최근 강력 범죄 및 우발 범죄가 끊이지 않고 있으면서 사회적 불안감이 고조되고 있다. 이에 따라 방범용 카메라, CCTV (Closed Circuit Television)가 범죄 증거 확보와 치안을 위해 사용되고 있다. 그러나 CCTV는 주로 사후 처리 기능으로 사용하고 있으며 사전에 범죄를 예방하기는 힘들다. 본 연구에서는 CCTV로부터 수집된 보행자 데이터를 이용하여 객체의 행동을 분석하고 위험 행동 여부를 추정하기 위한 유연성 다중 회귀 모델을 제안한다. 유연성 다중 회귀 모델은 필터링, 상황분석, 예측 단계로 구성되어 있다. 먼저 보행자에 대한 환경과 상황에 대해 필터링한 후 상황분석에 대한 정보를 구축하고 관찰 객체에 이상 행동이 결정된다. 마지막으로 연관분석을 통해 객체의 행동이 예측되어 위협 상황을 통지한다. 이를 통해 다중 지역에서 객체의 행동을 추적하여 객체 행동의 위험여부를 알 수 있으며, 행동 예측을 통해 범죄 발생을 예측 가능하다.
최근 강력 범죄 및 우발 범죄가 끊이지 않고 있으면서 사회적 불안감이 고조되고 있다. 이에 따라 방범용 카메라, CCTV (Closed Circuit Television)가 범죄 증거 확보와 치안을 위해 사용되고 있다. 그러나 CCTV는 주로 사후 처리 기능으로 사용하고 있으며 사전에 범죄를 예방하기는 힘들다. 본 연구에서는 CCTV로부터 수집된 보행자 데이터를 이용하여 객체의 행동을 분석하고 위험 행동 여부를 추정하기 위한 유연성 다중 회귀 모델을 제안한다. 유연성 다중 회귀 모델은 필터링, 상황분석, 예측 단계로 구성되어 있다. 먼저 보행자에 대한 환경과 상황에 대해 필터링한 후 상황분석에 대한 정보를 구축하고 관찰 객체에 이상 행동이 결정된다. 마지막으로 연관분석을 통해 객체의 행동이 예측되어 위협 상황을 통지한다. 이를 통해 다중 지역에서 객체의 행동을 추적하여 객체 행동의 위험여부를 알 수 있으며, 행동 예측을 통해 범죄 발생을 예측 가능하다.
In the recently, violent crime and accidental crime has been generated continuously. Consequently, people anxiety has been heightened. The Closed Circuit Television (CCTV) has been used to ensure the security and evidence for the crimes. However, the video captured from CCTV has being used in the po...
In the recently, violent crime and accidental crime has been generated continuously. Consequently, people anxiety has been heightened. The Closed Circuit Television (CCTV) has been used to ensure the security and evidence for the crimes. However, the video captured from CCTV has being used in the post-processing to apply to the evidence. In this paper, we propose a flexible multi-level models for estimating whether dangerous behavior and the environment and context for pedestrians. The situation analysis builds the knowledge for the pedestrians tracking. Finally, the decision step decides and notifies the threat situation when the behavior observed object is determined to abnormal behavior. Thereby, tracking the behavior of objects in a multi-region, it can be seen that the risk of the object behavior. It can be predicted by the behavior prediction of crime.
In the recently, violent crime and accidental crime has been generated continuously. Consequently, people anxiety has been heightened. The Closed Circuit Television (CCTV) has been used to ensure the security and evidence for the crimes. However, the video captured from CCTV has being used in the post-processing to apply to the evidence. In this paper, we propose a flexible multi-level models for estimating whether dangerous behavior and the environment and context for pedestrians. The situation analysis builds the knowledge for the pedestrians tracking. Finally, the decision step decides and notifies the threat situation when the behavior observed object is determined to abnormal behavior. Thereby, tracking the behavior of objects in a multi-region, it can be seen that the risk of the object behavior. It can be predicted by the behavior prediction of crime.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 위험 (dangerous)단계에서는 이미 범죄가 행한 단계이기 때문에 본 연구에서는 행동의 위험도가 위험 (dangerous)단계로 가기 전 경고 (caution)단계에서 이상 행동 및 범죄 징후가 파악되는 것을 목표로 한다.
3절에서는 앞서 분류한 데이터들의 특성을 모두 고려하여 거리, 지역, 시간, 날씨의 환경변수가 이상 행동에 영향을 끼치는 설명력 정도를 확인하기 위하여, 유연성 다중 회귀 모델 (FMR)을 실시한다. 본 연구에서는 거리, 지역, 시간, 날씨를 고정 변수 (fixed feature), 유연성 변수 (flexible feature)로 나누어 행동의 위험여부를 추정할 수 있는 모형을 구축하고자 하였다.
본 연구에서는 다중 CCTV로부터 범죄 상황 발생 전에 미리 예방할 수 있는 이상 행동 예측 모델을 제시하였다. 또한 사후처리의 용도 및 기존의 모니터링 용도뿐만 아니라 보행자의 이상 행동을 환경변수와 함께 고려하여 분석하였다.
본 연구의 목적으로는 CCTV로부터 수집된 영상정보의 대표적인 정보인 행동과 환경 정보를 통해 데이터 상관분석 및 유연성 다중 회귀 모델 (FMR: Flexible Multi-level Regression)을 실시하여 환경변수와 행동의 위험 및 이상 행동 여부를 추정할 수 있는 모델을 구축하고자 한다. 이를 통해 객체 행동의 이상 행동 여부와 행동의 위험 여부를 알 수 있으며, 축적된 데이터를 바탕으로 행동 예측을 통해 범죄 발생을 예측 하고자 한다.
환경변수 데이터는 상관분석을 통해 분류·분석되고, 이를 통해 행동과 환경변수간의 행동분석을 실시한다. 유연성 다중 회귀 모델 (FMR)을 통해 수집된 환경변수가 관찰된 객체의 행동에 대해 얼마만큼의 영향을 주는지 분석해 본다.
본 연구의 목적으로는 CCTV로부터 수집된 영상정보의 대표적인 정보인 행동과 환경 정보를 통해 데이터 상관분석 및 유연성 다중 회귀 모델 (FMR: Flexible Multi-level Regression)을 실시하여 환경변수와 행동의 위험 및 이상 행동 여부를 추정할 수 있는 모델을 구축하고자 한다. 이를 통해 객체 행동의 이상 행동 여부와 행동의 위험 여부를 알 수 있으며, 축적된 데이터를 바탕으로 행동 예측을 통해 범죄 발생을 예측 하고자 한다.
가설 설정
분석된 모델을 통해 4절의 시나리오에 적용할 것이다. 시나리오의 상황은 폭력으로 가정하였다.
제안 방법
CCTV의 영상 정보로 부터 수집된 데이터로 객체의 움직임을 감지하여 동적 객체를 판별하여 객체를 인식하고 추적한다. 객체를 트래킹하면서 객체에 대한 행동정보를 수집한다.
이 방정식은 독립변수와 종속변수 사이의 관련성을 수학적 모형을 이용하여 측정된 변수들의 자료로 부터 추정하고 분석하는데 적합한 방정식이다. 가설검증을 위해 유의확률 (p-value) 값을 확인하여 가설의 채택, 기각 여부를 파악한다. 일반적으로 유의확률의 값은 0.
CCTV의 영상 정보로 부터 수집된 데이터로 객체의 움직임을 감지하여 동적 객체를 판별하여 객체를 인식하고 추적한다. 객체를 트래킹하면서 객체에 대한 행동정보를 수집한다. 이때 날씨, 지역, 시간, 거리와 같은 환경정보를 함께 수집한다.
운량이나 밝기 등과 같은 주변의 날씨정보를 포함한다. 날씨, 밝기 등 에 의해 위험도 수준이 고려되며 본 연구에서는 운량을 날씨정보로 포함하였다.
본 연구에서는 다중 CCTV로부터 범죄 상황 발생 전에 미리 예방할 수 있는 이상 행동 예측 모델을 제시하였다. 또한 사후처리의 용도 및 기존의 모니터링 용도뿐만 아니라 보행자의 이상 행동을 환경변수와 함께 고려하여 분석하였다. 분석된 데이터를 통해서 최종 의사결정에 영향을 미치는 행동 예측 모델이며, 그 중 감시 서비스 미들웨어 (ISM)분석에 대해 중점을 두었다.
실험 영상 정보를 수집한 후 xml 데이터를 파싱하여 분석하였다. 먼저 환경변수는 카메라로부터 얻을 수 있는 이상 행동에 영향을 미치는 환경변수 중 가장 중요하다고 생각되는 변수 4가지를 선정하였다. 본 연구에서 고려할 환경변수는 거리, 지역, 시간, 날씨이며 아래와 같이 분류하였다.
먼저 환경변수는 카메라로부터 얻을 수 있는 이상 행동에 영향을 미치는 환경변수 중 가장 중요하다고 생각되는 변수 4가지를 선정하였다. 본 연구에서 고려할 환경변수는 거리, 지역, 시간, 날씨이며 아래와 같이 분류하였다.
본 연구의 범위로는 CCTV로부터 객체를 인식하고 파악한 후 객체의 행동과 환경정보가 주어진 상태에서 실시한다. 객체는 2명 이상의 다중객체일 때 분석되며, 한 객체의 행동이 정상적인 움직임으로 보기 어려운 행동이라고 판단되었을 때 주시하게 된다.
또한 사후처리의 용도 및 기존의 모니터링 용도뿐만 아니라 보행자의 이상 행동을 환경변수와 함께 고려하여 분석하였다. 분석된 데이터를 통해서 최종 의사결정에 영향을 미치는 행동 예측 모델이며, 그 중 감시 서비스 미들웨어 (ISM)분석에 대해 중점을 두었다. 유연성 다중 회귀 모델(FMR)을 통해 행동에 대한 평가 규칙 (assessment rule)을 수립하여 이를 바탕으로 CCTV로부터 객체의 행동을 관찰하여 이상행위를 예측, 검출하였다.
실제 데이터는 카메라가 설치된 3곳의 다중 CCTV를 이용하여 두 명의 객체가 이상 행동을 하는 실험 영상을 촬영하였다. 실험 영상 정보를 수집한 후 xml 데이터를 파싱하여 분석하였다. 먼저 환경변수는 카메라로부터 얻을 수 있는 이상 행동에 영향을 미치는 환경변수 중 가장 중요하다고 생각되는 변수 4가지를 선정하였다.
분석된 데이터를 통해서 최종 의사결정에 영향을 미치는 행동 예측 모델이며, 그 중 감시 서비스 미들웨어 (ISM)분석에 대해 중점을 두었다. 유연성 다중 회귀 모델(FMR)을 통해 행동에 대한 평가 규칙 (assessment rule)을 수립하여 이를 바탕으로 CCTV로부터 객체의 행동을 관찰하여 이상행위를 예측, 검출하였다. 제안된 모델은 자원의 비용을 감축할 수 있으며 범죄가 발생하기 전 객체에 대한 행동을 미리 예측하여 상황판단 및 의사결정을 신속히 할 수 있다.
이상 행동의 분류로는 행동은 현재 연구에서 CCTV로 인식할 수 있는 행동으로 크게 10가지 (Kicking, Punching, Hugging, Pushing, Shaking, Pointing, Running, Walking, Sitting, Standing)로 추출하였으며, 이상 행동의 위험도에 따라 위험 (dangerous), 경고 (caution), 보통 (normal)인 3가지로 분류하였다. 분류된 행동은 Table 2.
환경변수 데이터는 상관분석을 통해 분류·분석되고, 이를 통해 행동과 환경변수간의 행동분석을 실시한다.
대상 데이터
실제 데이터는 카메라가 설치된 3곳의 다중 CCTV를 이용하여 두 명의 객체가 이상 행동을 하는 실험 영상을 촬영하였다. 실험 영상 정보를 수집한 후 xml 데이터를 파싱하여 분석하였다.
데이터처리
본 연구에서는 행동, 거리, 지역, 시간, 날씨의 변수를 사용하여 적절한 모델을 찾기 위해 식 (3.1)과 같은 통계학적 분석 방법인 회귀분석을 활용하였다. 이모형을 이용하여 독립변수들의 변화에 따른 종속 변수의 변화를 예측할 수 있다.
이러한 4가지 환경변수를 SPSS를 이용하여 행동과 환경변수간의 상관분석을 실시하였다. 상관분석은 변수들 간에 존재하는 선형관련성의 정도를 측정하여 분석하는 방법이며 이때 선형관련성의 정도를 측정하는 척도로 상관계수를 사용한다.
환경변수는 자료를 분류한 후 상관분석을 통한 통계적 분석을 실시하였다. 행동 예측 분석은 R을 사용하고 통계분석은 SPSS18을 사용하였다. 분석된 모델을 통해 4절의 시나리오에 적용할 것이다.
CCTV의 범위는 다중 지역의 다중 카메라로 설정하였다. 환경변수는 자료를 분류한 후 상관분석을 통한 통계적 분석을 실시하였다. 행동 예측 분석은 R을 사용하고 통계분석은 SPSS18을 사용하였다.
성능/효과
행동 (behavior)과 거리 (distance), 지역 (area), 시간 (time), 날씨 (weather)를 변수로 하여 상관 분석을 실시한 결과이다. 상관분석 결과 행동, 거리, 지역, 시간, 날씨 변수가 유의확률 값이 유의수준 0.05보다 작으므로 상관관계가 존재한다고 할 수 있다. 행동과의 상관분석을 살펴보았을 때 시간 0.
유연성 다중 회귀 모델(FMR)을 통해 행동에 대한 평가 규칙 (assessment rule)을 수립하여 이를 바탕으로 CCTV로부터 객체의 행동을 관찰하여 이상행위를 예측, 검출하였다. 제안된 모델은 자원의 비용을 감축할 수 있으며 범죄가 발생하기 전 객체에 대한 행동을 미리 예측하여 상황판단 및 의사결정을 신속히 할 수 있다. 이를 통해 범죄 사전에 예방을 할 수 있는 적합한 모델이라고 보여 진다.
후속연구
이를 통해 범죄 사전에 예방을 할 수 있는 적합한 모델이라고 보여 진다. 그러나 환경요소를 활용하여 이상 행동을 분별해 내기 위한 지속적인 행위 분석 모델과 수집 및 분석된 객체의 행동에 대해 분류하는 분류 알고리즘은 추후 연구로 남아있다.
1은 보행자 이상 행동을 예측하기 위한 전체적인 구성도이다. 본 연구에서는 객체인식과 객체 행동 및 환경에 대한 정보 수집을 마치고 수집된 데이터를 넘겨받은 상태에서의 감시 서비스 미들웨어 (ISM: Inspect Service Middleware)부분을 다룰 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
Hong이 정의한 이상 행동이란 무엇인가?
이상 행동에 대해 명확히 정의된 개념이 없다. 그러나 대부분 Hong (2000)에서 정의한 이상 행동과 같이 이상 행동이란 평균과 같은 정상적 규준에서 벗어나있는 즉, 일정한 기준에서 벗어나 있음을 뜻하는 용어로 일반적이지 않은 움직임이라고 정의할 수 있다.
경고단계에서 이상 행동 및 범죄 징후가 파악되는 것을 목표로 한 이유는 무엇인가?
그러나 위험 (dangerous)단계에서는 이미 범죄가 행한 단계이기 때문에 본 연구에서는 행동의 위험도가 위험 (dangerous)단계로 가기 전 경고 (caution)단계에서 이상 행동 및 범죄 징후가 파악되는 것을 목표로 한다.
제안된 모델에서 추후에 보완해야할 점은 무엇인가?
이를 통해 범죄 사전에 예방을 할 수 있는 적합한 모델이라고 보여 진다. 그러나 환경요소를 활용하여 이상 행동을 분별해 내기 위한 지속적인 행위 분석 모델과 수집 및 분석된 객체의 행동에 대해 분류하는 분류 알고리즘은 추후 연구로 남아있다.
참고문헌 (9)
Bark, H. M. (2012). Concept and features of random crime: Crimes against random people. Journal of the Korean Association of Public Safety and Criminal Justice, 50, 226-258.
Chang, I. S., Cha, H. H., Park, G. M., Lee, K. J., Kim, S. K. and Cha, J. S. (2009). A study of scenario and trends in intelligent surveillance camera. Journal of the Intelligent Transport System, 24, 93-101.
Cho, K. H. and Park, H. C. (2011). A study insignifiant rules discovery in association rule mining. Journal of the Korean Data & Information Science Society, 22, 81-88.
Edward, T. H. (1963). A system for the notation of proxemic behaviour. Journal of the American Anthropologist, 65, 1003-1026.
Hahsler, M., Grun, B., Hornik, K. and Buchta, C. (2009). Introduction to arule- A computational environment for mining association rules and frequent item sets, The Comprehensive R Archive Network, USA.
Hong, S. Y. (2000). Criminal psychology, Hakjisa, Korea.
Kim, C. K., Kang, I. J., Park, D. H. and Kim, S. S. (2014). Analysis of the five major crime utilizing the correlation regression analysis with GIS. Journal of the Korean Society for Geospatial Information System, 22, 71-77.
Lim, J., Lee, K. and Cho, Y. (2010). A study of association rule by considering the frequency. Journal of the Korean Data & Information Science Society, 21, 1061-1069.
Park, S. H. and Jung, S. H. (2013). A preliminary research on technology development to ensure the safety of pedestrian, National Disaster Management Institute, Korea.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.