• 전체
  • 전자/전기
  • 통신
  • 컴퓨터
닫기

사이트맵

Loading..

Please wait....

국내 학회지

홈 홈 > 연구문헌 > 국내 학회지 > 데이터베이스 연구회지(SIGDB)

데이터베이스 연구회지(SIGDB)

Current Result Document : 23 / 23

한글제목(Korean Title) 시정거리 판별을 위한 CCTV 이미지의 칸투 어 패턴에 기반한 계층적 클러스터링 모델
영문제목(English Title) A Hierarchical Clustering Model Based on Contour pattern from CCTV image for Estimating Visibility Distance
저자(Author) 알아스맛 올라   무함마드 타이야브 알리   홍봉희   Asmat Ullah   Muhammad Tayyab Ali   Bonghee Hong  
원문수록처(Citation) VOL 36 NO. 03 PP. 0137 ~ 0152 (2020. 12)
한글내용
(Korean Abstract)
저시정 상태는 안개가 짙어질수록 인간의 가시거리가 낮아지는 기상현상이다. 도로상의 교통 안전을 위해 안개 발생 시 운전 자에게 가시성 수준을 보여주는 시정거리를 추정하는 학습 모델이 필요하다. 이 논문은 실시간으로 운전자에게 시정거리를 보여줄 수 있는 클러스터링 학습 모델을 제시한다. 도로변의 CCTV 이미지로 부터 추출된 데이터 패턴을 클러스터로 분류하여 시정거리 를 판별하는 클러스터링 학습 모델을 제안한다. 먼저 패턴 추출을 위해 CCTV 영상으로 부터 관심 영역(ROI)이 선택되고 각 ROI 의 데이터 패턴이 추출된다. 각 ROI에서 추출된 데이터 패턴은 선 또는 사물의 윤곽선 갯수로 표현된다. 추출된 데이터 패턴에 대한 계층적 클러스터을 구성하여 서로 다른 시정거리 수준이 판별된다. 클러스터의 유사도 측정을 위해 거리 유사도 측정과 동적 시간 왜곡(DTW)을 사용하여 계층적 클러스터링을 구현하였다. 그리고 밍코프스키는 비교 목적을 위한 보조 수단으로 사용하였다. 이 논문의 제안 방법은 특정 임계값에 독립적이며 다양한 기상 조건에서 잘 수행되는 상대적 시정거리 추정 방법이다. 기존 딥러닝 접근 방법과 비교 실험을 수행하였고 시정거리 판별 정확도는 약 90%이다.
영문내용
(English Abstract)
Low visibility condition is a meteorological phenomenon in which the human visibility distance decreases as the fog level increases. To make sure the safety of road traffic, a learning model of estimating visibility distance should be developed, which shows the actual visibility level to the vehicle drivers during foggy weather. In this paper, we have proposed a clustering learning model that provides the visibility level to the drivers in real-time. We use the real CCTV camera images on the roadside and extract a data pattern from it, and then we classify that pattern into different visibility levels by using hierarchical clustering. First, for pattern extraction, we select the optimal regions of interest (ROI) in a CCTV image and then extract features from each ROI. The features we extract are the "number of lines" and the "number of contours" detected in each ROI. Finally, we use hierarchical clustering to classify that data-pattern into different visibility levels. We have implemented hierarchical clustering using two similarity distance metrics, dynamic time warping (DTW) as our main similarity distance metric, and Minkowski is supplementary for comparison purposes. In this paper, we provide a relative visibility estimation method, which is independent of using threshold and performs well in diverse conditions. We have compared our approach to a deep learning method, and it has an overall accuracy of around 90%.
키워드(Keyword) 데이터 분석   데이터 패턴   계층적 클러스터링   클러스터   데이터 분류   data analysis   data pattern   hierarchical clustering   cluster   data classification  
파일첨부 PDF 다운로드