KR102638384B1 - 고정형 라이다를 이용한 3d 이동 객체 검출 장치 및 방법 - Google Patents
고정형 라이다를 이용한 3d 이동 객체 검출 장치 및 방법 Download PDFInfo
- Publication number
- KR102638384B1 KR102638384B1 KR1020230118848A KR20230118848A KR102638384B1 KR 102638384 B1 KR102638384 B1 KR 102638384B1 KR 1020230118848 A KR1020230118848 A KR 1020230118848A KR 20230118848 A KR20230118848 A KR 20230118848A KR 102638384 B1 KR102638384 B1 KR 102638384B1
- Authority
- KR
- South Korea
- Prior art keywords
- background
- unit
- new
- candidate
- point cloud
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000007792 addition Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
- G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
- G06T3/067—Reshaping or unfolding 3D tree structures onto 2D planes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 3차원(3-Dimensional) 이동 객체 검출 장치 및 방법에 관한 것으로, 더욱 상세하게는 고정형 라이다(Lidar)를 통해 3D 포인트 클라우드(Point Cloud)로 사전에 감시영역에 존재하는 배경 객체를 등록하고, 상기 라이다로부터 실시간 입력되는 상기 감시영역의 3D 포인트 클라우드에 대한 3D 포인트 클라우드 형태의 후보 객체와 상기 배경 객체의 겹침 정도에 따른 신규 객체의 존재 여부를 판단하고, 신규 객체에 대한 객체 분류를 수행하는 고정형 라이다를 이용한 3D 이동 객체 검출 장치 및 방법에 관한 것이다.
Description
본 발명은 3차원(3-Dimensional) 이동 객체 검출 장치 및 방법에 관한 것으로, 더욱 상세하게는 고정형 라이다(Lidar)를 통해 획득되는 3D 포인트 클라우드(Point Cloud)로 사전에 감시영역에 존재하는 객체(이하 "배경 객체"라 함)를 등록하고, 상기 라이다로부터 실시간 입력되는 상기 감시영역의 3D 포인트 클라우드로부터 획득되는 3D 포인트 클라우드 형태의 후보 객체와 상기 배경 객체의 겹침 정도에 따른 신규 객체의 존재 여부를 판단하고, 신규 객체에 대한 객체 분류를 수행하는 고정형 라이다를 이용한 3D 이동 객체 검출 장치 및 방법에 관한 것이다.
일반적으로, 빌딩, 관공서, 공공시설, 공공지역 등에는 해당 영역(이하 "감시영역"이라 함)에는 폐쇄회로텔레비전(Closed Circuit Television: CCTV) 등과 같은 다수의 카메라를 포함하는 영상 보안 관제 시스템이 설치되어 상기 감시영역을 촬영하여 원격지의 관제 단말기에 표시함으로써, 보안 관리자(또는 "감시자"라 함)가 해당 감시영역을 모니터링할 수 있도록 한다.
또한, 영상 보안 관제 시스템은 촬영된 영상을 분석하여 영상으로부터 객체를 검출하고, 검출된 객체를 분석하여 싸움, 폭행, 쓰러짐, 배회, 특정 추적 인물 감지, 특정 추적 차량 감지 등과 같은 이벤트를 감지하여 경보하고, 해당 이벤트를 추적할 수 있도록 하여, 시민의 안전을 보호하는 데 일조하고 있다.
그러나 영상 보안 관제 시스템은 영상에만 의존하여 분석을 수행하므로 실제 침입 등의 이벤트가 발생한 장소의 식별이 어려우며. 침입 탐지를 위해 감시자가 관제 대상 영역에 대한 모든 카메라의 영상을 지속적으로 순회하며 관찰해야만 하기 때문에 침입 상황을 놓칠 수 있는 문제점이 있다.
또한, 종래 영상 보안 관제 시스템은 카메라를 통한 객체를 감지했더라도 빠르게 카메라의 촬영범위를 벗어난 경우, 이벤트의 발생을 감지하지 못하는 구조적인 문제점을 갖는다.
또한, 종래 영상 보안 관제 시스템은 감시영역의 환경이 좋지 않은 경우 영상의 시야를 확보하기 어려워 그 기능이 떨어지는 문제점이 있다. 예를 들어, 빛이 없는 밤이나, 비가 오거나 안개가 낀 악천후 상황인 경우, 종래 영상 보안 관제 시스템은 감시영역의 감시 기능 및 객체 검출 기능이 떨어지는 문제점이 있다.
이러한 문제점을 해결하기 위해 최근 보안 관제 시스템은 라이다(LiDAR)를 적용하고 있다.
라이다는 감시영역에 근적외선을 조사하여, 상기 감시영역에 존재하는 다수 물체의 여러 포인트에 맞고 돌아오는 신호로부터 각 포인트와의 방향, 거리, 속도, 높이 등을 포함하는 3차원적인 데이터를 구성하는 포인트 클라우드 데이터(이하 "포인트 클라우드"라 함)를 생성한다.
따라서 일반적인 보안 관제 시스템은 상기 감시영역에 대한 포인트 클라우드로부터 움직이는 객체를 실시간 감지하기 위해 처리할 데이터양을 줄이는 배경 제거 방식을 적용하고 있다.
배경 제거 방식은 복셀(Voxel) 그리드 검색 방식 및 딥러닝을 이용하여 포인트 클라우드의 배경을 제거하고 전경을 추출함으로써 이루어진다.
그러나 이러한 3D 복셀 그리드 검색 방식은 0.2mm인 정육면체의 블록을 사용하는 복셀 그리드 필터를 적용하므로 계산 비용이 많이 드는 문제점이 있다.
그리고 딥러닝 방식의 경우 대량의 레이블 데이터를 필요로 하며, 심층학습 모델은 효과적으로 훈련하기 위해 대량의 레이블 데이터가 필요하므르 학습 데이터 구축 비용이 커지는 문제점이 있다.
