Anomaly Detection in Pedestrian Trajectories Using Variational Auto Encoder

이동하는 객체의 궤적에서 이상을 탐지하는 것은 안전과 사고예방에 중요한 요소이다. 다양한 유형의 궤적 데이터가 생성되고, 딥러닝 기반의 분석 방법론이 발전하면서 차량, 항공기, 선박 등을 대상으로 이상을 탐지하려는 연구가 이루어지고 있다. 과거에는 궤적의 형태적 유사성을 고려한 연구가 주를 이루었지만, 최근에는 궤적에서 추출한 속도, 방향 등의 특성에 기반해 변분 오토인코더(variational autoencoder), 생성적 적대 신경망(generative adversarial network) 등의 딥러닝 모델을 이용한 분석이 좋은 성능을 보이고 있다. 차량, 선박 등의 궤적에서 이상치를 탐지하는 연구는 있지만, 보행자 궤적에서의 이상치 탐지는 데이터 수집의 한계로 인해서 작은 규모의 실내 궤적, 짧은 CCTV 영상에서 추출한 궤적을 활용한 분석에 그치고 있다. 실내에서 수집된 궤적은 실제 도로상의 궤적과 상이한 패턴을 보이고, 짧은 CCTV 영상에서 수집한 데이터는 시공간 특성 분석에 한계가 있다. 본 연구는 16개 CCTV에서 일주일간 초 단위로 수집한 보행자 궤적을 바탕으로 이상 탐지 아키텍처를 제안하고자 한다. 아키텍처는 데이터 변환 모듈, 재구성 모듈, 이상 탐지 모듈로 구성하였으며, 재구성 모듈에는 변분 오토인코더(VAE, Variational Auto Encoder)를 사용하였다. 궤적의 시계열 특성을 반영하기 위해 인코더와 디코더를 LSTM (Long Short-Term Memory)으로 구성하였으며, 휴리스틱 라벨링을 수행한 검증 데이터셋을 구축해 모델의 성능을 평가하였다. 최종 모델의 정확도는 95.2%이며, 이를 전체 데이터셋에 적용한 후 이상 궤적이 많이 발생하는 시간, 공간적 특징을 확인하였다.