 고려대학교 산학협력단 객체에 대한 행동 탐지 장치 및 이를 이용한 행동 탐지 방법
KR101720781B1 (ko) * 2015-12-21 2017-03-28 고려대학교 산학협력단 객체에 대한 이상 행동 예측 장치 및 이를 이용한 이상 행동 예측 방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11527067B2 (en) 2019-11-07 2022-12-13 Electronics And Telecommunications Research Institute Electronic device, action instance generation method, and recording medium
WO2021235682A1 (en) * 2020-05-18 2021-11-25 StradVision, Inc. Method and device for performing behavior prediction by using explainable self-focused attention
KR20210145861A (ko) * 2020-05-18 2021-12-02 주식회사 스트라드비젼 익스플레이너블 셀프-포커스드 어텐션을 이용하여 행동 예측을 수행하는 방법 및 장치
KR102664916B1 (ko) * 2020-05-18 2024-05-17 주식회사 스트라드비젼 익스플레이너블 셀프-포커스드 어텐션을 이용하여 행동 예측을 수행하는 방법 및 장치
KR20220072316A (ko) 2020-11-25 2022-06-02 주식회사 넥스트케이 다객체의 이벤트 검출을 위한 영상분석장치 및 그 장치의 구동방법
KR20220094416A (ko) 2020-12-29 2022-07-06 (주)에이아이매틱스 근미래 객체 위치 예측 시스템
US12026894B2 (en) 2020-12-29 2024-07-02 Aimatics Co., Ltd. System for predicting near future location of object

Similar Documents

Publication Publication Date Title
US11735018B2 (en) Security system with face recognition
US11669979B2 (en) Method of searching data to identify images of an object captured by a camera system
US11195067B2 (en) Systems and methods for machine learning-based site-specific threat modeling and threat detection
Nikouei et al. Smart surveillance as an edge network service: From harr-cascade, svm to a lightweight cnn
KR101979375B1 (ko) 감시 영상의 객체 행동 예측 방법
US8660368B2 (en) Anomalous pattern discovery
US11295139B2 (en) Human presence detection in edge devices
JP2023145558A (ja) 外観検索のシステムおよび方法
WO2014132841A1 (ja) 人物検索方法及びホーム滞留人物検索装置
EP2113846B1 (en) Behavior history searching device and behavior history searching method
CN107122743B (zh) 安防监控方法、装置和电子设备
KR102028930B1 (ko) 움직임 정보를 이용한 인공지능 학습기반의 이동객체 영상 분류처리 방법
KR20210020723A (ko) 폭행 감지 기능을 구비한 cctv 촬영 장치 및 cctv 영상에 기초한 폭행 감지 방법
KR102110375B1 (ko) 학습 전이 기반의 비디오 감시 방법
JP2007028680A (ja) 監視装置
JP2019117556A (ja) 情報処理装置、情報処理方法及びプログラム
US11527091B2 (en) Analyzing apparatus, control method, and program
Varghese et al. Video anomaly detection in confined areas
KR102475752B1 (ko) 이동 경로 예측 방법 및 장치
US10997398B2 (en) Information processing apparatus, authentication system, method of controlling same, and medium
US20230386185A1 (en) Statistical model-based false detection removal algorithm from images
Arbab-Zavar et al. On hierarchical modelling of motion for workflow analysis from overhead view
Meena et al. Hybrid neural network architecture for multi-label object recognition using feature fusion
US20230360402A1 (en) Video-based public safety incident prediction system and method therefor
CN111860070A (zh) 识别发生改变的对象的方法和装置