Ⅰ.서 론

1.연구 배경 및 목적

최근 드론 시장은 점차 확대되고 있으며 다양한 분야와 접목하여 활용도가 증대되고 있다. 초기 드론은 군사용으로 개발되어 사용되었으나 점차 민간용과 산업시장으로 확대되고 있으며 향후 로봇, 인공지능 등 첨단기술과의 융합으로 시너지를 창출할 것으로 전망하고 있다. 이와 관련하여 미국 틸그룹(Teal Group)은 세계 드론 시장 규모가 2015년 40억 달러에서 2024년 147억 달러 규모로 급증할 것으로 예상하였으며 국내 에서는 드론 산업을 미래 신성장 동력 산업의 하나로 육성 및 지원하고 있다.

현재 도심 지역 간선도로상에서 교통 데이터를 수집하고자 하는 경우에는 루프검지기 등 지점검지기와 DSRC등의 구간검지체계가 주류를 이루고 있다. 또한 장래 대체 검지기 대안으로서 도로변에 설치된 CCTV 또는 차량에 탑재된 블랙박스 영상을 활용할 수가 있다. 그러나 이들의 경우 제한된 화각으로 인해 넓은 범 위의 교통 데이터를 획득하기에 불리하다는 점이 있고 차량 가려짐으로 인해 차량 데이터 누락이 있는 점, 그리고 이동성이 결여돼 고정된 지점 정보만 획득 가능한 점 등의 문제가 예상되고 있다. 넓은 범위의 영역 을 장소적 제약 없이 촬영할 수 있는 드론을 이용한다면 고정검지방식에 비하여 검지기 구간 내의 교통류 변화를 감지할 수 있으며, 블랙박스 영상과 달리 전체 교통류를 대상으로 단일 선행-추종 관계 이상을 분석 가능할 것으로 예상된다.

이에 본 연구는 차세대 교통검지체계로서 대안이 될 수 있는 영상 활용 방식의 문제점인 차량의 가려짐, 좁은 화각, 이동성 결여 등을 해결하고자 도심부 간선도로를 드론을 이용하여 촬영하고 이를 활용해 픽셀 단 위 기반 차량 검지 및 레이블링 함으로써 주요 교통척도 중 하나인 차간간격(GAP)을 산정하고자 하는데 목 적이 있다.

2.선행 연구

본 연구의 선행 연구 고찰은 영상분석을 통한 차량 검지 및 차량 데이터 획득에 관한 연구를 중심으로 하 였다. Shin and Bae(2010)는 항공영상을 이용해 차로별 평균 차간거리와 차량대수를 산출하는 시스템 구축을 목표로 하였으며 여러 영상 기법을 활용해 시스템을 설계하고 검증하였다. 검증 결과 모폴로지 기법을 이용 한 산출방법이 가장 정확한 것으로 나타났으며 산출물을 기반으로 교통정보로서 활용이 가능할 것으로 예측 하였다. Kim and Cho(2010)는 주행 중인 앞 차량을 카메라로 촬영한 영상을 통해 차량 검출 및 거리추정 알 고리즘을 제안하였다. 연구에서는 차량의 위치를 통해 추정하는 방법과 차량의 넓이를 이용하는 방법을 모 두 이용하여 차간 거리를 추정하였으며 연구 결과 전방 차량에 대해서 높은 수준의 차량 검출율과 정확한 거리 측정이 가능함을 보여주었다. Han and Lee(2003)는 다른 연구와의 차별성으로 일반적으로 사용하는 CCD 카메라로 연속 촬영한 영상으로부터 전방에 있는 여러 대의 차량 영역을 검출하는 방법을 제시하였다. 다중 차량 영역을 검출하는 방법은 연속된 영상에 존재하는 차량 후보 영역들의 차량 추정값과(EOV)과 누 적 유사도 함수(ASF)를 분석하여 차량일 가능성을 검사하였으며 연구 결과 이웃 영상의 유사도 정보를 이용 한 검출율이 약 92.4%로 좋은 결과를 나타내었다. Dong et al.(2017)는 터널 내부에 설치되어있는 카메라를 이용하여 터널 안의 차량의 유무를 확인할 수 있는 영상 분석을 실시하였으며 연구 방법으로는 배경 추출 방식, 엣지 검출 방식, 블록 분할처리 방식을 사용하였으며 연구 결과 오검지 비율이 5% 미만으로 나타났다. Cao et al.(2016)는 고속도로를 연구범위로 하여 저해상도 항공영상 이미지를 활용한 차량 탐지 문제를 연구 하였다. 차량 탐지기를 통해 이미지를 얻기에는 한계가 존재하기 때문에 위성 이미지를 사용하고자 하며 이 는 시간을 감축시켜 데이터를 얻기에 수월함을 보여주었다. Bhaskar and Yong(2014)는 Gaussian 혼합 모델과 blob 검지 기술을 이용하여 차량 인식 및 추적을 위한 알고리즘을 개발하여 제안하였다. 고정된 영상검지기 에서 획득한 영상을 바탕으로 배경을 학습하고 배경과 객체를 구별한 후 객체를 추적하였으며 연구 결과 탐 지 및 추적에서 평균 정확도 91% 이상을 나타내었다. Zezhi et al.(2012)는 도로변 CCTV를 통해 차량 탐지, 추적 및 분류 시스템을 제시하였다. 시스템은 검지를 통해 차량, 밴, 버스 및 오토바이(자전거 포함)의 네 가 지 범주로 구분하였으며 가우시안 혼합모델 및 Kalman 필터를 이용하여 차량을 추적하였다. 연구 결과 분류 정확도는 94.69%로 나타내었다. R. et al.(2004)는 비디오 및 음향 센서를 사용하여 차량 검지하는 연구를 하 였다. 검지 단계에서 음향 데이터를 통해 대략적인 위치를 지정한 후 비디오 데이터를 이용하여 최종 위치를 검지하는 Multimodal sensing 응용을 보여주었다.

