1인 가구 환경에서 프라이버시 보호 영상을 활용한 위험 행동 인식에 관한 연구
A Study on Recognition of Dangerous Behaviors using Privacy Protection Video in Single-person Household Environments
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
최근 딥러닝 기술의 발달로 사람의 행동을 인식하는 연구가 진행 중에 있다. 본 논문에서는 딥러닝 기술을 활용하여 1인 가구 환경에서 발생할 수 있는 위험 행동을 인식하는 연구를 진행하였다. 1인 가구의 특성상 개인의 프라이버시 보호가 필요하다. 본 논문에서는 개인의 프라이버시 보호를 위해 가우시안 블러 필터가 적용된 프라이버시 보호 영상에서 사람의 위험 행동을 인식한다. 위험 행동 인식 방법은 객체 검출 모델인 YOLOv5 모델을 활용하여 영상에서 사람 객체 검출및 전처리 방법을 적용한 후 행동 인식 모델의 입력값으로 활용하여 위험 행동을 인식한다. 실험에는 ResNet3D, I3D, SlowFast 모델을 사용하였고, 실험 결과 SlowFast 모델이 프라이버시 보호 영상에서 95.7%로 가장 높은 정확도를 달성하였다. 이를 통해 개인의 프라이버시를 보호하면서 1인가구 환경에서 사람의 위험 행동을 인식하는 것이 가능하다.
Abstract
Recently, with the development of deep learning technology, research on recognizing human behavior is in progress. In this paper, a study was conducted to recognize risky behaviors that may occur in a single-person household environment using deep learning technology. Due to the nature of single-person households, personal privacy protection is necessary. In this paper, we recognize human dangerous behavior in privacy protection video with Gaussian blur filters for privacy protection of individuals. The dangerous behavior recognition method uses the YOLOv5 model to detect and preprocess human object from video, and then uses it as an input value for the behavior recognition model to recognize dangerous behavior. The experiments used ResNet3D, I3D, and SlowFast models, and the experimental results show that the SlowFast model achieved the highest accuracy of 95.7% in privacy-protected video. Through this, it is possible to recognize human dangerous behavior in a single-person household environment while protecting individual privacy.
참고문헌 (18)
- 김원종, "1인 가구와 범죄", 법경제학연구, 17(1), pp.137~160 (2020), 한국법경제학회[DOI]
- "Lonely death, safety net urgently needed"[URL]
- Research on for Strengthening the Efficacy ofCriminal Policy for Public Safety (II) : Improving Safety in Single-Person Household Concentration Areas, "JunHwi Park", korean institute of criminology, 1~938 (2017)
- R. Girshick, "Rich feature hierarchies for accurate object detection and semantic segmentation", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.580~587 (2014)
- J. Redmon, "You only look once: Unified, real-time object detection", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.779~788 (2016)
- H. S. Fang, "Rmpe: Regional multi-person pose estimation", Proceedings of the IEEE International Conference on Computer Vision, pp.2334~2343 (2017)
- Z. Cao, "Realtime multi-person 2d pose estimation using part affinity fields", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.7291~7299 (2017)
- F. Gers, "Learning to forget:Continual prediction with LSTM", Neural computation, 12(10), pp.2451~2471 (2000)[DOI]
- K. Cho, "Learning phrase representations using RNN encoder-decoder for statistical machine translation", ~ (2014)
- S. Yan, "Spatial temporal graph convolutional networks for skeleton-based action recognition", Thirty-second AAAI conference on artificial intelligence (2018)
- M. Li, "Actional-structural graph convolutional networks for skeleton-based action recognition", Proceedings of the IEEE, 2019, 3595~3603
- J. Carreira, "Quo vadis, action recognition? a new model and the kinetics dataset", proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.6299~6308 (2017)
- C. Feichtenhofer, "Slowfast networks for video recognition", Proceedings of the IEEE, 2019, 6202~6211
- 강윤규, "PoseNet과 GRU를 이용한 Skeleton Keypoints 기반 낙상 감지", 한국산학기술학회논문지, 22(2), pp.127~133 (2021), 한국산학기술학회[DOI]
- 배현재, "AlphaPose를 활용한 LSTM(Long Short-Term Memory) 기반 이상행동인식", 정보처리학회 논문지, 10(5), pp.187~194 (2021), 한국정보처리학회
- "YOLOv5"[URL]
- "Introduction of abnormal behavior CCTV video"[URL]
- A. Shahroudy, "Ntu rgb+ d:A large scale dataset for 3d human activity analysis", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.1010~1019 (2016)