1. 서 론
Table 1
2. 연구 대상 구간 선정 및 데이터 수집
2.1 연구 대상
2.2 현장 조사
Table 3
2.3 조사 영상 차종분류
3. YOLO를 활용한 차량 객체, 주행 경로 모니터링
Table 5
Type | Image | Explanation | ||
---|---|---|---|---|
Car | ||||
Bus | Small | Less than 16 passengers | ||
Large | 16 or more passengers | |||
Truck | Small | Less than 2.5 tons | ||
Medium | 2.5 tons or more | |||
Large | Semi/Full Trailer |
3.1 객체 탐지모델 선정
3.2 객체 추적 알고리즘 선정
3.3 경로 검출 알고리즘
3.3.1 프로그램의 동작 과정
4. 차량 객체 및 주행 경로 모니터링 결과
4.1 교차로 교통량 촬영 조건별 탐지율 비교 결과
4.1.1 각도에 따른 객체 탐지 능력 차이
4.1.2 객체 추적 시 발생하는 폐색 영역 분석과 촬영 각도 선택
4.2 드론 영상 교통 데이터의 인식률 고도화
4.2.1 1차 모델 인식률
4.2.2 2차 모델 인식률
5. 결 론
45도 각도의 데이터 세트는 폐색 영역 문제로 경로 검출에 한계를 가지고 있었다. 따라서 90도 각도의 데이터 세트를 활용하여 폐색 영역의 발생 확률을 낮추고 객체 추적에 미치는 영향을 최소화하였으며, 90도 각도의 데이터 세트를 중심부와 외곽을 구분하여 인식률을 높이기 위한 상호 비교를 수행하였다.
본 연구에서 개발된 객체 및 경로 인식 모델을 사용하여 수행한 경로 검출 결과를 확인한 결과, 45도 각도 촬영 영상 두 개와 90도 각도 촬영 영상 하나로 경로 인식률을 평가한 결과, 45도 각도 촬영 영상이 90도 각도 촬영 영상과 비교하면 경로 인식률이 크게 떨어지는 것을 확인하였다.
영상 분석 결과에서 가로수, 전봇대 등의 장애물이 차량 객체를 가리면서 객체 탐지가 끊기는 것이 경로 인식률 하락의 주요 원인임을 확인할 수 있었다.
경로 인식률 개선을 위해 현재 90도 각도에서 사거리 중앙을 촬영한 영상과 외곽을 촬영한 영상을 분류하여 새로운 데이터 세트를 제작하고 분석하였으며, 차종별 인식률은 평균 93.7%, 경로 인식률은 평균 93.7%로 향상된 모델을 개발함을 확인하였다.