외부 환경에서의 영상처리 기술은 외부환경에 매우 민감하여 외부환경이 급격하게 변화할 때마다 정확도가 많이 떨어지는 경향이 있다. 따라서 교통감시시스템으로 정확한 교통정보를 산출하기 위해서는 (여기서 교통감시시스템은 영상처리 기술을 이용하여 교통상황을 감시하는 시스템) '전이시간대의 그림자 제거', '야간에 차량 전조등에 의한 왜곡', '비', 눈, 그리고 안개에 의한 잡음', '폐색(occlusion)' 등을 필히 해결해야만 한다. 본 논문은 다양한 변화가 일어나는 실외환경에서 영상처리 기술을 이용하여 교통량, 속도, 점유시간을 산출하는 시스템을 개발하였다. 따라서, 시스템의 성능을 검증하기 위해 한국건설 기술연구원에서 운영하고 있는 곤지암 시험장에서 2008년 12월 16일부터 18일까지 교통량, 속도, 점유시간에 대해 4개차로 (상행 2차로, 하행 2차로)를 대상으로 평가하였다. 평가 방법은 기준데이터가 되는 레이더 검지기 데이터와 본 연구의 영상처리기술에 의해 산출된 데이터를 비교하는 방법으로 수행되었다. 평가 결과, 주간, 야간, 일출, 일몰 시간대 모두 교통량, 속도, 점유시간 산출 값이 기준데이터와 비교했을 때 약 92%에서 97%까지의 정확도가 있는 것으로 평가되었다.
외부 환경에서의 영상처리 기술은 외부환경에 매우 민감하여 외부환경이 급격하게 변화할 때마다 정확도가 많이 떨어지는 경향이 있다. 따라서 교통감시시스템으로 정확한 교통정보를 산출하기 위해서는 (여기서 교통감시시스템은 영상처리 기술을 이용하여 교통상황을 감시하는 시스템) '전이시간대의 그림자 제거', '야간에 차량 전조등에 의한 왜곡', '비', 눈, 그리고 안개에 의한 잡음', '폐색(occlusion)' 등을 필히 해결해야만 한다. 본 논문은 다양한 변화가 일어나는 실외환경에서 영상처리 기술을 이용하여 교통량, 속도, 점유시간을 산출하는 시스템을 개발하였다. 따라서, 시스템의 성능을 검증하기 위해 한국건설 기술연구원에서 운영하고 있는 곤지암 시험장에서 2008년 12월 16일부터 18일까지 교통량, 속도, 점유시간에 대해 4개차로 (상행 2차로, 하행 2차로)를 대상으로 평가하였다. 평가 방법은 기준데이터가 되는 레이더 검지기 데이터와 본 연구의 영상처리기술에 의해 산출된 데이터를 비교하는 방법으로 수행되었다. 평가 결과, 주간, 야간, 일출, 일몰 시간대 모두 교통량, 속도, 점유시간 산출 값이 기준데이터와 비교했을 때 약 92%에서 97%까지의 정확도가 있는 것으로 평가되었다.
Image processing technique in the outdoor environment is very sensitive, and it tends to lose a lot of accuracy when it rapidly changes by outdoor environment. Therefore, in order to calculate accurate traffic information using the traffic monitoring system, we must resolve removing shadow in transi...
Image processing technique in the outdoor environment is very sensitive, and it tends to lose a lot of accuracy when it rapidly changes by outdoor environment. Therefore, in order to calculate accurate traffic information using the traffic monitoring system, we must resolve removing shadow in transition time, Distortion by the vehicle headlights at night, noise of rain, snow, and fog, and occlusion. In the research, we developed a system to calibrate the amount of traffic, speed, and time occupancy by using image processing technique in a variety of outdoor environments change. This system were tested under outdoor environments at the Gonjiam test site, which is managed by Korea Institute of Construction Technology (www.kict.re.kr) for testing performance. We evaluated the performance of traffic information, volume counts, speed, and occupancy time, with 4 lanes (2 lanes are upstream and the rests are downstream) from the 16th to 18th December, 2008. The evaluation method performed as based on the standard data is a radar detection compared to calculated data using image processing technique. The System evaluation results showed that the amount of traffic, speed, and time occupancy in period (day, night, sunrise, sunset) are approximately 92-97% accuracy when these data compared to the standard data.
