[논문]딥러닝 기반 터널 내 이동체 자동 추적 및 유고상황 자동 감지 프로세스 개발

이규범; 신휴성; 김동규

doi:10.9711/ktaj.2018.20.6.1161

딥러닝 기반 터널 내 이동체 자동 추적 및 유고상황 자동 감지 프로세스 개발
Development of a deep-learning based automatic tracking of moving vehicles and incident detection processes on tunnels 원문보기

Journal of Korean Tunnelling and Underground Space Association = 한국터널지하공간학회논문집, v.20 no.6, 2018년, pp.1161 - 1175

이규범 (한국건설기술연구원 미래융합연구본부, 과학기술연합대학원대학교(UST) 스마트도시건설융합) , 신휴성 (한국건설기술연구원 미래융합연구본부) , 김동규 (한국건설기술연구원 인프라안전연구본부)

초록
AI-Helper

도로 터널의 주행은 시야의 제한으로 인해 유고상황이 발생한 후 2차 대형사고로 이어지기 쉽다. 따라서, 유고상황 발생 즉시, 상황을 자동 감지하여 신속히 초동대응이 이루어 져야 한다. 유고상황을 자동으로 감시할 수 있는 시스템은 기존에도 존재했지만, 폐합된 터널 내 열악 환경에서 촬영되는 CCTV 영상의 질적 한계로 인해 유고상황을 제대로 감지하지 못했다. 이러한 한계를 극복하기 위해 딥러닝을 기반으로 한 터널 영상유고 자동 감지 시스템을 개발하였으며, 지난 2017년 11월 딥러닝 객체 인식 네트워크에 대한 연구를 진행하여 우수한 객체인식 성능을 보인바 있다. 그러나 객체인식은 정지영상 기반으로 수행되므로 이동체의 이동방향과 속도를 알 수 없어, 정차 및 역주행 등 이동체의 이동특성에 따른 유고상황을 판단하기 힘들다. 본 논문에서는 객체인식으로 감지된 이동체의 객체정보를 기반으로 별도의 객체추적기법을 적용하여 이동체의 이동 특성을 자동으로 추적하는 프로세스를 제안하였다. 이를 통해 얻어진 이동체의 이동 방향과 속도 정보를 기반으로 정차 및 역주행을 판별하는 알고리즘을 개발하여 딥러닝 기반 터널 영상유고 자동감지 시스템을 완성하였다. 또한, 유고상황이 포함된 영상들에 대하여 유고상황 감지성능을 검증하였다. 검증 실험 결과, 화재, 정차와 역주행 상황에 대해서는 모두 100% 수준으로 완전한 유고상황 감지성능을 보였으나, 보행자 발생 상황에서는 78.5%로 상대적으로 낮은 성능을 보였다. 하지만, 향후 지속적인 영상유고 영상 빅데이터를 확장해 나가고 주기적인 재학습을 통해 유고상황에 대한 인지성능을 향상시켜 나갈 수 있을 것이다.

Abstract ▼ AI-Helper

An unexpected event could be easily followed by a large secondary accident due to the limitation in sight of drivers in road tunnels. Therefore, a series of automated incident detection systems have been under operation, which, however, appear in very low detection rates due to very low image qualities on CCTVs in tunnels. In order to overcome that limit, deep learning based tunnel incident detection system was developed, which already showed high detection rates in November of 2017. However, since the object detection process could deal with only still images, moving direction and speed of moving vehicles could not be identified. Furthermore it was hard to detect stopping and reverse the status of moving vehicles. Therefore, apart from the object detection, an object tracking method has been introduced and combined with the detection algorithm to track the moving vehicles. Also, stopping-reverse discrimination algorithm was proposed, thereby implementing into the combined incident detection processes. Each performance on detection of stopping, reverse driving and fire incident state were evaluated with showing 100% detection rate. But the detection for 'person' object appears relatively low success rate to 78.5%. Nevertheless, it is believed that the enlarged richness of image big-data could dramatically enhance the detection capacity of the automatic incident detection system.

