Ⅰ. 서 론
북미, 유럽 등 선진국을 중심으로 한 많은 나라들이 카풀(Carpool) 및 대중교통 이용 촉진을 통한 여객 수 송량 증가를 위해 다인승 차량(High-Occupancy Vehicle, HOV) 전용차로를 운영하고 있다. 우리나라에서도 경 부고속도로 한남∼신탄진(134.1km), 영동고속도로 신갈∼여주(41.4km) 구간에서 6인 이상 탑승한 9인승 이상 승합차와 버스가 동시에 이용할 수 있는 고속도로 버스전용차로를 운영 중에 있다. 고속도로 버스전용차로 제는 승용차량 이용 억제를 통해 고속도로 지체를 감소시키면서도 전체 여객 수송량은 증가시키는 것으로 알려져 있다. 한국교통연구원 보고서에 따르면 고속도로 버스전용차로제 시행으로 인해 통행속도와 여객 수 송량이 각각 29%와 4.5% 증가하고 전체차량의 지체는 29% 감소한다고 하였다(Jung, 2012). 이러한 이유로 북미에서는 2010년 기준으로 6,000km 이상의 차로에서 HOV 전용차로제가 시행 중이고 이는 점진적인 증가 추세에 있다(Schijns and Eng, 2006). 유럽의 많은 나라들도 여객 수송량 증가 및 다인승 차량 서비스 개선을 위해 HOV 전용차로제를 시행 중에 있다(MRC, 2004).
그러나 이러한 HOV 전용차로는 위반차량으로 인해 그 효과가 감소될 수 있다. 위반차량 단속을 위해 교 통 경찰관들이 <Fig. 1>과 같이 수시로 순찰 및 단속을 시행하기는 하지만 이러한 인력식 단속은 위반차량을 전용차로로부터 갓길로 유도해야하기 때문에 그 과정에서 불필요한 지체 및 안전문제를 발생시킨다. 이러한 이유로 위반차량에 대한 인력식 단속비율은 높지 않은 편이다. 실제로 미국의 한 보고서에 따르면 HOV 전 용차로 위반차량 단속비율은 약 10% 밖에 되지 않는다고 하였다(Cantelli, 2013). 이는 결과적으로 HOV 전용 차로 위반율을 높이는 결과로 작용할 수 있다. 본 연구에서 HOV 전용차로제가 시행 중인 영동고속도로 마 성터널 인근에서 승합차량을 대상으로 주말 HOV 전용차로 준수율을 조사한 결과, 전체 조사대상 승합차량 1,943대 중 6인 이상 탑승한 차량은 7대 밖에 안 되고 나머지 1,936대(99.6%)는 6인 미만 탑승하였음에도 전 용차로를 이용하는 것으로 나타났다. 국내의 한 여론조사 기관에서 시행한 여론조사 결과에 따르면 약 60% 의 운전자는 고속도로 버스전용차로 위반차량에 대한 단속이 강화되어야 한다고 하였다(SCN, 2022).
이러한 문제 해결을 해서는 현행 인력식 단속을 대체할 수 있는 자동단속시스템 개발이 필요하다. 이를 위해서는 승합차량의 탑승인원을 검지하여 탑승인원 요건을 만족하지 않은 차량의 번호판을 촬영ㆍ인식하 는 기술이 필요하다. 이 중 번호판을 촬영하고 인식하는 기술은 과속, 신호위반 등 타 단속시스템에서 일반 적으로 사용하는 기술로 별도의 기술개발이 필요하지는 않다. 하지만 차량의 재차인원을 검지하는 기술은 국내에서 개발된 사례가 없기 때문에 본 연구에서는 이를 중점적으로 개발하였다.
