• 대한교통학회지
• /
• 제19권3호
• /
• pp.153-165
• /
• 2001

본 연구에서는 기존의 차종분류기준을 검토하고 현재 건설교통부의 교통량조사를 위한 차종분류기준을 중심으로 문제점을 파악하여 이를 해결할 수 있는 개선된 차종분류기준을 제시하였다 제시된 차종분류기준은 차종별로 조사된 교통량의 이용목적에 맞도록 현행 차종분류기준의 문제점을 개선하는 방향으로 구성하였다. 제시된 차종분류기준은 승용차, 버스, 화물차로 구분되며 화물차는 트럭, 세미트레일러, 트럭트레일러로 구분되어, 차량의 제원과 재차인원 및 적재중량을 고려해 도로포장과 교통류 해석에 이용되도록 14종으로 제시하였다 제 시된 차종분류기준은 차종별 교통량의 이용목적에 맞도록 재구성되어 활용될 수 있으며 따라서 도로교통량 통계연보의 활용도를 제고하게 될 것이다.

• 한국도로학회논문집
• /
• 제7권4호
• /
• pp.57-68
• /
• 2005

현재 국내의 차종 분류 기준은 그 조사목적과 조사지점에 따라 이원화되어 운영되고 있다. 고속국도와 지방도의 경우는 8종 분류 기준이 그리고 일반국도의 경우는 11종 분류 기준이 활용되고 있는데, 이러한 이원화된 분류 기준은 자료 활용의 효율성을 저하시키고 있는 실정이다. 본 연구는 이러한 이원화된 차종 분류 기준의 문제점을 해결하기 위해 통합된 차종 분류 기준을 제시하고 있다. 분류 기준은 차량 제원에 의한 기계식 조사에 초점을 맞추었으며, 현장 조사의 문제점을 완화하기 위해 인력식 조사에도 적용이 가능하도록 설정되었다. 제안된 차종 분류 기준은 차량의 다양화 및 대형화 추세를 반영하고, 기타 차종 분류 기준과의 호환성을 고려하고 있어 보다 합리적인 차종 분류 기준이라 할 수 있다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제33권5호
• /
• pp.489-498
• /
• 2006

본 논문은 루프검지기를 이용한 차종분류 방법의 성능 향상을 위해 신경망 패턴인식 기술을 이용한 차종분류 알고리즘을 제안하였다. 기존의 루프검지기 차종분류 방법은 차량의 길이 정보만을 이용해서 차종을 분류하는 것이다. 그러나 루프검지기의 특성상 차종에 따른 길이 정보가 정확하지 않으므로 길이가 비슷한 차종에 대해서는 차종분류 오류가 자주 발생하고 있는 실정이다. 이와 같은 문제점을 개선하기 위해 본 연구에서는 루프검지기 시스템에 신경망 패턴 인식 기술을 적용하였다. 제안된 알고리즘은 차량이 검지영역을 통과할 때 발생하는 루프검지기 공진주파수 값 변화율과 점유시간 정보를 신경망의 입력자료로 활용하여 차량을 5가지 종류로 분류하는 방식이다. 개발된 알고리즘의 성능을 평가하기 위하여, 현장실험을 통해 자료를 수집하고 신경망 학습 및 실험을 실시한 결과 차종분류 정확도가 91.3%였으며, 이는 기존의 연구결과와 비교할 때 매우 높은 것이다.

• 한국도로학회논문집
• /
• 제12권4호
• /
• pp.47-51
• /
• 2010

도로를 주행하는 차량들을 구분하는 차종자료는 도로 및 포장의 설계와 관리 등 여러 분야에서 기초자료로 활용되고 있다. 본 연구에서는 차종구분에 차량높이라는 분류기준을 적용하기 위해 주행하는 차량의 높이를 계측할 수 있는 방법을 고안하고 현장에 장비를 설치한 후 실험을 통해서 차량길이와 차량최고높이 자료를 획득하였다. 차량높이 측정과 동시에 동영상을 촬영하여 국토해양부 12종 차종분류에 의거하여 차종분류 기준값을 작성하였다. 영상을 통해 작성된 차종자료 기준값과 측정된 차량길이와 차량높이를 토대로 판별함수를 이용한 차종분류값을 서로 비교한 결과 88.6%의 차종정확도를 확인하였다. 이를 통해 차량높이라는 분류기준을 적용하여 차종분류에 활용할 수 있는 방안을 제시하였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2021년도 추계학술발표대회
• /
• pp.791-794
• /
• 2021

범죄차량 판독 시스템, 지능화된 CCTV 등 차량과 관련된 시각지능에 관한 연구가 큰 관심을 받고 있다. 이 중 차량 분류 기술은, 특정 차량을 인식하는 핵심기술이다. 이와 관련한 기존 연구들은 큰 차종으로만 분류하거나, 분류 가능한 차종의 수, 정확도 등이 낮아 실용성 및 신뢰성이 떨어진다는 단점이 있다. 따라서, 본 논문에서는 차종을 정확하게 분류할 수 있는 2단계 차종 분류 알고리즘을 제안한다. 제안 시스템은 CNN으로 학습된 모델을 기반으로 1차로 차량의 유형을 분류하고, 2차로 정확한 차종을 분류한다. 실험 결과, 52개의 차종을 분류함에 있어 단일 분류 모델에 비해 5.3%p 더 높은 90.2%의 분류 정확도를 보였다. 이를 통해, 더욱 정확한 차종 분류가 가능하다.

• 대한교통학회지
• /
• 제27권4호
• /
• pp.55-61
• /
• 2009

차종분류는 교통의 흐름 및 안전에 미치는 영향을 분석하고 도로의 포장 및 시설의 설계를 위하여 이루어진다. 국내에서는 국토해양부의 12종 분류에 따라 고속국도, 일반국도, 지방도의 차종분류 자료가 제공되고 있다. 기계식 차종분류를 위한 AVC(Automatic Vehicle Classification) 장비는 차량길이, 축거, 내민 거리(overhang) 등의 측정값과 미리 입력된 모든 차량 모델의 제원값을 비교하여 차종을 판단한다. 하지만, 기존의 방법은 센서의 관리상태에 분류 정확도가 크게 영향받게 된다. 본 연구에서는 실제 조사지점에서 발생하는 장비 오차와 차량 제원정보에 민감하지 않은 차종분류 알고리즘을 개발하였다. 알고리즘을 단순화하기 위하여 차량길이와 축거 중심으로 추세선을 이용하여 차종을 분류하므로 센서의 정확도 변화의 영향을 감소시켰다. 개발된 알고리즘의 평가를 위하여 일반국도에 설치된 AVC 장비에서 축수, 차량길이, 축거, 내민거리를 추출하여 비디오 판독 결과와 비교하였다. 실험 결과는 전체 차량에 대하여 88.2%의 정확도를 얻었다. 본 연구에서 개발된 차종분류 알고리즘은 센서의 감도 변화 등 현장 환경의 변화에 덜 영향을 받도록 설계되어 차종분류를 위한 기계식 장비의 안정적 정확도 유지에 활용될 수 있을 것으로 기대된다.

• 대한토목학회논문집
• /
• 제30권1D호
• /
• pp.45-51
• /
• 2010

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.

• 융합정보논문지
• /
• 제8권6호
• /
• pp.375-380
• /
• 2018

본 논문에서는 화물차 차종을 분류하기 위해서 특징추출단계 없이 입력영상으로부터 차종분류결과를 얻을 수 있는 합성곱 신경망을 사용한 분류방법을 제안한다. 차량의 위에서 촬영된 영상을 입력으로 사용하고 입력영상에 적합한 합성곱 신경망의 구조를 설계한다. 차종과 화물칸의 형태에 따라 차종을 자동 분류하기 위한 학습데이터를 생성하고 지도학습의 형태로 학습시키기 위해 분류된 영상과 올바른 출력결과를 제시하여 신경망의 가중치를 학습시킨다. 실제 영상을 입력하여 합성곱 신경망의 출력을 계산하였고 실제 차종과의 비교를 통해 분류 성능을 평가 하였다. 실험결과 화물의 차종과 적재함의 형태에 따라 90%이상의 정확도로 영상을 분류할 수 있었고, 적재불량 검사의 사전 분류에 활용될 수 있다.

• 대한교통학회지
• /
• 제27권6호
• /
• pp.79-88
• /
• 2009

본 연구는 차종분류기법을 개발하여, 가장 일반적인 교통정보 수집장치인 루프검지기에 피에조타입의 축검지센서를 추가 설치하여 2006년 하반기 국토해양부에서 제시하고 있는 "통합12종 교통량조사 차종분류가이드"에 따라 차종을 12종으로 자동분류하고, 분류시 오분류를 최소화하는 방안을 목적으로 한다. 차종의 세분류를 위해 차종분류인자를 차량의 길이, 축간거리, 축형식, 각 축별 윤거, 윤형식으로 두고, 각 분류인자의 판독을 위해 루프센서와 축검지센서를 조합한 차종분류시스템을 구성하였다. 본 차종분류시스템에서는 원더링 기법을 적용하였다. 원더링 기법은 차량의 좌우 각 차륜의 횡방향 주행 패턴을 분석하는 것으로서 주행차량의 윤거, 윤형식 등이 판독가능하다. 본 시스템을 이용하여 약 한달간 실증분석을 실시하였으며, 총 교통량 762,420대를 자동분류한 결과 12종 분류로 분류되지 못한 차량이 47대로 전체의 0.006%로 나타났으며, 이는 분류결과를 통계적으로 활용함에 있어서 무시할 수 있는 정도의 높은 수준의 분류율을 나타내는 것이다. 본 시스템을 이용하여 실제 공용도로에서 확보한 신뢰성 높은 차종분류 데이터는 도로의 계획 및 설계, 도로 운영 등에 폭넓게 이용할 수 있으며, 도로 교통계획과 관리계획 수립을 위한 기초적 정보를 제공할 수 있다. 또한 도로 및 교통분야의 다양한 연구에 활용할 수 있는 중요한 자료가 될 것이다.

• 한국ITS학회 논문지
• /
• 제10권5호
• /
• pp.47-52
• /
• 2011

본 연구는 차량 제원이 유사한 2축 차량의 차종분류에 있어서 정확도를 높이고자 차량 외형의 높이 프로파일을 이용한 차종분류 방안을 제시했다. 차종별 교통량 자료 생성은 도로를 주행하는 차량을 대상으로 AVC장비에서 계측되는 차량 제원들인 축수, 축간거리, 차량길이, 오버행 등을 활용하여 12종 분류 체계에 의해서 분류되고 있다. 그러나 차량 축이 2개인 2축 차량(1~4종 차량)의 경우 승용차(1종)의 다양화, 대형화로 인하여 화물수송용 차량(3종, 4종)의 제원과 유사해짐에 따라 기존 차량분류인자(축수, 축간거리, 차량길이 등)에 의한 차종분류 시 분류 오류가 발생할 수 있다. 이에 본 연구는 이러한 분류상의 한계를 극복하고자 차량 외관의 높이 프로파일 값을 통하여 주행차량의 형태를 파악하고 이를 이용한 차종분류 방법을 제시하였다. 그리고 현장실험을 통하여 제안된 방법의 정확도를 검증하였다.