초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

차종 별 교통량 자료는 도로의 유지관리나 분석 등의 행정 처리 업무에 필요한 기본 자료임과 동시에 각종 연구에 활용된다. 본 시스템은 그 일환으로서 화물차나 일반차량을 구분하여 특정 도로의 화물차 비율이나 교통량을 파악하는데 활용할 수 있다. 머신 러닝 알고리즘 중에서 높은 성능을 보이는 Support Vector Machine (SVM) 알고리즘을 이용하여 도로 위의 일반차량과 화물차를 구분하였다. 우선, 화물차와 일반차량의 차이를 구분하고자 각각의 영상에 대해 Histogram of Oriented Gradients (HOG) 기반 특징점을 추출하고 이에 따라 1 차원 벡터로 표현된 데이터를 SVM 으로 분류하여 구분한다.

차종 별 교통량 자료는 도로의 유지관리나 분석 등의 행정 처리 업무에 필요한 기본 자료임과 동시에 각종 연구에 활용된다. 본 시스템은 그 일환으로서 화물차나 일반차량을 구분하여 특정 도로의 화물차 비율이나 교통량을 파악하는데 활용할 수 있다. 머신 러닝 알고리즘 중에서 높은 성능을 보이는 Support Vector Machine (SVM) 알고리즘을 이용하여 도로 위의 일반차량과 화물차를 구분하였다. 우선, 화물차와 일반차량의 차이를 구분하고자 각각의 영상에 대해 Histogram of Oriented Gradients (HOG) 기반 특징점을 추출하고 이에 따라 1 차원 벡터로 표현된 데이터를 SVM 으로 분류하여 구분한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 방법

제안 방법

• 일반 차량 영상 1000 장과 화물차 영상 1000 장 그리고, 버스 영상 400 장으로 SVM 을 학습시켰다. 시험용 set 은 각각 50 장씩으로 구성하였다.
• 제안하는 화물차 분류 시스템은 자동차의 입력 영상에 대해 화물차인지 일반 차량인지 혹은 대형 버스와 같은 승합차인지 구분한다. 전체 시스템은 그림 2 와 같이 나타난다.

대상 데이터

• 일반 차량 영상 1000 장과 화물차 영상 1000 장 그리고, 버스 영상 400 장으로 SVM 을 학습시켰다. 시험용 set 은 각각 50 장씩으로 구성하였다. 버스 영상은 74%, 일반차량 영상은 91%, 화물차 영상은 95%의 정확도로 분류하였다.

이론/모형

• 영상 기반의 데이터를 가공하여 SVM 알고리즘을 이용하여 학습을 진행한다. 데이터의 특징점을 추출하기 위해서 Histogram of oriented gradients (HOG)를 이용했다 [3]. 제안하는 시스템의 전반적인 흐름은 그림 1 과 같다.
• 전체 시스템은 그림 2 와 같이 나타난다. 영상 기반의 데이터를 가공하여 SVM 알고리즘을 이용하여 학습을 진행한다. 데이터의 특징점을 추출하기 위해서 Histogram of oriented gradients (HOG)를 이용했다 [3].
• 추츨한 HOG 를 이용하여 SVM 의 학습에 이용한다. 여기서 학습은 decision boundary 의 최적해를 구하는 방법이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기