[논문 리뷰] Advances and Applications of Computer Vision Techniques in Vehicle Trajectory Generation and Surrogate Traffic Safety Indicators

Mohamed Abdel‐Aty, Zijin Wang외 2명|arXiv (Cornell University)|2023. 03. 27.

Autonomous Vehicle Technology and Safety인용 수 5

한 줄 요약

이 논문은 차량 궤적 생성 및 서rogate 교통안전 지표(SSI)에 대한 컴퓨터 비전(CV) 기법을 검토하며, 영상 처리와 교통안전 모델링을 연결한다. 감지에서 SSI 적용에 이르는 CV 파이프라인을 통합적으로 정리하여, 안전 분석을 위한 CV 방법 선택과 SSI 적용에 실용적인 지침을 제공하며, 교통 연구자들에게 체계적 통합 및 구현 최적화 기법에 대한 주요 기여를 한다.

ABSTRACT

The application of Computer Vision (CV) techniques massively stimulates microscopic traffic safety analysis from the perspective of traffic conflicts and near misses, which is usually measured using Surrogate Safety Measures (SSM). However, as video processing and traffic safety modeling are two separate research domains and few research have focused on systematically bridging the gap between them, it is necessary to provide transportation researchers and practitioners with corresponding guidance. With this aim in mind, this paper focuses on reviewing the applications of CV techniques in traffic safety modeling using SSM and suggesting the best way forward. The CV algorithm that are used for vehicle detection and tracking from early approaches to the state-of-the-art models are summarized at a high level. Then, the video pre-processing and post-processing techniques for vehicle trajectory extraction are introduced. A detailed review of SSMs for vehicle trajectory data along with their application on traffic safety analysis is presented. Finally, practical issues in traffic video processing and SSM-based safety analysis are discussed, and the available or potential solutions are provided. This review is expected to assist transportation researchers and engineers with the selection of suitable CV techniques for video processing, and the usage of SSMs for various traffic safety research objectives.

연구 동기 및 목표

• 영상 처리와 교통안전 모델링 사이의 격차를 해소하기 위해 컴퓨터 비전(CV) 기법을 서rogate 안전 조치(SSI)와 체계적으로 통합하고자 한다.
• 교통 연구자와 현장 전문가가 영상 데이터에서 차량 감지 및 추적을 위한 적절한 CV 알고리즘을 선택하는 데 종합적인 가이드를 제공하고자 한다.
• 정확한 차량 궤적 추출에 필수적인 영상 전처리 및 후처리 기법을 검토하고자 한다.
• 추출된 궤적에 SSI를 적용하여 미시적 교통안전 평가를 수행하고자 한다.
• CV 기반 영상 처리 및 SSI 구현에서 발생하는 실용적 과제를 규명하고, 실현 가능하거나 기존의 해결책을 제안하고자 한다.

제안 방법

• 차량 감지 및 추적를 위한 초기 기법에서 최신 모델에 이르기까지의 CV 알고리즘을 조사하며, YOLO, Faster R-CNN, 그리고 트랜스포머 기반 아키텍처를 포함한다.
• 배경 추출, 운동 세그먼테이션, 이미지 강화와 같은 영상 전처리 단계를 개략적으로 기술하여 입력 품질을 향상시킨다.
• 칼만 필터링 및 데이터 연동(예: 헝가리안 알고리즘)과 같은 후처리 기법을 상세히 기술하여 매끄럽고 정확한 차량 궤적을 생성한다.
• 충돌 감지에 사용되는 일반적인 SSI를 분류하고 검토하며, 예를 들어 충돌까지의 시간(TTC), 충돌 후 간격 시간(PET), 최소 거리(MD) 등을 포함한다.
• 궤적 데이터를 SSI에 매핑하여 교통 충돌과 근접 충돌 사건을 정량화하고 안전 평가를 수행한다.
• 실제 구현을 위한 실용적 권고 사항을 제공하며, 가림, 저조도 조건, 실시간 처리 제약 등에 대응한다.

실험 결과

연구 질문

• RQ1 교통 영상에서 차량 감지 및 추적에 가장 효과적인 컴퓨터 비전 기법은 무엇이며, 시간이 지남에 따라 어떻게 발전해 왔는가?
• RQ2 영상 데이터에서 궤적 추출 정확도를 최적화하기 위해 어떤 전처리 및 후처리 기법이 필요한가?
• RQ3 다양한 서rogate 안전 조치(SSI)는 CV가 생성한 차량 궤적에 적용되었을 때 어떻게 성능을 발휘하는가?
• RQ4 실세계 교통안전 응용에 CV 및 SSI 파이프라인을 구현할 때 주요 실용적 과제는 무엇인가?
• RQ5 CV 기반 교통안전 분석의 신뢰성과 확장성을 향상시키기 위한 최적의 실천 방법과 해결책은 무엇인가?

주요 결과

• 최신 CV 모델인 YOLO와 트랜스포머 기반 감지기들은 이전 방법에 비해 차량 감지 정확도와 속도를 크게 향상시킨다.
• 배경 추출 및 이미지 강화와 같은 전처리 기법은 저조도 조건에서 노이즈를 줄이고 감지 성능을 향상시킨다.
• 칼만 필터링 및 데이터 연동 알고리즘을 통한 후처리 기법은 궤적의 매끄러움을 향상시키고 추적 오차를 감소시킨다.
• TTC와 PET와 같은 SSI는 충돌 심각도를 효과적으로 정량화하며, 고품질 궤적에 적용될 경우 강건성을 발휘한다.
• 가림, 조도 변화, 실시간 처리 제약과 같은 실용적 과제는 흔하지만, 다중 객체 추적 및 모델 미세조정 같은 기법이 그 영향을 완화시킨다.
• CV와 SSI의 통합은 확장 가능하고 비침습적인 방법으로, 물리적 센서 없이도 대규모 충돌 감지를 가능하게 하여 미시적 교통안전 분석을 지원한다.