교통 감시용 FIR 카메라를 이용한 YOLOv3 기반 차량 검출 방법

Abstract

지능형 교통 시스템 중 카메라 기반 교통 감시 분야는 교통 상황을 실시간으로 감시하여 돌발 상황이나 교통 정보를 알려주거나 영상을 녹화하여 교통 사고 분석에 활용되고 있다. 이러한 이유로 교통 감시 카메라의 활용도가 높아졌고, 차량 검출 정확도 향상에 대한 요구도 증가하고 있다. 딥러닝을 이용한 물체 검출 방법은 빠른 수행 속도와 높은 정확도를 보여 차량 검출 연구에도 활발히 적용되고 있다.

기존의 연구들은 차량 검출을 위해 RGB 영상을 주로 사용했다. 하지만 열악한 조명에서 촬영된 RGB 영상의 경우 영상에서 차량의 외형을 정확히 구분하기 힘들어 전조등 또는 후미등을 이용하여 차량을 식별하는 연구가 진행되었다. RGB 영상과 달리 조명 환경에 강인한 FIR 영상은 시간대별로 도로 내 차량의 모습 변화가 적어 모든 시간대에서 동일한 검출 알고리즘을 적용할 수 있는 장점이 있다. 하지만 RGB 영상에서 사용된 기존의 차량 검출 방법을 FIR 영상에 적용할 경우 성능이 저하될 수 있고, 기존 차량 검출 방법들은 카메라로부터 멀리 떨어져 있는 작은 차량에 대한 검출률이 낮은 단점이 있다.

이러한 한계를 극복하기 위해 본 논문에서는 교통 감시용 FIR 카메라로 촬영한 도로 영상에서 차량 검출을 위한 딥러닝 모델을 제안한다. 본 논문은 YOLOv3 모델을 기반으로 receptive field를 넓게 보는 dilated convolution과 다양한 크기의 커널에서 획득한 feature map을 조합하는 receptive field block을 사용하였고, 기존 모델보다 한 단계 더 낮은 low-level feature map의 prediction layer를 추가하였다. 실험 결과 제안하는 방법은 기존 물체 검출 네트워크보다 높은 성능을 보였고, 특히 작은 차량에 대한 recall 성능은 기존 방법보다 20% 이상 높았다. 또한, FIR 데이터 셋 부족 문제를 해결하기 위해 RGB 공용 데이터 셋으로 CycleGAN을 사용하여 fake FIR 데이터 셋을 생성하였고, 학습 데이터 셋으로 RGB 영상을 사용했을 때보다 fake FIR 영상을 사용했을 때 높은 성능을 보였다.