KIISE Transactions on Computing Practices (정보과학회 컴퓨팅의 실제 논문지)

Korean Institute of Information Scientists and Engineers (한국정보과학회)
권호 표지
DOI QR코드

DOI QR Code

CCTV Object Detection with Background Subtraction and Convolutional Neural Network

배경 차분과 CNN 기반의 CCTV 객체 검출

  • 김영민 (한양대학교 산업융합학부/기술경영전문대학원) ;
  • 이지영 (한양대학교 산업공학과) ;
  • 윤일로 ((주)다누시스) ;
  • 한택진 (한양대학교 기술경영전문대학원) ;
  • 김철연 (한양대학교 기술경영전문대학원)
  • Received : 2017.09.06
  • Accepted : 2018.01.08
  • Published : 2018.03.15
⟨ Previous Next ⟩

Abstract

In this paper, a method to classify objects in outdoor CCTV images using Convolutional Neural Network(CNN) and background subtraction is proposed. Object candidates are extracted using background subtraction and they are classified with CNN to detect objects in the image. At the end, computation complexity is highly reduced in comparison to other object detection algorithms. A database is constructed by filming alleys and playgrounds, places where crime occurs mainly. In experiments, different image sizes and experimental settings are tested to construct a best classifier detecting person. And the final classification accuracy became 80% for same camera data and 67.5% for a different camera.

본 연구는 영상 분석에서 최근 좋은 연구 성과를 내고 있는 컨볼루션 신경망 (Convolutional Neural Network: CNN) 기법을 실외 CCTV 영상 분석에 적용하여 객체 유형을 분류하는 방법론은 제안한다. 배경 차분 (background subtraction)을 사용하여 찾고자 하는 객체 후보들을 추출해내고 이를 CNN을 이용해 분류함으로써 계산량을 줄이는 효과를 얻는 방법이다. CNN 학습용 CCTV 영상 수집을 위해 범죄 발생이 주로 일어나는 골목길, 놀이터 등에서 촬영한 CCTV 영상 DB를 구축하였으며 우선적으로 사람인 객체만 검출하는 분류기를 학습하였다. 다양한 학습 데이터 사이즈와 세팅에 맞게 실험하였으며 실험 결과 약 80%의 분류 정확도를 보였으며 새로운 CCTV 영상으로 테스트했을 때 약 67.5%의 성능을 보였다.

Keywords

Acknowledgement

Grant : 영상 빅데이터기반 기계학습을 통한 스마트 범죄예방 솔루션 개발

Supported by : 산업통상자원부

References

  1. A. Bialkowski, S. Denman, S. Sridharan, C. Fookes, and P. Lucey, A database for person re-identification in multi-camera surveillance networks, DICTA, 2012.
  2. A. Schumann, E. Monari, A soft-biometrics dataset for person tracking and re-identification, AVSS, 2014.
  3. J. Per, V. S. Kenk, M. Kristan, and S. Kovacic, Dana36: A multi-camera image dataset for object identification in surveillance scenarios, AVSS, 2012.
  4. M. Piccardi, Background subtraction techniques: a review, Proc. IEEE Int. Conf. Systems, Man, Cybernetics, 2004.
  5. A. Krizhevsky, I. Sutskever, and G. E. Hinton, Imagenet classification with deep convolutional neural networks, NIPS '12, pp. 1106-1114, 2012.
  6. A. Angelova, A. Krizhevsky, V. Vanhoucke, A. Ogale, and D. Ferguson, Real-time pedestrian detection with deep network cascades, BMVC, 2015.
  7. S. Ren, K. He, R. Girshick and J. Sun, Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, NIPS, 2015.
  8. L. Zhang, L. Lin, X. Liang and K. He, Is Faster R-CNN Doing Well for Pedestrian Detection? ECCV, 2016.
  9. R. Girshick, Faster RCNN with PyTorch. [Online]. Available: https://github.com/longcw/faster_rcnn_pytorch