많은 연구들이 차량을 검지하고 데이터를 획득하였으나 차량 센서 또는 영상 검지기를 기반으로 사용함 으로써 근접한 차량들의 정보들만 획득하고 있었고 항공사진을 이용함으로써 저해상도의 이미지 데이터를 사용하고 있었다. 본 연구에서는 드론을 활용한 수직촬영을 통해 획득한 간선도로 구간(120m)의 영상데이터 를 픽셀 단위를 기반으로 분석하여 도심부 간선도로 상 교통 정보 데이터를 획득한다는 점에서 기존 연구의 지점검지 방식과 달리 연구 범위 내 전체 차량을 대상으로 차간간격의 변화를 측정할 수 있다. 또한 고해상 도의 넓은 영역의 영상 데이터를 획득하여 전체 교통류를 파악할 수 있는 점에서 기존 연구와의 차별성을 나타낸다.

3.연구 수행 흐름도

본 연구는 연구 목표 설정 이후 시간, 위치, 고도에 따른 촬영 조건을 달리하여 적절한 촬영여건을 선정한 다. 이 후 획득한 영상데이터를 혼합 Gaussian, 영상 이진화 등의 다양한 영상기법을 통해 데이터를 전처리 한 후 차간간격을 산출하고 이를 검증하고자 하였다.<Fig. 1>

Ⅱ.촬영 여건 선정

본 연구에서는 도심부내 이동성을 중시하는 도로인 간선도로를 연구 범위로 선정하였다. 이에 적합한 지 역으로 해운대와 광안리의 중요 연결로 구간인 부산광역시 남구 대연동 신선로 일대를 공간적 범위로 선정 하였다. 본 연구의 공간적 범위의 특성으로서 본 연구구간은 항만연결 도로로서 일반 차량들의 통행량뿐만 아니라 화물차량 통행량 비율이 높고, 차로변경이 빈번히 발생하는 지역이며 도로 선형이 완만한 곡선을 이 루고 있다.

적정한 영상 데이터를 획득하기 위해서는 적정 시간대, 위치, 고도를 선정하는 것이 중요하며, 본 연구에 서는 이와 같은 다양한 촬영 조건하에서 우선적으로 캠코더 촬영을 실시하고 이를 드론과 비교·분석함으로 써 최종적인 드론 촬영 여건을 선정하였다.

1.적정 시간대 선정

적정 시간대 선정을 위하여 09시 30분, 14시 30분, 16시 30분 총 3회에 걸쳐 캠코더(SONY(HDR-CX560))촬 영을 실시하였다. 촬영영상은 <Fig. 2, 3, 4>와 같으며 분석 결과 아래의 촬영영상과 같이 09시30분과 16시30 분은 주변 고층 아파트 등 건물들의 그림자로 인해 차량인식에 지장을 초래하였다. 이에 본 연구에서는 적정 시간대로 14시30분으로 선정하였다. 또한 차량과 도로의 구분이 명확히 되지 않는 흐린 날을 제외하고 쾌청 일을 기준으로 촬영을 진행하였다.

2.적정 위치 선정

선정한 연구 범위 주변에 위치한 용문초등학교(고도 약 19m)와 부산행복연합기숙사 옥상(고도 약 39m)에 서 연구 지역을 촬영하였다. 이는 다음 <Fig. 5, 6>과 같다. 부산행복연합기숙사 옥상 촬영 분석 결과 차량과 의 거리가 근접해 차량 검지율은 높으나 차량이 겹치는 현상으로 인해 두 대 이상의 차량이 한 대의 차량으 로 검지되었다. 한편, 용문초등학교 옥상 촬영 분석 결과 가로등과 아파트 주변의 공원으로 인하여 차로를 가로막는 장애물이 생기고 차로와의 거리가 멀어져 차량 검지가 원활치 않는 문제점이 발생하였다. 또한 두 곳 모두 촬영 각도가 직각이지 않기 때문에 정확한 데이터 산출에 오류가 발생하는 것으로 파악되었다. 따라 서 드론을 활용한 촬영이 필수불가결한 것으로 판단되었다.

3.적정 고도 선정

앞서 파악된 각종 문제를 해결하고자 드론을 통해 연구 대상 지역을 수직으로 촬영하였다. 본 연구에서 드론은 Dji Inspire1, 카메라는 Zenmuse-X3를 사용하였다. 이 때 차량 검지율을 높이기 위한 적정 고도를 파악 하고자 150m, 100m, 70m로 촬영 고도를 변화시켜 촬영하였다. 150m 고도에서 촬영하여 총 5분 영상 데이터 를 분석한 결과 총 266대 중 검지된 차량의 수는 131대로 약 49.2% 검지하는 것으로 나타났으며 70m에서 촬 영한 결과는 약 65% 검지하는 것으로 나타났다. 이에 촬영 고도가 낮을수록 차량 검지율이 높아짐을 확인하 였고 최종 촬영 고도는 본 연구의 공간적 범위 특성상 차로 변경이 빈번히 발생하는 촬영 대상 구간 전체인 120m를 촬영할 수 있는 최저고도로서 70m로 선정하였다.<Fig. 7><Fig. 8><Fig. 9>

Ⅲ.영상분석방법

본 연구에서는 Matlab을 사용하여 여러 영상분석기법을 적용하였으며, 영상분석 절차는 다음 <Fig. 10>과 같다.

1.혼합 Gaussian 모델

확률모델이란 관찰된 데이터 집합을 평균 중심으로 뭉쳐져 있는 분포 형태를 파악하기 위해 적절한 확률 밀도함수를 가정하여 데이터 분포에 대한 모델을 만드는 것을 말한다. Gaussian 모델은 가장 대표적으로 사 용되는 확률모델로써 본 연구에서는 Gaussian probability 하나의 함수로 나타낼 수 없는 분포 특성을 나타내 기 위하여 복수개의 Gaussian 분포들의 합으로 새로운 확률분포를 나타내는 Gaussian mixture model을 사용하 였으며 영상의 차량과 배경의 분리를 위한 적정 임계 값 산출을 목적으로 사용되었다.

2.영상 이진화

영상 이진화란 경계 값을 기준으로 원본 영상의 객체와 배경 등을 구분하기 위해 사용하는 영상기법으로 자동차번호판 인식, 문서인식에 사용하고 있다. 히스토그램을 통하여 화소들의 분포를 파악한 후 적절한 임 계값을 선정하는 것이 중요하다. 프로그램을 통해 적정 임계값을 찾고 이진화 기법을 거치게 되면 0 또는 1, 흑 또는 백으로만 나타나게 되며 <Fig. 11, 12>과 같이 영상 이진화 결과 추출하고자 하는 객체가 배경과 분 리되어 나타난다.

3.모폴로지(Morphology)

모폴로지 기법은 영상 내 잡음 제거 및 객체 형태를 변형시키는 용도로 사용되는 영상처리기법으로써 이 진화된 영상을 바탕으로 경계, 골격, 볼록 선체와 같은 영역 형태를 표현한다. 기본 모폴로지 기법으로는 팽 창연산, 침식연산, 열림연산, 닫힘연산이 있다. 본 연구에서는 모폴로지 영상기법을 중 닫힘연산과 열림연산 을 통해 영상 이진화로 인해 떨어져 있던 차량의 테두리들을 통합해 하나의 차량으로 검지하였다.<Fig. 13><Fig. 14>

Ⅳ.차량 검지 및 레이블링

1.차량 검지

모폴로지 처리 후 일반 1대 차량을 구성하는 픽셀 수는 평균 약 450pix 이었다. 차종별로 pix의 개수가 다 르기 때문에 오차 범위를 지정하고 백의 밝기 값을 가지는 픽셀의 수가 400pix 보다 많으면 차량으로 검지하 도록 하였다. 검지된 차량을 확인하기 위해 차량에 노란색 Boundary Box를 표시 하도록 하였고 검지결과는 다음 <Fig. 15>와 같다.

2.차량 레이블링

차량 레이블링을 위해 칼만필터 기법을 적용하였다. 칼만필터란 N번째 프레임에서 검지된 차량이 N+1번 째 프레임의 위치를 예측해 N번째 A차량과 N+1번째 A차량을 동일한 차량으로 인식 하도록 하는 기법을 말 하며, 레이블링한 결과는 <Fig. 16>과 같다.

