Ⅰ. 서 론
1. 개요
차량의 주행 상태와 교통류를 분석하기 위해서는 개별 차량의 속도뿐만 아니라 선행 차량과의 상대적인 관계를 파악하는 것이 중요하다. 특히 동일 차로를 주행하는 선행 차량인 전방차량과의 차간거리 및 차두시간은 정보는 ACC(적응형 순항 제어, Adaptive Cruise Control)와 같은 ADAS(첨단 운전자 지원 시스템, Advanced Driver Assistance Systems)에서 안전거리를 유지하기 위해 이용될 뿐만 아니라(Vite et al., 2022), 교통류 이론에서는 차량의 추종 거동을 설명하고 교통류 안정성 분석 및 도로 용량 등을 분석하는 데 활용될 수 있다(Shang and Stern, 2021). 따라서 다양한 차량 내 센서로부터 수집된 정보를 가공하여 자차의 주행에 직접적인 영향을 미치는 전방차량을 식별하는 과정은 차량 간 상호작용을 분석하고 차간거리를 추정하기 위한 기초 단계라고 할 수 있다.
현재 전방차량을 검지하고 차량 간 상대 거리와 상대속도를 측정하기 위해 레이더, LiDAR 및 카메라 등의 다양한 센서가 활용되고 있다. 특히 레이더와 LiDAR는 전파나 레이저를 통해 차량과의 거리를 직접적으로 측정할 수 있다. 이러한 정보를 기반으로 주변 차량과의 상대적인 주행 상태를 지속적으로 파악할 수 있다는 장점이 있다. 그러나 LiDAR와 같은 고정밀 센서나 고해상도 영상을 활용할 경우 장비의 설치 및 운영 비용이 증가할 수 있다. 또한, 고해상도 영상은 객체의 세부적인 특성을 파악하는 데 유리하지만, 입력 해상도의 증가에 따라 요구되는 연산량과 추론 시간이 증가한다(Kim et al., 2023). 따라서 이러한 방법을 통해 다수 차량에서 지속적으로 데이터를 수집하고 처리하는 방식에는 한계가 있다. 또한 LiDAR와 같은 정밀 센서가 모든 일반 차량에 장착되어 있는 것은 아니므로, 이를 이용하여 광범위한 도로 구간의 차량 거동 정보를 수집하는 데에도 제약이 있을 수 있다(Coifman et al., 2026).
최근 빌트인 카메라 설치가 대중화되면서 카메라를 활용한 영상 기반 검지 방법도 활용되고 있다. 영상 데이터의 가공을 통해 차량의 종류와 위치 등 주변 환경에 대한 다양한 정보를 제공할 수 있다는 장점을 갖는다. 또한 데이터 취득 측면에서 빌트인 카메라에서 수집되는 주행 영상은 Lidar와 레이더 센서에 비해 상대적으로 쉽게 확보할 수 있으며, 다수의 일반 차량으로부터 수집이 가능한 경우 별도의 고정밀 센서가 장착된 차량에 의존하지 않고도 보다 넓은 도로 네트워크에서 차량 간 상호작용과 교통류 관련 정보를 수집하는 데 활용할 수 있다. 다만 전방 빌트인 카메라의 영상의 경우 통상적으로 하나의 체널로 제한되고 해상도 역시 상대적으로 낮아 전방차량 검지 성능에 한계가 있을 수 있다.
이에 본 연구에서는 별도의 고가 정밀 센서나 고해상도 영상에 의존하지 않고, 빌트인 카메라 성능에 준하는 모바일 기기로부터 수집되는 저해상도 주행 영상 환경에서 전방차량을 안정적으로 식별하는 방법론을 제안한다. 제안하는 기법은 딥러닝 기반 객체 탐지 모델(YOLOv11)을 활용해 영상 내 차량 객체들을 1차적으로 검출한 후, 영상 좌표계 상의 기준점과 바운딩 박스 하단 좌·우측 점이 이루는 기하학적 각도 변수를 정의하여 자차와 동일 차로를 주행하는 선행 차량을 최종 선별한다. 이와 같은 단계적 각도 조건 판별 로직은 저해상도 영상이 갖는 공간적 정보의 한계와 주변 차량 개입 환경 속에서도 주행 차로 내 전방차량을 식별할 수 있도록 설계되었다. 본 연구는 차량 실시간 제어 목적에 국한되지 않고 차간거리 및 차량 추종 거동 분석에 필요한 기초자료를 저비용 주행 영상만으로 추출하는 체계를 제시하였다는 점에서 학술적·기술적 의의를 지니며, 향후 크라우드소싱(Crowdsourcing) 기반의 광역 교통정보 수집 시스템으로 확장하기 위한 기반을 제공한다.
Ⅱ. 선행연구 고찰
본 연구는 일반 차량에서 수집된 주행 영상에 포함된 다수의 차량 중 자차량과 동일차선에서 주행하는 선행차량인 전방차량을 식별하는 것을 목적으로 한다. 이를 위해 2장에서는 먼저 주행 영상에서 차량을 검출하기 위한 영상 기반 차량 검출 관련 연구를 검토하고, 차량 검출 기술의 발전 과정과 주요 방법론을 살펴보았다. 다음으로 레이더, LiDAR, 카메라 및 차량 내부 센서 등을 이용하여 주행 경로에 위치한 전방차량을 식별하거나, 주변 차량의 차선 변경에 따른 전방차량의 변화를 예측한 연구를 검토하였다. 마지막으로 선행연구의 주요 특징과 한계를 종합하고, 본 연구와의 차별점을 제시하였다.
1. 영상 기반 차량 검출 관련 연구
주행 영상으로부터 전방차량을 식별하기 위해서는 우선 영상에 포함된 차량을 안정적으로 검출하는 과정이 필요하다. 먼저, 차량 검출 기술의 전반적인 발전 과정과 방법론별 특징 및 한계를 정리한 연구가 수행되었다. Sun et al.(2006)은 차량 탑재 카메라 기반의 차량 탐지 연구를 알고리즘의 발전과정과 처리 단계에 따라 분류하여 각 방법론의 특징과 한계를 비교하였다. 가설 생성 단계의 기법들(Knowledge, Stereo-Vision, Motion 기반)은 차량 후보를 신속하게 탐색할 수 있으나 조도, 날씨, 배경 및 카메라 흔들림에 취약하다고 보고하였다. 이에 따라 정확도를 높이기 위해 Template, Appearance 기반의 가설 검증 기법이 결합되어야 하며, 궁극적으로 추적(Tracking) 기술과 다중 센서 융합(Sensor Fusion) 기술의 결합이 필요하다고 제시하였다. Sivaraman and Trivedi(2013)는 비전 기반 차량 인지 관련 연구를 알고리즘의 처리 단계 및 발전 과정에 따라 분류하여 각 기술의 특징과 한계를 비교하였다. 기계학습과 필터링(Kalman, Particle 등) 기법의 발전으로 차량 탐지 및 추적 성능이 향상되었으나, 차량 가림과 장기 움직임 예측에는 여전히 한계가 있다고 분석하였다. 이를 보완하기 위해 다중 센서 융합 기술로 발전해야 하며, 주변 차량의 추월, 차선변경 등의 특정 움직임을 식별하고 궤적을 예측하는 행동 분석 모델(Behavior Analysis)이 통합되어야 한다고 강조하였다. Yang and Pun-Cheng(2018)은 다양한 조도와 기상 조건에서의 차량 탐지 알고리즘 연구를 Appearance와 Motion 기반의 방법론으로 분류하여 각 기술의 특징과 한계를 비교하였다. Appearance 기반의 방법론은 처리 속도가 빠르지만 환경 변화에 취약하고 사전학습에 의존하며, Motion 기반의 방법론은 변화에 강하지만 연산시간이 오래 걸린다는 단점이 있다고 하였다. 이에 따라 SVM(Suprot Vector Machine), CNN 등의 기계학습을 결합하는 추세라고 언급하였다. Yeong et al.(2021)은 자율주행에 활용되는 카메라, LiDAR, 레이더와 같은 다중 센서와 센서 융합 기술을 분류하여 각 방법론의 특징과 한계를 비교하였다. 이 논문에서는 각 센서가 조도나 악천후 등 특정 환경 요인에 의해 한계가 발생할 수 있으므로 다중 센서 융합이 필수적이라고 하였다. 이에 따라 객체 탐지 정확도를 높이기 위해 YOLO, SSD(Single Shot MultiBox Detector) 등의 딥러닝 기반의 알고리즘이 결합되는 추세이며, 궁극적으로 악천후, 딥러닝 모델의 보안 취약성의 극복과 주행 중 센서 오차를 스스로 수정하는 Online Calibration 기술이 통합되는 방향으로 자율주행 센서 시스템이 발전해야 한다고 강조하였다. 이러한 연구들에서는 차량 탐지 기술이 영상의 특징을 이용하는 방법에서 기계학습, 추적, 딥러닝 및 다중 센서 융합을 활용하는 방향으로 발전하고 있음을 제시하였다.
한편, 차량의 후미등, 하부 그림자, 형태 및 빛과 같은 영상을 이용하여 차량 후보를 검출하고, 규칙이나 추적 알고리즘을 통해 차량 탐지의 오검출을 감소시키는 연구도 수행되었다. O’Malley et al.(2010)는 야간 환경에서 전방차량을 효과적으로 탐지하기 위해 표준 저가형 CMOS 컬러 카메라를 사용하여 야간 컬러 영상에서 차량의 후미등 쌍을 감지하고 추적하는 방법을 제안하였다. 결과적으로 다양한 도로 환경과 조명 조건 속에서도 오탐지를 최소화하여 97.26%의 높은 감지율을 기록하였다. Cheon et al.(2012)은 Vision 기반 차량 감지 시스템의 성능을 높이기 위해 차량 하부의 그림자를 이용해 후보 영역을 찾고, HOG(Histogram of Oriented Gradients, 방향성 기울기 히스토그램) 패턴과 이를 응용한 대칭성 특징 벡터를 활용하는 방안을 제안하였다. 또한, 인근에 위치하여 사고 위험이 높은 차량 후보에 대해 화면 내 차량의 크기를 기반으로 학습 가중치를 부여하여 위험차량에 대한 오탐지를 최소화하도록 학습시켰다. 그 결과 기존의 기계학습 분류기보다 정확도와 실용성이 모두 향상되었음을 확인하였다. Lee et al.(2018)은 다중 센서 대신 차량에 장착된 AVM(Around View Monitor) 광각 카메라 하나만을 활용하여 전방 차량을 정확히 인식하는 방법론을 제안하였다. 거리에 따른 형태 왜곡 문제를 근거리 및 원거리 맞춤형 검출기 분리 운영으로 해결하였고, 마스크 기반의 이중 필터링과 IOU 및 Kalman 필터 기반의 추적 알고리즘을 융합하여 오탐지를 줄였다. 결과적으로 왜곡이 심한 광각 렌즈 환경에서도 0.97의 높은 정밀도와 재현율을 달성하였다. Park and Lee(2020)는 야간 환경에서의 차량 검출 성능을 극대화하기 위해 SSD와 규칙 기반 방식을 결합한 방법론을 개발하였다. 근거리 차량은 SSD로 탐지하고 해당 영역의 빛 Blob을 필터링함으로 오검출을 방지하였다. 원거리 차량은 Blob을 면적, 거리 등에 대한 규칙을 기반으로 페어링하여 탐지하였다. 이후 VGG(Visual Geometry Group) 기반 분류기로 최종 검증을 수행하여 81.4%의 정밀도와 88%의 재현율을 기록하였다. 이들은 특정 주행 환경에서 관찰되는 영상 특징을 활용하거나 검출기와 규칙 기반 방법을 결합함으로써 차량 검출 성능을 향상시켰다. 또한, 야간이나 광각 카메라 및 근·원거리 차량과 같은 특정 조건에서 차량 자체를 검출하는 데 중점을 두었다.
이후에는 딥러닝 기반 객체 검출 알고리즘을 이용하여 차량을 검출하고, 차량과의 거리나 위험도를 함께 추정하는 연구가 수행되었다. Park et al.(2019)은 단안 카메라와 딥러닝(YOLOv2 및 다중 퍼셉트론)을 활용해 비용효율적으로 차량을 검출하고 거리에 따른 위험도 등급을 예측하였다. 단일 차종으로 학습한 한계로 인해 원거리 예측에서 일부 오차가 발생하였으나, 85% 이상의 우수한 객체 탐지율과 76%의 의미 있는 거리 분류 정확도를 확보하였다. Liu and Zhang(2020)은 실시간에서 작동할 수 있는 경량화된 YOLO 객체 검출 모델과 서로 다른 두 개의 초점 거리를 가진 카메라를 융합하여 차량 간 상대 거리를 추정하는 방법을 제안하였다. YOLOv3 구조를 기반으로 경량 네트워크인 ShuffleNet과 GIoU 손실 함수를 적용해 처리 속도와 바운딩 박스의 퀄리티를 동시에 확보하였다. 또한 장초점 카메라와의 매칭을 통해 4% 미만의 낮은 오차율과 최대 100m 거리까지 안정적인 측정이 가능해지며 단안 카메라의 고질적 한계인 원거리 객체 인식 불가를 극복하였다. Hu et al.(2021)은 비, 눈, 야간 등의 복잡한 날씨 및 주행환경에서도 차량의 검출 정확도와 강건성을 향상시키고자 하였다. 이를 위해 이미지로부터 LBP(Local Binary Patterns), Haar-like, HOG 특징을 각각 추출한 후 주성분 분석(PCA)을 통해 융합하였다. 이후, SVM을 이용해 1차 후보군을 걸러내어 연산 부담을 줄이고, 특정 환경에서 발생하는 오탐지는 VGG16 신경망을 활용한 2차 검증을 통해 차량 여부를 검증하였다. 이를 통해 맑은 날씨에서는 98.69%의 높은 재현율을 보였으며, 복잡한 주행 환경에서도 97.32%의 재현율을 보여 안정적인 자율주행을 위한 매우 실용적인 대안을 제시한 것에 의의가 있다. 이 경우 딥러닝 기반 객체 검출 결과를 활용하여 차량과의 거리 또는 위험도를 추정하거나, 복잡한 환경에서 차량 검출의 강건성을 향상시켰다는 특징이 있다.
최근에는 차량 검출 모델을 경량화하여 실시간 처리 성능을 확보하거나, 악천후 및 복잡한 주행환경에서 검출 정확도를 향상시키기 위한 연구가 수행되고 있다. Jamiya and Rani(2021)는 차량 검출 속도와 정확도를 높이고 복잡한 주행 및 환경 조건에서도 강인하게 작용하는 모델을 만들기 위해 YOLOv3-tiny를 기반으로 하는 경량화된 심층 신경망 모델인 LittleYOLO-SPP를 제안하였다. 두 개의 데이터셋에서 각각 77.44%와 52.95%의 높은 mAP를 달성하였으며 5ms의 매우 빠른 추론 시간을 기록하여 실시간 처리 능력을 입증하였다. Bie et al.(2023)은 연산 능력이 제한되는 모바일 기기에서도 자율주행을 위한 실시간 차량 검출이 가능하도록 YOLOv5를 극적으로 경량화하고 최적화한 YOLOv5-L 모델을 제안하였다. 그 결과 동종 경량화 모델인 YOLOv3,4 tiny와 비교하여 mAP가 각각 29.7%, 22.5% 향상되었으며, 처리 속도는 80 FPS에 도달하여 모바일 기기를 활용한 실시간 차량 검출 기준에 충족하였다. Kang et al.(2024)은 복잡한 주행 환경을 제어하기 위해 퍼지(fuzzy) 이론과 딥러닝을 결합한 type-1 퍼지 주의 집중 모듈(T1FA)을 제안하였다. 이를 MDFormer 및 Rep-ELAN과 결합해 최종적으로 YOLO-FA 검출기를 개발하였다. 결과적으로 우천 및 야간 시나리오에서 AP50 기준 각각 4.2%, 8.1% 향상하였으며, 사전학습데이터 없이 70%의 AP50과 50.3%의 AP를 달성하였다. Feng et al.(2024)은 악천후 환경에서 자율주행 차량의 시각적 인지 능력을 높이기 위해 YOLOv8-s를 개량한 ADWNet을 개발하였다. EMA 모듈, RepGDNeck, SIoU Loss를 적용해 특징 추출과 멀티 스케일 융합 성능을 개선하였다. 이를 통해 연산량을 5% 줄이면서도 정확도를 22% 끌어올려 악천후 속에서 뛰어난 정확도와 실시간 처리 성능을 발휘하는 강력한 자율주행 인지 모델임을 입증하였다. 이는 차량 검출 모델의 경량화, 처리 속도 개선 및 복잡한 주행환경에서의 검출 정확도 향상에 중점을 두고 있다. 즉, 영상 내 차량 객체를 정확하고 빠르게 검출하기 위한 방법이 주로 제안되었다.
영상 기반 차량 검출 연구는 차량의 후미등. 하부 그림자, 형태 및 빛과 같은 시각적 특징을 이용하는 방법과 딥러닝 기반 객체 검출 모델을 이용하는 방법으로 구분할 수 있다. 초기에는 영상의 특징과 규칙 기반 방법을 결합하여 차량을 검출하였으며, 이후에는 YOLO, SSD, VGG 등의 딥러닝 모델을 활용하여 차량 검출 정확도와 처리 속도를 향상시키는 연구가 수행되었다. 최근에는 실시간 처리를 위한 모델 경량화와 악천후 및 복잡한 주행환경에서의 검출 성능 향상에 관한 연구가 진행되고 있다. 이러한 연구들은 영상 내 차량 객체를 정확하고 신속하게 검출하는데 중점을 두고 있다. 영상 기반 차량 검출 연구에 대한 주요 내용은 <Table 1>과 같다.
<Table 1>
Summary of Preceding Vehicle Identification Studies
| Research Category | Researcher | Method | Main Contributions |
|---|---|---|---|
| Sensor Fusion | Sun et al.(2006) | Classification of Hypothesis Generation and Verification Techniques | Highlighted tracking & sensor fusion to overcome environmental limits |
| Sivaraman and Trivedi (2013) | Classification of Machine Learning and Kalman Filter-based Detection and Tracking | Emphasized behavior analysis to address occlusion | |
| Yang and Pun-Cheng (2018) | Appearance- and Motion-based Algorithms | Enhanced speed & environmental robustness | |
| Yeong et al.(2021) | Multi-Sensor Fusion and Deep Learning Classification | Required real-time validation under adverse weather | |
| Image Feature- and Rule-based Detection | O’Malley et al. (2010) | Vehicle Tail Light Tracking based on CMOS Color Camera | Minimized FP under varied road/lighting conditions |
| Cheon et al.(2012) | HOG (Histogram of Oriented Gradients) Pattern Analysis | Minimized FP for nearby hazardous vehicles | |
| Lee et al.(2018) | Application of Mask-based Dual Filtering | Overcame wide-angle lens distortion | |
| Park and Lee(2020) | SSD and Rule-based Approach | Separated near/far vehicle detection at night | |
| Perception in Complex Driving Environments | Kang et al.(2024) | YOLO | Improved detection performance in rain & night |
| Feng et al.(2024) | YOLO | Reduced FLOPs & enhanced accuracy in adverse |
2. 전방차량 식별 관련 연구
본 연구에서는 동일 차선에서 주행하는 선행 차량을 전방차량으로 정의하고 이를 탐지하고자 한다. 이와 관련하여 레이더, LiDAR 및 카메라를 이용하여 전방차량을 정의하는 연구들에 대해 정리하였다.
센서로부터 수집된 차량의 위치 정보와 자차량의 주행 경로를 결합하여 동일 차선의 선행차량 또는 최인접 차량을 식별하는 연구가 수행되었다. Yang et al.(2010)은 레이더 센서가 다중 차량 근접 주행이나 정지 차량 검지 한계를 보완하기 위해 레이더와 모노 비전 센서, 그리고 yaw-rate 기반 자차량 주행경로 예측을 융합한 선행 차량 인식 알고리즘을 제안하였다. 타겟의 상태를 관리하는 Track Management와 레이더의 종방향 정보 및 비전 센서의 횡방향 정보를 결합하여 복잡한 주행 환경에서 선행 차량의 인식 성능을 향상시켰다. Zhang et al.(2012)은 곡선 도로에서 단일 레이더가 인접 차선 차량을 타겟으로 오인하는 문제를 해결하기 위해, 총 상관계수(TCC) 기반 적합도 평가와 단일 클로소이드 모델의 t-검정을 결합한 새로운 타겟 식별 알고리즘을 제안하였다. 고비용의 센서 융합이나 지도 데이터 없이 단일 레이더만으로 자차선 전방 차량을 인접 차량과 완벽하게 구별하고 안정적으로 추적할 수 있었다. Bae et al.(2021)은 저채널 LiDAR의 원거리 탐지 한계를 극복하기 위해 카메라와 LiDAR의 추적 정보를 융합하여 최인접차량을 식별하는 방법을 제안하였다. 그 결과 35m 이상의 원거리 객체도 조기 식별하여 정확한 차선 위치를 추적할 수 있었으며, AEB 테스트에서 요구 제동 감속도를 7.72m/s2으로 완화시켜 제동시스템의 반응성과 주행안정성이 획기적으로 향상되었음을 입증하였다. 이는 레이더의 종횡방향 위치 정보, yaw-rate 기반 주행경로, LiDAR와 카메라 융합 정보 등을 이용하여 자차량의 주행경로에 위치한 전방차량을 식별하였다. 이를 통해 곡선 도로와 다중 차량 주행환경에서도 인접 차선의 차량과 주행차선의 선행차량을 구분할 수 있었다.
또 다른 연구에서는 현재 주행 중인 전방차량을 식별하는 것에서 나아가, 인접 차선 차량의 끼어들기나 전방차량의 이탈 가능성을 예측하여 ACC의 제어 대상이 되는 차량의 변화를 사전에 파악하고자 하였다. Kim et al.(2021)은 주변 차량의 차선 변경 의도를 신속하고 정확하게 파악하여 ACC 성능을 향상시키기 위해, 상용 레이더와 차량 내부 센서 정보에 칼만 필터를 적용하여 횡방향 속도를 추정하는 다중 클래스 SVM 기반의 분류 알고리즘을 제안하였다. 특히 사전 학습되지 않은 데이터에서 기계 학습의 오판을 극복하고자 Open set recognition 개념을 도입해 가장 보수적이고 안전한 예측이 가능하도록 설계하였다. 실험 결과 92.2%의 높은 모션 분류 정확도를 달성하였으며, 인접차량의 끼어들기와 빠져나가기를 각각 1.4초와 0.4초 더 빠르게 파악하여 제어 시스템의 반응성과 주행 안전성을 향상시켰다. Yao et al.(2021)는 기존 ACC의 타겟 선정 한계를 극복하기 위해, sliding-window 기반의 SVM을 활용하여 인접 차선 및 현재 차선 선행 차량의 차선 변경 의도를 모두 예측하는 알고리즘을 제안하였다. 그 결과 시뮬레이션 환경에서 기존 ACC 대비 최대 1.2초 먼저 차선 변경을 예측하여 불필요한 가감속 변동이 대폭 감소하였으며, 위험 상황에서 0.75초 빠르게 반응해 충돌을 완벽히 회피함으로써 주행 안전성과 승차감을 향상시켰다. 이는 주변 차량의 횡방향 움직임과 차선변경 의도를 예측함으로써 현재의 전방차량이 주행경로에서 이탈하거나 인접 차선의 차량이 새로운 전방차량으로 진입하는 상황을 사전에 판단하였다.
기존의 전방차량 식별 연구에서는 레이더, LiDAR, 카메라 및 차량 내부 센서와 자차량의 주행경로 정보를 결합하여 동일 차선의 선행차량을 식별하거나, 주변 차량의 차선 변경 의도를 예측하여 ACC 및 AEB 시스템의 제어 대상을 결정하였다. 전방차량 식별 관련 연구에 대한 주요 내용은 <Table 2>과 같다.
<Table 2>
Summary of Vision-Based Vehicle Detection Studies
| Research Category | Researcher | Method | Main Contributions |
|---|---|---|---|
| Path Coupling & CPV Identification | Yang et al.(2010) | Radar + Mono Vision + Yaw-rate path prediction | Overcame multi-vehicle proximity & stationary vehicle detection limits |
| Zhang et al.(2012) | Single Radar, TCC fitness evaluation, single Clothoid t-test | Prevented misidentification & tracked adjacent lane targets on curves | |
| Bae et al.(2021) | Camera + Low-channel LiDAR tracking fusion | Early CPV identification & AEB deceleration mitigation | |
| Lane Change Intent & Trajectory Prediction | Kim et al.(2021) | Commercial Radar + In-vehicle sensors + Kalman Filter + MSVM | Lateral velocity estimation for lane changes |
| Yao et al.(2021) | Sliding-window SVM-based lane change prediction | Early lane-change prediction & accelerated collision-risk response |
3. 기존 연구와의 차별점
기존의 영상 기반 차량 검출 연구에서는 영상 내 차량 객체를 정확하고 빠르게 검출하기 위해 차량의 시각적 특징, 기계학습 및 딥러닝 기반 객체 검출 알고리즘을 활용하였다. 또한 전방차량 식별 관련 연구에서는 레이더, LiDAR, 카메라 및 차량 내부 센서로부터 수집된 정보를 자차량의 주행경로와 결합하여 동일 차선의 선행 차량을 식별하거나, 주변 차량의 차선 변경 의도를 예측하여 자율주행 시스템의 제어 대상을 결정하였다. 본 연구에서는 이러한 연구와 비교하여 다음과 같은 차별점을 가진다.
