• 대한교통학회지
• /
• 제27권6호
• /
• pp.79-88
• /
• 2009

본 연구는 차종분류기법을 개발하여, 가장 일반적인 교통정보 수집장치인 루프검지기에 피에조타입의 축검지센서를 추가 설치하여 2006년 하반기 국토해양부에서 제시하고 있는 "통합12종 교통량조사 차종분류가이드"에 따라 차종을 12종으로 자동분류하고, 분류시 오분류를 최소화하는 방안을 목적으로 한다. 차종의 세분류를 위해 차종분류인자를 차량의 길이, 축간거리, 축형식, 각 축별 윤거, 윤형식으로 두고, 각 분류인자의 판독을 위해 루프센서와 축검지센서를 조합한 차종분류시스템을 구성하였다. 본 차종분류시스템에서는 원더링 기법을 적용하였다. 원더링 기법은 차량의 좌우 각 차륜의 횡방향 주행 패턴을 분석하는 것으로서 주행차량의 윤거, 윤형식 등이 판독가능하다. 본 시스템을 이용하여 약 한달간 실증분석을 실시하였으며, 총 교통량 762,420대를 자동분류한 결과 12종 분류로 분류되지 못한 차량이 47대로 전체의 0.006%로 나타났으며, 이는 분류결과를 통계적으로 활용함에 있어서 무시할 수 있는 정도의 높은 수준의 분류율을 나타내는 것이다. 본 시스템을 이용하여 실제 공용도로에서 확보한 신뢰성 높은 차종분류 데이터는 도로의 계획 및 설계, 도로 운영 등에 폭넓게 이용할 수 있으며, 도로 교통계획과 관리계획 수립을 위한 기초적 정보를 제공할 수 있다. 또한 도로 및 교통분야의 다양한 연구에 활용할 수 있는 중요한 자료가 될 것이다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 춘계학술대회
• /
• pp.469-472
• /
• 2022

최근 지능형 교통 시스템의 발전에 따라 딥러닝을 기술을 적용한 다양한 기술들이 활용되고 있다. 도로를 주행하는 불법 차량 및 범죄 차량 단속을 위해서는 차량 종류를 정확히 판별할 수 있는 차종 분류 시스템이 필요하다. 본 연구는 YOLO(You Only Look Once)를 이용하여 이동식 차량 단속 시스템에 최적화된 차종 분류 시스템을 제안한다. 제안 시스템은 차량을 승용차, 경·소·중형 승합차, 대형 승합차, 화물차, 이륜차, 특수차, 건설기계, 7가지 클래스로 구분하여 탐지하기 위해 단일 단계 방식의 객체 탐지 알고리즘 YOLOv5를 사용한다. 인공지능 기술개발을 위하여 한국과학기술연구원에서 구축한 약 5천 장의 국내 차량 이미지 데이터를 학습 데이터로 사용하였다. 한 대의 카메라로 정면과 측면 각도를 모두 인식할 수 있는 차종 분류 알고리즘을 적용한 지정차로제 단속 시스템을 제안하고자 한다.

• 대한교통학회지
• /
• 제27권4호
• /
• pp.55-61
• /
• 2009

차종분류는 교통의 흐름 및 안전에 미치는 영향을 분석하고 도로의 포장 및 시설의 설계를 위하여 이루어진다. 국내에서는 국토해양부의 12종 분류에 따라 고속국도, 일반국도, 지방도의 차종분류 자료가 제공되고 있다. 기계식 차종분류를 위한 AVC(Automatic Vehicle Classification) 장비는 차량길이, 축거, 내민 거리(overhang) 등의 측정값과 미리 입력된 모든 차량 모델의 제원값을 비교하여 차종을 판단한다. 하지만, 기존의 방법은 센서의 관리상태에 분류 정확도가 크게 영향받게 된다. 본 연구에서는 실제 조사지점에서 발생하는 장비 오차와 차량 제원정보에 민감하지 않은 차종분류 알고리즘을 개발하였다. 알고리즘을 단순화하기 위하여 차량길이와 축거 중심으로 추세선을 이용하여 차종을 분류하므로 센서의 정확도 변화의 영향을 감소시켰다. 개발된 알고리즘의 평가를 위하여 일반국도에 설치된 AVC 장비에서 축수, 차량길이, 축거, 내민거리를 추출하여 비디오 판독 결과와 비교하였다. 실험 결과는 전체 차량에 대하여 88.2%의 정확도를 얻었다. 본 연구에서 개발된 차종분류 알고리즘은 센서의 감도 변화 등 현장 환경의 변화에 덜 영향을 받도록 설계되어 차종분류를 위한 기계식 장비의 안정적 정확도 유지에 활용될 수 있을 것으로 기대된다.

• 융합정보논문지
• /
• 제8권6호
• /
• pp.375-380
• /
• 2018

본 논문에서는 화물차 차종을 분류하기 위해서 특징추출단계 없이 입력영상으로부터 차종분류결과를 얻을 수 있는 합성곱 신경망을 사용한 분류방법을 제안한다. 차량의 위에서 촬영된 영상을 입력으로 사용하고 입력영상에 적합한 합성곱 신경망의 구조를 설계한다. 차종과 화물칸의 형태에 따라 차종을 자동 분류하기 위한 학습데이터를 생성하고 지도학습의 형태로 학습시키기 위해 분류된 영상과 올바른 출력결과를 제시하여 신경망의 가중치를 학습시킨다. 실제 영상을 입력하여 합성곱 신경망의 출력을 계산하였고 실제 차종과의 비교를 통해 분류 성능을 평가 하였다. 실험결과 화물의 차종과 적재함의 형태에 따라 90%이상의 정확도로 영상을 분류할 수 있었고, 적재불량 검사의 사전 분류에 활용될 수 있다.

• 대한토목학회논문집
• /
• 제36권6호
• /
• pp.1059-1068
• /
• 2016

현재 AVC 장비의 운영방법은 하나의 센서가 고장 나면 해당 차로의 교통량 속도 차량 종류에 대한 모든 정보의 생성을 중단하고 있다. 현재의 운영방법은 정상 센서에서 수집한 자료들을 활용하지 않는다는 비효율이 존재한다. 본 연구는 이런 비효율을 개선하기 위하여 일부 센서가 고장 난 AVC (Automatic Vehicle Classification)장비에서 교통량과 속도의 산출 방법에 대하여 연구를 진행하였다. 센서의 고장유형을 총 4가지로 분류하였으며, 각 고장유형별로 교통량과 속도를 산출하고 이에 대한 정확도분석을 수행하였다. 그 결과 교통량은 정확도가 매우 높은 값(정확도: 100%, 98%, 97%)으로 산출이 가능하였으며, 속도의 경우 충분히 받아들일 만한 수준의 속도 값(RMSE 값 16.9 이하)이 산출되는 것을 확인하였다. 따라서 본 연구에서 제시한 방법론들을 사용하면 AVC 장비의 운영 효율을 증가 시킬 수 있을 것으로 기대된다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제14권5호
• /
• pp.2171-2185
• /
• 2020

In order to judge that whether the vehicles in different images which are captured by surveillance cameras represent the same vehicle or not, we proposed a novel vehicle face recognition algorithm based on improved Nonnegative Matrix Factorization (NMF), different from traditional vehicle recognition algorithms, there are fewer effective features in vehicle face image than in whole vehicle image in general, which brings certain difficulty to recognition. The innovations mainly include the following two aspects: 1) we proposed a novel idea that the vehicle type can be determined by a few key regions of the vehicle face such as logo, grille and so on; 2) Through adding weight, sparseness and classification property constraints to the NMF model, we can acquire the effective feature bases that represent the key regions of vehicle face image. Experimental results show that the proposed algorithm not only achieve a high correct recognition rate, but also has a strong robustness to some non-cooperative factors such as illumination variation.

• 대한임베디드공학회논문지
• /
• 제10권3호
• /
• pp.179-188
• /
• 2015

We propose obstacle classification method based on 2D LIDAR(Light Detecting and Ranging) database. The existing obstacle classification method based on 2D LIDAR, has an advantage in terms of accuracy and shorter calculation time. However, it was difficult to classifier the type of obstacle and therefore accurate path planning was not possible. In order to overcome this problem, a method of classifying obstacle type based on width data of obstacle was proposed. However, width data was not sufficient to improve accuracy. In this paper, database was established by width, intensity, variance of range, variance of intensity data. The first classification was processed by the width data, and the second classification was processed by the intensity data, and the third classification was processed by the variance of range, intensity data. The classification was processed by comparing to database, and the result of obstacle classification was determined by finding the one with highest similarity values. An experiment using an actual autonomous vehicle under real environment shows that calculation time declined in comparison to 3D LIDAR and it was possible to classify obstacle using single 2D LIDAR.

• 한국정보통신학회:학술대회논문집
• /
• 한국해양정보통신학회 2010년도 춘계학술대회
• /
• pp.193-196
• /
• 2010

본 논문에서는 Chamfer Matching을 이용하여 차량 영상의 형태를 대형, 중형, 소형으로 분류하는 방법을 제안하며, 다음과 같이 두 단계로 구성된다. 첫 번째, 템플릿 후보 영상에서 차량 윤곽선을 추출한 후, 윤곽선으로부터의 거리변환을 통해 에지 거리 템플릿을 생성한다. 두 번째, 입력 영상과 템플릿 간의 거리 값 차이가 최소인 템플릿의 형태로 차량형태를 분류한다. 거리 값이란 입력 영상의 차량 윤곽선의 한 픽셀이 템플릿의 경계와 얼마나 떨어져 있는가를 나타낸 것이다. 실험 결과 제안된 방법은 실험 영상에 대해 80%의 만족할만한 성능을 나타내었다.

• Smart Structures and Systems
• /
• 제13권5호
• /
• pp.849-868
• /
• 2014

An indirect approach is explored for structural health bridge monitoring allowing for wide, yet cost-effective, bridge stock coverage. The detection capability of the approach is tested in a laboratory setting for three different reversible proxy types of damage scenarios: changes in the support conditions (rotational restraint), additional damping, and an added mass at the midspan. A set of frequency features is used in conjunction with a support vector machine classifier on data measured from a passing vehicle at the wheel and suspension levels, and directly from the bridge structure for comparison. For each type of damage, four levels of severity were explored. The results show that for each damage type, the classification accuracy based on data measured from the passing vehicle is, on average, as good as or better than the classification accuracy based on data measured from the bridge. Classification accuracy showed a steady trend for low (1-1.75 m/s) and high vehicle speeds (2-2.75 m/s), with a decrease of about 7% for the latter. These results show promise towards a highly mobile structural health bridge monitoring system for wide and cost-effective bridge stock coverage.

• 한국컴퓨터정보학회논문지
• /
• 제27권9호
• /
• pp.13-20
• /
• 2022

본 연구에서는 주행 차량의 실시간 연료소모량을 예측할 수 있는 머신러닝 기법을 제안하고 그 특성을 분석하였다. 머신러닝 학습을 위해 실도로 주행을 실시하여 주행 속도, 가속도, 도로 구배와 함께 연료소모량을 측정하였다. 특성 데이터로 속도, 가속도, 도로구배를, 타깃으로 연료소모량을 지정하여 다양한 머신러닝 모델을 학습시켰다. 회귀법에 해당하는 K-최근접이웃회귀 및 선형회귀와 함께, 분류법에 해당하는 K-최근접이웃분류, 로지스틱회귀, 결정트리, 랜덤포레스트, 그래디언부스팅을 사용하였다. 실시간 연료소모량에 대한 예측 정확도는 0.5 ~ 0.6 수준으로 전반적으로 낮았고, 회귀법의 경우 분류법보다 정확도가 떨어졌다. 총연료소모량에 대한 예측 오차는 0.2 ~ 2.0% 수준으로 상당히 정확했고, 분류법보다 회귀법의 오차가 더 낮았다. 이는 예측 정확도의 기준으로 결정계수(R²)를 사용했기 때문인데, 이 값이 작을수록 타깃의 평균 부근에 예측치가 좁게 분포하기 때문이다. 따라서 실시간 연료소모량 예측에는 분류법이, 총연료소모량 예측에는 회귀법이 적합하다고 할 수 있다.