KR101769839B1 - 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신러닝시켜 차량종류의 정확도를 향상시키는 방법 - Google Patents

Abstract

본 발명은 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신 러닝시켜 차량종류의 정확도를 향상시키는 방법에 관한 것으로, 고속도로를 이용하는 레이더 검지기에서 차량 종류를 분류하기 위해 파형의 패턴을 머신러닝을 통해 분석하여 분류하는 방법으로써,
먼저, 1) 영상 검지기를 통해 도로에 주행 중인 차량의 영상 신호를 입력 받아 이미지 프로세서를 통해 차량 종류의 정보를 입력 받고, 상기 영상 검지기와 동일한 조건에서 함께 설치된 루프 검지기를 통해 차량 속도의 정보를 입력 받아 차량 종류에 따른 속도의 정보를 훈련 데이터로 사용하고, 상기 영상 검지기와 동일한 조건에서 함께 설치된 레이더 검지기를 통해 차량 종류에 따른 파형의 패턴을 입력하여, 상기 영상 검지기와 루프 검지기로부터 입력 받은 차량 종류 및 차량속도의 정보를 훈련데이터와 상기 레이더 검지기를 통해 입력 받은 차량 종류에 따른 파형의 패턴을 머신러닝 시켜 분류 기준 데이터를 생성하도록 하여,
차후, 레이더 검지기에 나타나는 파형의 패턴만으로도 분류 기준 데이터를 통하여 차량의 종류의 정보를 출력하도록 하는 것을 특징으로 하는 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신러닝 시켜 차량 종류의 정확도를 향상시키는 방법에 관한 것이다.

Description

영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신러닝시켜 차량종류의 정확도를 향상시키는 방법 { How to loop video and radar detector detectors to the value of the classification machine learning to improve the accuracy of vehicle types }

본 발명은 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신 러닝시켜 차량종류의 정확도를 향상시키는 방법에 관한 것으로, 마이크로웨이브를 이용하는 레이더 검지기에서 차량 종류를 분류하기 위해 파형의 패턴을 머신러닝을 통해 분석하여 분류하는 방법으로써,

먼저, 영상 검지기를 통해 도로에 주행 중인 차량의 영상 신호에 따른 차량 종류의 정보와 루프 검지기를 통해 차량 속도의 정보를 입력 받아 차량 종류에 따른 속도의 정보를 훈련 데이터로 사용하고, 레이더 검지기를 통해 차량 종류에 따른 파형의 패턴을 입력하여,

상기 영상 검지기와 루프 검지기로부터 입력 받은 차량 종류 및 차량속도의 정보를 훈련데이터와 상기 레이더 검지기를 통해 입력 받은 차량 종류에 따른 파형의 패턴을 머신러닝 시켜 분류 기준 데이터를 생성하도록 하여, 차후, 레이더 검지기에 나타나는 파형의 패턴만으로도 분류 기준 데이터를 통하여 차량의 종류의 정보를 출력하도록 하는 것을 특징으로 하는 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신러닝 시켜 차량 종류의 정확도를 향상시키는 방법에 관한 것이다.

교통 혼잡을 효율적으로 조정하고 안정성을 획기적으로 증진시키기 위하여 도로, 차량, 신호시스템 등 기존 교통체계의 구성 요소에 전자ㆍ제어ㆍ통신 등 첨단기술을 접속시켜 구성요소들이 상호 유기적으로 작용토록 하는 차세대 교통체계 및 시스템으로 ITS(지능형 교통 시스템)라고 부른다.

ITS는 도로에 설치된 VDS(차량 검지기)를 통해 교통량, 차량의 속도를 파악하고 구간별 교통소통과 우회도로 정보를 자동으로 파악, 이를 운영센터에서 전산처리해 도로의 전광판과 인터넷, 휴대폰 등을 통해 이용자에게 제공하게 된다.

이는 이상적인 교통상황을 만들어 에너지를 절약함과 동시에 오염을 막고, 교통문제와 정체를 감소시키는 효과를 가져 오고 있다.

비매설형 VDS에는 초음파검지기(ultrasonic detectors), 레이더 검지기(Radar detectors), 적외선검지기(infrared detectors), 영상검지기(image detectors) 등이 있다.

레이더 검지기를 초단파 검지기라고 부르기도 한다.

이와 같이 레이더 검지기는 도로상의 차량의 교통량, 속도, 포화도, 점유시간, 비점유 시간을 검지하는 센스이며, 레이더 검지기는 속도 검지 능력은 다른 검지기에 비해 정확한데 비해 점유시간과 교통량을 측정할 때 레이더가 가진 특징으로 정확도가 낮은 문제를 가지고 있습니다.

도 1은 종래의 레이더 검지기를 통한 인접차량의 검지오류를 나타내는 예시도로서, 도 1 에서와 같이, 마이크로웨이브는 가시광선에 비해 낮은 해상도를 가지기 때문에 도로에서 사용되는 대역폭 200MHz의 해상도는 1.2미터 가량 되며, 이는 1.2미터 안에 있는 모든 물체는 동일한 물체로 인식한다는 것으로, 이런 낮은 해상도의 때문에 레이더 검지기는 차량의 종류나 낙하물, 보행자를 구분을 하는데 어려움이 있을 뿐만 아니라, 인접 차량을 한대로 오인식 하는 사례가 발생하여, 정확도를 높이기 위해 보다 높은 하드웨어 조건으로 높은 해상도 (Resolution)의 하드웨어와 초당 처리 데이터가 높은 프로세스를 사용하면 해결할 수 있지만 비용을 고려할 때 높은 수준의 하드웨어를 사용하기는 쉽지 않은 문제점을 가지고 있었다.

그리고, 레이더 검지기는 발신부에서 발신된 파형이 차량의 RCS(레이더 단면적, Radar Cross Section)에 반사되어 수신부로 들어오는 파형을 분석하여 차량의 속도, 볼륨, 점유율을 검지하는 장치로, 마이크로 웨이브를 사용하는 레이더의 특징은 눈이나 비와 같은 환경에 영향을 받지 않는다는 장점이 있으나, 마이크로웨이브가 가시광선을 이용하는 영상 검지기에 비해 해상도가 떨어져 차량이 동시에 진행할 때 이를 구분하지 못하고 한대의 차로 인식하는 문제가 발생하여 속도 검지율을 높으나 진행 차량의 숫자를 파악하는 볼륨 검지율이 낮은 문제로 인접 주행 차량을 구분하지 못하는 결점을 가지고 있다.

따라서, 본 발명은 상기와 같은 종래의 문제점을 해결하기 위한 것으로서, 본 발명의 목적은, 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신 러닝시켜 차량종류의 정확도를 향상시키는 방법에 관한 것으로, 영상 검지기를 통해 도로에 주행 중인 차량의 영상 신호에 따른 차량 종류의 정보와 루프 검지기를 통해 차량 속도의 정보를 입력 받아 차량 종류에 따른 속도의 정보를 훈련 데이터로 사용하고, 레이더 검지기를 통해 차량 종류에 따른 파형의 패턴을 입력하여, 상기 영상 검지기와 루프 검지기로부터 입력 받은 차량 종류 및 차량속도의 정보를 훈련데이터와 상기 레이더 검지기를 통해 입력 받은 차량 종류에 따른 파형의 패턴을 머신러닝 시켜 분류 기준 데이터를 생성하도록 하여, 차후, 레이더 검지기에 나타나는 파형의 패턴만으로도 분류 기준 데이터를 통하여 차량의 종류의 정보를 출력하도록 하는 것을 특징으로 하는 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신러닝 시켜 차량 종류의 정확도를 향상시키는 방법을 제공하고자 하였다.

이상의 설명에서와 같이, 본 발명에 따른 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신러닝 시켜 차량 종류의 정확도를 향상시키는 방법은 종랭의 레이더 검지기 만으로 차량의 정보를 확인하기 위해서 많은 문제점들이 발생되었다. 이를 해결하기 위해 영상검지기와 루프검지기의 종합된 훈련 데이터를 활용하여, 레이저 검지기의 파형과의 일치된 패턴의 것을 찾아낸 후, 영상과 루프 검지기 없이 레이저 검지기만으로도 정확한 차량의 정보를 확인할 수 있는 효과를 가지며,

또한, 학습된 데이터를 사용하는 레이더 검지기는 높은 볼륨 검지율과 훈련데이터를 통해 학습된 기준 데이터를 사용하기 때문에 하드웨어 비용을 낮출 수 있는 효과가 있는 것이다.

도 1은 종래의 레이더 검지기를 통한 인접차량의 검지오류를 나타내는 예시도
도 2는 본 발명의 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신 러닝시켜 차량종류의 정확도를 향상시키는 방법의 흐름도
도 3은 본 발명의 레이더 검지기를 머신 러닝시켜 차량종류의 정확도를 향상시키는 방법의 흐름도
도 4는 목표물에 따른 레이더 검지기에 수신된 마이크로웨이브의 검지감도

본 발명의 실시예들은 여러가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래에서 상술하는 실시예들로 인해 한정되어지는 것으로 해석되어져서는 안된다.

이하, 첨부 도면을 참조하여 본 발명의 실시예들을 통해서 본 발명을 보다 구체적으로 설명하면 다음과 같다.

[ 실시예 1] 차량종류의 정확도를 향상시키는 방법

본 발명은 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신 러닝시켜 차량종류의 정확도를 향상시키는 방법에 관한 것으로, 마이크로웨이브를 이용하는 레이더 검지기에서 차량 종류를 분류하기 위해 파형 패턴을 머신러닝을 통해 분석하여 분류하는 방법으로써,

도 2는 본 발명의 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신 러닝시켜 차량종류의 정확도를 향상시키는 방법의 흐름도를 나타내며, 도 3은 본 발명의 레이더 검지기를 머신 러닝 시켜 차량종류의 정확도를 향상시키는 방법의 흐름도를 나타내는 것으로,

상기 도 2~3의 흐름도에서 나타낸 것과 같이,

1) 영상 검지기(10)를 통해 도로에 주행 중인 차량의 영상 신호를 입력 받아 이미지 프로세서를 통해 차량 종류의 정보를 입력 받고,

상기 영상 검지기(10)와 동일한 조건에서 함께 설치된 루프 검지기(20)를 통해 차량 속도의 정보를 입력 받아 차량 종류에 따른 속도의 정보를 훈련 데이터(TD)로 저장하여 사용하는 차량 종류 정보수집단계(1)와,

2) 상기 영상 검지기(10)와 동일한 조건에서 함께 설치된 레이더 검지기(30)를 통해 차량 종류에 따른 파형(P)의 패턴을 입력하여 저장하는 파형 패턴의 저장단계(2)와;

3) 상기 차량 종류 정보수집단계(1)에서 영상 검지기(10)와 루프 검지기(20)로부터 입력 받은 차량 종류 및 차량속도의 정보를 훈련데이터(TD)로 일정한 분류 값에 따른 형태와

상기 파형 패턴의 저장단계(2)에서 레이더 검지기(30)를 통해 입력 받은 차량 종류에 따른 파형의 패턴(P)을 비교 적용하도록 머신러닝(MR) 시켜 분류 기준 데이터(BD)를 생성하도록 하는 기준데이터 생성단계(3)와;

4) 상기 기준데이터 생성단계(3) 후, 영상 검지기(10)와 루프 검지기(20)가 없이,

레이더 검지기(30)를 통해 차량의 종류에 따른 파형(P)의 패턴을 분류 기준 데이터(BD)의 입력된 파형의 패턴(P)을 비교하여 차량 종류 및 차량속도의 정보를 출력하도록 하는 차량정보 출력단계(4)로

이루지는 것을 특징으로 하는 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신러닝 시켜 차량 종류의 정확도를 향상시키는 방법에 관한 것이다.

상기에서 차량정보 출력단계(4)를 상세하게 설명하면,

상기 영상 검지기(10)와 루프 검지기(20)를 통해 입력된 차량의 영상 신호와 차량의 속도 정보를 훈련 데이터(TD)에 저장하고, 레이더 검지기(30)를 통해 차량 종류에 따른 파형(P)의 패턴을 영상 신호와 반복적으로 비교 적용하도록 머신러닝(MR)시켜 분류 기준 데이터(BD)를 생성하도록 한 상태에서,

영상 검지기(10)와 루프 검지기(20)의 설치 없이 레이더 검지기(30) 만을 통해 차량의 종류에 따른 파형(P)의 패턴이 입력되면 분류 기준 데이터(BD)에 의해 차량 종류 및 차량속도의 정보를 환산하여 출력하도록 되어지는 과정을 나타낸 것이다.

상기 레이더 검지기(30)는 수신된 마이크로웨이브의 크기로 차량, 보행자, 도로 점유물로 구분하며, 마이크로웨이브의 검지 감도(Detect Sensitivity)의 임계값(Threshold)을 정하여 노이즈와 목표물을 구분하는 방법으로 이를 설명하면,

도 4는 목표물에 따른 레이더 검지기에 수신된 마이크로웨이브의 검지감도를 나타내며,

레이더 검지기는 상기 도 2와 같이 검지 감도(Detect Sensitivity) 임계값 적절하게 정하는 것으로,

임계 값을 a)와 같이 높은 영역으로 설정하면 펄스 알람은 울리지 않으나 검지율이 20%로 떨어지고, b)와 같은 영역을 정하는 것이 가장 최적의 80% 검지 율을 가지게 되며, c)와 같은 영역은 너무 낮아 많은 수의 펄스 알람이 발생할 수 있고, d)와 같은 영역은 펄스 알람만 발생하게 되어 가변적으로 임계 값을 조절하면 높은 검지 율을 만들 수 있다.

