임베딩 기반 다중객체 추적 기술을 이용한 차량정보인식기술 구현에 관한 연구

다국어 초록 (Multilingual Abstract)

This study introduces an advanced illegal parking enforcement system using deep learning-based multi-object tracking for urban traffic safety. Integration of object detection, lane recognition, and collision detection addresses concerns despite traffic safety advancements. Validation with MOT15, MOT17, and BDD20 datasets demonstrates superior performance in static and dynamic camera environments. Key evaluations include embedding-based multi-object tracking framework performance, PAvLite-FE network accuracy and complexity, and dataset collection for multi-class object detection network training. Results indicate enhanced tracking accuracy, particularly in rapid object movements, addressing challenges like swift camera movements and small object sizes. The research concludes with the introduction of a highly efficient illegal parking enforcement system, aiming for future optimization of application software and video processing for improved cost-effectiveness.

목차 (Table of Contents)

• 목차
• Ⅰ. 서론
• 1. 연구 배경 1
• 2. 연구 목표 2
• Ⅱ. 관련연구
• 1. 실시간 객체 인식을 위한 이미지 처리기술 분석 3
• 2. 효율적인 SURF 기반 영상 정합을 위한 특징점 그룹화 방법 6
• 3. 적응적 가우시안 혼합 모델을 이용한 불법주정차 무인단속시스템 9
• 4. 이미지 생성 네트워크를 사용한 객체 추적 정확도 향상 11
• 5. 가려진 보행자 추적에 강건한 다중 객체 추적 기술 16
• 6. 재식별 기술을 이용한 멀티 클래스 다중 객체 추적 기법 19
• 7. 불법 주정차 차량 단속을 위한 차량검출 및 추적 기법 24
• 8. CPU 환경에서의 실시간 동작을 위한 딥러닝 기반 다중 객체 추적 시스템 28
• Ⅲ. 차량정보 인식기술에 대한 검토
• 1. 주차단속 정보 등록 프로세스 및 영상시스템 구성 33
• 2. 딥러닝 특징 임베딩 (deep feature embeddings) 기반 재식별 기술 35
• 3. contrastive learning 방식 36
• 4. YOLO series 기법 37
• Ⅳ. 실험 및 고찰
• 1. 특징 임베딩 기반 다중 객체 추적 프레임워크 성능 평가 39
• 2. PAvLite-FE 네트워크 정확도 및 복잡도 평가 40
• 3. 딥러닝기반의 멀티클래스 객체검출 네트워크 학습DB 수집 42
• 4. 다중 객체 추적 정확도 및 복잡도 성능 비교 평가 455. 객체 검출 정확도 평가 결과 49
• Ⅴ결론 51
• 참고문헌 52
• 영문초록 57