군중 이상 이동 인식을 위한 제한적 데이터 활용 전략 분석
Analysis of Strategies for Using Limited Data to Recognize Abnormal Movements in Crowds
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 군중 상황에서 이상 이동을 인식하기 위한 제한된 데이터 활용 전략을 수립하고, 새롭게구축한 군중 이동 비디오 데이터셋을 기반으로 이를 분석한다. 기존 데이터셋은 군중 이동 패턴 분류에는 유용하지만, 비정상적인 움직임 탐지에는 한계가 있다. 이에 따라 이상 이동 인식을 위한 분류기준을 재정립하고, 해당 기준에 따라 군중 영상 샘플을 추가 수집하여 데이터셋을 확장하였다. 확장된 데이터셋을 바탕으로, 비디오로부터 시퀀스를 추출하는 방법 및 수, 데이터 분할 방식을 달리한다양한 데이터 활용 전략을 수립하고, 각 전략이 이상 이동 인식 성능에 미치는 영향을 비교·분석하였다. 입력에는 Optical Flow 기법을 적용해 시공간 움직임 정보를 추출하고, 이를 Bidirectional LSTM 모델에 입력하여 이상 이동을 분류하도록 설계하였다. 실험 결과, 시퀀스 수가 많을수록 인식 성능이향상되었으며, 고정된 데이터 분할 방식은 높은 정확도를 보였으나 과적합의 위험성도 함께 나타났다. 제안된 데이터셋과 분석 결과는 비정상 군중 행동 탐지 모델 개발을 위한 기초 자료로 활용 가능하며, 효율적이고 현실적인 데이터 구성 전략 수립을 위한 실질적인 가이드를 제공한다.
Abstract
This study investigates strategies for effectively utilizing limited data to recognize abnormal movements in crowd scenarios, based on a newly constructed crowd movement video dataset. Existing datasets such as Crowd-11 dataset focus on general flow patterns and lacks suitability for detecting abnormal behaviors. To address this, we redefined classification criteria and expanded the dataset with additional video samples. We tested various data composition strategies by changing the number of sequences per video and data splitting methods, and evaluated their impacts on recognition performance. Using optical flow for motion feature extraction and a Bidirectional LSTM model, we observed that more sequences led to improved performance, while fixed data splits showed high accuracy but risked overfitting. The proposed dataset and findings provide a solid foundation for developing abnormal crowd behavior detection models and offer practical guidance for data design in real-world applications.