딥러닝 시스템을 이용한 교통 단속 시스템

출처 https://www.vision-systems.com/

최소 90퍼센트의 정확도로 운전자의 안전벨트 착용여부를 확인하는 것과 운전 중 휴대폰을 사용하는 지 알아낼 수 있는 딥러닝 장치를 만드는 것은 매우 어려운 일이다.

특히 최대 3차선의 도로에서 시속 80km의 자동차들로부터 선명한 사진을 찍는 시스템을 만드는 것은 더욱 어려워진다.

도로 안전 애플리케이션을 위한 AI 시스템 개발회사인 사우디아라비아의 Hazen.ai사는 지역단속당국의 긴밀한 협력관계를 맺어 부분적인 지원을 받아 이를 해결하였다.

                                                                       

휴대전화 사용 및 안전벨트 착용 감지장치는 도로 측면의 기둥 혹은 도로 위 갠트리에 설치된다.

도로 측면의 설치는 비디오 분석이 어렵다는 장점이 있지만 저렴하고 편리하다는 장점이 있고 갠트리에 설치하는 것은 분석이 좀 더 용이하다는 장점과 비싸다는 단점이 있다.

 

Hazen.ai사는 장치의 위치 선택과 장치에 대한 하드웨어 배치에 대한 안내를 제공한다.

https://www.vision-systems.com/

원리

이 장치는 차량이 카메라의 시야에 잡혔을 때 운전자의 사진을 캡쳐한다.

이 후 실행되는 CNN(합성곱 신경망, CNN은 다른 딥러닝 시스템보다 영상, 음성에서 특히 좋은 성능을 보여주며  다른 인공신경망보다 쉽게 훈련된다) 은 사진을 분석하여 운전자의 안전벨트 착용 유무, 휴대폰 사용 유무 등의 여부를 결정한다.

 

안전벨트 사용에 대해서는 오로지 ‘YES’ or ‘NO’로 구분을 하고, 휴대폰 사용의 경우 복잡한 결과를 제공한다. CNN은 운전자가 휴대폰을 보유하는 위치에 따라 문자,전화에 대한 차이를 인식하기도 한다. 이외에도 불확실한 사진을 분류하여 예, 아니요로 구분할 수 없는 흐릿한 사진에 대한 제3의 분류도 만들어져있다.

 

사진들은 메모리에서 분류되며 클라이언트(ex 단속 당국) 에게 일정한 간격으로 전송된다. 어떠한 위반도 하지 않은 사진의 경우 장치에서 삭제되고 그렇지 않은 경우는 전송되어 클라이언트는 차량 번호판을 확인하여 운전자를 식별할 수 있다.

 

 

물론 이런 장치가 생긴 후 당연히 극복해야 할 문제들이 있었다. 첫번째로 이 장치는 운전자가 안전벨트와 운전중 스마트폰을 사용했는지에 대한 여부가 잘 나타나는  ‘높은 이미지 품질’ 이 필요했다. 엔지니어들을 이를 위해 여러 카메라센서를 실험하였고 ‘P1375-E’라는 네트워크 카메라를 선정 했다.

 

프론트엔드, 백엔드

둘째로 지속적인 통신이 필요하지 않은 시스템을 구축하는 것에 대한 과제를 제시했다. 즉 장치에 적절한 양의 컴퓨터 전원 및 데이터 저장공간이 있는 지 확인해야만했다. 교통 수칙 위반을 포착한 사진들은 일반적으로 5MB가 필요하다. 또 평균적으로 100,000대의 차량이 지나가면 1,000건의 위반이 나타나고 5GB 의 저장공간이 필요하게 되며 이 계산에 맞게 SSD를 설치하기엔 부담스러운 금액이 된다.

따라서 장치가 데이터를 백엔드방법(앞에선 보이지 않는 서버에서 전송하는 것)으로 전송하게 되면 데이터가 장치에 저장되지 않고 저장공간의 양을 지속적으로 새로고침 할 수 있으며 독점 API(응용 프로그램에서 사용할 수 있도록 운영체제나 프로그래밍 언어가 제공하는 기능을 제어할 수 있게 만든 인터페이스. 문자,파일제어 등을 위한 인터페이스 제공) 를 사용하면 단속 당국에서 관리하는 위반 처리에 대해 백엔드와 상호작용할 수있다.

 

마지막으로 오류의 문제이다.데이터 전송이 제대로 작동하지 않을 수 있거나 분류의 오류가 생길 수 있다. 이 경우 Hazen.ai 사는 장치를 지속적으로 모니터링하고 이런 경우가 발생할 시 자동경고를 생성하기 위해 내부 관찰, 모니터링에 대한 방법을 개발햇다.

딥러닝 시스템을 훈련시키기 위해 수만개의 교육이미지를 사용하였고 거의 2년동안 핵심예측 모델CNN을 개발하고 최적의 위치를 확인하는 작업도 하였다. 또한 현장테스트도 실시했다. 현장 설치시 카메라에 빛나는 태양의 각도, 눈부심, 그림자, 또는 기상조건  등을 미세보정할 수 있다는 것을 확인했으며 또 회사는 정확한 결과를 위해 필요한 보정을 제공할수도 있다고 한다.

현재 예상되는 정확도는 안전벨트 위반의 경우 95퍼센트, 휴대폰 사용위반에 대한 경우 92퍼센트정도이다.

 

방향성

딥러닝의 방향과 교통위반 단속이 하나로 되어 발전하는 것은 좋은 흐름이라고 생각된다. 다만 이전 딥러닝에 대한 포스팅에서 언급했듯, 딥러닝의 보안에 대한 문제는 늘 위협적이다. 또 아무리 반복학습을 시킬 수 있더라도 아직은 인간의 신경망흐름을 따라잡기는 어렵다. 여러가지 한계들이 존재하긴 하지만 안전벨트 착용유무에 대해서는 사진상 안전벨트의 비율이 높고 구분이 쉬워 비교적 정확성이 높아질 수 있으리라 예상이 되고 휴대폰에 대한 검사는 정확도를 올리는 것이 좋겠다.

 

출처:www.vision-systems.com/boards-software/article/14181387/deep-learning-system-powers-hazenai-traffic-enforcement

 

Author Bella