전방 차량 인식 알고리즘을 활용한 로컬 교통류 밀도 추정

Abstract

The existing traffic information collection system is based on fixed detectors, causing space-time constraints. It can only detects where detector is installed and uses the time aggregated data which means unavailable to use short-term data. To overcome these limitations, it has recently shifted to a mobile traffic data collection system in order to enable real-time traffic data collection. Particularly, studies using wireless communication technology and smartphone data are being actively carried out to estimate real-time vehicle speed and traffic volume. However, the traffic density which is also an import indicator of road congestion and service levels still uses aggregated estimate values. Traditional traffic density estimation methodology could not correctly measure the Real-time traffic density and is difficult to adapt the upcoming technology such as autonomous driving and cluster driving. In this regard, this study defined the number of vehicles in a specific unit section centered on a driving vehicle on the road as a local traffic density. Moreover, this study also proposed an image-based preceding vehicle recognition algorithm to estimate local traffic density that changes in short time units. Preceding vehicle recognition algorithm consists of deep learning-based vehicle recognition, unit section length error calibration according to road alignment, and local traffic density estimation. On the image big data collected on the real driving condition, this study examined the results of the algorithm applied to the evaluation of vehicle recognition performance, the comparison before and after road alignment error calibration, and the estimate of local traffic density. The results and implications of estimating the local traffic density using a preceding vehicle recognition algorithm are as follows. First, the YOLO model, the most appropriate image processing algorithm, was used to recognize the vehicle from the real driving condition image. When the initial model of YOLO was applied, the performance was lower than the precedent studies but identified the cause and derived solutions. The final YOLO algorithm built in this study shows a high recognition rate and accuracy through a series of calibrations and complementary processes to suit the actual road environment in Korea. Second, the road alignment was divided into vertical and horizontal alignments. Each method implemented error calibration to perform a local traffic density estimation. The average value of the road centerline length which is a unit section of local traffic density increased by 0.55m and 1.27m, respectively, as a result of vertical and horizontal alignment calibration. Given the road geometry features of the image data collection section, the results are reasonable. However, there is a limitation to the failure of the dataset to consist of various road alignment image dataset. Nevertheless, since the road sector is an arterial road connecting suburban residential areas and urban areas, it has the advantage of collecting various traffic levels and vehicle types. Thirdly, there are some limitations on research equipment. The video equipment for collecting image data was installed at the external top of the moving observer, which is generally difficult to collect by installing it at the height of ordinary passenger cars. In this study, it was inevitable to achieve the minimum shooting height to set the road centerline length, which is a unit of density. However, it was effective in determining the appropriate unit section setting and road alignment by expanding the range of shooting as much as possible. The local traffic density estimation using the forward vehicle recognition algorithm proposed in this study can be used for the following advanced research in the future. It would be available to estimate the traffic density of entire road section using local traffic density with various models such as stochastic model, machine learning and so on. Besides, this methodology can be used as one of the Measure of Effectiveness to evaluate the Level of Service of the short road section in real time.

기존 교통정보 수집체계는 주로 고정식 검지기를 활용하고 있어 시공간적 제약이 발생한다. 일부 지점 또는 구간의 교통 자료를 수집하기 때문에 장비가 미설치된 지역은 자료가 없을 뿐만 아니라, 집계한 자료를 사용하므로 짧은 시간 단위의 자료를 활용할 수 없기 때문이다. 이러한 한계를 극복하기 위해 최근에는 이동식 또는 실시간 데이터 수집 체계로 전환하고 있다. 특히 무선통신기술 개발과 스마트폰 자료를 활용한 연구들이 활발히 이루어지고 있다. 그러나 새로운 수집 체계에서도 교통류의 밀도는 집계된 추정치를 사용하고 있어서 실시간의 밀도를 추정할 수 없다. 또한, 기존 교통 밀도 추정 방법론은 자율주행, 군집주행 등 미시적인 수준의 교통밀도 정보를 요구하는 새로운 연구 분야에 적용하기 어려운 점이 있다. 이러한 필요성에 따라 본 연구에서는 로컬 교통류 밀도를 주행 차량 중심의 특정 단위 구간의 차량 수로 정의하였다. 또한 짧은 시간 단위로 변화하는 로컬 교통류 밀도를 추정하기 위한 영상 기반의 전방 차량 인식 알고리즘을 제안하였다. 알고리즘은 크게 세 단계, 즉, 딥러닝 기반의 차량인식, 도로 선형에 따른 단위 구간 길이 오차 보정, 로컬 교통류 밀도 추정으로 구성된다. 실제 도로에서 수집한 이미지 빅데이터를 대상으로 알고리즘을 적용하였다. 이와 함께 차량 인식 성능 평가, 도로 선형에 따른 오차 보정 전후 비교, 로컬 교통류 밀도 추정치를 검토하였다. 전방 차량 인식 알고리즘을 활용하여 로컬 교통류 밀도를 추정한 결과는 다음과 같다. 첫째, 이미지로 차량을 인식하기 위하여 영상 처리 알고리즘으로 가장 적합한 것으로 알려진 YOLO(Yon-Only-Look-Once) 모델을 활용하였다. YOLO의 초기 모델을 적용한 결과는 선행연구 대비 낮은 성능을 보였으나, 본 연구에서 YOLO 알고리즘이 국내의 실제 도로 환경에 적합하고 높은 인식률과 정확도를 확보하기 위한 일련의 수정 및 보완 과정을 거쳤다. 둘째, 도로 선형을 크게 종단 선형과 평면 선형으로 나누어 각각의 오차 보정법을 적용하여 로컬 교통류 밀도 추정을 수행했다. 로컬 교통류 밀도의 단위 구간인 도로 중심선 길이의 평균값은 1m가량 증가했다. 이미지 자료 수집 구간의 도로 기하구조 특징을 고려했을 때 합리적인 결과이다. 다양한 도로 선형 이미지 자료를 구성하지 못한 점은 이 연구의 한계이지만, 이미지 자료 수집을 위해 실제 도로 주행을 실시한 구간은 교외 주거 지역과 도심을 연결하는 간선도로로써 여러 교통량 수준과 다양한 차종 이미지 자료를 수집할 수 있는 장점을 지닌다. 셋째, 조사 장비에 대해 일부 한계가 존재한다. 이미지 자료를 수집하기 위한 영상 장비는 조사 차량의 외부 상단에 탑재하였는데, 일반적인 승용차 높이에서는 수집되기 어렵다는 어려움이 있다. 본 연구에서는 밀도의 단위가 되는 도로 중심선 길이를 설정하는 것이 매우 중요하다. 따라서 최소한의 촬영 높이를 확보하는 것이 불가피했다. 결과적으로 가능 범위를 최대한 넓혀 적합한 단위 구간을 설정할 수 있었고 도로 선형을 파악하는 데 효과적이었다. 본 연구에서 제안하는 전방 차량 인식 알고리즘을 활용한 로컬 교통류 밀도 추정치는 향후 다음과 같은 고도화된 연구에 활용될 수 있다. 첫째, 도로 전체 구간의 밀도 추정에 확장 가능성이 있다. 확률 모형 등의 적용으로 로컬 교통류 밀도 추정치를 통해 전체 도로 구간의 밀도를 추정할 수 있을 것이다. 둘째, 도로의 서비스수준을 평가하는 효과척도의 하나로 활용될 수 있다. 비교적 짧은 도로 구간 또는 실시간으로 서비스수준을 평가해야 할 때 효과적일 것으로 예상된다.