[논문]누적 이동량 분석을 통한 영상 기반 차량 통행량 측정 방법

임석재; 정현석; 김원준; 이용; 박민우; 이상환

doi:10.5909/jbe.2020.25.1.83

[국내논문] 누적 이동량 분석을 통한 영상 기반 차량 통행량 측정 방법
A Novel Vehicle Counting Method using Accumulated Movement Analysis 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.25 no.1, 2020년, pp.83 - 93

임석재 (건국대학교 전기전자공학부) , 정현석 (건국대학교 전기전자공학부) , 김원준 (건국대학교 전기전자공학부) , 이용 (한국과학기술정보연구원 연구데이터공유센터) , 박민우 (한국과학기술정보연구원 연구데이터공유센터) , 이상환 (한국과학기술정보연구원 연구데이터공유센터)

초록
AI-Helper

최근 급격한 도시화 및 인구 집중으로 다양한 교통 문제가 빈번히 발생하고 있다. 따라서, 이를 효과적으로 해결하기 위한 교통 흐름 분석 관련 연구들이 활발히 진행되고 있다. 교통 흐름 정보는 도시 교통 관리의 핵심 요소로 차량 통행량 분석을 통해 수집된다. 본 논문에서는 도로 CCTV 영상에서 교통 흐름 정보를 정밀하게 추정하기 위해 차로 중앙 지점을 기반으로 한 고정밀 차량 통행량 측정 방법을 제안한다. 제안하는 방법은 심층 신경망(Deep Neural Network) 기반 객체 검출 방법을 이용하여 차량을 검출한 후, 누적 이동량을 바탕으로 각 차로의 중앙 지점을 검출한다. 또한, 객체 추적 기술을 통해 동일 차량의 궤적을 추정하여 검출된 각 차로 중앙 지점과의 거리를 비교함으로써 정밀하게 차량 통행량을 측정한다. 다양한 실험 결과들을 통해 본 논문에서 제안하는 방법이 차량 통행량 측정에 효과적임을 보인다.

Abstract ▼ AI-Helper

With the rapid increase of vehicles, various traffic problems, e.g., car crashes, traffic congestions, etc, frequently occur in the road environment of the urban area. To overcome such traffic problems, intelligent transportation systems have been developed with a traffic flow analysis. The traffic flow, which can be estimated by the vehicle counting scheme, plays an important role to manage and control the urban traffic. In this paper, we propose a novel vehicle counting method based on predicted centers of each lane. Specifically, the centers of each lane are detected by using the accumulated movement of vehicles and its filtered responses. The number of vehicles, which pass through extracted centers, is counted by checking the closest trajectories of the corresponding vehicles. Various experimental results on road CCTV videos demonstrate that the proposed method is effective for vehicle counting.

Keyword

표/그림 (11)

