신경망을 이용한 루프검지기 차종분류 알고리즘 = ILD Vehicle Classification Algorithm using Neural Networks

국문 초록 (Abstract)

본 논문은 루프검지기를 이용한 차종분류 방법의 성능 향상을 위해 신경망 패턴인식 기술을 이용한 차종분류 알고리즘을 제안하였다. 기존의 루프검지기 차종분류 방법은 차량의 길이 정보만을 이용해서 차종을 분류하는 것이다. 그러나 루프검지기의 특성상 차종에 따른 길이 정보가 정확하지 않으므로 길이가 비슷한 차종에 대해서는 차종분류 오류가 자주 발생하고 있는 실정이다. 이와 같은 문제점을 개선하기 위해 본 연구에서는 루프검지기 시스템에 신경망 패턴 인식 기술을 적용하였다. 제안된 알고리즘은 차량이 검지영역을 통과할 때 발생하는 루프검지기 공진주파수 값 변화율과 점유시간 정보를 신경망의 입력자료로 활용하여 차량을 5가지 종류로 분류하는 방식이다. 개발된 알고리즘의 성능을 평가하기 위하여, 현장실험을 통해 자료를 수집하고 신경망 학습 및 실험을 실시한 결과 차종분류 정확도가 91.3%였으며, 이는 기존의 연구결과와 비교할 때 매우 높은 것이다.

다국어 초록 (Multilingual Abstract)

In this paper, we suggested a vehicle classification algorithm using pattern recognition method. At present, Inductive Loop Detector is rarely used for vehicle classification because of its low accuracy. To improve the accuracy, we suggest a new algorithm for Loop Detector using neural networks. In the developed algorithm, the inputs to the neural networks are the variation rate of frequency and occupancy-time. The output is classified vehicles. The developed algorithm was assessed at test sites and the recognition rate was 91.3percent. The results verified that the proposed algorithm improves the vehicle classification accuracy compared to the conventional method based on Loop Detector.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 관련 연구
• 3. 차종분류 알고리즘 개발
• 4. 신경망 구성을 위한 ILD 주파수 특성 분석
• 5. 차종분류 실험 및 결과
• 6. 결론
• 참고문헌
• 저자소개

참고문헌 (Reference)

• 1 건설교통부, "수도권 도로 교통정보 관리체계 구축 기본설계 및 평가 연구 최종보고서" 건설교통부 1997.
• 2 B. Coifman, "Using Dual Loop Speed Traps To Identify Detector Errors" 1683 : 47-58, 1999.
• 3 "Traffic Detector Handbook, 2nd ed." 1990.
• 4 E. Gose, "Pattern Recognition and Image Analysis." Prentice Hall PTR 1996.
• 5 M. Pursula, "Microprocessor and PC-based Vehicle Classification Equipments Using Induction Loops" 24-28, 1989.
• 6 박종연, "Fuzzy 논리를 이용한 루프검지기의 차종분류 알고리즘 개발" 2002.
• 7 S. Tropartz, "Experiences and Results from Vehicle Classification Using Infrared Overhead Laser Sensors at Toll Plazas in New York City." 686-691, 1999
• 8 S. Gupte, "Detection and Classification of Vehicles" 3 (3): 37-47, 2002
• 9 J. Gajda, "An Eastern European example of the identification of moving vehicle parameters using the tried and trusted method of weigh in motion" 87-90, 2000
• 10 C. Sun, "Algorithm Development for Derivation of Section-Related Measures of Traffic System Performance Using Inductive Loop Detectors Journal of the Transportation Research Board" 1483 : 171-180, 1995.
• 11 Y. K. Ki, "A model for accurate speed measurement using double loop detectors" 55 (55): 2006
• 12 J. Gajda, "A Vehicle Classification Based on Inductive Loop Detectors" 1 : 460-464, 2001
• 13 W. Wu, "A Method of Vehicle Classification Using Models and Neural Networks" 4 : 3022-3026, 2001
• 14 H. M. Abdelbaki, "A Laser Intensity Image Based Automatic Vehicle Classification System" 460-465, 2001