국내와 HOV 전용차로 규정이 다소 상이하기는 하지만 국외에서는 HOV 전용차로 단속시스템 개발을 위 한 재차인원 검지기술 개발 사례가 존재한다. 초기의 연구는 주로 Pavlidis et al.(1999b, 2000a)에 의해 이루어 졌는데, 그들은 근적외선 카메라와 퍼지 신경망 분류기법을 적용하여 차량의 탑승인원을 검지하는 연구를 수행했다. Hao et al.등(2011)은 허프 변환(Hough Transform)과 AdaBoost 기계학습 알고리즘을 적용하여 적외 선 카메라 촬영영상의 승차인원을 검지하는 기술을 개발하였다. Roulland(2016)도 적외선 카메라를 이용하여 HOV 전용차로 단속을 위한 재차인원 검지기술을 제안하였다. Papanikolopoulos(2017)는 적외선 분광 카메라 의 HOV 전용차로 단속 적용 가능여부에 대한 평가를 수행했다. 하지만 이러한 국외의 연구는 차량의 앞 열 에 탑승한 인원만 검지하는 기술로 이는 2인 이상 탑승 시 HOV 전용차로를 이용할 수 있는 국외에서는 적 용 가능한 기술이지만 최대 6인까지 검지해야 하는 국내에 적용하기에는 한계가 있다. 따라서 본 연구에서 는 국내의 고속도로 HOV 전용차로 단속에 적용 가능한 시스템을 개발하였다.
최근 거의 모든 영상처리 분야에 적용되고 있는 딥러닝 알고리즘을 이용하여 차량의 재차인원 검지 정확 도를 크게 향상시킬 수 있을 것으로 판단하였다. 본 연구에서는 썬팅(Tinting), 조도(주‧야간)에 관계없이 일 정한 성능으로 재차인원을 검지하기 위해 적외선 카메라를 이용하여 촬영한 영상에 딥러닝 알고리즘을 적용 하여 재차인원을 검지하였다. <Fig. 2>에서 보듯이 육안 관측으로는 불가능한 썬팅 차량도 적외선 카메라를 이용할 경우 탑승인원 파악이 가능하다. 전술 했듯이 국내의 경우 최대 6인까지 재차인원 검지가 가능해야 HOV 전용차로 단속에 활용될 수 있기 때문에 승합차량에 탑승하고 있는 1∼6인까지의 승차인원을 정확히 검지하는 장비 개발이 본 연구 기술개발의 핵심요소이다. 개발된 장비는 <Fig. 3>와 같이 이루어지는 HOV 전용차로 단속 프로세스의 핵심 현장장비로 활용될 수 있다.
Ⅱ. 고속도로 버스전용차로 단속시스템 개발
1. 승차인원 검지 모형
고속도로의 높은 차량속도와 짧은 차두시간을 고려하면 고속도로 HOV 전용차로 단속시스템은 신속하게 재차인원을 검지할 수 있어야 한다. 본 연구에서는 현재 개발된 영상처리 딥러닝 알고리즘 중 가장 신속하게 객체를 인식하는 You Only Look Once(YOLO) 알고리즘을 기반으로 재차인원 검지 모형을 개발하였다. YOLO 알고리즘은 한 이미지 내에서 공간적으로 분리된 여러 개의 박스에 각 객체의 인식확률을 표시한다. 디시 말해서 하나의 이미지가 입력되면 입력된 이미지에 격자(Grid)를 생성하고 이를 이용하여 특정 격자 내 에 검지대상 객체(Object)가 존재할 경우 바운딩 박스(Bounding box)와 객체의 정인식 확률(Probability)을 표시 한다(Redmon et al., 2015).
Regional-Convolutional Neural Network(R-CNN) 등 타 합성곱(Convolutional) 신경망 객체인식 알고리즘과 달 리 YOLO 알고리즘은 객체인식을 위한 바운딩 박스와 정인식 확률 계산을 위해 전체 입력 영상에 대해 한 번의 평가만 수행하는 단일 신경망 구조를 갖고 있기 때문에 타 객체인식 딥러닝 알고리즘에 비해 신속하게 객체를 인식하는 것으로 알려져 있다(He et al., 2016). 2015년에 최초로 개발된 YOLO 알고리즘은 지속적인 성능개선을 통해 모형이 개선되고 있다. 본 연구에서는 바운딩 박스 생성, 객체 인식, 특징 추출 방법론 측면 에서 초기 YOLO 알고리즘에 비해 성능이 개선된 YOLOv5 모형(Zhu et al., 2021;Redmon and Farhadi, 2018) 을 이용하여 재차인원 검지모형을 구축하였다.
YOLO 모형 구축과정은 <Fig. 4>와 같다. 모형구축을 위한 적외선 영상 데이터 총 2,126장이 수집되었다. 현장 데이터 수집에 많은 인력, 비용이 소요되기 때문에 학습 데이터 수를 증가시키기 위해 K-fold cross validation, 기하 변환(Geometric transformation), 회전(Rotation), 노이즈 첨가(noise injection) 등 학습 이미지 셋 증강에 널리 사용되는 기법(Shorten and Khoshgoftaar, 2019)을 적용하여 총 6,378장의 학습 데이터를 확보하 였다. 학습과 테스트 데이터는 8:2로 분류했으며 Intersection over Union(IoU) 50% 조건에서 구축된 모형의 정 밀도(Precision)는 <Fig. 5>에서 보듯이 평균 0.934로 나와 구축된 모형의 성능은 우수한 것으로 판단되었다.