그림 그림 1. 기존 방법[9]을 이용한 차선 검출 결과 (a) 도로 주행 환경 (b) CCTV 환경 Fig. 1. Result of lane detection using VPGNet[9] (a) Driving environments (b) CCTV environments
그림 그림 2. 제안하는 방법의 흐름도(검출된 차선별 중앙 지점은 차량과 가장 가까운 차선을 검색할 때 이용된다.) Fig. 2. The overall procedure of the proposed method. Note that the center point of each lane detected during the adaptation period is exploited for finding the closest lane with each vehicle
그림 그림 3. 누적 이동량 분포지도 생성 예시 (a) CCTV 영상 (b) 누적 이동량 분포지도 Fig. 3. Examples of the moving-object distribution map (a) CCTV video (b) The moving-object distribution map
그림 그림 4. 차로별 중앙 지점 검출 과정 (a) 누적 이동량 분포지도. (b) 3/4 높이에서 추출된 일차원 신호. (c) 이동평균 필터에 의해 정제된 신호 (d) 차로별 중앙 지점 검출 결과. Fig. 4. The process of the center detection (a) The moving-object distribution map. (b) The 1D signal extracted from 3/4 of the height. (c) The refined 1D signal by average filtering. (d) The detection result.
그림 그림 5. 차로별 중앙 지점 검출 결과 (a) 원활한 교통상황의 경우. (b) 교통 체증상황의 경우. (c) 복잡한 도로 형태의 경우. Fig. 5. Results of the center detection (a) Case of smooth flow. (b) Case of traffic congestion. (c) Case of Complex road form
그림 그림 6. 객체 추적 기술을 이용한 차량 통행량 측정 과정 (a) 차량 계수 알고리즘. (b) 계수 결과 Fig. 6. The process of vehicle counting using object tracking (a) The algorithm of vehicle counting. (b) result
표 표 1. 광류^[15], 배경 제거^[16][17], 심층 신경망 기반 객체 검출 방법^[11]을 이용한 차로 중앙 지점 측정 결과 성능 비교 (주간 환경) Table 1. Performance comparison of center detection results using optical flow[15], background subtraction^[16][17], deep neural network based object detection^[11]
그림 그림 7. 차로 중앙 지점 결과 예시 (a) 광류를 이용한 차로 중앙 지점 검출. (b) 배경 제거방법을 이용한 경우. (c) 심층 신경망 기반 객체 검출 방법을 이용한 경우 Fig. 7. Examples of the lane center detection (a) Lane center detection using optical flow. (b) Lane center detection using background subtraction. (c) Lane center detection using deep neural network based object detection
표 표 2. 제안하는 방법의 차량 통행량 측정 성능 (주간환경) A-1. 직선도로 형태 (좌 → 우) A-2. 직선도로 형태(우 → 좌) A. 직선도로 형태 B. 복잡한 도로 형태 Table 2. Performance of the proposed vehicle counting method A-1. Straight road form(left to right) A-2. Straight roadform(right to left) A. Straight road form B. Complex road form
그림 그림 8. 차량 통행량 측정 결과 예시 Fig. 8. Examples of vehicle counting
표 표 3. 제안하는 방법의 차로 중앙 지점 측정 결과 성능 비교 (야간 환경). Table 3. Performance comparison of center detection results (night time).

AI 본문요약
AI-Helper

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

문제 정의

이러한 한계점을 극복하기 위해, 본 논문에서는 차로 중앙 지점을 기반으로 한 CCTV 도로 영상 내 고정밀 차량 통행량 측정 방법을 제안한다. 제안하는 방법은 심층 신경망 기반 객체 검출 방법^[11]을 이용해 차량을 검출한 후, 누적 이동량을 분석하여 다양한 교통상황 및 도로 형태에서도 각 차로의 중앙 지점을 효과적으로 추출한다.
실험에 사용한 CCTV 영상들은 신호 대기, 교통 체증 등으로 인해 차선이 가려져 있는 환경에서 촬영되는 경우가 많아 소량의 프레임 정보만을 통해 차선을 검출하는 기존 방법^[9][13]들은 종종 부정확한 결과를 도출한다. 이를 해결하기 위해 본 논문 에서는 차량의 누적 이동량을 분석하여 각 차로의 중앙 지점을 검출하는 방법을 제안한다. 또한, 제안하는 방법은 객체 추적 기술^[12]을 통해 추정된 차량 궤적을 활용하여 차량 통행량 측정의 정확성을 향상시킨다.
이때, 차량 검출에 사용한 객체 검출 방법^[11]은 프레임 간의 연속성을 고려하지 않기 때문에 검출된 객체 내의 중앙 위치가 불규칙하다. 이러한 문제점을 보완하기 위해, 본 논문에서는 이차원 가우시안 분포(2D Gaussian Distribution)를 이용해 검출된 각 차량의 중앙 위치를 모델링한다. 누적 이동량 분포지도의 생성은 다음 수식과 같이 표현된다.
이러한 오검출은 누적 이동량 분포지도를 생성하는 과정에서 잡음으로 인한오류가 누적되기 때문에 발생한다. 차량의 움직임 경향을 정밀히 파악하기 위해 본 논문에서는 심층 신경망 기반 객체 검출 방법^[11]을 이용하여 분포지도를 생성함으로써 정밀 도를 효과적으로 향상시켰다. 그림 7은 세 가지 방법을 이용한 차선 검출 결과를 보여주고 있다.
본 논문에서는 차로 중앙 지점을 기반으로 한 고정밀 차량 통행량 측정 방법을 제안하였다. 제안하는 방법은 영상내 차량의 이동 빈도수가 가장 많은 곳이 차선의 중앙 위치일 확률이 높다는 가정을 바탕으로 차량의 움직임 경향을 파악하기 위해 누적 이동량 분포지도를 생성하였다.

제안 방법

이러한 한계점을 극복하기 위해, 본 논문에서는 차로 중앙 지점을 기반으로 한 CCTV 도로 영상 내 고정밀 차량 통행량 측정 방법을 제안한다. 제안하는 방법은 심층 신경망 기반 객체 검출 방법^[11]을 이용해 차량을 검출한 후, 누적 이동량을 분석하여 다양한 교통상황 및 도로 형태에서도 각 차로의 중앙 지점을 효과적으로 추출한다. 또한, 객체 추적 기술^[12]을통해 동일 차량의 궤적을 추정하며, 추정된 궤적과 가장 가까운 차로를 산출함으로써 정밀하게 차량 통행량을 측정한다.
제안하는 방법은 심층 신경망 기반 객체 검출 방법^[11]을 이용해 차량을 검출한 후, 누적 이동량을 분석하여 다양한 교통상황 및 도로 형태에서도 각 차로의 중앙 지점을 효과적으로 추출한다. 또한, 객체 추적 기술^[12]을통해 동일 차량의 궤적을 추정하며, 추정된 궤적과 가장 가까운 차로를 산출함으로써 정밀하게 차량 통행량을 측정한다.
이를 해결하기 위해 본 논문 에서는 차량의 누적 이동량을 분석하여 각 차로의 중앙 지점을 검출하는 방법을 제안한다. 또한, 제안하는 방법은 객체 추적 기술^[12]을 통해 추정된 차량 궤적을 활용하여 차량 통행량 측정의 정확성을 향상시킨다. 그림 2는 제안하는 차로 중앙 지점 검출 및 차량 통행량 측정 방법의 흐름도이다.
제안하는 방법은 차량, 표지판, 사람에 의해 차선이 가려진 환경에서도 효율적으로 차로별 중앙 지점을 검출하기 위해 누적 이동량 분포지도를 생성한다. 차량의 이동 경향을 묘사하는 누적 이동량 분포지도는 심층 신경망 기반 객체 검출 방법^[11]을 이용하여 차량을 검출한 후, 검출된 차량의 중앙 위치를 누적하여 획득한다.
σ는 이차원 가우시안 분포의 분산으로, 중앙 위치의 오차범위를 조절한다. 본 논문에서는 분산의 크기가 5인 이차원 가우시안분포를 사용하였으며, 2,000 프레임 동안 누적하여 이동량 분포지도를 생성한다. 그림 3-(b)에서 볼 수 있듯이 생성된 누적 이동량 분포지도는 차량의 이동 경향을 효과적으로 표현할 수 있다.
이번 절에서는 주변보다 차량 이동 빈도수가 높은 지점이 차로의 중앙이라는 가정을 기반으로 생성된 누적 이동량 분포지도를 분석하여 차로별 중앙 지점을 검출하는 방법을 제안한다. 먼저, 차로별 중앙 지점 검출에 필요한 일차원 신호를 추출하기 위해 대전 시내를 촬영한 52개의 CCTV 환경을 사전 분석하였으며, 누적 이동량 분포지도의높이 3/4 지점에서 추출된 일차원 신호가 도로의 차선을 가장 많이 포함하는 것을 확인하였다. 그러나 높이 3/4 지점 에서 추출된 신호는 오검출된 객체 및 검출된 차량 내 불규칙한 중앙 위치에 의한 오류를 포함하고 있다.
그러나 높이 3/4 지점 에서 추출된 신호는 오검출된 객체 및 검출된 차량 내 불규칙한 중앙 위치에 의한 오류를 포함하고 있다. 이를 제거하기 위해 제안하는 방법은 다음과 같이 정의되는 이동평균필터(Moving Average Filter)를 이용하여 추출된 일차원 신호를 정제한다.
는 추출한 일차원 신호의 각 위치를 의미한다. 마지막으로 차로별 중앙 위치는 정제된 일차원 신호의 변화율이 양에서 음으로 바뀌는 변곡점을 계산함으로써 검출한다. 그림 4와 5는 각각 제안 하는 방법의 차로별 중앙 지점 검출 과정과 결과를 나타낸다.
실제 이동 방향과 추정된 이동 방향의 불일치는 동일 차량으로 인한 중복계수문제를 초래하며 성능 하락의 큰원인이 된다. 이를 해결하기 위해 제안하는 방법은 객체 추적 기술^[12]을 통해 서로 다른 프레임에 존재하는 동일 차량의 ID(Identification)를 유지하여 중복계수의 여부를 확인 한다. 그리고 유지된 ID를 기반으로 각 차량의 이전 위치와 현재 위치를 비교하여 차량의 궤적을 추정한다.
이를 해결하기 위해 제안하는 방법은 객체 추적 기술^[12]을 통해 서로 다른 프레임에 존재하는 동일 차량의 ID(Identification)를 유지하여 중복계수의 여부를 확인 한다. 그리고 유지된 ID를 기반으로 각 차량의 이전 위치와 현재 위치를 비교하여 차량의 궤적을 추정한다. 차량 통행량은 차량의 궤적과 영상 높이 3/4 위치의 교차점을 계산하여 식(3)을 통해 교차점과 가장 가까운 차선을 찾음으로써 측정된다.
여기서 과 는 각각 검출된 차선의 번째 위치와 교차점의 위치를 의미하며, 따라서 는 측정할 차선의 번호를 의미한다. 또한, 제안하는 방법은 추정된 궤적의 시점과 종점을 기준으로 차로별 교통 방향을 측정할 수 있다. 식 (4) 는 차량 궤적의 각도를 구하는 수식이다.
제안하는 차로별 중앙 지점 검출 방법의 효율성을 살펴 보기 위해, 본 논문에서는 광류[15], 배경 제거[16][17], 심층 신경망 기반 객체 검출 방법[11]을 이용한 검출 결과들을 비교 한다.
본 논문에서는 차량 통행량 측정 결과를 프레임 단위로 저장 및 확인하여 계수를 올바르게 한 경우, 계수를 하지 못한경우, 중복계수가 된 경우를 측정하여 성능을 계산하였다.
본 논문에서는 차로별 중앙 지점을 검출하기 위해 차량의 누적 이동량 분석을 활용하며, 이는 객체 검출기의 성능에 크게 영향을 받는다. 즉, 야간 환경에서는 객체 검출기의 성능이 현저히 저하되기 때문에 차로별 중앙 지점 검출에실패하는 것을 볼 수 있다(표 3 참조).
본 논문에서는 차로 중앙 지점을 기반으로 한 고정밀 차량 통행량 측정 방법을 제안하였다. 제안하는 방법은 영상내 차량의 이동 빈도수가 가장 많은 곳이 차선의 중앙 위치일 확률이 높다는 가정을 바탕으로 차량의 움직임 경향을 파악하기 위해 누적 이동량 분포지도를 생성하였다. 이후, 생성된 분포지도를 분석함으로써 차로별 중앙 지점을 검출 하였다.
제안하는 방법은 영상내 차량의 이동 빈도수가 가장 많은 곳이 차선의 중앙 위치일 확률이 높다는 가정을 바탕으로 차량의 움직임 경향을 파악하기 위해 누적 이동량 분포지도를 생성하였다. 이후, 생성된 분포지도를 분석함으로써 차로별 중앙 지점을 검출 하였다. 또한, 제안하는 방법은 객체 추적 기술^[10]을 통해 검출된 차량의 ID를 유지하여 각 차량의 궤적을 추정하고 가장 가까운 차로의 중앙 지점을 산출함으로써 중복계수 등의 문제를 효과적으로 해결하였다.
이번 절에서는 주변보다 차량 이동 빈도수가 높은 지점이 차로의 중앙이라는 가정을 기반으로 생성된 누적 이동량 분포지도를 분석하여 차로별 중앙 지점을 검출하는 방법을 제안한다. 먼저, 차로별 중앙 지점 검출에 필요한 일차원 신호를 추출하기 위해 대전 시내를 촬영한 52개의 CCTV 환경을 사전 분석하였으며, 누적 이동량 분포지도의높이 3/4 지점에서 추출된 일차원 신호가 도로의 차선을 가장 많이 포함하는 것을 확인하였다.

대상 데이터

실험에 사용한 영상들은 320×240 화소의 크기를 가지며 교통 원활, 교통 체증, 신호 대기 등의 다양한 교통 상황과 여러 가지 도로 형태를 포함하고 있다.
본 논문에서는 제안하는 방법의 성능평가를 위해 대전교 통정보센터에서 제공하는 52개의 CCTV 카메라로 촬영된 영상 [14] 을 사용하였다. 실험에 사용한 영상들은 320×240 화소의 크기를 가지며 교통 원활, 교통 체증, 신호 대기 등의 다양한 교통 상황과 여러 가지 도로 형태를 포함하고 있다.
차량 통행량 측정 실험은 각각 4,000프레임으로 구성되 어있는 20개의 CCTV 영상을 사용하였고, 총 80,000 프레임에 대하여 성능을 측정하였다. 성능 평가 지표 [18] 는 차선 검출과 마찬가지로 정밀도, 재현율, F1-score를 사용하였다.

데이터처리

표 3. 제안하는 방법의 차로 중앙 지점 측정 결과 성능 비교 (야간 환경).

이론/모형

제안하는 방법은 차량, 표지판, 사람에 의해 차선이 가려진 환경에서도 효율적으로 차로별 중앙 지점을 검출하기 위해 누적 이동량 분포지도를 생성한다. 차량의 이동 경향을 묘사하는 누적 이동량 분포지도는 심층 신경망 기반 객체 검출 방법^[11]을 이용하여 차량을 검출한 후, 검출된 차량의 중앙 위치를 누적하여 획득한다. 이때, 차량 검출에 사용한 객체 검출 방법^[11]은 프레임 간의 연속성을 고려하지 않기 때문에 검출된 객체 내의 중앙 위치가 불규칙하다.
을 이용한 검출 결과들을 비교 한다. 성능 평가 지표^[18]로는 재현율(Recall), 정밀도(Precision), F1-score를 사용하였으며, 다음과 같이 계산할 수 있다.
차량 통행량 측정 실험은 각각 4,000프레임으로 구성되 어있는 20개의 CCTV 영상을 사용하였고, 총 80,000 프레임에 대하여 성능을 측정하였다. 성능 평가 지표 [18] 는 차선 검출과 마찬가지로 정밀도, 재현율, F1-score를 사용하였다.

성능/효과

먼저, 표 1의 재현율은 세 가지 방법을 이용한 검출 방법 들이 차선의 중앙 위치를 다소 정확하게 검출한다는 것을 보여준다. 이는 누적 이동량 분포지도를 사용하는 것이 차로 중앙 지점 검출에 효과적임을 증명한다.
구체적으로, 표 2-(A) 성능보다 표 2-(B)의 성능이 현저히 저하된 것을 볼 수 있는데, 이러한 현상은 영상이촬영되는 각도가 기울어져 있을수록 차량 간 겹침 현상이 빈번히 발생하고 이로 인해 차량 검출 성능이 저하되기 때문이다. 그러나 모든 도로 형태에 대한 통합 성능을 보면 재현율 0.8710, 정밀도 0.8973, F1-score 8840의 높은 성능을 보임을 확인할 수 있다. 그림 8은 차량 통행량 측정 결과의 예시이다.
이후, 생성된 분포지도를 분석함으로써 차로별 중앙 지점을 검출 하였다. 또한, 제안하는 방법은 객체 추적 기술^[10]을 통해 검출된 차량의 ID를 유지하여 각 차량의 궤적을 추정하고 가장 가까운 차로의 중앙 지점을 산출함으로써 중복계수 등의 문제를 효과적으로 해결하였다. 다양한 실험 결과들은 본 논문에서 제안하는 방법이 교통 체증, 신호 대기, 곡선도로, 직선도로 등의 다양한 환경에서도 효율적으로 차량 통행량을 측정할 수 있음을 보였다.
또한, 제안하는 방법은 객체 추적 기술^[10]을 통해 검출된 차량의 ID를 유지하여 각 차량의 궤적을 추정하고 가장 가까운 차로의 중앙 지점을 산출함으로써 중복계수 등의 문제를 효과적으로 해결하였다. 다양한 실험 결과들은 본 논문에서 제안하는 방법이 교통 체증, 신호 대기, 곡선도로, 직선도로 등의 다양한 환경에서도 효율적으로 차량 통행량을 측정할 수 있음을 보였다.

후속연구

마찬가지로, 눈, 비, 안개 등의 날씨는 정밀한 차량 검출에 어려움을 주기 때문에 제안하는 방법의 성능을 저하시키는 경향이 있다. 이러한 문제점을 해결하기 위해, 날씨와 조명 환경에 강인한 차량 검출기의 개발 혹은 영상 개선 등의 전처리 기법 활용이 필수적이며, 이를 앞으로의 연구 방향으로 설정하려 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	차선을 검출하기 위한 가장 기본적인 방법은 무엇인가?	차선을 검출하기 위한 가장 기본적인 방법으로는 영상내 에지(Edge)를 검출하고 허프 변환(Hough Transform) 등을 적용하여 직선을 추정하는 방법이 있다. 고속 도로와 같 이 차로 위 차량 간격이 여유로운 경우 해당 방법이 효과적 으로 적용될 수 있으나, 도심의 복잡한 도로 환경에서는 다양한 배경 요인(예를 들어, 정체 현상, 빌딩 밀집 등)으로 인해 성능 저하가 발생한다.
	교통 문제는 왜 빈번히 발생하는가?	최근 급격한 도시화 및 인구 집중으로 다양한 교통 문제가 빈번히 발생하고 있다. 따라서, 이를 효과적으로 해결하기 위한 교통 흐름 분석 관련 연구들이 활발히 진행되고 있다.
	도심의 복잡한 도로 환경을 극복하기 위해 어떤 연구가 진행되고 있는가?	고속 도로와 같 이 차로 위 차량 간격이 여유로운 경우 해당 방법이 효과적 으로 적용될 수 있으나, 도심의 복잡한 도로 환경에서는 다양한 배경 요인(예를 들어, 정체 현상, 빌딩 밀집 등)으로 인해 성능 저하가 발생한다. 이러한 한계를 극복하기 위해 최근에는 심층 신경망(Deep Neural Network)을 이용하여 차선을 검출하는 연구가 활발히 진행되고 있다. 특히, 영상내 각 픽셀이 차선에 속하는지를 이진 분류 문제로 표현할수 있기 때문에 영상 분할에 사용되는 기존 심층 신경망을 그대로 적용 가능하다.

참고문헌 (18)

Y. Liu, Y. Lu, Q. Shi, and J. Ding, "Optical flow based urban road vehicle tracking," in Proc. IEEE International Conference Computational Intelligence and Security(CIS), Dec. 2013, pp. 391-395.
Y. Xia, X. Shi, G. Song, Q. Geng, and Y. Liu, "Towards improving quality of video-based vehicle counting method for traffic flow estimation," Signal Processing, vol. 120, pp. 672-681, Mar. 2016.

상세보기
H. Zhang, and K. Wu, "A vehicle detection algorithm based on three-frame differencing and background subtraction," in Proc. International Symposium on Computational Intelligence and Design(ISCID), Oct. 2012, pp. 148-151.
M. S. Shirazi, and B. Morris, "A typical video-based framework for counting, behavior and safety analysis at intersections," in Proc. IEEE Intelligent Vehicles Symposium(IV), Jun. 2015, pp. 1264-1269.
Traffic monitorng system(road traffic investigation), www.road.re.kr/ intro/intro_01.asp (accessed Aug. 27, 2019).
S. Cheung, S. Coleri, B. Dundar, S. Ganesh, C. Tan, and P. Varaiya, "Traffic measurement and vehicle classification with single magnetic sensor", Transportation Research Record: Journal of the Transportation Research Board, vol. 1917, no. 1, pp. 173-181, Jan. 2005.

상세보기
P. Barcellos, C Bouvie, F. L. Escouto, and J. Scharcanski, "A novel video based system for detecting and counting vehicles at user-defined virtual loops," Expert Systems with Applications, vol. 42, no. 4, pp. 1845-1856, Mar, 2015.

상세보기
D. Neven, B. D. Brabandere, S. Georgoulis, M. Proesmans, and L. V. Gool, "Towards end-to-end lane detection: an instance segmentation approach," in Proc. IEEE Intelligent Vehicles Symposium(IV), Jun. 2018, pp. 286-291.
S. Lee et al., "VPGNet: vanishing point guided network for lane and road marking detection and recognition," in Proc. IEEE International Conference on Computer Vision(ICCV), Oct. 2017, pp. 1966-1973.
S. Chougule, N. Koznek, A. Isumail, G. Adam, and V. Narayan, "Reliable multilane detection and classification by utilizing CNN as a regression network," in Proc. European Conference on Computer Vision(ECCV) Workshops, Sep. 2018, pp. 740-752.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You only look once: Unified real-time object detection," in Proc. IEEE Conference on Computer Vision and Pattern Recognition(CVPR), Jun. 2016, pp. 779-788.
A. Bewley, Z. Ge, L. Ott, F. Ramos, and B. Upcroft, "Simple online and realtime tracking," in Proc. IEEE International Conference on Image Processing(ICIP), Sep. 2016, pp. 3464-3468.
J. Wang, T. Mei, B. Kong, and H. Wei, "An approach of lane detection based on inverse perspective mapping," in Proc. International IEEE Conference on Intelligent Transportation Systems(ITSC), Oct. 2014, pp. 35-38.
Daejeon metropolitan city road traffic cctv, http://traffic.daejeon.go.kr/map/trafficInfo/cctv.do (accessed Feb. 1, 2019).
G. Farneback, "Two-frame motion estimation based on polynomial expansion", in Proc. Scandinavian Conference on Image Analysis (SCIA), Jun. 2003, pp. 363-370.
Z. Zivkovic, "Improved adaptive gaussian mixture model for background subtraction," in Proc. International Conference on Pattern Recognition(ICPR), Aug. 2004, pp. 28-31.
Z. Zivkovic, "Efficient adaptive density estimation per image pixel for the task of background subtraction," Pattern Recognition Letters, vol. 27, no. 7, pp. 773-780, May. 2006.

상세보기
C. Goutte, and E. Gaussier, "A probabilistic interpretation of precision, recall and F-score, with implication for evaluation," in Proc. European Conference on Information Retrieval(ECIR), Apr. 2005, pp. 345-359.

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