https://ipsj.ixsq.nii.ac.jp/ej/?action=repository_action_common_download&item_id=164308&item_no=1&attribute_id=1&file_no=1
Title (英語・日本語): Realtime anomaly detection using Machine Learning / 機械学習による動画のリアルタイム異常検出
Journal Name & Publication Year: 情報処理学会第77回全国大会, 2015年
First and Last Authors: Ryohei Kuroki, Tadashi Ogino
First Affiliations: Okinawa National College of Technology
Abstract:
監視カメラのリアルタイム性を活かし、監視員の負担を軽減・自動化するために、機械学習を用いて異常状態を検出するシステムを構築する。具体的には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、JubatusのLOFを用いて学習する。
Background:
監視カメラの普及に伴い、監視員の負担増や録画主体のシステムによるリアルタイム性の欠如が問題となっている。従来の異常検出手法にはCHLAC特徴やOne-Class SVMが用いられているが、フローベクトルとLOFの組み合わせによる手法は新しい試みである。
Methods:
連続する2フレームからORB特徴を抽出し、特徴点を結びフローベクトルを得る。ラベリングにより各移動体の位置と範囲を検出し、移動ベクトルと位置ベクトルを計算する。JubatusのLOFを用いて異常検出を行う。
Results:
正常行動のみの動画と異常行動を含む動画で実験を行い、転倒が発生するフレームで大きな異常値を検出した。Addメソッドでは処理時間が約60msかかり、Calcメソッドでは10ms以内で処理が完了した。
Discussion:
正常状態の学習から異常状態の検出が可能であることが示された。処理速度の計測結果から、Calcメソッドを使用すればリアルタイムな異常検出が可能であることが確認された。
Novelty compared to previous studies:
フローベクトルとLOFの組み合わせによる異常値検出は、従来のCHLAC特徴やOne-Class SVMを用いた手法とは異なる点が新規性である。
Limitations:
30FPSの処理性能を満たすためには、Addメソッドの処理速度改善が必要。現実的にはCalcメソッドの使用を推奨。
Potential Applications:
監視カメラシステムの自動化・効率化に貢献し、監視業務の負担軽減やコスト削減が期待される。
カメラはなにを用いていますか？
カメラ:
論文中では具体的なカメラの機種やブランドについての記述はありませんが、「通常のカメラの性能である30FPSを満たすことが望まれる」と述べられており、一般的な監視カメラを使用していることが示唆されています。
CHLAC特徴とはなんですか？
CHLAC特徴とは:
CHLAC (Cubic Higher-order Local Auto-Correlation)特徴は、動画像から抽出される特徴量の一種で、複数の人物や物体の動きを解析するために使用されます。この特徴量は、空間および時間における高次の自己相関を計算することで、動作パターンを表現します。
具体的には、動画像の各フレームから局所的な特徴点を抽出し、それらの特徴点の時空間における相関を計算することによって、動きのパターンを特徴付けることができます。この方法は、複数人の動作を同時に解析する際に有効であり、異常動作の検出などに応用されています。
参考文献として以下のものがあります：
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).
人を対象としたものですか？
はい、CHLAC特徴は主に人を対象とした動作解析に使用されます。複数人の動画像から異常動作を検出するための手法として特に有効です。動画像中の人物の動きを解析し、異常な行動やパターンを検出するために利用されます。具体的には、人々の動きや位置の変化を高次の自己相関を通じて特徴付けることができます。これにより、転倒や不審な動きなどの異常行動を検出することが可能となります。
1mm程度の破片の破壊を検出する手法はありますか？
1mm程度の破片の破壊を検出するための手法には、いくつかの技術が考えられます。以下に代表的な手法を挙げます：
高解像度カメラの使用:
高解像度のカメラを使用することで、1mm程度の小さな破片を視覚的に検出することが可能です。これには、工業用の顕微鏡カメラや高解像度のCCD/CMOSカメラが含まれます。
画像処理技術:
高解像度カメラで撮影した画像に対して、画像処理アルゴリズムを適用することで、破片の検出を行います。エッジ検出、パターン認識、差分画像解析などの技術が利用されます。
レーザースキャン:
レーザースキャン技術を使用することで、表面の微細な変化を検出することができます。これにより、1mm程度の破片の破壊を高精度に検出することが可能です。
超音波検査:
超音波検査を用いることで、材料内部の微小な破壊や欠陥を検出することができます。超音波を用いた非破壊検査技術は、特に工業分野で広く使用されています。
AI・機械学習:
破片の検出にAIや機械学習技術を導入することで、精度の高い検出が可能になります。大量のデータを基に学習させることで、破片の検出精度を向上させることができます。
これらの技術を組み合わせることで、1mm程度の破片の破壊を効果的に検出するシステムを構築することができます。具体的な適用方法は、対象とする破片の材質や検出環境によって異なりますので、詳細な要件に基づいて適切な技術を選定する必要があります。
