KR102030583B1 - 인공지능 기반의 교통사고 예측시스템 및 그 방법 - Google Patents

인공지능 기반의 교통사고 예측시스템 및 그 방법 Download PDF

Info

Publication number
KR102030583B1
KR102030583B1 KR1020170157616A KR20170157616A KR102030583B1 KR 102030583 B1 KR102030583 B1 KR 102030583B1 KR 1020170157616 A KR1020170157616 A KR 1020170157616A KR 20170157616 A KR20170157616 A KR 20170157616A KR 102030583 B1 KR102030583 B1 KR 102030583B1
Authority
KR
South Korea
Prior art keywords
accident
probability
control center
vehicle system
prediction data
Prior art date
Application number
KR1020170157616A
Other languages
English (en)
Other versions
KR20190059723A (ko
Inventor
김성식
Original Assignee
(주)에이텍티앤
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)에이텍티앤 filed Critical (주)에이텍티앤
Priority to KR1020170157616A priority Critical patent/KR102030583B1/ko
Priority to PCT/KR2017/013497 priority patent/WO2019103197A1/ko
Publication of KR20190059723A publication Critical patent/KR20190059723A/ko
Application granted granted Critical
Publication of KR102030583B1 publication Critical patent/KR102030583B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G06K9/3258—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06Q50/40—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled

Abstract

영상인식과 딥 러닝(deep learning) 기법을 사용하여 사고 위험성이 높은 차량이나 사람 및 도로를 예측하고, 예측 결과를 관제센터에 전송하여 신속하게 후속 조치를 취하도록 함으로써 사고를 미리 방지할 수 있도록 한 인공지능 기반의 교통사고 예측시스템 및 그 방법에 관한 것으로서, 카메라를 통해 촬영된 영상으로부터 객체를 인식하고, 인식한 객체에 대하여 인공지능 기반 사고확률 알고리즘으로 분석하여 사고 확률을 예측하며, 예측 결과 사고 발생이 예측되면 사고 예측 데이터를 관제 센터에 전송하는 차량 시스템 및 차량 시스템으로부터 전송된 사고 예측 데이터를 분석하여 긴급도에 따라 관계기관에 조치 정보를 전송하고, 사고 예측 데이터를 이용하여 사고 확률에 대해 학습을 하고, 학습 결과를 차량 시스템으로 전송하여 인공지능 기반 사고 확률 알고리즘을 갱신하는 관제 센터를 포함하여, 인공지능 기반의 교통사고 예측시스템을 구현한다.

Description

인공지능 기반의 교통사고 예측시스템 및 그 방법{Artificial intelligence based traffic accident prediction system and method}
본 발명은 인공지능 기반의 교통사고 예측시스템 및 그 방법에 관한 것으로, 특히 영상인식과 딥 러닝(deep learning) 기법을 사용하여 사고 위험성이 높은 차량이나 사람 및 도로를 예측하고, 예측 결과를 관제센터에 전송하여 신속하게 후속 조치를 취하도록 함으로써 사고를 미리 방지할 수 있도록 한 인공지능 기반의 교통사고 예측시스템 및 그 방법에 관한 것이다.
자동차 기술의 급속한 발전은 전 세계적인 차량의 증가를 가져왔고, 차량은 한편으로 편리한 문명의 이기이기도 하지만 다른 한편으로는 자동차 사고를 일으켜 인명과 재산에 위해를 가할 수도 있는 도구로 등장하게 되었다.
차량이 증가하면서 교통정보의 중요성과 필요성은 지속적으로 증대되어 왔으며, 이러한 필요성에 따라 교통정보를 수집, 제공하기 위한 다양한 시스템이 제안되고 있으며, 교통사고를 감지하여 신속한 후속 조치를 취할 수 있도록 한 교통사고 감지 시스템도 제안되고 있다.
교통사고 감지시스템에 대하여 종래에 제안된 기술이 하기의 <특허문헌 1> 내지 <특허문헌 3> 에 개시되어 있다.
<특허문헌 1> 에 개시된 종래기술은 도로에 설치된 가드레일에 고정 설치된 광케이블, 광케이블이 설치된 가드레일의 시점과 종점에 구비된 주파수 송수신이 가능한 제어기, 제어기와 유무선 통신으로 연결되는 통제본부로 구성되어, 교통사고가 발생하는 경우, 통제본부에서는 교통사고의 발생 유무를 실시간으로 확인할 수 있고, 교통사고 발생시 사고 위치를 정확하게 확인하여 인명의 구조 및 사고 복구 등에 신속하게 대응할 수 있다.
또한, <특허문헌 2> 에 개시된 종래기술은 자동차의 내부에 구비되어 교통사고 유발요소를 감지한 후 감지된 신호를 외부에 송출하는 교통사고 유발요소 감지장치부, 도로별 구역마다 설치되어 있어, 교통사고 유발요소 감지장치부로부터 전달되는 감지신호에 위치정보를 포함하여 송출하는 신호 전달부, 보험사의 보험 상품에 가입한 보험자 차량으로부터 생성되는 감지신호를 신호 전달부로부터 전달받아 보험료 산정에 반영하는 보험사 서버를 포함하여 교통사고 유발요소의 감지신호 제공 서비스 시스템을 구현한다. 이러한 구성을 통해, 운전 중 차량 내부의 교통사고 유발요소 감지 신호를 전달받은 신호 전달부가 이를 보험사에 제공함으로써 보험자가 보험사로부터 보험료 혜택을 받도록 하고, 해당 보험에 가입한 보험자는 운전 중 교통사고 유발요소를 발생시키지 않도록 주의할 수 있어 교통사고 발생을 방지할 수 있도록 한다.
또한, <특허문헌 3> 에 개시된 종래기술은 교차로의 제1 차도의 차량 신호등이 적색 신호로 변경된 이후에 교차로를 향해 소정 속도 이상으로 계속 진행하는 차량이 감지되면, 교차로의 다른 제2 또는 제2 및 제3 차도의 차량 신호등을 소정 시간 동안 적색 신호로 유지시킨 다음 상기 제1 차도의 차량이 교차로를 통과한 후 직진 또는 좌회전 신호로 변환되도록 구성하여, 교차로에서 신호를 위반하고 교차로를 향하여 달려오는 과속 차량을 감지하여 교차로의 차량 신호등을 능동적으로 지연 또는 변경 제어함으로써, 교차로에서 과속 및 신호위반에 의한 교통사고를 예방할 수 있다.
대한민국 공개특허 10-2010-0072931(2010.07.01)(교통사고 감지시스템 및 감지방법) 대한민국 공개특허 10-2013-0026538(2013.03.14. 공개)(교통사고 유발요소의 감지신호 제공 서비스 시스템 및 방법) 대한민국 공개특허 10-2016-0092959(2016.08.05. 공개)(과속 및 신호위반에 의한 교차로 교통사고 예방 방법 및 그 시스템)
그러나 상기와 같은 일반적인 교통사고 감지시스템 및 종래기술은 차량 사고가 발생한 것을 감지하는 기술로서, 교통사고가 발생하기 이전에 교통사고를 예측하여 후속 조치를 취하도록 하는 것은 불가능한 단점이 있다.
또한, <특허문헌 2> 에 개시된 종래기술은 교통사고 유발요소를 감지하여 교통사고를 미리 판단할 수 있도록 하는 것은 가능하나, 이러한 <특허문헌 2> 도 인공지능 기반으로 사고 확률을 미리 예측하고, 이를 관제센터와 연동하여 최적으로 교통사고를 미리 예측하여 신속한 조치를 취하도록 하는 것은 불가능한 단점이 있다.
따라서 본 발명은 상기와 같은 종래기술에서 발생하는 제반 문제점을 해결하기 위해서 제안된 것으로서, 영상인식과 딥 러닝(deep learning) 기법을 사용하여 사고 위험성이 높은 차량이나 사람 및 도로를 예측하고, 예측 결과를 관제센터에 전송하여 신속하게 후속 조치를 취하도록 함으로써 사고를 미리 방지할 수 있도록 한 인공지능 기반의 교통사고 예측시스템 및 그 방법에 관한 것이다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명에 따른 인공지능 기반의 교통사고 예측시스템은, 카메라를 통해 촬영된 영상으로부터 객체를 인식하고, 인식한 객체에 대하여 인공지능 기반 사고확률 알고리즘으로 분석하여 사고 확률을 예측하며, 예측 결과 사고 발생이 예측되면 사고 예측 데이터를 관제 센터에 전송하는 차량 시스템; 상기 차량 시스템으로부터 전송된 사고 예측 데이터를 분석하여 긴급도에 따라 관계기관에 조치 정보를 전송하고, 상기 사고 예측 데이터를 이용하여 사고 확률에 대해 학습을 하고, 학습 결과를 상기 차량 시스템으로 전송하여 인공지능 기반 사고 확률 알고리즘을 갱신하는 관제 센터를 포함하는 것을 특징으로 한다.
상기에서 차량 시스템은 카메라를 통해 촬영하여 영상을 획득하는 영상 인식부; 상기 영상 인식부에서 인식한 영상 데이터를 저장하는 영상 데이터 저장부; 상기 영상 데이터 저장부에서 저장된 영상 데이터로부터 객체를 인식하고, 인식한 객체 정보를 인공지능기반 사고확률 알고리즘으로 분석하여 사고 확률을 산출하고, 산출한 사고 확률 값을 기초로 사고를 예측하며, 예측 결과 사고 발생으로 예측되면 사고 예측 데이터를 관제 센터에 전송하는 사고 예측부를 포함하는 것을 특징으로 한다.
상기에서 차량 시스템은 상기 사고 예측부에서 출력되는 사고 예측 데이터를 무선 데이터로 변환하여 원격의 관제 센터에 전송하는 무선 송출부를 더 포함하는 것을 특징으로 한다.
상기에서 사고 예측부는 상기 영상 데이터로부터 객체 정보를 인식하고, 인식한 객체 정보를 인공지능기반 사고확률 알고리즘으로 분석하여 사고 확률을 산출하는 인공지능기반 사고확률 처리부; 상기 인공지능기반 사고확률 처리부에서 산출한 사고 확률 값을 기준 값과 비교하여 그 비교 결과를 출력하는 비교 분석부; 상기 비교 분석부에서 출력되는 비교 결과를 기초로 사고 예측을 하며, 예측 결과 사고 발생으로 예측되면 사고 예측 데이터를 관제 센터에 전송하는 정상 유무 판단부를 포함하는 것을 특징으로 한다.
상기에서 인공지능 기반 사고확률 처리부는 CNN(Convolution Neutral Networks) 알고리즘을 이용하여 영상 데이터 내 객체를 추출하고, 추출한 객체를 분석하여 사고 확률을 산출하는 것을 특징으로 한다.
상기에서 관제 센터는 상기 차량 시스템으로부터 전송된 사고 예측 데이터를 수신하는 관제센터 무선 수신부; 상기 관제센터 무선 수신부에서 수신한 사고 예측 데이터를 저장하는 관제센터 데이터 저장부; 상기 관제센터 데이터 저장부에서 저장한 사고 예측 데이터를 분석하여 사고확률을 산출하고, 추출한 사고확률을 기초로 긴급도를 판단하는 사고확률 판단부를 포함하는 것을 특징으로 한다.
또한, 상기 관제 센터는 상기 사고확률 판단부에서 판단한 긴급도에 따라 관계기관을 선택한 후, 선택된 관계기관에 조치를 위한 긴급 요청 정보를 전송하는 긴급요청 송신부를 더 포함하는 것을 특징으로 한다.
또한, 상기 관제 센터는 수신한 사고 예측 데이터를 이용하여 딥 러닝을 통해 학습을 하고, 학습 결과를 기초로 상기 차량 시스템 내의 인공지능 기반 사고 확률 알고리즘을 업데이트하는 사고확률 학습부를 더 포함하는 것을 특징으로 한다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명에 따른 인공지능 기반의 교통사고 예측방법은, (a) 차량 시스템에서 카메라를 통해 촬영된 영상으로부터 객체를 인식하고, 인식한 객체에 대하여 인공지능기반 사고확률 알고리즘으로 분석하여 사고 확률을 예측하며, 예측 결과 사고 발생이 예측되면 사고 예측 데이터를 관제 센터로 전송하는 단계; (b) 상기 관제 센터에서 상기 차량 시스템으로부터 전송된 사고 예측 데이터를 분석하여 긴급도에 따라 관계기관에 조치 정보를 전송하고, 상기 사고 예측 데이터를 이용하여 사고 확률에 대해 학습을 하고, 학습 결과를 상기 차량 시스템으로 전송하여 인공지능 기반 사고 확률 알고리즘을 갱신하는 단계를 포함하는 것을 특징으로 한다.
상기에서 (a)단계는 (a1) 카메라를 통해 촬영하여 영상을 획득하여 저장하고, 상기 저장된 영상 데이터로부터 객체를 인식하는 단계; (a2) 상기 인식한 객체 정보를 인공지능기반 사고확률 알고리즘으로 분석하여 사고 확률을 산출하는 단계; (a3) 상기 산출한 사고 확률 값을 기초로 사고를 예측하며, 예측 결과 사고 발생으로 예측되면 사고 예측 데이터를 관제 센터에 전송하는 단계; (a4) 상기 관제 센터로부터 사고 확률 알고리즘 업데이트 데이터를 수신하면, 상기 인공지능기반 사고 확률 알고리즘을 업데이트하는 단계를 포함하는 것을 특징으로 한다.
상기에서 (b)단계는 (b1) 상기 차량 시스템으로부터 전송된 사고 예측 데이터를 수신하여 저장하는 단계; (b2) 상기 저장한 사고 예측 데이터를 분석하여 사고확률을 산출하고, 추출한 사고확률을 기초로 긴급도를 판단하는 단계; (b3) 상기 판단한 긴급도에 따라 관계기관을 선택한 후, 선택된 관계기관에 조치를 위한 긴급요청 정보를 전송하는 단계; (b4) 상기 저장한 사고 예측 데이터를 이용하여 딥 러닝을 통해 학습을 하고, 학습 결과를 기초로 상기 차량 시스템 내의 인공지능기반 사고확률 알고리즘을 업데이트하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따르면 영상인식과 딥 러닝(deep learning) 기법을 사용하여 사고 위험성이 높은 차량이나 사람 및 도로를 예측하고, 예측 결과를 관제센터에 전송하여 신속하게 후속 조치를 취하도록 함으로써, 사고를 미리 방지할 수 있는 장점이 있다.
도 1은 본 발명에 따른 인공지능 기반의 교통사고 예측시스템의 구성도,
도 2 및 도 3은 본 발명에 따른 인공지능 기반의 교통사고 예측방법을 보인 흐름도.
이하 본 발명의 바람직한 실시 예에 따른 인공지능 기반의 교통사고 예측시스템 및 그 방법을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 바람직한 실시 예에 따른 인공지능 기반의 교통사고 예측시스템의 구성도로서, 카메라를 통해 촬영된 영상으로부터 객체를 인식하고, 인식한 객체에 대하여 인공지능 기반 사고확률 알고리즘으로 분석하여 사고 확률을 예측하며, 예측 결과 사고 발생이 예측되면 사고 예측 데이터를 관제 센터에 전송하는 차량 시스템(100), 상기 차량 시스템(100)으로부터 전송된 사고 예측 데이터를 분석하여 긴급도에 따라 관계기관에 조치 정보를 전송하고, 상기 사고 예측 데이터를 이용하여 사고 확률에 대해 학습을 하고, 학습 결과를 상기 차량 시스템(100)으로 전송하여 인공지능 기반 사고 확률 알고리즘을 갱신하는 관제 센터(200)를 포함한다.
상기 차량 시스템(100)은 카메라를 통해 촬영하여 영상을 획득하는 영상 인식부(10), 상기 영상 인식부(10)에서 인식한 영상 데이터를 저장하는 영상 데이터 저장부(20), 상기 저장된 영상 데이터로부터 객체를 인식하고, 인식한 객체 정보를 인공지능기반 사고 확률 알고리즘으로 분석하여 사고 확률을 산출하고, 산출한 사고 확률 값을 기초로 사고를 예측하며, 예측 결과 사고 발생으로 예측되면 사고 예측 데이터를 관제 센터(200)에 전송하는 사고 예측부(30), 상기 사고 예측부(30)에서 출력되는 사고 예측 데이터를 무선 데이터로 변환하여 원격의 관제 센터(200)에 전송하는 무선 송출부(40)를 포함한다.
또한, 상기 사고 예측부(30)는 상기 영상 데이터로부터 객체 정보를 인식하고, 인식한 객체 정보를 인공지능기반 사고 확률 알고리즘으로 분석하여 사고 확률을 산출하는 인공지능 기반 사고확률 처리부(31), 상기 인공지능 기반 사고확률 처리부(31)에서 산출한 사고 확률 값을 기준 값과 비교하여 그 비교 결과를 출력하는 비교 분석부(32), 상기 비교 분석부(32)에서 출력되는 비교 결과를 기초로 사고 예측을 하며, 예측 결과 사고 발생으로 예측되면 사고 예측 데이터를 관제 센터(200)에 전송하는 정상유무 판단부(33)를 포함한다.
또한, 상기 관제 센터(200)는 상기 차량 시스템(100)으로부터 전송된 사고 예측 데이터를 수신하는 관제센터 무선 수신부(50), 상기 관제센터 무선 수신부(50)에서 수신한 사고 예측 데이터를 저장하는 관제센터 데이터 저장부(60), 상기 관제센터 데이터 저장부(60)에서 저장한 사고 예측 데이터를 분석하여 사고확률을 산출하고, 추출한 사고확률을 기초로 긴급도를 판단하는 사고확률 판단부(70), 상기 사고확률 판단부(70)에서 판단한 긴급도에 따라 관계기관을 선택한 후, 선택된 관계기관에 조치를 위한 긴급요청 정보를 전송하는 긴급요청 송신부(80)를 포함한다.
바람직하게 상기 관제 센터(200)는 수신한 사고 예측 데이터를 이용하여 딥 러닝을 통해 학습을 하고, 학습 결과를 기초로 상기 차량 시스템 내의 인공지능 기반 사고 확률 알고리즘을 업데이트하는 사고확률 학습부(90)를 더 포함한다.
이와 같이 구성된 본 발명의 바람직한 실시 예에 따른 인공지능 기반의 교통사고 예측시스템의 동작을 구체적으로 설명하면 다음과 같다.
먼저, 차량 시스템(100)은 차량의 운행이 시작되면, 영상 인식부(10)에서 카메라를 통해 촬영하여 영상을 획득한다. 여기서 카메라는 차량의 다양한 위치에 설치되어 차량 주변의 영상을 획득할 수 있으나, 본 발명에서는 차량 전방에 설치되어 차량 진행 방향을 촬영하여 영상을 획득하는 것으로 가정한다.
상기 영상 인식부(10)에서 인식한 영상 데이터는 영상 데이터 저장부(20)를 통해 저장된다.
다음으로, 사고 예측부(30)는 상기 저장된 영상 데이터로부터 객체를 인식하고, 인식한 객체 정보를 인공지능기반 사고 확률 알고리즘으로 분석하여 사고 확률을 산출하고, 산출한 사고 확률 값을 기초로 사고를 예측하며, 예측 결과 사고 발생으로 예측되면 사고 예측 데이터를 관제 센터(200)에 전송한다. 여기서 영상 데이터를 분석하여 사고를 예측하는 것은 실시간 또는 일정 주기로 수행할 수 있다.
예컨대, 사고 예측부(30)의 인공지능기반 사고확률 처리부(31)는 인공지능기반 사고확률 알고리즘을 이용하여 상기 저장된 영상 데이터로부터 객체 정보를 인식하고, 이어, 인식한 객체 정보를 분석하여 사고 확률을 산출한다. 여기서 인공지능기반 사고확률 알고리즘은 CNN(Convolution Neutral Networks) 알고리즘을 이용하는 것이 바람직하다. CNN 알고리즘은 Convolution layer, Pooling layer, Feed forward layer로 이루어진다. Convolution layer는 convolution feature 들을 추출하기 위한 필터를 구현할 때 계층으로 의미 있는 특징들을 추출하기 위한 층이다. Pooling layer는 이미지의 특성상 많은 픽셀이 존재하기 때문에 특징을 줄이기 위해 서브샘플링을 수행하는 층이다. Feed forward layer는 Convolution layer와 Pooling layer에서 추출한 특징들을 이용하여 분류를 하는 층이다. 즉, 3 by 3 또는 그 이상의 window 혹은 mask를 영상 전체에 대해 반복적으로 수행을 하게 되면, 그 mask의 계수 값들의 따라 적정한 결과를 얻을 수 있다. 이러한 방식으로 영상으로부터 객체를 추출한다. 이후 추출한 객체를 분석하여 사고 확률을 계산한다. 특징 추출과 topology invariance를 얻기 위해 filter와 sub-sampling을 거치며 이 과정을 반복적으로 수행하여 local feature로부터 global를 얻어낸다. 간단히 설명하자면 각 window에서 가장 큰 자극만을 선택한다. 이 과정(convolution + sub-sampling)을 여러 번 거치게 되면 이미지 전체를 대표할 수 있는 global 한 특징을 얻을 수 있게 된다. 이렇게 얻은 특징을 학습시키면 topology 변화에 강인한 인식능력을 갖게 되며, 이것을 이용하여 사고 확률을 계산한다.
다음으로, 비교 분석부(32)는 상기 인공지능 기반 사고확률 처리부(31)에서 산출한 사고 확률 값을 미리 설정된 기준 값과 비교하여, 그 차이인 오차 값을 비교 결과로 출력한다.
이어, 정상 유무 판단부(33)는 상기 비교 분석부(32)에서 출력되는 비교 결과인 오차 값을 정상 유무를 판단하기 위한 설정 값과 비교하여, 상기 오차 값이 상기 설정 값 이하이면 정상으로 판단을 하고, 취득한 영상 데이터를 삭제한다. 불필요한 영상 데이터의 삭제로 인해 대용량의 메모리를 사용하지 않아도 되므로, 시스템 구현 비용을 절감할 수 있다. 이와는 달리 상기 오차 값이 상기 설정 값보다 크면 사고 발생으로 예측한다. 상기 예측 결과, 사고 발생으로 예측되면 사고 예측 데이터를 생성하여 무선 송출부(40)로 전달한다.
무선 송출부(40)는 상기 사고 예측부(30)에서 출력되는 사고 예측 데이터를 무선 데이터로 변환하여 원격의 관제 센터(200)에 전송한다.
상기 관제 센터(200)는 관제센터 무선 수신부(50)를 통해 상기 차량 시스템(100)으로부터 전송된 사고 예측 데이터를 수신하고, 관제센터 데이터 저장부(60)는 상기 관제센터 무선 수신부(50)에서 수신한 사고 예측 데이터를 저장한다.
다음으로, 사고확률 판단부(70)는 상기 관제센터 데이터 저장부(60)에서 저장한 사고 예측 데이터를 분석하여 사고확률을 산출하고, 추출한 사고확률을 기초로 긴급도를 판단한다. 예컨대, 사고확률 판단부(70)는 현재 저장한 사고 확률 오차 값과 기존 데이터를 합하여 사고 확률을 계산하고, 계산한 사고 확률 값이 미리 설정된 기준 값 이상이면, 사고 발생으로 예측하고 긴급도를 확인한다. 여기서 긴급도란 예측한 사고 확률 값의 크기이다. 이 값이 클수록 긴급 상황이며, 작으면 작을수록 덜 긴급한 상황이 된다.
이러한 긴급도에 따라 긴급요청 송신부(80)는 적절한 관계기관을 선택한다. 예컨대, 현재 앞 차량이 졸음, 음주나 기타 난폭 운전으로 인해 사고 확률이 높아 긴급도가 높아지면 이를 바로 조치할 수 있는 관계기관으로 경찰서를 선택하고, 해당 영상 데이터를 경찰서로 전송하여 신속한 조치를 취할 수 있도록 한다.
아울러 현재 앞 도로의 상태가 사고 확률이 높을 경우, 도로에 관계된 관계기관(예를 들어, 국토부, 한국 도로공사)에 영상 데이터를 전송하여, 그에 알맞은 조치를 취하도록 한다.
한편, 본 발명의 다른 특징으로서, 상기 관제 센터(200)는 사고확률 학습부(90)를 통해 수신한 사고 예측 데이터를 이용하여 딥 러닝을 통해 학습을 하고, 학습 결과를 기초로 상기 차량 시스템 내의 인공지능 기반 사고 확률 알고리즘을 업데이트하는 업데이트 정보를 상기 차량 시스템(100)으로 전송한다. 상기 차량 시스템(100)은 업데이트 정보가 수신되면, 이를 이용하여 인공지능 기반 사고확률 알고리즘을 업데이트하여, 사고 확률 예측의 정확성을 향상하게 된다.
도 2 및 도 3은 본 발명의 바람직한 실시 예에 따른 인공지능 기반의 교통사고 예측방법을 보인 흐름도로서, (a) 차량 시스템(100)에서 카메라를 통해 촬영된 영상으로부터 객체를 인식하고, 인식한 객체에 대하여 인공지능기반 사고확률 알고리즘으로 분석하여 사고 확률을 예측하며, 예측 결과 사고 발생이 예측되면 사고 예측 데이터를 관제 센터(200)로 전송하는 단계(S101 ~ S108), (b) 상기 관제 센터(200)에서 상기 차량 시스템(100)으로부터 전송된 사고 예측 데이터를 분석하여 긴급도에 따라 관계기관에 조치 정보를 전송하고, 상기 사고 예측 데이터를 이용하여 사고 확률에 대해 학습을 하고, 학습 결과를 상기 차량 시스템(100)으로 전송하여 인공지능기반 사고 확률 알고리즘을 갱신하는 단계(S201 ~ S207)를 포함한다.
상기 (a)단계는 (a1) 카메라를 통해 촬영하여 영상을 획득하여 저장하고, 상기 저장된 영상 데이터로부터 객체를 인식하는 단계(S101), (a2) 상기 인식한 객체 정보를 인공지능기반 사고확률 알고리즘으로 분석하여 사고 확률을 산출하는 단계(S102), (a3) 상기 산출한 사고 확률 값을 기초로 사고를 예측하며, 예측 결과 사고 발생으로 예측되면 사고 예측 데이터를 관제 센터(200)에 전송하고, 비 사고로 예측되면 해당 영상 데이터를 삭제하는 단계(S103 ~ S106), (a4) 상기 관제 센터(200)로부터 사고 확률 알고리즘 업데이트 데이터를 수신하면, 상기 인공지능기반 사고확률 알고리즘을 업데이트하는 단계(S107 ~ S108)를 포함한다.
상기 (b)단계는 (b1) 상기 차량 시스템(100)으로부터 전송된 사고 예측 데이터를 수신하여 저장하는 단계(S201), (b2) 상기 저장한 사고 예측 데이터를 분석하여 사고확률을 산출하고, 추출한 사고확률을 기초로 긴급도를 판단하는 단계(S202 ~ S203), (b3) 상기 판단한 긴급도에 따라 관계기관을 선택한 후, 선택된 관계기관에 조치를 위한 긴급요청 정보를 전송하는 단계(S204), (b4) 상기 저장한 사고 예측 데이터를 이용하여 딥 러닝을 통해 학습을 하고, 학습 결과를 기초로 상기 차량 시스템 내의 인공지능 기반 사고 확률 알고리즘을 업데이트하는 단계(S205 ~ S207)를 포함한다.
이와 같이 구성된 본 발명의 바람직한 실시 예에 따른 인공지능 기반의 교통사고 예측방법을 구체적으로 설명하면 다음과 같다.
먼저, 차량 시스템(100)은 단계 S101에서 차량의 운행이 시작되면, 영상 인식부(10)에서 카메라를 통해 촬영하여 영상을 획득한다. 카메라는 차량 전방에 설치되어 차량 진행 방향을 촬영하여 영상을 획득하는 것으로 가정한다.
상기 영상 인식부(10)에서 인식한 영상 데이터는 영상 데이터 저장부(20)를 통해 저장된다.
다음으로, 사고 예측부(30)는 단계 S102에서 인공지능기반 사고확률 알고리즘을 이용하여 상기 저장된 영상 데이터로부터 객체를 인식하고, 인식한 객체 정보를 분석하여 사고 확률을 산출한다. 여기서 인공지능기반 사고확률 알고리즘은 CNN(Convolution Neutral Networks) 알고리즘을 이용하는 것이 바람직하다. CNN 알고리즘은 Convolution layer, Pooling layer, Feed forward layer로 이루어지며, 이를 이용하여 사고 확률을 산출하는 방식은 전술한 도 1의 시스템에서 자세하게 설명한 바 있으므로 생략하기로 한다.
다음으로, 비교 분석부(32)는 단계 S103에서 상기 인공지능기반 사고확률 처리부(31)에서 산출한 사고 확률 값을 미리 설정된 기준 값과 비교하여, 그 차이인 오차 값을 비교 결과로 출력한다.
이어, 정상 유무 판단부(33)는 단계 S104에서 상기 비교 분석부(32)에서 출력되는 비교 결과인 오차 값을 정상 유무를 판단하기 위한 설정 값과 비교하여, 상기 오차 값이 상기 설정 값 이하이면 정상으로 판단을 하고, 단계 S106으로 이동하여 취득한 영상 데이터를 삭제한다. 불필요한 영상 데이터의 삭제로 인해 대용량의 메모리를 사용하지 않아도 되므로, 시스템 구현 비용을 절감할 수 있다.
이와는 달리 상기 오차 값이 상기 설정 값보다 크면 사고 발생으로 예측한다. 상기 예측 결과, 사고 발생으로 예측되면 단계 S105로 이동하여 사고 예측 데이터를 생성하여 원격의 관제 센터(200)에 전송한다.
아울러 단계 S107에서 상기 차량 시스템(100)은 업데이트 정보가 수신되면, 단계 S108로 이동하여 상기 업데이트 정보를 기반으로 인공지능기반 사고확률 알고리즘을 업데이트하여, 사고 확률 예측의 정확성 향상을 도모하게 된다.
한편, 상기 관제 센터(200)는 단계 S201에서 관제센터 무선 수신부(50)를 통해 상기 차량 시스템(100)으로부터 전송된 사고 예측 데이터를 수신하고, 관제센터 데이터 저장부(60)는 상기 관제센터 무선 수신부(50)에서 수신한 사고 예측 데이터를 저장한다.
이어, 사고확률 판단부(70)는 단계 S202에서 상기 관제센터 데이터 저장부(60)에서 저장한 사고 예측 데이터를 분석하여 사고확률을 산출하고, 추출한 사고확률을 기초로 긴급도를 판단한다. 예컨대, 현재 저장한 사고 확률 오차 값과 기존 데이터를 합하여 사고 확률을 계산하고, 계산한 사고 확률 값이 미리 설정된 기준 값 이상이면, 사고 발생으로 예측하고 긴급도를 확인한다. 여기서 긴급도란 예측한 사고 확률 값의 크기이다. 이 값이 클수록 긴급 상황이며, 작으면 작을수록 덜 긴급한 상황이 된다.
이러한 긴급도에 따라 긴급요청 송신부(80)는 적절한 관계기관을 선택한다. 예컨대, 현재 앞 차량이 졸음, 음주나 기타 난폭 운전으로 인해 사고 확률이 높아 긴급도가 높아지면 이를 바로 조치할 수 있는 관계기관으로 경찰서를 선택하고, 단계 S204에서 해당 영상 데이터를 경찰서로 전송하여 신속한 조치를 취할 수 있도록 한다.
아울러 현재 앞 도로의 상태가 사고 확률이 높을 경우, 단계 S205로 이동하여 도로에 관계된 관계기관(예를 들어, 국토부, 한국 도로공사)에 영상 데이터를 전송하여, 그에 알맞은 조치를 취하도록 한다.
한편, 본 발명의 다른 특징으로서, 상기 관제 센터(200)는 단계 S206에서 사고확률 학습부(90)를 통해 수신한 사고 예측 데이터를 이용하여 딥 러닝을 통해 학습을 하고, 단계 S207에서 학습 결과를 기초로 상기 차량 시스템 내의 인공지능 기반 사고 확률 알고리즘을 업데이트하는 업데이트 정보를 상기 차량 시스템(100)으로 전송하여, 인공지능기반 사고확률 알고리즘을 업데이트하여, 사고 확률 예측의 정확성을 향상시킨다.
이와 같이 본 발명은 차량 및 도로의 카메라를 통해 사고 가능성이 높은 차량 및 지역을 분석하고, 이상한 행동을 보이는 차량이나 사람, 유난히 법규 위반이 많은 도로를 찾아내어, 이를 관계기관에 전송하여 조치를 취하도록 함으로써, 사고를 미리 방지하게 된다.
이상 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 이 기술분야에서 통상의 지식을 가진 자에게 자명하다.
본 발명은 영상 인식과 인공지능 사고확률 알고리즘을 이용하여 사고 확률을 예측하고, 이를 이용하여 조치를 취할 수 있도록 하여, 자율주행차량의 주행 안전성을 향상하는 기술에 적용된다.
100: 차량 시스템
10: 영상 인식부
20: 영상 데이터 저장부
30: 사고 예측부
31: 인공지능기반 사고확률 처리부
32: 비교 분석부
33: 정상 유무 판단부
40: 무선 송출부
200: 관제 센터
50: 관제센터 무선 수신부
60: 관제센터 데이터 저장부
70: 사고확률 판단부
80: 긴급요청 송신부
90: 사고확률 학습부

Claims (11)

  1. 인공지능 기반으로 교통사고를 예측하기 위한 시스템으로서,
    카메라를 통해 촬영된 영상으로부터 객체를 인식하고, 인식한 객체에 대하여 인공지능 기반 사고확률 알고리즘으로 분석하여 사고 확률을 예측하며, 예측 결과 사고 발생이 예측되면 사고 예측 데이터를 관제 센터에 전송하는 차량 시스템; 및
    상기 차량 시스템으로부터 전송된 사고 예측 데이터를 분석하여 긴급도에 따라 관계기관에 조치 정보를 전송하고, 상기 사고 예측 데이터를 이용하여 사고 확률에 대해 학습을 하고, 학습 결과를 상기 차량 시스템으로 전송하여 인공지능 기반 사고 확률 알고리즘을 갱신하는 관제 센터를 포함하고,
    상기 차량 시스템은 인식한 객체 정보를 인공지능기반 사고확률 알고리즘으로 분석하여 사고 확률을 산출하고, 산출한 사고 확률 값을 기초로 사고를 예측하며, 예측 결과 사고 발생으로 예측되면 사고 예측 데이터를 관제 센터에 전송하는 사고 예측부를 포함하고,
    상기 인공지능기반 사고확률 알고리즘은 convolution feature 들을 추출하기 위한 필터를 구현할 때 의미 있는 특징들을 추출하기 위한 Convolution layer, 이미지의 특성상 많은 픽셀이 존재하기 때문에 특징을 줄이기 위해 서브샘플링을 수행하는 Pooling layer, 상기 Convolution layer와 Pooling layer에서 추출한 특징들을 이용하여 분류를 하는 Feed forward layer으로 이루어지며, 3 by 3 또는 그 이상의 window 혹은 mask를 영상 전체에 대해 반복적으로 수행을 하고, 그 mask의 계수 값들을 이용하여 영상으로부터 객체를 추출하며, 추출한 객체를 특징 추출과 topology invariance를 얻기 위해 filter와 sub-sampling을 반복적으로 수행하여 local feature로부터 이미지 전체를 대표할 수 있는 글로벌(global)한 특징을 획득하고, 획득한 특징을 학습시켜 사고 확률을 계산하여 사고 확률 값을 산출하며,
    상기 사고 예측부는 상기 산출한 사고 확률 값을 미리 설정된 기준 값과 비교하여, 그 차이인 오차 값을 비교 결과로 출력하고는 비교 분석부; 상기 비교 분석부에서 출력되는 비교 결과인 오차 값과 정상 유무를 판단하기 위한 설정 값과 비교하여, 상기 오차 값이 상기 설정 값 이하이면 정상으로 판단을 하고, 취득한 영상 데이터를 삭제하며, 상기 오차 값이 상기 설정 값보다 크면 사고 발생으로 예측하는 정상 유무 판단부를 포함하며,
    상기 관제 센터는 수신한 사고 예측 데이터를 이용하여 딥 러닝을 통해 학습을 하고, 학습 결과를 기초로 상기 차량 시스템 내의 인공지능 기반 사고 확률 알고리즘을 업데이트하는 사고확률 학습부를 포함하는 것을 특징으로 하는 인공지능 기반의 교통사고 예측시스템.
  2. 삭제
  3. 청구항 1에서, 상기 차량 시스템은 상기 사고 예측부에서 출력되는 사고 예측 데이터를 무선 데이터로 변환하여 원격의 관제 센터에 전송하는 무선 송출부를 더 포함하는 것을 특징으로 하는 인공지능 기반의 교통사고 예측시스템.
  4. 삭제
  5. 삭제
  6. 청구항 1에서, 상기 관제 센터는 상기 차량 시스템으로부터 전송된 사고 예측 데이터를 수신하는 관제센터 무선 수신부; 상기 관제센터 무선 수신부에서 수신한 사고 예측 데이터를 저장하는 관제센터 데이터 저장부; 상기 관제센터 데이터 저장부에서 저장한 사고 예측 데이터를 분석하여 사고확률을 산출하고, 추출한 사고확률을 기초로 긴급도를 판단하는 사고확률 판단부를 포함하는 것을 특징으로 하는 인공지능 기반의 교통사고 예측시스템.
  7. 청구항 6에서, 상기 관제 센터는 상기 사고확률 판단부에서 판단한 긴급도에 따라 관계기관을 선택한 후, 선택된 관계기관에 조치를 위한 긴급 요청 정보를 전송하는 긴급요청 송신부를 더 포함하는 것을 특징으로 하는 인공지능 기반의 교통사고 예측시스템.
  8. 삭제
  9. 인공지능 기반으로 교통사고를 예측하기 위한 방법으로서,
    (a) 차량 시스템에서 카메라를 통해 촬영된 영상으로부터 객체를 인식하고, 인식한 객체에 대하여 인공지능기반 사고확률 알고리즘으로 분석하여 사고 확률을 예측하며, 예측 결과 사고 발생이 예측되면 사고 예측 데이터를 관제 센터로 전송하는 단계; 및
    (b) 상기 관제 센터에서 상기 차량 시스템으로부터 전송된 사고 예측 데이터를 분석하여 긴급도에 따라 관계기관에 조치 정보를 전송하고, 상기 사고 예측 데이터를 이용하여 사고 확률에 대해 학습을 하고, 학습 결과를 상기 차량 시스템으로 전송하여 인공지능 기반 사고 확률 알고리즘을 갱신하는 단계를 포함하고,
    상기 (a)단계는 (a1) 카메라를 통해 촬영하여 영상을 획득하여 저장하고, 상기 저장된 영상 데이터로부터 객체를 인식하는 단계; (a2) 상기 인식한 객체 정보를 convolution feature 들을 추출하기 위한 필터를 구현할 때 의미 있는 특징들을 추출하기 위한 Convolution layer와 이미지의 특성상 많은 픽셀이 존재하기 때문에 특징을 줄이기 위해 서브샘플링을 수행하는 Pooling layer 및 상기 Convolution layer와 Pooling layer에서 추출한 특징들을 이용하여 분류를 하는 Feed forward layer으로 이루어진 인공지능기반 사고확률 알고리즘을 이용하여, 3 by 3 또는 그 이상의 window 혹은 mask를 영상 전체에 대해 반복적으로 수행을 하고, 그 mask의 계수 값들을 이용하여 영상으로부터 객체를 추출하여 사고 확률을 산출하는 단계; (a3) 상기 산출한 사고 확률 값을 기초로 사고를 예측하며, 예측 결과 사고 발생으로 예측되면 사고 예측 데이터를 관제 센터에 전송하는 단계; (a4) 상기 관제 센터로부터 사고 확률 알고리즘 업데이트 데이터를 수신하면, 상기 인공지능기반 사고 확률 알고리즘을 업데이트하는 단계를 포함하며,
    상기 (b)단계는 (b1) 상기 차량 시스템으로부터 전송된 사고 예측 데이터를 수신하여 저장하는 단계; (b2) 상기 저장한 사고 예측 데이터를 분석하여 사고확률을 산출하고, 추출한 사고확률을 기초로 긴급도를 판단하는 단계; (b3) 상기 판단한 긴급도에 따라 관계기관을 선택한 후, 선택된 관계기관에 조치를 위한 긴급요청 정보를 전송하는 단계; (b4) 상기 저장한 사고 예측 데이터를 이용하여 딥 러닝을 통해 학습을 하고, 학습 결과를 기초로 상기 차량 시스템 내의 인공지능기반 사고확률 알고리즘을 업데이트하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 교통사고 예측방법.
  10. 삭제
  11. 삭제
KR1020170157616A 2017-11-23 2017-11-23 인공지능 기반의 교통사고 예측시스템 및 그 방법 KR102030583B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170157616A KR102030583B1 (ko) 2017-11-23 2017-11-23 인공지능 기반의 교통사고 예측시스템 및 그 방법
PCT/KR2017/013497 WO2019103197A1 (ko) 2017-11-23 2017-11-24 인공지능 기반의 교통사고 예측시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170157616A KR102030583B1 (ko) 2017-11-23 2017-11-23 인공지능 기반의 교통사고 예측시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20190059723A KR20190059723A (ko) 2019-05-31
KR102030583B1 true KR102030583B1 (ko) 2019-10-11

Family

ID=66631552

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170157616A KR102030583B1 (ko) 2017-11-23 2017-11-23 인공지능 기반의 교통사고 예측시스템 및 그 방법

Country Status (2)

Country Link
KR (1) KR102030583B1 (ko)
WO (1) WO2019103197A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768625A (zh) * 2020-07-01 2020-10-13 中国计量大学 一种基于图嵌入的交通道路事件预测方法
KR102416711B1 (ko) 2022-02-21 2022-07-05 주식회사 카비 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102318801B1 (ko) 2019-10-22 2021-10-28 한국통합민원센터 주식회사 운전자의 교통사고율 예측 시스템
KR102101986B1 (ko) * 2019-10-31 2020-04-20 한국교통연구원 보행자 충돌 경고 시스템 및 방법
KR102331937B1 (ko) * 2019-11-27 2021-11-30 주식회사 텔러스 주행 위험도 및 운전자 상태 분석에 기초한 차량 긴급 구난 장치
KR102323329B1 (ko) 2019-12-24 2021-11-08 주식회사 싸인텔레콤 열전소자를 이용한 고열 방지 기능을 갖는 임베디드 일체형 카메라
KR102352666B1 (ko) * 2019-12-30 2022-01-19 계명대학교 산학협력단 교통 사고 위험을 예측하는 위험 예측 시스템 및 방법
CN112990021A (zh) * 2021-03-18 2021-06-18 中国第一汽车股份有限公司 一种数据处理方法、装置、设备及存储介质
CN113077625B (zh) * 2021-03-24 2022-03-15 合肥工业大学 一种道路交通事故形态预测方法
WO2023132800A2 (en) * 2022-01-06 2023-07-13 Xena Vision Yazilim Ve Savunma Anonim Sirketi A method for anticipation detection and prevention in a 3d environment
KR102464046B1 (ko) * 2022-02-25 2022-11-07 주식회사 에이엘테크 도로위험방지 시스템
CN114863680B (zh) * 2022-04-27 2023-04-18 腾讯科技（深圳）有限公司 预测处理方法、装置、计算机设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014035639A (ja) 2012-08-08 2014-02-24 Toshiba Corp 交通事故発生予報装置、方法およびプログラム
JP2016126756A (ja) * 2014-12-26 2016-07-11 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 危険判定方法、危険判定装置、危険出力装置及び危険判定システム
KR101688218B1 (ko) 2016-08-25 2016-12-20 델리아이 주식회사 객체 인지 기반의 실시간 영상 검지 기술을 이용한 교통 흐름 및 돌발 상황 관리 시스템 및 그 처리 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100072931A (ko) 2008-12-22 2010-07-01 재단법인 포항산업과학연구원 교통사고 감지시스템 및 감지방법
KR20130026538A (ko) 2011-07-20 2013-03-14 김태엽 교통사고 유발요소의 감지신호 제공 서비스 시스템 및 방법
KR20140106883A (ko) * 2013-02-27 2014-09-04 한국전자통신연구원 객체간 연관성 분석을 통한 위험 상황 분석 장치 및 방법
KR101738414B1 (ko) * 2015-06-24 2017-05-22 주식회사 엔알피시스템 차량 사고 감지장치 및 이를 이용한 긴급 콜 시스템
KR20160092959A (ko) 2016-05-19 2016-08-05 윤종식 과속 및 신호위반에 의한 교차로 교통사고 예방 방법 및 그 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014035639A (ja) 2012-08-08 2014-02-24 Toshiba Corp 交通事故発生予報装置、方法およびプログラム
JP2016126756A (ja) * 2014-12-26 2016-07-11 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 危険判定方法、危険判定装置、危険出力装置及び危険判定システム
KR101688218B1 (ko) 2016-08-25 2016-12-20 델리아이 주식회사 객체 인지 기반의 실시간 영상 검지 기술을 이용한 교통 흐름 및 돌발 상황 관리 시스템 및 그 처리 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768625A (zh) * 2020-07-01 2020-10-13 中国计量大学 一种基于图嵌入的交通道路事件预测方法
KR102416711B1 (ko) 2022-02-21 2022-07-05 주식회사 카비 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법

Also Published As

Publication number Publication date
WO2019103197A1 (ko) 2019-05-31
KR20190059723A (ko) 2019-05-31

Similar Documents

Publication Publication Date Title
KR102030583B1 (ko) 인공지능 기반의 교통사고 예측시스템 및 그 방법
US11634103B2 (en) Methods of facilitating emergency assistance
US10223910B2 (en) Method and apparatus for collecting traffic information from big data of outside image of vehicle
US11812388B2 (en) Idle vehicle communication based on available energy resources
JP7444777B2 (ja) 情報処理装置、端末装置、情報処理方法および情報処理プログラム
CN110619747A (zh) 一种高速公路道路智能监控方法及系统
Saiprasert et al. Driver behaviour profiling using smartphone sensory data in a V2I environment
KR102122850B1 (ko) 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션
WO2013170882A1 (en) Collaborative vehicle detection of objects with a predictive distribution
US20150307108A1 (en) System and method for detecting potential accident situations with a car
KR102390813B1 (ko) 객체인식 카메라를 이용한 정보 수집 및 지능형 신호 제어 장치 및 방법
CN112351190A (zh) 数字孪生监测系统和方法
KR102499340B1 (ko) 이기종 객체 필터 기반 하이브리드 영상 분석 장치 및 방법
CN111209797A (zh) 一种驾驶行为监控的方法、装置、设备和存储介质
KR102345528B1 (ko) 교통정보지역안내시스템 및 그를 이용한 교통정보지역안내방법
KR101593676B1 (ko) 주행상황 인지 방법 및 장치
KR102363760B1 (ko) 실시간으로 노면을 모니터링하기 위한 전자 장치와 그의 동작 방법 및 그를 포함하는 시스템
JP7301715B2 (ja) 監視カメラ利用車両システムに適用される状態予測サーバおよび注意喚起装置
KR102594587B1 (ko) 교통정보센터의 돌발 상황 정보 제공 시스템 및 방법
KR102281891B1 (ko) 도로 결빙 현상 알림을 제공하는 차량 제어 시스템 및 그것의 제어방법
Dissanayake et al. “SmartGo”–Intelligent Traffic Controlling System with Violators Detection
KR102008270B1 (ko) 디지털운행기록계를 이용한 차량사고 자동신고방법
WO2023092007A1 (en) Methods and apparatuses for implementing integrated image sensors
CN114987514A (zh) 自动驾驶车辆的控制方法及其装置、电子设备
CN117135172A (zh) 一种基于物联网的智慧城市事故救援方法和系统

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right