실시간 행동인식 기반 아동 행동분석 서비스 시스템 개발
(Development of a Real-time Action Recognition-Based Child Behavior Analysis Service System)
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 행동인식 기술을 기반으로 0세에서 2세까지의 아동을 대상으로 행동 발달 지표(활동성, 사회성, 위험성)를 파악하여 고도의 복지 서비스를 제공할 수 있는 시스템과 알고리즘에 관해 기술한다. 행동인식은 0세 영아의 눕기에서 부터 2세 유아의 점프까지 총 11개 행동을 대상으로 하였으며 광주·전남지역 어린이집 3개소에서 연구용으로 제공받은 실제 영상으로부터 직접 취득한 데이터를 학습에 사용하였다. 11개 행동에 대해 425개 클립 영상에서 1,867개 행동 데이터셋을 구축하여 학습한 결과 평균 97.4%의 인식정확도를 확인하였다. 또 실세계 적용을 위해 행동분석 장치인 엣지 비디오 분석기(Edge Video Analyzer, EVA)를 제작하였고 이 장치 위에 4채널 영상에서 최대 30명까지 실시간 행동인식이 가능한 영역별 랜덤 프레임 선택 기반 PoseC3D 알고리즘을 구현하였다. 개발된 시스템은 3곳의 어린이집에 설치되어 10명의 보육교사에 의해 1개월간 실증테스트가 진행되었고 설문조사 결과 체감 정확도는 91점, 서비스 만족도는 94점으로 평가되었다.
Abstract
This paper describes the development of a system and algorithms for high-quality welfare services by recognizing behavior development indicators (activity, sociability, danger) in children aged 0 to 2 years old using action recognition technology. Action recognition targeted 11 behaviors from lying down in 0-year-olds to jumping in 2-year-olds, using data directly obtained from actual videos provided for research purposes by three nurseries in the Gwangju and Jeonnam regions. A dataset of 1,867 actions from 425 clip videos was built for these 11 behaviors, achieving an average recognition accuracy of 97.4%. Additionally, for real-world application, the Edge Video Analyzer (EVA), a behavior analysis device, was developed and implemented with a region-specific random frame selection-based PoseC3D algorithm, capable of recognizing actions in real-time for up to 30 people in four-channel videos. The developed system was installed in three nurseries, tested by ten childcare teachers over a month, and evaluated through surveys, resulting in a perceived accuracy of 91 points and a service satisfaction score of 94 points.
참고문헌 (27)
- 최은희, "관찰 중심의 아동 평가에 대한 고찰-관찰법을 중심으로-", 대한감각통합치료학회, 9(1), pp.53~61 (2011)
- 강현미, "표준보육과정에 기초한 영아관찰척도 개발을 위한 기초 연구", 한아동학회지, 32(5), pp.167~183 (2011)
- 윤주화, "걸음마기 아동의 문제행동과 보육교사의 어려움에 관한 연구", 아동학회지, 20(2), pp.171~186 (1999)
- D. R. Beddiar, "Vision-based Human Activity Recognition : A Survey", Multimedia Tools and Applications, 79, pp.30509~30555 (2020)
- 이지애, "스마트 관제를 위한 딥러닝 기반 이상행동 기술 동향 분석", 한국방송미디어공학회 2019년도 추계학술대회, 29, pp.11~13 (2019)
- 이혜원, "CCTV 영상 분석을 위한 스마트 관제 시스템 구현을 위한 설계에 관한 연구", 석사, pp.2021
- 안시현, "실내 아동 안전을 위한 딥러닝 기반의 아동 행동 분석기술 개발", 한국정보기술학회논문지, 21(1), pp.91~100
- 어린이집 설치 기준 개선을 위한 실태 조사, "김은설", 육아정책연구소, ~, pp.연구보고 2016-03 (2016)
- 중소벤처기업부, "Edge-Device 기반 고성능 경량 고속-시각 지능 플랫폼", 중소기업기술로드맵 2020-2022, 중소기업기술정보진흥원, ~ (2020)
- J. Redmon, "You Only Look Once : Unified, Real-Time Object Detection", 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.779~788 (2016)
- A. Bewley, "Simple Online and Realtime Tracking", 2016 IEEE International Conference on Image Processing(ICIP), pp.3464~3468 (2016)
- L. He, "FastReID : A Pytorch Toolbox for General Instance Re-identification", MM '23 : Proceedings of the 31st ACM International Conference on Multimedia, pp.9664~9667 (2023)
- K. Sun, "Deep High-Resolution Representation Learning for Human Pose Estimation", 2019 IEEE, 2019, 5693~5703
- H. Duan, "Revisiting Skeleton-based Action Recognition", 2022 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.2969~2978 (2022)
- R. Yue, "Action recognition based on RGB and skeleton data sets : A survey", Neurocomputing, 512(1), pp.287~306 (2022)
- L. Sevilla-Lara, "On the integration of optical flow and action recognition", Pattern Recognition, pp.281~297 (2019)
- O. Peña-Cáceres, "Recognition of Human Actions through Speech or Voice Using Machine Learning Techniques", Computers, Materials & Continua, 77(2), pp.1873~1891 (2023)
- Z. Liu, "Disentangling and unifying graph convolutions for skeleton-based action recognition", 2020 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 143(152), pp.143~152 (2020)
- Y. Song, "Constructing stronger and faster baselines for skeleton-based action recognition", IEEE Transactions on Pattern Analysis and Machine Intelligence, 45, pp.1474~1488 (2022)
- T. Chen, "Learning Multi-Granular Spatio-Temporal Graph Network for Skeleton-Based Action Recognition", ACMMM (2021)
- 정성우, "CAPS : CCTV 영상을 이용한 자율형 딥러닝 기반 아동학대 감지 시스템", 제어로봇시스템학회 논문지, 27(12), pp.1029~1037 (2021)
- 길유정, "어린이집 내 아동학대 방지를 위한 CCTV 영상처리 자동화 시스템", 2022 한국정보기술학회 추계 종합학술대회 논문집, pp.855~859 (2022)
- 이윤성, "CCTV 송출 시스템을 운영하는 어린이집 교사가 느끼는 어려움과 바람", 열린유아교육연구, 26(1), pp.251~278 (2021)
- 보건복지부, "K-DST 한국 영유아 발달선별검사", ~ (2015)
- Y. Zhang, "Bytetrack : Multi-object tracking by associating every detection box", ECCV 2022:17th European Conference on Computer Vision, pp.1~21 (2022)
- C. Rao, "Three-dimensional convolutional neural network(3D-CNN)for heterogeneous material homogenization", Computational Materials Science, 184 (2020)