KR102377044B1

KR102377044B1 - 보행 안전 위험 평가 장치 및 방법, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체

Info

Publication number: KR102377044B1
Application number: KR1020200100027A
Authority: KR
Inventors: 조기혁
Original assignee: 울산과학기술원
Priority date: 2019-11-29
Filing date: 2020-08-10
Publication date: 2022-03-22
Also published as: KR20210067861A

Abstract

보행 안전 위험 평가 장치 및 방법, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체가 제공된다. 본 발명의 일 실시예에 따른 보행 안전 위험 평가 장치는, 도시의 주요 환경 요소에 대한 정보를 수집하는 수집부; 상기 환경 요소에 대한 정보에 RCNN 알고리즘을 적용하여 물리적 요소를 추출하는 추출부; 및 상기 물리적 요소에 통계적 모델링을 적용하여 보행에 따른 사고 위험에 대한 위험인지를 분석하는 분석부를 포함한다.

Description

보행 안전 위험 평가 장치 및 방법, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체{APPARATUS AND METHOD FOR EVALUATING WALKING SAFETY RISK, AND RECORDING MEDIA RECORDED PROGRAM REALIZING THE SAME}

본 발명은 보행 안전 위험 평가 장치 및 방법, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체에 관한 것이다.

교통 사고 자료만으로는 도로의 잠재적인 교통 사고 위험을 파악하는데 한계가 있다. 일반적으로, 보행자의 교통 충돌은 도로의 곡선, 고정된 물체, 주차된 차량, 어둠 또는 기타 가시성 제한으로 인해 시야가 방해되는 교차로 또는 곡선 도로에서 발생하는 경향이 있다. 예를 들어, 자동차 운전자의 시야가 방해되어 장애물로 가려질 수 있는 보행자를 알아채지 못할 수 있다.

이에, 보행자의 잠재적인 교통 사고 위험을 평가할 수 있는 방안이 요구되고 있다.

미국 공개특허 US 2019/0236373호 (2019.08.01. 공개) 대한민국 공개특허 10-2017-0138225호 (2017.12.15. 공개)

본 발명은 상기 문제점을 해결하기 위한 것으로, 생활권 도로의 교통 사고 예방을 위해 잠재적인 교통 사고 위험을 평가할 수 있는 보행 안전 위험 평가 장치 및 방법, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체를 제공한다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기 과제를 달성하기 위한 본 발명의 일 실시예에 따른 보행 안전 위험 평가 장치는, 도시의 주요 환경 요소에 대한 정보를 수집하는 수집부; 상기 환경 요소에 대한 정보에 RCNN 알고리즘을 적용하여 물리적 요소를 추출하는 추출부; 및 상기 물리적 요소에 통계적 모델링을 적용하여 보행에 따른 사고 위험에 대한 위험인지를 분석하는 분석부를 포함한다.

또한, 상기 수집부는, 보행자, 차량, 간판, 가로수, 도로 시설물 중 적어도 하나를 포함하는 이미지를 상기 주요 환경 요소에 대한 정보로 수집할 수 있다.

또한, 상기 추출부는, 장면 분할 모델 및 객체 탐지 모델을 포함하는 장면 라벨링(scene labeling)을 사용하여 상기 물리적 요소를 추출할 수 있다.

또한, 상기 추출부는, 상기 장면 분할 모델에 의해 하늘, 녹지, 도로 및 보도의 면적 비율을 도출할 수 있다.

또한, 상기 추출부는, 상기 객체 감지 모델에 의해 보행자 수, 차량 수 및 신호등의 존재를 도출할 수 있다.

또한, 상기 분석부는, 하늘, 녹지, 도로 및 보도의 면적 평균값을 기초로 상기 위험인지를 분석할 수 있다.

또한, 상기 위험인지에 대해 공간적 지점을 평가하는 평가부를 더 포함할 수 있다.

그리고, 상기 공간적 지점에 기초하여 공간 설계 가이드라인을 제공하는 제공부를 더 포함할 수 있다.

상기 과제를 달성하기 위한 본 발명의 일 실시예에 따른 보행 안전 위험 평가 방법은, 도시의 주요 환경 요소에 대한 정보를 수집하는 단계; 상기 환경 요소에 대한 정보에 RCNN 알고리즘을 적용하여 물리적 요소를 추출하는 단계; 상기 물리적 요소에 통계적 모델링을 적용하여 보행에 따른 사고 위험에 대한 위험인지를 분석하는 단계; 상기 위험인지에 대해 유형별 공간적 지점을 평가하는 단계; 및 상기 공간적 지점에 기초하여 유형별 가이드라인을 제공하는 단계를 포함한다.

상기 수집하는 단계는, 보행자, 차량, 간판, 가로수, 도로 시설물 중 적어도 하나를 포함하는 이미지를 상기 주요 환경 요소에 대한 정보로 수집하는 단계를 포함할 수 있다.

또한, 상기 추출하는 단계는, 장면 분할 모델 및 객체 탐지 모델을 포함하는 장면 라벨링(scene labeling)을 사용하여 상기 물리적 요소를 추출하는 단계를 포함할 수 있다.

또한, 상기 추출하는 단계는, 상기 장면 분할 모델에 의해 하늘, 녹지, 도로 및 보도의 면적 비율을 도출하는 단계를 포함할 수 있다.

또한, 상기 추출하는 단계는, 상기 객체 감지 모델에 의해 보행자 수, 차량 수 및 신호등의 존재를 도출하는 단계를 포함할 수 있다.

또한, 상기 분석하는 단계는, 하늘, 녹지, 도로 및 보도의 면적 평균값을 기초로 상기 위험인지를 분석하는 단계를 포함할 수 있다.

상술하여 설명한 상기 과제를 달성하기 위한 본 발명의 여러 실시예에 따른 보행 안전 위험 평가 방법 들을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명에 따르면, 잠재적인 교통 사고 위험을 평가하여 보행자 사고 등을 선제적으로 예방할 수 있다.

또한, 생활권 도로에서 위험인지를 예측하고, 실제 사고 위험과 비교를 통해 위험인지에 대해 유형별 공간적 지점을 평가하고 유형별 가이드라인을 제공할 수 있다.

도 1은 본 발명의 일 실시예에 따른 보행 안전 위험 평가 장치의 구성을 도시한 도면이다.
도 2는 실제 연구 사례에 활용된 대한민국의 울산시의 일부를 도시한 도면이다.
도 3은 거리 뷰 이미지에 장면 분할 모델 및 객체 탐지 모델을 적용한 일례를 도시한 도면이다,
도 4는 최적의 군집 수를 탐지하기 위한 기준의 일례를 도시한 도면이다.
도 5는 각 교차로 유형에 대한 군집 중심 값의 일례를 도시한 도면이다.
도 6은 실제 이미지 및 Labelme 소프트웨어에서 생성한 이미지를 도시한 도면이다.
도 7은 4가지 유형의 교차로의 공간 분포의 일례를 도시한 도면이다.
도 8은 스트리트 뷰 이미지가 (a) 하늘, (b) 녹지, (c) 도로, (d) 보도의 평균 비율을 가지는 교차로의 일례를 도시한 도면이다.
도 9는 교차로 유형 1의 일례를 도시한 도면이다.
도 10은 교차로 유형 2의 일례를 도시한 도면이다.
도 11은 교차로 유형 3의 일례를 도시한 도면이다.
도 12는 교차로 유형 4의 일례를 도시한 도면이다.
도 13은 본 발명의 일 실시예에 따른 보행 안전 위험 평가 방법의 순서를 도시한 도면이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

비록 제1, 제2 등이 다양한 소자, 구성요소 및/또는 섹션들을 서술하기 위해서 사용되나, 이들 소자, 구성요소 및/또는 섹션들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자, 구성요소 또는 섹션들을 다른 소자, 구성요소 또는 섹션들과 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자, 제1 구성요소 또는 제1 섹션은 본 발명의 기술적 사상 내에서 제2 소자, 제2 구성요소 또는 제2 섹션일 수도 있음은 물론이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "이루어지다(made of)"는 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

이하, 본 발명에 대하여 첨부된 도면에 따라 보다 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 보행 안전 위험 평가 장치의 구성을 도시한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 보행 안전 위험 평가 장치(100)는 수집부(110), 추출부(120), 분석부(130)를 포함할 수 있다. 또한, 보행 안전 위험 평가 장치(100)는 평가부(140), 제공부(150)를 더 포함할 수 있다.

보다 구체적으로, 본 발명의 일 실시예에 따른 보행 안전 위험 평가 장치(100)는, 수집부(110), 추출부(120), 분석부(130)를 통해 사고 위험을 인지할 수 있는 위험인지 예측 지도를 구축할 수 있고, 평가부(140), 제공부(150)를 통해 도로 보행자안전을 위한 설계 가이드라인을 제공할 수 있다. 각 구성요소의 구체적인 기능 등은 후술하여 살펴 보도록 한다.

수집부(110)는 도시의 주요 환경 요소에 대한 정보를 수집한다. 구체적으로, 실제 도시를 촬영한 이미지에서 주요 환경 요소의 정보를 수집하여 데이터화한다.

주요 환경 요소는 도시를 촬영한 이미지에서 서로 구분될 수 있는 부분이며, 빌딩, 도로, 하늘, 보도, 자동차, 보행자 등을 포함할 수 있고, 다양한 환경 요소가 혼재되어 있을 수 있다. 예를 들어, 도로의 환경 요소에는 보행자, 주행중인 차량 외에 주차된 차량, 간판, 가로수, 도로 시설물 등 다양한 환경 요소가 혼재되어 있을 수 있다.

이에, 수집부(110)는 보행자, 차량, 간판, 가로수, 도로 시설물 중 적어도 하나를 포함하는 이미지를 상기 주요 환경 요소에 대한 정보로 수집할 수 있다. 도로 시설물은 차도(도로), 인도(보도), 신호등, 안내 표지판, 중앙 분리대 등 차량이 운행하는 도로에 설치되는 각종 시설물을 포함한다.

도시의 촬영 이미지는 실제 도로의 환경 요소에 대한 정보를 수집하기 위해, 대상을 360도 카메라 등을 이용하여 이미지를 촬영하고, 건축물 높이, 입면설계, 청각 정보 등 지역적 특수성 및 기능을 고려하여 정보를 수집할 수 있다.

또한, 도시의 촬영 이미지는 접근 가능한 네트워크에 공개된 거리 뷰(street view)일 수 있다. 구체적으로, 거리 뷰 이미지는 다양한 각도와 관점(시각)을 갖는 이미지들로 구성되어 있어 주요 환경 요소의 정보를 수집하기에 용이하다.

이러한 도시의 촬영 이미지는 거리 수준의 보행 환경을 인식하는 실제 보행자의 인식과 매우 유사하여 눈높이에서 인식되는 도시의 환경 요소를 수집할 수 있다.

또한, 수집부(110)는 실제 도로의 물리적 특성의 평가 항목을 선정하고, 분석 목적에 맞는 기준에 따라 적합한 이미지를 선정하여 정보를 수집할 수 있다.

그리고, 수집부(110)는 수집된 정보를 환경 요소별로 데이터베이스화하여 저장할 수 있다. 즉, 수집부(110)는 소정 기준에 따라 적합한 이미지를 선정하여 정보를 수집하고 요소별 이미지 데이터베이스를 구축할 수 있다.

추출부(120)는 환경 요소에 대한 정보에 RCNN 알고리즘을 적용하여 물리적 요소를 추출한다.

예를 들어, 추출부(120)는 주행중인 차량 외에 주차된 차량, 간판, 가로수, 도로 시설물 등 다양한 환경 요소를 고려하여 RCNN 알고리즘을 적용하고, 실제 도시의 환경 요소에 대해 각 환경 요소의 공간적 조합방식(composition)을 분석하여 물리적 요소를 추출할 수 있다.

여기에서, RCNN(Region Convolution Neural Network) 알고리즘은 기존 CNN 모델을 독립된 영역(region)으로 구분하여 분석한다.

CNN(Convolution Neural Network) 알고리즘은 이미지 분석을 위하여 사용되나, CNN 알고리즘의 입력 데이터는 픽셀 데이터의 신호 강도로서, 데이터 분류 기준이 블랙박스 모델이기 때문에 보행자 안전을 위한 구체적 가이드라인을 제시하기 위한 목적으로 활용성의 한계가 분명하다는 문제가 있다.

이에, CNN 모델의 한계였던 객체 탐지(object detection)가 가능한 알고리즘이 RCNN(Region Convolution Neural Network) 알고리즘이다.

추출부(120)에 의해 RCNN 알고리즘을 적용하여 물리적 요소를 추출하고, 교통사고 위험 인지지도의 자료로 활용할 수 있다.

보다 구체적으로, 추출부(120)는 장면 분할 모델 및 객체 탐지 모델을 포함하는 장면 라벨링(scene labeling)을 사용하여 물리적 요소를 추출할 수 있다.

장면 라벨링 방법을 통해 보행자, 자동차, 도로 또는 보도와 같이 거리 장면에서 일반적으로 발견되는 엔티티(entities) 간의 복잡한 관계뿐만 아니라 전체 장면의 개별 구성 요소를 식별하여 추출할 수 있다.

예를 들어, 장면 라벨링을 거리 이미지에 적용하면 눈높이에서 측정되어 구축되는 환경 특성을 분석할 수 있다. 눈높이 측정은 특정 환경의 속성에 대한 사람의 실제 인식을 보다 정확하게 반영할 수 있다.

촬영되어 수집된 거리 수준의 이미지와 장면 라벨링 방법을 결합하면 사람들이 지상에서 눈높이에서 일반적으로 경험하고 인식하는 것에 대한 데이터를 획득할 수 있다.

눈높이에서 도시의 환경을 분석하는 장면 라벨링의 기능은 도시 교통 안전의 중요한 요소 중 하나인 보행자와 운전자의 가시성을 측정할 수 있게 한다.

일반적으로, 보행자의 교통 사고가 도로의 곡률, 고정된 물체, 주차된 차량, 어둠 또는 기타 가시성 제한으로 인해 가시성이 방해되는 교차로 또는 곡선에서 발생하는 경향이 있어 차량 운전자의 시야를 방해하면서 운전자가 장애물에 가려져 있는 보행자를 알아 차리지 못하게 할 수 있다. 그러므로, 교차로에서 보행자 및 운전자 가시성을 향상시키는 것은 안전에 대한 인식을 높이고 충돌 위험을 줄이는 데 필수적이다.

이에, 추출부(120)는 장면 분할 모델에 의해 빌딩, 하늘, 녹지, 도로, 보도 등을 도출할 수 있다. 보다 구체적으로, 하늘, 녹지, 도로 및 보도 등의 면적 비율을 도출할 수 있다. 각 환경 요소의 면적 비율은 분할된 마스크의 픽셀 수를 세어 계산할 수 있다.

또한, 추출부(120)는 객체 감지 모델에 의해 보행자 수, 차량 수 및 신호등의 존재 등을 도출할 수 있다.

분석부(130)는 물리적 요소에 통계적 모델링을 적용하여 보행에 따른 사고 위험에 대한 위험인지를 분석한다.

위험인지(risk perception)는 위험을 인식하는 것이며, 보행자는 위험인지를 기초로 원치 않는 결과를 피할 수 있도록 결정을 할 수 있다.

기록된 충돌 데이터만 사용하는 보행자 충돌 위험에 대한 연구는 보행자 충돌에 대한 신뢰할 수 있는 데이터가 상대적으로 부족하기 때문에 도로 안전 평가에 어려움이 있다. 이러한 경우 위험인지에 대한 정보는 실제 충돌이 발생하지 않은 위치에서 잠재적 충돌 위험의 지표로 사용될 수 있다. 이는 충돌 위험에 대한 개인의 인식은 잠재적 위험 위치 또는 위험 요소를 사전에 식별하도록 유용한 추가 정보를 제공하기 때문이다.

이러한 분석부(130)는 RCNN 알고리즘을 통해 추출된 물리적 요소를 이용하여 음이항 또는 포아종 통계 모델을 구축할 수 있다. 이는 파리미터(Parameter) 통계모델의 단순 방법(Simple Method)과 커널 방법(Kernel Method)을 이용하여 도로에 대한 위험인지 예측 지도를 구축할 수 있도록 한다. 그리고, 실제 사고 빈도와의 공간적 비교를 통하여 2가지 유형의 공간적 불일치 지점을 정의하는 기초가 되며, 이는 후술하여 살펴 보도록 한다.

또한, 분석부(130)는 추출된 물리적 요소에 대해 유형별로 분류하며 유형별 면적의 평균값을 고려하여 위험인지를 분석할 수 있다. 예를 들어, 분석부(130)는 하늘, 녹지, 도로 및 보도의 면적 평균값을 기초로 위험인지를 분석할 수 있다.

또한, 분석부(130)는 차량 및 보행자 밀도에 의한 위험인지의 영향을 분석할 수 있다. 즉, 위험인지에 대해 유형별 공간적 지점을 평가하기 위해 차량 및 보행자 밀도를 고려하여 위험인지의 영향을 파악할 수 있다.

평가부(140)는 위험인지에 대해 공간적 지점을 평가할 수 있다. 보다 구체적으로, 평가부(140)는 실제 사고 빈도와의 공간적 비교를 통하여 2개의 공간적 불일치 지점을 정의할 수 있다.

예를 들어, 인지되는 위험도가 낮고 실제 사고 빈도가 높은 지점은 교통 안전에 대한 낮은 주의력이 사고의 주요 원인이 되며, 불일치 문제가 지속되는 상황에서는 같은 지점에서 사고 빈도가 증가할 가능성이 높으므로, 안전 문제에 대한 주의력에 대한 교통 안전 시설물 설치가 필요한 지점이 될 수 있다.

또한, 인지되는 위험도가 높고 실제 사고 빈도가 낮은 지점은 위험에 대한 인지로 인하여 보행자의 행태 변화가 이루어진 지점에 대해 과거 사고 빈도의 자료만으로 판단하게 되면 향후 사고 위험성이 과소평가될 수 있다.

즉, 인지된 사고 위험과 실제 사고 빈도가 불일치하게 될 수 있으며, 평가부(140)는 인지되는 위험도가 낮고 실제 사고 빈도가 높은 지점 및 인지되는 위험도가 높고 실제 사고 빈도가 낮은 지점을 2개의 공간적 불일치 지점으로 정의할 수 있다.

따라서, 물리적 요소에 통계적 모델링을 적용하여 보행에 따른 사고 위험에 대한 위험인지를 분석한 것을 기초로 하여, 평가부(140)는 실제 사고 위험과 비교를 통해 위험인지에 대해 공간적 지점을 평가할 수 있다.

제공부(150)는 공간적 지점에 기초하여 공간 설계 가이드라인을 제공한다. 보다 구체적으로, 제공부(150)는 공간 설계 가이드라인을 3차원 시뮬레이션하고, 상기 3차원 시뮬레이션을 배경으로 가상현실을 수행하여 사용자에게 제공할 수 있다.

이에 따라, 잠재적 충돌의 위험을 줄일 수 있는 적절하고 사전 예방적인 정보를 제공할 수 있다.

이하에서는, 실제 연구 사례를 통해 살펴 보도록 한다.

도 2는 실제 연구 사례에 활용된 대한민국의 울산시의 일부를 도시한 도면이다.

도 2를 참조하면, 한국 최대의 산업 단지 중 하나인 울산시를 선정하였으며, 동 지구에서 8 개의 초등학교 구역을 선택하였다. 2010년에서 2014년 사이 경찰이 신고한 보행자 충돌은 792건이다. 선택된 장소 내 토지 사용은 주로 주거용이지만 상업 및 산업 지역이 포함된다. 2015년 조사 기간 동안 등록한 학생 수는 4,130명이었다.

2015년 7월에 위험 인식 설문 조사를 실시하였으며, 설문에 참여한 참가자는 8-12 개의 초등학교에 등록한 10-12 세의 학생들이다. 응답자의 수는 1,263명으로, 설문지는 인구 통계학적 특징, 등하교 방식 및 어린이들이 걸어서 가는 경로를 따라 충돌 사고에 대한 데이터를 수집하였다. 1,263명의 학생들 중에서 1,042명의 학생들이 설문지에 대한 모든 답변을 완료하였으며, 통근에 자동차 등을 사용한 243 명의 응답자를 제외하고, 걸어서 등하교한 799명의 학생이 최종 참가자로 포함되었다.

조사의 참가자들은 대상 지역에서 2,621곳의 장소가 충돌 위험이 높다고 인식하였다. 교차로에 초점을 맞추었으므로, 보고된 위치는 해당 교차로와 공간적으로 일치해야 한다. 도로 교차점은 두 도로 중심선의 교차점에서 15m (50ft) 버퍼 구역을 갖는 것으로 정의하여 교차점인 546개 지점에 위치한 위험 지점 수는 각 교차점의 충돌 위험 점수로 사용되었다.

보행자 충돌 횟수를 결정할 때, 고려해야 할 가장 중요한 요소 중 하나인 위험 노출(risk exposure)은 보행자 안전에 대한 위험 요소를 분석할 때 정확하게 고려해야 하며, 특히, 초등학생들은 규칙적인 보행 경로를 따라 충돌 위험이 높은 학교로 가는 특정 교차로를 평가할 가능성이 높다.

각 교차점에서 교차하는 학생들의 수는 설문 조사 데이터에서 도출되었다. 참가자들은 지역 지도에서 학교까지 정기적인 도보 경로를 나타내도록 요청 받았다. 이 정보를 바탕으로 경로에 대해 선택된 각 교차점에서 개별 교차 횟수를 세고 노출 변수 중 하나로 사용했다. 인구 및 거리 밀도를 계산하기 위해 한국의 울산 통계 정보원 (2010)과 통계 지리 정보원 (SGIS)에서 GIS의 인구 및 거리 중심선을 사용하였다.

도 3은 거리 뷰 이미지에 장면 분할 모델 및 객체 탐지 모델을 적용한 일례를 도시한 도면이다.

도 3을 참조하면, 보행자, 차량, 간판, 가로수, 도로 시설물 등을 포함하는 각 교차점의 거리 뷰 이미지 (map.naver.com)에서 장면 분할 모델 및 객체 탐지 모델을 사용하여 물리적 요소가 추출되었다.

장면 분할 모델에서 추출되는 물리적 요소에는 하늘, 녹지, 도로 및 보도의 면적 비율이 포함된다. 거리 뷰 이미지에서 각 물리적 요소의 면적 비율은 분할 마스크의 픽셀 수를 계산한다. 객체 탐지 모델에 의해 보행자 수, 차량 수 및 신호등을 물리적 요소로 추출한다.

이때, 대상이 되는 거리 뷰 이미지를 다운로드하기 위해 ArcGIS 10.4를 사용하여 검사한 546 개의 교차로의 좌표를 계산하였다. 각 교차점의 좌표를 기반으로 546개의 교차점에서 4 방향으로 2,184 개의 거리 뷰 이미지를 수집한다. 수집한 거리 뷰 이미지는 교차로를 중심으로 하여 보행자, 차량, 간판, 가로수, 도로 시설물 중 적어도 하나를 포함한다.

보행자 차량 충돌을 줄이기 위해, 가시성 개선, 차량 속도 관리, 보행자를 차량에서 분리하는 세 가지 접근 방식으로 분류할 수 있다. 이에, 3 가지 유형의 환경 속성이 정의될 수 있다. 이는 보행자와 운전자 가시성(visibility of pedestrian/drivers), 교통 흐름(traffic flow), 차량으로부터 보행자의 분리(separation of pedestrians from vehicles)로 한다.

보행자와 운전자 가시성(visibility of pedestrian/drivers)은 하늘(sky)과 녹색(green)의 비례 영역을 사용하여 측정할 수 있다. 도 3에 도시한 바와 같이, 하늘이 많을수록 보행자와 운전자의 FOV가 증가하고, 녹색이 많을수록 FOV가 감소하는 경향이 있다. 하늘과 소량의 녹색이 운전자와 보행자의 시거리를 제한하는 경우가 많다.

교차로에서의 교통 흐름을 정량화하기 위해, 장면 분할 모델에서 추출된 도로의 비례 영역과 객체 탐지 모델에서 식별된 보행자 및 차량의 수를 사용할 수 있다.

넓은 차선 폭과 많은 통행량은 더 큰 충돌 위험과 관련이 있다. 역으로, 보도가 있는 거리 구간, 신호등 설치, 차량에서 보행자를 분리 등의 경우, 차량 및 보행자 간 충돌 위험을 줄일 수 있다.

보행자와 차량의 분리는 보도의 비례 영역과 장면 분할 모델에서 추출되는 신호등의 존재를 사용하여 표현될 수 있다.

도 4는 최적의 군집 수를 탐지하기 위한 기준의 일례를 도시한 도면이다.

개방도가 높거나 높은 비율의 하늘이 있는 교차로는 건물 밀도가 낮을 수 있다. 일반적으로, 도로가 넓을수록 평균 건물 높이가 더 높다. 많은 도시 공간은 유사성에 따라 특정 유형의 도시 형태로 분류될 수 있다.

특히, 거리 뷰는 여러 그룹으로 분류될 수 있다. 그룹 간 구축 환경의 뚜렷한 변화를 이해하기 위해 경험적인 군집 분석(cluster analysis)을 사용한다. 이는 사전 결정된 일련의 특성 내에서 유사성을 기반으로 관측치를 그룹으로 결합하는 방법이다.

K- 평균 군집 분석(K-means cluster analysis)을 사용하여 장면 분할 모델에서 추출되는 5가지 물리적 요소인 건물(building), 하늘(sky), 녹지(green space), 도로(road), 보도(sidewalk)의 유사성에 기초하여 교차점을 서로 다른 유형으로 분류할 수 있다.

도 4를 참조하면, K- 평균 군집 분석을 사용하여 장면 분할 모델에서 추출된 5가지 물리적 요소의 값의 유사성에 기초하여 533 개의 교차점을 분류하였으며, 4-클러스터 솔루션(four-cluster solution)이 가장 좋은 클러스터 솔루션이었다. 클러스터 분석에는 STATA 소프트웨어(버전 13.0)가 사용되었다.

도 5는 각 교차로 유형에 대한 군집 중심 값의 일례를 도시한 도면이다.

도 5를 참조하면, 4개의 군집에 따른 4개의 교차로 유형이 도시되어 있으며, 이는 보도가 있는 넓은 도로(유형 1), 가로수 나무가 있는 넓은 도로(유형 2), 명확한 가시성이 있는 넓은 도로(유형 3), 빽빽한 건물이 있는 좁은 골목길(유형 4)로 분류할 수 있다.

구체적인 군집 중심 값은 다음의 표 1과 같다.

여기에서, 군집 중심(centroid)은 각 교차료 유형의 특성을 나타내는 교차로 특징(intersection features)을 표현한다.

인지된 안전성에 대한 환경 속성 및 그 영향을 조사하기 위해, 2개의 음이항(NB, negative binomial) 회귀 분석이 수행되었다. 포아송(Poisson) 회귀 모델과 비교하여, 표준 음이항 모델은 충돌 변화의 과 분산 및 위치 간 이질성을 설명할 수 있기 때문에 교통 안전 연구에 가장 널리 적용되고 있다.

표준 음이항 모델은 다음의 수학식 1과 같이 확률론적 구조를 가질 수 있다.

여기에서,

는 교차료 i에서 포아송 평균

에 대한 조건이 포아송 분포되고 모든 교차로에 대해 독립적일 때 교차점 i에서 인지된 충돌 위험(perceived crash risk)이다.

포아송 평균은 다음의 수학식 2와 같이 표현될 수 있다.

여기에서,

는 감마 분포(Gamma distribution)에 따른 모형의 곱셈 랜덤 효과이며,

는 공변량의 함수이고,

는 환경 속성의 벡터이며, β는 알려지지 않은 계수의 벡터이다.

환경 속성을 정의하기 위한 두 가지 모델을 만들었다. 독립적으로 구축 된 환경 특징과 인지된 충돌 위험 사이의 연관성을 조사하는 것과, 교차로 유형과 인지된 충돌 위험 사이의 연관성에 초점을 맞추는 것이다. STAB 소프트웨어 (버전 13.0)를 사용하여 NB 회귀 모델을 추정하였다.

적용된 알고리즘의 유효성을 테스트하기 위해 거리 뷰 이미지 (434/2132)의 무작위 샘플을 검증 세트로 사용하여 모델 성능을 추정하였다. 알고리즘의 정량적 평가를 위해, 장면 분할 알고리즘에서 얻은 결과와 실증 자료(ground truth)를 비교 한 다음, 결과 점수를 계산하였다.

정밀도 점수는 다음의 수학식 2을 이용하여 계산할 수 있다.

도 6은 실제 이미지 및 Labelme 소프트웨어에서 생성한 이미지를 도시한 도면이다.

실증 자료(ground truth)는 파이썬(Python)으로 작성된 다각형 이미지 주석 도구인 Labelme(github.com/wkentaro/labelme)를 사용하여 수동으로 주석을 달았다.

도 6을 참조하면, Labelme 소프트웨어로 생성된 이미지(우측)와 실증 자료인 실제 이미지(좌측)가 있다. 객체 탐지 모델의 유효성을 테스트하기 위해 수동으로 계산된 환경 속성 수와 객체 탐지 모델에 의해 탐지된 환경 속성 수를 비교한 다음 알고리즘의 정량적 평가를 위해 가중 카파(weighted kappa) 계수를 계산하였다.

장면 분할 모델 및 객체 탐지 모델의 추정된 퍼포먼스는 다음의 표 2와 같다.

표 2를 참조하면, 장면 분할 모델이 거리 뷰 이미지에서 많은 영역을 차지하는 변수(하늘 및 도로)를 분류하는 데 잘 수행되었지만, 녹지 및 보도를 분류할 때 상대적으로 정확도가 낮은 경향이 있음을 보여준다. 거리 뷰 이미지에서 녹색과 보도의 평균 비율은 각각 5%와 3% 정도이다.

객체 탐지 모델은 보행자(kappa 0.521), 차량 (kappa 0.676), 신호등 (kappa 0.554)을 감지할 때 중간 수준의 성능을 보였다.

도 7은 4가지 유형의 교차로의 공간 분포의 일례를 도시한 도면이다. 또한, 도 8은 스트리트 뷰 이미지가 (a) 하늘, (b) 녹지, (c) 도로, (d) 보도의 평균 비율을 가지는 교차로의 일례를 도시한 도면이다.

다음의 표 3은 분석에 사용된 변수에 대한 통계를 제공한다.

도 7에 도시된 바와 같이, 각 교차로 유형은 현장에 골고루 분포되어 있다. 교차로에서 인지된 충돌 위험은 평균 3.09 (표준편차 SD=6.35)이다. 건널목(crossing)에서 1일 횡단하는 학생들의 평균은 4.75 (SD=9.08)이다. 건널목의 학생 최대 수는 66명이며 학교로 가는 길에는 215 개의 교차로가 선택되지 않다. 충돌 사고 위험과 교차로에서의 교차 횟수는 밀접한 상관 관계가 있었다(

=0.836). 각 교차로에서 하늘, 녹지, 도로 및 보도의 비례 영역의 평균 값은 28 % (SD = 11 %), 5 % (SD = 5 %), 14 % (SD = 5 %) 및 3 % (SD = 2 %)이다.

도 8에, 거리 뷰 이미지가 현장에서 각 변수의 평균값을 갖는 교차점을 보여준다.

도 9는 교차로 유형 1의 일례를 도시한 도면이다. 또한, 도 10은 교차로 유형 2의 일례를 도시한 도면이다. 또한, 도 11은 교차로 유형 3의 일례를 도시한 도면이다. 또한, 도 12는 교차로 유형 4의 일례를 도시한 도면이다.

다음의 표 4는 인지 된 충돌 위험에 대한 두 가지 NB 모델의 파라미터 추정치 및 p 값을 나타낸다.

과 분산 파라미터 추정치 α는 NB 모델 1 (95 % CI (0.88, 1.37)) 및 NB 모델 2 (95 % CI (0.89, 1.38)) 모두에서 0보다 상당히 높았다. 두 모델에서, 위험 노출을 나타내는 모든 변수는 인지된 충돌 위험과 양의 연관성을 가졌다. 교차하는 학생 수가 많고 인구 밀도가 높으며 거리 밀도가 높을수록 인지 충돌 사고 위험이 높았다.

NB 모델 1에서, 하늘의 비례 영역은 인지된 충돌 위험을 상당히 감소시켰다(p = 0.023). 하늘의 비율이 높을수록 거리에서보다 시각적인 개방성과, 운전자 및 보행자에게 더 잘 보이는 영역을 나타낸다. 이러한 이유로, 하늘의 비율과 인지된 충돌 위험 사이의 음의 관계는 교차로에서의 가시성 향상이 인지된 충돌 위험을 줄이는 요소 중 하나일 수 있음을 의미한다.

낮은 가시성과 실제 충돌 위험 간의 직접적인 관계는 불분명하지만 교차로에서 보행자 가시성을 향상시키면 안전감이 향상되고 보행자 행동이 변경될 수 있다.

한편, NB 모델 1의 결과는 도로의 비례 면적이 인지된 충돌 사고와 유의 한 긍정적 상관관계를 가지고 있음을 보여 주었다 (p = 0.023). 차선과 도로의 폭이 충돌 위험을 증가시키는 중요한 요소 중 하나이며, 실제로, 차선이 넓을수록 차량 속도가 빨라져 보행자와의 충돌 사고 및 보행자의 심각한 부상 가능성이 높아진다.

보행자 수는 인지된 충돌 위험 수준과 긍정적으로 연관된다(p = 0.071). 교차로에 보행자가 많을수록 학령기 아동의 교차 능력이 저해되기 때문일 수 있다. 보행자 수의 변수는 교차로에서 혼잡함을 나타낼 수 있다.

상기 표 4에서, NB 모델 2에서의 군집 간 차이를 보여주고 있다.

학생들은 넓은 도로와 보도가 있는 교차로(유형 1; p = 0.030)보다 넓은 도로가 있고 명확한 가시성이 있는 교차로(유형 3)에서 낮은 위험을 감지하는 경향이 있었다.

도 9 및 도 11에 도시된 바와 같이, 두 유형의 교차로 사이의 명확한 구별은 상대적인 시각적 개방성(예를 들어, 하늘의 비례 면적)과 보도의 존재였다. 보행자의 가시성과 보도의 존재를 증가시키면 인지되는 충돌 위험을 줄일 수 있는 것으로 분석된다.

참조 교차로인 유형 1에서의 위험 지각은 넓은 도로와 큰 길가의 나무 교차로에서의 위험 지각과 통계적으로 다르지 않았다. 길가의 나무는 거리 뷰의 경관을 향상시킬 수 있지만(도 10 참조), 인지된 안전 수준을 변경하지는 않는다. 실제로 교통 안전 상황에서 길가의 나무는 시각적, 물리적 장벽이다.

교차로 유형 1(도 9 참조)과 유형 4 (도 12 참조)의 비교를 통해, 학령기 아동은 유형 1 교차로에서보다 유형 4 교차로에서 낮은 수준의 인지 충돌 위험을 보고하였다 (p = 0.071). 보도와 시각적 개방성이 있으면 충돌 사고 위험을 줄일 수 있다.

보행자 가시성 감소, 넓은 도로, 더 많은 학생, 더 높은 인구 밀도 및 더 높은 거리 밀도가 모두 유의미했으며, 모두 교차로에서 더 높은 인지 충돌 사고 위험과 관련이 있었다.

눈높이에서 구축된 거리 뷰 이미지를 수집하고, 장면 라벨링 기술을 사용하여 인지된 충돌 위험에 미치는 영향을 분석할 수 있다. 궁극적으로 이 접근 방식은 교차로에서 발생할 수 있는 충돌 위험을 줄이는 적절하고 능동적인 개입을 제공할 수 있다.

도 13은 본 발명의 일 실시예에 따른 보행 안전 위험 평가 방법의 순서를 도시한 도면이다.

도 13을 참조하면, 본 발명의 일 실시예에 따른 보행 안전 위험 평가 방법은, 도시의 주요 환경 요소에 대한 정보를 수집하며(S10), 상기 환경 요소에 대한 정보에 RCNN 알고리즘을 적용하여 물리적 요소를 추출하고(S20), 상기 물리적 요소에 통계적 모델링을 적용하여 보행에 따른 사고 위험에 대한 위험인지를 분석하고(S30), 상기 위험인지에 대해 유형별 공간적 지점을 평가하고(S40), 상기 공간적 지점에 기초하여 유형별 가이드라인을 제공한다(S50).

도시의 주요 환경 요소에 대한 정보를 수집하는 경우(S10), 보행자, 차량, 간판, 가로수, 도로 시설물 중 적어도 하나를 포함하는 이미지를 상기 주요 환경 요소에 대한 정보로 수집할 수 있다.

이미지는 도시를 촬영한 이미지로써, 360도 카메라 등을 이용하여 촬영한 이미지를 활용할 수 있다. 예를 들어, 접근 가능한 네트워크에 공개된 거리 뷰(street view)일 수 있다. 일례로, 네이버 스트리트 뷰(naver street view)를 이용하여 도로 교차로 및 세그먼트(segment)의 이미지 DB를 구축할수 있다.

또한, 토지 이용, 건물 밀도, 도로 특성을 고려하여 도로를 그룹화하여 이미지 데이터베이스를 구축할 수 있다. 예를 들어, 보도가 있는 넓은 도로, 가로수 나무가 있는 넓은 도로, 명확한 가시성이 있는 넓은 도로, 빽빽한 건물이 있는 좁은 골목길 등으로 분류할 수 있다.

예를 들어, 이미지에 포함될 수 있는 주요 환경 요소에 대응하는 건물(building), 하늘(sky), 녹지(green space), 도로(road), 보도(sidewalk) 등의 포함 여부에 따라 각 이미지를 분류하고, 분류된 이미지 그룹별로 DB화할 수 있다.

환경 요소에 대한 정보에 RCNN 알고리즘을 적용하여 물리적 요소를 추출하는 경우(S20), 장면 분할 모델 및 객체 탐지 모델을 포함하는 장면 라벨링(scene labeling)을 사용하여 상기 물리적 요소를 추출할 수 있다. 여기에서, RCNN(Region Convolution Neural Network) 알고리즘은 기존 CNN 모델을 독립된 영역(region)으로 구분하여 분석한다.

이때, 장면 분할 모델에 의해 하늘, 녹지, 도로 및 보도의 면적 비율을 도출할 수 있다. 각 물리적 요소의 면적 비율은 분할 마스크의 픽셀 수를 계산하여 도출할 수 있다.

또한, 객체 감지 모델에 의해 보행자 수, 차량 수 및 신호등의 존재를 도출할 수 있다. 이때, 이미지에서 관심 영역(ROI)을 설정하고, 검출하고자 하는 객체를 추출할 수 있다. 일례로, 이미지에 나타난 객체의 초기 위치에서 초기 탐색 윈도우 영역을 지정한 후, 색상 확률 분포를 계산하고 탐색 윈도우 영역 내부, 외부에서 객체의 중심 픽셀을 찾고, 그 뒤 둘을 비교하여 수렴하는 경우에 픽셀 위치를 반환하고, 탐색 윈도우 사이즈를 줄인다. 위와 같은 단계를 반복적으로 수행하여 객체의 픽셀을 추정하고, 이를 보정 테이블을 이용하여 실제 스케일로 변환한 뒤 출력하는 등의 방법으로 객체의 크기 등을 추정할 수 있다.

또한, 객체의 검출 시에 RCNN 뿐만 아니라, 아다부스트(AdaBoost) 또는 SVM(Support Vector Machine) 등과 같은 학습기(Learning Machine)를 이용하는 방법과 추출된 특징의 벡터 유사도 등을 이용하는 비학습 방법이 있어 검출하고자 하는 객체 및 배경의 복잡도에 따라 학습 방법과 비학습 방법을 적절히 선택하여 사용할 수도 있다. 예를 들어, 영상의 국소적인 특징(local feature)으로 인접한 두 개 이상의 블록 간의 화소(픽셀, pixel) 값의 합의 차, 또는 가중치를 이용하여 가중치 곱의 합을 이용하는 하알-유사 특징(Haar-like feature)을 응용할 수 있다. 하알-유사 특징 추출 시 인접 블록 간의 화소 값의 합의 차를 구하기 위해, 간단한 사각형 특징을 고려한 마스크를 사용할 수 있다.

물리적 요소에 통계적 모델링을 적용하여 보행에 따른 사고 위험에 대한 위험인지를 분석하는 경우(S30), 하늘, 녹지, 도로 및 보도의 면적 평균값을 기초로 상기 위험인지를 분석할 수 있다.

이때, 추출된 물리적 요소를 이용하여 음이항 또는 포아종 통계모델을 구축할 수 있으며, 통계모델의 파라미터(parameter)와 커널(Kernel) 방법을 이용하여 도로에 대한 위험인지의 예측 지도를 구축할 수 있다.

또한, 차량 및 보행자 밀도에 의한 위험인지의 영향을 분석할 수 있다. 즉, 위험인지에 대해 유형별 공간적 지점을 평가하기 위해 차량 및 보행자 밀도를 고려하여 위험인지의 영향을 파악할 수 있다.

이러한 위험인지를 기초로 하여, 도로 교통사고 예방을 위한 선제적 대응을 위해서 위험인지 지도를 개발할 수 있다. 그리고, 이를 실제 사고 빈도와 체계적으로 비교 분석하여 보행자 사고를 선제적으로 예방할 수 있다.

위험인지에 대해 유형별 공간적 지점을 평가하는 경우(S40), 차량 및 보행자 밀도에 의한 상기 위험인지를 기초로 상기 유형별 공간적 지점을 평가할 수 있다.

이때, 유형별 공간적 지점은 실제 사고 빈도와의 공간적 비교를 통하여 2가지 유형의 공간적 불일치 지점이 될 수 있다.

구체적으로, 인지된 사고 위험과 실제 사고 빈도가 불일치하게 될 수 있으며, 인지되는 위험도가 낮고 실제 사고 빈도가 높은 지점 및 인지되는 위험도가 높고 실제 사고 빈도가 낮은 지점이 2가지 유형의 공간적 불일치 지점이 될 수 있다.

공간적 지점에 기초하여 유형별 가이드라인을 제공하는 경우(S50), 공간적 지점에 대응하는 공간적 불일치 지점에 따라 유형별 공간설계 가이드라인을 제공할 수 있다.

이에 따라, VR 기반 보행 시뮬레이터를 활용할 경우, 평가자가 가상현실 속 대상지를 직접 거닐면서 주변의 비고정 경관요소(차량, 사람, 빛, 소리 등)와 상호작용하며 현장감 넘치는 보행 안전 위험 평가를 할 수 있다.

즉, 공간설계 가이드라인을 통해 3차원 시뮬레이션의 설계가 가능하고, 상기 3차원 시뮬레이션을 배경으로 평가자가 가상현실을 수행하도록 제공할 수 있다.

여기에서, 도로 보행자 안전을 위해, 공간 설계뿐만 아니라, 운영 측면의 가이드라인을 제시할 수도 있다.

한편, 본 발명의 일 실시예에 따른 보행 안전 위험 평가 장치 및 방법은 소프트웨어, 펌웨어, 하드웨어 중 적어도 하나에 의해 하나의 모듈로 구현 가능하며, 전술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 롬(ROM), 플로피 디스크, 하드 디스크 등의 자기적 매체, CD, DVD 등의 광학적 매체 및 인터넷을 통한 전송과 같은 캐리어 웨이브와 같은 형태로 구현된다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네크워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

100: 보행 안전 위험 평가 장치
110: 수집부
120: 추출부
130: 분석부
140: 평가부
150: 제공부

Claims

도시의 주요 환경 요소를 촬영한 이미지를 수집하는 수집부;
상기 이미지에 RCNN 알고리즘을 적용하여 상기 이미지에 포함된 도시의 주요 환경 요소 중 상기 이미지에 해당하는 지점에서의 위험인지 분석을 위한 물리적 요소를 추출하는 추출부; 및
상기 추출된 물리적 요소에 통계적 모델링을 적용하여, 상기 이미지에 해당하는 지점에서 보행자의 보행에 따른 상기 추출된 물리적 요소에 의한 상기 보행자의 사고 위험에 대한 위험인지를 분석하는 분석부를 포함하는, 보행 안전 위험 평가 장치.
제 1항에 있어서,
상기 이미지는,
보행자, 차량, 간판, 가로수, 도로 시설물 중 적어도 하나를 포함하는 이미지인, 보행 안전 위험 평가 장치.
제 1항에 있어서,
상기 추출부는,
장면 분할 모델 및 객체 탐지 모델을 포함하는 장면 라벨링(scene labeling)을 사용하여 상기 물리적 요소를 추출하는, 보행 안전 위험 평가 장치.
제 3항에 있어서,
상기 추출부는,
상기 장면 분할 모델에 의해 하늘, 녹지, 도로 및 보도의 면적 비율을 도출하는, 보행 안전 위험 평가 장치.
제 3항에 있어서,
상기 추출부는,
상기 객체 탐지 모델에 의해 보행자 수, 차량 수 및 신호등의 존재를 도출하는, 보행 안전 위험 평가 장치.
제 4항에 있어서,
상기 분석부는,
상기 하늘, 상기 녹지, 상기 도로 및 상기 보도의 면적 비율의 평균값을 기초로 상기 위험인지를 분석하는, 보행 안전 위험 평가 장치.
제 1항에 있어서,
상기 위험인지에 대해 공간적 지점을 평가하는 평가부를 더 포함하는, 보행 안전 위험 평가 장치.
제 7항에 있어서,
상기 공간적 지점의 평가 결과에 기초하여, 상기 물리적 요소에 대한 공간 설계 가이드라인을 제공하는 제공부를 더 포함하는, 보행 안전 위험 평가 장치.
도시의 주요 환경 요소를 촬영한 이미지를 수집하는 단계;
상기 이미지에 RCNN 알고리즘을 적용하여 상기 이미지에 포함된 도시의 주요 환경 요소 중 상기 이미지에 해당하는 지점에서의 위험인지 분석을 위한 물리적 요소를 추출하는 단계;
상기 추출된 물리적 요소에 통계적 모델링을 적용하여, 상기 이미지에 해당하는 지점에서 보행자의 보행에 따른 상기 추출된 물리적 요소에 의한 상기 보행자의 사고 위험에 대한 위험인지를 분석하는 단계;
상기 위험인지에 대해 유형별 공간적 지점을 평가하는 단계; 및
상기 공간적 지점의 평가 결과에 기초하여, 상기 물리적 요소에 대한 공간 설계 가이드라인을 제공하는 단계를 포함하는, 보행 안전 위험 평가 방법.
제 9항에 있어서,
상기 수집하는 단계는,
보행자, 차량, 간판, 가로수, 도로 시설물 중 적어도 하나를 포함하는 이미지를 수집하는 단계를 포함하는, 보행 안전 위험 평가 방법.
제 9항에 있어서,
상기 추출하는 단계는,
장면 분할 모델 및 객체 탐지 모델을 포함하는 장면 라벨링(scene labeling)을 사용하여 상기 물리적 요소를 추출하는 단계를 포함하는, 보행 안전 위험 평가 방법.
제 11항에 있어서,
상기 추출하는 단계는,
상기 장면 분할 모델에 의해 하늘, 녹지, 도로 및 보도의 면적 비율을 도출하는 단계를 포함하는, 보행 안전 위험 평가 방법.
제 11항에 있어서,
상기 추출하는 단계는,
상기 객체 탐지 모델에 의해 보행자 수, 차량 수 및 신호등의 존재를 도출하는 단계를 포함하는, 보행 안전 위험 평가 방법.
제 12항에 있어서,
상기 분석하는 단계는,
상기 하늘, 상기 녹지, 상기 도로 및 상기 보도의 면적 비율의 평균값을 기초로 상기 위험인지를 분석하는 단계를 포함하는, 보행 안전 위험 평가 방법.
제 9항 내지 제 14항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체.