KR100590841B1

KR100590841B1 - 기준차량정보의 추가를 수반하는 영상기반의 교통량 분석시스템 및 그 방법

Info

Publication number: KR100590841B1
Application number: KR1020040117758A
Authority: KR
Inventors: 이준환; 권재호; 임용배
Original assignee: 유일정보시스템(주)
Priority date: 2004-12-31
Filing date: 2004-12-31
Publication date: 2006-06-19

Abstract

본 발명은 기준차량정보의 추가를 수반하는 영상기반의 교통량 분석 시스템에 관한 것으로, 도로 상의 검지 영역에 대한 도로 및 차량의 영상을 취득하는 영상 취득부; 각종 차량에 대하여 윤곽정보를 기초로 하는 기준차량정보를 저장하는 기준차량 데이터베이스; 영상 취득부의 취득 영상에서 분석 대상인 객체차량의 윤곽정보를 검출하고, 객체차량의 윤곽정보를 기준차량 데이터베이스의 다수의 기준차량정보와 비교하여 매칭 점수가 가장 높은 기준차량정보를 추출하고, 객체차량을 추출된 기준차량정보에 해당하는 차량으로 판단하는 차종 판단부; 차종 판단부에서 객체차량의 윤곽정보와 기준차량정보의 매칭 점수가 소정수 이하인 경우에 객체차량의 윤곽정보를 이상화면으로 정의하고 저장하는 이상화면 데이터베이스; 및 이상화면 데이터베이스에 저장된 이상화면의 수가 소정수 이상이면, 동치관계에 의한 군집분할이 가능한 지를 판단하고, 군집분할이 가능하면 군집을 형성하는 이상화면들을 상호 매칭하여 매칭점수의 합이 최대가 되는 이상화면을 기준차량 데이터베이스에 새로운 기준차량정보로 저장하는 기준차량 처리부를 포함하여 구성된다.

Description

기준차량정보의 추가를 수반하는 영상기반의 교통량 분석 시스템 및 그 방법{Advanced Traffic Analyzing System with Adding Referenced Vehicles}

도1은 본 발명에 따른 기준차량정보 추가를 수반하는 교통량 분석 시스템의 구성도,

도2는 영상 전처리 과정의 흐름도,

도3은 이상화면에 대한 기준차량정보의 추출을 개념적으로 보여주는 그래프, 그리고

도4는 본 발명에 따른 기준차량정보 추가를 수반하는 교통량 분석의 흐름도이다.

- 도면의 주요 부분에 대한 부호의 설명 -

100: 영상 취득부 200: 영상 전송부

300: 영상 분석부 310: 파일 형태 변환부

320: 영상 전처리부 330: 차량 추적부

340: 차량 분석부 350: 차량정보 DB

400: 자료 출력부

본 발명은 교통정보 처리시스템에 관한 것으로, 상세하게는 도로의 교통량을 측정하여 차량의 종류, 속도, 숫자 등을 자동으로 분석하는 영상기반의 교통량 분석 시스템에 관한 것이다.

일반적으로 도로 교통량의 조사는 일용직으로 고용된 사람들이 도로변에서 계수기로 차량의 통행량 등을 조사하는 방식으로 이루어지고 있다. 이와같이, 차종등을 고려한 종래의 교통량 분석은 육안으로 차종을 구분하여 체크 시트에 기록 및 종합하거나, CCD 카메라 등의 영상 획득 장치에 의하여 영상자료를 취득한 후 사람이 영상을 보면서 차종을 구분하고 각 차종의 대수 등을 파악하는 수동적 또는 반수동적 방법이 이용되고 있다.

그런데, 이러한 조사 방식은 사람이 실시간으로 교통량을 측정하는 데 따르는 인식의 한계 때문에 속도, 차종 등의 인식을 동시에 수행하는 데 어려움이 있고, 조사자의 조사 태도에 따라 정확성이 떨어질 수 있으며, 또한 크기 등의 개략적인 차종의 분류만 가능하므로, 교통량 분석이 정확성이나 신속성 등의 면에서 많은 문제점을 갖고 있다.

본 발명은 이러한 문제를 해결하기 위한 것으로, 도로의 교통량 분석에서 차량의 속도나 대수는 물론, 차량의 종류를 정확하고 신속하게 구별하여 처리함으로 써 교통량 분석에 따른 시간이나 비용을 대폭 감소시키는 것을 목적으로 한다.

이러한 목적을 달성하기 위하여, 본 발명은 도로상의 특정 영역의 영상을 연속적으로 취득하여 전송하는 영상취득부, 영상 취득부의 취득 영상에서 도로를 통과하는 차량의 종류/대수/속도 등을 분석하고 이상화면에서 새로운 기준차량정보를 추출하여 저장하는 영상 분석부 등으로 구성된다.

이하, 첨부도면을 참조하여 본 발명을 상세히 설명한다.

도1은 본 발명에 따른 교통량 분석 시스템의 구성도이다. 교통량 분석 시스템은 영상취득부(100), 영상전송부(200), 영상분석부(300), 자료출력부(400) 등으로 구성된다.

영상취득부(100)는 도로에서 차선별로 주행하는 차량 및 도로에 대한 영상을 취득하여 다수의 프레임을 갖는 영상 데이터로 변환하여 출력한다. 영상취득부(100)은 CCD 카메라 등의 다양한 수단을 이용한다. 영상취득부(100)는 도로에서 주행하는 차량을 취득하기 가장 적합한 위치에 고정 설치되거나, 교통량 조사가 필요한 지점이나 시점에 따라 이동시킬 수 있는 이동식이어도 무방하다. 영상취득부(100)에서 얻어진 영상데이터는, CD 등의 저장장치에 저장한 후에 영상분석부(300)로 분석하거나, 얻어진 영상데이터를 실시간으로 영상분석부(300)로 전송할 수도 있다.

영상전송부(200)는 영상취득부(100)에서 취득된 도로상의 영상데이터를 영상분석부(300)로 전송한다. 영상전송부(200)는 데이터 압축부, 안테나, 전송선로 등을 포함한다. 여기서, 전송선로는 유선이나 무선을 이용하며, 영상취득부(100)가 이동식인 경우에는 무선을 이용하는 것이 바람직하다.

영상분석부(300)는 파일 형태 변환부(310), 영상 전처리부(320), 차량 추적부(330), 차량 분석부(340), 차량정보 DB(350) 등으로 구성된다.

파일 형태 변환부(310)는 영상 취득부(100)에서 전송된 MPEG-4 Xvid 포맷의 동영상 파일을 AVI 형태로 변환시킨다.

영상 전처리부(320)는 검지영역에서 움직이지 않는 배경영상을 생성하고, 취득영상을 배경영상과 비교하여 취득영상에서 움직이는 부분에 대한 객체영역을 생성한다. 영상 전처리부(320)는 일반적으로 2가지 루트를 통하여 처리된다. 취득영상에서 그림자가 없는 객체 영역을 출력하는 제1루트와 취득영상에서 배경영상은 포함하지 않으나 그림자를 포함하는 객체 영역을 추출하는 제2루트로 구성되며, 최종적으로 제1루트의 결과와 제2루트의 결과를 결합하여 근사적으로 그림자가 없는 객체의 윤곽을 출력한다.

도2는 영상 전처리 과정의 흐름도이다.

도2에 도시된 바와같이, 그림자 없는 객체 영역을 출력하는 제1루트는 취득영상의 시퀀스(321)에서 주요 경계선을 추출한 후(322), 모폴로지 필터를 거친다 (323).

주요 경계선 추출(322)에서, 그림자는 농담, 소위 그라데이션(gradation)이 있어서 강한 에지 강도를 가지지 않는다. 따라서, 농담 영상(또는 그레이 영상)을 소벨 필터(Sobel Operator)와 컨벌루션(convolution)하면 0∼255 값을 갖게 되고, 여기서 그림자를 제거하기 위하여 200 이상을 에지로 인정함으로써 중요 경계선을 추출한다.

모폴로지 필터(323)에서, 필터링을 한 영상은 임계값을 통과한 점들의 집합이다. 따라서, 다일레이션(dilation)을 통해서 점들을 연결시키고 확장된 만큼 에로젼(erosion)하면 그림자를 포함하지 않는 영역을 얻을 수 있다.

이와같이, 중요 경계선 추출과 모폴로지 필터를 거치면, 차선이나 그림자가 없는 객체의 에지 부분이 결과로서 출력된다.

도2에 도시된 바와같이, 입력영상에서 배경영상은 포함하지 않으나 그림자를 포함하는 객체 영역을 추출하는 제2루트는 배경 영상 추출(324), 차분 영상 획득(325), 및 모폴로지 필터를 거친다(326).

배경 영상 추출(324)은 프레임에 차량이나 기타 노이즈가 있는 부분은 인접한 프레임 사이의 픽셀 값의 변화가 크고 순수한 배경 부분은 인접한 프레임 사이의 픽셀 값의 변화가 작은 성질을 이용한다. 예를들어, AVI 파일 스트림 중에서 100 프레임 당 한장의 영상을 주기적으로 선택하여, 선택된 프레임 사이의 픽셀 값의 변화가 작은 프레임의 영상을 배경 영상으로 결정한다. 여기서, 선택되는 프레 임은 100 프레임당 한장씩으로 하고 있으나, 교통량이 많아서 선택되는 프레임마다 차량 등이 존재하는 경우에는 선택되는 프레임의 간격을 300, 500, 1000 등으로 확대할 수 있다.

차분 영상 획득(325)은 취득 영상에서 배경 영상을 차분하면 얻어지는 데, 여기에는 객체 블럽과 작은 사이즈의 노이즈가 존재한다.

모폴로지 필터(326)에서, 차분 영상을 에로젼(erosion)하여 작은 사이즈의 노이즈를 제거하고 다일레이션(dilation)을 통해서 줄어든 면적만큼 보상해 주면 차선이나 기타 노이즈가 없는 그림자를 포함한 객체 영역을 얻을 수 있다.

위의 제1루트를 통하여 얻어지는 그림자를 포함하지 않는 객체 영상과 제2루트를 통하여 얻어지는 그림자를 포함하는 객체 영상을 AND 연산하게 되면, 근사적으로 노이즈나 그림자가 없는 객체 영역의 윤곽을 얻을 수 있다.

도1에서, 차량 추적부(330)는 검지 영역 내에서 차량으로 고려할 수 있는 독립된 이동 객체를 추적한다. 연속되는 프레임을 비교하면서 검지 영역의 시작단에 새로운 블럽 객체가 생성되면 추적을 시작하고, 객체의 추적과 동시에 레이블을 생성하여 부여한다. 객체가 검지 영역의 끝단을 벗어나면 추적을 종료한다.

새로운 객체의 검지를 보면, 먼저 검지 영역 내에서 검지 영역의 세로길이의 절반을 기준선으로 정하고, 기준선보다 위쪽 영역에 새로운 블럽 객체가 생성되면 새로운 레이블을 부여한다. 한편, 기준선 아래 영역에서 새로운 객체가 나타나면 이는 전처리의 불안정으로 판단하고 삭제하는 등의 필터링 작업을 수행한다.

객체가 사라지는 경우의 처리를 보면, 반사광이나 전처리 상에서 생긴 문제로 인해서 객체가 사라지면 현재 프레임에 이전 프레임의 정보를 복사한다. 검지 영역의 크기를 고려하여 객체가 소정수의 프레임 동안 나타나지 않으면 그 부분에 해당하는 객체는 잡음에 의하여 일시적으로 생긴 것으로 보고 삭제한다. 기준선 아래의 객체는 전처리에서 사라졌을 경우보다 차량이 빠져나갔을 가능성이 크므로 다음 프레임에서 나타나지 않을 경우에 객체를 복사하지 않는다.

본 발명의 차량 추적은 면적과 위치를 이용하여 이루어진다. 연속된 프레임에서 객체는 비슷한 위치에 있을 것이라는 가정을 바탕으로 객체를 추적한다. 객체가 추적되면 객체의 위치정보를 갱신한다.

그 밖에, 차량 추적에서, 프레임에서 객체의 겹칩이 발생하면 객체 영역을 축소시켜 분리하고, 이전 프레임에서 하나의 영역을 가진 객체가 현재 프레임에서 두 개 이상이 되는 경우 이전 프레임에서 얻어온 마스크를 통하여 영역을 병합하고, 이전 프레임에서 두 개의 객체가 현재 프레임에서 하나의 영역으로 되는 경우에는 이전 프레임을 이용하여 객체 영역을 분리한다.

차량 분석부(340)는 차량의 종류를 판단하는 차종 판단부(341), 각 차선별로 차량의 속도를 계산하는 속도 계산부(342), 차선별/차종별 대수 및 이상화면의 갯수를 카운트하는 카운트부(343), 그리고 차종 판단의 기준차량정보를 추출하여 기준차량 DB(351)에 저장시키는 기준차량 처리부(344) 등을 포함한다.

차종 판단부(341)는 검지 영역의 특정 지점, 예를들어 검지 영역의 하단(인식 표시선)에 이른 객체차량의 영상에 기초하여 차량의 종류를 판단한다. 차량의 종류 분석은 비교의 기준이 되는 기준차량 DB의 구축과 캡처된 객체차량을 기준차량과 비교하여 차량의 종류를 판단하는 것으로 이루어지는데, 여기에 네버시아(Navatia) 필터, R-테이블, GHT(Generalized Hough Transform) 등이 이용된다.

먼저, 기준차량 DB의 구축은 비교의 기준이 되는 기준차량의 에지 정보에 관한 R-테이블(이하, 기준 R-테이블)을 구성함으로써 이루어진다. 기준 R-테이블은 뷰가 고정되어 있다는 가정하에 검지 영역의 인식 표시선에 닿아 있는 기준차량에 대하여 차선별로 행해지는 것으로, 네버시아 필터를 이용하여 기준차량의 에지를 추출하고 R-테이블을 구성한다.

일반적으로 정확한 GHT(GHT: Generalized Hough Transform) 매칭을 적용하기 위해서는 0°∼360°의 방향으로 R-테이블이 모두 구성되어야 하나, 본 발명에서는 계산량을 줄이기 위해서 6개 방향, 즉 0°, 30°, 60°, 90°, 120°, 150°로 한정한다. 여기서, R-테이블은 경계선과 기준차량의 임의 중심과의 관계식에 의하여 표현된다.

다음으로, 차종 판단은 네버시아 필터를 이용하여 객체차량으로부터 에지 정보를 추출하고 객체 R-테이블을 구성하는 것으로 시작된다. 인식 표시선에 도착한 객체차량의 그레이 영상에서 네버시아 필터를 이용하여 에지를 추출하고, 6개 방향에 대한 객체 R-테이블이 구성되면, GHT를 이용하여 객체 R-테이블과 기준 R-테이블을 비교된다. 비교 결과, 매칭 점수가 가장 높은 기준 R-테이블에 해당하는 기준 차량을 객체 R-테이블의 대응 차량으로 판단한다.

매칭 점수는 (GHT에 의해 매칭된 에지수)/max(기준차량의 에지수, 개체차량의 에지수)로 계산된다. 만약, 기준차량과 객체차량이 동일하면, 매칭점수는 최대가 되고, 이때 매칭 점수는 1이 된다. 그러나, 캡쳐된 객체차량의 영상에는 기하학적인 왜곡이 존재하므로, 동일한 차량이라도 매칭점수가 1이 되기는 어려우며, 따라서 매칭 점수가 가장 높은 기준차량이 객체차량으로 판단된다.

GHT에 의하여 객체차량의 종류가 판단되면, 속도 계산부(341)에 의하여 해당 객체차량의 속도가 계산되고, 카운트부(343)에 의하여 차선 및 차종을 고려한 차량 대수가 카운트되어 기록차량 DB(352)에 저장된다.

이와같이, 본 발명의 차종 판단은 단순히 객체의 크기만을 비교하는 것이 아니라, 실제 차량의 기준영상을 데이터베이스화하여 비교하는 프로토타입 매핑을 이용한다. 이러한 프로토타입 매핑은 객체차량의 영상의 일부가 훼손된 경우에도 차종 판단이 가능하다.

그러나, 매칭 점수가 아주 낮은 경우, 예를들어 최고 매칭 점수가 0.2 이하인 경우는 기준차량 DB(351)에 저장된 기준차량정보 및 GHT에 의한 차종 판단이 불가능한 데, 이 경우는 이상화면으로 분류되어 카운트부(343)에 의하여 카운트되고 이상화면 DB(353)에 저장한다.

한편, 기준차량 처리부(344)는 이상화면 DB(353)에 저장된 이상화면들에서 새로운 기준차량정보를 추출하여 기준차량 DB(351)에 저장시키는 데, 여기서 이상 화면들은 적합한 기준차량정보가 없다고 가정되어 다음과 같이 처리된다.

첫째, 이상화면 DB(353)에 저장된 이상화면의 수가 예를들어 100에 도달하면, 진행 차선별로 이상화면을 분류한다.

둘째, 각 차선의 이상화면 사이에 GHT 매칭을 수행하여 매칭 점수를 계산한다. 계산된 매칭 점수를 이용하여 퍼지 허용행렬(Fuzzy Compatibility Matrix)을 구성하고, 알파 수준의 동치관계(Equivalence Relation)를 추출한다. 그리고, 각 동치관계 집합들에서 대표 차량의 R-테이블을 추출하여 새로운 기준 R-테이블로서 기준차량 DB(351)에 저장한다.

다음의 표1은 N개의 이상화면 사이의 GHT 매칭 점수를 예시한 표이다.

[표 1]

	1	2	3	4	5	6	7	...	N
1	1.00	0.18	0.18	0.17	0.12	0.17	0.18
2	0.18	1.00	0.29	0.23	0.15	0.18	0.19
3	0.18	0.29	1.00	0.28	0.13	0.13	0.13
4	0.17	0.23	0.28	1.00	0.16	0.08	0.09
5	0.12	0.15	0.13	0.16	1.00	0.07	0.06
6	0.17	0.18	0.13	0.08	0.07	1.00	0.20
7	0.18	0.19	0.13	0.09	0.06	0.20	1.00
.
N									1.00

표1에서, 대각선 방향은 동일 차량이고, 매칭 점수는 최대 1이 된다. 만약 유사한 차량이면 1에 가까워지며, 그렇지 않다면 0에 가깝게 된다. 매칭 점수의 알파 수준을 0.2라 하면, 동치관계에 의하여 {2,3,4}, {6,7}라는 군집분할이 이루어지며, 이들 2개의 군집에서 하나씩 대표 차량을 추출하여 그 대표 차량에 대한 R-테이블을 새로운 기준 R-테이블로 설정하여 기준차량 DB(351)에 저장한다. 여기서, {2,3,4}의 경우는 각 차량과 다른 차량 사이의 매칭 점수의 합이 최대(0.57)가 되는 3이 추출되고, {6,7}의 경우는 두 차량 중에서 먼저 이상화면으로 분류된 차량을 추출한다.

도3은 이상화면에 대한 기준차량정보의 추출을 개념적으로 보여주는 그래프이다. 도3에 도시된 바와같이, 그래프 상의 공간을 가상 매칭 공간이라 하고, 기준차량 DB(351)에 별표의 기준차량정보가 R-테이블로 저장되어 있다고 하면, 최대 매칭 점수가 소정의 기준치 이상(도3에서 원 내부)인 차량들은 차종 판단에 성공하여 해당하는 R-테이블의 대응 기준차량으로 판단되지만, 그 외의 차량(도3에서 원 외부)들은 차종 판단에 실패하게 된다. 차종 판단에 실패한 차량들은 2개의 군집과 2개의 독립 차량으로 구성되어 있는데, 군집의 중심에 존재하는 차량(도3에서 하늘색 원으로 표시)을 해당 군집의 기준차량으로 추출하고 추출된 차량의 R-테이블을 기준차량 DB(351)에 새로운 기준 R-테이블로 저장한다.

차량 분석부(340)의 속도 계산부(342)는 차량 추적 시작 프레임과 추출한 영상까지의 프레임을 이용하여 차량의 속도를 계산한다. 예를들어, 영상에 나타난 검지 영역의 길이와 추적 대상 차량이 진행하는 데 걸린 시간을 이용한다. 차량의 진행 시간은 검지 영역을 통과하는 데 소요된 프레임의 수가 이용된다. 즉, 진행시간은 "검지영역 통과 프레임수 * (1/프레임 레이트)" 이다. 이와같이 계산된 속도를 평균하여 평균 속도를 산출한다.

차량 분석부(340)의 카운트부(343)는 차종별 및 전체 차량을 대상으로 차량을 카운트하는데, 이는 연속된 프레임에서 동일 객체를 추적함으로써 가능하다.

차량정보 DB(350)는 차량 분석부(340)에서 발생한 데이터를 저장하는 것으로, 비교의 기준의 되는 기준차량정보를 R-테이블 형태로 저장하는 기준차량 DB(351), 이용 시간대별로 통과하는 차량의 차종별 숫자, 차량별 또는 차선별 평균속도 등을 저장하는 기록차량 DB(352), 그리고 차종 판단에 실패한 이상화면을 저장하는 이상화면 DB(353) 등으로 구성된다.

자료 출력부(400)는 영상 분석부(300)의 결과를 이용하여 각종 평가자료 및 증빙자료를 출력한다.

도4는 본 발명에 따른 기준차량정보 추가를 수반하는 교통량 분석의 흐름도이다. 도4에 도시된 바와같이, 먼저, 영상 취득부(100)를 이용하여 도로상의 차량 및 배경에 대한 영상을 취득한다(S501). 영상 취득부(100)로부터 전송된 영상의 파일을 AVI 등의 형태로 변환하고, 배경이나 그림자가 없는 움직이는 객체에 대한 영역을 추출한다(S502). 추출된 객체차량을 추적하면서(S503), 객체차량의 속도를 계산하기 위한 정보를 임시로 저장한다(S513). 차량을 추적하면서(S503), 객체차량이 검지 영역의 끝단인 인식 표시선에 도착하는지를 판단하여(S504), 객체차량이 인식 표시선에 도착하면 객체차량의 영상을 취하고(S505), 차종 판단 알고리즘을 수행한 다.

차종 판단 알고리즘은 네버시아 필터를 이용한 에지 검출 단계(S506), 단계 S506에서 검출된 에지를 이용하여 6개 방향에 대한 R-테이블을 구성하는 단계(S507), 그리고 기준차량 DB(351)에 저장된 기준차량정보의 기준 R-테이블과 단계 S507 단계에서 구성된 객체차량의 객체 R-테이블을 GHT 매칭을 이용하여 비교하는 단계(S508) 등으로 구성된다.

차종 인식 알고리즘의 차종 판단 단계(S508)에서, 차종 판단이 가능하면 차종 및 전체 차량의 대수 카운트와 단계 S513에서 임시 저장된 속도 관련 정보를 이용하여 차량의 속도를 계산하고(S514), 얻어진 차종 정보를 기록차량 DB(352)에 저장한다. 그러나, 단계 S508에서 차종 인식이 불가능하면 객체차량 영상을 이상화면으로 분류하고 이상화면 DB(353)에 저장한다(S509).

이후, 이상화면 DB(353)에 저장된 이상화면의 수가 소정의 갯수 이상이 되는 지를 판단하여(S510), 이상화면의 수가 소정수 이상이면 군집분석에 의한 새로운 기준차량정보를 추출하는 과정을 실행한다.

군집분석에 의한 새로운 기준차량정보 추출은 이상화면 DB(353)에 저장된 이상화면들 사이에서 동치관계에 의한 군집분할이 가능한 지를 판단한다(S511). 군집분할 판단단계(S511)에서 소정의 알파 수준에 의하여 결정되는 다수의 이상화면들로 구성되는 군집이 형성되면, 군집 내의 이상화면들을 GHT 매칭하여, 매칭 점수의 합이 최대가 되는 이상화면을 그 군집의 대표 차량정보로 선택하고, 이 대표 차량정보에 해당하는 R-테이블을 기준차량 DB(351)에 새로운 기준차량정보로 저장한다. 군집분할 판단단계(S511)에서 소정수 이상의 이상화면들로 구성된 군집이 형성되지 않으면, 이상화면 DB(353)의 이상화면 수를 체크하는 단계(S510)를 수행한다.

이상의 설명에서, 군집분석에서 소정의 알파 수준에서 2개 이상의 이상화면들로 구성되는 군집이 형성되는 경우를 중심으로 설명하였으나, 독립된 하나의 이상화면을 기준차량으로 저장할 수도 있다. 또한, 군집분석에서 대표 차량의 정보를 그 군집의 기준차량정보로 기준차량 DB에 저장할 지의 여부를 작업자가 직접 결정하는 제어신호를 외부에서 입력하도록 구성할 수도 있다.

특히, 이상에서는 기준차량 DB를 일부 구축한 후에 새롭게 캡처된 객체차량 영상에 대하여 차종 판단 및 기준차량정보 추가 등이 처리되도록 구성하였으나, 기준차량 DB의 구축없이 객체차량 영상의 캡처로부터 시스템이 실행될 수 있도록 구성하는 것도 가능하다. 이 경우에는 기준차량 DB의 구축과 차종 판단의 처리가 따로 존재하는 것이 아니라 함께 존재하게 되는 것이다.

그리고, 이상에서, 영상 전송부를 별도로 구비하여 현지에서 취득된 영상자료를 원거리에서 분석하는 경우를 상정하여 설명하였으나, 현지에서 취득된 영상자료를 현지에서 직접 영상분석부로 영상을 분석하여 자료를 저장하거나, 전송하도록 구성할 수도 있다.

본 발명에 따른 교통량 분석 시스템에 의하면, 도로의 차선별 및 차종별로 특정 시간대의 통과 차량수, 평균속도 등을 신속하고 정확하게 분석할 수 있으며, 특히 기준차량정보가 미흡하거나 준비되지 않은 상황이라 하더라도 다수의 객체차량정보를 분석하여 기준차량정보를 추가함으로써 차종판단 등의 정확성을 대폭 향상시킬 수 있다.

특히, 이 시스템을 실제 20분 동안 도로에 적용한 결과, 기준차량 DB에 등록된 차량이 전체 차량의 약 25%에서 15%로 감소하였고, 차종판단의 성공률도 82%에서 95%까지 증가하였다.

이러한 차종별 교통량 자료는 교통량 영향 평가에서 도로의 활용도를 예측하는 데 중요하게 사용된다. 또한, 이동식 영상 취득장치를 사용함으로써, 교통량 데이터의 취득에 기동성을 기하고, 교통량 분석을 필요로 하는 고객에게 적시 적소의 정확한 자료를 제공할 수 있다.

Claims

도로 상의 교통량을 분석하는 시스템에 있어서,

도로 상의 검지 영역에 대한 도로 및 차량의 영상을 취득하는 영상 취득부;

각종 차량에 대하여 윤곽정보를 기초로 하는 기준차량정보를 저장하는 기준차량 데이터베이스;

상기 영상 취득부의 취득 영상에서 분석 대상인 객체차량의 윤곽정보를 검출하고, 상기 객체차량의 윤곽정보를 상기 기준차량 데이터베이스의 다수의 기준차량정보와 비교하여 매칭 점수가 가장 높은 기준차량정보를 추출하고, 상기 객체차량을 상기 추출된 기준차량정보에 해당하는 차량으로 판단하는 차종 판단부;

상기 차종 판단부에서 상기 객체차량의 윤곽정보와 기준차량정보의 매칭 점수가 소정수 이하인 경우에 상기 객체차량의 윤곽정보를 이상화면으로 정의하고 저장하는 이상화면 데이터베이스; 및

상기 이상화면 데이터베이스에 저장된 이상화면의 수가 소정수 이상이면, 동치관계에 의한 군집분할이 가능한 지를 판단하고, 군집분할이 가능하면 군집을 형성하는 이상화면들을 상호 매칭하여 매칭점수의 합이 최대가 되는 이상화면을 상기 기준차량 데이터베이스에 새로운 기준차량정보로 저장하는 기준차량 처리부를 포함하는 것을 특징으로 하는 기준차량정보의 추가를 수반하는 영상기반의 교통량 분석 시스템.
제1항에 있어서, 상기 기준차량 데이터베이스는

초기에 기준차량정보를 저장하고 있지 않은 상태에서 상기 기준차량 처리부에서 생성되는 새로운 기준차량정보에 의하여 채워지는 것을 특징으로 하는 기준차량정보의 추가를 수반하는 영상기반의 교통량 분석 시스템.
제1항 또는 제2항에 있어서, 상기 기준차량 처리부는

동치관계에 의한 군집분할에 의하여 하나의 이상화면이 독립적으로 존재하는 경우 상기 독립 이상화면을 상기 기준차량 데이터베이스에 새로운 기준차량정보로 저장하는 것을 특징으로 하는 기준차량정보의 추가를 수반하는 영상기반의 교통량 분석 시스템.
도로상의 교통량을 분석하는 방법에 있어서,

도로상의 차량 및 배경에 대한 영상을 취득하고, 배경이나 그림자가 없는 움직이는 객체차량에 대한 윤곽정보를 추출하는 단계;

상기 객체차량의 윤곽정보를 기준차량의 윤곽정보와 매칭시켜 매칭점수가 소정수 이상이면 객체차량을 매칭된 기준차량으로 판단하고, 매칭점수가 소정수 이하이면 이상화면으로 분류하여 저장하는 단계; 및

이상화면이 소정수 이상이면 이상화면들이 동치관계에 의한 군집분할이 가능한 지를 판단하고, 군집분할이 가능하면 군집을 형성하는 이상화면들을 상호 매칭 하여 매칭점수의 합이 최대가 되는 이상화면을 새로운 기준차량의 윤곽정보로 저장하는 단계를 포함하는 것을 특징으로 하는 기준차량정보의 추가를 수반하는 영상기반의 교통량 분석 방법.
제4항에 있어서, 새로운 기준차량의 윤곽정보를 저장하는 단계에서

동치관계에 의한 군집분할에 의하여 하나의 이상화면이 독립적으로 존재하는 경우 상기 독립 이상화면을 새로운 기준차량의 윤곽정보로 저장하는 것을 특징으로 하는 기준차량정보의 추가를 수반하는 영상기반의 교통량 분석 방법.