옥외 주차장 내의 동영상으로부터 대상의 의심스러운 행동을 검지하는 시스템에 대해 소개하고자 한다. 제안 시스템은 기본동작으로서 정의된 인간의 기본적인 동작을 인식하고 그 신뢰도의 시계열 시퀀스를 이용해 옥외 주차장 내의 보행자 등이 의심스러운 행동을 하고 있는지의 여부를 검지할 수 있다. 구체적으로 시스템은 대상으로부터 얻을 수 있는 7종류의 특징량이 구성한 벡터 공간을 바탕으로 6종류의 기본동작의 신뢰도를 산출한다.

그리고 기본동작 신뢰도를 시계열 패턴화한 신뢰도 시퀀스를 생성해 부분 공간법과 AdaBoost를 이용하여 얻을 수 있는 대상의 의심도와 정상도로부터 의심행동을 검출한다. 시계열 시퀀스에 근거한 검출수법에 따라 예비 조사 행위나 자동차 털이와 같은 지속적이고 비교적 움직임이 적은 행동도 의심행위로 검출하는 것이 가능해진다.

처음으로

최근 들어서는 영상감시를 자동화하기 위한 시스템 개발이 활발하게 이루어지고 있으며, 화상 인식 분야에서도 응용 연구가 진행되고 있다. 동영상으로부터 인물의 이상 행동을 검출하는 연구로 입체고차국소자기상관(CHLAC) 특징을 이용해 부분 공간법을 적용함으로써 보행자의 이상 행동을 검지하는 연구를 들 수 있다.

이러한 연구에서는 행동의 이상도가 정상행동으로부터 떨어져 있는 정도라고 정의되어 있다. 한편에서는 시공간 특징으로부터 구한 지표를 이용하여 에스컬레이터에 있어서의 동적 배경으로부터 같은 이상 동작의 검지를 실시하고 있다. 이러한 연구에서는 시공간에서의 국소적인 움직임에 관한 특징을 학습시키고 있어 실제로 쓰러지거나 발에 걸려 넘어지는 등 단시간에 완료되는 이상 동작에 대해서 높은 정확도로 검출 가능하다는 것을 알 수 있다. 그러나 움직임이 적은 행동에 대해서는 유효하게 검출할 수 없을 가능성이 있다.

또한 이러한 연구는 의심행위의 검지를 목적으로 한 것이 아니어서 비교적 장시간 계속되거나 특정 의심행동을 검출하는 목적으로 적용했을 경우에 대해서는 검증되어 있지 않다. 범죄행위의 검지를 목적으로 한 연구로는 네트워크 카메라로부터 저품질인 화상의 해석에 따라 의심행동을 검출하는 연구를 들 수 있다. 이 연구는 수상한 사람을 물색하는 동작에 착안해 멈춰 서는 정도나 두리번거리는 정도 등의 특징량으로부터 의심도를 정식화하여 성과를 거두고 있다.

그러나 환경이나 검지 대상의 변화에 맞는 학습을 할 수 없기 때문에 파라미터의 튜닝이 부담이 된다고 하는 문제가 있다. 또한 일부 학자들은 환경을 엘리베이터 내로 한정하여 난폭한 행위를 옵티컬 플로의 분포로부터 검지하는 수법의 연구를 수행했다. 그러나 이 수법은 검지대상이 난폭한 행동만으로 한정되어 있고, 또 특징량을 화면 전체로부터 구하기 때문에 의심행동이 일어난 위치를 특정할 수 없다고 하는 문제가 있다.

