[논문]SAD 알고리즘을 이용한 차량 속도 측정

박성일; 문종대; 고영혁

doi:10.7236/jiibc.2014.14.5.73

SAD 알고리즘을 이용한 차량 속도 측정
Vehicle Speed Measurement using SAD Algorithm 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.14 no.5, 2014년, pp.73 - 79

박성일 (동신대학교 정보통신공학과) , 문종대 (동신대학교 전기공학과) , 고영혁 (동신대학교 정보통신공학과)

초록
AI-Helper

본 논문에서는 비디오 시?스에서 차들을 추적하고 검출하기 위해서 비디오와 이미지 처리를 활용하여 고속도로 및 일반 도로상의 교통흐름과 차량의 속도를 계측하는 기법을 제안했다. 제안된 기법은 배경이미지를 평가하기 위해서 비디오 스트림의 처음 프레임을 활용하였다. 비쥬얼 추적 시스템은 프레임 절대 차의 합을 토대로 한 단순한 알고리즘이다. 그것은 각 비디오 프레임으로부터 전경 이미지를 산출하기 위해서 배경화면을 빼고, 각 전경 이미지에 형태적 제거를 실행하고 임계값화 함으로서 임계치 윈도우에서 보인 이진이미지를 산출한다. 첫 번째 하얀 라인과 두번째 하얀 라인사이 거리를 측정하여 차의 위치를 찾았다. 평균속도는 물체의 위치 변화를 장소가 변하는 시간으로 나눔으로서 정의했다. 제시된 기법의 결과는 측정된 데이터와 잘 일치되었고, 실시간으로 결과를 본다.

Abstract ▼ AI-Helper

In this paper, we proposed the mechanism which can measure traffic flow and vehicle speed on the highway as well as road by using the video and image processing to detect and track cars in a video sequence. The proposed mechanism uses the first few frames of the video stream to estimate the background image. The visual tracking system is a simple algorithm based on the sum of absolute frame difference. It subtracts the background from each video frame to produce foreground images. By thresholding and performing morphological closing on each foreground image, the proposed mechanism produces binary feature images, which are shown in the threshold window. By measuring the distance between the "first white line" mark and the "second white line"mark proceeding, it is possible to find the car's position. Average velocity is defined as the change in position of an object divided by the time over which the change takes place. The results of proposed mechanism agree well with the measured data, and view the results in real time.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 종전의 고정식 카메라의 속도 측정 방식인 도로에 루프를 매설해야 한다는 단점을 해결하고자 루프를 매설하지 않고 영상 내에서 두 인접 프레임 사이의 차이 영상을 구하고 제안한 시작과 종료라인을 영상에 적용함으로써 차량을 빠른 시간에 포착하여 영상 내에서 차량의 속도를 측정하는 방법을 제안하였다.

제안 방법

[5][6] 배경 영상과 입력 영상의 차를 구하여 채움(closing)을 한 다음 영상의 픽셀을 분리하는 값을 받아 영상 내에 검지선을 그리도록 하였다.
배경을 생성하게 되면 시간 경과에 따라 여러 환경 요인에 의해 야기 될 수 있기 때문에 배경 영상은 일반적으로 차량 흐름이 없는 상태에서 생성을 해야만 양질의 결과를 얻을 수 있다. 그리고 RGB영상을 영상의 밝기로 변환 한 후에 첫 프레임의 중간 값을 추출 하여 배경 영상을 생성한다.
시스템은 카메라나 동화상 파일로 부터 입력된 RGB의 영상 프레임을 휘도영상으로 만든 후 배경영상을 생성한다. 그리고 배경영상과 오브젝트(주행차량)를 분리시키기 때문에 휘도화상 프레임으로 작성된 배경영상의 차분을 얻어서 2진화하고, 오브젝트 형태 보정으로서 형태적(Morphological) 연산을 실시한다.^[4] 출력영상에서는 주행차량의 추적 마크와 주행대수를 얻을 수 있고, 고속도로 교통량 파악, 주행차량의 자동속도 측정기 등에 응용한다.
실험 영상은 맑은 날 주간에 고정 카메라가 위치 할 수 있는 높이에 카메라를 설치하고 일정 거리를 유지 하였으며, 차량의 속도를 측정하고 검증하기 위하여 차량을 검지선 위치와 매칭 시킬 실제 거리 30M를 영상의 중앙에 오도록 촬영하였다. 또한 준비된 차량은 각각 50[Km/h], 80[Km/h], 90[Km/h]의 속도로 주행하게 하였고 사용된 차량은 최대한의 정확한 속도를 유지하도록 GPS를 이용하여 속도를 유지하였다. 아울러 본문에 설명되어진 SAD를 이용한 차량의 속도계산은 Malab Simulink로 시뮬레이션하여 확인하고, Matlab GUI를 사용하여 실행파일로 작성하였다.
임계값을 정의 할 때 원근감에 의하여 첫 번째 검지선을 지날 때 탐지하는 최소 화소수와 최대 화소수, 두 번째 검지선을 지날 때 탐지 하는 최소 화소수와 최대 화소수의 임계값은 각각 다르다. 만들어진 이진 이미지가 검지선을 지나게 됨으로써 차량을 탐지 하게 되면서 빨간색 직사각형을 생성하게 하였다.
휘도영상으로부터 2진 영상처리는 영상을 오브젝트영역과 배경영역을 분리하기 위해서 행하였고, 형태적(Morphological) 연산은 영상을 2진화 처리한 후에 오브젝트의 오 판정이나 형상을 보정하도록 사용하였다. 본 논문에서는 영상 데이터에 대한 오브젝트의 추출이 데이터 의존성이 크기 때문에 복수의 형태적 연산을 통해서 오브젝트 추출을 행하였다.
분석된 SAD에서 취득한 차량의 검출영역내에서 발생한 차량의 체류시간을 실시간으로 계산하여 출력하게 하였으며 실험의 문제제기에 맞는 결과값이 산출되는지 그림 10과 같은 주행차량 속도 계산 프로그램으로 확인할 수 있도록 하였다.
또한 준비된 차량은 각각 50[Km/h], 80[Km/h], 90[Km/h]의 속도로 주행하게 하였고 사용된 차량은 최대한의 정확한 속도를 유지하도록 GPS를 이용하여 속도를 유지하였다. 아울러 본문에 설명되어진 SAD를 이용한 차량의 속도계산은 Malab Simulink로 시뮬레이션하여 확인하고, Matlab GUI를 사용하여 실행파일로 작성하였다.
차량 추적은 Blob해석을 이용해서 2진화상의 오브젝트 영역에 대한 통계량으로 계산하였다. 오브젝트의 면적(Area)과 오브젝트의 외축에 해당하는 좌표정보(Bounding Box)를 추출하고, 면적의 계산은 오브젝트가 주행차량인가를 판별하는데 사용하였다.^{[3][5][6][7][8]}
입력된 영상과 실제도로의 실측거리를 매칭하기 위한 도구로는 그림 9와 같은 입력도구를 만들어 입력된 영상의 유연성을 확보하게 하였다.
주행중인 차량은 생성된 검지선을 지나게 되면 차 주위에 사각형을 그리는 방법으로 차량 추적을 육안으로 확인할 수 있도록 하였다.
여기서 중요한 것은 50Km/h로 사용된 영상이미지는 프로그램의 초기값을 확인하는 영상으로 사용하였다. 즉, 이미 알고 있는 속도의 영상 이미지를 통하여 검지선의 위치와 실제 도로의 실측거리에 대한 유효성을 확인한 후 다른 속도의 영상내 차량 주행속도를 검출한 것이다. 이와 같은 실험을 통하여 산출된 차량의 속도는 표 1과 같다.
현재 상용되고 있는 고정 카메라의 속도 측정 방법인 루프식처럼 일정한 거리를 측정하고, 획득한 영상만을 가지고 속도를 측정하기 위하여 영상 내에 임의의 시작라인과 종료라인을 생성한다. 따라서 입력된 영상과 실제 도로와의 실거리 관계를 알아야 하는데 입력된 영상의 속성과 실제도로가 얼마나 정확하게 일치하느냐에 따라 산출되는 결과 값의 정확성이 결정된다.
휘도영상으로부터 2진 영상처리는 영상을 오브젝트영역과 배경영역을 분리하기 위해서 행하였고, 형태적(Morphological) 연산은 영상을 2진화 처리한 후에 오브젝트의 오 판정이나 형상을 보정하도록 사용하였다. 본 논문에서는 영상 데이터에 대한 오브젝트의 추출이 데이터 의존성이 크기 때문에 복수의 형태적 연산을 통해서 오브젝트 추출을 행하였다.

대상 데이터

실험에는 일반 PC를 사용하였으며 고속도 화상 정보 처리가 가능한 SONY PC115를 사용 하였다. VCR로부터 취득한 실험용 영상은 320*240화소 크기의 초당 30프레임으로 RGB영상으로 구성된 영상이다.
본 논문에서는 동영상에서 차량 속도측정을 위하여 맑은 주간에 도로를 달리는 차량을 녹화한 영상으로 실험 하였다.
두 방식 모두 연속된 두 프레임의 차이를 이용하지만, 전자는 히스토그램의 bin 차이를 이용하고, 후자는 직접 두 프레임의 pixel 차이를 사용한다. 본 실험에서는 구현이 용이한 후자를 채택했다.
본 실험에서는 이미 주행속도를 알고 있는 영상 이미지 3개를 대상으로 실험을 진행하였고 각각의 영상에 사용된 차량의 속도는 각각 50Km/h, 80Km/h, 90Km/h 이다. 여기서 중요한 것은 50Km/h로 사용된 영상이미지는 프로그램의 초기값을 확인하는 영상으로 사용하였다.
시스템은 카메라나 동화상 파일로 부터 입력된 RGB의 영상 프레임을 휘도영상으로 만든 후 배경영상을 생성한다. 그리고 배경영상과 오브젝트(주행차량)를 분리시키기 때문에 휘도화상 프레임으로 작성된 배경영상의 차분을 얻어서 2진화하고, 오브젝트 형태 보정으로서 형태적(Morphological) 연산을 실시한다.
실험 영상은 맑은 날 주간에 고정 카메라가 위치 할 수 있는 높이에 카메라를 설치하고 일정 거리를 유지 하였으며, 차량의 속도를 측정하고 검증하기 위하여 차량을 검지선 위치와 매칭 시킬 실제 거리 30M를 영상의 중앙에 오도록 촬영하였다. 또한 준비된 차량은 각각 50[Km/h], 80[Km/h], 90[Km/h]의 속도로 주행하게 하였고 사용된 차량은 최대한의 정확한 속도를 유지하도록 GPS를 이용하여 속도를 유지하였다.
실험에는 일반 PC를 사용하였으며 고속도 화상 정보 처리가 가능한 SONY PC115를 사용 하였다. VCR로부터 취득한 실험용 영상은 320*240화소 크기의 초당 30프레임으로 RGB영상으로 구성된 영상이다.
본 실험에서는 이미 주행속도를 알고 있는 영상 이미지 3개를 대상으로 실험을 진행하였고 각각의 영상에 사용된 차량의 속도는 각각 50Km/h, 80Km/h, 90Km/h 이다. 여기서 중요한 것은 50Km/h로 사용된 영상이미지는 프로그램의 초기값을 확인하는 영상으로 사용하였다. 즉, 이미 알고 있는 속도의 영상 이미지를 통하여 검지선의 위치와 실제 도로의 실측거리에 대한 유효성을 확인한 후 다른 속도의 영상내 차량 주행속도를 검출한 것이다.

데이터처리

차량 추적은 Blob해석을 이용해서 2진화상의 오브젝트 영역에 대한 통계량으로 계산하였다. 오브젝트의 면적(Area)과 오브젝트의 외축에 해당하는 좌표정보(Bounding Box)를 추출하고, 면적의 계산은 오브젝트가 주행차량인가를 판별하는데 사용하였다.

이론/모형

그림 7은 첫 번째 검지선과 두 번째 검지선을 지나는 시각을 체크하기 위해서 주행중인 차량의 히스토그램의 변화량이 임계값을 도달할 때 의 파형을 스코프로 연결하여 Matlab Simlink에 의해 측정하였다.^[2][3]

성능/효과

시작점의 시간이 각각 다른 것은 영상 내에서 주행중인 차량이 검지선을 지나는 검출 시간이 각각 다르기 때문이며 검지선에 의한 검출영역에 체류한 시간은 매우 양호하게 계산되었다. 실험결과 주행속도를 알고 있는 영상 이미지 50[Km/h], 80[Km/h], 90[Km/h]로 달리는 주행차량에 대한 프로그램에 의한 계산속도는 각각 50.23[Km/h], 81.20[Km/h], 90.00[Km/h]로 매우 양호하게 산출되었다.
제안된 방법은 SAD알고리즘을 활용해서 고정된 장소에서 50㎞/h, 80㎞/h, 90㎞/h의 속도로 달리는 차량을 녹화하여 시작점과 도착점의 시간을 추출하였고, 추출된 시간차와 거리에 의해서 50.23㎞/h, 81.20㎞/h, 90.00㎞/h의 속도로 계산되었으며 매우 양호하게 일치함을 보였다.

후속연구

그러나 영상을 통하여 입력되는 데이터는 날씨나 도로주변여건, 카메라의 해상도, 프레임의 속도등에 의하여 결과값에 많은 영향을 받을 수 있는 점이 단점이지만 저가의 간단한 시스템만으로도 많은 응용분야를 만들 수 있다는 장점을 동시에 가지고 있다. 따라서 앞으로 영상에 입력된 데이터가 주변 여건에 관계없이 정확하게 속도 측정이 가능한 영상처리에 대한 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	현재 실용되고 있는 차량 속도 계측 시스템의 무인카메라는 구동방식에 따라 어떻게 구분되는가?	현재 실용되고 있는 차량 속도 계측 시스템의 무인카메라는 고정식과 이동식 두 가지가 있으며, 구동방식에 따라 전파를 이용해 측정하는 레이더식, 빛의 반사에 따라 측정하는 레이저식, 감지선에 의해 측정하는 센서식 등 세 가지로 구분 할 수 있다.
	현재 실용되고 있는 차량 속도 계측 시스템의 무인카메라의 종류론 무엇이 있는가?	현재 실용되고 있는 차량 속도 계측 시스템의 무인카메라는 고정식과 이동식 두 가지가 있으며, 구동방식에 따라 전파를 이용해 측정하는 레이더식, 빛의 반사에 따라 측정하는 레이저식, 감지선에 의해 측정하는 센서식 등 세 가지로 구분 할 수 있다.
	고정식 무인카메라 시스템은 어떠한 단점이 있는가?	고정식 무인카메라는 그림 1과 같이 대부분 루프 방식으로 일종의 감지선으로 카메라 전방 20～30m앞에 사각형으로 그려져 있고, 도로에 속도를 읽는 센서를 내장한 두 줄의 루프를 깔고, 그 사이를 지나는 차의 ‘시간’을 측정해 ‘속도’로 환산하는 방법이다.[1] 이 시스템은 루프를 차선 밑에 설치해야 하므로 설치 및 유지 보수의 문제가 있다.

참고문헌 (8)

http://blog.naver.com/gmlwo0216?RedirectLog&logNo60177659791 Speed cameras principles
Matlab/Simulink, Image Acquisition ToolBox, Video and Image Processing Blockset
http://www.cybernet.co.jp Tracking Cars Using Background Estimation
Yong-Ho Moon "An Efficient DCT Calculation Method Based on SDA" The Korean Institute of Communications and Information Sciences Vol. 28, No. 6, pp.602-607, 2003
Beom-Seok Kim, Sung-il Park, Young-Hyuk Ko, "Vision-based Real-time Velocity Detection Method", Proceedings of the Korean Institute of Information and Communication Sciences Conference, pp 301-304, 2006
Beom-Seok Kim, Sung-il Park, Young-Hyuk Ko, "Motion Energy Analysis using SAD", Proceedings of the Korean Institute of Information and Communication Sciences Conference, pp615-618, 2007
Hyeong-Seon Park, Jun-Kyu Yoon, Jong-Han, Lim, "Vehicle Behavior Characteristics According to the Change of Vehicle Speed and Road Vertical Grades", IIBC, VOL. 14 No. 4, pp. 165-172, August 2014

원문보기 상세보기
Kyu-Woong Lee, "Implementation of Video Surveillance System with Motion Detection based on Network Camera Facilities", IIBC, VOL. 14 No. 1, pp.169-177, 2014.

원문보기 상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증