도시 스트리트뷰 영상을 이용한 딥러닝 기반 보행환경 평가 요소 분석 = Analysis of Deep Learning-Based Pedestrian Environment Assessment Factors Using Urban Street View Images

국문 초록 (Abstract)

최근 일상생활 속 보행의 중요성이 강조되면서 보행권 보장 및 보행환경 조성을 위한 사업이 지역 곳곳에서 추진되고 있다. 선행 연구에서는 전주시 도로 이미지를 사용하여 보행환경 평가를 진행하고, 이미지 비교 쌍 데이터 세트를 구축하였다. 하지만 숫자로 표현된 데이터 세트는 보행환경 평가자들의 판단 기준을 일반화하거나 보행자가 선호하는 보행환경을 시각적으로 파악하기에 어려움이 존재한다. 따라서 본 연구는 웹 애플리케이션을 구축하여 데이터 시각화를 통해 보행환경 평가의 결과를 해석하는 방법을 제안한다. 의미론적 분할 결과를 활용하여 보행환경 평가자에게 영향을 미치는 보행환경 구성 요소를 분석한 결과, 보행자는 주로 ‘earth’와 ‘grass’가 많은 환경을 선호하지 않았고, ‘signboard’와 ‘sidewalk’를 가진 환경을 선호하는 것으로 확인하였다. 제안된 연구는 향후 보행환경 평가의 참여자가 임의로 선택한 결과를 파악하고 분석할 수 있을 것으로 기대하며, 데이터에 대한 정제과정을 전처리로 수행함으로써 좀 더 향상된 정확도를 얻을 수 있을 것으로 판단한다.

다국어 초록 (Multilingual Abstract)

Recently, as the importance of walking in daily life has been emphasized, projects to guarantee walking rights and create a pedestrian environment are being promoted throughout the region. In previous studies, a pedestrian environment assessment was conducted using Jeonju-si road images, and an image comparison pair data set was constructed. However, data sets expressed in numbers have difficulty in generalizing the judgment criteria of pedestrian environment assessors or visually identifying the pedestrian environment preferred by pedestrians. Therefore, this study proposes a method to interpret the results of the pedestrian environment assessment through data visualization by building a web application. According to the semantic segmentation result of analyzing the walking environment components that affect pedestrian environment assessors, it was confirmed that pedestrians did not prefer environments with a lot of "earth" and "grass," and preferred environments with "signboards" and "sidewalks." The proposed study is expected to identify and analyze the results randomly selected by participants in the future pedestrian environment evaluation, and believed that more improved accuracy can be obtained by pre-processing the data purification process.

참고문헌 (Reference)

1 이승영, "크라우드소싱 유형 분류에 따른 활성화 전략" 한국디자인문화학회 26 (26): 307-318, 2020

2 유기현 ; 이동기 ; 이창우 ; 남광우, "크라우드 소싱 기반 딥러닝 선호 학습을 위한 쌍체 비교 셋 생성" 한국산업정보학회 27 (27): 1-11, 2022

3 이동현 ; 이천재, "지적 혁신을 위한 크라우드소싱 적용 가능성에 관한 연구" 한국지적학회 28 (28): 55-70, 2012

4 이경환 ; 안건혁, "지역 주민의 보행 활동에 영향을 미치는 근린 환경 특성에 관한 실증 분석" 대한건축학회 24 (24): 293-302, 2008

5 유승재 ; 하정원 ; 김혜준 ; 기동환 ; 이수기, "서울시 가로경관 이미지에 대한 주관적 인지에 영향을 미치는 가로환경 요인 분석 : Deep Learning 의미론적 분할과 YOLOv3 객체 검출기법을 적용하여" 대한국토·도시계획학회 56 (56): 79-93, 2021

6 이기춘 ; 남광우 ; 이창우, "다중 회귀 모델을 이용한 전주시 보행 환경 점수 예측에 관한 연구" 한국산업정보학회 27 (27): 1-10, 2022

7 김지연 ; 강영옥, "거리영상 기반 보행환경의 정성적 평가 예측을 위한 딥러닝 모델 개발" 대한공간정보학회 30 (30): 45-56, 2022

8 박지영 ; 강영옥 ; 김지연, "거리 영상과 시멘틱 세그먼테이션을 활용한 보행환경 평가 지표 개발" 한국지도학회 22 (22): 53-68, 2022

9 Seresinhe, Chanuki Illushka, "Using deep learning to quantify the beauty of outdoor places" 4 (4): 2017

10 Suwon-cityhall, "Suwon City holds campaign for 'BOOJ IRUN'"

11 AURUM, "Safe Walking Environment Improvement Project"

12 Wanjucoop, "Recruitment of participants in the 2023 Jeonbuk Innovation City's Picking Practice Project"

13 Hyunglak Kim, "Improvement of Crowdsourcing based Software Development Process" 2016 (2016): 654-656, 2016

14 Dubey, A., "Deep learning the city : Quantifying urban perception at a global scale" Springer International Publishing 196-212, 2016