야간 교통 동영상 탐지: 정확도가 중요한 이유 살펴보기

어두워지면 도로는 운전자뿐 아니라 도로의 안전을 책임지는 시스템에도 다르게 보입니다. 시야 불량, 헤드라이트 눈부심, 빠르게 움직이는 반사광 때문에 야간 차량 감지가 더 어려워질 수 있습니다.

수동 관찰이나 움직임 기반 카메라와 같은 기존 방식은 주로 사람의 판단과 단순한 움직임 신호에 의존합니다. 이러한 방식은 저조도 또는 복잡한 교통 상황에서 신뢰하기 어렵습니다. 차량이나 보행자를 잘못 식별하여 오탐이 발생하거나 관찰 대상을 놓칠 수 있습니다.

그림 1. 조명이 어두운 야간 도로의 예 (출처)

인공지능(AI), 딥러닝, 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 학습하여 정확도를 높일 수 있습니다.

예를 들어 Ultralytics YOLO26 및 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 속도와 정밀도가 뛰어난 것으로 알려져 있습니다. 이러한 모델은 비디오와 이미지 데이터를 실시간으로 처리하고, 한 프레임 안의 여러 객체를 감지 및 분류하며, 연속 프레임에서 객체를 추적할 수 있습니다.

이러한 기능은 객체 감지와 인스턴스 분할 등 다양한 비전 작업을 통해 구현되며, 헤드라이트, 그림자 또는 차량 겹침으로 감지가 어려운 경우에도 작동합니다. 이를 통해 모델은 객체를 식별하고 분류하며 구별할 수 있습니다.

이 글에서는 야간 교통 모니터링의 과제를 살펴보고, 컴퓨터 비전이 이러한 과제를 해결하는 방법과 실제 교통 모니터링 시스템에서 비전 AI가 적용되는 분야를 알아보겠습니다. 시작하겠습니다!

야간 감지의 과제#

컴퓨터 비전이 야간 교통 감지의 과제를 해결하는 방법을 살펴보기 전에, 어두워진 뒤 차량을 발견하기 어려운 이유를 알아보겠습니다. 고려해야 할 몇 가지 요인은 다음과 같습니다.

• 낮은 가시성: 제한된 조명과 열악한 조도 환경에서는 카메라로 선명하고 세밀한 영상을 촬영하기 어렵습니다. 이미지 품질이 저하되면 차량이 배경에 섞이거나 아예 잘못 식별될 수 있습니다.

• 기상 조건: 비, 안개, 연무, 심지어 먼지까지 영상 품질을 더 저하시킬 수 있습니다. 이러한 조건에서는 감지 시스템이 주변 환경과 차량을 구별하기가 더욱 어려워집니다.

• 헤드라이트와 후미등: 강한 빛과 반사광은 카메라의 감도를 압도할 수 있습니다. 빛무리를 차량으로 오인하는 오탐이 발생해 감지 알고리즘이 혼란을 겪고 정확도가 낮아질 수 있습니다.

• 차량 가림: 교통량이 많은 상황에서는 차량이 다른 차량 뒤에 일부 또는 완전히 가려질 수 있습니다. 가림 현상은 차량 추적, 계수, 분류를 복잡하게 하며, 특히 한 프레임에서 여러 도로 이용자가 겹칠 때 문제가 됩니다.

야간 벤치마크 데이터셋과 지표의 필요성#

컴퓨터 비전 모델은 데이터셋이라고 하는 대규모 이미지 모음을 사용해 학습합니다. 이러한 데이터셋에는 자동차, 트럭, 보행자, 자전거 등 포함된 객체의 라벨이 신중하게 지정되며, 학습의 기반이 됩니다. 모델은 라벨이 지정된 예시를 학습하여 패턴을 인식하고 새로운 비디오 영상에서 객체를 식별하고 감지할 수 있게 됩니다.

그림 2. 컴퓨터 비전을 활용한 교통 상황의 차량 및 보행자 감지 (출처)

학습 중 모델은 데이터에서 특징을 추출하고 이를 활용해 감지 정확도를 개선합니다. 이 과정을 통해 모델이 실제 교통 상황에 노출되었을 때 미검출과 오경보를 줄일 수 있습니다.

하지만 야간 환경용 데이터셋이나 데이터 모음을 구축하는 일은 훨씬 더 어렵습니다. 낮은 영상 품질로 인해 라벨링에 많은 시간이 들고 오류가 발생하기 쉽습니다. 또한 사고나 비정상적인 운전 행태와 같이 드물지만 중요한 사건은 야간 환경에서 포착하기 어려울 수 있습니다. 그 결과 모델이 학습할 수 있는 훈련 예제가 제한됩니다.

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

예를 들어 ExDark 벤치마크 데이터셋에는 12개 객체 범주(자전거, 보트, 병, 버스, 자동차, 고양이, 의자, 컵, 개, 오토바이, 사람, 테이블)에 걸친 저조도 이미지 7,363개가 포함되어 있습니다. 각 이미지에는 바운딩 박스가 주석으로 지정되어 있으며, 이 데이터셋은 조도가 낮은 환경에서 객체 감지와 분류를 평가하는 연구에 널리 사용됩니다.

그림 3. ExDark 데이터셋 살펴보기 (출처)

마찬가지로 NightOwls 벤치마크 데이터셋에는 약 279,000개의 보행자 주석이 지정된 야간 이미지 약 115,000개가 포함되어 있습니다. 이 데이터셋은 도로 안전과 첨단 운전자 지원 시스템(ADAS)에 매우 중요한 보행자 감지 시스템을 평가하는 핵심 리소스로 자리 잡았습니다.

컴퓨터 비전이 야간 교통 영상 감지를 지원하는 방법#

이제 관련 과제와 데이터셋의 필요성을 더 잘 이해했으니, 비전 기반 시스템이 야간 교통 영상을 해석하는 방법을 자세히 살펴보겠습니다.

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

• 객체 감지: 각 프레임에서 차량, 보행자, 자전거 및 기타 도로 이용자를 식별하고 위치를 찾는 데 사용할 수 있으며, 일반적으로 이들 주위에 바운딩 박스를 그립니다.
• 객체 추적: 프레임 간에 감지된 객체를 추적하여 같은 차량이나 보행자를 시간의 흐름에 따라 식별할 수 있도록 합니다. 이를 통해 차량 속도를 추정하고 교통 흐름을 모니터링할 수 있습니다.
• 인스턴스 분할: 객체가 겹치는 경우에도 개별 객체를 구분하고 픽셀 수준의 세부 정보를 제공하여 복잡한 야간 조건에서 정확도를 높일 수 있습니다.
• 이미지 분류: 이미지 전체 또는 감지된 객체를 자동차, 버스, 트럭, 오토바이와 같은 사전 정의된 범주에 할당합니다.
• 방향성 바운딩 박스(OBB) 감지: 객체의 정확한 각도와 방향을 포착하여 야간 교통에서 차량이 대각선으로 보이거나 특이한 위치에 있을 때 정확도를 높입니다.

야간 모니터링에 Ultralytics YOLO 모델 사용하기#

모델 학습, 데이터셋의 필요성, YOLO11 및 YOLO26과 같은 모델이 지원하는 작업을 살펴보았습니다. 이 모든 내용을 연결하기 위해 한 가지 개념을 더 살펴보겠습니다. 이러한 모델이 실제로 야간 모니터링에 적용되는 방식입니다.

Ultralytics YOLO 모델은 사전 학습된 버전으로 제공되며, 이는 일상적인 여러 객체를 다루는 COCO 데이터셋과 같은 대규모 범용 데이터셋으로 이미 학습되었음을 의미합니다. 이를 통해 모델은 객체를 감지하고 분류하는 강력한 기본 역량을 갖춥니다.

하지만 이러한 데이터셋에는 저조도나 야간 예제가 거의 포함되어 있지 않으므로, 사전 학습된 모델은 눈부심, 그림자 또는 낮은 대비에 효과적으로 대응하지 못합니다. 야간 교통 영상 감지에서 실질적인 성능을 발휘하도록 하려면 실제 야간 환경을 반영하는 특화된 데이터셋으로 미세 조정해야 합니다.

미세 조정 또는 사용자 지정 학습은 헤드라이트 눈부심 아래의 차량, 횡단보도의 보행자, 야간의 혼잡한 교차로 등 저조도 환경에서 촬영하고 라벨링한 이미지를 추가로 사용해 모델을 학습하는 과정이며, 이를 통해 모델은 야간 장면의 고유한 특징을 학습합니다.

사용자 지정 학습을 마친 모델은 저조도 조건에서 감지, 추적, 분할, 분류와 같은 작업을 훨씬 더 높은 정확도로 지원할 수 있습니다. 이를 통해 교통 당국은 야간 차량 계수, 속도 추정, 적응형 신호 제어, 사고 예방 등의 실용적인 사용 사례에 이러한 모델을 적용할 수 있습니다.

야간 교통 영상 감지를 위한 비전 AI 활용 사례#

이제 실제 야간 교통 시스템에 컴퓨터 비전을 도입하는 방법을 살펴보겠습니다.

스마트 교통 신호는 스마트 시티 계획을 지원할 수 있습니다#

도시 교차로는 관리하기 가장 어려운 장소 중 하나이며, 특히 가시성이 떨어지고 교통 흐름의 예측 가능성이 낮아지는 야간에는 더욱 그렇습니다. 기존 신호등은 실시간 변화에 대응할 수 없는 고정 타이머에 의존합니다. 연구에 따르면 이는 운전자의 시간을 낭비할 뿐만 아니라 불필요한 연료 소비와 지연을 초래합니다.

바로 이 문제를 해결하는 데 컴퓨터 비전 시스템이 도움이 될 수 있습니다. 이러한 시스템은 차량 움직임을 모니터링하고 실시간으로 차량 대수를 감지할 수 있습니다. 그런 다음 이 데이터를 적응형 교통 제어 시스템에 전달합니다. 이를 통해 실제 도로 상황에 맞춰 신호를 신속하게 조정할 수 있습니다. 따라서 한 차선은 혼잡하고 다른 차선은 비어 있으면 병목 현상을 해소하도록 신호 시간을 즉시 조정할 수 있습니다.

사고 예방#

야간에는 가시성 저하, 고르지 않은 조명, 눈부심으로 인해 운전자가 거리를 판단하기 어려워 낮보다 운전이 위험합니다. 실제로 연구에 따르면 야간 킬로미터당 치명적 사고 발생률은 주간보다 최대 3배 높을 수 있습니다.

고정형 감시 카메라, 도로 순찰, 차량 감지 센서, 고정 시간 신호 시스템과 같은 기존 모니터링 방식은 사후 대응 방식으로 작동하므로 위험 상황이 발생하기 전에 충분히 일찍 감지하지 못할 수 있습니다.

컴퓨터 비전 솔루션은 실시간 비디오 스트림을 분석하고 도로나 고속도로에서 비정상적인 패턴을 감지하여 이 문제를 해결할 수 있습니다. 객체 추적을 통해 이러한 시스템은 차량의 움직임을 실시간으로 모니터링하고 이상 징후가 보이면 알림을 보낼 수 있습니다.

예를 들어 주행 중인 차량이 차선을 바꾸거나, 혼잡한 구간에서 너무 빠르게 움직이거나, 갑자기 속도를 늦추면 시스템이 이를 실시간으로 표시할 수 있습니다. 이를 통해 당국은 신속하게 대응하고 사고가 발생하기 전에 예방할 수 있습니다.

자율 주행과 ADAS#

자율주행 차량과 ADAS에는 야간 주행만의 과제가 있습니다. 가시성이 낮고 교통 패턴을 예측하기 어려워 기존 센서의 안정적인 작동이 힘들어지며, 이는 안전 문제로 이어집니다.

컴퓨터 비전은 객체 감지, 차선 추적, 분할과 같은 작업을 처리하여 이러한 시스템의 성능을 높이고, 조명이 열악한 조건에서도 차량이 보행자, 다른 자동차, 장애물을 인식할 수 있게 합니다. 주변 환경을 3D로 매핑하는 레이더 또는 LiDAR(광 감지 및 거리 측정)와 결합하면 시각 정보 계층이 추가되어 ADAS가 조기 경고를 제공하고 자율주행 차량이 야간에 더 안전하게 주행하는 데 필요한 상황 인식 능력을 갖추도록 합니다.

그림 4. 주간과 야간 환경에서 촬영한 차량 영상 (출처)

법 집행 및 위반 감지#

전 세계 교통 사망 사고 3건 중 1건은 과속이 원인이며, 야간에는 위험이 더 커집니다. 어두운 환경에서는 교통 경찰이 위반 행위를 적발하기가 더 어려운데, 주간에 선명하게 보이는 세부 사항이 어두워지면 흐려지는 경우가 많기 때문입니다.

이 때문에 빈 도로에서의 과속, 신호 위반, 잘못된 차선으로의 진입과 같은 위반 행위가 처벌을 피하는 경우가 많습니다. 컴퓨터 비전은 적외선 카메라를 사용해 저조도 조건에서도 위반 행위를 감지하여 이 문제를 해결합니다. 이러한 시스템은 사건을 기록하는 감지 구역을 생성하여 오탐을 줄이고 명확하며 검증 가능한 증거를 제공합니다. 교통 당국은 이를 통해 사각지대를 줄이고 수동 점검에 대한 의존도를 낮출 수 있습니다.

야간 교통 영상 감지의 장단점#

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

• 확장성: 미세 조정 후에는 여러 카메라나 교차로에 모델을 배포하여 도시 전역의 모니터링을 지원할 수 있습니다.
• 예측 분석: 과거 비디오 데이터를 활용해 혼잡과 사고 다발 구역을 예측하고 예방 조치를 지원할 수 있습니다.
• 리소스 최적화: 당국에 실시간 인사이트를 제공하여 도로 순찰과 응급 서비스를 더욱 효율적으로 배치하도록 돕습니다.

이러한 이점에도 불구하고 비전 AI를 활용한 야간 교통 감지에는 몇 가지 한계가 있습니다. 다음 요소를 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 요인뿐 아니라 카메라 렌즈의 오염이나 정렬 불량과 같은 실무적 문제도 감지 성능을 저하시킬 수 있으며 정기적인 유지보수가 필요합니다.

• 하드웨어 요구 사항: 고급 AI 모델을 실행하려면 고성능 GPU 또는 특수 엣지 디바이스가 필요한 경우가 많아 대규모 배포의 비용과 복잡성이 커질 수 있습니다.

야간 지능형 교통 시스템의 미래#

도시가 성장하고 도로가 혼잡해짐에 따라 야간 교통 감지는 더 지능적이고 대응력이 높은 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 저조도 문제를 겪을 때 발생하는 오류를 줄일 수 있습니다.

그림 5. 나이트 비전 기술로 향상되는 야간 보행자 감지 (출처)

또 다른 확산 중인 접근 방식은 카메라-LiDAR 융합입니다. 카메라는 도로의 세밀한 이미지를 제공하고 LiDAR는 정밀한 3D 지도를 생성합니다. 두 기술을 함께 사용하면 특히 저조도나 옅은 안개 속에서 차선, 차량, 장애물을 더 정확하게 감지할 수 있습니다.

동시에 저조도 이미지 개선, 보행자 인식, 번호판 식별 분야의 발전으로 컴퓨터 비전의 역량이 확대되고 있습니다. 이러한 개선을 통해 조명이 어두운 도로와 교차로도 더 높은 신뢰도와 적은 오류로 모니터링할 수 있습니다.

핵심 요점#

야간 차량 감지는 교통 모니터링의 오랜 과제였지만, 컴퓨터 비전으로 관리가 더욱 용이해지고 있습니다. 눈부심의 영향을 줄이고 복잡한 교통 장면을 처리하여 어두워진 뒤 도로 상황을 더 정확하게 파악할 수 있습니다. 이러한 시스템이 계속 발전함에 따라 야간 교통은 더 안전하고 스마트하며 효율적으로 바뀌고 있습니다.

프로젝트에 비전 AI를 통합할 준비가 되셨나요? 활발한 커뮤니티에 참여하고 자동차 산업의 AI 및 로보틱스 분야의 비전 AI와 같은 혁신 사례를 살펴보세요. 더 많은 정보를 확인하려면 GitHub 저장소를 방문하세요. 지금 컴퓨터 비전 개발을 시작하려면 라이선스 옵션을 확인하세요.