딥러닝 영상 분석을 이용한 실내 주차장실시간 차량 위치 추정 및 모니터링 방법 = Method of Real-time Indoor Localization and Monitoring in Parking Lot using Image Deep Learning Analysis

국문 초록 (Abstract)

본 논문은 주차장에 설치된 감시 카메라 영상을 분석하여 실내 주차장에서 차량의 위치를 실시간으로 추정하고 모니터링하는 효과적인 방법을 제안한다. 제안 방법은 주차장에 설치된 모든 카메라 영상을 딥러닝 기반 분석 후 차량의 위치를 하나의 통합된 그리드맵 좌표로 표현하여 주차장에 존재하는 모든 차량의 위치 정보를 실시간으로 파악한다. 이 방법은 객체 검출, 추적, 번호판 인식의 세가지 딥러닝 모델과 좌표 변환 알고리즘으로 구성되어 있다. NVIDIA TensorRT의 양자화를 적용하여 딥러닝 모델을 최적화하였고 Deepstream을 활용하여 모든 카메라 영상에 대한 분석을 하나의 프로세스로 구성하여 하드웨어 자원 사용 효율성을 높였다. 주차장이나 차량에 센서를 설치해야 하는 일반적인 실내 측위 기술과 다르게 제안 방법은 추가적인 센서를 설치할 필요가 없어 경제적이며 주차장 도면만 있다면 정밀지도 제작 과정 없이 바로 적용할 수 있다는 장점이 있다. 딥러닝 모델 학습을 위해 실제 주차장에서 수집된 14000장의 이미지 데이터를 사용하였으며 120개의 실제 주차장 영상 데이터로 진행한 실험에서 98.1%의 객체 재인식 성능을 보였고 40m 거리에서 평균 3.65m 오차 범위의 위치 추정 정확도를 보였다.

다국어 초록 (Multilingual Abstract)

This paper introduce an effective method for indoor localization in an indoor parking lot and monitoring in real time by analyzing surveillance camera images installed in a parking lot. Proposed method analyzes the camera image installed in the parking lot using a deep learning to express the location of the vehicle as integrated grid map coordinate, which can express the location of all vehicles in the parking lot in real time. The method consists of three deep learning models: object detection, tracking and license plate recognition and coordinate transformation algorithms. The deep learning model was optimized by applying quantization of NVIDIA TensorRT, and all camera video input was organized into one process using Deepstream to increase the efficiency of hardware resource usage. Unlike conventional indoor positioning technologies that require sensors to be installed in parking lots or vehicles, the proposed method is economical because it does not need additional sensors. 14,000 image collected from parking lots were used for deep learning model learning. The experiment conducted with 120 images showed 98.1% Re-ID performance and the location estimation error was 3.65m on average at a distance of 40m.

참고문헌 (Reference)

• 1 차경주 ; 이정범 ; 이웅희, "인공지능 기반 무선 측위 기술 동향 및 전망" 대한전자공학회 59 (59): 149-161, 2022
• 2 M. Rátosi, "Robust VLC beacon identification for indoor camera-based localization systems" 20 (20): 2522-, 2020
• 3 X. Zheng, "RSSI-KNN : A RSSI indoor localization approach with KNN" 2023
• 4 C.-M. Chung, "Orbeez-Slam: A real-time monocular visual slam with orb features and Nerf-realized mapping" 2023
• 5 Y. Shen, "Learning deep neural networks for vehicle re-id with visual-spatio-temporal path proposals" 2017
• 6 H. Wu, "Integer quantization for deep learning inference : Principles and empirical evaluation"
• 7 Yejin Kim ; 임창훈, "Image Dehazing from Depth Estimation using Convolutional Neural Networks" 대한전자공학회 10 (10): 75-83, 2021
• 8 T. ANDY, "GSTREAMER Application Development 1.10.1. 12TH MEDIA SERVICES"
• 9 F. Zhang, "Design and implementation of real-time localization system (RTLS) based on UWB and TDOA algorithm" 22 (22): 4353-, 2022
• 10 K. He, "Deep residual learning for image recognition" 2016
• 11 Z. Ming, "Deep learning-based person re-identification methods : A survey and outlook of recent works" 119 : 104394-, 2022
• 12 J. Woo, "Contactless Era, Autonomous Last-Mile Delivery" 42 (42): 60-62, 2020
• 13 X. Luo, "Consistent video depth estimation" 39 (39): 2020
• 14 H. Zhuang, "Camera calibration techniques" 11-61, 2018
• 15 H. G. Seif, "Autonomous driving in the icity—HD maps as a key challenge of the automotive industry" 2 (2): 159-162, 2016
• 16 D. Ergu, "A review of Yolo algorithm developments" 199 : 1066-1073, 2022
• 17 J. Cheng, "A review of Visual Slam methods for autonomous driving vehicles" 114 : 104992-, 2022
• 18 J. H. Baek, "A Study on Real-Time Traffic Flow Analysis Systems Based on Highway CCTV Multi-Video Stream Using Deepstream" 1065-1066, 2021