지능형 교통 시스템(Intelligent Transportation Systems)의 첨단 교통 관리 시스템(Advanced Traffic Management System)은 고화질 카메라, 고성능 레이더 센서와 같은 향상된 인프라를 통하여 도로 상의 차량 속도, 통행량, 돌발 상황 등의 교통 상황을 실시간으로 분석하며 관련 업무를 자동화하고 있다. 특히 도로 이용자의 안전을 위해서는 돌발 상황 자동 검지 및 2차 사고 방지를 위한 시스템이 필요하다. 이러한 유고 검지 및 관리 시스템에서는 CCTV 기반 영상 검지와 레이더를 이용한 물체검지가 주로 사용된다. 본 논문은 다중 감시용 카메라를 사용한 실시간 고속도로 돌발 상황 검지 시스템에서 모자이크(mosaic) 동영상을 구성하는 방법과 다양한 각도에서 촬영된 움직이는 객체를 보다 정확하게 추적할 수 있는 배경 모델링에 기반한 알고리즘을 제안하였다. 실험결과 영상검지는 레이더검지의 근거리 음영 영역과 원거리 검지한계 영역을 보완해 줄 수 있을 뿐만 아니라 악천후를 제외한 주간 검지에서 보다 나은 분류 특징들을 갖고 있음을 확인 할 수 있었다.
지능형 교통 시스템(Intelligent Transportation Systems)의 첨단 교통 관리 시스템(Advanced Traffic Management System)은 고화질 카메라, 고성능 레이더 센서와 같은 향상된 인프라를 통하여 도로 상의 차량 속도, 통행량, 돌발 상황 등의 교통 상황을 실시간으로 분석하며 관련 업무를 자동화하고 있다. 특히 도로 이용자의 안전을 위해서는 돌발 상황 자동 검지 및 2차 사고 방지를 위한 시스템이 필요하다. 이러한 유고 검지 및 관리 시스템에서는 CCTV 기반 영상 검지와 레이더를 이용한 물체검지가 주로 사용된다. 본 논문은 다중 감시용 카메라를 사용한 실시간 고속도로 돌발 상황 검지 시스템에서 모자이크(mosaic) 동영상을 구성하는 방법과 다양한 각도에서 촬영된 움직이는 객체를 보다 정확하게 추적할 수 있는 배경 모델링에 기반한 알고리즘을 제안하였다. 실험결과 영상검지는 레이더검지의 근거리 음영 영역과 원거리 검지한계 영역을 보완해 줄 수 있을 뿐만 아니라 악천후를 제외한 주간 검지에서 보다 나은 분류 특징들을 갖고 있음을 확인 할 수 있었다.
The advanced traffic management system of intelligent transport systems automates the related traffic tasks such as vehicle speed, traffic volume and traffic incidents through the improved infrastructures like high definition cameras, high-performance radar sensors. For the safety of road users, esp...
The advanced traffic management system of intelligent transport systems automates the related traffic tasks such as vehicle speed, traffic volume and traffic incidents through the improved infrastructures like high definition cameras, high-performance radar sensors. For the safety of road users, especially, the automated incident detection and secondary accident prevention system is required. Normally, CCTV based image object detection and radar based object detection is used in this system. In this paper, we proposed the algorithm for real time highway incident detection system using multi surveillance cameras to mosaic video and track accurately the moving object that taken from different angles by background modeling. We confirmed through experiments that the video detection can supplement the short-range shaded area and the long-range detection limit of radar. In addition, the video detection has better classification features in daytime detection excluding the bad weather condition.
