강건하고 효율적인 이면도로 CCTV 영상 폭행 검출 방법

초록

최근 가파르게 증가한 CCTV를 효과적으로 관리하여 치안을 강화하기 위해 많은 기업과 연구소는 CCTV 엣지 모듈과 같은 제한된 하드웨어 환경에서 폭행을 효율적으로 검출하는 연구를 진행하고 있다. 본 연구에서는 전통적인 알고리즘 방식의 폭행 검출 접근법과 딥러닝 방식의 폭행 검출 접근법을 융합하여 성능이 제한적이고 상황이 복잡한 이면도로 CCTV 환경에서 실시간으로 폭행을 정확하게 검출하는 방법을 제안한다. 제안하는 방법은 사람 객체를 파악하는 객체 검출 딥러닝 네트워크, 가려짐(occlusion)에 강건하게 대처하고 객체에 ID를 부여하는 객체 추적 네트워크, 그리고 ID의 상호작용 상태와 행동 상태를 업데이트 및 응용하여 폭행을 최종 판단하는 폭행 검출 알고리즘으로 구성되어 있다. 폭행 검출의 강건성과 효율성을 고려하여, 객체 검출 딥러닝 네트워크 모델은 YOLOv7-tiny 모델을, 객체 추적 네트워크는 ByteTrack을 사용했다. 본 연구에서 제안하는 방법은 딥러닝 방식과 전통적 방식을 융합하여 다수의 객체가 다양한 상호작용을 하는 AIHub 이상행동 CCTV 영상 데이터셋에 대해서 optical flow의 세기와 방향성을 활용하는 전통적인 방식의 Mahmoodi와 Salajeghe 방법과 영상 데이터의 공간적 특징과 시간적 특징을 활용하는 딥러닝 방식의 Kang 등, Halder와 Chatterjee, Abdali와 Tuma 방법의 폭행 검출 방법보다 낮은 연산량(5.1G FLOPs)과 높은 정확도(77.6%)를 달성했다.

키워드