1. 요약
 

지능형 교통 시스템(Intelligent Transportation System, ITS)에서는 교통 데이터 수집은 어려운 과제임. 수집된 교통 데이터는 교통 시뮬레이션과 모델링, 교통 현장의 성능 평가, 그리고 최종적으로는 교통 현장에 대한 디자인을 하기 위해 필수적임. 전통적으로 수작업으로 데이터를 수집하는 것은 차량의 수를 세기 위해 휴대용(handheld) 장치를 이용하는 것이나, 사전에 촬영된 비디오를 사후에 판독하는 방법이 있음. 그러나 수동적인 방식은 매우 노동집약적이고 높은 비용이 요구됨. 따라서 지난 수년간, 자동 교통 데이터 수집은 지능형 교통 시스템 연구에 있어서 매우 중요한 주제가 되고 있음. 고속도로에서의 자동 교통 데이터 수집은 현재 가능한 상태에 와있음. 그리고 심지어 상업적 도구로도 개발이 되어있는 상태임. 그러나 교차로와 로터리(rotary)는 그 특징이 고속도로에 비해 훨씬 복잡한 교통현장과 교통적 상황을 가지고 있기 때문에 교차로와 로터리에서의 자동화 교통 데이터 수집은 상대적으로 뒤떨어져 있음.

이 프로젝트는 교차로와 로터리의 성능을 측정하는 모든 타입을 획득할 수 있는 교통 성능 측정 시스템을 기반으로 한 추적을 하도록 디자인하는 것임. 이 목적을 위해서, 비디오 기반의 추적 방식은 가장 유용한 방법임. 이 방식은 차량의 수, 차량 속도(과속/감속과 같은 행동을 포함), 이동 시간, 거부 간격(rejected gap), 허용 간격(accepted gap), 후속 시간(follow-up time), 차선 변경과 같이 광범위한 교통 데이터를 수집할 수 있도록 허용함. 이렇듯 비디오를 기반으로 추적하는 시스템이 가지고 있는 확실한 장점이 있음에도 불구하고, 비디오 기반 접근방식은 몇 가지 문제를 가지고 있음. 예를 들면, 차량간 폐색(occlusion)이나 바람에 흔들리는 카메라, 또는 빛과 날씨의 변화 같은 문제점 등을 들 수 있음.

비디오 기반의 교통 성능 측정을 하기 위해서는, 첫 번째 단계로 카메라 보정(calibration of cameras)를 수행하는 것임. 문헌에서 보면, 대부분의 카메라 보정은 고속도로를 대상으로 한 것이고 몇몇의 방법만이 로터리에 대한 방법으로 보고 되었음. 이 프로젝트에서, 우리는 로터리 교통 현장을 위한 카메라에 대해 내장된 변수와 외부 변수를 측정하기 위한 간단한 방법을 제안함. 제안된 방법은 실제의 로터리에 대해 대응하는 시각-변형식(perspective-transformed equation)을 통해 얻은 이미지를 추출하여 타원식(ellipse equation)에 일치를 시켜 초점거리, 팬 각도(pan angle), 경사각(tilt angle), 그리고 카메라의 높이를 추정할 수 있음. 이 제안된 방법은 카메라 교정(camera calibration)을 위한 단 하나의 이미지를 요구할 뿐임. 이 방식은 실제 로터리 교통 현장에서 그 유효성이 입증 되었음. 그리고 카메라 교정의 결과는 실측 정보(ground truth measurements)와 비교하여 비교적 정확함.

일단 카메라 교정이 끝나면, 그 다음단계는 개발된 교통 데이터 수집 시스템이 비디오를 통해 차량 추적이 가능하도록 처리하는 것임. 기존의 비디오 기반 차량 추적은 두 단계의 처리 과정이 있었음. 그것은 차량을 세분화하는 것과 차량을 조합(vehicle association)하는 것임. 이러한 개념적인 두 단계의 처리 흐름은 이 보고서에서 제안된 시스템에서도 그대로 유지됨. 그러나 여기서는 이전에 이슈가 된 문제들을 해결하고 추적의 정확성을 높이기 위해서 각 절차 단계를 수정하거나 또는 새롭게 디자인을 하였음. 첫 번째로, 이 프로젝트에서는, 차량 세분화 알고리즘을 가우시안 혼합(Mixture-of-Gaussian, MoG)를 기반으로 하였음. MoG에서는, 각각의 픽셀이 몇 개의 Gaussian 분포(일반적으로 3에서 5)를 혼합하여 확률적으로 모델화 되었음. 그리고 각각의 백그라운드 표본은 Gaussian 분포를 업데이트 하는데 사용됨. 그래서 픽셀의 변화 과정은MoG 모델에 저장될 수 있도록 함. 최근의 빛과 날씨의 변화는MoG의 평균과 분산을 업데이트 함으로써 반영시킬 수 있음. 따라서 차량을 탐지하는 데 있어서 기존의 기술들과 비교하여 상당히 높은 정확도와 민감도를 가진 기술로 향상 시킬 수 있게됨.

MoG의 또 다른 매우 실질적인 장점은 카메라의 흔들림에 매우 견고하다는 것임. 이는 실제 상황에서 추적의 정확도에 매우 큰 영향을 주는 문제를 해결해 준 것임. 만약 얻은 이미지가 안정화 되어 있지 않다면, 그 이미지로부터 분할될 때 많은 곳에 잡음(noise)이 있음. 이것은 객체를 추출하는 정확도에 심각한 영향을 끼침. MoG는 카메라의 흔들림에 있어서 아주 강함. 카메라의 흔들림으로 야기된 픽셀의 변화를 백그라운드 분포에 저장함. 그리하여 잘못된 분할 영역으로 더 이상 인식하지 않음. 게다가 우리는 카메라의 흔들림으로부터 감지된 잘못된 탐지를 억제한 차량의 분할 이후에 하나의 사후 처리를 더함. 그것은 잘못 탐지된 영역이 원래 이후에 있던 백그라운드 분포의 일부가 될 가능성이 매우 높다는 것을 관찰한 결과에 기반함. 그러므로 우리는 탐지된 픽셀이 실제 전경에 있는 물체인지 아니면 탐색해야 할 물체의 옆에 있던 작은 부분에서 온 이미지기 때문에 백그라운드 분포로 고려해 할 백그라운드 물체인지에 대한 결정을 할 수 있음. 만약 탐색된 픽셀이 탐색 대상 물체의 이웃에 있는 픽셀의 백그라운드 분포와 일치한다면 그것은 이 탐지가 카메라 흔들림의 원인으로 잘못 탐지됐을 가능성이 높음. 컬러 이미지를 RGB (Red, Green, Blue)공간으로 고려할 때, 이 기술은 잘못된 매치의 확률을 매우 작게 하는데 매우 효과적이라는 것이 증명 되었음.

물체를 분할한 후 다음단계는, 차량 추적(또는 조합)임. 차량 추적은 현재 이미지 프레임으로부터 이전의 이미지 프래임으로부터 확인된 차량을 추출하여 그 개체를 연결 시키는 것임. 이 프로젝트에서 제안된 방법은 Kalman 필터링, Kernel기반의 추적 기술, 그리고 차량 폐색(occlusion)을 처리하기 위한 오버랩(overlap) 기반의 최적화 기술, 이렇게 세 가지의 기술을 통합하여 지역 기반(region-based)의 추적을 하는 방식임. Kalman 필터링은 차량 폐색(vehicle occlusion)이 짧은 시간 일어날 때 도움이 될 수 있음. 그러나 차량이 긴 시간 동안 폐색되고 그 상태에서 차량의 속도가 갑자기 바뀌게 되면 오류가 발생할 수 있음. 이러한 문제를 해결하기 위해서, 우리는 Kernel기반의 추적을 적용함. 차량 폐색이 감지 됐을 때, 공동으로 공유하는 공간적 특징을 가지고 있는 공간과 오버랩 기반의 최적화 기술을 이용하여 Kernel 기반의 추적을 이용함. 이러한 차량 폐색이 일어난 경우 추적의 정확도를 더 높이기 위해서, 우리는 오버랩 기반의 최적화 기술을 채택한 것임. 따라서 이러한 기술을 채택함으로써 폐색된 차량의 물리적인 면적을 최대한 커버 하는 것이 그 목적임.

차량 추적의 결과물은 모든 차량의 움직이고 있는 궤적(trajectory)임. 개발된 교통 성능 측정 시스템의 마지막 단계는 관심이 있는 교통 데이터를 자동적으로 추출하여 차량 궤적을 얻는 것임. 이러한 움직이는 궤적으로부터, 우리는 쉽게 목적지 요금에 대한 정보와 교통량에 대해 쉽게 알 수 있음. 또한 이동 궤적의 기록은 차량에 대한 여러 다른 시간 에서의 위치로 구성 되어 있음. 그러므로 우리는 차량의 속도를 언제든지 계산할 수 있음. 그리고 그것은 차량의 가속/감속의 패턴을 연구하는데 도움이 될 것임. 우선, 첫 번째로 카메라 보정을 통해서 얻은 이미지 좌표에 실제 세계의 좌표에 있는 차량을 투사(projection)하는 것이 필요함. 차량의 이동 좌표를 기록함으로써, 우리는 어떤 차량이 차선을 변경하는지를 탐지할 수 있음. 이것은 카메라 교정으로부터 차선의 위치 정보를 이용하여 할 수 있음. 대기 시간에 대해서는, 차량이 입구에 들어선 후 출입구에 나갈 때까지 현장의 이미지 프레임의 수를 파악함으로써 얻을 수 있음. 많은 경우, 교통 엔지니어는 실제 세계에서 어떤 특정한 위치에서 다른 위치로 이동하는 데 필요한 대기 시간에 더 관심이 많음. 예를 들어, 차량이 교차로의 대기 행렬에 포함된 시점에서부터 교차로를 회전할 때까지의 대기 시간을 들 수 있음. 이 부분은 우리의 시스템에서 수용할 수 있음.  왜냐하면 연결된 시간들의 순간들을 통해 이동 궤적이 완성되는 것은 차량의 추적을 통해 가능하기 때문임.

개발된 교통 성능 측정 시스템은 C언어와 MATLAB 소프트웨어를 통해 개인 컴퓨터에서 실행할 수 있음. 우리는 기존의 미네소타 교통부(Minnesota Department of Transportation)의 감시 카메라를 이용해서 72개의 로터리 출입 교통 현장의 비디오를 통해 우리가 개발한 시스템을 테스트 하였음. 자동적으로 추출된 교통 데이터는 수동으로 비디오를 검사하여 수집된 데이터와 비교해서 자동 추출 데이터가 70퍼센트에서 90퍼센트가 더 정확한 것으로 나타남. 이것은 정확도에 영향을 미치는 중요한 요소는 심각한 차량 폐색(교차로의 입구에 있는 긴 대기행령과 단일 카메라의 제한된 촬영 때문에 발생)라는 것을 알려주는 것임.

2. 요약과 결론
 

이 프로젝트에서, 우리는 단일카메라 기반의 시각적 시스템에서부터 교통 데이터를 추출하는 추적기반의 교통 데이터 수집 시스템을 개발하는 목표를 가지고 있음. 우리는 일단, 첫 번째로, 제 2장에서는 로터리 및 교차로 현장의 카메라 교정을 위한 새로운 원형 기반의 방법을 제안함. 그 후, 혼합된 Gaussian 백그라운드 모델링 방식과 차량을 분할하고 흔들림-제거 알고리즘 방식을 적용해서, 입력하는 것과 같이 사건 저장 비디오를 촬영함. 제 3장에서는 Kalman 필터링과 Kernel기반의 추적, 그리고 오버랩-기반의 최적화를 통해 완벽한 차량 궤도를 추론하는 것을 논의함. 마지막으로 제 4장에서는 관심대상이 되는 교통 자료를 추출하는 데이터 마이닝(data mining) 알고리즘에 대하여 논의함.

실제 세계의 로터리 및 교차로 교통 현장에 대해 광범위한 실험을 한 동영상을 보면, 제안된 데이터 수집 시스템은 교통 데이터를 제공할 수 있다는 것을 보여줌. 예를 들어, 차량 수, 대기 시간(또는 이동시간), 거부 또는 허용 간격, 차량간의 간격 등에 대한 정보를 90 퍼센트 이상의 정확도로 제공함. 이전의 센서를 이용한 방법이나 교차로에 대한 교통 데이터 수집을 위한 루프 인덕터(loop inductor)를 이용한 이전의 방법들과 비교하여, 제안된 데이터 수집 시스템은 완벽한 차량 궤적을 끌어내고, 관심 있는 교통 데이터의 모든 종류에 대하여 충분하게 자세한 정보를 제공함. 이 보고서에서 제안된 시스템의 가장 중요한 장점은 상당히 많은 노동력과 비용이 많이 드는 수동적인 정보 수집이 아닌 교통 데이터 수집을 자동화 시킴으로써, 노동력과 자본력을 최소화 할 수 있다는 점임.

다음은 이 프로젝트에서 달성한 몇몇의 구체적인 혁신사례임:

·첫째로, 이 프로젝트는 로터리에 대한 교통 데이터 수집에 대한 작업을 하였음. 또한 제안된 시스템은 교차로의 교통 데이터 수집에 사용할 수 있음. 왜냐하면 교차로에서의 교통 특징과 로터리의 교통 특징은 유사하기 때문임.
·이 프로젝트는 또한 로터리에서의 카메라 교정을 위한 새로우면서 단순한 방법을 개발함. 그러나 우리는 완벽한 로터리의 부재와 비디오를 촬영하는데 있어서 로터리 입구의 경사가 있음으로 인해 우리의 실험에서는 카메라 교정을 사용하지 않았음.
·셋째로, 우리는 Kernel기반의 추적과 오버랩 기반의 최적화 기술을 적용하는 것을 제안함. 제안된 시스템에서는 또한, 흔들림-제거 알고리즘을 적용하여 카메라 흔들림으로부터 발생한 잘못된 차량 분화 결과를 해결함.
 

그러나 이와 동시에, 우리는 개발된 시스템의 한계점을 앞으로의 연구를 위해 알아야 함. 첫째로, 제안된 시스템은 야간시간의 차량추적 문제를 해결하지 못했음. 차량은 야간에 탐지하는 것이 더 어려움. 비록 헤드라이트나 후미등을 이용하는 방법이 제안되었으나, 교차로에서의 우리의 실험에서는 신뢰성을 찾기 힘들었음(특히 미네소타의 눈 오는 날씨에서는). 두 번째로, 차량의 그림자 역시 문제임. 차량의 그림자는 어떠한 물체의 일부로 인식될 수 있고, 그 결과 추적의 오류를 가져올 수 있음. 반면 어떤 경우는, 차량의 그림자가 인식되기 쉬울 때가 있는데 그것은 바로 오후 시간때임. 차량의 그림자를 해결하는 하나의 제안된 방법은 색상에 대한 정보를 통해서인데 그것 역시 우리의 실험에서는 신뢰성이 없었음. 셋째로, 개발된 시스템에서 단일 카메라는 전체의 로터리를 커버하는 적절한 시야를 제공하지 않을 수도 있음. 앞으로의 연구에서는 추적의 정확도를 높이기 위해 다중 카메라를 이용하는 것을 연구하는 것을 고려할 필요가 있음.