대한토목학회논문집 (KSCE Journal of Civil and Environmental Engineering Research)

대한토목학회 (Korean Society of Civil Engeneers)
권호 표지
DOI QR코드

DOI QR Code

주행차량의 복륜 여부 판정을 통한 차종분류 방안

Development of Vehicle Classification Method using Discriminant Function Based on Detection of Dual Tire

  • 오주삼 (한국건설기술연구원 도로연구부)
  • 투고 : 2009.05.06
  • 심사 : 2009.11.13
  • 발행 : 2010.02.28
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

차종별 교통량 자료는 도로의 운영, 제어, 유지관리 계획 수립 및 과적차량 단속에도 매우 중요한 자료이다. 본 논문에서는 축검지 센서를 차량 진행방향에 대해서 경사지게 설치하고 이를 통해서 얻어지는 자료를 활용하여 차종분류 알고리즘을 개발하였다. 새로운 개발한 차종분류 알고리즘에서는 2축 차량에서 후륜 차량바퀴의 복륜 여부를 새로운 분류변수로 설정하였다. 분석대상이 차량은 1,878대로 CCTV를 활용하여 기록했으며 인력식 조사를 통하여 복륜여부와 차종을 구분하였다. 계측된 차량바퀴 접지면의 대각선 길이 성분의 크기를 입력 자료로 활용한 판별분석을 통하여 후륜바퀴가 복륜인지 단륜인지를 구분하였다. 복륜 여부만을 이용하여 차종분류를 했을 때, 차종분류의 정확도는 1종에 속하는 차량의 경우는 96.92%, 3종에 속하는 차량에서는 82.91% 그리고 4종에 속하는 차량에서는 79.13%에 이르는 것으로 분석되었다.

Traffic volume is essential data for traffic control or maintenance and rehabilitation planning. The volume especially with respect to the type of vehicles can facilitate to those road operations. In this research, a method for vehicle classification was developed using skewed sensors which can generate traffic signatures. In order to characterize vehicle types, the method investigates whether the second axle of each vehicle consists of dual tires. The presence of dual tire is determined by the discriminate function obtained from discriminant analysis. The validation using 1,878 vehicles recorded from a highway using a CCTV camera indicated significantly accurate results: 96.92% for class 1, 82.91% for class 3 and 79.13% for class 4.

키워드

참고문헌

  1. 국토해양부(2006) 도로교통조사지침.
  2. 국토해양부(2008) 2007년 도로교통량 통계연보.
  3. 김형수, 김민성, 오주삼(2009) 조사지점의 환경을 고려한 차종분류 알고리즘 개발, 대한교통학회 춘계학술 발표회, 대한교통학회.
  4. 오주삼, 장경찬, 김민성, 장진환(2008) 차량 원더링계측을 위한 사선센서의 적정 설치각도 결정, 한국도로학회 논문집, 한국도로학회, Vol. 10, No. 3.
  5. Cheung, S. Y., Coleri, S., Dundar, B., Ganesh, S., Tan, C., and Varaiya, P. (2005) Traffic measurement and vehicle classification with single magnetic sensor, Journal of the Transportation Research Board, No. 1917, Transportation Research Board, Washington D.C., pp. 179-181.
  6. Harvey, B. A. and Champion, G. H. (1996) Classification algorithms/ vehicle classifier accuracy, National Traffic Data Acquisition Conference Proceedings Vol. II, p. 4.
  7. Jalihal, S. A., Reddy, T. S., and Nataraju, J. (2005) Evaluation of Automatic Traffic Counters under Mixed Traffic Conditions, IE(I) Journal-CV, Vol. 86, pp. 96-102.
  8. Ki, Y. and Baik, D. (2006) Vehicle-classification algorithm for single-loop detectors using Neural Networks, IEEE Transactions on Vehicular Technology, Vol. 55, No. 6. pp. 1704-1711. https://doi.org/10.1109/TVT.2006.883726
  9. Renatus Mussa, Valerian Kwigizile, and Majura Selekwa (2006) Probabilistic neural networks application for vehicle classification, J. Transp. Engrg., Vol. 132, Issue 4, pp. 293-302. https://doi.org/10.1061/(ASCE)0733-947X(2006)132:4(293)
  10. Zhang, G., Wang, Y., and Wei, H. (2006) Artificial Neural Network method for length-based vehicle classification using singleloop outputs, Journal of the Transportation Research Board, No.1945, Transportation Research Board, Washington D.C., pp. 100-108.