KR102414877B1 - 정보 정확성 및 신뢰도를 높인 스마트 주차장 안내 시스템 - Google Patents

Abstract

본 발명은 주차장의 진입/진출로에 32채널의 라이다 스캐너를 설치하여 차량 감지 및 입출차 대수 카운팅이 이루어지도록 구성됨과 동시에 딥-러닝 알고리즘을 이용하여 장애인 주차면의 주차여부를 판별하며, 기 설정된 주기(T) 마다 라이다 스캐너의 감도를 최적화시키도록 구성됨으로써 입출차 차량의 감지 및 입출차 대수 일치의 정확성 및 정밀도를 높일 수 있을 뿐만 아니라 장애주차면 주차여부에 대한 판단의 신뢰도를 높이며, 생성/제공되는 주차장 안내정보와 실제 주차장의 차량정보의 오차율을 현저히 절감시켜 서비스 편의성 및 신뢰도를 극대화시킬 수 있는 스마트 주차장 안내 시스템에 관한 것이다.

Description

정보 정확성 및 신뢰도를 높인 스마트 주차장 안내 시스템{Smart parking lot guiding system for enhancing accuracy and reliability of information}

본 발명은 정보 정확성 및 신뢰도를 높인 스마트 주차장 안내 시스템에 관한 것으로서, 상세하게로는 주차장의 진입/진출로에 32채널의 라이다 스캐너를 설치하여 차량 감지 및 입출차 대수 카운팅이 이루어지도록 구성됨과 동시에 딥-러닝 알고리즘을 이용하여 장애인 주차면의 주차여부를 판별하며, 기 설정된 주기(T) 마다 라이다 스캐너의 감도를 최적화시키도록 구성됨으로써 입출차 차량의 감지 및 입출차 대수 일치의 정확성 및 정밀도를 높일 수 있을 뿐만 아니라 장애주차면 주차여부에 대한 판단의 신뢰도를 높이며, 생성/제공되는 주차장 안내정보와 실제 주차장의 차량정보의 오차율을 현저히 절감시켜 서비스 편의성 및 신뢰도를 극대화시킬 수 있는 스마트 주차장 안내 시스템에 관한 것이다.

차량수요가 증가하고 통신 인프라가 확장됨에 따라, 첨단기술을 주차장 관리체계에 적용하여 주차장 관리자 및 사용자에게 주차장 안내정보를 제공하기 위한 주차장 정보 제공 서비스에 대한 다양한 연구가 진행되었고, 이미 현장에 널리 보급되어 활용되고 있다.

이러한 주차장 정보 제공 서비스는 진입/진출하는 차량을 감지/인식한 후, 검출된 인식데이터를 기반으로 이를 가공 및 분석하여, 잔여주차면, 주차 가능한 차량 수, 입차 대수, 출차 대수, 주차요금 정산, 장애인 주차면 주차여부 등의 다양한 부가정보(주차장 안내 정보)를 생성하고, 생성된 주차장 안내 정보를 외부 어플리케이션 및 웹서비스 등으로 제공하여 주차장 이용 서비스의 품질 및 편의성을 높일 수 있는 장점으로 인해 그 보급률이 기하급수적으로 증가하고 있는 추세이다.

즉 주차장 정보 제공 서비스에 있어서, 입차 및 출차 차량에 대한 감지정보는 다양한 부가데이터를 가공 및 생성하기 위한 기본/필수적인 데이터로 활용되기 때문에, 입차 및 출차 차량을 얼마나 정확하게 감지하는지가 해당 서비스의 품질을 좌우하는 중요한 역할을 갖게 된다.

그러나 주차장 현장에서는, 출차 차량에 대한 입차 정보(번호)가 검색되지 않거나 입차 시 인식된 차량의 출차가 인식되지 않거나 또는 차량이 아닌 객체(보행자 등)를 차량으로 오인식하거나 진입하려다가 후진, 재진입 재후진 하는 등의 각종 돌발 상황 등의 오류가 비일비재하게 발생하고 있다.

이에 따라 종래의 입출차 카운팅 서비스는 전술하였던 오류들로 인해 실제 잔여주차면 대수와 검출된 잔여주차면 대수의 오차율을 높을 뿐만 아니라, 발생된 오류를 별도로 보정하지 않은 상태로 카운팅에 누적하여 활용함에 따라, 실제 현장에서는 잔여주차면 정보를 제공할 수 없는 수준의 검지율로 서비스가 운영되고 있는 실정이다.

도 1은 실시간 주차 정보시스템의 낮은 검지율을 나타내는 2020년 1월 6일자의 기사를 발췌한 도면이다.

도 1에 도시된 바와 같이, 실제 현장의 주차장 입출차차량 카운터의 정확도는 95%를 목표로 사업이 수행되었으나, 실제로는 95%의 정확성을 확보하지 못하였으며, 만약 95%가 확보되었다고 하더라도 100대 진입 시 5대 정도의 오류인 경우, 이러한 오류를 보정하지 않고 누적된 상태로 기일이 경과하게 되면, 그 오차율은 더욱 증가하게 된다.

한편, 최근 들어, 대부분의 주차장에는 장애인 주차면수를 구비함에 따라, 주차장 정보 안내 시스템에서는 장애인 잔여주차면 정보를 포함하는 주차장 안내 정보를 제공하고 있다.

이러한 장애인 잔여주차면의 차량 주차여부를 감지하기 위한 수단으로는 카메라가 널리 사용되고 있고, 이러한 종래의 영상분석방식은 장애물, 빛 반사 및 굴절, 낮은 조도, 우천, 강설(눈으로 인해 마크 인식 불능) 등의 다양한 이유로 인해 인식률이 떨어지는 문제점을 갖는다.

국내등록특허 제10-1641326호에는 2090203호에는 운전자의 요청에 따라 현재위치, 현재위치에 인접한 인접주차장들 및 각 인접주차장의 가용주차공간 수량(N) 정보를 신속하고 정확하게 운전자에게 제공하며, 운전자로부터 최적주차장 요청 시 운전자가 중요시하는 카테고리 목록에 따라 인접주차장들 중 최적주차장을 검출하여 최적주차장 정보를 운전자에게 제공하기 위한 주차관제 시스템이 기재되어 있으나, 상기 주차관제 시스템은 입출차 차량의 감지율과 장애인 주차면의 주차여부 감지율을 높이기 위한 별도의 기술 및 방법이 전혀 고려되지 않았기 때문에 생성된 주차장 안내 정보와 실제 주차장의 정보의 오차율이 증가하는 문제점이 발생한다.

본 발명은 이러한 문제를 해결하기 위한 것으로, 본 발명의 해결과제는 주차장의 진입/진출로에 32채널의 라이다 스캐너를 설치하여 차량 감지 및 입출차 대수 카운팅이 이루어지도록 구성됨으로써 차량 감지의 정확성 및 정밀도를 높일 수 있고, 이에 따라 외부로 제공되는 잔여주차면 정보와 실제 현장의 잔여주차면 상태의 오차율을 획기적으로 절감시켜 서비스 편의성 및 신뢰도를 높일 수 있으며, 부정확한 정보 제공으로 인해 민원이 빈번하며 운전자의 불필요한 시간 낭비를 유발하는 종래의 문제점을 획기적으로 해결할 수 있는 스마트 주차장 안내 시스템을 제공하기 위한 것이다.

또한 본 발명의 다른 해결과제는 딥-러닝 알고리즘을 이용하여 장애인 주차면의 주차여부를 판별함에 따라 분석 정확성 및 신뢰도를 높여 외부로 제공되는 장애인 잔여주차면 정보의 정확성 및 신뢰도를 높일 수 있는 스마트 주차장 안내 시스템을 제공하기 위한 것이다.

또한 본 발명의 또 다른 해결과제는 라이다 스캐너에 의하여 32채널의 데이터 수집이 가능함에 따라, 프로파일 분석에 활용될 백-데이터가 충분히 확보되어 차량 감지의 정확성을 더욱 개선시킬 수 있는 스마트 주차장 안내 시스템을 제공하기 위한 것이다.

또한 본 발명의 또 다른 해결과제는 딥-러닝 알고리즘으로 합성곱 신경망(CNN, Convolution Neural Network) 기반의 YOLO 모델을 적용시킴으로써 객체 인식률을 더욱 높일 수 있는 스마트 주차장 안내 시스템을 제공하기 위한 것이다.

또한 본 발명의 또 다른 해결과제는 딥-러닝 알고리즘의 학습 시, 인식대상을 종래에 80종류에서, 주차장에서 자주 볼 수 있는 4종류로 제한하여 학습이 이루어지도록 구성됨으로써 객체 인식률을 더욱 개선시킬 수 있는 스마트 주차장 안내 시스템을 제공하기 위한 것이다.

또한 본 발명의 또 다른 해결과제는 라이다 스캐너가 기 설정된 주기(T) 마다 감도 최적값에 따라 운영되도록 구성됨으로써 차량객체가 아닌 노이즈로 인한 오류 및 에러를 사전에 효과적으로 방지하여 차량 감지율을 더욱 높일 수 있는 스마트 주차장 안내 시스템을 제공하기 위한 것이다.

상기 과제를 해결하기 위한 본 발명의 해결수단은 로 및 진출로에 설치되는 입출차 감지부와, 상기 주차장에 구비된 장애인 주차면의 차량주차여부를 판별하는 촬영부와, 상기 입출차 감지부 및 상기 촬영부에 의해 검출된 데이터를 분석 및 가공하여 잔여주차면 정보 및 장애인 잔여주차면 정보를 생성하여 외부로 전송하는 주차관제용 로컬서버를 포함하는 스마트 주차장 안내 시스템에 있어서: 상기 입출차 감지부는 상기 진입로 및 상기 진출로를 향하여 라이다(LiDAR) 신호를 송출한 후, 반사되는 신호를 수신 받는 라이다 스캐너; 상기 라이다 스캐너에 의해 송수신된 라이다신호를 분석하여 입차/출차 차량을 감지하면, 입차 대수(N1) 또는 출차 대수(N2)를 카운팅 하며, 입차/출차 내용, 감지시간, 입차/출차 대수(N1/N2)를 매칭시킨 입출차 정보를 생성한 후, 상기 주차관제용 로컬서버로 전송하는 스캐너 제어기를 포함하고, 상기 라이다 스캐너는 각면을 형성하는 폴리건 미러와, 상기 폴리건 미러를 회전시키는 구동부와, 회전하는 폴리건 미러를 향하여 라이다(LiDAR) 신호를 출사한 후 반사신호를 수신 받는 라이다 센서를 포함하고, 상기 스캐너 제어기는 상기 라이다 스캐너의 상기 라이다 센서에 의해 송수신된 라이다신호를 분석하는 라이다신호 분석모듈; 상기 라이다신호 분석모듈에 의해 검출된 분석데이터를 활용하여, 상기 라이다 스캐너에 의해 송수신된 라이다신호에 대한 스펙트로그램(Spectrogram)을 생성하는 스펙트로그램 모델링 모듈; 상기 스펙트로그램 모델링 모듈에 의해 생성된 스펙트로그램의 프로파일들을 검출 및 분석하는 프로파일 분석모듈; 상기 프로파일 분석모듈에서 검출된 프로파일들을 기 설정된 필터링 조건들과 비교하여, 차량객체를 검출하며, 검출된 프로파일들 중 상기 필터링 조건들을 무도 통과한 프로파일을 차량 프로파일로 결정하는 차량객체 검출모듈; 상기 차량객체 검출모듈에 의해 차량이 검출될 때 실행되며, 감지차량의 이동방향을 활용하여, 감지차량이 입차인지 출차인지를 판별하는 입차/출차 판별모듈; 상기 입차/출차 판별모듈에 의해 감지차량이 입차 차량이면, 입차 대수(N1)를 카운팅 하며, 감지차량이 출차 차량이면 출차 대수(N2)를 카운팅 하는 입차/출차 대수 카운팅 모듈; 감지차량의 입차/출차 내용, 감지시간, 입차/출차 대수(N1/N2)를 매칭시켜 입출차 정보를 생성하는 입출차 정보 생성모듈; 기 설정된 주기(T) 마다 실행되며, 상기 라이다 스캐너의 감도 최적값을 검출하는 라이다 스캐너 감도 최적화모듈; 상기 라이다 스캐너 감도 최적화모듈에 의해 검출된 감도 최적값에 따라 상기 라이다 스캐너가 운영되도록 상기 라이다 스캐너를 제어하는 라이다 스캐너 감도 제어모듈; 노이즈 발생비율의 범위에 따라 감도 최적값이 매칭된 데이터인 기준테이블이 기 설정되어 저장되는 메모리를 더 포함하고, 상기 라이다 스캐너 감도 최적화모듈은 상기 주기(T) 동안의 스펙트로그램들을 수집하는 데이터 수집모듈; 상기 데이터 수집모듈에 의해 수집된 스펙트로그램들로부터 차량객체가 검출되었을 때의 스펙트로그램인 샘플 스펙트로그램들을 추출하는 샘플 스펙트로그램 추출모듈; 상기 샘플 스펙트로그램 추출모듈에 의해 추출된 샘플 스펙트로그램들의 프로파일들을 분석하는 제2 프로파일 분석모듈; 상기 샘플 스펙트로그램 추출모듈에 의해 추출된 샘플 스펙트로그램에서, 차량 프로파일로부터 기 설정된 인접영역 내에 차량이 아닌 다른 프로파일이 존재하는지를 분석하며, 기 설정된 인접영역 내에 차량이 아닌 다른 프로파일이 존재할 때, 해당 프로파일을 노이즈 프로파일이라고 판단하는 노이즈 프로파일 검출모듈; 상기 샘플 스펙트로그램 추출모듈에 의해 추출된 샘플 스펙트로그램의 수량인 샘플수량(L)을 산출한 후, 상기 노이즈 프로파일 검출모듈에 의해 검출된 노이즈 프로파일을 포함한 샘플 스펙트로그램인 노이즈 스펙트로그램의 수량인 노이즈 수량(L’)을 산출하며, 산출된 노이즈 수량(L’)을 산출된 샘플수량(L)으로 나누어 노이즈 발생비율(R, R=L’/L)을 산출하는 노이즈 발생비율 산출모듈; 상기 메모리에 저장된 기준테이블을 활용하여, 상기 노이즈 발생비율 산출모듈에 의해 산출된 노이즈 발생비율(R)에 따른 감도 최적값을 검출하는 감도 최적값 산출모듈을 더 포함하는 것이다.

또한 본 발명에서 상기 촬영부는 상기 장애인 주차면을 촬영하도록 설치되어 영상을 획득하는 카메라; 딥-러닝(Deep learning) 기반의 객체분석 알고리즘을 이용하여, 상기 카메라에 의해 획득된 영상을 분석하여 상기 장애인 주차면에 차량이 주차되었는지 여부를 판단하며, 상기 장애인 주차면의 차량주차여부를 나타내는 장애인 주차면 주차정보를 생성하여 상기 주차관제용 로컬서버로 전송하는 카메라 제어기를 포함하는 것이 바람직하다.

또한 본 발명에서 상기 객체분석 알고리즘은 합성곱 신경망(CNN, Convolution Neural Network) 기반의 YOLO 모델이 적용된 것이 바람직하다.

또한 본 발명에서 상기 객체분석 알고리즘은 학습 시, 자동차, 오토바이, 트럭, 보행자를 인식대상의 객체로 설정한 것이 바람직하다.

삭제

삭제

삭제

또한 본 발명에서 상기 라이다 스캐너는 32채널로 라이다신호를 송수신하고, 상기 스캐너 제어기는 각 채널별로 라이다신호를 분석하여 차량을 감지하는 것이 바람직하다.

또한 본 발명에서 상기 기준테이블의 감도 최적값은 노이즈 발생비율의 범위가 클수록 낮은 크기로 설정되는 것이 바람직하다.

상기 과제와 해결수단을 갖는 본 발명에 따르면 주차장의 진입/진출로에 32채널의 라이다 스캐너를 설치하여 차량 감지 및 입출차 대수 카운팅이 이루어지도록 구성됨으로써 차량 감지의 정확성 및 정밀도를 높일 수 있고, 이에 따라 외부로 제공되는 잔여주차면 정보와 실제 현장의 잔여주차면 상태의 오차율을 획기적으로 절감시켜 서비스 편의성 및 신뢰도를 높일 수 있으며, 부정확한 정보 제공으로 인해 민원이 빈번하며 운전자의 불필요한 시간 낭비를 유발하는 종래의 문제점을 획기적으로 해결할 수 있게 된다.

또한 본 발명에 의하면 딥-러닝 알고리즘을 이용하여 장애인 주차면의 주차여부를 판별함에 따라 분석 정확성 및 신뢰도를 높여 외부로 제공되는 장애인 잔여주차면 정보의 정확성 및 신뢰도를 높일 수 있다.

또한 본 발명에 의하면 라이다 스캐너에 의하여 32채널의 데이터 수집이 가능함에 따라, 프로파일 분석에 활용될 백-데이터가 충분히 확보되어 차량 감지의 정확성을 더욱 개선시킬 수 있게 된다.

또한 본 발명에 의하면 딥-러닝 알고리즘으로 합성곱 신경망(CNN, Convolution Neural Network) 기반의 YOLO 모델을 적용시킴으로써 객체 인식률을 더욱 높일 수 있게 된다.

또한 본 발명에 의하면 딥-러닝 알고리즘의 학습 시, 인식대상을 종래에 80종류에서, 주차장에서 자주 볼 수 있는 4종류로 제한하여 학습이 이루어지도록 구성됨으로써 객체 인식률을 더욱 개선시킬 수 있다.

또한 본 발명에 의하면 라이다 스캐너가 기 설정된 주기(T) 마다 감도 최적값에 따라 운영되도록 구성됨으로써 차량객체가 아닌 노이즈로 인한 오류 및 에러를 사전에 효과적으로 방지하여 차량 감지율을 더욱 높일 수 있게 된다.

도 1은 실시간 주차 정보시스템의 낮은 검지율을 나타내는 2020년 1월 6일자의 기사를 발췌한 도면이다.
도 2는 본 발명의 일실시예인 스마트 주차장 안내 시스템을 나타내는 구성도이다.
도 3은 도 2의 주차관제용 어플리케이션에서 제공되는 그래픽 사용자 인터페이스를 나타내는 예시도이다.
도 4는 도 2의 주차설비를 나타내는 구성도이다.
도 5는 도 4의 카메라 제어기를 나타내는 블록도이다.
도 6은 도 4의 촬영부를 나타내는 예시도이다.
도 7은 도 5의 딥러닝 검지부에서 활용되는 객체분석 알고리즘에 적용되는 YOLOv4 모델을 나타내는 개념도이다.
도 8은 도 7의 객체분석 알고리즘에 적용되는 CNN을 설명하기 위한 예시도이다.
도 9는 도 4의 입출차 감지부의 라이다 스캐너 및 스캐너 제어기를 나타내는 예시도이다.
도 10은 도 9의 다른 예시도이다.
도 11은 도 9의 또 다른 예시도이다.
도 12는 도 4의 스캐너 제어기를 나타내는 블록도이다.
도 13은 도 12의 라이다 스캐너 감도 최적화 모듈을 나타내는 블록도이다.

이하, 첨부된 도면을 참조하여 본 발명의 일실시예를 설명한다.

도 2는 본 발명의 일실시예인 스마트 주차장 안내 시스템을 나타내는 구성도이다.

도 2의 본 발명의 일실시예인 스마트 주차장 안내 시스템(1)은 주차장의 진입/진출로에 32채널의 라이다 스캐너를 설치하여 차량 감지 및 입출차 대수 카운팅이 이루어지도록 구성됨과 동시에 딥-러닝 알고리즘을 이용하여 장애인 주차면의 주차여부를 판별하며, 기 설정된 주기(T) 마다 라이다 스캐너의 감도를 최적화시키도록 구성됨으로써 입출차 차량의 감지 및 입출차 대수 일치의 정확성 및 정밀도를 높일 수 있을 뿐만 아니라 장애주차면 주차여부에 대한 판단의 신뢰도를 높이며, 생성/제공되는 주차장 안내정보와 실제 주차장의 차량정보의 오차율을 현저히 절감시켜 서비스 편의성 및 신뢰도를 극대화시키기 위한 것이다.

또한 본 발명의 스마트 주차장 안내 시스템(1)은 도 2에 도시된 바와 같이, 각 주차장(S)에 설치되어 해당 주차장(S)을 사용하는 차량들에게 주차장 안내 서비스를 제공하는 주차설비(3)들과, 각 주차장에 설치되어 해당 주차장의 주차설비(3)를 관리 및 제어함과 동시에 주차설비(3)에 의해 검출된 데이터들을 분석 및 가공하여 주차장 안내 정보를 생성하는 주차관제용 로컬서버(4)들과, 운전자가 소지한 단말기(5)에 설치되어 후술되는 주차관제용 중앙관리서버(9)와 연동하여 운전자에게 주차장 안내 정보를 제공하는 주차장 어플리케이션(7)과, 주차관제용 로컬서버(4)들로부터 전송받은 주차장 안내 정보를 저장 및 가공하여 부가정보를 생성하되, 접속된 주차장 어플리케이션(7)으로 주차장 안내 정보 및 부가정보를 전송하는 주차관제용 중앙관리서버(9)와, 주차관제용 중앙관리서버(9), 주차관제용 로컬서버(4)들 및 운전자 단말기(5)들 사이의 데이터 이동경로를 제공하는 통신망(10)으로 이루어진다.

통신망(10)은 주차관제용 중앙관리서버(9), 주차관제용 로컬서버(4)들 및 운전자 단말기(5) 사이의 데이터 통신을 지원하며, 상세하게로는 광역 통신망(WAN) 등의 유무선 네트워크망, 3G, 4G, 5G, LTE 등으로 구성될 수 있다.

운전자 단말기(5)는 차량에 설치되거나 또는 운전자가 소지한 단말기이며, 상세하게로는 네비게이터용 단말기, 스마트폰 등으로 이루어질 수 있다.

또한 운전자 단말기(5)에는 주차관제용 어플리케이션(7)이 설치된다.

도 3은 도 2의 주차관제용 어플리케이션에서 제공되는 그래픽 사용자 인터페이스를 나타내는 예시도이다.

도 3의 주차관제용 어플리케이션(7)은 운전자 단말기(5)에 설치되며, 주차관제용 중앙관리서버(9)와 연동하여 각 주차장의 주차장 안내 정보를 제공받아 운전자 단말기(5)의 모니터를 통해 디스플레이 하는 응용 프로그램, 소프트웨어 또는 어플리케이션이다.

또한 주차관제용 어플리케이션(7)은 도 3에 도시된 바와 같이, 운전자의 현재 위치(P)와 인접한 각 주차장의 위치(P1)를 가상맵에 맵핑시킨 그래픽 사용자 인터페이스(GUI, Graphic User Interface)(710)를 운전자 단말기(5)의 모니터에 디스플레이 하며, 사용자로부터 특정 주차장 선택 시, 선택된 주차장의 잔여주차면 정보 및 장애인 잔여주차면 정보를 포함하는 주차장 안내 정보를 노출시킴으로써 운전자가 주차관제용 어플리케이션(7)을 통해 선택한 주차장의 잔여주차면 정보 및 장애인 잔여주차면 정보를 열람 및 인지할 수 있게 된다.

이때 본 발명에서는 설명의 편의를 위해, 주차관제용 어플리케이션(7)이 잔여주차면 정보 및 장애인 잔여주차면 정보를 제공하는 것으로 한정하여 설명하였으나, 주차관제용 어플리케이션(7)의 기능을 이에 한정되지 않으며, 공지된 다양한 부가기능을 제공하는 것으로 구성될 수 있음은 당연하다.

주차관제용 중앙관리서버(9)는 주차관제용 로컬서버(4)들의 동작을 관리 및 제어하며, 주차관제용 로컬서버(4)들로부터 주차장 안내 정보를 전송받으면, 전송받은 주차장 안내 정보를 가공 및 분석하여 부가정보를 생성한다.

또한 주차관제용 중앙관리서버(9)는 주차관제용 어플리케이션(7)이 접속되면, 접속된 주차관제용 어플리케이션(7)과 연동하여 접속된 주차관제용 어플리케이션(7)으로 주차장 안내 정보 및 부가정보를 전송함과 동시에 주차관제용 어플리케이션(7)의 요청에 따라 연산을 처리한 후, 응답데이터를 주차관제용 어플리케이션(7)으로 전송한다.

도 4는 도 2의 주차설비를 나타내는 구성도이다.

도 4의 주차설비(3)는 각 주차장(S)에 설치되어 해당 주차장을 방문한 차량의 입차, 출차, 주차면 안내, 요금정산 등의 서비스를 제공하기 위한 장치들이다.

또한 주차설비(3)는 도 4에 도시된 바와 같이, 주차장(S)의 진입로(S1) 및 진출로(S2)에 설치되어 진입/진출 차량을 감지하는 라이다 스캐너(310) 및 스캐너 제어기(311)로 구성되는 입출차 감지부(31)와, 장애인 주차면을 촬영하도록 설치되는 카메라(330) 및 카메라 제어기(331)로 이루어지는 촬영부(33)와, 부속장비(35)들로 이루어진다.

이때 부속장비(35)들은 차단기, 모니터, LED점등수단, 센서, 무인요금 정산기 등과 같이 주차설비 시스템에 통상적으로 사용되는 다양한 장치들을 포함한다.

도 5는 도 4의 카메라 제어기를 나타내는 블록도이고, 도 6은 도 4의 촬영부를 나타내는 예시도이다.

도 4와 6을 참조하여 촬영부(33)를 살펴보면, 촬영부(33)는 해당 주차장(S)의 장애인 주차면(910)을 촬영하도록 설치되어 장애인 주차면(910)을 포함하는 영상을 획득하는 카메라(330)와, 카메라(330)의 촬영에 의해 획득된 영상을 분석하여 장애인 주차면(910)의 차량 주차여부를 검출하는 카메라 제어기(331)로 이루어진다.

카메라 제어기(331)는 도 5에 도시된 바와 같이, 카메라(330)의 촬영에 의해 획득된 영상을 취득하는 영상취득부(332)와, 딥러닝 알고리즘을 이용하여 영상취득부(332)에 의해 취득된 영상을 분석하여 장애인 주차면(910)의 차량주차여부를 판별하는 딥러닝 검지부(333)와, 딥러닝 검지부(333)에 의해 장애인 주차면(910)에 차량이 감지될 때, 주차된 차량의 차량번호판을 추출한 후, 추출된 차량번호판을 분석하여 차량번호를 인식하는 차량번호 인식부(334)와, 장애인 주차면(910)의 차량주차여부를 나타내는 정보와 차량번호 인식부(334)에 의해 인식된 차량번호 정보를 매칭시켜 장애인 주차면 주차정보를 생성하는 장애인 주차면 주차정보 생성부(335)와, 장애인 주차면 주차정보 생성부(335)에 의해 생성된 장애인 주차면 주차정보를 해당 주차장(S)의 주차관제용 로컬서버(4)로 전송하는 데이터 전송부(336)로 이루어진다.

영상취득부(332)는 카메라(330)의 촬영에 의해 획득된 영상을 입력받아 영상을 취득한다.

도 7은 도 5의 딥러닝 검지부에서 활용되는 객체분석 알고리즘에 적용되는 YOLOv4 모델을 나타내는 개념도이고, 도 8은 도 7의 객체분석 알고리즘에 적용되는 CNN을 설명하기 위한 예시도이다.

딥러닝 검지부(333)는 딥러닝 알고리즘인 객체분석 알고리즘을 이용하여, 영상취득부에 의해 획득된 영상을 분석하여 객체를 감지하며, 차량객체가 감지될 때, 기 설정된 장애인 주차면(910)의 영상 내 픽셀위치정보와 감지된 차량객체의 픽셀위치정보를 활용 및 비교하여, 해당 감지차량이 장애인 주차면(910)에 주차하였는지 여부를 판별한다.

이때 객체분석 알고리즘은 기 설정된 주기(T) 마다 학습화되며, 주기(T) 동안 수집된 영상과 기 설정된 객체종류를 활용하여, 영상 및 객체종류 간의 상관관계를 학습할 수 있는 학습데이터를 생성하고 생성된 학습데이터를 활용하여 객체영상 및 객체종류 간의 상관관계에 대한 파라미터 값들의 집합인 추출모델을 도출한다.

이때 객체분석 알고리즘은 도 7과 8에 도시된 바와 같이, 입력영상을 입력데이터로 하되, 입력된 영상으로부터 기 설정된 차량 및 보행자 등의 객체정보(인식, 위치, 종류, 크기 등)를 출력한다.

또한 객체분석 알고리즘으로는 심층신경망 객체 검지 알고리즘의 하나인 합성곱 신경망(CNN, Convolution Neural Network) 기반의 YOLO를 적용하였고, 1)YOLO는 각 이미지를 S X S개의 그리드로 분할하고 그리드의 신뢰도를 계산하여 경계상자의 위치를 조정함으로써 객체 인식율이 뛰어날 뿐만 아니라 실시간 처리가 가능한 장점을 갖고, 2)CNN은 영상인식에서 대표적으로 사용되는 방법으로 촬영된 이미지를 매트릭스로 수치화하여 데이터를 분석한 후, C1~C5까지는 데이터 처리를 위해 분할된 이미지 영역의 3차원 매트릭스를 분석하며 FC6, FC7에서는 이를 2차원으로 요약/정리하여 활용하며 이렇게 정리된 매트릭스를 딥러닝이나 영상분석에 사용하도록 구성된다.

이러한 YOLO의 인식률 평가를 위해 NVIDIA RTX 2080 Super 2-way 환경에서 테스트한 결과, Pretrained YOLOv4가 실생활에서 자주 볼 수 있는 80종류의 사물에 대해 가장 높은 평균인식률(75.67%)을 보였고, 그 중 자동차, 버스, 트럭 3종류의 사물에 대해서는 평균 80.39%의 인식률을 보였다. 이때 인식률은 모델 평가용 데이터셋(MSCOCO 2017)을 각 AI 모델에 순전파(Forward Propagation)하여 나온 인식 결과를 바탕으로, (AI 모델이 인식한 사물 개수 / 이미지에 존재하는 사물 개수)를 계산하였다.

이러한 YOLO의 인식률을 기반으로, 본 발명에서는 객체분석 알고리즘의 인식 대상을 종래에서와 같이, 80종류로 설정하지 않고, 주차장에서 볼 수 있는 사물, 즉 자동차, 오토바이, 트럭, 보행자의 4종류로 축소하여 설정함으로써 5% 이상의 인식률 개선이 이루어지도록 하였다.

이와 같이 본 발명의 카메라 제어기(331)의 딥러닝 검지부(333)에 의해 학습되는 객체분석 알고리즘은 CNN 기반의 YOLO를 적용하여 학습이 이루어지되, 인식대상을 주차장에서 흔히 볼 수 있는 4종류로 제한함으로써 객체 인식 및 분류의 정확성 및 정밀도를 현저히 높일 수 있고, 이에 따라 장애인 주차면의 차량주차여부에 대한 판단의 정확성 및 신뢰도를 높일 수 있게 된다.

차량번호 인식부(334)는 딥러닝 검지부(333)에서 장애인 주차면(910)에 차량주차가 이루어졌다고 감지될 때 실행되며, 장애인 주차면(910)에 주차된 차량의 차량번호를 인식한다.

장애인 주차면 주차정보 생성부(335)는 장애인 주차면(910)의 차량주차여부에 대한 내용과, 차량번호 인식부(334)에 의해 인식된 차량번호 정보를 매칭시켜 장애인 주차면 주차정보를 생성한다.

데이터 전송부(336)는 장애인 주차면 주차정보 생성부(335)에 의해 생성된 장애인 주차면 주차정보를 주차관제용 로컬서버(4)로 전송한다.

도 9는 도 4의 입출차 감지부의 라이다 스캐너 및 스캐너 제어기를 나타내는 예시도이고, 도 10은 도 9의 다른 예시도이고, 도 11은 도 9의 또 다른 예시도이다.

도 4에서 전술하였던 바와 같이, 본 발명의 주차설비(3)는 입출차 감지부(31)를 포함하고, 입출차 감지부(31)는 라이다 스캐너(310)와, 스캐너 제어기(311)를 포함하여 주차장(S)의 진입로(S1) 및 진출로(S2)를 통과하는 차량을 감지 및 카운팅 한다.

도 9 내지 11을 참조하여 라이다 스캐너(310)를 살펴보면, 라이다 스캐너(310)는 해당 주차장(S)의 진입로(S1) 및 진출로(S2)에 설치되며, 진입로(S1) 및 진출로(S2)를 향하여 라이다(LiDAR) 신호를 송출한 후, 반사되는 신호를 수신 받는다.

이때 라이다 스캐너(310)는 도면에는 도시되지 않았으나, 각면을 형성하는 폴리건 미러와, 폴리건 미러를 회전시키는 구동부와, 회전하는 폴리건 미러를 향하여 라이다(LiDAR) 신호를 출사한 후 반사되는 신호를 수신 받는 라이다 센서로 구성됨으로써 32채널에 대한 라이다 신호에 대한 분석이 가능하여 다양한 수집데이터를 기반으로 차량 객체 감지 및 보행자 제거를 효과적으로 수행할 수 있게 된다.

한편, 라이다(LiDAR, Light Detection And Ranging) 신호는 외부 대상체로 광신호를 조사한 후, 수신되는 광신호의 시간차(Time of flight) 또는 위상차를 검출하여 거리를 측정하며, 레이더와 비교하여 공간 분해능 및 해상도가 우수한 장점으로 인해 종래에 항공 및 위성 분야 등 특수 분야에 한정 사용되었으나, 최근 에는 감시정찰 등의 민수 및 국반 분야 로봇, 무인 수상함, 드론 등의 항공기, 산업용 보안 및 안전 분야 등 다양한 분야로 확대 적용되고 있다.

이러한 라이다(LiDAR) 신호는 x, y, z의 3차원 점군(Point Cloud)을 활용하여 실시간으로 입체 영상을 모델링 할 수 있기 때문에 감지된 객체의 궤적을 추적 및 검출하기 위한 용도로 널리 사용되고 있다.

이와 같이 구성되는 라이다 스캐너(310)는 송수신된 라이다신호 정보를 스캐너 제어기(311)로 출력한다.

스캐너 제어기(311)는 라이다 스캐너(310)에 의해 송수신된 32채널들 각각의 라이다신호를 분석하여 차량을 감지함과 동시에 감지차량의 입출차를 기반으로 입출차를 카운팅 하여 잔여차량 대수(N)를 산출한다.

즉 본 발명의 스캐너 제어기(311)는 32개 채널의 라이다신호를 통해 객체 감지가 이루어지기 때문에 프로파일 수집양이 증가하여 차량객체 감지 및 입출차 대수 일치, 기타객체(보행자 등) 필터링의 정확성을 높일 수 있게 된다.

또한 스캐너 제어기(311)는 진입차량 감지 시, 입차 카메라에 의해 획득된 영상을 분석하여 진입차량의 번호를 인식한 후, 인식된 차량번호 및 진입시간을 매칭시켜 입차정보를 생성하며, 진출차량 감지 시, 출차 카메라에 의해 획득된 영상을 분석하여 진출차량의 번호를 인식한 후, 인식된 차량번호 및 진출시간을 매칭시켜 출차정보를 생성한다.

또한 스캐너 제어기(311)는 생성된 입차정보, 출차정보 및 잔여차량 대수(N) 정보를 주차관제용 로컬서버(4)로 전송한다.

도 12는 도 4의 스캐너 제어기를 나타내는 블록도이다.

스캐너 제어기(311)는 도 12에 도시된 바와 같이, 제어모듈(3111)과, 통신 인터페이스모듈(3112), 메모리(3113), 라이다 스캐너 감도 제어모듈(3114), 라이다신호 분석모듈(3115), 스펙트로그램 모델링 모듈(3116), 프로파일 분석모듈(3117), 차량객체 검출모듈(3118), 입차/출차 판별모듈(3119), 입차/출차 대수 카운팅 모듈(3120), 입출차 정보 생성모듈(3121), 라이다 스캐너 감도 최적화모듈(3122)로 이루어진다.

제어모듈(3111)은 스캐너 제어기(311)의 O.S(Operating System)이며, 제어대상(3112), (3113), (3114), (3115), (3116), (3117), (3118)들의 동작을 제어한다.

또한 제어모듈(3111)은 통신 인터페이스모듈(3113)을 통해 라이다 스캐너(310)로부터 전송받은 송수신된 라이다신호 정보를 라이다신호 분석모듈(3115)로 입력한다.

또한 제어모듈(3111)은 차량객체 검출모듈(3118)에 의해 차량이 감지되면, 감지데이터가 주차관제용 로컬서버(4)로 전송됨과 동시에 해당 주차장(S)의 입출차에 관련된 부속장비(카메라, 차단바 등)들로 전송되도록 통신 인터페이스모듈(3113)을 제어함으로써 차량 감지 이후 과정이 수행되도록 한다.

또한 제어모듈(3111)은 입출차 정보 생성모듈(3121)에 의해 입출차 정보가 생성되면, 생성된 입출차 정보가 주차관제용 로컬서버(4)로 전송되도록 통신 인터페이스모듈(3113)을 제어한다.

또한 제어모듈(3111)은 스펙트로그램 모델링 모듈(3116)에 의해 스펙트로그램이 생성되면, 생성된 스펙트로그램을 메모리(3112)에 저장한다.

또한 제어모듈(3111)은 기 설정된 주기(T) 마다 라이다 스캐너 감도 최적화 모듈(3112)을 동작시킨다.

메모리(3112)에는 스펙트로그램 모델링 모듈(3116)에 의해 생성된 스펙트로그램과, 프로파일 분석모듈(3117)에 의해 검출된 분석데이터와, 차량객체 검출모듈(3118)에 의해 검출된 감지데이터와, 입출차 정보 생성모듈(3121)에 의해 생성된 입출차 정보가 저장된다.

또한 메모리(3112)에는 기 설정된 기준테이블이 저장된다. 이때 기준테이블은 노이즈 발생비율의 범위에 따라 감도 최적값이 매칭된 데이터를 의미하며, 감도 최적값은 노이즈 발생비율의 범위가 클수록 낮은 크기로 설정된다.

통신 인터페이스모듈(3113)은 라이다 스캐너(310) 또는 주차관제용 로컬서버(4)와 데이터를 송수신한다.

라이다 스캐너 감도 제어모듈(3114)은 라이다(LiDAR) 신호를 송출 및 수신 받는 라이다 스캐너(310)의 라이다 센서(라이다 발광소자 및 라이다 수광소자)로부터 송출되는 라이다 신호의 감도(S’, sensitivity)를 제어한다. 이때 라이다 신호의 감도를 제어하는 기술 및 방법은 공지된 기술이기 때문에 상세한 설명은 생략하기로 한다.

또한 라이다 스캐너 감도 제어모듈(3114)은 기 설정된 주기(T) 마다 라이다 스캐너 감도 최적화모듈(3122)에 의해 검출된 감도 최적값에 따라, 라이다 스캐너의 감도를 제어한다.

라이다신호 분석모듈(3115)은 라이다 스캐너(310)의 라이다 센서에 의해 송수신된 각 채널별 라이다 신호를 분석한다.

스펙트로그램 모델링 모듈(3116)은 라이다신호 분석모듈(3115)에 의해 검출된 분석데이터를 활용하여, 각 채널별로 스펙트로그램을 생성한다. 이때 스펙트로그램(Spectrogram)은 통과차량의 스펙트럼을 시각화하여 표현하는 기법이고, 이러한 스펙트로그램은 신호 분석에 있어서 통상적으로 사용되는 기술이기 때문에 상세한 설명은 생략하기로 한다.

프로파일 분석모듈(3117)은 스펙트로그램 모델링 모듈(3116)에 의해 생성된 스펙트로그램의 프로파일들을 검출 및 분석한다.

차량객체 검출모듈(3118)은 프로파일 분석모듈(3117)에서 검출된 프로파일들을 기 설정된 필터링 조건들과 비교하여, 차량객체를 검출한다.

예를 들어 필터링 조건은 X축 및 Y축 상에서 프로파일의 연속되는 구간의 길이를 제한하는 조건이거나 또는 차량의 양측부가 직선 형태임을 감안하여, 프로파일의 양측의 기울기를 제한하는 조건 등으로 이루어질 수 있다.

또한 차량객체 검출모듈(3118)은 스펙트로그램의 프로파일들 중 필터링 조건을 모두 통과한 프로파일을 차량 프로파일이라고 결정한다.

입차/출차 판별모듈(3119)은 차량객체 검출모듈(3118)에 의해 차량이 검출될 때 실행되며, 감지차량의 이동방향을 활용하여, 감지차량이 입차인지 출차인지를 판별한다.

입차/출차 대수 카운팅 모듈(3120)은 입차/출차 판별모듈(3119)에 의해 감지차량이 입차 차량이면, 입차 대수(N1)를 카운팅 하며, 감지차량이 출차 차량이면 출차 대수(N2)를 카운팅 한다.

입출차 정보 생성모듈(3121)은 감지차량의 입차/출차 내용, 감지시간, 입차/출차 대수(N1 또는 N2)를 매칭시켜 입출차 정보를 생성한다.

도 13은 도 12의 라이다 스캐너 감도 최적화 모듈을 나타내는 블록도이다.

도 13의 라이다 스캐너 감도 최적화 모듈(3122)은 기 설정된 주기(T) 마다 제어모듈(3111)의 제어에 따라 실행된다.

또한 라이다 스캐너 감도 최적화 모듈(3122)은 도 13에 도시된 바와 같이, 데이터 수집모듈(31221)과, 샘플 스펙트로그램 추출모듈(31222), 프로파일 분석모듈(31223), 노이즈 프로파일 검출모듈(31224), 노이즈 발생비율(R) 산출모듈(31225), 감도 최적값 산출모듈(31226)로 이루어진다.

데이터 수집모듈(31221)은 주기(T) 동안 메모리(3112)에 저장된 스펙트로그램들을 수집한다.

샘플 스펙트로그램 추출모듈(31222)은 데이터 수집모듈(31221)에 의해 수집된 스펙트로그램들로부터 차량객체가 검출되었을 때의 스펙트로그램인 샘플 스펙트로그램들을 추출한다.

이때 라이다 스캐너는 1cycle 당 32채널의 스펙트로그램이 생성될 뿐만 아니라 한 대의 차량이 해당 영역을 통과하는데 수초가 걸리게 된다. 이에 따라 본 발명의 샘플 스펙트로그램 추출모듈(31222)은 차량객체 검출에 관련된 모든 스펙트로그램들을 추출하는 것이 아니라, 이들 중 n개의 스펙트로그램들만 추출하도록 구성된다.

프로파일 분석모듈(31223)은 샘플 스펙트로그램 추출모듈(31222)에 의해 추출된 샘플 스펙트로그램들의 프로파일들을 분석한다.

노이즈 프로파일 검출모듈(31224)은 샘플 스펙트로그램에서, 차량 프로파일로부터 기 설정된 인접영역 내에 차량이 아닌 다른 프로파일이 존재하는지를 분석하며, 기 설정된 인접영역 내에 차량이 아닌 다른 프로파일이 존재할 때, 해당 프로파일을 노이즈 프로파일이라고 판단한다.

예를 들어, 우천 시, 라이다 센서가 고감도로 설정된 경우, 차량의 차체 및 타이어에 의해 튀는 물들에 의해 노이즈 프로파일이 검출되게 되고, 이러한 노이즈 프로파일은 객체 감지의 정확성을 떨어뜨리기 때문에 본 발명에서는 라이다 센서의 감도조절을 통해 노이즈 프로파일 현상을 절감하도록 하였다. 다른 예를 들어, 차량의 차체 및 타이어와 인접한 지점에 노이즈 프로파일이 전혀 검출되지 않는 경우, 과도하게 고감도로 설정됨에 따라, 라이다 센서의 감도를 소정 하향시킬 필요가 있게 된다.

노이즈 발생비율(R) 산출모듈(31225)은 샘플 스펙트로그램 추출모듈(31222)에 의해 추출된 샘플 스펙트로그램의 수량인 샘플수량(L)을 산출한다.

또한 노이즈 발생비율(R)은 노이즈 프로파일 검출모듈(31224)에 의해 검출된 노이즈 프로파일을 포함한 샘플 스펙트로그램인 노이즈 스펙트로그램의 수량인 노이즈 수량(L’)을 산출한다.

또한 노이즈 발생비율(R) 산출모듈(31225)은 노이즈 수량(L’)을 샘플수량(L)으로 나누어 노이즈 발생비율(R, R=L’/L)을 산출한다.

감도 최적값 산출모듈(31226)은 기 설정된 기준테이블을 활용하여, 노이즈 발생비율(R)에 따른 감도 최적값을 검출한다.

이때 기준테이블은 노이즈 발생비율의 범위에 따라 감도 최적값이 매칭된 데이터를 의미하며, 감도 최적값은 노이즈 발생비율의 범위가 클수록 낮은 크기로 설정된다.

또한 감도 최적값 산출모듈(31226)에 의해 검출된 감도 최적값은 라이다 스캐너 감도 제어모듈(3114)로 입력되고, 라이다 스캐너(310)는 라이다 스캐너 감도 제어모듈(3114)의 제어에 따라, 다음 주기(T) 동안 감도 최적값에 따라 라이다신호를 송수신하게 된다.

이와 같이 본 발명의 일실시예인 스마트 주차장 안내 시스템(1)은 주차장의 진입/진출로에 32채널의 라이다 스캐너를 설치하여 차량 감지 및 입출차 대수 카운팅이 이루어지도록 구성됨으로써 차량 감지의 정확성 및 정밀도를 높일 수 있고, 이에 따라 외부로 제공되는 잔여주차면 정보와 실제 현장의 잔여주차면 상태의 오차율을 획기적으로 절감시켜 서비스 편의성 및 신뢰도를 높일 수 있으며, 부정확한 정보 제공으로 인해 민원이 빈번하며 운전자의 불필요한 시간 낭비를 유발하는 종래의 문제점을 획기적으로 해결할 수 있게 된다.

또한 본 발명의 스마트 주차장 안내 시스템(1)은 딥-러닝 알고리즘을 이용하여 장애인 주차면의 주차여부를 판별함에 따라 분석 정확성 및 신뢰도를 높여 외부로 제공되는 장애인 잔여주차면 정보의 정확성 및 신뢰도를 높일 수 있다.

또한 본 발명의 스마트 주차장 안내 시스템(1)은 라이다 스캐너에 의하여 32채널의 데이터 수집이 가능함에 따라, 프로파일 분석에 활용될 백-데이터가 충분히 확보되어 차량 감지의 정확성을 더욱 개선시킬 수 있게 된다.

또한 본 발명의 스마트 주차장 안내 시스템(1)은 딥-러닝 알고리즘으로 합성곱 신경망(CNN, Convolution Neural Network) 기반의 YOLO 모델을 적용시킴으로써 객체 인식률을 더욱 높일 수 있게 된다.

또한 본 발명의 스마트 주차장 안내 시스템(1)은 딥-러닝 알고리즘의 학습 시, 인식대상을 종래에 80종류에서, 주차장에서 자주 볼 수 있는 4종류로 제한하여 학습이 이루어지도록 구성됨으로써 객체 인식률을 더욱 개선시킬 수 있다.

또한 본 발명의 스마트 주차장 안내 시스템(1)은 라이다 스캐너가 기 설정된 주기(T) 마다 감도 최적값에 따라 운영되도록 구성됨으로써 차량객체가 아닌 노이즈로 인한 에러를 사전에 효과적으로 방지하여 차량 감지율을 더욱 높일 수 있게 된다.

1:스마트 주차장 안내 시스템 3:주차설비
4:주차관제용 로컬서버 5:운전자 단말기
7:주차관제용 어플리케이션 9:주차관제용 중앙관리서버
10:통신망 31:입출차 감지부
33:촬영부 35:부속장비
310:라이다 스캐너 311:스캐너 제어기
330:카메라 331:카메라 제어기
3111:제어모듈 3112:통신 인터페이스모듈
3113:메모리 3114:라이다 스캐너 감도 제어모듈
3115:라이다신호 분석모듈 3116:스펙트로그램 모델링 모듈
3117:프로파일 분석모듈 3118:차량객체 검출모듈
3119:입차/출차 판별모듈 3120:입차/출차 대수 카운팅 모듈
3121:입출차 정보 생성모듈
3122:라이다 스캐너 감도 최적화모듈

Claims (9)

1. 주차장의 진입로 및 진출로에 설치되는 입출차 감지부와, 상기 주차장에 구비된 장애인 주차면의 차량주차여부를 판별하는 촬영부와, 상기 입출차 감지부 및 상기 촬영부에 의해 검출된 데이터를 분석 및 가공하여 잔여주차면 정보 및 장애인 잔여주차면 정보를 생성하여 외부로 전송하는 주차관제용 로컬서버를 포함하는 스마트 주차장 안내 시스템에 있어서:
   상기 입출차 감지부는
   상기 진입로 및 상기 진출로를 향하여 라이다(LiDAR) 신호를 송출한 후, 반사되는 신호를 수신 받는 라이다 스캐너;
   상기 라이다 스캐너에 의해 송수신된 라이다신호를 분석하여 입차/출차 차량을 감지하면, 입차 대수(N1) 또는 출차 대수(N2)를 카운팅 하며, 입차/출차 내용, 감지시간, 입차/출차 대수(N1/N2)를 매칭시킨 입출차 정보를 생성한 후, 상기 주차관제용 로컬서버로 전송하는 스캐너 제어기를 포함하고,
   상기 라이다 스캐너는
   각면을 형성하는 폴리건 미러와, 상기 폴리건 미러를 회전시키는 구동부와, 회전하는 폴리건 미러를 향하여 라이다(LiDAR) 신호를 출사한 후 반사신호를 수신 받는 라이다 센서를 포함하고,
   상기 스캐너 제어기는
   상기 라이다 스캐너의 상기 라이다 센서에 의해 송수신된 라이다신호를 분석하는 라이다신호 분석모듈;
   상기 라이다신호 분석모듈에 의해 검출된 분석데이터를 활용하여, 상기 라이다 스캐너에 의해 송수신된 라이다신호에 대한 스펙트로그램(Spectrogram)을 생성하는 스펙트로그램 모델링 모듈;
   상기 스펙트로그램 모델링 모듈에 의해 생성된 스펙트로그램의 프로파일들을 검출 및 분석하는 프로파일 분석모듈;
   상기 프로파일 분석모듈에서 검출된 프로파일들을 기 설정된 필터링 조건들과 비교하여, 차량객체를 검출하며, 검출된 프로파일들 중 상기 필터링 조건들을 무도 통과한 프로파일을 차량 프로파일로 결정하는 차량객체 검출모듈;
   상기 차량객체 검출모듈에 의해 차량이 검출될 때 실행되며, 감지차량의 이동방향을 활용하여, 감지차량이 입차인지 출차인지를 판별하는 입차/출차 판별모듈;
   상기 입차/출차 판별모듈에 의해 감지차량이 입차 차량이면, 입차 대수(N1)를 카운팅 하며, 감지차량이 출차 차량이면 출차 대수(N2)를 카운팅 하는 입차/출차 대수 카운팅 모듈;
   감지차량의 입차/출차 내용, 감지시간, 입차/출차 대수(N1/N2)를 매칭시켜 입출차 정보를 생성하는 입출차 정보 생성모듈;
   기 설정된 주기(T) 마다 실행되며, 상기 라이다 스캐너의 감도 최적값을 검출하는 라이다 스캐너 감도 최적화모듈;
   상기 라이다 스캐너 감도 최적화모듈에 의해 검출된 감도 최적값에 따라 상기 라이다 스캐너가 운영되도록 상기 라이다 스캐너를 제어하는 라이다 스캐너 감도 제어모듈;
   노이즈 발생비율의 범위에 따라 감도 최적값이 매칭된 데이터인 기준테이블이 기 설정되어 저장되는 메모리를 더 포함하고,
   상기 라이다 스캐너 감도 최적화모듈은
   상기 주기(T) 동안의 스펙트로그램들을 수집하는 데이터 수집모듈;
   상기 데이터 수집모듈에 의해 수집된 스펙트로그램들로부터 차량객체가 검출되었을 때의 스펙트로그램인 샘플 스펙트로그램들을 추출하는 샘플 스펙트로그램 추출모듈;
   상기 샘플 스펙트로그램 추출모듈에 의해 추출된 샘플 스펙트로그램들의 프로파일들을 분석하는 제2 프로파일 분석모듈;
   상기 샘플 스펙트로그램 추출모듈에 의해 추출된 샘플 스펙트로그램에서, 차량 프로파일로부터 기 설정된 인접영역 내에 차량이 아닌 다른 프로파일이 존재하는지를 분석하며, 기 설정된 인접영역 내에 차량이 아닌 다른 프로파일이 존재할 때, 해당 프로파일을 노이즈 프로파일이라고 판단하는 노이즈 프로파일 검출모듈;
   상기 샘플 스펙트로그램 추출모듈에 의해 추출된 샘플 스펙트로그램의 수량인 샘플수량(L)을 산출한 후, 상기 노이즈 프로파일 검출모듈에 의해 검출된 노이즈 프로파일을 포함한 샘플 스펙트로그램인 노이즈 스펙트로그램의 수량인 노이즈 수량(L’)을 산출하며, 산출된 노이즈 수량(L’)을 산출된 샘플수량(L)으로 나누어 노이즈 발생비율(R, R=L’/L)을 산출하는 노이즈 발생비율 산출모듈;
   상기 메모리에 저장된 기준테이블을 활용하여, 상기 노이즈 발생비율 산출모듈에 의해 산출된 노이즈 발생비율(R)에 따른 감도 최적값을 검출하는 감도 최적값 산출모듈을 더 포함하는 것을 특징으로 하는 스마트 주차장 안내 시스템.
2. 제1항에 있어서, 상기 촬영부는
   상기 장애인 주차면을 촬영하도록 설치되어 영상을 획득하는 카메라;
   딥-러닝(Deep learning) 기반의 객체분석 알고리즘을 이용하여, 상기 카메라에 의해 획득된 영상을 분석하여 상기 장애인 주차면에 차량이 주차되었는지 여부를 판단하며, 상기 장애인 주차면의 차량주차여부를 나타내는 장애인 주차면 주차정보를 생성하여 상기 주차관제용 로컬서버로 전송하는 카메라 제어기를 포함하는 것을 특징으로 하는 스마트 주차장 안내 시스템.
3. 제2항에 있어서, 상기 객체분석 알고리즘은 합성곱 신경망(CNN, Convolution Neural Network) 기반의 YOLO 모델이 적용된 것을 특징으로 하는 스마트 주차장 안내 시스템.
4. 제3항에 있어서, 상기 객체분석 알고리즘은 학습 시, 자동차, 오토바이, 트럭, 보행자를 인식대상의 객체로 설정한 것을 특징으로 하는 스마트 주차장 안내 시스템.
5. 삭제
6. 삭제
7. 삭제
8. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 라이다 스캐너는 32채널로 라이다신호를 송수신하고, 상기 스캐너 제어기는 각 채널별로 라이다신호를 분석하여 차량을 감지하는 것을 특징으로 하는 스마트 주차장 안내 시스템.
9. 제8항에 있어서, 상기 기준테이블의 감도 최적값은 노이즈 발생비율의 범위가 클수록 낮은 크기로 설정되는 것을 특징으로 하는 스마트 주차장 안내 시스템.

Images