KR20210138367A - 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법 - Google Patents

Abstract

본 발명의 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치는 적어도 교통사고 지점의 위치 정보를 포함하는 도로 모양에 따른 교통사고 데이터 및 지도 이미지 데이터를 수집하는 데이터 수집부와, 상기 수집된 교통사고 데이터 및 지도 이미지 데이터를 도로 영역 및 도로 이외 영역을 구분하기 위하여 컬러 필터링 기법을 이용하여 교통사고 위치별 데이터로 전처리하는 전처리부와, 상기 전처리된 데이터를 기반으로 상기 지도 이미지의 크기와 회전에 불변하는 특징점을 추출하는 특징점 추출부, 상기 추출된 특징점을 기반으로 목표 지도에 포함된 도로의 모양 분석을 통해 교통사고 발생 확률을 예측하는 교통사고 발생확률 예측부를 포함하므로서, 도로 모양에 의하여 발생할 수 있는 사고를 예측하여 사전 예방할 수 있고, 미리 설계된 도로라면 사고 발생 가능성을 판단하는 알림 서비스를 제공하여 정부나 지자체에서 교통사고 방지대책을 마련할 수 있고, 교통사고 외의 도로에서 발생하는 다양한 사고 데이터가 있다면 이를 포함한 위험 지도를 제작할 수 있다.

Description

도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법{Device and Method for estimating of the probability of traffic accidents by road shape analysis}

본 발명은 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 도로 모양에 따른 사고 데이터를 분석하고 지도 상 사고확률이 높은 지점을 추출하여 교통사고 발생 확률을 예측하는 장치 및 방법에 관한 것이다.

교통사고는 사람의 생명을 앗는 가장 주된 원인 중 하나이다. 교통사고는 굴곡진 도로나 가파른 도로, 사각지대가 많은 지역을 비롯하여 다양한 형태의 도로에서 발생한다.

이를 위해 사고가 많이 발생한 도로에 대해 ‘사고 다발 지역’으로 지정하여 운전자에게 경각심을 일으키기도 하지만 임의의 도로에 대해 어떤 사고 위험이 내재되어 있는지는 쉽게 알 수 없다.

본 발명은 교통사고 및 이외의 도로에서 발생하는 다양한 사고 데이터가 있다면 교통사고 및 이외의 사고를 예측 방치할 수 있는 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법을 제공하는 데 그 목적이 있다.

본 발명의 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치는, 적어도 교통사고 지점의 위치 정보를 포함하는 도로 모양에 따른 교통사고 데이터 및 지도 이미지 데이터를 수집하는 데이터 수집부와, 상기 수집된 교통사고 데이터 및 지도 이미지 데이터를 도로 영역 및 도로 이외 영역을 구분하기 위하여 컬러 필터링 기법을 이용하여 교통사고 위치별 데이터로 전처리하는 전처리부와, 상기 전처리된 데이터를 기반으로 상기 지도 이미지의 크기와 회전에 불변하는 특징점을 추출하는 특징점 추출부, 상기 추출된 특징점을 기반으로 목표 지도에 포함된 도로의 모양 분석을 통해 교통사고 발생 확률을 예측하는 교통사고 발생확률 예측부를 포함한다.

일실시예로서, 상기 특징점 추출부는 상기 수집된 지도 이미지 데이터를 다양한 크기로 조절(resize)하여 이미지 피라미드(image pyramid)를 생성하고 스케일 공간(scale-space)의 극점(extema)를 검출하여 특징점 후보군으로 분류하는 것이 가능하다.

일실시예로서, 상기 특징점 추출부는 상기 검출된 극점 대비 더욱 정확한 극점을 찾아 보간하고, 상기 특징점 후보군 중에서 정확하지 않은 특징점을 제거하는 것이 가능하다.

일실시예로서, 상기 교통사고 발생확률 예측부는 상기 추출된 특징점과 임의의 테스트 데이터를 매칭하여 매칭 결과가 높은 경우 교통사고 발생확률이 높은 것으로 판단하는 것 가능하다.

본 발명의 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 방법은, 적어도 교통사고 지점의 위치 정보를 포함하는 도로 모양에 따른 교통사고 데이터 및 지도 이미지 데이터를 수집하는 단계; 상기 수집된 교통사고 데이터 및 지도 이미지 데이터를 도로 영역 및 도로 이외 영역을 구분하기 위하여 컬러 필터링 기법을 이용하여 교통사고 위치별 데이터로 전처리하는 단계; 상기 전처리된 데이터를 기반으로 상기 지도 이미지의 크기와 회전에 불변하는 특징점을 추출하는 단계; 및 상기 추출된 특징점을 기반으로 목표 지도에 포함된 도로의 모양 분석을 통해 교통사고 발생 확률을 예측하는 단계를 포함한다.

일실시예로서, 상기 데이터를 수집하는 단계는, 교통사고의 유형, 발생건 수, 사상자 수, 사망자 수, 중상자 수, 경상자 수, 부상자 수, 위도, 경도 중 적어도 하나의 정보를 포함하는 상기 교통사고 데이터를 수집하는 것이 가능하다.

일실시예로서, 상기 특징점을 추출하는 단계는 상기 수집된 지도 이미지 데이터를 다양한 크기로 조절(resize)하여 이미지 피라미드(image pyramid)를 생성하고 스케일 공간(scale-space)의 극점(extema)를 검출하여 특징점 후보군으로 분류하는 것이 가능하다.

일시예로서, 상기 특징점을 추출하는 단계는 상기 검출된 극점 대비 더욱 정확한 극점을 찾아 보간하고, 상기 특징점 후보군 중에서 정확하지 않은 특징점을 제거하는 것이 가능하다.

일실시예로서, 상기 교통사고 발생확률 예측단계는 상기 추출된 특징점과 임의의 테스트 데이터를 매칭하여 매칭 결과가 높은 면 교통사고 발생확률이 높은 것으로 판단하는 것이 가능하다.

본 발명의 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법은 도로 모양에 의하여 발생할 수 있는 사고를 예측하여 사전 예방할 수 있다.

본 발명의 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법은 미리 설계된 도로라면 사고 발생 가능성을 판단하는 알림 서비스를 제공하고, 정부나 지자체에서 교통사고 방지대책을 마련할 수 있다.

본 발명의 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법은 교통사고 외의 도로에서 발생하는 다양한 사고 데이터가 있다면 이를 포함한 위험 지도를 제작할 수 있다.

도 1은 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 방법의 순서도이다.
도 2는 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치의 기능블록도이다.
도 3은 본 발명의 일실시예에 따라 수집된 교통사고 위치별 도로 지도 이미지이다.
도 4는 본 발명의 일실시예에 따라 컬러 필터링 기법이 적용된 도로 지도 이미지이다.
도 5는 본 발명의 일실시예에 따라 가우시안 블러링(gaussian blurring)이 적용된 이미지 피라미드의 예시도이다.
도 6은 본 발명의 일실시예에 따라 스케일 공간(scale-space)의 예시도이다.
도 7은 본 발명의 일실시예에 적용 가능한 키포인트 서술자(Keypoint descriptor)를 구하는 과정을 도시한 것이다.
도 8은 본 발명의 일실시예에 따라 추출된 특징점과 임의의 테스트 데이터 간의 매칭 결과도이다.
도 9는 본 발명의 일실시예에 따른 교통사고 유형별 아이콘을 도시한 것이다.
도 10은 도 3의 도로 지도 이미지에 교통사고 발생 확률이 높은 교통사고 유형별 아이콘을 도시한 것이다.

이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다.

이하에서 본 발명의 바람직한 실시예를 설명할 것이나 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.

각 도면의 구성 요소들에 참조 부호를 부가함에 있어서 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

제1, 제2 등의 용어가 다양한 구성요소들을 설명하는데 사용될 수 있으나, 이와 같은 구성요소들은 용어들에 의해 한정되어서는 안 되며 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 발명의 일실시예에 따른 교통사고 발생 확률 예측 장치는 도로가 포함된 지도 데이터를 입력으로 받고, 지도에 포함된 도로에서 교통사 고가 발생할 수 있는 확률을 예측하여 사용자에게 알려주는 것이다.

뿐만 아니라, 교통사고 발생 확률 예측 장치(100)는, 교통사고 데이터와 지도 이미지 데이터 수집 및 전처리를 진행하며, 수집한 데이터를 기반으로 OpenCV의 컬러 필터링과 SIFT 알고리 즘을 이용한 도로 이미지 추출 및 특징점을 추출한다. 마지막으로 지도에 포함된 도로에서 교통사고가 발생할 확률을 예측한다.

이를 위해 본 발명은 도로 모양에 따른 사고 데이터를 분석하고 목표 지도에 사고가 날 확률이 높은 지점을 추출하는 예측 시스템을 제안한다.

이하에서는 도 1 내지 도 10을 참조하여 본 발명의 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법을 상세히 설명한다.

도 1은 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 방법의 순서도이고, 도 2는 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치의 기능블록도이다.

도 3은 본 발명의 일실시예에 따라 수집된 교통사고 위치별 도로 지도 이미지이고, 도 4는 본 발명의 일실시예에 따라 컬러 필터링 기법이 적용된 도로 지도 이미지이고, 도 5는본 발명의 일실시예에 따라가우시안 블러링(gaussian blurring)이 적용된 이미지 피라미드의 예시도이고, 도 6은 본 발명의 일실시예에 따라 스케일 공간(scale-space)의 예시도이고, 도 7은 본 발명의 일실시예에 적용 가능한 키포인트 서술자(Keypoint descriptor)를 구하는 과정을 도시한 것이고, 도 8은 본 발명의 일실시예에 따라 추출된 특징점과 임의의 테스트 데이터 간의 매칭 결과도이다.

도 9는 본 발명의 일실시예에 따른 교통사고 유형별 아이콘을 도시한 것이ㄱ고, 도 10은 도 3의 도로 지도 이미지에 교통사고 발생 확률이 높은 교통사고 유형별 아이콘을 도시한 것이다.

도 1은 본 발명의 일실시예에 따른 본 발명의 일실시예에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치(100)는, 데이터 수집부(110), 전처리부(120), 특징점 추출부(130) 및 교통사고 발생확률 예측부(140)를 포함한다.

데이터 수집부(110)는 적어도 교통사고 지점의 위치 정보를 포함하는 도로 모양에 따른 교통사고 데이터 및 지도 이미지 데이터를 수집한다.(S110)

전처리부(120)는 상기 수집된 교통사고 데이터 및 지도 이미지 데이터를 도로 영역 및 도로 이외 영역을 구분하기 위하여 컬러 필터링 기법을 이용하여 교통사고 위치별 데이터로 전처리한다.(S120)

특징점 추출부(130)는 상기 전처리된 데이터를 기반으로 상기 지도 이미지의 크기와 회전에 불변하는 특징점을 추출하고(S130), 교통사고 발생확률 예측부(140)는 상기 추출된 특징점을 기반으로 목표 지도에 포함된 도로의 모양 분석을 통해 교통사고 발생 확률을 예측한다.

본 발명의 일실시예에 따른 교통사고 발생 확률 예측 장치(100)는 도로가 포함된 지도 데이터를 입력으로 받고, 지도에 포함된 도로에서 교통사 고가 발생할 수 있는 확률을 예측하여 사용자에게 알려주는 것이다.

교통사고 발생 확률 예측 장치(100)는, 교통사고 데이터와 지도 이미지 데이터 수집 및 전처리를 진행하며, 수집한 데이터를 기반으로 OpenCV의 컬러 필터링과 SIFT 알고리 즘을 이용한 도로 이미지 추출 및 특징점을 추출한다. 마지막으로 지도에 포함된 도로에서 교통사고가 발생할 확률을 예측한다.

본 발명의 일실시예에서 입력되는 데이터는 주로 운전하는 지역의 맵 정보이기 때문에 실시간으로 사고 발생 확률을 예측하기 위해선 실시간 맵 정보 입력에 따른 처리가 필요하다. 이러한 조건을 만족하도록 다음과 같은 과정을 거쳐 예측 시스템을 생성한다.

첫 번째로, 교통사고 데이터를 수집한다. 교통사고 데이터에는 사고유형, 발생건 수, 사상자 수, 사망자 수, 중상자 수, 경상자 수, 부상자 수, 위도, 경도와 같은 정보들이 담겨있다.

본 발명의 일실시예에서는, 도 3에 도시된 바와 같이 파이썬(python)의 셀레니움(Selenium)과 지도 API를 바탕으로 실제 사고 위치를 시각화하기 위하여 도로 이미지를 직접 수집한다.

도 4를 참조하면, 해당 지도에서 도로와 도로가 아닌 것을 명확히 구분하기 위해 파이썬(python)의 OpenCV의 컬러 필터링을 적용하여 사고 위치별 도로 데이터로 전처리하였다. 색상을 표현하는 방식이 RGB, YUV, HSV와 같이 여러 가지가 존재하는데, 컬러 시스템에선 모든 색상이 수치로 표현된다.

즉 특정 색상이 가지는 수치 범위가 정해져 있는 것이다. 이때 원하는 색상을 남기고 다른 색상을 제거할 수 있는데, 본 발명의 일실시에서도 HSV 색상 시스템에서 도로(흰색)의 수치 범위만 남기고 그 외의 범위는 검은색으로 바꾸는 알고리즘을 적용했다.

본 발명의 일실시예에서는, 특징점 추출부(130)는 SIFT(Scale-Invariant Feature Transform) 특징 서술자를 이용하여 특징점을 추출한다. 여기서, SIFT는 이미지의 크기와 회전에 불변하는 특징을 추출하는 알고리즘이다. SIFT 알고리즘은 여러 단계를 거쳐 진행된다. 그 중 첫 번째 단계는 Scale-space extrema detection이다. 이 단계에서는 scale-space를 만들어서 extrema(극점)을 검출한. 여기서 scale-space란 원본 이미지를 다양한 크기로 resize하고, 도 5에 도시된 바와 같이이미지 피라미드(image pyramid)를 만든다. 도 6에 도시된 바와 같이, 이미지 피라미드(image pyramid)의 각 층 이미지를 점점 더 커지는 가우시안 블러 스케일 팩터(gaussian blur scale factor)로 가우시안 블러링(gaussian blurring)을 해 얻은 이미지들을 가리키는 용어이다.

스케일 공간(scale-space)를 구한 다음에는 Difference og Gaussian(DoG) 이미지를 구한다.

도 7에 도시된 바와 같이, DoG 이미지 생성을 위해 같은 옥타브(octave) 내 서로 다른 두 개의 가우시안 블러링 이미지(gaussian blurred image)로 빼기 연산을 수행한다. 그리고 만들어진 DoG를 이용해 극점(extema) 검출을 수행한다. 해당 좌표가 극소점이거나 극대점이라 판단되면 이를 특징점 후보군으로 분류한다. 이렇게 뽑은 특징점 후보군은 정확한 좌표계에 위치하지도 않고 활용가치가 떨어지는 것들도 있어서 안정된 특징점 후보군만을 선택하는 과정이 필요하다.

그래서 두 번째 과정인 특징점 로컬리제이션(localization)이라는 후처리를 통해 특징점가 scale-invariance를 가지도록 한다. 이 로컬리제이션(localization) 단계에서는 테일러 급수를 사용하여 더 정확한 극점을 찾은 뒤 이를 보간하여 그 점의 값을 구해 특징점 후보자 중에서 정확하지 않은 특징점을 제거한다.

그리고 세 번째 과정인 방향 할당(Orientation assignment)를 거치게 된다. 이는 지금까지 추출된 특징점 마다 주 방향을 결정하는 단계이다. 특징점 주변으로 16 x 16 영역을 할당한 후, 그 영역이미지를 가우시안 블러링(Gaussian Blurring)을 적용하면, 특징점 주변의 영역에 대한 기울기(Gradient) 방향과 크기를 결정하게 된다.

기울기(Gradient)의 방향과 크기를 구하면 방향 히스토그램(Orientation Histogram)을 형성한 후, 가장 값이 큰 것을 해당 방향(Orientation)으로 결정하게 된다. 회전에 대한 정보도 들어가있기 때문에 물체가 회전에도 인식할 수 있다는 장점을 가지고 있다.

그 다음으로는 특징점들 마다 서술자를 생성해주는 단계인 키포인트 서술자(Keypoint Descriptor) 단계를 거친다.

도 7을 참조하면, 각 특징점들 주변으로 16 x 16의 픽셀 영역을 할당하여 이미지 기울기(Image gradients)를 구하고, 서술자 윈도우(window) 크기의 1/2의 값을 가우시안 가중치 함수(Gassian Weighted function)에 곱해주게 된다. 그 다음으로 히스토그램을 그려주게 되는데 그전에 먼저 앞에서 구한 방향(Orientation)을 빼줘 서술자(Descriptor)가 회전에 불변하도록 만들어 준다.

객체인식을 할 때는 각 특징점의 서술자(Descriptor)를 가지고 인식할 물체 영상의 유클리드 거리를 사용해 서술자(Descriptor)와 비교하게 된다. 매칭 단계까지 수행되면, 도 8에 도시된 바와 같이 매칭된 특징점들이 추출되어 원하는 물체가 어디에 위치하는지 알 수 있다.

도 8을 참조하면, 서로 다른 두 이미지에서 위에서 소개한 SIFT 알고리즘을 통해 특징점을 각각 추출한 다음에 서로 가장 비슷한 특징끼리 매칭해주면 두 이미지에서 대응되는 부분을 찾을 수 있다는 것이 기본 원리이다. 컬러 필터링을 적용한 지도 이미지 학습데이터에 SIFT 알고리즘을 적용하여 도로에 대한 특징점을 추출한다. 이에 테스트할 데이터와의 매칭을 통해 결과가 높으면 사고가 발생할 확률이 높아지는 것이다.

도 9에 도시된 바와 같이, 결과 이미지에는 교통사고 유형에 해당하는 아이콘을 사고 발생 위험이 높은 도로에 표시한다. 이를 적용한 결과는 도 10에 도시 되었다.

본 발명에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법을 사용한다면 도로 모양에 맞게 예상되는 사고를 예상할 수 있으며, 도로 설계 로직을 구현할 수 있다.

미리 설계된 도로라면 사고 발생 가능성을 판단하는 알림 서비스를 제공하고, 정부나 지자체에서 대책을 마련할 수 있는 기반이 될 수 있다. 교통사고 외의 도로에서 발생하는 다양한 사고 데이터가 있다면 이를 포함한 위험 지도를 제작할 수 있으며, 자율주행과 관련된 시스템에도 내장될 수 있다.

이상의 설명은 본 발명의 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 실시예들은 본 발명의 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

110 : 데이터 수집부
120 : 전처리부
130 : 특징점 추출부
140 : 교통사고 발생확률 예측부

Claims (11)

1. 적어도 교통사고 지점의 위치 정보를 포함하는 도로 모양에 따른 교통사고 데이터 및 지도 이미지 데이터를 수집하는 데이터 수집부;
   상기 수집된 교통사고 데이터 및 지도 이미지 데이터를 도로 영역 및 도로 이외 영역을 구분하기 위하여 컬러 필터링 기법을 이용하여 교통사고 위치별 데이터로 전처리하는 전처리부;
   상기 전처리된 데이터를 기반으로 상기 지도 이미지의 크기와 회전에 불변하는 특징점을 추출하는 특징점 추출부; 및
   상기 추출된 특징점을 기반으로 목표 지도에 포함된 도로의 모양 분석을 통해 교통사고 발생 확률을 예측하는 교통사고 발생확률 예측부를 포함하는 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치.
2. 제1항에 있어서,
   상기 데이터 수집부는 교통사고의 유형, 발생건 수, 사상자 수, 사망자 수, 중상자 수, 경상자 수, 부상자 수, 위도, 경도 중 적어도 하나의 정보를 포함하는 상기 교통사고 데이터를 수집하는 것을 특징으로 하는 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치.
3. 제1항에 있어서,
   상기 특징점 추출부는 상기 수집된 지도 이미지 데이터를 다양한 크기로 조절(resize)하여 이미지 피라미드(image pyramid)를 생성하고 스케일 공간(scale-space)의 극점(extema)를 검출하여 특징점 후보군으로 분류하는 것을 특징으로 하는 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치.
4. 제3항에 있어서,
   상기 특징점 추출부는 상기 검출된 극점 대비 더욱 정확한 극점을 찾아 보간하고, 상기 특징점 후보군 중에서 정확하지 않은 특징점을 제거하는 것을 특징으로 하는 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치.
5. 제4항에 있어서,
   상기 교통사고 발생확률 예측부는 상기 추출된 특징점과 임의의 테스트 데이터를 매칭하여 매칭 결과가 높은 면 교통사고 발생확률이 높은 것으로 판단하는 것을 특징으로 하는 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치.
6. 적어도 교통사고 지점의 위치 정보를 포함하는 도로 모양에 따른 교통사고 데이터 및 지도 이미지 데이터를 수집하는 단계;
   상기 수집된 교통사고 데이터 및 지도 이미지 데이터를 도로 영역 및 도로 이외 영역을 구분하기 위하여 컬러 필터링 기법을 이용하여 교통사고 위치별 데이터로 전처리하는 단계;
   상기 전처리된 데이터를 기반으로 상기 지도 이미지의 크기와 회전에 불변하는 특징점을 추출하는 단계; 및
   상기 추출된 특징점을 기반으로 목표 지도에 포함된 도로의 모양 분석을 통해 교통사고 발생 확률을 예측하는 단계를 포함하는 도로 모양 분석을 통한 교통사고 발생 확률 예측 방법.
7. 제6항에 있어서,
   상기 데이터를 수집하는 단계는, 교통사고의 유형, 발생건 수, 사상자 수, 사망자 수, 중상자 수, 경상자 수, 부상자 수, 위도, 경도 중 적어도 하나의 정보를 포함하는 상기 교통사고 데이터를 수집하는 것을 특징으로 하는 도로 모양 분석을 통한 교통사고 발생 확률 예측 방법.
8. 제6항에 있어서,
   상기 특징점을 추출하는 단계는 상기 수집된 지도 이미지 데이터를 다양한 크기로 조절(resize)하여 이미지 피라미드(image pyramid)를 생성하고 스케일 공간(scale-space)의 극점(extema)를 검출하여 특징점 후보군으로 분류하는 것을 특징으로 하는 도로 모양 분석을 통한 교통사고 발생 확률 예측 방법.
9. 제8항에 있어서,
   상기 특징점을 추출하는 단계는 상기 검출된 극점 대비 더욱 정확한 극점을 찾아 보간하고, 상기 특징점 후보군 중에서 정확하지 않은 특징점을 제거하는 것을 특징으로 하는 도로 모양 분석을 통한 교통사고 발생 확률 예측 방법.
10. 제9항에 있어서,
    상기 교통사고 발생확률 예측단계는 상기 추출된 특징점과 임의의 테스트 데이터를 매칭하여 매칭 결과가 높은 면 교통사고 발생확률이 높은 것으로 판단하는 것을 특징으로 하는 도로 모양 분석을 통한 교통사고 발생 확률 예측 방법.
11. 제6항 내지 제10항중 어느 한 항에 따른 도로 모양 분석을 통한 교통사고 발생 확률 예측 방법이 컴퓨터 내에서 실행 가능한 명령어로 코딩된 정보가 기록된 컴퓨터에서 판독 가능한 기록 매체.

Images