KR20220167561A - Method of extracting objects of interest from CCTV images - Google Patents
Method of extracting objects of interest from CCTV images Download PDFInfo
- Publication number
- KR20220167561A KR20220167561A KR1020210076683A KR20210076683A KR20220167561A KR 20220167561 A KR20220167561 A KR 20220167561A KR 1020210076683 A KR1020210076683 A KR 1020210076683A KR 20210076683 A KR20210076683 A KR 20210076683A KR 20220167561 A KR20220167561 A KR 20220167561A
- Authority
- KR
- South Korea
- Prior art keywords
- objects
- foreground
- interest
- moving
- extracting
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000011218 segmentation 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명은 CCTV 영상의 관심객체 추출 방법에 관한 것으로, 보다 상세하게는 다수의 CCTV로부터 제공된 영상으로부터 영상 처리를 통해 관심객체를 검출하는 CCTV 영상의 관심객체 추출 방법에 관한 것이다.The present invention relates to a method for extracting an object of interest from a CCTV image, and more particularly, to a method for extracting an object of interest from a CCTV image by detecting an object of interest from images provided from a plurality of CCTVs through image processing.
범죄 예방 및 범죄수사 증거 확보를 위해 카메라(예: CCTV)가 다수 설치되고 있는데 현재 국내에는 대략 500만대의 CCTV가 14.2미터 간격으로 설치되어 5.5초에 한 번씩 주변 상황을 촬영하고 있다. 이들 CCTV가 촬영한 영상은 경찰서나 통합관제센터와 같은 관제 시스템으로 전달되고 관제 요원들이 모니터링을 통해 범죄 예방 활동을 수행한다.A large number of cameras (eg, CCTV) are being installed to prevent crime and secure evidence for criminal investigation. Currently, approximately 5 million CCTVs are installed at intervals of 14.2 meters in Korea, taking pictures of the surrounding situation once every 5.5 seconds. The images captured by these CCTVs are transmitted to control systems such as police stations or integrated control centers, and control agents perform crime prevention activities through monitoring.
폭발적으로 증가하는 CCTV 대수에 비해 관제 인력은 많이 부족하여 2011년 경찰청 자료에 의하면 서울지역에서 관제 인력 1인당 평균 45대의 CCTV를 모니터링하고 있어 범죄예방에 어려움이 많다. 또한 범죄수사, 범인탐지, 미아 탐색을 위해 CCTV에서 촬영하여 저장해둔 영상을 살펴보는 경우에는 소수의 관제 인력이 엄청나게 많은 영상을 일일히 살펴보고 있는 실정이어서 업무 처리 효율이 상당히 떨어진다. Compared to the explosively increasing number of CCTVs, the number of control personnel is insufficient. According to the data of the National Police Agency in 2011, an average of 45 CCTVs are monitored per person in the Seoul area, making it difficult to prevent crime. In addition, in the case of examining images recorded and stored by CCTV for crime investigation, criminal detection, and search for lost children, a small number of control personnel are looking at an enormous number of images one by one, so the work processing efficiency is considerably reduced.
이러한 점을 개선하려고 다수의 CCTV 영상이 수집되는 통합관제센터에서 관심객체를 효율적으로 검출할 수 있도록 하려고 하고 있으나 인력문제를 여전히 해결하지 못하는 문제가 있다.In order to improve this point, an integrated control center where a large number of CCTV images are collected is trying to efficiently detect an object of interest, but there is a problem that the manpower problem is still not solved.
따라서 본 발명의 목적은 다수의 CCTV로부터 제공된 영상으로부터 영상 처리를 통해 관심객체를 검출할 수 있는 CCTV 영상의 관심객체 추출 방법을 제공하는 것이다.Accordingly, an object of the present invention is to provide a method for extracting an object of interest from a CCTV image capable of detecting an object of interest from images provided from multiple CCTVs through image processing.
상기 목적을 달성하기 위한 본 발명에 따른 CCTV 영상의 관심객체 추출방법은, 상기 CCTV 영상으로부터 전경 영역을 분리하는 단계; 상기 분리된 전경 영역에 블랍 분석을 수행하여 블랍의 전경 객체를 다수 추출하는 단계; 상기 추출된 다수의 전경 객체 각각에 대하여 순차적으로 이동 경로를 추정하는 단계; 상기 순차적인 이동 경로 추정 결과, 기 추정된 이동 경로를 벗어난 것으로 판단되는 전경 객체를 새로운 이동객체로 식별하는 단계; 상기 식별된 다수의 이동객체에 대하여 상기 CCTV 영상에서의 노출 속성에 관한 메타데이터를 생성 및 저장하는 단계; 및 상기 노출 속성에 기초하여 상기 다수의 이동객체를 필터링하여 상기 다수의 이동객체 중에서 관심객체를 선별하는 단계를 포함한다.To achieve the above object, a method for extracting an object of interest from a CCTV image according to the present invention includes separating a foreground region from the CCTV image; extracting a plurality of foreground objects of the blob by performing blob analysis on the separated foreground region; sequentially estimating a movement path for each of the plurality of extracted foreground objects; identifying a foreground object determined to deviate from the pre-estimated movement path as a new moving object as a result of the sequential movement path estimation; Generating and storing metadata about exposure properties in the CCTV image for the identified plurality of moving objects; and selecting an object of interest from among the plurality of moving objects by filtering the plurality of moving objects based on the exposure attribute.
여기서, 상기 관심객체를 선별하는 단계는, 상기 다수의 이동객체의 메타데이터를 참조하여 상기 CCTV 영상 내에서의 생성점-소멸점 거리가 미리 설정된 임계 픽셀값 이하인 이동객체를 필터링 제거하는 단계; 및 상기 다수의 이동객체의 메타데이터를 참조하여 상기 CCTV 영상 내에 머무른 체류 시간이 미리 설정된 임계 시간값 이하인 이동객체를 필터링 제거하는 단계를 더 포함할 수 있다. Here, the step of selecting the object of interest may include filtering and removing moving objects whose creation point-disappearance distance in the CCTV image is equal to or less than a preset threshold pixel value by referring to the metadata of the plurality of moving objects; and filtering out moving objects whose staying time remaining in the CCTV image is equal to or less than a preset threshold time value by referring to the metadata of the plurality of moving objects.
그리고 상기 전경 영역을 분리하는 단계는, 상기 CCTV 영상으로부터 전경 영역을 분리하는 단계; 상기 분리된 전경 영역에 블랍 분석을 수행하여 블랍의 전경 객체를 다수 추출하는 단계; 상기 추출된 다수의 전경 객체 각각에 대하여 순차적으로 이동 경로를 추정하는 단계; 및 상기 순차적인 이동 경로 추정 결과, 기 추정된 이동 경로를 벗어난 것으로 판단되는 전경 객체를 새로운 이동객체로 식별하는 단계를 포함할 수 있다.Separating the foreground area may include separating the foreground area from the CCTV image; extracting a plurality of foreground objects of the blob by performing blob analysis on the separated foreground region; sequentially estimating a movement path for each of the plurality of extracted foreground objects; and identifying a foreground object determined to deviate from the pre-estimated movement path as a new moving object, as a result of the sequential movement path estimation.
본 발명에 따르면 CCTV 영상으로부터 관심객체를 비교적 적은 연산량으로도 검출할 수 있어 실시간 처리가 가능하며, 이를 통해 다수의 CCTV 영상이 수집되는 통합관제센터의 업무 효율을 향상시킬 수 있는 효과가 있다.According to the present invention, it is possible to detect an object of interest from CCTV images with a relatively small amount of computation, enabling real-time processing, and through this, there is an effect of improving the work efficiency of an integrated control center in which a plurality of CCTV images are collected.
도 1은 본 발명에 따른 CCTV 영상의 관심객체 추출 시스템의 예시도이다.
도 2는 검출된 관심객체의 스냅샷의 일 예시도이다.1 is an exemplary view of a system for extracting an object of interest from a CCTV image according to the present invention.
2 is an exemplary view of a snapshot of a detected object of interest.
이하, 첨부된 도면들을 참조하면서 본 발명의 바람직한 실시 예에 따른 CCTV 영상의 관심객체 추출 시스템(1)을 상세히 설명한다.Hereinafter, a system for extracting an object of interest from a CCTV image according to a preferred embodiment of the present invention 1 will be described in detail with reference to the accompanying drawings.
CCTV 통합 관제를 위해 다수의 CCTV 카메라(100)로부터 생성되는 영상 데이터는 일차적으로 영상관리 서버(200)로 전달되어 수집된다. 본 발명에서는 이렇게 수집되는 다수의 CCTV 영상을 관심객체 추출 시스템으로 제공하여 관제 요원이 특히 주목해야만 하는 물체, 즉 관심객체를 도출해낸다. 이때, 관심객체 추출 시스템은 영상관리 서버(200)의 내부에 구현될 수도 있고 혹은 별도의 서버 장치에서 구현될 수도 있다.Video data generated from
관심객체 추출 시스템의 설계에서 중요하게 고려된 점은 관제 요원이 주목하는 대상은 CCTV 영상에서 정지되어 있는 물체(stationary objects)가 아니라 움직이는 물체(moving objects, 이동객체)라는 점이다. 또한, 다수의 CCTV 카메라(100)에서 생성되는 대량의 영상을 실시간으로 처리하려면 연산량 부담이 적은 가벼운 알고리즘을 적용해야 한다는 점이다.An important consideration in the design of the object of interest extraction system is that the object that the control personnel pays attention to is moving objects, not stationary objects, in CCTV images. In addition, in order to process a large amount of images generated by the plurality of
이를 위해, 본 발명에서는 관심객체 추출 시스템을 이동객체 분석부(300)와 메타데이터 필터부(400)로 구성하였으며, 이들이 다수의 CCTV 영상을 순차적으로 데이터 처리한다.To this end, in the present invention, the object of interest extraction system is composed of a moving object analysis unit 300 and a metadata filter unit 400, which sequentially process data from a plurality of CCTV images.
먼저, 이동객체 분석부(300)는 연산량이 비교적 적은 소위 '가벼운 알고리즘(light-weight algorithm)'을 수행하여 CCTV 영상에서 이동객체를 추출하는 구성요소이다. 이를 위해, 이동객체 분석부(300)는 CCTV 영상에 대해 전경 영역 분리(foreground segmentation)와 블랍 분석(blob analysis)을 수행하여 이동객체로 의심되는 다수의 픽셀 덩어리(블랍)을 추출한다. 또한, 이동객체 분석부(300)는 이처럼 CCTV 영상으로부터 추출된 이동객체들에 대하여 후술하는 바와 같이 메타데이터를 생성하여 저장하고, 이동객체를 대표할 수 있는 이미지, 즉 객체스냅샷을 생성하여 저장한다.First, the moving object analysis unit 300 is a component that extracts a moving object from a CCTV image by performing a so-called 'light-weight algorithm' with a relatively small amount of calculation. To this end, the moving object analyzer 300 extracts a plurality of pixel clusters (blobs) suspected of moving objects by performing foreground segmentation and blob analysis on the CCTV image. In addition, the moving object analysis unit 300 generates and stores metadata for the moving objects extracted from the CCTV images as described later, and creates and stores an image representing the moving object, that is, an object snapshot. do.
또한, 메타데이터 필터부(400)는 그 생성된 메타데이터들 중에서 미리 설정된 몇 가지 항목을 이용하여 다수의 이동객체들에 관한 다차원 벡터 플롯를 구성함으로써 이동객체들의 메타데이터 분포 특성을 확인하며, 이를 통해 CCTV 영상에서 환경 잡음의 특성을 파악한다. 또한, 미리 설정된 또는 바람직하게는 다차원 벡터 플롯으로부터 환경잡음과 이동객체들 간의 메타데이터 경계값을 이용하여 이동객체들 중에서 환경잡음 객체들을 제거하고 관제 요원이 관심을 가질만한 가치가 있는 관심객체를 추출한다.In addition, the metadata filter unit 400 checks the metadata distribution characteristics of moving objects by constructing a multi-dimensional vector plot for a plurality of moving objects using several preset items among the generated metadata. Identify the characteristics of environmental noise in CCTV images. In addition, environmental noise objects are removed from moving objects by using metadata boundary values between environmental noise and moving objects from a preset or preferably multi-dimensional vector plot, and objects of interest worthy of attention by a control agent are extracted. do.
이렇게 관심객체 추출 시스템이 획득한 관심객체에 관한 정보는 바람직하게는 CCTV 통합 관제 시스템으로 전달되어 모니터 화면에 표시됨으로써 관제 요원의 주의를 집중시키는 목적으로 활용된다.The information on the object of interest acquired by the object of interest extraction system is preferably transmitted to the CCTV integrated control system and displayed on the monitor screen, thereby being used for the purpose of focusing the attention of the control personnel.
본 발명에 따른 관심객체 추출 시스템은 이동객체 분석부(300)와 메타데이터 필터부(400)를 구비한다. 먼저, 이동객체 분석부(300)에 대해 살펴본다.The object of interest extraction system according to the present invention includes a moving object analysis unit 300 and a metadata filter unit 400. First, the moving object analyzer 300 will be described.
본 발명에서 이동객체 분석부(300)는 CCTV 영상에서 다수의 이동객체를 탐지해내고 이들 이동객체에 대하여 메타데이터와 객체스냅샷을 생성 및 저장하는 구성요소이며 이동객체 인식부(310), 이동객체 메타추출부(320), 객체스냅샷 저장부(330)를 포함하여 구성된다. 이동객체 인식부(310)는 CCTV 영상 내에서 변화하고 있는 픽셀 덩어리를 탐지하고 이를 이동객체로 식별해내는 구성이다. 이동객체 인식부(310)는 가우시안 혼합 모델(Gaussian mixture model)로 차영상(differentialimages)을 추출하여 전경영역을 분리하고 블랍 분석(blob analysis)를 통해 이동객체로 의심되는 다수의 픽셀 덩어리(블랍)을 추출한 후 칼만 필터(Kalman Filter)를 이용하여 블랍의 경로를 추적 기록하는 방식으로 구성될 수 있다. 이를 위해 이동객체 인식부(310)는 전경영역 분리부(311), 블랍 분석부(312), 블랍 경로추적부(313)를 포함하여 구성된다.In the present invention, the moving object analysis unit 300 is a component that detects a plurality of moving objects in CCTV images and creates and stores metadata and object snapshots for these moving objects, and the moving object recognition unit 310, moving object It is configured to include an object meta extraction unit 320 and an object snapshot storage unit 330. The moving object recognizing unit 310 is a component that detects a changing pixel mass in a CCTV image and identifies it as a moving object. The moving object recognizing unit 310 extracts differential images using a Gaussian mixture model, separates the foreground area, and analyzes blobs to form a plurality of pixel clusters (blobs) suspected of moving objects. After extracting , it can be configured in such a way that the path of the blob is tracked and recorded using a Kalman filter. To this end, the moving object recognition unit 310 includes a foreground region separation unit 311, a blob analysis unit 312, and a blob path tracking unit 313.
전경영역 분리부(311)는 CCTV 영상에서 배경(background)을 가우시안 혼합 모델로 모델링하여 각 픽셀에서 전경픽셀을 분리한다. 이때, 가우시안 혼합 모델을 이용하여 배경영역을 제거하고 전경영역을 분리하는 과정은 두단계 과정으로 이루어진다. 첫번째 단계는 배경 이미지를 가우시안 혼합 모델의 복수의 가우시안 독립변수로 모델링하여 적용하고 CCTV 영상의 각 입력 이미지에 대하여 변화 픽셀(changing pixels)을 판단한다. 두번째 단계는 컴퓨팅 리소스를 반영하여 가우시안 혼합 모델에 배경으로 학습시키는 프레임 개수를 적절하게 조절하여 가우시안 혼합 모델의 파라미터를 지속적으로 업데이트한다. 이러한 파라미터 업데이트 동작을 통해 시간에 따라 변화하는 조명환경에 배경 모델(가우시안 혼합 모델)이 적응할 수 있다.The foreground area separating unit 311 separates a foreground pixel from each pixel by modeling the background in the CCTV image as a Gaussian mixture model. At this time, the process of removing the background area and separating the foreground area using the Gaussian mixture model is a two-step process. In the first step, a background image is modeled with a plurality of Gaussian independent variables of a Gaussian mixture model and applied, and changing pixels are determined for each input image of the CCTV video. In the second step, parameters of the Gaussian mixture model are continuously updated by appropriately adjusting the number of frames to be trained as a background for the Gaussian mixture model by reflecting computing resources. Through this parameter update operation, the background model (Gaussian mixture model) can adapt to the lighting environment that changes over time.
블랍 분석부(312)는 앞서 전경영역 분리부(311)가 전경영역의 요소로 판단한 모든 픽셀들을 그룹핑하여 객체로 인식하기 위해 블랍 분석을 수행한다. 이와 같은 블랍 분석의 결과로 각 영상 프레임마다 여러 블랍의 전경 객체가 탐지된다. 이때, 프레임 이미지의 전체 크기 대비 일정 픽셀 크기 이하의 블랍에 대해서는 탐지 객체 집합에서 배제함으로써 영상 노이즈 요소를 일부 제거하는 것이 바람직하다. 한편, 영상에 대한 블랍 분석 기술은 이미 공지된 것일 뿐만 아니라 본 발명은 블랍 분석 알고리즘 자체에 관한 것은 아니므로 이에 관한 상세한 설명은 생략한다.The blob analyzer 312 performs blob analysis to group all the pixels determined by the foreground region separator 311 to be elements of the foreground region and recognize them as objects. As a result of such blob analysis, foreground objects of several blobs are detected for each image frame. At this time, it is preferable to partially remove image noise elements by excluding blobs of a certain pixel size or less relative to the total size of the frame image from the detection object set. Meanwhile, a blob analysis technique for an image is already known, and since the present invention does not relate to a blob analysis algorithm itself, a detailed description thereof will be omitted.
도 2를 참조하면 본 발명에 따르면 클러터도 일부 탐지된 한편 소기에 목적한 관심객체에 대해서도 어느정도 신뢰도 있는 확률로 탐지되는 것을 확인할 수 있었다. 관심객체의 스냅샷을 제공하기 때문에 클러터가 일부 포함되는 것은 관제요원의 업무 수행을 방해하지 않는다. 본 시예에서 탐지되지 않은 2개의 객체는 블랍 분석에서 너무 작은 픽셀 그룹으로 인식되어 탐지되지 않은 것이었기에 관제 요원이 실제 현장에서 확인하기에는 어려움이 있는 것임을 확인하였다.Referring to FIG. 2 , according to the present invention, it can be confirmed that some clutter is also detected, while the target object of interest is also detected with a certain degree of reliability. Since a snapshot of the object of interest is provided, the inclusion of some clutter does not interfere with the performance of the control personnel's work. The two objects not detected in this example were recognized as too small pixel groups in the blob analysis and were not detected, so it was confirmed that it was difficult for the control personnel to identify them in the actual field.
100 : CCTV
200 : 영상관리 서버
300 : 이동객체 분석부
310 : 이동객체 인식부
311 : 전경영역 분리부
312 : 블랍 분석부
313 : 블랍 경로추적부
320 : 이동객체 메타추출부
330 : 개체스냅샷 저장부
400 : 메타데이터 필터부
410 : 생성소멸 거리 필터부
420 : 드웰 시간 필터부
430 : 블랍 크기 필터부
440 : 위치 특성 필터부
450 : 이동 특성 필터부100: CCTV
200: video management server
300: moving object analysis unit
310: moving object recognition unit
311: foreground area separation unit
312: blob analysis unit
313: blob path tracking unit
320: moving object meta extraction unit
330: object snapshot storage unit
400: metadata filter unit
410: creation and extinction distance filter unit
420: dwell time filter unit
430: blob size filter unit
440: location characteristic filter unit
450: movement characteristic filter unit
Claims (3)
상기 CCTV 영상으로부터 전경 영역을 분리하는 단계;
상기 분리된 전경 영역에 블랍 분석을 수행하여 블랍의 전경 객체를 다수 추출하는 단계;
상기 추출된 다수의 전경 객체 각각에 대하여 순차적으로 이동 경로를 추정하는 단계;
상기 순차적인 이동 경로 추정 결과, 기 추정된 이동 경로를 벗어난 것으로 판단되는 전경 객체를 새로운 이동객체로 식별하는 단계;
상기 식별된 다수의 이동객체에 대하여 상기 CCTV 영상에서의 노출 속성에 관한 메타데이터를 생성 및 저장하는 단계; 및
상기 노출 속성에 기초하여 상기 다수의 이동객체를 필터링하여 상기 다수의 이동객체 중에서 관심객체를 선별하는 단계를 포함하는 CCTV 영상의 관심객체 추출방법.
In the method for extracting an object of interest from a CCTV image,
Separating a foreground area from the CCTV image;
extracting a plurality of foreground objects of the blob by performing blob analysis on the separated foreground region;
sequentially estimating a movement path for each of the plurality of extracted foreground objects;
identifying a foreground object determined to deviate from the pre-estimated movement path as a new moving object, as a result of the sequential movement path estimation;
Generating and storing metadata about exposure properties in the CCTV image for the identified plurality of moving objects; and
and selecting an object of interest from among the plurality of moving objects by filtering the plurality of moving objects based on the exposure attribute.
상기 관심객체를 선별하는 단계는,
상기 다수의 이동객체의 메타데이터를 참조하여 상기 CCTV 영상 내에서의 생성점-소멸점 거리가 미리 설정된 임계 픽셀값 이하인 이동객체를 필터링 제거하는 단계; 및
상기 다수의 이동객체의 메타데이터를 참조하여 상기 CCTV 영상 내에 머무른 체류 시간이 미리 설정된 임계 시간값 이하인 이동객체를 필터링 제거하는 단계를 더 포함하는 CCTV 영상의 관심객체 추출방법.
According to claim 1,
In the step of selecting the object of interest,
filtering and removing moving objects whose creation point-disappearance distance in the CCTV image is equal to or less than a preset threshold pixel value by referring to the metadata of the plurality of moving objects; and
The method of extracting an object of interest from a CCTV image further comprising the step of filtering and removing moving objects whose staying time remaining in the CCTV image is less than or equal to a preset threshold time value by referring to the metadata of the plurality of moving objects.
상기 전경 영역을 분리하는 단계는,
상기 CCTV 영상으로부터 전경 영역을 분리하는 단계;
상기 분리된 전경 영역에 블랍 분석을 수행하여 블랍의 전경 객체를 다수 추출하는 단계;
상기 추출된 다수의 전경 객체 각각에 대하여 순차적으로 이동 경로를 추정하는 단계; 및
상기 순차적인 이동 경로 추정 결과, 기 추정된 이동 경로를 벗어난 것으로 판단되는 전경 객체를 새로운 이동객체로 식별하는 단계를 포함하는 CCTV 영상의 관심객체 추출방법.
According to claim 1,
Separating the foreground area,
Separating a foreground area from the CCTV image;
extracting a plurality of foreground objects of the blob by performing blob analysis on the separated foreground region;
sequentially estimating a movement path for each of the plurality of extracted foreground objects; and
A method for extracting an object of interest from a CCTV image comprising the step of identifying a foreground object determined to be out of the pre-estimated movement path as a new moving object as a result of the sequential movement path estimation.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210076683A KR20220167561A (en) | 2021-06-14 | 2021-06-14 | Method of extracting objects of interest from CCTV images |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210076683A KR20220167561A (en) | 2021-06-14 | 2021-06-14 | Method of extracting objects of interest from CCTV images |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220167561A true KR20220167561A (en) | 2022-12-21 |
Family
ID=84536636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210076683A KR20220167561A (en) | 2021-06-14 | 2021-06-14 | Method of extracting objects of interest from CCTV images |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220167561A (en) |
-
2021
- 2021-06-14 KR KR1020210076683A patent/KR20220167561A/en unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101884611B1 (en) | Method of extracting objects-of-Interest out of CCTV video using metadate filtering of moving objects | |
| KR101764845B1 (en) | A video surveillance apparatus for removing overlap and tracking multiple moving objects and method thereof | |
| Hassan et al. | People detection system using YOLOv3 algorithm | |
| KR101040049B1 (en) | Fast and robust method for tracking the multiple moving objects in video-based surveillance system | |
| KR101062225B1 (en) | Intelligent video retrieval method and system using surveillance camera | |
| Ullah et al. | Gaussian mixtures for anomaly detection in crowded scenes | |
| Zaidi et al. | Video anomaly detection and classification for human activity recognition | |
| CN113436229A (en) | Multi-target cross-camera pedestrian trajectory path generation method | |
| Angelo | A novel approach on object detection and tracking using adaptive background subtraction method | |
| KR101492059B1 (en) | Real Time Object Tracking Method and System using the Mean-shift Algorithm | |
| Moorthy et al. | CNN based smart surveillance system: a smart IoT application post covid-19 era | |
| Liu et al. | A novel video forgery detection algorithm for blue screen compositing based on 3-stage foreground analysis and tracking | |
| KR101547255B1 (en) | Object-based Searching Method for Intelligent Surveillance System | |
| Teja | Static object detection for video surveillance | |
| US20200394802A1 (en) | Real-time object detection method for multiple camera images using frame segmentation and intelligent detection pool | |
| Xu et al. | Smart video surveillance system | |
| Yang et al. | Video anomaly detection for surveillance based on effective frame area | |
| CN114764895A (en) | Abnormal behavior detection device and method | |
| Skadins et al. | Edge pre-processing of traffic surveillance video for bandwidth and privacy optimization in smart cities | |
| KR101848367B1 (en) | metadata-based video surveillance method using suspective video classification based on motion vector and DCT coefficients | |
| KR20220167561A (en) | Method of extracting objects of interest from CCTV images | |
| Rakumthong et al. | Unattended and stolen object detection based on relocating of existing object | |
| CN113255549A (en) | Intelligent recognition method and system for pennisseum hunting behavior state | |
| Nandhini et al. | Anamoly detection for safety monitoring | |
| Mante et al. | A survey on video-based evidence analysis and digital forensic |