• 전기학회논문지
• /
• 제66권7호
• /
• pp.1092-1099
• /
• 2017

This paper proposes a novel way of vehicle detection and classification based on image features. There are two main processes in the proposed system, which are database construction and vehicle classification processes. In the database construction, there is a tight censorship for choosing appropriate images of the training set under the rigorous standard. These images are trained using Haar features for vehicle detection and histogram of oriented gradients extraction for vehicle classification based on the support vector machine. Additionally, in the vehicle detection and classification processes, the region of interest is reset using a number plate to reduce complexity. In the experimental results, the proposed system had the accuracy of 0.9776 and the $F_1$ score of 0.9327 for vehicle classification.

• 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.

• 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.

• 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.

• 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.

• 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.

• 제어로봇시스템학회논문지
• /
• 제16권7호
• /
• pp.639-645
• /
• 2010

This paper presents the sensor fusion algorithm that recognizes a primary vehicle by fusing radar and monocular vision data. In general, most of commercial radars may lose tracking of the primary vehicle, i.e., the closest preceding vehicle in the same lane, when it stops or goes with other preceding vehicles in the adjacent lane with similar velocity and range. In order to improve the performance degradation of radar, vehicle detection information from vision sensor and path prediction predicted by ego vehicle sensors will be combined for target classification. Then, the target classification will work with probabilistic association filters to track a primary vehicle. Finally the performance of the proposed sensor fusion algorithm is validated using field test data on highway.

• 대한임베디드공학회논문지
• /
• 제12권2호
• /
• pp.113-120
• /
• 2017

In this paper, we present a night-time vehicle detection method using CNN (Convolutional Neural Network) classification. The camera based night-time vehicle detection plays an important role on various advanced driver assistance systems (ADAS) such as automatic head-lamp control system. The method consists mainly of thresholding, labeling and classification steps. The classification step is implemented by existing CIFAR-10 model CNN. Through the simulations tested on real road video, we show that CNN classification is a good alternative for night-time vehicle detection.

• 한국소음진동공학회:학술대회논문집
• /
• 한국소음진동공학회 2007년도 춘계학술대회논문집
• /
• pp.872-876
• /
• 2007

Road traffic noise map is effective method to save cost and time for environmental noise assessment. Generally, noise is calculated by using theoretical equation of noise prediction, and the calculated result can be influenced by various input factors. Especially, domestic vehicle classification method for traffic flow and heavy vehicle percentage is different from that of foreign countries. Thus, this can cause effect on the noise prediction results. In this study, noise prediction results by using domestic vehicle classification method are compared with those by foreign methods.

• 한국소음진동공학회논문집
• /
• 제22권2호
• /
• pp.193-197
• /
• 2012

Road traffic noise map is effective method to save cost and time for environmental noise assessment. Generally, noise is calculated by using theoretical equation of noise prediction, and the calculated result can be influenced by various input factors. Especially, domestic vehicle classification method for traffic flow and heavy vehicle percentage is different from that of foreign countries. Thus, this can cause effect on the noise prediction results. In this study, noise prediction results by using domestic vehicle classification method are compared with those by foreign methods.