차량 단말기 기반 돌발상황 검지 알고리즘 개발
Development of a Emergency Situation Detection Algorithm Using a Vehicle Dash Cam
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
전방 낙하물과 같은 돌발상황이 발생했을 때 신속하고 적절한 정보 제공은 도로 위 이용자들의 편의를 가져다주고 2차 교통사고 또한 효과적으로 줄일 수 있다. 도로 상의 돌발상황은현재 국내에서 루프 검지기나 CCTV 등 ITS 기반 검지 체계를 사용하여 주로 검지하고 있다. 이러한 방식은 검지기의 검지 구간에서의 도로 위 데이터만을 얻을 수 있다. 때문에, 기존 ITS 기반 검지체계의 공간적 음영구간에서 돌발상황을 찾아내기 위하여 새로운 검지 수단이 필요하다. 이에 본 연구에서는 차량 내 설치된 단말기에서 촬영된 영상으로부터 돌발상황을 검지및 분류하는 ResNet 기반 알고리즘을 제안한다. 국내 고속도로 전방 주행영상을 수집하였고, 돌발상황 유형을 클래스로 정의하여 각 데이터를 라벨링한 후, 제안한 알고리즘으로 데이터를학습시켰다. 학습 결과, 개발한 알고리즘은 데이터 수가 상대적으로 적었던 일부 클래스를 제외하고 정의한 돌발상황 클래스에 대하여 높은 검지율을 보였다.
Abstract
Swift and appropriate responses in emergency situations like objects falling on the road can bring convenience to road users and effectively reduces secondary traffic accidents. In Korea, current intelligent transportation system (ITS)-based detection systems for emergency road situations mainly rely on loop detectors and CCTV cameras, which only capture road data within detection range of the equipment. Therefore, a new detection method is needed to identify emergency situations in spatially shaded areas that existing ITS detection systems cannot reach. In this study, we propose a ResNet-based algorithm that detects and classifies emergency situations from vehicle camera footage. We collected front-view driving videos recorded on Korean highways, labeling each video by defining the type of emergency, and training the proposed algorithm with the data.
참고문헌 (20)
- Baek, S. K., "Future Highway Prospects and Road Infrastructure Policy Direction", The Korea Spatial Planning Review, 428, pp.15~19 (2017)
- Baek, S. K., "Assessments of freeway incidents management systems", Journal of the Korean Society of Civil Engineers, pp.4075~4078 (2005)
- Baek, S. K., "A guideline for freeway incident management manual", The Journal of The Korea Institute of Intelligent Transport Systems, 4(3), pp.61~72 (2005)
- Elhassouny, A., "Trends in deep convolutional neural Networks architectures : A review", 2019 International Conference of Computer Science and Renewable Energies(ICCSRE), pp.1~8 (2019)
- He, K., "Deep residual learning for image recognition", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.770~778 (2016)
- Kang, Y. S., "ITS", Telematics, 2009, pp.27(9), 10~17
- 기용걸, "돌발상황 검지를 위한 교통 CCTV 기반 통행속도 추정 모델", 산업융합연구, 18(3), pp.53~61 (2020), 대한산업경영학회[DOI]
- Kim, B. J., "Highway driving dataset for semantic video segmentation", arXiv preprint arXiv:2011.00674, ~ (2020)
- 김대현, "Machine Learning을 이용한 자동 돌발상황검지", 서울도시연구, 6(1), pp.71~80 (2005), 서울연구원[DOI]
- 이기영, "고속도로 교통사고 시 돌발상황 지속시간 영향 요인 분석", 한국도로학회논문집, 14(1), pp.85~94 (2012), 한국도로학회
- Narayanan, A., "Dynamic traffic scene classification with space-time coherence", 2019 International Conference on Robotics and Automation(ICRA), pp.5629~5635 (2019)
- Özdamar, L, "Coordinating debris cleanup operations in post disaster road networks", Socio-Economic Planning Sciences, 48(4), pp.249~262 (2014)
- Phung, V. H., "A high-accuracy model average ensemble of convolutional neural networks for classification of cloud image patches on small datasets", Applied Sciences, 9(21), pp.4500~ (2019)
- Prykhodchenko, R., "Road scene classification based on street-level images and spatial data", Array, 15, pp.100195~ (2022)
- Sihag, G., "Travel Time Prediction for Traveler Information System in Heterogeneous Disordered Traffic Conditions Using GPS Trajectories", Sustainability, 14(16), pp.10070~ (2022)
- "ITIS Phrase Lists (International Traveler Information Systems)"[URL]
- Westell, J., "Multi-Task Learning using Road Surface Condition Classification and Road Scene Semantic Segmentation", Master, pp.2019
- Wu, F., "Deep multiple classifier fusion for traffic scene recognition", Granular Computing, 6, pp.217~228 (2021)
- Yao, J., "Describing the scene as a whole: Joint object detection, scene classification and semantic segmentation", 2012 IEEE Conference on Computer Vision and Pattern Recognition, pp.702~709 (2012)
- Zeng, D., "Deep learning for scene classification: A survey", arXiv preprint arXiv:2101.10531, ~ (2021)