여기에서는 감시 카메라가 실제로 넓게 운용되고 있는 주차장을 설치 환경으로 상정한다. 의심행동의 검지에 유효한 특징량으로서는 움직임에 관한 특징 등을 생각할 수 있지만, 의심행동은 넘어지는 동작과 같이 큰 움직임이 단시간에 발생한다고는 할 수 없기 때문에 오히려 감시대상의 위치 관계나 자세, 체류 시간 등의 특징이 유효한 것도 많다. 그러나 이러한 영상으로부터 직접 구할 수 있는 형상 특징량이나 움직임 특징량 등은 화각의 영향을 받기 쉬운데다가 같은 화각이라도 부감 시점에 설치되는 경우가 많은 주차장이라고 하는 환경에서는 카메라에 비치는 인물의 이동방향이나 크기 등이 불규칙해진다.

또한 이러한 환경에서는 일상적인 행동을 규정하기 어렵기 때문에 정상행동으로부터의 일탈이라고 하는 척도만을 검출에 이용한 종래 수법으로는 충분히 대응할 수 없을 가능성이 있어 특정의 행동 패턴 검출에도 적합하지 않다. 한편, 특정 행동 패턴의 검출을 목적으로 한 종래 수법에서는 전술한 것과 같은 튜닝의 문제 등이 있다. 그래서 여기에서는 주차장 내에서 통상 상정되는 복수의 기본적인 동작에 착안해 이 기본동작의 시계열 패턴에 의해서 의심행동을 검지하는 시스템을 제안한다.

제안 시스템은 화상 특징량 대신에 기본 동작의 시계열 패턴을 이용하므로 설치환경에의 의존도를 감소시킬 수 있다. 또, 단시간의 관측에서는 특징을 검출하기 어려운 비교적 장시간의 의심행동도 검출할 수 있어 예비조사 행위와 같은 움직임이 적은 행동에 대해서도 검출할 수 있다. 이와 함께 보다 더 임의의 행동 패턴을 학습할 수 있으므로 파라미터 튜닝의 부담을 경감할 수 있고 패턴의 개인차 흡수도 가능하다.

제안 시스템에서는 화상으로부터 이동체가 감시 대상으로써 검출·추적되어 각각의 기본동작을 신뢰도 수치로 구할 수 있다. 이 기본동작 신뢰도의 시계열 데이터를 특징 벡터로 한 패턴 식별을 실시한다. 이 때 의심행동과 정상행동의 행동 패턴은 따로 학습되고 있으며, 알 수 없는 입력 패턴이 쌍방에 비교됨으로써 의심행동이 검출된다. 또한, 식별 수법에는 부분 공간법 및 AdaBoost를 이용하고 있다.

의심행동 검지 시스템

시스템 개요

제안 시스템의 개요를 그림 1에 나타낸다. 입력된 시계열 화상은 비디오 스트림으로서 배열에 버퍼링된다. 데이터의 출납 방식은 First-in First-out이며, 새로운 프레임 화상이 들어 올 때마다 가장 오래된 화상 프레임이 파기된다. 여기에서는 이 시계열 시퀀스에 나열되었던 화상 배열을 간단히 화상 시퀀스라고 부르기로 한다. 이후의 각 처리부는 이 화상 시퀀스를 입력 인터페이스로서 취급한다. 다음으로 화상 시퀀스로부터 1프레임씩 화상을 꺼내 처리 프로세스로 건네진다. 제안 시스템에서는 시퀀스의 중앙에 위치하는 화상이 건네진다. 이 때 건네진 프레임이 시스템 상의 현 시각 프레임으로 간주된다.

제안 시스템은 사전 처리인 추적부, 추적대상인 인물의 동작을 기본동작의 신뢰도라고 하는 형태로 구하는 기본동작 인식부, 추적 인물 행동의 의심정도를 추정하는 의심행동 검출부, 그리고 학습부를 더한 4개의 처리부로 구성된다. 실선은 시스템 실행 중에 이루어지는 자동적인 처리를 나타내며, 점선은 유저에 의해서 적당히 실행되는 처리정도를 나타낸다.

화상은 우선 추적부에 건네진다. 추적부에서는 우선 입력 화상의 배경 차분과 프레임 차분으로부터 물체의 검출과 추적이 실시된다. 이것은 제안 시스템에 있어서의 의심행동 검출을 위한 사전 처리로 평가된다. 새롭게 발견된 물체는 고유 ID가 부여되어 카메라 촬영구역의 외측에 사라지든지, 화상 안에서 소멸할 때까지 추적이 계속된다.

