딥러닝을 이용한 야간 환경에서의 객체 검출 및 속도 예측

Abstract

지능형 교통 시스템에서 카메라 기반의 교통 감시 분야는 교통 상황 을 실시간으로 감시하여 돌발 상황 탐지, 교통 정보 제공 및 교통사고 분석의 핵심적인 역할을 수행하고 있다. 이에 따라 딥러닝을 기반으로 한 객체 감지 기술은 상당한 성과를 이루며 학계와 산업계에서 큰 주 목을 받고 있다. 일반적으로는 정상 조명 조건에서 이미지 처리가 뛰어 난 성능을 보이지만, 야간 환경에서는 이미지가 노이즈로 인해 어둡게 표시되는 문제가 있다. 이러한 열악한 조명 조건에서 촬영된 RGB 영상 의 경우 객체의 외형을 정확하게 구분하기 어려워 컴퓨터 비전 작업이 매우 어려워진다. 어두운 조명 조건에서 촬영된 이미지에서 정보를 정 확하게 확인하고, 흐림과 노이즈를 최소화하기 위한 이미지 향상 연구 가 필요하다. 또한, 지금까지 이미지의 노이즈 제거 방법은 주로 특정 분포를 기반 으로 설계된 고유한 필터를 사용하는 경향이었지만, 이 경우 해당 분포 의 특성이 충족되지 않으면 성능이 상당히 저하될 수 있다. 본 논문에 서는 딥러닝 기반의 Convolutional Denoising Autoencoder (CDAE) 모델 을 활용하여 노이즈를 제거하는 것을 목표로 한다. 이러한 결과 때문에 모델의 객체 인식 능력이 크게 향상하였다. 실험 결과는 CDAE 모델이 다른 모델에 비교하여 이미지 복원 성능이 크게 향상했음을 나타낸다. 이러한 개선은 객체 인식 작업을 지원하고 더 나은 복원된 이미지를 생성하는 데 중요한 역할을 한다. 본 논문에서는 약한 조명 환경에서 You Only Look Once (YOLO) 모 델을 Nighttime Object Detection (NOD) 데이터 세트로 훈련 시키고 성 능을 평가하였으며, 이는 같은 데이터 세트에서 RetinaNet 모델보다 평 균 정밀도 (mean Average Precision) mAP0.5 가 0.08 높게 나타났다. 그 리고 Deep Simple Online and Real-time Tracking (DeepSORT) 모델을 적용하여 영상에서의 동적 객체 추적을 진행하고, 이를 통해 목표 물체 의 움직임 속도를 예측하는 과정을 상세히 기술하였다. 본 연구에서는 고정 카메라로부터 얻은 영상 데이터 내에 정의된 가상선을 통해 차량 의 진입을 분석함으로써 차량 속도 추정 모델을 구축하였다. 이 모델은 시간에 따른 차량의 위치를 파악하기 위해 분산된 지점에서 수집된 데 이터를 활용하고 이를 바탕으로 차량의 이동 속도를 예측한다. 결과에 따라서 제시된 방법론에 프레임 속도가 30fps에서 60fps로 증가할 때 모델의 예측 정확도가 향상되어, 평균 오차율이 2.3%에서 2.0%로 감소 한다.|In intelligent transportation systems, camera-based traffic surveillance plays a pivotal role in real-time monitoring of traffic conditions, detecting sudden incidents, providing traffic information, and analyzing traffic accidents. Deep learning-based object detection technology has shown significant progress and garnered substantial attention from academia and industry. In general, image processing shows excellent performance under normal lighting conditions, but there is a problem in that the image is displayed darkly due to noise in a night environment. In the case of RGB images captured under such poor lighting conditions, it is difficult to accurately distinguish the appearance of objects, making computer vision tasks very difficult. There is a need for image enhancement research to accurately represent information in images captured under poor lighting conditions while minimizing blur and noise. Moreover, digital images can be corrupted by various types of noise during collection, transmission, and processing, leading to a growing demand for image restoration. Traditional noise removal methods have typically relied on unique filters designed based on specific distributions, but their performance can significantly degrade if the characteristics of those distributions are not met. In this paper, the goal is to use a deep learning-based Convolutional Denoising Autoencoder (CDAE) model for noise removal. Due to these results, the model's object recognition capability has greatly improved. The experimental outcomes indicate a significant enhancement in image restoration performance of the CDAE model compared to other models. These improvements play a crucial role in supporting object recognition tasks and producing better-reconstructed images In this paper, the You Only Look Once (YOLO) model is trained on the Nighttime Object Detection (NOD) dataset in low-light environments, and its performance is evaluated. The model showed an increased mean Average Precision mAP0.5 by 0.08 compared to the RetinaNet model on the same dataset. And then, the Deep Simple Online and Real-time Tracking (DeepSORT) model was applied to track dynamic objects in the video, and the process of predicting the movement speed of the target object was described in detail. The study developed a vehicle speed estimation model by analyzing vehicle entry through virtual lines defined in video data from fixed cameras. This model uses data collected at dispersed points to determine the vehicle's position over time and estimate its motion speed. According to the results, when the frame rate of the presented methodology increases from 30fps to 60fps, the model's prediction accuracy improves, and the average error rate decreases from 2.3% to 2.0%.