본문 바로가기
KERD
논문KCI 등재

실시간 객체인식 모듈을 활용한 영상 내 군중밀도 산출 및 자동 추출 프로그램의 구현

Implementation and Calculation of Crowd Density in Video using a Real-Time Object Detection Module

김한수|구예리|김동환
한국과학수사학회 (The Korean Academy of Scientific Criminal Investigation)|2024.09|과학수사학회지 (Journal of Science Criminal Investigation)|제18권 제3호|pp. 175-184

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

YOLO modelcrowd countinghead detectiondensity calculation

초록

수많은 군중이 모이는 여러 가지 유형의 행사에서, 군중의 밀집도를 빨리 파악하고 인명피해를 예측하는 체계적인 대응이 공공안전의 지속적인 유지에 필수적인 요소이다. 본 논문에서는 효율적으로 객체를 탐지하고 그 결과를 실시간으로 처리할 수 있는 1-stage detection 모델인 YOLO 모델을 응용하여, CCTV 등에서 확인되는 군중 밀도를 효과적으로 검출하고 활용할 수 있도록 하였다. 다양한 공개 데이터셋을 기반으로 한 결과, 제안하는 방법은 기설치된 CCTV 등에 나타난 사람들을 빠르게 인식하고 그에 따른 군중밀도를 손쉽게 산출할 수 있었다. 구축된 모델은 약 95%의 정밀도, 93%의 재현율 및 0.89의 F1- score를 나타냈으며, 구현된 프로그램은 인구밀도를 효과적으로 산출함과 동시에 위급상황 알림, 그래프표출, 로그 저장 등의 기능들을 갖추었다. 본 연구는 인구 밀집도 분석을 위한 효율적인 도구를 제공함으로써, 대규모 행사나 공공장소에서의 군중 관리 및 안전 확보에 중요한 역할을 할 것이다

Abstract

Maintaining continuous public safety in various events where large crowds gather requires quickly assessing crowd density and predicting potential casualties. The YOLO model, a 1-stage detection model capable of efficiently detecting objects and processing results in real-time is applied in this study to effectively detect and utilize crowd density observed through CCTV cameras. Utilizing various public datasets, the proposed model quickly recognizes individuals appearing on pre-installed CCTV footage and easily calculates the corresponding crowd density, with the demonstration of approximately 95% precision, 93% recall, and an F1-score of 0.89. The implemented program effectively calculates population density while also providing functionalities such as emergency alerts, graphical displays, and log storage. This study provides an efficient tool for crowd density analysis, playing a crucial role in crowd management and ensuring safety at large-scale events and public places.

참고문헌 (25)

  1. 박상은, "재난의 사회적 원인과 의미 구성 : 10·29 이태원 참사를 사례로", 경제와 사회, 138, pp.70~100 (2023)[DOI]
  2. J Song, "Trend of Technology in Video Surveillance System", J Korea Soc Com Inf, 25(6), pp.57~64 (2020)[DOI]
  3. N Moon, "A study on the marketing trends and effective utilization of video security", Police Research Bulletin, 6, pp.125~154 (2010)
  4. SW Park, "Trends in the application of intelligent CCTV technology in public safety", Weekly Technology Trends, 8, pp.16~28 (2023)
  5. JS Lee, "Trends on Object Detection Techniques Based on Deep Learning", Elec Telecom Trends, 33(4), pp.23~32 (2018)[DOI]
  6. R Girshick, "Rich feature hierarchies for accurate object detection and semantic segmentation", Proc IEEE Conf Comput Vis Pattern Recog., pp.580~587 (2014)
  7. R Girshick, "Fast R-CNN", Proc IEEE Int Conf Comput Vis, pp.1440~1448 (2015)
  8. S Ren, "Faster R-CNN : Towards Real-Time Object Detection with Region Proposal Networks", IEEE Trans Pattern Anal Machine Intelligence, 39(6), pp.1137~1149 (2017)[DOI]
  9. J Redmon, "You only look once : unified, real-time object detection", Proc IEEE Conf Comput Vis Pattern Recognition, pp.779~788 (2016)
  10. M Yanjinlkham, "A Survey of Video Surveillance Systems in Smart City", Electronics, 12(17), pp.3567~ (2023)[DOI]
  11. A Patwal, "Crowd Counting Analysis Using Deep Learning", Procedia Comput Sci, 218, pp.2448~2458 (2023)[DOI]
  12. Y Ranasinghe, "Crowd Diff : Multi-hypothesis crowd density estimation using diffusion models", Proc IEEE Conf Comput Vis Pattern Recog, pp.12809~12819 (2024)
  13. 정지엽, "군중 밀도 예측을 위한 네트워크 구조와 훈련방법의 혼잡도 및 크기 인식 설계", 박사, pp.2022
  14. L Bai, "Crowd density detection method based on crowd gathering mode and multi-column convolutional neural network", Image Vis Comput, 105, pp.104084~ (2021)[DOI]
  15. J Xiang, "Crowd density estimation method using deep learning for passenger flow detection system in exhibition center", Sci Prog (2022)[DOI]
  16. M Hassan, "Crowd counting using deep learning based head detection", Elec Imaging, 293, pp.1~6 (2023)[DOI]
  17. G Lavanya, "Enhancing Real-time Object Detection with YOLO Algorithm", EAI Endorsed Trans Internet of Things, 10 (2023)[DOI]
  18. MC Andrea, "Computer vision-based traffic accident detection using YOLO v8", Journal of Korean Society of Industrial Information Systems, 29(1), pp.91~105 (2024)[DOI]
  19. MM Yusro, "Comparison of faster r-cnn and YOLOv5 for overlapping objects recognition", Baghdad Sci J, 20(3), pp.893~903 (2023)[DOI]
  20. T Kvietkauskas, "Influence of training parameters on real-time similar object detection using YOLOv5s", Appl Sci, 13(6), pp.3761~ (2023)[DOI]
  21. OpenCV, "Open Source Computer Vision Library", ~ (2015)
  22. (2024)[URL]
  23. (2022)[URL]
  24. (2024)[URL]
  25. (2023)[URL]

이 간행물의 다른 논문 (6건)

설치불량 앵커의 하중저항성능 평가전홍필, 박찬성pp. 185-192변사체 발견 장소에 따른 국내의 곤충 감정을 통한 최소 PMI 추정사례에 대한 검토신상언pp. 193-203야생동물털의 형태학적 분석을 통한 과학수사 증거물로서의 활용최미정, 윤영욱, 김지영pp. 204-214텍스트 마이닝을 이용한 대중의 부검 관련 빅데이터 분석: 2002~2023년 네이버 지식iN 자료를 중심으로박완주, 김선주pp. 215-226적응형 지도 대비 학습을 통한 효과적인 얼굴 위조탐지 방법김한수pp. 226-232
원문 보기