터널 CCTV 기반 관심영역 자동설정 알고리즘 개발 = Development of an automatic region of interest setting algorithm based on tunnel CCTV

국문 초록 (Abstract)

기존 터널 영상 유고 시스템은 터널 내 고압수 청소 등으로 인해 빈번히 CCTV가 틀어지면서 미리 설정된 관심영역과 실제 차량 주행방향과의 차이가 발생하면서 유고 상황을 제대로 감지하지 못하고 오탐지가 발생하는 문제가 빈번히 발생한다. 이러한 문제를 해결하기 위해, 본 논문에서는 터널 CCTV의 틀어짐에 대응하여 관심영역을 자동으로 재설정하는 관심영역 자동설정 알고리즘을 개발하였다. 이 알고리즘은 원본 터널 CCTV 영상에서 관심영역을 설정한 후, 역 원근변환(inverse perspective transform, IPT)을 적용하여 원근현상이 제거된 변환영상을 기본 영상으로 사용한다. 변환영상에서 차선 인식 알고리즘을 통해 각 차선의 기울기, 절편, 방향(좌/중앙/우)을 추출하고, 이를 바탕으로 원본영상에서 틀어진 CCTV에 맞추어 관심영역을 자동으로 재설정한다. 이에 대한 성능을 검증하기 위해 먼저 딥러닝 기반 차선 인식 모델에 대한 실험을 진행하였으며, 정지 영상의 하단 1/2 및 1/4 영역을 사용한 데이터셋을 제작하여 비교 실험을 수행하였다. 그 결과, 하단 1/2 영역을 활용한 모델이 노면이 젖은 경우나 차선이 흐릿한 경우에도 높은 차선인식 성능을 보였다. 이러한 결과를 바탕으로 개발된 알고리즘에 적용하였으며, CCTV 3개 채널을 선정한 다음, 본 알고리즘을 적용한 경우와 그렇지 않은 경우에 대한 비교 실험을 진행하였다. 그 결과, 본 알고리즘은 기존의 고정된 관심영역에 비해 차선 방향을 일관되게 유지할 수 있었으며, 최대 37도까지 틀어진 차선을 자동으로 보정하여 일관된 관심영역을 재설정할 수 있음을 확인하였다. 결과적으로 제안된 알고리즘은 터널 영상유고시스템의 정확도와 효율성을 크게 향상시킬 수 있음을 보였다.

참고문헌 (Reference)

• 1 Sultana, S., "Vision-based robust lane detection and tracking in challenging conditions" 11 : 67938-67955, 2023
• 2 Cordts, M., "The cityscapes dataset for semantic urban scene understanding" 3213-3223, 2016
• 3 이규범 ; 신휴성, "Study on influence of the region of interest(ROI)in performance of accident event detection in tunnel CCTV" 24 (24): 619-624, 2023
• 4 Zhu, M., "Recall, precision and average precision" 2 (2): 1-11, 2004
• 5 Galeano, D. A. B., "Real-time architecture on FPGA for obstacle detection using inverse perspective mapping" 788-791, 2011
• 6 Fischler, M. A., "Random sample consensus : a paradigm for model fitting with applications to image analysis and automated cartography" 24 (24): 381-395, 1981
• 7 He, K., "Mask R-CNN" 2961-2969, 2017
• 8 Cao, J., "Lane detection algorithm for intelligent vehicles in complex road conditions and dynamic environments" 19 (19): 3166-, 2019
• 9 Mallot, H. A., "Inverse perspective mapping simplifies optical flow computation and obstacle detection" 64 (64): 177-185, 1991
• 10 MOLIT, "Guideline of installation and management of disaster prevention facilities on road tunnels (established rule of MOLIT No. 336)"
• 11 Ren, S., "Faster R-CNN: towards real-time object detection with region proposal networks" 28 : 91-99, 2015
• 12 LeCun, Y., "Deep learning" 521 (521): 436-444, 2015
• 13 이규범 ; 신휴성, "A study for improvement of far-distance performance of a tunnel accident detection system by using an inverse perspective transformation" 24 (24): 247-262, 2022