최근 교통안전에 대한 요구사항이 많아지면서, 도로 주변을 감시하는 교통감시카메라의 설치가 빠른 속도로 증가하고 있다. 증가된 다수의 교통감시카메라를 운영하기 위해서는 많은 인력이 모니터링 요원으로 투입되지만, 지나치게 많은 영상을 모두 관제하기에는 어려움이 존재한다. 따라서 최근의 교통 관제 시스템은 특정 객체나 행위를 자동으로 감지하여 사용자에게 알려주는 지능형 교통 관제 시스템으로 발전하고 있다. 교통법규 위반 또는 중대 차량 범죄의 경우 범죄의 목격자들 중 대부분이 차량의 색상 및 종류를 가장 먼저 인지하므로, 도로를 지나가는 차량의 종류나 색상 등의 정보를 자동으로 인식할 수 있다면 차량을 이용한 범죄자의 이동경로 파악에 많은 도움을 줄 수 있다. 현재 고속도로나 일반도로에 설치되어 있는 교통감시카메라는 차량번호만을 자동인식하고 있으며, 그 외의 차량 정보는 인식하는데 어려움이 있다. 본 논문에서는 차량의 다양한 정보 중 하나인 차량의 색상을 인식하기 위한 대표 색상 영역 검출 방법에 대해 제안한다. 제안하는 차량 대표 색상 영역 검출 방법은 차량 전면 영상을 번호판 영역 기반으로 추출한 후, Harris 코너 포인트 검출을 통한 대표 색상 영역의 위치 확률맵을 생성하여 차량의 대표 색상 영역 후보를 제시한 후 ...
최근 교통안전에 대한 요구사항이 많아지면서, 도로 주변을 감시하는 교통감시카메라의 설치가 빠른 속도로 증가하고 있다. 증가된 다수의 교통감시카메라를 운영하기 위해서는 많은 인력이 모니터링 요원으로 투입되지만, 지나치게 많은 영상을 모두 관제하기에는 어려움이 존재한다. 따라서 최근의 교통 관제 시스템은 특정 객체나 행위를 자동으로 감지하여 사용자에게 알려주는 지능형 교통 관제 시스템으로 발전하고 있다. 교통법규 위반 또는 중대 차량 범죄의 경우 범죄의 목격자들 중 대부분이 차량의 색상 및 종류를 가장 먼저 인지하므로, 도로를 지나가는 차량의 종류나 색상 등의 정보를 자동으로 인식할 수 있다면 차량을 이용한 범죄자의 이동경로 파악에 많은 도움을 줄 수 있다. 현재 고속도로나 일반도로에 설치되어 있는 교통감시카메라는 차량번호만을 자동인식하고 있으며, 그 외의 차량 정보는 인식하는데 어려움이 있다. 본 논문에서는 차량의 다양한 정보 중 하나인 차량의 색상을 인식하기 위한 대표 색상 영역 검출 방법에 대해 제안한다. 제안하는 차량 대표 색상 영역 검출 방법은 차량 전면 영상을 번호판 영역 기반으로 추출한 후, Harris 코너 포인트 검출을 통한 대표 색상 영역의 위치 확률맵을 생성하여 차량의 대표 색상 영역 후보를 제시한 후 심층신경망을 이용하여 색상 인식 결과를 나타낸다. 일상 생활에서 교통수단에 대한 의존도는 매우 높아지고 있다. 급증하는 교통량과 더불어 교통 혼잡 및 교통안전, 환경 개선의 요구가 증대됨에 따라 교통체계를 지능화 하여 교통 운영의 효율성을 확보하고자 하는 시도가 나타나고 있다. 그 중 대표적인 것이 교통 혼잡 개선에 대한 시도이다. 교통상황에 따라 실시간으로 대응하는 신호 운영을 통해 차량 지체를 최소화하고 운전자에게 교통정보를 제공하여 혼잡 구간 우회를 유도하는 방법이다. 도로를 지나가는 차량의 수를 자동으로 인식할 수 있다면 실시간으로 교통상황에 따른 신호 운영 및 운전자에게 혼잡 구간 우회를 유도하는데 도움을 줄 수 있다. 본 논문에서는 다양한 크기를 가지는 차량 검출을 위해 심층신경망을 이용한 단일 단계 검출 방법 중 하나인 YOLO-v3에 Prediction Layer와 Spatial-Pyramid-Pooling 방법을 추가한 방법을 제안한다. 제안한 방법은 UA-DETRAC 교통공개데이터셋을 통하여 검증하였다.
최근 교통안전에 대한 요구사항이 많아지면서, 도로 주변을 감시하는 교통감시카메라의 설치가 빠른 속도로 증가하고 있다. 증가된 다수의 교통감시카메라를 운영하기 위해서는 많은 인력이 모니터링 요원으로 투입되지만, 지나치게 많은 영상을 모두 관제하기에는 어려움이 존재한다. 따라서 최근의 교통 관제 시스템은 특정 객체나 행위를 자동으로 감지하여 사용자에게 알려주는 지능형 교통 관제 시스템으로 발전하고 있다. 교통법규 위반 또는 중대 차량 범죄의 경우 범죄의 목격자들 중 대부분이 차량의 색상 및 종류를 가장 먼저 인지하므로, 도로를 지나가는 차량의 종류나 색상 등의 정보를 자동으로 인식할 수 있다면 차량을 이용한 범죄자의 이동경로 파악에 많은 도움을 줄 수 있다. 현재 고속도로나 일반도로에 설치되어 있는 교통감시카메라는 차량번호만을 자동인식하고 있으며, 그 외의 차량 정보는 인식하는데 어려움이 있다. 본 논문에서는 차량의 다양한 정보 중 하나인 차량의 색상을 인식하기 위한 대표 색상 영역 검출 방법에 대해 제안한다. 제안하는 차량 대표 색상 영역 검출 방법은 차량 전면 영상을 번호판 영역 기반으로 추출한 후, Harris 코너 포인트 검출을 통한 대표 색상 영역의 위치 확률맵을 생성하여 차량의 대표 색상 영역 후보를 제시한 후 심층신경망을 이용하여 색상 인식 결과를 나타낸다. 일상 생활에서 교통수단에 대한 의존도는 매우 높아지고 있다. 급증하는 교통량과 더불어 교통 혼잡 및 교통안전, 환경 개선의 요구가 증대됨에 따라 교통체계를 지능화 하여 교통 운영의 효율성을 확보하고자 하는 시도가 나타나고 있다. 그 중 대표적인 것이 교통 혼잡 개선에 대한 시도이다. 교통상황에 따라 실시간으로 대응하는 신호 운영을 통해 차량 지체를 최소화하고 운전자에게 교통정보를 제공하여 혼잡 구간 우회를 유도하는 방법이다. 도로를 지나가는 차량의 수를 자동으로 인식할 수 있다면 실시간으로 교통상황에 따른 신호 운영 및 운전자에게 혼잡 구간 우회를 유도하는데 도움을 줄 수 있다. 본 논문에서는 다양한 크기를 가지는 차량 검출을 위해 심층신경망을 이용한 단일 단계 검출 방법 중 하나인 YOLO-v3에 Prediction Layer와 Spatial-Pyramid-Pooling 방법을 추가한 방법을 제안한다. 제안한 방법은 UA-DETRAC 교통공개데이터셋을 통하여 검증하였다.
Recently, as the demand for traffic safety increases, the installation of traffic surveillance cameras for monitoring the roads is increasing rapidly. Many monitoring people are required to operate an increased number of traffic surveillance cameras, but it is difficult to monitor all too many image...
Recently, as the demand for traffic safety increases, the installation of traffic surveillance cameras for monitoring the roads is increasing rapidly. Many monitoring people are required to operate an increased number of traffic surveillance cameras, but it is difficult to monitor all too many images. Therefore, the recent traffic surveillance system is evolving into an intelligent traffic surveillance system that automatically detects a specific object or behavior and informs the user. In the event of a traffic violation or serious vehicle crime, most witnesses of the crime are the first to recognize the color and type of the vehicle. If we can automatically recognize the type or color information of vehicles passing by the road, we could identify which path the criminal was passing through. In this paper, we propose a novel vehicle color classification technique for CCTV via representative color region extraction and Convolutional Neural Net (CNN). (1) The vehicle front image is extracted based on license plate detection. (2) Harris corner point detection method is applied to generate a probability map of a representative color region. (3) From this probability map, points were randomly selected to create an input image for CNN. (4) Finally, we displayed color recognition results using CNN. In daily life, the dependence on transportation is very high. As the traffic volume increases and the demand for traffic congestion, traffic safety, and environmental improvement increases, attempts have been made to secure the efficiency of transportation operations by intelligent traffic systems. One of them is an attempt to improve traffic congestion. It is a method to induce congestion section bypass by minimizing vehicle delay and providing traffic information to drivers through real-time signal operation according to traffic conditions. If you can automatically recognize the number of vehicles passing on the road, it can help to operate the signal according to traffic conditions and induce the driver to bypass the congestion section in real-time. In this paper, we propose a method that adds the Prediction Layer and Spatial-Pyramid-Pooling method to YOLO-v3, one of Single-Stage Object Detection using Deep Neural Network for multi-scale vehicle detection. The proposed method is verified through the UA-DETRAC traffic dataset.
Recently, as the demand for traffic safety increases, the installation of traffic surveillance cameras for monitoring the roads is increasing rapidly. Many monitoring people are required to operate an increased number of traffic surveillance cameras, but it is difficult to monitor all too many images. Therefore, the recent traffic surveillance system is evolving into an intelligent traffic surveillance system that automatically detects a specific object or behavior and informs the user. In the event of a traffic violation or serious vehicle crime, most witnesses of the crime are the first to recognize the color and type of the vehicle. If we can automatically recognize the type or color information of vehicles passing by the road, we could identify which path the criminal was passing through. In this paper, we propose a novel vehicle color classification technique for CCTV via representative color region extraction and Convolutional Neural Net (CNN). (1) The vehicle front image is extracted based on license plate detection. (2) Harris corner point detection method is applied to generate a probability map of a representative color region. (3) From this probability map, points were randomly selected to create an input image for CNN. (4) Finally, we displayed color recognition results using CNN. In daily life, the dependence on transportation is very high. As the traffic volume increases and the demand for traffic congestion, traffic safety, and environmental improvement increases, attempts have been made to secure the efficiency of transportation operations by intelligent traffic systems. One of them is an attempt to improve traffic congestion. It is a method to induce congestion section bypass by minimizing vehicle delay and providing traffic information to drivers through real-time signal operation according to traffic conditions. If you can automatically recognize the number of vehicles passing on the road, it can help to operate the signal according to traffic conditions and induce the driver to bypass the congestion section in real-time. In this paper, we propose a method that adds the Prediction Layer and Spatial-Pyramid-Pooling method to YOLO-v3, one of Single-Stage Object Detection using Deep Neural Network for multi-scale vehicle detection. The proposed method is verified through the UA-DETRAC traffic dataset.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.