[논문 리뷰] Robust Audio-Based Vehicle Counting in Low-to-Moderate Traffic Flow

Slobodan Djukanović, Jiřı́ Matas외 1명|arXiv (Cornell University)|2020. 10. 22.

Music and Audio Processing참고 문헌 14인용 수 16

한 줄 요약

이 논문은 단일 마이크로폰을 사용하여 저밀도에서 중간 밀도의 교통 흐름에 대해 강인한 오디오 기반 차량 수세기 방법을 제안한다. 차량 수세기를 거리 예측 회귀 문제로 재정의하여 마이크로폰과 차량 간의 거리를 예측하고, 예측된 거리의 국소 최소값이 통과하는 차량을 나타낸다. 이 방법은 검출 임계값 범위가 넓은 범위에서 조건부 차량 수세기 오차가 2% 미만으로 유지되며, 예측되지 않은 장소에서도 동일한 성능을 보이며, 고주파수 전력 특징이 소음 환경에서 성능을 크게 향상시킨다.

ABSTRACT

The paper presents a method for audio-based vehicle counting (VC) in low-to-moderate traffic using one-channel sound. We formulate VC as a regression problem, i.e., we predict the distance between a vehicle and the microphone. Minima of the proposed distance function correspond to vehicles passing by the microphone. VC is carried out via local minima detection in the predicted distance. We propose to set the minima detection threshold at a point where the probabilities of false positives and false negatives coincide so they statistically cancel each other in total vehicle number. The method is trained and tested on a traffic-monitoring dataset comprising $422$ short, $20$-second one-channel sound files with a total of $ 1421 $ vehicles passing by the microphone. Relative VC error in a traffic location not used in the training is below $ 2 \%$ within a wide range of detection threshold values. Experimental results show that the regression accuracy in noisy environments is improved by introducing a novel high-frequency power feature.

연구 동기 및 목표

• 저비용이며 비침습적인 단일 채널 오디오를 사용한 저밀도에서 중간 밀도의 교통 흐름에 적합한 차량 수세기 시스템을 개발한다.
• 실세계 교통 모니터링에서 흔히 발생하는 소음 환경과 변동성이 큰 음향 조건에 대응한다.
• 새로운 음향 특징을 사용하여 마이크로폰과 차량 간 거리 예측의 회귀 정확도를 향상시킨다.
• 다양한 검출 임계값과 예측되지 않은 장소에서도 안정적이고 정확한 차량 수세기 성능을 확보한다.

제안 방법

• 차량 수세기를 마이크로폰과 차량 간 거리 예측을 위한 회귀 과제로 재정의한다.
• 예측된 거리 함수의 국소 최소값을 탐지하여 통과하는 차량으로 간주한다.
• 소음 환경에서의 강인성을 향상시키기 위해 새로운 고주파수 전력(HFP) 특징을 도입한다.
• 거짓 양성과 거짓 음성 확률이 균형을 이루는 지점에 검출 임계값을 설정하여 총 수세기 오차를 최소화한다.
• 모델은 422개의 단일 채널 오디오 클립(각 20초)으로 구성된 자체 구축 데이터셋에서 훈련 및 테스트되었으며, 총 1,421대의 차량이 주석 처리되었다.
• NAUC 및 EFP 지표를 사용하여 특징 조합을 평가하였으며, 아블레이션 연구를 통해 HFP+LMS 조합이 최적임을 확인하였다.

실험 결과

연구 질문

• RQ1 단일 마이크로폰을 사용하여 저밀도에서 중간 밀도의 교통 흐름에서 환경 소음에 강인한 오디오 기반 차량 수세기 방법을 개발할 수 있는가?
• RQ2 에너지 기반 방법과 비교할 때, 회귀 기반 거리 예측이 차량 수세기 정확도를 어떻게 향상시킬 수 있는가?
• RQ3 어떤 특징 조합이 다양한 검출 임계값에서 강인성과 오차 최소화를 동시에 달성하는가?
• RQ4 제안된 고주파수 전력 특징은 기존 특징과 비교해 소음 환경에서 성능을 향상시키는가?
• RQ5 다른 음향 특성을 지닌 예측되지 않은 교통 장소에 대해 이 방법은 얼마나 잘 일반화되는가?

주요 결과

• 예측되지 않은 장소에서 검출 임계값 범위(74%Td에서 85%Td)가 넓은 범위에서 상대적 차량 수세기 오차(RVCE)가 2% 이하로 유지된다.
• 최적의 특징 조합인 HFP+LMS는 EFP(4.43%)가 가장 낮고 NAUC가 0.772로, 다른 모든 조합보다 뛰어난 성능을 보였다.
• HFP 특징은 환경 소음에 대한 강인성을 크게 향상시켜, STE 및 TRF와 비교해 거짓 피크 수를 감소시켰다.
• 다섯 곳의 장소에서 훈련하고 여섯 번째 장소(소음 차단벽이 있는 곳)에서 테스트한 결과, HFP+LMS 조합은 EFP(6.55%)가 가장 낮고 RVCE가 0.52%로 유지되었다.
• 이 방법은 높은 일반화 능력을 보이며, 10%의 임계값 범위에서 RVCE가 2% 이하로 유지되어 감도 설정에 따라 안정적인 성능을 보였다.
• 아블레이션 연구 결과, LMS가 가장 핵심적인 특징이며, NAUC 및 EFP 지표 모두에서 HFP+LMS 조합이 모든 다른 조합보다 뛰어난 성능을 보였다.