http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
DSRC 교통정보 정확도 개선을 위한 품질관리 기준수립 연구
황태현,원인수,권장우 한국ITS학회 2020 한국ITS학회논문지 Vol.19 No.1
A dedicated short-range communications (DSRC) traffic information system is a detection system for a section of road using communication between roadside equipment and on-board High-Pass units to collect road traffic information and provide reliable traffic information to drivers. The Ministry of Land, Infrastructure, and Transport announced that a DSRC system must be supported to pass the performance evaluation of an intelligent transportation system (ITS), and the performance evaluation for DSRC systems installed in expressways and national highways is started. Currently, DSRC traffic information systems are only managed for maintenance and functional-monitoring purposes, which means that detailed criteria for the operation of a DSRC traffic information system, such as communication range, the direction of the antenna, and the power of the radio wave, etc., need to be established. In this paper, the criteria of the performance evaluation of a DSRC traffic information system are presented for different road types and road environments. The proposed performance evaluation criteria included the communication range and communication power of roadside equipment. In addition, installation criteria, such as the direction of the antenna, and the height and angle of the installed system, are presented for different road types and road environments. The criteria presented were evaluated for DSRC roadside equipment and documented to improve system maintenance and quality control of the communication system. DSRC 교통정보시스템은 노변기지국과 차량에 장착된 하이패스 단말기와의 통신을 이용한구간 검지기로서 도로 교통정보를 수집하여 운전자에게 신뢰성 높은 교통정보를 제공하고 있다. 이에 국토교통부는 DSRC 교통정보시스템을 ITS 성능평가 대상으로 고시하였으며, 전국고속도로, 국도 및 지자체에 설치된 DSRC 교통정보시스템에 대한 성능평가를 실시하고 있다. 현재 DSRC 교통정보시스템은 장비 이상에 따른 고장수리 및 제어기부에 대한 상태확인 등단순점검 위주로 관리되고 있어 노변기지국의 통신영역, 안테나 방향, 전파세기 등에 관한 세부적인 운영·유지관리 기준이 필요하다. 본 연구는 노변기지국별 상이하게 운영되었던 DSRC 교통정보시스템에 대한 최적의 품질관리기준을 마련하는 것에 목적이 있다. 품질관리 기준안으로 노변기지국의 통신영역 및 통신출력을 포함하고 안테나의 방향, 설치 높이, 각도 등 물리적인 설치 기준과 다양한 도로 유형별, 환경별 설치 지침을 제시하였다. 제시한 품질관리 기준안은 이동식 DSRC 기지국을 이용하여 설치 기준의 타당성을 검증하였다.
시각 장애인의 안전 횡단을 위한 도로 위의 차량 검출 알고리즘 제안
이옥민(Okmin Lee),원인수(Insu Won),이상민(Sangmin Lee),권장우(Jangwoo Kwon) 한국장애인재활협회 2016 재활복지 Vol.20 No.2
본 연구에서는 시각장애인의 보행안정성 향상을 위해 도로 위를 이동하는 자동차의 영상만을 입력 받아 자동차를 검출하는 방법을 제안한다. 입력 영상은 제약 조건이 있다. 도로 위에서 아래 방향을 비스듬히 내려 보는 고정된 시야를 가져야한다는 점이다. 주어진 영상 중 도로 영역만을 이용하기 위해 동적인 관심영역을 검출해 적용한다. 동적으로 관심영역을 검출하기 위해 캐니엣지 탐지를 이용한 후 허프 변환을 응용해 분할 허프 변환 방법으로 구현하였다. 관심영역 내에서 차량 검출을 위해 모션 히스토리 이미지(Motion History Image) 추출 방법, SIFT(Scale-Invariant Feature Transform) 알고리즘, 히스토그램 분석 등 다양한 영상처리 방법을 적용한 실험결과, 평가 및 한계점을 서론에 제시했다. 이를 해결하기 위해서 GMM(Gaussian Mixture Model)을 응용해 단순한 물체 탐지가 아닌, 차량 검출에 최적화하는 방법을 제시한다. 본 연구에서는 GMM 알고리 즘을 응용한 차량 검출 GMM(Vehicle Detection-GMM) 알고리즘을 이용해 차량 검출 시스템을 구현했다. 실험 결과 정확률, 재현율, F1 측정값이 GMM은 각각 15%, 60%, 24%인데 비해 차량검출 GMM은 각각 75%, 60%, 67%로 그 성능을 입증할 수 있었다. 그 결과를 바탕으로 제안한 알고리즘이 기존의 알고리즘보다 우수함을 입증하였다. In this paper we propose car detection system using only video image as the input image that is composed of car moving on the road. It is for the people who is visually handicapped. There is a constraint condition that is the input image has downward obliquely from road and fixed view. To use only region of road, we use dynamic ROI detection using Canny edge detection and separated type hough transform based on Hough transform. To do car detection in ROI, we analyze and evaluate confines of motion history image(MHI) method, SIFT(Scale-Invariant Feature Transform) algorithm and histogram analysis in the introduction. These method has the critical point. So, we proposed to use VD-GMM(Vehicle Detection-GMM) based on GMM(Gaussian Mixture Model) for the car detection system. GMM is just moving object detection but including several geometric detection method, it could detect the car. In the experiment, we measure precision, recall and F1 rate for GMM and VD-GMM. GMM has 15%, 60%, 24% and VD-GMM has 75%, 60%, 67% for each value. Using this result, we could prove VD-GMM is better than GMM for the car detection in the conclusion.
