KR102041734B1 - 딥 러닝 기반 교통 위반 단속 시스템 및 방법 - Google Patents

딥 러닝 기반 교통 위반 단속 시스템 및 방법 Download PDF

Info

Publication number
KR102041734B1
KR102041734B1 KR1020180160571A KR20180160571A KR102041734B1 KR 102041734 B1 KR102041734 B1 KR 102041734B1 KR 1020180160571 A KR1020180160571 A KR 1020180160571A KR 20180160571 A KR20180160571 A KR 20180160571A KR 102041734 B1 KR102041734 B1 KR 102041734B1
Authority
KR
South Korea
Prior art keywords
violation
detected
nth frame
violations
frame
Prior art date
Application number
KR1020180160571A
Other languages
English (en)
Inventor
정부은
최흥묵
김영규
뉴엔탄하이
Original Assignee
유니셈(주)
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 유니셈(주) filed Critical 유니셈(주)
Priority to KR1020180160571A priority Critical patent/KR102041734B1/ko
Priority to PCT/KR2018/016207 priority patent/WO2020122301A1/ko
Application granted granted Critical
Publication of KR102041734B1 publication Critical patent/KR102041734B1/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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 교통 위반 단속 시스템 및 방법에 관한 것이다. 본 발명의 일 실시 예에 따른 교통 위반 단속 시스템은 영상 수집 장치로부터 수신된 영상을 기초로 n번째 프레임에서 기 저장된 오브젝트와 매칭률이 기 설정된 수치 값 이상인 오브젝트를 적어도 하나 검출하는 검출 모듈, n번째 프레임에서 검출된 오브젝트가 적어도 하나 이상 있는 경우에 n번째 프레임에서 검출된 오브젝트의 교통 위반 상태를 결정하는 처리 모듈 및 n번째 프레임 이후에, 상기 검출 모듈에서 검출된 적어도 하나의 오브젝트와 유사도가 특정 수치 값 이상인 오브젝트를 적어도 하나 인식하는 추적 모듈을 포함한다.

