• YOLOv8 tracking을 이용하여 차량 속도 계산 프로젝트
• cctv를 통해 탐지한 차량의 실제 물리적인 위치인 위경도 좌표를 알아냄으로써 추후 맥락적 교통정보 추출이 가능할 것으로 예상
• 범용 cctv를 이용하여 video data를 통해 기존의 차량 속도 계산에 사용하던 레이더, 라이다 등의 과속 탐지 장치 없이도 차량의 속도 계산 가능
• 본 프로젝트의 목표: 차량의 Object Detection을 위해 YOLOv8n model을 이용하여 객체 위치 추출하여 pixel coor to lat/long coor 변환 및 속도 게산

• Train Data: YOLOv8 custom dataset training을 위해서 - https://aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&aihubDataSe=realm&dataSetSn=165 와 https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=&topMenu=&aihubDataSe=realm&dataSetSn=164 에서 데이터 확보 후 YOLOv8 fine-tuning 진행

• Train data의 format은 xml 형식으로, 파일명과 파일형식등을 포함한 데이터였기 때문에 YOLO가 받을 수 있는 데이터 형식으로 변환할 필요성이 있었음
• YOLO가 받는 데이터는 [레이블, x_center, y_center, x_width, y_height] 형식이기 때문에 converter.py를 이용해 변환
• YOLOv8 custom dataset training을 위해서는

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test:  # test images (optional)

# Classes (80 COCO classes)
names:
  0: person
  1: bicycle
  2: car
  ...
  77: teddy bear
  78: hair drier
  79: toothbrush

와 같은 ymal file 필요.

• label을 위한 txt file 생성: Labels for this format should be exported to YOLO format with one *.txt file per image. If there are no objects in an image, no *.txt file is required. The *.txt file should be formatted with one row per object in class x_center y_center width height format. Box coordinates must be in normalized xywh format (from 0 to 1). If your boxes are in pixels, you should divide x_center and width by image width, and y_center and height by image height. Class numbers should be zero-indexed (start with 0).

• trained model: best.pt

• Test Data: https://www.utic.go.kr/map/map.do?menu=cctv 에서 아주대학교 근처의 화각, 화질이 적당한 cctv 장소를 선정하였고 선정된 장소는 광교중앙역 삼거리

• capture.py

• 위 그림과 같이 4개의 ref point 선정 후 perspective matrix 를 생성
• YOLOv8 tracking을 이용해 얻어낸 차량 id별 pixel coor와 perspective matrix를 곱해 위경도 좌표, 미터 좌표를 얻어냄
• 얻어낸 차량의 위경도 좌표를 카카오맵에 표시, 미터 좌표계의 차이를 이용하여 속도를 계산함
• 속도 계산 코드: calculate_speed.py
• 속도 계산 시 오차 보정을 위해 처음 4 프레임은 처음 계산된 속도만 출력하게 하였고, 이후는 평균 속력으로 계산함

• index.html에서 저장된 위경도 좌표 파일인 lat_long_data.json에서 각 차량 id별로 위경도 좌표가 변화하는 위치를 카카오맵에 표시함
• 현재 gif 이미지에서는 잘 드러나지 않지만 7번 id 차량이 유턴하는 장면이 잘 표시됨
• 실시간으로 YOLOv8을 이용하여 detection 한 이후 이를 카카오맵에 표시하기 위해서는 서버 구축이 필요하지만 아직 서버 구축은 미완성
• 현재는 저장된 모든 차량에 대하여 표시하고 있기 때문에 동영상의 맨 처음에 나타나지 않는 22번 id차량이 함께 나오는 것을 볼 수 있음, 개선 필요해보임

• 차량의 픽셀 좌표를 미터 좌표계 또는 위경도 좌표계로 변환할 수 있다는 것을 알게 됨
• 속도 계산 값이 오차가 존재하는데, 이는 처음 ref_point의 픽셀 좌표와 위경도 좌표를 manual하게 계산해 픽셀 변화에 워낙 민감하게 반응하기 때문에 오차가 존재할 것으로 예상
• 후속 연구를 통해 속도, 가속도, 교통량, 차량 이동 방향(좌회전/우회전) 등 맥락적 교통정보를 획득 할 수 있을것으로 기대
• 실시간으로 추출되는 위경도 좌표는 자율주행 기술에서 ego vehicle의 traffic 파악에 이용 가능하며 메타버스 및 시뮬레이션 연동에 이용 가능할 것으로 예상