본 논문에서는 2017년 7월 24일 14시 30분에 촬영한 5분 영상 데이터를 토대로 레이블링율을 산정하였으 며 관측자가 영상을 보고 파악한 실제 차량 수는 285대이며 영상자동인식을 통해 검지된 차량 수는 185대로 차량 레이블링율은 약 65%로 나타났다. 레이블링율 65%는 본 연구의 촬영 대상 구간 특성상 화물차량으로 인해 생기는 오류, 빈번한 차로변경으로 생기는 오류, 완만한 곡선의 도로선형으로 생기는 오류와 ‘60’, ‘용 당동’등의 노면마킹으로 인해 야기되는 인식 오류를 포함해 비교적 낮게 나타난 것으로 분석되었다.<Table 1>

Ⅴ.데이터 산출 및 검증

1.픽셀 단위화

교통척도 중 하나인 차간간격인 Gap을 산정하기 위해 먼저 픽셀을 실제 단위로 환산해주는 과정이 필요 하다. 이를 위해 도로교통법에 규정된 교통노면표시 설치 및 관리 매뉴얼에 따라 차선길이를 3m로 확인하였 으며 본 연구에서는 차선을 이루는 픽셀수를 프레임당 평균 픽셀 수로 산정하여 차간간격을 산출하였다.

2.차간간격(GAP

영상처리기법과 칼만필터를 통해 파악한 차량 레이블링 데이터와 차선 픽셀의 단위화를 통해 획득한 실 제 거리 환산을 통해 검지된 차량들의 Gap을 구할 수 있다. 차간간격은 각 차량 Boundary Box의 X좌표의 길 이로 계산하였으며, 차간간격 분석 결과 <Fig. 17>과 같이 나타났다. 60번 주행차량의 경우 선행 차량과의 차 간간격이 34.1m, 후행 차량과의 차간간격이 33.6m로 분석되었으며 본 연구에서는 선행차량과의 간격, 후행 차량과의 간격을 각각 10건의 추출을 통해 <Table. 2, 3>과 같이 분석하였다.

3.산출 결과 검증

본 연구에서 영상처리를 통해 얻어진 차간간격을 비교 검증하기 위해 픽셀 단위화를 통해 얻어진 차간간 격과 다음 지도 거리 측정기를 통해 얻어진 간격을 비교함으로써 검증하였다. 검증결과는 다음 <Fig. 18>과 같으며 60번 차량의 경우 선행 차량과는 4.1m, 후행 차량과는 3.6m 오차가 나타났다. 무작위 추출을 통한 차 간간격 검증 결과 선행차량과의 차간간격 최대 오차는 4.1m, 최소 오차는 0.7m, 평균 오차는 1.67m이며 후행 차량과의 차간간격 최대 오차는 3.4m, 최소오차는 0.0m, 평균 오차는 1.1m로 나타나는 것을 확인하였다.<Table 4><Table 5>

Ⅵ.결 론

본 연구에서는 드론을 활용하여 획득한 영상을 통해 차량을 검지하고 레이블링하였으며 이를 기반으로 차간간격(GAP)을 산출하였다. 수집한 영상 데이터는 혼합 Gaussian 모델, 영상 이진화, 모폴로지 기법을 적용 해 전처리하였으며 칼만필터를 통해 차량 레이블링을 실시하였다. 레이블링된 차량과 규정된 차선의 길이를 계산한 픽셀 단위화를 통해 영상 이미지의 차간간격을 산출하였다. 이를 검증하고자 다음 지도의 거리 측정 기와 비교하였으며, 이 때 평균 오차는 선행차량과는 1.67m, 후행차량과는 1.1m로 나타났다. 이는 차량의 그 림자로 인해 발생하는 오차와 영상 전처리 과정에서 발생하는 오차를 포함하고 있으며 이는 본 연구의 한계 로 향후 연구 시 주변 지형지물과 차량 그림자의 영향을 많이 받지 않는 곳에서 수행한다면 감소될 것으로 사료된다. 최종적으로 본 연구에서 드론 촬영을 통해 교통척도 중 하나인 차간간격 정보를 실제 활용 가능한 수준으로 획득할 수 있었다. 또한 산출된 차간간격을 이용해 향후 도심부 도로의 밀도, 서비스 수준 판단 기 준 설정, 차로 변경 시 차간 간격 산출 등에 활용 가능할 것으로 사료된다.

향후 정확도 개선을 위한 명확한 참값이 있는 연구와 차량과 배경의 분리 임계값 설정 시 순간적인 밝기 변화로 인한 오류를 낮추기 위한 적정 프레임별 임계값 산출에 관한 연구가 필요할 것으로 판단된다.