주제어

표/그림 (12)

그림 Fig. 1. Object tracking process using bounding box information
그림 Fig. 2. Reverse driving-stopping detection process using tracking bounding boxes
그림 Fig. 3. Concept of IoL (Intersection over Line)
그림 Fig. 4. Deep learning and tracking based incident detection processes
표 Table 1. Object tracking success or failure with respect to video frame rate
그림 Fig. 5. 3 types of evaluation about tunnel incident detection system
표 Table 2. Composition of tunnel incident video bigdata
그림 Fig. 6. Test results of Faster R-CNN model
그림 Fig. 7. Composition of the tunnel incident detection system
그림 Fig. 8. Composition of deep learning based incident inference module
그림 Fig. 9. Multitasking process of inference core module
표 Table 3. Tunnel incident detection results

AI 본문요약
AI-Helper

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

문제 정의

그리고 본격적으로 딥러닝을 통한 열악한 터널 영상환경에 대응할 수 있는 시스템을 개발하기 위해 딥러닝 객체인식 네트워크에 대한 연구를 진행하였다. 객체인식이란 정지영상 내에 있는 어떤 물체를 인식해 위치와 종류를 구별해내는 것을 말한다(Lee et al.
따라서 30 fps의 영상 중, 일정 간격마다 정지영상의 객체인식 및 추적을 하면 계산할 양을 줄이면서 정확한 객체추적이 가능하다. 본 논문에서는 객체인식 및 추적 프로세스를 효율화시키기 위하여 객체인식 및 추적 프로 세스에 주어지는 정지영상 프레임 간격에 대한 객체추적 성능 검토 실험을 진행하였다.
본 논문에서는, 기존 연구에서 개발된 딥러닝 기반 터널 이동객체 인식 및 이동체 추적 성능을 향상시키기 위하여, 객체인식 과정과 이동 객체 추적 과정을 연계 통합하여 하나의 프로세스를 구성하고 보다 효과적으로 터널 진입 이동체의 초기 객체인식과 이동특성 추적을 진행하고, 이동체에 발생 가능한 유고상황을 실시간으로 감지함 으로써 터널 영상유고 자동 감지 성능을 향상 시킬 수 있도록 하였다. 본 논문에서는 객체인식과 이동객체 추적 고정이 통합된 새로운 구성의 객체인식 프로세스를 소개하고, 주어진 CCTV영상의 해상도와 무관하게 이동체의 유고 상황을 안정적으로 판단할 수 있는 정차-역주행 판단 알고리즘을 정리해 소개한다. 그리고 터널 영상유고감 지시스템을 개발하면서 실험을 통해 딥러닝 객체인식 네트워크의 객체인식 성능을 평가하며, 원래 영상의 초당 정지영상의 수를 바탕으로 객체인식 및 추적의 정지영상 간격 및 정차-역주행 판별 알고리즘의 계수를 정하였다.
본 논문에서는, 기존 연구에서 개발된 딥러닝 기반 터널 이동객체 인식 및 이동체 추적 성능을 향상시키기 위하여, 객체인식 과정과 이동 객체 추적 과정을 연계 통합하여 하나의 프로세스를 구성하고 보다 효과적으로 터널 진입 이동체의 초기 객체인식과 이동특성 추적을 진행하고, 이동체에 발생 가능한 유고상황을 실시간으로 감지함 으로써 터널 영상유고 자동 감지 성능을 향상 시킬 수 있도록 하였다. 본 논문에서는 객체인식과 이동객체 추적 고정이 통합된 새로운 구성의 객체인식 프로세스를 소개하고, 주어진 CCTV영상의 해상도와 무관하게 이동체의 유고 상황을 안정적으로 판단할 수 있는 정차-역주행 판단 알고리즘을 정리해 소개한다.

제안 방법

차량 객체의 개수는 252,416개, 보행자 객체의 개수는 33,374개, 화재 객체의 개수는 857개인데, 도로터널의 영상은 차량이 통행하는 영상이 대부분 이므로 보행자 객체나 화재 객체보다 차량 객체의 수가 훨씬 많다. 각 정지영상마다 정지영상 내에 존재하는 차량, 화재, 보행자에 대한 위치정보가 포함된 데이터로 구성되었고, 딥러닝 모델 제작을 위한 딥러닝 학습에 활용되었다.
본 논문에서는 객체인식과 이동객체 추적 고정이 통합된 새로운 구성의 객체인식 프로세스를 소개하고, 주어진 CCTV영상의 해상도와 무관하게 이동체의 유고 상황을 안정적으로 판단할 수 있는 정차-역주행 판단 알고리즘을 정리해 소개한다. 그리고 터널 영상유고감 지시스템을 개발하면서 실험을 통해 딥러닝 객체인식 네트워크의 객체인식 성능을 평가하며, 원래 영상의 초당 정지영상의 수를 바탕으로 객체인식 및 추적의 정지영상 간격 및 정차-역주행 판별 알고리즘의 계수를 정하였다. 이론적으로 완성된 딥러닝 기반 터널 영상유고감지시스템을 기반으로 실제 시스템의 구성 및 전주기 시스템의 개발, 최적화과정을 진행하여 실제 터널 영상유고감지 시스템을 완성하였다.
딥러닝 모델의 학습 및 터널 영상유고 감지 전주기 시스템은 리눅스 운영체계에서 운영되며, 48,826장의 정지 영상을 10번 반복하여 28시간을 NVIDIA GTX 1070 그래픽카드로 학습하였다. 딥러닝 모델은 모델 구조의 대부분이 딥러닝으로 이루어져 있는 Faster R-CNN을 사용한다(Ren et al.
이를 위해 터널 방재시설 및 관리지침 내 영상유고감지 항목 중, 정차 및 역주행 중인 차량을 감지하는 주요정보인 차량 객체의 인식과 보행자 감지를 중심으로 진행되었다. 딥러닝의 학습 및 추론은 (1) 동일한 터널의 CCTV영상만을 이용해 학습과 추론이 이루어지는 경우와 (2) 다양한 터널의 CCTV영상 정보를 통합하여 학습하고, 각 터널의 영상유고감지에 투입하는 경우로 나누어 객체인식의 추론성능을 검증하였다. 그 결과, 일정 시간의 학습자료와 유사한 경우엔 터널의 열악한 환경과 무관하게 감지성능이 우수 하였지만, 학습된 시간과 멀어질수록 그 추론성능은 상대적으로 낮은 추론성능을 보였다(Shin et al.
이를 일관성 부족 정상검지(Not consistent true detection)로 표현한다. 따라서 정상검지와 오검지를 구분하여 터널 영상유고시스템을 평가하였다.
이론적으로 완성된 딥러닝 기반 터널 영상유고감지시스템을 기반으로 실제 시스템의 구성 및 전주기 시스템의 개발, 최적화과정을 진행하여 실제 터널 영상유고감지 시스템을 완성하였다. 또한 유고상황의 정상 검지, 유고상 황의 지속적 검지, 유고상황의 오검지 3가지 측면에서 시스템을 평가해 딥러닝 기반 터널 영상유고감지 시스템의 우수한 유고상황 검지성능을 논하였다.
본 논문에서 제시된 딥러닝 기반 터널 영상유고 자동감지 프로세스에 대한 성능평가를 수행하였다. Fig.
본 논문에서는 유고상황의 정상검지와 오검지를 별개의 요소로 구별해서 평가를 진행하였다. 반면에 정상검지를한 시점에서 놓쳤다 하더라도 짧은 시간 내에 검지된다면 크게 문제가 되지 않는다.
본 논문은 딥러닝 기반 터널 영상유고 감지 시스템의 개발을 위해 딥러닝 객체인식 네트워크를 바탕으로 객체 추적 알고리즘 및 정차-역주행 판별 알고리즘을 추가로 수립하여 반영하고, 체계적인 전주기 시스템 구성을 완성 하였다. 이를 바탕으로 전주기 시스템의 최적화를 통해 9채널의 CCTV 카메라를 동시에 처리 가능함을 보였으며, 유고상황 모니터링 상황에서 어색함이 없음을 확인하였다.
본 논문은 차량 객체 위치정보를 바탕으로 시간에 따른 객체추적을 진행하며, Fig. 1과 같이 나타낼 수 있다. 객체추적을 진행하기에 앞서 각 시간에서의 정지영상(Image frame)을 바탕으로 객체인식을 진행하여 이동 객체의 경계박스 행렬을 얻는다.
실제로 구성된 전주기 시스템을 평가하기 위해서 23개의 영상 빅데이터를 바탕으로 딥러닝 객체인식 모델을 학습하여 구성하고, 유고상황이 포함된 18개의 영상에 대하여 전주기 시스템이 유고상황 검출 성능을 진행하였다. 이를 통해 다음과 같은 결론을 얻었다.
이론적으로 정립된 딥러닝 기반 터널 영상유고 감지 프로세스를 기반으로 현장에 적용 가능한 터널 영상유고 감지 전주기 시스템을 구현하였다. 여기서, 객체인식 시스템에는 가용한 터널 유고영상 빅데이터를 학습하고 추론성능이 검증된 딥러닝 모델이 준비되어야 하며, 사전 연구를 통해 성능 검증된 터널 이동객체 딥러닝 추론 모델을 적용하였다(Shin et al.
, 2017a). 이를 위해 2개의 도로현장의 교통류 CCTV 영상의 일부를 이용해 전통적인 영상처리기법으로 영상 내부로 진입하는 차량을 감지해 이동경로를 추적하면서 일정 시간 간격으로 이동 차량의 좌표와 시간 정보를 추출해 학습자료를 구성하였다. 이 학습자료를 바탕으로 인공신경망 모델을 구성해 학습을 진행한 결과, 어떠한 사전 규칙설정 없이도 교통류의 특징들을 정확히 자동으로 감지할 수 있는 가능성을 보였다.
, 2018). 이를 위해 터널 방재시설 및 관리지침 내 영상유고감지 항목 중, 정차 및 역주행 중인 차량을 감지하는 주요정보인 차량 객체의 인식과 보행자 감지를 중심으로 진행되었다. 딥러닝의 학습 및 추론은 (1) 동일한 터널의 CCTV영상만을 이용해 학습과 추론이 이루어지는 경우와 (2) 다양한 터널의 CCTV영상 정보를 통합하여 학습하고, 각 터널의 영상유고감지에 투입하는 경우로 나누어 객체인식의 추론성능을 검증하였다.
, 2018). 이를 적용하여, 본 장에서는 딥러닝 객체인식 성능과는 별개로, 실제 현장에서의 시스템 실시간 운영 성능에 영향을 미칠 전주기 시스템 단계별 최적화 과정에 대해 설명하고, 9채널의 CCTV를 한 대의 추론기로 동시에 유고상황을 검출하는 전주기 시스템의 유고상황 감지 성능에 대한 평가를 진행하였다.
정지영상은 관심영역 설정 및 왜곡을 통해 차량의 이동방향을 수직으로 맞추었으며, 정주행의 방향은 상단 방향으로 정하였다. 식 (2)를 통해 설정된 기준을 바탕으로 본래 차량의 이동방향의 반대 방향임을 확인하고 IoL이 0.
터널 영상유고 감지 시스템의 성능 평가는 2.3절에 언급한 3가지 측면인 정상 검지(True detection), 오검지 (False detection), 일관성 부족 정상검지(consistency)로 평가를 진행한다. Table 3과 같이 4곳의 터널 현장에서 18개의 유고상황이 포함된 영상을 평가 대상으로 활용하였으며 중복된 유고상황을 포함한 정차영상 15개, 보행자 영상 14개, 역주행 영상 1개, 화재 영상 2개에 대해 성능평가를 진행하였다.
, 2015). 학습 대상 데이터셋을 재추론하여 성능을 평가하였으며, AP (Average Precision)으로 각각의 객체항목에 대하여 인식성능을 평가한다(Zhu, 2004). Fig.
한편, 9채널의 CCTV에 대하여 동시에 실시간으로 유고상황을 추론하기 위해 컴퓨터 내에서 9개의 추론 모듈을 독립적으로 실행하여 관리하는 다중 작업(Multitasking)의 형태로 추론 코어 모듈을 제작하였으며, Fig. 9와 같이 2개의 그래픽카드가 9개의 추론 모듈을 동시에 실행 및 관리한다. 추론 코어 모듈에서 그래픽카드는 NVIDIA GTX 1080 Ti 11 GB 2개를 장착해 운용하며, 이는 딥러닝 모델의 객체인식 단계에서 요구하는 최소 그래픽카드메모리 용량이 2 GB 이상이기 때문이다.

대상 데이터

딥러닝 모델 제작 및 유고상황 감지 성능 평가에 사용된 터널 영상 빅데이터는 Table 2와 같다. 4개의 터널현장 에서 확보된 23개의 유고영상으로부터 48,826장의 정지영상을 추출하였다. 차량 객체의 개수는 252,416개, 보행자 객체의 개수는 33,374개, 화재 객체의 개수는 857개인데, 도로터널의 영상은 차량이 통행하는 영상이 대부분 이므로 보행자 객체나 화재 객체보다 차량 객체의 수가 훨씬 많다.
3절에 언급한 3가지 측면인 정상 검지(True detection), 오검지 (False detection), 일관성 부족 정상검지(consistency)로 평가를 진행한다. Table 3과 같이 4곳의 터널 현장에서 18개의 유고상황이 포함된 영상을 평가 대상으로 활용하였으며 중복된 유고상황을 포함한 정차영상 15개, 보행자 영상 14개, 역주행 영상 1개, 화재 영상 2개에 대해 성능평가를 진행하였다. 일관성을 유지한 정상검지는 보행 자를 제외한 정차, 역주행, 화재 유고상황에 대해 평가하였으며, 보행자 객체의 작은 크기 및 형상특성으로 인해 일관성이 있는 정상검지가 힘들기 때문이다.

이론/모형

딥러닝 모델의 학습 및 터널 영상유고 감지 전주기 시스템은 리눅스 운영체계에서 운영되며, 48,826장의 정지 영상을 10번 반복하여 28시간을 NVIDIA GTX 1070 그래픽카드로 학습하였다. 딥러닝 모델은 모델 구조의 대부분이 딥러닝으로 이루어져 있는 Faster R-CNN을 사용한다(Ren et al., 2015). 학습 대상 데이터셋을 재추론하여 성능을 평가하였으며, AP (Average Precision)으로 각각의 객체항목에 대하여 인식성능을 평가한다(Zhu, 2004).
본 연구에서는 정지영상의 픽셀정보를 사용하지 않고 순수하게 객체의 위치정보만을 이용하는 Simple Online and Realtime Tracking (SORT)을 사용하였다. SORT 알고리즘은 객체의 위치정보를 바탕으로 영상의 전후관계를 Intersection Over Union (IoU) 기준으로 판단하여 전후 객체간 겹치는 비율이 일정 값 이상이면 동일한 객체로 판단한다(Alex et al.
이론적으로 정립된 딥러닝 기반 터널 영상유고 감지 프로세스를 기반으로 현장에 적용 가능한 터널 영상유고 감지 전주기 시스템을 구현하였다. 여기서, 객체인식 시스템에는 가용한 터널 유고영상 빅데이터를 학습하고 추론성능이 검증된 딥러닝 모델이 준비되어야 하며, 사전 연구를 통해 성능 검증된 터널 이동객체 딥러닝 추론 모델을 적용하였다(Shin et al., 2017b; Lee et al., 2018). 이를 적용하여, 본 장에서는 딥러닝 객체인식 성능과는 별개로, 실제 현장에서의 시스템 실시간 운영 성능에 영향을 미칠 전주기 시스템 단계별 최적화 과정에 대해 설명하고, 9채널의 CCTV를 한 대의 추론기로 동시에 유고상황을 검출하는 전주기 시스템의 유고상황 감지 성능에 대한 평가를 진행하였다.
3). 역주행은 정차와 달리수직의 움직임만 주목하면 되므로 각 객체의 수직 구성요소에 한정하여 IoL 기준을 사용한다. 이 때, IoL은 두 직선의 겹치는 부분의 길이와 두 직선의 겹치는 부분을 포함한 전체길이의 비율로 나타낼 수 있다.

성능/효과

1. 전주기 시스템의 유고상황 검출 성능은 학습된 딥러닝 모델의 객체인식 성능에 큰 영향을 받는다. 차량 객체의 경우, 학습 대상 차량 객체의 수가 보행자나 화재에 비해 훨씬 많고, 객체의 크기도 커서 학습 및 추론에 유리한 반면에 보행자는 상대적으로 객체의 크기가 작으며 객체의 수도 상대적으로 적다.
2. 객체추적 알고리즘인 SORT는 IoU기반으로 인식된 차량객체를 성공적으로 추적하였으며, 정지영상의 영상 정보의 연산을 필요로 하지 않아 매우 빠른 추적 성능을 보였다. 이로 인해 추론 모듈에서 객체인식 이외의 부분은 큰 시간이 소요되지 않았다.
성능평가 결과, 18개의 영상에서 모두 오검지가 검출되지 않았다. 정차, 화재, 역주행 모두 100% 검지에 성공 하였으며, 보행자는 78.
영상 프레임 비율(Video frame rate)는 초당 시스템에 주어지는 정지영상(Frame) 의 수를 말하며, 원본영상에 비해 이 값이 작아지면 그만큼 정지영상 간격이 늘어난 것으로 볼 수 있다. 실험 결과 영상 프레임 비율이 3 fps부터 객체추적이 되지 않는 것을 확인할 수 있었으며, 이를 바탕으로 본 논문의 딥러닝 기반 터널 영상유고감지 설비의 입력영상에 대한 영상 프레임 비율을 5 fps로 설정하였다.
7의 딥러닝 학습 서버는 터널 관제소와 별도의 장소에 설치한다. 오직 딥러닝 객체인식 모델의 향상을 위해 터널 CCTV 빅데이터를 계속 수집하며 학습을 진행하며, 정기적으로 터널 관제소에 있는 딥러닝 기반 추론 서버의 딥러닝 모델을 갱신하여 추론기의 객체인식 성능을 향상시킨다.
이를 위해 2개의 도로현장의 교통류 CCTV 영상의 일부를 이용해 전통적인 영상처리기법으로 영상 내부로 진입하는 차량을 감지해 이동경로를 추적하면서 일정 시간 간격으로 이동 차량의 좌표와 시간 정보를 추출해 학습자료를 구성하였다. 이 학습자료를 바탕으로 인공신경망 모델을 구성해 학습을 진행한 결과, 어떠한 사전 규칙설정 없이도 교통류의 특징들을 정확히 자동으로 감지할 수 있는 가능성을 보였다.
차량 객체의 경우, 학습 대상 차량 객체의 수가 보행자나 화재에 비해 훨씬 많고, 객체의 크기도 커서 학습 및 추론에 유리한 반면에 보행자는 상대적으로 객체의 크기가 작으며 객체의 수도 상대적으로 적다. 이러한 조건에서, 정차와 역주행, 화재는 100%의 정상검지율을 보였지만 보행자는 78.5%의 상대적으로 낮은 정상검지율을 보였다. 그러나 보행자를 포함한 유고영상 빅데이터를 꾸준히 확보하여 딥러닝 모델을 재학습 시킴으로써 보행자 유고상황 인지성능의 지속적인 향상을 꾀할 수 있다.
그리고 터널 영상유고감 지시스템을 개발하면서 실험을 통해 딥러닝 객체인식 네트워크의 객체인식 성능을 평가하며, 원래 영상의 초당 정지영상의 수를 바탕으로 객체인식 및 추적의 정지영상 간격 및 정차-역주행 판별 알고리즘의 계수를 정하였다. 이론적으로 완성된 딥러닝 기반 터널 영상유고감지시스템을 기반으로 실제 시스템의 구성 및 전주기 시스템의 개발, 최적화과정을 진행하여 실제 터널 영상유고감지 시스템을 완성하였다. 또한 유고상황의 정상 검지, 유고상 황의 지속적 검지, 유고상황의 오검지 3가지 측면에서 시스템을 평가해 딥러닝 기반 터널 영상유고감지 시스템의 우수한 유고상황 검지성능을 논하였다.
본 논문은 딥러닝 기반 터널 영상유고 감지 시스템의 개발을 위해 딥러닝 객체인식 네트워크를 바탕으로 객체 추적 알고리즘 및 정차-역주행 판별 알고리즘을 추가로 수립하여 반영하고, 체계적인 전주기 시스템 구성을 완성 하였다. 이를 바탕으로 전주기 시스템의 최적화를 통해 9채널의 CCTV 카메라를 동시에 처리 가능함을 보였으며, 유고상황 모니터링 상황에서 어색함이 없음을 확인하였다.
5%로 상대적으로 낮은 검지률을 보였다. 정상검지의 일관성 측면에서 살펴보면 역주행과 화재는 일관성 있게 유고상황을 검출하였으나, 정차상황은 전체 정차 영상의 80% 수준에서 정상검지의 일관 성을 유지하는 것으로 나타났다.
성능평가 결과, 18개의 영상에서 모두 오검지가 검출되지 않았다. 정차, 화재, 역주행 모두 100% 검지에 성공 하였으며, 보행자는 78.5%로 상대적으로 낮은 검지률을 보였다. 정상검지의 일관성 측면에서 살펴보면 역주행과 화재는 일관성 있게 유고상황을 검출하였으나, 정차상황은 전체 정차 영상의 80% 수준에서 정상검지의 일관 성을 유지하는 것으로 나타났다.

후속연구

이로 인해 추론 모듈에서 객체인식 이외의 부분은 큰 시간이 소요되지 않았다. 또한 SORT 알고리즘 코드와 정차-역주행 판별 알고리즘은 딥러닝 객체인식 모델과 독립되어 운영되는데, 추후 Faster R-CNN이 아닌 더 빠른 추론속도와 높은 정확도를 가진 딥러닝 객체인식 알고리즘을 적용함으로써 전주기 시스템의 유고상황 감지성능을 향상시킬 수 있을 것으로 판단된다.
추적되는 차량 객체의 이동 정보를 바탕으로 차량 객체의 정차 및 역주행 상황을 판단하기 위해서는 별도의 순행-정차-역주행 판단 알고리즘이 마련되어야 한다. 이를 위해 본 논문에서는 Fig.

질의응답

핵심어	질문	논문에서 추출한 답변
	터널이 일반 도로보다 추가적인 사고가 일어날 가능성이 높은 이유은 무엇인가?	터널에서 운전을 하는 것은 일반적인 도로와 비교해 제한된 시야, 대피 시설 제한으로 인해 터널 내 돌발상황에 대한 대처가 어렵다. 이로 인해 추가적인 사고가 일어날 가능성이 일반 도로에 비해 높으며, 터널 내 돌발상황에 대한 실시간 인지와 초동 대처가 중요하다.
	IoU란 무엇인가?	, 2016). IoU는 두 경계박스가 서로 겹치는 면적의 비율을 말한다(Zitnick and Dollár, 2014). SORT 알고리즘은 영상정보를 전혀 사용하지 않으므로 260 fps 이상의 매우 빠른 객체추적 속도를 보여 실시간 영상유고감지가 가능하다는 장점이 있다.
	SORT 알고리즘의 장점은 무엇인가?	IoU는 두 경계박스가 서로 겹치는 면적의 비율을 말한다(Zitnick and Dollár, 2014). SORT 알고리즘은 영상정보를 전혀 사용하지 않으므로 260 fps 이상의 매우 빠른 객체추적 속도를 보여 실시간 영상유고감지가 가능하다는 장점이 있다. 또한 본 적용된 SORT 알고리즘은 객체인식이 완벽하면 객체추적도 완전하게 동작하는 것으로 보고되었다(Alex et al.

참고문헌 (13)

Alex, B., Zongyuan, G., Lionel, O., Fabio, R., Ben, U. (2016), "Simple online and realtime tracking", Proceedings of the Image Processing (ICIP) 2016 IEEE International Conference, pp. 3464-3468.
Kim, D.G., Shin, Y.W., Shin, Y.S. (2012), "Section enlargement by reinforcement of shotcrete lining on the side wall of operating road tunnel", Journal of Korean Tunnelling and Underground Space Association, Vol. 14, No. 6, pp. 637-652.
Kim, T.B. (2016), "The national highway, expressway tunnel video incident detection system performance analysis and reflect attributes for double deck tunnel in great depth underground space", Journal of the Korea Institute of Information and Communication Engineering, Vol. 20, No. 7, pp. 1325-1334.
Lee, J.S., Lee, S.K., Kim, D.W., Hong, S.J., Yang, S.I. (2018), "Trends on object detection techniques based on deep learning", Electronics and Telecommunications Trends, Vol. 33, No. 4, pp. 23-32.
Ministry of Land, Infrastructure and Transport (MOLIT) (2016), "Attempt for faultless safety system of road tunnels". Press Release.
Ministry of Land, Infrastructure and Transport (MOLIT) (2016), "Guideline of installation of disaster prevention facilities on road tunnels".
Ren, S., He, K., Girshick, R., Sun, J. (2015), "Faster R-CNN: Towards real-time object detection with region proposal networks." Proceedings of the Advances in Neural Information Processing Systems, pp. 91-99.
Roh, C.G., Park, B.J., Kim, J.S. (2016), "A study on the contents for operation of tunnel management systems using a view synthesis technology", The Journal of the Korea Contents Association, Vol. 16, No. 6, pp. 507-515.
Shin, H.S., Kim, D.K., Yim, M.J., Lee, K.B., Oh, Y.S. (2017), "A preliminary study for development of an automatic incident detection system on CCTV in tunnels based on a machine learning algorithm", Journal of Korean Tunnelling and Underground Space Association, Vol. 19, No. 1, pp. 95-107.
Shin, H.S., Lee, K.B., Yim, M.J., Kim, D.K. (2017), "Development of a deep-learning based tunnel incident detection system on CCTVs", Journal of Korean Tunnelling and Underground Space Association, Vol. 19, No. 6, pp. 915-936.
Yilmaz, A., Javed, O., Shah, M. (2006), "Object tracking: A survey", Acm computing surveys (CSUR), Vol. 38, No. 4, Article No. 13.
Zhu, M. (2004), "Recall, precision and average precision", Department of Statistics and Actuarial Science, University of Waterloo, Waterloo 2: 30.
Zitnick, C.L., Dollar, P. (2014), "Edge boxes: Locating object proposals from edges", European Conference on Computer Vision, pp. 391-405.

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