따라서 본 발명의 목적은 고정형 라이다(Lidar)를 통해 획득되는 3D 포인트 클라우드(Point Cloud)로 사전에 감시영역에 존재하는 객체(이하 "배경 객체"라 함)를 등록하고, 상기 라이다로부터 실시간 입력되는 상기 감시영역의 3D 포인트 클라우드로부터 획득되는 3D 포인트 클라우드 형태의 후보 객체와 상기 배경 객체의 겹침 정도에 따른 신규 객체의 존재 여부를 판단하고, 신규 객체에 대한 객체 분류를 수행하는 고정형 라이다를 이용한 3D 이동 객체 검출 장치 및 방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 고정형 라이다를 이용한 3D 이동 객체 검출 장치는: 고정형 라이다로부터 감시영역에 대한 포인트 클라우드를 수신받아 출력하는 라이다 데이터 획득부; 상기 감시영역의 초기 객체에 대한 포인트 클라우드인 배경 객체를 저장하는 저장부; 상기 라이다 데이터 획득부로부터 포인트 클라우드를 입력받고, 상기 포인트 클라우드로부터 배경을 제거하여 객체를 추출한 후 출력하는 객체 추출부; 및 배경 객체 등록모드에서 상기 객체 추출부를 통해 추출된 객체를 배경 객체로 상기 저장부에 저장하고, 감시모드에서 상기 라이다 데이터 획득부를 통해 실시간 획득되는 포인트 클라우드에 대해 상기 객체 추출부로부터 입력되는 객체를 후보 객체로 설정하며, 상기 저장부에 저장된 배경 객체와 상기 후보 객체의 겹침 정도에 따른 신규 객체의 검출을 판단하고, 신규 객체의 검출 판단 시 상기 신규 객체에 대한 객체 분류를 수행하는 제어모듈을 포함하는 것을 특징으로 한다.
상기 객체 추출부는, 상기 라이다 데이터 획득부로부터 입력되는 포인트 클라우드로부터 배경에 대한 포인트 클라우드를 제거하여 출력하는 배경 필터링부; 상기 배경 필터링부에서 배경이 제거된 포인트 클라우드의 포인트들을 클러스터링하여 군집을 생성한 후 출력하는 클러스터링부; 및 상기 클러스터링부에서 클러스터링된 군집을 객체로 추정하여 출력하는 객체 생성부를 포함하는 것을 특징으로 한다.
상기 제어모듈은, 배경 객체 등록 이벤트 및 감시모드 이벤트 중 어느 하나의 발생에 따른 배경 객체 등록모드 및 감시모드 중 어느 하나를 설정하는 모드 설정부; 상기 배경 객체 등록모드에서 동작하여 상기 객체 생성부로부터 출력되는 객체를 배경 객체로 상기 저장부에 저장하여 등록하는 배경 객체 등록부; 상기 감시모드에서 동작하여 상기 객체 생성부로부터 입력되는 객체를 후보 객체로 설정하여 출력하는 후보 객체 획득부; 상기 감시영역의 검출된 해당 위치에 놓인 후보 객체 및 배경 객체에 대한 탑뷰를 생성하여 출력하는 탑뷰 생성부; 상기 탑뷰의 후보 객체와 배경 객체의 겹침 정도에 따라 상기 후보 객체가 신규 객체인지를 판단하는 신규 객체 판단부; 및 상기 신규 객체 판단부에 의해 상기 후보 객체가 신규 객체로 판단되면 해당 후보 객체에 대한 객체 분류를 수행하는 객체 분류부를 포함하는 것을 특징으로 한다.
상기 제어모듈은, 상기 신규 객체 판단부를 통해 판단된 신규 객체에 대한 연속적인 위치 변화를 모니터링하여 상기 신규 객체가 움직이는 객체인지를 판단하는 이동 객체 판단부; 및 상기 신규 객체가 미리 설정된 시간동안 움직이지 않으면 배경 객체로 추가로 저장부에 저장하여 배경 객체를 업데이트하는 배경 업데이터부를 더 포함하고, 상기 객체 분류부는, 상기 신규 객체가 이동 객체 판단부를 통해 움직이는 객체인 것으로 판단되는 경우 상기 신규 객체에 대한 객체 분류를 수행하는 것을 특징으로 한다.
상기 제어모듈은, 상기 포인트 클라우드인 신규 객체를 2D 객체로 변환하여 출력하는 변환부를 더 포함하되, 상기 객체 분류부는, 상기 2D 객체에 대해 객체 분류를 수행하는 것을 특징으로 한다.
상기 변환부는, 상기 포인트 클라우드인 신규 객체를 PCA를 적용하여 2D 객체로 변환하여 출력하는 것을 특징으로 한다.
상기 신규 객체 판단부는, 탑뷰 상태에서 후보 객체와 배경 객체의 조합(합집합) 영역(Combine Region) 넓이 대비 후보 객체와 배경 객체가 겹쳐지는(교집합) 영역(Overlapping Region) 넓이의 비율(IoU)이 미리 설정된 크기(T)보다 작으면 상기 후보 객체를 신규 객체로 판단하는 것을 특징으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 고정형 라이다를 이용한 3D 이동 객체 검출 방법은: 라이다 데이터 획득부가 고정형 라이다로부터 감시영역에 대한 포인트 클라우드를 수신받아 출력하는 라이다 데이터 획득 과정; 객체 추출부가 상기 라이다 데이터 획득부로부터 포인트 클라우드를 입력받고, 상기 포인트 클라우드로부터 배경을 제거하여 객체를 추출한 후 출력하는 객체 추출 과정; 및 제어모듈이 배경 객체 등록모드에서 상기 객체 추출부를 통해 추출된 객체를 배경 객체로 상기 저장부에 저장하고, 감시모드에서 상기 라이다 데이터 획득부를 통해 실시간 획득되는 포인트 클라우드에 대해 상기 객체 추출부로부터 입력되는 객체를 후보 객체로 설정하며, 상기 저장부에 저장된 배경 객체와 상기 후보 객체의 겹침 정도에 따른 신규 객체의 검출을 판단하고, 신규 객체의 검출 판단 시 상기 신규 객체에 대한 객체 분류를 수행하는 객체 분류 과정을 포함하는 것을 특징으로 한다.
상기 객체 추출 과정은, 상기 객체 추출부가 배경 필터링부를 통해 상기 라이다 데이터 획득부로부터 입력되는 포인트 클라우드로부터 배경을 제거하여 출력하는 배경 필터링 단계; 상기 객체 추출부가 클러스터링부를 통해 상기 배경 필터링부에서 배경이 제거된 포인트 클라우드의 포인트들을 클러스터링하여 군집을 생성한 후 출력하는 클러스터링 단계; 및 상기 객체 추출부가 객체 생성부를 통해 상기 클러스터링부에서 클러스터링된 군집을 객체로 추정하여 출력하는 객체 생성 단계를 포함하는 것을 특징으로 한다.
상기 객체 분류 과정은, 상기 제어모듈이 모드 설정부를 통해 배경 객체 등록 이벤트 및 감시모드 이벤트 중 어느 하나의 발생에 따른 배경 객체 등록모드 및 감시모드 중 어느 하나를 설정하는 모드 설정 단계; 상기 제어모듈이 배경 객체 등록모드에서 배경 객체 등록부를 통해 객체 추출부를 통해 추출된 객체를 배경 객체로 저장부에 저장하여 등록하는 배경 객체 등록 단계; 상기 제어모듈이 감시모드에서 상기 라이다 데이터 획득부를 통해 실시간 획득되는 포인트 클라우드에 대해 상기 객체 추출부로부터 입력되는 객체를 후보 객체로 설정하며, 상기 저장부에 저장된 배경 객체와 상기 후보 객체의 겹침 정도에 따른 신규 객체의 검출을 판단하고, 신규 객체의 검출 판단 시 상기 신규 객체에 대한 객체 분류를 수행하는 객체 분류 단계를 포함하는 것을 특징으로 한다.
상기 객체 분류 단계는, 상기 제어모듈이 후보 객체 획득부를 통해 상기 감시모드에서 동작하여 상기 객체 생성부로부터 입력되는 객체를 후보 객체로 설정하여 출력하는 후보 객체 획득 단계; 상기 제어모듈이 탑뷰 생성부를 통해 상기 감시영역의 검출된 해당 위치에 놓인 후보 객체 및 배경 객체에 대한 탑뷰를 생성하여 출력하는 탑뷰 생성 단계; 상기 제어모듈이 신규 객체 판단부를 통해 상기 탑뷰의 후보 객체와 배경 객체의 겹침 정도에 따라 사기 후보 객체가 신규 객체인지를 판단하는 신규 객체 판단 단계; 및 상기 제어모듈이 객체 분류부를 통해 상기 신규 객체 판단부에 의해 상기 후보 객체가 신규 객체로 판단되면 해당 후보 객체에 대한 객체 분류를 수행하는 분류 단계를 포함하는 것을 특징으로 한다.
상기 객체 분류 단계는, 상기 제어모듈이 이동 객체 판단부를 통해 상기 신규 객체 판단부에 의해 판단된 신규 객체에 대한 연속적인 위치 변화를 모니터링하여 상기 신규 객체가 움직이는 객체인지를 판단하는 이동 객체 판단 단계; 및 상기 제어모듈이 배경 업데이트부를 통해 상기 신규 객체가 미리 설정된 시간동안 움직이지 않으면 배경 객체로 추가로 저장부에 저장하여 배경 객체를 업데이트하는 배경 업데이터 단계를 더 포함하고, 상기 분류 단계에서 상기 제어모듈이 객체 분류부를 통해 상기 신규 객체가 이동 객체 판단부를 통해 움직이는 객체인 것으로 판단되는 경우 상기 신규 객체에 대한 객체 분류를 수행하는 것을 특징으로 한다.
상기 객체 분류 단계는, 상기 제어모듈이 상기 포인트 클라우드인 신규 객체를 2D 객체로 변환하여 출력하는 변환 단계를 더 포함하되, 상기 분류 단계에서 상기 제어모듈이 객체 분류부를 통해 상기 2D 객체에 대해 객체 분류를 수행하는 것을 특징으로 한다.
상기 신규 객체 판단 단계는, 상기 신규 객체 판단부가 탑뷰 상태에서 후보 객체와 배경 객체의 조합(합집합) 영역(Combine Region) 넓이 대비 후보 객체와 배경 객체가 겹쳐지는(교집합) 영역(Overlapping Region) 넓이의 비율(IoU)이 미리 설정된 크기(T)보다 작으면 상기 후보 객체를 신규 객체로 판단하는 것을 특징으로 한다.
본 발명은 감시영역에 대한 배경 객체를 사전에 등록시켜 놓고, 실시간 입력되는 감시영역에 대한 포인트 클라우드에서 배경을 제거한 후보 객체만을 검출하고, 배경 객체와 후보 객체 간의 겹침 정도에 의해서 신규 객체를 검출하므로 계산 비용을 줄일 수 있는 효과가 있다.
본 발명은 배경 객체와 후보 객체 간의 겹침 정도에 의해 검출된 신규 객체에 대해서만 객체 분류를 수행하므로 계산 비용을 줄일 수 있는 효과가 있다.
또한, 본 발명은 3차원 포인트 클라우드의 신규 객체를 PCA를 통해 2차원의 신규 객체로 변환하여 객체 분류를 수행하므로 계산 비용을 줄일 수 있는 효과가 있다.
또한, 본 발명은 훈련을 위한 레이블 데이터가 필요하지 않으므로 학습 데이터 구축 비용이 들지 않는 효과가 있다.
또한, 본 발명은 먼 거리에 있는 객체의 검출 정확도를 향상시킬 수 있는 효과가 있다.
도 1은 본 발명에 따른 고정형 라이다를 이용한 3D 이동 객체 검출 장치의 구성을 나타낸 도면이다.
도 2는 본 발명에 따른 포인트 클라우드로부터 신규 객체를 검출하기 위한 방법을 설명하기 위한 도면이다.
도 3은 본 발명에 따른 포인트 클라우드 객체를 2D 객체로 변환하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명에 따른 고정형 라이다를 이용한 3D 이동 객체 검출 방법을 나타낸 흐름도이다.
도 2는 본 발명에 따른 포인트 클라우드로부터 신규 객체를 검출하기 위한 방법을 설명하기 위한 도면이다.
도 3은 본 발명에 따른 포인트 클라우드 객체를 2D 객체로 변환하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명에 따른 고정형 라이다를 이용한 3D 이동 객체 검출 방법을 나타낸 흐름도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 고정형 라이다를 이용한 3D 이동 객체 검출 장치의 구성 및 동작을 상세히 설명하고, 상기 장치의 고정형 라이다를 이용한 3D 이동 객체 검출 방법을 설명한다.
도 1은 본 발명에 따른 고정형 라이다를 이용한 3D 이동 객체 검출 장치의 구성을 나타낸 도면이고, 도 2는 본 발명에 따른 포인트 클라우드로부터 신규 객체를 검출하기 위한 방법을 설명하기 위한 도면이며, 도 3은 본 발명에 따른 포인트 클라우드 객체를 2D 객체로 변환하는 방법을 설명하기 위한 도면이다. 이하 도 1 내지 도 3을 참조하여 설명한다.
본 발명에 따른 고정형 라이다를 이용한 3D 이동 객체 검출 장치는 라이다 데이터 획득부(10), 객체 추출부(20), 제어모듈(30) 및 저장부(40)를 포함한다.
본 발명의 3D 이동 객체 검출 장치는 고정형 라이다(미도시)를 이용하여 이동 객체를 검출한다.
고정형 라이다는 감시영역에 근적외선을 조사하고, 감시영역 내의 다수의 물체의 여러 포인트에 부딪혀 되돌아오는 신호에 대한 포인트 클라우드를 생성하여 상기 라이다 데이터 획득부(10)로 전송한다. 상기 포인트 클라우드는 3D 데이터로, 배경과 초기부터 움직임 없이 존재하는 물체인 다수의 배경 객체와, 새롭게 발생한 감시 대상인 신규 객체로 구성되는 것으로 정의한다.
라이다 데이터 획득부(10)는 고정형 라이다가 송신하는 감시영역을 스캔한 포인트 클라우드를 수신하여 출력한다. 상기 감시영역에 대한 포인트 클라우드는 감시영역의 건물, 나무, 주차 차량 등과 같은 배경 객체에 대판 포인트 클라우드, 산, 바다, 바닥면 등과 같은 배경에 대한 포인트 클라우드 등을 포함할 것이다. 상기 건물 등은 이동할 수 없는 요소로 배경으로 구분될 수도 있을 것이다. 즉, 배경은 사전에 관리자에 의해 지정되어 정의될 수 있으며, 배경 객체는 관리자에 의해 지정되지는 않았으나 배경 객체 등록 모드에서 검출된 객체이다.
객체 추출부(20)는 배경 필터링부(21), 클러스터링부(22) 및 객체 생성부(23)를 포함하여, 상기 라이다 데이터 획득부(10)로부터 입력되는 포인트 클라우드로부터 배경을 제거하고, 배경이 제거된 포인트 클라우드로부터 객체를 추출하고, 추출된 객체에 대한 3D 포인트 클라우드 객체 데이터를 제어모듈(30)로 출력한다.
구체적으로 설명하면, 배경 필터링부(21)는 라이다 데이터 수집부(10)로부터 입력되는 포인트 클라우드로부터 배경에 대한 포인트 클라우드 데이터를 제거하여 출력한다.
배경 필터링부(21)는 배경을 제거하기 위해 감시영역에서 미리 설정된 관심영역(Region of Interest: ROI)인 배경영역에 대한 데이터 필터링을 수행하고, RANSAC(RANdom SAmple Consensus)를 적용하여 포인트 클라우드의 배경이 되는 바닥점들을 제거한다.
클러스터링부(22)는 배경 필터링부(21)에서 배경이 제거된 포인트 클라우드를 입력받고, 상기 포인트 클라우드의 데이터들을 클러스터링하여 군집을 생성한다.
클러스터링부(22)는 포인트 클라우드의 포인트들 사이의 거리를 계산하여 특정 거리 이하일 경우 동일한 군집으로 간주하여 군집(클러스터)에 해당 포인트들을 클러스터링한다. 상기 클러스터링부(22)는 KD(K-Dimensional)Tree 기반 유클리드(Euclidean) 클러스터링 알고리즘이 적용될 수 있을 것이다.
객체 생성부(23)는 상기 클러스터링부(22)에 의해 생성된 군집(클러스터)을 객체로 간주하여 상기 군집에 대한 3D 포인트 클라우드 객체 데이터를 생성하여 제어모듈(30)로 출력한다.
제어모듈(30)은 모드 설정부(31), 배경 객체 등록부(32), 후보 객체 획득부(33), 탑뷰 생성부(34), 신규 객체 판단부(35) 및 객체 분류부(39)를 포함하고, 실시 예에 따라 이동 객체 판단부(36), 배경 업데이트부(37) 및 2D 변환부(38)를 더 포함할 수 있을 것이다.
제어모듈(30)은 배경 객체 등록모드에서 상기 객체 추출부를 통해 추출된 객체를 배경 객체로 상기 저장부(40)에 저장하여 등록하고, 감시모드에서 상기 라이다 데이터 획득부(10)를 통해 라이다로부터 실시간 획득되는 포인트 클라우드에 대해 상기 객체 추출부(20)로부터 입력되는 객체를 후보 객체로 설정하며, 상기 저장부(40)에 등록된 배경 객체와 상기 후보 객체의 겹침 정도에 따른 신규 객체의 검출을 판단하고, 신규 객체의 검출 판단 시 상기 신규 객체에 대한 객체 분류를 수행한다.
구체적으로 설명하면, 모드 설정부(31)는 배경 객체 등록 이벤트가 발생하는지 감시모드 이벤트가 발생하는지를 모니터링하고, 배경 객체 등록 이벤트가 발생되면 배경 객체 등록 모드를 설정하고, 감시모드 이벤트가 발생하면 감시모드를 설정한다. 상기 배경 객체 등록 이벤트 또는 감시모드 이벤트는 네트워크를 통해 연결된 관리자 단말기 또는 직접 연결된 입출력장치(미도시)를 통해 관리자에 의한 배경 객체 등록 요청 또는 감시모드 요청 시 발생될 수 있을 것이다. 또한 다른 실시 예로 배경 객체 등록 이벤트는 배경 객체가 등록되어 있지 않은 경우 발생하도록 구성될 수도 있고, 감시모드는 배경 객체의 등록 후 자동으로 발생하도록 구성될 수도 있을 것이다.
배경 객체 등록부(32)는 배경 객체 등록모드에서 동작하여, 객체 추출부(20)의 객체 생성부(23)로부터 입력되는 3D 포인트 클라우드 객체 데이터를 입력받고 상기 3D 포인트 클라우드 객체 데이터를 배경 객체로써 저장부(40)에 저장하여 등록한다. 상기 배경 객체는 없을 수도 있고, 한 개일 수도 있으며, 다수 개일 수도 있을 것이다.
후보 객체 획득부(33)는 감시모드에서 동작하여, 객체 추출부(20)의 객체 생성부(23)로부터 입력되는 3D 포인트 클라우드 객체 데이터를 입력받고 상기 3D 포인트 클라우드 객체 데이터를 후보 객체로써 저장부(40)에 저장한다.
탑뷰 생성부(34)는 등록된 배경 객체(311)들과 후보 객체(312)들을 조합한 조합 객체 포인트 클라우드를 생성하고, 상기 조합 객체 포인트 클라우드를 탑뷰 이미지로 변환한 후 신규 객체 판단부(35)로 출력한다.
도 2의 201에서 보이는 바와 같이 탑뷰 이미지로 변환한 조합 객체 포인트 클라우드의 배경 객체(311) 및 후보 객체(312) 각각은 위치정보(예: 배경 객체{(x1 a,y1 a),(x2 a,y2 a)}, 후보 객체{(x1 b, y1 b),(x2 b, y2 b)}를 포함한다. 상기 위치정보는 라이다를 기준으로 또는 라이다를 기준으로 미리 알고 있는 기준 좌표를 기준으로 포인트 클라우드의 방향, 거리 및 높이로부터 계산될 수 있을 것이다.
신규 객체 판단부(35)는 도 2의 201의 조합 객체(301)가 도 2의 202와 같이 모든 후보 객체(312)에 대해 배경 객체(311)와의 겹침 정도에 따라 상기 후보 객체(312)가 신규 객체인지를 판단한다. 상기 조합 객체(301)는 배경 객체(311), 후보 객체(312) 또는, 배경 객체(311)와 후보 객체(312)가 겹쳐져 있는 객체일 수 있을 것이다.
신규 객체 판단부(35)는 겹침이 없는 후보 객체(312), 즉 조합객체(301)가 단일의 후보 객체(312)인 경우 상기 후보 객체(312) 신규 객체로 판단하고, 조합객체(301)가 배경 객체(311) 및 후 후보 객체(312)가 조합된 객체이면 조합영역(Combine Region) 대비 겹침영역(Overlapping Region)의 비(IoU)가 미리 설정된 기준치(T)보다 작은 경우 신규 객체로 판단한다.
이동 객체 판단부(36)는 상기 신규 객체 판단부(35)에서 신규 객체로 판단된 후보 객체(312)가 움직임이 있는 객체인지를 판단한다.
배경 업데이터부(37)는 상기 이동 객체 판단부(36)를 통해 상기 신규 객체가 일정 시간 이상 움직임이 없는 객체인 것으로 판단되면 상기 신규 객체를 배경 객체로 간주하여 저장부(40)에 저장하여 배경 객체를 업데이트한다.
2D 변환부(33)는 도 3에 나타낸 바와 같이 신규 객체 판단부(35)에서 신규 객체로 판단되거나 이동 객체 판단부(36)를 통해 움직임이 있는 객체로 판단된 후보 객체에 대한 3D 포인트 클라우드 객체 데이터(1)를 주성분분석(Principal Component Analysis: PCA)를 적용하여 2D 데이터의 2D 객체(2)로 변환하여 객체 분류부(39)로 출력한다.
객체 분류부(39)는 상기 신규 객체 판단부(35)로부터 출력되는 3D 포인트 클라우드 데이터인 후보 객체, 2D 변환부(38)로부터 출력되는 2D 객체, 이동 객체 판단부(36)로부터 출력되는 후보 객체에 대한 객체 분류를 수행하고 그 결괏값인 분류값을 출력한다. 도 3의 경우 상기 분류값은 사람일 것이다.
도 4는 본 발명에 따른 고정형 라이다를 이용한 3D 이동 객체 검출 방법을 나타낸 흐름도이다.
도 4를 참조하면, 제어모듈(30)은 라이다 데이터 획득부(10)를 통해 라이다 데이터가 입력되는지를 검사한다(S111).
라이다 데이터가 입력되면 제어모듈(30)은 배경 (객체) 등록 모드인지를 판단한다(S113). 상기 배경 등록 모드인지는 저장부(40)에 배경 객체가 등록되어 있는지를 확인하여 알 수 있거나, 모드 설정부(31)를 통해 관리자로부터 배경 객체 등록 이벤트가 발생한 경우 모드 플래그(현재 모드가 배경 객체 등록 모드인지, 감시모드인지를 나타내는 플래그)를 확인하여 알 수 있을 것이다.
배경 등록 모드이면 제어모듈(30)은 객체 추출부(20)로부터 3D 포인트 클라우드 객체 데이터가 입력하는지를 검사하고(S115), 입력되는 하나 이상의 3D 포인트 클라우드 객체 데이터가 입력되면 상기 3D 포인트 클라우드 객체 데이터를 배경 객체로 간주하여 저장부(40)에 배경으로써 저장하여 등록한다(S119).
반면, 배경 객체 등록모드가 아닌 감시모드이면, 제어모듈(30)은 객체 추출부(20)로부터 3D 포인트 클라우드 객체 데이터가 입력하는지를 검사하고(S121), 입력되는 하나 이상의 3D 포인트 클라우드 객체 데이터가 입력되면 상기 3D 포인트 클라우드 객체 데이터를 후보 객체로 간주하여 저장부(40)에 저장한다(S123).
후보 객체가 저장되면 제어모듈(30)은 감시영역의 배경 객체 및 후보 객체들을 해당 위치에 배열한 3D 포인트 클라우드를 탑뷰 이미지로 변환한다(S125).
탑뷰 이미지가 생성되면 제어모듈(30)은 후보 객체와 배경 객체의 겹침 비율인 IoU(Intersection over Union)가 미리 설정된 기준치(T) 이내인 객체가 존재하는지를 판단한다(S127), 즉, 제어모듈(30)은 겹침이 없거나 겹침 정도가 상기 기준치 이내인 후보 객체의 존재 여부를 판단한다.
겹침 비율인 IoU가 기준치 미만인 후보 객체가 존재하지 않거나 Iou가 기준치 이상인 후보 객체가 존재하면 제어모듈(30)은 해당 후보 객체를 저장부(40)에서 삭제한다(S129).
그러나 IoU가 기준치 미만인 후보 객체가 존재하면 해당 객체를 신규 객체로 설정한다(S131).
신규 객체가 설정되면 제어모듈(30)은 상기 신규 객체가 움직임이 있는 객체인지를 판단한다(S133).
판단 결과, 미리 설정된 시간동안 움직임이 없으면 상기 신규 객체를 배경 객체로써 저장부(40)에 저장하여 저장부(40)에 저장된 배경 객체를 업데이트한다.
또한, 제어모듈(30)은 배경 객체에 대해 Iou가 T 이상인 후보 객체가 존재하지 않는 경우 배경 객체가 해당 배경에서 없어진 것으로 판단하여 저장부(40)의 해당 배경 객체를 삭제할 것이다.
움직임이 검출 되면 제어모듈(30)은 움직임을 검출한 신규 객체에 대한 3D 포인트 클라우드 객체 데이터를 2D 데이터인 신규 객체로 변환한(S137) 후, 상기 2D 데이터인 신규 객체에 대해 객체 분류부(39)를 통해 객체 분류를 수행한다(S139).
한편, 본 발명은 전술한 전형적인 바람직한 실시 예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 특허청구범위의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 보아야 한다.
10: 라이다 데이터 획득부 20: 객체 추출부
21: 배경 필터링부 22: 클러스터링부
23: 객체 생성부 30: 제어모듈
31: 모드 설정부 32: 배경 객체 등록부
33: 후보 객체 획득부 34: 탑뷰 생성부
35: 신규 객체 판단부 36: 이동 객체 판단부
37: 배경 업데이트부 38: 2D 변환부
39: 객체 분류부 40: 저장부
21: 배경 필터링부 22: 클러스터링부
23: 객체 생성부 30: 제어모듈
31: 모드 설정부 32: 배경 객체 등록부
33: 후보 객체 획득부 34: 탑뷰 생성부
35: 신규 객체 판단부 36: 이동 객체 판단부
37: 배경 업데이트부 38: 2D 변환부
39: 객체 분류부 40: 저장부
Claims (14)
- 고정형 라이다로부터 감시영역에 대한 포인트 클라우드를 수신받아 출력하는 라이다 데이터 획득부;
상기 감시영역의 배경이 제거된 움직임이 없는 객체에 대한 포인트 클라우드인 배경 객체를 저장하는 저장부;
상기 라이다 데이터 획득부로부터 포인트 클라우드를 입력받고, 상기 포인트 클라우드로부터 배경을 제거하여 객체를 추출한 후 출력하는 객체 추출부; 및
배경 객체 등록모드에서 상기 객체 추출부를 통해 배경이 제거된 후 추출된 객체 및 감시모드에서 배경이 제거된 후 일정 시간 움직임이 없는 객체를 배경 객체로 상기 저장부에 저장하고, 감시모드에서 상기 라이다 데이터 획득부를 통해 실시간 획득되는 포인트 클라우드에 대해 상기 객체 추출부로부터 입력되는 객체를 후보 객체로 설정하며, 상기 저장부에 저장된 배경 객체와 상기 후보 객체의 겹침 정도에 따른 신규 객체의 검출을 판단하고, 신규 객체의 검출 판단 시 상기 신규 객체에 대한 객체 분류를 수행하는 제어모듈을 포함하고,
상기 객체 추출부는,
상기 라이다 데이터 획득부로부터 입력되는 포인트 클라우드로부터 배경에 대한 포인트 클라우드를 제거하여 출력하는 배경 필터링부;
상기 배경 필터링부에서 배경이 제거된 포인트 클라우드의 포인트들을 클러스터링하여 군집을 생성한 후 출력하는 클러스터링부; 및
상기 클러스터링부에서 클러스터링된 군집을 객체로 추정하여 출력하는 객체 생성부를 포함하되,
상기 제어모듈은,
배경 객체 등록 이벤트 및 감시모드 이벤트 중 어느 하나의 발생에 따른 배경 객체 등록모드 및 감시모드 중 어느 하나를 설정하는 모드 설정부;
상기 배경 객체 등록모드에서 동작하여 상기 객체 생성부로부터 출력되는 배경이 제거된 객체 및 감시모드에서 배경이 제거된 객체들 중 일정 시간 움직임이 없는 객체 중 어느 하나 이상을 배경 객체로 상기 저장부에 저장하여 등록하는 배경 객체 등록부;
상기 감시모드에서 동작하여 상기 객체 생성부로부터 입력되는 객체를 후보 객체로 설정하여 출력하는 후보 객체 획득부;
상기 감시영역의 검출된 해당 위치에 놓인 후보 객체 및 배경 객체에 대한 탑뷰를 생성하여 출력하는 탑뷰 생성부;
상기 탑뷰의 후보 객체와 배경 객체의 겹침 정도에 따라 상기 후보 객체가 신규 객체인지를 판단하는 신규 객체 판단부; 및
상기 신규 객체 판단부에 의해 상기 후보 객체가 신규 객체로 판단되면 해당 후보 객체에 대한 객체 분류를 수행하는 객체 분류부를 포함하는 것을 특징으로 하는 고정형 라이다를 이용한 3D 이동 객체 검출 장치.
- 삭제
- 삭제
- 제1항에 있어서,
상기 제어모듈은,
상기 신규 객체 판단부를 통해 판단된 신규 객체에 대한 연속적인 위치 변화를 모니터링하여 상기 신규 객체가 움직이는 객체인지를 판단하는 이동 객체 판단부; 및
상기 신규 객체가 미리 설정된 시간동안 움직이지 않으면 배경 객체로 추가로 저장부에 저장하여 배경 객체를 업데이트하는 배경 업데이터부를 더 포함하고,
상기 객체 분류부는,
상기 신규 객체가 이동 객체 판단부를 통해 움직이는 객체인 것으로 판단되는 경우 상기 신규 객체에 대한 객체 분류를 수행하는 것을 특징으로 하는 고정형 라이다를 이용한 3D 이동 객체 검출 장치.
- 제4항에 있어서,
상기 제어모듈은,
상기 포인트 클라우드인 신규 객체를 2D 객체로 변환하여 출력하는 변환부를 더 포함하되,
상기 객체 분류부는,
상기 2D 객체에 대해 객체 분류를 수행하는 것을 특징으로 하는 고정형 라이다를 이용한 3D 이동 객체 검출 장치.
- 제5항에 있어서,
상기 변환부는,
상기 포인트 클라우드인 신규 객체를 PCA를 적용하여 2D 객체로 변환하여 출력하는 것을 특징으로 하는 고정형 라이다를 이용한 3D 이동 객체 검출 장치.
- 제1항에 있어서,
상기 신규 객체 판단부는,
탑뷰 상태에서 후보 객체와 배경 객체의 조합(합집합) 영역(Combine Region) 넓이 대비 후보 객체와 배경 객체가 겹쳐지는(교집합) 영역(Overlapping Region) 넓이의 비율(IoU)이 미리 설정된 크기(T)보다 작으면 상기 후보 객체를 신규 객체로 판단하는 것을 특징으로 하는 고정형 라이다를 이용한 3D 이동 객체 검출 장치.
- 라이다 데이터 획득부가 고정형 라이다로부터 감시영역에 대한 포인트 클라우드를 수신받아 출력하는 라이다 데이터 획득 과정;
객체 추출부가 상기 라이다 데이터 획득부로부터 포인트 클라우드를 입력받고, 상기 포인트 클라우드로부터 배경을 제거하여 객체를 추출한 후 출력하는 객체 추출 과정; 및
제어모듈이 배경 객체 등록모드에서 상기 객체 추출부를 통해 추출된 객체를 배경 객체로 저장부에 저장하고, 감시모드에서 상기 라이다 데이터 획득부를 통해 실시간 획득되는 포인트 클라우드에 대해 상기 객체 추출부로부터 입력되는 객체를 후보 객체로 설정하며, 상기 저장부에 저장된 배경 객체와 상기 후보 객체의 겹침 정도에 따른 신규 객체의 검출을 판단하고, 신규 객체의 검출 판단 시 상기 신규 객체에 대한 객체 분류를 수행하는 객체 분류 과정을 포함하고,
상기 객체 추출 과정은,
상기 객체 추출부가 배경 필터링부를 통해 상기 라이다 데이터 획득부로부터 입력되는 포인트 클라우드로부터 배경을 제거하여 출력하는 배경 필터링 단계;
상기 객체 추출부가 클러스터링부를 통해 상기 배경 필터링부에서 배경이 제거된 포인트 클라우드의 포인트들을 클러스터링하여 군집을 생성한 후 출력하는 클러스터링 단계; 및
상기 객체 추출부가 객체 생성부를 통해 상기 클러스터링부에서 클러스터링된 군집을 객체로 추정하여 출력하는 객체 생성 단계를 포함하되,
상기 객체 분류 과정은,
상기 제어모듈이 모드 설정부를 통해 배경 객체 등록 이벤트 및 감시모드 이벤트 중 어느 하나의 발생에 따른 배경 객체 등록모드 및 감시모드 중 어느 하나를 설정하는 모드 설정 단계;
상기 제어모듈이 상기 배경 객체 등록모드에서 동작하여 상기 객체 생성부로부터 출력되는 배경이 제거된 객체 및 감시모드에서 배경이 제거된 객체 중 일정 시간 움직임이 없는 객체 중 어느 하나 이상을 배경 객체로 상기 저장부에 저장하여 등록하는 배경 객체 등록 단계;
상기 제어모듈이 감시모드에서 상기 라이다 데이터 획득부를 통해 실시간 획득되는 포인트 클라우드에 대해 상기 객체 추출부로부터 입력되는 객체를 후보 객체로 설정하며, 상기 저장부에 저장된 배경 객체와 상기 후보 객체의 겹침 정도에 따른 신규 객체의 검출을 판단하고, 신규 객체의 검출 판단 시 상기 신규 객체에 대한 객체 분류를 수행하는 객체 분류 단계를 포함하는 것을 특징으로 하는 고정형 라이다를 이용한 3D 이동 객체 검출 방법.
- 삭제
- 삭제
- 제8항에 있어서,
상기 객체 분류 단계는,
상기 제어모듈이 후보 객체 획득부를 통해 상기 감시모드에서 동작하여 상기 객체 생성부로부터 입력되는 객체를 후보 객체로 설정하여 출력하는 후보 객체 획득 단계;
상기 제어모듈이 탑뷰 생성부를 통해 상기 감시영역의 검출된 해당 위치에 놓인 후보 객체 및 배경 객체에 대한 탑뷰를 생성하여 출력하는 탑뷰 생성 단계;
상기 제어모듈이 신규 객체 판단부를 통해 상기 탑뷰의 후보 객체와 배경 객체의 겹침 정도에 따라 사기 후보 객체가 신규 객체인지를 판단하는 신규 객체 판단 단계; 및
상기 제어모듈이 객체 분류부를 통해 상기 신규 객체 판단부에 의해 상기 후보 객체가 신규 객체로 판단되면 해당 후보 객체에 대한 객체 분류를 수행하는 분류 단계를 포함하는 것을 특징으로 하는 고정형 라이다를 이용한 3D 이동 객체 검출 방법.
- 제11항에 있어서,
상기 객체 분류 단계는,
상기 제어모듈이 이동 객체 판단부를 통해 상기 신규 객체 판단부에 의해 판단된 신규 객체에 대한 연속적인 위치 변화를 모니터링하여 상기 신규 객체가 움직이는 객체인지를 판단하는 이동 객체 판단 단계; 및
상기 제어모듈이 배경 업데이트부를 통해 상기 신규 객체가 미리 설정된 시간동안 움직이지 않으면 배경 객체로 추가로 저장부에 저장하여 배경 객체를 업데이트하는 배경 업데이터 단계를 더 포함하고,
상기 분류 단계에서 상기 제어모듈이 객체 분류부를 통해 상기 신규 객체가 이동 객체 판단부를 통해 움직이는 객체인 것으로 판단되는 경우 상기 신규 객체에 대한 객체 분류를 수행하는 것을 특징으로 하는 고정형 라이다를 이용한 3D 이동 객체 검출 방법.
- 제12항에 있어서,
상기 객체 분류 단계는,
상기 제어모듈이 상기 포인트 클라우드인 신규 객체를 2D 객체로 변환하여 출력하는 변환 단계를 더 포함하되,
상기 분류 단계에서 상기 제어모듈이 객체 분류부를 통해 상기 2D 객체에 대해 객체 분류를 수행하는 것을 특징으로 하는 고정형 라이다를 이용한 3D 이동 객체 검출 방법.
- 제11항에 있어서,
상기 신규 객체 판단 단계는,
상기 신규 객체 판단부가 탑뷰 상태에서 후보 객체와 배경 객체의 조합(합집합) 영역(Combine Region) 넓이 대비 후보 객체와 배경 객체가 겹쳐지는(교집합) 영역(Overlapping Region) 넓이의 비율(IoU)이 미리 설정된 크기(T)보다 작으면 상기 후보 객체를 신규 객체로 판단하는 것을 특징으로 하는 고정형 라이다를 이용한 3D 이동 객체 검출 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230118848A KR102638384B1 (ko) | 2023-09-07 | 2023-09-07 | 고정형 라이다를 이용한 3d 이동 객체 검출 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230118848A KR102638384B1 (ko) | 2023-09-07 | 2023-09-07 | 고정형 라이다를 이용한 3d 이동 객체 검출 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102638384B1 true KR102638384B1 (ko) | 2024-02-20 |
Family
ID=90056574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230118848A KR102638384B1 (ko) | 2023-09-07 | 2023-09-07 | 고정형 라이다를 이용한 3d 이동 객체 검출 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102638384B1 (ko) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220078029A (ko) * | 2020-12-03 | 2022-06-10 | 충북대학교 산학협력단 | 3d 라이다를 이용한 비정형 객체 검출 시스템 및 그 방법 |
KR20220130513A (ko) * | 2021-03-18 | 2022-09-27 | 순천향대학교 산학협력단 | 라이더를 이용하는 가려진 객체 탐지 방법 및 장치 |
KR20230014403A (ko) * | 2021-07-21 | 2023-01-30 | 주식회사 신세계아이앤씨 | 라이다 기반 객체 추적 시스템 및 방법 |
JP2023123247A (ja) * | 2022-02-24 | 2023-09-05 | 株式会社日立ソリューションズ東日本 | 分類装置、分類方法およびプログラム |
-
2023
- 2023-09-07 KR KR1020230118848A patent/KR102638384B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220078029A (ko) * | 2020-12-03 | 2022-06-10 | 충북대학교 산학협력단 | 3d 라이다를 이용한 비정형 객체 검출 시스템 및 그 방법 |
KR102559196B1 (ko) | 2020-12-03 | 2023-07-25 | 충북대학교 산학협력단 | 3d 라이다를 이용한 비정형 객체 검출 시스템 및 그 방법 |
KR20220130513A (ko) * | 2021-03-18 | 2022-09-27 | 순천향대학교 산학협력단 | 라이더를 이용하는 가려진 객체 탐지 방법 및 장치 |
KR20230014403A (ko) * | 2021-07-21 | 2023-01-30 | 주식회사 신세계아이앤씨 | 라이다 기반 객체 추적 시스템 및 방법 |
JP2023123247A (ja) * | 2022-02-24 | 2023-09-05 | 株式会社日立ソリューションズ東日本 | 分類装置、分類方法およびプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104303193B (zh) | 基于聚类的目标分类 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
KR101593187B1 (ko) | 3차원 영상 정보를 이용한 이상 행동 감시 장치 및 방법 | |
Rakibe et al. | Background subtraction algorithm based human motion detection | |
JP5325899B2 (ja) | 侵入警報ビデオ処理装置 | |
KR101788269B1 (ko) | 이상 상황을 감지하는 장치 및 방법 | |
KR101884611B1 (ko) | 이동객체의 메타데이터 필터링을 이용한 cctv 영상의 관심객체 추출 방법 | |
Kumar et al. | Study of robust and intelligent surveillance in visible and multi-modal framework | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
WO2022078182A1 (zh) | 抛出位置获取方法、装置、计算机设备及存储介质 | |
CN111161312B (zh) | 一种基于计算机视觉的物体轨迹追踪识别装置及*** | |
WO2007086926A2 (en) | Human detection and tracking for security applications | |
CN112800860A (zh) | 一种事件相机和视觉相机协同的高速抛撒物检测方法和*** | |
KR101062225B1 (ko) | 감시 카메라를 이용한 지능형 영상 검색 방법 및 시스템 | |
CN102034240A (zh) | 一种静态前景检测和跟踪方法 | |
CN112770090A (zh) | 一种基于异动检测与目标跟踪的监控方法 | |
KR101492059B1 (ko) | 평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템 | |
Kent et al. | Robust background subtraction for automated detection and tracking of targets in wide area motion imagery | |
CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
Sharma et al. | Automatic vehicle detection using spatial time frame and object based classification | |
US20200394802A1 (en) | Real-time object detection method for multiple camera images using frame segmentation and intelligent detection pool | |
Qureshi et al. | Highway traffic surveillance over uav dataset via blob detection and histogram of gradient | |
Ekinci et al. | Background estimation based people detection and tracking for video surveillance | |
KR102638384B1 (ko) | 고정형 라이다를 이용한 3d 이동 객체 검출 장치 및 방법 | |
CN116886874A (zh) | 一种生态园安防监控预警数据的采集方法及其*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |