KR20150076307A - Cctv 영상 분석을 이용한 교통 파라미터 추정 시스템 - Google Patents

Cctv 영상 분석을 이용한 교통 파라미터 추정 시스템 Download PDF

Info

Publication number
KR20150076307A
KR20150076307A KR1020130163688A KR20130163688A KR20150076307A KR 20150076307 A KR20150076307 A KR 20150076307A KR 1020130163688 A KR1020130163688 A KR 1020130163688A KR 20130163688 A KR20130163688 A KR 20130163688A KR 20150076307 A KR20150076307 A KR 20150076307A
Authority
KR
South Korea
Prior art keywords
vehicle
cctv
road
color
image
Prior art date
Application number
KR1020130163688A
Other languages
English (en)
Inventor
김은이
Original Assignee
건국대학교 산학협력단
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 건국대학교 산학협력단 filed Critical 건국대학교 산학협력단
Priority to KR1020130163688A priority Critical patent/KR20150076307A/ko
Publication of KR20150076307A publication Critical patent/KR20150076307A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템에 관한 것으로서, 도심의 다양한 위치에 부착된 도로 CCTV 영상을 분석하여 교통 파라미터를 추정하고, 추정된 파라미터를 이용하여 대기 오염원의 배출량을 예측하는 시스템을 제공함에 그 목적이 있다.
이러한 기술적 과제를 달성하기 위한 본 발명은, CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 차선을 검출하는 차선 검출부; CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 도로색을 추정하는 도로색 추정부; 상기 도로색 추정부를 통해 추정한 도로색과 입력 영상과의 차이를 이용하여, 차량의 평균 속도와 도로 점유율을 추출하는 교통 정보 추출부; 및 CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 영상 차감법(Image subtraction)을 이용하여 움직이는 모션 정보를 누적하고, 누적된 모션 정보 이용하여 차량 검출 위치를 먼저 추출한 뒤, 해당 위치의 실시간으로 학습된 배경 모델과 현재 프레임의 색상차이를 통해 차량 영역을 검출하는 차량 검출 및 인식부; 를 포함한다.

Description

CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템{TRAFFIC PARAMETER ESTIMATION SYSTEM USING CCTV VIDEO ANALYSIS}
본 발명은 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템에 관한 것으로서, 더욱 상세하게는 도심의 다양한 위치에 부착된 도로 CCTV 영상을 분석하여 교통 파라미터를 추정하고, 추정된 파라미터를 이용하여 대기 오염원의 배출량을 예측하는 시스템에 관한 것이다.
교통 파라미터 측정 기술과 관련해서는, 한국공개특허 제10-2008-0006406호(이하, '선행문헌') 외에 다수 등록 및 공개되어 있다.
상기한 선행문헌은, 각각의 센서가 차량의 진행방향을 따라 소정간격으로 이격되어 차량과 직접적인 접촉을 피하여 차로에 구비되도록 다수개의 센서로 이루어지는 센서부; 상기 센서부로부터 측정된 차량정보의 아날로그신호를 상기 센서부로부터 무선통신으로 전달받아 상기 아날로그 신호를 디지털신호로 변환하는 센서보드; 상기 센서보드와 전기적으로 연결되어 상기 센서보드에서 변환된 디지털신호를 처리하여 교통파라미터를 산출하는 중앙처리장치와, 상기 중앙처리장치에서 산출된 교통파라미터를 저장하는 자료저장장치를 포함하는 메인보드; 상기 메인보드와 전기적으로 연결되어 상기 메인보드의 자료저장장치에 저장된 교통파라미터를 무선통신으로 중앙서버에 송수신하는 송수신기와, 상기 교통파라미터를 현장에서 다운로드 할 수 있는 통신장치를 포함하는 통신보드; 및 상기 센서부, 센서보드, 메인보드, 및 통신보드와 전기적으로 연결되어 외부전원을 공급하는 전원공급장치; 를 포함한다.
한편, 환경문제는 더 이상 방치할 수 없을 정도로 심각한 사회적 문제가 되고 있고, 이에 정부에서도 '저탄소 녹색성장'이라는 슬로건을 내세우고 수도권 대기특별법을 실행하며 적극적으로 환경오염에 의한 피해를 예방하고 저감할 구체적인 대안을 모색하고 있다.
환경문제 중에서도, 자동차 등과 같은 이동오염원으로부터 배출되는 대기오염이 약 86% 정도로 가장 높으며, 이에 대한 해결방안을 강구하기 위해 자동차의 대기오염원 배출량을 구체적인 수치로 산정해야할 필요가 있다.
현재 정부에서 대기오염 측정에 사용하는 방법은 고가의 장비를 오염도 측정이 필요한 곳에 설치하여 분석하는 방법이므로 비용과 시간의 측면에서 명백한 한계가 존재한다. 그래서 현재의 방식보다 빠르고 더 적은 비용을 사용하여 교통정보를 추출할 수 있는 새로운 대책의 마련이 요구되고 있다. 최근 안전 문제 및 교통 흐름 분석으로 인해 도시 내에 CCTV를 부착하고, 이를 모니터링 하는 시스템이 증가 하고 있다.
본 발명은 상기와 같은 문제점을 감안하여 안출된 것으로, 도심의 다양한 위치에 부착된 도로 CCTV 영상을 분석하여 교통 파라미터를 추정하고, 추정된 파라미터를 이용하여 대기 오염원의 배출량을 예측하는 시스템을 제공함에 그 목적이 있다.
이러한 기술적 과제를 달성하기 위한 본 발명은 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템에 관한 것으로서, CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 차선을 검출하는 차선 검출부; CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 도로색을 추정하는 도로색 추정부; 상기 도로색 추정부를 통해 추정한 도로색과 입력 영상과의 차이를 이용하여, 차량의 평균 속도와 도로 점유율을 추출하는 교통 정보 추출부; 및 CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 영상 차감법(Image subtraction)을 이용하여 움직이는 모션 정보를 누적하고, 누적된 모션 정보 이용하여 차량 검출 위치를 먼저 추출한 뒤, 해당 위치의 실시간으로 학습된 배경 모델과 현재 프레임의 색상차이를 통해 차량 영역을 검출하는 차량 검출 및 인식부; 를 포함한다.
또한 차종별 차량주행거리 및 연료별 배출계수를 바탕으로, 오염물질별 배출량을 산출하는 배출량 산출부; 를 포함하는 것을 특징으로 한다.
또한 상기 차선 검출부는, 모션 정보를 이용하여 차량의 이동 경로를 누적하여 차량이 움직이는 경로의 양 끝의 기울기를 계산하고, 접점의 값을 이용하여 차선을 직선의 방정식으로 수식화하며, 차선의 개수를 이용하여 균일하게 나누어 차선을 추출하는 것을 특징으로 한다.
그리고 상기 차량 검출 및 인식부는, 모션 정보로부터 차량 영역을 검출하기 위해 영상 차감법(Image subtraction)을 통해 이전 프레임과 현재 프레임의 차이를 계산하고, 임계값(Threshold)과 비교하여 바이너리 영상을 생성하는 것을 특징으로 한다.
