[論文レビュー] A Vision-based Social Distancing and Critical Density Detection System for COVID-19

Dongfang Yang, Ekim Yurtsever+3 more|arXiv (Cornell University)|Jul 7, 2020

COVID-19 epidemiological studies参考文献 39被引用数 40

ひとこと要約

本論文は、単眼カメラを用いたリアルタイムでプライバシーを保護するビジョンシステムを提案し、社会的距離違反を検出し、定義された臨界密度を用いて群衆の流入を調整する。オープンソースコードが入手可能。

ABSTRACT

Social distancing has been proven as an effective measure against the spread of the infectious COronaVIrus Disease 2019 (COVID-19). However, individuals are not used to tracking the required 6-feet (2-meters) distance between themselves and their surroundings. An active surveillance system capable of detecting distances between individuals and warning them can slow down the spread of the deadly disease. Furthermore, measuring social density in a region of interest (ROI) and modulating inflow can decrease social distancing violation occurrence chance. On the other hand, recording data and labeling individuals who do not follow the measures will breach individuals' rights in free-societies. Here we propose an Artificial Intelligence (AI) based real-time social distancing detection and warning system considering four important ethical factors: (1) the system should never record/cache data, (2) the warnings should not target the individuals, (3) no human supervisor should be in the detection/warning loop, and (4) the code should be open-source and accessible to the public. Against this backdrop, we propose using a monocular camera and deep learning-based real-time object detectors to measure social distancing. If a violation is detected, a non-intrusive audio-visual warning signal is emitted without targeting the individual who breached the social distancing measure. Also, if the social density is over a critical value, the system sends a control signal to modulate inflow into the ROI. We tested the proposed method across real-world datasets to measure its generality and performance. The proposed method is ready for deployment, and our code is open-sourced.

研究の動機と目的

• ソーシャルディスタンシング監視におけるプライバシーおよび非侵襲性の懸念を喚起し、対処する。
• データを記録せずに個人間距離を検出するためのリアルタイムのAIベースシステムを開発する。
• 混雑を抑制し混雑過多を防ぐ新しい臨界社会密度指標を導入する。
• 実世界の群衆データセットで検証されたオープンソースの解決策を提供する。

提案手法

• 事前学習済みの深層CNN検出器を用いて画像空間で歩行者を検出する。
• 逆ホモグラフィを用いて画像座標を実世界のBEVへマッピングし、地表面位置を取得する。
• 歩行者間距離を計算し、閾値 d_c に対する違反をカウントする。
• 違反 v と密度 rho の線形回帰を用いて臨界社会密度 rho_c を定義・推定し、v=0 のときの 95%予測区間を使用する。
• 違反が発生した場合に非侵入的な音声・視覚警告を発し、rho > rho_c のときにROIの流入を調整する。

実験結果

リサーチクエスチョン

• RQ1 データを記録せずに、AI検出器を備えた固定型の単眼カメラでリアルタイムに歩行者間距離を正確に測定できるか。
• RQ2 社会的距離違反を所望の確率以下に抑えるために、臨界社会密度をどのように定義・推定するか。
• RQ3 都市部・屋内・地下鉄風の群衆シナリオに対して、事前学習済み検出器はソーシャルディスタンシング監視においてうまく一般化するか。

主な発見

• Faster R-CNNとYOLOv4は、テストデータセットでリアルタイムの歩行者検出を達成する。
• 逆ホモグラフィによるBEVマッピングは、実世界座標で歩行者間の距離測定を可能にする。
• 社会密度 rho は違反数 v と正の相関を持ち、線形回帰に基づく rho_c 推定を可能にする。
• 算出された臨界密度 rho_c は、Oxford Town Center、Mall、Train Station データセットで類似している。
• 本システムはデータを記録せず、個人を特定せずに非侵入的な警告と流入の調整をサポートする。