야간 교통 동영상 탐지: 정확도가 중요한 이유 살펴보기

어두운 곳에서는 운전자뿐만 아니라 도로의 안전을 담당하는 시스템에도 도로가 다르게 보입니다. 낮은 가시성, 헤드라이트 눈부심, 빠르게 움직이는 반사광으로 인해 야간 차량 감지가 더욱 어려워질 수 있습니다.

수동 관찰이나 움직임 기반 카메라와 같은 기존 방법은 주로 사람의 판단과 단순한 움직임 단서에 의존합니다. 따라서 저조도 또는 복잡한 교통 상황에서는 신뢰성이 떨어질 수 있습니다. 이러한 방법은 차량이나 보행자를 잘못 식별하여 오탐지를 발생시키거나 대상을 놓칠 수 있습니다.

그림 1. 밤에 조명이 제대로 갖춰지지 않은 도로의 예시 (출처)

인공지능(AI), 딥러닝 및 컴퓨터 비전은 차량 감지와 인식을 자동화하여 이러한 격차를 해소할 수 있습니다. 특히 컴퓨터 비전은 기계가 시각 데이터를 보고 해석할 수 있도록 하는 AI의 한 분야입니다. 야간 교통 영상 감지에서 비전 AI 모델은 밝기나 움직임을 넘어 복잡한 패턴을 학습하고 인식하여 정확도를 향상할 수 있습니다.

예를 들어 Ultralytics YOLO26 및 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 속도와 정밀도로 잘 알려져 있습니다. 이러한 모델은 동영상과 이미지 데이터를 실시간으로 처리하고, 한 프레임 내에서 여러 객체를 감지 및 분류하며, 여러 프레임에 걸쳐 객체를 추적할 수 있습니다.

이러한 기능은 객체 감지와 인스턴스 세그멘테이션 등 다양한 비전 작업을 통해 구현되며, 헤드라이트, 그림자 또는 겹쳐 있는 차량으로 인해 감지가 어려운 경우에도 작동합니다. 이를 통해 모델은 객체를 식별하고, 분류하며, 서로 구분할 수 있습니다.

이 글에서는 야간 교통 모니터링의 과제를 살펴보고, 컴퓨터 비전이 이를 어떻게 해결하는지와 실제 교통 모니터링 시스템에 비전 AI가 어디에 적용되는지 알아보겠습니다. 시작해 보겠습니다!

야간 감지의 과제#

컴퓨터 비전이 야간 교통 감지의 과제를 어떻게 해결하는지 살펴보기 전에, 어두워진 후 차량을 식별하기 어려운 이유를 알아보겠습니다. 다음과 같은 몇 가지 요인을 고려해야 합니다.

• 낮은 가시성: 제한된 조명과 열악한 조도 조건에서는 카메라가 선명하고 세부적인 영상을 촬영하기 어렵습니다. 이미지 품질이 낮아지면 차량이 배경에 섞여 보이거나 완전히 잘못 식별될 수 있습니다.

• 기상 조건: 비, 안개, 연무 또는 먼지는 영상 품질을 더욱 저하시킬 수 있습니다. 이러한 조건에서는 감지 시스템이 차량과 주변 환경을 구분하기가 더 어려워집니다.

• 헤드라이트와 후미등: 강한 빛과 반사광이 카메라를 압도할 수 있습니다. 이로 인해 빛의 점을 차량으로 오인하는 오탐지가 발생하고, 감지 알고리즘이 혼란을 겪으며 정확도가 낮아질 수 있습니다.

• 차량 가림: 교통량이 많은 상황에서는 차량이 다른 차량 뒤에 일부 또는 완전히 가려질 수 있습니다. 특히 여러 도로 사용자가 하나의 프레임에서 겹치는 경우, 가림 현상은 차량 추적, 계수 및 분류를 복잡하게 만듭니다.

야간 벤치마크 데이터셋과 메트릭의 필요성#

컴퓨터 비전 모델은 데이터셋이라고 하는 대규모 이미지 모음을 사용해 학습합니다. 이러한 데이터셋에는 자동차, 트럭, 보행자, 자전거 등 포함된 객체에 대한 라벨이 신중하게 지정되며, 학습의 기반으로 사용됩니다. 모델은 이러한 라벨이 지정된 예시를 학습하여 패턴을 인식하고, 새로운 영상에서 객체를 식별하고 감지할 수 있습니다.

그림 2. 컴퓨터 비전을 사용하여 교통 상황에서 차량과 보행자 감지 (출처)

학습 중에 모델은 데이터에서 특징을 추출하고 이를 사용하여 감지 정확도를 향상합니다. 이 과정은 모델이 실제 교통 장면을 접했을 때 미탐지와 오경보를 줄이는 데 도움이 됩니다.

그러나 야간 조건을 위한 데이터셋이나 데이터 모음을 구축하는 일은 훨씬 더 어렵습니다. 낮은 영상 품질로 인해 라벨링에 많은 시간이 소요되고 실수가 발생하기 쉽습니다. 또한 사고나 비정상적인 운전 행동과 같이 드물지만 중요한 사건은 야간 환경에서 포착하기 어려울 수 있습니다. 그 결과 모델이 학습할 수 있는 훈련 예시의 수가 제한됩니다.

이 문제를 해결하기 위해 연구자들은 특화된 벤치마크 데이터셋을 개발했습니다. 벤치마크 데이터셋은 단순한 이미지 모음 그 이상입니다. 여기에는 표준화된 라벨, 평가 프로토콜, 정밀도, 재현율, 평균 정밀도(mAP)와 같은 성능 메트릭이 포함됩니다. 이러한 메트릭을 사용하면 동일한 조건에서 여러 알고리즘을 테스트하고 비교할 수 있어 공정하고 일관된 평가가 가능합니다.

예를 들어 ExDark 벤치마크 데이터셋에는 12개 객체 범주(자전거, 보트, 병, 버스, 자동차, 고양이, 의자, 컵, 개, 오토바이, 사람, 테이블)에 걸쳐 7,363개의 저조도 이미지가 포함되어 있습니다. 각 이미지에는 바운딩 박스가 주석으로 표시되어 있으며, 이 데이터셋은 열악한 조명에서 객체 감지와 분류를 평가하기 위한 연구에 널리 사용됩니다.

그림 3. ExDark 데이터셋 살펴보기 (출처)

이와 유사하게 NightOwls 벤치마크 데이터셋은 약 115,000개의 야간 이미지와 약 279,000개의 보행자 주석을 제공합니다. 이 데이터셋은 도로 안전과 첨단 운전자 보조 시스템(ADAS)에서 중요한 역할을 하는 보행자 감지 시스템을 평가하기 위한 핵심 리소스로 자리 잡았습니다.

컴퓨터 비전이 야간 교통 영상 감지를 지원하는 방법#

이제 관련 과제와 데이터셋의 필요성을 더 잘 이해했으므로, 비전 기반 시스템이 야간 교통 영상을 어떻게 해석하는지 자세히 살펴보겠습니다.

YOLO11 및 YOLO26과 같은 모델은 객체 감지, 추적, 인스턴스 세그멘테이션 등의 컴퓨터 비전 작업을 지원하므로 저조도 환경에서도 교통 상황을 분석할 수 있습니다. 다음은 이러한 모델이 야간 교통 분석을 위해 지원하는 비전 AI 작업의 개요입니다.

• 객체 감지: 이 작업은 일반적으로 객체 주위에 바운딩 박스를 그려 각 프레임에서 차량, 보행자, 자전거 및 기타 도로 사용자를 식별하고 위치를 찾는 데 사용됩니다.
• 객체 추적: 감지된 객체를 여러 프레임에 걸쳐 추적하여 동일한 차량이나 보행자를 시간의 흐름에 따라 인식할 수 있습니다. 이를 통해 차량 속도를 추정하고 교통 흐름을 모니터링할 수 있습니다.
• 인스턴스 세그멘테이션: 객체가 서로 겹치는 경우에도 개별 객체를 구분할 수 있으며, 픽셀 수준의 세부 정보를 제공하여 복잡한 야간 환경에서 정확도를 향상합니다.
• 이미지 분류: 이 작업은 전체 이미지 또는 감지된 객체를 자동차, 버스, 트럭, 오토바이와 같은 사전 정의된 범주에 할당합니다.
• 회전 바운딩 박스(OBB) 감지: 객체의 정확한 각도와 방향을 포착하여 야간 교통에서 차량이 대각선으로 나타나거나 비정상적인 위치에 있을 때 정확도를 향상합니다.

야간 모니터링에 Ultralytics YOLO 모델 사용#

모델 학습, 데이터셋의 필요성, YOLO11 및 YOLO26과 같은 모델이 지원하는 작업에 대해 살펴보았습니다. 이제 이를 모두 연결하기 위해 한 가지 개념을 더 살펴보겠습니다. 이러한 모델이 실제로 야간 모니터링에 적용되는 방식입니다.

기본적으로 Ultralytics YOLO 모델은 사전 학습된 버전으로 제공됩니다. 즉, 일상적인 객체를 많이 포함하는 COCO 데이터셋과 같은 대규모 범용 데이터셋으로 이미 학습되어 있습니다. 이를 통해 모델은 객체를 감지하고 분류할 수 있는 강력한 기본 성능을 갖추게 됩니다.

그러나 이러한 데이터셋에는 저조도 또는 야간 예시가 매우 적기 때문에 사전 학습된 모델은 눈부심, 그림자 또는 낮은 대비를 효과적으로 처리하는 데 한계가 있습니다. 야간 교통 영상 감지에 효과적으로 활용하려면 실제 야간 조건을 반영하는 특화된 데이터셋으로 파인튜닝해야 합니다.

파인튜닝 또는 커스텀 학습은 저조도 환경에서 촬영한 추가 라벨 이미지로 모델을 학습하는 과정입니다. 예를 들어 헤드라이트 눈부심 속의 차량, 횡단보도의 보행자, 야간의 혼잡한 교차로 등이 있으며, 이를 통해 모델은 야간 장면의 고유한 특징을 학습합니다.

커스텀 학습을 완료하면 모델은 저조도 환경에서 감지, 추적, 세그멘테이션 또는 분류와 같은 작업을 훨씬 더 높은 정확도로 지원할 수 있습니다. 이를 통해 교통 당국은 야간 차량 계수, 속도 추정, 적응형 신호 제어 및 사고 예방과 같은 실용적인 사용 사례에 이러한 모델을 적용할 수 있습니다.

야간 교통 영상 감지를 위한 비전 AI 애플리케이션#

다음으로 컴퓨터 비전을 실제 야간 교통 시스템에 어떻게 도입할 수 있는지 살펴보겠습니다.

스마트 교통 신호는 스마트 시티 계획을 지원할 수 있습니다#

도시 교차로는 관리하기 가장 어려운 영역 중 하나이며, 특히 야간에는 가시성이 낮아지고 교통 흐름을 예측하기 어려워집니다. 기존 신호는 실시간 변화에 대응할 수 없는 고정 타이머에 의존합니다. 연구에 따르면 이는 운전자의 시간을 낭비할 뿐만 아니라 불필요한 연료 소비와 지연을 초래합니다.

바로 이러한 문제를 컴퓨터 비전 시스템이 해결할 수 있습니다. 이러한 시스템은 차량의 움직임을 모니터링하고 실시간으로 차량 대수를 감지할 수 있습니다. 그런 다음 데이터가 적응형 교통 제어 시스템으로 전달됩니다. 이를 통해 신호가 실제 도로 상황에 따라 신속하게 조정될 수 있습니다. 따라서 한 차선이 혼잡하고 다른 차선이 비어 있다면 병목을 해소하도록 신호 시간이 즉시 조정될 수 있습니다.

사고 예방#

야간 운전은 가시성 저하, 불균일한 조명, 눈부심으로 인해 운전자가 거리를 판단하기 어려워 낮보다 위험합니다. 실제로 연구에 따르면 야간의 킬로미터당 치명적 사고율은 주간보다 최대 3배 높을 수 있습니다.

고정 감시 카메라, 도로 순찰, 차량 감지 센서, 고정 시간 신호 시스템과 같은 기존 모니터링 방법은 사후 대응 방식으로 작동하므로 위험한 상황을 사고가 발생하기 전에 감지하지 못할 수 있습니다.

컴퓨터 비전 솔루션은 실시간 영상 스트림을 분석하고 도로나 고속도로에서 비정상적인 패턴을 감지하여 이러한 문제를 해결할 수 있습니다. 이러한 시스템은 객체 추적을 사용해 차량 행동을 실시간으로 모니터링하고 이상 징후가 나타나면 경고를 보낼 수 있습니다.

예를 들어 이동 중인 차량이 차선을 변경하거나, 혼잡한 구역에서 지나치게 빠르게 주행하거나, 갑자기 감속하면 시스템이 이를 실시간으로 표시할 수 있습니다. 따라서 당국은 신속하게 대응하여 사고가 발생하기 전에 예방할 수 있습니다.

자율주행 및 ADAS#

자율주행 차량과 ADAS에서 야간 주행은 고유한 과제를 제기합니다. 낮은 가시성과 예측하기 어려운 교통 패턴으로 인해 기존 센서가 안정적으로 작동하기 어려워지며, 이는 안전 문제로 이어집니다.

컴퓨터 비전은 객체 감지, 차선 추적, 세그멘테이션과 같은 작업을 처리하여 이러한 시스템을 강화합니다. 이를 통해 차량은 열악한 조명 조건에서도 보행자, 다른 차량 및 장애물을 인식할 수 있습니다. 주변 환경을 3D로 매핑하는 레이더 또는 광 탐지 및 거리 측정(LiDAR)과 결합하면 추가된 시각 계층이 ADAS에 조기 경고를 제공하고 자율주행 차량이 야간에 더 안전하게 주행하는 데 필요한 인식을 지원합니다.

그림 4. 주간 및 야간 조건에서 촬영된 차량 영상 (출처)

법 집행 및 위반 감지#

과속은 전 세계 교통 사망 사고 3건 중 1건의 원인이며, 야간에는 그 위험이 더욱 커집니다. 어둠으로 인해 교통 경찰이 위반 행위를 적발하기 어려워집니다. 주간에는 선명한 세부 정보가 어두워지면 흐릿해지기 때문입니다.

따라서 빈 도로에서의 과속, 신호 위반 또는 잘못된 차선으로 진입하는 행위와 같은 위반이 처벌되지 않는 경우가 많습니다. 컴퓨터 비전은 적외선 카메라를 사용하여 저조도 조건에서도 위반 행위를 포착함으로써 이 문제를 해결합니다. 이러한 시스템은 사건이 기록되는 감지 구역을 생성하여 오탐을 줄이고 명확하고 검증 가능한 증거를 제공합니다. 교통 당국은 이를 통해 사각지대와 수동 점검 의존도를 줄일 수 있습니다.

야간 교통 영상 감지의 장단점#

비전 AI를 야간 교통 영상 감지에 사용할 때의 몇 가지 장점은 다음과 같습니다.

• 확장성: 파인튜닝을 완료한 모델은 여러 카메라 또는 교차로에 배포하여 도시 전체 모니터링을 지원할 수 있습니다.
• 예측 분석: 과거 영상 데이터를 사용해 혼잡 및 사고 다발 구역을 예측하고 예방 조치를 지원할 수 있습니다.
• 리소스 최적화: 당국에 실시간 인사이트를 제공하여 도로 순찰과 긴급 서비스를 더욱 효율적으로 배분할 수 있습니다.

이러한 이점에도 불구하고 비전 AI를 활용한 야간 교통 감지에는 몇 가지 한계가 있습니다. 다음과 같은 요인을 고려해야 합니다.

• 데이터 의존성: 비전 AI 시스템의 정확도는 다양한 야간 조건을 포착한 대규모 고품질 데이터셋에 대한 접근성에 크게 좌우됩니다.

• 환경적 과제: 비, 안개, 연무와 같은 기상 요인뿐만 아니라 더럽거나 정렬이 어긋난 카메라 렌즈와 같은 실제적인 문제도 감지 성능을 저하시킬 수 있으며, 정기적인 유지 관리가 필요합니다.

• 하드웨어 요구 사항: 고급 AI 모델을 실행하려면 고성능 GPU 또는 특수 엣지 디바이스가 필요한 경우가 많아 대규모 배포가 비용과 복잡성을 높일 수 있습니다.

야간 지능형 교통 시스템의 미래#

도시가 성장하고 도로가 혼잡해짐에 따라 야간 교통 감지는 더욱 지능적이고 신속하게 대응하는 시스템으로 발전하고 있습니다. 예를 들어 열화상 카메라와 적외선 센서는 사람과 차량의 열 신호를 감지하여 완전한 어둠 속에서도 볼 수 있게 합니다. 이를 통해 일반 카메라가 눈부심이나 저조도로 어려움을 겪을 때 발생하는 오류를 줄일 수 있습니다.

그림 5. 야간 보행자 감지를 향상하는 나이트 비전 기술 (출처)

또 다른 발전 방식은 카메라-LiDAR 융합입니다. 카메라는 도로의 세부 이미지를 제공하고 LiDAR는 정밀한 3D 지도를 생성합니다. 두 기술을 함께 사용하면 특히 저조도나 약한 안개에서 차선, 차량 및 장애물 감지 정확도를 향상할 수 있습니다.

동시에 저조도 이미지 향상, 보행자 인식, 번호판 식별 기술의 발전으로 컴퓨터 비전의 역량이 확대되고 있습니다. 이러한 개선을 통해 조명이 부족한 도로와 교차로도 더 높은 신뢰성과 적은 오류로 모니터링할 수 있습니다.

핵심 요점#

야간 차량 감지는 교통 모니터링에서 항상 어려운 과제였지만, 컴퓨터 비전이 이를 더욱 관리하기 쉽게 만들고 있습니다. 눈부심의 영향을 줄이고 복잡한 교통 장면을 처리함으로써 어두워진 후 도로 상황이 어떻게 변화하는지 더욱 정확하게 파악할 수 있습니다. 이러한 시스템이 계속 발전함에 따라 야간에 더욱 안전하고 스마트하며 효율적인 교통 환경을 구축할 수 있는 기반이 마련되고 있습니다.

프로젝트에 비전 AI를 통합할 준비가 되셨습니까? 활발한 커뮤니티에 참여하여 자동차 산업의 AI와 로보틱스의 비전 AI 같은 혁신을 알아보세요. 자세한 내용은 GitHub 저장소를 방문하세요. 지금 컴퓨터 비전을 시작하려면 라이선스 옵션을 확인하세요.