[논문]행동기반 사물 감지를 통한 위급상황 확인 시스템 개발

김민제; 고규한; 조재춘

doi:10.22156/cs4smb.2020.10.06.140

행동기반 사물 감지를 통한 위급상황 확인 시스템 개발
Development of Checking System for Emergency using Behavior-based Object Detection 원문보기

융합정보논문지 = Journal of Convergence for Information Technology, v.10 no.6, 2020년, pp.140 - 146

김민제 (상명대학교 스마트 정보통신공학과) , 고규한 (캘리포니아 주립대학교 컴퓨터학과) , 조재춘 (한신대학교 컴퓨터공학부)

초록
AI-Helper

기존의 방범 시스템은 피해자가 직접 구조를 요청하거나 인근 제 3자에 의해 도움을 받아야 하는 구조이기 때문에 신속하게 대응이 불가능한 상황에서는 경우에 따라 적절한 도움을 받기 힘들다. 본 연구에서는 Deep Learning과 OpenCV를 활용한 자동 구조 요청 모델을 제안하고 시스템을 개발하였다. 본 연구는 사용자의 안전을 보장할 수 있어야 하기 때문에 신속히 정확한 결과를 도출할 수 있어야 한다는 전제 조건이 밑바탕 되어 객체의 정확성은 약 99% 이상을 확인할 수 있었으며 모든 알고리즘이 종료되는 데까지의 소요 시간을 약 3초까지 단축시킬 수 있었다. 다양한 위협 요소와 예측 불가능한 특수한 경우 등 모든 위험 상황을 인식하기 위해 다양한 종류의 위협 요소와 많은 양의 데이터를 수집하여 예기치 못한 상황에도 대처할 수 있도록 강화하여야 할 것이다.

Abstract ▼ AI-Helper

Since the current crime prevention systems have a standard mechanism that victims request for help by themselves or ask for help from a third party nearby, it is difficult to obtain appropriate help in situations where a prompt response is not possible. In this study, we proposed and developed an automatic rescue request model and system using Deep Learning and OpenCV. This study is based on the prerequisite that immediate and precise threat detection is essential to ensure the user's safety. We validated and verified that the system identified by more than 99% of the object's accuracy to ensure the user's safety, and it took only three seconds to complete all necessary algorithms. We plan to collect various types of threats and a large amount of data to reinforce the system's capabilities so that the system can recognize and deal with all dangerous situations, including various threats and unpredictable cases.

주제어

표/그림 (11)

그림 Fig. 1. Time of occurrence of a crime
그림 Fig. 2. Utilization Ratio of CCTV Video
그림 Fig. 3. System Architecture
표 Table 1. Result of Learning
그림 Fig. 4. Object Detection Result
그림 Fig. 5. Client Main Screen
표 Table 2. Yolo Model Test
표 Table 3. Inception V3 Image Classification Result
그림 Fig. 6. Knife Buyer
그림 Fig. 7. Object detection under multiple conditions
그림 Fig. 8. Result of Application

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이에 Deep Learning 과 OpenCV를 활용한 사물 감지 시스템을 기반으로 하여 기존의 CCTV가 위험 상황을 스스로 판단하여 경찰에 구조를 요청한다면 경찰 또한 신속한 대응이 가능 해져 피해자의 안전을 지킬 수 있을 것이다. 때문에 모든 알고리즘은 신속하되 정확한 결과를 도출할 수 있어야 하며 이를 통해 기존의 방범 시스템에 보호받지 못했던 사각지대를 줄여나가 궁극적으로 치안률을 높이는 것을 목적으로 하였다.
때문에 이러한 오인식률을 최소화시키기 위해 피해자의 행동을 기반으로 위험 상황을 구분할 수 있도록 하였 다. Fig 4에서 확인할 수 있듯이 앞서 학습 시킨 데이터의 종류는 ‘칼’, ‘사람’, ‘손’으로 총 세 가지이다.
본 연구는 범죄로부터 보호받기 쉽지 않은 사각지대를 최소화 시켜 치안률을 보다 상승 시키는 것을 목표로 기존의 방범 시스템에 접목 시킬 수 있는 방안을 제안하 였다. 기존의 방범 시스템에서 응용이 가능하듯 하드웨 어로 인한 추가 비용이 요구 되지 않아 비교적 낮은 단가로 치안률을 높일 수 있을 것으로 기대한다.
과학 기술이 발전함에 따라 치안률 또한 비약적으로 상승하였지만 늘 사각지대는 잔재해왔다. 본 연구는 이러한 사각지대를 최소화 시키는 데에 중점을 두었다.Fig.

