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.