In contemporary society, traffic concerns and road safety are of paramount importance. Overloading and improper loading significantly jeopardize road safety. Leveraging AI Hub's CCTV traffic videos, overloading hazard data, and Yeosu Sunsin Bridge HS-WIM data from Jeollanam-do, we've crafted detection models. These models facilitate the development of a vehicle detection system calibrated for specific scenarios, making the detection of overloading and loading discrepancies more accessible. Such a system promises to streamline detection operations while substituting manual efforts with AI, thereby economizing on both time and resources.

영상처리시스템(VIPS: Video Image Processing System)은 실시간으로 들어오는 영상정보를 분석하여 유용한 정보를 제공하며, 하나의 카메라로 여러 차로를 동시에 감시할 수 있는 알고리즘으로 교통량, 속도뿐만 아니라 밀도 및 점유율 등 다양한 정보를 제공한다. 영상검지시스템으로 상용화 제품은 Tripwire시스템으로 검지영역의 픽셀 변화량으로 차량검지를 하나, 이는 교통량, 속도 등 단편적인 정보에 국한될 수 밖에 없다. 반면, 영상검지시스템이 개별차량에 대한 추적시스템으로 개발할 경우 사고 및 차로 변경의 위험요소 감지 등 보다 다양한 정보를 제공할 수가 있다. 본 논문은 컴퓨터비전 기술을 이용하여 Tripwire에서 수집할 수 있는 교통정보와 동일한 정보를 제공하는 개별차량의 추적시스템을 개발하였으며 이 시스템을 실제 도로영상에 적용하여 상용화된 시스템과 결과를 비교함으로써 성능검증을 하였다.

최근 교통감시시스템은 실시간의 영상검지시스템(VIPS)을 가장 선호하고 있으며, 그 수요는 매년 증가하고 있는 추세이다. 일반적으로 영상검지시스템은 공간기반의 검지알고리즘을 사용하고 있으며, 교통량, 속도, 점유율 등의 교통정보를 제공하고 있다. 현재 전 세계적으로 이미 상용화되어 있는 대부분의 영상검지시스템들은 Tripwire기반의 검지영역 내 차량의 존재유무를 판단하여 교통정보를 수집하는 알고리즘으로 구성되어 있으나, 개별차량에 대한 걸지는 불가능한 한계를 갖고 있다. 반면 개벽차량의 추적시스템은 보다 구체적인 공간적 교통정보를 제공할 수 있어 사고검지, 급차선 변경 등 교통정보를 보다 다양화 할 수 있다는 장점이 있으나 추적길이가 불과 100미터이내이면, 그 이상 관측하기 위해서는 운영자가 카메라를 줌인을 하여 영상을 확대하여야 한다. 따라서 본 논문에서는 차량 추적의 효과를 높이기 위해서 기존의 100미터 이내 추적거리를 여러 대의 CCTV시스템을 이용하더라도 200미터이상으로 확대함으로써 사고 또는 비정상적 차량흐름을 검지할 수 있는 알고리즘을 제안한다.

In this paper we propose the method that detects moving objects in autonomous navigation vehicle using LRF sensor data. Object detection and tracking methods are widely used in research area like safe-driving, safe-navigation of the autonomous vehicle. The proposed method consists of three steps: data segmentation, mobility classification and object tracking. In order to make the raw LRF sensor data to be useful, Occupancy grid is generated and the raw data is segmented according to its appearance. For classifying whether the object is moving or static, trajectory patterns are analysed. As the last step, Markov chain Monte Carlo (MCMC) method is used for tracking the object. Experimental results indicate that the proposed method can accurately detect moving objects.