소형 임베디드 시스템 기반의 실시간 차량 검출을 이용하는 스마트 교통 관리 시스템
Smart Traffic Management System using Real-time Vehicle Detection based on Small Embedded System
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 논문에서는 소형 임베디드 시스템을 기반으로 교차로 상의 차량을 실시간으로 검출함으로써 차량의 정체 상황에 따라 적응적으로 교통 신호등을 제어하는 스마트 교통 관리 시스템을 제안한다. 제안하는 시스템의 개발을 위해 크게 3단계로 연구를 진행하였다. 먼저 차량 검출을 위한 딥러닝 기반의 학습 모델을 구축하였다. 학습 모델 구축 단계에서는 교차로에서 차량 검출 성능을 제고하기 위해 15,083 개의 실험 영상을 수집하고 이들 영상에 포함된 104,719 대의 차량에 대해 학습 데이터를 구축하였다. 두 번째 단계에서는 소형 임베디드 시스템에서 YOLO 기반의 실시간 차량 검출 모델을 구축하였다. 차량 검출 성능을 유지하면서 소형 임베디드 시스템에서의 실시간 처리를 지원하기 위해 USB 형태의 독립형 GPU 모듈을 사용하고 YOLO V3 Tiny 딥러닝 기술을 적용하였다. 마지막으로는 교차로에서 신호 대기 중인 차량의 대수를 바탕으로 신호등을 효과적으로 제어함으로써 스마트 교통 관리 시스템을 개발하였다. 본 논문에서 제안하는 시스템을 구현하여 실험한 결과 교차로에서 차량이 일부 겹쳐진 경우에도 약 95% 이상의 차량 검출 성능을 보였으며 동일한 환경에서 효과적으로 차량의 흐름이 제어되는 것을 확인할 수 있었다.
Abstract
This paper proposes a smart traffic management system based on a small size embedded system. The proposed system can detect vehicles on a cross road in realtime, and adaptively control traffic light according to the traffic situation. The implementation of the proposed system consists of 3 stages. First, we construct a training mode based on deep learning for detecting vehicles. In training model construction stage, we collect 15,083 images for vehicle detection experiment. and construct a training dataset for 104,719 vehicle images in the collected images. Next, we implement a realtime vehicle detection model based on YOLO on a small embedded system. We employed YOLO V3 Tiny deep learning technology using a USB type independent GPU module. This GPU module supports realtime processing on a small size embedded system maintaining superior vehicle detection performance. In the last stage, we developed a noble smart traffic management system by adaptively control traffic light based on the number of vehicles waiting for the traffic light on a cross road. Experimental results show the proposed system has about 95% vehicle detection performance even some parts of vehicles on a cross road are occluded. Further we can find the proposed system controls traffic flow effectively.
참고문헌 (18)
- M. C. Choy, "Cooperative, Hybrid Agent Architecture for Real-Time Traffic Signal Control", IEEE Transactions on Intelligent Transportation Systems, Man, And Cybernetics-Part A:System And Human, 33(5) (2003)
- 도시부 간선도로 교통정보 수집・제공 방안 연구, "국토교통부", ~ (2010)
- O. Russakovsky, "ImageNet Large Scale Visual Recognition Challenge", IJCV (2015)
- E. Park, "ImageNet Large Scale Visual Recognition Challenge 2017 Overview", CVPR (2017)
- J. Redmon, "You only look once: Unified, realtime object detection", CVPR (2016)
- 박현철, "CNN에 기반한 실제 환경에서의 색상 및 문자 인식", 한국차세대컴퓨팅학회 논문지, 12(6), pp.104~115 (2016), 한국차세대컴퓨팅학회
- 튜 유 민 울라, "Violence Recognition using Deep CNN for Smart Surveillance Applications", 한국차세대컴퓨팅학회 논문지, 14(5), pp.53~59 (2018), 한국차세대컴퓨팅학회
- S. Ren, "Faster R-CNN: towards real-time object detection with region proposal networks", Advances in Neural Information Processing Systems 28: Annual Conference on Neural Information Processing Systems 2015 (2015)
- S. Bae, "Rank of experts: Detection network ensemble", arXiv:1712.00185v1, ~ (2017)
- R. Girshick, "Region-based Convolutional Networks for Accurate Object Detection and Segmentation", IEEE Trans. on PAMI, 38, pp.142~158 (2015)
- R. Girshick, "Fast-RCNN", arXiv:1504.08083, ~ (2015)
- 황경조, "실시간 교통흐름 제어를 위한 교차로 시뮬레이션 시스템", 한국차세대컴퓨팅학회 논문지, 6(5), pp.4~11 (2010), 한국차세대컴퓨팅학회
- D. Miculescu, "Polling-SystemsBased Autonomous Vehicle Coordination in Traffic Intersections With No Traffic Signals", IEEE Trans. on Automatic Control, 65(2), pp.680~694 (2020)
- A. Chouhan, "Autonomous Intersection Management: A Heuristic Approach", IEEE Access, 6, pp.53287~53295 (2018)
- G. Halfacree, "The Official Raspberry Pi Beginner’s Guide" (2020), Raspberry Pi Press
- P. King, "The Official Raspberry Pi Camera Guide" (2020), Raspberry Pi Press
- 김진환, "예제로 쉽게 배우는 아두이노" (2018), 생능출판사
- N. Nakampe, "GroceryNet at the Edge using Intel Movidius Neural Compute Stick", Experimental Findings (2018)