교통 데이터 수집을 위한 객체 인식 통합 프레임워크 개발
Development of an Integrated Traffic Object Detection Framework for Traffic Data Collection
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 연구에서는 다양한 외부 조건 하에서 촬영된 영상을 대상으로 신속하고 정확하게 교통객체를 검출하는 교통 객체 검출 통합 프레임워크를 개발하였다. 제안된 프레임워크는 딥러닝기술 기반의 직접 객체 인식 기술과 다중 객체 추적 기술, 그리고 동영상 전처리 기술로 구성되며, 영상의 안정성, 기상, 촬영 각도 등의 다양한 외부 조건에서 촬영된 영상을 대상으로 승용차, 버스, 트럭, 및 미니밴과 같은 교통 객체를 인식하고, 이를 실시간으로 추적하여 교통량데이터를 계수한다. 제안된 방법의 성능 검증을 위해 다양한 외부 조건에서 촬영된 영상 8개를대상으로 제안된 방법의 성능 검증을 수행한 결과, 우천 및 강설을 제외한 모든 조건에서 98% 이상의 높은 정확도를 보이는 것으로 나타났다.
Abstract
A fast and accurate integrated traffic object detection framework was proposed and developed, harnessing a computer-vision based deep-learning approach performing automatic object detections, a multi object tracking technology, and video pre-processing tools. The proposed method is capable of detecting traffic object such as autos, buses, trucks and vans from video recordings taken under a various kinds of external conditions such as stability of video, weather conditions, video angles, and counting the objects by tracking them on a real-time basis. By creating plausible experimental scenarios dealing with various conditions that likely affect video quality, it is discovered that the proposed method achieves outstanding performances except for the cases of rain and snow, thereby resulting in 98% ~ 100% of accuracy.
참고문헌 (13)
- Allen J, "Object Tracking Using Cam Shift Algorithm and Multiple Quantized Feature Spaces", '05 Proceedings of the Pan-Sydney Area Workshop on Visual Information Processing, pp.3~7 (2004)
- Henriques J. F, "High-Speed Tracking with Kernelized Correlation Filters", IEEE Transactions on Pattern Analysis and Machine Intelligence, 37, pp.583~596 (2015)
- 이규범, "터널 내 돌발상황 오탐지 영상의 반복 학습을 통한 딥러닝 추론 성능의 자가 성장 효과", 한국터널지하공간학회 논문집, 21(3), pp.419~432 (2019), 사단법인 한국터널지하공간학회[DOI]
- 이태희, "CCTV 영상 기반 딥 러닝을 이용한 차량 및 보행자 계수방법", 한국지능시스템학회 논문지, 28(3), pp.219~224 (2018), 한국지능시스템학회
- Lukezic A, "Discriminative Correlation Filter with Channel and Spatial Reliability", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.6309~6318 (2017)
- Malik A. A, "Object detection and tracking using background subtraction and connected component labeling", International Journal of Computer Applications, 75(13) (2013)
- Nam S, "Deep learning-based real-time object tracking on CCTV", M.S, pp.2018
- 박민규, "모노 카메라 영상과 딥 러닝을 이용한 차량 검출 및 거리 등 급 분류에 관한 연구", 한국지능시스템학회 논문지, 29(2), pp.90~96 (2019), 한국지능시스템학회
- Redmon J, "You only look once: Unified, real-time object detection", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.779~788 (2016)
- Szegedy C, "Going deeper with convolutions", 2015 IEEE Conference on Computer Vision and Pattern Recognition, pp.1~9 (2014)
- Szegedy C, "Rethinking the Inception Architecture for Computer Vision", 2016 IEEE Conference on Computer Vision and Pattern Recognition, pp.2818~2826 (2016)
- Yilmaz A, "Object tracking: A survey", ACM Computing Surveys, 38(4), pp.13~ (2006)
- "Youtube"[URL]