2026-08-18
CCD 산업용 카메라의 영상 처리 기술의 초기 응용 범위는 영상 처리 장비의 높은 가격과 느린 처리 속도에 영향을 받아 특정 분야로 제한되었습니다. 1970년대 이후 집적 회로 혁명으로 인한 이론의 발전과 컴퓨터 기술의 발전으로 영상 처리의 응용 범위가 점차 확대되었습니다. 교통 분야에서 CCD 산업용 카메라의 초기 응용.
1978년 미국 연방 고속도로 관리국은 EE Hilbert, C. Carl, W. Gross, GR Hanson, MJ Olasaby 및 AR Johnson에게 광역 감지 시스템 개발을 의뢰했습니다. 일본, 프랑스, 영국, 스웨덴 등 다른 국가들도 상당한 연구에 투자하여 좋은 결과를 얻었습니다. 외국에 비해 최근 몇 년간 교통에 적용되는 국내 영상 처리 기술의 발전이 상당한 진전을 이루었습니다. 예를 들어, 중국에서는 현재 번호판 인식이 매우 인기가 있으며 많은 제조업체에서 해당 제품을 출시했습니다. 다음은 교통 분야에서 영상 처리 기술의 응용에 대한 간략한 소개이며, 차량 감지, 차량 유형 식별 및 차량 추적의 세 부분으로 나뉩니다.
차량 감지 방법은 샘플 포인트 감지, 감지 라인 감지 및 전체 화면 감지로 크게 분류할 수 있습니다. 또한 야간 차량 감지는 다음과 같이 설명됩니다.
차선의 특정 부분에 매트릭스 모양의 샘플 포인트를 선택합니다. 차량이 지나갈 때 샘플 포인트의 회색조 값이 원래 도로 표면과 다릅니다. 두 값의 차이에 대한 통계 값이 특정 임계값을 초과하면 차량이 있음을 나타냅니다.
이 방법은 그림 2와 같이 픽셀로 구성된 가상 감지 라인을 수직 또는 평행 교통 흐름 방향으로 배치하는 것입니다. 일반적으로 도로 표면의 픽셀 깊이와 감지 라인을 분리하기 쉽게 밝은 점으로 구성됩니다. 차량이 감지 라인을 통과할 때 라인의 회색조 값이 차량이 통과하지 않을 때와 다릅니다. 회색조 값의 차이가 특정 임계값보다 크면 차량이 통과했음을 의미합니다. 샘플 포인트 또는 감지 라인 감지 방법은 픽셀 데이터의 일부만 처리하므로 처리되는 데이터 양이 크게 줄어들어 계산 시간이 많이 단축됩니다. 실시간 감지 요구 사항을 충족하기 위해 현재 교통 감지에 사용되는 영상 처리 시스템 AUTOSCOPE는 감지 라인을 사용하여 처리합니다.
차량이 단순하게 주행하는 구간에서는 샘플 포인트나 감지 라인을 차량 감지 수단으로 사용하면 좋은 결과를 얻을 수 있습니다. 그러나 복잡한 교차로에서는 샘플 포인트나 감지 라인을 어떻게 배치할지가 첫 번째 문제가 될 것입니다. 교차로의 차량은 직진뿐만 아니라 회전 행동도 하고 차량은 어떤 위치에든 나타날 수 있기 때문입니다.
전체 화면 처리를 사용하는 차량 감지 방법은 더 많은 정보를 얻을 수 있지만 처리해야 할 데이터 양도 크게 증가합니다. 이 방법에는 배경 빼기 방법과 이진화 방법의 두 가지 감지 방법이 있습니다. 배경 빼기 방법은 차량이 없는 이미지를 배경으로 사용합니다. 차량이 포함된 이미지를 배경 이미지에서 점별로 빼면 TRIP 시스템과 같이 차량 부분이 빼집니다. 이진화 방법은 특정 임계값에서 이미지를 자릅니다. 이 값보다 높은 픽셀 깊이는 255(흰색)이 되고, 이 값보다 낮은 픽셀 깊이는 0(검은색)이 됩니다. 이렇게 하면 객체를 배경에서 분리할 수 있습니다.
배경 빼기 방법과 이진화 방법 모두 많은 단점이 있습니다. 전자는 배경을 자주 업데이트해야 하는 반면, 후자는 복잡한 프로세스입니다. 둘의 공통적인 단점은 객체의 색상이 배경과 유사할 때 절단 실패의 운명에 직면한다는 것입니다. 또한 임계값을 설정하기 어렵기 때문에 다중 값 절단 방법이 제안되었지만 프로세스가 점점 더 복잡해집니다.
외국의 R. Taktak, Rita Cucchiara, Cucchiara 등은 야간 이미지에 포함된 정보가 주간 이미지와 상당히 다르기 때문에 알고리즘과 감지 스트림의 사용이 상당히 다를 것이라고 믿습니다. 일반적으로 밤과 저조도 조건에서는 눈에 띄는 시각적 특징은 자동차 헤드라이트와 그 빔, 가로등, 그리고 얼룩말 교차로와 같은 매우 반사적인 빛 패턴뿐입니다. 그들은 야간 이미지가 움직임 감지 알고리즘에 적합하지 않다고 믿습니다.
국내외 교통 구성의 차이로 인해 외국 연구에서는 대형 차량과 소형 차량만 식별하는 반면, 국내 연구는 더 복잡합니다. 그러나 일반적인 연구에서는 차량 유형을 대형 차량, 소형 차량 및 기관차로 단순화하고 이 세 가지 범주를 사용하여 식별합니다.
감지 라인이나 샘플 포인트를 차량 유형 식별 방법으로 사용할 때 수집되는 데이터 양이 적기 때문에 차량 유형 식별에 유리하지 않아 이 방법을 사용하는 사람이 적습니다. 주간 이미지의 차량 인식을 위해 외관 및 크기와 같은 차량 특성이 일반적으로 분류 기준으로 사용됩니다. 관련 문헌은 다음과 같이 정리됩니다.
최근 몇 년간 급속히 발전하여 많은 분야에 응용된 "신경망"도 차량 유형 식별에 응용되었습니다. 또한 차량 번호판을 사용하여 숫자 이미지를 이진화하고 특징 매칭을 통해 번호판 번호를 식별하고 기록할 수 있습니다. 데이터베이스 비교를 통해 각 숫자는 특정 차량 유형에 해당할 수 있으며, 이는 불법 차량 단속, 차량 수, 차량 유형 식별, 발착점 조사, 통행 시간 분석 등에 사용될 수 있습니다.
번호판 인식 기술은 최근 몇 년간 국내에서 점점 더 성숙해지고 있습니다. 일부 학자들은 번호판 인식을 전처리, 이미지 이진화 및 노이즈 제거의 세 단계로 나눌 수 있다고 믿습니다. 그런 다음 번호판 위치 파악을 위해 연결 구성 요소 레이블링 방법을 사용하여 이미지에서 연결 구성 요소를 찾아 분석한 다음 번호판 위치를 결정합니다. 문자 인식의 경우 문자 분할 후 텍스트 크기에 따라 구조 구성 요소의 크기를 설정하고 마지막으로 유형론적 방법을 사용하여 텍스트 특징을 찾아 비교합니다. 일부 학자들은 번호판을 검색한 다음 픽셀 분할을 사용하여 문자를 자르고 신경망을 사용하여 문자를 인식하는 방법 또는 회색조 변환 숫자의 계산을 사용하여 가능한 번호판 위치를 찾은 다음 문자를 분할하고 획 분석을 사용하여 문자를 인식하는 방법 또는 이미지의 회색조 값 변화 특성을 사용하여 번호판 위치를 찾고 수직 투영 히스토그램을 사용하여 문자를 분할하고 회색조 값 상관 관계를 사용하여 인식하는 방법과 같은 다른 방법을 사용합니다.
연속 이미지에서 차량 궤적을 기록하는 것을 추적이라고 합니다. Anthony P. Ciervo는 차량을 감지하고 차량의 위치를 예측하여 차량 궤적을 지속적으로 추적하는 방법을 처음으로 제안했습니다. 그중 샘플 포인트나 감지 라인을 추적에 사용하는 사람들은 선택된 픽셀이 고정된 범위로 제한되어 추적에 유리하지 않기 때문에 수동적인 상태입니다. N.Hoose는 각 인접 방향에 대해 2차선 2차선인 T자형 교차로를 예로 듭니다. 교차로 진입 전후 차선에 횡단 감지 라인 차폐를 배치하여 차량의 인접 방향 번호를 기록하고 동시에 이미지상의 차량의 모양, 크기, 위치를 기록하여 차량을 추적하지만 오차가 상당히 큽니다. 요약하면 패턴 기반 추적, 영역 기반 추적, 윤곽 기반 추적의 네 가지 차량 추적 방법이 있습니다. 외국 연구 문헌에서는 각 차선에서 단일 차량만 추적합니다. 교차로에서의 차량 작동 메커니즘을 이해하려면 교차로 내 모든 방향의 차량을 동시에 추적해야 합니다. 그렇지 않으면 불완전한 정보만 얻게 되어 전체에 제한적인 도움이 될 것입니다.