The advanced traffic management system of intelligent transport systems automates the related traffic tasks such as vehicle speed, traffic volume and traffic incidents through the improved infrastructures like high definition cameras, high-performance radar sensors. For the safety of road users, especially, the automated incident detection and secondary accident prevention system is required. Normally, CCTV based image object detection and radar based object detection is used in this system. In this paper, we proposed the algorithm for real time highway incident detection system using multi surveillance cameras to mosaic video and track accurately the moving object that taken from different angles by background modeling. We confirmed through experiments that the video detection can supplement the short-range shaded area and the long-range detection limit of radar. In addition, the video detection has better classification features in daytime detection excluding the bad weather condition.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이를 위해서 본 논문에서는 가우시안 혼합 모델(Gaussian Mixture Model)[15]과 움직임 즉 옵티컬 플로우(Optical Flow)를 판단하는 루카스-카나데 (Lucas-Kanade) 방법[16～17]을 이용하였다. 또한 추적에 실패하거나 돌발상황 발생 시 오보율을 줄이기 위해 보행자, 차량, 낙하물, 배경도로의 특징을 정의하고 학습시켜 분류하는 모듈을 추가함으로써 시스템의 성능을 높이고자 하였다.
본 논문에서는 고속도로에서 발생하는 돌발상황 검지를 위해 고안된 배열형 다채널 CCTV 영상에서 모자이크 동영상을 구성하고 돌발상황을 검지 및 분류하는 방법을 제안하였다. 오보율을 낮추고, 검지 정확도를 높이기 위해 일반적인 객체검출 및 추적 기법 이외에도 학습 및 분류 기법을 적용함으로써 전체적인 시스템 성능 향상에 기여할 수 있었다.
본 논문에서는 지능형 교통 시스템(Intelligent Transportation Systems)에서 추구하고 있는 기존보다 감시영역이 넓고, 검지율이 높으면서도 검지 속도가 빠른 영상식 고속도로 돌발 상황 검지 시스템에 알맞은 객체 검출 및 추적 알고리즘을 목표로 하였다. CCTV는 일정한 밝기를 유지하기 위해 오토아이리스(Auto Iris) 기능을 탑재하고 있으나 외부환경 변화에 따라 배경 영상에 노이즈 성분이 되는 밝기 변화가 발생하므로 이를 최소화하기 위한 객체 검출 및 추적 알고리즘이 필요하다.
제안 방법
본 논문에서 제안된 알고리즘은 스마트하이웨이사업에서 수행된 돌발상황 검지 시스템에 적용하여 실험하였다. 고속도로에서 임의의 돌발상황을 재현하기가 위험하므로, 여주분기점 인근에 있는 한국도로공사의 시험도로에서 표 1과 같은 실험 항목을 설정하고, 표 2와 같은 차량과 낙하물을 사용하여 비교적 맑은 날 오전 9시부터 오후 4시까지 진행하였다.
구성된 모자이크 영상에 조도 변화 및 환경적인 변화 요인을 제거하기 위해 가우시안 혼합모델을 적용하여 그림 4(c)와 같이 고속도로상의 객체를 추출해낸다. 그 후, 추출된 객체를 바탕으로 루카스-카나데(Lucas-Kanade) 방법을 통해 객체의 움직임을 검출 및 추적한다. 그림 4(d)는 각 객체의 옵티컬 플로우를 나타낸다.
본 논문에서 제안된 알고리즘은 스마트하이웨이사업에서 수행된 돌발상황 검지 시스템에 적용하여 실험하였다. 고속도로에서 임의의 돌발상황을 재현하기가 위험하므로, 여주분기점 인근에 있는 한국도로공사의 시험도로에서 표 1과 같은 실험 항목을 설정하고, 표 2와 같은 차량과 낙하물을 사용하여 비교적 맑은 날 오전 9시부터 오후 4시까지 진행하였다.
시험도로에서 실험한 결과를 바탕으로 오보율 개선을 위해 검출된 돌발 객체에 대해 학습을 통한 분류를 수행하도록 알고리즘을 개선하였다. 시험도로 및 오산 IC 실도로에서 녹화된 영상에서 그림 5와 같이 5종류의 학습자료를 총 500장을 수집하여 5묶음 교차 검증 및 그리드 검색을 통해 RBF(Radial Basis Function) 커널의 SVM을 사용한 최적 학습 모형을 도출하였다. 그림 6과 같이 웨이블릿의 질감 특징 및 밝기특징을 사용하여 최대 73.
시험도로에서 실험한 결과를 바탕으로 오보율 개선을 위해 검출된 돌발 객체에 대해 학습을 통한 분류를 수행하도록 알고리즘을 개선하였다. 시험도로 및 오산 IC 실도로에서 녹화된 영상에서 그림 5와 같이 5종류의 학습자료를 총 500장을 수집하여 5묶음 교차 검증 및 그리드 검색을 통해 RBF(Radial Basis Function) 커널의 SVM을 사용한 최적 학습 모형을 도출하였다.
대상 데이터
그림 4(a)는 22m 높이 위에 설치된 다채널 CCTV를 통해 채널별로 획득된 영상이다. 객체를 정확히 추적하기 위하여 신뢰성 있는 모자이크 영상을 구성하는 것이 중요하다.
고속도로 영상을 획득하기 위해 그림 1과 같이 다중 채널 CCTV를 설치하여 약 1km 검지 영역 내의 영상을 획득한다. 다중채널 CCTV는 7개의 카메라로 구성되어 있으며 각 카메라는 서로 다른 배율의 렌즈를 적용한다.
다중채널 CCTV는 7개의 카메라로 구성되어 있으며 각 카메라는 서로 다른 배율의 렌즈를 적용한다. 카메라는 돔 형태로 구성되어 서로 다른 각도로 고속도로를 촬영해서 영상을 획득한다. CCTV 바로 아래영역은 비교적 거리가 가깝기 때문에 어안렌즈를 이용해 감시 영역을 넓히는데, 여기서 촬영된 영상을 실제 환경과 비교했을 때 방사 왜곡 현상이 생기는 것을 알 수 있다.
이론/모형
객체 추출을 위해 배경과 전경을 분리하는 방법이 많이 사용되며 배경 차분(Background Subtraction) 기법과 가우시안 혼합 모델 기법이 대표적이다. 본 논문에서는 외부 환경 변화를 고려한 돌발상황 검지를 위해 Stauffer가 제안한 가우시안 혼합 모델을 사용한다. 이론적으로 하나의 배경이 일정한 밝기를 가질 경우 배경을 하나의 가우시안 분포만으로 모델링 할 수 있다.
CCTV는 일정한 밝기를 유지하기 위해 오토아이리스(Auto Iris) 기능을 탑재하고 있으나 외부환경 변화에 따라 배경 영상에 노이즈 성분이 되는 밝기 변화가 발생하므로 이를 최소화하기 위한 객체 검출 및 추적 알고리즘이 필요하다. 이를 위해서 본 논문에서는 가우시안 혼합 모델(Gaussian Mixture Model)[15]과 움직임 즉 옵티컬 플로우(Optical Flow)를 판단하는 루카스-카나데 (Lucas-Kanade) 방법[16～17]을 이용하였다. 또한 추적에 실패하거나 돌발상황 발생 시 오보율을 줄이기 위해 보행자, 차량, 낙하물, 배경도로의 특징을 정의하고 학습시켜 분류하는 모듈을 추가함으로써 시스템의 성능을 높이고자 하였다.
카메라 촬영 각도에 따라 발생하는 가려짐의 영향을 최소화하기 위한 특징점 추적 및 3D 모델링 기법이 있다[11]. 추적 정확도를 높이기 위해 RGB 가중합을 특징으로 사용하여 객체와 배경을 아다부스트(Adaptive Boosting) 분류기로 학습과 예측을 반복하며 Mean-shift 방법으로 객체의 위치를 찾는 기법이 있다[12]. 보행자 검지에 있어서는 HOG(Histogram of Oriented Gradients) 특징 기술자가 대표적이며 에지의 기울기, 컬러, 질감, 모션 정보와 함께 아다부스트 또는 선형 SVM(Support Vector Machine) 분류기를 통해 학습되는 기법이 주로 사용된다[13].
예비 돌발상황으로 판단된 객체들에서 특징들을 추출한다. 특징으로는 객체의 질감 성분과 에지 성분을 추출하기 위해 웨이블릿(Wavelet)[20]과 HOG(Histogram of Oriented Gradients)[21]를 사용한다. 추출된 특징은 SVM(Support Vector Machine) 분류기를 통해 객체의 훈련 및 분류에 사용된다.
성능/효과
상수 C는 결정 경계 바깥에 위치한 샘플의 영향을 최소화시키며 학습에 사용된 특징벡터의 군집도에 따라 분류 정확도에 영향을 준다. 교차검증 실험 결과 웨이블릿 질감 특징은 gamma=10.0 과 C=1.0에서 HOG 특징은 gamma=0.1 과 C=5.0에서 최대 정확도를 보였다.
시험도로 및 오산 IC 실도로에서 녹화된 영상에서 그림 5와 같이 5종류의 학습자료를 총 500장을 수집하여 5묶음 교차 검증 및 그리드 검색을 통해 RBF(Radial Basis Function) 커널의 SVM을 사용한 최적 학습 모형을 도출하였다. 그림 6과 같이 웨이블릿의 질감 특징 및 밝기특징을 사용하여 최대 73.1%의 분류 정확도를 갖는 모형을 얻을 수 있었고, 그림 7과 같이 HOG 기술자를 이용하여 최대 96.4%의 분류 정확도를 갖는 모형을 얻을 수 있었다. 여기서 감마(gamma)는 가우시안 RBF 커널의 분산에 반비례하는 값으로 클수록 비선형 분류 특성이 높아진다.
실험 결과 표 3과 같이 비교적 사이즈가 큰 정지 차량에 대해서는 검지율이 높았으며 사이즈가 작은 낙하물의 검지율이 떨어졌다. 전체 시스템 오보율은 20.
본 논문에서는 고속도로에서 발생하는 돌발상황 검지를 위해 고안된 배열형 다채널 CCTV 영상에서 모자이크 동영상을 구성하고 돌발상황을 검지 및 분류하는 방법을 제안하였다. 오보율을 낮추고, 검지 정확도를 높이기 위해 일반적인 객체검출 및 추적 기법 이외에도 학습 및 분류 기법을 적용함으로써 전체적인 시스템 성능 향상에 기여할 수 있었다. 원거리 객체의 가려짐으로 인한 추적 성능 저하와 카메라 흔들림 영향을 개선할 수 있는 알고리즘 개발이 향후 연구과제이며, 충분한 실험과 데이터 확보를 통해 보다 나은 특징 추출과 환경 변화에 강인한 온라인 학습 기법 등이 도입된다면 시스템의 사업화에 큰 도움이 될 수 있으리라 기대된다.
실험 결과 표 3과 같이 비교적 사이즈가 큰 정지 차량에 대해서는 검지율이 높았으며 사이즈가 작은 낙하물의 검지율이 떨어졌다. 전체 시스템 오보율은 20.8%로 비교적 높았으며, 특히 낙하물과 사람의 구분에 오류가 많았다.
후속연구
오보율을 낮추고, 검지 정확도를 높이기 위해 일반적인 객체검출 및 추적 기법 이외에도 학습 및 분류 기법을 적용함으로써 전체적인 시스템 성능 향상에 기여할 수 있었다. 원거리 객체의 가려짐으로 인한 추적 성능 저하와 카메라 흔들림 영향을 개선할 수 있는 알고리즘 개발이 향후 연구과제이며, 충분한 실험과 데이터 확보를 통해 보다 나은 특징 추출과 환경 변화에 강인한 온라인 학습 기법 등이 도입된다면 시스템의 사업화에 큰 도움이 될 수 있으리라 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
CCTV 영상기반 알고리즘에 대한 기존 연구들은 어떤 것들이 있는가?
기존에 연구된 방법들을 살펴보면, 빠른 검지 속도를 위해 영상의 프로젝션을 통한 1차원 차량 모델을 사용한 기법이 있으며[5], 차량 윤곽선을 수평 수직으로 나누어 확률적 특징으로 그룹화하는 기법이 있다[6]. 안정적인 다중 객체 검출을 위해 배경 이미지를 주기적으로 업데이트 하면서 현재 영상과의 차를 통해 객체를 추출하고 각 프레임간 외곽선 정보로 칼만 필터(Kalman filter)를 이용해 추적하는 기법이 있다[7]. 프레임간 배경 모델링과 객체 검출 점수표를 사용한 다중 객체 추적기법은 근접 차량간 일시적 가려짐(occlusion)과 차량의 낙하물 검지에 활용될 수 있다[8]. 물체와 카메라간 거리 변화에 따른 크기 변화를 고려한 추적기법이 있으며[9], 차량의 운동학적 모델을 사용한 파티클 필터(Particle Filter) 기법이 있다[10]. 카메라 촬영 각도에 따라 발생하는 가려짐의 영향을 최소화하기 위한 특징점 추적 및 3D 모델링 기법이 있다[11]. 추적 정확도를 높이기 위해 RGB 가중합을 특징으로 사용하여 객체와 배경을 아다 부스트(Adaptive Boosting) 분류기로 학습과 예측을 반복하며 Mean-shift 방법으로 객체의 위치를 찾는 기법이 있다[12]. 보행자 검지에 있어서는 HOG(Histogram of Oriented Gradients) 특징 기술자가 대표적이며 에지의 기울기, 컬러, 질감, 모션 정보와 함께 아다부스트 또는 선형 SVM(Support Vector Machine) 분류기를 통해 학습되는 기법이 주로 사용된다[13]. 보행자의 신체 부위별 컬러와 움직임 모델링을 통해 유사한 배경 색상에서도강인한 특징을 사용한 기법이 있다[14].
다채널 CCTV 사용 장점은?
기존 감시 시스템에서는 주로 단일 CCTV가 많이 사용되었지만 이는 카메라와 도로의 거리에 따라 감시영역에 한계가 생길 수 있다. 그러나 다채널 CCTV를 사용하면 약 1km의 고속도로 구간을 감시하여 보다 넓은 지역에서 발생하는 돌발상황을 검지 할 수 있다.
첨단 교통 관리 시스템은 어떤 일을 수행하는가?
지능형 교통 시스템(Intelligent Transportation Systems)의 첨단 교통 관리 시스템(Advanced Traffic Management System)은 고화질 카메라, 고성능 레이더 센서와 같은 향상된 인프라를 통하여 도로 상의 차량 속도, 통행량, 돌발 상황 등의 교통 상황을 실시간으로 분석하며 관련 업무를 자동화하고 있다. 특히 도로 이용자의 안전을 위해서는 돌발 상황 자동 검지 및 2차 사고 방지를 위한 시스템이 필요하다.
참고문헌 (21)
S. W. Lee and H. S. Oh, "Smart Highway and Communication Technology," Information & communications magazine, vol. 27 no. 11, pp. 28-35, 2010.
S. U. Han, H. S. Kim, and S. H. Lim, "Introduction of the tunnel incident detection algorithms," Transportation technology and policy, vol. 6, no. 3, pp. 141-149, 2009.
S. H. Lee, Y. T. Son, W. K. Kim, and C. K. Jeong, "The Conceptual framework of detection system for emergency situations associated with SMART Highway," In Proceedings of Korean Society of Road Engineers, vol. 11, pp. 683-687, Nov. 2009.
N. Buch, S. A. Velastin, and J. Orwell, "A Review of Computer Vision Techniques for the Analysis of Urban Traffic," IEEE Trans. Intell. Transp. Syst., vol. 12, no. 3, pp. 920-939, Sep. 2011.
G. D. Sullivan, K. D. Baker, A. D. Worrall, C. I. Attwood, and P. R. Remagnino, "Model-based vehicle detection and classification using orthographic approximations," in Proc. 7th Brit. Mach. Vis. Conf., vol. 2, pp. 695-704, Sep. 1996.
Z. Kim and J. Malik, "Fast vehicle detection with probabilistic feature grouping and its application to vehicle tracking," in Proc. 9th IEEE Int. Conf. Comput. Vis., vol. 1, pp. 524-531, 2003.
R. Rad and M. Jamzad, "Real-time classification and tracking of multiple vehicles in highways," Pattern Recognit. Lett., vol. 26, no. 10, pp. 1597-1607, Jul. 2005.
M. Han, W. Xu, H. Tao, and Y. Gong, "An Algorithm for Multiple Object Trajectory Tracking," in Proc. IEEE Comput. Soc. Conf. CVPR, vol. 1, pp. 864-871, 2004.
T. H. Hwang, S. I. Cho, J. H. Park, and K. H. Choi, "Object Tracking for a Video Sequence from a Moving Vehicle: A Multi-modal Approach," ETRI J., vol. 28, no. 3, pp. 367-370, Jun. 2006.
F. Bardet and T. Chateau, "MCMC particle filter for real-time visual tracking of vehicles," in Proc. IEEE 11th ITSC, pp. 539-544, Oct. 2008.
N. K. Kanhere and S. T. Birchfield, "Real-time incremental segmentation and tracking of vehicles at low camera angles using stable features," IEEE Trans. Intell. Transp. Syst., vol. 9, no. 1, pp. 148-160, Mar. 2008.
H. Baskoro, J. S. Kim, and C. S. Kim, "Mean-Shift Object Tracking with Discrete and Real AdaBoost Techniques," ETRI J., vol. 31, no. 3, pp. 282-291, Jun. 2009.
P. Dollar, C. Wojek, B. Schiele, and P. Perona, "Pedestrian Detection: An Evaluation of the State of the Art," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 34, no. 4, pp. 743-761, Apr. 2012.
D. H. Kim, S. W. Jung, Suryanto, S. J. Lee, H. K. Kim, and S. J. Ko, "Object Modeling with Color Arrangement for Region-Based Tracking," ETRI J., vol. 34, no. 3, pp. 399-409, Jun. 2012.
C. Stauffer, W. Grimson, "Learning Patterns of Activity Using Real-Time Tracking," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 22, no. 8, pp. 747-757, Aug. 2000.
B.D. Lucas and T. Kanade, "An Iterative image Registration Technique with an Application to Stereo Vision," Proc. DARPA Image Understanding Workshop, pp. 121-130, 1981.
J. Shi and C. Tomasi, "Good features to track", Proc. IEEE Comput. Soc. Conf. Comput. Vision and Pattern Recogn., pp. 593-600, 1994.
I. H. Paek, J. H. Im, K. J. Park, and J. K. Paik "Panorama Background Generation and Object Tracking using Pan-Tilt-Zoom Camera," Journal of the Institute of Electronics Engineers of Korea, vol. 45, no. 3, pp. 239-247, May. 2008.
J. H. Im and J. K. Paik "Feature-Based Panoramic Background Generation for Object Tracking in Dynamic Video," Journal of the Institute of Electronics Engineers of Korea, vol. 45, no. 6, pp. 108-116, Nov. 2008.
H. J. Yang, H. Jang and D. S Jeong, "Detection algorithm for road surface condition using wavelet packet transform and SVM", In Proceedings of the 19th Korea-Japan joint workshop on Frontiers of Computer Vision, Incheon, Korea, pp. 323-326, 2013.
N. Dalal and B. Triggs, "Histograms of oriented gradients for human detection," In Proceedings of the Conference on Computer Vision and Pattern Recognition, San Diego, California, USA, pp. 886-893, 2005.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.