KR20140132140A - 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치 - Google Patents

군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치 Download PDF

Info

Publication number
KR20140132140A
KR20140132140A KR20130051269A KR20130051269A KR20140132140A KR 20140132140 A KR20140132140 A KR 20140132140A KR 20130051269 A KR20130051269 A KR 20130051269A KR 20130051269 A KR20130051269 A KR 20130051269A KR 20140132140 A KR20140132140 A KR 20140132140A
Authority
KR
South Korea
Prior art keywords
trajectory
feature point
trajectories
abnormal
similarity
Prior art date
Application number
KR20130051269A
Other languages
English (en)
Other versions
KR101472674B1 (ko
Inventor
김문현
김규진
이재정
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020130051269A priority Critical patent/KR101472674B1/ko
Publication of KR20140132140A publication Critical patent/KR20140132140A/ko
Application granted granted Critical
Publication of KR101472674B1 publication Critical patent/KR101472674B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 실시예들에 따른 영상 감시 장치는 영상 프레임들로부터 전경을 추출하는 전경 추출부, 카나데-루카스-토마시 알고리즘을 이용하여 전경으로부터 추출되는 특징점들을 기초로, 길이 정보, 좌표 정보 및 방향 정보로써 표현되는 특징점 궤적들을 추출하는 특징점 궤적 추출부, 추출된 특징점 궤적들의 각각에 대해, 다른 특징점 궤적들과의 길이 유사도, 좌표 유사도 및 방향 유사도를 기준으로, 군중 행동을 판정하기 위한 특징점 궤적들을 선별하는 궤적 선별부 및 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 궤적 분류부를 포함할 수 있다.