Description

딥 러닝 기반 교통 위반 단속 시스템 및 방법{SYSTEM AND METHOD FOR ENFORCING TRAFFIC VIOLATION BASED ON DEEP LEARNING}
본 발명은 딥 러닝 기반 교통 위반 단속 시스템 및 방법에 관한 것이다.
최근 스마트 교통 분야에서 영상인식 기술을 기반으로 실시간으로 교통량을 분석하여 스마트 시티를 위한 도시 계획에 활용하고, 교통 법규 위반 사항 검지, 보안 분야 등에서 연구가 활발히 이루어지고 있다.
기존의 단속 시스템의 경우 위반 사항 검지를 위해 루프 검지기를 사용하고 있으나, 이는 동남아의 교통 환경상 검지기 내에 차량과 모터사이클이 혼재되어 있어 적용이 어려운 상황이다.
또한, 레이저 및 레이다 센서를 이용한 차량의 속도 검지의 경우 크기가 작은 모터 사이클이 자동차와 혼재되어 있어 제대로 인식이 되지 않는 문제점이 있는 실정이다.
본 발명은 하드웨어 센서 없이 영상만으로 교통 법규 위반을 판단하는 기능을 제공하기 위한 것이다.
또한, 본 발명은 여러 차선에 운행되는 오토바이를 감지하고 감지된 오토바이의 신호 위반, 차선 위반, 좌회전 위반, 역주행, 속도 위반, 다인승 적발, 헬멧 미착용을 단속하는 기능을 제공하기 위한 것이다.
본 발명의 일 측면에 따르면, 교통 위반 단속 시스템은 영상 수집 장치로부터 수신된 영상을 기초로 n번째 프레임에서 기 저장된 오브젝트와 매칭률이 기 설정된 수치 값 이상인 오브젝트를 적어도 하나 검출하는 검출 모듈; n번째 프레임에서 검출된 오브젝트가 적어도 하나 이상 있는 경우에 n번째 프레임에서 검출된 오브젝트의 교통 위반 상태를 결정하는 처리 모듈; 및 n번째 프레임 이후에, 상기 검출 모듈에서 검출된 적어도 하나의 오브젝트와 유사도가 특정 수치 값 이상인 오브젝트를 적어도 하나 인식하는 추적 모듈을 포함할 수 있다.(n은 1 이상의 정수).
또한, 상기 추적 모듈은, 검출된 오브젝트의 바운딩 박스의 좌측 상단의 좌표, 우측 상단의 좌표, 좌측 하단의 좌표 및 우측 하단의 좌표 중 적어도 하나의 좌표를 산출하고 산출된 바운딩 박스의 좌표 중 적어도 하나의 좌표를 검출된 오브젝트의 기준 좌표로 결정할 수 있다.
또한, 상기 처리 모듈은, n번째 프레임에서 검출된 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되는 경우 검출된 상기 오브젝트의 위반 횟수를 판별할 수 있다.
또한, 상기 처리 모듈은, 검출된 상기 오브젝트의 위반 횟수가 0번이 아닌 경우 상기 오브젝트의 위반 횟수를 증가시키고, 상기 오브젝트의 위반 횟수가 0번인 경우 n번째 프레임에서 검출된 상기 오브젝트의 이미지를 저장하고 상기 오브젝트의 위반 횟수를 증가시킬 수 있다.
또한, 상기 처리 모듈은, 판별된 상기 오브젝트의 위반 횟수가 기 설정된 횟수 이상인 경우 판별된 상기 오브젝트를 위반 오브젝트로 결정하고 위반 오브젝트를 포함하는 프레임을 저장할 수 있다.
또한, 상기 처리 모듈은, n번째 프레임의 영역을 오브젝트의 정면 영역 및 오브젝트의 배면 영역으로 분류하고, 오브젝트의 정면 영역에서 검출된 오브젝트가 오브젝트의 배면이거나 오브젝트의 배면 영역에서 검출된 오브젝트가 오브젝트의 정면인 경우 상기 오브젝트를 위반 오브젝트로 결정하고 위반 오브젝트를 포함하는 프레임을 저장할 수 있다.
또한, 상기 처리 모듈은, n번째 프레임에서 신호등의 신호가 정지 신호이고 n번째 프레임에서 검출된 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되는 경우 n번째 프레임에서 검출된 오브젝트를 위반 오브젝트로 결정하고 위반 오브젝트를 포함하는 프레임을 저장할 수 있다.
또한, 상기 처리 모듈은, n번째 프레임 이후에 신호등의 신호가 정지 신호이고 n번째 프레임 이후에 검출된 위반 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되지 않는 경우 n번째 프레임 이후에 검출된 위반 오브젝트를 포함하는 프레임을 저장할 수 있다.
또한, 상기 처리 모듈은, n번째 프레임 이후에 검출된 위반 오브젝트의 기준 좌표가 기 결정된 단속 영역의 상단에 위치하는 경우 위반 오브젝트가 신호 위반을 했다고 결정하고, n번째 프레임 이후에 검출된 위반 오브젝트의 기준 좌표가 기 결정된 단속 영역의 좌측에 위치하는 경우 위반 오브젝트가 좌회전 위반을 했다고 결정할 수 있다.
또한, 상기 처리 모듈은, n번째 프레임 이후에 위반 오브젝트로 결정된 오브젝트를 포함하는 프레임을 기 설정된 개수만큼 저장할 수 있다.
또한, 상기 검출 모듈은, n번째 프레임에서 검출된 오브젝트가 오토바이인 경우 오브젝트의 바운딩 박스 내의 헬멧과 머리를 인식하는 서브 바운딩 박스를 더 검출할 수 있다.
또한, 상기 처리 모듈은, 상기 검출 모듈에서 검출된 서브 바운딩 박스가 머리이면 n번째 프레임에서 검출된 오브젝트를 위반 오브젝트로 결정하고 위반 오브젝트를 포함하는 프레임을 저장할 수 있다.
또한, 상기 처리 모듈은, 상기 검출 모듈에서 검출된 하나의 오브젝트의 바운딩 박스 내부에 서브 바운딩 박스의 개수가 기 설정된 개수 이상이면 n번째 프레임에서 검출된 오브젝트를 위반 오브젝트로 결정하고 위반 오브젝트를 포함하는 프레임을 저장할 수 있다.
또한, 상기 처리 모듈은, 위반 오브젝트로 결정된 오브젝트의 번호판을 인식할 수 있다.
본 발명의 다른 측면에 따르면, 교통 위반 단속 방법은 영상 수집 장치로부터 수신된 영상을 수신하는 단계; n번째 프레임에서 기 저장된 오브젝트와 매칭률이 기 설정된 수치 값 이상인 오브젝트를 적어도 하나 검출하는 단계; n번째 프레임 이후에, 검출된 적어도 하나의 오브젝트와 유사도가 특정 수치 값 이상인 오브젝트를 적어도 하나 인식하는 단계; 및 n번째 프레임에서 검출된 오브젝트가 적어도 하나 이상 있는 경우에 n번째 프레임에서 검출된 오브젝트의 교통 위반 상태를 결정하는 단계를 포함하고, 상기 검출된 오브젝트의 교통 위반 상태를 결정하는 단계는, 검출된 상기 오브젝트의 바운딩 박스의 좌측 상단의 좌표, 우측 상단의 좌표, 좌측 하단의 좌표 및 우측 하단의 좌표 중 적어도 하나의 좌표를 산출하고 산출된 바운딩 박스의 좌표 중 하나의 좌표를 검출된 오브젝트의 기준 좌표로 결정하는 단계; n번째 프레임에서 검출된 상기 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되는 경우 상기 오브젝트의 위반 횟수를 판별하는 단계; 상기 오브젝트의 위반 횟수가 0번이면 검출된 오브젝트의 이미지를 저장하고 오브젝트의 위반 횟수를 증가시키고, 상기 오브젝트의 위반 횟수가 0번이 아니면 오브젝트의 위반 횟수만 증가시키는 단계; 상기 오브젝트의 위반 횟수가 5번 이하이면 상기 오브젝트의 기준 좌표를 결정하는 단계를 다시 수행하고, 상기 오브젝트의 위반 횟수가 5번 이상이면 상기 오브젝트를 위반 오브젝트로 결정하는 단계; 및 위반 오브젝트를 포함하는 프레임을 저장하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 의하면, 하드웨어 센서 없이 영상만으로 교통 법규 위반을 판단하는 기능을 제공할 수 있다.
