KR102501084B1 - 인공지능 기반 이동 경로 추적을 통한 안전 관리 방법 및 장치 - Google Patents
인공지능 기반 이동 경로 추적을 통한 안전 관리 방법 및 장치 Download PDFInfo
- Publication number
- KR102501084B1 KR102501084B1 KR1020220140266A KR20220140266A KR102501084B1 KR 102501084 B1 KR102501084 B1 KR 102501084B1 KR 1020220140266 A KR1020220140266 A KR 1020220140266A KR 20220140266 A KR20220140266 A KR 20220140266A KR 102501084 B1 KR102501084 B1 KR 102501084B1
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- person
- preset object
- information
- identified
- Prior art date
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- 230000004044 response Effects 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 12
- 206010039203 Road traffic accident Diseases 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000007726 management method Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 29
- 238000004891 communication Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 16
- 230000006399 behavior Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010191 image analysis Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G06Q50/30—
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Alarm Systems (AREA)
Abstract
일 실시예는 인공지능 기반 이동 경로 추적을 통한 안전 관리 방법 및 장치에 대한 것이다.
Description
일 실시예는 인공지능 기반 이동 경로 추적을 통한 안전 관리 방법 및 장치에 대한 것이다.
인구 집중 및 고령화, 차량 증가 등으로 인하여, 강력 범죄 발생, 교통 사고 발생, 실종자 발생 등이 증가 추세에 있다. 이에 따라, 시민 생활에 불안감이 증가되고 있어, 이에 대한 해결책이 도모될 필요성이 있다.
한편, 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
일 실시예는 인공지능 기반 이동 경로 추적을 통한 안전 관리 방법 및 장치에 대한 것이다.
일 실시예에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 일 실시예로부터 당해 기술분야에서 통상의 지식을 가진 자에의해 고려될 수 있다.
일 실시예에 따르면, 제1 전자 장치에의하여 수행되는 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 방법은: 복수의 제2 전자 장치들로부터, 상기 복수의 제2 전자 장치들에 의하여 촬영된 제1 복수의 영상들을 포함하는 제1 영상 정보를 수신; 상기 제1 영상 정보에 기초하여, 복수의 영역들 각각에 미리 설정된 오브젝트 (object)의 적어도 일부가 포함되는지 여부를 식별; 상기 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별됨에 기초하여 데이터를 획득; 상기 데이터는: (i) 상기 미리 설정된 오브젝트의 종류 및 (ii) 상기 미리 설정된 오브젝트에 대응되는 하나 이상의 이벤트와 비교되어 유사도의 획득을 위하여 사용되는 복수의 시나리오들을 포함하는 제1 규칙 집합으로부터 선택된 상기 미리 설정된 오브젝트의 종류에 대응되는 하나 이상의 시나리오; 를 포함; 상기 하나 이상의 이벤트와 상기 하나 이상의 시나리오 간의 비교에 기초하여 상기 유사도를 획득; 및 상기 유사도가 미리 정의된 임계치 이상임에 기초하여, 상기 미리 설정된 오브젝트와 관련된 안전 관리 동작을 수행; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 안전 관리 동작은, 상기 하나 이상의 이벤트 중, 상기 미리 설정된 임계치 이상인 상기 유사도에 대응되는 이벤트와 관련될 수 있다.
일 실시예에 따르면, 상기 안전 관리 동작을 수행하는 것은: (i) 상기 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별된 이후 수신되는 상기 복수의 제2 전자 장치들에 의하여 촬영된 제2 복수의 영상들을 포함하는 제2 영상 정보에 기초하여 상기 복수의 영역들 내에서의 상기 미리 설정된 오브젝트의 이동 경로를 추적; 및 (ii) 상기 안전 관리 동작과 관련된 복수의 대응 방안들을 포함하는 제2 규칙 집합으로부터 선택된 상기 미리 정의된 임계치 이상인 상기 유사도에 대응되는 상기 이벤트에 대응되는 대응 방안과 관련된 동작을 수행; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 복수의 영상들과 상기 제2 복수의 영상들 각각은, 상기 복수의 제2 전자 장치들에 의하여 촬영 가능한 상기 복수의 영역들 각각에 대한 실시간 영상을 포함할 수 있다.
일 실시예에 따르면, 상기 이동 경로를 추적: 하는 것은, (a) 상기 복수의 영역들 중 상기 미리 설정된 오브젝트의 적어도 일부를 포함하는 제1 영역 및 상기 복수의 제2 전자 장치들 중 상기 제1 영역에 대응되는 전자 장치를 식별; (b) 상기 제1 영역에서 상기 미리 설정된 오브젝트가 벗어남을 식별 - 상기 제1 영역에서 상기 미리 설정된 오브젝트가 벗어남은, 상기 미리 설정된 오브젝트의 적어도 일부를 포함하던 상기 제1 영역이 시간 경과에 따라 상기 미리 설정된 오브젝트의 적어도 일부도 포함하지 않는 상기 제1 영역으로 변경됨에 기초하여 식별됨 -; (c) 상기 제1 영역에서 상기 미리 설정된 오브젝트가 벗어남을 식별한 이후, 상기 복수의 영역들 중 상기 미리 설정된 오브젝트의 적어도 일부를 포함하는 제2 영역 및 상기 복수의 제2 전자 장치들 중 상기 제2 영역에 대응되는 전자 장치를 식별; 및 (d) 상기 미리 설정된 오브젝트의 종류에 기초하여, 상기 제1 영역에 포함된 상기 미리 설정된 오브젝트의 위치를 시작 지점으로 하고, 상기 제2 영역에 포함된 상기 미리 설정된 오브젝트의 위치를 종료 지점으로 하는 세그먼트 (segment) 이동 경로를 판단; 및 (e) 상기 (a) 내지 (d) 를 반복 수행하여 획득된 복수의 세그먼트 이동 경로들을 결합함에 기초하여 상기 이동 경로를 추적; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 미리 설정된 오브젝트의 종류는: 차량 (vehicle) 및 사람 (human) 을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 규칙 집합에 포함된 상기 복수의 시나리오들은: 상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 대응되는 시나리오와 상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 대응되는 시나리오를 포함할 수 있다.
일 실시예에 따르면, 상기 제2 규칙 집합에 포함된 상기 복수의 대응 방안들은: 상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 대응되는 대응 방안과 상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 대응되는 대응 방안을 포함할 수 있다.
일 실시예에 따르면, 상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 대응하여: (i) 상기 차량의 종류, 상기 차량의 차량 번호, 상기 차량의 색상, 상기 차량의 이동 속력, 상기 차량의 주·정차 여부, 상기 차량이 주·정차된 것으로 식별된 경우 상기 차량의 주·정차 경과 시간, 상기 차량이 주·정차된 것으로 식별된 경우 상기 차량의 출차 시간, 상기 차량이 주·정차된 것으로 식별된 경우 상기 차량의 소유자가 거주자인지 여부, 상기 차량의 주차장 진입 여부, 상기 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 총 주차면 수, 상기 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 여유 주차면 수, 상기 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 주차면 사용률, 상기 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 주·정차 차량 수 및 상기 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 주·정차 현황 정보가 식별되고, (ii) 상기 제1 규칙 집합은: 교통 사고 발생 시나리오, 뺑소니 발생 시나리오 및 불법 주·정차 발생 시나리오를 상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 대응되는 것으로 포함하고, (iii) 상기 제2 규칙 집합은: 상기 이동 경로 추적에 기반한 상기 차량에 대한 제1 실시간 모니터링 및 상기 차량에 대한 제1 알림 메시지의 송신을 상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 대응되는 것으로 포함할 수 있다.
일 실시예에 따르면, 상기 제1 실시간 모니터링은 상기 복수의 영역들에 대응되는 지도 (map) 이미지에 포함된 도로 이미지에 상기 이동 경로 추적에 기반한 상기 차량의 이동 경로를 표시하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 알림 메시지는 상기 차량의 종류에 대한 정보, 상기 차량의 차량 번호에 대한 정보 및 상기 차량의 색상에 대한 정보를 포함할 수 있다.
일 실시예에 따르면, 상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 대응하여: (i) 상기 사람의 성별, 상기 사람의 안면, 상기 사람의 행동, 상기 사람의 신장, 상기 사람이 착용한의복의 색상 및 상기 사람의 예상 나이가 식별되고, 상기의복의 색상은 상기 사람이 착용한 상의의 색상과 상기 사람이 착용한 하의의 색상을 포함하고, (ii) 상기 제1 규칙 집합은: 범죄 발생 시나리오, 응급 상황 발생 시나리오 및 실종자 발견 시나리오를 상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 대응되는 것으로 포함하고, (iii) 상기 제2 규칙 집합은: 상기 이동 경로 추적에 기반한 상기 사람에 대한 제2 실시간 모니터링 및 상기 사람에 대한 제2 알림 메시지의 송신을 상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 대응되는 것으로 포함할 수 있다.
일 실시예에 따르면, 상기 제2 실시간 모니터링은 상기 복수의 영역들에 대응되는 지도 이미지에 포함된 보도 이미지에 상기 이동 경로 추적에 기반한 상기 사람의 이동 경로를 표시하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 제2 알림 메시지는 상기 사람의 성별에 대한 정보, 상기 사람의 안면에 대한 정보, 상기 사람의 행동에 대한 정보, 상기 사람의 신장에 대한 정보, 상기 사람이 착용한의복의 색상에 대한 정보 및 상기 사람의 예상 나이에 대한 정보를 포함할 수 있다.
일 실시예에 따르면, 상기 사람의 성별에 대한 정보, 상기 사람의 안면에 대한 정보, 상기 사람의 행동에 대한 정보, 상기 사람의 신장에 대한 정보, 상기 사람이 착용한의복의 색상에 대한 정보 및 상기 사람의 예상 나이에 대한 정보 중 적어도 일부가 법령에 따른 기준에 따라 비공개 되어야 하는 것으로 식별됨에 기초하여, 상기 비공개 되어야 하는 것으로 식별된 적어도 일부는 상기 제2 알림 메시지에서 마스킹될 수 있다.
일 실시예에 따르면, 상기 제1 규칙 집합에 포함된 상기 복수의 시나리오들 각각은, M 비트 (bit)의 비트 시퀀스로 상기 제1 전자 장치의 데이터베이스에 저장될 수 있다.
일 실시예에 따르면, M 은 2 이상의 자연수일 수 있다.
일 실시예에 따르면, 상기 제2 규칙 집합에 포함된 상기 복수의 대응 방안들은 N 비트의 비트 시퀀스로 상기 제1 전자 장치의 데이터베이스에 저장될 수 있다.
일 실시예에 따르면, N 은 2 이상의 자연수일 수 있다.
일 실시예에 따르면, 상기 M 비트의 비트 시퀀스와 상기 N 비트의 비트 시퀀스 각각의 하나 이상의 MSB (most significant bit) 는, 상기 미리 설정된 오브젝트의 종류를 지시할 수 있다.
일 실시예에 따르면, 제1 값을 갖는 상기 하나 이상의 MSB 는, 상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 매핑될 수 있다.
일 실시예에 따르면, 제2 값을 갖는 상기 하나 이상의 MSB 는, 상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 매핑될 수 있다.
