버스 내 안전사고 예방을 위한 안면인식 모델 설계 및 구현
Design and Implementation of a Facial Recognition Model to Prevent Safety Accidents in Buses
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 공공데이터를 버스 하차 시 교통카드를 이용하여 하차 태그 행동을 통해 하차하는 과정은 급정차 사고 발생률을 증가시키는 원인중 하나이다. 본 논문에서는 승객의 교통카드 승차정보와 안면정보를 매칭하여 승객 ID, 승차시간, 승객의 안면이미지를 분류하고 하드웨어를 접목하여 버스 내 환경에서 안면 인식 및 승/하차 정보를 실시간 통신 할 수 있는 버스 내 안전사고 예방을 위한 안면인식 모델을 제안한다. 안면 이미지 데이터는 전처리를 통하여 CNN 모델에 적용하여 안면특징을 추출하고 분류한다. 또한 버스 내 환경에 맞추어 이미지의 특징 정보를 추출하는 서버와 버스 내 승객의 이미지를 전송하는 MCU 보드를 사용하고, 승객의 카드 정보 추출을 위해 RFID를 사용한다. 라즈베리파이(Raspberry PI) 모델을 활용하여 웹 스트리밍 서버를 구축하고, 특징 정보를 추출하는 서버와 통신을 위해 Socket 통신을 이용해 버스 내 안전사고 예방을 위한 안면인식 모델을 구현한다. 이를 통해 하차 태그 액션 없이 안면 정보만으로 승객의 하차정보를 인지하여 사고 예방에 기여하고 해당 모델을 통한 안전 경고 등 다양한 버스 내 안전사고 예방을 위한 활용 및 응용에 초석이 될 것으로 사료된다.
Abstract
The process of getting off through the drop-off tag action using a transportation card when getting off the bus increases the incidence of sudden stop accidents. In this paper, we propose a face recognition model to prevent in-bus safety accidents that can match passengers' transportation card ride information to classify passengers' ID, ride time, and passengers' face image, and communicate face recognition and boarding/leaving information in real time in a bus environment by combining hardware. Facial image data is applied to a convolutional neural network (CNN) model through preprocessing to extract and classify facial features. In addition, a server that extracts characteristic information of an image according to the in-bus environment and an MCU(Micro Controller Unit) board that transmits images of passengers on the bus are used, and RFID is used to extract card information of passengers. Using the Raspberry PI, a web streaming server is built, and a face recognition model for preventing safety accidents on buses is implemented using Socket communication for communication with a server that extracts feature information. Through this, it is believed that it will contribute to the prevention of accidents by recognizing passengers' drop-off information only with facial information without drop-off tag action, and will serve as a cornerstone for the use and application of various safety accidents on the bus, such as safety warnings through the model.
참고문헌 (15)
- "The social affairs department breaking the signal, looking elsewhere buses carrying dozens of passengers 'dizzy gallop'" (2020)[URL]
- 장성진, "머신 러닝 기반 RFID 태그인식 프로세스를 위한 충돌방지 중재 알고리즘", 한국지식정보기술학회 논문지, 15(5), pp.615~622 (2020), 한국지식정보기술학회[DOI]
- "Do I have to take a picture of TAG getting off the city bus?"[URL]
- 박지현, "국내 염모용 화장품의 안전관리 현황", 한국지식정보기술학회 논문지, 17(5), pp.1039~1047 (2022), 한국지식정보기술학회[DOI]
- M. Minsky, "Perceptron : An introduction to computational geometry" (1969), The MIT press
- Scito Goki, "Deep learning from scratch" (2017), O’REILLY
- Generalization and network design strategies, University Toronto, "Y. Lecun", ~, pp.Technical report CRG-TR-89-4 (1989)
- G. Wu, "A gated attention recurrent neural network: A deeping learning approach for redar-based precipitation nowcasting", Water, 14 (2022)
- D. H. Hubel, "Single unit activity in striate cortex or unrestrained cats", The journal of hysiology, 147(2), pp.226~238 (1959)
- D. H. Hubel, "Receptive fields and functional architecture of monkey striate cortex", The journal of physiology, 148(3), pp.574~591 (1968)
- Wei Hou, "Video Road Vehicle Detection and Tracking based on OpenCV", Journal of Information and Communication Convergence Engineering, 20(3), pp.226~233 (2022), 한국정보통신학회
- M. W. Cho, "Water level prediction model applying a long short-term memory(LSTM)–gated recurrent unit(GRU) method for flood prediction", Water, 14(14) (2022)
- N. Dalal, "Histograms of oriented gradients for human detection", IEEE computer society conference on computer vision and pattern recognition (2005)
- 이태준, "객체 탐지를 활용한 근로자 충돌 안전관리 시스템", 한국정보통신학회논문지, 26(9), pp.1259~1265 (2022), 한국정보통신학회[DOI]
- S. Raschka, "Python machine learning" (2019), Gilbut