Image processing technique in the outdoor environment is very sensitive, and it tends to lose a lot of accuracy when it rapidly changes by outdoor environment. Therefore, in order to calculate accurate traffic information using the traffic monitoring system, we must resolve removing shadow in transition time, Distortion by the vehicle headlights at night, noise of rain, snow, and fog, and occlusion. In the research, we developed a system to calibrate the amount of traffic, speed, and time occupancy by using image processing technique in a variety of outdoor environments change. This system were tested under outdoor environments at the Gonjiam test site, which is managed by Korea Institute of Construction Technology (www.kict.re.kr) for testing performance. We evaluated the performance of traffic information, volume counts, speed, and occupancy time, with 4 lanes (2 lanes are upstream and the rests are downstream) from the 16th to 18th December, 2008. The evaluation method performed as based on the standard data is a radar detection compared to calculated data using image processing technique. The System evaluation results showed that the amount of traffic, speed, and time occupancy in period (day, night, sunrise, sunset) are approximately 92-97% accuracy when these data compared to the standard data.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 공간정보를 기반으로 한 차량트래킹기법의 영상검지기에서 각종 영상처리 알고리즘을 제안한다. 이를 위해 개별차량의 트래킹에서 외부환경 요인에 의한 노이즈와 그림자 제거, 폐색 문제를 해결할 수 있는 알고리즘을 개발하고, 검지영역을 통과하는 개별차량에 대해 차량분할(vehicle segmentation)을 정확히 하며, 이를 추적하여 교통정보를 수집하는 통합알고리즘이 포함된다.
본 논문은 트래킹 기반 영상검지기 통합시스템의 알고리즘을 개발함으로써 상용화에 주로 이용되고 있는 Tripwire기반 보다는 다양한 교통정보를 수집할 수 있는 장점이 있으며, 특히, 매 프레임마다 그림자처리와 폐색 등 여러 알고리즘이 동시에 실행되면서 처리속도의 저하 없이 정확한 교통정보를 정확히 산출하는데 특징이 있다.
본 연구는 다양한 변화의 실외환경에서 영상처리 기반의 교통량, 속도, 점유시간을 산출하는 시스템 개발에 초점을 맞췄으며, 이를 위해 전이시간 대의 그림자 제거, 야간 차량 전조등에 의한 왜곡, 비 또는 눈, 안개에 의한 잡음, 폐색 등을 필히 해결하여 개발하였다. 특히, 본 연구에서 그림자 처리는 에지 기반의 새로운 알고리즘을 적용하였다.
그림자 제거를 위해 많은 알고리즘이 제안되었으나, 실제 교통상황에서 발생하는 여러 가지의 경우를 예를 들어, 강력한 햇빛에 의한 짙은 그림자(dark shadow), 약한 그림자(light shadow), 또는 구름으로 만들어진 그림자 등에 모두 적용하여 완벽하게 차량을 추출하기에는 많은 어려움이 있다. 본 연구에서는 기존의 알고리즘을 적용한 결과 정확한 차량추출에 오차가 많이 발생하였기 때문에 에지를 이용한 알고리즘을 개발하여 적용하였다. 그림자 제거의 기본개념은 그림자 안에서의 에지는 없으나, 차량의 에지는 많이 상대적으로 많이 나타난다는 것으로 이용하여 차량과 그림자를 분리하였다.
이 방법은 W4알고리즘과 유사하게 물체의 RGB컬러에 확률마스크(probability mask)를 이용하여 외형 특징을 추출하여 폐색현상을 해결하고 있다. 이는 이동물체의 RGB픽셀정보를 저장하고, 주변에 있는 물체의 픽셀정보와 가장 유사한 RGB값과의 상관관계를 계산하여, 폐색현상으로 인해 가려진 물체를 감지할 수 있는 방법을 제안한다.
가설 설정
그림자 제거는 위 방법에서 그림자가 나타날 수 있는 신뢰구간과 물체의 기하학적 특징으로 물체의 윤곽과 그림자를 분리함으로써 이루어진다. 그림자가 나타날 수 있는 범위로는 배경영상으로 동일한 색차(chrominance)이면서, 낮은 휘도(low luminance)로 가정할 수 있다. 일반적으로 그림자 픽셀 정보는 동일한 색차(chrominance)이면서 같은 배경보다는 낮은 밝기(lower brightness)를 가질 경우에 그림자로 구분할 수가 있다.
제안 방법
PTMS(Predictive Trajectory Merge-and-Split)방법은 다단계 방법으로 차량 이동 궤적을 탐색하고, 차로 변경 등을 감지할 수가 있는 알고리즘을 제안하였으며, 경험적으로 차량이 통과할 때 Merge-and-Split 규칙을 적용하여 현재 프레임과 다음 프레임의 차량의 이동정도를 예측하여 merge되었을 경우 규칙에 의해 분리(split)하는 방법으로 폐색 문제를 해결하였다. 이 방법은 트래킹 기반 영상에서 폐색을 해결하는 방법 중 효율적인 방법으로 판단은 되나, 실험결과 이 역시 정확한 폐색을 해결하기에는 한계가 있다.
전반적인 처리절차는 그림 1에 나타나 있다. 개별 차량을 정확히 추출하기 위하여 본 연구에서는 배경영상 갱신, 폐색, 그림자 제거, 야간 조명조건에 따른 처리들을 모두 구현하였다. 여기서 폐색, 그림자 제거, 야간 조명조건에 따른 처리는 본 연구를 통하여 곤지암의 VDS시험장에 맞는 알고리즘을 개발 하였고, 배경영상의 갱신만은 본 연구에서 독자적으로 개발한 것이 아니라 Dar-Shyang Lee의 알고리즘을 인용하였다.
이론으로 이는 실외에서 실시간 영상으로 여러 사람들을 감지하고 추적하고, 그들의 행동을 모니터링하는 시스템이다. 그 방법의 첫째 단계는 통계적 배경모델(statistical background model)로 이동물체를 감지하는 방법으로, 전경 윤곽(foreground blobs)으로 그룹을 하고, 각각의 윤곽(blob)에 대해 전반적 또는 지역적 특징(global and local features)을 계산한다. W4알고리즘의 주요 특징으로는 사람의 외양 모형(appearance model)을 구축함으로써 폐색현상이 있어도 추적하는 동안 계속 각각의 사람을 구분할 수 있는 데 있다.
셋째 단계는 모포로지 연산으로, 이는 물체의 윤곽(shape)을 구체화하고, 또한 작은 조각(small particles)들은 노이즈로 간주하여 제거하기 위한 방법이다. 다음으로, 정확한 차량을 추출하기 위한 그림자 제거단계로 기존에 소개된 알고리즘은 실제 교통상황에서 발생하는 다양한 경우에 모두 적용하기에 어려움이 있어 본 연구에서는 별도의 알고리즘을 개발하여 적용하였다. 그림자 처리까지 이루어진 다음에는 개별 차량의 ID를 부여하는 라벨링 단계로 이 ID를 기준으로 차량의 위치정보, 즉, 개별차량별로 그려지는 분할사각형(bounding rectangle)의 좌상우하(left, top, right, bottom) 좌표값이 다음 프레임에서 트레킹을 위해 참조테이블(reference table)에 저장된다.
차량감지를 위한 첫째 단계는 CCTV영상에서 각 차로별 검지영역, ROI(Region of Interest)을 정한다. 둘째, 배경영상 차영상을 구한 뒤 임계값(threshold)을 정하고, 이진화를 한다. 여기서 배경영상 차영상은 상대적으로 계산시간이 적고, 조명 조건에 따라 변화가 없는 알고리즘이 요구된다.
이 제안한 방법으로, 입력된 영상을 N×N 정방형 블록으로 나눈 다음, 각 블록의 평균 색상(mean intensity)을 구하고, 다음단계에서 모든 블록의 평균값을 계산한 후 이에 대한 중앙값(median)을 결정한다. 마지막으로 각 블록의 평균값을 중앙값으로 나눈 비율을 구하고, 이 비율값을 각 블록의 픽셀값과 곱했을 때, 블록 안에 그림자가 존재하면, 작은 값으로 나타난다는 방법을 제안하였다. 그러나 이 방법은 영상 픽셀 사이의 명도(intensity contrast)가 줄어들고, 블록킹하는 방법에 따라 그 결과에 영향을 받게 된다는 문제점이 있다.
본 논문에서는 영상을 처리하기 전에 카메라와 영상 파라 미터, 즉, 광도, 명도, 대비 등을 사전에 조정을 하여 도로에 난반사되는 노이즈를 전처리(preprocessing) 단계에서 최대한 제거한 다음 처리하였다. 마지막으로, 개별차량의 분할이 모두 이루어지면, 각 차량별로 ID를 부여하고, 이에 대한 위치정보와 교통정보를 데이터베이스에 저장한다.
그러나, 가로등이 설치되지 않은 장소라도, 야간영상에서 가장 처리하기 어려운 내용은 헤드라이트에 의한 도로의 난반사(diffused reflections)로 인해 노이즈로 작용하여 정확한 차량추출을 하기 어렵다는 데 있다. 본 연구에서는 전처리 과정에서 헤드라이트에 의한 난반사를 최소화하는 작업을 하였는데, 그 방법으로 영상의 명도(luminosity)를 조절하였다. 그림 3은 시험장 영상에서 명도를 조절하여 도로의 난반사를 최소화하고, 차량 헤드라이트 부분만 추출한 영상을 보여준다.
본 연구의 시험 장소로 쓰이는 곤지암 시험장은 여건 상 검지영역을 15미터 이내로 설정할 수밖에 없었으므로 상대적으로 폐색을 처리하는 데, 수월한 편이다. 본 연구에서의 폐색은 명시적 폐색(explicit occlusion)만을 대상으로 처리하였는데, 그 이유는 발생하는 빈도가 명시적 폐색이 많이 발생하였기 때문이며, 이전 프레임 참조테이블에 두 대의 차량 ID로 저장되면, 명시적 폐색이 발생하여도, 검지영역을 유출할 때까지는 계속 두 대의 차량 ID를 그대로 유지시키는 방법으로 처리하였다. 야간에 차량헤드라이트에서 나오는 빛은 도로로 난반사 되어 이것이 노이즈로 작용하여 차량의 추출을 어렵게 만드는 데, 야간영상처리에서는 이를 해결하는 것이 가장 어려운 문제로 되고 있다.
시험장에 설치한 CCTV카메라는 640*480 해상도에 초당 30프레임(30fps)으로 영상을 받았으며, 입력된 아날로그 영상을 NI(National Instrument Company) 프레임 그레버 보드를 이용하여 디지털 256그레이(gray-level)로 변환하여 처리하였다. 본 시스템의 트래킹 알고리즘은 VISION모듈이 포함된 LabVIEW 소프트웨어로 구현하였다.
교통정보는 1분 단위 누적 데이터로 평가하였으며, 평가척도는 MAPE(Mean Absolute Percentage Error) 방법을 이용하였다. 실험 시간대는 주간, 야간, 일출, 일몰 시간대에 각각 30분씩을 정하고 그동안 데이터를 수집한다. 각 시간대별 평가결과는 표 1과 같다.
개별 차량을 정확히 추출하기 위하여 본 연구에서는 배경영상 갱신, 폐색, 그림자 제거, 야간 조명조건에 따른 처리들을 모두 구현하였다. 여기서 폐색, 그림자 제거, 야간 조명조건에 따른 처리는 본 연구를 통하여 곤지암의 VDS시험장에 맞는 알고리즘을 개발 하였고, 배경영상의 갱신만은 본 연구에서 독자적으로 개발한 것이 아니라 Dar-Shyang Lee의 알고리즘을 인용하였다.
또 다른 방법으로 Mei Xiao et al.의 방법으로 에지 정보를 가지고 그림자를 제거하는 방법을 제안하였다. 이 방법은 첫째, 그림자의 경계를 제거하여 물체의 에지를 찾아내고, 둘째, 물체의 에지정보를 가지고 왜곡된 물체정보(coarse object shapes)를 재구성(reconstruct)한 후 마지막으로 물체와 그림자의 윤곽선 영역을 차감함으로써 그림자를 추출한다.
의 방법으로 에지 정보를 가지고 그림자를 제거하는 방법을 제안하였다. 이 방법은 첫째, 그림자의 경계를 제거하여 물체의 에지를 찾아내고, 둘째, 물체의 에지정보를 가지고 왜곡된 물체정보(coarse object shapes)를 재구성(reconstruct)한 후 마지막으로 물체와 그림자의 윤곽선 영역을 차감함으로써 그림자를 추출한다. 이 방법은 알고리즘이 복잡하지 않다는 장점이 있어 우리 실험 영상에 적용하였으나, 적용결과 그림자와 인접차로의 차량이 근접해 있을 경우 그림자가 정확히 제거되지 않음으로써 정확도가 떨어져 결국에는 이용하지 못하였다.
이 제안한 방법으로, 입력된 영상을 N×N 정방형 블록으로 나눈 다음, 각 블록의 평균 색상(mean intensity)을 구하고, 다음단계에서 모든 블록의 평균값을 계산한 후 이에 대한 중앙값(median)을 결정한다.
이러한 해결하기 어려운 묵시적 겹침 현상에서 차량구분을 하기 위하여 두 대의 카메라를 이용하는 방법을 제안하였다. 이중 Akio Yoneyama가 제안한 알고리즘은 2차원 상에서 도로 표면을 두 대의 카메라로 들어온 영상을 투시투영법(perspective projection)에 의하여 겹친 차량을 구분하는 알고리즘을 제안하였다.
본 논문에서는 공간정보를 기반으로 한 차량트래킹기법의 영상검지기에서 각종 영상처리 알고리즘을 제안한다. 이를 위해 개별차량의 트래킹에서 외부환경 요인에 의한 노이즈와 그림자 제거, 폐색 문제를 해결할 수 있는 알고리즘을 개발하고, 검지영역을 통과하는 개별차량에 대해 차량분할(vehicle segmentation)을 정확히 하며, 이를 추적하여 교통정보를 수집하는 통합알고리즘이 포함된다.
그 이유는 발생하는 빈도가 명시적 폐색이 많이 발생하였기 때문이다. 즉, 검지영역으로 유입될 때에는 두 대의 차량으로 유입되며, 이 두 대의 차량이 프레임이 증가하면서 한 대의 차량으로 합쳐지는 경우로, 이전 프레임 참조테이블에 두 대의 차량 ID로 저장되면, 명시적 폐색이 발생하여도, 검지영역을 유출할 때까지는 계속 두 대의 차량 ID를 그대로 유지시키는 방법으로 처리하였다. 또한 1대의 CCTV카메라에서 4개로를 동시에 검지하다보니 시스템 성능도 고려하였기 때문에 묵시적 폐색까지 처리하다보면, 시스템의 부하 증가로 특히 속도측정에 많은 오차가 발생할 우려가 있기 때문에 묵시적 폐색은 제외하고 처리하였다.
본 연구는 다양한 변화의 실외환경에서 영상처리 기반의 교통량, 속도, 점유시간을 산출하는 시스템 개발에 초점을 맞췄으며, 이를 위해 전이시간 대의 그림자 제거, 야간 차량 전조등에 의한 왜곡, 비 또는 눈, 안개에 의한 잡음, 폐색 등을 필히 해결하여 개발하였다. 특히, 본 연구에서 그림자 처리는 에지 기반의 새로운 알고리즘을 적용하였다.
본 시스템은 한국건설기술연구원에서 운영하고 있는 곤지암 시험장을 임대하여 성능시험을 수행하였다. 평가항목은 4차로(상행 2개차로, 하행 2개차로)에 대해 영상검지기의 평가항목인 교통량, 속도, 점유시간을 측정하였으며, 측정일정은 2008년 12월 16일부터 12월 18일 3일간 수집한 데이터 중 주간, 일출, 일몰, 야간 각각 30분 데이터를 비교하여 성능을 평가하였다. 성능시험은 곤지암시험장에 설치되어 있는 기준검지기(레이저 검지기)의 값과 비교함으로써 그 성능을 평가하였다(그림 5 참조).
본 시스템은 한국건설기술연구원에서 운영하고 있는 곤지암 시험장을 임대하여 성능시험을 수행하였다. 평가항목은 4차로(상행 2개차로, 하행 2개차로)에 대해 영상검지기의 평가항목인 교통량, 속도, 점유시간을 측정하였으며, 측정일정은 2008년 12월 16일부터 12월 18일 3일간 수집한 데이터 중 주간, 일출, 일몰, 야간 각각 30분 데이터를 비교하여 성능을 평가하였다. 성능시험은 곤지암시험장에 설치되어 있는 기준검지기(레이저 검지기)의 값과 비교함으로써 그 성능을 평가하였다(그림 5 참조).
폐색은 본 논문의 서론에서 언급했듯이 명시적 폐색(explicit occlusion)과 묵시적 폐색(implicit occlusion)으로 나눌 수 있는 데, 본 연구에서의 폐색은 명시적 폐색(explicit occlusion)만을 대상으로 처리하였다.
대상 데이터
본 시스템은 한국건설기술연구원에서 운영하고 있는 곤지암 시험장을 임대하여 성능시험을 수행하였다. 평가항목은 4차로(상행 2개차로, 하행 2개차로)에 대해 영상검지기의 평가항목인 교통량, 속도, 점유시간을 측정하였으며, 측정일정은 2008년 12월 16일부터 12월 18일 3일간 수집한 데이터 중 주간, 일출, 일몰, 야간 각각 30분 데이터를 비교하여 성능을 평가하였다.
야간영상이지만, 가로등이 있으면, 밝은 그레이(bright gray) 영상을 유지되는 반면, 가로등이 없으면 차량헤드라이트를 중심으로 가장 밝은 영역만 남는다. 본 연구에서 실험한 곤지암시험장은 가로등이 설치되지 않은 장소이다. 그러나, 가로등이 설치되지 않은 장소라도, 야간영상에서 가장 처리하기 어려운 내용은 헤드라이트에 의한 도로의 난반사(diffused reflections)로 인해 노이즈로 작용하여 정확한 차량추출을 하기 어렵다는 데 있다.
본 연구의 시험 장소로 쓰이는 곤지암 시험장은 여건 상 검지영역을 15미터 이내로 설정할 수밖에 없었으므로 상대적으로 폐색을 처리하는 데, 수월한 편이다. 본 연구에서의 폐색은 명시적 폐색(explicit occlusion)만을 대상으로 처리하였는데, 그 이유는 발생하는 빈도가 명시적 폐색이 많이 발생하였기 때문이며, 이전 프레임 참조테이블에 두 대의 차량 ID로 저장되면, 명시적 폐색이 발생하여도, 검지영역을 유출할 때까지는 계속 두 대의 차량 ID를 그대로 유지시키는 방법으로 처리하였다.
시스템의 성능평가를 위해 한국건설기술연구원에서 운영하고 있는 곤지암 시험장을 이용하였으며, 기간은 2008년12월 16일부터 18일까지 3일간 4개차로(상행 2개차로, 하행 2개차로)를 대상으로 평가하였다. 평가는 영상기반의 측정데이터와 비 영상기반(Non VIPS)인 레이저 검지기를 기반으로 한 기준데이터와의 비교를 통해 객관성을 유지하며 결과를 도출하였으며, 그 결과 주간, 야간, 일출, 일몰 시간대에 교통량, 속도, 점유시간에서 약 92%에서 97%까지의 정확도가 신출되었다.
데이터처리
평가항목은 4차로(상행 2개차로, 하행 2개차로)에 대해 영상검지기의 평가항목인 교통량, 속도, 점유시간을 측정하였으며, 측정일정은 2008년 12월 16일부터 12월 18일 3일간 수집한 데이터 중 주간, 일출, 일몰, 야간 각각 30분 데이터를 비교하여 성능을 평가하였다. 성능시험은 곤지암시험장에 설치되어 있는 기준검지기(레이저 검지기)의 값과 비교함으로써 그 성능을 평가하였다(그림 5 참조).
마지막으로, 개별차량의 분할이 모두 이루어지면, 각 차량별로 ID를 부여하고, 이에 대한 위치정보와 교통정보를 데이터베이스에 저장한다. 시스템의 성능평가를 위해 교통량, 속도, 점유시간의 레이저 검지기에서 산출되는 기준데이터와, 측정데이터와의 mean absolute percentage error(MAPE)로 오차율을 계산하여 평가하였다. 전반적인 처리절차는 그림 1에 나타나 있다.
이론/모형
교통정보는 1분 단위 누적 데이터로 평가하였으며, 평가척도는 MAPE(Mean Absolute Percentage Error) 방법을 이용하였다. 실험 시간대는 주간, 야간, 일출, 일몰 시간대에 각각 30분씩을 정하고 그동안 데이터를 수집한다.
둘째 단계는 히스토그램 분석(histogram analysis)을 통하여 영상의 이동(translation)과 회전(rotation)에도 변동 없이 분류를 할 수 있도록 하는데, 배경영상과 현재 프레임 영상을 비교하여 히스토그램을 그리면, 차량이나 그림자 또는 헤드라이트와 배경영상과의 차이를 나타내는 두개의 그룹으로 분류되어 히스토그램이 그려진다. 또한 이때 히스토그램 안에 존재 하는 노이즈를 제거하고, 알고리즘의 처리속도를 높이기 위하여 PCA(Principle Component Analysis)를 이용함으로써 보다 적은 벡터로 새로운 특징을 추출할 수가 있다. 셋째, 위 단계에서 구한 PCA방법의 특징벡터(feature vector)를 학습시켜 물체 영역 안에 실제 차량 이미지에서 그림자 또는 헤드라이트 가 포함되어 있는지 판단하는 단계가 된다.
시험장에 설치한 CCTV카메라는 640*480 해상도에 초당 30프레임(30fps)으로 영상을 받았으며, 입력된 아날로그 영상을 NI(National Instrument Company) 프레임 그레버 보드를 이용하여 디지털 256그레이(gray-level)로 변환하여 처리하였다. 본 시스템의 트래킹 알고리즘은 VISION모듈이 포함된 LabVIEW 소프트웨어로 구현하였다. 시험 기간 동안 날씨조건은 16일과 18일 이틀은 맑은 날이었으며, 17일은 비가 오는 날이었다.
본 연구에서 배경영상 갱신은 이미 보편화 되어 있는 Dar-Shyang Lee의 알고리즘을 인용하였다. 그림 4는 DarShyang Lee 알고리즘에 의해 배경영상이 변화하는 과정을 나타낸다.
본 연구의 차량트래킹은 영역기반 트래킹(region-based tracking)을 기반으로 하고 있다. 이는 부분적 차량 폐색(vehicles partially occluded)에 따른 개별차량을 분할의 약점이 있기는 하나 대부분의 상용화된 트래킹 기반 영상검지 기가 영역기반 트래킹으로 개발되었고, 또한 그림자처리 차량 폐색 처리와 동시에 교통정보 수집을 하기 위해서는 처리속도(processing time)를 고려해야 하므로 다른 방법보다는 영역기반 트래킹이 효과적이기 때문이다.
성능/효과
시스템의 성능평가를 위해 한국건설기술연구원에서 운영하고 있는 곤지암 시험장을 이용하였으며, 기간은 2008년12월 16일부터 18일까지 3일간 4개차로(상행 2개차로, 하행 2개차로)를 대상으로 평가하였다. 평가는 영상기반의 측정데이터와 비 영상기반(Non VIPS)인 레이저 검지기를 기반으로 한 기준데이터와의 비교를 통해 객관성을 유지하며 결과를 도출하였으며, 그 결과 주간, 야간, 일출, 일몰 시간대에 교통량, 속도, 점유시간에서 약 92%에서 97%까지의 정확도가 신출되었다.
후속연구
향후 연구로는 다른 시험장소를 선정하여 보다 다양한 환경에서 시험을 계속함으로써 보다 향상된 시스템의 성능을 유지할 필요가 있으며, 수집된 정보 역시 교통정보로 국한 시키는 것이 아니라 사고, 상충의 자동감지 등 유용한 정보 수집으로 확대 적용할 계획이다.
질의응답
핵심어
질문
논문에서 추출한 답변
차량 폐색은 명시적 폐색과 묵시적 폐색으로 나눌 수 있는데, 각각의 특징은 무엇인가?
차량 폐색(occlusion)은 카메라의 주시각도(degree of view)로 인해 두 대 이상의 차량이 한대로 오인식 되는 현상으로 명시적 폐색(explicit occlusion)과 묵시적 폐색 (implicit occlusion)으로 나눌 수 있다. 명시적 폐색은 여러대 차량이 떨어져 오다가 나중에 합쳐지는 경우이고, 묵시적 폐색은 처음부터 여러 대의 차량이 겹쳐서(overlapping) 들어오는 경우를 의미하는 것으로, 일반적으로 이전의 개별차량의 정보를 갖고 있는 명시적 폐색이 묵시적 폐색 보다는 해결하기 쉬운 방법으로 알려져 있다.
차량 폐색이란 무엇인가?
차량 폐색(occlusion)은 카메라의 주시각도(degree of view)로 인해 두 대 이상의 차량이 한대로 오인식 되는 현상으로 명시적 폐색(explicit occlusion)과 묵시적 폐색 (implicit occlusion)으로 나눌 수 있다. 명시적 폐색은 여러대 차량이 떨어져 오다가 나중에 합쳐지는 경우이고, 묵시적 폐색은 처음부터 여러 대의 차량이 겹쳐서(overlapping) 들어오는 경우를 의미하는 것으로, 일반적으로 이전의 개별차량의 정보를 갖고 있는 명시적 폐색이 묵시적 폐색 보다는 해결하기 쉬운 방법으로 알려져 있다.
최근 ITS에서 영상처리를 이용한 교통감시시스템의 주요 목적은 무엇인가?
최근 ITS(Intelligent Transport System)에서 영상처리를 이용한 교통감시시스템(VIPS; Video Image Processing System)은 매우 폭 넓게 이용되고 있으며, 주요 목적은 교통량, 속도, 점유율 등 교통정보 측정과 교통이상 징후 (traffic event) 감지, 교통흐름(traffic flow) 분석 등을 통해 교통분석(traffic analysis)과 교통관리(traffic management)에 있다.
참고문헌 (25)
Akio Yoneyama, Chia-Hung Yeh, C.-C Jay Kuo (2005) Robust Vehicle and Traffic Information Extraction for Highway Surveillance, EURASIP Journal on Applied Signal Processing, pp. 2305-2321.
Avery, Zhang, Wang, and Nihan (2007), An investigation into shadow removal from traffic images, TRB 2007 Annual Meeting CD-ROM.
Avidan, S. (2004) Support vector tracking, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 26, No. 8, pp. 1064-1072.
Bevilacqua, A. (2003) Effective shadow detection in traffic monitoring applications, Journal of International Conference in Central Europe on Computer Graphics, Visualization, and Computer Vision, Vol. 11, No. 1, ISSN 1213-6972.
Coifman, B., Beymer, D., McLauchlan, P., and Malik, J. (1998) A real-time computer vision system for vehicle tracking and traffic surveillance, Transportation Research Part C 6, pp. 271-288.
Cucchiara, R., Grana, C., Tardini, G., and Vezzani, R. (2004) Probabilistic people tracking for occlusion handling, Proceedings of the 17th International Conference on ICPR 2004, Vol. 1, pp. 132-135.
Dockstader et al. (2001) Multiple camera tracking of interacting and occluded human motion, Proceedings of the IEEE, Vol. 89, Issue 10, pp. 1441-1455.
Dockstader, S.L. and Tekalp, A.M. (2001) Multiple camera fusion for multi-object tracking, In Proc. IEEE Workshop on Multi-Object Tracking, pp. 95-102.
Gao, D., Zhou, J., and Xin, L. (2001) SVM-based detection of moving vehicles for automatic traffic monitoring, Proceedings of IEEE Intelligent Transportation Systems Conference, Oakland (CA) USA.
Gonzalez, R.C. (1994) Digital Image Processing, Prentice Hall.
Haritaoglu, I., Harwood, D., and Davis, L.S. (2000) W4: Real-time surveillance of people and their activities, IEEE Trans. on Pattern Analysis and Machine Intelligence(PAMI), Vol. 22, No. 8.
Horprasert, T., Harwood, D., and Davis, L. (1999) A statistical approach for real-time robust background subtraction and shadow detection, Proc. 7th IEEE ICCV Frame-rate Workshop Corfu.
Kim, Z. (2008) Real time object tracking based on dynamic feature grouping with background subtraction, In Proc. IEEE Conf. Computer Vision and Pattern Recognition.
Koller, D., Daniilidis, K., and Nagel, H. (1993) Model-based object tracking in monocular image sequences of road traffic scenes, International Journal of Computer Vision 10, pp. 257-281.
Koller, D., Weber, J., Huang, T., Malik, J., Ogasawara, G., Rao, B., and Russell, S. (1994) Towards robust automatic traffic scene analysis in real time, ICPR, Vol. 1, pp. 126-131.
Lee, D.-S. (2005) Effective gaussian mixture learning for video background subtraction, IEEE Transaction on Pattern Analysis and Machine Intelligence(PAMI), Vol. 27, No. 5, pp. 827-832.
Liu, H., Jintao Li, Qun Liu, Yueliang Qian(2007), “Shadow Elimination in Traffic Video Segmentation”, MVA 2007 IAPR Conference on Machine Vision Applications, Tokyo, Japan.
Melo, J., Naftel, A., Bernardino, A., and Santos-Victor, J. (2004) Viewpoint independent detection of vehicle trajectories and lane geometry from uncalibrated traffic surveillance cameras, International Conference on Image Analysis and Recognition, Porto, Portugal.
Oh, J. and Min, J. (2008) Development of a real time video image processing system for vehicle tracking, Journal of Korean Society of Engineers, Vol. 10, No. 3, pp. 19-31.
Oh, J., Min, J., Kim, M., and Cho, H. (2008) Development of an Automatic Traffic Conflict Detection System based on Image Tracking Technology, Submitted to TRB.
Senior, A., Hampapur, A., Tian, Y.-L., Brown, L., Pankanti, S., and Bolle, R. (2006) Appearance models for occlusion handling, Journal of Image and Vision Computing, Vol. 24, Issue 11, pp. 1233-1243.
Sukthankar, R. (1993) RACCOON: A real-time autonomous car chaser operating optimally at night, Proceedings of IEEE Intelligent Vehicles.
Ting-Hsun Chang, Shaogang Gong, Eng-Jong (2000), Tracking multiple people under occlusion using multiple cameras, In Proc. 11th British Machine Vision Conference.
Wang, J.M., Chung, Y.C., Chang, C.L., and Chen, S.W. (2004) Shadow detection and removal for traffic images, Proceedings of the IEEE International Conference on Networking, Sensing & Control, Taipei Taiwan, pp. 649-654.
Xiao, M., Han, C.-Z., and Zhang, L. (2007) Moving shadow detection and removal for traffic sequences, International Journal of Automation and Computing, pp. 38-46.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.