2. 단속시스템 구성
단속시스템은 크게 하드웨어 부분과 소프트웨어 부분으로 나누어진다. <Fig. 6>에서 보듯이 하드웨어는 3 개의 초고속(300 프레임/초) 적외선 카메라, 5개의 적외선 조명, 2개의 레이저 센서로 구성된다. 3개의 적외선 카메라 중 1개는 차량 번호판을 검지하고 2개는 재차인원을 검지하기 위해 설치되었다. 일반적으로 버스전 용차로를 이용하는 승합차는 3개열로 구성되기 때문에 한 대의 카메라로 3개열 전체 탑승인원을 검지하는 것은 불가능하였다. 따라서 1, 2열을 검지하는 카메라와 3열을 검지하는 카메라로 분리하였고 창측 탑승자로 인해 내측 탑승자 얼굴이 가려지지 않도록 하게 위해 카메라의 각도도 차량 내부를 사선(15°)으로 촬영할 수 있도록 배치하였다. 적외선 조명은 차량 번호판 검지용으로 1개, 재차인원 검지용으로 4개(카메라 당 2개)가 사용되었다. 재차인원 검지를 위해서는 썬팅, 조도에 관계없이 일정한 성능 유지를 위해 2개의 조명이 사용 되었다. 마지막으로 카메라 촬영과 속도 측정을 위해 2개의 레이저 센서가 사용되었다.
<Fig. 7>은 소프트웨어 운영 화면이다. 소프트웨어는 3개의 적외선 카메라로부터 수집된 영상을 표출하고 전 절에서 설명한 승차인원 검지 알고리즘(YOLOv5)을 실행한다. 뿐만 아니라 이는 외부조도에 맞게 카메라 의 밝기(Brightness), 셔터 속도(Shutter speed), 구경(Aperture)을 조절하는 역할도 수행한다. 차량 번호판 인식 은 인터넷(https://github.com/topics/license-plate-recognition)에서 다운 받을 수 있는 오픈 소스를 이용하였고 인 식률은 99% 이상이었다. 번호판 인식 알고리즘은 현재 타 단속시스템(과속, 신호위반 등)에 적용된 알고리즘 과 유사하다. 승차인원 검지 성능 향상을 위해 먼저 차량의 유리창 영역(Window, Glass)을 검지한 후 유리창 검지 영역 내에서만 사람의 얼굴(Person)을 통한 승차인원 카운팅(Counting)을 수행하였다. 1, 2열을 촬영한 카메라 영상은 두 개의 열을 분리하는 B-pillar도 검지하여 1열과 2열 탑승인원을 분리하는 방식이 적용되었 다. 유리창 영역, pillar 영역 검지 후 사람의 얼굴을 검지하는 방식은 검지성능뿐만 아니라 검지시간도 단축 되는 결과를 보였다. 하지만 3열 영상의 경우 유리창 영역만을 확대하여 촬영하기 때문에 유리창 영역이나 pillar 영역 검지과정 없이 사람의 얼굴을 바로 인식하도록 개발되었다. 번호판 인식 카메라 및 조명의 내구 성 향상을 위해 탑승인원이 6인 미만일 경우에만 번호판을 촬영하도록 하였다.
위와 같은 방식으로 검지된 결과는 신속한 데이터 전송에 유리한 TCP/IP 통신을 통해 센터로 전송되도록 개발하였다. 센터 소프트웨어는 현장에서 전송된 데이터를 기반으로 다양한 통계(재차인원, 요일 등) 분석이 가능하도록 설계되었다.
Ⅲ. 고속도로 버스전용차로 단속시스템 평가
전 장에서 설명한 고속도로 버스전용차로 단속시스템의 성능분석을 위해 제한된 환경의 테스트 베드와 실 도로에서 평가를 수행하였다. 테스트베드 평가는 주‧야간, 차량속도에 따른 성능변화를 분석하기 위해 사 전에 정해진 시나리오에 따라 수행되었고 실 도로 평가는 개발된 단속시스템이 실제 도로교통 조건에서 어 떠한 성능을 보이는지 알아보기 위해 실시되었다.
1. 테스트 베드 평가
1) 자료 수집
테스트 베드 평가에는 국내 고속도로 버스전용차로를 이용하는 비(非)버스 차량의 약 80%를 차지하는 카 니발과 스타렉스를 이용하였다. 평가 데이터 수집은 <Fig. 8>에서 보듯이 2020년 11월 25일 한국건설기술연 구원 연천 SOC 실증시험 주로(직선거리 약 1km)에서 이루어졌고 차량의 속도는 20∼100km/h 속도까지 20km/h 간격으로 증가시키면서 실험하였다. 조도의 영향을 분석하기 위해 주‧야간에 데이터 수집을 하였고 재차인원 검지성능 평가를 위해 승차인원은 1∼6인까지 변화시키면서 실험이 진행되었다. 단속시스템 성능 에 영향을 미칠 수 영향요소인 차로변경, 차선걸침 등 비정상 주행은 배제하였다.
이상의 방법으로 테스트 베드 평가를 위한 실험 데이터(재차인원 검지를 위한 적외선 카메라 이미지)를 총 245장 수집하였다. 국토교통부 ITS 성능평가지침(2002)에서는 차량검지시스템 성능평가를 위한 최소 표본 수를 200대로 규정하기 있기 때문에 본 연구에서 수집한 표본 수(245대)는 단속시스템 성능평가를 위한 적정 표본 수인 것으로 판단된다.
2) 수집자료 분석
수집자료 분석 결과, 탑승인원수에 따른 개발시스템 성능 분할표는 <Table 1>과 같았다. 모든 경우에 있어 개발시스템은 탑승인원을 적게 카운트하는 것으로 나타났다. 탑승인원이 6인일 때 가장 높은 오차를 보였고 1인일 때 가장 낮은 오차를 보였다. 탑승인원과 차량속도에 따른 오차율은 <Table 2> 및 <Fig. 9>과 같았다. 평균 오차율은 7%였고 가장 높은 오차율(40%)은 6인 탑승, 40km/h 속도로 주행한 경우였다. 대부분의 경우 는 오차가 발생하지 않았다. 저자의 이전 연구(Jang, 2021)에서 사용한 YOLOv1 모형에 비해 YOLOv5 모형 평균오차가 약 2% 감소되는 것으로 분석되었다.
차량의 속도, 탑승인원별로 성능차이가 발생하는 가에 대한 분석을 위해 분산분석을 실시했고 그 결과, <Table 3>에서 보듯이 0.05 유의수준에서 속도와 탑승인원에 대한 P-값이 각각 0.72과 0.29으로 나왔다. 이는 유의수준보다 높은 값이므로 개발시스템은 속도, 탑승인원에 따라 통계적으로 유의한 성능변화는 발생하지 않는 것으로 분석되었다.
수치로 나타내지는 않았지만 주‧야간에 따른 오차의 차이도 미미한 것으로 나타났다. 조명에 의해 조도를 일정하게 유지할 수 있는 야간의 성능이 주간에 비해 다소 우수한 것으로 분석되었다. 개발시스템의 일반적 인 오류 사례는 <Fig. 10>과 같았다. 개발시스템은 탑승자의 얼굴 윤곽이 가려지거나 창문에 구름이 반사되 어 촬영 영상이 선명하지 않을 경우 탑승인원을 과소계측(Undercount)하는 것으로 나타났다. 하지만 이러한 오류 사례는 학습 시 이에 해당하는 학습 데이터가 적어 발생하는 문제인 것으로 판단되기 때문에 향후 다 양한 조건에서 학습 데이터를 추가적으로 수집할 경우 성능이 향상될 수 있을 것으로 판단된다.
2. 실 도로 평가
1) 자료 수집
실 도로 평가는 주말 버스전용차로제가 시행 중인 영동고속도로 마성터널 부근에서 수행되었다. 시스템은 <Fig. 11>과 같이 설치되었고, 평가를 위한 데이터는 2022년 4∼5월 해당 버스전용차로를 통과한 승합차량을 대상으로 하였다. 승용차량의 경우 위반이 명확하기 때문에 승차인원 검지 후 위반여부를 판단할 수 있는 승 합차량만을 대상을 하였다. 수집된 승합차량 대수는 총 192대였고, 차종 구성은 주로 카니발과 스타렉스 차 량으로 구성되었다.