또한 그림 1에 ‘Agent Algorithm’이라고 표기되어 있는 것은 다음에 소개할 에이전트 탐색 알고리즘이다. 또한, 그림에는 표시되어 있지 않지만, 추적 결과는 로그 파일로 기록되어 이후 시스템에 입력되게 할 수 있다. 이에 따라 실시간뿐만 아니라 사후의 장면검색 처리에도 대응하고 있다. 기본동작 인식부에서는 추적 처리로 얻어진 물체가 존재하는 영역 정보로부터 물체의 어스펙트 비나 움직임 벡터 등의 특징량을 계산하고 그 특징량에 근거해 기본 동작(Human Element Action, HEA)의 신뢰도를 구한다.

다음으로 의심행동 검출부에서는 이 신뢰도를 시계열 순으로 배열하여 신뢰도 시퀀스라고 불리는 특징 벡터를 생성한다. 신뢰도 시퀀스로부터 부분 공간법 및 AdaBoost 를 이용한 식별기 생성을 이용해 추적 인물의 행동이 정상 또는 의심인가에 대한 정도, 즉 정상도 및 의심도를 추정하여 의심스러운 행동을 검지한다. 덧붙여 기본동작 신뢰도의 계산과 정상도·의심도 계산을 위해 미리 학습부에서 데이터를 학습하고 있다. 의심행동 검출의 구체적인 수법에 대해서는 뒷부분에 소개한다.

제안 시스템의 운용환경으로서 주차장을 상정하고 있기 때문에 검지 대상은 화상 속에 있어서 단순한 이동을 포함한 어떠한 동작을 실시하고 있는 인간이다. 여기에서는 시스템에 의해서 검출된 화상 속의 물체를 특히 오브젝트라고 부른다. 의심행동 검출의 사전 처리가 되는 오브젝트의 검출·추적 수법에 대해 아래에 간단히 설명한다.

물체의 검출과 추적

오브젝트의 검출은 배경 차분과 프레임간 차분을 조합해 실시한다. 검출된 오브젝트는 이후 움직임 벡터 정보를 이용해 추적한다. 더욱이, 제안 시스템에서는 오브젝트의 장애물에 숨음 등이라고 하는 외관의 변화에 대응하기 위해 필자 등이 개발한 에이전트 탐색 알고리즘을 이용하고 있다. 한편, 제안 시스템에 있어서 화상은 한 변이 임의의 픽셀 길이인 정방형의 블록 영역에 분할되고, 검출된 오브젝트의 위치는 각 블록 영역에 대해서 오브젝트의 ID가 부여됨으로써 표현된다.

기본 동작과 신뢰도

의심행동의 패턴을 학습 가능한 감시 시스템을 생각했을 때, 움직임 벡터나 물체의 휘도, 크기, 길이 등의 카메라의 설치조건의 영향을 받는 특징량을 이용하려고 하면, 설치조건이 바뀔 때마다 여러 가지 의심행동을 추가로 촬영할 필요가 있다. 그러나 자동차털이와 같은 범죄 행동의 촬영은 일반적으로 어렵다.

그래서 제안 시스템에서는 주차장의 이용자에 대해 일반적으로 관측되는 기본적인 동작을 기본 동작이라고 정의하고, 이러한 기본 동작의 인식과 정상행동·의심행동의 학습을 따로 실시하도록 했다. 기본 동작은 화상 특징량을 이용해 인식되므로 화각의 영향을 받을 가능성이 있지만, 정상행동·의심행동은 뒤에 소개하는 기본동작 신뢰도로부터 계산되므로, 화각의 영향을 직접 받지 않는다고 생각할 수 있다.

따라서 화각의 변화 등에 의해 학습 데이터를 추가할 필요가 있다고 해도 주차장 내에서 일반적으로 볼 수 있는 기본 동작 패턴만을 추가해 대응할 수 있어 유저의 부담을 큰 폭으로 줄일 수 있다. 앞에서 기술한 대로 기본 동작은 옥외 주차장에 있어서 통상 관측되는 동작으로 정의된다. 기본 동작의 구체적인 내용에 대해서 표 1에 나타낸다. 표와 같이 기본 동작은 「서 있는 동작」, 「웅크린 동작」, 「걷는 동작」, 「달리는 동작」, 「승차 동작」, 「하차 동작」의 6종류로 하고 있다.

그러나 현실에서 주차장 이용자는 이러한 6종류의 동작 중 하나에 명확하게 들어맞는 동작을 취하고 있다고는 할 수 없으며 기본 동작이 순간적으로 다른 기본 동작으로 바뀌는 경우도 적다.

이러한 양자화 오차를 줄이기 위해서 기본 동작의 인식은 오브젝트의 행동이 이러한 기본 동작 가운데 어느 것에 속하고 있는지를 한 가지 생각으로 결정하는 것이 아니라  각각의 기본 동작을 연속치로 나타내 6차원 벡터로 표현함으로써 실시한다. 이것을 여기에서는 각 기본동작에 대한 신뢰도라고 부르기로 한다.

기본 동작 인식을 위한 특징량

기본 동작 인식 때문에 어스펙트 비의 변화량과 중심의 이동량, 움직임 벡터 등에서 정의되는 7종의 특징량을 이용한다. 이러한 것들은 기본 동작과 비교적 상관이 많다고 생각할 수 있는 대상 오브젝트의 형태와 움직임에 관한 특징에 주로 주목해 선택되고, 또 대상의 스케일에 따른 영향을 최소한으로 줄이기 위해서 7개의 특징량 모두가 정규화된 시간 차분 특징량으로 되어 있다.

기본 동작 신뢰도

앞에서 기술한 7가지의 특징, 즉 7차원의 특징 벡터가 입력되었을 때, 6가지의 기본 동작에 대해서 미리 준비된 학습용의 7차원 특징 벡터군과의 거리로부터 각 기본동작의 신뢰도를 계산한다. 여기서 학습용의 특징 벡터군은 기본동작마다 클러스터링(clustering) 되어 교사 데이터로서 학습부에서 보관된다. 제안 시스템에 입력 특징 벡터가 주어졌을 때 입력 특징 벡터와 각 카테고리와의 거리로서 마할라노비스(Mahalanobis) 거리를 구한다.

마할라노비스 거리의 확률 분포는 일반적으로 회 2승 분포에 따르므로, 기본 동작의 신뢰도에 관해 2회 2승 분포의 위쪽 확률로 정의함으로써 입력 특징 벡터가 각 카테고리에 속하는 확률을 구할 수 있다. 신뢰도는 각 기본 동작에 따라 구해지므로 입력 특징 벡터 1에 대해서 6종류의 신뢰도를 얻을 수 있게 되어 현 시각 프레임에 있어서의 오브젝트 동작은 6차원의 기본 동작 신뢰도 벡터로서 표현된다.

의심행동 검출부

의심행동 검출부에서는 행동 장면 중에 있어서의 오브젝트 동작으로부터 추출한 특징량을 이용해 오브젝트의 정상도와 의심도를 계산하고, 의심행동의 검출을 실시한다. 특징량으로써는 앞에서 기술한 기본 동작 신뢰도를 기본으로 한 특징 벡터를 이용하며, 정상도·의심도의 도출에는 부분 공간법 및 AdaBoost에 의한 식별기의 부스팅을 이용한다.

주차장 내에서 발생하는 의심행동으로는 자동차털이와 같은 차에 대한 직접적인 범죄행위를 상정하고 있다. 예를 들면 (1)예비 조사 혹은 범행대상의 물색, (2)실제 범행 (3)도주라고 하는 시계열에 따른 일련의 행동 패턴이 전형적인 예로 들 수 있다. 이 예에서는 오브젝트에 대해서 「걷는 동작」, 「웅크린 동작」, 「달리는 동작」의 순서로 기본 동작의 신뢰도가 높아지는 시퀀스가 나타날 것으로 예상할 수 있다. 제안 시스템은 이와 같은 의심행동에서 특징적으로 볼 수 있는 기본동작 신뢰도의 시계열 패턴을 의심행동으로써 검출하는 것을 목적으로 하고 있다.

의심도와 정상도

여기에서는 의심행동을 검출하기 위한 직접적인 지표로 정상도와 의심도의 2종류를 정의한다. 여기서 정상도란 정상행동에 대한 유사도이며, 의심도란 자동차털이나 예비조사 행위 등의 의심행동에 대한 유사도로 정의된다. 의심행동 검출방식으로는 정상도가 낮은 행동을 이상 행동으로 인식하는 수법이나 의심도가 높은 행동을 의심행동으로 인식하는 수법등이 있다. 제안 시스템에 대해서는 정상도와 의심도의 양쪽 모두를 의심행동 검출에 이용한다.

의심행동 검출을 위한 특징량

앞에서 기술한 것과 같이 추정을 위한 특징량으로서는 기본 동작의 신뢰도 벡터를 이용한다. 단, 그대로는 현 시각 프레임에 있어서만의 특징밖에 얻을 수 없기 때문에, 현 시각 프레임을 중심으로 한 전후의 합계인 L프레임 길이의 각 시각에 있어서의 기본 동작 신뢰도를 모두 정리해 하나의 특징 벡터를 생성한다. 여기에서는 이것을 신뢰도 시퀀스라고 부르기로 한다. 신뢰도 시퀀스의 구성에 대해서는 그림 2에 나타낸다. 그림에서 나타내는 대로 0프레임에서 L프레임까지의 합계 L+1개의 시각에 대해 각각 6차원의 기본 동작 신뢰도 벡터를 구할 수 있기 때문에, 그것들을 연결해(L+1)×6차원의 특징 벡터로 하여 이것을 신뢰도 시퀀스로 하고 있다.

부분공간법에 의한 의심도 추정

첫 번째의 추정 수법으로서 부분 공간법에 의한 기본 동작 신뢰도 데이터베이스로부터의 패턴 식별을 실시한다. 최적의 누적기여율을 구할 수 있는 일반적인 수법은 알려져 있지 않기 때문에 예비 실험에 따라 경험적으로 결정했다. 제안 시스템에 있어서의 부분공간법에서는 「정상행동」과 「의심행동」의 2개의 카테고리에 대해 각각 유사도를 계산했다.

AdaBoost에 의한 의심도 추정

두 번째의 추정 수법으로 부스팅 알고리즘을 이용한 앙상블 학습방법 중 하나인 AdaBoost에 의한 기계 학습을 이용한다.이번 연구에서는 의심도와 정상도는 독립되어 있으며, 부스팅에 의해서 의심행동 식별용과 정상행동 식별용의 두 가지 식별기를 생성하여 약식별기 출력의 총합에 의한 정규화를 거쳐 의심도 및 정상도를 산출한다.

의심행동의 판정 기준

카메라에 의한 자동감시 시스템에서 요구되는 기능은 의심행동의 확실한 검출로, 검출 실패를 최소한으로 줄이는 것이 가장 중요하다. 반대로 정상행동을 의심으로 판정해 버리는 오검출의 중요성은 상대적으로 낮다. 그래서 제안 시스템에서는 정상도와 의심도에 대해서 역치를 설정해 정상도가 역치보다 높고 의심도가 낮은 경우에만 정상행동으로 판정했다. 한편으로 정상도가 낮은 경우 혹은 의심도가 높은 경우는 모두 의심행동으로 판정했다.

