UAV를 활용한 실시간 교통량 분석을 위한 딥러닝 기법의 적용 = Application of Deep Learning Method for Real-Time Traffic Analysis using UAV

다국어 초록 (Multilingual Abstract)

Due to the rapid urbanization, various traffic problems such as traffic jams during commute and regular traffic jams are occurring. In order to solve these traffic problems, it is necessary to quickly and accurately estimate and analyze traffic volume. ITS (Intelligent Transportation System) is a system that performs optimal traffic management by utilizing the latest ICT (Information and Communications Technology) technologies, and research has been conducted to analyze fast and accurate traffic volume through various techniques. In this study, we proposed a deep learning-based vehicle detection method using UAV (Unmanned Aerial Vehicle) video for real-time traffic analysis with high accuracy. The UAV was used to photograph orthogonal videos necessary for training and verification at intersections where various vehicles pass and trained vehicles by classifying them into sedan, truck, and bus. The experiment on UAV dataset was carried out using YOLOv3 (You Only Look Once V3), a deep learning-based object detection technique, and the experiments achieved the overall object detection rate of 90.21%, precision of 95.10% and the recall of 85.79%.

국문 초록 (Abstract)

급격한 도시화로 인해 출퇴근 시간의 차량 정체, 상시 정체지역 발생 등 다양한 교통문제들이 발생하고 있다. 이러한 교통문제들을 해결하기 위해서는 신속·정확한 교통량 예측 및 분석이 필요하다. ITS (Intelligent Transportation System)는 최신 ICT (Information and Communications Technology) 기술들을 활용하여 최적의 교통관리를 수행하는 시스템이며, 다양한 기법을 통해 신속·정확한 교통량을 분석하기 위한 많은 연구가 수행 되었다. 본 연구에서는 높은 정확도로 실시간 교통량 분석을 위해 UAV (Unmanned Aerial Vehicle) 동영상을 활용한 딥러닝(deep learning) 기반의 차량탐지기법을 제안하고자 한다. 이를 위해, UAV를 활용하여 다양한 차량이 통행하는 교차로에서 학습 및 검증에 필요한 정사 동영상 촬영을 수행하였으며, 승용차(sedan), 트럭(truck), 버스(bus)로 분류하여 차량을 학습시켰다. 딥러닝 알고리즘은 대표적인 객체탐지 알고리즘 중의 하나인 YOLOv3 (You Only Look Once V3)를 이용하였으며, 실험결과 전체 차량 검출율은 90.21%이며, 정확도와 재현율은 각각 95.10%와 85.79%이다. 본 연구를 통하여, 드론을 이용한 영상으로부터 차량 탐지를 통한 실시간 교통량 분석이 가능함을 확인하였다.

참고문헌 (Reference)

1 이대호, "시공간 영상 분석에 의한 강건한 교통 모니터링 시스템" 한국정보과학회 31 (31): 1534-1542, 2004

2 이기영, "미시적 교통정보자료의 취득을 위한 영상기반 차량추적기술 개발" 대한교통학회 23 (23): 137-148, 2005

3 서성혁, "드론을 활용한 연속류 교통정보 수집·분석에 관한 연구" 한국ITS학회 17 (17): 144-152, 2018

4 조성호, "교통 영상 정보에 변화 탐지 기법 적용을 통한 교통량 분석 기법에 관한 연구" 한국엔터프라이즈아키텍처학회 15 (15): 372-382, 2018

5 Redmon, J., "You only look once: unified, real-time object detection" 779-788, 2016

6 Peppa, M. V., "Urban traffic flow analysis based on deep learning car detection from CCTV image series" XLII-4 : 499-506, 2018

7 Girshick, R., "Rich feature hierarchies for accurate object detection and semantic segmentation" 580-587, 2014

8 Ke, R., "Real-time bidirectional traffic flow parameter estimation from aerial videos" 18 (18): 890-901, 2016

9 Zhao, Z. Q., "Object detection with deep learning : a review" 30 (30): 3212-3232, 2019

10 Nizar, T. N., "Multi-object tracking and detection system based on feature detection of the intelligent transportation system" 1-6, 2014

11 Ren, S., "Faster R-CNN : towards real-time object detection with region proposal networks" 39 (39): 1137-1149, 2016

12 Girshick, R., "Fast R-CNN" 1440-1448, 2015

13 Hong, G. S., "Development of vision-based monitoring system technology for traffic analysis and surveillance" 11 (11): 59-66, 2011

14 Seong, S. K., "Determination of vehicle trajectory through optimization of vehicle bounding boxes using a convolution neural network" 19 (19): 4263-4281, 2019

15 이한성, "Anomaly Intrusion Detection Based on Hyper-ellipsoid in the Kernel Feature Space" 한국인터넷정보학회 9 (9): 1173-1192, 2015

16 Ha, D. M., "A study on the image based traffic information extraction algorithm" 19 (19): 161-170, 2001