또한, 본 발명의 일 실시 예에 의하면, 여러 차선에 운행되는 오토바이를 감지하고 감지된 오토바이의 신호 위반, 차선 위반, 좌회전 위반, 역주행, 속도 위반, 다인승 적발, 헬멧 미착용을 단속할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 딥 러닝 기반 교통 위반 단속 시스템의 전체적인 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 딥 러닝 기반 교통 위반 단속 시스템의 세부적인 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 딥 러닝 기반 교통 위반 단속 방법에 대한 순서도이다.
도 4는 도 3의 S400을 설명하기 위한 순서도이다.
도 5는 본 발명의 일 실시 예에 따른 차선 위반 단속을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 역주행 단속을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 신호 위반 및 좌회전 위반 단속을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시 예에 따른 오토바이 헬멧 미착용 단속을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시 예에 따른 오토바이 탑승자 수 위반 단속을 설명하기 위한 도면이다.
본 발명의 다른 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술 되는 실시 예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예는 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
만일 정의되지 않더라도, 여기서 사용되는 모든 용어들(기술 혹은 과학 용어들을 포함)은 이 발명이 속한 종래 기술에서 보편적 기술에 의해 일반적으로
수용되는 것과 동일한 의미를 가진다. 일반적인 사전들에 의해 정의된 용어들은 관련된 기술 그리고/혹은 본 출원의 본문에 의미하는 것과 동일한 의미를 갖는 것으로 해석될 수 있고, 그리고 여기서 명확하게 정의된 표현이 아니더라도 개념화되거나 혹은 과도하게 형식적으로 해석되지 않을 것이다.
본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다' 및/또는 이 동사의 다양한 활용형들 예를 들어, '포함', '포함하는', '포함하고', '포함하며' 등은 언급된 조성, 성분, 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 조성, 성분, 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다. 본 명세서에서 '및/또는' 이라는 용어는 나열된 구성들 각각 또는 이들의 다양한 조합을 가리킨다.
한편, 본 명세서 전체에서 사용되는 '~부', '~기', '~블록', '~모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미할 수 있다. 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다. 그렇지만 '~부', '~기', '~블록', '~모듈' 등이 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부', '~기', '~블록', '~모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.
따라서, 일 예로서 '~부', '~기', '~블록', '~모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부', '~기', '~블록', '~모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부', '~기', '~블록', '~모듈'들로 결합되거나 추가적인 구성요소들과 '~부', '~기', '~블록', '~모듈'들로 더 분리될 수 있다.
이하, 본 명세서에 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 본 발명의 일 실시 예에 따른 딥 러닝 기반 교통 위반 단속 시스템의 전체적인 블록도이다.
도 1을 참조하면, 교통 위반 단속 시스템(10)은 오브젝트(20)를 영상 수집 장치(30)로부터 촬영된 영상을 수신한다. 교통 위반 단속 시스템(10)은 영상 수집 장치(30)와 네트워크를 통해 연결된다.
본 발명은 딥 러닝 기반 교통 위반 단속 시스템(10)으로 딥 러닝 기반의 다중 클래스 객체 검출 엔진에서 소요되는 연산량과 메모리 량을 경량화 하면서도 객체 검출에 대한 성능의 정확도를 높일 수 있다.
기존에 교통 법규 위반을 판별하는 방법은 차선에 별도로 설치된 하드웨어 센서를 설치하여 오브젝트를 인식하여 교통 법규 위반을 판별하는 방식이다. 그러나, 본 발명을 이용하면 차선에 별도로 설치된 하드웨어 센서없이 영상만으로 교통 법규 위반을 판별할 수 있어 보다 효과적인 지능형 교통 시스템을 구축할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 딥 러닝 기반 교통 위반 단속 시스템의 세부적인 블록도이다.
도 2를 참조하면, 교통 위반 단속 시스템(10)은 검출 모듈(11), 추적 모듈(12) 및 처리 모듈(13)을 포함한다.
먼저, 영상 수집 장치(30)로부터 촬영된 영상을 수신하고 오브젝트를 포함하는 하나 이상의 관심 영역(ROI: region of interest)을 검출한다. 통신 모듈은 스틱셀(stixel) 기법을 이용하여 관심 영역을 추출한다. 여기서, 스틱셀 기법은 도로 위에 직립하여 있는 장애 물체들을 동일한 시차 정보를 갖는다는 가정에서 화소 대신에 일정 폭의 스틱(stick)과 같은 그룹으로 영상을 표현하는 방법을 의미하며, 이것을 그룹핑(grouping)하여 관심 영역을 추출할 수 있다.
상기 검출 모듈(11)은 영상 수집 장치(30)로부터 수신된 여상을 기초로 n번째 프레임에서 기 저장된 오브젝트와 매칭률이 기 설정된 수치 값 이상인 오브젝트를 적어도 하나 검출한다. 예를 들면, 검출 모듈(11)은 딥 러닝 기반 다중 객체 분류 기법을 이용하여 검출된 관심 영역 별로 관심 영역 내에 존재하는 각각의 오브젝트를 인식한다.
여기서, 검출 모듈(11)은 딥 러닝 기법을 이용하여 다중 객체의 클래스를 인식하지만, 랜덤 포레스트(Random forest)와 같은 기법을 이용할 수 있다. 여기서, 랜덤 포레스트는 기계 학습(Machine Learning)에서 여러 개의 결정 트리들을 임의적으로 학습하는 방식의 앙상블 방법이다. 랜덤 포레스트 방법은 크게 복수의 결정 트리를 구성하는 학습 단계와 입력 벡터가 들어왔을 때, 분류하거나 예측하는 테스트 단계로 구성되어 있다. 랜덤 포레스트는 검출, 분류, 그리고 회귀 등 다양한 어플리케이션으로 활용되고 있다.
또한, 딥 러닝은 사물이나 데이터를 군집하거나 분류하는데 사용하는 기술이다. 예를 들면, 컴퓨터는 사진만으로 개와 고양이를 구분하지 못하지만 사람은 아주 쉽게 구분할 수 있다. 이를 위해 데이터를 컴퓨터에 입력하고 비슷한 것끼리 분류하도록 하는 것이 기계 학습 기술이다. 즉, 딥 러닝은 저장된 개 사진과 비슷한 사진이 입력되면, 이를 개 사진이라고 컴퓨터가 분류하도록 한 것이다.
또한, 검출 모듈(11)은 레이블링 저작 도구를 활용하여 학습용 레이블링 데이터를 생성한다. 본 발명에서는 레이블링 저작 도구를 활용하여 오브젝트의 형식값 및 오브젝트의 위치 좌표에 관한 데이터를 생성한다. 오브젝트의 형식값은 자동차, 밴, 버스, 트럭, 오토바이의 앞면, 오토바이의 뒷면, 오토바이의 옆면 등으로 구분될 수 있다. 여기서, 오토바이의 앞면, 뒷면, 옆면을 별도로 구분하는 이유는 자동차는 앞면과 뒷면에 모두 번호판이 있지만 일반적으로 오토바이는 뒷면에 번호판이 있기 때문이다.
상기 추적 모듈(12)은 n번째 프레임 이후에 검출 모듈(11)에서 검출된 적어도 하나의 오브젝트와 유사도가 특정 수치 값 이상인 오브젝트를 적어도 하나 인식한다(n은 1이상의 정수). 여기서, 추적 모듈(12)은 상관 필터 기반의 추적 기술을 이용하여 검출된 오브젝트를 추적한다. 이러한 추적 기술은 사람과 같이 시간에 따라 형태가 변화하는 객체에 대하여도 강건한 추적 성능을 보여준다.
또한, 객체 추적과 데이터 연관에서는 다중 채널 특징 벡터를 재활용함으로써 각각의 모듈에서 특징 벡터를 추출할 때 소요되는 연산 시간을 최소화 할 수 있다.
상기 처리 모듈(13)은 n번째 프레임에서 검출된 오브젝트가 적어도 하나 이상 있는 경우에 n번째 프레임에서 검출된 오브젝트의 교통 위반 상태를 결정한다.
도 3은 본 발명의 일 실시 예에 따른 딥 러닝 기반 교통 위반 단속 방법에 대한 순서도이다.
도 3을 참조하면, 딥 러닝 기반 교통 위반 단속 방법은 아래와 같은 단계로 구성된다.
먼저, 카메라 영상을 수신하고(S100), n번째 프레임에서 기 저장된 오브젝트와 매칭률이 기 설정된 수치값 이상인 오브젝트를 적어도 하나 검출하고나서(S200), n번째 프레임 이후에 S200단계에서 검출된 적어도 하나의 오브젝트와 유사한 오브젝트를 적어도 하나 인식한다(S300).
예를 들면, 기 검출된 오브젝트는 바운딩 박스 내의 영상을 이미지의 형태로 분류하여 이전에 검출되었던 이미지의 형태와 비교하여 바운딩 박스 내의 영상의 이미지가 기 검출된 영상의 이미지와 매칭이 되면 동일한 오브젝트로 판단할 수 있다. 본 실시 예에서는 이미지에 관한 객체 정보를 사용하여 객체 정보의 매칭 여부를 확인하였지만, 객체 정보는 영상 내의 다양한 정보를 사용할 수도 있다.
마지막으로, n번째 프레임에서 S200단계에서 검출된 오브젝트가 적어도 하나 이상 있는 경우에 S200에서 검출된 오브젝트의 교통 위반 상태를 결정한다(S400).
도 4는 도 3의 S400을 설명하기 위한 순서도이다.
도 4를 참조하면, 도로 상에서 차선을 위반하는 차량 또는 오토바이를 검출 할 수 있다.
먼저, 검출된 오브젝트의 바운딩 박스의 좌측 상단의 좌표, 우측 상단의 좌표, 좌측 하단의 좌표 및 우측 하단의 좌표 중 적어도 하나의 좌표를 산출하고 산출된 바운딩 박스의 좌표 중 적어도 하나의 좌표를 검출된 오브젝트의 기준 좌표로 결정한다(S410).
또한, 검출된 오브젝트는 자동차의 정면, 자동차의 배면, 오토바이의 정면 및 오토바이의 배면 중 적어도 어느 하나 일 수 있다. 여기서, 오브젝트의 정면과 배면을 구분하는 이유는 교통 위반 단속 시스템에서는 오브젝트의 정면과 배면의 구분의 실익이 있기 때문이다. 예를 들면, 오브젝트의 정면과 배면의 구분은 오브젝트의 역주행 단속을 하기 위해 활용된다.
나아가, 오브젝트는 오토바이의 측면, 헬멧을 착용한 오토바이 운전자, 헬멧을 착용하지 않은 오토바이 운전자 및 보행자를 구분할 수 있다. 현지 도로 사정에 따라 오브젝트는 기계 학습을 통해 어떠한 것이라도 구분 할 수 있다.
n번째 프레임에서 검출된 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되는 경우 검출된 오브젝트의 위반 횟수를 판별한다(S411).
판별된 오브젝트의 위반 횟수가 0번이 아닌 경우 오브젝트의 위반 횟수를 증가시키고(S414), 판별된 오브젝트의 위반 횟수가 0번인 경우(S412) n번째 프레임에서 검출된 오브젝트의 이미지를 저장하고 오브젝트의 위반 횟수를 증가시킨다(S413).
판별된 오브젝트의 위반 횟수가 기 설정된 횟수 이상인 경우(S415) 오브젝트를 위반 오브젝트로 결정하고(S416) n번째 프레임에서 검출된 오브젝트의 이미지를 저장한다(S417).
도 5는 본 발명의 일 실시 예에 따른 차선 위반 단속을 설명하기 위한 도면이다.
도 5를 참조하면, 도 5에서 중앙선을 기준으로 왼쪽 영역은 차량이나 오토바이가 카메라쪽으로 가까워지는 방향으로 이동하는 도로이고, 도 5의 중앙선을 기준으로 오른쪽 영역은 차량이나 오토바이가 카메라 쪽에서 멀어지는 방향을 이동하는 도로이다.
검출된 오브젝트의 바운딩 박스의 우측 하단의 좌표를 기준 좌표로 설정하고, n번째 프레임에서 검출된 오브젝트의 기준 좌표가 기 결정된 단속 영역에 속하는 경우 오브젝트의 위반 횟수를 증가시킨다. 이후, n번째 프레임 이후에 검출된 오브젝트의 기준 좌표가 기 결정된 단속 영역에 속하여 기 설정된 횟수 이상 위반 횟수가 도달하면 해당 오브젝트를 차선을 위반한 오브젝트로 결정한다.
여기서, 단속 영역은 검출된 오브젝트에 따라서 다를 수 있다. 예를 들면, 검출된 오브젝트가 오토바이의 정면이라면 도 5의 사선을 기준으로 오른쪽 영역이 단속 영역이고, 검출된 오브젝트가 오토바이의 배면이라면 도 5의 사선을 기준으로 왼쪽 영역이 단속 영역이다.
또한, 단속 영역의 경계 부분의 일정 부분은 오브젝트의 바운딩 박스는 사각형으로 생성되기 때문에 실제로는 차선을 위반하지 않아도 기준 좌표의 위치에 따라 차선 위반으로 판단될 염려가 있기 때문에 서로 다른 단속 영역의 경계 부분의 기 결정된 영역은 단속 영역에서 제외될 수 있다.
도 6은 본 발명의 일 실시 예에 따른 역주행 단속을 설명하기 위한 도면이다.
