[논문]카메라 간 정보 공유를 통한 실시간 차량 추적 시스템 개발

김선형; 김상욱

doi:10.3745/ktccs.2020.9.6.137

[국내논문] 카메라 간 정보 공유를 통한 실시간 차량 추적 시스템 개발
Development of Real-Time Tracking System Through Information Sharing Between Cameras 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.9 no.6, 2020년, pp.137 - 142

초록
AI-Helper

사물인터넷 기기를 이용한 감시 시스템에 대한 연구가 증가함에 따라 특정 객체의 위치를 추적하는 연구의 필요성이 높아지고 있다. 빠른시간 안에 실시간으로 객체의 이동을 감지하고 이동 경로를 예측하는 것을 목표로 한다. 움직이는 객체를 명확하게 인식하고 검출하는 연구는 많이 이루어졌지만 객체를 인식하는 카메라 간의 정보의 공유를 필요로 하지 않는다. 본 논문에서는 카메라의 기기정보와 카메라에서 촬영하는 영상정보를 이용하여 객체의 이동반경을 예측하고 반경 내의 카메라에 대해 정보를 공유하여 객체의 이동 경로를 제공한다.

Abstract ▼ AI-Helper

As research on security systems using IoT (Internet of Things) devices increases, the need for research to track the location of specific objects is increasing. The goal is to detect the movement of objects in real-time and to predict the radius of movement in short time. Many studies have been done to clearly recognize and detect moving objects. However, it does not require the sharing of information between cameras that recognize objects. In this paper, using the device information of the camera and the video information taken from the camera, the movement radius of the object is predicted and information is shared about the camera within the radius to provide the movement path of the object.

주제어

표/그림 (9)

그림 Fig. 1. Overview of System
그림 Fig. 2. Path Generation
그림 Fig. 3. Architecture of Data Manager
그림 Fig. 4. Architecture of Tracking System
그림 Fig. 5. Scenario of System
그림 Fig. 6. An Algorithm of Real-time Tracking System
그림 Fig. 7. Data Monitoring
그림 Fig. 8. Image Storage and Number Recognition
그림 Fig. 9. Elapsed Time Comparison

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 시스템에 등록된 카메라에 대해 정보를 공유하고 탐색한다. 뿐만 아니라 차량의 이동반경을 예측하여 특정 범위 내의 카메라에 대해 영상을 분석하기 때문에 시간을 절약할 수 있다.
본 논문에서는 시스템에 등록된 카메라의 정보를 이용하여 차량을 추적하고 이동경로를 제공하는 시스템을 제안하였다. 제안하는 시스템은 사물인터넷 플랫폼을 기반으로 카메라의 기기정보와 영상정보를 저장하고 모니터링 한다.
본 연구에서는 특정 차량을 추적하기 위해 번호판 인식과 함께 차량의 이동 반경을 예측하고 탐색하는 알고리즘을 제안한다. 이 알고리즘을 이용하여 탐색하는 데이터의 양을 줄이고 탐색시간을 단축하고자 한다.
본 연구에서는 특정 차량을 추적하기 위해 번호판 인식과 함께 차량의 이동 반경을 예측하고 탐색하는 알고리즘을 제안한다. 이 알고리즘을 이용하여 탐색하는 데이터의 양을 줄이고 탐색시간을 단축하고자 한다.

가설 설정

5와 같다. 다음의 시나리오는 전체 카메라 C 중 7번 카메라 에서 원하는 차량의 번호판을 가장먼저 인식한 것으로 가정한다. 본 시스템은 카메라의 정보, 카메라의 현재 상태, 카메라에서 촬영한 영상을 실시간으로 저장한다.

제안 방법

또한 도난 차량이나 분실 차량의 위치를 추적하기 위한 연구가 진행되고 있다[3]. GPS를 이용한 위지청보와 데이터베이스에 저장된 차량과 소유자에 대한 정보를 이용하여 차량을 추적한다[4]. 그러나 추적을 하기 위해선 해당 차량에 송수신기가 설치되어 있어야하고, 본 시스템을 가진 지역에서만 작동된다는 한계가 있다.
그리고 차량 번호판 인식을 통해 특정 차량을 추적하는 연구가 있다[11]. JAVA OCR 라이브러리를 이용하여 차량의 이미지에서 텍스트 형태의 번호를 추출하고 비교하여 도난당한 차량을 찾는다. 또한 입력된 경로와 인접한 센서를 기준으로 다음 탐색할 이미지를 결정한다.
img_j를 분석하여 문자열 값이 처음에 찾고자 하는 차량의 번호판 문자(num_x) 와 동일할 때, 차량의 이동경로 path에 카메라 c_j의 위치정보를 저장한다. 결과적으로 카메라의 시간과 위치값을 이용하여 추적하고자 하는 차량의 경로 path를 반환한다.
또한 실시간으로 차량의 번호판을 인식하는 연구가 많이 이루어지고 있다[8-10]. 그러나 단일 카메라를 이용하여 차량을 추적하거나, 차량 추적용 카메라와 번호 식별용 카메라를 이용하여 연구를 진행하였다. 본 연구는 차량의 감지 및 추적과 번호판 인식의 정확도에 초점을 두고 있기 때문에 카메라 간 분석한 정보를 공유할 필요가 없고, 단일 카메라의 성능을 평가하는데 그친다.
7은 데이터 베이스에 저장된 데이터를 모니터링 하는 화면이다. 데이터 베이스 테이블의 구조는 카메라 각각을 구분할 카메라 고유 번호(cam_id), 각 카메라에서 영상을 분할하여 이미지를 저장한 시간(time), 카메라 기기의 종류(cam_type), 카메라 위치의 위도 값(cam_lat), 카메라위치의 경도 값(cam_lng), 분할 저장된 이미지의 경로(pic_link), 이미지를 분석한 차량의 번호(car_num), 그리고 카메라의 연결 여부(cam_connect)로 구성 되어있다.
제안하는 시스템은 시스템에 등록된 카메라 기기에서 차량의 이동 반경을 예측하고 예측된 반경 내에 있는 카메라에 대해서만 차량을 탐색한다. 따라서 구현한 시스템이 탐색시간 단축에 효율적임을 평가하기 위해 카메라 기기에서 촬영되고 저장된 모든 이미지에 대해 차량을 탐색할 때와 경과시간에 대한 비교 실험을 하였다.
부여한 조건을 만족하는 카메라에 대해 번호판의 번호()를 탐색하게 하고, 동일한 문자열을 탐색한 기기의 위치와 시간정보를 이용한다. 또한 기기 분석자(Device Analyzer)에서 분석한 차량의 이동반경()을 예측하고 이동반경 내에 있는 카메라 중거리가 가장 먼 카메라에 대해 같은 탐색을 반복한다.
콘텐츠 탐색자(Contents Detector)에서 등록된 각각의 카메라에서 촬영된 영상정보를 이미지로 분할하여 파일 서버(file server)에 저장하며, 원하는 차량의 번호판 이미지가 캡처된 이미지를 받아 온다. 또한 기기정보 탐색자(Device InfoDetector)에서 기기의 상태는 서버에서 실시간으로 모니터링 하고, 기기의 정보를 이용하여 탐색에 이용 가능한 기기인지 판별한다. 사용자가 찾고자 하는 차량의 번호()에 대해 저장된 이미지에서 차량 번호판을 탐색하여 콘텐츠 분석자(Contents Analyzer)에서 해당 이미지를 분석하고 번호판 번호를 서버의 데이터 베이스에 문자열로 추가하여 이용가능 하도록 한다.
등록된 차량의 위치 정보를 기준으로 특정 범위를 지정하여 범위 내의 카메라에서 해당 차량이 발견되었을 때 메시지를 출력함으로써 차량 도난을 예측할 수 있다. 또한 다양한 카메라에서 촬영된 차량의 사진을 비교 분석한다. 그러나 본 시스템은 차량 위치의 변경만 인지할 뿐, 추가적인 위치 탐색을 통해 이동경로를 예측하는데 한계가 있다.
이때 카메라로부터 받아온 실시간으로 저장되는 이미지 데이터는 용량이 방대하기 때문에 파일 서버(file server)에 저장하고 저장경로를 반환하여 서버(server)의 데이터베이스에 저장한다. 또한 접근자 모듈(Storage Accessor)에서 서버에 저장된 기기정보와 파일 서버에 저장된 영상자료에 접근할 수 있도록 하며 기기 접근자(Device Accessor)와 콘텐츠 접근자(Contents Accessor)에서 받아온 영상정보 데이터를 서버에서 분석하여 조건에 부합하는 카메라의 기기정보 데이터를 이용할 수 있도록 한다. 또한 다음 모듈로 정보를 전달한다.
본 시스템은 사물 인터넷 통합 플랫폼 환경에서 카메라 기기들의 데이터를 수집하고 상황에 따라 적합한 기기를 탐색 하고 사용자에게 서비스를 제공한다. 서버에서는 특정 차량의 번호판을 인식한 카메라의 정보를 이용하여 데이터베이스 에서 SQL 쿼리문을 통해 주위의 카메라에 같은 차량번호를 탐색한다.
다음의 시나리오는 전체 카메라 C 중 7번 카메라 에서 원하는 차량의 번호판을 가장먼저 인식한 것으로 가정한다. 본 시스템은 카메라의 정보, 카메라의 현재 상태, 카메라에서 촬영한 영상을 실시간으로 저장한다.
본 실험은 시스템에 등록된 카메라 3대에 대해 3개의 차량 이동경로를 출력한다. 3분 간 촬영한 이미지 207개와 15분간 촬영한 이미지 1062개, 그리고 30분 간 촬영한 이미지 2,106개에 대한 경과 시간을 비교해보면 이미지의 개수가 늘어날수록 시스템을 이용해 탐색하였을 경우 경과시간이 더 짧은 것을 확인할 수 있다.
사용자가 찾고자 하는 차량의 번호()에 대해 저장된 이미지에서 차량 번호판을 탐색하여 콘텐츠 분석자(Contents Analyzer)에서 해당 이미지를 분석하고 번호판 번호를 서버의 데이터 베이스에 문자열로 추가하여 이용가능 하도록 한다. 부여한 조건을 만족하는 카메라에 대해 번호판의 번호()를 탐색하게 하고, 동일한 문자열을 탐색한 기기의 위치와 시간정보를 이용한다. 또한 기기 분석자(Device Analyzer)에서 분석한 차량의 이동반경()을 예측하고 이동반경 내에 있는 카메라 중거리가 가장 먼 카메라에 대해 같은 탐색을 반복한다.
또한 기기정보 탐색자(Device InfoDetector)에서 기기의 상태는 서버에서 실시간으로 모니터링 하고, 기기의 정보를 이용하여 탐색에 이용 가능한 기기인지 판별한다. 사용자가 찾고자 하는 차량의 번호()에 대해 저장된 이미지에서 차량 번호판을 탐색하여 콘텐츠 분석자(Contents Analyzer)에서 해당 이미지를 분석하고 번호판 번호를 서버의 데이터 베이스에 문자열로 추가하여 이용가능 하도록 한다. 부여한 조건을 만족하는 카메라에 대해 번호판의 번호()를 탐색하게 하고, 동일한 문자열을 탐색한 기기의 위치와 시간정보를 이용한다.
제안하는 시스템은 사물인터넷 플랫폼을 기반으로 카메라의 기기정보와 영상정보를 저장하고 모니터링 한다. 시스템에 등록된 기기들을 기반으로 분할 저장된 영상을 분석하여 번호판의 번호를 추출하고, 데이터베이스에 저장된 데이터를 기반으로 차량의 이동반경을 예측한다. 또한 반경 내에 있는 카메라에 대해 이미지를 탐색하여 번호를 찾고, 카메라의 위치정보를 추출함으로써 차량의 이동경로를 예측할 수 있다.
본 논문에서는 시스템에 등록된 카메라의 정보를 이용하여 차량을 추적하고 이동경로를 제공하는 시스템을 제안하였다. 제안하는 시스템은 사물인터넷 플랫폼을 기반으로 카메라의 기기정보와 영상정보를 저장하고 모니터링 한다. 시스템에 등록된 기기들을 기반으로 분할 저장된 영상을 분석하여 번호판의 번호를 추출하고, 데이터베이스에 저장된 데이터를 기반으로 차량의 이동반경을 예측한다.
본 논문에서 개발한 실시간 추적 시스템에서 사용되는 모든 기기는 사물인터넷 플랫폼에 등록하고 사용한다. 제안하는 시스템은 시스템에 등록된 카메라 기기에서 차량의 이동 반경을 예측하고 예측된 반경 내에 있는 카메라에 대해서만 차량을 탐색한다. 따라서 구현한 시스템이 탐색시간 단축에 효율적임을 평가하기 위해 카메라 기기에서 촬영되고 저장된 모든 이미지에 대해 차량을 탐색할 때와 경과시간에 대한 비교 실험을 하였다.
플랫폼을 통해 수집한 카메라의 정보를 기반으로 또 다른 카메라를 탐색함으로써 사용자에게 필요한 정보를 제공할 수 있다. 제안하는 시스템은 카메라로부터 데이터를 수집하는 데이터 매니저, 기기에서 받아온 값을 분석하는 기기 매니저, 사용자에게 서비스를 제공하는 서비스 매니저로 구성되어 있다. Fig.
제안하는 시스템은 특정 차량의 번호판 문자열을 인식한 카메라 사이에서 정보를 공유하여 특정 차량을 추적한다. Fig.

이론/모형

또한 각각의 카메라는 이미지의 저장경로를 이용하여 차량 번호판의 알파벳과 숫자를 ‘AA5602PE’로 인식하고 데이터 베이스의‘car_num’ 열에 저장한 것을 확인할 수 있다. 차량 번호판의 알파벳과 숫자는 KNN(K Nearest Neighbors) 알고리즘을 이용하여 학습시킨 후 인식하였다.

성능/효과

본 실험은 시스템에 등록된 카메라 3대에 대해 3개의 차량 이동경로를 출력한다. 3분 간 촬영한 이미지 207개와 15분간 촬영한 이미지 1062개, 그리고 30분 간 촬영한 이미지 2,106개에 대한 경과 시간을 비교해보면 이미지의 개수가 늘어날수록 시스템을 이용해 탐색하였을 경우 경과시간이 더 짧은 것을 확인할 수 있다. 또한 탐색 시간의 기준을 추가하여 추후에 재평가할 것이다.
본 논문에서 제안하는 시스템의 구조는 카메라 기기로부터 데이터를 수집할 뿐만 아니라, 카메라의 상태를 함께 관리한다. 플랫폼을 통해 수집한 카메라의 정보를 기반으로 또 다른 카메라를 탐색함으로써 사용자에게 필요한 정보를 제공할 수 있다.
제안하는 시스템을 통해 재난, 도난과 같은 여러 상황에서 카메라에 촬영된 영상을 기반으로 주변 상황을 판단하고, 사용자에게 맞춤형 서비스를 제공할 수 있다. 이 연구는 향후 카메라 간 정보 공유를 통해 차량을 추적하기 때문에 사용자의 개입이 필요 없고, 반경 내 제한된 카메라에 대해 정보를 공유하기 때문에 분석을 최소화 한다.

후속연구

또한 다양한 카메라에서 촬영된 차량의 사진을 비교 분석한다. 그러나 본 시스템은 차량 위치의 변경만 인지할 뿐, 추가적인 위치 탐색을 통해 이동경로를 예측하는데 한계가 있다.
3분 간 촬영한 이미지 207개와 15분간 촬영한 이미지 1062개, 그리고 30분 간 촬영한 이미지 2,106개에 대한 경과 시간을 비교해보면 이미지의 개수가 늘어날수록 시스템을 이용해 탐색하였을 경우 경과시간이 더 짧은 것을 확인할 수 있다. 또한 탐색 시간의 기준을 추가하여 추후에 재평가할 것이다.
제안하는 시스템을 통해 재난, 도난과 같은 여러 상황에서 카메라에 촬영된 영상을 기반으로 주변 상황을 판단하고, 사용자에게 맞춤형 서비스를 제공할 수 있다. 이 연구는 향후 카메라 간 정보 공유를 통해 차량을 추적하기 때문에 사용자의 개입이 필요 없고, 반경 내 제한된 카메라에 대해 정보를 공유하기 때문에 분석을 최소화 한다.

참고문헌 (11)

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.
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.
P. A. R. Savoie and A. E. Boulay, U.S. Patent No. 5,895,436. Washington, DC: U.S. Patent and Trademark Office, 1999.
S. A. Hameed, O. Khalifa, M. Ershad, F. Zahudi, B. Sheyaa, and W. Asender, "Car monitoring, alerting and tracking model: Enhancement with mobility and database facilities," IEEE In International Conference on Computer and Communication Engineering, pp.1-5, 2010.
D, Balakrishnan, A, Nayak, P, Dhar, and S, Kaul, "Efficient geo-tracking and adaptive routing of mobile assets," 2009 11th IEEE International Conference on High Performance Computing and Communications, pp.289-296, 2009.
M. O. Thomas and B. B. Rad, "Reliability evaluation metrics for internet of things, car tracking system: A review," Int. J. Inf. Technol. Comput. Sci.(IJITCS), Vol.9, No.2, pp.1-10, 2017.
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.
C. Caraffi, T. Vojir, J. Trefny, J. Sochman, and J. Matas, "A system for real-time detection and tracking of vehicles from a single car-mounted 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, Vol.2, pp.II-353, 2003.
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, No.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," In International Journal of Computer Science and Information Technologies, Vol.6, No.2, pp. 1473-1476, 2015.

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