Group Activity Recognition (GAR) is the technology learning and inferring group activity, which is done by people collaboratively, from a given data. For the real-time application of GAR, it requires a real-time activity segmentation algorithm to divide the continuously connected stream into a set of activity segments. Density ratio-based change point detection (CPD), which is recently proposed, shows promising segmentation performance on single-user activity sensor data. However, its performance on group activity data is degraded because of high false alarm rates. It is attributed to the characteristic of group activity that multiple residents act differently and simultaneously. We propose a sensor correlation-based real-time group activity segmentation methodology for detecting activity changes from concurrent sensor event stream generated by interactions among multiple users. From an active window containing active duration of motion sensors, the proposed method creates calculates previous and current correlations in each of the sensor pairs and detects changes by observing the difference of correlation between each sensor pair and centroid of sensor pairs. We evaluate our method on two group activity datasets and it shows better performance than CPD algorithms.
그룹 행동 인지는 다수의 사람들이 협력하여 수행하는 그룹 행동을 주어진 데이터로부터 학습하고 추론하는 기술이며, 이를 실시간 어플리케이션으로 활용하기 위해서는 무한히 연결된 센서 스트림을 각각 행동에 대응되는 세그먼트로 분리하는 실시간 행동 분할 알고리즘이 필요하다. 최근에 제안된 확률밀도비율기반 변화점 감지 기법은 단일 사용자 행동 센서 데이터에 대해 좋은 행동 분할 성능을 보여주었으나, 그룹 행동 데이터에 대해서는 높은 오감지율을 보이며 분할 정확도가 크게 감소하였다. 이 문제는 다수의 사용자들이 동시에 서로 다르게 움직이는 그룹 행동의 특징으로 인해 나타나는 센서 이벤트 패턴에서 기인한다. 우리는 다수 사용자들 간의 상호작용으로 인하여 동시적으로 나타나는 센서 이벤트 스트림에 대한 센서 상관관계 기반 실시간 그룹 행동 분할 방법론을 제안한다. 제안된 분할 모델은 모션 센서들의 활성 지속시간을 갖는 활성 윈도우에서 센서 페어 사이의 과거 및 현재 발현 상관관계를 계산하고 현재 윈도우의 전체 센서 페어의 평균 상관관계와 각 센서 페어의 상관관계 차이를 관찰하여 변화를 감지한다. 두 가지 그룹 행동 데이터셋에 대한 분할 성능을 평가한 결과, 기존의 변화점 감지 기법에 비해 향상된 성능을 보임을 확인하였다.
