[논문]가중치 그래프의 고유벡터 중심성에 따른 실시간 차량추적 알고리즘

김선형; 김상욱

doi:10.9717/kmms.2020.23.4.517

가중치 그래프의 고유벡터 중심성에 따른 실시간 차량추적 알고리즘
Real-time Vehicle Tracking Algorithm According to Eigenvector Centrality of Weighted Graph 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.23 no.4, 2020년, pp.517 - 524

김선형 (School of Computer Science and Engineering, Graduate School, Kyungpook National University) , 김상욱 (School of Computer Science and Engineering, Graduate School, Kyungpook National University)

Abstract ▼ AI-Helper

Recently, many researches have been conducted to automatically recognize license plates of vehicles and use the analyzed information to manage stolen vehicles and track the vehicle. However, such a system must eventually be investigated by people through direct monitoring. Therefore, in this paper, the system of tracking a vehicle is implemented by sharing the information analyzed by the vehicle image among cameras registered in the IoT environment to minimize the human intervention. The distance between cameras is indicated by the node and the weight value of the weighted-graph, and the eigenvector centrality is used to select the camera to search. It demonstrates efficiency by comparing the time between analyzing data using weighted graph searching algorithm and analyzing all data stored in databse. Finally, the path of the vehicle is indicated on the map using parsed json data.

주제어

표/그림 (9)

그림 Fig. 1. Structure of Weighted Graph.
그림 Fig. 2. Structure of Weighted Graph for Search.
그림 Fig. 3. An Algorithm of real—time tracking system.
표 Table 1. Eigenvector Centrality
그림 Fig. 4. Database Monitoring.
그림 Fig. 5. Experiment Environment.
그림 Fig. 6. Vehicle number recognition.
그림 Fig. 7. Map API Implementation.
그림 Fig. 8. Elapsed time Comparison.

AI 본문요약
AI-Helper

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

문제 정의

사물인터넷 환경에서 IoT 기기의 네트워크를 그래프로 표현한 연구가 많이 이루어지고 있다[7]. 따라서 본 논문에서는 사물인터넷 환경에 등록된 카메라 간의 관련성을 가중치 그래프로 정의하고 나타내었다. 그래프에서 정의된 카메라 노드 간의 관계에 따라 분석한 정보를 서로 공유하고 탐색한다.
본 논문에서는 시스템에 등록된 카메라 기기를 그래프를 이용하여 정의하고, 기기의 관계를 가중치 값을 이용하여 나타내었다. 또한 가중치를 이용한 고유 벡터 중심성 값을 통해 탐색하고자 하는 카메라를 선택하여 탐색함으로써 탐색의 효율을 높이고자 하였다. 또한 등록된 카메라의 기기정보와 영상정보를 실시간으로 데이터베이스에 저장한다.
찾고자하는 차량의 번호를 입력하면 탐색할 카메라를 선정하고, 선정된 카메라의 이미지 데이터만 분석하며, 분석할 데이터의 순서와 분석할 시간을 지정함으로써 분석할 데이터의 양을 줄일 수 있다. 또한 차량을 탐색한 카메라의 위치정보를 추출함으로써 차량의 이동경로를 예측하고, 지도상에 표시하여 모니터링 하는 사용자의 직관적인 이해를 돕는다.

제안 방법

(1) 시스템에 등록된 카메라의 집합 C에 대해 카메라의 고유번호, 촬영시간, 기기의 종류, 기기의 위도좌표, 기기의 경도좌표, 촬영된 영상의 저장경로, 분석한 차량번호, 그리고 카메라의 연결 여부를 데이터베이스에 실시간으로 저장한다.
(3) 번호판이 인식된 이미지가 촬영된 시간(c_x^t)와 현재시간(current time)의 비교를 통해 경과한 시간(t_cx)을 계산하고, 차량의 평균 속도를 이용하여 이동 반경(d_cx)을 예측한다.
또 다른 연구로 차량 도난이나 절도의 상황에서 차량을 찾고 모니터링하는 연구가 있다[12,13]. OCR 라이브러리를 이용하여 이미지에서 차량번호의 문자열을 추출하고 문자열을 이용하여 차량의 세부사항이나 경로를 파악한다. 그러나 본 연구는 자동화 시스템이 아니기 때문에 차량의 번호를 수동으로 점검해야하며, 동일한 번호판을 인식한 센서를 찾기 위해 ‘nearest sensor’를 탐색하는데 ‘nearest’의 기준이 모호하다.
따라서 본 논문에서는 사물인터넷 환경에 등록된 카메라 간의 관련성을 가중치 그래프로 정의하고 나타내었다. 그래프에서 정의된 카메라 노드 간의 관계에 따라 분석한 정보를 서로 공유하고 탐색한다. 뿐만 아니라 차량의 이동반경을 예측하여 그래프의 가중치 값으로 나타내었고, 고유벡터 중심성을 계산하여 중요한 노드에 대한 탐색 결과에 따라 카메라의 영상을 분석하기 때문에 시간을 절약할 수 있다.
4은 데이터베이스에 저장된 데이터를 모니터링 하는 화면이다. 데이터베이스 테이블의 구조는 카메라 각각을 구분할 카메라 고유번호(cam_id), 각 카메라에서 영상을 분할하여 이미지를 저장한 시간(time), 카메라 기기의 종류(cam_type), 카메라의 위도 좌표(cam_lat), 카메라의 경도 좌표(cam_lng), 분할 저장된 이미지의 경로(pic_link), 분석한 차량의 번호(car_num), 그리고 카메라의 연결 여부(cam_connect)로 구성되어있다.
복잡한 네트워크를 그래프의 노드와 가중치로 단순하게 나타내었다. 또한 사물인터넷에서 생산되는 빅데이터를 실시간으로 탐색하고 쿼리하기 위한 뷰를 제공하기 위해 그래프를 이용하였고, 그래프와 노드 간의 연결성을 이용하여 커뮤니티를 생성한다. 그러나 본 연구는 받아온 빅데이터를 시각화하고 군집화 하는데 그치며 실시간으로 노드 간의 연결성 변화에 의해 새로운 군집을 생성하지는 않는다.
본 시스템은 사물인터넷 플랫폼에 등록된 카메라 기기를 사용하였으며, 제안하는 시스템은 특정 차량을 찾기 위해 데이터베이스에 저장된 카메라 기기의 정보를 이용한다. 또한 저장된 모든 정보를 이용하지 않고, 차량의 이동반경을 예측하고 탐색함으로써 차량을 탐색하는 시간을 단축시키는데 효율적임을 평가하기 위해 비교 실험을 하였다. Fig.
노드 N(c_x)(x=7)의 카메라에서 찾고자하는 차량이 탐색되었을 때, 카메라 c_x의 위치 c^logc_x의 값을 출력 하고자 하는 경로(path)에 추가한다. 또한 차량을 탐색한 시간 c^t_x과 현재시간(current time)을 이용하여 차량의 이동반경(moving radius)을 예측한다. 차량의 이동반경(d_cx)을 구하는 식은 다음 수식 (5)와 같다.
본 논문에서는 시스템에 등록된 카메라 기기를 그래프를 이용하여 정의하고, 기기의 관계를 가중치 값을 이용하여 나타내었다. 또한 가중치를 이용한 고유 벡터 중심성 값을 통해 탐색하고자 하는 카메라를 선택하여 탐색함으로써 탐색의 효율을 높이고자 하였다.
본 시스템은 사물인터넷 플랫폼에 등록된 카메라 기기를 사용하였으며, 제안하는 시스템은 특정 차량을 찾기 위해 데이터베이스에 저장된 카메라 기기의 정보를 이용한다.
본 실험은 시스템에 등록된 카메라 3대를 이용하여 진행하였으며, 3분 간 촬영한 이미지(카메라 당 1분 간격) 192개와 15분 간 촬영한 이미지(카메라 당 5분 간격) 1002개, 그리고 30분 간 촬영한 이미지(카메라 당 10분 간격) 2109개를 이용하여 비교 실험을 하였다. SYSTEM_search를 이용한 탐색방법이 TOTAL_search 탐색방법보다 3분 간 촬영한 이미 지는 약 3.
제안하는 시스템을 통해 재난, 도난과 같은 여러 상황에서 공공 카메라(CCTV)에 촬영된 영상을 기반으로 주변 상황을 판단하고, 사용자에게 맞춤형 서비스를 제공함으로써 빠른 시간 내에 차량을 찾는데 도움을 줄 수 있다. 본 연구는 서버와 카메라 간 데이 터 공유를 통해 차량을 추적하기 때문에 사용자의 개입이 필요 없고, 이동 반경 내 제한된 카메라에 대해 정보를 공유하기 때문에 분석을 최소화 한다. 추후에 이동성 있는 개인용 카메라(블랙박스 등)를 이용해 차량의 탐색에 이용할 수 있다.
사용자가 직관적으로 차량의 이동경로를 확인하고 차량을 찾을 수 있도록 안드로이드 Google Maps API를 기반으로 지도를 구현했다. 차량번호를 인식한 데이터베이스를 탐색하여 json 형식으로 파싱한 데이터를 StringBuffer로 받아온 뒤 JsonArray의 key값(cam_lat, cam_lng)의 value 값을 이용하였다.
차량의 이동반경(d_cx)을 구하는 식은 다음 수식 (5)와 같다. 수식의 tm_day, tm_hour, tm_sec는 각각 경과한 일, 시간, 분에 대한 변수이며 시간(h) 단위로 변환하여 속도 (speed)와의 곱으로 이동 반경을 계산하였다.
이 때, 탐색은 Query의 조건문을 이용하여, 카메라 고유번호(cam_id)가 “3”이고 이미지를 저장한 시간(time)이 “>=ct2” 인 조건을 만족하는 이미지 경로(pic_link)에 대해서 탐색을 한다.
뿐만 아니라 차량의 이동반경을 예측하여 그래프의 가중치 값으로 나타내었고, 고유벡터 중심성을 계산하여 중요한 노드에 대한 탐색 결과에 따라 카메라의 영상을 분석하기 때문에 시간을 절약할 수 있다. 이를 통해 사용자들에게 차량의 이동경로를 지도에 출력하는 서비스를 제공함으로써 차량의 이동경로를 직관적으로 확인하고, 현재위치를 예측할 수 있도록 한다.
제안하는 가중치 그래프 G = (N,E,W)는 노드의 집합 N과 간선의 집합 E, 그리고 간선의 가중치 W로 구성된다. 노드 N은 수식 (1)과 같이 정의하며, 시스템에 등록된 n개의 카메라를 나타낸다.
카메라를 탐색하여 지정해둔 경로의 개수(3)만큼 차량을 찾았거나 더 이상 차량을 탐색할 수 없을 때, 탐색을 멈추고 최종 경로를 반환한다. 차량을 탐색한 이미지의 경로(pic_link)를 이용하여 카메라의 고유번호(cam_id)를 찾고 최종 경로(path)에 추가하여 (d)와 같이 차량의 이동경로를 카메라 고유번호(cam_id)를 이용하여 출력하였다.

대상 데이터

5와 같다. 위치가 고정된 카메라 3대(cam₁,cam₂,cam₃)를 이용하여 실험을 진행하였다. 카메라의 위치는 위경도 좌표 값을 이용하여 임의로 지정하였다.

이론/모형

카메라의 위치는 위경도 좌표 값을 이용하여 임의로 지정하였다. 또한 차량 번호판의 알파벳과 숫자는 KNN(K Nearest Neighbors) 알고리즘을 이용하여 학습시킨 후 인식하였다.
이동하거나 정지한 상태에서 차량 감지와 추적을 위해 단일 카메라를 사용하는 연구가 있다[8,9]. 차량에 탑재된 단일카메라에서 촬영된 영상에서 고성능 비전 알고리즘(WB)을 이용하여 다양한 환경 조건에 서 차량을 인식한다. 또한 번호판 인식 기술을 이용하여 번호판 위치를 확인하고 번호를 식별하며 성능을 평가하는 연구가 있다[10,11].

성능/효과

본 실험은 시스템에 등록된 카메라 3대를 이용하여 진행하였으며, 3분 간 촬영한 이미지(카메라 당 1분 간격) 192개와 15분 간 촬영한 이미지(카메라 당 5분 간격) 1002개, 그리고 30분 간 촬영한 이미지(카메라 당 10분 간격) 2109개를 이용하여 비교 실험을 하였다. SYSTEM_search를 이용한 탐색방법이 TOTAL_search 탐색방법보다 3분 간 촬영한 이미 지는 약 3.8배, 15분 간 촬영한 이미지는 약 4.4배, 그리고 30분 간 촬영한 이미지는 약 4.2배 빠른 것으로 계산되었다. 따라서 실험 결과에 의해 이미지의 개수가 증가해도 SYSTEM_search를 이용한 탐색 방법이 더 빠른 것을 확인할 수 있다.
2배 빠른 것으로 계산되었다. 따라서 실험 결과에 의해 이미지의 개수가 증가해도 SYSTEM_search를 이용한 탐색 방법이 더 빠른 것을 확인할 수 있다.
그래프에서 정의된 카메라 노드 간의 관계에 따라 분석한 정보를 서로 공유하고 탐색한다. 뿐만 아니라 차량의 이동반경을 예측하여 그래프의 가중치 값으로 나타내었고, 고유벡터 중심성을 계산하여 중요한 노드에 대한 탐색 결과에 따라 카메라의 영상을 분석하기 때문에 시간을 절약할 수 있다. 이를 통해 사용자들에게 차량의 이동경로를 지도에 출력하는 서비스를 제공함으로써 차량의 이동경로를 직관적으로 확인하고, 현재위치를 예측할 수 있도록 한다.
제안하는 시스템을 통해 재난, 도난과 같은 여러 상황에서 공공 카메라(CCTV)에 촬영된 영상을 기반으로 주변 상황을 판단하고, 사용자에게 맞춤형 서비스를 제공함으로써 빠른 시간 내에 차량을 찾는데 도움을 줄 수 있다. 본 연구는 서버와 카메라 간 데이 터 공유를 통해 차량을 추적하기 때문에 사용자의 개입이 필요 없고, 이동 반경 내 제한된 카메라에 대해 정보를 공유하기 때문에 분석을 최소화 한다.

후속연구

본 연구는 서버와 카메라 간 데이 터 공유를 통해 차량을 추적하기 때문에 사용자의 개입이 필요 없고, 이동 반경 내 제한된 카메라에 대해 정보를 공유하기 때문에 분석을 최소화 한다. 추후에 이동성 있는 개인용 카메라(블랙박스 등)를 이용해 차량의 탐색에 이용할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	이동반경 내에 있는 카메라에 대한 탐색순서는 무엇을 기준으로 하는가?	이동반경(moving radius) 내에 있는 카메라에 대한 탐색순서는 중요한 노드를 기준으로 한다. 이때 중요한 노드는 고유벡터 중심성(Eigenvector Centrality, Ce)을 이용하여 결정한다.
	카메라를 이용한 감시시스템을 통해 촬영한 영상을 분석할 때 문제점은 무엇인가?	또한 카메라를 이용한 감시시스템을 통해 촬영된 영상을 분석하여 용의자의 인상착의 분석이나 차량 번호판 인식 시스템에 대한 연구가 이루어지고 있다[4,5]. 그러나 용의자를 찾고 차량을 찾는 시스템은 사람의 개입이 필요하므로 실시간 추적이 어렵고, 많은 양의 영상과 이미지를 분석해야한다는 문제점이 있다. 이러한 방대한 데이터를 처리하기 위해 빅데이터 영상 처리를 이용하는 연구가 이루어지고 있다[6].
	고유벡터 중심성이란 무엇인가?	이때 중요한 노드는 고유벡터 중심성(Eigenvector Centrality, Ce)을 이용하여 결정한다. 이 때, 고유벡터 중심성이란 연결된 노드가 많은 노드가 중요한 노드가 되는 것이 아닌, 중요한 노드와 많이 연결된 노드를 중요하게 판단하는 방법이다. 따라서 고유벡터 중심성에 따라 중요한 노드 N(c7)과 연결된 다른 노드들의 중심성을 반영하여 중요한 노드를 결정한다.

참고문헌 (16)

M. K. Hossen, and S. H. Tuli, "A surveillance system based on motion detection and motion estimation using optical flow," IEEE 5th International Conference on Informatics, Electronics and Vision (ICIEV), pp. 646-651, 2016.
Y. Seungho, and K. Jaemin, “Realtime Vehicle Tracking and Region Detection in Indoor Parking Lot for Intelligent Parking Control,” Journal of Korea Multimedia Society, Vol. 19, No. 2, pp. 418-427, 2016.

원문보기 상세보기
D. K. Yadav, L. Sharma, and S. K. Bharti, "Moving object detection in real-time visual surveillance using background subtraction technique," IEEE 14th International Conference on Hybrid Intelligent Systems, pp. 79-84, 2014.
Z. Chen, T. Ellis, and S. A. Velastin, "Vehicle detection, tracking and classification in urban traffic," 15th International IEEE Conference on Intelligent Transportation Systems, pp. 951-956, 2012.
Pokale, A. Tushar, D. T. Ingole, and M. D. Ingole, “A review on real time integrated CCTV system using face detection for vehicle seat vacancy identification with image processing technique,” International Journal on Recent and Innovation Trends in Computing and Communication, Vol. 6, No. 7, pp. 121-123, 2018.
S. Yang, C. Choi, and H. Choi, “Design and Implementation of Vehicle Route Tracking System using Hadoop-Based Bigdata Image Processing,” Journal of Digital Contents Society, Vol. 14, No. 4, pp. 447-454, 2013.

원문보기 상세보기
A. Paul, "Graph based M2M optimization in an IoT environment," In Proceedings of the 2013 Research in Adaptive and Convergent Systems, pp. 45-46, 2013.
C. Caraffi, T. Vojir, J. Trefny, J. Sochman, and J. Matas, "A system for real-time detection and tracking of vehicles from a single carmounted camera," 15th international IEEE conference on intelligent transportation systems, pp. 975-982, 2012.
H. Lee, D. Kim, D. Kim, and S. Y. Bang, "Real-time automatic vehicle management system using vehicle tracking and car plate number identification," IEEE International Conference on Multimedia and Expo. ICME '03. Proceedings (Cat. No. 03TH8698), Vol. 2, pp. II-353, 2003.
S. L. Chang, L. S. Chen, Y. C. Chung, and S. W. Chen, “Automatic license plate recognition,” IEEE transactions on intelligent transportation systems, Vol. 5, No. 1, pp. 42-53, 2004.

상세보기
M. Betke, E. Haritaoglu, and L. S. Davis, "Real-time multiple vehicle detection and tracking from a moving vehicle," Machine vision and applications, Vol. 12(2), pp. 69-83, 2000.

상세보기
D. M. Babu, K. Manvitha, M. S. Narendra, A. Swathi, and K. P. Varma, “Vehicle tracking using number plate recognition system,” International Journal of Computer Science and Information Technologies, Vol. 6, No. 2, pp. 1473-1476, 2015.
Y. Y. Chen, J. R. Chen, L. H. Chang, and S. C. Hung, U.S. Patent No. 9,761,135. Washington, DC: U.S. Patent and Trademark Office, 2017.
S. Misra, R. Barthwal, and M. S. Obaidat, "Community detection in an integrated Internet of Things and social network architecture," In 2012 IEEE Global Communications Conference, pp. 1647-1652), 2012.
D. Le-Phuoc, H. N. M. Quoc, H. N. Quoc, T. T. Nhat, and M. Hauswirth, "The Graph of Things: A step towards the Live Knowledge Graph of connected things," Journal of Web Semantics, Vol. 37, pp. 25-35, 2016.

상세보기
Geographical_distance, https://en.wikipedia.org/wiki/Geographical_distance.

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