보라시 콩(Borasy Kong),원인수(In su Won),권장우(Jang woo Kwon) 한국장애인재활협회 2017 재활복지 Vol.21 No.3
본 연구는 실내에서 화재 발생시 시각 장애인들을 지원하기 위한 영상 기반의 화재감지기를 제안한다. 건물 내에 화재가 발생하는 비상 상황 발생시 시각 장애인은 일반인보다 상황을 인지하는 것이 늦기 때문에 위험한 상황에 노출되기 쉽다. 기존의 연기 감지기와 같은 현재의 화재 감지 방법은 화재 발생시 발생하는 화학 센서 기반 기술을 사용함으로써 감지가 상대적으로 늦으며 화재가 확산된 후에 감지가 되는 등 낮은 신뢰성이 문제가 될 수 있다. 이를 보완하기 위해 영상 기반의 화재 감지 기술이 개발되었지만 낮은 정확도가 문제가 되어 실용화되지 못하였다. 최근 인공 지능을 위한 심층 학습 분야의 큰 발전으로 영상 내의 물체 인식률이 높아짐에 따라 관련 연구가 활발히 진행되고 있다. 따라서 본 연구에서는 보안 카메라 영상을 사용하여 화재를 감지할 수 있는 심층 학습 기반의 화재 감지기를 제안한다. 심층 학습 기반의 접근법은 영상에서 자동으로 특징을 학습할 수 있으므로 일반적으로 복잡한 상황에 대해서도 일반화가 가능하다. 본 논문에서는 화재감지 정확도와 속도 측면의 균형을 고려하여 두 개의 심층 합성곱 신경망 모델을 제안하였다. 실험을 통해 두 모델 모두 99%의 평균 정밀도로 화재를 감지할 수 있으며 첫번째 모델은 초당 30장의 처리 속도와 76%의 정확도를 나타냈다. 두번째 모델은 초당 50장의 처리 속도와 61%의 정확도를 나타낸다. 또한 두 개의 모델의 메모리 사용량을 서로 비교하였으며 다양한 실제 화재 시나리오에서 테스트하여 신뢰할 수 있는 모델임을 증명하였다. 본 논문에 제안한 영상 기반 화재 감지기가 상용화된다면 상대적으로 실내 화재에 취약한 시각 장애인들의 안전에 도움이 될 것이다. In an event of an emergency, such as fire in a building, visually impaired and blind people are prone to exposed to a level of danger that is greater than that of normal people, for they cannot be aware of it quickly. Current fire detection methods such as smoke detector is very slow and unreliable because it usually uses chemical sensor based technology to detect fire particles. But by using vision sensor instead, fire can be proven to be detected much faster as we show in our experiments. Previous studies have applied various image processing and machine learning techniques to detect fire, but they usually don t work very well because these techniques require hand-crafted features that do not generalize well to various scenarios. But with the help of recent advancement in the field of deep learning, this research can be conducted to help solve this problem by using deep learning-based object detector that can detect fire using images from security camera. Deep learning based approach can learn features automatically so they can usually generalize well to various scenes. In order to ensure maximum capacity, we applied the latest technologies in the field of computer vision such as YOLO detector in order to solve this task. Considering the trade-off between recall vs. complexity, we introduced two convolutional neural networks with slightly different model s complexity to detect fire at different recall rate. Both models can detect fire at 99% average precision, but one model has 76% recall at 30 FPS while another has 61% recall at 50 FPS. We also compare our model memory consumption with each other and show our models robustness by testing on various real-world scenarios.