KR102513803B1 - 인공신경망을 이용한 객체 카운팅 방법 및 이를 수행하기 위한 컴퓨팅 장치 - Google Patents

Abstract

인공신경망을 이용한 객체 카운팅 방법은, 컴퓨팅 장치가 촬영 영상으로부터 일정 시간 간격의 이미지 프레임들을 추출하는 단계, 상기 컴퓨팅 장치가 상기 이미지 프레임별로 객체들을 인식하는 단계, 상기 컴퓨팅 장치가 상기 이미지 프레임별로 인식된 객체들의 중심점을 검출하는 단계, 상기 컴퓨팅 장치가 연속된 이미지 프레임 간 중심점들의 위치를 비교한 결과에 기초하여, 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점들을 파악하는 단계 및 상기 컴퓨팅 장치가 상기 검출된 중심점들의 개수와, 상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 객체 카운팅을 수행하는 단계를 포함한다.

Description

인공신경망을 이용한 객체 카운팅 방법 및 이를 수행하기 위한 컴퓨팅 장치 {METHOD FOR COUNTING OBJECT USING ARTIFICIAL NEURAL NETWORK, AND COMPUTING APPARATUS FOR PERFORMING THE SAME}

본 명세서에서 개시되는 실시예들은 인공신경망을 이용하여 객체를 카운팅하는 방법, 그리고 이를 수행하기 위한 컴퓨팅 장치에 관한 것이다.

기술의 발달은 인간을 단순 노동에서 벗어나게 해주었으며, 이러한 흐름은 특히 최근 인공지능 기술의 발달로 가속화되었다.

예를 들어, 물체의 개수를 카운팅하는 작업은 물체의 크기가 작고 수가 많을수록 작업 수행에 많은 시간이 걸리고 작업 수행자의 피로도가 높아질 수 있어, 인공신경망을 이용한 영상 분석을 통해 자동으로 물체의 개수를 카운팅하는 기술이 사용되고 있다.

그런데 기존의 인공신경망을 이용한 카운팅 기술은 복잡한 연산으로 인해 많은 리소스를 필요로 하므로 고성능 컴퓨터에서만 실행될 수 있었고, 따라서 보다 경량화되면서 정확도는 높은 수준으로 유지할 수 있는 카운팅 기술의 개발이 필요하게 되었다.

한편, 전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 명세서에서 개시되는 실시예들은, 제한된 컴퓨팅 환경에서도 실행할 수 있도록 경량화된, 인공신경망을 이용한 객체 카운팅 방법 및 장치를 제공하고자 한다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 인공신경망을 이용한 객체 카운팅 방법은, 컴퓨팅 장치가 촬영 영상으로부터 일정 시간 간격의 이미지 프레임들을 추출하는 단계, 상기 컴퓨팅 장치가 상기 이미지 프레임별로 객체들을 인식하는 단계, 상기 컴퓨팅 장치가 상기 이미지 프레임별로 인식된 객체들의 중심점을 검출하는 단계, 상기 컴퓨팅 장치가 연속된 이미지 프레임 간 중심점들의 위치를 비교한 결과에 기초하여, 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점들을 파악하는 단계 및 상기 컴퓨팅 장치가 상기 검출된 중심점들의 개수와, 상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 객체 카운팅을 수행하는 단계를 포함할 수 있다.

다른 실시예에 따르면, 인공신경망을 이용한 객체 카운팅 방법을 수행하기 위한 컴퓨터 프로그램으로서, 인공신경망을 이용한 객체 카운팅 방법은, 컴퓨팅 장치가 촬영 영상으로부터 일정 시간 간격의 이미지 프레임들을 추출하는 단계, 상기 컴퓨팅 장치가 상기 이미지 프레임별로 객체들을 인식하는 단계, 상기 컴퓨팅 장치가 상기 이미지 프레임별로 인식된 객체들의 중심점을 검출하는 단계, 상기 컴퓨팅 장치가 연속된 이미지 프레임 간 중심점들의 위치를 비교한 결과에 기초하여, 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점들을 파악하는 단계 및 상기 컴퓨팅 장치가 상기 검출된 중심점들의 개수와, 상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 객체 카운팅을 수행하는 단계를 포함할 수 있다.

또 다른 실시예에 따르면, 인공신경망을 이용한 객체 카운팅 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체로서 인공신경망을 이용한 객체 카운팅 방법은, 컴퓨팅 장치가 촬영 영상으로부터 일정 시간 간격의 이미지 프레임들을 추출하는 단계, 상기 컴퓨팅 장치가 상기 이미지 프레임별로 객체들을 인식하는 단계, 상기 컴퓨팅 장치가 상기 이미지 프레임별로 인식된 객체들의 중심점을 검출하는 단계, 상기 컴퓨팅 장치가 연속된 이미지 프레임 간 중심점들의 위치를 비교한 결과에 기초하여, 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점들을 파악하는 단계 및 상기 컴퓨팅 장치가 상기 검출된 중심점들의 개수와, 상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 객체 카운팅을 수행하는 단계를 포함할 수 있다.

또 다른 실시예에 따르면, 인공신경망을 이용한 객체 카운팅 방법을 수행하기 위한 컴퓨팅 장치는, 객체들을 촬영한 촬영 영상을 수신하고, 객체 카운팅 결과를 출력하기 위한 입출력부, 상기 촬영 영상으로부터 객체를 카운팅하기 위한 프로그램이 저장되는 저장부 및 적어도 하나의 프로세서를 포함하는 제어부를 포함하며, 상기 제어부는, 상기 촬영 영상으로부터 일정 시간 간격의 이미지 프레임들을 추출하고, 상기 이미지 프레임별로 객체들을 인식하고, 상기 이미지 프레임별로 인식된 객체들의 중심점을 검출하고, 연속된 이미지 프레임 간 중심점들의 위치를 비교한 결과에 기초하여, 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점들을 파악하고, 상기 검출된 중심점들의 개수와, 상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 객체 카운팅을 수행할 수 있다.

전술한 과제 해결 수단 중 어느 하나에 의하면, 연속된 이미지 프레임 간 중심점들의 위치를 비교한 결과에 기초하여, 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점들을 파악하고, 그 결과를 반영하여 객체 카운팅을 수행함으로써, 리소스를 효율적으로 사용하면서 정확도를 향상시키는 효과를 기대할 수 있다.

또한, 이미지 프레임 전체가 아닌, 이미지 프레임의 일부 영역을 디텍팅 영역 및 카운팅 영역으로 설정하고, 해당 영역들 내에서만 객체 인식 및 중심점 검출을 수행함으로써 필요한 연산을 줄여 시스템을 경량화하는 효과를 기대할 수 있다.

개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시예에 따른 인공신경망을 이용한 객체 카운팅 방법을 수행하기 위한 시스템을 도시한 도면이다.
도 2는 도 1에 도시된 시스템에 포함된 컴퓨팅 장치의 상세구성을 도시한 도면이다.
도 3 내지 도 6은 실시예들에 따른 인공신경망을 이용한 객체 카운팅 방법을 설명하기 위한 도면들이다.
도 7은 이미지 프레임에 디텍팅 영역 및 카운팅 영역을 설정하고, 객체 인식 및 객체의 중심점 검출을 수행하는 방법을 설명하기 위한 도면이다.
도 8은 연속되는 이미지 프레임 간 중심점들의 위치 비교를 통해 객체들의 개수를 카운팅하는 방법을 자세히 설명하기 위한 도면이다.
도 9 및 도 10은 연속된 두 개의 이미지 프레임 동안에 객체가 이동한 거리를 일정한 기준값 이하로 제한해야 하는 이유를 설명하기 위한 도면들이다.

아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐 아니라, '그 중간에 다른 구성을 사이에 두고 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.

본 명세서에서 설명되는 실시예들은 인공신경망을 이용하여 객체를 카운팅하는 방법에 대한 것들이다.

본 명세서에서는 구체적인 예시를 통해 발명에 대한 이해를 높일 수 있도록 '컨베이어 벨트를 통해 이동되는 달걀(객체)의 개수를 카운팅'하는 실시예에 대해서 자세히 설명하고, 이어서 확장 가능한 실시예들에 대해서 설명하기로 한다.

도 1은 일 실시예에 따른 인공신경망을 이용한 객체 카운팅 방법을 수행하기 위한 시스템을 도시한 도면이다. 도 1을 참고하면, 일 실시예에 따른 인공신경망을 이용한 객체 카운팅 방법을 수행하기 위한 시스템은, 촬영 장치(10), 컴퓨팅 장치(100) 및 컨베이어 벨트(20)를 포함할 수 있다.

컨베이어 벨트(20)상에는 달걀들이 놓이며, 컨베이어 벨트(20)는 일정한 방향 및 일정한 속도로 이동한다고 가정한다.

촬영 장치(10)는 컨베이어 벨트(20)를 통해 이동되는 달걀들을 촬영하고, 촬영 영상을 컴퓨팅 장치(100)로 전송한다. 이를 위해, 촬영 장치(10)는 컨베이어 벨트(20)의 일정 영역을 촬영하도록 위치가 설정될 수 있다.

컴퓨팅 장치(100)는 촬영 장치(10)로부터 수신한 촬영 영상을 분석함으로써, 컨베이어 벨트(20)를 통해 이동되는 달걀들의 개수를 카운팅할 수 있다. 컴퓨팅 장치(100)는 영상으로부터 객체를 인식하기 위한 인공신경망을 포함하며, 객체를 인식한 결과에 따라 객체의 개수를 카운팅하기 위한 프로그램(객체 카운팅 알고리즘을 실행하기 위한 프로그램)을 저장하고 있을 수 있다. 인공신경망을 이용한 객체 인식, 그리고 객체 카운팅 알고리즘에 대해서는 아래에서 자세히 설명하기로 한다.

도 2는 도 1에 도시된 시스템에 포함된 컴퓨팅 장치의 상세구성을 도시한 도면이다. 도 2를 참고하면, 컴퓨팅 장치(100)는 입출력부(110), 제어부(120) 및 저장부(130)를 포함할 수 있다.

입출력부(110)는 외부의 장치와 데이터를 송수신하거나, 사용자로부터 명령을 수신하고, 작업을 수행한 결과 등을 출력하기 위한 구성이다. 컴퓨팅 장치(100)는 입출력부(110)를 통해 촬영장치(10)로부터 촬영 영상을 수신하며, 촬영 영상 분석을 통해 객체의 개수를 카운팅한 결과를 입출력부(110)를 통해 화면에 표시하거나, 다른 외부 장치에 전송할 수 있다.

제어부(120)는 CPU 등과 같은 적어도 하나의 프로세서를 포함하는 구성으로서 컴퓨팅 장치(100)의 전체적인 동작을 제어한다. 제어부(120)는 후술할 저장부(130)에 저장된 프로그램을 실행시킴으로써, 인공신경망을 이용한 객체 카운팅 방법을 수행할 수 있다. 제어부(120)가 인공신경망을 이용하여 객체 카운팅을 수행하는 자세한 방법에 대해서는 아래에서 다른 도면들을 참조하여 설명한다.

저장부(130)에는 다양한 종류의 프로그램 및 데이터가 저장될 수 있다. 특히, 저장부(130)에는 인공신경망을 이용한 객체 카운팅 방법을 수행하기 위한 프로그램이 저장될 수 있다.

도 3 내지 도 6은 실시예들에 따른 인공신경망을 이용한 객체 카운팅 방법을 설명하기 위한 도면들이다. 이하에서는, 도 1 및 도 2의 시스템과 장치들을 이용하여 영상으로부터 객체 카운팅을 수행하는 방법에 대해서 자세히 설명한다.

도 3을 참고하면, 301 단계에서 컴퓨팅 장치(100)의 제어부(120)는 촬영 장치(10)로부터 수신한 촬영 영상으로부터 일정 시간 간격의 이미지 프레임들을 추출한다. 예를 들어, 촬영 영상은 60fps인데, 이미지 프레임 간 시간 간격이 0.033초(30fps에 대응)가 되도록 이미지 프레임들을 추출하고자 한다면, 제어부(120)는 촬영 영상에 포함된 이미지 프레임들을 하나씩 건너뛰면서 추출할 수 있다. 객체의 이동속도나 서로 다른 객체 간 거리 등에 따라서 이미지 프레임 간 시간 간격을 조정할 필요가 있을 수 있는데, 이에 대해서는 아래에서 자세히 설명하도록 한다.

302 단계에서 제어부(120)는 추출된 이미지 프레임별로 객체들을 인식한다. 객체 인식 시 사용되는 신경망이 특별히 한정되는 것은 아니나, 일 실시예에 따르면 제어부(120)는 이미지 인식 분야에서 널리 사용되는 콘볼루션 신경망(CNN)을 이용하여 객체들을 인식할 수 있다. 인식 정확도를 높이기 위해서 인공신경망은 다양한 조건(e.g. 조명)하에서 다양한 상태(e.g. 정상, 불량)의 객체를 촬영한 영상을 통해 미리 학습될 수 있다.

제어부(120)는 이미지 프레임 전체에 대해서 객체 인식을 수행할 수도 있지만, 효율성을 높이기 위해서 이미지 프레임 중 일부 영역을 디텍팅 영역(Region of Detecting)으로 설정하고, 디텍팅 영역에 대해서만 객체 인식을 수행할 수도 있다. 디텍팅 영역은 사전에 설정될 수도 있고, 이미지 프레임을 분석한 결과에 따라 실시간으로 설정될 수도 있는데, 디텍팅 영역의 설정에 대해서는 아래에서 도 7을 참조하여 자세히 설명한다.

303 단계에서 제어부(120)는 이미지 프레임별로 인식된 객체들의 중심점을 검출한다. 제어부(120)는 이미지 프레임에 포함된 모든 객체들의 중심점을 검출할 수도 있지만, 효율성을 높이기 위해서 이미지 프레임 중 일부 영역을 카운팅 영역(Region of Counting)으로 설정하고, 카운팅 영역 내에서만 객체들의 중심점을 검출할 수도 있다. 카운팅 영역은 사전에 설정되거나 실시간으로 설정될 수 있는데, 카운팅 영역의 설정에 대해서는 아래에서 도 7을 참조하여 자세히 설명한다.

이하에서는 도 7을 참조하여 이미지 프레임별로 디텍팅 영역 및 카운팅 영역을 설정하고, 객체 인식 및 객체의 중심점 검출을 수행하는 방법에 대해서 자세히 설명한다.

도 7을 참고하면, 하나의 이미지 프레임(700)상에 디텍팅 영역(710) 및 카운팅 영역(720)이 설정되어 있다. 앞서 설명한 바와 같이 이미지 프레임(700) 전체에 대해서 객체 인식 및 중심점 검출을 수행한다면 연산량이 증가하고 자원이 많이 소모되므로, 제어부(120)는 이미지 프레임(700)의 일부 영역을 디텍팅 영역(710) 및 카운팅 영역(720)으로 설정하고, 설정된 영역 내에서만 객체 인식 및 중심점 검출을 수행할 수 있다.

디텍팅 영역(710) 및 카운팅 영역(720)이 좁게 설정될수록 제어부(120)가 탐색해야 할 대상이 줄어들어 효율성은 높아질 수 있으나, 너무 좁게 설정되면 검출 정확도가 낮아지는 문제점이 발생한다. 따라서, 이하에서는 검출 정확도를 일정 수준 이상으로 유지할 수 있도록 디텍팅 영역(710) 및 카운팅 영역(720)을 설정하는 방법에 대해서 설명한다. 이하에서는 객체들의 이동방향이 디텍팅 영역(710) 및 카운팅 영역(720)의 '길이' 방향이고, 그에 수직인 방향이 디텍팅 영역(710) 및 카운팅 영역(720)의 '폭' 방향이라고 가정한다.

먼저 디텍팅 영역(710)에 관하여 설명한다. 제어부(120)는 디텍팅 영역(710) 내에서만 객체를 인식하도록 구현될 수 있다. 모든 객체가 적어도 하나의 이미지 프레임에서는 완전한 형태로 인식될 수 있도록 하기 위해, 디텍팅 영역(710)의 길이(length_ROD)는 객체의 너비의 최대값(max_R_object)과 연속된 이미지 프레임 동안에 객체가 이동한 거리의 최대값(max_d_move)의 합보다는 크도록 설정되어야 한다. 즉, 다음의 수학식 1과 같은 관계가 성립한다.

이어서 카운팅 영역(720)에 관하여 설명한다. 제어부(120)는 카운팅 영역(720) 내에서만 객체들의 중심점을 검출하도록 구현될 수 있다. 도 7을 참고하면, 카운팅 영역(720) 내에 '중심점이 위치하는' 객체들의 중심점이 검출되었다. 모든 객체들의 중심점이 적어도 하나의 이미지 프레임의 카운팅 영역에서는 검출될 수 있도록 하기 위해, 카운팅 영역(720)의 길이(length_ROC)는 연속된 이미지 프레임 동안에 객체가 이동한 거리의 최대값(max_d_move)보다는 크도록 설정되어야 한다. 다만, 카운팅 영역(720)의 길이(length_ROC)는 디텍팅 영역의 길이(length_ROD)보다는 작게 설정되어야 한다. 따라서, 다음의 수학식 2와 같은 관계가 성립한다.

이때, '연속된 이미지 프레임 동안에 객체가 이동한 거리(d_move)'는 객체의 이동속도와 이미지 프레임 간 시간 간격을 곱한 값이다. 도 7에 도시된 실시예와 같이 컨베이어 벨트를 통해 이동되는 달걀들을 카운팅하는 경우라면, 모든 객체들의 이동속도가 동일하기 때문에 '최대값'을 취할 필요가 없다. 하지만, 추후에 설명할 확장 가능한 실시예들에서는 객체들마다 이동속도가 상이할 수 있으므로 '최대값'을 취해야 한다.

제어부(120)는 실시간으로 디텍팅 영역 및 카운팅 영역을 설정할 수도 있다. 예를 들어, 제어부(120)는 이미지 프레임을 분석함으로써 객체의 너비의 최대값(max_R_object)이나 연속된 이미지 프레임 동안에 객체가 이동한 거리의 최대값(max_d_move)을 측정하고, 측정 결과를 수학식 1 및 2에 대입함으로써 실시간으로 디텍팅 영역 및 카운팅 영역의 길이를 설정할 수도 있다.

다시 도 3으로 돌아와서, 304 단계에서 제어부(120)는 연속된 이미지 프레임 간 중심점들의 위치를 비교한 결과에 기초하여, 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점을 파악한다. 자세하게는 제어부(120)는 연속된 이미지 프레임 간 중심점들의 이격거리를 산출하고, 산출된 이격거리가 미리 설정된 기준값보다 작은 경우에는 해당 이격거리에 대응되는 중심점들이 동일 객체에 대한 중심점인 것으로 판단한다. 기준값의 설정과 관련해서는 아래에서 자세히 설명하도록 한다.

이하에서는 도 8을 참조하여 연속된 이미지 프레임 간 중심점들의 이격거리를 기준값과 비교함으로써 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점을 파악하는 방법에 대해서 자세히 설명한다.

도 8에는 연속된 3개의 이미지 프레임의 카운팅 영역(810, 820, 830)이 도시되었다. 설명의 편의를 위해, 첫 번째 이미지 프레임의 카운팅 영역(810)을 제1 카운팅 영역이라고 하고, 두 번째 이미지 프레임의 카운팅 영역(820)을 제2 카운팅 영역이라고 하고, 세 번째 이미지 프레임의 카운팅 영역(830)을 제3 카운팅 영역이라고 한다. 각각의 카운팅 영역(810, 820, 830)에는 검정색으로 채워진 점들과 점선으로 표시된 점들이 있는데, 검정색으로 채워진 점들은 해당 이미지 프레임에서 검출된 중심점들이고, 점선으로 표시된 점들은 바로 이전의 이미지 프레임에서 검출된 중심점들이다. 도 8에서는 객체(달걀)들은 생략하고 객체들의 중심점만을 도시하였다.

도 8을 참고하면, 제어부(120)는 제2 카운팅 영역(820)에서 검출된 중심점들(P21, P23)과 제1 카운팅 영역(810)에서 검출된 중심점들(P11, P12)의 위치를 비교하여 중심점들 간 이격거리를 산출한다. 이때, 제어부(120)는 현재의 이미지 프레임의 제2 카운팅 영역(820)에서 검출된 모든 중심점들(P21, P23) 각각에 대해서, 이전 이미지 프레임의 제1 카운팅 영역(810)에서 검출된 모든 중심점들(P11, P12)과의 이격거리를 산출한다. 즉, 제어부(120)는 P21에 대해서 P11 및 P12와의 이격거리를 각각 산출하고, P23에 대해서도 P11 및 P12와의 이격거리를 각각 산출한다. 제어부(120)는 산출된 중심점 간 이격거리 중에서 미리 설정된 기준값보다 작은 것이 있는지를 판단하고, 기준값보다 작은 이격거리에 대응되는 중심점들은 동일 객체에 대한 중심점인 것으로 판단한다.

도 8의 제2 카운팅 영역(820)에서 P21과 P11 사이의 이격거리는 기준값보다 작고, 나머지 중심점들 간 이격거리는 모두 기준값보다 크다고 가정한다. 이 경우, 제어부(120)는 P21과 P11은 동일 객체에 해당되는 중심점인 것으로 판단한다.

도 8의 제3 카운팅 영역(830)에 대해서 살펴보면, 제어부(120)는 제3 카운팅 영역(830)에서 검출된 중심점(P33)과 제2 카운팅 영역(820)에서 검출된 중심점들(P21, P23)의 위치를 비교하여 중심점들 간 이격거리를 산출한다. 제3 카운팅 영역(830)에서 P33과 P23 사이의 이격거리는 기준값보다 작고, 나머지 중심점들 간 이격거리는 모두 기준값보다 크다고 가정한다. 이 경우, 제어부(120)는 P33과 P23은 동일 객체에 해당하는 중심점인 것으로 판단한다.

연속된 이미지 프레임 간 중심점들의 이격거리와 비교되는 기준값은, 객체의 형태나 특성, 그리고 요구되는 정확도의 수준 등에 따라서 적절한 값으로 설정될 수 있는데, 기준값을 설정하는 구체적인 예시들에 대해서 아래에서 설명한다.

일 실시예에 따르면, 기준값은 동일 이미지 프레임 내에서 서로 다른 객체들의 중심점 간 이격거리의 최소값(이하, '객체 간 최소 이격거리')에 0.5를 곱한 값으로 설정될 수 있다.

카운팅의 대상이 되는 객체가 달걀과 같이 크기 및 형태가 거의 동일하고, 객체들이 서로 맞닿은 상태로 놓일 수 있는 경우라면, 객체 간 최소 이격거리는 '객체의 너비의 최소값(min_R_object)'이 될 수 있다. 따라서, 컨베이어 벨트를 통해 이동되는 달걀을 카운팅하는 실시예에서 기준값은 '달걀(객체)의 너비의 최소값(min_R_object)에 0.5를 곱한 값'이 될 수 있다. 이때, 객체의 너비의 최소값(min_R_object)은, 제어부(120)가 이미지 프레임을 분석함으로써 검출할 수도 있다.

한편 카운팅의 대상이 되는 객체가 사람인 경우(e.g. 사람들이 존재하는 공간을 위에서 촬영한 영상을 분석함으로써 사람의 수를 카운팅하는 경우)에는 객체들의 크기 및 형태가 조금씩 다를 뿐만 아니라, 서로 다른 사람들 간에는 일반적으로 어느 정도 거리가 유지되므로, 제어부(120)는 달걀을 카운팅하는 경우와 같이 객체 너비의 최소값을 이용하여 기준값을 결정할 수 없다. 이 경우에는 사용자가 사람 사이의 최소 간격이라고 생각되는 값을 객체 간 최소 이격거리로서 컴퓨팅 장치(100)에 입력하면, 제어부(120)는 그에 따라 기준값을 결정할 수 있다.

연속된 이미지 프레임 간 중심점들의 이격거리를 기준값과 비교하여 동일 객체 여부를 판단하기 위해서는, 연속된 이미지 프레임 동안 객체가 이동한 거리의 최대값(max_d_move)은 기준값보다 작도록 제어되어야만 한다. 그 이유에 대해서는 아래에서 도 9 및 도 10을 참조하여 설명한다.

도 9 및 도 10은 연속된 두 개의 이미지 프레임 동안에 객체가 이동한 거리의 최대값(max_d_move)을 일정한 기준값 이하로 제한해야 하는 이유를 설명하기 위한 도면들이다. 도 9 및 도 10 모두 두 개의 달걀(객체)이 서로 인접한 상태로 이동되는 상황을 도시하였고, 다만 달걀의 이동속도만이 상이하다.

도 9 및 도 10을 참조하여 설명하면, 객체들(910a, 920a) 간 최소 이격거리는 P1a와 P2a 사이의 거리인 d이고, 이 값은 달걀들의 크기 및 형태가 동일하다고 가정할 때 객체의 너비의 최소값(min_R_object)과 같다. 따라서, 기준값은 (d * 0.5)로 설정될 수 있다.

도 9에는 n번째 이미지 프레임에서 인식된 객체들(910a, 920a)과, (n+1)번째 이미지 프레임에서 인식된 객체들(910b, 920b)을 도시하였다. 도면에서 확인할 수 있는 바와 같이 연속된 두 개의 이미지 프레임 동안에 객체가 이동한 거리(d_move)는 기준값인 (d * 0.5)보다 크다. 그 결과 중심점들 간 이격거리를 살펴보면, 동일한 객체(910a, 910b)에 대응되는 중심점들(P1a, P1b) 간 이격거리인 d91이, 서로 다른 객체(910b, 920a)에 대응되는 중심점들(P1b, P2a) 간 이격거리인 d92보다 크게 되었다. 즉, 서로 다른 객체의 중심점들 간 이격거리가 동일 객체의 중심점들 간 이격거리보다 작아지는 경우가 발생할 수 있어, 중심점들 간 이격거리에 기초하여 동일 객체 여부를 판단하는 것이 불가능하다.

도 10에는 n번째 이미지 프레임에서 인식된 객체들(1010a, 1020a)과, (n+1)번째 이미지 프레임에서 인식된 객체들(1010b, 1020b)을 도시하였다. 도면에서 확인할 수 있는 바와 같이 연속된 두 개의 이미지 프레임 동안에 객체가 이동한 거리(d_move)는 기준값인 (d * 0.5)보다 작다. 그 결과, 동일한 객체(1010a, 1010b)에 대응되는 중심점들(P1a, P1b) 간 이격거리인 d101이, 서로 다른 객체(1010b, 1020a)에 대응되는 중심점들(P1b, P2a) 간 이격거리인 d102보다 작다. 이와 같이, 동일 객체의 중심점들 간 이격거리가 항상 서로 다른 객체의 중심점들 간 이격거리보다 작게 유지되므로, 제어부(120)는 중심점들 간 이격거리에 기초하여 동일 객체 여부를 판단할 수 있다.

연속된 두 개의 이미지 프레임 동안에 객체가 이동한 거리의 최대값(max_d_move)을 일정한 기준값 이하로 제한하는 방법은 다양하게 구현될 수 있다. 예를 들어, 객체의 이동속도를 낮춤으로써 (max_d_move)를 감소시킬 수 있고, 만약 객체의 이동속도 변경이 불가하거나, 객체 간 최소 이격거리가 너무 작아 객체의 이동속도 변경만으로는 충분하지 않은 상황이라면 301 단계에서 추출되는 이미지 프레임들 간 시간 간격을 짧게 함으로써 (max_d_move)를 감소시킬 수도 있다.

다시 도 3으로 돌아와서, 305 단계에서 제어부(120)는 검출된 중심점들의 개수와, 동일 객체에 해당되는 중심점들을 파악한 결과를 이용하여 객체 카운팅을 수행한다.

기본적으로 제어부(120)는 이미지 프레임들에서 검출된 중심점들의 개수를 합함으로써 촬영 영상에 등장하는 객체들의 개수를 카운팅할 수 있다. 그런데, 동일한 객체가 복수의 이미지 프레임들에 걸쳐서 등장할 수 있고, 따라서 이미지 프레임들에서 검출된 중심점들의 개수를 단순히 모두 합하기만 한다면 일부 동일한 객체를 중복으로 카운팅하는 결과를 가져오게 된다. 일 실시예에 따른 카운팅 알고리즘에 따르면 위와 같은 문제를 방지하기 위해, 제어부(120)는 연속된 이미지 프레임 간 중심점들의 위치를 비교한 결과에 기초하여 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점을 파악하고, 그 결과를 반영하여 카운팅 값을 보정할 수 있다.

이하에서는 도 4 및 도 8을 참조하여 카운팅 영역 내 중심점 검출을 통해 객체를 카운팅하는 알고리즘에 대해서 자세히 설명한다.

도 4는 도 3의 305 단계에 포함되는 세부 단계들을 도시한 순서도이다.

401 단계에서 제어부(120)는 이미지 프레임별로 검출된 중심점들의 개수를 예비 카운팅 값으로 결정한다. 도 8에서 제1 카운팅 영역(810)에서 검출된 중심점들(P11, P12)은 2개 이므로, 제1 카운팅 영역(810)에 대한 예비 카운팅 값은 2가 된다. 동일한 방식에 따라 제2 카운팅 영역(820) 및 제3 카운팅 영역(830)의 예비 카운팅 값은 각각 2 및 1이 된다.

402 단계에서 제어부(120)는 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 이미지 프레임별로 카운팅 보정값을 결정한다. 자세하게는, 제어부(120)는 현재 이미지 프레임에서 검출된 중심점들 중에서, 이전 이미지 프레임에서 이미 중심점이 검출된 객체에 대응되는 것이 발견될 때마다 카운팅 보정값을 -1씩 증가시킨다. 구체적인 예시는 아래를 참고한다.

도 8의 제2 카운팅 영역(820)에 대해서 살펴보면, 앞서 살펴본 바와 같이 제2 카운팅 영역(820)에서 검출된 중심점들(P21, P23) 중에서 P21은, 제1 카운팅 영역(810)에서 이미 중심점(P11)이 검출된 객체에 대응되므로, 제어부(120)는 제2 카운팅 영역(820)에 대한 카운팅 보정값을 -1로 설정한다.

도 8의 제3 카운팅 영역(830)에 대해서 살펴보면, 앞서 살펴본 바와 같이 제3 카운팅 영역(830)에서 검출된 중심점(P33)은, 제2 카운팅 영역(820)에서 이미 중심점(P23)이 검출된 객체에 대응되므로, 제어부(120)는 제3 카운팅 영역(830)에 대한 카운팅 보정값을 -1로 설정한다.

403 단계에서 제어부(120)는 모든 이미지 프레임들에 대해서 예비 카운팅 값 및 카운팅 보정값을 합하여 최종 카운팅 값을 산출한다.

도 8을 참고하면, 제1 카운팅 영역(810)에 대해서는 카운팅 보정값이 존재하지 않으므로, 제1 카운팅 영역(810)에 대한 카운팅 값은 예비 카운팅 값과 동일하게 2가 된다. 제2 카운팅 영역(820)에 대한 카운팅 값은 예비 카운팅 값(2)과 카운팅 보정값(-1)을 합한 결과인 1이 된다. 제3 카운팅 영역(830)에 대한 카운팅 값은, 예비 카운팅 값(1)과 카운팅 보정값(-1)을 합한 결과인 0이 된다. 제어부(120)는 제1 내지 3 카운팅 영역(810, 820, 830)에 대한 카운팅 값을 모두 합함으로써 최종 카운팅 값 3을 얻게 된다.

이상 설명한 실시예에서는 컨베이어 벨트를 통해 달걀들이 이동되므로 모든 객체들의 이동방향 및 이동속도가 동일하다. 하지만, 객체들의 이동방향 및 이동속도가 상이한 경우까지 실시예를 확장하는 것이 가능하다.

도 3의 304 단계에서 동일 객체에 해당되는 중심점들을 파악했으면, 제어부(120)는 그 결과에 기초하여 각 객체들의 이동방향 및 이동속도를 측정할 수 있기 때문이다.

구체적인 실시예로서, 양방향으로 이동하는 차량들을 위에서 촬영하고, 촬영 영상을 분석함으로써 각 방향으로 이동한 차량들의 개수를 카운팅할 수 있다. 도 5에는 이러한 실시예에 대응되는, 도 3의 305 단계의 세부단계들을 도시하였다.

501 단계에서 제어부(120)는 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 중심점들 각각의 이동방향을 파악한다. 502 단계에서 제어부(120)는 파악된 이동방향별로 객체의 개수를 카운팅한다. 본 실시예도 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 카운팅 보정값을 결정하고, 이를 반영하여 최종 카운팅 값을 도출하는 점은 앞서 도 8을 참조하여 설명한 바와 같다.

또 다른 실시예로서, 출입구를 통해 드나드는 사람들의 수를 카운팅함으로써 특정 공간 내에 존재하는 사람들의 수를 파악할 수도 있다. 도 6에는 이러한 실시예에 대응되는, 도 3의 305 단계의 세부단계들을 도시하였다.

601 단계에서 제어부(120)는 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 중심점들 각각의 이동방향을 파악한다. 602 단계에서 제어부(120)는 파악된 이동방향에 기초하여 출입구를 통해 드나든 객체의 개수를 카운팅한다. 본 실시예에서 제어부(120)는 출입구 주변에서의 객체들의 이동방향에 기반하여, 출입구를 통해 나가는 사람의 수와 출입구를 통해 들어오는 사람의 수를 각각 카운팅할 수 있고, 출입구를 통해 들어온 사람의 수에서 출입구를 통해 나간 사람의 수를 뺌으로써 해당 공간 내에 머무르는 사람들의 수를 계산할 수 있다. 본 실시예도 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 카운팅 보정값을 결정하고, 이를 반영하여 최종 카운팅 값을 도출하는 점은 앞서 도 8을 참조하여 설명한 바와 같다.

이상의 실시예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램특허 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다.

구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로부터 분리될 수 있다.

뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다.

도 3 내지 도 6을 통해 설명된 실시예에 따른 인공신경망을 이용한 객체 카운팅 방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함할 수 있다. 예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.

또한 도 3 내지 도 6을 통해 설명된 실시예에 따른 인공신경망을 이용한 객체 카운팅 방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다.

따라서 도 3 내지 도 6을 통해 설명된 실시예에 따른 인공신경망을 이용한 객체 카운팅 방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.

여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다.

또한 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다.

그리고 저장장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다.

상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 명세서를 통해 보호받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.

10: 촬영 장치 100: 컴퓨팅 장치
110: 입출력부 120: 제어부
130: 저장부

Claims (20)

1. 인공신경망을 이용한 객체 카운팅 방법에 있어서,
   컴퓨팅 장치가 촬영 영상으로부터 일정 시간 간격의 이미지 프레임들을 추출하는 단계;
   상기 컴퓨팅 장치가 상기 이미지 프레임별로 객체들을 인식하는 단계;
   상기 컴퓨팅 장치가 상기 이미지 프레임별로 인식된 객체들의 중심점을 검출하는 단계;
   상기 컴퓨팅 장치가 연속된 이미지 프레임 간 중심점들의 위치를 비교한 결과에 기초하여, 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점들을 파악하는 단계; 및
   상기 컴퓨팅 장치가 상기 검출된 중심점들의 개수와, 상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 객체 카운팅을 수행하는 단계를 포함하며,
   상기 객체들을 인식하는 단계는, 상기 이미지 프레임들의 일부 영역을 디텍팅 영역으로 설정하는 단계; 및 상기 디텍팅 영역 내에서만 상기 객체들을 인식하는 단계를 포함하며,
   상기 디텍팅 영역의 길이는, 상기 객체들의 너비의 최대값과 연속된 이미지 프레임 동안에 객체가 이동한 거리의 최대값의 합보다는 크게 설정되고,
   상기 객체들의 중심점을 검출하는 단계는, 상기 이미지 프레임들의 일부 영역을 카운팅 영역으로 설정하는 단계, 및 상기 카운팅 영역 내에서만 상기 객체들의 중심점을 검출하는 단계를 포함하며,
   상기 카운팅 영역의 길이는, 연속된 이미지 프레임 동안에 객체가 이동한 거리의 최대값보다는 크고, 상기 디텍팅 영역의 길이보다는 작게 설정되는, 방법.
2. 제1항에 있어서,
   상기 동일 객체에 해당되는 중심점들을 파악하는 단계는,
   상기 연속된 이미지 프레임 간 중심점들의 이격거리를 산출하는 단계;
   상기 산출된 이격거리가 미리 설정된 기준값보다 작다면, 상기 이격거리에 대응되는 중심점들이 동일 객체에 대한 중심점인 것으로 판단하는 단계를 포함하는 것을 특징으로 하는 방법.
3. 제2항에 있어서,
   상기 기준값은, 동일 이미지 프레임 내에서 서로 다른 객체들의 중심점 간 이격거리의 최소값에 0.5를 곱한 값으로 설정되는 것을 특징으로 하는 방법.
4. 제2항에 있어서,
   상기 기준값은, 상기 객체들의 너비의 최소값에 0.5를 곱한 값으로 설정되는 것을 특징으로 하는 방법.
5. 삭제
6. 삭제
7. 제1항에 있어서,
   상기 객체 카운팅을 수행하는 단계는,
   상기 이미지 프레임별로 검출된 중심점들의 개수를 예비 카운팅 값으로 결정하는 단계;
   상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 상기 이미지 프레임별로 카운팅 보정값을 결정하는 단계; 및
   모든 이미지 프레임들에 대해서 상기 예비 카운팅 값 및 상기 카운팅 보정값을 합하여 최종 카운팅 값을 산출하는 단계를 포함하는 것을 특징으로 하는 방법.
8. 제1항에 있어서,
   상기 객체 카운팅을 수행하는 단계는,
   상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 중심점들 각각의 이동방향을 파악하는 단계; 및
   상기 파악된 이동방향별로 객체의 개수를 카운팅하는 단계를 포함하는 것을 특징으로 하는 방법.
9. 제1항에 있어서,
   상기 객체 카운팅을 수행하는 단계는,
   상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 중심점들 각각의 이동방향을 파악하는 단계; 및
   상기 파악된 이동방향에 기초하여 출입구를 드나든 객체의 개수를 카운팅하는 단계를 포함하는 것을 특징으로 하는 방법.
10. 컴퓨터에 제1항에 기재된 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
11. 컴퓨팅 장치에 의해 수행되며, 제1항에 기재된 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램.
12. 인공신경망을 이용한 객체 카운팅 방법을 수행하기 위한 컴퓨팅 장치에 있어서,
    객체들을 촬영한 촬영 영상을 수신하고, 객체 카운팅 결과를 출력하기 위한 입출력부;
    상기 촬영 영상으로부터 객체를 카운팅하기 위한 프로그램이 저장되는 저장부; 및
    적어도 하나의 프로세서를 포함하는 제어부를 포함하며,
    상기 제어부는,
    상기 촬영 영상으로부터 일정 시간 간격의 이미지 프레임들을 추출하고, 상기 이미지 프레임별로 객체들을 인식하고, 상기 이미지 프레임별로 인식된 객체들의 중심점을 검출하고, 연속된 이미지 프레임 간 중심점들의 위치를 비교한 결과에 기초하여, 서로 다른 이미지 프레임에서 검출된 중심점들 중에서 동일 객체에 해당되는 중심점들을 파악하고, 상기 검출된 중심점들의 개수와, 상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 객체 카운팅을 수행하며,
    상기 제어부는 상기 객체들을 인식함에 있어서, 상기 이미지 프레임들의 일부 영역을 디텍팅 영역으로 설정하고, 상기 디텍팅 영역 내에서만 상기 객체들을 인식하며 상기 디텍팅 영역의 길이는, 상기 객체들의 너비의 최대값과 연속된 이미지 프레임 동안에 객체가 이동한 거리의 최대값의 합보다 크게 설정되고,
    상기 제어부는 상기 객체들의 중심점을 검출함에 있어서, 상기 이미지 프레임들의 일부 영역을 카운팅 영역으로 설정하고, 상기 카운팅 영역 내에서만 상기 객체들의 중심점을 검출하며, 상기 카운팅 영역의 길이는, 연속된 이미지 프레임 동안에 객체가 이동한 거리의 최대값보다는 크고, 상기 디텍팅 영역의 길이보다는 작게 설정되는, 컴퓨팅 장치.
13. 제12항에 있어서,
    상기 제어부는 상기 동일 객체에 해당되는 중심점들을 파악함에 있어서,
    상기 연속된 이미지 프레임 간 중심점들의 이격거리를 산출하고, 상기 산출된 이격거리가 미리 설정된 기준값보다 작다면, 상기 이격거리에 대응되는 중심점들이 동일 객체에 대한 중심점인 것으로 판단하는 것을 특징으로 하는 컴퓨팅 장치.
14. 제13항에 있어서,
    상기 기준값은, 동일 이미지 프레임 내에서 서로 다른 객체들의 중심점 간 이격거리의 최소값에 0.5를 곱한 값으로 설정되는 것을 특징으로 하는 컴퓨팅 장치.
15. 제13항에 있어서,
    상기 기준값은, 상기 객체들의 너비의 최소값에 0.5를 곱한 값으로 설정되는 것을 특징으로 하는 컴퓨팅 장치.
16. 삭제
17. 삭제
18. 제12항에 있어서,
    상기 제어부는 상기 객체 카운팅을 수행함에 있어서,
    상기 이미지 프레임별로 검출된 중심점들의 개수를 예비 카운팅 값으로 결정하고, 상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 상기 이미지 프레임별로 카운팅 보정값을 결정하고, 모든 이미지 프레임들에 대해서 상기 예비 카운팅 값 및 상기 카운팅 보정값을 합하여 최종 카운팅 값을 산출하는 것을 특징으로 하는 컴퓨팅 장치.
19. 제12항에 있어서,
    상기 제어부는 상기 객체 카운팅을 수행함에 있어서,
    상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 중심점들 각각의 이동방향을 파악하고, 상기 파악된 이동방향별로 객체의 개수를 카운팅하는 것을 특징으로 하는 컴퓨팅 장치.
20. 제12항에 있어서,
    상기 제어부는 상기 객체 카운팅을 수행함에 있어서,
    상기 동일 객체에 해당되는 중심점들을 파악한 결과에 기초하여 중심점들 각각의 이동방향을 파악하고, 상기 파악된 이동방향에 기초하여 출입구를 드나든 객체의 개수를 카운팅하는 것을 특징으로 하는 컴퓨팅 장치.

Images