Comments
Description
Transcript
機械学習による動画のリアルタイム異常検出
情報処理学会第 77 回全国大会 6Q-01 機械学習による動画のリアルタイム異常検出 黒木陵平 大嶺漢 荻野正 沖縄工業高等専門学校 1. る.各移動体に関係する複数のフローベクトル をそれぞれ平均化し,一つの移動体に対して一 監視カメラの普及が急速に進んでいる現代に つずつの移動ベクトルを得る.さらにラベリン おいて,監視員の増員によるコストの増加や監 グによって得られた範囲の重心位置を位置ベク 視業務の負担の増加などの問題点が発生してい トルとする. る.また,既存の監視カメラシステムでは録画 こうして得た 4 つのベクトル(位置 x,位置 y, が主となっており,監視カメラが本来持つリア 移動 dx,移動 dy)を機械学習フレームワーク ルタイム性を生かし切れたシステムとなってい Jubatus[5]の LOF (Local Outlier Filter) アルゴリズ ない.そこで本稿では監視カメラの監視員業務 の負担軽減・自動化のため,機械学習を用いて, ムを用いた外れ値検出機能によって学習する. Jubatus には学習・異常値計算を行う Add メソッ リアルタイムで異常状態の検出を行うシステム ドと異常値計算のみを行う Calc メソッドがある. の構築を目指す.具体的には SIFT,SURF より も高速である ORB 特徴の追跡によるフローベク トルの抽出とラベリングを組み合わせ,機械学 習フレームワークである Jubatus の LOF (Local Outlier Filter)を用いて学習することにより,異常 状態の検出を可能にする. 動画中の異常検出手法としては南里らによる CHLAC 特徴を用いるものが代表的である[1].ま た,それに関して LOF を用いた最適化手法が小 川らにより提案されている[2].村井らは動的背 景モデリング,重み付き時空間勾配等により動 的背景における異常検出を行っている[3].田島 らはフローベクトルに One-Class SVM を用いて Figure 1. Detection FlowVector 異常値検出を行っている[4].本研究はフローベ クトルと LOF の組み合わせによる異常値の検出 3. 実験 を目的としており,既存研究とは実現方法が異 複数の人物が,左右双方向に歩行を行う動画 なる. において正常行動のみの動画と異常行動(人物 の転倒)を含む動画を用意し,正常動画の学習 2. 原理 後に異常行動が検出可能か検証を行った.実験 本システムでの動画の特徴量の抽出及び機械 の結果,転倒が発生する 600 フレーム付近で大き 学習による異常の検出の原理について説明する. な異常値が発生し,それ以外の点では大きな異 まず,動画の連続した 2 フレームより ORB 特徴 常値が検出されなかった.この実験により,本 を用いてそれぞれ特徴点を抽出し,各点におい システムによる正常状態の学習から,異常状態 てその特徴量を計算する.2 フレームにおいて特 を検出可能であることが示された. 徴量が一致した点同士をつなぎ,各特徴点にお また,フローベクトルを学習した個数に対す けるフローベクトルを得る.並行して現在のフ る Add,Calc メソッドそれぞれの処理時間を計 レームからの前景抽出を行い,ラベリングを施 測した.結果を Figure 3,Figure 4 に示す. す.これにより各移動体の位置と範囲を検出す はじめに Realtime anomaly detection using M achine Learning Ryohei Kuroki Kan Omine Tadashi Ogino Okinawa National College of Technology 2-231 Copyright 2015 Information Processing Society of Japan. All Rights Reserved. 情報処理学会第 77 回全国大会 16000 14000 Calc[us] 12000 6000 2000 0 20 anomaly score 8000 4000 25 0 300 600 900 1200 1500 1800 Number of Training Data 15 Figure 4. Calc Process Time 10 4. 5 0 0 300 600 900 1200 frame number Figure 2. Anomaly score 通常のカメラの性能である 30FPS を満たすた めには最悪でも約 30ms 以内に処理が完了するこ とが望まれる.今回のシステムでは常に Add メ ソッドを使用しているため,異常検出が行われ た 600 フレーム付近(学習データ数は 900 程度) において約 60ms を必要としており,処理性能を 満たしていない.現実的にはある程度学習した 時点で Calc メソッドのみを行うように切り替え, そのスコアが高い場合に人間に対して正常,異 常の判断を促し,正常な場合のみ Add メソッド を使用すると言った使用法が考えられる.Calc メソッドは同じ学習データ数 900 程度の状態にお いて,遅くとも 10ms 以内には処理が完了してい るため,本システムにおいて十分な処理性能を 持つと考えられる. Add[us] 10000 200000 180000 160000 140000 120000 100000 80000 60000 40000 20000 0 0 300 600 まとめ 特徴点の追跡とラベリングを組み合わせるこ とによってフローベクトルを抽出し,それを用 いることによって正常状態の学習による異常状 態の検出を行うことが出来た. また,処理速度の計測を行ったことによって, 効率的に Calc メソッドを使用すれば,リアルタ イムな異常検出も可能であることが示された. 今後はどの程度の学習により十分な異常検出 性能が 得ら れる か検 証し ,そ の結 果に応 じて Calc メソッドを使用することで,より実用的な 異常検知システムの構築を目指す. 参考文献 [1]南里卓也,大津展之: 複数人動画像からの異常動 作検出, CVIM, Vol.2004, No. 91, pp.173–186 (2004). [2] 小川宏高, 中田秀基, 工藤知宏: 多数の動画像を 対象とするリアルタイム異常値検出の検討, HPC, Vol.2013, No.15, pp.1-6(2013). [3]村井泰裕,藤吉弘亘,数井誠人: 時空間特徴に基 づくエスカレータシーンにおける人の異常行動 検知, 信学技報 PRMU, Vol.2008, No.82, pp.247– 254 (2008). [4]田島和博,石川一樹,福光龍之介,関弘和: 画像フ ロー情報の 1 クラス SVM に基づく独居高齢者非 日常行動検出システム, 電気学会研究会資料, 次 世代産業システム研究会, Vol.2013, No.2, pp.15-18 (2013). [5] PFI and NTT: Jubatus : Distributed Online Machine Learning Framework, http://jubat.us/ 900 1200 1500 1800 Number of Training Data Figure 3. Add Process Time 2-232 Copyright 2015 Information Processing Society of Japan. All Rights Reserved.