본 발명의 일 실시 예에 따르면, n번째 프레임의 영역을 오브젝트의 정면 영역 및 오브젝트의 배면 영역으로 분류하고, 오브젝트의 정면 영역에서 검출된 오브젝트가 오브젝트의 배면이거나 오브젝트의 배면 영역에서 검출된 오브젝트가 오브젝트의 정면인 경우 오브젝트를 위반 오브젝트로 결정하고 n번째 프레임을 저장한다.
도 6을 참조하면, 영상 수집 장치에 의해서 수신된 영상에서 중앙선을 기준으로 왼쪽 영역은 차량이나 오토바이가 카메라 쪽으로 가까워지는 방향이 차량이나 오토바이의 올바른 진행 방향이고, 중앙선을 기준으로 오른쪽 영역은 차량이나 오토바이가 카메라로부터 멀어지는 방향이 차량이나 오토바이의 올바른 진행 방향이다.
예를 들면, 오브젝트의 정면 영역에서 검출된 오브젝트가 정면인지 배면인지에 대한 구분은 딥 러닝 기반으로 바운딩 박스 내의 이미지를 검출하여 차량 또는 오토바이의 정면 또는 배면을 인식할 수 있다.
나아가, 검출된 오브젝트가 위반 오브젝트인지 결정하는 방법은 해당 프레임에서 검출된 오브젝트의 기준 좌표가 오브젝트의 정면 영역 및 오브젝트의 배면 영역 중 어느 영역에 위치하는지에 따라 결정할 수 있다. 더 나아가, 특정 오브젝트가 위반 오브젝트로 결정될 때, 해당 오브젝트가 위반 오브젝트로 결정된 때로부터 기 설정된 개수의 프레임을 저장하고 저장된 프레임에서 위반 오브젝트의 바운딩 박스의 좌표를 산출하며, 산출된 결과에 따라 위반 오브젝트의 위치 이동 벡터를 판단하여 차선 위반 및 역주행 위반을 결정할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 신호 위반 및 좌회전 위반 단속을 설명하기 위한 도면이다.
도 7을 참조하면, n번째 프레임에서 신호등의 신호가 정지 신호이고 n번째 프레임에서 검출된 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되는 경우 n번째 프레임에서 검출된 오브젝트를 위반 오브젝트로 결정하고 n번째 프레임을 저장한다.
n번째 프레임 이후에 신호등의 신호가 정지 신호이고 n번째 프레임 이후에 검출된 위반 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되지 않는 경우 n번째 프레임 이후에 검출된 위반 오브젝트를 포함하는 프레임을 저장한다.
다시 말하면, n번째 프레임에서 신호등의 신호가 정지 신호인 경우 기 결정된 단속 영역이 활성화되고 상기 단속 영역에서 검출되는 오브젝트는 위반 오브젝트로 결정한다. 이후에 n번째 프레임 이후에 신호등의 신호가 정지 신호인 경우 이전 프레임에서 위반 오브젝트로 결정된 오브젝트가 기 결정된 단속 영역에 포함되지 않는 경우 위반 오브젝트가 상기 단속 영역을 통과했다고 판단하고 위반 오브젝트를 포함하는 프레임을 저장한다.
위반 오브젝트를 포함하는 프레임을 저장한 이후에, 위반 오브젝트가 신호 위반인지 좌회전 위반인지를 결정하는 과정은 아래와 같다.
n번째 프레임 이후에 검출된 위반 오브젝트의 기준 좌표가 기 결정된 단속 영역의 상단에 위치하는 경우 신호위반으로 결정하고, n번째 프레임 이후에 검출된 위반 오브젝트의 기준 좌표가 기 결정된 단속 영역의 좌측에 위치하는 경우 좌회전 위반으로 결정한다.
본 발명의 일 실시 예에 따르면, 위반 오브젝트로 결정된 오브젝트가 단속 영역을 하단에서 상단으로 통과하는 경우 신호 위반으로 결정하고, 위반 오브젝트로 결정된 오브젝트가 단속 영역을 하단에서 좌측으로 통과하는 경우 좌회전 위반으로 결정한다. 여기서, 해당 국가의 교통 법규가 우측통행을 기준으로 신호 위반 및 좌회전 위반을 단속 하지만, 교통 법규 상 좌측통행이 기준인 국가에서는 반대로 우회전 위반을 단속 할 수 있을 것이다.
또한, n번째 프레임 이후에 위반 오브젝트로 결정된 오브젝트를 포함하는 프레임을 기 설정된 개수만큼 저장한다. 예를 들면, 위반 오브젝트로 결정된 오브젝트를 포함하는 프레임을 n번째 프레임 이후에 5 프레임을 저장하여 추후에 단속 증거 영상으로 활용할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 오토바이 헬멧 미착용 단속을 설명하기 위한 도면이다.
도 8을 참조하면, n번째 프레임에서 검출된 오브젝트가 오토바이인 경우 오브젝트의 바운딩 박스 내의 헬멧과 머리를 인식하는 서브 바운딩 박스를 더 검출한다. 상기 검출 모듈(11)에서 검출한 서브 바운딩 박스가 머리이면 n번째 프레임에서 검출된 오브젝트를 위반 오브젝트를 결정하고 위반 오브젝트를 포함하는 프레임을 저장한다.
예를 들면, 서브 바운딩 박스 내에 검출된 오브젝트가 헬멧을 착용한 오브젝트라면 단속하지 않고, 서브 바운딩 박스 내에 검출된 오브젝트가 헬멧을 착용하지 않은 오브젝트라면 헬멧 미착용으로 교통 법규 위반 단속을 한다.
도 9는 본 발명의 일 실시 예에 따른 오토바이 탑승자 수 위반 단속을 설명하기 위한 도면이다.
도 9를 참조하면, 검출 모듈(11)에서 검출된 하나의 오브젝트의 바운딩 박스 내부에 서브 바운딩 박스의 개수가 기 설정된 개수 이상이면 n번째 프레임에서 검출된 오브젝트를 위반 오브젝트로 결정하고 n번째 프레임을 저장한다.
예를 들면, 오브젝트의 바운딩 박스 내에 검출된 서브 바운딩 박스의 개수가 3개 이상인 경우 해당 오브젝트의 오버 라이딩(탑승자 수 위반)을 단속 할 수 있다.
본 발명의 일 실시 예에 따르면, 위반 오브젝트로 결정된 오브젝트를 포함하는 프레임을 기초로 위반 오브젝트의 번호판을 인식한다.
도로 상에 하드웨어 센서가 있어야 교통 위반 단속이 가능하다. 역주행 위반과 같은 단속은 반대편 차선에 하드웨어 센서가 존재하지 않으면 위반 단속을 결정할 수 없다. 또한, 차선위반에 해당하는 끼어들기, 신호 위반 꼬리 물기와 같은 위반 단속은 기존의 감지 방식으로는 단속이 불가하고 촬영된 영상을 통해 사람이 직접 위반여부를 결정해야하는 실정이다.
그러나, 본 발명의 딥 러닝 기반 교통 위반 단속 시스템(10)을 이용하면 영상 만으로 역주행, 차선 위반, 꼬리물기 등 다양한 위반 사항에 대한 검출이 가능하다.
이상의 상세한 설명은 본 발명을 예시하는 것이다. 또한 전술한 내용은 본 발명의 바람직한 실시 형태를 나타내어 설명하는 것이며, 본 발명은 다양한 다른 조합, 변경 및 환경에서 사용할 수 있다. 즉 본 명세서에 개시된 발명의 개념의 범위, 저술한 개시 내용과 균등한 범위 및/또는 당 업계의 기술 또는 지식의 범위 내에서 변경 또는 수정이 가능하다. 저술한 실시 예는 본 발명의 기술적 사상을 구현하기 위한 최선의 상태를 설명하는 것이며, 본 발명의 구체적인 적용 분야 및 용도에서 요구되는 다양한 변경도 가능하다. 따라서 이상의 발명의 상세한 설명은 개시된 실시 상태로 본 발명을 제한하려는 의도가 아니다. 또한 첨부된 청구범위는 다른 실시 상태도 포함하는 것으로 해석되어야 한다.
10 : 교통 위반 단속 시스템
11 : 검출 모듈
12 : 추적 모듈
13 : 처리 모듈
20 : 오브젝트
30 : 영상수집장치

Claims (15)

  1. 영상 수집 장치로부터 수신된 영상을 기초로 n번째 프레임에서 기 저장된 오브젝트와 매칭률이 기 설정된 수치 값 이상인 오브젝트를 적어도 하나 검출하는 검출 모듈;
    n번째 프레임에서 검출된 오브젝트가 적어도 하나 이상 있는 경우에 n번째 프레임에서 검출된 오브젝트의 교통 위반 상태를 결정하는 처리 모듈; 및
    n번째 프레임 이후에, 상기 검출 모듈에서 검출된 적어도 하나의 오브젝트와 유사도가 특정 수치 값 이상인 오브젝트를 적어도 하나 인식하는 추적 모듈을 포함하되,
    상기 추적 모듈은,
    검출된 오브젝트의 바운딩 박스의 좌측 상단의 좌표, 우측 상단의 좌표, 좌측 하단의 좌표 및 우측 하단의 좌표 중 적어도 하나의 좌표를 산출하고 산출된 바운딩 박스의 좌표 중 적어도 하나의 좌표를 검출된 오브젝트의 기준 좌표로 결정하고,
    상기 처리 모듈은,
    n번째 프레임에서 검출된 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되는 경우 검출된 상기 오브젝트의 위반 횟수를 판별하되,
    서로 다른 단속 영역의 경계선 인근에 기 결정된 영역은 단속 영역에서 제외하는 교통 위반 단속 시스템(n은 1 이상의 정수).
  2. 삭제
  3. 삭제
  4. 제 1 항에 있어서, 상기 처리 모듈은,
    검출된 상기 오브젝트의 위반 횟수가 0번이 아닌 경우 상기 오브젝트의 위반 횟수를 증가시키고, 상기 오브젝트의 위반 횟수가 0번인 경우 n번째 프레임에서 검출된 상기 오브젝트의 이미지를 저장하고 상기 오브젝트의 위반 횟수를 증가시키는 교통 위반 단속 시스템.
  5. 제 4 항에 있어서, 상기 처리 모듈은,
    판별된 상기 오브젝트의 위반 횟수가 기 설정된 횟수 이상인 경우 판별된 상기 오브젝트를 위반 오브젝트로 결정하고 위반 오브젝트를 포함하는 프레임을 저장하는 교통 위반 단속 시스템.
  6. 제 1 항에 있어서, 상기 처리 모듈은,
    n번째 프레임의 영역을 오브젝트의 정면 영역 및 오브젝트의 배면 영역으로 분류하고, 오브젝트의 정면 영역에서 검출된 오브젝트가 오브젝트의 배면이거나 오브젝트의 배면 영역에서 검출된 오브젝트가 오브젝트의 정면인 경우 상기 오브젝트를 위반 오브젝트로 결정하고 위반 오브젝트를 포함하는 프레임을 저장하는 교통 위반 단속 시스템.
  7. 제 1 항에 있어서, 상기 처리 모듈은,
    n번째 프레임에서 신호등의 신호가 정지 신호이고 n번째 프레임에서 검출된 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되는 경우 n번째 프레임에서 검출된 오브젝트를 위반 오브젝트로 결정하고 위반 오브젝트를 포함하는 프레임을 저장하는 교통 위반 단속 시스템.
  8. 제 7 항에 있어서, 상기 처리 모듈은,
    n번째 프레임 이후에 신호등의 신호가 정지 신호이고 n번째 프레임 이후에 검출된 위반 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되지 않는 경우 n번째 프레임 이후에 검출된 위반 오브젝트를 포함하는 프레임을 저장하는 교통 위반 단속 시스템.
  9. 제 8 항에 있어서, 상기 처리 모듈은,
    n번째 프레임 이후에 검출된 위반 오브젝트의 기준 좌표가 기 결정된 단속 영역의 상단에 위치하는 경우 위반 오브젝트가 신호 위반을 했다고 결정하고, n번째 프레임 이후에 검출된 위반 오브젝트의 기준 좌표가 기 결정된 단속 영역의 좌측에 위치하는 경우 위반 오브젝트가 좌회전 위반을 했다고 결정하는 교통 위반 단속 시스템.
  10. 제 7 항에 있어서, 상기 처리 모듈은,
    n번째 프레임 이후에 위반 오브젝트로 결정된 오브젝트를 포함하는 프레임을 기 설정된 개수만큼 저장하는 교통 위반 단속 시스템.
  11. 제 1 항에 있어서, 상기 검출 모듈은,
    n번째 프레임에서 검출된 오브젝트가 오토바이인 경우 오브젝트의 바운딩 박스 내의 헬멧과 머리를 인식하는 서브 바운딩 박스를 더 검출하는 교통 위반 단속 시스템.
  12. 제 11 항에 있어서, 상기 처리 모듈은,
    상기 검출 모듈에서 검출된 서브 바운딩 박스가 머리이면 n번째 프레임에서 검출된 오브젝트를 위반 오브젝트로 결정하고 위반 오브젝트를 포함하는 프레임을 저장하는 교통 위반 단속 시스템.
  13. 제 11 항에 있어서, 상기 처리 모듈은,
    상기 검출 모듈에서 검출된 하나의 오브젝트의 바운딩 박스 내부에 서브 바운딩 박스의 개수가 기 설정된 개수 이상이면 n번째 프레임에서 검출된 오브젝트를 위반 오브젝트로 결정하고 위반 오브젝트를 포함하는 프레임을 저장하는 교통 위반 단속 시스템.
  14. 제 5 항, 제 6 항, 제 9 항, 제 12 항 및 제 13 항 중 어느 한 항에 있어서, 상기 처리 모듈은, 위반 오브젝트로 결정된 오브젝트의 번호판을 인식하는 교통 위반 단속 시스템.
  15. 영상 수집 장치로부터 수신된 영상을 수신하는 단계;
    n번째 프레임에서 기 저장된 오브젝트와 매칭률이 기 설정된 수치 값 이상인 오브젝트를 적어도 하나 검출하는 단계;
    n번째 프레임 이후에, 검출된 적어도 하나의 오브젝트와 유사도가 특정 수치 값 이상인 오브젝트를 적어도 하나 인식하는 단계; 및
    n번째 프레임에서 검출된 오브젝트가 적어도 하나 이상 있는 경우에 n번째 프레임에서 검출된 오브젝트의 교통 위반 상태를 결정하는 단계를 포함하고,
    상기 검출된 오브젝트의 교통 위반 상태를 결정하는 단계는,
    검출된 상기 오브젝트의 바운딩 박스의 좌측 상단의 좌표, 우측 상단의 좌표, 좌측 하단의 좌표 및 우측 하단의 좌표 중 적어도 하나의 좌표를 산출하고 산출된 바운딩 박스의 좌표 중 하나의 좌표를 검출된 오브젝트의 기준 좌표로 결정하는 단계;
    n번째 프레임에서 검출된 상기 오브젝트의 기준 좌표가 기 결정된 단속 영역에 포함되는 경우 상기 오브젝트의 위반 횟수를 판별하는 단계;
    상기 오브젝트의 위반 횟수가 0번이면 검출된 오브젝트의 이미지를 저장하고 오브젝트의 위반 횟수를 증가시키고, 상기 오브젝트의 위반 횟수가 0번이 아니면 오브젝트의 위반 횟수만 증가시키는 단계;
    상기 오브젝트의 위반 횟수가 5번 이하이면 상기 오브젝트의 기준 좌표를 결정하는 단계를 다시 수행하고, 상기 오브젝트의 위반 횟수가 5번 이상이면 상기 오브젝트를 위반 오브젝트로 결정하는 단계; 및
    위반 오브젝트를 포함하는 프레임을 저장하는 단계를 포함하되,
    상기 위반 횟수를 판별하는 단계는,
    서로 다른 단속 영역의 경계선 인근에 기 결정된 영역은 단속 영역에서 제외하는 단계를 더 포함하는 교통 위반 단속 방법.
KR1020180160571A 2018-12-13 2018-12-13 딥 러닝 기반 교통 위반 단속 시스템 및 방법 KR102041734B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180160571A KR102041734B1 (ko) 2018-12-13 2018-12-13 딥 러닝 기반 교통 위반 단속 시스템 및 방법
PCT/KR2018/016207 WO2020122301A1 (ko) 2018-12-13 2018-12-19 딥 러닝 기반 교통 위반 단속 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180160571A KR102041734B1 (ko) 2018-12-13 2018-12-13 딥 러닝 기반 교통 위반 단속 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102041734B1 true KR102041734B1 (ko) 2019-11-27

Family

ID=68729716

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180160571A KR102041734B1 (ko) 2018-12-13 2018-12-13 딥 러닝 기반 교통 위반 단속 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR102041734B1 (ko)
WO (1) WO2020122301A1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814762A (zh) * 2020-08-24 2020-10-23 深延科技(北京)有限公司 头盔佩戴检测方法和装置
KR20210072740A (ko) * 2020-06-03 2021-06-17 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 교통 이벤트의 보고 방법, 장치, 전자 기기 및 저장 매체
KR102349113B1 (ko) * 2021-05-13 2022-01-11 유니셈 (주) 헬멧 미착용 단속 시스템 및 방법
KR102407170B1 (ko) * 2022-01-07 2022-06-10 (주)토페스 이륜차 교통법규 위반 검지 방법 및 그 실행을 위한 시스템
KR102416066B1 (ko) * 2021-05-13 2022-07-06 유니셈 (주) 영상 매칭 시스템 및 방법
KR102429312B1 (ko) * 2021-08-09 2022-08-04 주식회사 영국전자 차량 단속 장치 및 방법
KR102436111B1 (ko) * 2021-03-22 2022-08-25 (주)넥스트박스 모빌리티 시스템으로 위법 차량을 단속하도록 한 인공지능 기반 이벤트검지 시스템
KR102510765B1 (ko) 2022-01-04 2023-03-17 주식회사 아이에스앤로드테크 이륜차 단속 시스템 및 방법.
KR102558936B1 (ko) * 2022-12-27 2023-07-25 주식회사 아이에스앤로드테크 이륜차 단속 시스템 및 방법.

