KR102372998B1 - 차량 통행량 영상 계측 시스템 및 그 계측 방법 - Google Patents
차량 통행량 영상 계측 시스템 및 그 계측 방법 Download PDFInfo
- Publication number
- KR102372998B1 KR102372998B1 KR1020200033845A KR20200033845A KR102372998B1 KR 102372998 B1 KR102372998 B1 KR 102372998B1 KR 1020200033845 A KR1020200033845 A KR 1020200033845A KR 20200033845 A KR20200033845 A KR 20200033845A KR 102372998 B1 KR102372998 B1 KR 102372998B1
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- unit
- intersection
- tracked
- learning
- Prior art date
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
본 발명의 목적은 딥러닝 알고리즘을 통해 교차로 접근로별 회전 통행량, 차종, 대기 행렬 길이 등을 자동으로 집계함과 아울러 교차로의 혼잡 수준을 실시간으로 분석하고, 최적의 교통 신호를 제어하는 차량 통행량 영상 계측 시스템 및 그 계측 방법을 제공하는 것이다.
상기 목적을 달성하기 위해, 본 발명에 따른 차량 통행량 영상 계측 시스템은, AI 딥러닝을 이용하여 교차로의 차선별 차량을 실시간으로 검지 및 분류함으로써 교차로 현황을 분석하는 차량 통행량 계측 영상 감지 장치; 및 분석된 상기 교차로 현황을 관제 또는 관리하는 AI 교차로 통합 관리 플랫폼 시스템;을 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위해, 본 발명에 따른 차량 통행량 영상 계측 시스템은, AI 딥러닝을 이용하여 교차로의 차선별 차량을 실시간으로 검지 및 분류함으로써 교차로 현황을 분석하는 차량 통행량 계측 영상 감지 장치; 및 분석된 상기 교차로 현황을 관제 또는 관리하는 AI 교차로 통합 관리 플랫폼 시스템;을 포함하는 것을 특징으로 한다.
Description
본 발명은 차량 통행량 영상 계측 시스템 및 그 계측 방법에 관한 것으로, 더욱 상세하게는 인공 지능(AI)을 기반으로 하는 차량 통행량 영상 계측 시스템 및 그 계측 방법에 관한 것이다.
최근 교통량의 증가와 차량의 증가, 차량 성능 향상 등으로 인하여 많은 사회 문제가 대두되고 있다.
이에 따라 도로 곳곳에 교통 정보를 측정하거나 차량의 위법 행위를 감시하기 위한 정보 수집 장치들이 다양하게 설치되고 있다.
교통량 조사는 도로를 이용하는 각종 통행 차량의 통과 대수를 종류별, 방향별 및 시간대 별로 측정하는 조사이다.
교통량 측정 자료는 도로 교통 계획 및 설계, 도로 관리 운영 등에 폭넓게 이용되며, 도로 및 교통과 관련된 다양한 분야의 연구에 있어 활용 빈도가 높은 중요한 자료이다.
이러한 도로 교통량 측정 방식에는, 조사원이 통과하는 차량을 육안으로 직접 확인하면서 기계식 계수장치를 이용하여 교통량을 측정하는 전통적인 방식이 있다.
그러나 이러한 전통적인 방법은 수작업으로 직접 교통량을 측정해야 하므로 시간 및 비용이 많이 소요될 뿐만 아니라 통계화 작업의 경우에도 모든 작업을 수작업으로 진행해야 하는 단점이 있다.
이에 도로의 교통량 측정 및 교통량 통계화를 자동으로 수행하는 시스템의 필요성이 점차 높아지고 있다.
한편 차량이 점차 증가하고 교통문제가 점차 심각해짐에 따라 도로 계획 및 도로 운영에 이용하기 위해 단순히 차량의 교통량만을 집계하는 것이 아니라 다양한 지역의 도로에서 각 차종별로 통행량을 집계해야 할 필요성 또한 점차 증대되고 있다.
이를 위해서는 각 시간대별 및 각 차종별로 측정된 교통량을 수집해야 할 뿐만 아니라, 각 도로별로 측정된 교통량을 효과적인 방법으로 수집할 수 있는 시스템이 필요하다.
상기한 바와 같은 종래의 문제점을 해결하기 위한 본 발명의 목적은 딥러닝 알고리즘을 통해 교차로 접근로별 회전 통행량, 차종, 대기 행렬 길이 등을 자동으로 집계함과 아울러 교차로의 혼잡 수준을 실시간으로 분석하고, 최적의 교통 신호를 제어하는 차량 통행량 영상 계측 시스템 및 그 계측 방법을 제공하는 것이다.
상기 목적을 달성하기 위해, 본 발명에 따른 차량 통행량 영상 계측 시스템은, AI 딥러닝을 이용하여 교차로의 차선별 차량을 실시간으로 검지 및 분류함으로써 교차로 현황을 분석하는 차량 통행량 계측 영상 감지 장치; 및 분석된 상기 교차로 현황을 관제 또는 관리하는 AI 교차로 통합 관리 플랫폼 시스템;을 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 차량 통행량 영상 계측 시스템에서, 상기 차량 통행량 계측 영상 감지 장치는, 교차로를 통과하는 차량에 대한 영상 데이터를 입력받는 영상 데이터 입력부; 기학습된 딥러닝 네트워크를 이용하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 검지하는 차량 검지부; 검지된 차량에 대한 차종을 라벨링하는 검지 차량 라벨링부; 라벨링된 검지된 차량을 재학습하는 차량 재학습부; 및 재학습이 이루어진 검지된 차량에 대한 차종 인식이 이루어졌는지의 여부를 판정하는 판정부;를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 차량 통행량 영상 계측 시스템에서, 차량 재학습부에 의해 재학습된 검지된 차량을 추적하는 검지 차량 추적부; 및 추적된 검지된 차량이 특정 영역에서 일정 시간 동안 정차시 알람을 발생시키는 알람 발생부;를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 차량 통행량 영상 계측 시스템에서, 상기 판정부는, 차종 인식 여부를 판정하는 차량 인식율 판정부; 추적된 차량이 미리 지정된 라인을 통과하였는지 여부를 판정하는 추적 차량 라인 통과 판정부; 및 추적된 차량이 특정 영역에 정차하고 있는지 여부를 판정하는 추적 차량 정차 판정부;를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 차량 통행량 영상 계측 시스템에서, 상기 차량 통행량 영상 계측 장치는 미리 지정된 라인을 통과하는 차량을 계수하여 시간당 교차로 통과 차량수에 대한 데이터를 획득하는 것을 특징으로 한다.
또한, 본 발명에 따른 차량 통행량 영상 계측 시스템에서, 획득된 상기 데이터를 통해 상기 교차로의 각 방향의 대기 행렬 길이를 실시간으로 분석하여 가장 혼잡한 도로의 정체를 우선적으로 해소하도록 신호등의 신호 제어를 수행하는 것을 특징으로 한다.
