실내외 군중 특성 데이터
- 분야재난안전환경
- 유형 이미지
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-12-15 데이터 최종 개방 1.0 2023-06-15 데이터 개방(Beta Verison) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2024-08-08 데이터설명서, 구축업체정보 수정 2024-01-12 산출물 전체 공개 소개
군중의 규모 및 이동방향 예측을 활용하여 군중의 상황을 분석 유추할 수 있는 기반 마련을 위하여 군중특성데이터를 인공지능 모델을 학습시켜 상황인지, 예측 및 다양한 군중특성에 대한 마케팅, 고객분석, 정책 제안 등에 활용
구축목적
딥러닝 기반 자동 객체 추정 및 추적기술 향상을 통해 밀집지역 위험상황 모니터링 객체 인식률을 높여 사고 및 범죄예방, 인공지능 학습을 통한 CCTV 영상 보완 및 질적 성능향상을 도모
-
메타데이터 구조표 데이터 영역 재난안전환경 데이터 유형 이미지 데이터 형식 jpg 데이터 출처 자체 수집 라벨링 유형 헤드포인트(이미지), 바운딩박스(이미지) 라벨링 형식 json 데이터 활용 서비스 모니터링 서비스, 통계·분석 서비스 데이터 구축년도/
데이터 구축량2022년/228,195장 -
1. 데이터 통계
○ 데이터 구축 규모
가. 데이터 수량데이터 구축 규모 1차 경로 2차 경로 파일 포맷 제출 수량 0. 원시데이터 1. CCTV .mp4 400 2. 시나리오 .mp4 1. 원천데이터 1. CCTV .jpg 115,460 2. 시나리오 .jpg 112,735 총 수량 228,195 2. 라벨링데이터 1. CCTV .json 115,460 2. 시나리오 .json 184 총 수량 115,644 ※ 객체 추적을 위해 영상단위로 한 개의 json 생성, 원천데이터의 폴더명과 라벨링 데이터의 Json 파일명 동일
나. 어노테이션(객체) 수량
- CCTV(1세부)CCTV(1세부) Training set Validation set Test set 클래스 객체 수량 비율 객체 수량 비율 객체 수량 비율 사람 3,673,582 79.70% 451,914 9.70% 540,641 11.60% 합계 3,673,582 79.70% 451,914 9.70% 540,641 11.60% - 시나리오(2세부)
시나리오(2세부) Training set Validation set Test set 클래스 객체 수량 비율 객체 수량 비율 객체 수량 비율 사람 1,171,234 79.10% 163,683 11.10% 146,371 9.90% 합계 1,171,234 79.10% 163,683 11.10% 146,371 9.90%
2. 데이터 분포
○ 다양성 분포 확인다양성 분포 확인 구분 항목 분포 공통 실내/실외 1 = indoor 81,162 70.18% 2 = outdoor 34,482 29.82% 1세부 데이터 객체 수 UID 4,666,137 - counting 최소값: 0 최대값: 230 2세부 데이터 객체 수 UID 1,481,288 - counting 최소값: 0 최대값: 33 나이 1 = child 41,236 3% 2 = adult 1,152,429 78% 3 = senior 287,623 19% 성별 1 = male 712,162 48% 2 = female 769,126 52% 상의색상 1 = RGB 645,875 44% 2 = mono 776,370 52% 3 = etc 59,043 4% 행동 1 = walk/run 794,950 54% 2 = stop 686,305 46% 3 = unknown 33 0% 자세 1 = sit 253,306 17% 2 = stand 1,227,646 83% 3 = unknown 336 0.02% -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드1. 모델 소개
○ 1세부 모델(군중 수 예측)
1세부 모델 구축 데이터를 바탕으로 학습을 진행하고, 학습 결과를 비교 분석하여 모델 선정 군중 수 예측 결과 비교 MAE가 높으면 군중 수 예측 결과 값이 GT와의 차이가 많다는 뜻이므로 예측 성능이 떨어진다는 의미임 Head Point 예측 결과 비교 군중 수 예측이 정확한 지 확인하려면 Head Point 위치가 정확한 지 확인이 필요함. (중복해서 찍혔는가, 머리가 아닌 곳에 찍혔는가)
○ 2세부 모델(군중 이동방향 예측)
예측 지표 비교 구축 데이터를 바탕으로 학습을 진행하고, 학습 결과를 비교 분석하여 모델 선정 예측 지표 비교 ADE가 높다는 뜻은, 기존의 경로와의 거리 차이가 크다는 의미이므로 제대로 된 경로 예측을 하지 못했다는 것을 의미함. 예측 결과 시각화 비교 ADE가 같다면, 시각화 했을 때 k번째 point의 거리가 평균값에 가까울수록 더 좋은 예측 결과라는 것을 의미함.
2. 모델 개발
① Direction index 기반 군중 수 예측 모델- (개발 목표) 개인 정보보호를 위해 비식별화된 이미지를 이용하여 학습하고(EXCO, 서울망원시장, 보령중앙시장), 이를 기반으로 사람의 Head Point를 예측하고 군중 수를 예측- (개발 내용) 구축된 비식별화 데이터와 json파일을 이용해 데이터 전처리를 진행한 뒤, 전처리된 데이터를 이용하여 학습을 진행함. IIM은 Crowd Localization 모델이며, 이미지를 통해 prediction map을 생성하여 군중 수를 예측○ 데이터 전처리 과정
1. json 파일을 한번 가공한 뒤, 가공된 json 파일과 이미지를 이용하여 mask map을 생성함.
2. txt 파일을 생성하는데, 이 txt파일에는 image name, 사람 수, 머리 좌표, mask box의 크기 등의 데이터가 포함되어 있음.
○ 학습 알고리즘
1) Image에서 군중의 머리를 예측하여 Confidence map 생성.
2) Binarization module은 confidence map을 independent instance map으로 분할.
3) Threshold module은 confidence map에 대한 threshold를 예측.
4) 4-connected component를 감지하여 각각의 독립된 independent box와 center를 얻음.
② 군중 이동 방향 예측 모델
- (개발 목표) 구축된 데이터를 활용하여 군중의 이동 경로를 추출해 학습하고, 이를 기반으로 군중의 이동 방향을 예측
- (개발 내용) 구축된 시나리오 데이터로 만들어진 json 파일을 이용하여 데이터 전처리를 진행한 뒤, 전처리된 데이터를 이용하여 학습을 진행함. PECNet은 군중 이동 방향 예측 모델이며, EndPoint까지의 Trajectory를 Input으로 받아 Endpoint 이후의 경로를 k개 예측함.○ 데이터 전처리 과정
json 파일을 이용하여 frame, human id, x 좌표, y 좌표의 데이터를 추출하여 txt파일 형식으로 저장함.
○ 학습 알고리즘
1) Endpoint Prediction과 social pooling 2가지 단계로 구성됨.
2) Endpoint Prediction은 CVAE를 사용하여 과거에 관측된 경로를 바탕으로 Endpoint 예측.
3) Social Pooling은 scene의 모든 보행자의 과거에 관측된 경로와 예측된 Endpoint를 고려하여 경로 예측.
-
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 군중 이동 방향 예측 성능 (2세부 데이터) Estimation PECNet ADE 20 단위없음 0.76 단위없음 2 Direction index 기반 군중 수 예측 성능 (1세부 데이터) Estimation IIM-Crowd Localization MAE 65 단위없음 5.68 단위없음
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드1. 데이터 포맷
○ 데이터 구분데이터 구분 구분 원천데이터(jpg) 라벨링데이터(json) (예시) 1세부 데이터 
<원천 데이터>
<라벨링 시각화(HeadPoint)>
(CCTV) Indoor_EXCO001_001.jpg Indoor_EXCO001_001.json 2세부 데이터 
<원천 데이터>
<라벨링 시각화(Bounding Box)>
(시나리오) Indoor_북촌까페092_598.jpg 92.Indoor_북촌까페092(661).json
○ 단계별 포맷단계별 포맷 구분 획득(수집) 단계 정제 단계 가공(라벨링) 단계 데이터 구분 원시데이터 원천데이터 최종데이터 데이터 형태 동영상 → 이미지 이미지 JSON 파일 데이터 포멧 MP4 파일 JPG JSON 해상도 1920*1080, 24FPS
2. 어노테이션 포맷
○ 1세부 데이터1세부 데이터 구분 속성명 타입 필수여부 설명 범위 비고 1 folder string 폴더명 2 videoname string 비디오파일명 3 size object 영상크기 3-1 width number width 값 3-2 height number height 값 4 header object 시나리오 정보 4-1 type number Y 실내/실외 정보 1,2 1 = "indoor" (실내) 2 = "outdoor" (실외) 5 image array 이미지정보 5-1 imagename string Y 이미지 파일명 원천데이터 파일명 5-2 crowdinfo object 군집정보 5-2-1 counting number Y 계수 5-2-2 collectiveness number Y 밀집도 1,2,3 1 = "High"(50명 이상) 2 = "Mid"(13명~49명) 3 = "Low"(12명 이하) 5-2-3 stability number Y 안정도 1,2 1 = "High"(전제 객체수 기준 객체의 분포가 안정적) 2 = "Low"(전제 객체수 기준 객체의 분포가 비안정적) 5-2-4 uniformity number Y 균일도 1,2 1 = "High"(객체가 균일하게 분포) 2 = "Low"(객체가 미균일하게 분포) 5-2-5 objects array 사람객체 5-2-5-1 directionindex array Y 헤드포인트 좌표 [x1, y1] 6 location object 위치정보 6-1 locinfo string Y 장소정보
○ 2세부 데이터2세부 데이터 구분 속성명 타입 필수여부 설명 범위 비고 1 folder string 폴더명 2 videoname string 비디오파일명 3 size object 영상크기 3-1 width number width 값 3-2 height number height 값 4 header object 시나리오 정보 4-1 type number Y 실내/실외 정보 1,2 1 = "indoor" (실내) 2 = "outdoor" (실외) 5 image array 이미지정보 5-1 imagename string Y 이미지 파일명 원천데이터 파일명 5-2 crowdinfo object 군집정보 5-2-1 counting number 계수 5-2-2 collectiveness number Y 밀집도 1,2,3 1 = "High"(50명 이상) 2 = "Mid"(13명~49명) 3 = "Low"(12명 이하) 5-2-3 stability number Y 안정도 1,2 1 = "High"(전제 객체수 기준 객체의 분포가 안정적) 2 = "Low"(전제 객체수 기준 객체의 분포가 비안정적) 5-2-4 uniformity number Y 균일도 1,2 1 = "High"(객체가 균일하게 분포) 2 = "Low"(객체가 미균일하게 분포) 5-2-5 objects array 사람객체 5-2-5-1 UID number Y 오브젝트 번호 1,2,3... 5-2-5-2 age number Y 나이 1,2,3 1 = child: 어린이 2= adult:성인 3 = senior:노인 5-2-5-3 gender number Y 성별 1.2 1 = male:남성 2 = female:여성 5-2-5-4 cloth number Y 상의색상 1,2,3 1 = RGB: 컬러 2 = mono: 흑백 3 = Etc.:인식불가 5-2-5-5 bbox array Y 바운딩박스 정보 [left, top, width, height] 5-2-5-6 action number Y 행동 1,2,3 1 = Walk/Run:걷기 또는 달리기 2 = Stop: 멈춤 3 = Unknown:인식불가 5-2-5-7 pose number Y 자세 1,2,3 1 = Sit: 앉기 2 = Stand: 서기 3 = Unknown:인식불가 5-2-5-8 directionindex array Y 다음방향값 [x1, y1, x2, y2] 객체 화면이탈 시 [–1.0,-10] 6 location object 위치정보 6-1 locinfo string Y 장소정보
3. 데이터 구성
○ 군중/객체 데이터 개요
가. 군중 특성 데이터: 이미지 내에서 식별된 객체의 좌표값을 활용한 군중의 다양한 특성
※ 본 데이터셋에서 ‘군중’의 정의: 수집 이미지 내에서 식별이 가능한 5인 이상의 소그룹
1) 좌표값: 이미지 해상도 픽셀 기준 객체의 어노테이션 x축값, y축값데이터 구성 구분 원천데이터 라벨링데이터 산출방법 Head
Point
"directionindex":
906.0,
103.0
"directionindex":
919.0,
106.0
"directionindex":
904.0,
131.0
·
·
·객체의 어노테이션 x축, y축 좌표 BoundingBox 
"directionindex":
925.05,
70.52,
920.04,
69.48
"directionindex":
920.04,
69.48,
893.47,
69.83
※ 객체 추척을 위해 객체의 다음 이미지 좌표값을 함께 기재객체의 바운딩 박스 어노테이션 중점 x축, y축 좌표 2) 군중 수: 이미지 내의 객체 수
군중 수 구분 원천데이터 라벨링데이터 산출방법 Head
Point[EXCO001_001] "counting": 151 어노네이션 좌표값을 기반으로 객체 수 count Bounding
Box[북촌카페092_001] "counting": 29, 3) 군중 분포
- 객체 좌표값을 활용하여 다양한 군중 분포 산출 가능(예시: 밀집도, 안정도, 균일도)
4) 객체 추적: BoundingBox 좌표값을 기반으로 동일 객체의 이미지 간 좌표값군중 분포 구분 북촌카페092_047 북촌카페092_048 북촌카페092_049 원천데이터 
[객체 확인]
[객체 추적 1]
[객체 추적 2]
라벨링데이터 객체 ID: 4
좌표값 : 236.47, 337.27, 240.5, 366.49객체 ID: 4
좌표값 : 240.5,366.49, 289.52, 396.33객체 ID: 4
좌표값 : 289.52, 396.33, 304.64, 425.77산출방법 동일 객체 육안 식별 후 고유 ID 부여 나. 객체 속성 데이터: 성별, 자세 등 객체의 속성값에 대한 데이터
※ 데이터셋 구축 목표 및 AI 모델 개발에는 활용되지 않으나, 객체 인식 데이터로써 활용도가 높은 데이터객체 속성 데이터 구분 속성값 원천데이터 라벨링데이터 나이 - child : 1
- adult : 2
- senior : 3
“age”: 3 성별 - male : 1
- female : 2“gender“: 2 상의색상 - RGB : 1
- -Mono : 2
- 인식불가 : 3“cloth” : 1 행동 - 걷기 또는 달리기 : 1
- 정지 및 인식불가 : 2“action” : 2 자세 - 앉기 : 1
- 서기 : 2
- 인식불가 : 3“pose” 2 산출기준 라벨링 가이드라인 5) 데이터셋 구분
ㅇ CCTV 영상 데이터
- 정의: CCTV(폐쇄 회로 텔레비전)를 통해 군중을 촬영한 영상에서 추출한 데이터
- 주요 수집항목
· 객체 HeadPoint 좌표
· 실내/실외 정보
· 군중 계수
· 군중 분포 특성(밀집도, 안정도, 균일도)ㅇ 시나리오 기반 촬영 데이터
- 정의: 군중 특성 데이터의 다양성 확보를 위해 시나리오를 기반으로 군중 특성을 시각적으로 촬영한 영상에서 추출한 데이터
- 주요 수집항목
· 객체 BoundingBox 좌표
· 실내/실외 정보
· 군중 계수
· 군중 분포 특성(밀집도, 안정도, 균일도)
· 객체 속성 데이터(나이, 성별, 상의색상, 행동, 자세) -
데이터셋 구축 담당자
수행기관(주관) : ㈜스피어AX
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 문영민 053-792-3031 [email protected] 데이터 수집, 정제, 가공 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜구름연구소 데이터 정제 (사)글로벌ICT여성네트워크 데이터 가공 큐브엔시스(주) 데이터 검사 ㈜힐링사운드 AI모델 개발 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 문영민 053-792-3031 [email protected]
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 [email protected] 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.