상기 머신러닝(MR)을 사용하여 목표물인 차량 분류 (Classification)를 하기 위해서는 종래의 반사파 임계값의 세기로만 차량을 분류하는 데서 진화하여 레이더에 나타내는 파형의 패턴을 컴퓨터로 하여금 알고리즘을 기반으로 학습하게 해서 새로운 파형이 들어왔을 때 파형의 패턴을 클래스 값으로 분류하기 위해 머신러닝(Machine learing) 방법을 사용하는 것이다.

머신 러닝(MR) 알고리즘이 학습하기 위해서는 학습 데이터, 검증 테이터, 테스트 테이트와 같이 많은 양의 정확한 데이터를 기반을 학습시켜야 하기 때문에, 테이터는 분류기 설계시 패턴 규칙의 기계학습을 위해 사용되는 집합이며, 검증 데이터는 유전 알고리즘으로 함수를 최적화할 때 개체의 집합도 함수에 대한 평가를 위해 사용되는 집합이며, 테스트 데이터는 최종적으로 설계된 분류기의 성능을 평가하기 위해 사용되는 진다.

머신 러닝을 위해 이렇게 많은 데이터를 필요로 하며, 이 입력 데이터를 영상 검지기를 통해 얻은 차량 분류 클래스 값을 사용하는 것이 본 발명에서 하고자한 기술의 것으로, 머신 러닝(MR)은 사물이나 데이터를 군집화하거나 분류하는 데 사용하는 기술로, 예를 들어 컴퓨터는 사진만으로 개와 고양이를 구분하지 못한다. 하지만 사람은 아주 쉽게 구분할 수 있다. 이를 위해 ‘기계학습(Machine Learning)’이라는 방법이 고안됐다. 많은 데이터를 컴퓨터에 입력하고 비슷한 것끼리 분류하도록 하는 기술이다. 저장된 개 사진과 비슷한 사진이 입력되면, 이를 개 사진이라고 컴퓨터가 분류하도록 한 것이다. 파형을 분류하는데도 파형과 그 파형에 해당되는 차량의 클래스 값을 많은 데이터로 제공하면 컴튜터가 파형을 입력 받았을 때 그 파형이 어떤 클래스의 차량인지를 분류할 수 있다.

이런 데이터는 반사파의 세기와 페턴에 따라 차량의 크기와 보행자를 구분해줘야 하는데 사람이 입력하는데 제한이 있기에 보다 정확한 학습 데이터를 얻기 위해 영상 검지기와 루프 검지기를 통해 획득한 차량 분류 결과를 집합을 이용하여 학습 데이터, 검증 데이터, 테스트 데이트로 사용하는 것을 특징으로 하는 것이 본 발명이다.

레이더 검지기(30)는 차량의 크기가 클수록 반사파의 크기가 크게 돌아온다는 것을 이용해서 차량의 크기 별로 클래스를 분류합니다. 이는 반사파의 세기가 레이더 단면적(RCS)과 비례하기 때문입니다.

아래 공식과 같이 반사파의 세기는 레이더 단면적과 비례하고 레이더 단면적은 차량의 크기가 클수록 커진다.

P_r = 반사파 세기 [W]

σ = 레이더 단면적 RCS(radar cross section) [m²]

R₁ = 거리, 안테나와 목표의 거리[m]

G = 안테나 이득

즉, 반사파의 세기 즉, 반사파의 지속 시간, 단일 파형의 신호의 세기, 시간 영역에서의 신호의 지속시간 등의 크기를 분류하여 대형 차량, 중형 차량, 소형 차량과 보행자를 구분한다.

상기 훈련 데이터(TD)를 확보하는 방법(학습 데이터, 검증 데이터, 테스트 데이트)으로 레이더 검지기의 신호를 파형에 따라 차량의 종류를 선언해 주기 위해서 누군가 입력 파형이 어떤 차량인지, 파형이 두 대의 차량을 인지 트레일러와 연결되어 있는지, 두대의 차량이 이어져 주행 중인지를 정의해 주어야 한다.

그러기 위해 높은 인식율을 가진 영상 검지기(10)를 이용하여 입력 받은 차량 종류의 데이터를 이용하는 방법으로, 카메라 센스로 입력 받은 영상 신호를 이미지 분류기를 통해 차량의 종류로 구분하는 영상검지기 시스템 (Video Image Detection System)은 낮에는 검지율이 높으나, 밤이나 눈, 비가 내리는 날에는 기후의 영향으로 검지율이 떨어지기 때문에, 검지율이 높은 시간의 차량 분류 클래스 데이터를 입력 받아 레이더 검지기(30)를 훈련시켜 기준 데이터(TD)를 생성하는 방법입니다.

반사파의 세기와 관련된 값을 통해 머신 러닝(RM) 시켜 가중치를 계산하는 것으로, 종래의 레이더 검지기(30)는 반사파 크기의 세기를 통해 차량의 종류를 대, 중, 소로 구분하며, 이는 인접한 차량과 노이즈를 차량으로 인식하여 정확도가 떨어진다.

그래서 아래와 같은 방법을 이용하여 차량 분류 클래스를 머신 러닝(MR)할 수 있습니다.

즉, 도로에 주행 중인 차량의 크기에 따라 돌아오는 반사파의 크기 다르기 때문에, 반사파의 숫자, 크기, 방위각, 시간영역에서의 지속 시간, 속도를 머신러닝 알고리즘을 통하면 기여도에 따라 각 값을 가중치를 얻을 수 있다.

이와 같은 방법으로 반사파의 크기별로 차량의 종류를 분류할 수 있는 분류기준 데이터(BD)를 얻을 수 있다.

상기 레이더 검지기(30)는 속도를 검지하는 능력은 우수하나 차량을 구분하거나 연속적인 차량을 구분하는 능력은 떨어집니다. 이에 레이더 검지기가 도로의 흐름을 정확하게 판별하기 위해 높은 볼륨 검지율이 요구됩니다.

따라서, 본 기술을 통해 학습된 데이터를 사용하는 레이더 검지기는 높은 볼륨 검지율과 훈련데이터(TD)를 통해 학습된 기준 데이터를 사용하기 때문에 하드웨어 비용을 낮출 수 있습니다.

10 : 영상 검지기 20 : 루프검지기
30 : 레이더 검지기
P : 파형 팬턴 TD : 훈련데이터
MR ; 머신러닝 BD : 분류 기준 데이터

Claims (1)

1. 영상 검지기(10)를 통해 도로에 주행 중인 차량의 영상 신호를 입력 받아 이미지 프로세서를 통해 차량 종류의 정보를 입력하는 것과,
   상기 영상 검지기(10)와 동일한 조건에서 함께 설치된 루프 검지기(20)를 통해 차량 속도의 정보를 입력 받아 차량 종류에 따른 속도의 정보를 훈련 데이터(TD)로 저장하여 사용하는 차량 종류 정보수집단계(1)와,
   
   상기 영상 검지기(10)와 동일한 조건에서 함께 설치된 레이더 검지기(30)를 통해 차량 종류에 따른 파형(P)의 패턴을 입력하여 저장하는 파형 패턴의 저장단계(2)와;
   
   차량 종류 정보수집단계(1)에서 상기 영상 검지기(10)와 루프 검지기(20)로부터 입력 받은 차량 종류 및 차량속도의 정보를 훈련데이터(TD)로 일정한 분류 값에 따른 형태와
   상기 파형 패턴의 저장단계(2)에서 레이더 검지기(30)를 통해 입력 받은 차량 종류에 따른 파형의 패턴(P)을 비교 적용하도록 머신러닝(MR) 시켜 분류 기준 데이터(BD)를 생성하도록 하는 기준데이터 생성단계(3)와;
   
   상기 기준데이터 생성단계(3) 후, 영상 검지기(10)와 루프 검지기(20)가 없이,
   레이더 검지기(30)를 통해 차량의 종류에 따른 파형(P)의 패턴을 분류 기준 데이터를(BD) 입력하여 분류 기준 데이터(BD)의 입력된 파형의 패턴(P)을 비교하여 차량 종류 및 차량속도의 정보를 출력하도록 하는 차량정보 출력단계(4)로
   이루지는 것을 특징으로 하는 영상 및 루프 검지기의 분류 값으로 레이더 검지기를 머신러닝 시켜 차량 종류의 정확도를 향상시키는 방법

Images