본 연구에서는 다양한 외부 조건 하에서 촬영된 영상을 대상으로 신속하고 정확하게 교통 객체를 검출하는 교통 객체 검출 통합 프레임워크를 개발하였다. 제안된 프레임워크는 딥러닝 기술 기반의 직접 객체 인식 기술과 다중 객체 추적 기술, 그리고 동영상 전처리 기술로 구성되며, 영상의 안정성, 기상, 촬영 각도 등의 다양한 외부 조건에서 촬영된 영상을 대상으로 승용차, 버스, 트럭, 및 미니밴과 같은 교통 객체를 인식하고, 이를 실시간으로 추적하여 교통량 데이터를 계수한다. 제안된 방법의 성능 검증을 위해 다양한 외부 조건에서 촬영된 영상 8개를 대상으로 제안된 방법의 성능 검증을 수행한 결과, 우천 및 강설을 제외한 모든 조건에서 98% 이상의 높은 정확도를 보이는 것으로 나타났다.
본 연구에서는 다양한 외부 조건 하에서 촬영된 영상을 대상으로 신속하고 정확하게 교통 객체를 검출하는 교통 객체 검출 통합 프레임워크를 개발하였다. 제안된 프레임워크는 딥러닝 기술 기반의 직접 객체 인식 기술과 다중 객체 추적 기술, 그리고 동영상 전처리 기술로 구성되며, 영상의 안정성, 기상, 촬영 각도 등의 다양한 외부 조건에서 촬영된 영상을 대상으로 승용차, 버스, 트럭, 및 미니밴과 같은 교통 객체를 인식하고, 이를 실시간으로 추적하여 교통량 데이터를 계수한다. 제안된 방법의 성능 검증을 위해 다양한 외부 조건에서 촬영된 영상 8개를 대상으로 제안된 방법의 성능 검증을 수행한 결과, 우천 및 강설을 제외한 모든 조건에서 98% 이상의 높은 정확도를 보이는 것으로 나타났다.
A fast and accurate integrated traffic object detection framework was proposed and developed, harnessing a computer-vision based deep-learning approach performing automatic object detections, a multi object tracking technology, and video pre-processing tools. The proposed method is capable of detect...
A fast and accurate integrated traffic object detection framework was proposed and developed, harnessing a computer-vision based deep-learning approach performing automatic object detections, a multi object tracking technology, and video pre-processing tools. The proposed method is capable of detecting traffic object such as autos, buses, trucks and vans from video recordings taken under a various kinds of external conditions such as stability of video, weather conditions, video angles, and counting the objects by tracking them on a real-time basis. By creating plausible experimental scenarios dealing with various conditions that likely affect video quality, it is discovered that the proposed method achieves outstanding performances except for the cases of rain and snow, thereby resulting in 98% ~ 100% of accuracy.
A fast and accurate integrated traffic object detection framework was proposed and developed, harnessing a computer-vision based deep-learning approach performing automatic object detections, a multi object tracking technology, and video pre-processing tools. The proposed method is capable of detecting traffic object such as autos, buses, trucks and vans from video recordings taken under a various kinds of external conditions such as stability of video, weather conditions, video angles, and counting the objects by tracking them on a real-time basis. By creating plausible experimental scenarios dealing with various conditions that likely affect video quality, it is discovered that the proposed method achieves outstanding performances except for the cases of rain and snow, thereby resulting in 98% ~ 100% of accuracy.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 Google Inception 영상분류기를 객체검출 핵심 모형으로 사용하기 위해 Google Cloud Platform (GCP) Vision API2)를 이용하였는데, GCP Vision API는 미리 학습된 클라우드 기반의 고성능 영상처리 모형을 사용할 수 있도록 구축한 다기능 기계학습 플랫폼으로, 영상 내 불특정 객체의 검출 및 표지화, 그리고 문자 및 로고 검출, 안면 인식 등을 가능케 한다. 파이썬을 이용하여 매 10 프레임마다 선택된 영상들을 GCP로 전송하고, 그 검출 결과(영상 내 객체의 위치와 표지)를 수신하는 객체검출기를 개발하였다.
본 연구에서는 직접 객체 인식 기술을 활용하여 영상의 안정성, 기상 상태, 촬영 각도 등의 다양한 외부 조건 하에서 촬영된 영상을 대상으로 교통 객체를 신속․정확하게 검출하는 교통 객체 검출 통합 프레임워크를 개발하고 그 성능을 검증하였다. 먼저 통합적인 교통 객체 검출 프레임워크를 제안하였고, 프레임워크를 구성하는 개별 핵심 요소인 동영상 전처리 기술을 개발하고, 직접 객체 인식 기반의 컴퓨터 시각화 기술인 Google Inception 영상 분류기와 다중 객체 추적 기술인 CSR-DCF를 통합하여 프레임워크를 완성하였다.
최근 빅데이터 처리기술과 함께 최신 딥러닝 기법이 컴퓨터 시각화 기술에 적용되기 시작하면서 기존의 화소 기반 방식 대신 영상 내 개별 사물을 직접 인지하는 기법이 등장하게 되었으며, 이는 자율주행차의 핵심 기술로도 활용되고 있다. 이 기술은 다양한 사물을 인식할 수 있도록 사전에 학습된 기계를 이용, 주어진 이미지 내에 존재하는 사물들을 판별하고 개별 사물별로 판별 정확도를 제공한다.
(2019)은 차량에 설치된 모노카메라의 영상으로부터 딥러닝을 활용하여 차량을 검출하는 연구를 수행하였다. 이는 차량에 설치된 카메라로 촬영된 영상을 활용하였다는 측면에서 의미가 있으며 차량이라는 객체뿐 아니라 객체와의 거리를 동시에 검출하는 방안을 제시하였다.
Mean-Shift 알고리즘은 계산 속도가 빠르고 상대적으로 양호한 수준의 추적 정확도를 보여 실시간 영상을 이용한 객체 추적에 많이 활용되어 왔으나 영상 내 음영 혹은 빛 번짐, 반사, 산란 등에 의하여 객체의 히스토그램을 구성하는 색상과 강도에 변화가 생기는 경우 다른 객체로 인식하는 부작용 또한 존재한다. 이를 극복하기 위하여 YOLO(You Look Only Once, Redmon et al., 2016) 기반 객체 검출기 검출 정보를 추가하여 더욱 객체의 색상변화에 따른 영향을 최소화 하고자 하였다.
하지만 본 연구와 같이 다양한 외부 조건 하에서 촬영된 영상을 대상으로 하는 방법과 이를 기반으로 교통 객체를 인식 및 추적하여 교통 데이터를 직접 수집하는 연구는 드문 편이다. 이에 본 연구에서는 동영상 전처리기와 직접 객체 인식 기술, 다중 추적 기술을 통합한 교통 객체 인식 및 데이터 수집 프레임워크를 제안하고, 다양한 외부 조건(영상의 안정성, 기상 상태, 촬영 각도)에서 촬영된 영상을 대상으로 그 성능을 검증한다.
이에 본 연구에서는 직접 객체 검출 방식을 활용하여 다양한 외부 조건 하에서 촬영된 영상을 대상으로 교통 객체를 신속·정확하게 검출하는 교통 객체 검출 통합 프레임워크를 제안하고 그 성능을 검증하였다.
제안 방법
(2018)은 컴퓨터 시각화 기반 객체인식 기술에 딥러닝 모형을 적용하여 차량 및 보행자 계수방법을 제시하였다. CCTV로부터 1,941개의 학습데이터와 195개의 검증데이터를 구성하여 Darknet (Redmon et al., 2016)에서 제시하는 GoogLeNet (Szegedy et al., 2014) 기반의 Inception (Szegedy et al., 2016) 객체 분류모델을 학습시켰다. 이는 딥러닝 기법을 활용한 높은 정확도의 CCTV영상 분석을 시도했다는 점에서 큰 의미가 있으나 영상 촬영 위치가 차량을 검지하기에 이상적인 조건일 경우로 한정되는 한계점이 존재한다.
따라서 이러한 교통데이터 수집과 직접 관련이 없는 지형지물 등을 사전에 제거함으로써 교통 객체 검출에 소요되는 시간을 줄일 수 있다. 관심 영역은 네 꼭지점으로 구성된 사각형으로 설정하도록 하였고, 예기치 못한 동영상의 흔들림 혹은 PTZ (Pan/Tilt/Zoom) 변화 등을 고려하기 위하여 실제 필요한 관심영역보다 다소 큰 영역을 선택하도록 하였다. 관심영역이 설정되면, 동영상 전처리기는 관심영역 내 동영상만을 추출한 후 필요에 따라 크기를 조정하는데, 이는 객체검출기에서 좀 더 정확한 객체 인식이 가능하도록 하기 위함이다.
, 2015) 등이 있다. 교통 데이터용 동영상에는 다수의 교통 객체가 하나의 영상에 존재하고, 또한 이들이 연속적으로 이동을 하기 때문에 이러한 특성을 고려하여 본 연구에서는 CSR-DCF를 채택하였다. 기술적인 측면에서 CSR-DCF와 KCF가 유사한 성능을 보이나 속도 측면에서는 KCF가, 정확도 측면에서는 CSR-DCF가 더 우수한 것으로 알려져 있다.
이를 위하여 관련 연구 문헌을 검토한 후 통합적인 교통 객체 추출 프레임워크를 제안하였고, 프레임워크를 구성하는 개별 핵심 요소인 동영상 전처리 기술과 직접 객체 인식 기반의 컴퓨터 시각화 기술, 다중 객체 추적 기술을 설명하였다. 그리고 다양한 외부 조건에서 촬영된 영상을 대상으로 제안된 방법의 성능을 검증하였다.
악기상 하에서 촬영된 영상의 경우 인간의 눈으로 보기에도 차량으로 정확히 인식하기에는 어려움이 있을 수 있다. 다만, 데이터를 추출하는 과정에서 인간은 필요한 객체의 형상 외에도 전체 영상에서 얻을 수 있는 다양한 정보를 바탕으로 객체를 검출한다. 즉, 1) 해당 영상이 비가 오는 상황에서 도로상의 구간을 촬영하고 있다는 점, 2) 도로상에는 주로 차량들만 이동할 수 있다는 점, 그리고 3) 우천 시 많은 차량들이 전조등을 켜고 운행한다는 사실 등을 바탕으로 객체 인식에 대한 판단을 내리게 된다.
객체검출기는 이미지(정지 영상)에서 객체를 검출하기 때문에 동영상을 이미지화하여야 하지만, 객체추적기는 그 반대로 동영상에서 객체를 추적하기 때문에 객체검출기에서 출력된 이미지를 다시 동영상으로 만들어주는 작업이 필요하다. 따라서 동영상 전처리기는 크기 조정이 완료된 동영상을 객체 검출을 위해 프레임 단위로 분할하여 이미지화함으로써 객체검출기의 입력값을 준비하고, 객체 검출이 완료된 연속된 이미지를 동영상 형태로 재구성함으로써 객체추적기의 입력값을 준비하는 작업을 수행한다.
또한, 기존의 교통데이터 수집 기술은 영상 내 기상 상태에도 상당한 영향을 받음을 감안할 때 제안된 방법이 기상 상태에 따라 어떠한 성능을 보이는지도 중요한 성능 평가 항목이라 판단된다. 마지막으로 기존의 기술이 대부분 차량 전면부에 대한 영상만을 대상으로 하였으나 제안된 방법은 후면부 영상에 대한 처리도 가능함을 보이기 위해 촬영 각도가 다른 영상을 실험 인자로 추가하였다. 실험에 사용된 영상과 각각의 영상에 대한 실험 조건은 [Fig.
본 연구에서는 직접 객체 인식 기술을 활용하여 영상의 안정성, 기상 상태, 촬영 각도 등의 다양한 외부 조건 하에서 촬영된 영상을 대상으로 교통 객체를 신속․정확하게 검출하는 교통 객체 검출 통합 프레임워크를 개발하고 그 성능을 검증하였다. 먼저 통합적인 교통 객체 검출 프레임워크를 제안하였고, 프레임워크를 구성하는 개별 핵심 요소인 동영상 전처리 기술을 개발하고, 직접 객체 인식 기반의 컴퓨터 시각화 기술인 Google Inception 영상 분류기와 다중 객체 추적 기술인 CSR-DCF를 통합하여 프레임워크를 완성하였다. 그리고 다양한 외부 조건에서 촬영된 영상을 대상으로 제안된 방법의 성능을 검증하였다.
여기서 다양한 외부 조건에는 영상의 안정성, 날씨, 촬영 각도 등을 포함한다. 이를 위하여 관련 연구 문헌을 검토한 후 통합적인 교통 객체 추출 프레임워크를 제안하였고, 프레임워크를 구성하는 개별 핵심 요소인 동영상 전처리 기술과 직접 객체 인식 기반의 컴퓨터 시각화 기술, 다중 객체 추적 기술을 설명하였다. 그리고 다양한 외부 조건에서 촬영된 영상을 대상으로 제안된 방법의 성능을 검증하였다.
Lee and Shin(2019)은 CCTV 기반 터널 내 돌발 상황 검지시스템의 오탐지율을 낮추고자 딥러닝 기법을 활용하였다. 터널 내 경광등, 햇빛의 반사, 차량통행 시 발생하는 음영 등 돌발상황으로 오인식하는 영상을 학습하여 상황검지의 정확도를 높였다.
를 이용하였는데, GCP Vision API는 미리 학습된 클라우드 기반의 고성능 영상처리 모형을 사용할 수 있도록 구축한 다기능 기계학습 플랫폼으로, 영상 내 불특정 객체의 검출 및 표지화, 그리고 문자 및 로고 검출, 안면 인식 등을 가능케 한다. 파이썬을 이용하여 매 10 프레임마다 선택된 영상들을 GCP로 전송하고, 그 검출 결과(영상 내 객체의 위치와 표지)를 수신하는 객체검출기를 개발하였다. 즉, 초당 30 프레임(30 fps)의 동영상이 사용되는 경우 매 10/30초 마다 정지 영상이 GCP로 전송되는 것으로, 1초에 총 3개의 이미지가 분석됨을 의미한다.
대상 데이터
즉, 초당 30 프레임(30 fps)의 동영상이 사용되는 경우 매 10/30초 마다 정지 영상이 GCP로 전송되는 것으로, 1초에 총 3개의 이미지가 분석됨을 의미한다. 또한 객체 표지화를 위해 Open Images Dataset의 600개 객체 그룹 중 교통 객체와 관련 있는 Vehicle, Car, Bus, Truck, Van 그룹만을 사용하였다.
데이터처리
성능 검증 지표로는 통과 교통량을 사용하였고, 실측자료는 데이터 수집요원이 직접 계수하였다. [Table 2]는 모형의 예측 성능 검증에 널리 이용되는 Confusion Matrix (CM)이다.
이론/모형
이는 기존 기술에 비해 상대적으로 객체 추출 속도가 빠르고 향상된 정확도를 보이고, 또한 저해상도(320x320이하) 영상에서 기존의 분류 모형에 비해 보다 정확한 결과를 도출하는 것으로 나타났다. 추출된 객체들은 자동으로 해당 객체가 속한 그룹으로 표지화(Labeling)되는데, 이때 객체 그룹은 Open Images Dataset1)에 정의된 총 600개의 객체 그룹 분류기준을 사용한다. Open Images Dataset은 약 190만개의 서로 다른 정지영상에서 추출한 약 1600만 개의 객체를 600개의 그룹으로 분류해 놓은 기계 학습을 위한 범용 영상 데이터베이스로 누구나 이용할 수 있는 Open Source이다.
성능/효과
[Table 3]은 각 실험별로 얻은 실측 교통량(Ground Truth)과 TP, FP, FN, TN, 그리고 정확도를 보여준다. 66.7%와 81.4%의 낮은 정확도를 보인 실험4와 실험5, 즉 악기상(비, 눈) 조건의 동영상을 제외한 모든 실험에서 98% 이상의 정확도를 보였다. 그리고 특징적인 것은 실제 비교통 객체를 교통 객체로 잘못 검출하거나(FP) 비교통 객체로 검출하는(TN) 횟수가 없는 것으로, 이는 화소 기반의 객체 검출에 비해 딥러닝 기반의 직접 객체 인식 기술의 우수성을 나타낸다.
그리고 다양한 외부 조건에서 촬영된 영상을 대상으로 제안된 방법의 성능을 검증하였다. 검증 결과, 열악한 기상 조건을 제외한 실험상황에서 98% 이상의 정확도를 보였고, 특히 개별 객체를 형상에 따라 검출하고 이를 추적하는 방식을 통해 차량 간 겹침 현상으로 인한 오검지 문제를 해결할 수 있었다. 이러한 검증 및 분석을 통해 제안된 방법은 화소 기반 객체 검출 방법에 비해 우수하며, 일부 흔들림이 존재하는 영상, 예를 들어 스마트폰, 차량 블랙박스, 드론 등에서 촬영된 동영상에도 적용이 가능함을 입증하였다.
좌측 이미지의 경우 접근 교통류이기 때문에 상류부보다는 하류부에서 더 정확한 검출이 이루어진 반면 우측 이미지의 경우 상류부에서 더 정확한 검출이 이루어진 것을 확인할 수 있다. 또한 차량의 전면부뿐만 아니라 후면부를 찍은 경우에도 정확하게 객체 검출이 가능한 것을 알 수 있다.
전술한 바와 같이 기존의 화소 기반 교통 데이터 수집 기술은 그 특성상 영상의 안정성에 매우 민감한 반면, 제안된 방법에서 사용하는 객체 직접 인식 기법은 영상의 흔들림이나 PTZ 변화에 상대적으로 적은 영향을 받기 때문에 그 성능을 입증하는데 영상의 안정성은 적합한 조건이 될 것으로 사료된다. 또한, 기존의 교통데이터 수집 기술은 영상 내 기상 상태에도 상당한 영향을 받음을 감안할 때 제안된 방법이 기상 상태에 따라 어떠한 성능을 보이는지도 중요한 성능 평가 항목이라 판단된다. 마지막으로 기존의 기술이 대부분 차량 전면부에 대한 영상만을 대상으로 하였으나 제안된 방법은 후면부 영상에 대한 처리도 가능함을 보이기 위해 촬영 각도가 다른 영상을 실험 인자로 추가하였다.
(2016)은 합성곱신경망 구조를 기본으로 하는 GoogLeNet의 성능을 향상시킨 Google Inception 영상 분류기를 개발하였다. 이는 기존 기술에 비해 상대적으로 객체 추출 속도가 빠르고 향상된 정확도를 보이고, 또한 저해상도(320x320이하) 영상에서 기존의 분류 모형에 비해 보다 정확한 결과를 도출하는 것으로 나타났다. 추출된 객체들은 자동으로 해당 객체가 속한 그룹으로 표지화(Labeling)되는데, 이때 객체 그룹은 Open Images Dataset1)에 정의된 총 600개의 객체 그룹 분류기준을 사용한다.
검증 결과, 열악한 기상 조건을 제외한 실험상황에서 98% 이상의 정확도를 보였고, 특히 개별 객체를 형상에 따라 검출하고 이를 추적하는 방식을 통해 차량 간 겹침 현상으로 인한 오검지 문제를 해결할 수 있었다. 이러한 검증 및 분석을 통해 제안된 방법은 화소 기반 객체 검출 방법에 비해 우수하며, 일부 흔들림이 존재하는 영상, 예를 들어 스마트폰, 차량 블랙박스, 드론 등에서 촬영된 동영상에도 적용이 가능함을 입증하였다.
전술한 바와 같이 기존의 화소 기반 교통 데이터 수집 기술은 그 특성상 영상의 안정성에 매우 민감한 반면, 제안된 방법에서 사용하는 객체 직접 인식 기법은 영상의 흔들림이나 PTZ 변화에 상대적으로 적은 영향을 받기 때문에 그 성능을 입증하는데 영상의 안정성은 적합한 조건이 될 것으로 사료된다. 또한, 기존의 교통데이터 수집 기술은 영상 내 기상 상태에도 상당한 영향을 받음을 감안할 때 제안된 방법이 기상 상태에 따라 어떠한 성능을 보이는지도 중요한 성능 평가 항목이라 판단된다.
화소 변화 분석 기반의 객체 검출에 비해 직접 객체 검출 기술은 두 개 이상의 차량이 서로 겹치는 경우에도 각 차량들을 정확히 분리하고 그에 따른 객체 추적을 수행하는 것으로 나타났다. [Fig.
후속연구
성능 검증은 기 저장된 영상 파일을 대상으로 수행한 Off-Line 실험이다. 그러나 기술적인 측면에서 실시간 동영상 자료와 저장된 동영상 자료를 사용하는데는 큰 차이가 없기 때문에 실시간 영상 분석에도 활용이 가능할 것으로 기대된다. 따라서 향후 관계 기관과의 협의를 통하여 실제 도로상에 설치된 실시간 CCTV 영상을 활용하여 교통 데이터를 직접 수집하는 연구가 필요하다.
또한, 정확도가 낮게 나온 강우 및 강설 시 에도 우수한 성능이 가능하도록 관련 영상 또는 이미지로 객체검출기를 학습할 필요가 있고, 본 연구에서 다루지 못한 강수 세기 수준에 따른 성능 검증도 필요하다. 더불어 시간대에 따른 상이한 조명조건(이른 새벽, 낮, 이른 저녁, 늦은 밤)과 태양 혹은 다른 물체로부터의 빛 반사 효과 등에 대한 실험, 그리고 기존 유사 시스템과의 비교 실험도 향후 연구에서 다루어질 필요가 있다. 마지막으로, 실험에서 사용된 영상은 모두 고속 도로와 같은 연속류 도로를 대상으로 촬영된 것이기 때문에 향후 단속류가 많은 도심부 도로 환경에서 촬영된 영상에 대한 성능 검증이 필요할 것으로 판단된다.
그러나 기술적인 측면에서 실시간 동영상 자료와 저장된 동영상 자료를 사용하는데는 큰 차이가 없기 때문에 실시간 영상 분석에도 활용이 가능할 것으로 기대된다. 따라서 향후 관계 기관과의 협의를 통하여 실제 도로상에 설치된 실시간 CCTV 영상을 활용하여 교통 데이터를 직접 수집하는 연구가 필요하다. 또한, 정확도가 낮게 나온 강우 및 강설 시 에도 우수한 성능이 가능하도록 관련 영상 또는 이미지로 객체검출기를 학습할 필요가 있고, 본 연구에서 다루지 못한 강수 세기 수준에 따른 성능 검증도 필요하다.
따라서 향후 관계 기관과의 협의를 통하여 실제 도로상에 설치된 실시간 CCTV 영상을 활용하여 교통 데이터를 직접 수집하는 연구가 필요하다. 또한, 정확도가 낮게 나온 강우 및 강설 시 에도 우수한 성능이 가능하도록 관련 영상 또는 이미지로 객체검출기를 학습할 필요가 있고, 본 연구에서 다루지 못한 강수 세기 수준에 따른 성능 검증도 필요하다. 더불어 시간대에 따른 상이한 조명조건(이른 새벽, 낮, 이른 저녁, 늦은 밤)과 태양 혹은 다른 물체로부터의 빛 반사 효과 등에 대한 실험, 그리고 기존 유사 시스템과의 비교 실험도 향후 연구에서 다루어질 필요가 있다.
더불어 시간대에 따른 상이한 조명조건(이른 새벽, 낮, 이른 저녁, 늦은 밤)과 태양 혹은 다른 물체로부터의 빛 반사 효과 등에 대한 실험, 그리고 기존 유사 시스템과의 비교 실험도 향후 연구에서 다루어질 필요가 있다. 마지막으로, 실험에서 사용된 영상은 모두 고속 도로와 같은 연속류 도로를 대상으로 촬영된 것이기 때문에 향후 단속류가 많은 도심부 도로 환경에서 촬영된 영상에 대한 성능 검증이 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
Mean-Shift 알고리즘의 특징은?
Nam(2018)은 기존의 Mean-Shift 객체 추적 알고리즘의 성능을 개선하기 위하여 SPAT(Spartial Partition Analysis Tracking) 객체 추적 방법을 제안하였다. Mean-Shift 알고리즘은 계산 속도가 빠르고 상대적으로 양호한 수준의 추적 정확도를 보여 실시간 영상을 이용한 객체 추적에 많이 활용되어 왔으나 영상 내 음영 혹은 빛 번짐, 반사, 산란 등에 의하여 객체의 히스토그램을 구성하는 색상과 강도에 변화가 생기는 경우 다른 객체로 인식하는 부작용 또한 존재한다. 이를 극복하기 위하여 YOLO(You Look Only Once, Redmon et al.
교통 혼잡 관리 및 교통정책 수립과 같은 실무적인 분야에 쓰이는 데이터로는 어떤 것들이 있나요?
교통량, 속도, 점유율 등의 교통 데이터는 교통 혼잡 관리 및 교통정책 수립과 같은 실무적인 분야는 물론 교통류 이론의 개발과 검증 등과 같은 전문 학문분야에도 널리 활용되는 기본 자료이다. 교통 데이터를 수집 하기 위해서는 많은 비용이 필요한데, 이는 기본적으로 데이터 수집에 필요한 장비 (루프 검지기, 비디오 카 메라, 레이더 센서) 대부분이 고가의 설치비용은 물론 지속적인 유지 관리 비용이 요구되기 때문이다.
현재까지 쓰이는 교통 데이터 수집용 컴퓨터 시각화 기술의 한계점은?
교통 분야도 예외는 아닌데, 현재까지 널리 쓰이는 교통 데이터 수집용 컴퓨터 시각화 기술은 주로 수집된 비디오 영상의 미리 지정한 특정 위치에서 영상의 화소(Pixel) 변화를 프레임 단위로 분석하는 방식이 대세였다. 그러나 화소 기반 시각화 기술은 날씨, 조명, 그림자, 빛 번짐 현상 및 까다로운 카메라 설치 기준 등 그 기술에 내재된 한계점이 부각되면서 교통 데이터 수집분야에서는 점차 그 활용도에 의구심이 높아지고 있는 실정이다. 이미 컴퓨터 시각화 분야에서는 화소 기반 방식 보다 그 속도와 정확도 측면에서 우수한 학습 기반의 직접 객체 검출 방식으로 관심이 이동하고 있는 추세이다.
참고문헌 (13)
Allen J., Richard Y. D., Jin S.(2004), "Object Tracking Using Cam Shift Algorithm and Multiple Quantized Feature Spaces," '05 Proceedings of the Pan-Sydney Area Workshop on Visual Information Processing, pp.3-7.
Henriques J. F., Caseiro R., Martins P. and Batista J.(2015), "High-Speed Tracking with Kernelized Correlation Filters," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 37, pp.583-596.
Lee K. and Shin H.(2019), "Effect on self-enhancement of deep-learning inference by repeated training of false detection cases in tunnel accident image detection," Journal of Korean Tunnelling and Underground Space Association, vol. 21, no. 3, pp.419-432.
Lee T., Kim K., Yun K., Kim K. and Choi D.(2018), "A Method of Counting Vehicle and Pedestrian Using Deep Learning Based on CCTV," Journal of Korean Institute of Intelligent Systems, vol. 28, no. 3, pp.219-224.
Lukezic A., Vojir T., Cehovin Zajc L., Matas J. and Kristan M.(2017), "Discriminative Correlation Filter with Channel and Spatial Reliability," In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.6309-6318.
Malik A. A., Khalil A. and Khan H. U.(2013), "Object detection and tracking using background subtraction and connected component labeling," International Journal of Computer Applications, vol. 75, no. 13.
Nam S.(2018), Deep learning-based real-time object tracking on CCTV, M.S Thesis, Kwangwoon University, South Korea.
Park M., Kim H., Choi H. and Park S.(2019), "A Study on Vehicle Detection and Distance Classification Using Mono Camera Based on Deep Learning," Journal of Korean Institute of Intelligent Systems, vol. 29, no. 2, pp.90-96.
Redmon J., Divvala S., Girshick R. and Farhadi A.(2016), "You only look once: Unified, real-time object detection," In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.779-788.
Szegedy C., Liu W., Jia Y., Sermanet P., Reed S. E., Anguelov D., Erhan D., Vanhoucke V. and Rabinovich A.(2014), "Going deeper with convolutions," 2015 IEEE Conference on Computer Vision and Pattern Recognition, pp.1-9.
Szegedy C., Vincent V., Sergey I., Jonathon S. and Zbigniew W.(2016), "Rethinking the Inception Architecture for Computer Vision," 2016 IEEE Conference on Computer Vision and Pattern Recognition, pp.2818-2826.
Yilmaz A., Javed O. and Shah M.(2006), "Object tracking: A survey," ACM Computing Surveys, vol. 38, no. 4, p.13.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.