평가 실험

제안 시스템의 유효성을 검증하기 위해서 옥외 주차장에서 촬영한 장면으로부터 의심행동의 검출을 시도하는 실험을 실시했다. 부분공간법과 AdaBoost에 의한 의심행동 검출과 더불어 양손법을 조합한 결과에 대해 기술하고 아울러 고찰을 실시한다.

실험수법

성능 평가 실험에 이용하는 정상행동, 의심행동 장면으로 주간 옥외 주차장 영상을 이용했다. 촬영한 영상에 대해 표 2에 나타낸다. 피촬영자에 대해서는 의심행동으로서 일반적으로 자동차털이 행동이라고 보여지는 듯한 「주변 살핌」 「열쇠 파괴 행동」 「차내 침입」 「도주」라는 일련의 움직임을 모의한 연기를 하도록 했다. 또한, 정상행동으로서는 차 옆을 걷거나 평소처럼 내리고 타는 주차장에서 일반적으로 볼 수 있는 동작을 촬영했다.

촬영 조건 변화의 영향도 평가하기 위해 다른 개소에 설치된 카메라 A 및 카메라 B로 촬영을 실시했다. 또한, 성능평가 지표로서는 오검지율과 검출실패율의 2종류를 산출했다. 장면마다 의심인지를 판정하고, 장면의 최종 프레임까지 의심으로 판정되지 않았던 경우는 정상으로 판정했다.

실험용의 동영상 데이터로서는 정상행동 20장면과 의심행동 22장면의 합계인 42장면, 약 9,500프레임을 준비했다. 위쪽에 설치된 카메라 A로부터 내려다보며 촬영한 동영상과 약간 수평에 가까운 각도의 카메라 B로 촬영한 동영상의 2종류를 반반의 비율로 준비했다.

학습용 데이터로서는 기본 동작별의 특징 벡터군과 의심행동 검지용의 신뢰도 시퀀스의 2 종류가 있다. 기본 동작별 특징 벡터군에 대해서는 약 12,000프레임을 추출하고, 사람 손으로 기본동작 라벨을 분담했다. 신뢰도 시퀀스에 대해서는 촬영한 동영상으로부터 크로스 바리데이션에 따라 1장면씩 평가용으로 선택하고 남은 모든 장면은 학습용으로 했지만, 학습용 장면 중에서 더욱이 사람 손에 의해 정상행동 및 의심행동을 선별하여 약 6,000~6500프레임을 사용했다. 또한, 부분공간법용과 AdaBoost 용에서는 공통의 학습 데이터를 사용했다.

실험결과와 고찰

실험 결과로써 표 3에 오검출율과 검출실패율을 나타낸다. 또한, 참고로 전체에서의 오인식율도 나타낸다. 표 안의 분수의 분자는 오검출 혹은 검출 실패한 장면 수, 분모는 장면 총수이다. 부분공간법만으로의 인식, AdaBoost만으로의 인식, 양자를 조합한 인식의 3종류의 인식 수법으로 평가를 실시했다. 양자를 조합한 수법에 대해서는 뒤에 소개한다. 표와 같이 오검출율은 부분공간법만의 경우, AdaBoost만의 경우 모두 20.0%였다. 한편, 검출실패율은 부분공간법만의 경우가 4.6%로, AdaBoost만의 경우 9.1%에 비해 좋은 결과였다.

부분공간법에서는 행동 패턴에 대해서 의심도와 정상도가 가까운 값이 되어 버리는 경향을 볼 수 있고, 이것이 성능을 낮추는 원인 중 하나라고 생각할 수 있다. 학습 데이터의 선택은 육안으로 실시하지만, 의심으로 보이는 행동이라도 실제로 어떠한 특징량을 가지고 있는지는 보는 것만으로는 알기 어렵기 때문에 정상행동을 닮은 특징 벡터를 의심행동으로 학습해 버릴 가능성이 있다. 이것을 피하기 위해 학습 데이터를 사전에 AdaBoost로 강화한 식별기로 식별하고 용량이 작은 데이터를 선택해 부분공간법의 학습용 데이터로 사용하는 것을 시도했다.

용량이 작은 데이터는 식별이 용이한 문제이며, 특징공간 내에서 잘 분리되어 있다고 생각할 수 있으므로, 특징공간 내에 있어서의 전형적인 의심행동과 정상행동을 올바르게 학습하기 쉬워진다고 생각할 수 있다. 그런 까닭으로, 학습용 장면으로부터 신뢰도 시퀀스를 용량에 따라 오름차순으로 정렬하고, 용량 누계가 전체의 상위 10%가 되는 신뢰도 시퀀스까지를 새롭게 학습용으로 했다.

그 결과 오검출율이 10.0%, 검출 실패율이 4.6%로 인식 성능의 개선이 인정되어 학습 데이터의 선택 수법이 의심행동 검출의 성능에 크게 영향을 미친다는 결과가 도출됐다. AdaBoost에 의한 식별기로 학습 데이터를 선별하고, 부분공간법을 적용했을 경우의 실험 예로서 그림 3에 실험에 이용한 의심행동 장면과 의심도 및 정상도의 추이 예를 나타낸다.

예시되고 있는 행동 장면은 차량의 배면 측을 우에서 좌로 반시계 방향 회전으로 이동하면서 차내를 들여다보고(예비 조사 행위), 차량의 앞쪽으로 돌아 운전석으로부터 열쇠를 파괴하는 동작을 하고 난 후 차내에 침입하고 있다.

그림 속 하부의 그래프는 정상도 및 의심도의 추이를 나타내고 있다. 그래프로부터 알 수 있듯이 예비조사 행위 시와 열쇠를 비틀어 열려 하고 있을 때는 의심도가 높아지고 있다. 마지막 행동에 의심도, 정상도 모두 크게 떨어지고 있지만 이것은 차 안에 숨은 채로 물색하는 행동의 학습 데이터가 적었기 때문이라고 생각할 수 있다.

실패하는 패턴으로서 의심도에 관련되지 않고 정상도가 낮아졌을 경우에는 의심이라고 판정하고 있기 때문에 의심행동을 실시하려는 의도가 없는 ‘멈춰 섬’이나 방향 전환에 대해서 의심이라고 오검출하는 예를 볼 수 있었다. 이와 같은 행동은 의심행동은 아니지만, 주의를 기울일 행동이라고는 말할 수 있다.

마지막으로

여기에서는 기본 동작의 신뢰도를 특징량으로 해서 주차장 내에 있어서의 의심스러운 행동을 검지하는 시스템을 제안했다. 시스템의 특징으로는 기본 동작의 신뢰도 시퀀스를 특징으로 이용함으로써 화상으로부터 직접 구할 수 있는 특징량보다도 환경의 영향을 받기 어려운 것, 비교적 장시간인 것 혹은 움직임이 적은 의심행동에 대해서도 검출 가능한 것, 또한 임의의 행동 패턴을 학습할 수 있고 파라미터 튜닝 등의 부담이 적은 것 등을 들 수 있다.

시스템의 유효성을 평가하기 위해 실제로 옥외 주차장의 2개소에 설치한 카메라에 의해서 촬영한 동영상을 이용해 의심행동의 검출을 실시하고, 최선으로 오검출율 10.0%, 검출실패율 4.6%의 결과를 얻을 수 있었다. 향후 과제로서는 보다 향상된 검출 정확도와 옥외 운용을 위해 야간이나 비 오는 날 등의 악천후에의 대응 등을 들 수 있다.

<글 : 이노마타 텟페이(Inomata Teppei)·하기와라 마사후미(Hagiwara Masahumi) / 게이오기주쿠 대학, 키무라 코우지(Kimura Kouzi) / 코이토공업(주)>

<저작권자: 보안뉴스(http://www.boannews.com/) 무단전재-재배포금지>