첫째, 본 연구는 차량 객체의 검출보다 검출된 차량 중 전방차량을 선정하는 과정에 중점을 둔다. 기존의 영상 기반 차량 검출 연구는 영상에 포함된 차량 객체를 정확하게 검출하거나, 차량 검출 모델의 처리 속도와 복잡한 주행 환경에서의 객체 탐지 성능을 향상시키는데 주된 목적이 있었다. 반면, 본 연구에서는 영상에서 검출된 다수의 차량 중 자차량과 동일한 차선을 주행하는 가장 가까운 선행차량을 전방차량으로 선정한다. 즉, 객체 검출 결과를 그대로 활용하는 것이 아니라, 검출된 차량의 위치와 크기 등의 정보를 이용하여 실제 분석 대상이 되는 전방차량을 식별한다는 점에서 차이가 있다.
둘째, 고가의 센서나 다중 센서 융합을 통해 차량을 탐지하는 기존 연구와 다르게 저해상도 주행 영상을 활용한다. 기존의 전방차량 탐지 연구는 레이더, LiDAR, 차량 내부 센서나 다중 센서 융합을 통해 차량의 위치를 파악하였다. 이러한 방법은 전방차량을 안정적으로 탐지할 수 있으나 해당 센서가 장착된 차량이 필요하다는 단점이 존재한다. 따라서 빌트인 카메라와 같이 일반 차량에 보편적으로 장착된 카메라에서 수집된 저해상도 주행 영상을 활용한다. 이를 통해 별도의 고정밀 센서가 장착되지 않은 일반 차량에서도 전방차량을 식별할 수 있는 방법을 제시하고자 한다.
셋째, 본 연구는 차량 제어를 위한 전방차량 식별이 아니라 교통 현상을 분석하기 위한 기초자료 생성에 목적이 있다. 기존의 전방차량 식별 연구에서는 ACC 및 AEB와 같은 차량 제어 시스템의 성능을 향상시키기 위해 전방차량을 식별하거나, 주변 차량의 끼어들기 및 이탈 가능성을 사전에 예측하였다. 본 연구에서는 식별된 전방차량의 영상 내 위치와 크기 등의 정보를 추출하고, 이를 차간거리와 차량 추종 거동을 추정하기 위한 기초자료로 활용하고자 한다.
따라서 본 연구는 일반 차량에서 수집된 저해상도 주행 영상을 이용하여 차량 객체를 검출하고, 검출된 다수의 차량 중 전방차량을 식별한다. 또한, 식별된 전방차량의 정보를 차량 제어가 아닌 차간거리 및 차량 추종 거동 분석을 위한 기초자료로 활용한다는 점에서 기존 연구와 차별된다.
Ⅲ. 연구방법론
주행 영상 내에서 동일 차로를 주행하는 선행 차량인 전방차량을 정의하기 위해 크게 이미지 내 차량 객체 탐지 단계와 탐지된 객체들 중 전방차량을 정의하는 단계를 거친다. 본 장에서는 두 단계에 대한 방법론을 상세히 설명한다. 전체적인 방법론에 대한 상세 흐름도는 <Fig. 1>과 같다.
1. 선행차량 객체 탐지
전방차량을 탐지하기 위해 딥러닝 기반의 실시간 객체 탐지 기법인 YOLO를 활용하여 영상 내 차량 객체를 탐지한다. YOLO는 이미지를 단일 합성곱 신경망을 통해 여러 객체의 바운딩 박스 좌표와 Class 확률을 예측한다. 새로운 이미지가 입력되면 격자로 나눠 각각의 격자 셀에서 객체의 위치를 나타내는 바운딩 박스의 좌표, 객체 존재 신뢰도(confidence) 또는 class 확률을 예측한다. 이후 class 확률을 신뢰도와 곱하여 class별 신뢰도 점수를 계산하여 최종 객체를 선정한다. YOLO는 기존의 R-CNN 계열에 비해 처리 속도가 빨라 실시간 탐지에 적합하며, 이미지를 전체적으로 고려하여 문맥 정보를 학습하기 때문에 일반화 성능이 높아 새로운 환경에서도 안정적인 탐지 성능을 보인다(Redmon et al., 2016).
본 연구에서는 추가적인 학습을 진행하지 않고 COCO 데이터셋을 통해 사전학습된 YOLOv11 모델을 활용한다. 객체 탐지의 신뢰도를 확보하기 위해 임계값(Confidence Threshold)을 0.25로 설정하였으며 해당 값 이하의 탐지 결과는 제거한다. 또한, 연구의 관심영역인 전방차량 탐지를 위해 YOLO 탐지 결과 중 차량에 해당하는 class인 “Car”, “Truck”, “Bus”만을 활용한다. 탐지된 객체의 바운딩 박스에 대한 정보는 좌상단 좌표와 우하단 좌표로 표현한다. <Table 3>는 연구에서 사용한 모델과 추론 설정에 대해 정리한 표이다.
<Table 3>
Model and Inference Setting for Vehicle Detection
| Parameter | Setting | Parameter | Setting |
|---|---|---|---|
| Model | YOLOv11n | NMS IoU threshold | 0.70 (default) |
| Pre-Trained Dataset | COCO dataset | Confidence Score | 0.25 |
| Fine-tuning | None | Inference Batch Size | 1 |
| Target Classes | “Car”, “Truck”, “Bus” | ||
2. 전방차량 정의
프레임 내에서 YOLO를 통해 탐지된 선행차량들 중 전방차량을 구분하기 위해서는 추가적인 조건들이 충족되어야 한다. 본 연구에서는 영상 좌표계 상에서 기준점을 설정하고 각 차량 객체의 상대적 위치 관계를 기준으로 결정한다. 전방차량 정의에 필요한 주요 변수와 상세한 설명은 <Table 4>과 같다.
<Table 4>
Definitions of Variables Used for Front Vehicle Selection
| Variable | Description |
|---|---|
| Reference Point, An arbitrary point in the image | |
| Reference Line, a vertical line passing through reference point O | |
| Bottom-left point of the bounding box of the vehicle i detected in the current frame | |
| Bottom-right point of the bounding box of the vehicle i detected in the current frame | |
| Angle between the reference line and the line connecting O and , | |
| Angle between the reference line and the line connecting O and , | |
| Angle subtended by vehicles i’s bottom edge at O, |
<Fig. 2>는 <Table 4>에서 제시한 변수들의 상대적 위치를 이미지 상에 도식화한 것이다. <Fig. 2(a)>에서 연두색 사각형은 실제 전방차량의 바운딩 박스를 의미하며, 노란색 수직선은 현재 주행차선의 중심인 기준점 O를 지나는 수직선 을 나타낸다. <Fig. 2(b)>에서는 전방차량 바운딩 박스의 좌하단점()과 우하단점()을 각각 빨간색과 파란색 점으로 표시하고, 기준점 O와 두 점을 연결한 선을 각각 빨간색 선과 파란색 선으로 나타냈다. 전방차량 바운딩 박스의 좌·우하단점과 기준점을 연결한 선과 기준선 사이의 각도를 각각 , 으로, 두 연결선 사이의 각도를 으로 정의한다.
주어진 이미지 내 객체 탐지 결과를 활용하여 하나의 전방차량을 정의하기 위해 본 연구에서는 다음의 3개의 조건을 설정하고 이미지의 각 객체에 대해서 조건 충족 여부를 확인한다. 조건 1은 바운딩 박스 하단의 두 점(, )이 기준선의 좌우에 위치하고 있는지를 확인하는 단계이다. 만약 이 조건을 충족하게 되면 조건 2에서 , 가 설정된 임계 범위() 내에 포함되는지 확인한다. 조건 2를 충족하지 못하는 경우, 조건 3의 두 점과 기준점 사이의 각도인 가 임계 범위() 내에 위치하는지 확인한다.
위 조건 중 반드시 조건 1을 만족하고 조건 2 또는 조건 3을 만족하는 차량 i에 대해서 전방차량 후보로 선정한다.
Ⅳ. 연구 데이터 소개
본 연구는 주행 영상으로부터 전방차량을 탐지하고 제안한 전방차량 정의 방법의 성능을 평가하는 것을 목적으로 한다. 전방차량의 지속적인 관측이 가능하고 차선 변경 등으로 인해 분석 대상 차량이 변경되는 상황을 최소화하기 위해 고속도로를 연구 대상지로 선정하였다.
1. 연구 대상지 및 데이터 소개
데이터 수집 구간은 동탄 IC부터 행담도 휴게소까지 약 60 km 구간으로, 세부 주행 경로는 <Fig. 3>과 같다. 동탄 IC부터 팔탄 JC까지는 수도권제2순환고속도로를 따라 주행하였으며, 팔탄 JC부터 행담도 휴게소까지는 서해안고속도로를 따라 주행하였다. <Fig. 3>에는 데이터 수집 경로와 방법을 제시하며, <Fig. 3(a)>에서는 데이터 수집 구간의 출발 지점과 도착 지점 및 주행 경로를 보여준다. 데이터 수집 방법은 <Fig. 3(b)>와 같으며 스마트폰을 차량 내부에 설치하여 전방 주행 영상을 수집하였다.
주행 영상 데이터는 Sensor Logger 스마트폰 앱을 통해 수집하였다. Sensor Logger 앱은 모바일 기기에 내장된 센서와 카메라 기능을 활용하여 가속도계, 자이로스코프, 위치정보, 이미지 또는 동영상 데이터를 기록할 수 있는 애플리케이션이다. 해당 앱을 통해 주행 중 전방 영상을 연속적으로 기록하고 수집된 영상을 MP4 형식으로 저장할 수 있다. 영상은 iPhone 14 Pro를 사용하여 수집되었고, 수집된 영상의 해상도는 1280×720이며, 초당 30프레임으로 기록되었다.
데이터 수집 과정에서 데이터 수집차량은 선행차량과 동일 차선에서 최대한 일상적인 안전거리를 유지하며 주행하였다. 이를 통해 데이터 수집차량의 전방 영상 내에 분석 대상이 되는 전방차량을 지속적으로 포함할 수 있도록 데이터 수집 환경을 구성하였다. 또한 불필요한 차선변경을 최소화하여 영상 내 가급적 많은 전방차량 샘플을 포함시키고자 하였다.
주행 영상 데이터는 2024년 7월 3일 수요일 오전 11시 25분부터 오후 12시 23분까지 수집하였다. 영상의 길이는 57분 40초이며, 총 103,822프레임으로 구성되어 있다. 이중 고속도로를 진입한 시점부터 고속도로를 벗어나기 전까지의 82,286 프레임을 분석 대상인 유효프레임으로 정의하였다. 전방차량 정의 알고리즘을 개발하기 위해 전체 유효프레임중 70%를 사용하였으며 평가를 위해 나머지 30%를 활용하였다.
2. 전방차량 Ground Truth 데이터 구축
유효 프레임을 대상으로 각 프레임의 실제 전방차량 위치 및 크기를 직접 판별하여 기록한 전방차량 Ground Truth 데이터를 구축하였다. 구축된 Ground Truth 데이터는 제안한 방법론을 통해 추정된 전방차량과 실제 전방차량을 비교하여 탐지 성능을 평가하고, 오탐지 및 미탐지 발생 원인을 분석하기 위한 기준 데이터로 활용하였다. Ground Truth는 각 프레임에서 실제 전방차량의 위치와 영역을 직접 확인하여 바운딩 박스 형태로 구축하였다. Ground Truth의 바운딩 박스는 프레임 내 실제 전방차량이 차지하는 영역을 나타내며, 차량 영역의 좌상단과 우하단 좌표를 기준으로 기록하였다. <Fig. 4>는 전방차량 Ground Truth 데이터를 생성하는 방법에 대한 예시를 나타낸다.
Ground Truth 데이터 구축의 효율성을 위해 제안한 전방차량 정의 방법을 각 프레임에 우선 적용한 후, 그 결과를 검토하고 수정하는 방법으로 구축하였다. 먼저, 차량 객체가 탐지된 프레임을 대상으로 전방차량으로 정의된 객체가 실제 전방차량과 일치하는지를 프레임별로 확인하였다. 전방차량이 올바르게 정의된 경우에는 해당 객체의 바운딩 박스를 Ground Truth로 기록하였다. 반면, 실제 전방차량이 아닌 객체가 전방차량으로 정의되거나 전방차량이 정의되지 않은 경우에는 전방차량의 위치와 크기에 맞게 바운딩 박스를 재설정하였다. 이를 통해 각 프레임에서 실제 전방차량의 영역을 나타내는 Ground Truth 데이터를 구축하였다.
Ⅴ. 연구 결과
본 장에서는 앞서 제시한 연구방법론을 실제 데이터에 적용한 결과를 소개한다. 먼저 YOLO를 통해 주행 영상 내 차량 객체를 탐지하였다. 이후 탐지된 차량 객체 중 전방차량을 검출하기 위해 전방차량 판단 조건을 적용하였다. 이후 각 프레임 별로 검출된 전방차량의 바운딩 박스 결과는 사전에 구축한 Ground Truth 데이터와 비교하여 평가하였다. Ground Truth와의 비교를 통해 본 연구에서 제안한 전방차량 정의 알고리즘이 실제 영상 내 전방차량을 얼마나 적절히 식별하는지 확인하고, 정탐지, 오탐지, 미탐지 결과를 바탕으로 제안한 방법론의 성능을 검토하였다.
전방차량 정의를 위해서는 전방차량 탐지에 필요한 7개의 기준값1)을 설정해야 한다. 이 중 가장 먼저 결정해야 하는 기준값은 이다. 다만, 의 경우 주행차로의 중심선 역할을 하기 때문에 도로 선형에 따라 변할 수 있다. 따라서 본 연구에서 수집된 영상 데이터에 포함된 다양한 이미지를 참고하여 를 350px과 400px 사이 총 11개의 기준점을 테스트해 본 후 하나의 값을 선택하는 휴리스틱 방법을 적용해 보았다. 주어진 에 대해 전방차량 정의에 필요한 기준값에 대한 범위 역시 결정되어야 한다. 이를 위해 전체 이미지 데이터셋의 사분위수(Quantile) 기준 무작위 분할을 통해 학습/실험용 데이터 집합을 구성하였으며, 실제 전방차량에 대한 바운딩 박스 정보를 활용하여 의 분포 특성을 Boxplot으로 분석하였으며 결과는 <Table 5>와 같다.
<Table 5>
Threshold Values Based on Reference Point
| 350 | -3.1 | 1.5 | 0.5 | 7.8 | 1.1 | 9.1 |
| 355 | -3.4 | 1.1 | 0.2 | 7.5 | 0.9 | 9.1 |
| 360 | -3.8 | 0.8 | -0.2 | 7.1 | 0.8 | 9.2 |
| 365 | -4.1 | 0.4 | -0.6 | 6.8 | 0.7 | 9.2 |
| 370 | -4.5 | 0 | -1 | 6.4 | 0.7 | 9.2 |
| 375 | -4.8 | -0.4 | -1.3 | 6.1 | 0.7 | 9.2 |
| 380 | -5.2 | -0.7 | -1.7 | 5.7 | 0.7 | 9.2 |
| 385 | -5.5 | -1.1 | -2.1 | 5.4 | 0.7 | 9.2 |
| 390 | -5.8 | -1.5 | -2.4 | 5 | 0.7 | 9.1 |
| 395 | -6.2 | -1.8 | -2.8 | 4.7 | 0.7 | 9.1 |
| 400 | -6.6 | -2.2 | -3.2 | 4.3 | 0.7 | 9.1 |
<Table 5>와 같이 별로 정의된 기준값의 전방차량 정의 성능을 평가하기 위해 실험 데이터로 사용하지 않은 나머지 30% 데이터를 평가 데이터로 분석을 수행하였다. YOLO를 통해 검출된 차량 객체에 대해 각 별 전방차량 정의 조건을 적용하였으며, 그 결과는 <Fig. 5>와 같다. <Fig. 5>에서 정탐지(TP, True Positive)는 실제 전방차량이 올바르게 검지된 경우를 의미한다. 반면 오탐지(FP, False Positive)는 실제 전방차량이 아닌 다른 차량이 검지된 경우이며, 미탐지(FN, False Negative)는 어떠한 전방차량도 제안한 방법에 의해서 정의되지 않은 경우를 의미한다.
<Fig. 5>에서 정탐을 기준으로 와 각도 기준값들을 활용한 전방차량 정의 성능을 평가할 때, 의 최적값은 365px로 도출되었다. 기준점이 350px에서 365px로 이동할 때 오탐율은 7.7%에서 5.6%로 2.1%p 감소하고 정탐율은 74.3%에서 86.4%로 12.1%p 향상되며 최고의 성능 수렴 구간을 형성한다. 가 365를 기점으로 값이 증가함에 따라 오탐율은 가 400px(4.3%)에 이르기까지 완만하게 감소하는 경향을 보이지만 실제 차량을 놓치는 미탐율은 8.2%에서 38.3%까지 급격하게 상승하는 것을 볼 수 있다. 따라서 본 연구에서는 전방차량 탐지를 위한 기준점으로 365px를 선정하였으며 전방차량을 정의하기 위해 필요한 기준값과 탐지성능은 다음과 같다.
제안한 연구 방법에 최적 기준값을 적용하여 전방차량 식별 성능을 평가하기 위해 정밀도, 재현율, f1-score를 산정하였으며 그 결과는 <Table 6>와 같다. <Table 6>에서 정밀도()는 제안한 방법을 통해 전방차량으로 선정된 프레임 중 실제 전방차량을 올바르게 정의한 프레임의 비율로 정의된다. 재현율(2))은 전체 평가 프레임에 존재하는 실제 전방차량 중 올바르게 식별된 전방차량의 비율로 정의하였다. F1-score()는 정밀도와 재현율의 조화평균으로 산정하였다.
<Table 6>
Performance Metrics for Front Vehicle Identification
| TP | FP | FN | Precision | Recall | F1-score | mIoU |
|---|---|---|---|---|---|---|
| 21,330개 | 1,328개 | 2,028개 | 94.1% | 86.4% | 90.1% | 0.81 |
<Table 6>에 따르면 총 24,686개의 평가 데이터에서 정탐지는 21,330개(86.4%), 오탐지는 1,328개(5.4%), 미탐지는 2,028개(8.2%)로 나타났다. 그 결과 정밀도는 94.1%, 재현율은 86.4%, F1-score는 90.1%임을 확인 할 수 있었다. 정밀도가 94.1%로 나타난 것은 제안한 방법에 의해 정의된 전방차량이 대부분 실제 전방차량과 일치하였음을 의미한다. 정밀도와 재현율을 종합한 F1-score 역시 90.1%로 높아 제안한 방법이 전방차량의 선별 정확성과 실제 전방차량의 식별 성능 측면에서 전반적으로 균형 있는 성능을 보이는 것으로 분석되었다. 또한, 전체 평가 데이터를 대상으로 한 mIoU는 0.81로 정탐지된 전방차량의 바운딩 박스와 Ground Truth 간 공간적 일치 수준을 확인하였다. 반면 재현율은 86.4%로 정밀도보다 상대적으로 낮게 나타났으며, 이는 일부 평가 데이터에서 잘못된 차량이 전방차량으로 정의되거나 전방차량이 정의되지 않는 사례가 존재했기 때문이다.
해당 오류의 원인을 추가적으로 검토하였다. 오탐지와 미탐지의 주요 원인과 예시는 <Table 7>과 같다. <Table 7>의 예시에서 파란색 박스는 Ground Truth를 통해 정의된 전방차량의 현재 위치를 나타내며, 제안한 방법에 의해 전방차량으로 정의되는 객체를 빨간색 박스로 나타냈다.
<Table 7>
Causes and Examples of FR and FN in Front Vehicle Detection
| Type | Cause | Description | Example | FP | FN |
|---|---|---|---|---|---|
| 1 | Incorrect Bounding Box Size | Bounding box is incorrectly defined from step 1 in Fig 1 | ![]() |
34.7% 1,163 |
- |
| 2 | Object Detection Failure | front vehicle not detected in Step 1 of Fig. 1 | ![]() |
- | 40.9% 1,374 |
| 3 | Lane Changing, Tunnel, Horizontal Alignment, etc | Either incorrect Front Veh. is defined or none of veh. is defined as a front veh. from step 2 in Fig 1 | ![]() |
5.9% 165 |
19.5% 654 |
<Table 7>에서 오탐지와 미탐지의 유형은 크게 3가지로 구분된다. 먼저 유형 1을 보면 전방차량은 올바르게 검지하였지만 실제 차량 영역과 일치하지 않은 경우이다. 따라서 유형 1은 오탐지에 해당하며 YOLO 객체 탐지 오류에 기인한다. 유형 2 역시 YOLO 객체탐지 오류로 이미지 내에서 실제 전방차량이 탐지되지 못한 경우이다. 유형 3의 경우, 전방차량 검지 알고리즘이 다른 객체를 전방차량으로 오인하거나 전방차량이 정의되지 않는 경우이다. 이는 평면선형과 터널 등의 도로의 기하구조나 차선 변경과 차선 내에서 차량의 미세한 치우침 등과 같은 차량의 움직임 변화에 기인한다.
<Table 7>에 따르면 전체 오류 3,356건 중 2,537건(오탐지 1,163건, 미탐지 1,374건)인 약 75.6%(34.7%+40.9%)가 유형 1과 유형 2에 해당되며, YOLO를 통한 1차 객체 탐지 단계에서 발생한 바운딩 박스의 크기 오류 또는 객체 탐지 실패에 기인한 것으로 나타났다. 이는 전방차량 정의 결과의 오류가 전방차량 정의 단계보다는 객체 탐지 단계의 결과가 정확도에 영향을 준다는 것을Ⅵ. 의미한다. 따라서 YOLO의 한계로 인한 오탐지와 미탐지를 제외하고 순수하게 본 연구에서 제안한 전방차량 검지에 대한 정탐률을 다시 계산하면 96.3%(21,330 / 22,1493))임을 알 수 있다.
Ⅵ. 결 론
본 논문은 일반 차량에서 수집한 주행 영상을 활용하여 영상 내 다수의 차량 중 데이터 수집 차량과 동일 차로를 주행하는 선행차량인 전방차량을 정의하는 방법을 제안하였다. 먼저, 사전학습된 YOLOv11을 이용하여 Car, Truck, Bus 객체를 탐지하고, 영상 내 기준점과 각 차량 바운딩 박스의 좌·우하단점이 형성하는 각도 조건을 적용하여 전방차량을 선정하였다. 이후 Ground Truth와 비교하여 제안한 방법의 성능을 평가하였다. 분석 결과, 기준점의 좌표인 가 365px일 때 가장 높은 성능을 보였으며, 평가 데이터에 적용한 결과 정탐률 86.4%, 오탐률 5.4%, 미탐률 8.2%가 나타났다. 전체 오류의 약 76%는 YOLO 객체 탐지 단계의 바운딩 박스 크기 오류와 객체 탐지 실패에서 발생하였으며, 이를 제외한 전방차량 정의 방법 자체의 정탐률은 약 96.3%로 분석되었다. 이는 제안한 각도 기반 방법이 검출된 차량 중 동일 차로를 선행하는 차량을 안정적으로 식별할 수 있으나, 최종 성능은 객체 탐지 정확도에 크게 영향을 받는다는 것을 보여준다. 오탐지와 미탐지는 주로 도로 기하구조, 선행차량의 차선변경, 터널과 같은 외생적 요인에 의해 발생하였다. 도로 기하구조나 터널의 경우 도로 선형에 대한 정보를 반영하여 연계 분석 시 탐지 성능개선이 기대된다. 전방차량이 차선을 변경하는 상황에서는 연속된 프레임 기반의 궤적 정보를 추적하여 연속적이고 안정적인 객체 추적을 유지할 수 있다.
본 연구는 고가의 센서나 연산 부담이 큰 딥러닝 차선 검출기 없이 스마트폰 또는 블랙박스 수준의 저해상도 단안 카메라 및 경량 알고리즘만으로 실시간 전방차량 탐지를 구현할 수 있음을 보여준다. 또한 기존 딥러닝 기반 모델이나 고가 센서 융합 시스템이 달성하는 정탐율 수준에 비견되는 결과를 확인할 수 있었다. 다만 본 연구에는 다음과 같은 한계가 있다. 첫째, 영상 기반 분석의 특성상 야간 및 터널과 같이 조도가 낮거나 급격하게 변화하는 환경과 차량 진동에 따른 카메라의 흔들림 및 가림이 발생하는 상황에서는 YOLO의 차량 탐지와 바운딩 박스 크기 오류나 객체 탐지 실패와 같은 YOLO 객체 탐지 단계의 오류에 기인한 것으로 나타났다. 둘째, 영상 내 고정된 기준점과 각도 범위를 이용하여 전방차량을 정의하였기 때문에 곡선부와 같이 도로 선형이 변화하거나 차선을 변경하는 상황에서는 주행차로의 중심과 차량의 상대적 위치가 달라져 탐지 성능이 저하될 수 있다. 셋째 본 연구의 기준점과 각도 기준값은 특정 차량과 카메라를 이용하여 수집한 주행 영상을 기반으로 설정되어 차량의 종류와 크기, 카메라의 해상도, 화각, 설치 높이, 위치 및 각도가 달라질 경우 영상 내 차량의 위치와 크기가 변화하므로 동일한 기준값을 적용하기 어렵다. 향후에는 다양한 조도와 촬영 조건에서 수집한 데이터를 활용하여 객체 탐지 모델을 사전 학습하고, 차선 및 카메라 설치 조건에 따라 기준점과 각도 임계값을 자동으로 보정하는 방법을 검토할 필요가 있을 것으로 예상된다. 끝으로 객체인식 알고리즘인 YOLO의 최신 버전을 적용하여 본 연구의 결과와 비교 분석해 볼 필요가 있다.
















