[논문 리뷰] A Vision-based Social Distancing and Critical Density Detection System for COVID-19

Dongfang Yang, Ekim Yurtsever외 3명|arXiv (Cornell University)|2020. 07. 07.

COVID-19 epidemiological studies참고 문헌 39인용 수 40

한 줄 요약

이 논문은 단일 렌즈 카메라를 이용한 실시간 프라이버시 보호 비전 시스템으로 사회적 거리 두기 위반을 탐지하고 정의된 임계 밀도를 통해 인구 유입을 조절하며, 오픈 소스 코드를 제공한다.

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.

연구 동기 및 목표

• 사회적 거리 두기 모니터링에서 프라이버시 및 비침해성 문제를 동기 부여하고 해결한다.
• 데이터를 기록하지 않고도 실시간 AI 기반 시스템을 개발하여 사람 간 거리 측정을 수행한다.
• 밀도 검출을 통해 인입을 조절하고 과밀을 방지하는 새로운 임계 사회 밀도 지표를 도입한다.
• 실세계 군중 데이터세트에서 검증된 오픈 소스 솔루션을 제공한다.

제안 방법

• 사전 학습된 심층 CNN 탐지기로 이미지 공간에서 보행자를 탐지한다.
• 역변환 호모그래피를 통해 이미지 좌표를 현실 세계의 BEV로 매핑하여 지상면 위치를 얻는다.
• 보행자 간 거리를 계산하고 임계값 d_c에 대해 위반을 세다.
• 선형 회귀를 사용하여 위반 v 대 밀도 rho의 관계에서 95% 예측 구간을 v=0에서 추정하여 임계 사회 밀도 rho_c를 정의하고 추정한다.
• breaches 발생시 비침해적 오디오-비주얼 경고를 발신하고 rho > rho_c 일 때 ROI 유입을 조정한다.

실험 결과

연구 질문

• RQ1 AI 탐지기로 고정된 단일 카메라가 데이터를 기록하지 않고도 실시간으로 보행자 간 거리를 정확하게 측정할 수 있는가?
• RQ2 사회적 거리 두기 위반을 목표 확률 이하로 유지하기 위해 임계 사회 밀도를 어떻게 정의하고 추정할 수 있는가?
• RQ3 사전 학습된 탐지기가 도시·실내 및 지하철과 같은 군중 시나리오에서 사회적 거리 두기 모니터링에 일반화되는가?

주요 결과

• Faster R-CNN 및 YOLOv4가 테스트 데이터셋에서 실시간 보행자 탐지를 달성한다.
• 역변환 호모그래피를 통한 BEV 매핑으로 실제 세계 좌표에서 보행자 간 거리를 측정할 수 있다.
• 사회 밀도 rho는 위반 수 v와 양의 상관 관계를 가지며 선형 회귀 기반의 rho_c 추정을 가능하게 한다.
• 계산된 임계 밀도 rho_c는 Oxford Town Center, Mall, Train Station 데이터셋에서 유사하다.
• 시스템은 데이터를 기록하거나 개인을 표적으로 삼지 않으면서 비침해적 경고 및 유입 조절을 지원한다.