제안 방법

단일 객체가 아닌 위험 조건을 충족하는 상황을 구현하여 여러 장소에서 두 명의 실험자로 앞모습과 뒷모습 모두 성능을 테스트하였다. Fig 7에서는 대부분의 이미지에서 준수한 성능을 보였으며 정확도 또한 모두 90% 이상으로 높게 측정 되었지만 일부 이미지에서 동일 객체에서 Label이 중복되어 검출되거나 ‘hands’객체가 한 손만 감지되는 등 비교적 낮은 확률로 감지에 완전히 실패한 객체도 확인할 수 있었다.
본 연구에서는 테스트를 위해 임의적으로 경찰 측을 클라이언트로 지정하여 클라이언트용 UI로 어플리케이 션을 제작하여 서버와 통신하도록 설계하였다[15]. 어플리케이션은 Fig 5와 같이 해당 지역의 현재 상태와 위험 상황 시 출력하게 될 무장 무기를 표시할 수 있으며 ‘현재 상태’의 상태가 ‘평화’일 경우 사생활 보호를 위해 아이콘으로 대체하여 출력하도록 하였다.
어플리케이션은 Fig 5와 같이 해당 지역의 현재 상태와 위험 상황 시 출력하게 될 무장 무기를 표시할 수 있으며 ‘현재 상태’의 상태가 ‘평화’일 경우 사생활 보호를 위해 아이콘으로 대체하여 출력하도록 하였다.
여러 위험 상황이 존재하지만 본 연구에서는 대표적으로 칼을 사용해 위협을 가하는 경우를 기준으로 설계 하였다. 사용 된 객체는 ‘칼’, ‘손’, ‘사람’ 총 세 가지이며 객체 당 400장의 데이터로 학습을 진행하였다.
이 항복이라는 행동을 판단하기 위해 화면상의 모든 ‘손’ 객체의 y값을 계산하여 임의의 배열에 넣은 후 피해자의 ‘사람’ 객체의 정 중앙 y값과 하나씩 비교한다.
학습 되어진 Yolo 기반의 모델은 객체 당 95% 이상의 준수한 감지 성능을 보이고 있지만 부족한 데이터 세트로 인해 모델의 성능을 현재 결과 그대로 신뢰할수 있을지의 여부를 판단하기 위해 단일 객체 인식 면에서 사물 감지보다 비교적 좋은 성능을 보이는 이미지 분류를 통해 성능 비교를 진행하였다. 이미지 분류에서는 Tensorflow의 Inception V3 모델을 사용하였다 [13].

대상 데이터

사용 된 객체는 ‘칼’, ‘손’, ‘사람’ 총 세 가지이며 객체 당 400장의 데이터로 학습을 진행하였다.
학습된 모델의 결과는 총 1.000개로 이 중 마지막 가중치를 이용하여 해당 모델이 연구에 사용할 수 있을 지의 여부를 판단하였다. Table 2의 표를 확인하면 데이터를 수집하였던 객체들의 클래스인 ‘hands’, ‘human’, ‘knife’를 확인할 수 있으며 평균 정밀도를 의미하는 AP의 값은 해당 값에 100을 곱하여 ‘hands’ 93%, ‘human’ 100%, ‘knife’ 100%로 모두 높은 결과를 얻을 수 있었다.

이론/모형

본 연구에서는 신속성을 높이기 위해 Pytorch Frame Work를 적용한다. Pytorch는 비교적 최근 개발 되어진 Frame Work며 연산 속도 면에서 우수한 성능을 보이고 있다.
학습 되어진 Yolo 기반의 모델은 객체 당 95% 이상의 준수한 감지 성능을 보이고 있지만 부족한 데이터 세트로 인해 모델의 성능을 현재 결과 그대로 신뢰할수 있을지의 여부를 판단하기 위해 단일 객체 인식 면에서 사물 감지보다 비교적 좋은 성능을 보이는 이미지 분류를 통해 성능 비교를 진행하였다. 이미지 분류에서는 Tensorflow의 Inception V3 모델을 사용하였다 [13]. Inception 모델은 1x1 conv로 구성되어 계산량을 줄이고 비선형성을 극대화 시킨 모델이다.

성능/효과

Fig 7과 Fig 8에서 확인할 수 있듯이 대부분의 이미지에서는 ‘손’, ‘사람’, ‘칼’의 객체가 좋은 성능을 보이며 감지되고 있지만 일부 이미 지에서 한쪽 손만 감지가 됐다거나 ‘칼’ 객체가 기울기에 따라 감지되지 않는 것을 확인할 수 있다.
Fig 7에서는 대부분의 이미지에서 준수한 성능을 보였으며 정확도 또한 모두 90% 이상으로 높게 측정 되었지만 일부 이미지에서 동일 객체에서 Label이 중복되어 검출되거나 ‘hands’객체가 한 손만 감지되는 등 비교적 낮은 확률로 감지에 완전히 실패한 객체도 확인할 수 있었다.
Table 2의 표를 확인하면 데이터를 수집하였던 객체들의 클래스인 ‘hands’, ‘human’, ‘knife’를 확인할 수 있으며 평균 정밀도를 의미하는 AP의 값은 해당 값에 100을 곱하여 ‘hands’ 93%, ‘human’ 100%, ‘knife’ 100%로 모두 높은 결과를 얻을 수 있었다.
Inception 모델로 학습 할 ‘knife’ 이미지는 12,000장이며 Eporch는 50,000회로 Yolo에 비해 이미지는 30배, 학습 횟수는 25배가량 많다. 결과적으로 이미지 분류는 0.003까지 손실률을 낮췄으며 Object Detection Result에서 사용된 동일한 이미지로 테스트하였을 때 Table 3에서 확인할 수 있듯이 Yolo 기반 사물 감지 모델이 본 연구에서 결과를 유추하는 데에 충분한 기능을 수행 할 수 있음을 확인할 수 있었다.
Deep Learning의 성능을 높일 수 있는 가장 효과 적인 방법은 많은 양의 데이터 세트로 학습을 진행하는 것이다. 본 연구에서는 테스트를 위해 적은 양의 데이터로 실험을 하였는데, 이로 인해 객체의 감지율이 다소 떨어지는 것을 확인할 수 있었다. 객체가 감지되었을 때의 정확도는 매우 높으나 객체의 모양, 이미지의 구도 등에 의해 아예 감지되지 않거나 하나의 객체가 두 개로 감지되는 경우도 간혹 있었다.
테스트에 서의 결과는 비교적 좋은 결과를 얻을 수 있었다. 정확성 성능 면에서 모든 객체가 95% 이상의 결과를 얻을수 있었으며 위험 상황의 경우 모든 알고리즘이 종료되는 데까지의 소요시간을 3초 까지 단축시켜 위험 상황 현장을 경찰에게 신속히 중개할 수 있으며 이로 인해 피해를 최소화 시키는 것이 가능할 것으로 기대할 수 있다. Deep Learning의 성능을 높일 수 있는 가장 효과 적인 방법은 많은 양의 데이터 세트로 학습을 진행하는 것이다.
기존의 방범 시스템에서 응용이 가능하듯 하드웨 어로 인한 추가 비용이 요구 되지 않아 비교적 낮은 단가로 치안률을 높일 수 있을 것으로 기대한다. 테스트에 서의 결과는 비교적 좋은 결과를 얻을 수 있었다. 정확성 성능 면에서 모든 객체가 95% 이상의 결과를 얻을수 있었으며 위험 상황의 경우 모든 알고리즘이 종료되는 데까지의 소요시간을 3초 까지 단축시켜 위험 상황 현장을 경찰에게 신속히 중개할 수 있으며 이로 인해 피해를 최소화 시키는 것이 가능할 것으로 기대할 수 있다.

후속연구

본 연구는 범죄로부터 보호받기 쉽지 않은 사각지대를 최소화 시켜 치안률을 보다 상승 시키는 것을 목표로 기존의 방범 시스템에 접목 시킬 수 있는 방안을 제안하 였다. 기존의 방범 시스템에서 응용이 가능하듯 하드웨 어로 인한 추가 비용이 요구 되지 않아 비교적 낮은 단가로 치안률을 높일 수 있을 것으로 기대한다. 테스트에 서의 결과는 비교적 좋은 결과를 얻을 수 있었다.
통신에 사용된 UDP 통신은 브로드 캐스트와 멀티 캐스트를 지원한다. 이러한 장점을 이용하여 데이터 교환에도 클라이언트와 서버 간의 직접적인 통신이 아닌 중앙 관리 시스템을 구축한다면 기존의 사고 후확인이 아닌 즉시 현장의 데이터를 얻을 수 있다는 장점이 있기 때문에 사생활을 침해하지 않는 선에서 여러 대응책을 세울 수도 있으며 경찰 측의 업무 부담 또한 다소 줄어들 수 있을 것으로 기대한다.
때문에 신고 접수가 늦는다면 경찰의 빠른 대처에도 불구하고 피해자의 안전을 보장할 수 없다는 것이다. 이에 Deep Learning 과 OpenCV를 활용한 사물 감지 시스템을 기반으로 하여 기존의 CCTV가 위험 상황을 스스로 판단하여 경찰에 구조를 요청한다면 경찰 또한 신속한 대응이 가능 해져 피해자의 안전을 지킬 수 있을 것이다. 때문에 모든 알고리즘은 신속하되 정확한 결과를 도출할 수 있어야 하며 이를 통해 기존의 방범 시스템에 보호받지 못했던 사각지대를 줄여나가 궁극적으로 치안률을 높이는 것을 목적으로 하였다.

참고문헌 (17)

K. R. Park.(2013). A Study of the Probability to Crime according to Time Status Change. Korean Society of Computer Information, 18(5), 147-156. DOI : 10.9708/jksci.2013.18.5.147

원문보기 상세보기
H. J. Park (2014). A Study on the arrest effect of CCTV for crime prevention. Korea convergence Security Association, 14(6), 25-33.
J. W. Kim. (2017.3.30.). 'Secure Golden Time'..Police scene response time is advanced by one second. Seoul Economic, https://www.sedaily.com/NewsVIew/1ODKMI28PE
SDAcademy. (2018.4.6.). DeepLearning implement Library, Pytorch(Pyorch). Naverblog(Online). https://blog.naver.com/sundooedu/221246686541
M. Fey & J. E. Lenssen. (2019). Fast Graph Representation Learning With PyTorch Geometric. arXiv preprint arXiv:1903.02428.
A. Pazke et al. (2017). Automatic differentiation in Pytorch. In Proceedings of Neural Information Processing Systems.
J. Redmon & A. Farhadi. (2018.). YOLOv3: An Incremental Improvement. arXiv preprint arXiv:1804.02767.
S. Gupta, W. Zhang & F. Wang. (2016). Model accuracy and runtime tradeoff in distributed deep learning: A systematic study. In 2016 IEEE 16th International Conference on Data Mining (ICDM) (pp. 171-180). IEEE.
W. Liu. et al. (2016). Ssd: Single shot multibox detector. In European conference on computer vision (pp. 21-37). Springer, Cham.
C. Yoo, H. W. Jin & S. C. Kwon. (2001). Asynchronous UDP. IEICE Transactions on Communications, E84-B(12), 3243-3251.
https://github.com/real-logic/aeron
S. Robertson. (2008). A new interpretation of average precision. In Proceedings of the 31st annual international ACM SIGIR conference on Research and development in information retrieval (pp. 689-690).
C. szegedy, V. Vanhoucke, S. Ioffe, J. Shlens &Z. Wojna (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2818-2826).
J. Back. (2018.10.12.). What's the 1x1 convolution : Easy explanation for graduate students. tistory(Onlie). https://hwiyong.tistory.com/45
S. H. Woo. (2020). The method to real-time communication on Android operating system
M, K. Yoshihito. (2015.06.09.). SAKURAKO make choice of kitchen knife. flickr(Onlie). https://www.flickr.com/photos/mujitra/21178904802
Y. H. Moon. (2017.02.07). 01.Characteristics of life phenomenon-3. Responds to stimuli. NaverBlog.(Online). https://m.blog.naver.com/haniclinic/221109710124

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증