상기와 같은 본 발명에 따르면, 기존의 시스템과 달리 자동으로 차선을 검출하고, 도로 각도에 따라 차종 템플릿을 적용하기 때문에 다양한 장소와 viewing angle에 부착된 CCTV에 적용 가능하며, 추출된 교통 파라미터는 대기오염도 예측을 활용할 수 있는 효과가 있다.
도 1 은 본 발명에 따른 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템을 개념적으로 도시한 전체 구성도.
도 2 는 본 발명에 따른 차선 검출 결과 영상을 보이는 일예시도.
도 3 은 본 발명에 따른 추정된 도로색 영상을 보이는 일예시도.
도 4 는 본 발명에 따른 낮과 밤에 촬영한 동영상에 대한 샘플링 화소 한 점에서의 바탕색과의 색상차를 보이는 일예시도.
도 5 는 본 발명에 따른 각 동영상에 대한 색상 변화 그래프, 상관계수 및 상관계수에 따라 프레임을 이동시켜 일치시킨 그래프를 보이는 일예시도.
도 6 은 본 발명에 따른 오후 8시경의 영상에 대한 색상 변화 그래프, 상관계수 및 상관계수에 따라 프레임을 이동시켜 일치시킨 그래프를 보이는 일예시도.
도 7 은 본 발명에 따른 영상 차감법의 결과를 보이는 일예시도.
도 8 은 본 발명에 따른 개선된 모폴로지 결과를 보이는 일예시도.
도 9 는 본 발명에 따른 차선을 기반으로 정의된 검출선을 보이는 일예시도.
도 10 은 본 발명에 따른 차종별 특징 추출 및 K-means clustering 결과를 보이는 일예시도.
본 발명의 구체적 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다. 이에 앞서 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 구체적인 설명을 생략하였음에 유의해야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명을 상세하게 설명한다.
본 발명에 따른 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템에 관하여 도 1 내지 도 10 을 참조하여 설명하면 다음과 같다.
도 1 은 본 발명에 따른 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템(S)을 개념적으로 도시한 전체 구성도로서, 도시된 바와 같이 차선 검출부(100), 도로색 추정부(200), 교통 정보 추출부(300), 차량 검출 및 인식부(400) 및 배출량 산출부(500)를 포함하여 이루어진다.
차선 검출부(100)는 CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 차선을 검출한다. 이때, 다양한 Viewing angle에 적용할 수 있는 시스템을 개발하기 위해 자동차의 모션 정보를 이용하여 도로 차선을 추출한다.
구체적으로, 차선 검출부(100)는 모션 정보를 이용하여 차량의 이동 경로를 누적하여 차량이 움직이는 경로의 양 끝의 기울기를 먼저 계산하고, 접점의 값을 이용하여 차선을 직선의 방정식으로 수식화하여 표현한다. 차선 수식이 계산되면, 차선의 개수를 이용하여 균일하게 나누어 차선을 추출한다.
도로 영역을 검출하기 위해 차량이 움직인 영역을 도로 영역으로 간주한다. 차량의 이동 영역을 추출하기 위해 Image subtraction을 통해 이전 영상과 현재 영상간의 차이를 계산하고, 임계값(Threshold)값을 이용하여 움직임이 크게 발생하는 영역과 배경영역을 나눈다.
생성된 바이너리 영상에 Erosion 모폴로지 연산을 적용하여 노이즈 영역들을 제거한 뒤 결과 영상을 스택에 순차적으로 저장한다. 스택에 저장된 바이너리 영상들을 배경인 경우 0으로, 도로 픽셀의 경우 1로 간주하여 하나의 grayscale 영상으로 누적한다. 누적한 픽셀의 값을 [0, 100] 범위로 정규화한 뒤, Threshold 범위에 있는 경우 도로, 나머지 영역은 배경 픽셀으로 간주한다. 도로 영역의 차선을 계산하기 위해 연결된 픽셀끼리 같은 영역으로 군집화하는 Row-by-Row 라벨링을 수행하고, 각 영역 중 가장 큰 area를 가지는 영역을 도로 영역으로 검출한다.
차선을 직선 방적식으로 수식화하기 위해 영역의 높이를 기반으로 1/4 지점과 3/4 지점의 끝점의 좌표 정보를 이용하여 기울기를 계산하고, 두 점을 이용하여 y절편을 계산한다. 또한, CCTV 설치 시에 입력된 도로의 차선 개수 정보를 이용하여 균일하게 차선을 분할한다. 도 2 는 차선 검출 결과 영상의 예를 보여준다.
도로색 추정부(200)는 CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 도로색을 추정한다.
본 시스템에서 제안한 도로 정보 추출 방법은 제한된 영역에서의 색상 변화 정보를 이용한다. 따라서, 도로영상에서 차량을 검출하고, 차량 속도와 점유율을 구하기 위해서는 추정된 도로색 정보가 필요하다.
본 발명은 정해진 시간의 입력 영상에서 연속된 프레임들을 관찰하여 도로색을 구한다. 어느 한 프레임에서 도로의 일부분은 차량에 의해서 가려진다. 시간이 지남에 따라 차량은 지나가고 가렸던 도로는 나타난다. 연속된 영상이 충분히 길다면, 차량이 없는 깨끗한 도로 영상을 발견할 수 있다. 도로를 나타내는 픽셀의 색상은 변함이 없는데 반하여 차량을 나타내는 화소는 다른 색상을 가진다. 도로색은 픽셀 단위로 생성되며, 가장 많이 나타나는 색상 값을 그 픽셀의 도로색으로 추정한다.
도로색 추정 단계는 도로의 일반적인 조건과 조명의 변화에 부합하기 위해서 주기적으로 반복된다. 이로써 도로색 추정은 영상의 조건에 적응성을 가진다.
다음의 도 3 은 위의 방법에 의해 추정된 도로색 영상이다. 도 3 의 (a) 는 입력 영상 열중 한 프레임이고, 도 3 의 (b) 는 추정된 도로색이다.
교통 정보 추출부(300)는 도로색 추정부(200)를 통해 추정한 도로색과 입력 영상과의 차이를 이용하여, 차량의 평균 속도와 도로 점유율을 추출한다.
어떤 화소의 색상과 도로색과의 차이를 분석하기 위해서는, 먼저 기준이 되는 도로색과의 색상 차이가 정의되어야 한다. 색상 차이는 두 화소의 RGB 값의 유클리디언 거리(Euclidean distance)로 정의한다. 입력 화소 p와 추정 도로색 q의 색상 차이 d(p,q) 는 다음과 같이 나타낸다.
[수식 1]
Figure pat00001
임의의 화소 x에 대해 xR, xG, xB는 각각 화소 x의 RGB 색상 값을 나타낸다.
이러한 도로색과의 색상 차이를 바탕으로, 화소에 대한 시간 흐름에 따른 색상 차이를 도 4 와 같이 구할 수 있다. 도 4 는 중앙의 두 화소의 시간차에 따른 색상 차이의 변화를 나타낸다.
도 4 의 (a) 와 (b) 는 각각 낮과 밤에 촬영한 동영상에 대한 샘플링 화소 한 점에서의 바탕색과의 색상차 [수식 1] 을 나타낸 그림이다. 도 4 의 (a) 및 (b) 각각의 좌측 영상은 동영상 중의 한 프레임을 나타낸다.
도 4 에 도시된 바와 같이, 지정한 화소에 차량이 있는 시점에서는 높은 값을 가지고 차량이 존재하지 않는 시점에서는 거의 도로색과 같음을 볼 수 있다.
또한, 두 그래프는 일정한 프레임 차를 가지고 비슷한 모양으로 변한다. 한 그래프를 일정한 양만큼 이동하면 두 그래프는 거의 일치하게 된다. 이 이동한 양으로부터 차량의 속도를 구할 수 있는데, 이는 두 개의 일련의 색상 변화 값 사이의 상관계수(correlation)을 계산함으로써 이루어진다.
비교할 프레임 수를 n, 프레임 t에서 첫 번째 화소의 색상 차이 값을 gt, 두 번째 화소의 색상 차이 값을 ft , 첫 번째 화소의 평균 색상 차이를 , 두 번째 화소의 평균 색상차이를, 두 그래프 중 하나를 프레임 축으로 평행 이동하여 가장 비슷하게 겹치게 하는데 필요한 이동량을 k라 하면, 상관계수 Ck는 다음의 [수식 2] 와 같다.
[수식 2]
Figure pat00002
이를 적용하여 상관계수를 구하면, 도 5 의 (b) 와 같은 상관 그램(Correlogram)을 얻을 수 있다. 상관 그램에서 가장 큰 값을 보이는 k값을 이동량으로 결정한다.
도 5 의 (a) 는 도 2 의 각 동영상에 대한 색상 변화 그래프이며, (b) 는 상관계수이며, (c) 는 가장 높은 상관계수에 따라 프레임을 이동시켜 일치시킨 그래프이다. 도 5 는 오후 5시 경의 영상을 가지고 실험한 결과이고, 도 6 은 같은 방법을 오후 8시경의 영상에 적용한 결과이다.
샘플링한 두 화소의 도로에서의 실제 거리를 L, 동영상에서 프레임간의 시간을 T라고 하면 속도 s는 다음의 [수식 3] 과 같이 구할 수 있다.
[수식 3]
Figure pat00003
차량 진행 방향에 있는 M개의 화소를 선택하기 위하여 도로상의 한 차로와 직각 방향의 가상의 선 M개를 설정하고, 이 M개의 선 각각을 N(>0)개의 균일한 간격으로 나누어 N개의 쌍을 만들 수 있다. 이렇게 얻어진 N개의 쌍을 각각 속도를 구하기 위한 MxN개의 화소로 선택한다.
차량의 점유율은 총 측정한 시간당 차량에 의해서 가려진 시간으로 정의한다. 차량에 의해서 가려진 시간은 도 4 와 같은 그래프에서 도로색으로 설정한 경계값을 초과하는 시간이다. 정적인 경계값 설정은 조명과 노이즈의 영향을 충분히 극복 못하는 문제를 가진다. 그래서 경계값은 조명의 변화, 즉 도로색에 따라서 동적으로 바꾼다. 이는 실험적으로 설정하였으며, [표 1] 은 시간에 따라 동적으로 변화되는 경계값을 보인다. [표 1] 에서의 각 시각에서의 평균 밝기는 샘플링 지점에서의 평균 밝기로써, RGB값의 평균값을 의미하며, 0~255까지의 숫자 값을 가질 수 있다. 경계값 또한 0~255 값 중, 한 값을 가지며 각 시간(평균 밝기) 별로 실험에 의해 구해진 값을 사용한다.
[표 1]
Figure pat00004
차량 검출 및 인식부(400)는 CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 영상 차감법(Image subtraction)을 이용하여 움직이는 모션 정보를 누적하고, 누적된 모션 정보 이용하여 차량 검출 위치를 먼저 추출한 뒤, 해당 위치의 실시간으로 학습된 배경 모델과 현재 프레임의 색상차이를 통해 차량 영역을 검출한다.
구체적으로, 모션 정보로부터 차량 영역을 검출하기 위해 Image subtraction을 통해 이전 프레임과 현재 프레임의 차이를 계산하고 이를 실험을 통해 얻어진 임계값(Threshold)과 비교하여 도 7 에 도시된 바와 같은 바이너리 영상을 생성한다.
이때, 분할된 영역을 연결하고, 노이즈 픽셀들을 제거하기 위해 모폴로지 연산 중 Dilation 연산을 4회, Erosion 연산을 2회 반복 수행한다. 영상의 각 차량의 영역을 검출하기 위해 모폴로지 연산 결과에 Row-by-Row 라벨링 연산을 수행하여 각 영역에 해당하는 위치를 계산한다.
또한, 차량의 영역이 정해지면, 해당 영역의 도로색과 현재 프레임과의 차이값을 통해 차량을 검출한다. 현재 프레임의 i행, j열 픽셀의 R,G,B값을 각각 NR(i,j), NG(i,j), NB(i,j)라고 정의하고, 배경모델도 같은 방식으로 각각 BR(i,j), BG(i,j), BB(i,j)로 정의한다. 실험을 통해 얻은 임계값을 T라고 정의하면 연산식은 다음의 [수식 4] 와 같다.
[수식 4]
(NR(i,j)-BR(i,j))2 > T
(NG(i,j)-BG(i,j))2 > T
(NB(i,j)-BB(i,j))2 > T
[수식 4] 와 같이, 두 화소의 색상 차이는 두 화소의 RGB 값의 유클리디안 거리로 정의하며, 이 차이가 임계값 T 이상인 픽셀들을 차량 객체 후보로 결정한다.
차량의 후보 픽셀들을 찾았으면, 일정 크기 이상의 연결되어 있는 픽셀군들에 대해 라벨링을 수행해서 1차적인 이미지 상의 잡음을 제거하고 라벨링된 차량 객체의 각각의 구간을 정하여 각 객체별로 개선된 모폴로지를 수행한다.
여기서, 개선된 모폴로지는, 기존의 모폴로지 방식의 단점을 보완한 알고리즘으로써 차량의 경계선을 인식하여 내부를 채우는 알고리즘으로써 잡음제거 및 Hole 제거에 사용된다(도 8 참조).
모폴로지가 적용된 결과에서 Labeling 알고리즘을 통해 각 차량의 개별 인식이 가능하다. 본 발명은 정확한 인식을 위해 영상에서 나타난 차량 중 검출된 차선을 기반으로 정의된 검출선 2(도 9 참조) 에 차량이 도달했을 경우에 특징을 추출하여 인식한다. 이때, 사용하는 특징은 차량 영역의 넓이(area), 둘레(perimeter length), 가로-세로 비율이다.
인식을 위해 추출된 차량 특징값들을 저장하고, 차종별로 특징을 나누어 분류한다. 분류된 특징들은 K-means clustering에 입력데이터로 사용하여 14개의 템플릿을 생성하였고, 그 중 purity가 높은 9개의 클러스터의 mean값을 차종별 대표 템플릿으로 정하였다.
도 10 은 K-means clustering을 통해 얻어진 대표 템플릿 특징 값들을 보여준다. 도 10 의 (a) 는 검출된 차량으로부터 추출한 특징을 보여준다. 이 중, 3개의 특징을 사용하여 클러스터링을 수행하였고, 수행 결과로 얻은 대표 K개의 mean들은 도 10 의 (b) 에서 보인다.
총 14개의 mean 중 각 클러스터의 purity([수식 5])를 계산하였고, 값이 0.75 이상의 클러스터의 mean값을 이용하여 총 9개의 차종 대표 템플릿을 생성하였다.
[수식 5] 는 r번째 cluster의 purity를 계산하는 식으로, 클러스터에 데이터가 nr개 있고, I 개의 클래스가 있을 때, 클러스터 중 가장 많은 데이터를 가지는 클래스 개수를 클러스터 전체 데이터 개수로 나눈 값으로 정의한다.
[수식 5]
Figure pat00005
도 10 의 (b) 에서 보이듯이 대부분이 SUV와 Sedan, Bike에 관한 차종 템플릿인데 실제 데이터에서 트럭과 버스의 이동양이 다른 차종의 이동양보다 적었기 때문에 클러스터링이 3종의 템플릿을 위주로 생성되었고, 버스는 area와 ratio 값을 이용하여 분류하였다. 인식은 실시간으로 검출된 차량 특징과 차종별 대표 템플릿 특징을 비교하여 차종을 인식하고, 비교 식은 다음의 [수식 6] 과 같다.
[수식 6] 에서 L은 차종 클래스를 의미하고, D는 특징 차원을 의미한다.
wj 는 특징에 따른 중요도로, 실험을 통해 특징마다 다른 weight를 할당하였다. fj는 검출된 차량의 j번째 특징벡터의 값을 의미하고, tij는 i 번째 차종의 j 번째 특징벡터의 값을 의미한다. 인식 결과, 차종별 이동 차량 대수는 인식된 정보를 이용하여 증가시킨다.
[수식 6]
Figure pat00006

배출량 산출부(500)는 차종별 차량주행거리 및 연료별 배출계수를 바탕으로, 오염물질별 배출량을 산출한다.
구체적으로, 배출량 산출부(500)는 도로 운행 시 대기오염물질 배출량을 산정하기 위해, 차종 분류기준을 바탕으로, 해당되는 세부차종 및 연료별 배출계수를 평균하여 각 차종별 배출계수를 단순화하였으며, 사용된 차종별 배출계수는 [표 2] 와 같고, 이를 이용하여 [수식 7] 과 같이 대기오염물질 배출량을 산출한다.
대기오염물질 배출량을 산출할 때 차종별 차량 주행거리는 각 차종별로 총 주행거리를 [수식 8] 을 통해 계산한다.
[표 2]
Figure pat00007
[수식 7]
오염물질별 배출량(g/h) = 차종별 차량주행거리(km) * 배출계수(g/km)
[수식 8]
총 주행거리(km) = 평균주행속도(km/대·h) * 통행 대수(대) * 1시간(h)
지금까지 상술한 바와 같은, 본 발명에 따른 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템은, 다양한 viewing angle로부터 입력된 CCTV로부터 자동으로 차선을 검출하고, 도로 영역 내에서 검출된 차량의 종류을 인식하여 실시간으로 교통 파라미터를 측정하고, 이를 기반으로 대기오염도를 예측한다. 이는 기존의 시스템과 달리 자동으로 차선을 검출하고, 도로 각도에 따라 차종 템플릿을 적용하기 때문에 다양한 장소와 viewing angle에 부착된 CCTV에 적용 가능하며, 또한 추출된 교통 파라미터는 대기오염도 예측을 활용할 수 있는 장점을 가진다.
이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서, 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.
100: 차선 검출부 200: 도로색 추정부
300: 교통 정보 추출부 400: 차량 검출 및 인식부
500: 배출량 산출부

Claims (4)

  1. CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 차선을 검출하는 차선 검출부(100);
    CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 도로색을 추정하는 도로색 추정부(200);
    상기 도로색 추정부(200)를 통해 추정한 도로색과 입력 영상과의 차이를 이용하여, 차량의 평균 속도와 도로 점유율을 추출하는 교통 정보 추출부(300); 및
    CCTV를 통해 취득한 실시간 교통 영상을 바탕으로 영상 차감법(Image subtraction)을 이용하여 움직이는 모션 정보를 누적하고, 누적된 모션 정보 이용하여 차량 검출 위치를 먼저 추출한 뒤, 해당 위치의 실시간으로 학습된 배경 모델과 현재 프레임의 색상차이를 통해 차량 영역을 검출하는 차량 검출 및 인식부(400); 를 포함하는 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템.
  2. 제 1 항에 있어서,
    차종별 차량주행거리 및 연료별 배출계수를 바탕으로, 오염물질별 배출량을 산출하는 배출량 산출부(500); 를 포함하는 것을 특징으로 하는 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템.
  3. 제 1 항에 있어서,
    상기 차선 검출부(100)는,
    모션 정보를 이용하여 차량의 이동 경로를 누적하여 차량이 움직이는 경로의 양 끝의 기울기를 계산하고, 접점의 값을 이용하여 차선을 직선의 방정식으로 수식화하며, 차선의 개수를 이용하여 균일하게 나누어 차선을 추출하는 것을 특징으로 하는 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템.
  4. 제 1 항에 있어서,
    상기 차량 검출 및 인식부(400)는,
    모션 정보로부터 차량 영역을 검출하기 위해 영상 차감법(Image subtraction)을 통해 이전 프레임과 현재 프레임의 차이를 계산하고, 임계값(Threshold)과 비교하여 바이너리 영상을 생성하는 것을 특징으로 하는 CCTV 영상 분석을 이용한 교통 파라미터 추정 시스템.
KR1020130163688A 2013-12-26 2013-12-26 Cctv 영상 분석을 이용한 교통 파라미터 추정 시스템 KR20150076307A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130163688A KR20150076307A (ko) 2013-12-26 2013-12-26 Cctv 영상 분석을 이용한 교통 파라미터 추정 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130163688A KR20150076307A (ko) 2013-12-26 2013-12-26 Cctv 영상 분석을 이용한 교통 파라미터 추정 시스템

Publications (1)

Publication Number Publication Date
KR20150076307A true KR20150076307A (ko) 2015-07-07

Family

ID=53789264

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130163688A KR20150076307A (ko) 2013-12-26 2013-12-26 Cctv 영상 분석을 이용한 교통 파라미터 추정 시스템

Country Status (1)

Country Link
KR (1) KR20150076307A (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105513354A (zh) * 2015-12-22 2016-04-20 电子科技大学 基于视频的城市道路交通拥堵检测系统
KR20170034608A (ko) * 2015-09-21 2017-03-29 한화테크윈 주식회사 전경의 색상 추출 시스템, 방법 및 컴퓨터 판독 가능한 기록매체
KR20170034607A (ko) * 2015-09-21 2017-03-29 한화테크윈 주식회사 전경의 색상 추출 시스템, 방법 및 컴퓨터 판독 가능한 기록매체
CN107301776A (zh) * 2016-10-09 2017-10-27 上海炬宏信息技术有限公司 基于视频检测技术的车道路况处理及发布方法
CN107871393A (zh) * 2016-09-27 2018-04-03 千寻位置网络有限公司 一种自动判别车辆违章占用禁行车道的方法及其系统
CN108682156A (zh) * 2018-07-13 2018-10-19 哈尔滨工业大学 基于出租车gps数据动态监测市区交通排放污染状况的方法
CN110782652A (zh) * 2018-11-07 2020-02-11 北京嘀嘀无限科技发展有限公司 速度预测系统和方法
CN111161545A (zh) * 2019-12-24 2020-05-15 北京工业大学 基于视频的交叉口区域交通参数统计方法
KR102238001B1 (ko) 2020-10-30 2021-04-08 재단법인 서울특별시 서울기술연구원 도로이동오염원에 의한 대기오염물질 배출량 산정 장치 및 그 산정 방법

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170034608A (ko) * 2015-09-21 2017-03-29 한화테크윈 주식회사 전경의 색상 추출 시스템, 방법 및 컴퓨터 판독 가능한 기록매체
KR20170034607A (ko) * 2015-09-21 2017-03-29 한화테크윈 주식회사 전경의 색상 추출 시스템, 방법 및 컴퓨터 판독 가능한 기록매체
CN105513354A (zh) * 2015-12-22 2016-04-20 电子科技大学 基于视频的城市道路交通拥堵检测系统
CN107871393A (zh) * 2016-09-27 2018-04-03 千寻位置网络有限公司 一种自动判别车辆违章占用禁行车道的方法及其系统
CN107301776A (zh) * 2016-10-09 2017-10-27 上海炬宏信息技术有限公司 基于视频检测技术的车道路况处理及发布方法
CN108682156A (zh) * 2018-07-13 2018-10-19 哈尔滨工业大学 基于出租车gps数据动态监测市区交通排放污染状况的方法
CN110782652A (zh) * 2018-11-07 2020-02-11 北京嘀嘀无限科技发展有限公司 速度预测系统和方法
US11004335B2 (en) 2018-11-07 2021-05-11 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for speed prediction
CN111161545A (zh) * 2019-12-24 2020-05-15 北京工业大学 基于视频的交叉口区域交通参数统计方法
KR102238001B1 (ko) 2020-10-30 2021-04-08 재단법인 서울특별시 서울기술연구원 도로이동오염원에 의한 대기오염물질 배출량 산정 장치 및 그 산정 방법
US11348454B2 (en) 2020-10-30 2022-05-31 Seoul Institute Of Technology Device and method for calculating air pollutant emissions from road mobile source

Similar Documents

Publication Publication Date Title
KR20150076307A (ko) Cctv 영상 분석을 이용한 교통 파라미터 추정 시스템
US9558412B2 (en) Vehicle exterior environment recognition device
US8208021B2 (en) Vehicle and lane mark detection device
CN107590438A (zh) 一种智能辅助驾驶方法及系统
CN105741559B (zh) 一种基于车道线模型的违法占用应急车道检测方法
CN107590470B (zh) 一种车道线检测方法及装置
JP2917661B2 (ja) 交通流計測処理方法及び装置
CN107577996A (zh) 一种车辆驾驶路径偏移的识别方法及系统
US10878259B2 (en) Vehicle detecting method, nighttime vehicle detecting method based on dynamic light intensity and system thereof
CN104282020A (zh) 一种基于目标运动轨迹的车辆速度检测方法
CN106934374B (zh) 一种雾霾场景中交通标识牌的识别方法及系统
CN101727748A (zh) 一种基于车辆尾灯检测的车辆监控方法、系统和设备
CN104463903A (zh) 一种基于目标行为分析的行人图像实时检测方法
CN111898491B (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
CN111723854B (zh) 一种高速公路交通拥堵检测方法、设备及可读存储介质
CN104715252A (zh) 一种动态模板结合像素点的车牌字符分割方法
Behrendt et al. Deep learning lane marker segmentation from automatically generated labels
CN106919939B (zh) 一种交通标识牌跟踪识别方法及系统
CN102768802B (zh) 基于有限状态机的道路车辆拥堵判别方法
KR101026778B1 (ko) 차량 영상 검지 장치
CN114092903A (zh) 车道线标注、检测模型确定、车道线检测方法及相关设备
Jaiswal et al. Comparative analysis of CCTV video image processing techniques and application: a survey
CN105530404A (zh) 影像识别装置及影像识别方法
KR101422580B1 (ko) 비전기반의 대기오염 모니터링을 위한 교통 파라미터 추정 시스템
KR101070367B1 (ko) 카메라를 이용한 실시간 도로이동오염원의 오염물질 배출량 산정 시스템 및 그 방법

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination