열악한 시야부터 눈부심까지, 야간 교통 영상 감지의 정확성을 어렵게 만드는 요인과 컴퓨터 비전이 안전과 흐름을 어떻게 개선하는지 알아보세요.
YOLO Vision 2025를 놓치지 마세요!
2025년 9월 25일
10:00 — 18:00 BST
하이브리드 이벤트
열악한 시야부터 눈부심까지, 야간 교통 영상 감지의 정확성을 어렵게 만드는 요인과 컴퓨터 비전이 안전과 흐름을 어떻게 개선하는지 알아보세요.
도로는 어둠 속에서 운전자뿐만 아니라 안전을 책임지는 시스템에도 다르게 보입니다. 열악한 가시성, 헤드라이트 눈부심, 빠르게 움직이는 반사광은 야간 차량 감지를 더욱 어렵게 만들 수 있습니다.
수동 관찰 또는 동작 기반 카메라와 같은 기존 방법은 주로 사람의 판단과 간단한 동작 신호에 의존합니다. 이는 조명이 어둡거나 복잡한 교통 상황에서는 신뢰할 수 없습니다. 이러한 방법은 차량이나 보행자를 잘못 식별하여 잘못된 감지 또는 관찰 누락으로 이어질 수 있습니다.
인공 지능(AI), 딥 러닝 및 컴퓨터 비전은 차량 감지 및 인식을 자동화하여 격차를 해소할 수 있습니다. 특히 컴퓨터 비전은 기계가 시각 데이터를 보고 해석할 수 있도록 하는 AI의 한 분야입니다. 야간 교통 비디오 감지에 있어서 Vision AI 모델은 밝기나 움직임을 넘어 정확도를 향상시키는 복잡한 패턴을 인식하도록 학습할 수 있습니다.
예를 들어, Ultralytics YOLO26 및 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 속도와 정밀도로 유명합니다. 실시간으로 비디오 및 이미지 데이터를 처리하고 프레임 내에서 여러 객체를 감지 및 분류하고 시퀀스 전체에서 추적할 수 있습니다.
이러한 기능은 전조등, 그림자 또는 겹치는 차량으로 인해 탐지가 어려운 경우에도 객체 감지 및 인스턴스 분할과 같은 다양한 비전 작업을 통해 가능합니다. 이를 통해 모델은 객체를 식별, 분류 및 구별할 수 있습니다.
이번 글에서는 야간 교통 모니터링의 과제를 살펴보고, 컴퓨터 비전이 이러한 문제를 어떻게 해결하는지, 그리고 Vision AI가 실제 교통 모니터링 시스템에서 어디에 적용되고 있는지 살펴보겠습니다. 그럼 시작해 볼까요!
컴퓨터 비전이 야간 교통 감지의 어려움을 어떻게 해결하는지 살펴보기 전에 어둠 속에서 차량을 식별하는 것이 왜 그렇게 어려운지 살펴보겠습니다. 고려해야 할 몇 가지 요소는 다음과 같습니다.
컴퓨터 비전 모델은 데이터 세트라고 하는 대규모 이미지 모음을 사용하여 훈련됩니다. 이러한 데이터 세트는 자동차, 트럭, 보행자 및 자전거와 같이 포함된 객체로 주의 깊게 레이블이 지정되어 훈련의 기초 역할을 합니다. 이러한 레이블이 지정된 예제를 연구함으로써 모델은 패턴을 인식하는 방법을 학습하여 새로운 비디오 영상에서 객체를 식별하고 감지할 수 있습니다.
학습하는 동안 모델은 데이터에서 특징을 추출하고 이를 사용하여 감지 정확도를 향상시킵니다. 이 프로세스는 모델이 실제 교통 장면에 노출될 때 미감지 및 오경보를 줄이는 데 도움이 됩니다.
그러나 야간 환경을 위한 데이터 세트 또는 데이터 컬렉션을 구축하는 것은 훨씬 더 어렵습니다. 열악한 비디오 품질로 인해 레이블링에 시간이 많이 소요되고 오류가 발생하기 쉽습니다. 또한 사고 또는 비정상적인 운전 행동과 같이 드물지만 중요한 이벤트는 야간 환경에서 캡처하기 어려울 수 있습니다. 이로 인해 모델이 학습할 수 있는 학습 예제의 수가 제한됩니다.
이 문제를 해결하기 위해 연구자들은 특화된 벤치마크 데이터 세트를 개발했습니다. 벤치마크 데이터 세트는 단순한 이미지 모음 그 이상입니다. 여기에는 표준화된 레이블, 평가 프로토콜, 그리고 정밀도(precision), 재현율(recall), 평균 정밀도(mean average precision, mAP)와 같은 성능 지표가 포함됩니다. 이러한 지표를 통해 동일한 조건에서 다양한 알고리즘을 테스트하고 비교할 수 있어 공정하고 일관된 평가가 가능합니다.
예를 들어 ExDark 벤치마크 데이터 세트에는 12개의 물체 카테고리(자전거, 보트, 병, 버스, 자동차, 고양이, 의자, 컵, 개, 오토바이, 사람, 테이블)에 걸쳐 7,363개의 저조도 이미지가 포함되어 있습니다. 각 이미지에는 경계 상자가 주석으로 표시되어 있으며, 이 데이터 세트는 저조도 환경에서의 물체 감지 및 분류를 평가하는 연구에 널리 사용됩니다.
마찬가지로 NightOwls 벤치마크 데이터 세트는 약 279,000개의 보행자 주석이 포함된 약 115,000개의 야간 이미지를 제공합니다. 이는 도로 안전 및 첨단 운전자 지원 시스템(ADAS)에서 중요한 역할을 하는 보행자 감지 시스템을 평가하는 데 중요한 리소스가 되었습니다.
이제 관련된 과제와 데이터 세트의 필요성에 대해 더 잘 이해했으므로, 비전 기반 시스템이 야간 교통 영상을 어떻게 해석할 수 있는지 자세히 살펴보겠습니다.
YOLO11 및 YOLO26과 같은 모델은 객체 감지, 추적, 인스턴스 분할과 같은 컴퓨터 비전 작업을 지원하므로 저조도 조건에서도 트래픽을 분석할 수 있습니다. 다음은 이러한 모델이 야간 교통 분석을 위해 지원하는 비전 AI 작업의 개요입니다:
모델 학습, 데이터 세트의 필요성, 그리고 YOLO11 및 YOLO26과 같은 모델이 지원하는 작업에 대해 논의했습니다. 하지만 이 모든 것을 종합하기 위해, 이러한 모델이 실제로 야간 모니터링에 어떻게 적용되는지에 대한 개념을 더 자세히 살펴봐야 합니다.
Ultralytics YOLO 모델은 즉시 사용 가능한 사전 훈련된 버전으로 제공됩니다. 즉, COCO 데이터 세트와 같이 많은 일상적인 객체를 포함하는 대규모 범용 데이터 세트에서 이미 훈련되었다는 의미입니다. 이를 통해 모델은 객체를 감지하고 분류하는 강력한 기본 능력을 갖게 됩니다.
그러나 이러한 데이터 세트에는 저조도 또는 야간 예제가 매우 적기 때문에 사전 훈련된 모델은 눈부심, 그림자 또는 열악한 대비를 효과적으로 처리하는 데 적합하지 않습니다. 야간 교통 비디오 감지에 영향을 미치려면 실제 야간 조건을 반영하는 특수 데이터 세트에서 미세 조정해야 합니다.
미세 조정 또는 사용자 정의 학습에는 헤드라이트 눈부심 아래의 차량, 횡단보도의 보행자 또는 야간의 혼잡한 교차로와 같이 저조도 조건에서 캡처한 추가 레이블이 지정된 이미지에 대해 모델을 학습시켜 야간 장면의 고유한 특징을 학습하도록 하는 것이 포함됩니다.
일단 사용자 정의 훈련이 완료되면 모델은 저조도 조건에서 훨씬 더 높은 정확도로 감지, 추적, 분할 또는 분류와 같은 작업을 지원할 수 있습니다. 이를 통해 교통 당국은 야간에 차량 계수, 속도 추정, 적응형 신호 제어 및 사고 예방과 같은 실제 사용 사례에 이러한 모델을 적용할 수 있습니다.
다음으로 컴퓨터 비전이 실제 야간 교통 시스템에서 어떻게 채택될 수 있는지 살펴보겠습니다.
도시 교차로는 관리하기 가장 어려운 지역 중 하나이며, 특히 가시성이 떨어지고 교통 흐름을 예측하기 어려워지는 야간에는 더욱 그렇습니다. 기존 신호등은 실시간 변화에 대응할 수 없는 고정 타이머에 의존합니다. 연구에 따르면 이는 운전자의 시간을 낭비할 뿐만 아니라 불필요한 연료 소비 및 지연으로 이어집니다.
컴퓨터 비전 시스템이 이러한 문제를 극복하는 데 도움을 줄 수 있습니다. 이러한 시스템은 차량의 움직임을 모니터링하고 실시간으로 차량 수를 감지할 수 있습니다. 그런 다음 데이터는 적응형 교통 제어 시스템에 공급됩니다. 이를 통해 실제 도로 상황에 대응하여 신호가 빠르게 조정될 수 있습니다. 따라서 한 차선이 혼잡하고 다른 차선이 비어 있는 경우 병목 현상을 해소하기 위해 신호 타이밍을 즉시 조정할 수 있습니다.
야간 운전은 시야 감소, 고르지 못한 조명, 눈부심 등으로 인해 운전자가 거리를 판단하기 어렵기 때문에 주간보다 더 위험합니다. 실제로 연구에 따르면 야간의 킬로미터당 사망 사고율은 주간보다 최대 3배 더 높을 수 있습니다.
고정 감시 카메라, 도로 순찰, 차량 존재 센서 및 고정 시간 신호 시스템과 같은 기존의 모니터링 방법은 반응적으로 작동하며 위험한 상황이 발생하는 것을 방지하기에 충분히 일찍 감지하지 못할 수 있습니다.
컴퓨터 비전 솔루션은 라이브 비디오 스트림을 분석하고 도로 또는 고속도로에서 비정상적인 패턴을 감지하여 이러한 문제를 처리할 수 있습니다. 객체 추적을 사용하여 이러한 시스템은 차량 행동을 실시간으로 모니터링하고 비정상적인 상황이 발생하면 경고를 보낼 수 있습니다.
예를 들어, 움직이는 차량이 차선을 변경하거나, 혼잡한 지역에서 너무 빨리 이동하거나, 갑자기 속도를 줄이는 경우 시스템은 실시간으로 이를 표시할 수 있습니다. 즉, 당국은 신속하게 대응하고 사고가 발생하기 전에 예방할 수 있습니다.
자율 주행 차량 및 ADAS의 경우 야간 운전은 자체적인 어려움을 안고 있습니다. 낮은 가시성과 예측할 수 없는 교통 패턴으로 인해 기존 센서가 안정적으로 작동하기가 더 어려워 안전 문제가 제기됩니다.
컴퓨터 비전은 객체 감지, 차선 추적 및 분할과 같은 작업을 처리하여 이러한 시스템을 향상시켜 차량이 열악한 조명 조건에서도 보행자, 다른 차량 및 장애물을 인식할 수 있도록 합니다. 주변 환경을 3D로 매핑하는 레이더 또는 LiDAR(Light Detection and Ranging)와 결합하면 추가된 시각적 레이어가 ADAS가 조기 경고를 제공하는 데 도움이 되며 자율 주행 차량이 야간에 더 안전하게 탐색하는 데 필요한 인식을 제공합니다.
과속은 전 세계 교통사고 사망 원인의 3분의 1을 차지하며, 야간에는 위험이 더욱 커집니다. 어둠 속에서는 교통 경찰이 위반 사항을 적발하기가 더 어려운데, 이는 낮에는 명확하게 보이는 세부 사항이 어두워지면 흐릿해지기 때문입니다.
텅 빈 도로에서 과속하거나, 빨간불에 통과하거나, 잘못된 차선으로 진입하는 것과 같은 위반 행위가 처벌받지 않는 이유가 바로 그 때문입니다. 컴퓨터 비전은 적외선 카메라를 사용하여 조명이 어두운 조건에서도 위반 행위를 감지하여 이 문제를 해결합니다. 이러한 시스템은 사건이 기록되는 감지 영역을 만들어 오탐을 줄이고 명확하고 검증 가능한 증거를 제공합니다. 운송 당국에게 이는 사각지대가 줄어들고 수동 검사에 대한 의존도가 낮아짐을 의미합니다.
야간 교통 영상 감지에 Vision AI를 사용하는 경우의 몇 가지 이점은 다음과 같습니다.
비전 AI를 사용한 야간 교통 감지는 이점이 있지만 특정 제한 사항도 있습니다. 다음은 명심해야 할 몇 가지 요소입니다.
도시가 성장하고 도로가 혼잡해짐에 따라 야간 교통 감지는 더욱 지능적이고 반응성이 뛰어난 시스템으로 이동하고 있습니다. 예를 들어 열화상 카메라와 적외선 센서는 사람과 차량의 열 신호를 감지하여 완전한 어둠 속에서도 볼 수 있도록 합니다. 이를 통해 표준 카메라가 눈부심이나 저조도에서 어려움을 겪을 때 발생하는 오류를 줄일 수 있습니다.
또 다른 증가하는 접근 방식은 카메라-LiDAR 융합입니다. 카메라는 도로에 대한 자세한 이미지를 제공하고 LiDAR는 정확한 3D 지도를 생성합니다. 함께 사용하면 특히 저조도 또는 중간 정도의 안개 속에서 차선, 차량 및 장애물 감지 정확도가 향상됩니다.
동시에 저조도 이미지 개선, 보행자 인식 및 번호판 식별 기술의 발전으로 컴퓨터 비전의 기능이 확장되고 있습니다. 이러한 개선을 통해 조명이 어두운 도로와 교차로도 더 높은 신뢰성과 더 적은 오류로 모니터링할 수 있습니다.
야간에 차량을 감지하는 것은 항상 교통 모니터링에 대한 과제였지만, 컴퓨터 비전은 이를 더 쉽게 관리할 수 있도록 만들고 있습니다. 눈부심의 영향을 줄이고 복잡한 교통 장면을 처리함으로써 야간에 도로가 어떻게 작동하는지에 대한 더 정확한 그림을 제공합니다. 이러한 시스템이 계속 발전함에 따라 야간에 더 안전하고, 더 스마트하며, 더 효율적인 운송을 위한 길을 열어가고 있습니다.
비전 AI를 프로젝트에 통합할 준비가 되셨나요? 활발한 커뮤니티에 참여하여 자동차 산업의 AI 및 로봇 공학의 비전 AI와 같은 혁신 기술을 만나보세요. 더 자세한 내용은 GitHub 저장소를 방문하세요. 오늘 컴퓨터 비전을 시작하려면 라이선스 옵션을 확인하세요.
.webp)