2) 수집자료 분석
수집자료 분석 결과, 탑승인원 수에 따른 개발시스템 성능 분할표는 <Table 4>와 같았다. 전체 192대 차량 중 탑승인원 검지 오차율은 8%(16/192)로 나타나 테스트베드 평가와 유사한 결과를 보였다. 자료수집 대상구 간에서 수집한 자료는 대부분 탑승인원 3인 이하로 4인 이상 탑승인원에 대한 충분한 표본을 확보하지 못하 였다. 전반적으로 탑승인원이 증가할수록 오차가 커지는 경향을 보였으나, 이는 향후 추가적인 데이터 수집 을 통해 통계적 유의성을 판단해야 할 것으로 판단된다.
Ⅳ. 결 론
현행 경찰관에 의한 인력식 고속도로 버스전용차로 단속은 위반차량을 갓길로 유도하기 위해 불필요한 안 전 및 정체 문제를 발생시킨다. 단속률 또한 전체 위반차량의 10%에 지나지 않아 이에 대한 해결책 마련이 시급하다. 본 연구는 이러한 문제 해결을 위해 고속도로 버스전용차로 자동단속시스템을 개발하여 테스트베드 및 실 현장 성능평가를 수행하였다. 적외선 카메라, 적외선 조명, 레이저 센서로 구성된 개발시스템 하드웨어 는 검지영역을 통과하는 차량의 탑승인원 검지를 위한 영상을 촬영한다. 소프트웨어는 촬영된 영상을 분석하 여 탑승인원과 위반차량의 번호판을 인식한다. 탑승인원 검지를 위한 영상처리 알고리즘은 YOLOv5 알고리즘 을 사용하여 개발하였고, 번호판 인식은 Github 오픈소스를 이용하여 개발하였다.
개발시스템을 제한된 환경의 테스트베드와 실 도로에서 평가하였다. 테스트베드 평가는 다양한 환경을 모 사한 후 환경에 따른 개발시스템 성능차이 분석을 위해 수행되었고, 실 도로 평가는 실제 도로환경에서 개발 시스템의 성능을 파악하기 위해 수행되었다. 테스트베드 평가는 주간과 야간에 탑승인원을 1∼6인, 속도를 20∼100km/h까지 가변하면서 수행되었다. 총 표본 수 245대에 대한 평균오차는 7%로 나와 만족할만한 성능 을 보였다. ANOVA 테스트 결과, 탑승인원, 속도에 따른 성능차이는 통계적으로 유의하지 않은 것으로 분석 되었다. 실 도로 평가는 주말 버스전용차로제가 시행 중인 영동고속도로 마성터널 부근에서 수행되었다. 총 192대에 대한 평균오차는 8%로 도출되어 테스트베드 평가와 유사한 결과를 보였다. 하지만 승차인원이 증가 할수록 높은 오차를 보이고 있으나, 이는 향후 지속적인 데이터 수집을 통한 충분한 학습 데이터 확보를 통 해 성능이 개선될 것으로 기대된다. 본 연구 개발시스템을 고속도로 버스전용차로 단속에 활용할 경우 기존 인력식 단속에 비해 단속 효율 및 안전성이 향상되어 전체적으로 고속도로 서비스 수준이 향상될 것으로 기 대된다.
본 연구에서 개발한 고속도로 버스전용차로 단속시스템 운영을 위해서는 카메라, 조명, 레이저 등 다수의 개별장치들이 복합적으로 설치되어야 한다. 또한 설치위치가 갓길이 아닌 중앙분리대 부근이기 때문에 이러 한 복합장치들을 효과적으로 설치하기 위한 방안도 추가로 연구해야 한다. 또한 최근에는 다양한 유형의 승 합차량이 운행되고 있기 때문에 이러한 신규 차량들에 대한 영상수집, 알고리즘 업데이트 등도 필요할 것으 로 판단된다. 본 연구에서는 현장실험 시 전기 등 위험성으로 인해 강우나 강설 시에는 실험을 못했으나, 향 후에는 강우, 강설 시에도 개발시스템의 성능 검증이 필요할 것으로 판단된다. 6인은 초과하는 탑승인원 검 지 및 검지성능 향상을 위해 영상 이외에 타 센서와의 융합방안도 고려해 볼 수 있을 것이다.
