[논문 리뷰] Smart Traffic Monitoring System using Computer Vision and Edge Computing

Guanxiong Liu, Hang Shi외 6명|arXiv (Cornell University)|2021. 09. 07.

Video Surveillance and Tracking Methods참고 문헌 28인용 수 7

한 줄 요약

이 논문은 기상 및 네트워크 조건을 고려하여 자원이 제한된 엣지 클라우드렛과 중심집중식 교통관리센터(TMC) 간에 동적으로 비디오 처리를 오프로드하는 이중계층 엣지-클라우드 아키텍처를 제안한다. 이는 교통 혼잡도 및 속도 측정을 최적화한다. 하이브리드 모델은 다양한 실제 조건에서 엣지 중심 또는 클라우드 중심 접근 방식을 모두 능가하며, 통계적 검증을 통해 악화된 네트워크 조건이 클라우드 성능을 떨어뜨리고 눈 오는 날씨가 엣지 정확도를 해칠 수 있음을 확인한다.

ABSTRACT

Traffic management systems capture tremendous video data and leverage advances in video processing to detect and monitor traffic incidents. The collected data are traditionally forwarded to the traffic management center (TMC) for in-depth analysis and may thus exacerbate the network paths to the TMC. To alleviate such bottlenecks, we propose to utilize edge computing by equipping edge nodes that are close to cameras with computing resources (e.g. cloudlets). A cloudlet, with limited computing resources as compared to TMC, provides limited video processing capabilities. In this paper, we focus on two common traffic monitoring tasks, congestion detection, and speed detection, and propose a two-tier edge computing based model that takes into account of both the limited computing capability in cloudlets and the unstable network condition to the TMC. Our solution utilizes two algorithms for each task, one implemented at the edge and the other one at the TMC, which are designed with the consideration of different computing resources. While the TMC provides strong computation power, the video quality it receives depends on the underlying network conditions. On the other hand, the edge processes very high-quality video but with limited computing resources. Our model captures this trade-off. We evaluate the performance of the proposed two-tier model as well as the traffic monitoring algorithms via test-bed experiments under different weather as well as network conditions and show that our proposed hybrid edge-cloud solution outperforms both the cloud-only and edge-only solutions.

연구 동기 및 목표

• 중앙집중식 TMC로의 지속적인 교통 카메라 영상 전송으로 인한 대역폭 및 지연 문제를 해결하기 위해.
• 실시간 교통 모니터링에서 엣지 중심 처리(제한된 계산 능력)와 클라우드 중심 처리(네트워크 의존성)의 한계를 완화하기 위해.
• 동적 네트워크 및 환경 조건에 따라 엣지와 클라우드 처리 간에 지능적으로 전환하는 적응형 시스템을 설계하기 위해.
• 다양한 기상(맑음, 비, 눈) 및 네트워크(양호, 악화) 조건에서 하이브리드 모델의 성능을 평가하기 위해.
• 네트워크 품질과 기상 조건이 엣지 및 클라우드 방식의 오차율에 미치는 영향을 통계적으로 검증하기 위해.

제안 방법

• 시스템은 이중계층 아키텍처를 구현한다: 카메라 근처의 엣지 클라우드렛이 경량 영상 처리를 수행하고, TMC는 고부하 계산을 담당한다.
• 혼잡도 및 속도 측정을 위해 각 작업에 대해 두 가지 알고리즘을 구현한다—한 가지는 엣지 전용(저성능 계산)이고, 다른 하나는 TMC 전용(고성능 계산)이며, 각각 다른 계산 및 네트워크 가정을 기반으로 한다.
• 엣지는 제한된 자원으로 고품질 영상을 현지에서 처리하지만, TMC는 네트워크 불안정성으로 인해 저품질 영상 수신 가능성이 있다.
• 시스템은 실시간 네트워크 및 기상 조건에 따라 최적의 처리 계층을 선택하는 동적 전환 메커니즘을 사용한다.
• 테스트 베드 실험을 통해 실시간 교통 영상과 6종의 기상 및 네트워크 조합 조건을 기반으로 평가한다.
• 오차율에 대한 네트워크 및 기상 영향의 유의성을 검증하기 위해 ANOVA를 통계 분석에 적용한다.

실험 결과

연구 질문

• RQ1 실시간 영상 처리 조건에서 네트워크 품질이 클라우드 기반 교통 모니터링의 정확도에 어떤 영향을 미치는가?
• RQ2 눈 오는 날씨와 같은 악화된 기상 조건이 교통 모니터링에서 엣지 기반 영상 처리 성능에 어떤 영향을 미치는가?
• RQ3 하이브리드 엣지-클라우드 아키텍처는 다양한 조건에서 혼잡도 및 속도 측정에서 엣지 중심 및 클라우드 중심 솔루션을 모두 능가할 수 있는가?
• RQ4 네트워크 조건과 기상 조건이 엣지 및 클라우드 처리 방식의 오차율에 미치는 통계적 유의성은 무엇인가?
• RQ5 성능과 자원 제약을 균형 잡기 위해 엣지와 클라우드 간에 처리를 어떻게 적응적으로 오프로드할 수 있는가?

주요 결과

• 악화된 네트워크 조건은 클라우드 중심 방식의 오차율을 크게 증가시키며, 혼잡도에 대해 p값 1.26e−12, 속도 측정에 대해 4.43e−83를 기록하여 강력한 통계적 상관관계를 보여준다.
• 눈 오는 날씨는 엣지 처리 성능을 뚜렷이 악화시키며, 혼잡도에 대해 p값 1.53e−3, 속도 측정에 대해 2.47e−23를 기록하여 통계적으로 유의미한 부정적 영향을 보인다.
• 제안된 하이브리드 엣지-클라우드 모델은 모든 시험 기상 및 네트워크 조건에서 엣지 중심 및 클라우드 중심 솔루션을 모두 능가하며, 뛰어난 내구성을 입증한다.
• ANOVA 결과는 네트워크 품질과 기상 조건이 성능 결정 요소로서 주요한 영향을 미친다는 것을 확인하며, 적응형 처리 전략의 필요성을 검증한다.
• 하이브리드 모델은 실시간 조건에 따라 처리를 전환함으로써 개별 접근 방식의 약점을 효과적으로 보완하여 최적의 성능을 달성한다.
• 본 연구는 비와 맑은 날씨가 검출 정확도에 유사한 영향을 미치며, 통계 모델에서 동일한 카테고리로 통합되었다는 점을 밝혀냈다.