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968378A (zh) * 2020-07-07 2020-11-20 浙江大华技术股份有限公司 机动车闯红灯抓拍方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090053459A (ko) * 2007-11-23 2009-05-27 렉스젠(주) 차량 촬영 시스템 및 그 방법
JP2010211427A (ja) * 2009-03-10 2010-09-24 Omron Corp 安全運転監視装置
KR20140013407A (ko) * 2012-07-23 2014-02-05 삼성테크윈 주식회사 객체 추적 장치 및 방법
JP2016130932A (ja) * 2015-01-14 2016-07-21 オムロン株式会社 交通違反管理システムおよび交通違反管理方法
KR101889085B1 (ko) * 2017-12-07 2018-08-16 렉스젠(주) 차량 궤적을 이용한 통행 정보 생성 장치 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090053459A (ko) * 2007-11-23 2009-05-27 렉스젠(주) 차량 촬영 시스템 및 그 방법
JP2010211427A (ja) * 2009-03-10 2010-09-24 Omron Corp 安全運転監視装置
KR20140013407A (ko) * 2012-07-23 2014-02-05 삼성테크윈 주식회사 객체 추적 장치 및 방법
JP2016130932A (ja) * 2015-01-14 2016-07-21 オムロン株式会社 交通違反管理システムおよび交通違反管理方法
KR101889085B1 (ko) * 2017-12-07 2018-08-16 렉스젠(주) 차량 궤적을 이용한 통행 정보 생성 장치 및 그 방법

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210072740A (ko) * 2020-06-03 2021-06-17 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 교통 이벤트의 보고 방법, 장치, 전자 기기 및 저장 매체
KR102540045B1 (ko) 2020-06-03 2023-06-05 아폴로 인텔리전트 커넥티비티 (베이징) 테크놀로지 씨오., 엘티디. 교통 이벤트의 보고 방법, 장치, 전자 기기 및 저장 매체
CN111814762A (zh) * 2020-08-24 2020-10-23 深延科技(北京)有限公司 头盔佩戴检测方法和装置
KR102436111B1 (ko) * 2021-03-22 2022-08-25 (주)넥스트박스 모빌리티 시스템으로 위법 차량을 단속하도록 한 인공지능 기반 이벤트검지 시스템
KR102349113B1 (ko) * 2021-05-13 2022-01-11 유니셈 (주) 헬멧 미착용 단속 시스템 및 방법
KR102416066B1 (ko) * 2021-05-13 2022-07-06 유니셈 (주) 영상 매칭 시스템 및 방법
KR102429312B1 (ko) * 2021-08-09 2022-08-04 주식회사 영국전자 차량 단속 장치 및 방법
KR102510765B1 (ko) 2022-01-04 2023-03-17 주식회사 아이에스앤로드테크 이륜차 단속 시스템 및 방법.
KR102407170B1 (ko) * 2022-01-07 2022-06-10 (주)토페스 이륜차 교통법규 위반 검지 방법 및 그 실행을 위한 시스템
KR102558936B1 (ko) * 2022-12-27 2023-07-25 주식회사 아이에스앤로드테크 이륜차 단속 시스템 및 방법.

Also Published As

Publication number Publication date
WO2020122301A1 (ko) 2020-06-18

Similar Documents

Publication Publication Date Title
KR102041734B1 (ko) 딥 러닝 기반 교통 위반 단속 시스템 및 방법
CN109074651B (zh) 移动体的周围环境识别装置
CN106652468B (zh) 车辆道路前车违规检测和自车违规预警提醒装置及方法
KR102001002B1 (ko) 딥러닝 기반 번호 인식 시스템
Satzoda et al. Multipart vehicle detection using symmetry-derived analysis and active learning
KR102031503B1 (ko) 다중 객체 검출 시스템 및 방법
US9767368B2 (en) Method and system for adaptive ray based scene analysis of semantic traffic spaces and vehicle equipped with such system
US9552524B2 (en) System and method for detecting seat belt violations from front view vehicle images
CN102765365B (zh) 基于机器视觉的行人检测方法及行人防撞预警系统
Bonnin et al. Pedestrian crossing prediction using multiple context-based models
JP6679152B1 (ja) 事故分析装置、事故分析方法及びプログラム
KR20090014124A (ko) 이미지 평가 방법 및 장치
CN110738857A (zh) 一种车辆违章取证方法、装置及设备
KR20210052031A (ko) 딥러닝 기반 교통 흐름 분석 방법 및 시스템
JP2009237898A (ja) 画像認識装置
JP7285799B2 (ja) 事故分析装置、事故分析方法及びプログラム
Ketcham et al. Recognizing the Illegal Parking Patterns of Cars on the Road in Front of the Bus Stop Using the Support Vector Machine
US20120155711A1 (en) Apparatus and method for analyzing video
Chang et al. Stereo-based object detection, classi? cation, and quantitative evaluation with automotive applications
Cypto et al. Automatic detection system of speed violations in a traffic based on deep learning technique
CN115071747A (zh) 用于车辆的驾驶辅助设备、系统和方法
Nayak et al. Vision-based techniques for identifying emergency vehicles
Álvarez et al. Perception advances in outdoor vehicle detection for automatic cruise control
Avupati et al. Traffic Rules Violation Detection using YOLO and HAAR Cascade
CN110647863A (zh) 用于智能驾驶的视觉信号采集分析系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant