$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

원더링 센서를 이용한 차종분류기법 개발

New Vehicle Classification Algorithm with Wandering Sensor

초록

본 연구는 차종분류기법을 개발하여, 가장 일반적인 교통정보 수집장치인 루프검지기에 피에조타입의 축검지센서를 추가 설치하여 2006년 하반기 국토해양부에서 제시하고 있는 "통합12종 교통량조사 차종분류가이드"에 따라 차종을 12종으로 자동분류하고, 분류시 오분류를 최소화하는 방안을 목적으로 한다. 차종의 세분류를 위해 차종분류인자를 차량의 길이, 축간거리, 축형식, 각 축별 윤거, 윤형식으로 두고, 각 분류인자의 판독을 위해 루프센서와 축검지센서를 조합한 차종분류시스템을 구성하였다. 본 차종분류시스템에서는 원더링 기법을 적용하였다. 원더링 기법은 차량의 좌우 각 차륜의 횡방향 주행 패턴을 분석하는 것으로서 주행차량의 윤거, 윤형식 등이 판독가능하다. 본 시스템을 이용하여 약 한달간 실증분석을 실시하였으며, 총 교통량 762,420대를 자동분류한 결과 12종 분류로 분류되지 못한 차량이 47대로 전체의 0.006%로 나타났으며, 이는 분류결과를 통계적으로 활용함에 있어서 무시할 수 있는 정도의 높은 수준의 분류율을 나타내는 것이다. 본 시스템을 이용하여 실제 공용도로에서 확보한 신뢰성 높은 차종분류 데이터는 도로의 계획 및 설계, 도로 운영 등에 폭넓게 이용할 수 있으며, 도로 교통계획과 관리계획 수립을 위한 기초적 정보를 제공할 수 있다. 또한 도로 및 교통분야의 다양한 연구에 활용할 수 있는 중요한 자료가 될 것이다.

Abstract

The objective of this study is to develop the new vehicle classification algorithm and minimize classification errors. The existing vehicle classification algorithm collects data from loop and piezo sensors according to the specification("Vehicle classification guide for traffic volume survey" 2006) given by the Ministry of Land, Transport and Maritime Affairs. The new vehicle classification system collects the vehicle length, distance between axles, axle type, wheel-base and tire type to minimize classification error. The main difference of new system is the "Wandering" sensor which is capable of measuring the wheel-base and tire type(single or dual). The wandering sensor obtains the wheel-base and tire type by detecting both left and right tire imprint. Verification tests were completed with the total traffic volume of 762,420 vehicles in a month for the new vehicle classification algorithm. Among them, 47 vehicles(0.006%) were not classified within 12 vehicle types. This results proves very high level of classification accuracy for the new system. Using the new vehicle classification algorithm will improve the accuracy and it can be broadly applicable to the road planning, design, and management. It can also upgrade the level of traffic research for the road and transportation infrastructure.

저자의 다른 논문

참고문헌 (12)

  1. 건설교통부(2001), '도로 교통량 조사 지침' 
  2. 건설교통부 . 한국기술원(2000), '인공지능 기법을 활용한 교통량 조사장비 개발' 
  3. 오주삼 . 장경찬 . 김민성 . 장진환(2008), '차량 원더링계측을위한사선센서적정설치각도결정', 한국도로학회 논문집, 제10권, 제3호, pp.79-86 
  4. 이승환 . 이철기(1996), '실시간 교통신호제어를 위한 루프검지기 체계 연구', 대한 교통학회지, 제14권 제2호, 대한교통학회, pp.59-88 
  5. 국토해양부(2008), '교통량조사 차종분류가이드' 
  6. 박준형 . 김태진 .오철(2009), '고속도로 루프검지기를 이용한 차종분류 기법 평가', 한국ITS학회논문지, 제8권, 제1호, pp.9-21 
  7. Coifman, B., D. Beymer, P. McLauchlan and J. Malik(1998), 'A Real-Time Computer Vision System for Vehicle Tracking and Traffic Surveillance', Transportation Research Part C, pp.271-288 
  8. 강민수 . 서영찬 . 박동엽. 조용주(2003), '차량 Wandering의포장손상 저감 정량화 연구', 대한토목학회논문집, 제3권, 제5호, pp.163-174 
  9. 손영태 . 도명식 . 윤여환(2001), '도로교통량 조사를 위한 차종분류기준의 개선에관한 연구', 대한교통학회지, 제19권 제3호, 대한교통학회, pp.153-165 
  10. 오영태 . 이철기(1996), '실시간신호제어를 위한 차량검지기 정보의 신뢰성 비교평가', 대한교통학회지, 제14권 제3호, 대한교통학회, pp.91-125 
  11. Lu, Y. J., H. Y. Hsu and X. Maldague (1992), 'Vehicle classification using infr ared image analysis,' J.Transportation En gineering, vol.118, no.2, pp.223-240 
  12. 이승환 . 조한선 . 최기주(1996), '단일루프 검지기를이용한차종분류알고리즘개발,' 대한교통학회지, 제14권, 제1호, pp.135-154 

이 논문을 인용한 문헌 (0)

  1. 이 논문을 인용한 문헌 없음

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

DOI 인용 스타일