일 실시예에 따르면, (i) 상기 미리 설정된 오브젝트의 적어도 일부가 포함되었는지 여부를 식별 및 (ii) 상기 하나 이상의 이벤트와 상기 하나 이상의 시나리오 간의 유사도 판단을 수행하도록 인공 지능 모델이 미리 학습될 수 있다.
일 실시예에 따르면, 제1 전자 장치가 제공될 수 있다.
일 실시예에 따르면, 상기 제1 전자 장치는: 송수신기; 및 상기 송수신기와 연결된 하나 이상의 프로세서; 를 포함할 수 있다.
일 실시예에 따르면, 상기 하나 이상의 프로세서는: 복수의 제2 전자 장치들로부터, 상기 복수의 제2 전자 장치들에 의하여 촬영된 제1 복수의 영상들을 포함하는 제1 영상 정보를 수신; 상기 제1 영상 정보에 기초하여, 복수의 영역들 각각에 미리 설정된 오브젝트 (object)의 적어도 일부가 포함되는지 여부를 식별; 상기 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별됨에 기초하여 데이터를 획득; 상기 데이터는: (i) 상기 미리 설정된 오브젝트의 종류 및 (ii) 상기 미리 설정된 오브젝트에 대응되는 하나 이상의 이벤트와 비교되어 유사도의 획득을 위하여 사용되는 복수의 시나리오들을 포함하는 제1 규칙 집합으로부터 선택된 상기 미리 설정된 오브젝트의 종류에 대응되는 하나 이상의 시나리오; 를 포함; 상기 하나 이상의 이벤트와 상기 하나 이상의 시나리오 간의 비교에 기초하여 상기 유사도를 획득; 및 상기 유사도가 미리 정의된 임계치 이상임에 기초하여, 상기 미리 설정된 오브젝트와 관련된 안전 관리 동작을 수행; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 안전 관리 동작은, 상기 하나 이상의 이벤트 중, 상기 미리 설정된 임계치 이상인 상기 유사도에 대응되는 이벤트와 관련될 수 있다.
일 실시예에 따르면, 상기 안전 관리 동작을 수행함에 있어서, 상기 하나 이상의 프로세서는: (i) 상기 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별된 이후 수신되는 상기 복수의 제2 전자 장치들에 의하여 촬영된 제2 복수의 영상들을 포함하는 제2 영상 정보에 기초하여 상기 복수의 영역들 내에서의 상기 미리 설정된 오브젝트의 이동 경로를 추적; 및 (ii) 상기 안전 관리 동작과 관련된 복수의 대응 방안들을 포함하는 제2 규칙 집합으로부터 선택된 상기 미리 정의된 임계치 이상인 상기 유사도에 대응되는 상기 이벤트에 대응되는 대응 방안과 관련된 동작을 수행; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 제1 복수의 영상들과 상기 제2 복수의 영상들 각각은, 상기 복수의 제2 전자 장치들에 의하여 촬영 가능한 상기 복수의 영역들 각각에 대한 실시간 영상을 포함할 수 있다.
일 실시예에 따르면, 안전 관리를 위한 시스템이 제공될 수 있다.
일 실시예에 따르면, 상기 시스템은: 제1 전자 장치; 및 상기 제1 전자 장치와 통신하는 복수의 제2 전자 장치들; 을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 전자 장치는: 상기 복수의 제2 전자 장치들로부터, 상기 복수의 제2 전자 장치들에 의하여 촬영된 제1 복수의 영상들을 포함하는 제1 영상 정보를 수신; 상기 제1 영상 정보에 기초하여, 복수의 영역들 각각에 미리 설정된 오브젝트 (object)의 적어도 일부가 포함되는지 여부를 식별; 상기 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별됨에 기초하여 데이터를 획득; 상기 데이터는: (i) 상기 미리 설정된 오브젝트의 종류 및 (ii) 상기 미리 설정된 오브젝트에 대응되는 하나 이상의 이벤트와 비교되어 유사도의 획득을 위하여 사용되는 복수의 시나리오들을 포함하는 제1 규칙 집합으로부터 선택된 상기 미리 설정된 오브젝트의 종류에 대응되는 하나 이상의 시나리오; 를 포함; 상기 하나 이상의 이벤트와 상기 하나 이상의 시나리오 간의 비교에 기초하여 상기 유사도를 획득; 및 상기 유사도가 미리 정의된 임계치 이상임에 기초하여, 상기 미리 설정된 오브젝트와 관련된 안전 관리 동작을 수행; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 안전 관리 동작은, 상기 하나 이상의 이벤트 중, 상기 미리 설정된 임계치 이상인 상기 유사도에 대응되는 이벤트와 관련될 수 있다.
일 실시예에 따르면, 상기 안전 관리 동작을 수행함에 있어서, 상기 제1 전자 장치는: (i) 상기 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별된 이후 수신되는 상기 복수의 제2 전자 장치들에 의하여 촬영된 제2 복수의 영상들을 포함하는 제2 영상 정보에 기초하여 상기 복수의 영역들 내에서의 상기 미리 설정된 오브젝트의 이동 경로를 추적; 및 (ii) 상기 안전 관리 동작과 관련된 복수의 대응 방안들을 포함하는 제2 규칙 집합으로부터 선택된 상기 미리 정의된 임계치 이상인 상기 유사도에 대응되는 상기 이벤트에 대응되는 대응 방안과 관련된 동작을 수행; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 제1 복수의 영상들과 상기 제2 복수의 영상들 각각은, 상기 복수의 제2 전자 장치들에 의하여 촬영 가능한 상기 복수의 영역들 각각에 대한 실시간 영상을 포함할 수 있다.
일 실시예에 따르면, 복수의 제2 전자 장치들과 통신하는 제1 전자 장치에 포함된 하나 이상의 프로세서 (processor) 가 동작을 수행하도록 하는 하나 이상의 인스트럭션 (instruction) 을 저장하는 비-휘발성 (non-transitory) 프로세서-판독 가능 매체 (processor-readable medium) 가 제공될 수 있다.
일 실시예에 따르면, 상기 동작은: 상기 복수의 제2 전자 장치들로부터, 상기 복수의 제2 전자 장치들에 의하여 촬영된 제1 복수의 영상들을 포함하는 제1 영상 정보를 수신; 상기 제1 영상 정보에 기초하여, 복수의 영역들 각각에 미리 설정된 오브젝트 (object)의 적어도 일부가 포함되는지 여부를 식별; 상기 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별됨에 기초하여 데이터를 획득; 상기 데이터는: (i) 상기 미리 설정된 오브젝트의 종류 및 (ii) 상기 미리 설정된 오브젝트에 대응되는 하나 이상의 이벤트와 비교되어 유사도의 획득을 위하여 사용되는 복수의 시나리오들을 포함하는 제1 규칙 집합으로부터 선택된 상기 미리 설정된 오브젝트의 종류에 대응되는 하나 이상의 시나리오; 를 포함; 상기 하나 이상의 이벤트와 상기 하나 이상의 시나리오 간의 비교에 기초하여 상기 유사도를 획득; 및 상기 유사도가 미리 정의된 임계치 이상임에 기초하여, 상기 미리 설정된 오브젝트와 관련된 안전 관리 동작을 수행; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 안전 관리 동작은, 상기 하나 이상의 이벤트 중, 상기 미리 설정된 임계치 이상인 상기 유사도에 대응되는 이벤트와 관련될 수 있다.
일 실시예에 따르면, 상기 안전 관리 동작을 수행하는 것은: (i) 상기 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별된 이후 수신되는 상기 복수의 제2 전자 장치들에 의하여 촬영된 제2 복수의 영상들을 포함하는 제2 영상 정보에 기초하여 상기 복수의 영역들 내에서의 상기 미리 설정된 오브젝트의 이동 경로를 추적; 및 (ii) 상기 안전 관리 동작과 관련된 복수의 대응 방안들을 포함하는 제2 규칙 집합으로부터 선택된 상기 미리 정의된 임계치 이상인 상기 유사도에 대응되는 상기 이벤트에 대응되는 대응 방안과 관련된 동작을 수행; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 복수의 영상들과 상기 제2 복수의 영상들 각각은, 상기 복수의 제2 전자 장치들에 의하여 촬영 가능한 상기 복수의 영역들 각각에 대한 실시간 영상을 포함할 수 있다.
상술한 일 실시예는 일 실시예 중 일부에 불과하며, 본 개시의 일 실시예의 기술적 특징들이 반영된 여러 가지 실시예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 상세한 설명을 기반으로 도출되고 이해될 수 있다.
일 실시예에 따르면, 인공지능 기반 이동 경로 추적을 통한 안전 관리 방법 및 장치가 제공될 수 있다.
일 실시예에 따르면, 강력 범죄 발생, 교통 사고 발생이 예방될 수 있다.
일 실시예에 따르면, 강력 범죄 발생, 교통 사고 발생, 실종자 발견 시, 효과적으로 추적 및 모니터링될 수 있다.
일 실시예에 따르면, 시민들의 생활 안전에 대한 불안감이 해소될 수 있다.
일 실시예로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
일 실시예에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 일 실시예를 제공하고, 상세한 설명과 함께 일 실시예의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 서비스 제공을 위한 장치의 동작 방법이 구현될 수 있는 시스템을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 제1 디바이스 및/또는 제2 디바이스의 구성을 도시한 도면이다.
도 3 은 일 실시예에 따른 전자 장치와 서버의 동작의 일 예를 나타낸 도면이다.
도 4 는 일 실시예에 따른 서버의 동작의 일 예를 나타낸 도면이다.
도 5 는 일 실시예에 따른 서버의 동작의 일 예를 나타낸 도면이다.
도 6 은 일 실시예에 따른 주차장 관리의 일 예를 나타낸 도면이다.
도 7 은 일 실시예에 따른 이동 경로 추적의 일 예를 나타낸 도면이다.
도 8 은 일 실시예에 따른 인공지능 모델을 획득하는 과정을 나타낸 도면이다.
도 1은 일 실시예에 따른 서비스 제공을 위한 장치의 동작 방법이 구현될 수 있는 시스템을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 제1 디바이스 및/또는 제2 디바이스의 구성을 도시한 도면이다.
도 3 은 일 실시예에 따른 전자 장치와 서버의 동작의 일 예를 나타낸 도면이다.
도 4 는 일 실시예에 따른 서버의 동작의 일 예를 나타낸 도면이다.
도 5 는 일 실시예에 따른 서버의 동작의 일 예를 나타낸 도면이다.
도 6 은 일 실시예에 따른 주차장 관리의 일 예를 나타낸 도면이다.
도 7 은 일 실시예에 따른 이동 경로 추적의 일 예를 나타낸 도면이다.
도 8 은 일 실시예에 따른 인공지능 모델을 획득하는 과정을 나타낸 도면이다.
이하의 실시예들은 일 실시예의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 일 실시예를 구성할 수도 있다. 일 실시예에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 일 실시예의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 일 실시예를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 일 실시예에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 일 실시예의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 일 실시예에서 사용되는 특정(特定) 용어들은 일 실시예의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 일 실시예의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
1. 시스템 구현
도 1은 일 실시예에 따른 서비스 제공을 위한 장치의 동작 방법이 구현될 수 있는 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 일 실시예에 따른 시스템은 다양한 종류의 장치들에 구현될 수 있다. 일 실시예에 대한 설명에서, 일 실시예에 따른 시스템은 전자 장치에 의하여 구현될 수 있다. 예를 들어, 시스템은 제1 디바이스(100) 및/또는 제2 디바이스(200) 에 구현될 수 있다. 달리 말해, 제1 디바이스(100) 및/또는 제2 디바이스(200)는 각각의 장치에 구현된 시스템을 기반으로, 일 실시예에 따른 동작을 수행할 수 있다. 한편, 일 실시예에 따른 시스템은, 상기 도 1에 도시된 바에 국한되지 않고, 더 다양한 장치들 및/또는 서버들에 구현될 수도 있을 것이다.
일 실시예에 따른 제1 디바이스(100)는 일정 지역 근방에 설치될 수 있다. 일 실시예에 따른 제1 디바이스(100)는 일정 지역을 식별/센싱/촬영할 수 있다. 예를 들어, 일 실시예에 따른 제1 디바이스(100)는 주·정차 금지 구역, 주·정차 구역, 도로 구역, 차로 구역, 골목 구역 등 다양한 장소/지역 근방에 설치될 수 있다. 예를 들어, 제1 디바이스(100)는 CCTV (Closed-circuit Television) 일 수 있으나, 이에 제한되는 것은 아니다.
일 실시예에 따른 제2 디바이스(200)는, 제1 디바이스(100)들과 무선 및/또는 유선 통신을 수행하며, 대단위의 저장 용량을 갖는 데이터베이스를 포함하는 장치일 수 있다. 예를 들어, 제2 디바이스(200)는 복수 개의 제1 디바이스(100)들과 연동될 수도 있다. 도시되지는 않았으나, 제2 디바이스를 제어/관리하기 위한 별도의 디바이스가 마련될 수도 있다.
일 실시예에 따른 시스템은 동작을 위한 다양한 모듈들을 포함할 수 있다. 시스템에 포함된 모듈들은 시스템이 구현되는(또는, 물리적 장치에 포함되는) 물리적 장치(예: 제1 디바이스(100) 및/또는 제2 디바이스(200))가 지정된 동작을 수행할 수 있도록 구현된 컴퓨터 코드 내지는 하나 이상의 인스트럭션 (instruction) 일 수 있다. 다시 말해, 시스템이 구현되는 물리적 장치는 복수 개의 모듈들을 컴퓨터 코드 형태로 메모리에 저장하고, 메모리에 저장된 복수 개의 모듈들이 실행되는 경우 복수 개의 모듈들은 물리적 장치가 복수 개의 모듈들에 대응하는 지정된 동작들을 수행하도록 할 수 있다.
도 2는 일 실시예에 따른 제1 디바이스 및/또는 제2 디바이스의 구성을 도시한 도면이다.
도 2를 참조하면, 제1 디바이스 및/또는 제2 디바이스는 입/출력부(210), 통신부(220), 데이터베이스(230) 및 프로세서(240)를 포함할 수 있다.
입/출력부(210)는 사용자 입력을 받거나 또는 사용자에게 정보를 출력하는 각종 인터페이스나 연결 포트 등일 수 있다. 입/출력부(210)는 입력 모듈과 출력 모듈로 구분될 수 있는데, 입력 모듈은 사용자로부터 사용자 입력을 수신한다. 사용자 입력은 키 입력, 터치 입력, 음성 입력을 비롯한 다양한 형태로 이루어질 수 있다. 이러한 사용자 입력을 받을 수 있는 입력 모듈의 예로는 전통적인 형태의 키패드나 키보드, 마우스는 물론, 사용자의 터치를 감지하는 터치 센서, 음성 신호를 입력 받는 마이크, 영상 인식을 통해 제스처 등을 인식하는 카메라, 사용자 접근을 감지하는 조도 센서나 적외선 센서 등으로 구성되는 근접 센서, 가속도 센서나 자이로 센서 등을 통해 사용자 동작을 인식하는 모션 센서 및 그 외의 다양한 형태의 사용자 입력을 감지하거나 입력 받는 다양한 형태의 입력 수단을 모두 포함하는 포괄적인 개념이다. 여기서, 터치 센서는 디스플레이 패널에 부착되는 터치 패널이나 터치 필름을 통해 터치를 감지하는 압전식 또는 정전식 터치 센서, 광학적인 방식에 의해 터치를 감지하는 광학식 터치 센서 등으로 구현될 수 있다. 이외에도 입력 모듈은 자체적으로 사용자 입력을 감지하는 장치 대신 사용자 입력을 입력 받는 외부의 입력 장치를 연결시키는 입력 인터페이스(USB 포트, PS/2 포트 등)의 형태로 구현될 수도 있다. 또 출력 모듈은 각종 정보를 출력해 사용자에게 이를 제공할 수 있다. 출력 모듈은 영상을 출력하는 디스플레이, 소리를 출력하는 스피커, 진동을 발생시키는 햅틱 장치 및 그 외의 다양한 형태의 출력 수단을 모두 포함하는 포괄적인 개념이다. 이외에도 출력 모듈은 상술한 개별 출력 수단을 연결시키는 포트 타입의 출력 인터페이스의 형태로 구현될 수도 있다.
일 예로, 디스플레이 형태의 출력 모듈은 텍스트, 정지 영상, 동영상을 디스플레이 할 수 있다. 디스플레이는 액정 디스플레이(LCD: Liquid Crystal Display), 발광 다이오드(LED: light emitting diode) 디스플레이, 유기 발광 다이오드(OLED: Organic Light Emitting Diode) 디스플레이, 평판 디스플레이(FPD: Flat Panel Display), 투명 디스플레이(transparent display), 곡면 디스플레이(Curved Display), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 홀로그래픽 디스플레이(holographic display), 프로젝터 및 그 외의 영상 출력 기능을 수행할 수 있는 다양한 형태의 장치를 모두 포함하는 광의의 영상 표시 장치를 의미하는 개념이다. 이러한 디스플레이는 입력 모듈의 터치 센서와 일체로 구성된 터치 디스플레이의 형태일 수도 있다.
통신부(220)는 외부 기기와 통신할 수 있다. 따라서, 제1 디바이스 및/또는 제2 디바이스는 통신부를 통해 외부 기기와 정보를 송수신할 수 있다. 예를 들어, 제1 디바이스 및/또는 제2 디바이스는 통신부를 이용해 시스템에 저장 및 생성된 정보들이 공유되도록 외부 기기와 통신을 수행할 수 있다.
여기서, 통신, 즉 데이터의 송수신은 유선 또는 무선으로 이루어질 수 있다. 이를 위해 통신부는 LAN(Local Area Network)를 통해 인터넷 등에 접속하는 유선 통신 모듈, 이동 통신 기지국을 거쳐 이동 통신 네트워크에 접속하여 데이터를 송수신하는 이동 통신 모듈, 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식이나 블루투스(Bluetooth), 직비(Zigbee)와 같은 WPAN(Wireless Personal Area Network) 계열의 통신 방식을 이용하는 근거리 통신 모듈, GPS(Global Positioning System)과 같은 GNSS(Global Navigation Satellite System)을 이용하는 위성 통신 모듈 또는 이들의 조합으로 구성될 수 있다. 통신에 사용되는 무선 통신 기술은 저전력 통신을 위한 NB-IoT (Narrowband Internet of Things) 를 포함할 수 있다. 이때, 예를 들어 NB-IoT 기술은 LPWAN (Low Power Wide Area Network) 기술의 일례일 수 있고, LTE Cat (category) NB1 및/또는 LTE Cat NB2 등의 규격으로 구현될 수 있으며, 상술한 명칭에 한정되는 것은 아니다. 추가적으로 또는 대체적으로, 일 실시예에 따른 무선 기기에서 구현되는 무선 통신 기술은 LTE-M 기술을 기반으로 통신을 수행할 수 있다. 이때, 일 예로, LTE-M 기술은 LPWAN 기술의 일례일 수 있고, eMTC (enhanced Machine Type Communication) 등의 다양한 명칭으로 불릴 수 있다. 예를 들어, LTE-M 기술은 1) LTE CAT 0, 2) LTE Cat M1, 3) LTE Cat M2, 4) LTE non-BL(non-Bandwidth Limited), 5) LTE-MTC, 6) LTE Machine Type Communication, 및/또는 7) LTE M 등의 다양한 규격 중 적어도 어느 하나로 구현될 수 있으며 상술한 명칭에 한정되는 것은 아니다. 추가적으로 또는 대체적으로, 일 실시예에 따른 무선 기기에서 구현되는 무선 통신 기술은 저전력 통신을 고려한 지그비(ZigBee), 블루투스(Bluetooth) 및 저전력 광역 통신망(Low Power Wide Area Network, LPWAN) 중 적어도 어느 하나를 포함할 수 있으며, 상술한 명칭에 한정되는 것은 아니다. 일 예로 ZigBee 기술은 IEEE 802.15.4 등의 다양한 규격을 기반으로 소형/저-파워 디지털 통신에 관련된 PAN(personal area networks)을 생성할 수 있으며, 다양한 명칭으로 불릴 수 있다.
데이터베이스(230)는 각종 정보를 저장할 수 있다. 데이터베이스는 데이터를 임시적으로 또는 반영구적으로 저장할 수 있다. 예를 들어, 데이터베이스에는 제1 디바이스 및/또는 제2 디바이스를 구동하기 위한 운용 프로그램(OS: Operating System), 웹 사이트를 호스팅하기 위한 데이터나 점자 생성을 위한 프로그램 내지는 어플리케이션(예를 들어, 웹 어플리케이션)에 관한 데이터 등이 저장될 수 있다. 또, 데이터베이스는 상술한 바와 같이 모듈들을 컴퓨터 코드 형태로 저장할 수 있다.
데이터베이스(230)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 이러한 데이터베이스는 내장 타입 또는 탈부착 가능한 타입으로 제공될 수 있다.
프로세서(240)는 제1 디바이스(100) 및/또는 제2 디바이스(200)의 전반적인 동작을 제어한다. 이를 위해 프로세서(340)는 각종 정보의 연산 및 처리를 수행하고 제1 디바이스 및/또는 제2 디바이스의 구성요소들의 동작을 제어할 수 있다. 예를 들어, 프로세서(340)는 서비스 제공을 위한 프로그램 내지 어플리케이션을 실행시킬 수 있을 것이다. 프로세서(240)는 하드웨어 소프트웨어 또는 이들의 조합에 따라 컴퓨터나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 프로세서(240)는 전기적인 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적인 프로세서(240)를 구동시키는 프로그램 형태로 제공될 수 있다. 한편, 이하의 설명에서 특별한 언급이 없는 경우에는 제1 디바이스 및/또는 제2 디바이스의 동작은 프로세서(240)의 제어에의해 수행되는 것으로 해석될 수 있다. 즉, 시스템에 구현되는 모듈들이 실행되는 경우, 모듈들은 프로세서(240)가 제1 디바이스 및/또는 제2 디바이스를 이하의 동작들을 수행하도록 제어하는 것으로 해석될 수 있다.
요약하면, 일 실시예는 다양한 수단을 통해 구현될 수 있다. 예를 들어, 일 실시예는 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 일 실시예에 따른 방법은 하나 또는 그 이상의 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 일 실시예에 따른 방법은 이하에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 예를 들어, 소프트웨어 코드는 메모리에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리는 상기 프로세서 내부 또는 외부에 위치할 수 있으며, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고받을 수 있다.
2. 일 실시예에 따른 장치의 구성/동작
이하에서는, 상기와 같은 기술적 사상에 기초하여 일 실시예에 대해 보다 상세히 설명한다. 이하에서 설명되는 일 실시예는 상호 배척되지 않는 한 전부 또는 일부가 결합되어 또 다른 일 실시예를 구성할 수도 있으며, 이는 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있다.
이하에서 설명되는 일 실시예에 대해서는 앞서 설명한 제 1 절의 내용들이 적용될 수 있다. 예를 들어, 이하에서 설명되는 일 실시예에서 정의되지 않은 동작, 기능, 용어 등은 제 1 절의 내용들에 기초하여 수행되고 설명될 수 있다.
특별히 달리 언급되지 않은 한, 일 실시예에 대한 설명에서, A/B/C 는 A 및/또는 B 및/또는 C 른 의미할 수 있다.
특별히 달리 언급되지 않은 한, 일 실시예에 대한 설명에서, A 초과/이상인 것은 A 이상/초과인 것으로 대체될 수 있다.
특별히 달리 언급되지 않은 한, 일 실시예에 대한 설명에서, B 미만/이하인 것은 B 이하/미만인 것으로 대체될 수 있다.
이하에서는, 일 실시예에 따른 제1 디바이스(100)의 일 구현 예에 따른 전자 장치가 설명되나, 이외에도 유사한 기능을 수행하는 다른 장치들도 제1 디바이스가 될 수 있다. 예를 들어, 제1 디바이스는 단말, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), PC (personal computer), 키오스크 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
이하에서는, 일 실시예에 따른 제2 디바이스(200)의 일 구현 예에 따른 서버가 설명되나, 이외에도 유사한 기능을 수행하는 다른 장치들도 제2 디바이스가 될 수 있다.
특별히 달리 언급되지 않은 한, 이하의 일 실시예에 대한 설명에서 이용/획득/출력/표시되는 정보 등은 제1 디바이스 및/또는 제2 디바이스가 직접 식별/획득한 정보이거나, 제1 디바이스 및/또는 제2 디바이스에 포함된 데이터베이스에 저장된 정보이거나, 서버 및/또는 기타 외부 기기로부터 제1 디바이스 및/또는 제2 디바이스가 수신 받은 정보 중 하나 이상일 수 있다.
도 3 은 일 실시예에 따른 전자 장치와 서버의 동작의 일 예를 나타낸 도면이다. 도 3 에서는 편의상 하나의 전자 장치만 도시되었으나, 복수의 전자 장치들이 하나의 서버와 통신할 수 있으며, 하나의 서버는 복수의 전자 장치들을 제어할 수 있다.
도 4 는 일 실시예에 따른 서버의 동작의 일 예를 나타낸 도면이다.
도 3 및 도 4 를 참조하면, 일 실시예에 따른 동작 301, 401 에서, 전자 장치 (제2 전자 장치) 는 제1 영상 정보를 송신할 수 있으며, 서버 (제1 전자 장치) 는 이를 수신할 수 있다. 일 실시예에 따르면, 제1 영상 정보는 복수의 전자 장치들에 의하여 촬영된 제1 복수의 영상들을 포함할 수 있다. 일 실시예에 따르면, 제1 복수의 영상들은 복수의 전자 장치들에 의하여 촬영 가능한 복수의 영역들 각각에 대한 실시간 영상을 포함할 수 있다. 일 실시예에 따르면, 하나의 전자 장치가 촬영 가능한 영역은, 하나의 전자 장치가 설치된 지점 근방의 영역으로, 하나의 전자 장치가 식별부/센싱부를 통하여 식별/촬영 가능한 영역/범위를 의미할 수 있다.
일 실시예에 따른 동작 303, 403에서, 서버는 제1 영상 정보에 기초하여, 복수의 영역들 각각에 미리 설정된 오브젝트 (object)의 적어도 일부가 포함되는지 여부를 식별할 수 있다. 일 실시예에 따르면, 제1 복수의 영상들 각각에 대한 영상 분석에 기초하여 각 제1 복수의 영상들 내지 복수의 영역들에 미리 설정된 오브젝트의 적어도 일부가 포함되는지 여부가 식별될 수 있다. 일 실시예에 따르면, 미리 설정된 오브젝트의 적어도 일부가 포함되는지 여부를 식별/판단하기 위하여 미리 학습된 인공지능 모델이 도입될 수 있다. 일 실시예에 따르면, 인공지능 모델의 학습 방법은 후술되며, 인공지능 모델은 다양한 기상 조건 (맑음/눈/비/안개/일출/일몰) 에 대한 학습을 통하야 다양한 기상 환경에 대하여 신뢰성 있는 결과가 도출될 수 있도록 학습될 수 있다. 일 실시예에 따르면, 영상 분석에는 (일 실시예 모두에서 동일) 오류 최소화를 위한 영역 분할 알고리즘이 사용될 수 있다. 일 실시예에 따르면, 영상 분석 전, 제1 복수의 영상들 각각에 대한 영상 보정 및 전처리가 수행되어, 오브젝트 감지 정확도가 향상되도록 할 수 있다.
일 실시예에 따른 동작 305, 405 에서, 서버는 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별된 경우, 데이터를 획득할 수 있다.
일 실시예에 따르면, 데이터는 미리 설정된 오브젝트의 종류를 포함할 수 있다.
일 실시예에 따르면, 데이터는 미리 설정된 오브젝트에 대응되는 하나 이상의 이벤트와 비교되어 유사도의 획득을 위하여 사용되는 복수의 시나리오들을 포함하는 제1 규칙 집합으로부터 선택된 미리 설정된 오브젝트의 종류에 대응되는 하나 이상의 시나리오를 포함할 수 있다.
일 실시예에 따르면, 하나 이상의 이벤트는, 제1 복수의 영상들 중 미리 설정된 오브젝트가 포함된 영상에 대한 영상 분석을 통하여 획득되는 미리 설정된 오브젝트의 상황/동작/행동일 수 있다.
일 실시예에 따르면, 제1 규칙 집합은 발생 가능한 복수의 위험 상황들에 대응되는 복수의 시나리오들을 포함할 수 있다. 일 실시예에 따르면, 복수의 시나리오들 중, 미리 설정된 오브젝트의 종류에 대응되는 하나 이상의 시나리오가 선택될 수 있다.
일 실시예에 따른 동작 307, 407 에서, 서버는 유사도를 획득할 수 있다. 일 실시예에 따르면, 하나 이상의 이벤트와 하나 이상의 시나리오 간의 비교에 기초하여 유사도가 획득될 수 있다. 일 실시예에 따르면, 유사도는 하나 이상의 이벤트가 하나 이상의 시나리오와 유사한 정도 내지 해당되는 정도에 대한 평가 지표로, 하나 이상의 이벤트가 하나 이상의 시나리오에 해당되는 지 여부를 판단하기 위한 것일 수 있다.
일 실시예에 따르면, 유사도 판단을 위한 인공 지능 모델이 미리 학습될 수 있다. 일 실시예에 따르면, 인공 지능 모델은 영상 분석을 통하여 하나 이상의 이벤트를 획득하고, 선택된 하나 이상의 시나리오와의 유사도를 판단할 수 있다.
일 실시예에 따르면, 하나 이상의 이벤트와 하나 이상의 시나리오 간의 비교에 기초하여 획득된 유사도가 미리 설정된 임계치 이상인 경우, 하나 이상의 이벤트는 하나 이상의 시나리오에 해당되는 것으로 식별/판단될 수 있다. 일 실시예에 따르면, 미리 설정된 임계치는 복수의 시나리오들 각각에 대하여 서로 다르게 설정될 수 있다.
일 실시예에 따른 동작 309, 409 에서, 서버는 안전 관리 동작을 수행할 수 있다. 일 실시예에 따르면, 하나 이상의 이벤트와 하나 이상의 시나리오 간의 비교에 기초하여 획득된 유사도가 미리 설정된 임계치 이상인 경우, 하나 이상의 이벤트는 하나 이상의 시나리오에 해당되는 것으로 식별/판단될 수 있다. 일 실시예에 따르면, 하나 이상의 이벤트 중, 유사도가 미리 설정된 임계치 이상인 이벤트 (=시나리오) 와 관련된 안전 관리 동작을 수행할 수 있다.
일 실시예에 따르면, 안전 관리 동작을 수행하는 것은, 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별된 이후 수신되는 복수의 제2 전자 장치들에 의하여 촬영된 제2 복수의 영상들을 포함하는 제2 영상 정보에 기초하여 복수의 영역들 내에서의 미리 설정된 오브젝트의 이동 경로를 추적하는 것을 포함할 수 있다. 일 실시예에 따르면, 제2 복수의 영상들은 복수의 전자 장치들에 의하여 촬영 가능한 복수의 영역들 각각에 대한 실시간 영상을 포함할 수 있다. 일 실시예에 따르면, 제2 복수의 영상들에 대하여도 영상 보정 및 전처리가 수행될 수 있다.
일 실시예에 따르면, 안전 관리 동작을 수행하는 것은, 안전 관리 동작과 관련된 복수의 대응 방안들을 포함하는 제2 규칙 집합으로부터 선택된 미리 정의된 임계치 이상인 위험 지수에 대응되는 이벤트에 대응되는 대응 방안과 관련된 동작을 수행하는 것을 포함할 수 있다.
일 실시예에 따른 전자 장치와 서버의 동작의 구체적인 내용은 후술되는 설명을 참조할 수 있다. 후술되는 일 실시예에 대한 설명에서, 전술된 내용과 중복되는 내용은 그 상세한 설명이 생략된다.
일 실시예에 따르면, 미리 설정된 오브젝트의 종류는 차량 (vehicle), 사람 (human) 을 포함할 수 있다.
일 실시예에 따르면, 미리 설정된 오브젝트의 종류가 차량인 경우, 차량의 종류, 차량의 차량 번호, 차량의 색상, 차량의 이동 속력, 차량의 주·정차 여부, 차량이 주·정차된 것으로 식별된 경우 차량의 주·정차 경과 시간, 차량이 주·정차된 것으로 식별된 경우 차량의 출차 시간, 차량이 주·정차된 것으로 식별된 경우 차량의 소유자가 거주자인지 여부, 차량의 주차장 진입 여부, 차량이 주차장으로 진입하는 것으로 식별된 경우 주차장의 총 주차면 수, 차량이 주차장으로 진입하는 것으로 식별된 경우 주차장의 여유 주차면 수, 차량이 주차장으로 진입하는 것으로 식별된 경우 주차장의 주차면 사용률, 차량이 주차장으로 진입하는 것으로 식별된 경우 주차장의 주·정차 차량 수 및 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 주·정차 현황 정보가 식별될 수 있다.
일 실시예에 따르면, 제1 규칙 집합에 포함된 복수의 시나리오들은, 미리 설정된 오브젝트의 종류가 차량인 경우에 대응되는 시나리오를 포함할 수 있다. 예를 들어, 제1 규칙 집합은, 교통 사고 발생 시나리오, 뺑소니 발생 시나리오 및 불법 주·정차 발생 시나리오를 포함할 수 있다.
일 실시예에 따르면, 제2 규칙 집합에 포함된 복수의 대응 방안들은, 미리 설정된 오브젝트의 종류가 차량인 경우에 대응되는 대응 방안을 포함할 수 있다. 예를 들어, 제2 규칙 집합은, 이동 경로 추적에 기반한 차량에 대한 실시간 모니터링 및 차량에 대한 알림 메시지 송신을 포함할 수 있다. 일 실시예에 따르면, 실시간 모니터링은 복수의 영역들에 대응되는 지도 (map) 이미지에 포함된 도로 이미지에 이동 경로 추적에 기반한 상기 차량의 이동 경로를 표시하는 것을 포함할 수 있다. 일 실시예에 따르면, 알림 메시지는 차량의 종류에 대한 정보, 차량의 차량 번호에 대한 정보 및 차량의 색상에 대한 정보를 포함할 수 있다.
일 실시예에 따르면, 미리 설정된 오브젝트의 종류가 사람인 경우, 사람의 성별, 사람의 안면, 사람의 행동, 사람의 신장, 사람이 착용한의복의 색상 및 사람의 예상 나이가 식별될 수 있다. 일 실시예에 따르면, 의복의 색상은 사람이 착용한 상의의 색상과 사람이 착용한 하의의 색상을 포함할 수 있다.
일 실시예에 따르면, 제1 규칙 집합에 포함된 복수의 시나리오들은, 미리 설정된 오브젝트의 종류가 사람인 경우에 대응되는 시나리오를 포함할 수 있다. 예를 들어, 제1 규칙 집합은: 범죄 발생 시나리오, 응급 상황 (예를 들어, 심장마비 발생 등) 발생 시나리오 및 실종자 (획득된 안면과의 비교를 위하여, 실종자 사진 정보를 제공 받을 수 있음) 발견 시나리오를 포함할 수 있다.
일 실시예에 따르면, 제2 규칙 집합에 포함된 복수의 대응 방안들은, 미리 설정된 오브젝트의 종류가 사람인 경우에 대응되는 대응 방안을 포함할 수 있다. 예를 들어, 제2 규칙 집합은, 이동 경로 추적에 기반한 사람에 대한 실시간 모니터링 및 사람에 대한 알림 메시지 송신을 포함할 수 있다. 일 실시예에 따르면, 실시간 모니터링은 복수의 영역들에 대응되는 지도 이미지에 포함된 보도 이미지에 이동 경로 추적에 기반한 상기 사람의 이동 경로를 표시하는 것을 포함할 수 있다. 일 실시예에 따르면, 알림 메시지는 사람의 성별에 대한 정보, 사람의 안면에 대한 정보, 사람의 행동에 대한 정보, 사람의 신장에 대한 정보, 사람이 착용한의복의 색상에 대한 정보 및 사람의 예상 나이에 대한 정보를 포함할 수 있다. 일 실시예에 따르면, 사람의 성별에 대한 정보, 사람의 안면에 대한 정보, 사람의 행동에 대한 정보, 사람의 신장에 대한 정보, 사람이 착용한의복의 색상에 대한 정보 및 사람의 예상 나이에 대한 정보 중 적어도 일부가 법령에 따른 기준에 따라 비공개 되어야 하는 것으로 식별되는 경우, 비공개 되어야 하는 것으로 식별된 적어도 일부는 알림 메시지에서 제외 또는 마스킹될 수 있다.
일 실시예에 따르면, 지도 이미지에 표시되는 것은: 시나리오 발생이 감지된 위치, 시나리오 발생이 감지된 전자 장치의 위치를 더 포함할 수 있다.
일 실시예에 따른 미리 설정된 오브젝트의 종류가 차량 및 사람에 제한되는 것은 아니다.
예를 들어, 미리 설정된 오브젝트는 건물일 수 있다. 이 경우, 제1 규칙 집합은 건물에 대한 화재 발생 여부를 포함할 수 있으며, 제2 규칙 집합은 지도 이미지에 화재 발생 건물 위치를 표시하는 것, 화재 발생 건물을 촬영한 전자 장치의 위치를 표시하는 것 및 화재 발생에 대한 알림 메시지를 송신하는 것을 포함할 수 있다.
예를 들어, 미리 설정된 오브젝트는 교량/다리 일 수 있다. 이 경우, 제2 규칙 집합은 교량/다리 근방의 강/바다/호수에 대한 범람 (및/또는 교량/다리의 침수) 여부를 포함할 수 있으며, 제2 규칙 집합은 지도 이미지에 범람이 발생된 교량/다리의 위치를 표시하는 것, 범람이 발생된 교량/다리를 촬영한 전자 장치의 위치를 표시하는 것 및 범람 발생에 대한 알림 메시지를 송신하는 것을 포함할 수 있다.
일 실시예에 따르면, 제1 규칙 집합에 포함된 복수의 시나리오들 각각은, M 비트 (bit)의 비트 시퀀스로 서버의 데이터베이스에 저장될 수 있다. 일 실시예에 따르면, M 은 2 이상의 자연수일 수 있다.
일 실시예에 따르면, 제2 규칙 집합에 포함된 복수의 대응 방안들은 N 비트의 비트 시퀀스로 서버의 데이터베이스에 저장될 수 있다. 일 실시예에 따르면, N 은 2 이상의 자연수일 수 있다.
일 실시예에 따르면, M 비트의 비트 시퀀스와 N 비트의 비트 시퀀스 각각의 하나 이상의 MSB (most significant bit) 는, 미리 설정된 오브젝트의 종류를 지시할 수 있다.
일 실시예에 따르면, 제1 값을 갖는 하나 이상의 MSB 는, 미리 설정된 오브젝트의 종류가 차량인 경우에 매핑될 수 있다.
일 실시예에 따르면, 제2 값을 갖는 하나 이상의 MSB 는, 미리 설정된 오브젝트의 종류가 사람인 경우에 매핑될 수 있다.
일 실시예에 따르면, 제3 값을 갖는 하나 이상의 MSB 는, 미리 설정된 오브젝트의 종류가 건물인 경우에 매핑될 수 있다.
일 실시예에 따르면, 제4 값을 갖는 하나 이상의 MSB 는, 미리 설정된 오브젝트의 종류가 교량인 경우에 매핑될 수 있다.
일 실시예에 따르면, 하나 이상의 MSB의 비트 크기는, 미리 설정된 오브젝트의 종류가 될 수 있는 후보의 개수에 따라 결정될 수 있다.
일 실시예에 따르면, M 비트 시퀀스 중 하나 이상의 LSB (least significant bit) 는, 각 시나리오를 지시할 수 있다. 일 실시예에 따르면, M 비트 시퀀스 중 하나 이상의 LSB의 비트 크기는, 복수의 시나리오들의 개수에 따라 결정될 수 있다. 일 실시예에 따르면, M 비트 시퀀스 중 하나 이상의 MSB 와 하나 이상의 LSB 를 제외한 나머지 비트는 보존 (reserved) 될 수 있다.
일 실시예에 따르면, N 비트 시퀀스 중 하나 이상의 LSB 는, 각 대응 방안을 지시할 수 있다. 일 실시예에 따르면, N 비트 시퀀스 중 하나 이상의 LSB의 비트 크기는, 복수의 대응 방안들의 개수에 따라 결정될 수 있다. 일 실시예에 따르면, N 비트 시퀀스 중 하나 이상의 MSB 와 하나 이상의 LSB 를 제외한 나머지 비트는 보존 (reserved) 될 수 있다.
도 5 는 일 실시예에 따른 서버의 동작의 일 예를 나타낸 도면이다.
도 5 를 참조하면, 서버는 감지 기능, 분석 및 검색 기능, 사용 정보 제공 기능을 수행할 수 있다.
일 실시예에 따르면, 서버는 전자 장치들로부터 수신된 영상 정보에 대한 영상 분석에 기초하여 감지 기능을 수행할 수 있다.
일 실시예에 따르면, 감지 기능은 아래 중 하나 이상을 포함할 수 있다.
1) 얼굴 인식/신장 인식
일 실시예에 따르면, 영상 정보에 포함된 사람 (미리 설정된 오브젝트의 일 예, 이하 동일)의 얼굴 및/또는 신장(키) 이 인식/식별/감지될 수 있다.
2) 마스크, 안경, 모자, 신발
일 실시예에 따르면, 영상 정보에 포함된 사람이 착용한 마스크, 안경, 모자, 신발이 식별/감지될 수 있다.
3) 옷 (상/하) 색
일 실시예에 따르면, 영상 정보에 포함된 사람이 착용한 옷/의복의 색상이 식별/감지될 수 있다. 일 실시예에 따르면, 상의/하의 각각에 대하여 색상이 식별/감지될 수 있다.
4) 남/여 구분/예상 나이
일 실시예에 따르면, 영상 정보에 포함된 사람의 성별 및/또는 예상 나이/연령이 식별/감지될 수 있다.
5) 휴대 물품
일 실시예에 따르면, 영상 정보에 포함된 사람이 휴대한 물품이 감지/식별될 수 있다.
6) 차량 종류
일 실시예에 따르면, 영상 정보에 포함된 차량 (미리 설정된 오브젝트의 일 예, 이하 동일)의 종류가 식별/감지될 수 있다.
7) 차량 색상
일 실시예에 따르면, 영상 정보에 포함된 차량의 색상이 식별/감지될 수 있다.
8) 차량 번호/차량 번호판
일 실시예에 따르면, 영상 정보에 포함된 차량의 차량 번호/차량 번호판이 식별/감지될 수 있다.
일 실시예에 따르면, 서버는 감지 기능을 통하여 획득된 정보에 기초하여 분석 및 검색 기능을 수행할 수 있다.
일 실시예에 따르면, 분석 및 검색 기능은 아래 중 하나 이상을 포함할 수 있다.
1) 객체 대상자 정보 등록
일 실시예에 따르면, 감지 기능에서 획득된 1)-7) 및 해당 사람 또는 차량이 감지된 (촬영된) 전자 장치의 IP (internet protocol) 주소 및 위치 정보가 객체 대상자 및/또는 추적 대상으로 등록될 수 있다.
2) 객체 별 대상자 검색
일 실시예에 따르면, 1) 객체 대상자 정보 등록에서 나열된 항목 중 적어도 일부에 기초한 검색 및/또는 동선 위치 추적 검색이 수행될 수 있다.
3) 시간 정보 기능
일 실시예에 따르면, 1) 객체 대상자 정보 등록에서 나열된 항목 중 적어도 일부가 획득된 시간 및/또는 2) 에서의 적어도 일부에 대한 검색 및/또는 동선 위치에 대응되는 시간 정보가 획득될 수 있다. 예를 들어, 시간 정보는 시/분/초/일/월/년에 대한 정보를 포함할 수 있다.
5) 영상 마스킹 기능
일 실시예에 따르면, 1) 객체 대상자 정보 등록에서 나열된 항목 중 법령(예를 들어, 개인정보보호법)에 따른 기준에 따라 비공개 되어야 하는 것은 마스킹될 수 있다.
6) 정보 등록/검색/제공
일 실시예에 따르면, 1) 객체 대상자 정보 등록에서 나열된 항목에 대한 웹/앱으로의 등록/검색/제공 기능이 지원될 수 있다. 일 실시예에 따르면, 웹/앱으로 등록된 정보에는 양자 보안 기술이 적용될 수 있다.
7) 객체 대상자 발견 시 알람
일 실시예에 따르면, 1) 객체 대상자 정보 등록에서 나열된 항목에 대한 발견 시 알림 메시지 (웹/앱에서의 위치 확대 및 SMS 를 통한 메시지 송신, 경찰서/소방서 등 관계 기관으로의 신고 중 하나 이상을 포함) 가 제공될 수 있다.
일 실시예에 따르면, 사람의 성별에 대한 정보, 사람의 안면에 대한 정보, 사람의 행동에 대한 정보, 사람의 신장에 대한 정보, 사람이 착용한의복의 색상에 대한 정보 및 사람의 예상 나이에 대한 정보 중 적어도 일부가 법령에 따른 기준에 따라 비공개 되어야 하는 것으로 식별되는 경우, 비공개 되어야 하는 것으로 식별된 적어도 일부는 알림 메시지에서 마스킹 또는 제외될 수 있다.
일 실시예에 따르면, 서버는 감지 기능 및/또는 분석 및 검색 가능을 통하여 획득된 정보에 기초하여 사용 정보 제공 기능을 수행할 수 있다.
일 실시예에 따르면, 사용 정보 제공 기능은 객체 동선 추적 관리에 대한 통합 관제를 포함할 수 있다. 일 실시예에 따르면, 통합 관제 기능은 관리자 설정, 장비 (전자 장치/서버) 에 대한 설정 및 통계 정보를 포함할 수 있다. 일 실시예에 따르면, 통합 관제 기능은 웹/앱을 통하여 제공될 수 있다.
도 6 은 일 실시예에 따른 주차장 관리의 일 예를 나타낸 도면이다.
일 실시예에 따른 객체 별 인공지능 영상 정보 학습에 기반한 감지/인식/제공 기능은 다양한 분야에서 활용될 수 있다. 도 6 은 일 실시예의 일 활용 예로, 공유 주차장 관리를 예시한다. 예를 들어, 공유 주차장 관리는 차량 번호 인식, 차종 인식, 주차면 감지, 기타 객체 감지 및 알람 기능을 포함할 수 있다.
도 6 을 참조하면, 일 실시예에 따르면, 주차장에 주·정차된 차량 및/또는 주차장에 들어오는/나가는 차량의 차량 번호, 차량 종류 (예를 들어, 승용차, 트럭, 버스, 이륜차 등), 차량 색상이 식별될 수 있다.
일 실시예에 따르면, 주차장의 총 주차면 (=총 주차 가능 지역) 및/또는 총 주차면 수가 식별/표시될 수 있다.
일 실시예에 따르면, 여유 주차면 수, 주·정차 차량 수가 식별/표시될 수 있다. 일 실시예에 따르면, 주차면이 표시될 수 있다.
일 실시예에 따르면, 주·정차 차량의 주차 시간 (각 차량의 주차 시작 시간, 주차한 총 시간) 이 표시될 수 있다.
일 실시예에 따르면, 주·정차 차량의 통계 정보가 제공될 수 있다. 일 실시예에 따르면, 통계 정보는 시간 별 주·정차 차량 현황/통계, 일/주/월/년 주·정차 차량 현황/통계, 차량 별 이용 통계, 주차면 사용율 (%) 이 제공될 수 있다.
일 실시예에 따른 주차장 관리/관제 서비스에서 제공 가능한 기능은 표 1 로 정리될 수 있다. 표 1 에 나열된 내용은 예시적인 것으로, 일 실시예가 이에 제한되는 것은 아니다.
[표 1]
도 7 은 일 실시예에 따른 이동 경로 추적의 일 예를 나타낸 도면이다. 도 7 은 차량에 대한 이동 경로 추적의 일 예이며, 사람에 대한 이동 경로 추적의 경우에도 유사한 방법이 적용될 수 있다. 도 7 은 편의상 한번에 도시되었으나, 시간 경과에 따라 동일 차량(=이동 경로 추적 대상 차량)이 제1 위치(701)에서 제2 위치(703)를 거쳐 제3 위치(705)로 이동됨을 나타낸 것이다.
도 7을 참조하면, 일 실시예에 따르면, 이벤트-시나리오 간 유사도 판단 결과에 따라 특정 차량이 이동 경로 추적 대상이 될 수 있다. 일 실시예에 따르면, 복수의 영역들 (도 7 에서 분할된 4분면에 대응되는 4개의 영역들, 각 영역은 서로 다른 하나의 전자 장치에 대응됨) 중 특정 차량의 최초 위치인 제1 위치(701)가 식별될 수 있다. 일 실시예에 따르면, 제1 위치(701)가 포함된 제1 영역(사분면의 1사분면에 대응되는 영역)이 식별될 수 있다. 일 실시예에 따르면, 제1 영역에 대응되는 전자 장치(미도시, 제1 영역 및/또는 제1 위치(701)의 특정 차량을 촬영한 전자 장치)가 식별될 수 있다.
일 실시예에 따르면, 시간 경과에 따라 특정 차량이 제1 영역을 벗어난 것이 식별될 수 있다. 일 실시예에 따르면, 제1 영역에 대응되는 전자 장치로부터 촬영된 실시간 영상에 따라, 특정 차량이 제1 영역을 벗어난 것으로 확인될 수 있다. 일 실시예에 따르면, 시간 경과에 따라 특정 차량이 제1 영역을 벗어남은, 시간 경과에 따라 특정 차량을 포함하는 제1 영역이 특정 차량을 포함하지 않는 제1 영역으로 변경되는 것으로 이해될 수 있다.
일 실시예에 따르면, 특정 차량의 제2 위치(703)가 식별될 수 있다. 일 실시예에 따르면, 제2 위치(703)가 포함된 제2 영역(사분면의 2사분면에 대응되는 영역)이 식별될 수 있다. 일 실시예에 따르면, 제2 영역에 대응되는 전자 장치(미도시, 제2 영역 및/또는 제2 위치(703)의 특정 차량을 촬영한 전자 장치)가 식별될 수 있다.
일 실시예에 따르면, 제1 위치(701)을 시작 지점으로 하고, 제2 위치(703)을 종료 지점으로 하는 제1 세그먼트 이동 경로가 획득될 수 있다. 일 실시예에 따르면, 제1 세그먼트 이동 경로의 획득에는 지도 이미지 상의 도로 이미지가 활용될 수 있다. 도 7의 예시에서, 도로 이미지를 고려하면, 제1 위치(701)의 차량은 도로를 따라 우회전 하여 제2 위치(703)으로 이동한 것으로 예상/예측될 수 있으며, 이를 고려하여 제1 세그먼트 이동 경로(제1 위치(701)와 제2 위치(703)을 연결하는 두 화살표)가 획득될 수 있다.
일 실시예에 따르면, 시간 경과에 따라 특정 차량이 제2 영역을 벗어난 것이 식별될 수 있다. 일 실시예에 따르면, 제2 영역에 대응되는 전자 장치로부터 촬영된 실시간 영상에 따라, 특정 차량이 제2 영역을 벗어난 것으로 확인될 수 있다. 일 실시예에 따르면, 시간 경과에 따라 특정 차량이 제2 영역을 벗어남은, 시간 경과에 따라 특정 차량을 포함하는 제2 영역이 특정 차량을 포함하지 않는 제2 영역으로 변경되는 것으로 이해될 수 있다.
일 실시예에 따르면, 특정 차량의 제3 위치(705)가 식별될 수 있다. 일 실시예에 따르면, 제3 위치(705)가 포함된 제3 영역(사분면의 3사분면에 대응되는 영역)이 식별될 수 있다. 일 실시예에 따르면, 제3 영역에 대응되는 전자 장치(미도시, 제3 영역 및/또는 제3 위치(705)의 특정 차량을 촬영한 전자 장치)가 식별될 수 있다.
일 실시예에 따르면, 제2 위치(703)을 시작 지점으로 하고, 제3 위치(705)을 종료 지점으로 하는 제2 세그먼트 이동 경로가 획득될 수 있다. 일 실시예에 따르면, 제2 세그먼트 이동 경로의 획득에는 지도 이미지 상의 도로 이미지가 활용될 수 있다. 도 7의 예시에서, 도로 이미지를 고려하면, 제2 위치(703)의 차량은 도로를 따라 직진하여 제3 위치(705)으로 이동한 것으로 예상/예측될 수 있으며, 이를 고려하여 제2 세그먼트 이동 경로(제2 위치(703)와 제3 위치(705)을 연결하는 하나의 화살표)가 획득될 수 있다.
일 실시예에 따르면, 제1 세그먼트 이동 경로와 제2 세그먼트 이동 경로가 결합된 이동 경로 (제1 위치(701)부터 제3 위치(705)로 이동)가 획득될 수 있다.
일 실시예에 따른 이러한 이동 경로 추적 방법은 특히 오브젝트가 이동하는 경로 중 특정 경로에 대한 전자 장치가 없거나, 특정 경로의 전자 장치가 고장난 경우 등에 유용할 수 있다. 예를 들어, 제2 영역에 대응되는 전자 장치가 고장나거나, 제2 영역에 대응되는 전자 장치가 없는 경우라도, 일 실시예에 따르면, 제1 위치(701)을 시작 지점으로 하고 제3 위치(705)를 종료 지점으로 하는 세그먼트 이동 경로가 획득될 수 있으므로, 특정 차량의 위치를 효과적으로 추적할 수 있다.
일 실시예에 따르면, 하이브리드 이동 경로 추적 방법이 적용될 수도 있다. 예를 들어, 제1 영역, 제2 영역, 제3 영역에 대응되는 각 전자 장치들이 모두 마련되어 있고, 각 정상 작동 하는 경우, 상술된 세그먼트 이동 경로 추적을 통한 방법이 수행되지 않고, 각 전자 장치들의 실시간 영상으로부터 특정 차량의 위치/이동 경로가 추적될 수 있다. 또한, 예를 들어, 공백 구역 (전자 장치가 없거나, 고장난 구역)에 대응되는 영역에 대해서는 상술된 세그먼트 이동 경로 추적을 통한 방법이 적용될 수 있다.
일 실시예에 따른 이동 경로 추적은 아래와 같이 정리될 수 있다.
(a) 일 실시예에 따르면, 복수의 영역들 중 미리 설정된 오브젝트의 적어도 일부를 포함하는 제1 영역 및 복수의 전자 장치들 중 제1 영역에 대응되는 전자 장치가 식별될 수 있다.
(b) 일 실시예에 따르면, 제1 영역에서 미리 설정된 오브젝트가 벗어남이 식별될 수 있다. 일 실시예에 따르면, 제1 영역에서 미리 설정된 오브젝트가 벗어남은, 미리 설정된 오브젝트의 적어도 일부를 포함하던 제1 영역이 시간 경과에 따라 미리 설정된 오브젝트의 적어도 일부도 포함하지 않는 상기 제1 영역으로 변경됨에 기초하여 식별될 수 있다.
(c) 일 실시예에 따르면, 제1 영역에서 미리 설정된 오브젝트가 벗어남이 식별된 이후, 복수의 영역들 중 미리 설정된 오브젝트의 적어도 일부를 포함하는 제2 영역 및 복수의 제2 전자 장치들 중 제2 영역에 대응되는 전자 장치가 식별될 수 있다.
(d) 일 실시예에 따르면, 미리 설정된 오브젝트의 종류에 기초하여, 제1 영역에 포함된 미리 설정된 오브젝트의 위치를 시작 지점으로 하고, 제2 영역에 포함된 미리 설정된 오브젝트의 위치를 종료 지점으로 하는 세그먼트 (segment) 이동 경로가 판단될 수 있다. 일 실시예에 따르면, 미리 설정된 오브젝트가 차량인 경우는, 지도 이미지 상의 도로 이미지가 이동 경로 판단에 사용될 수 있다. 일 실시예에 따르면, 미리 설정된 오브젝트의 종류가 사람인 경우는, 지도 이미지 상의 보도 이미지가 이동 경로 판단에 사용될 수 있다.
(e) 일 실시예에 따르면, (a) 내지 (d) 가 반복 수행되어 획득된 복수의 세그먼트 이동 경로들이 결합됨에 기초하여 이동 경로가 추적될 수 있다.
도 8 은 일 실시예에 따른 인공지능 모델을 획득하는 과정을 나타낸 도면이다.
인공지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습(딥러닝) 및 기계 학습을 활용한 요소 기술들로 구성된다.
기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소 기술은 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
이하의 설명에서는 서버가 인공지능 모델 획득 동작을 수행함을 전제로 일 실시예에 대하여 설명하였으나, 일 실시예에 따르면, 서버 외부의 다른 서버가 인공지능 모델 획득 동작을 수행할 수도 있다. 또는, 일 실시예에 따르면, 제1 디바이스(100)가 인공지능 모델 획득 동작을 수생할 수 있다. 또는, 일 실시예에 따르면, 복수의 제1 디바이스(100)들 및/또는 복수의 서버들이 마련되어, 복수의 제1 디바이스(200)들 및/또는 복수의 서버들 간에 인공지능 모델 획득 동작의 각 동작이 분배되어, 별개로 실시될 수도 있다.
일 실시예에 따른 인공지능 모델의 획득에는 지도학습 알고리즘과 비지도학습 알고리즘이 모두 사용될 수 있다. 예를 들어, 지도학습 알고리즘에 기초하여 특정 상황 (예를 들어, 심장마비 발생, 역주행, 불법 주·정차, 교통사고, 절도, 폭력, 실종자 발견 등)에서의 위험도 판단이 도출될 수 있으며, 비지도 학습에 기초하여 기타 다른 위험상황이 추가로 도출될 수 있다.
특별히 달리 언급되지 않는 한, 전술한 설명에서 인공지능 모델이 이용됨이 명시되지 않은 경우에 대한 서버의 동작에 대해서도 인공지능 모델이 이용될 수 있다. 예를 들어, 이동 경로 추적에 대하여도 인공지능 모델이 사용될 수 있다.
도 8 를 참조하면, 일 실시예에 따르면, 서버는, 학습용 데이터를 수집할 수 있다. 예를 들어, 학습용 데이터는, 미리 설정된 영역이 될 수 있는 임의의 복수의 후보 영역들 각각에 대응되는 데이터에 대한 정보, 오브젝트가 될 수 있는 복수의 후보 오브젝트들 각각의 종류, 상기 복수의 후보 오브젝트들 각각에 할당된 식별자, 상기 복수의 후보 영역들의 종류에 대한 정보를 포함할 수 있다.
예를 들어, 학습용 데이터는 다양한 기상 조건 (맑음/눈/비/안개/일출/일몰) 에서 획득된 데이터를 포함할 수 있다. 예를 들어, 후술되는 기계 학습은 각 기상 조건에 대응되는 데이터 각각에 대하여 별도로 수행될 수 있다.
예를 들어, 영상 데이터는 안면 인식을 위한 복수의 안면 영상들, 차량 인식을 위한 복수의 차량 영상들, 건물 인식을 위한 복수의 건물 영상들, 교량 인식을 위한 복수의 교량 영상들 및, 사람/차량/건물/교량 각각에 대응되는 복수의 시나리오들의 학습을 위한 복수의 영상들을 포함할 수 있다. 예를 들어, 복수의 시나리오들에 대응되는 복수의 영상들 각각에는 각 대응되는 사람/차량/건물/교량으로 미리 라벨링될 수 있다.
일 실시예에 따르면, 서버는, 학습용 데이터에 기초하여 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터는 학습용 데이터를 모델에 학습을 위하여 입력시킬 수 있도록 전 처리/변환된 것일 수 있다. 예를 들어, 학습 데이터는 훈련용 데이터 및 테스트용 데이터를 포함할 수 있다.
예를 들어, 서버는, 학습 데이터를 훈련용 데이터 및 테스트용 데이터로 분류할 수 있다. 예를 들어, 훈련용 데이터는 모델을 학습시키는데 활용되고, 제1 테스트용 데이터는 학습된 인공지능 모델을 검증 및 업데이트 하는데 활용될 수 있다.
예를 들어, 서버는, 훈련용 데이터에 기초하여 모델을 학습 시킬 수 있다. 예를 들어, 모델은 인공지능 알고리즘을 기반으로 학습될 수 있는 인공 지능 모델일 수 있다. 예를 들어, 모델은 심층 신경망(DNN:Deep Neural Network)을 포함할 수도 있다. 예를 들어, 인공 지능 엔진은 CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 이에 한정되는 것은 아니다.
일 실시예에 따르면, 서버는 학습된 모델에 기초하여 테스트용 데이터에 대한 가공 데이터를 획득할 수 있다.
일 실시예에 따르면, 서버는 가공 데이터에 대한 피드백 정보를 획득할 수 있다.
예를 들어, 피드백 정보는, 서버 관리자로부터 입력될 수 있다.
또 다른 예시로, 피드백 정보는, 해당 가공 데이터에 대하여 미리 가공된 학습 데이터가 있는 경우, 서버는 해당 미리 가공된 학습 데이터와 가공 데이터를 비교하고, 그 비교 결과에 기초하여 피드백 정보를 생성할 수도 있다. 예를 들어, 학습 데이터에는 데이터의 가공 전 및 가공 후 버전이 포함될 수 있으며, 서버는 가공 전 데이터를 학습된 모델에 기초하여 가공하여 가공 데이터를 생성하고, 가공 데이터와 학습 데이터에 포함된 가공 후 버전을 비교하여 그 비교 결과에 기초하여 피드백을 획득할 수도 있다.
일 실시예에 따르면, 서버는, 피드백에 기초하여 학습된 모델을 업데이트할 수 있다.
예를 들어, 서버는 피드백에 기초하여 학습된 모델의 특성 (예를 들어, CNN의 특성) 을 수정하고, 수정된 모델에 기초하여 테스트용 데이터를 가공하고, 다시 피드백을 획득하여 업데이트 하는 과정을 반복할 수 있다.
일 실시예에 따르면, 서버는 반복 횟수가 미리 설정된 임계값 (예를 들어, 7-9회) 에 도달하면, 동작을 종료하고 학습된 모델을 인공지능 모델로서 획득할 수 있다.
일 실시예에 따르면, 획득된 인공지능 모델의 검증을 위한 제2 피드백 데이터가 마련될 수 있다. 일 실시예에 따르면, 제2 피드백 데이터는 각 오브젝트 별로 마련될 수 있다. 일 실시예에 따르면, 제2 피드백 데이터 (검증용 데이터) 와 학습용 데이터의 비율은 1:4일 수 있다. 일 실시예에 따르면, 제2 피드백 데이터에 따른 검증 내지 유용성 검증 결과에 따라 피드백 동작이 수행될 수 있다.
일 실시예에 따르면, 고객/사용자의 피드백에 기반한 추가적인 피드백 동작이 수행될 수 있다. 예를 들어, 고객/사용자의 요구사항이 적용된 피드백 데이터로 인공지능 모델을 추가 업데이트할 수 있다.
일 실시예는 그 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 일 실시예의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 일 실시예의 등가적 범위 내에서의 모든 변경은 일 실시예의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
Claims (5)
- 제1 전자 장치에 있어서,
송수신기; 및 상기 송수신기와 연결된 프로세서; 를 포함하고,
상기 프로세서는:
복수의 제2 전자 장치들로부터, 상기 복수의 제2 전자 장치들에 의하여 촬영된 제1 복수의 영상들을 포함하는 제1 영상 정보를 수신;
상기 제1 영상 정보에 기초하여, 복수의 영역들 각각에 미리 설정된 오브젝트 (object)의 적어도 일부가 포함되는지 여부를 식별;
상기 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별됨에 기초하여 데이터를 획득;
상기 데이터는: (i) 상기 미리 설정된 오브젝트의 종류 및 (ii) 상기 미리 설정된 오브젝트에 대응되는 하나 이상의 이벤트와 비교되어 유사도의 획득을 위하여 사용되는 복수의 시나리오들을 포함하는 제1 규칙 집합으로부터 선택된 상기 미리 설정된 오브젝트의 종류에 대응되는 하나 이상의 시나리오; 를 포함;
상기 하나 이상의 이벤트와 상기 하나 이상의 시나리오 간의 비교에 기초하여 상기 유사도를 획득; 및
상기 유사도가 미리 정의된 임계치 이상임에 기초하여, 상기 미리 설정된 오브젝트와 관련된 안전 관리 동작을 수행; 하도록 설정되고,
상기 안전 관리 동작은, 상기 하나 이상의 이벤트 중, 상기 미리 설정된 임계치 이상인 상기 유사도에 대응되는 이벤트와 관련되고,
상기 안전 관리 동작을 수행함에 있어서, 상기 프로세서는:
(i) 상기 미리 설정된 오브젝트의 적어도 일부가 포함된 것으로 식별된 이후 수신되는 상기 복수의 제2 전자 장치들에 의하여 촬영된 제2 복수의 영상들을 포함하는 제2 영상 정보에 기초하여 상기 복수의 영역들 내에서의 상기 미리 설정된 오브젝트의 이동 경로를 추적; 및
(ii) 상기 안전 관리 동작과 관련된 복수의 대응 방안들을 포함하는 제2 규칙 집합으로부터 선택된 상기 미리 정의된 임계치 이상인 상기 유사도에 대응되는 상기 이벤트에 대응되는 대응 방안과 관련된 동작을 수행; 하도록 설정되고,
상기 제1 복수의 영상들과 상기 제2 복수의 영상들 각각은, 상기 복수의 제2 전자 장치들에 의하여 촬영 가능한 상기 복수의 영역들 각각에 대한 실시간 영상을 포함하고,
상기 이동 경로를 추적: 하는 것은,
(a) 상기 복수의 영역들 중 상기 미리 설정된 오브젝트의 적어도 일부를 포함하는 제1 영역 및 상기 복수의 제2 전자 장치들 중 상기 제1 영역에 대응되는 전자 장치를 식별;
(b) 상기 제1 영역에서 상기 미리 설정된 오브젝트가 벗어남을 식별 - 상기 제1 영역에서 상기 미리 설정된 오브젝트가 벗어남은, 상기 미리 설정된 오브젝트의 적어도 일부를 포함하던 상기 제1 영역이 시간 경과에 따라 상기 미리 설정된 오브젝트의 적어도 일부도 포함하지 않는 상기 제1 영역으로 변경됨에 기초하여 식별됨 -;
(c) 상기 제1 영역에서 상기 미리 설정된 오브젝트가 벗어남을 식별한 이후, 상기 복수의 영역들 중 상기 미리 설정된 오브젝트의 적어도 일부를 포함하는 제2 영역 및 상기 복수의 제2 전자 장치들 중 상기 제2 영역에 대응되는 전자 장치를 식별; 및
(d) 상기 미리 설정된 오브젝트의 종류에 기초하여, 상기 제1 영역에 포함된 상기 미리 설정된 오브젝트의 위치를 시작 지점으로 하고, 상기 제2 영역에 포함된 상기 미리 설정된 오브젝트의 위치를 종료 지점으로 하는 세그먼트 (segment) 이동 경로를 판단; 및
(e) 상기 (a) 내지 (d) 를 반복 수행하여 획득된 복수의 세그먼트 이동 경로들을 결합함에 기초하여 상기 이동 경로를 추적; 하는 것을 포함하고,
상기 미리 설정된 오브젝트의 종류는 차량(vehicle) 및 사람(human)을 포함하고,
상기 제1 규칙 집합에 포함된 상기 복수의 시나리오들은, 상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 대응되는 시나리오와 상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 대응되는 시나리오를 포함하고,
상기 제2 규칙 집합에 포함된 상기 복수의 대응 방안들은, 상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 대응되는 대응 방안과 상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 대응되는 대응 방안을 포함하고,
상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 대응하여:
(i) 상기 차량의 종류, 상기 차량의 차량 번호, 상기 차량의 색상, 상기 차량의 이동 속력, 상기 차량의 주·정차 여부, 상기 차량이 주·정차된 것으로 식별된 경우 상기 차량의 주·정차 경과 시간, 상기 차량이 주·정차된 것으로 식별된 경우 상기 차량의 출차 시간, 상기 차량이 주·정차된 것으로 식별된 경우 상기 차량의 소유자가 거주자인지 여부, 상기 차량의 주차장 진입 여부, 상기 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 총 주차면 수, 상기 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 여유 주차면 수, 상기 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 주차면 사용률, 상기 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 주·정차 차량 수 및 상기 차량이 주차장으로 진입하는 것으로 식별된 경우 상기 주차장의 주·정차 현황 정보가 식별되고,
(ii) 상기 제1 규칙 집합은: 교통 사고 발생 시나리오, 뺑소니 발생 시나리오 및 불법 주·정차 발생 시나리오를 상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 대응되는 것으로 포함하고,
(iii) 상기 제2 규칙 집합은: 상기 이동 경로의 추적에 기반한 상기 차량에 대한 제1 실시간 모니터링 및 상기 차량에 대한 제1 알림 메시지의 송신을 상기 미리 설정된 오브젝트의 종류가 상기 차량인 경우에 대응되는 것으로 포함하고,
상기 제1 실시간 모니터링은 상기 복수의 영역들에 대응되는 지도 (map) 이미지에 포함된 도로 이미지에 상기 이동 경로의 추적에 기반한 상기 차량의 이동 경로를 표시하는 것을 포함하고,
상기 제1 알림 메시지는 상기 차량의 종류에 대한 정보, 상기 차량의 차량 번호에 대한 정보 및 상기 차량의 색상에 대한 정보를 포함하고,
상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 대응하여:
(i) 상기 사람의 성별, 상기 사람의 안면, 상기 사람의 행동, 상기 사람의 신장, 상기 사람이 착용한 의복의 색상 및 상기 사람의 예상 나이가 식별되고, 상기 의복의 색상은 상기 사람이 착용한 상의의 색상과 상기 사람이 착용한 하의의 색상을 포함하고,
(ii) 상기 제1 규칙 집합은: 범죄 발생 시나리오, 응급 상황 발생 시나리오 및 실종자 발견 시나리오를 상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 대응되는 것으로 포함하고,
(iii) 상기 제2 규칙 집합은: 상기 이동 경로의 추적에 기반한 상기 사람에 대한 제2 실시간 모니터링 및 상기 사람에 대한 제2 알림 메시지의 송신을 상기 미리 설정된 오브젝트의 종류가 상기 사람인 경우에 대응되는 것으로 포함하고,
상기 제2 실시간 모니터링은 상기 복수의 영역들에 대응되는 지도 이미지에 포함된 보도 이미지에 상기 이동 경로의 추적에 기반한 상기 사람의 이동 경로를 표시하는 것을 포함하고,
상기 제2 알림 메시지는 상기 사람의 성별에 대한 정보, 상기 사람의 안면에 대한 정보, 상기 사람의 행동에 대한 정보, 상기 사람의 신장에 대한 정보, 상기 사람이 착용한 의복의 색상에 대한 정보 및 상기 사람의 예상 나이에 대한 정보를 포함하고,
상기 사람의 성별에 대한 정보, 상기 사람의 안면에 대한 정보, 상기 사람의 행동에 대한 정보, 상기 사람의 신장에 대한 정보, 상기 사람이 착용한 의복의 색상에 대한 정보 및 상기 사람의 예상 나이에 대한 정보 중 적어도 일부가 법령에 따른 기준에 따라 비공개 되어야 하는 것으로 식별됨에 기초하여, 상기 비공개 되어야 하는 것으로 식별된 적어도 일부는 상기 제2 알림 메시지에서 마스킹되는, 제1 전자 장치. - 삭제
- 삭제
- 삭제
- 제 1 항에 있어서,
(i) 상기 미리 설정된 오브젝트의 적어도 일부가 포함되었는지 여부를 식별 및 (ii) 상기 하나 이상의 이벤트와 상기 하나 이상의 시나리오 간의 유사도 판단을 수행하도록 인공 지능 모델이 미리 학습되는, 제1 전자 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220140266A KR102501084B1 (ko) | 2022-10-27 | 2022-10-27 | 인공지능 기반 이동 경로 추적을 통한 안전 관리 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220140266A KR102501084B1 (ko) | 2022-10-27 | 2022-10-27 | 인공지능 기반 이동 경로 추적을 통한 안전 관리 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102501084B1 true KR102501084B1 (ko) | 2023-02-17 |
Family
ID=85327503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220140266A KR102501084B1 (ko) | 2022-10-27 | 2022-10-27 | 인공지능 기반 이동 경로 추적을 통한 안전 관리 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102501084B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117496745A (zh) * | 2023-10-09 | 2024-02-02 | 上海软杰智能设备有限公司 | 一种基于人工智能的车位引导数据分析***及方法 |
CN117611106A (zh) * | 2024-01-17 | 2024-02-27 | 深圳湾科技发展有限公司 | 一种智慧园区安全运维方法、***、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190106172A (ko) * | 2018-03-08 | 2019-09-18 | 김혜선 | 통합 관제 시스템 |
KR102373753B1 (ko) * | 2021-06-28 | 2022-03-14 | 주식회사 아센디오 | 딥러닝 기반의 차량식별추적 방법, 및 시스템 |
KR102383686B1 (ko) * | 2021-06-07 | 2022-04-08 | (주)코아브릿지 | 공동주택 주차장 공유 서비스 제공 시스템 |
KR20220107540A (ko) | 2021-01-25 | 2022-08-02 | 주식회사 코매퍼 | 3차원 모델을 통한 인공지능 기반 안전진단 장치 및 그 방법 |
-
2022
- 2022-10-27 KR KR1020220140266A patent/KR102501084B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190106172A (ko) * | 2018-03-08 | 2019-09-18 | 김혜선 | 통합 관제 시스템 |
KR20220107540A (ko) | 2021-01-25 | 2022-08-02 | 주식회사 코매퍼 | 3차원 모델을 통한 인공지능 기반 안전진단 장치 및 그 방법 |
KR102383686B1 (ko) * | 2021-06-07 | 2022-04-08 | (주)코아브릿지 | 공동주택 주차장 공유 서비스 제공 시스템 |
KR102373753B1 (ko) * | 2021-06-28 | 2022-03-14 | 주식회사 아센디오 | 딥러닝 기반의 차량식별추적 방법, 및 시스템 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117496745A (zh) * | 2023-10-09 | 2024-02-02 | 上海软杰智能设备有限公司 | 一种基于人工智能的车位引导数据分析***及方法 |
CN117611106A (zh) * | 2024-01-17 | 2024-02-27 | 深圳湾科技发展有限公司 | 一种智慧园区安全运维方法、***、设备及介质 |
CN117611106B (zh) * | 2024-01-17 | 2024-04-26 | 深圳湾科技发展有限公司 | 一种智慧园区安全运维方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102501084B1 (ko) | 인공지능 기반 이동 경로 추적을 통한 안전 관리 방법 및 장치 | |
Zhang et al. | Edge video analytics for public safety: A review | |
US11394933B2 (en) | System and method for gate monitoring during departure or arrival of an autonomous vehicle | |
US10595037B2 (en) | Dynamic scene prediction with multiple interacting agents | |
US11055544B2 (en) | Electronic device and control method thereof | |
KR20210035296A (ko) | 이례적인 차량 이벤트를 감지 및 기록하기 위한 시스템 및 방법 | |
US20200388135A1 (en) | Automated water body area monitoring | |
CA3070411C (en) | Systems and methods for location fencing within a controlled environment | |
KR20180125885A (ko) | 차량의 주행 이벤트를 검출하는 전자 장치 및 방법 | |
US11138844B2 (en) | Artificial intelligence apparatus and method for detecting theft and tracing IoT device using same | |
US20200050894A1 (en) | Artificial intelligence apparatus and method for providing location information of vehicle | |
US10860865B2 (en) | Predictive security camera system | |
KR20190094294A (ko) | 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법 | |
US20210124350A1 (en) | Approaches for encoding environmental information | |
US11256937B2 (en) | Anomalous event detection and/or validation using inherent human behavior | |
Shin et al. | Multimodal layer surveillance map based on anomaly detection using multi‐agents for smart city security | |
Khosravi et al. | Crowd emotion prediction for human-vehicle interaction through modified transfer learning and fuzzy logic ranking | |
US20230339395A1 (en) | Artificially intelligent mobility safety system | |
US20240111305A1 (en) | Unmanned aerial vehicle event response system and method | |
WO2022243337A2 (en) | System for detection and management of uncertainty in perception systems, for new object detection and for situation anticipation | |
US20220327442A1 (en) | Artificial intelligence model integration and deployment for providing a service | |
US11675878B1 (en) | Auto-labeling method for multimodal safety systems | |
US11551117B1 (en) | Policy based artificial intelligence engine | |
US20200293020A1 (en) | Surveillance system with intelligent robotic surveillance device | |
US20190371149A1 (en) | Apparatus and method for user monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |