• 한국측량학회지
• /
• 제38권3호
• /
• pp.269-279
• /
• 2020

교통량 산정은 주로 교통량조사시스템, 차량검지시스템, 통행료징수시스템 등과 같은 조사 장비와 CCTV를 통한 인력 조사를 병행하고 있으나 이는 많은 인력과 비용이 발생한다. 본 연구에서는 단일 CCTV의 경우 전체 차량을 탐지하지 못하는 한계를 극복하기 위해서, 딥러닝과 스테레오 CCTV를 이용하여 교통량을 산정하는 방법을 제안하였다. 차량을 탐지하기 위한 딥러닝 모델을 학습하기 위해 COCO 데이터셋을 사용하고, 실시간으로 좌우 CCTV 영상에서 각각 차량을 탐지하였다. 그리고 나서, 각 영상에서 추출하지 못한 차량을 부등각사상변환을 이용하여 추가적으로 차량을 탐지하여 교통량 산정의 정확도를 개선하였다. 실험은 평상시 도로 환경과 안개가 발생한 기상 상황의 경우에 대해서 각각 수행하였다. 평상시 도로 환경의 경우 단일 CCTV 영상을 사용할 때보다 좌우 영상에서 각각 6.75%, 5.92%의 차량 탐지의 개선효과가 있었다. 또한, 안개가 발생한 도로 환경의 경우 좌우 영상에서 각각 10.79%, 12.88%의 차량 탐지의 개선효과가 있었다.

• 한국정보통신학회논문지
• /
• 제25권1호
• /
• pp.146-151
• /
• 2021

현재 국내외 여러 국가에서 한 가정의 차량의 수요가 증가하여 차량의 탑승 인원은 적어지고 도로의 차량 수는 증가하고 있는 추세이다. 이에 따른 문제점인 교통 체증을 해결하기 위해 이용 가능한 다인승 전용차로 제도가 시행되고 있다. 이 제도는 경찰들이 빠르게 움직이는 차량을 직접 눈으로 감시하여 불법 차량을 단속하는 실정이며, 이는 정확성이 낮고 사고의 위험성을 동반된다. 이러한 문제점을 해결하기 위해 도로 현장의 영상을 이용한 딥러닝 객체 인식 기술을 적용한다면 앞서 말한 문제점들이 해결될 것이다. 따라서, 본 논문에서는 기존의 딥러닝 모델의 성능을 비교·분석하여, 영상을 통해 실시간 차량 탑승 인원을 파악할 수 있는 딥러닝 모델을 선정하고 객체 인식 모델의 문제점을 보완한 차량 탑승 인원 감지 알고리즘을 제안한다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2018년도 추계학술대회
• /
• pp.582-585
• /
• 2018

교통량이 증가하고 도로 네트워크가 복잡해짐에 따라 정확한 교통 흐름 파악을 통해 교통의 원활한 흐름을 유도하는 것은 많은 국가의 관심사항이다. 교통 흐름을 효과적으로 알기 위한 다양한 분석 기술 및 연구들이 있어 왔지만 위치(GPS) 데이터를 포함한 데이터 시각화를 통해 먼저 교통 흐름의 패턴을 찾는 것이 필요하다. 본 논문에서는 실제 도시의 교통 궤적을 시뮬레이션한 내용을 도구로 사용함으로써 교통 흐름의 패턴을 시각화하는 것을 목표로 한다. 이에 24시간운행 되어 지고 정해진 경로가 없는 특징을 가진 실제 택시 40대에 센서 모듈을 설치하여 IoV(Internet of Vehicle)데이터를 수집하고 이 데이터를 이용하여 전처리 과정을 거친 후 오픈소스 기반의 데이터 시각화 도구를 우리의 데이터 특성에 적합하도록 개선하였다. 해당 시각화 모델은 시간 흐름에 따른 차량 트랙킹 Dot을 통해 차량 밀집 지역과 이동 경로 패턴 인식이 가능하므로 도시 내에서 또는 도시와 도시간의 교통 흐름 파악을 통해 도시 환경 문제 개선에 기여할 것으로 기대된다.

• 지능정보연구
• /
• 제20권1호
• /
• pp.121-131
• /
• 2014

교통속도는 교통 문제를 해결하기 위한 중요한 지표 중 하나이다. 이를 이용하여 교통혼잡 탐지, 주행 시간 예측, 도로 설계와 같은 다양한 문제 해결에 활용할 수 있다. 따라서 정확한 교통속도 예측은 지능형 교통 시스템의 개발에 있어 필수적인 요소라고 할 수 있다. 본 논문에서는 대한민국 부산시의 특정 도로를 대상으로 교통 속도에 대한 분석 및 예측을 수행하였다. 과거 연구에서는 대상 도로의 속도 예측을 위해 과거 대상 도로의 교통속도 이력 데이터만을 사용하였다. 그러나 실제 대상 도로의 교통 상황은 인접한 도로의 교통 상황의 영향을 받게 된다. 따라서 본 논문에서는 실제 부산시의 과거 교통속도 이력 데이터를 기반으로 대상 도로와 인접 도로를 모두 고려하여 교통속도 예측 모델의 학습을 위한 속성을 추출하였다. 이와 같이 후보 속성들을 추출 한 후 선형 회귀 (linear regression), 모델 트리 (model tree) 및 k-nearest neighbor (k-NN) 기법을 이용하여 속성의 부분집합 선택 (feature subset selection)과 교통속도 예측 모델 생성을 수행하였다. 실험 결과 주어진 교통 데이터에서 k-NN 기법은 선형 회귀 및 모델 트리 기법에 비해 평균절대백분율오차 (mean absolute percent error, MAPE)와 제곱근평균제곱오차 (root mean squared error, RMSE) 측면에서 더 나은 성능을 보임을 확인하였다.