Description

군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치{METHOD AND APPARATUS FOR VIDEO SURVEILLANCE BASED ON DETECTING ABNORMAL BEHAVIOR USING EXTRACTION OF TRAJECTORIES FROM CROWD IN IMAGES}
본 발명은 컴퓨터 비전 기술에 관한 것으로, 더욱 상세하게는, 영상 감시 기술에 관한 것이다.
대규모 CCTV 시스템의 경우에 수십 개에서 수백 개에 이르는 영상들을 관리요원들이 모니터링하여야 하므로 대단히 많은 인원이 소요되면서도 감시 요원의 집중력 저하나 피로, 임의적인 판단에 따라 중요한 상황을 놓치는 경우가 종종 있을 뿐 아니라, 엄청난 시간의 영상을 저장하는 문제에서도 곤란한 점이 많다.
따라서 공공 장소를 감시하기 위해 CCTV 카메라로 공공 장소를 촬영하고 자동으로 영상을 분석하여 불특정 다수의 물체들을 추출하고 움직임을 분석하여 비정상적인 움직임이 감지될 경우에 자동으로 관리자에게 경고하거나 그 밖의 연계된 자동화 시스템에 정보를 전달하는 지능형 영상 감시 시스템에 대한 요구가 점점 커지고 있다.
종래의 지능형 영상 감시 시스템들은 먼저 영상으로부터 개별적인 물체들을 추출하고 추출된 개별 물체들을 추적하여 궤적을 획득하며, 궤적을 분석하여 개별 물체의 움직임을 추정한다. 이어서, 물체의 추정된 움직임이 정상적인지 아닌지 여부가 분석된다.
이러한 종래의 시스템들은 물체의 추출, 추적, 궤적 분석 및 움직임 추정 단계를 거치면서 대단히 많은 연산이 필요하고 오류도 적지 않다.
예를 들어, 광장이나 공원, 기차역, 운동장 등 군중들이 밀집하는 곳을 감시하는 경우에, 종래의 지능형 영상 감시 시스템들로써 오브젝트들을 추출하고 분석하는 것은 쉽지 않다.
본 발명이 해결하고자 하는 과제는 연산 효율적인 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치를 제공하는 데에 있다.
본 발명의 일 측면에 따른 영상 감시 장치는,
영상 프레임들로부터 전경을 추출하는 전경 추출부;
카나데-루카스-토마시 알고리즘을 이용하여 상기 전경으로부터 추출되는 특징점들을 기초로, 길이 정보, 좌표 정보 및 방향 정보로써 표현되는 특징점 궤적들을 추출하는 특징점 궤적 추출부;
상기 추출된 특징점 궤적들의 각각에 대해, 다른 특징점 궤적들과의 길이 유사도, 좌표 유사도 및 방향 유사도를 기준으로, 군중 행동을 판정하기 위한 특징점 궤적들을 선별하는 궤적 선별부; 및
상기 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 궤적 분류부를 포함할 수 있다.
일 실시예에 따라, 상기 궤적 분류부는 상기 선별된 특징점 궤적들의 각각의 길이 정보와 방향 정보에 기초하여 정상 궤적 또는 비정상 궤적으로 분류하도록 동작할 수 있다.
일 실시예에 따라, 상기 궤적 분류부는 상기 선별된 특징점 궤적마다 선형적으로 아래 수학식
Figure pat00001
의 비정상 지수 Tg을 연산하고, 상기 비정상 지수 Tg를 소정의 문턱값에 비교하여 정상 궤적 또는 비정상 궤적으로 분류하도록 동작하며,
여기서 가중치 α는 0≤α≤1, Tlength는 궤적의 길이 정보, Tdirection은 궤적의 방향 정보일 수 있다.
일 실시예에 따라, 상기 궤적 분류부는
상기 선별된 특징점 궤적들의 각각을, 예제 패턴들을 이용한 학습에 기초하여, 정상 궤적 또는 비정상 궤적으로 분류하도록 동작할 수 있다.
일 실시예에 따라, 상기 영상 감시 장치는,
상기 분류된 비정상 궤적들을 기초로 비정상 상황 여부를 판정하는 비정상 상황 판정부를 더 포함할 수 있다.
일 실시예에 따라,
상기 비정상 상황 판정부는 상기 선별된 특징점 궤적들 대비 비정상 궤적들의 비율에 따라 비정상 상황 여부를 판정하도록 동작할 수 있다.
일 실시예에 따라, 상기 전경 추출부는 가우시안 혼합 모델에 기초한 적응적 배경 모델을 이용하여 영상으로부터 배경을 차감함으로써 전경을 추출하도록 동작할 수 있다.
일 실시예에 따라, 상기 궤적 선별부는,
연속하는 두 프레임들 중 제1 프레임 내의 제1 궤적에 관하여, 제2 프레임 내의 제2 궤적들와의 길이 유사도, 좌표 유사도 및 방향 유사도를 각각 연산하고, 연산된 길이 유사도, 좌표 유사도 및 방향 유사도가 각각 소정의 문턱값들보다 높은 제2 궤적들이 소정 개수 이상 존재하면, 상기 제1 궤적을 선별하고, 그렇지 않으면 상기 제1 궤적을 버리도록 동작할 수 있다.
일 실시예에 따라, 상기 궤적 선별부는, 길이 유사도를 기초로 선별된 특징점 궤적들을 대상으로 좌표 유사도를 연산하고,
좌표 유사도를 기초로 선별된 특징점 궤적들을 대상으로 방향 유사도를 연산하도록 동작할 수 있다.
본 발명의 다른 측면에 따른 영상 감시 방법은,
영상 프레임들로부터 전경을 추출하는 단계;
카나데-루카스-토마시 알고리즘을 이용하여 상기 전경으로부터 추출되는 특징점들을 기초로, 길이 정보, 좌표 정보 및 방향 정보로써 표현되는 특징점 궤적들을 추출하는 단계;
상기 추출된 특징점 궤적들의 각각에 대해, 다른 특징점 궤적들과의 길이 유사도, 좌표 유사도 및 방향 유사도를 기준으로, 군중 행동을 판정하기 위한 특징점 궤적들을 선별하는 단계; 및
상기 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 단계는,
상기 선별된 특징점 궤적들의 각각의 길이 정보와 방향 정보에 기초하여 정상 궤적 또는 비정상 궤적으로 분류하는 단계를 포함 수 있다.
일 실시예에 따라, 상기 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 단계는,
상기 선별된 특징점 궤적마다 선형적으로 아래 수학식
Figure pat00002
의 비정상 지수 Tg을 연산하고, 상기 비정상 지수 Tg를 소정의 문턱값에 비교하여 정상 궤적 또는 비정상 궤적으로 분류하는 단계를 포함하며,
여기서 가중치 α는 0≤α≤1, Tlength는 궤적의 길이 정보, Tdirection은 궤적의 방향 정보일 수 있다.
일 실시예에 따라, 상기 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 단계는,
상기 선별된 특징점 궤적들의 각각을, 예제 패턴들을 이용한 학습에 기초하여, 정상 궤적 또는 비정상 궤적으로 분류하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 분류된 비정상 궤적들을 기초로 비정상 상황 여부를 판정하는 단계를 더 포함할 수 있다.
일 실시예에 따라, 상기 분류된 비정상 궤적들을 기초로 비정상 상황 여부를 판정하는 단계는,
상기 선별된 특징점 궤적들 대비 비정상 궤적들의 비율에 따라 비정상 상황 여부를 판정하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 영상 프레임들로부터 전경을 추출하는 단계는,
가우시안 혼합 모델에 기초한 적응적 배경 모델을 이용하여 영상으로부터 배경을 차감함으로써 전경을 추출하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 특징점 궤적들을 선별하는 단계는,
연속하는 두 프레임들 중 제1 프레임 내의 제1 궤적에 관하여, 제2 프레임 내의 제2 궤적들와의 길이 유사도, 좌표 유사도 및 방향 유사도를 각각 연산하는 단계; 및
상기 연산된 길이 유사도, 좌표 유사도 및 방향 유사도가 각각 소정의 문턱값들보다 높은 제2 궤적들이 소정 개수 이상 존재하면, 상기 제1 궤적을 선별하고, 그렇지 않으면 상기 제1 궤적을 버리는 단계를 포함 수 있다.
일 실시예에 따라, 상기 특징점 궤적들을 선별하는 단계는,
길이 유사도를 기초로 선별된 특징점 궤적들을 대상으로 좌표 유사도를 연산하는 단계; 및
좌표 유사도를 기초로 선별된 특징점 궤적들을 대상으로 방향 유사도를 연산하는 단계를 포함할 수 있다.
본 발명의 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치에 따르면, 밀집한 군중 속에 일정한 움직임들이 관찰되는 중에 갑작스런 움직임이 식별되는 경우에 만약 비정상 행동으로 판정될 경우에 관리자에게 보고할 수 있다.
본 발명의 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치에 따르면, 종래에 먼저 물체를 추적하여 얻은 궤적을 분석하고 행동의 비정상 여부를 판정하던 방식에 비해, 개별 물체를 추적하는 대신에 전경의 특징점들의 궤적들을 집단적으로 분석하여 비정상적인 궤적이 감지될 경우에만 관리자에게 통보하거나 별도의 영상 인식 시스템을 통해 비정상적 궤적을 보이는 물체만을 추적하게 하는 방식으로서, 최종적으로 실제로 비정상적 상황이 발생하였는지 판단은 관리자가 수행하도록 하거나, 또는 그러한 판단을 기계에 의존하더라도 비정상적인 상황에서만 상황 판단을 수행하도록 함으로써, 연산량, 복잡도와 정확도를 모두 충족할 수 있다.
도 1은 본 발명의 일 실시예에 따른 군중 궤적 추출을 이용하여 비정상 행동을 검출할 수 있는 영상 감시 장치를 예시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법을 예시한 순서도이다.
본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 군중 궤적 추출을 이용하여 비정상 행동을 검출할 수 있는 영상 감시 장치를 예시한 블록도이다.
본 발명의 특징을 설명하기에 앞서 기존의 방식을 먼저 설명하자면, 기존의 지능형 영상 감시 장치에서 채택되고 있는 방식에서는 먼저 영상으로부터 개별 물체들이 추출된다. 개별적인 물체들은 개별적으로 추적되며, 추적을 통해 얻은 개별 물체의 궤적이 획득된다. 시간의 흐름에 따라 궤적이 구체화되면, 궤적을 분석하여 정상 행동인지 비정상적인 행동인지 여부를 판정하고, 비정상적인 행동이라고 판정되면 관리자에게 통보한다. 지능형 영상 감시 장치가 개별 물체의 행동들을 모두 감지하고 나아가 정상 여부 판단까지 하기 때문에 연산량이 많고 복잡할 수 밖에 없으며 그럼에도 정확도는 떨어진다.
이에 비해, 본 발명의 군중 궤적 추출을 이용한 비정상 행동 검출 방법과 영상 감시 장치는, 개별 물체를 추적하는 대신에, 배경과 분리된 전경 전체의 특징점들의 궤적들을 집단적으로 분석하고, 예를 들어 국부적으로 갑작스럽게 궤적의 경향이 변동한다거나 비정상적이라고 미리 특정된 궤적이 나타날 경우에, 그 위치에서 어떤 종류의 비정상적 상황이 발생하고 있을 가능성이 크다고 판단하고 이를 관리자에게 통보하거나 추가적인 영상 인식 모듈에서 비정상적 궤적에 관련된 부분에서만 영상 분석을 수행한다.
이렇듯 본 발명의 비정상 행동 검출 방법 및 영상 감지 장치는 비정상적 상황이 있을 가능성을 판단하고 이를 관리자에게 알리는 역할까지만 제한적으로 수행하고 실제로 비정상적 상황이 발생하였는지 나아가 어떤 상황인지를 판단하는 것은 관리자의 몫으로 남겨두거나, 또는 관리자 개입 없이 직접 상황을 판단하더라도 비정상적 궤적에 관련된 부분에서만 영상 분석을 수행하기 때문에, 연산량을 크게 줄이면서 정확도를 확보할 수 있다.
도 1을 참조하면, 영상 감지 장치(10)는 전경 추출부(11), 특징점 궤적 추출부(12), 궤적 선별부(13), 궤적 분류부(14) 및 비정상 상황 판정부(15)를 포함한다.
먼저 전경 추출부(11)는 카메라 또는 그 밖의 영상 소스로부터 제공되는 영상 프레임들로부터 배경(background)을 제거하고 전경(foreground)을 추출한다.
전경은 영상 프레임에서 배경을 제외한 모든 부분 영상들을 포괄하는 개념으로, 본 발명에서는 전경을 개별 오브젝트들로 구분하지 않고 집합적으로 취급한다.
