KR20230073500A - Cctv 영상 기반 이동 차량 속도 추정 방법 - Google Patents

Cctv 영상 기반 이동 차량 속도 추정 방법 Download PDF

Info

Publication number
KR20230073500A
KR20230073500A KR1020210159965A KR20210159965A KR20230073500A KR 20230073500 A KR20230073500 A KR 20230073500A KR 1020210159965 A KR1020210159965 A KR 1020210159965A KR 20210159965 A KR20210159965 A KR 20210159965A KR 20230073500 A KR20230073500 A KR 20230073500A
Authority
KR
South Korea
Prior art keywords
speed
frame
tracking
image frame
estimation method
Prior art date
Application number
KR1020210159965A
Other languages
English (en)
Other versions
KR102586639B1 (ko
Inventor
장수현
신대교
윤상훈
임기택
정한균
진성근
장성현
한서우
Original Assignee
한국전자기술연구원
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 한국전자기술연구원 filed Critical 한국전자기술연구원
Priority to KR1020210159965A priority Critical patent/KR102586639B1/ko
Publication of KR20230073500A publication Critical patent/KR20230073500A/ko
Application granted granted Critical
Publication of KR102586639B1 publication Critical patent/KR102586639B1/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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G01P3/36—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light
    • G01P3/38—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light using photographic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Power Engineering (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

CCTV 영상 기반 이동 차량 속도 추정 방법이 제공된다. 본 발명의 실시예에 따른 객체 속도 추정 방법은, 영상 프레임에서 객체를 검출하고, 검출된 객체를 정해진 프레임 인터벌 이후의 영상 프레임 마다 트래킹하며, 트래킹되는 객체의 속도를 추정한다. 이에 의해, 매 프레임마다 객체 트래킹을 진행하는 것보다 객체 트래킹 입력 프레임에 인터벌을 주어 객체 트래킹을 함으로써, 객체 트래킹 BBox regression의 불안정한 요소를 줄임으로써 다중 CCTV 실시간 이동 차량에 대해 정밀 속도추정을 할 수 있게 된다.

Description

CCTV 영상 기반 이동 차량 속도 추정 방법{CCTV video-based moving vehicle speed estimation method}
본 발명은 이동 차량 속도 추정 기술에 관한 것으로, 더욱 상세하게는 고속도로 교통관리 시스템 중 한 종류인 CCTV 영상을 기반으로 차량 검출 및 트래킹을 통해 이동 차량의 속도를 추정하는 방법에 관한 것이다.
최근, 국내 도심 도로 및 한국도로공사가 관리하는 고속도로에는 루프센서 및 CCTV 영상기반 차량검지, 구간교통정보수집, 자동 유고 검지와 같은 교통관제 시스템이 도입되어 있으며, 신호위반, 구간단속, 불법 주/정차, 속도위반, 과적 차량 단속 등 교통단속 시스템이 운영되고 있다.
다만, 생활 방범 및 도로 방범 등에는 인공지능기반 지능형 CCTV 영상 관제 시스템이 도입됐지만, 아직은 도로 영상기반 지능형 교통관제 시스템은 도입되지 않은 상황이며, 차량검지, 속도위반 등 이벤트 기반 교통분석 기술 또는 일반적인 컴퓨터 비전 알고리즘 기반 솔루션으로만 적용된 상태이다.
고속도로 내 CCTV 영상기반 객체검출 및 객체 트래킹 기술에 최근 딥러닝 기술을 접목하여, 많은 솔루션과 성과를 발표하고 있다.
딥러닝 기반 객체검출 중 실시간 객체검출이 가능하지만, 성능이 two-stage model보다 낮은 모델을 one-stage model이라 하며, 정확도는 높으나 실시간 객체검출이 불가능한 모델을 two-stage model이라 한다.
실시간 객체검출을 위해 one-stage model을 사용하는 경우, 객체검출 BBox(Bounding Box) regression이 불안정하며, 이 모델의 객체검출 BBox 출력값을 이용하여 객체 트래킹을 하는 경우, 객체 트래킹 BBox regression 또한 오차가 누적되어 더 불안정하다.
기존 속도추정 알고리즘의 경우, BBox regeression 불안정한 요소는 일반적으로 칼만 필터를 활용하지만, 다중 CCTV 영상분석을 실시간으로 하기 위해서는 연산량이 많은 칼만 필터 알고리즘 적용이 힘들다는 문제가 있다.
따라서, 실시간 처리를 위해 사용되는 one-stage 객체검출 기반 객체 트래킹 모델의 BBox regression 결과가 불안정하므로, 트래킹 BBox를 기반으로 이동 차량 속도추정 시 정확도가 낮게 나오는 문제에 대한 해결할 필요성이 있다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 고속도로와 같은 정속주행 환경에서 객체를 매 프레임 마다 트래킹하지 않아도 문제가 안 생긴다는 점에서 착안하여, 다중 CCTV VDS(Vehicle Detection System) 영상분석을 가능하게 하고 트래킹 Bbox regression 불안정 문제를 처리하여 속도추정 정확도를 향상할 수 있는 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 객체 속도 추정 방법은, 영상 프레임에서 객체를 검출하는 단계; 검출된 객체를 정해진 프레임 인터벌 이후의 영상 프레임 마다 트래킹하는 단계; 및 트래킹되는 객체의 속도를 추정하는 단계;를 포함한다.
트래킹 단계에서, 프레임 인터벌은, 객체 트래킹 시 BBox(Bounding Box) regression의 불안정을 줄여줄 수 있다.
검출 단계에서는, 프레임 인터벌이 적용되지 않을 수 있다.
검출 단계는, 영상 프레임을 분석하여 객체를 검출하도록 학습된 딥러닝 모델인 검출 모델'을 이용하여 수행되고, 트래킹 단계는, '검출 단계에서의 검출 결과와 영상 프레임을 분석하여 객체를 트래킹하도록 학습된 딥러닝 모델인 트래킹 모델'을 이용하여 수행될 수 있다.
프레임 인터벌은, 추정 단계를 통해 추정된 객체의 속도와 속도 측정 장비를 이용하여 실제로 측정한 객체의 속도 간 차이를 최소로 하는 수치로 결정될 수 있다.
영상 프레임은, 카메라로부터 객체가 가까워지는 상황에서 획득될 수 있다. 객체는, 차량일 수 있다. 차량은, 고속도로에서 정속 주행하는 차량일 수 있다.
영상 프레임은, 고속도로에 설치된 CCTV에서 촬영되어 획득되는 영상 프레임일 수 있다.
한편, 본 발명의 다른 실시예에 따른, 객체 속도 추정 시스템은, 영상 프레임에서 객체를 검출하고, 검출된 객체를 정해진 프레임 인터벌 이후의 영상 프레임 마다 트래킹하며, 트래킹되는 객체의 속도를 추정하는 프로세서; 및 프로세서에 필요한 저장공간을 제공하는 저장부;를 포함한다.
한편, 본 발명의 다른 실시예에 따른, 객체 속도 추정 방법은, 촬영을 통해 영상 프레임을 생성하는 단계; 생성된 영상 프레임에서 객체를 검출하는 단계; 검출된 객체를 정해진 프레임 인터벌 이후의 영상 프레임 마다 트래킹하는 단계; 및 트래킹되는 객체의 속도를 추정하는 단계;를 포함한다.
한편, 본 발명의 다른 실시예에 따른, 영상 분석 시스템은, 촬영을 통해 영상 프레임을 생성하는 촬영장치; 및 촬영장치에서 생성된 영상 프레임에서 객체를 검출하고, 검출된 객체를 정해진 프레임 인터벌 이후의 영상 프레임 마다 트래킹하며, 트래킹되는 객체의 속도를 추정하는 객체 속도 추정 시스템;을 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 매 프레임마다 객체 트래킹을 진행하는 것보다 객체 트래킹 입력 프레임에 인터벌을 주어 객체 트래킹을 함으로써, 객체 트래킹 BBox regression의 불안정한 요소를 줄임으로써 다중 CCTV 실시간 이동 차량에 대해 정밀 속도추정을 할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 CCTV 영상 기반 이동 차량 속도 추정 방법의 설명에 제공되는 흐름도,
도 2는 프레임 인터벌이 "2"로 설정된 경우의 이동 차량 트래킹 방법,
도 3은 프레임 인터벌이 "0"으로 설정된 경우의 이동 차량 트래킹 방법(기존 방법)
도 4는 프레임 인터벌을 변화하면서 추정 속도와 실측 속도를 비교하여 얻은 표준편차를 제시한 표,
도 5는 카메라로부터 차량이 멀어지는 영상,
도 6은 카메라로부터 차량이 가까워지는 영상, 그리고,
도 7은 본 발명의 다른 실시예에 따른 CCTV VDS 영상 분석 시스템을 도시한 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
본 발명의 실시예에서는 CCTV 영상 기반 이동 차량 속도 추정 방법을 제시한다. 구체적으로 고속도로와 같이 정속주행 환경에서는 이동 차량을 매 프레임 마다 트래킹하지 않아도 문제가 안 생긴다는 점에 착안하여, 객체 트래킹 시 프레임 인터벌을 적용하여 트래킹 BBox(Bounding Box) regression 불안정 문제를 해결하고, 속도 추정 정확도를 향상하며, 다중 CCTV VDS(Vehicle Detection System) 영상 분석을 실시간 처리할 수 있는 방법을 제시한다.
도 1은 본 발명의 일 실시예에 따른 CCTV 영상 기반 이동 차량 속도 추정 방법의 설명에 제공되는 흐름도이다.
이동 차량의 속도를 추정하기 위해, 먼저 CCTV에서 촬영되어 생성되는 영상 프레임들을 연속하여 입력받는다(S110).
다음 S110단계에서 입력되는 영상 프레임들에서 관심 객체인 이동 차량들을 검출하고(S120), 검출된 이동 차량들을 정해진 프레임 인터벌 이후의 영상 프레임 마다 트래킹(추적) 한다(S130). 프레임 인터벌이 설정되어 있으면, 이동 차량이 검출된 영상 프레임의 바로 다음 영상 프레임부터 이동 차량의 트래킹이 수행되지 않는다.
도 2에는 프레임 인터벌이 "2"로 설정된 경우의 이동 차량 트래킹 방법을 나타내었다. 도시된 바와 같이, 영상 프레임 #1에서 검출된 객체들은 영상 프레임을 프레임 인터벌 개수(2개) 만큼씩 건너 뛰면서, 영상 프레임 #4, 영상 프레임 #7, 영상 프레임 #10, ... 에서 트래킹된다.
도 3에는 기존 방식에서 이동 차량 트래킹 방법인데, 본 발명의 실시예에서 도입한 프레임 인터벌이란 표현을 사용하면 프레임 인터벌이 "0"으로 설정된 경우라 할 수 있다. 도시된 바와 같이, 영상 프레임 #1에서 검출된 객체들은 이후 모든 입력 영상 프레임인 영상 프레임 #2, 영상 프레임 #3, 영상 프레임 #4, ...., 영상 프레임 #10, ... 에서 트래킹된다.
도 2에 제시된 바와 같이, 검출된 이동 차량의 트래킹 시에 프레임 인터벌을 부여하게 되면, BBox regression의 불안정성, BBox의 크기와 위치가 심하게 변동되는 현상을 해소할 수 있게 된다.
프레임 인터벌은 고속도로와 같이 일정한 방향으로 이동하는 차량의 트래킹을 수행함에 있어, BBox regression의 불안정성 해소하는 것 외에 트래킹을 위한 연산량을 줄여 다중 CCTV VDS 영상 분석을 실시간으로 처리할 수 있도록 하여 준다.
본 발명의 실시예에서 S120단계의 이동 차량 검출은 '입력 영상 프레임을 분석하여 이동 차량을 검출하도록 학습된 딥러닝 모델인 검출 모델'을 이용하여 수행되고, S130단계의 이동 차량 트래킹은 '검출 모델의 검출 결과와 입력 영상 프레임을 분석하여 이동 차량을 트래킹하도록 학습된 딥러닝 모델인 트래킹 모델'을 이용하여 수행된다.
한편, 프레임 인터벌은 트래킹 모델에만 적용하고, 검출 모델에서는 적용하지 않는다. 일반적으로 객체검출 BBox regression은 객체 트래킹 BBox regression 만큼 불안정하지 않기 때문이다.
다시, 도 1을 참조하여 설명한다.
S130단계에서 이동 차량들이 트래킹 되면, 트래킹되는 이동 차량들의 속도를 추정한다(S140). 속도 추정은 영상에서 이동하는 객체의 속도를 계산하는 이미 알려지 여러 알고리즘들 중 하나를 이용할 수 있다.
다음, S140단계에서 추정된 속도 정보를 이동 차량의 객체 ID와 주행 차로 정보와 함께 출력하여 관리자에게 제공한다(S150).
이하에서는, 이동 차량 속도 추정 방법에 적용할 적정의 프레임 인터벌을 결정하는 방법에 대해 설명한다.
트래킹 모델로 입력할 영상 프레임의 프레임 인터벌은, 'S140단계를 통해 추정되어 S150단계를 통해 출력되는 이동 차량의 속도'와 '속도 측정 장비(예를 들어, 레이다 장비)를 이용하여 실제로 측정한 이동 차량의 속도'를 비교하여, 양자의 차이(표준편차)를 최소로 하는 프레임 인터벌로 결정할 수 있다.
도 4에는 프레임 인터벌을 변화하면서 본 발명의 실시예에 따른 방법으로 추정된 차량의 속도와 실측된 차량의 속도를 비교하여 얻은 표준편차를 제시하였다. 구체적으로, 도 4의 윗 줄은 카메라로부터 차량이 멀어지는 경우(도 5에 제시된 바와 같이 차량이 이동하는 상황)에서 얻은 결과이고, 도 4의 아래 줄은 카메라로부터 차량이 가까워지는 경우(도 6에 제시된 바와 같이 차량이 이동하는 상황)에서 얻은 결과이다.
어느 경우이던 프레임 인터벌을 "4"로 설정하는 경우가 표준편차가 가장 적음, 즉, 추정된 이동 차량의 속도가 실측된 이동 차량의 속도와 가장 많이 유사함을 알 수 있으므로, 프레임 인터벌을 "4"로 설정하는 것이 좋다. 하지만, 도로 환경과 CCTV 카메라의 사양에 따라 최적의 프레임 인터벌 값은 달라질 수 있다.
한편, 도 4에서 카메라로부터 차량이 멀어지는 경우 보다 카메라로부터 차량이 가까워지는 경우가, 프레임 인터벌의 값에 상관 없이 표준편차가 낮게 나온 것을 확인할 수 있다.
카메라로부터 차량이 멀어지는 영상의 경우 차량이 진행방향으로 나아갈수록 픽셀 왜곡이 커져서 속도 오차가 커지는데 반해, 카메라로부터 차량이 가까워지는 영상의 경우 차량이 진행방향으로 나아갈수록 픽셀 왜곡이 작아져서 속도 오차가 작아짐에 기인한 것으로 분석된다. 그러므로, 이동 차량 속도 추정을 위한 입력 영상은 카메라로부터 차가 가까워지는 영상으로 함이 바람직하다.
결과적으로, 이동 차량 트래킹을 위한 입력 프레임에 프레임 인터벌을 적용하여 추정한 이동 차량의 속도와 레이다 장비를 이용하여 실측한 이동 차량의 속도를 비교하여 본 결과, 입력 프레임에 프레임 인터벌을 주었을 때 속도 표준편차가 더 낮음을 보였으며, 연산량도 현저히 줄어들어 다중 CCTV 기반 이동 차량 속도추정 성능을 향상시킬 것으로 기대한다.
도 7은 본 발명의 다른 실시예에 따른 CCTV VDS 영상 분석 시스템을 도시한 도면이다. 본 발명의 실시예에 따른 CCTV VDS 영상 분석 시스템은, 도시된 바와 같이, CCTV(210)와 차량 속도 추정 시스템(220)을 포함하여 구성된다.
CCTV(210)는 고속도로 상의 시설물에 설치되어 고속도로를 주행하는 차량들을 촬영한다. 차량 속도 추정 시스템(220)은 CCTV(210)에 의해 생성되는 영상 프레임으로부터 차량의 이동 속도를 추정한다.
차량 속도 추정 시스템(220)는, 도시된 바와 같이, 입력부(221), 프로세서(222), 출력부(223) 및 저장부(224)를 포함하여 구성된다.
입력부(221)는 CCTV(210)에 의해 생성되는 영상 프레임들을 프로세서(222)로 전달하며, 프로세서(222)는 전술한 검출 모델과 트래킹 모델을 실행/구동하고, 트래킹 결과로부터 이동 차량의 속도를 추정한다.
출력부(223)는 프로세서(222)에 의한 속도 추정 결과를 출력하고, 저장부(224)는 프로세서(222)가 기능하고 동작함에 있어 필요한 저장공간을 제공하는 저장매체이다.
지금까지, CCTV 영상 기반 이동 차량 속도 추정 방법에 대해 바람직한 실시예를 들어 상세히 설명하였다.
위 실시예에서는 고속도로와 같은 정속주행 환경에서 객체를 매 프레임 트래킹하지 않아도 문제가 안 생긴다는 점에서 착안하여, 다중 CCTV VDS 영상분석을 가능하게 하고 트래킹 BBOX의 regression 불안정 문제를 처리하여 속도추정 정확도를 향상할 수 있는 방법을 제시하였다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
210 : CCTV
220 : 차량 속도 추정 시스템
221 : 입력부
222 : 프로세서
223 : 출력부
224 : 저장부

Claims (12)

  1. 영상 프레임에서 객체를 검출하는 단계;
    검출된 객체를 정해진 프레임 인터벌 이후의 영상 프레임 마다 트래킹하는 단계; 및
    트래킹되는 객체의 속도를 추정하는 단계;를 포함하는 것을 특징으로 하는 객체 속도 추정 방법.
  2. 청구항 1에 있어서,
    트래킹 단계에서, 프레임 인터벌은,
    객체 트래킹 시 BBox(Bounding Box) regression의 불안정을 줄여주는 것을 특징으로 하는 객체 속도 추정 방법.
  3. 청구항 1에 있어서,
    검출 단계에서는,
    프레임 인터벌이 적용되지 않는 것을 특징으로 하는 객체 속도 추정 방법.
  4. 청구항 1에 있어서,
    검출 단계는,
    영상 프레임을 분석하여 객체를 검출하도록 학습된 딥러닝 모델인 검출 모델'을 이용하여 수행되고,
    트래킹 단계는,
    '검출 단계에서의 검출 결과와 영상 프레임을 분석하여 객체를 트래킹하도록 학습된 딥러닝 모델인 트래킹 모델'을 이용하여 수행되는 것을 특징으로 하는 객체 속도 추정 방법.
  5. 청구항 1에 있어서,
    프레임 인터벌은,
    추정 단계를 통해 추정된 객체의 속도와 속도 측정 장비를 이용하여 실제로 측정한 객체의 속도 간 차이를 최소로 하는 수치로 결정되는 것을 특징으로 하는 객체 속도 추정 방법.
  6. 청구항 5에 있어서,
    영상 프레임은,
    카메라로부터 객체가 가까워지는 상황에서 획득되는 것을 특징으로 하는 객체 속도 추정 방법.
  7. 청구항 1에서,
    객체는,
    차량인 것을 특징으로 하는 객체 속도 추정 방법.
  8. 청구항 7에 있어서,
    차량은,
    고속도로에서 정속 주행하는 차량인 것을 특징으로 하는 객체 속도 추정 방법.
  9. 청구항 8에 있어서,
    영상 프레임은,
    고속도로에 설치된 CCTV에서 촬영되어 획득되는 영상 프레임인 것을 특징으로 하는 객체 속도 추정 방법.
  10. 영상 프레임에서 객체를 검출하고, 검출된 객체를 정해진 프레임 인터벌 이후의 영상 프레임 마다 트래킹하며, 트래킹되는 객체의 속도를 추정하는 프로세서; 및
    프로세서에 필요한 저장공간을 제공하는 저장부;를 포함하는 것을 특징으로 하는 객체 속도 추정 시스템.
  11. 촬영을 통해 영상 프레임을 생성하는 단계;
    생성된 영상 프레임에서 객체를 검출하는 단계;
    검출된 객체를 정해진 프레임 인터벌 이후의 영상 프레임 마다 트래킹하는 단계; 및
    트래킹되는 객체의 속도를 추정하는 단계;를 포함하는 것을 특징으로 하는 객체 속도 추정 방법.
  12. 촬영을 통해 영상 프레임을 생성하는 촬영장치; 및
    촬영장치에서 생성된 영상 프레임에서 객체를 검출하고, 검출된 객체를 정해진 프레임 인터벌 이후의 영상 프레임 마다 트래킹하며, 트래킹되는 객체의 속도를 추정하는 객체 속도 추정 시스템;을 포함하는 것을 특징으로 하는 영상 분석 시스템.
KR1020210159965A 2021-11-19 2021-11-19 Cctv 영상 기반 이동 차량 속도 추정 방법 KR102586639B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210159965A KR102586639B1 (ko) 2021-11-19 2021-11-19 Cctv 영상 기반 이동 차량 속도 추정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210159965A KR102586639B1 (ko) 2021-11-19 2021-11-19 Cctv 영상 기반 이동 차량 속도 추정 방법

Publications (2)

Publication Number Publication Date
KR20230073500A true KR20230073500A (ko) 2023-05-26
KR102586639B1 KR102586639B1 (ko) 2023-10-10

Family

ID=86537423

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210159965A KR102586639B1 (ko) 2021-11-19 2021-11-19 Cctv 영상 기반 이동 차량 속도 추정 방법

Country Status (1)

Country Link
KR (1) KR102586639B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102019047B1 (ko) * 2018-06-12 2019-09-10 대한민국 영상 내 차량 속도 추정 장치 및 방법
JP2019211814A (ja) * 2018-05-31 2019-12-12 株式会社東芝 渋滞予測装置、および、渋滞予測方法
KR102200204B1 (ko) * 2019-12-05 2021-01-11 (주)한국아이티에스 Cctv 영상을 활용한 3차원 영상분석 시스템
KR20210052031A (ko) * 2019-10-31 2021-05-10 한국전자기술연구원 딥러닝 기반 교통 흐름 분석 방법 및 시스템
KR102323437B1 (ko) * 2021-06-01 2021-11-09 시티아이랩 주식회사 딥러닝 기반 교통량 모니터링 방법, 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019211814A (ja) * 2018-05-31 2019-12-12 株式会社東芝 渋滞予測装置、および、渋滞予測方法
KR102019047B1 (ko) * 2018-06-12 2019-09-10 대한민국 영상 내 차량 속도 추정 장치 및 방법
KR20210052031A (ko) * 2019-10-31 2021-05-10 한국전자기술연구원 딥러닝 기반 교통 흐름 분석 방법 및 시스템
KR102200204B1 (ko) * 2019-12-05 2021-01-11 (주)한국아이티에스 Cctv 영상을 활용한 3차원 영상분석 시스템
KR102323437B1 (ko) * 2021-06-01 2021-11-09 시티아이랩 주식회사 딥러닝 기반 교통량 모니터링 방법, 및 시스템

Also Published As

Publication number Publication date
KR102586639B1 (ko) 2023-10-10

Similar Documents

Publication Publication Date Title
Naphade et al. The 2018 nvidia ai city challenge
JP7081438B2 (ja) オブジェクト速度推定方法と装置及び画像処理機器
CN111753797B (zh) 一种基于视频分析的车辆测速方法
US10853949B2 (en) Image processing device
KR20200064873A (ko) 객체와 감지 카메라의 거리차를 이용한 속도 검출 방법
CN106295598A (zh) 一种跨摄像头目标跟踪方法及装置
KR102308892B1 (ko) 영상 기반 교통량 측정 시스템 및 그 방법
JP2001216519A (ja) 交通監視装置
KR102584708B1 (ko) 과소 및 과밀 환경을 지원하는 군중위험관리시스템 및 방법
JP2021128761A (ja) 道路監視ビデオのオブジェクト追跡装置及び方法
US20170103536A1 (en) Counting apparatus and method for moving objects
CN110889347B (zh) 基于时空计数特征的密度交通流计数方法及系统
CN115294169A (zh) 一种车辆追踪方法、装置、电子设备及存储介质
Mohd et al. Vehicles counting from video stream for automatic traffic flow analysis systems
KR102586639B1 (ko) Cctv 영상 기반 이동 차량 속도 추정 방법
WO2020237501A1 (zh) 一种多源协同道路车辆监控系统
CN111627224A (zh) 车辆速度异常检测方法、装置、设备及存储介质
CN109800685A (zh) 一种视频中对象的确定方法及装置
CN112541457B (zh) 一种监控节点的搜索方法及相关装置
EP3905113A1 (en) Camera height calculation method and image processing apparatus
CN109740518B (zh) 一种视频中对象的确定方法及装置
Yao An effective vehicle counting approach based on CNN
Mini et al. Speed estimation and detection of moving vehicles based on probabilistic principal component analysis and new digital image processing approach
Perkasa et al. Video-based system development for automatic traffic monitoring
TWI773112B (zh) 道路監測系統、裝置及方法

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant