1.소개

지능형 교통 시스템(Intelligent Transportation System : ITS)의 교통 성능 측정 방법이나 교통 데이터 수집은 새로운 도전 상황에 직면해 있음. 교통 데이터의 수집은 교통 시뮬레이션이나 모델링을 위해 필수적일 뿐만 아니라, 교통 상황의 성능평가나 교통현장의 궁극적인 디자인을 위해서도 필요함. 비디오 기반의 교통 데이터 도입은 지난 20년간 컴퓨터 기술의 발전과 카메라 기술의 발전 그리고 이미지/비디오 프로세싱 알고리즘의 발전 덕분에 많은 발전을 이루었고 그 쓰임이 활발함. 그러나 녹화된 비디오에 대한 사람들의 점검을 통한 수동적인 데이터 수집방법은 전통적으로 교통공학 전문가들에 의하여 이루어지고 있음. 이러한 수동적인 접근방식은 매우 힘들고 비용이 많이 드는 작업임. 따라서 지난 수년간 교통 데이터 수집의 자동화는 지능형 교통 시스템에 있어서 중요한 연구 주제로 떠올랐음. 고속도로에 대한 자동 교통 데이터 수집은 현재 가능하게 되었고 심지어 오늘날에 이르러서는 상용화된 도구도 개발되었음. 그러나, 복잡한 교통 현장과 교통 현상으로 인해 교차로와 로터리에 대한 자동화 교통 데이터 수집 기술은 아직 더 많은 기술 발전이 요구되고 있음.

여기서 제안된 프로젝트의 목적은 로터리(rotary)와 교차로에 대해 자동화된 정확한 교통 성능 측정을 위한 다중 카메라 추적 시스템을 개발하는 것에 있음. 기존의 추적 시스템은 교통 성능 측정을 위해 여러 카메라가 아니라 한 대의 카메라를 이용하는 방식이었음. 기존에 이용해 봤던 단일 카메라 시스템과 비교하여 다중 카메라 시스템은 두 가지 큰 장점을 가지고 있음. 하나는 같은 교통 장면을 여러 개의 다른 앵글로 제공함. 그래서 차량끼리 가려지는 현상을 확실히 줄일 수 있음. 또 다른 장점은 같은 차량을 여러 방면에서 촬영을 함으로 그 차량에 대한 추가적인 증거를 제공해 줄 수 있고 이는 차량 추적에 정확도를 확실히 높여줌.

제안된 다중 카메라 추적 시스템은 세 개의 프로세싱 모듈과 카메라 교정(camera calibration : 카메라 위치와 방향을 결정하는 방법)과 그리고 차량 추적과 데이터 마이닝(data mining)으로 구성되어 있음. 다중 카메라의 교정을 위해서 단일 카메라와는 큰 차이가 있는데 그것은 다중 카메라를 이용시 반드시 세계 표준 좌표를 사용해야 한다는 것임. 이 프로젝트에서는 기존에 사용되었던 단일 카메라의 교정 방법을 확장하여 소실점(vanishing points)을 기준으로 하여 다중 카메라에 적용하였음. 확장된 방법의 요점은 평행선들을 이용하여 기존의 방법에서 소실점을 도출하는 것과 같이 정사각형이나 직사각형 패턴으로 설정함. 이러한 방법을 이용한 교정의 결과로 측정된 거리는 90 퍼센트 이상을 보여줌. 한 번 카메라가 교정되면, 개발된 교통 데이터 수집 시스템에서 그 다음 단계의 모듈이 진행됨. 이는 차량 추적을 할 수 있도록 비디오 작업 절차를 진행 하는것임.  단일 카메라를 통한 영상의 차량 추적과 비교하여, 다중 카메라의 차량 추적은 물론 단일카메라와 유사점을 가지고는 있으나 확실한 차이점을 가지고 있음.

다중 카메라의 차량 추적 모듈의 첫번째 단계는 Mixture-of-Gaussian(MoG) 알고리즘을 기반으로 한 목표물을 분할하는 것임. MoG 알고리즘은 7개의 Gaussian 분포(일반적으로 3에서 5)를 혼합하여 확률적인 모델을 각 픽셀마다 만듦. 그리고 각 배경이 되는 샘플들을 이용하여 Gaussian 분포를 업데이트함. 그리하여 픽셀 변화된 기록을 MoG 모델에 저장할 수 있도록 함. 최근의 빛과 날씨의 변화는 MoG의 평균과 분산을 업데이트를 함으로써 반영할 수 있음. 따라서 차량 검색의 정확도와 민첩성을 기존의 기술에 비하여 월등하게 향상 시켰음. 또 다른 MoG의 매우 중요한 장점은 카메라의 흔들림에 월등한 강점이 있다는 것임. 카메라의 흔들림은 차량 추적 정확도에 영향을 미치는 실질적인 문제임. MoG는 목표물을 세분화하여 이미지 프로세싱을 하고 마치 노이즈 필터링(noise filtering)과 같은 식으로 목표물의 형태를 개선함. 그 후 목표물의 추출과 검증을 한 후, 모든 잠재적인 목표물들을 세계표준의 이미지 좌표에 투사함. 그런 다음 다중 카메라에서 추출한 목표물을 중첩함에 따라 모든 검사를 함. 그 후 만약 두 개의 목표물이 같은 것이라면, 두 대의 다른 카메라로부터 나온 두 물체가 정확히 겹칠 것임.

목표로 한 차량의 겹침에 대한 단계는 단일 카메라에서는 문제가 아니지만 다중 카메라 시스템에서는 매우 중요한 부분임. 다른 카메라들로부터 한번 목표물이 서로 같다는 반응이 나오게 되면 이 시스템에서는 그 차량의 상태에 대한 정보(차량의 위치와 속력을 포함하여, 차량 모형, 크기와 같은 차량의 3D 이미지 등)들로부터 현재의 이미지 프레임을 통해 그 차량의 잠재적 모형을 만들어 냄. 이 다음 단계는 현재의 이미지 프레임을 통해 만들어낸 잠재적인 차량과 기존의 이미지 프레임에서 추적된 기존에 존재하는 차량과의 연결을 함. 이러한 연결은 잠재적인 차량과 기존에 존재하는 차량의 매치를 찾을 때까지 반복함. 이러한 연결을 더 쉽게 하기 위해, 우리는 이전의 이미지 프레임에서 현재의 이미지 프레임을 통해 기존에 존재하는 차량에 대한 예측을 하는 칼만 필터링(Kalman filtering)기술을 이용함. 이 시스템에서는 잠재적인 차량과 기존에 존재하는 차량의 연결하는 방식으로 세 가지가 고려됨: 첫번째는 한 대의 잠재적 차량과 한 대의 기존에 존재하는 차량과의 연결; 두번쨰는 한 대의 잠재적인 차량과 여러대의 기존 차량과의 연결; 세 번째는 여러대의 잠재적인 차량과 여러 대의 기존 차량과의 연결임.

이러한 각 연결들은 고려할만한 여러가지 시나리오를 가지고 있음. 각각의 시나리오는 차량 추적 모듈의 마지막 단계인 잠재적인 차량을 이용하여 기존에 존재하는 차량을 업데이트하는데 각각의 다른 방식을 요구함. 이 시스템은 차량 추적의 혼란을 피하기 위하여 많은 수의 기존에 존재하는 차량과 많은 수의 잠재적 차량이 연결되는 사례는 고려하지 않았음. 최종적으로 이전의 프레임을 통해 추적이 된 기존에 존재하는 차량은 현재의 프레임을 통해 추적할 수 있게 됨. 차량 추적 모듈은 모듈에 의해 검색되고 추적된 모든 차량의 궤적을 생성함. 차량 궤적의 정확도는 전적으로 교통 데이터의 정확도가 결정함. 주어진 차량 추적 모듈로부터 생성된 차량 궤적을 통해, 그 다음 단계로 진행되는 모듈은 교통 측정 시스템 모듈임. 이 모듈은 차량의 크기, 차량의 속도, 차량의 가속 또는 감속하는 행동, 허용 간격(accepted gaps) 또는 거부 간격(rejected gaps), 뒤따르는 시간, 차선 변경등의  교통 데이터를 자동적으로 추출하여 그 차량의 궤적을 수집함. 이 시스템에서는, 교차로에서 모든 방향에 대한 교통의 차량 수가 주 관심 대상임. 차량의 움직이는 방향을 찾기 위해서, 이 시스템에서는 세계표준좌표로 xy좌표 안에서 어떻게 차량이 움직이는 지를 카메라를 통한 차량 전반에 걸친 움직임을 통해 탐색함.

개발된 교통 성과 측정 시스템은 현재 C프로그래밍 언어와 MATLAB소프트웨어의 혼합된 기반으로 개인 컴퓨터에서 구현됨. 또한 지역 실험 연구소는 미국 미네소타 주의 둘루스 시(Duluth, Minnesota)에 W Arrowhead Rd와 Sawyer Avenue 교차로와 W Arrowhead Rd 와 Arlington Avenue의 교차로에 설치되었음. 각 교차로마다 두 대의 카메라가 설치되어 있음. 두 대의 카메라는 각기 다른 장면의 영상을 촬영함. 교차로에서 촬영된 오프라인 비디오를 이용하여 그 시스템의 연장된 시험을 실행하였음. 자동적으로 추출된 교통 데이터는 비디오 검사를 통해 수동으로 수집된 실제 도로에서의 데이터와 비교하였음. 그 결과 자동적으로 추출된 교통데이터는 90퍼센트 이상의 정확도를 가지고 있는 것을 발견하였음.

2. 결론

이 프로젝트에서, 교차로와 로터리에서의 정확한 교통 성능 측정을 위하여 다중 카메라 추적 시스템을 개발하였음. 일반적으로, 단일 카메라 기반의 시스템이 이용되었지만 이 경우 차량의 겹침 문제와 같은 제한된 카메라 시야의 문제가 있었음. 이 프로젝트에서 단일 카메라 시스템과 비교하여 크게 두 가지 장점을 갖춘 다중 카메라 시스템의 사용을 제안함. 하나는, 다중 카메라로부터 다중 뷰를 제공하고 이는 차량의 겹침 문제를 확실히 완화시킴. 또 다른 하나의 장점은 같은 차량의 다중 뷰는 그 차량의 보다 정확한 추적의 증거를 제공함.

우리는 다중 카메라 추적 시스템의 절차를 카메라 교정 모듈, 그리고 마지막으로 차량 추적과 데이터 마이닝 모듈로 나누었음. 카메라 교정 모듈은 모든 카메라가 세계표준 좌표를 가지고 있는 것을 선호함. 이것을 달성하기 위해, 세계 표준에서 규정한 좌표로부터 교차로의 교통 현장을 정사각형이나 직사각형의 패턴으로 정의함. 또한 단일 카메라에서 다중 카메라로의 교정을 통해 소실점을 완하하기 위해 이전의 방식을 확장시킴. 확장된 방법은 방정식을 기반으로 초기의 카메라 매개변수를 추출하고 더 강력한 카메라 매개변수를 추출하여 최적화 함. 이러한 확장된 방법은 교차로 교통 현장의 카메라 교정을 하기에 간단하고 효율적임. 카메라 교정과 더불어, 차량의 속도와 2D이미지로부터 실제 거리를 측정할 수 있음.

다음으로 차량 추적 모듈에 대한 설명임. 이 모듈은 교통 성능 측정의 정확도에 가장 중요한 영향을 미치는 모듈임. 차량 추적 모듈은 몇 단계의 절차를 거침. 첫 번째로 이 시스템은 다중 카메라로부터 입력된 사전 저장된 비디오를 수집하고 mixture-of-Gaussian 배경 모듈 방법과 흔들림-제거 알고리즘(shaking-removal algorithm)을 분할된 목표물에 적용함. 그 후 분할된 목표물을 이미지 프로세싱 기술을 이용하여 그 이미지를 개선함. 결과적으로 목표물 추출방법에 따라, 좌표에 있는 이미지를 통해 실사의 좌표의 목표물로 전환함. 이러한 여러 단계에 걸친 절차를 각 카메라마다 반복하여야 함. 일단 목표물이 추출되면, 관련이 있는 다른 카메라를 통해 같은 차량인지 조사를 함. 주어진 정보를 바탕으로, 현재 이미지 프레임을 위해 잠재적인 차량을 창조해냄. 이러한 잠재적 차량은 겹침을 기본으로 만든 이전의 이미지 프로임으로부터 추적된 현재의 차량과 연관이 있음. 이러한 연관이 되는 몇가지의 경우를 통해 현재 차량은 잠재적인 차량으로부터 업데이트 할 수 있게 됨. 따라서 현재 존재하는 차량은 현재의 이미지 프레임의 모든 방법으로 추적이 가능하게 됨. 각각의 이미지 프레임은 차량의 위치, 크기, 모양등의 현재 차량의 상태를 기록함. 이러한 차량의 상태가 구성됨으로써 각각의 실제 차량들의 궤적을 얻을 수 있게됨. 이것이 차량 추적 모듈의 결과물임.

다음으로 개발된 시스템의 데이터 마이닝 모듈에 대한 설명임. 데이터 마이닝 모듈은 예를 들어 교차로에서 대기시간, 허용 범위, 거절 범위등과 같은 교통정보를 교차로의 모든 방향의 상황의 정보를 추출하여 입력하고 진행하는 절차인 차량 추적 모듈로부터 모든 차량의 궤적을 얻는 모듈임. 실제 교차로에서의 실험을 통해 제안된 데이터 수집 시스템은 90퍼센트의 정확도를 보여줬음. 이는 단일 카메라의 추적 시스템의 정확도가 80퍼센트인것과 비교하여 그 성능이 우수함을 보여줌. 교통 데이터 수집을 자동화 하는 것은 노동력과 비용의 확실한 절약을 가져오기 때문에 자동화 시스템을 제안함. 또한 이 시스템은 관심이 있는 교통 데이터의 모든 타입에 대한 충분하게 자세한 자료들을 통해 완벽한 차량 궤적을 이끌어냄.

이러한 이 시스템의 장점과 동시에 이 시스템이 가지고 있는 몇 가지 제한이 있음. 첫째로 제안된 시스템은 야간 차량 추적이 해결되지 않았음. 따라서 차량을 밤에 탐색하는 것은 힘듦. 둘째로, 차량의 그림자 문제 역시 어려운 부분임. 차량의 그림자는 추적의 오류를 가져올 가능성이 있음. 셋째로 일반적으로 MoG알고리즘을 통해 차량 분할 결과를 가져오는 것은 더 많은 향상이 필요함. 값비싼 처리 시간의 비용에 맞는 더 정교한 분할 알고리즘이 요구됨. 더 많은 분할은 차량 추적 알고리즘을 더 단순화하고 더 정확하게 하는데 도움을 줄 수 있음. 이 프로젝트의 실험을 통해 차량 궤적은 분할이 잘 이루어 지지 않은 경우 추적 알고리즘의 문제를 가져옴을 보여줬음. 넷째로, 차량 추적 알고리즘은 추적의 정확도를 향상시킬 수 있을뿐만 아니라 알고리즘 자체도 향상시킬 수 있음. 예를 들어, 더 복잡한 연관관계가 고려되야 할 필요가 있음. 다섯째로, 현재의 교차로에 설치된 두 대의 카메라는 매우 제한적임. 심지어 확대를 한 영상 역시 교차로를 너무 가까이에서 비추는 등 제한적이라 다른 성능 측정에 이용하는 것은 한계가 있음. 단지 지나간 차량의 수를 세기에는 충분하였음.

위에서 언급된 제한점들을 외에도, 로터리에서의 교통 성능 측정과 같은 제안된 다중 카메라 시스템은 앞으로 더 발전 되어야 할 것임. 이 프로젝트 결과에 의하면 시스템의 세 모듈이 모두 발전될 필요가 있음. 예를 들어, 로터리에서 다중 카메라를 설치할 경우 요구되는 새로운 교정 방법과 같은 새로운 방법이 요구됨. 또한 차량 추척 알고리즘 역시 차량의 움직임의 방식이 달라지는 것과 같이 변화가 필요됨.