밀도측정을 위한 구간영상 최적 수집주기 결정 연구(서울 외곽순환도로 사패산 터널구간을 대상으로) A Case Study of Panoramic Section Image Collection Method for Measuring Density - with matched images in the Seoul Beltway Sapaesan Tunnel -원문보기
거시적인 3대 교통변수(교통량, 속도, 밀도)와 고속도로 서비스 수준의 효과척도(밀도, 교통량 대 용량비) 모두 해당되는 변수는 밀도이다. 특히 도로의 서비스 수준을 평가함에 있어 가장 정확하고 우수한 효과척도로 알려져 있다. 이러한 중요성에도 불구하고 측정방법의 어려움으로 인해 타 변수에 비해 밀도를 활용한 연구가 상대적으로 부족하였다. 기존 밀도추정방법의 경우 측정시각에 따라 동일한 교통류의 밀도값이 변화하는 등의 한계가 있다. 본 연구에서는 서울외곽순환고속도로 사패산 터널 내부의 CCTV 영상을 정합하여 파노라마 영상을 제작한 후, 제작된 파노라마 영상을 이용하여 실제 밀도를 측정하는 방법을 연구하였다. 중심극한정리를 이용하여 분석한 결과, 1 km 사진 24개(혹은 24초)를 이용하여 밀도를 측정하면 당시 교통상황을 잘 반영할 수 있었다. 즉, 본 연구에서 제시한 밀도 수집 주기를 준수하여 수집한 구간영상으로 밀도를 측정할 경우 측정시각에 관계없이 평균적인 밀도값을 측정할 수 있으며, 현실 교통류를 대변하는 현실적인 밀도를 취득할 수 있다.
거시적인 3대 교통변수(교통량, 속도, 밀도)와 고속도로 서비스 수준의 효과척도(밀도, 교통량 대 용량비) 모두 해당되는 변수는 밀도이다. 특히 도로의 서비스 수준을 평가함에 있어 가장 정확하고 우수한 효과척도로 알려져 있다. 이러한 중요성에도 불구하고 측정방법의 어려움으로 인해 타 변수에 비해 밀도를 활용한 연구가 상대적으로 부족하였다. 기존 밀도추정방법의 경우 측정시각에 따라 동일한 교통류의 밀도값이 변화하는 등의 한계가 있다. 본 연구에서는 서울외곽순환고속도로 사패산 터널 내부의 CCTV 영상을 정합하여 파노라마 영상을 제작한 후, 제작된 파노라마 영상을 이용하여 실제 밀도를 측정하는 방법을 연구하였다. 중심극한정리를 이용하여 분석한 결과, 1 km 사진 24개(혹은 24초)를 이용하여 밀도를 측정하면 당시 교통상황을 잘 반영할 수 있었다. 즉, 본 연구에서 제시한 밀도 수집 주기를 준수하여 수집한 구간영상으로 밀도를 측정할 경우 측정시각에 관계없이 평균적인 밀도값을 측정할 수 있으며, 현실 교통류를 대변하는 현실적인 밀도를 취득할 수 있다.
Density is applied both three major macroscopic traffic variables (traffic volume, speed, and density) and two measures of effectiveness (MOE) for level of service (LOS) on highway (density and V/C). Especially, it is known for the most accurate MOE on evaluating the LOS of highway. Despite such imp...
Density is applied both three major macroscopic traffic variables (traffic volume, speed, and density) and two measures of effectiveness (MOE) for level of service (LOS) on highway (density and V/C). Especially, it is known for the most accurate MOE on evaluating the LOS of highway. Despite such importance, there is a lack of study on density relatively than other variables for its difficulty of measurement. Existing density estimation methods have some limitations such as density values of same traffic flow vary with collecting time. In this study, we researched actual density measuring method with panoramic image, after each CCTV images in the Sapaesan Tunnel on Seoul Ring Expressway are matched into one panoramic image. Analysis through the Central Limit Theorem shows that density of 24 1 km-images, which means 24 second, applies traffic situation well. That is to say that reasonable density value regardless of collecting time, and practical density which represents actual traffic flow can be taken in case of measuring density by suggested collecting cycle.
Density is applied both three major macroscopic traffic variables (traffic volume, speed, and density) and two measures of effectiveness (MOE) for level of service (LOS) on highway (density and V/C). Especially, it is known for the most accurate MOE on evaluating the LOS of highway. Despite such importance, there is a lack of study on density relatively than other variables for its difficulty of measurement. Existing density estimation methods have some limitations such as density values of same traffic flow vary with collecting time. In this study, we researched actual density measuring method with panoramic image, after each CCTV images in the Sapaesan Tunnel on Seoul Ring Expressway are matched into one panoramic image. Analysis through the Central Limit Theorem shows that density of 24 1 km-images, which means 24 second, applies traffic situation well. That is to say that reasonable density value regardless of collecting time, and practical density which represents actual traffic flow can be taken in case of measuring density by suggested collecting cycle.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구는 이러한 밀도 추정 방법의 한계를 극복하기 위해 적절한 영상정보의 수집주기를 도출하고자 하였다.
본 연구의 목적은 밀도 측정 시 예상되는 문제점인 측정 시각에 따라 밀도의 값이 차이가 발생하는 현상을 실제 데이터로 확인하는 것이다. 또한 이를 극복하기 위하여 밀도 측정을 위한 구간영상 수집 방법으로 영상의 수집주기를 결정하는 것이다.
하지만, 밀도의 정의는 특정 시각에 1㎞ 안의 차량 대수로 정의되어 어떤 특정 시각에 밀도를 측정하느냐에 따라 현실을 잘 반영할 수도 있고, 현실과는 다른 값이 측정될 수도 있다. 본 논문에서는 이러한 밀도 측정 방법의 문제점을 실제 데이터를 통해 알아보고 적절한 수집 주기를 시간적(혹은 사진 개수)인 평균값을 사용하는 평균 밀도의 개념으로 제시하였다.
본 논문은 연속류에 소통이 원활할 경우에 한하여 밀도 수집 주기를 제시하였다. 향후 단속류와 정체 시의 데이터를 관찰하여 수집 주기를 알아본다면 영상을 활용한 밀도 검지기의 활용성은 더욱 커질 것으로 예상되며, 현재의 지점 검지기 체계에서의 교통정보의 정확성을 더욱 높일 수 있을 것이다.
본 연구에서는 기존 밀도 측정 방법의 활용시 예상되는 문제점을 현장에서 직접 취득한 실제 데이터를 이용하여 알아보았다. 8개의 CCTV의 동영상을 정합하여 1 ㎞의 파노라마 영상을 생성한 후, 영상안의 차량의 대수를 직접 계수하여 밀도를 측정하였다.
밀도는 1 ㎞ 안의 차량의 대수로 정의된다. 본 연구에서는 파노라마 영상을 만들어 차량의 대수를 정확하게 계수하였다. 파노라마 영상은 한국건설기술연구원에서 개발한 영상정합용 CCTV를 사용하여 촬영하였다.
본 연구의 목적은 밀도 측정 시 예상되는 문제점인 측정 시각에 따라 밀도의 값이 차이가 발생하는 현상을 실제 데이터로 확인하는 것이다. 또한 이를 극복하기 위하여 밀도 측정을 위한 구간영상 수집 방법으로 영상의 수집주기를 결정하는 것이다.
또한 밀도는 초당한 장씩 5분(300초)을 연속적으로 측정하였다. 영상을 이용한 데이터 분석시 발생할 수 있는 문제인 이미지의 중첩 및 영상의 질 등에 의해 발생할 수 있는 현상은 촬영 CCTV의 설치 각도, 화소수 및 위치 등에 의해 발생 또는 해소될 수 있는 사항으로 본 연구에서는 이러한 문제점에 대해서는 다루지 않았다.
이를 좀 더 통계적으로 유의한 사진의 개수를 파악하기 위하여 본 연구에서는 중심극한정리를 사용하여 교통상황이 반영되는 1㎞파노라마 사진의 개수(혹은 수집주기)를 알아보았다.
이는 밀도를 직접 수집할 때, 어떤 특정 시각에 밀도를 수집하느냐에 따라 당시의 교통 상황을 왜곡할 수 있는 문제점이 있음을 시사한다. 이에 본 논문에서는 CLT를 이용하여 몇 초(혹은 몇 개)의 1 ㎞ 사진을 지속적으로 관찰해야만 실제 교통상황이 반영되는 밀도를 측정할 수 있는가를 분석하였다. 그 결과 교통상황의 변화에 관계없이 일정한 수준의 평균 밀도값을 산출하기 위해서는 1㎞ 사진 24개(혹은 24초) 이상의 수집주기를 사용하여야 그 당시의 교통상황을 반영할 수 있는 밀도를 측정할 수 있음을 도출하였다.
제안 방법
본 연구에서는 기존 밀도 측정 방법의 활용시 예상되는 문제점을 현장에서 직접 취득한 실제 데이터를 이용하여 알아보았다. 8개의 CCTV의 동영상을 정합하여 1 ㎞의 파노라마 영상을 생성한 후, 영상안의 차량의 대수를 직접 계수하여 밀도를 측정하였다. 또한 밀도는 초당한 장씩 5분(300초)을 연속적으로 측정하였다.
8기의 CCTV의 영상을 1개의 파노라마 영상으로 영상들을 정합하여 1㎞의 28일과 29일의 구간 영상을 취득(자세한 구간 영상 취득일시는 참조)하였다.
CLT를 사용하여 28일과 29일의 모집단의 평균 차량대수(평균 밀도 7.8, 8.3(pc/㎞/lane))에 근사하는 표본 집단의 개수는 식을 이용하여 산출하였다.
구간 영상을 분석하기에 앞서 본 연구에서는 사패산 터널의 교통류 특성을 파악하기 위해 사패산터널 일산(송추IC)방향 출구부에서 700 m 상류지점에 설치되어 있는 루프 검지기를 이용하여 2013년 11월 28일과 29일 총 2일간 교통량, 속도 및 점유율 등 교통류 데이터를 수집하였고, 밀도는 교통류 상관관계식(Relationship)에 의해 산출하였다. 이때 사용한 지점 검지기의 신뢰도는 95% 이상으로 알려져 있다.
우선 대상지에 설치된 루프 검지기로 수집한 교통량과 속도를 통하여 분석 당시의 대상 구간의 교통 흐름을 알아보았다. 그 다음 1㎞ 구간을 촬영한 폐쇄회로 카메라(Closed-Circuit Television, 이하 CCTV) 동영상을 특정 시각에 파노라마 영상으로 변경하여 구간 안의 차량의 대수를 집계, 밀도를 측정하였다. 특정 시각에 측정한 밀도값이 연속적으로 얼마나 변동되는지를 알아본 후, 중심극한 정리를 통하여 실제 교통 흐름을 알기 위하여 밀도 측정을 어떤 수집주기로 측정하여야 하는가를 알아보았다.
8개의 CCTV의 동영상을 정합하여 1 ㎞의 파노라마 영상을 생성한 후, 영상안의 차량의 대수를 직접 계수하여 밀도를 측정하였다. 또한 밀도는 초당한 장씩 5분(300초)을 연속적으로 측정하였다. 영상을 이용한 데이터 분석시 발생할 수 있는 문제인 이미지의 중첩 및 영상의 질 등에 의해 발생할 수 있는 현상은 촬영 CCTV의 설치 각도, 화소수 및 위치 등에 의해 발생 또는 해소될 수 있는 사항으로 본 연구에서는 이러한 문제점에 대해서는 다루지 않았다.
본 논문에서는 28일과 29일 동안 수집한 초당 1장, 약 300초 동안 1 ㎞ 사진안의 차량 대수를 알고 있다. 초당 1장의 사진이 각각 1번의 밀도를 수집한 것으로 본다면, 300번의 밀도를 측정하였다고 볼 수 있다.
수집 주기를 결정하기 위해서 본 논문에서는 중심 극한정리(Central Limit Theorem, 이하 CLT)를 이용하였다. 1 ㎞ 구간의 차량 대수를 집계한 표본수가 많으면 많을수록 표본의 평균 차량대수(#)의 분포는 평균이 μ(모집단의 평균 차량 대수), 분산이 σ2/n인정규분포에 근사한다는 것이다.
하지만, 현장에서 직접 구하는 밀도의 효용성이 꾸준히 언급되고 있다. 실제로 신규 검지기에서는 교통량, 지점 속도, 점유율뿐만 아니라 영상을 판독하여 밀도를 산출하여 도시부의 정체 정도를 판단하거나 목적지까지 가는데 소요되는 평균 통행시간을 산출하는 기능을 구현하였다. 이는 카메라의 발전과 영상판독 및 인식 기술의 결과이다.
연구의 분석 절차는 다음과 같다. 우선 대상지에 설치된 루프 검지기로 수집한 교통량과 속도를 통하여 분석 당시의 대상 구간의 교통 흐름을 알아보았다. 그 다음 1㎞ 구간을 촬영한 폐쇄회로 카메라(Closed-Circuit Television, 이하 CCTV) 동영상을 특정 시각에 파노라마 영상으로 변경하여 구간 안의 차량의 대수를 집계, 밀도를 측정하였다.
이에 본 논문에서는 5분 동안 각 시각(초당)에 취득한 밀도 300개를 평균하였다. 평균한 값은 28일은 7.
파노라마 영상은 한국건설기술연구원에서 개발한 영상정합용 CCTV를 사용하여 촬영하였다. 일산 방향 터널 출구 방향으로 설치한 8기의 CCTV의 개별 영상을 영상정합 알고리즘을 이용하여 시간을 동기화한 후, 파노라마 동영상으로 만들었다. 이를 다시 초당 1장의 1 ㎞거리를 한 번에 볼 수 있는 파노라마 사진으로 만들어서 차량의 대수를 계수하였다.
그 다음 1㎞ 구간을 촬영한 폐쇄회로 카메라(Closed-Circuit Television, 이하 CCTV) 동영상을 특정 시각에 파노라마 영상으로 변경하여 구간 안의 차량의 대수를 집계, 밀도를 측정하였다. 특정 시각에 측정한 밀도값이 연속적으로 얼마나 변동되는지를 알아본 후, 중심극한 정리를 통하여 실제 교통 흐름을 알기 위하여 밀도 측정을 어떤 수집주기로 측정하여야 하는가를 알아보았다.
파노라마 사진을 이용하여 사진 속의 차량을 직접 계수(Manual Counting) 하였으며 중 차량 보정계수를 사용하여 PC(Passenger Car, 이하 pc)단위로 보정하여 밀도를 측정하였다. 아래의 표는 11월 28일 08:00 ~ 08:05과 11월 29일 18:00 ~ 18:05동안 획득한 600장(날짜별 300장)의 파노라마 사진 속의 차량을 계수하여 측정한 밀도이다.
대상 데이터
밀도측정을 위해 본 연구에서는 , 와 에 음영으로 표기한 바와 같이 오전 첨두에 해당하는 28일 08 ~ 09시 및 오후 첨두시간대인 29일 18 ~ 19시의 구간 영상 데이터를 수집하였다.
본 연구는 서울외곽순환고속도로의 사패산터널에서 수집한 구간 영상자료를 이용하였다. <그림 2>는 분석 대상 구간의 위치를 표시한 것이다.
밀도는 고속도로의 LOS를 결정하는 척도를 사용된다. 연구의 대상지는 고속도로 기본구간으로 밀도가 6 이하는 A등급이며, 28 이상은 F등급이다. 하지만, 28일 그래프에서와 같이 특정 시각에 따라 최대 14.
본 연구에서는 파노라마 영상을 만들어 차량의 대수를 정확하게 계수하였다. 파노라마 영상은 한국건설기술연구원에서 개발한 영상정합용 CCTV를 사용하여 촬영하였다. 일산 방향 터널 출구 방향으로 설치한 8기의 CCTV의 개별 영상을 영상정합 알고리즘을 이용하여 시간을 동기화한 후, 파노라마 동영상으로 만들었다.
성능/효과
LOS B로 분석된 28일 08 ~ 09시 및 29일 16 ~ 19시의 교통량 및 밀도값 또한 LOS A의 한계치인 교통량 700(veh/h/l) 및 밀도 6(veh/h/l)에 가까운 수준으로 서비스 수준의 차이가 거의 없는 것으로 분석되었다. 사패산터널의 교통류 특성을 검토한 결과 전시간 동안 LOS A에서 B 수준으로 속도의 변화가 거의 없는 등 소통 상태의 변화가 거의 없이 안정적인 분포를 보인다.
이에 본 논문에서는 CLT를 이용하여 몇 초(혹은 몇 개)의 1 ㎞ 사진을 지속적으로 관찰해야만 실제 교통상황이 반영되는 밀도를 측정할 수 있는가를 분석하였다. 그 결과 교통상황의 변화에 관계없이 일정한 수준의 평균 밀도값을 산출하기 위해서는 1㎞ 사진 24개(혹은 24초) 이상의 수집주기를 사용하여야 그 당시의 교통상황을 반영할 수 있는 밀도를 측정할 수 있음을 도출하였다.
초당 밀도의 변화를 분석한 결과, 밀도는 LOS A 에서 D까지 큰 차이가 발생했다. 그 당시 교통상황을 알기 위해서 분석 대상지 설치된 루프 검지기 데이터를 분석한 결과, 그 당시 상황은 교통량은 750(veh/h) 수준에 평균 속도는 100(㎞/h)로 LOS B등급 중에서도 상당히 좋은 상태이며 교통량과 속도의 분산도 작은 것을 확인하였다. 이는 밀도를 직접 수집할 때, 어떤 특정 시각에 밀도를 수집하느냐에 따라 당시의 교통 상황을 왜곡할 수 있는 문제점이 있음을 시사한다.
LOS B로 분석된 28일 08 ~ 09시 및 29일 16 ~ 19시의 교통량 및 밀도값 또한 LOS A의 한계치인 교통량 700(veh/h/l) 및 밀도 6(veh/h/l)에 가까운 수준으로 서비스 수준의 차이가 거의 없는 것으로 분석되었다. 사패산터널의 교통류 특성을 검토한 결과 전시간 동안 LOS A에서 B 수준으로 속도의 변화가 거의 없는 등 소통 상태의 변화가 거의 없이 안정적인 분포를 보인다. 밀도 측정을 위해 본 연구에서는 <그림 3>, <그림 4> 와 <표 4>에 음영으로 표기한 바와 같이 오전 첨두에 해당하는 28일 08 ~ 09시 및 오후 첨두시간대인 29일 18 ~ 19시의 구간 영상 데이터를 수집하였다.
수집된 데이터를 분석한 결과, 다음 와 같이 교통량은 19(veh/h/l)에서 최대 847(veh/h/l)의 분포를 보이며 속도는 평균 102(㎞/h), 분산이 15.4(㎞/h)로 변화가 거의 없이 일정하게 나타났다
시간대별 교통량, 속도 및 밀도는 와 같으며, 4차로 교통량을 기준으로 사패산 터널의 LOS를 분석한 결과 28일 08 ~ 09시, 29일 17 ~ 19시에는 LOS B로, 이를 제외한 시간대에서는 모두 LOS A로 분석되었다.
후속연구
향후 단속류와 정체 시의 데이터를 관찰하여 수집 주기를 알아본다면 영상을 활용한 밀도 검지기의 활용성은 더욱 커질 것으로 예상되며, 현재의 지점 검지기 체계에서의 교통정보의 정확성을 더욱 높일 수 있을 것이다. 또한 기상의 영향 및 측정 시각, 측정각도에 의해 발생할 수 있는 문제점 등을 보다 면밀히 검토하여 적용할 경우보다 우수한 교통검지기술을 개발할 수 있을 것이라 판단된다.
([3]) 도로용량편람 [2]에서는 이러한 밀도를 특정 시각, 단위 구간에 들어있는 차량의 대수, 특정 시각에 한 차로를 점유하고 있는 차량의 수를 구간 길이로 나눈 값으로 정의하며, 단위는 1㎞ 구간 안의 차량의 대수로 정의하며, 단위는 pcpkmpl로 표시한다. 밀도가 향후 첨단 교통체계 (Intelligent Transportation Systems, 이하 ITS) 의 진화를 위해서 교통량과 속도와 같이 현장에서 직접 수집할 수 있어야 하며, 더욱 중요한 지표로 활용될 것을 예상하고 있다.([3])
본 논문은 연속류에 소통이 원활할 경우에 한하여 밀도 수집 주기를 제시하였다. 향후 단속류와 정체 시의 데이터를 관찰하여 수집 주기를 알아본다면 영상을 활용한 밀도 검지기의 활용성은 더욱 커질 것으로 예상되며, 현재의 지점 검지기 체계에서의 교통정보의 정확성을 더욱 높일 수 있을 것이다. 또한 기상의 영향 및 측정 시각, 측정각도에 의해 발생할 수 있는 문제점 등을 보다 면밀히 검토하여 적용할 경우보다 우수한 교통검지기술을 개발할 수 있을 것이라 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
기존 밀도추정방법의 한계는 무엇인가?
이러한 중요성에도 불구하고 측정방법의 어려움으로 인해 타 변수에 비해 밀도를 활용한 연구가 상대적으로 부족하였다. 기존 밀도추정방법의 경우 측정시각에 따라 동일한 교통류의 밀도값이 변화하는 등의 한계가 있다. 본 연구에서는 서울외곽순환고속도로 사패산 터널 내부의 CCTV 영상을 정합하여 파노라마 영상을 제작한 후, 제작된 파노라마 영상을 이용하여 실제 밀도를 측정하는 방법을 연구하였다.
본 논문에서 연구한, 제작된 파노라마 영상을 이용하여 실제 밀도를 측정하는 방법을 이용하여 분석한 결과는 어떠한가?
본 연구에서는 서울외곽순환고속도로 사패산 터널 내부의 CCTV 영상을 정합하여 파노라마 영상을 제작한 후, 제작된 파노라마 영상을 이용하여 실제 밀도를 측정하는 방법을 연구하였다. 중심극한정리를 이용하여 분석한 결과, 1 km 사진 24개(혹은 24초)를 이용하여 밀도를 측정하면 당시 교통상황을 잘 반영할 수 있었다. 즉, 본 연구에서 제시한 밀도 수집 주기를 준수하여 수집한 구간영상으로 밀도를 측정할 경우 측정시각에 관계없이 평균적인 밀도값을 측정할 수 있으며, 현실 교통류를 대변하는 현실적인 밀도를 취득할 수 있다.
거시적인 교통변수에는 무엇이 있는가?
거시적인 교통변수에는 교통량, 속도, 밀도가 있다. 이들 중 밀도는 혼잡을 잘 나타내는 지표이다.
참고문헌 (8)
Min-Sung Kim, Ki-Jong Eom, Chung-Won Lee, Density Measurement for Continuous Flow Segment Using Two Point Detectors, Journal of Korean Society of Intelligent Transportation Systems vol. 8 no. 1, 2009
Korea Highway Capacity Manual, Ministry of Land, Infrastructure and Transport, 2013
Adolf D. May, Traffic Flow Fundamentals, Prentice Hall, 1990
Richard Haberman, Mathematical Models, , Prentice Hall, pp.265-394, 1977
Yibing Wang, Markos Papageorgiou1, Real-time freeway traffic state estimation based on extended Kalman filter: a general approach, Transportation Research Part B: Methodological, Volume 39, Issue 2: pp.141-167, 2005
Ajitha, T., Vanajakshi, L., and Subramanian, S., Real-Time Traffic Density Estimation without Reliable Side Road Data, Journal of Computing in Civil Engineering, 2003
Celil Ozkurt, Fatih Camci, AUTOMATIC TRAFFIC DENSITY ESTIMATION AND VEHICLE CLASSIFICATION FOR TRAFFIC SURVEILLANCE SYSTEMS USING NEURAL NETWORKS, Mathematical and Computational Applications, vol. 14, no. 3, pp.187-196, 2009
※ AI-Helper는 부적절한 답변을 할 수 있습니다.