연속하는 영상 프레임들로부터 배경을 제거하기 위해서, 예를 들어 연속하는 영상들에서 변하지 않는 부분을 배경으로 보고 이를 제거하는 차영상 기법, 소정 시간 동안의 영상 프레임들의 누적이나 학습을 통한 배경 모델링 기법 또는 가우시안 혼합 모델과 같은 적응적 배경 모델링 기법 등의 다양한 주지된 배경 모델링 기법을 이용할 수 있다.
기존의 영상 감시 시스템은 오브젝트들을 식별하기 위해 전경을 추출하기 때문에는 배경 모델링의 정교함이 전체 성능에 큰 영향을 주는 것과 달리, 본 발명의 영상 감시 시스템은 추출된 전경 전체를 집합적으로 이용하므로 정교한 배경 모델링이나 정확한 오브젝트 추출이 반드시 요구되는 것은 아니라는 장점이 있다.
전경 추출부(11)에서 추출된 전경 데이터는 영상 내에 존재하는 움직이는 물체들의 픽셀 일부를 누락할 수도 있고, 부분적으로는 실제로는 배경에 속하는 픽셀들도 포함할 수도 있겠지만, 이러한 오차는 이후의 궤적 선별 연산 단계들이 수행되는 중에서 효과적으로 제거될 수 있다.
바람직하게는 전경 추출부(11)는 가우시안 혼합 모델에 기초하는 적응적 배경 모델을 이용하여 전경을 추출한다.
가우시안 혼합 모델에 기초한 적응적 배경 모델은 날씨나 그림자, 광원의 변화, 짧은 시간 동안의 물체들의 등장과 사라짐에 영향을 받지 않고 배경을 분리할 수 있다.
이제, 전경 추출부(11)에서 추출된 전경 데이터는 특징점 궤적 추출부(12)에 제공된다.
특징점 궤적 추출부(12)는 카나데-루카스-토마시 알고리즘을 이용하여 전경 데이터로부터 추출되는 특징점들(features)을 기초로, 길이 정보, 좌표 정보 및 방향 정보로써 표현되는 특징점 궤적들(trajectories)을 추출한다.
특징점들은 연속하는 영상 프레임들의 전경 데이터들 사이의 유의미한 궤적을 추출하기 위한 기준점들로서, 일반적으로 영상 내에서 움직이는 물체의 추적을 위한 특징점은 주변의 픽셀들과 구분되는 특징을 가지는 픽셀이다.
특징점들을 추출하는 일반적인 기법으로는 SIFT(Scale Invariant Feature Transforms), 해리스 코너 검출기(Harris corner detector), 포스트너 검출기(Forstner detector), 카나데-루카스-토마시 알고리즘(KLT, Kanade-Lucas-Tomasi) 등이 알려져 있다.
이 중에서, 카나데-루카스-토마시 알고리즘은 연속적인 영상 프레임에서 영상 조각들(image patches)을 반복적으로 정렬하는 경사도 강하법(gradient descent method)를 사용하는 특징점 추적 이론을 기반으로, 두 영상 사이에서 변환 관계를 명확하게 규정할 수 있는 어파인 변환식(affine transforms)에 의한 추정 연산자 개념을 추가한 알고리즘으로서, 연속된 영상 프레임들(또는 스테레오 비전 영상들)에서 모서리들을 검출하고 그렇게 검출된 모서리들 중에서 특히 서로 상관 관계가 높은 모서리들을 특징점으로 하여 두 영상 사이에서 영상 추적(또는 매칭)을 효과적으로 할 수 있도록 제안되었다.
특히 KLT 알고리즘은 밝기 항상성(Brightness constancy), 시간 지속성(Temporal persistence), 공간 일관성(Spatial coherence)을 내재적으로 가정한다. 밝기 항상성은 장면 내에서 한 오브젝트에 속하는 픽셀이 변하지 않는다는 가정이고, 시간 지속성은 영상 조각의 움직임이 시간적으로 느리게 변한다는 가정이며, 공간 일관성은 동일한 표면에 속하는 이웃하는 점들은 유사한 움직임을 가진다는 가정이다.
이에 따라 KLT 알고리즘에 의해 추출되는 시간적으로 연속하는 두 프레임의 특징점들 사이의 궤적 데이터는 길이 정보, 좌표 정보 및 방향 정보를 가지고 표현될 수 있다.
본 발명의 특징점 궤적 추출부(12)는 KLT 알고리즘을 이용하여 연속하는 영상 프레임들에서 각각 추출된 전경 데이터들로부터 각각 특징점들을 추출하고, 연속하는 프레임들의 각각마다 추출된 특징점들의 각각에 관하여 특징점 궤적들을 각각 생성한다.
본 발명에서 궤적이란 두 개의 연속하는 영상 프레임들 내에서 동일한 현실 세계의 피사체에 매칭되는 두 특징점들을 잇는 직선이다. 본 명세서의 전반에 걸쳐, 특징점 궤적은 단순히 궤적이라고도 표현될 수 있다. 또한, 어떤 프레임 내의 궤적이라 함은 그 프레임에 속하는 특징점으로부터 다음 프레임에 속하는 특징점으로 이어지는 궤적을 의미한다.
KLT 알고리즘에 의해 추출되는 특징점들은 본질적으로 연속하는 두 프레임들 사이에서 상관 관계가 있는 특징점들이므로, 특징점 추출과 동시에, 연속하는 두 프레임들의 전경 데이터에서 상관 관계를 가진 두 특징점들 사이의 궤적이 생성될 수 있다.
이러한 특징점 궤적들은 실질적으로 영상 내의 배경 위에서 움직이는 물체들의 총체적인 흐름을 표현한다. 예를 들어 많은 사람들이 등장하지만 사람들이 움직이는 대략적인 방향은 몇 개의 방향으로 추려지는 지하철역과 같은 어떤 공공 장소를 감시한다고 가정하면, 전경 데이터에는 많은 수의 사람 오브젝트들이 내포되어 있을 것이고 각 오브젝트들은 다수의 특징점들을 가지기 때문에 특징점 궤적 추출부(12)가 추출하는 특징점들의 수와 특징점 궤적들도 많을 것이다.
하지만, 이어서 논의되는 바와 같이, 특징점 궤적들이 아무리 많다고 하더라도 노이즈인 특징점 궤적들을 제외하면, 사람들이 주로 움직이는 몇 개의 방향들과 일치하는 특징점 궤적들 및 그 밖의 특징점 궤적들로 그룹화될 수 있다.
이를 위해, 궤적 선별부(13)는, KLT 알고리즘에 의해 제공된 특징점 궤적 데이터가 가지는 길이 정보, 좌표 정보 및 방향 정보를 가진다는 점을 이용하여, 특징점 궤적 추출부(12)에서 추출된 특징점 궤적들의 각각에 대해, 다른 특징점 궤적들과의 길이 유사도, 좌표 유사도 및 방향 유사도를 기준으로, 군중 행동을 판정하기 위한 특징점 궤적들을 선별한다.
예를 들어, 다른 특징점 궤적들과의 세 가지 유사도 모두가 소정의 유사도 문턱값들보다 높거나, 적어도 한 가지의 유사도가 소정의 유사도 문턱값보다 높은 특징점 궤적이 선별된다.
구체적으로, 먼저 궤적 선별부(13)는 연속하는 두 프레임들 중 제1 프레임 내의 어떤 궤적 ti에 관하여, 제2 프레임 내의 궤적들 tj와의 길이 유사도를 연산하고, 연산된 길이 유사도가 소정의 문턱값보다 높은 궤적들 tj가 소정 개수 이상 존재하면, 해당 궤적 ti를 선별하고, 그렇지 않으면 궤적 ti를 버린다.
예를 들어, 궤적 선별부(13)는 현재 프레임의 궤적 ti에 대해 길이 유사도가 높은 궤적 tj를 다음 프레임 내의 궤적들 중에서 찾거나, 반대로 현재 프레임의 궤적 ti에 대해 길이 유사도가 높은 궤적 tj를 이전 프레임 내의 궤적들 중에서 찾을 수 있다.
길이 유사도는 두 궤적들 ti, tj의 길이 정보가 얼마나 근접한지에 따라 측정될 수 있다.
만약 연속하는 두 프레임들 중 제1 프레임 내의 어떤 궤적 ti에 관하여, 제2 프레임 내의 궤적들 중에 길이 유사도가 소정의 문턱값보다 높은 궤적 tj의 개수가 소정 개수 미만이라면, 예를 들어 0 개라면, 제1 프레임 내의 궤적 ti는 동영상을 구성하는 초당 수 십 프레임들 중에 그 프레임에서만 존재하는 궤적을 의미하므로, 실제 오브젝트들의 움직임을 반영하는 궤적이 아니라고 할 수 있다. 따라서, 이러한 궤적은 전경 추출과 궤적 추출 과정에서 해당 프레임 내에서만 불가피하게 생긴 아티팩트(artifact)로 간주되어 제거될 수 있다.
다음으로, 궤적 선별부(13)는 연속하는 두 프레임들 중 제1 프레임 내의 어떤 궤적 ti에 관하여, 제2 프레임 내의 궤적들 tj와의 좌표 유사도를 연산하고, 연산된 좌표 유사도가 소정의 문턱값보다 높은 궤적들 tj가 소정 개수 이상 존재하면, 해당 궤적 ti를 선별하고, 그렇지 않으면 궤적 ti를 버린다.
예를 들어, 궤적 선별부(13)는 현재 프레임의 궤적 ti에 대해 좌표 유사도가 높은 궤적 tj를 다음 프레임 내의 궤적들 중에서 찾거나, 반대로 현재 프레임의 궤적 ti에 대해 좌표 유사도가 높은 궤적 tj를 이전 프레임 내의 궤적들 중에서 찾을 수 있다.
좌표 유사도는 두 궤적들 ti, tj의 좌표 정보가 얼마나 근접한지에 따라, 예를 들어 소정 반지름의 원 안에 있는지, 또는 각 좌표축 기준으로 소정 범위 내에 있는지 여부에 따라, 측정될 수 있다.
이때, 실시예에 따라 이러한 좌표 유사도 선별 연산은 앞서 길이 유사도 선별 연산을 성공적으로 통과한 궤적들 ti에 대해서만 수행될 수도 있다.
만약 연속하는 두 프레임들 중 제1 프레임 내의 어떤 궤적 ti에 관하여, 제2 프레임 내의 궤적들 중에 좌표 유사도가 소정의 문턱값보다 높은 궤적 tj의 개수가 소정 개수 미만이라면, 예를 들어 0 개라면, 이러한 궤적은 아티팩트이거나, 그렇지 않더라도 행동 판정에 부적합한 약한 궤적으로 간주되어 제거될 수 있다.
마지막으로, 궤적 선별부(13)는 연속하는 두 프레임들 중 제1 프레임 내의 어떤 궤적 ti에 관하여, 제2 프레임 내의 궤적들 tj와의 방향 유사도를 연산하고, 연산된 방향 유사도가 소정의 문턱값보다 높은 궤적들 tj가 소정 개수 이상 존재하면, 해당 궤적 ti를 선별하고, 그렇지 않으면 궤적 ti를 버린다.
예를 들어, 궤적 선별부(13)는 현재 프레임의 궤적 ti에 대해 방향 유사도가 높은 궤적 tj를 다음 프레임 내의 궤적들 중에서 찾거나, 반대로 현재 프레임의 궤적 ti에 대해 방향 유사도가 높은 궤적 tj를 이전 프레임 내의 궤적들 중에서 찾을 수 있다.
이때, 실시예에 따라 이러한 방향 유사도 선별 연산은 앞서 길이 유사도 선별 연산 및 좌표 유사도 선별 연산을 성공적으로 통과한 궤적들 ti에 대해서만 수행될 수도 있다.
방향 유사도는 두 궤적들 ti, tj의 방향 정보가 얼마나 근접한지, 예를 들어 코사인 유사도에 따라 측정될 수 있다.
만약 연속하는 두 프레임들 중 제1 프레임 내의 어떤 궤적 ti에 관하여, 제2 프레임 내의 궤적들 중에 방향 유사도가 소정의 문턱값보다 높은 궤적 tj의 개수가 소정 개수 미만이라면, 예를 들어 0 개라면, 이러한 궤적도 아티팩트이거나, 그렇지 않더라도 행동 판정에 부적합한 약한 궤적으로 간주되어 제거될 수 있다.
궤적 선별부(13)는 이러한 길이 유사도, 좌표 유사도 및 방향 유사도 선별 연산을 통해 정상 행동과 비정상 행동을 판정하기 위한 대상이 되는 궤적들의 수를 크게 줄일 수 있다.
예를 들어, 어떤 공원의 산책로를 따라 수 십명의 사람들이 대체로 한 방향으로 움직이고 있는 장면을 촬영한 영상으로부터 가우시안 혼합 모델링을 통해 추출한 전경에 대해 KLT 알고리즘으로 특징점 궤적들을 추출하였더니 10,000 개의 궤적들이 추출되었다면, 길이 유사도 선별을 통해 약 500 개의 궤적들이 탈락하여 9,500 개의 궤적들이 선별되었고, 좌표 유사도 선별을 통해 약 740 개의 궤적들이 선별되었으며, 방향 유사도 선별을 통해 460 여개의 궤적들이 선별되었다.
최종적으로 선별된 특징점 궤적들은 실제 오브젝트들의 움직임을 반영하면서 행동의 정상 여부를 판정할 수 있는 강건한(robust) 궤적들이라고 볼 수 있다.
궤적 분류부(14)는 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류한다.
실시예에 따라서, 궤적 분류부(14)는 선별된 특징점 궤적들의 각각의 길이 정보와 방향 정보에 기초하여 정상 궤적 또는 비정상 궤적으로 분류할 수 있다.
구체적으로, 궤적 분류부(14)는 다음 수학식 1과 같이 궤적마다 선형적으로 연산되는 비정상 지수 Tg을 소정의 문턱값에 비교하여 정상 궤적 또는 비정상 궤적으로 분류할 수 있다.
Figure pat00003
여기서 가중치 α는 0≤α≤1이고, Tlength는 궤적의 길이 정보, Tdirection은 궤적의 방향 정보이며, 궤적의 길이 또는 방향이 가중치 α에 의해 비정상 지수에 미치는 영향을 선택적으로 조정할 수 있다.
예를 들어, 어떤 궤적들의 길이가 다른 궤적들에 비해 확연하게 길고 그러한 궤적의 길이에 의해 추정되는 속도가 소정의 속도보다 훨씬 크다면, 또는 반대로 어떤 궤적들의 길이가 다른 궤적들에 비해 확연하게 짧고 그러한 궤적의 길이에 의해 추정되는 속도가 소정의 속도보다 상당히 작다면, 이는 그러한 궤적에 상응하는 오브젝트들의 움직임이 통상적이지 않고 훨씬 빠르거나 훨씬 느리다는 것을 의미한다. 따라서, 그러한 궤적들의 비정상 지수 Tg는 문턱값을 초과할 것이고, 비정상 궤적으로 분류된다.
다른 실시예에서는, 궤적 분류부(14)는 예제 패턴들을 이용한 학습에 기초하여, 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류할 수도 있다.
한편 실시예에 따라, 소수의 비정상 궤적이 반드시 비정상 상황을 의미하는 것은 아니기 때문에, 영상 감시 장치(10)는 분류된 비정상 궤적들을 기초로 비정상 상황 여부를 판정하는 비정상 상황 판정부(15)를 더 포함할 수 있다.
구체적으로, 비정상 상황 판정부(15)는 선별된 특징점 궤적들 대비 비정상 궤적들의 비율에 따라 비정상 상황 여부를 판정할 수 있다. 예를 들어 궤적들 중 비정상 궤적으로 분류된 궤적들이 20%를 초과하면 비정상 상황이라고 판정될 수 있다.
예를 들어, 통상적으로 사람들이 특정한 속도와 방향으로 이동하는 장소를 촬영하는 영상 속에 100 여명의 인원이 등장한다고 가정하자. 그 중에 2~3 명이 갑자기 달려간다거나, 갑자기 멈춘다거나, 갑자기 다른 방향으로 움직이더라도, 그러한 행동들에 의해 소수의 비정상 궤적들이 추출될 것이고, 거의 대부분의 사람들은 평온하게 움직이고 있기 때문에 해당 장소에 평소와 다른 긴급한 상황이 발생하였다고 간주하기는 어렵다.
반면에 100여 명의 인원 중에 20 여명이 갑자기 달려간다거나, 갑자기 멈춘다거나, 갑자기 다른 방향으로 움직인다면, 그러한 행동들에 의해 비정상 궤적들이 다수 추출될 것이고, 해당 장소에 평소와 다른 심각한 상황이 발생하였다고 간주할 수 있다.
나아가, 비정상 상황 판정부(15)는 비정상 상황 경고를 관리자에게 발령할 수 있고, 또는 해당 비정상 궤적들이 밀집한 영상 영역에 한하여 좀더 정밀한 영상 인식 연산 기능을 호출할 수도 있다.
도 2는 본 발명의 일 실시예에 따른 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법을 예시한 순서도이다.
도 2를 참조하면, 본 발명의 영상 감시 방법은, 먼저 단계(S21)에서, 카메라 또는 그 밖의 영상 소스로부터 제공되는 영상 프레임들로부터 전경을 추출한다.
바람직하게는 전경은 가우시안 혼합 모델에 기초하는 적응적 배경 모델을 이용하여 추출될 수 있다.
이어서, 단계(S22)에서, 카나데-루카스-토마시 알고리즘을 이용하여 전경 데이터로부터 추출되는 특징점들을 기초로, 길이 정보, 좌표 정보 및 방향 정보로써 표현되는 특징점 궤적들을 추출한다.
단계(S23)에서, 추출된 특징점 궤적들의 각각에 대해, 다른 특징점 궤적들과의 길이 유사도, 좌표 유사도 및 방향 유사도를 기준으로, 군중 행동을 판정하기 위한 특징점 궤적들을 선별한다. 선별되지 못한 궤적들은 제거된다.
구체적으로, 연속하는 두 프레임들 중 제1 프레임 내의 어떤 궤적 ti에 관하여, 제2 프레임 내의 궤적들 중에 길이 유사도가 소정의 문턱값보다 높은 궤적 tj가 선별될 수 있다.
다음으로, 연속하는 두 프레임들 중 제1 프레임 내의, 예를 들어 길이 유사도 선별을 통과한 어떤 궤적 ti에 관하여, 제2 프레임 내의 궤적들 중에 좌표 유사도가 소정의 문턱값보다 높은 궤적 tj가 선별될 수 있다.
마지막으로, 연속하는 두 프레임들 중 제1 프레임 내의, 예를 들어 길이 유사도 선별 및 좌표 유사도 선별을 통과한 어떤 궤적 ti에 관하여, 제2 프레임 내의 궤적들 중에 방향 유사도가 소정의 문턱값보다 높은 궤적 tj가 선별될 수 있다.
단계(S24)에서, 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류한다.
실시예에 따라서, 선별된 특징점 궤적들의 각각은 각각의 길이 정보와 방향 정보에 기초하여 정상 궤적 또는 비정상 궤적으로 분류될 수 있다.
구체적으로, 선별된 특징점 궤적들의 각각은 앞서의 수학식 1과 같이 궤적마다 선형적으로 연산되는 비정상 지수 Tg을 소정의 문턱값에 비교하여 정상 궤적 또는 비정상 궤적으로 분류될 수 있다.
다른 실시예에서는, 선별된 특징점 궤적들의 각각은, 예제 패턴들을 이용한 학습에 기초하여, 정상 궤적 또는 비정상 궤적으로 분류될 수도 있다.
한편 실시예에 따라, 추가적인 단계(S25)에서, 분류된 비정상 궤적들을 기초로 비정상 상황 여부를 판정할 수 있다.
구체적으로, 선별된 특징점 궤적들 중 비정상 궤적의 비율에 따라 비정상 상황 여부가 판정될 수 있다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명이 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이와 균등하거나 또는 등가적인 변형 모두는 본 발명 사상의 범주에 속한다 할 것이다.
또한, 본 발명에 따른 장치는 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 기록매체의 예로는 ROM, RAM, 광학 디스크, 자기 테이프, 플로피 디스크, 하드 디스크, 비휘발성 메모리 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
10 영상 감지 장치
11 전경 추출부
12 특징점 궤적 추출부
13 궤적 선별부
14 궤적 분류부
15 비정상 상황 판정부

Claims (20)

  1. 영상 프레임들로부터 전경을 추출하는 전경 추출부;
    카나데-루카스-토마시 알고리즘을 이용하여 상기 전경으로부터 추출되는 특징점들을 기초로, 길이 정보, 좌표 정보 및 방향 정보로써 표현되는 특징점 궤적들을 추출하는 특징점 궤적 추출부;
    상기 추출된 특징점 궤적들의 각각에 대해, 다른 특징점 궤적들과의 길이 유사도, 좌표 유사도 및 방향 유사도를 기준으로, 군중 행동을 판정하기 위한 특징점 궤적들을 선별하는 궤적 선별부; 및
    상기 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 궤적 분류부를 포함하는 영상 감시 장치.
  2. 청구항 1에 있어서, 상기 궤적 분류부는 상기 선별된 특징점 궤적들의 각각의 길이 정보와 방향 정보에 기초하여 정상 궤적 또는 비정상 궤적으로 분류하도록 동작하는 것을 특징으로 하는 영상 감시 장치.
  3. 청구항 2에 있어서, 상기 궤적 분류부는 상기 선별된 특징점 궤적마다 선형적으로 아래 수학식
    Figure pat00004

    의 비정상 지수 Tg을 연산하고, 상기 비정상 지수 Tg를 소정의 문턱값에 비교하여 정상 궤적 또는 비정상 궤적으로 분류하도록 동작하며,
    여기서 가중치 α는 0≤α≤1, Tlength는 궤적의 길이 정보, Tdirection은 궤적의 방향 정보인 것을 특징으로 하는 영상 감시 장치.
  4. 청구항 1에 있어서, 상기 궤적 분류부는
    상기 선별된 특징점 궤적들의 각각을, 예제 패턴들을 이용한 학습에 기초하여, 정상 궤적 또는 비정상 궤적으로 분류하도록 동작하는 것을 특징으로 하는 영상 감시 장치.
  5. 청구항 1에 있어서, 상기 분류된 비정상 궤적들을 기초로 비정상 상황 여부를 판정하는 비정상 상황 판정부를 더 포함하는 것을 특징으로 하는 영상 감시 장치.
  6. 청구항 5에 있어서, 상기 비정상 상황 판정부는 상기 선별된 특징점 궤적들 대비 비정상 궤적들의 비율에 따라 비정상 상황 여부를 판정하도록 동작하는 것을 특징으로 하는 영상 감시 장치.
  7. 청구항 1에 있어서, 상기 전경 추출부는 가우시안 혼합 모델에 기초한 적응적 배경 모델을 이용하여 영상으로부터 배경을 차감함으로써 전경을 추출하도록 동작하는 것을 특징으로 하는 영상 감시 장치.
  8. 청구항 1에 있어서, 상기 궤적 선별부는,
    연속하는 두 프레임들 중 제1 프레임 내의 제1 궤적에 관하여, 제2 프레임 내의 제2 궤적들와의 길이 유사도, 좌표 유사도 및 방향 유사도를 각각 연산하고, 연산된 길이 유사도, 좌표 유사도 및 방향 유사도가 각각 소정의 문턱값들보다 높은 제2 궤적들이 소정 개수 이상 존재하면, 상기 제1 궤적을 선별하고, 그렇지 않으면 상기 제1 궤적을 버리도록 동작하는 것을 특징으로 하는 영상 감시 장치.
  9. 청구항 8에 있어서, 상기 궤적 선별부는, 길이 유사도를 기초로 선별된 특징점 궤적들을 대상으로 좌표 유사도를 연산하고,
    좌표 유사도를 기초로 선별된 특징점 궤적들을 대상으로 방향 유사도를 연산하도록 동작하는 것을 특징으로 하는 영상 감시 장치.
  10. 컴퓨터를 청구항 1 내지 청구항 9 중 어느 한 청구항에 따른 영상 감시 장치로 구동시키도록 구현된 프로그램이 수록된 컴퓨터로 독출할 수 있는 기록 매체.
  11. 영상 프레임들로부터 전경을 추출하는 단계;
    카나데-루카스-토마시 알고리즘을 이용하여 상기 전경으로부터 추출되는 특징점들을 기초로, 길이 정보, 좌표 정보 및 방향 정보로써 표현되는 특징점 궤적들을 추출하는 단계;
    상기 추출된 특징점 궤적들의 각각에 대해, 다른 특징점 궤적들과의 길이 유사도, 좌표 유사도 및 방향 유사도를 기준으로, 군중 행동을 판정하기 위한 특징점 궤적들을 선별하는 단계; 및
    상기 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 단계를 포함하는 영상 감시 방법.
  12. 청구항 11에 있어서, 상기 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 단계는,
    상기 선별된 특징점 궤적들의 각각의 길이 정보와 방향 정보에 기초하여 정상 궤적 또는 비정상 궤적으로 분류하는 단계를 포함하는 것을 특징으로 하는 영상 감시 방법.
  13. 청구항 12에 있어서, 상기 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 단계는,
    상기 선별된 특징점 궤적마다 선형적으로 아래 수학식
    Figure pat00005

    의 비정상 지수 Tg을 연산하고, 상기 비정상 지수 Tg를 소정의 문턱값에 비교하여 정상 궤적 또는 비정상 궤적으로 분류하는 단계를 포함하며,
    여기서 가중치 α는 0≤α≤1, Tlength는 궤적의 길이 정보, Tdirection은 궤적의 방향 정보인 것을 특징으로 하는 영상 감시 방법.
  14. 청구항 11에 있어서, 상기 선별된 특징점 궤적들의 각각을 정상 궤적 또는 비정상 궤적으로 분류하는 단계는,
    상기 선별된 특징점 궤적들의 각각을, 예제 패턴들을 이용한 학습에 기초하여, 정상 궤적 또는 비정상 궤적으로 분류하는 단계를 포함하는 것을 특징으로 하는 영상 감시 장치.
  15. 청구항 11에 있어서, 상기 분류된 비정상 궤적들을 기초로 비정상 상황 여부를 판정하는 단계를 더 포함하는 것을 특징으로 하는 영상 감시 방법.
  16. 청구항 15에 있어서, 상기 분류된 비정상 궤적들을 기초로 비정상 상황 여부를 판정하는 단계는,
    상기 선별된 특징점 궤적들 대비 비정상 궤적들의 비율에 따라 비정상 상황 여부를 판정하는 단계를 포함하는 것을 특징으로 하는 영상 감시 방법.
  17. 청구항 11에 있어서, 상기 영상 프레임들로부터 전경을 추출하는 단계는,
    가우시안 혼합 모델에 기초한 적응적 배경 모델을 이용하여 영상으로부터 배경을 차감함으로써 전경을 추출하는 단계를 포함하는 것을 특징으로 하는 영상 감시 방법.
  18. 청구항 11에 있어서, 상기 특징점 궤적들을 선별하는 단계는,
    연속하는 두 프레임들 중 제1 프레임 내의 제1 궤적에 관하여, 제2 프레임 내의 제2 궤적들와의 길이 유사도, 좌표 유사도 및 방향 유사도를 각각 연산하는 단계; 및
    상기 연산된 길이 유사도, 좌표 유사도 및 방향 유사도가 각각 소정의 문턱값들보다 높은 제2 궤적들이 소정 개수 이상 존재하면, 상기 제1 궤적을 선별하고, 그렇지 않으면 상기 제1 궤적을 버리는 단계를 포함하는 것을 특징으로 하는 영상 감시 방법.
  19. 청구항 18에 있어서, 상기 특징점 궤적들을 선별하는 단계는,
    길이 유사도를 기초로 선별된 특징점 궤적들을 대상으로 좌표 유사도를 연산하는 단계; 및
    좌표 유사도를 기초로 선별된 특징점 궤적들을 대상으로 방향 유사도를 연산하는 단계를 포함하는 것을 특징으로 하는 영상 감시 방법.
  20. 컴퓨터에서 청구항 11 내지 청구항 19 중 어느 한 청구항에 따른 영상 감시 방법을 수행하도록 구현된 프로그램이 수록된 컴퓨터로 독출할 수 있는 기록 매체.
KR1020130051269A 2013-05-07 2013-05-07 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치 KR101472674B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130051269A KR101472674B1 (ko) 2013-05-07 2013-05-07 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130051269A KR101472674B1 (ko) 2013-05-07 2013-05-07 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치

Publications (2)

Publication Number Publication Date
KR20140132140A true KR20140132140A (ko) 2014-11-17
KR101472674B1 KR101472674B1 (ko) 2014-12-15

Family

ID=52453254

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130051269A KR101472674B1 (ko) 2013-05-07 2013-05-07 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치

Country Status (1)

Country Link
KR (1) KR101472674B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096567A (zh) * 2016-06-20 2016-11-09 深圳市深网视界科技有限公司 基于图像识别技术的人群安全指数计算方法及装置
KR20170137350A (ko) * 2016-06-03 2017-12-13 (주)싸이언테크 신경망 생성 모델을 이용한 객체 움직임 패턴 학습장치 및 그 방법
WO2020111932A1 (en) * 2018-11-29 2020-06-04 Mimos Berhad A system and method for detecting aggressive behaviour
CN111403021A (zh) * 2020-03-11 2020-07-10 中国电子工程设计院有限公司 一种监测方法及装置
CN112230253A (zh) * 2020-10-13 2021-01-15 电子科技大学 基于公共切片子序列的轨迹特征异常检测方法
CN116269387A (zh) * 2023-03-21 2023-06-23 江苏智慧工场技术研究院有限公司 一种针对特殊人群身心状态的检测方法、***及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102309111B1 (ko) 2020-11-27 2021-10-06 가천대학교 산학협력단 딥러닝 기반 비정상 행동을 탐지하여 인식하는 비정상 행동 탐지 시스템 및 탐지 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5604256B2 (ja) * 2010-10-19 2014-10-08 日本放送協会 人物動作検出装置およびそのプログラム

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170137350A (ko) * 2016-06-03 2017-12-13 (주)싸이언테크 신경망 생성 모델을 이용한 객체 움직임 패턴 학습장치 및 그 방법
CN106096567A (zh) * 2016-06-20 2016-11-09 深圳市深网视界科技有限公司 基于图像识别技术的人群安全指数计算方法及装置
CN106096567B (zh) * 2016-06-20 2019-04-16 深圳市深网视界科技有限公司 基于图像识别技术的人群安全指数计算方法及装置
WO2020111932A1 (en) * 2018-11-29 2020-06-04 Mimos Berhad A system and method for detecting aggressive behaviour
CN111403021A (zh) * 2020-03-11 2020-07-10 中国电子工程设计院有限公司 一种监测方法及装置
CN111403021B (zh) * 2020-03-11 2023-12-05 中国电子工程设计院有限公司 一种监测方法及装置
CN112230253A (zh) * 2020-10-13 2021-01-15 电子科技大学 基于公共切片子序列的轨迹特征异常检测方法
CN116269387A (zh) * 2023-03-21 2023-06-23 江苏智慧工场技术研究院有限公司 一种针对特殊人群身心状态的检测方法、***及存储介质
CN116269387B (zh) * 2023-03-21 2023-09-12 江苏智慧工场技术研究院有限公司 一种针对特殊人群身心状态的检测方法、***及存储介质

Also Published As

Publication number Publication date
KR101472674B1 (ko) 2014-12-15

Similar Documents

Publication Publication Date Title
KR101472674B1 (ko) 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치
Subburaman et al. Counting people in the crowd using a generic head detector
Bondi et al. Real-time people counting from depth imagery of crowded environments
CN108133172B (zh) 视频中运动对象分类的方法、车流量的分析方法及装置
KR101731461B1 (ko) 객체에 대한 행동 탐지 장치 및 이를 이용한 행동 탐지 방법
KR101764845B1 (ko) 다중 이동 물체의 겹침 제거 및 추적을 위한 영상 감시 장치 및 방법
EP1811457A1 (en) Video signal analysis
US10853949B2 (en) Image processing device
EP2709066A1 (en) Concept for detecting a motion of a moving object
KR20150029006A (ko) 비디오 감시 시스템을 위한 피처 이례들의 무감독 학습
EP2801078A1 (en) Context aware moving object detection
Ferryman et al. Performance evaluation of crowd image analysis using the PETS2009 dataset
Hashemzadeh et al. Counting moving people in crowds using motion statistics of feature-points
CN111027370A (zh) 一种多目标跟踪及行为分析检测方法
Malhi et al. Vision based intelligent traffic management system
KR101406334B1 (ko) 신뢰도와 지연된 결정을 활용한 다중 객체 추적 시스템 및 방법
KR20160044757A (ko) 교통상황 분석 방법 및 장치
CN115661698A (zh) 扶梯乘客异常行为检测方法、***、电子设备及存储介质
KR101137110B1 (ko) 영상 내 물체 감시 방법 및 장치
Chebi et al. Dynamic detection of anomalies in crowd's behavior analysis
CN111027482B (zh) 基于运动向量分段分析的行为分析方法及装置
EP2709065A1 (en) Concept for counting moving objects passing a plurality of different areas within a region of interest
Piérard et al. A probabilistic pixel-based approach to detect humans in video streams
Tsai et al. Multi-lane detection and road traffic congestion classification for intelligent transportation system
Gandhi et al. Video and seismic sensor-based structural health monitoring: Framework, algorithms, and implementation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20171027

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180917

Year of fee payment: 5