또한, 본 발명에 따른 차량 통행량 영상 계측 시스템에서, 분석된 상기 교차로 현황을 통해 의사 결정을 수행하는 의사 결정 시스템; 및 상기 교차로 현황으로부터 이벤트가 발생시 분석된 상기 교차로 현황을 제공받는 유관 기관;을 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위해, 본 발명에 따른 차량 통행량 영상 계측 방법은, 교차로를 통과하는 차량에 대한 영상 데이터를 영상 데이터 입력부에 의해 입력받는 단계(S1); 기학습된 딥러닝 네트워크를 이용(S2)하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 차량 검지부에 의해 검지하는 단계(S3); 검지된 차량에 대한 차종을 검지 차량 라벨링부에 의해 라벨링하는 단계(S4); 라벨링된 검지된 차량을 차량 재학습부에 의해 재학습하는 단계(S5); 재학습이 이루어진 검지된 차량에 대한 차종 인식이 이루어졌는지의 여부를 판정부에 의해 판정하는 단계(S6); 및 상기 판정부에 의해 차종 인식이 이루어지지 않을 경우 S3 단계로 돌아가고, 상기 판정부에 의해 차종 인식이 이루어질 경우 재학습된 딥러닝 네트워크를 이용하여 차량 검출을 위한 상기 기 학습된 딥러닝 네트워크를 갱신하는 단계(S7)를 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위해, 본 발명에 따른 차량 통행량 영상 계측 방법은, 교차로를 통과하는 차량에 대한 영상 데이터를 영상 데이터 입력부에 의해 입력받는 단계(S10); 차량 재학습부에 의해 재학습된 딥러닝 네트워크를 이용(S20)하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 차량 검지부에 의해 검지하는 단계(S30); 검지된 차량을 검치 차량 추적부에 의해 추적하는 단계(S40); 추적된 차량이 미리 지정된 라인을 통과하였는지 여부를 판정부에 의해 판정하는 단계(S50); 및 추적된 차량의 미리 지정된 라인 통과가 확인되지 않을 경우 S40 단계로 돌아가고, 추적된 차량의 미리 지정된 라인 통과가 확인될 경우 시간당 교차로 통과 차량수의 통계량이 증가하는 단계(S60);를 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위해, 본 발명에 따른 차량 통행량 영상 계측 방법은, 교차로를 통과하는 차량에 대한 영상 데이터를 영상 데이터 입력부에 의해 입력받는 단계(S100); 차량 재학습부에 의해 재학습된 딥러닝 네트워크를 이용(S200)하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 차량 검지부에 의해 검지하는 단계(S300); 검지된 차량을 검치 차량 추적부에 의해 추적하는 단계(S400); 추적된 차량이 특정 영역에 정차하고 있는지 여부를 판정부에 의해 판정하는 단계(S500); 및 추적된 차량의 특정 영역에 정차가 확인되지 않을 경우 S400 단계로 돌아가고, 추적된 차량의 특정 영역에 정차가 확인될 경우 알람 발생부에 의해 알람이 발생하는 단계(S600);를 포함하는 것을 특징으로 한다.
기타 실시 예의 구체적인 사항은 "발명을 실시하기 위한 구체적인 내용" 및 첨부 "도면"에 포함되어 있다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 각종 실시 예를 참조하면 명확해질 것이다.
그러나 본 발명은 이하에서 개시되는 각 실시 예의 구성만으로 한정되는 것이 아니라 서로 다른 다양한 형태로도 구현될 수도 있으며, 단지 본 명세서에서 개시한 각각의 실시 예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구범위의 각 청구항의 범주에 의해 정의될 뿐임을 알아야 한다.
본 발명에 의하면, 딥러닝 알고리즘을 통해 교차로 접근로별 회전 통행량, 차종, 대기 행렬 길이 등을 자동으로 집계함과 아울러 교차로의 혼잡 수준을 실시간으로 분석하고, 최적의 교통 신호를 제어하는 효과가 있다.
도 1은 본 발명에 따른 차량 통행량 영상 계측 시스템의 구성을 나타내는 시스템 구성도.
도 2는 본 발명에 따른 차량 통행량 영상 계측 시스템의 구성 요소를 나타내는 도면.
도 3은 본 발명에 따른 차량 통행량 영상 계측 시스템의 기능을 나타내는 도면.
도 4는 본 발명에 따른 차량 통행량 영상 계측 시스템의 차량 통행량 계측 영상 감지 장치의 구성을 나타내는 도면.
도 5는 본 발명에 따른 차량 통행량 영상 계측 시스템의 차량 통행량 계측 영상 감지 장치를 나타내는 도면.
도 6은 본 발명에 따른 차량 통행량 영상 계측 방법에서 AI 딥러닝 학습의 흐름을 나타내는 플로우 차트.
도 7은 본 발명에 따른 차량 통행량 영상 계측 방법에서 차량 통행량의 처리 흐름을 나타내는 플로우 차트.
도 8은 본 발명에 따른 차량 통행량 영상 계측 방법에서 차량 정체 알람 처리의 흐름을 나타내는 플로우 차트.
도 2는 본 발명에 따른 차량 통행량 영상 계측 시스템의 구성 요소를 나타내는 도면.
도 3은 본 발명에 따른 차량 통행량 영상 계측 시스템의 기능을 나타내는 도면.
도 4는 본 발명에 따른 차량 통행량 영상 계측 시스템의 차량 통행량 계측 영상 감지 장치의 구성을 나타내는 도면.
도 5는 본 발명에 따른 차량 통행량 영상 계측 시스템의 차량 통행량 계측 영상 감지 장치를 나타내는 도면.
도 6은 본 발명에 따른 차량 통행량 영상 계측 방법에서 AI 딥러닝 학습의 흐름을 나타내는 플로우 차트.
도 7은 본 발명에 따른 차량 통행량 영상 계측 방법에서 차량 통행량의 처리 흐름을 나타내는 플로우 차트.
도 8은 본 발명에 따른 차량 통행량 영상 계측 방법에서 차량 정체 알람 처리의 흐름을 나타내는 플로우 차트.
본 발명을 상세하게 설명하기 전에, 본 명세서에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 무조건 한정하여 해석되어서는 아니 되며, 본 발명의 발명자가 자신의 발명을 가장 최선의 방법으로 설명하기 위해서 각종 용어의 개념을 적절하게 정의하여 사용할 수 있고, 더 나아가 이들 용어나 단어는 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 함을 알아야 한다.
즉, 본 명세서에서 사용된 용어는 본 발명의 바람직한 실시 예를 설명하기 위해서 사용되는 것일 뿐이고, 본 발명의 내용을 구체적으로 한정하려는 의도로 사용된 것이 아니며, 이들 용어는 본 발명의 여러 가지 가능성을 고려하여 정의된 용어임을 알아야 한다.
또한, 본 명세서에서, 단수의 표현은 문맥상 명확하게 다른 의미로 지시하지 않는 이상, 복수의 표현을 포함할 수 있으며, 유사하게 복수로 표현되어 있다고 하더라도 단수의 의미를 포함할 수 있음을 알아야 한다.
본 명세서의 전체에 걸쳐서 어떤 구성 요소가 다른 구성 요소를 "포함"한다고 기재하는 경우에는, 특별히 반대되는 의미의 기재가 없는 한 임의의 다른 구성 요소를 제외하는 것이 아니라 임의의 다른 구성 요소를 더 포함할 수도 있다는 것을 의미할 수 있다.
더 나아가서, 어떤 구성 요소가 다른 구성 요소의 "내부에 존재하거나, 연결되어 설치된다"라고 기재한 경우에는, 이 구성 요소가 다른 구성 요소와 직접적으로 연결되어 있거나 접촉하여 설치되어 있을 수 있고, 일정한 거리를 두고 이격되어 설치되어 있을 수도 있으며, 일정한 거리를 두고 이격되어 설치되어 있는 경우에 대해서는 해당 구성 요소를 다른 구성 요소에 고정 내지 연결하기 위한 제 3의 구성 요소 또는 수단이 존재할 수 있으며, 이 제 3의 구성 요소 또는 수단에 대한 설명은 생략될 수도 있음을 알아야 한다.
반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결"되어 있다거나, 또는 "직접 접속"되어 있다고 기재되는 경우에는, 제 3의 구성 요소 또는 수단이 존재하지 않는 것으로 이해하여야 한다.
마찬가지로, 각 구성 요소 간의 관계를 설명하는 다른 표현들, 즉 " ~ 사이에"와 "바로 ~ 사이에", 또는 " ~ 에 이웃하는"과 " ~ 에 직접 이웃하는" 등도 마찬가지의 취지를 가지고 있는 것으로 해석되어야 한다.
또한, 본 명세서에서 "일면", "타면", "일측", "타측", "제 1", "제 2" 등의 용어는, 사용된다면, 하나의 구성 요소에 대해서 이 하나의 구성 요소가 다른 구성 요소로부터 명확하게 구별될 수 있도록 하기 위해서 사용되며, 이와 같은 용어에 의해서 해당 구성 요소의 의미가 제한적으로 사용되는 것은 아님을 알아야 한다.
또한, 본 명세서에서 "상", "하", "좌", "우" 등의 위치와 관련된 용어는, 사용된다면, 해당 구성 요소에 대해서 해당 도면에서의 상대적인 위치를 나타내고 있는 것으로 이해하여야 하며, 이들의 위치에 대해서 절대적인 위치를 특정하지 않는 이상은, 이들 위치 관련 용어가 절대적인 위치를 언급하고 있는 것으로 이해하여서는 아니된다.
또한, 본 명세서에서는 각 도면의 각 구성 요소에 대해서 그 도면 부호를 명기함에 있어서, 동일한 구성 요소에 대해서는 이 구성 요소가 비록 다른 도면에 표시되더라도 동일한 도면 부호를 가지고 있도록, 즉 명세서 전체에 걸쳐 동일한 참조 부호는 동일한 구성 요소를 지시하고 있다.
본 명세서에 첨부된 도면에서 본 발명을 구성하는 각 구성 요소의 크기, 위치, 결합 관계 등은 본 발명의 사상을 충분히 명확하게 전달할 수 있도록 하기 위해서 또는 설명의 편의를 위해서 일부 과장 또는 축소되거나 생략되어 기술되어 있을 수 있고, 따라서 그 비례나 축척은 엄밀하지 않을 수 있다.
또한, 이하에서, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 구성, 예를 들어, 종래 기술을 포함하는 공지 기술에 대해 상세한 설명은 생략될 수도 있다.
이하, 본 발명의 실시 예에 대해 관련 도면들을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명에 따른 차량 통행량 영상 계측 시스템의 구성을 나타내는 시스템 구성도이고, 도 2는 본 발명에 따른 차량 통행량 영상 계측 시스템의 구성 요소를 나타내는 도면이다.
도 1 및 도 2를 참조하면, 본 발명에 따른 차량 통행량 영상 계측 시스템(1000)은 차량 통행량 계측 영상 감지 장치(100)와, AI 교차로 통합 관리 플랫폼 시스템(200)과, 의사 결정 시스템(300)을 포함한다.
차량 통행량 영상 계측 시스템(1000)은 딥러닝 알고리즘을 통해 교차로 접근로별 회전 통행량과, 차종과, 대기 행렬의 길이 등을 자동으로 집계함과 동시에 국토부 도로 용량 편람(KHCM)에 근거하여 교차로의 혼잡 수준을 실시간으로 분석하고, 최적의 교통 신호를 제어하는 스마트 교통 신호 제어 시스템이다.
차량 통행량 계측 영상 감지 장치(100)는 AI 딥러닝을 이용하여 교차로의 차선별 차량을 실시간으로 검지 및 분류함으로써 교차로 현황을 분석하는 역할을 수행한다.
차량 통행량 계측 영상 감지 장치(100)는 교차로 별로 복수개가 설치될 수 있다.
예를 들어, 삼거리의 경우 3개가 설치되고, 사거리의 경우 4개가 설치되며, 오거리의 경우 5개가 설치되는 것이 바람직하다.
이에 의해, 교차로의 모든 방향이 검지되고, 교차로의 모든 차선이 검지될 수 있다.
또한, 교차로 방향별로 ±100m(진입 방향, 통과 방향) 정도가 검지된다.
또한, 차량 통행량 계측 영상 감지 장치(100)는 내장 CPU/GPU로 딥러닝을 통해 초고속 연산이 가능하여 PC 없이 동작된다.
이러한 차량 통행량 계측 영상 감지 장치(100)는 교통 신호 제어기를 통해 신호등을 제어할 수 있다.
즉, 실시간으로 신호등의 신호 제어가 가능하다.
예를 들어, 지능형 실시간 신호 제어 모드에서는 위험 감지와, 혼잡 감지가 가능하고, 실시간 제어와, 적응적 신호 제어와, 완전 감응 신호 제어가 가능하다.
또한, 안전 신호 제어 모드에서는 TOD(Time Of Day) 정주기 제어와, 골든 패턴(Golden Pattern)의 등록이 가능하다.
좀 더 상세히 설명하면, 차량 통행량 계측 영상 감지 장치(100)는 교차로별로 복수의 차량 검지 AI 카메라 모듈을 포함한다.
차량 검지 AI 카메라 모듈은 CCTV 카메라와 AI EDGE 보드(고성능 CPU 및 GPU가 내장되어 PC 없이 독립 동작)로 구성된다.
차량 통행량 계측 영상 감지 장치(100)는 AI 딥러닝을 이용한 교차로 차선별 차량 검지 및 분류하여, 교차로 현황을 분석한다.
또한, 신호등에 바로 거치할 수 있는 형태로 기존 매설형 루프 검지기와 달리 파손 위험이 없고 설치가 간편하고, 견고한다.
복수의 차량 검지 AI 카메라 모듈을 설치하는 것만으로 진출로 및 진입로의 모든 차로를 검지하며, ±100m(진입 방향, 통과 방향)의 넓은 거리를 검지 가능하다.
기존 매설형 루프 검지기를 64개 설치하는 것 이상의 검지 범위를 가진다.
또한, 지능형 실시간 신호 제어가 가능하다.
교차로의 각 방향별로 차량의 대기 행렬 길이를 기반으로 신호등의 신호 제어가 가능하다.
즉, 각 방향의 대기 행렬 길이를 실시간으로 분석하여 가장 혼잡한 도로 정체를 우선적으로 해소할 수 있다.
AI 교차로 토합 관리 플랫폼 시스템(200)은 분석된 교차로 현황을 관제 또는 관리하는 역할을 수행한다.
즉, AI 교차로 토합 관리 플랫폼 시스템(200)은 차량 통행량 계측 영상 감지 장치(100)로부터 교차로 교통 통계 정보를 제공받아 교차로 현황을 관제 또는 관리한다.
또한, 본 발명에 따른 차량 통행량 영상 계측 시스템(1000)은 의사 결정 시스템(300)과, 유관 기관(도시 생략)을 포함한다.
의사 결정 시스템(300) 분석된 교차로 현황을 통해 의사 결정을 수행하는 역할을 수행한다.
재난 상황실, 경찰서, 소방서 등의 유관 기관은 교차로 현황으로부터 이벤트가 발생시 분석된 교차로 현황을 제공받는다.
좀 더 상세히 설명하면, AI 교차로 토합 관리 플랫폼 시스템(200)은 차량 통행량 계측 영상 감지 장치(100)로부터 데이터를 수집하고, 국가의 유관 기관에 이벤트를 송출하며, 이러한 이벤트에 대한 의사 결정이 이루어지기까지 원스톱(One-Stop) 서비스를 제공한다.
도 3은 본 발명에 따른 차량 통행량 영상 계측 시스템의 기능을 나타내는 도면이다.
도 3을 참조하면, 본 발명에 따른 차량 통행량 영상 계측 시스템(1000)은 인터페이스와, 메시지 분산과, 스마트 대시 보드와, 상황 전파와, 의사 결정의 순서로 원스톱 서비스가 제공된다.
인터페이스에서는 차량 통행량 계측 영상 감지 장치(100)에 의해 데이터가 수집되고, 메시지 분산에서는 통합 데이터를 분산 처리하여 리소스의 효율을 극대화하며, 본 실시예에서는 차량 통행량 계측 영상 감지 장치(100)가 그 기능을 제공한다.
스마트 대시 보드는 위젯 형태로 데이터를 정보화하며, 본 실시예에서는 AI 교차로 토합 관리 플랫폼 시스템(200)이 그 기능을 제공한다.
상황 전파는 정보화된 데이터를 즉각 실행될 수 있도록 유관 기관에 전파한다.
의사 결정은 컨트롤 타워의 의사 결정 체계까지 원스톱으로 이어질 수 있는 활용안이 제공되며, 본 실시예에서는 의사 결정 시스템(300)이 그 기능을 제공한다.
이와 같이 본 발명에 따른 차량 통행량 영상 계측 시스템(1000)은 기존 지자체에서 사용하는 관제 프로토콜과 유연하게 호환되며, 관제 소프트웨어를 변경하지 않고도 교차로 AI 솔루션을 통합할 수 있고, 전체 현황 모니터링 및 사용자가 변경 가능한 대시 보드 UI를 제공한다.
도 4는 본 발명에 따른 차량 통행량 영상 계측 시스템의 차량 통행량 계측 영상 감지 장치의 구성을 나타내는 도면이고, 도 5는 본 발명에 따른 차량 통행량 영상 계측 시스템의 차량 통행량 계측 영상 감지 장치를 나타내는 도면이다.
도 4 및 도 5를 참조하면, 본 발명에 따른 차량 통행량 영상 계측 시스템(1000)에서, 차량 통행량 계측 영상 감지 장치(100)는 기 학습된 딥러닝 네트워크(110)와, 영상 데이터 입력부(120)와, 차량 검지부(130)와, 검지 차량 라벨링부(140)와, 차량 재학습부(150)와, 판정부(160)와, 재학습된 딥러닝 네트워크(170)와, 검지 차량 추적부(180)와, 알람 발생부(190)를 포함한다.
영상 데이터 입력부(120)는 교차로를 통과하는 차량에 대한 영상 데이터를 입력받는다.
차량 검지부(130)는 기학습된 딥러닝 네트워크(110)를 이용하여 입력받은 영상 데이터로부터 차종별로 구분된 차량을 검지한다.
여기서, 구분되는 차종은 Car, Bus, Truck 등일 수 있다.
검지 차량 라벨링부(140)는 검지된 차량에 대한 차종을 라벨링한다.
이때, 라벨링은 수동 또는 자동으로 처리될 수 있다.
차량 재학습부(150)는 라벨링된 검지된 차량을 재학습한다.
판정부(160)는 재학습이 이루어진 검지된 차량에 대한 차종 인식이 이루어졌는지의 여부를 판정한다.
여기서 판정부(160)는 차량 인식율 판정부(161)와, 추적 차량 라인 통과 판정부(162)와, 추적 차량 정차 판정부(163)를 포함한다.
차량 인식율 판정부(161)는 차종 인식 여부를 판정하는 역할을 수행한다.
추적 차량 라인 통과 판정부(162)는 추적된 차량이 미리 지정된 라인을 통과하였는지 여부를 판정한다.
추적 차량 정차 판정부(163)는 추적된 차량이 특정 영역에 정차하고 있는지 여부를 판정한다.
검지 차량 추적부(180)는 차량 재학습부(150)에 의해 재학습된 검지된 차량을 추적한다.
알람 발생부(190)는 추적된 검지된 차량이 특정 영역에서 일정 시간 동안 정차시 알람을 발생시킨다.
이와 같이 구성되는 차량 통행량 영상 계측 장치(100)는 미리 지정된 라인을 통과하는 차량을 계수하여 시간당 교차로 통과 차량수에 대한 데이터를 획득하게 된다.
또한, 획득된 데이터를 통해 교차로의 각 방향의 대기 행렬 길이를 실시간으로 분석하여 가장 혼잡한 도로의 정체를 우선적으로 해소하도록 신호등의 신호 제어를 수행한다.
이와 같은 본 발명에 따른 차량 통행량 영상 계측 시스템(1000)에 의하면, 상습 정체 교차로의 교통 통행량을 30% 이상 증가시킬 수 있다.
또한, 초미세 먼지(PM2.5)의 배출량을 감소(교차로에서 자동차 대기 시간이 30% 감소)시킬 수 있다.
또한, 교차로별로 자동차 대기 시간의 감소에 의해 일일 자동차 에너지를 절감(194kL/day ~ 256 kL/day)시킬 수 있다.
한편, 교차로 사고의 주범인 끼어들기, 불법 주정차, 앞차로 막힘 등을 예방할 수 있는 효과가 있다.
도 6은 본 발명에 따른 차량 통행량 영상 계측 방법에서 AI 딥러닝 학습의 흐름을 나타내는 플로우 차트이다.
도 6을 참조하면, 본 발명에 따른 차량 통행량 영상 계측 방법에서, AI 딥러닝 학습은 다음과 같이 이루어진다.
제 1 단계(S1)에서는 교차로를 통과하는 차량에 대한 영상 데이터를 영상 데이터 입력부(120)에 의해 입력받는다.
제 2 단계(S2)에서는 기학습된 딥러닝 네트워크(110)를 이용하며, 제 3 단계(S3)에서는 입력받은 영상 데이터로부터 차종별로 구분된 차량을 차량 검지부(130)에 의해 검지한다.
제 4 단계(S4)에서는 검지된 차량에 대한 차종을 검지 차량 라벨링부(140)에 의해 라벨링한다.
제 5 단계(S5)에서는 라벨링된 검지된 차량을 차량 재학습부(150)에 의해 재학습한다.
제 6 단계(S6)에서는 재학습이 이루어진 검지된 차량에 대한 차종 인식이 이루어졌는지의 여부를 판정부(160)에 의해 판정한다.
좀 더 바람직하게는 판정부(160)의 차량 인식율 판정부(161)에 의해 판정한다.
제 7 단계(S7)에서는 판정부(160)에 의해 차종 인식이 이루어지지 않을 경우 제 3 단계(S3 단계)로 돌아가고, 판정부(160)에 의해 차종 인식이 이루어질 경우 재학습된 딥러닝 네트워크(170)를 이용하여 차량 검출을 위한 기 학습된 딥러닝 네트워크(110)를 갱신한다.
기존의 기 학습된 딥러닝 네트워크(110)는 차량의 상부에 장착된 영상 데이터 입력부에 의해 입력된 영상 데이터를 데이터 세트로 형성하여 학습을 시켰기 때문에, Car, Bus, Truck 등의 차종의 인식에 있어 오류가 많은 문제점이 있었다.
하지만, 본 발명은 영상 데이터 입력부가 신호등 등에 고정 설치하고, 기 학습된 딥러닝 네트워크(110)를 이용하여 차종을 검지하고, 검지된 차량을 라벨링 후 차량 재학습부(150)에 의해 재학습을 시키기 때문에 획득된 재학습된 딥러닝 네트워크(170)는 Car, Bus, Truck 등의 차종의 인식율이 증가한다.
즉, 교차로를 통행중인 Bus, Truck, Car로 구분되는 3종류의 자동차를 인식하게 된다.
도 7은 본 발명에 따른 차량 통행량 영상 계측 방법에서 차량 통행량의 처리 흐름을 나타내는 플로우 차트이다.
도 7을 참조하면, 본 발명에 따른 차량 통행량 영상 계측 방법에서 차량 통행량의 처리는 다음과 같이 이루어진다.
제 1 단계(S10)에서는, 교차로를 통과하는 차량에 대한 영상 데이터를 영상 데이터 입력부(120)에 의해 입력받는다.
제 2 단계(S20)에서는 차량 재학습부(150)에 의해 재학습된 딥러닝 네트워크(170)를 이용하며, 제 3 단계(S30)에서는 입력받은 영상 데이터로부터 차종별로 구분된 차량을 차량 검지부(130)에 의해 검지한다.
제 4 단계(S40)에서는, 검지된 차량을 검치 차량 추적부(180)에 의해 추적한다.
제 5 단계(S50)에서는, 추적된 차량이 미리 지정된 라인을 통과하였는지 여부를 판정부(160)에 의해 판정한다.
좀 더 바람직하게는 판정부(160)의 추적 차량 라인 통과 판정부(162)에 의해 판정한다.
제 6 단계(S60)에서는, 추적된 차량의 미리 지정된 라인 통과가 확인되지 않을 경우 상기 제 4 단계(S40 단계)로 돌아가고, 추적된 차량의 미리 지정된 라인 통과가 확인될 경우 시간당 교차로 통과 차량수의 통계량이 증가하게 된다.
이와 같이 추적된 차량의 미리 지정된 라인 통과가 확인될 경우 시간당 교차로 통과 차량수의 통계량이 증가함으로써, 차량 통행량 계측 영상 감지 장치(100)는 교차로에서 시간당 운행된 차량수를 계측하고, AI 교차로 통합 관리 플랫폼 시스템(200)에서 관리 또는 관제할 수 있다.
또한, 시간당 교차로 통과 차량수의 통계량에 대한 획득된 데이터를 통해 교차로의 각 방향의 대기 행렬 길이를 실시간으로 분석하여 가장 혼잡한 도로의 정체를 우선적으로 해소하도록 신호등의 신호 제어를 수행할 수 있다.
도 8은 본 발명에 따른 차량 통행량 영상 계측 방법에서 차량 정체 알람 처리의 흐름을 나타내는 플로우 차트이다.
도 8을 참조하면, 본 발명에 따른 차량 통행량 영상 계측 방법에서 차량 정체 알람 처리는 다음과 같이 이루어진다.
제 1 단계(S100)에서는, 교차로를 통과하는 차량에 대한 영상 데이터를 영상 데이터 입력부(120)에 의해 입력받는다.
제 2 단계(S200)에서는, 차량 재학습부(150)에 의해 재학습된 딥러닝 네트워크(170)를 이용하며, 제 3 단계(S300)에서는, 입력받은 영상 데이터로부터 차종별로 구분된 차량을 차량 검지부(130)에 의해 검지한다.
제 4 단계(S400)에서는, 검지된 차량을 검치 차량 추적부(180)에 의해 추적한다.
제 5 단계(S500)에서는, 추적된 차량이 특정 영역에 정차하고 있는지 여부를 판정부(160)에 의해 판정한다.
제 6 단계(S600)에서는, 추적된 차량의 특정 영역에 정차가 확인되지 않을 경우 상기 제 4 단계(S400)로 돌아가고, 추적된 차량의 특정 영역에 정차가 확인될 경우 알람 발생부(190)에 의해 알람이 발생한다.
이와 같이 재난 상황실, 경찰서, 소방서 등의 유관 기관은 교차로 현황으로부터 이벤트가 발생시 알람 발생부(190)에 의해 알람과 함께 분석된 교차로 현황을 제공받아서 실시간으로 대처할 수 있게 된다.
이와 같이 본 발명에 의하면, 딥러닝 알고리즘을 통해 교차로 접근로별 회전 통행량, 차종, 대기 행렬 길이 등을 자동으로 집계함과 아울러 교차로의 혼잡 수준을 실시간으로 분석하고, 최적의 교통 신호를 제어하는 효과가 있다.
또한, 교차로에서 약 50% 수준의 교통 용량의 증가 효과가 있다.
또한, 교차로에서 약 60% 수준의 자동차 대기 시간 감소 효과가 있다.
한편, 교차로에서 자동차 당 약 30%의 배출 가스(VOC 배출 가스)의 감소 효과가 있다.
이상, 일부 예를 들어서 본 발명의 바람직한 여러 가지 실시 예에 대해서 설명하였지만, 본 "발명을 실시하기 위한 구체적인 내용" 항목에 기재된 여러 가지 다양한 실시 예에 관한 설명은 예시적인 것에 불과한 것이며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 이상의 설명으로부터 본 발명을 다양하게 변형하여 실시하거나 본 발명과 균등한 실시를 행할 수 있다는 점을 잘 이해하고 있을 것이다.
또한, 본 발명은 다른 다양한 형태로 구현될 수 있기 때문에 본 발명은 상술한 설명에 의해서 한정되는 것이 아니며, 이상의 설명은 본 발명의 개시 내용이 완전해지도록 하기 위한 것으로 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이며, 본 발명은 청구범위의 각 청구항에 의해서 정의될 뿐임을 알아야 한다.
100 : 차량 통행량 계측 영상 감지 장치
200 : AI 교차로 통합 관리 플랫폼 시스템
300 : 의사 결정 시스템
110 : 기 학습된 딥러닝 네트워크
120 : 영상 데이터 입력부
130 : 차량 검지부
140 : 검지 차량 라벨링부
150 : 차량 재학습부
160 : 판정부
161 : 차량 인식율 판정부
162 : 추적 차량 라인 통과 판정부
163 : 추적 차량 정차 판정부
170 : 재학습된 딥러닝 네트워크
180 : 검지 차량 추적부
190 : 알람 발생부
1000 : 차량 통행량 계측 영상 감지 시스템
200 : AI 교차로 통합 관리 플랫폼 시스템
300 : 의사 결정 시스템
110 : 기 학습된 딥러닝 네트워크
120 : 영상 데이터 입력부
130 : 차량 검지부
140 : 검지 차량 라벨링부
150 : 차량 재학습부
160 : 판정부
161 : 차량 인식율 판정부
162 : 추적 차량 라인 통과 판정부
163 : 추적 차량 정차 판정부
170 : 재학습된 딥러닝 네트워크
180 : 검지 차량 추적부
190 : 알람 발생부
1000 : 차량 통행량 계측 영상 감지 시스템
Claims (10)
- AI 딥러닝을 이용하여 교차로의 차선별 차량을 실시간으로 검지 및 분류함으로써 교차로 현황을 분석하는 차량 통행량 계측 영상 감지 장치; 및
분석된 상기 교차로 현황을 관제 또는 관리하는 AI 교차로 통합 관리 플랫폼 시스템;
분석된 상기 교차로 현황을 통해 의사 결정을 수행하는 의사 결정 시스템; 및
상기 교차로 현황으로부터 이벤트가 발생시 분석된 상기 교차로 현황을 제공받는 유관 기관;을 포함하며,
상기 차량 통행량 계측 영상 감지 장치는,
교차로를 통과하는 차량에 대한 영상 데이터를 입력받는 영상 데이터 입력부;
기학습된 딥러닝 네트워크를 이용하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 검지하는 차량 검지부;
검지된 차량에 대한 차종을 라벨링하는 검지 차량 라벨링부;
라벨링된 검지된 차량을 재학습하는 차량 재학습부; 및
재학습이 이루어진 검지된 차량에 대한 차종 인식이 이루어졌는지의 여부를 판정하는 판정부;
차량 재학습부에 의해 재학습된 검지된 차량을 추적하는 검지 차량 추적부; 및
추적된 검지된 차량이 특정 영역에서 일정 시간 동안 정차시 알람을 발생시키는 알람 발생부;를 포함하며,
상기 판정부는,
차종 인식 여부를 판정하는 차량 인식율 판정부;
추적된 차량이 미리 지정된 라인을 통과하였는지 여부를 판정하는 추적 차량 라인 통과 판정부; 및
추적된 차량이 특정 영역에 정차하고 있는지 여부를 판정하는 추적 차량 정차 판정부;를 포함하고,
상기 차량 통행량 계측 영상 감지 장치는 미리 지정된 라인을 통과하는 차량을 계수하여 시간당 교차로 통과 차량수에 대한 데이터를 획득하며,
상기 차량 통행량 계측 영상 감지 장치에 의해 데이터가 수집되고, 수집된 통합 데이터를 분산 처리하여 리소스의 효율을 극대화하며, AI 교차로 통합 관리 플랫폼 시스템에 의해 위젯 형태로 데이터를 정보화하고, 정보화된 데이터가 실행될 수 있도록 유관 기관에 전파하며, 의사 결정 시스템에 의해 컨트롤 타워의 의사 결정 체계까지 원스톱 서비스가 제공되는 것을 특징으로 하는,
차량 통행량 영상 계측 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 제 1 항에 있어서,
획득된 상기 데이터를 통해 상기 교차로의 각 방향의 대기 행렬 길이를 실시간으로 분석하여 가장 혼잡한 도로의 정체를 우선적으로 해소하도록 신호등의 신호 제어를 수행하는 것을 특징으로 하는,
차량 통행량 영상 계측 시스템.
- 삭제
- 교차로를 통과하는 차량에 대한 영상 데이터를 영상 데이터 입력부에 의해 입력받는 단계(S1);
기학습된 딥러닝 네트워크를 이용(S2)하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 차량 검지부에 의해 검지하는 단계(S3);
검지된 차량에 대한 차종을 검지 차량 라벨링부에 의해 라벨링하는 단계(S4);
라벨링된 검지된 차량을 차량 재학습부에 의해 재학습하는 단계(S5);
재학습이 이루어진 검지된 차량에 대한 차종 인식이 이루어졌는지의 여부를 판정부에 의해 판정하는 단계(S6); 및
상기 판정부에 의해 차종 인식이 이루어지지 않을 경우 S3 단계로 돌아가고, 상기 판정부에 의해 차종 인식이 이루어질 경우 재학습된 딥러닝 네트워크를 이용하여 차량 검출을 위한 상기 기 학습된 딥러닝 네트워크를 갱신하는 단계(S7)를 포함하며,
AI 딥러닝을 이용하여 교차로의 차선별 차량을 실시간으로 검지 및 분류함으로써 교차로 현황을 분석하는 차량 통행량 계측 영상 감지 장치;
분석된 상기 교차로 현황을 관제 또는 관리하는 AI 교차로 통합 관리 플랫폼 시스템;
분석된 상기 교차로 현황을 통해 의사 결정을 수행하는 의사 결정 시스템; 및
상기 교차로 현황으로부터 이벤트가 발생시 분석된 상기 교차로 현황을 제공받는 유관 기관;을 포함하며,
상기 차량 통행량 계측 영상 감지 장치는,
교차로를 통과하는 차량에 대한 영상 데이터를 입력받는 영상 데이터 입력부;
기학습된 딥러닝 네트워크를 이용하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 검지하는 차량 검지부;
검지된 차량에 대한 차종을 라벨링하는 검지 차량 라벨링부;
라벨링된 검지된 차량을 재학습하는 차량 재학습부;
재학습이 이루어진 검지된 차량에 대한 차종 인식이 이루어졌는지의 여부를 판정하는 판정부;
차량 재학습부에 의해 재학습된 검지된 차량을 추적하는 검지 차량 추적부; 및
추적된 검지된 차량이 특정 영역에서 일정 시간 동안 정차시 알람을 발생시키는 알람 발생부;를 포함하며,
상기 판정부는,
차종 인식 여부를 판정하는 차량 인식율 판정부;
추적된 차량이 미리 지정된 라인을 통과하였는지 여부를 판정하는 추적 차량 라인 통과 판정부; 및
추적된 차량이 특정 영역에 정차하고 있는지 여부를 판정하는 추적 차량 정차 판정부;를 포함하고,
상기 차량 통행량 계측 영상 감지 장치는 미리 지정된 라인을 통과하는 차량을 계수하여 시간당 교차로 통과 차량수에 대한 데이터를 획득하며,
상기 차량 통행량 계측 영상 감지 장치에 의해 데이터가 수집되고, 수집된 통합 데이터를 분산 처리하여 리소스의 효율을 극대화하며, AI 교차로 통합 관리 플랫폼 시스템에 의해 위젯 형태로 데이터를 정보화하고, 정보화된 데이터가 실행될 수 있도록 유관 기관에 전파하며, 의사 결정 시스템에 의해 컨트롤 타워의 의사 결정 체계까지 원스톱 서비스가 제공되는 것을 특징으로 하는,
차량 통행량 영상 계측 방법.
- 교차로를 통과하는 차량에 대한 영상 데이터를 영상 데이터 입력부에 의해 입력받는 단계(S10);
차량 재학습부에 의해 재학습된 딥러닝 네트워크를 이용(S20)하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 차량 검지부에 의해 검지하는 단계(S30);
검지된 차량을 검치 차량 추적부에 의해 추적하는 단계(S40);
추적된 차량이 미리 지정된 라인을 통과하였는지 여부를 판정부에 의해 판정하는 단계(S50); 및
추적된 차량의 미리 지정된 라인 통과가 확인되지 않을 경우 S40 단계로 돌아가고, 추적된 차량의 미리 지정된 라인 통과가 확인될 경우 시간당 교차로 통과 차량수의 통계량이 증가하는 단계(S60);를 포함하며,
AI 딥러닝을 이용하여 교차로의 차선별 차량을 실시간으로 검지 및 분류함으로써 교차로 현황을 분석하는 차량 통행량 계측 영상 감지 장치;
분석된 상기 교차로 현황을 관제 또는 관리하는 AI 교차로 통합 관리 플랫폼 시스템;
분석된 상기 교차로 현황을 통해 의사 결정을 수행하는 의사 결정 시스템; 및
상기 교차로 현황으로부터 이벤트가 발생시 분석된 상기 교차로 현황을 제공받는 유관 기관;을 포함하며,
상기 차량 통행량 계측 영상 감지 장치는,
교차로를 통과하는 차량에 대한 영상 데이터를 입력받는 영상 데이터 입력부;
기학습된 딥러닝 네트워크를 이용하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 검지하는 차량 검지부;
검지된 차량에 대한 차종을 라벨링하는 검지 차량 라벨링부;
라벨링된 검지된 차량을 재학습하는 차량 재학습부;
재학습이 이루어진 검지된 차량에 대한 차종 인식이 이루어졌는지의 여부를 판정하는 판정부;
차량 재학습부에 의해 재학습된 검지된 차량을 추적하는 검지 차량 추적부; 및
추적된 검지된 차량이 특정 영역에서 일정 시간 동안 정차시 알람을 발생시키는 알람 발생부;를 포함하며,
상기 판정부는,
차종 인식 여부를 판정하는 차량 인식율 판정부;
추적된 차량이 미리 지정된 라인을 통과하였는지 여부를 판정하는 추적 차량 라인 통과 판정부; 및
추적된 차량이 특정 영역에 정차하고 있는지 여부를 판정하는 추적 차량 정차 판정부;를 포함하고,
상기 차량 통행량 계측 영상 감지 장치는 미리 지정된 라인을 통과하는 차량을 계수하여 시간당 교차로 통과 차량수에 대한 데이터를 획득하며,
상기 차량 통행량 계측 영상 감지 장치에 의해 데이터가 수집되고, 수집된 통합 데이터를 분산 처리하여 리소스의 효율을 극대화하며, AI 교차로 통합 관리 플랫폼 시스템에 의해 위젯 형태로 데이터를 정보화하고, 정보화된 데이터가 실행될 수 있도록 유관 기관에 전파하며, 의사 결정 시스템에 의해 컨트롤 타워의 의사 결정 체계까지 원스톱 서비스가 제공되는 것을 특징으로 하는,
차량 통행량 영상 계측 방법.
- 교차로를 통과하는 차량에 대한 영상 데이터를 영상 데이터 입력부에 의해 입력받는 단계(S100);
차량 재학습부에 의해 재학습된 딥러닝 네트워크를 이용(S200)하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 차량 검지부에 의해 검지하는 단계(S300);
검지된 차량을 검치 차량 추적부에 의해 추적하는 단계(S400);
추적된 차량이 특정 영역에 정차하고 있는지 여부를 판정부에 의해 판정하는 단계(S500); 및
추적된 차량의 특정 영역에 정차가 확인되지 않을 경우 S400 단계로 돌아가고, 추적된 차량의 특정 영역에 정차가 확인될 경우 알람 발생부에 의해 알람이 발생하는 단계(S600);를 포함하며,
AI 딥러닝을 이용하여 교차로의 차선별 차량을 실시간으로 검지 및 분류함으로써 교차로 현황을 분석하는 차량 통행량 계측 영상 감지 장치;
분석된 상기 교차로 현황을 관제 또는 관리하는 AI 교차로 통합 관리 플랫폼 시스템;
분석된 상기 교차로 현황을 통해 의사 결정을 수행하는 의사 결정 시스템; 및
상기 교차로 현황으로부터 이벤트가 발생시 분석된 상기 교차로 현황을 제공받는 유관 기관;을 포함하며,
상기 차량 통행량 계측 영상 감지 장치는,
교차로를 통과하는 차량에 대한 영상 데이터를 입력받는 영상 데이터 입력부;
기학습된 딥러닝 네트워크를 이용하여 입력받은 상기 영상 데이터로부터 차종별로 구분된 차량을 검지하는 차량 검지부;
검지된 차량에 대한 차종을 라벨링하는 검지 차량 라벨링부;
라벨링된 검지된 차량을 재학습하는 차량 재학습부;
재학습이 이루어진 검지된 차량에 대한 차종 인식이 이루어졌는지의 여부를 판정하는 판정부;
차량 재학습부에 의해 재학습된 검지된 차량을 추적하는 검지 차량 추적부; 및
추적된 검지된 차량이 특정 영역에서 일정 시간 동안 정차시 알람을 발생시키는 알람 발생부;를 포함하며,
상기 판정부는,
차종 인식 여부를 판정하는 차량 인식율 판정부;
추적된 차량이 미리 지정된 라인을 통과하였는지 여부를 판정하는 추적 차량 라인 통과 판정부; 및
추적된 차량이 특정 영역에 정차하고 있는지 여부를 판정하는 추적 차량 정차 판정부;를 포함하고,
상기 차량 통행량 계측 영상 감지 장치는 미리 지정된 라인을 통과하는 차량을 계수하여 시간당 교차로 통과 차량수에 대한 데이터를 획득하며,
상기 차량 통행량 계측 영상 감지 장치에 의해 데이터가 수집되고, 수집된 통합 데이터를 분산 처리하여 리소스의 효율을 극대화하며, AI 교차로 통합 관리 플랫폼 시스템에 의해 위젯 형태로 데이터를 정보화하고, 정보화된 데이터가 실행될 수 있도록 유관 기관에 전파하며, 의사 결정 시스템에 의해 컨트롤 타워의 의사 결정 체계까지 원스톱 서비스가 제공되는 것을 특징으로 하는,
차량 통행량 영상 계측 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200033845A KR102372998B1 (ko) | 2020-03-19 | 2020-03-19 | 차량 통행량 영상 계측 시스템 및 그 계측 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200033845A KR102372998B1 (ko) | 2020-03-19 | 2020-03-19 | 차량 통행량 영상 계측 시스템 및 그 계측 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210118275A KR20210118275A (ko) | 2021-09-30 |
KR102372998B1 true KR102372998B1 (ko) | 2022-03-15 |
Family
ID=77920502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200033845A KR102372998B1 (ko) | 2020-03-19 | 2020-03-19 | 차량 통행량 영상 계측 시스템 및 그 계측 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102372998B1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102616571B1 (ko) * | 2022-12-15 | 2023-12-21 | 한국건설기술연구원 | 인공지능을 이용한 영상 분석 기반의 도로 교통정보 제공 방법 및 그를 위한 시스템 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101881467B1 (ko) * | 2017-09-29 | 2018-07-25 | 한국건설기술연구원 | 도로축 기반 불법주차 관리시스템 및 그의 불법주차 관리방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180107757A (ko) | 2017-03-22 | 2018-10-02 | 장지호 | 인공지능을 이용한 통행량 계수시스템 |
-
2020
- 2020-03-19 KR KR1020200033845A patent/KR102372998B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101881467B1 (ko) * | 2017-09-29 | 2018-07-25 | 한국건설기술연구원 | 도로축 기반 불법주차 관리시스템 및 그의 불법주차 관리방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20210118275A (ko) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109686088B (zh) | 一种交通视频告警方法、设备及系统 | |
CN106023605B (zh) | 一种基于深度卷积神经网络的交通信号灯控制方法 | |
KR101385525B1 (ko) | 스쿨존 안전통행 시스템 | |
CN108648456A (zh) | 一种基于视频与雷达的交通事件监测设备与方法 | |
KR20160142182A (ko) | Its 현장장비 통합 제어 장치 및 이를 포함하는 its 현장장비 통합 제어 시스템 | |
CN116704771B (zh) | 基于拥堵路段交通信息实时定位指挥处理系统 | |
CN113724531B (zh) | 一种车联网环境下路口人车路协作预警系统及方法 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
US10643465B1 (en) | Dynamic advanced traffic detection from assessment of dilemma zone activity for enhancement of intersection traffic flow and adjustment of timing of signal phase cycles | |
CN102426783B (zh) | 基于车辆跟踪的低流量道路交通事件检测方法 | |
CN112749630A (zh) | 一种道路路况智能视频监控方法及系统 | |
KR20230091400A (ko) | 위험도 산출을 통한 지능형 교통 관제시스템 | |
CN114387785A (zh) | 一种基于智慧公路的安全管控方法、系统及可存储介质 | |
KR102372998B1 (ko) | 차량 통행량 영상 계측 시스템 및 그 계측 방법 | |
KR102456869B1 (ko) | 스마트 교통관제 시스템 | |
Oskarbski et al. | Automatic incident detection at intersections with use of telematics | |
KR101192734B1 (ko) | 위반차량 다빈도 진출입정보 알림시스템 및 그 방법 | |
CN102592455B (zh) | 一种基于离散模型的公路交通流检测器设置方法 | |
CN117058872A (zh) | 一种用于高速公路信息发布方法、系统和存储介质 | |
US20090287403A1 (en) | Method and device for fusion of traffic data when information is incomplete | |
Kaur et al. | RFID based Intelligent Transport System with RSU Communication for Emergency Vehicles in Urbanization | |
Subramaniyam et al. | A Survey on IoT Based Intelligent Road Traffic and Transport Management Systems | |
KR20230063080A (ko) | 교통량 증대를 위한 신호교차로 노면조건 및 교통패턴 분석 결과에 따른 신호등 운영 시스템 | |
CN208335465U (zh) | 一种基于激光检测的车辆超高监测预警系统 | |
CN102610096B (zh) | 一种基于改进离散模型的公路交通流检测器设置方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
N231 | Notification of change of applicant | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |