[논문]CCTV 영상처리를 이용한 터널 내 사고감지 알고리즘

백정희; 민주영; 남궁성; 윤석환

doi:10.3745/ktsde.2015.4.2.83

CCTV 영상처리를 이용한 터널 내 사고감지 알고리즘
An In-Tunnel Traffic Accident Detection Algorithm using CCTV Image Processing 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.4 no.2, 2015년, pp.83 - 90

백정희 (숭실대학교 미디어학과) , 민주영 (상지영서대학교 국방정보통신과) , 남궁성 (한국도로공사 도로교통연구원 교통연구실) , 윤석환 (세명대학교 컴퓨터학부)

초록
AI-Helper

현존하는 자동 사고감지 알고리즘의 대부분은 개방도로 혹은 터널 내에서 사고 발생 시 이것을 사고로 감지하지 못하고 혼잡으로 감지하는 경우가 많다는 문제점을 가지고 있다. 본 논문에서는 개방도로에서의 사고감지 알고리즘을 기반으로 터널 내에서의 사고감지 알고리즘을 개선하여 감지율을 높일 수 있는 알고리즘을 제안하였다. 개선된 알고리즘은 가우시안 혼합모델을 이용하여 픽셀의 변화량을 판단하여 터널 내 사고로 인한 정지차량을 우선 감지한 후 도로를 블록화하여 블록 간 점유율의 편차를 분석하여 최종 판단을 한다. 실제 사고영상에 알고리즘을 적용한 실험에서 모두 오류 없이 검지하였음을 확인하였다.

Abstract ▼ AI-Helper

Almost of current Automatic Incident Detection(AID) algorithms involve the vulnerability that detects the traffic accident in open road or in tunnel as the traffic jam not as the traffic accident. This paper proposes the improved accident detection algorithm to enhance the detection probability based on accident detection algorithms applied in open roads. The improved accident detection algorithm provides the preliminary judgment of potential accident by detecting the stopped object by Gaussian Mixture Model. Afterwards, it measures the detection area is divided into blocks so that the occupancy rate can be determined for each block. All experimental results of applying the new algorithm on a real incident was detected image without error.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문에서는 터널 내 사고 판단 기준을 다음과 같이 설정하고 이를 기반으로 사고를 감지하도록 하였다.
VITUS-1(Video Image Analysis for TUnnel Safety)은 VITUS-2의 근간이 되는 연구로, 터널내 영상 기반 돌발 상황 감지 시스템 도입을 위해 총 6개 분야(Work Package: WP1～WP6)에 대해 연구를 진행하였다[8-9]. 이 중 WP2는 영상 기반 돌발 상황 감지 시스템에 적용 가능한 최적의 영상 센서에 대한 장단점을 분석하고, 돌발 상황과 관련된 영상을 DB화하여 VITUS-1에서 개발한 알고리즘을 시험 및 검증하기 위한 기초자료로 사용하기 위한 연구를 수행하였다. 특히 영상 센서의 분석을 위해 영상 프레임률, 해상도, 빛에 의한 감도, 신호-노이즈율(signal-to-noise rate), 영상 번짐(smearing) 또는 흐려짐(blurring) 등의 요소를 고려하여 CCD와 CMOS 센서에 대해 분석하였으며, 분석 결과 터널 조명 등의 환경조건을 고려하여 영상센서를 선택적으로 도입해야 한다는 결론을 내렸다.
이러한 배경하에서, 본 논문은 우선 터널 내 사고감지 알고리즘의 특징을 분석하고, 개방도로(open road)에서의 사고 감지 알고리즘[7]을 기반으로 터널 내에서의 사고감지 알고리즘을 개선하여 사고 감지율을 높일 수 있도록 알고리즘을 제안한다. 본 논문의 구성은 다음과 같다.

가설 설정

GMM은 영상 내 픽셀의 변화량이 이전 프레임을 통한 분포를 가지며 그 분포는 일반적으로 일정한 평균값과 표준편차의 가우시안 분포를 따른다는 전제하에, 프레임 시퀀스에 따라 픽셀값의 상태가 다양하게 변화하고 이 분포가 가우시안 분포를 따른다고 가정한다.

제안 방법

본 논문의 구성은 다음과 같다. 2절에서 터널 내 사고감지 알고리즘의 특징과 기존의 연구를 살펴보고, 3절에서 개선된 터널 내 사고감지 알고리즘을 제안한다. 4절에서는 제안한 알고리즘에 대한 실험과 그 결과를 제시하고 5절에서 결론 및 향후 연구방향을 제시하였다.
본 연구의 터널 내 사고감지 알고리즘은 가우시안 혼합 모델(GMM, Gaussian Mixture Model)알고리즘을 이용한 배경영상 시퀀스로 정차차량을 감지하는 1차 사전감지 단계와 이 정차차량이 사고로 인한 정차인지를 판단하는 블록 간점유율 편차에 의한 1차 사고확정 판단 단계로 구성되어있다. 또한 1차 사전감지 단계의 정확도를 높이기 위해 사고 후 차량 파편의 심각도를 고려하였다. 본 알고리즘의 흐름은 Fig.
이런 경우 정체로 인한 정차와 사고로 인한 정차를 구분하지 못하고 사고감지를 하는 오감지가 발생하는 경우가 많다. 본 알고리즘을 적용한 실험에서는 사고로 판단하였다.
본 연구의 터널 내 사고감지 알고리즘은 가우시안 혼합 모델(GMM, Gaussian Mixture Model)알고리즘을 이용한 배경영상 시퀀스로 정차차량을 감지하는 1차 사전감지 단계와 이 정차차량이 사고로 인한 정차인지를 판단하는 블록 간점유율 편차에 의한 1차 사고확정 판단 단계로 구성되어있다. 또한 1차 사전감지 단계의 정확도를 높이기 위해 사고 후 차량 파편의 심각도를 고려하였다.
실제 터널 내 사고영상 총 10건(Table 1)을 대상으로 본 알고리즘을 적용하여 사고감지를 실험하였다. 실험에 사용한 사고영상은 한국도로공사(EX)에서 제공한 사고영상과 한국터널공학회(KTA)에서 제공한 터널 내 Traficon 영상감지기를 통한 유고감지 성능 현장실험 영상 등이다.
국내 연구로 가우시안 혼합모델(Gaussian Mixture Model, GMM)과 수학적 형태학 처리(Mathematical Morphological Processing, MMP) 기법을 적용한 차량 감지 알고리즘[4]이제안되었다. 이 방법은 프레임 간 GMM 배경 추정을 적용함으로써 터널 내에 설치된 일정한 간격의 조명과 영상잡음에 대하여 효과적인 배경을 추정하며, GMM 배경 추정과 차영상(difference image)으로부터 검출된 객체(차량)가 정확히 한 대씩 레이블링(labeling)이 안 되는 것을 해결하기 위해 MMP를 통하여 2개 이상의 분리된 객체를 하나의 객체로 분리(segmentation)함으로써 차량객체의 검출 오류를 감소시키는 방법을 제안하였다. 그러나 이 방법은 교통량이 적은 터널 내에서는 효과적일 수 있으나, 혼잡한 상황에서는 오히려 2대의 차량을 각각 분리하는 데 한계가 있어 실 영상에 발생하는 모든 경우에 적용하기에는 어려움이 있다.
일정 시간 단위별로 배경영상 시퀀스에 저장하여 사고차량인지를 확인하는 사전 판단 단계 후 최종 판단 단계로 블록 간 점유율의 편차를 분석하여 최종적으로 사고여부를 판단하는 기준으로 적용하였다. 이 방법을 적용하여 사고가 아닌 경우를 사고로 판단하는 오감지를 방지할 수 있도록 하였다. 본 연구에서 제시한 알고리즘을 구현하여 터널 내 사고영상에 적용한 실험에서 모든 영상에 대하여 사고를 감지하였음을 확인하였다.
경미한 사고나 또는 대형사고 모두 사고가 발생한 지점에는 사고차량이 정차하게 되는 경우 가우시안 혼합모델을 이용하면 사고차량 역시 배경영상으로 저장된다. 이를 개선하기 위해 본 연구에서는 배경영상 이미지 I(X,Y )만의 시퀀스를 n초 간격으로 만들어 버퍼에 저장한 후 일정시간 간격의 배경영상 이미지간의 차이를 구해 임계값이 넘는 영역에 대해 사고차량이라고 감지하였다(이미지 I_k와 I_{k - 1}는 n초 간격으로 생성된다.(0≤k≤N)).
이러한 특징을 이용하여 정체로 인한 정지 차량을 사고차량으로 감지되는 것을 보완할 수 있다. 이를 위해 차량 파편 분포의 심각도를 산출하여 사고임을 판단하는 알고리즘을 제안한다. 차량 파편 분포의 심각도는 배경 영상의 사고차량 감지 방법에서 차선을 제외한 차량 파편의 정도를 계산하며, 이것이 일정 임계값을 넘을 경우 사고로 판단하게 된다.
특히 이 과정에서 개방도로와 달리 터널 내 사고에서는 차량의 파편이 많이 발생한다는 특징을 고려하여 도로의 파편을 감지하여 사고 판단 여부에 적용하였다. 일정 시간 단위별로 배경영상 시퀀스에 저장하여 사고차량인지를 확인하는 사전 판단 단계 후 최종 판단 단계로 블록 간 점유율의 편차를 분석하여 최종적으로 사고여부를 판단하는 기준으로 적용하였다. 이 방법을 적용하여 사고가 아닌 경우를 사고로 판단하는 오감지를 방지할 수 있도록 하였다.
터널 내 사고를 감지하기 위하여 각종 감지기가 터널 안에 설치되어있으나, 그중에서도 가장 많이 쓰이는 CCTV 영상 시스템을 중심으로 터널 내에서의 차량 감지와 사고감지 알고리즘을 제안하였다. 본 논문에서 제안한 알고리즘은 GMM을 이용하여 픽셀의 변화량을 판단하여 터널 내 사고로 인한 정지차량을 우선 감지하였다.
본 논문에서 제안한 알고리즘은 GMM을 이용하여 픽셀의 변화량을 판단하여 터널 내 사고로 인한 정지차량을 우선 감지하였다. 특히 이 과정에서 개방도로와 달리 터널 내 사고에서는 차량의 파편이 많이 발생한다는 특징을 고려하여 도로의 파편을 감지하여 사고 판단 여부에 적용하였다. 일정 시간 단위별로 배경영상 시퀀스에 저장하여 사고차량인지를 확인하는 사전 판단 단계 후 최종 판단 단계로 블록 간 점유율의 편차를 분석하여 최종적으로 사고여부를 판단하는 기준으로 적용하였다.

대상 데이터

블록별 점유율의 편차 분석에 의한 사고감지 처리 절차는 다음과 같다. 감지영역을 N개의 블록(B1, B2, B3, ... )으로 나누어 준비한다.
실제 터널 내 사고영상 총 10건(Table 1)을 대상으로 본 알고리즘을 적용하여 사고감지를 실험하였다. 실험에 사용한 사고영상은 한국도로공사(EX)에서 제공한 사고영상과 한국터널공학회(KTA)에서 제공한 터널 내 Traficon 영상감지기를 통한 유고감지 성능 현장실험 영상 등이다. 실험 결과 모든 영상에 대하여 사고를 감지하였다.

성능/효과

국외 연구로 [2]에서는 가장 보편적인 방법으로 사고차량을 감지하였는데, 터널 내 낮은 조도로 인한 차량 감지의 어려움을 해결하기 위하여 전처리(pre-processing)로 영상에서 고주파 영역(high-pass domain)만 통과시켜 차량의 윤곽을 추출하고, 이 전처리 영상과 배경영상과의 차영상을 구하고 모폴로지(Morphology) 연산을 통하여 1차 차량을 검출하였고 여기에 블롭 그룹핑(blob grouping)과 차량인지의 검증을 통해 사고차량을 감지하는 방법을 제안하였다. 그러나 이 방법은 실험 결과 배경 영상에서 노이즈가 많이 발생하여 차량 감지의 정확도가 20% 정도 저하되는 문제가 있었다.
터널 내 사고를 감지하기 위하여 각종 감지기가 터널 안에 설치되어있으나, 그중에서도 가장 많이 쓰이는 CCTV 영상 시스템을 중심으로 터널 내에서의 차량 감지와 사고감지 알고리즘을 제안하였다. 본 논문에서 제안한 알고리즘은 GMM을 이용하여 픽셀의 변화량을 판단하여 터널 내 사고로 인한 정지차량을 우선 감지하였다. 특히 이 과정에서 개방도로와 달리 터널 내 사고에서는 차량의 파편이 많이 발생한다는 특징을 고려하여 도로의 파편을 감지하여 사고 판단 여부에 적용하였다.
CCTV 카메라에서 멀리 떨어진 지점에서 사고가 났을 경우 정지차량의 크기가 작게 나타나 사고차량으로 감지하는 데 어려움이 있다. 본 연구에서 제시한 알고리즘 적용한 결과에서는 사고가 감지되었다.
이 방법을 적용하여 사고가 아닌 경우를 사고로 판단하는 오감지를 방지할 수 있도록 하였다. 본 연구에서 제시한 알고리즘을 구현하여 터널 내 사고영상에 적용한 실험에서 모든 영상에 대하여 사고를 감지하였음을 확인하였다. 사고지점이 카메라에서 먼 경우 사고차량이 작게 나타나 사고감지가 어려우나 이 경우도 사고로 감지하였으며, 정체로 인한 정차와 사고로 인한 정차를 구별하여 사고로 감지하였다.
블록별 교통 정보는 within블록(블록 내)과 between블록(블록 간)의 상관관계로 판단하고, 사고인 경우 within블록의 점유율은 높거나 또는 낮은 반면, between블록 점유율은 크게 나타나는 것으로 판단한다. 즉, Fig.
실험에 사용한 사고영상은 한국도로공사(EX)에서 제공한 사고영상과 한국터널공학회(KTA)에서 제공한 터널 내 Traficon 영상감지기를 통한 유고감지 성능 현장실험 영상 등이다. 실험 결과 모든 영상에 대하여 사고를 감지하였다.
11에서 보는 바와 같이 실험에 사용한 사고영상 중 2건은 사고로 인한 차량 파편이 도로에 있는 경우이다. 차량 파편의 심각도 분석을 통하여 배경영상에서의 사고차량 감지 방법에서 차선을 제외한 차량 파편의 정도를 계산하여 이것이 일정 임계값을 넘을 경우 사고로 판단하는 경우로 실험한 결과 모두 사고로 판단하여 감지할 수 있었다.
이 중 WP2는 영상 기반 돌발 상황 감지 시스템에 적용 가능한 최적의 영상 센서에 대한 장단점을 분석하고, 돌발 상황과 관련된 영상을 DB화하여 VITUS-1에서 개발한 알고리즘을 시험 및 검증하기 위한 기초자료로 사용하기 위한 연구를 수행하였다. 특히 영상 센서의 분석을 위해 영상 프레임률, 해상도, 빛에 의한 감도, 신호-노이즈율(signal-to-noise rate), 영상 번짐(smearing) 또는 흐려짐(blurring) 등의 요소를 고려하여 CCD와 CMOS 센서에 대해 분석하였으며, 분석 결과 터널 조명 등의 환경조건을 고려하여 영상센서를 선택적으로 도입해야 한다는 결론을 내렸다. 2011년 현재 VITUS-2는 VITUS-1에서 정의한 사고 감지 알고리즘을 적용한 프로토타입(Prototype)시스템을 Plabutsch 터널에서 운영하고 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	터널 내 사고감지 시스템으로 무엇을 고려할 수 있는가?	터널 내 사고감지 시스템으로는 루프 감지 시스템(Loop Detection System), 레이더 감지기, CCTV 감지지 등을 고려할 수 있는데, 이 중에서 가장 많이 쓰이는 시스템은 CCTV를 이용한 자동사고감지시스템(Automatic Incident Detection,AID)이다. 독일, 스페인, 프랑스, 영국, 노르웨이 등에서는 터널 내 CCTV를 법적으로 의무 설치하도록 하고 있다[5].
	터널 내 사고감지를 위해 어떤 방법이 제안되고 있는가?	터널 내 사고감지를 위하여 목표물체(차량)를 감지하는 방법, 차량의 궤적을 추적하는 방법과 통계적인 방법 등이제안되고 있다. 또한 여러 컴퓨터 비전 알고리즘의 조합을 통해 터널 내 정지차량, 저속 교통 흐름, 개별차량의 속도와 차량 분리(vehicle classification) 등 사고 발생과 관련된 여러 데이터에 대한 분석 및 감지를 하고 있다[8].
	가우시안 혼합모델과 수학적 형태학 처리기법을 적용한 차량 감지 알고리즘의 단점은 무엇인가?	이 방법은 프레임 간 GMM 배경 추정을 적용함으로써 터널 내에 설치된 일정한 간격의 조명과 영상잡음에 대하여 효과적인 배경을 추정하며, GMM 배경 추정과 차영상(difference image)으로부터 검출된 객체(차량)가 정확히 한 대씩 레이블링(labeling)이 안 되는 것을 해결하기 위해 MMP를 통하여 2개 이상의 분리된 객체를 하나의 객체로 분리(segmentation)함으로써 차량객체의 검출 오류를 감소시키는 방법을 제안하였다. 그러나 이 방법은 교통량이 적은 터널 내에서는 효과적일 수 있으나, 혼잡한 상황에서는 오히려 2대의 차량을 각각 분리하는 데 한계가 있어 실 영상에 발생하는 모든 경우에 적용하기에는 어려움이 있다.

참고문헌 (14)

C. Naussbaumer, "Comparative analysis of safety in tunnels," in Young Reseachers Seminar 2007, European Conference of Transport Research Institutes, 2007.
F. Andres, O. N. Jorge, J. Vedran, P. Aleksandra and P. Wilfried, "A Mathematical Morphology based Approach for Vehicle Detection in Road Tunnels," in Proceedings of SPIE, the International Society for Optical Engineering, Vol.8135, 2011.
e-Narajipyo, Statistics of Road bridges and tunnels in Korea[internet], http://www.index.go.kr/potal/main/EachDtlPageDetail.do?idx_cd1213.
H. T. Kim, G. H. Lee, J. S. Park, and Y. S. Yu, "Vehicle Detection in Tunnel using Gaussian Mixture Model and Mathematical Morphological Processing," Journal of the Korea Institute of Electronic Communication Sciences, Vol.7, No.5, pp.967-974, 2012.
B. Martin, S. Vogler, C. Diers, M. Martens, J. Lacroix, M. Steiner, P. Schmitz, and M. Serrano, "Recommendations for the enhancement of Preventive Tunnel safety," SafeT Work package 2 Final Report, 2005.
Ministry of Land, Infrastructure and Transport, "The National Guideline for the Installation and Management of Road Tunnel Fire Safety Facilities," Seoul: Ministry of Land, Infrastructure and Transport, 2009.
J. Oh, J. Y. Min, "Gaussian background mixture model based automatic incident detection system for real-time tracking," Canadian Journal of Civil Engineering, Vol.38, pp.1158-1169, 2011.

상세보기
H. Schwabach, M. Harrer, W. Holzmann, H. Bischof, G. Fernandez Dominguez, M. Noolle, R. Pflugfelder, B. Strobl, A. Tacke, and A. Waltl, "VIDEO BASED IMAGE ANALYSIS FOR TUNNEL SAFETY-VITUS-1: A TUNNEL VIDEO SURVEILLANCE AND TRAFFIC CONTROL SYSTEM," in Proceedings of the 12th World Congress on Intelligent Transport Systems, 2005.
Korea Expressway Cooperation, "A Study on Constructing Evaluation method of Video Incident Detection system in Freeway Tunnels and Extended application plans," Vol.1-Vol.4, 2012.
J. Versavel, B. Boucke, "Operational Traffic Management by Using Video Detection," ITS America. Meeting (8th: 1998: Detroit, Mich.), Transportation technology for tomorrow: conference proceedings. 1998.
B. Strobl, M. Harrer, G. Zoffmann, H. Bischof, A. Tacke, A. Waltl, C. Beleznai, M. Dittrich, H. Grabner, H. Schwabach, and G. Fernadez Dominguez, "VITUS-TUNNEL SAFETY THROUGH VIDEO BASED IMAGE ANALYSIS," Proceedings Of The 13th ITS WORLD CONGRESS, London, 8-12th, Oct., 2006.
H. Rakha, B. Hellinga, and M. V. Aerde, "Testbed for Evaluating Automatic Incident Detection Algorithms," in Intelligent Transportation System Safety and Security Conference, Miami, 24-25th Mar., 2004.
J. J. Reijmers, Traffic Guidance System[internet] http://www.pn.ewi.tudelft.nl/education/et-024/notes/h12.pdf
C. Stauffer, W. Grimson, "Adaptive background mixture models for real-time tracking," Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp.246-252, 1999.

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