KR102619100B1 - 불법 차량을 단속하는 방법 및 장치 - Google Patents

불법 차량을 단속하는 방법 및 장치 Download PDF

Info

Publication number
KR102619100B1
KR102619100B1 KR1020230084556A KR20230084556A KR102619100B1 KR 102619100 B1 KR102619100 B1 KR 102619100B1 KR 1020230084556 A KR1020230084556 A KR 1020230084556A KR 20230084556 A KR20230084556 A KR 20230084556A KR 102619100 B1 KR102619100 B1 KR 102619100B1
Authority
KR
South Korea
Prior art keywords
vehicle
image
illegal
parked
illegally
Prior art date
Application number
KR1020230084556A
Other languages
English (en)
Inventor
양성현
Original Assignee
주식회사 휴데이터스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 휴데이터스 filed Critical 주식회사 휴데이터스
Priority to KR1020230084556A priority Critical patent/KR102619100B1/ko
Application granted granted Critical
Publication of KR102619100B1 publication Critical patent/KR102619100B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G01P3/36—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light
    • G01P3/38—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light using photographic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • H04N7/185—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source from a mobile camera, e.g. for remote control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Electromagnetism (AREA)
  • Power Engineering (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

일 실시 예에 따른 불법차량 단속 장치가 불법 차량을 단속하는 방법은, 제1 차량을 촬영한 이미지를 획득하는 단계; 상기 이미지를 분석한 결과에 기초하여, 상기 제1 차량이 불법 운전 차량 또는 불법 주정차 차량에 해당하는지 여부를 판단하는 단계; 및 상기 제1 차량이 상기 불법 운전 차량 또는 상기 불법 주정차 차량에 해당하는 경우, 상기 제1 차량에 대한 정보를 전송하는 단계를 포함할 수 있다.

Description

불법 차량을 단속하는 방법 및 장치 {METHOD AND DEVICE FOR CRACKING DOWN ON ILLEGAL VEHICLES}
본 발명은 불법 차량을 단속하는 방법 및 장치에 관한 것이다.
차량의 지속적인 증가로 인하여, 차량의 불법 운행으로 인한 사고나 주차 시설 부족으로 인한 갈등은 주된 사회 문제가 되었다.
이러한 불법 운행, 불법 주차 등의 불법 차량을 단속하는 방법은 일반적으로 고정형 카메라를 이용한 고정형 단속 방법과 단속원들이 차량을 타고 이동하면서 직접 불법 차량을 단속하는 이동형 단속 방법이 있다.
다만, 고정현 단속 방법의 경우 카메라가 설치된 지점에서의 불법만 단속할 수 있는 한계가 있으며, 이동형 단속 방법의 경우 단속원들의 인력 투입에 따른 비용이 증가하는 한계가 있다.
본 발명이 해결하고자 하는 과제는, 택배 차량 등에 설치된 카메라를 이용하여 불법 운전 차량 또는 불법 주정차 차량을 단속하는 방법을 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시 예에 따른 불법차량 단속 장치가 불법 차량을 단속하는 방법은, 제1 차량을 촬영한 이미지를 획득하는 단계; 상기 이미지를 분석한 결과에 기초하여, 상기 제1 차량이 불법 운전 차량 또는 불법 주정차 차량에 해당하는지 여부를 판단하는 단계; 및 상기 제1 차량이 상기 불법 운전 차량 또는 상기 불법 주정차 차량에 해당하는 경우, 상기 제1 차량에 대한 정보를 전송하는 단계를 포함할 수 있다.
상기 이미지를 획득하는 단계는, 상기 불법차량 단속 장치가 상기 이미지를 촬영한 카메라가 설치된 제2 차량에 탑재된 장치에 해당하는 경우, 상기 제2 차량에 설치된 카메라로부터 상기 제1 차량에 대한 이미지를 수신하고, 상기 불법차량 단속 장치가 상기 제2 차량에 탑재되지 않는 서버에 해당하는 경우, 상기 제2 차량에 탑재된 소정의 장치로부터 상기 제1 차량에 대한 이미지를 수신할 수 있다.
상기 제2 차량은 택배 차량, 택시, 우체물 운송 차량 및 배달 차량 중에서 어느 하나일 수 있다.
상기 제1 차량이 불법 운전 차량 또는 불법 주정차 차량에 해당하는지 여부를 판단하는 단계는, 상기 제1 차량에 대한 이미지에서 상기 제1 차량의 번호판을 식별하는 단계; 상기 번호판의 크기의 변화에 기초하여, 상기 제1 차량의 속도를 계산하는 단계; 및 상기 속도에 기초하여 제1 차량의 과속 여부를 판단하는 단계를 포함할 수 있다.
상기 제1 차량에 대한 이미지에서 상기 제1 차량의 번호판을 식별하는 단계는, 상기 제1 차량을 촬영한 복수의 이미지들을 획득하는 단계; 및 상기 복수의 이미지들 각각에서 상기 제1 차량의 번호판을 식별하는 단계를 포함하고, 상기 제1 차량의 속도를 계산하는 단계는, 상기 복수의 이미지들 각각에서 식별된 번호판의 크기 또는 길이와 상기 복수의 이미지들 각각을 촬영한 시간 또는 시간 간격에 기초하여, 상기 제1 차량의 속도를 계산하는 단계를 포함할 수 있다.
상기 제1 차량의 속도를 계산하는 단계는, 제1 시점에서 상기 제1 차량을 촬영한 제1 이미지에서 식별한 제1 번호판의 제1 크기와 상기 제1 시점 이후의 제2 시점에서 상기 제1 차량을 촬영한 제2 이미지에서 식별한 제2 번호판의 크기의 차이를 계산하는 단계; 및 상기 차이, 상기 제1 시점과 상기 제2 시점 사이의 시간 간격 및 상기 이미지를 촬영한 카메라가 탑재된 제2 차량의 속도를 이용하여, 상기 제1 차량의 속도를 계산하는 단계를 포함할 수 있다.
상기 제1 차량에 대한 이미지에서 상기 제1 차량의 번호판을 식별하는 단계는, 상기 제1 차량에 대한 이미지를 기 학습된 과속 운전 판단 모델에 입력하여 상기 제1 차량의 번호판을 식별하는 단계를 포함하고, 상기 과속 운전 판단 모델은, 학습용 이미지를 입력 데이터로 입력 받고, 상기 학습용 이미지 내 차량의 번호판의 네 변을 포함하는 바운딩 박스를 정답 데이터로서 입력 받으면, 상기 학습용 이미지에서 번호판의 바운딩 박스를 출력하도록 기 학습된 신경망 모델일 수 있다.
상기 제1 차량이 불법 운전 차량 또는 불법 주정차 차량에 해당하는지 여부를 판단하는 단계는, 상기 제1 차량에 대한 이미지에서 상기 제1 차량의 번호판을 식별하는 단계; 상기 번호판의 크기에 기초하여 상기 이미지를 촬영한 카메라가 탑재된 제2 차량과 상기 제1 차량 사이의 거리 및 상기 제1 차량의 가속도를 계산하는 단계; 및 상기 거리 및 상기 가속도에 기초하여, 상기 제1 차량의 난폭 운전 또는 보복 운전을 판단하는 단계를 포함할 수 있다.
상기 제2 차량과 상기 제1 차량 사이의 거리 및 상기 제1 차량의 가속도를 계산하는 단계는, 기 저장된 참조 크기 또는 기 설정된 계산 알고리즘에 상기 번호판의 크기를 적용하여 상기 제1 차량과 제2 차량 사이의 거리를 계산하는 단계를 포함할 수 있다.
상기 제1 차량의 난폭 운전 또는 보복 운전을 판단하는 단계는, 상기 거리가 기 설정된 기준 거리 이하이면서, 상기 제1 차량의 가속도가 기 설정된 기준 가속도 이하인 경우, 상기 제1 차량의 운행을 상기 난폭 운전 또는 상기 보복 운전으로 판단하는 단계를 포함할 수 있다.
상기 제1 차량이 불법 운전 차량 또는 불법 주정차 차량에 해당하는지 여부를 판단하는 단계는, 상기 제1 차량에 대한 이미지에서 상기 제1 차량을 식별하는 단계; 및 상기 제1 차량의 주행 패턴에 기초하여, 상기 제1 차량의 음주 운전 또는 졸음 운전 여부를 판단하는 단계를 포함할 수 있다.
상기 주행 패턴은, 상기 제1 차량이 차선을 기 설정된 기준 이상으로 침범하는지 여부, 상기 제1 차량이 기 설정된 기준 시간 범위 이내에 기 설정된 횟수 이상으로 좌우로 이동하는지 여부, 및 상기 제1 차량이 방향지시등을 켜지 않은 채 차선을 변경하는지 여부 중에서 적어도 하나를 포함할 수 있다.
상기 제1 차량이 불법 운전 차량 또는 불법 주정차 차량에 해당하는지 여부를 판단하는 단계는, 상기 이미지에서 상기 제1 차량이 소정의 주정차 금지 구역에 주정차했는지 여부를 판단하는 단계; 및 상기 판단의 결과에 기초하여, 상기 제1 차량의 불법 주정차 여부를 판단하는 단계를 포함할 수 있다.
상기 제1 차량이 소정의 주정차 금지 구역에 주정차했는지 여부를 판단하는 단계는, 지도 내 주정차 가능 구역에 대한 정보와 상기 이미지가 촬영된 위치를 비교하여, 상기 제1 차량이 상기 주정차 금지 구역에 주정차했는지 여부를 판단하는 단계를 포함할 수 있다.
상기 제1 차량이 소정의 주정차 금지 구역에 주정차했는지 여부를 판단하는 단계는, 상기 이미지를 기 학습된 주정차 금지 구역 주정차 판단 모델에 입력하여 상기 제1 차량이 상기 주정차 금지 구역에 주정차했는지 여부를 판단하는 단계를 포함하고, 상기 주정차 금지 구역 주정차 판단 모델은 학습용 이미지를 입력 데이터로 입력 받고, 상기 학습용 이미지 내 제3 차량에 대한 바운딩 박스 및 상기 제3 차량이 주정차 금지 구역에 주정차했는지 여부를 정답 데이터로서 입력 받으면, 상기 학습용 이미지 내 상기 제3 차량이 주정차 금지 구역에 주정차했는지 여부를 출력하도록 기 학습된 신경망 모델일 수 있다.
상기 제1 차량이 불법 운전 차량 또는 불법 주정차 차량에 해당하는지 여부를 판단하는 단계는, 상기 이미지에서 상기 제1 차량이 장애인 주차 구역에 주차했는지 여부를 판단하는 단계; 및 상기 판단의 결과에 기초하여, 상기 제1 차량의 불법 주정차 여부를 판단하는 단계를 포함할 수 있다.
상기 제1 차량이 장애인 주차 구역에 주차했는지 여부를 판단하는 단계는, 지도 내 장애인 주차 구역에 대한 정보, 상기 이미지가 촬영된 위치 및 상기 이미지를 촬영한 카메라가 탑재된 제2 차량의 운행 방향에 기초하여, 상기 제1 차량의 상기 불법 주정차 여부를 판단하는 단계를 포함할 수 있다.
상기 제1 차량이 장애인 주차 구역에 주차했는지 여부를 판단하는 단계는, 상기 이미지를 기 학습된 장애인 주차 구역 주차 판단 모델에 입력하여 상기 제1 차량이 상기 장애인 주차 구역에 주차했는지 여부를 판단하는 단계를 포함하고, 상기 장애인 주차 구역 주차 판단 모델은, 학습용 이미지를 입력 데이터로 입력 받고, 상기 학습용 이미지 내 제3 차량에 대한 바운딩 박스 및 상기 제3 차량이 장애인 주차 구역에 주차했는지 여부를 정답 데이터로서 입력 받으면, 상기 학습용 이미지에서 상기 제3 차량이 장애인 주차 구역에 주차했는지 여부를 출력하도록 기 학습된 신경망 모델일 수 있다.
상기 제1 차량의 불법 주정차 여부를 판단하는 단계는, 상기 장애인 주차 구역에 주차한 것으로 판단된 상기 제1 차량의 번호를 추출하는 단계; 및 상기 제1 차량의 번호를 소정의 데이터베이스에서 조회한 결과에 기초하여, 상기 제1 차량의 불법 주정차 여부를 판단하는 단계를 포함할 수 있다.
상기 제1 차량에 대한 정보를 전송하는 단계는, 상기 불법차량 단속 장치가 상기 이미지를 촬영한 카메라가 설치된 제2 차량에 탑재된 장치에 해당하는 경우, 상기 제1 차량에 대한 정보를 소정의 정보 관리 서버 또는 관련 공공기관에서 관리하는 장치로 전송하고, 상기 불법차량 단속 장치가 상기 제2 차량에 탑재되지 않는 서버에 해당하는 경우, 상기 제1 차량에 대한 정보를 상기 관련 공공기관에서 관리하는 장치로 전송할 수 있다.
상기 제1 차량에 대한 정보는, 상기 제1 차량이 촬영된 이미지 및 상기 제1 차량의 번호 중에서 적어도 하나를 포함할 수 있다.
다른 실시예에 따른 불법차량 단속 장치는, 불법차량 단속 프로그램이 저장된 메모리; 및 상기 메모리를 제어하는 프로세서를 포함하고, 상기 프로세서는, 상기 불법차량 단속 프로그램을 실행하여, 제1 차량을 촬영한 이미지를 획득하고, 상기 이미지를 분석한 결과에 기초하여, 상기 제1 차량이 불법 운전 차량 또는 불법 주정차 차량에 해당하는지 여부를 판단하고, 상기 제1 차량이 상기 불법 운전 차량 또는 상기 불법 주정차 차량에 해당하는 경우, 상기 제1 차량에 대한 정보를 전송할 수 있다.
본 발명의 실시예에 의하면, 택배 차량 등 소정의 구간을 지속적으로 운행하는 차량을 이용하여 불법 운전 차량 또는 불법 주정차 차량을 단속함으로써, 불법 차량 단속을 위한 행정 비용을 감소시킬 수 있다.
도 1은 일 실시예에 따른 불법차량 단속 장치를 나타내는 블록도이다.
도 2는 일 실시예에 따른 불법차량 단속 프로그램의 기능을 개념적으로 나타내는 블록도이다.
도 3은 일 실시예에 따른 불법차량 단속 프로그램이 불법 운전 차량 또는 불법 주정차 차량을 판단하는 방법을 나타내는 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 일 실시예에 따른 불법차량 단속 장치를 나타내는 블록도이다.
도 1을 참조하면, 불법차량 단속 장치(100)는 프로세서(110), 송수신기(120) 및 메모리(130)를 포함할 수 있다.
프로세서(110)는 불법차량 단속 장치(100)의 동작을 전반적으로 제어할 수 있다.
프로세서(110)는, 송수신기(120)를 이용하여, 차량에 대한 이미지를 수신할 수 있다.
본 명세서에서는 설명의 편의를 위해, 불법차량 단속 장치(100)가 차량에 대한 이미지를 수신하는 것으로 설명하지만, 이에 한정되지 않는다. 즉, 실시예에 따라, 불법차량 단속 장치(100)는 송수신기(120)에 더하여 또는 송수신기(120) 대신에 입력기(미도시)를 포함하고, 입력기(미도시)를 이용하여 차량에 대한 이미지를 입력 받을 수도 있고, 불법차량 단속 장치(100) 내부에서 차량에 대한 이미지를 생성할 수도 있다. 따라서, 불법차량 단속 장치(100)는 차량에 대한 이미지를 획득하는 것으로 통칭할 수도 있다.
메모리(130)는 불법차량 단속 프로그램(200) 및 불법차량 단속 프로그램(200)의 실행에 필요한 정보를 저장할 수 있다.
본 명세서에서 불법차량 단속 프로그램(200)은 차량에 대한 이미지를 획득하고, 획득한 차량에 대한 이미지를 분석하고, 분석의 결과에 기초하여 차량의 불법 운전 및 불법 주정차 중에서 적어도 하나를 결정하도록 프로그램된 명령어들을 포함하는 소프트웨어를 의미할 수 있다.
프로세서(110)는 불법차량 단속 프로그램(200)을 실행하기 위하여 메모리(130)에서 불법차량 단속 프로그램(200) 및 불법차량 단속 프로그램(200)의 실행에 필요한 정보를 로드할 수 있다.
프로세서(110)는, 불법차량 단속 프로그램(200)을 실행하여, 차량에 대한 이미지를 획득하고, 획득한 차량에 대한 이미지를 분석하고, 분석의 결과에 기초하여 차량의 불법 운전 및 불법 주정차 중에서 적어도 하나를 결정할 수 있다.
불법차량 단속 프로그램(200)의 기능 및/또는 동작에 대하여는 도 2를 통해 상세하게 살펴보기로 한다.
도 2는 일 실시예에 따른 불법차량 단속 프로그램의 기능을 개념적으로 나타내는 블록도이다.
도 1 및 도 2를 참조하면, 불법차량 단속 프로그램(200)은 차량 이미지 획득부(210), 불법 운전 판단부(220), 불법 주정차 판단부(230) 및 불법 차량 정보 전송부(240)를 포함할 수 있다.
도 2에 도시된 차량 이미지 획득부(210), 불법 운전 판단부(220), 불법 주정차 판단부(230) 및 불법 차량 정보 전송부(240)는 불법차량 단속 프로그램(200)의 기능을 쉽게 설명하기 위하여 불법차량 단속 프로그램(200)의 기능을 개념적으로 나눈 것으로서, 이에 한정되지 않는다. 실시예들에 따라, 차량 이미지 획득부(210), 불법 운전 판단부(220), 불법 주정차 판단부(230) 및 불법 차량 정보 전송부(240) 각각의 기능은 병합/분리 가능하며, 하나의 프로그램에 포함된 일련의 명령어들로 구현될 수 있다.
차량 이미지 획득부(210)는 차량에 대한 이미지를 획득할 수 있다.
실시예에 따라, 불법차량 단속 장치(100)가 소정의 차량에 탑재된 장치에 해당하는 경우, 차량 이미지 획득부(210)는 상기 불법차량 단속 장치(100)가 탑재된 차량에 설치된 카메라(미도시)로부터 차량에 대한 이미지를 수신할 수 있다. 실시예에 따라, 상기 소정의 차량은 택배 차량, 택시, 우체물 운송 차량 및 배달 차량 중에서 어느 하나일 수 있다.
또는, 실시예에 따라, 불법차량 단속 장치(100)가 차량을 촬영한 카메라가 설치된 소정의 차량에 탑재되지 않는 서버에 해당하는 경우, 차량 이미지 획득부(210)는 상기 소정의 차량에 탑재된 소정의 장치(미도시)로부터 차량에 대한 이미지를 수신할 수 있다.
불법 운전 판단부(220)는 차량에 대한 이미지를 분석하고, 분석의 결과에 기초하여 차량의 불법 운전 여부를 판단할 수 있다.
불법 운전 판단부(220)는 과속 운전, 난폭 운전, 보복 운전, 음주 운전 및 졸음 운전 중에서 적어도 하나를 판단할 수 있다.
아래에서는, 불법 운전 판단부(220)가 차량의 불법 운전을 판단하는 방법을 순서대로 살펴보기로 한다.
<과속 운전>
실시예에 따라, 불법 운전 판단부(220)는 제1 차량에 대한 이미지에서 제1 차량의 번호판을 식별하고, 식별한 번호판의 크기의 변화를 이용하여 제1 차량의 속도를 계산하고, 계산한 속도에 기초하여 제1 차량의 과속 여부를 판단할 수 있다.
보다 자세하게는, 불법 운전 판단부(220)는 제1 차량에 대한 이미지를 복수 개 획득하고, 복수의 이미지들 각각에서 제1 차량의 번호판을 식별하고, 식별한 번호판의 크기(또는 길이)와 이미지를 촬영한 시간(또는 시간 간격)에 기초하여, 제1 차량의 속도를 계산할 수 있다.
예컨대, 불법 운전 판단부(220)는 (t-1) 시점에서 제1 차량을 촬영한 이미지에서 식별한 번호판의 크기(또는 길이)와 t 시점에서 제1 차량을 촬영한 이미지에서 식별한 번호판의 크기(또는 길이)의 차이를 계산하고, 계산한 차이, (t-1) 시점과 t 시점 사이의 시간 간격 및 이미지를 촬영한 카메라가 탑재된 제2 차량의 속도를 이용하여 제1 차량의 속도를 계산할 수 있다.
이후, 불법 운전 판단부(220)는 이미지를 촬영한 도로에 규정된 최고 속도와 제1 차량의 속도를 비교하고, 비교의 결과에 따라 제1 차량의 과속 여부를 판단할 수 있다.
한편, 실시예에 따라, 불법 운전 판단부(220)는 딥러닝 모델을 이용하여 복수의 이미지들 각각에서 제1 차량의 번호판을 식별할 수 있다. 예컨대, 불법 운전 판단부(220)는 제1 차량에 대한 이미지를 획득하고, 획득한 이미지를 기 학습된 과속 운전 판단 모델에 입력하여 이미지 내 제1 차량의 번호판을 식별할 수 있다.
실시예에 따라, 과속 운전 판단 모델은 이미지를 입력 받으면, 이미지 내 차량의 번호판을 식별하도록 기 학습된 신경망 모델일 수 있다. 예컨대, 과속 운전 판단 모델은 학습용 이미지를 입력 데이터로 입력 받고, 학습용 이미지 내 차량의 번호판의 네 변을 포함하는 바운딩 박스를 정답 데이터로서 입력 받으면, 입력된 학습용 이미지에서 번호판의 바운딩 박스를 출력하도록 학습된 것일 수 있다.
<난폭 운전, 보복 운전>
실시예에 따라, 불법 운전 판단부(220)는 제1 차량에 대한 이미지에서 제1 차량의 번호판을 식별하고, 식별한 번호판의 크기(또는 길이)에 기초하여 제1 차량과 이미지를 촬영한 카메라가 탑재된 제2 차량 사이의 거리 및 제1 차량의 속도(또는 가속도)를 계산하고, 상기 거리 및 상기 속도(또는 가속도)에 기초하여 제1 차량의 난폭 운전 또는 보복 운전을 판단할 수 있다.
보다 자세하게는, 불법 운전 판단부(220)는 제1 차량에 대한 이미지를 복수 개 획득하고, 복수의 이미지들 각각에서 제1 차량의 번호판을 식별하고, 식별한 번호판의 크기(또는 길이)에 기초하여 제1 차량과 제2 차량 사이의 거리를 계산하고, 식별한 번호판의 크기(또는 길이)와 이미지를 촬영한 시간(또는 시간 간격)에 기초하여 제1 차량의 속도 또는 가속도를 계산할 수 있다.
예컨대, 불법 운전 판단부(220)는 제1 차량을 촬영한 이미지에서 식별한 번호판의 크기(또는 길이)를 계산하고, 기 저장된 참조 크기(또는 참조 길이) 또는 기 설정된 계산 알고리즘에 번호판의 크기(또는 길이)를 적용하여 제1 차량과 제2 차량 사이의 거리를 계산할 수 있다.
또한, 예컨대, 불법 운전 판단부(220)는 (t-1) 시점에서 제1 차량을 촬영한 이미지에서 식별한 번호판의 크기(또는 길이)와 t 시점에서 제1 차량을 촬영한 이미지에서 식별한 번호판의 크기(또는 길이)의 차이를 계산하고, 계산한 차이, (t-1) 시점과 t 시점 사이의 시간 간격 및 이미지를 촬영한 카메라가 탑재된 제2 차량의 속도를 이용하여 제1 차량의 속도 또는 가속도를 계산할 수 있다.
이후, 불법 운전 판단부(220)는 제1 차량과 제2 차량 사이의 거리와 제1 차량의 속도(또는 가속도)에 기초하여 제1 차량의 난폭 운전 또는 보복 운전을 판단할 수 있다.
예컨대, 제1 차량이 제2 차량과 기 설정된 기준 거리 이하에 있음에도 불구하고, 제1 차량의 가속도가 기 설정된 기준 가속도 이하로 줄어드는 경우, 불법 운전 판단부(220)는 제2 차량을 위협하기 위해 제1 차량이 고의로 급정거한 것으로 보고 제1 차량의 운행을 난폭 운전 또는 보복 운전으로 판단할 수 있다.
한편, 실시예에 따라, 불법 운전 판단부(220)는 딥러닝 모델을 이용하여 복수의 이미지들 각각에서 제1 차량의 번호판을 식별할 수 있다. 예컨대, 불법 운전 판단부(220)는 제1 차량에 대한 이미지를 획득하고, 획득한 이미지를 기 학습된 난폭/보복 운전 판단 모델에 입력하여 이미지 내 제1 차량의 번호판을 식별할 수 있다.
실시예에 따라, 난폭/보복 운전 판단 모델은 이미지를 입력 받으면, 이미지 내 차량의 번호판을 식별하도록 기 학습된 신경망 모델일 수 있다. 예컨대, 난폭/보복 운전 판단 모델은 학습용 이미지를 입력 데이터로 입력 받고, 학습용 이미지 내 차량의 번호판의 네 변을 포함하는 바운딩 박스를 정답 데이터로서 입력 받으면, 입력된 학습용 이미지에서 번호판의 바운딩 박스를 출력하도록 학습된 것일 수 있다.
<음주 운전, 졸음 운전>
실시예에 따라, 불법 운전 판단부(220)는 차량에 대한 이미지에서 차량을 식별하고, 식별한 차량의 주행 패턴에 기초하여 차량의 음주 운전 또는 졸음 운전 여부를 판단할 수 있다.
보다 자세하게는, 불법 운전 판단부(220)는 차량에 대한 이미지를 복수 개 획득하고, 복수의 이미지들 각각에서 동일 차량을 식별하고, 복수의 이미지들을 이용하여 파악한 차량의 주행 패턴에 기초하여 차량의 음주 운전 또는 졸음 운전 여부를 판단할 수 있다.
예컨대, 식별한 차량이 차선을 기 설정된 기준 이상으로 침범하거나, 식별한 차량이 좌우로 수차례 비틀거리거나(즉, 기 설정된 기준 시간 범위 이내에 차량이 좌우로 기 설정된 횟수 이상으로 이동하거나), 식별한 차량이 방향지시등을 켜지 않은 채 차선을 변경하는 경우, 불법 운전 판단부(220)는 해당 차량의 운행을 음주 운전 또는 졸음 운전으로 판단할 수 있다.
한편, 실시예에 따라, 불법 운전 판단부(220)는 딥러닝 모델을 이용하여 복수의 이미지들 각각에서 주변의 차량을 식별할 수 있다. 예컨대, 불법 운전 판단부(220)는 차량에 대한 이미지를 획득하고, 획득한 이미지를 기 학습된 음주/졸음 운전 판단 모델에 입력하여 이미지 내 차량을 식별할 수 있다.
실시예에 따라, 음주/졸음 운전 판단 모델은 이미지를 입력 받으면, 이미지 내 차량을 식별하도록 기 학습된 신경망 모델일 수 있다. 예컨대, 음주/졸음 운전 판단 모델은 연속으로 촬영된 학습용 이미지를 입력 데이터로 입력 받고, 학습용 이미지 내 차량을 포함하는 바운딩 박스 및 직전에 촬영된 학습용 이미지(또는 이전에 촬영된 학습용 이미지) 내 차량과의 동일성 여부를 정답 데이터로서 입력 받으면, 입력된 학습용 이미지에서 차량의 바운딩 박스 및 직전 이미지(또는 이전 이미지)에서 식별된 차량과의 동일성 여부를 출력하도록 학습된 것일 수 있다.
불법 주정차 판단부(230)는 차량에 대한 이미지를 분석하고, 분석의 결과에 기초하여 차량의 불법 주정차 여부를 판단할 수 있다.
불법 주정차 판단부(230)는 주정차 금지 구역 주정차 및 장애인 주차 구역 주차 중에서 적어도 하나를 판단할 수 있다.
아래에서는, 불법 주정차 판단부(230)가 차량의 불법 주정차를 판단하는 방법을 순서대로 살펴보기로 한다.
<주정차 금지 구역 주정차>
불법 주정차 판단부(230)는 차량에 대한 이미지를 획득하고, 획득한 이미지에서 차량이 주정차 금지 구역(예컨대, 노면의 차선 표시가 노란색 이중선인 구역, 소방시설 인근 5m 이내 구역, 횡단보도 위 등)에 주정차했는지 여부를 판단하고, 판단의 결과에 기초하여 차량의 불법 주정차 여부를 판단할 수 있다.
실시예에 따라, 불법 주정차 판단부(230)는, 지도에 포함된 정보 및 딥러닝 모델 중에서 적어도 하나를 이용하여, 차량이 주정차 금지 구역에 주정차했는지 여부를 판단할 수 있다.
예컨대, 불법 주정차 판단부(230)는 지도에 포함된 정보를 이용하여 이미지를 촬영한 위치가 주정차 금지 구역 내임을 판단하고, 해당 구역 내에 주정차한 차량은 불법 주정차를 한 것으로 판단할 수 있다.
즉, 지도가 주정차 가능 구역에 대한 정보를 포함하고, 이미지를 획득할 때 이미지가 촬영된 위치도 함께 획득되는 경우, 불법 주정차 판단부(230)는, 이미지가 촬영된 위치가 지도에서 주정차 금지 구역 내라면, 이미지에서 도로에 주정차한 차량이 불법 주정차를 한 것으로 판단할 수 있다.
또는, 예컨대, 불법 주정차 판단부(230)는 딥러닝 모델을 이용하여 이미지 내 차량이 불법 주정차를 했는지 여부를 판단할 수 있다. 즉, 실시예에 따라, 불법 주정차 판단부(230)는 차량에 대한 이미지를 획득하고, 획득한 이미지를 기 학습된 주정차 금지 구역 주정차 판단 모델에 입력하여 이미지 내 차량의 불법 주정차 여부를 판단할 수 있다.
실시예에 따라, 주정차 금지 구역 주정차 판단 모델은 이미지를 입력 받으면, 이미지 내 차량 및 차량이 주정차 금지 구역에 주정차했는지 여부를 식별하도록 기 학습된 신경망 모델일 수 있다. 예컨대, 주정차 금지 구역 주정차 판단 모델은 학습용 이미지를 입력 데이터로 입력 받고, 학습용 이미지 내 차량에 대한 바운딩 박스 및 차량이 주정차 금지 구역에 주정차했는지 여부를 정답 데이터로서 입력 받으면, 학습용 이미지 내 차량의 불법 주정차 여부를 출력하도록 학습된 것일 수 있다.
<장애인 주차구역 주차>
불법 주정차 판단부(230)는 차량에 대한 이미지를 획득하고, 획득한 이미지에서 차량이 장애인 주차 구역에 주차했는지 여부를 판단하고, 판단의 결과에 기초하여 차량의 불법 주정차 여부를 판단할 수 있다.
실시예에 따라, 불법 주정차 판단부(230)는, 지도에 포함된 정보 및 딥러닝 모델 중에서 적어도 하나를 이용하여, 차량이 장애인 주차 구역에 주차했는지 여부를 판단할 수 있다.
예컨대, 불법 주정차 판단부(230)는 지도에 포함된 정보를 이용하여 이미지 내 차량이 장애인 주차 구역에 주차했는지 여부를 판단할 수 있다.
즉, 지도가 주차 구역들 중에 장애인 주차 구역에 대한 정보를 포함하고, 이미지를 획득할 때 이미지가 촬영된 위치 및 이미지를 촬영한 카메라가 탑재된 차량의 운행 방향도 함께 획득되는 경우, 불법 주정차 판단부(230)는, 이미지를 촬영한 카메라가 탑재된 차량의 전방/좌측/우측에 장애인 주차 구역이 있는데 이미지를 촬영한 카메라가 탑재된 차량의 전방/좌측/우측에 주차된 차량이 있다면, 주차된 차량은 장애인 주차 구역에 주차된 것으로 판단할 수 있다.
또는, 예컨대, 불법 주정차 판단부(230)는 딥러닝 모델을 이용하여 이미지 내 차량이 장애인 주차 구역에 주차를 했는지 여부를 판단할 수 있다. 즉, 실시예에 따라, 불법 주정차 판단부(230)는 차량에 대한 이미지를 획득하고, 획득한 이미지를 기 학습된 장애인 주차 구역 주차 판단 모델에 입력하여 이미지 내 차량이 장애인 주차 구역에 주차했는지 여부를 판단할 수 있다.
실시예에 따라, 장애인 주차 구역 주차 판단 모델은 이미지를 입력 받으면, 이미지 내 차량 및 차량이 장애인 주차 구역에 주차했는지 여부를 식별하도록 기 학습된 신경망 모델일 수 있다. 예컨대, 장애인 주차 구역 주차 판단 모델은 학습용 이미지를 입력 데이터로 입력 받고, 학습용 이미지 내 차량에 대한 바운딩 박스 및 차량이 장애인 주차 구역에 주차했는지 여부를 정답 데이터로서 입력 받으면, 학습용 이미지에서 차량이 장애인 주차 구역에 주차했는지 여부를 출력하도록 학습된 것일 수 있다.
한편, 이미지 내 차량이 주차 금지 구역이나 장애인 주차 구역에 주정차했음에도 불구하고, 해당 차량의 주정차가 적법한 경우(예컨대, 장애인 차량이 장애인 주차 구역에 주차한 경우, 소방시설 인근 5m 이내 구역에 소방차가 주차한 경우 등)가 있다.
따라서, 이를 판단하기 위해, 실시예에 따라, 불법 주정차 판단부(230)는 불법 주정차로 판단된 차량에 대한 이미지에서 차량의 번호를 추출할 수 있다.
예컨대, 불법 주정차 판단부(230)는 기 학습된 번호 추출 모델을 이용하여 차량의 번호를 추출할 수 있다.
실시예에 따라, 번호 추출 모델은 이미지를 입력 받으면(차량에 대한 이미지 또는 차량에 대한 이미지 내에서 기 식별된 차량의 번호판에 대한 이미지), 이미지에서 차량의 번호를 추출하도록 기 학습된 신경망 모델일 수 있다.
상기 번호 추출 모델은 학습용 이미지를 입력 데이터로 입력 받고, 학습용 이미지 내 차량의 번호를 정답 데이터로 입력 받으면, 학습용 이미지에서 차량의 번호를 출력하도록 학습된 것일 수 있다.
실시예에 따라, 불법 주정차 판단부(230)는 추출한 차량의 번호를 소정의 데이터베이스에서 조회하고, 조회의 결과에 기초하여 해당 차량의 불법 주정차 여부를 판단할 수 있다.
불법 차량 정보 전송부(240)는 불법 운전 판단부(220)에서 판단한 불법 운전 차량에 대한 정보 및 불법 주정차 판단부(230)에서 판단한 불법 주정차 차량에 대한 정보 중에서 적어도 하나를 소정의 장치(미도시)로 전송할 수 있다.
실시예에 따라, 불법차량 단속 장치(100)가 차량에 탑재된 장치에 해당하는 경우, 불법 차량 정보 전송부(240)는 불법 운전 판단부(220)에서 판단한 불법 운전 차량에 대한 정보 및 불법 주정차 판단부(230)에서 판단한 불법 주정차 차량에 대한 정보 중에서 적어도 하나를 소정의 정보 관리 서버(미도시) 또는 관련 공공기관에서 관리하는 장치(미도시)로 전송할 수 있다. 실시예에 따라, 불법차량 단속 장치(100)가 탑재된 차량은 택배 차량, 택시, 우체물 운송 차량 및 배달 차량 중에서 어느 하나일 수 있다.
또는, 실시예에 따라, 불법차량 단속 장치(100)가 차량에 탑재되지 않는 서버에 해당하는 경우, 불법 차량 정보 전송부(240)는 불법 운전 판단부(220)에서 판단한 불법 운전 차량에 대한 정보 및 불법 주정차 판단부(230)에서 판단한 불법 주정차 차량에 대한 정보 중에서 적어도 하나를 관련 공공기관에서 관리하는 장치(미도시)로 전송할 수 있다.
실시예에 따라, 상기 불법 운전 차량에 대한 정보는 불법 운전 차량이 촬영된 이미지, 불법 운전 차량의 번호 등 차량의 불법 운전 여부를 확인하거나 불법 운전 차량을 식별할 수 있는 정보를 포함할 수 있다.
이를 위해, 실시예에 따라, 불법 운전 판단부(220)는 불법 운전으로 판단된 제1 차량에 대한 이미지에서 제1 차량의 번호를 추출할 수 있다.
예컨대, 불법 운전 판단부(220)는 기 학습된 번호 추출 모델을 이용하여 제1 차량의 식별된 번호판에서 제1 차량의 번호를 추출할 수 있다.
실시예에 따라, 번호 추출 모델은 이미지를 입력 받으면(제1 차량에 대한 이미지 또는 식별된 번호판에 대한 이미지), 이미지에서 제1 차량의 번호를 추출하도록 기 학습된 신경망 모델일 수 있다.
상기 번호 추출 모델은 학습용 이미지를 입력 데이터로 입력 받고, 학습용 이미지 내 차량의 번호를 정답 데이터로 입력 받으면, 학습용 이미지에서 차량의 번호를 출력하도록 학습된 것일 수 있다.
실시예에 따라, 불법 운전 판단부(220)에서 사용하는 번호 추출 모델은 불법 주정차 판단부(230)에서 사용하는 번호 추출 모델과 동일할 수 있지만, 그렇지 않을 수도 있다.
또한, 실시예에 따라, 상기 불법 주정차 차량에 대한 정보는 불법 주정차 차량이 촬영된 이미지, 불법 주정차 차량의 번호 등 차량의 불법 주정차 여부를 확인하거나 불법 주정차 차량을 식별할 수 있는 정보를 포함할 수 있다.
이를 위해, 실시예에 따라, 앞서 설명한 바와 같이, 불법 주정차 판단부(230)는 기 학습된 번호 추출 모델을 이용하여 차량의 번호를 추출할 수 있다.
도 3은 일 실시예에 따른 불법차량 단속 프로그램이 불법 운전 차량 또는 불법 주정차 차량을 판단하는 방법을 나타내는 흐름도이다.
도 2 및 도 3을 참조하면, 차량 이미지 획득부(210)는 차량에 대한 이미지를 획득할 수 있다(S300).
불법 운전 판단부(220)는 차량에 대한 이미지를 분석하여 차량의 불법 운전 여부를 판단할 수 있다(S310).
불법 주정차 판단부(230)는 차량에 대한 이미지를 분석하여 차량의 불법 주정차 여부를 판단할 수 있다(S320).
불법 차량 정보 전송부(240)는 불법 운전 판단부(220)에서 판단한 불법 운전 차량에 대한 정보 및 불법 주정차 판단부(230)에서 판단한 불법 주정차 차량에 대한 정보 중에서 적어도 하나를 소정의 장치(미도시)로 전송할 수 있다(S330).
도 3에서는 설명의 편의를 위해, 불법차량 단속 프로그램(200)은 불법 운전 판단부(220)의 동작과 불법 주정차 판단부(230)의 동작을 병렬로 수행하는 것으로 도시하였는데, 이에 제한되지 않는다. 즉, 실시예에 따라, 불법차량 단속 프로그램(200)은 불법 운전 판단부(220)의 동작과 불법 주정차 판단부(230)의 동작을 소정의 순서대로 수행할 수도 있으며, 불법 운전 판단부(220)와 불법 주정차 판단부(230) 중에서 어느 하나만을 수행할 수도 있다.
본 발명의 실시예에 의하면, 택배 차량 등 소정의 구간을 지속적으로 운행하는 차량을 이용하여 불법 운전 차량 또는 불법 주정차 차량을 단속함으로써, 불법 차량 단속을 위한 행정 비용을 감소시킬 수 있다.
본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 불법차량 단속 장치
200: 불법차량 단속 프로그램
210: 차량 이미지 획득부
220: 불법 운전 판단부
230: 불법 주정차 판단부
240: 불법 차량 정보 전송부

Claims (24)

  1. 삭제
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 불법차량 단속 장치가 불법 차량을 단속하는 방법에 있어서,
    제1 차량을 촬영한 이미지를 획득하는 단계;
    상기 이미지를 분석한 결과에 기초하여, 상기 제1 차량이 불법 운전 차량 또는 불법 주정차 차량에 해당하는지 여부를 판단하는 단계; 및
    상기 제1 차량이 상기 불법 운전 차량 또는 상기 불법 주정차 차량에 해당하는 경우, 상기 제1 차량에 대한 정보를 전송하는 단계를 포함하고,
    상기 제1 차량이 불법 운전 차량 또는 불법 주정차 차량에 해당하는지 여부를 판단하는 단계는,
    상기 이미지에서 상기 제1 차량이 장애인 주차 구역에 주차했는지 여부를 판단하는 단계; 및
    상기 판단의 결과에 기초하여, 상기 제1 차량의 불법 주정차 여부를 판단하는 단계를 포함하고,
    상기 제1 차량이 장애인 주차 구역에 주차했는지 여부를 판단하는 단계는,
    지도 내 장애인 주차 구역에 대한 정보 및 상기 이미지가 촬영된 위치를 이용하여, 상기 제1 차량에서 상기 장애인 주차 구역으로 향하는 상대 방향을 결정하는 단계;
    상기 이미지를 촬영한 카메라가 탑재된 제2 차량의 운행 방향과 상기 상대 방향을 이용하여, 상기 이미지 내에서 상기 장애인 주차 구역에 해당하는 부분을 결정하는 단계; 및
    상기 장애인 주차 구역에 해당하는 부분에 상기 제1 차량이 검출되는 경우, 상기 제1 차량은 상기 장애인 주차 구역에 주차했다고 판단하는 단계를 포함하는
    불법 차량을 단속하는 방법.
  17. 삭제
  18. 삭제
  19. 제16 항에 있어서,
    상기 제1 차량의 불법 주정차 여부를 판단하는 단계는,
    상기 장애인 주차 구역에 주차한 것으로 판단된 상기 제1 차량의 번호를 추출하는 단계; 및
    상기 제1 차량의 번호를 소정의 데이터베이스에서 조회한 결과에 기초하여, 상기 제1 차량의 불법 주정차 여부를 판단하는 단계를 포함하는
    불법 차량을 단속하는 방법.
  20. 제16 항에 있어서,
    상기 제1 차량에 대한 정보를 전송하는 단계는,
    상기 불법차량 단속 장치가 상기 이미지를 촬영한 카메라가 설치된 제2 차량에 탑재된 장치에 해당하는 경우, 상기 제1 차량에 대한 정보를 소정의 정보 관리 서버 또는 관련 공공기관에서 관리하는 장치로 전송하고,
    상기 불법차량 단속 장치가 상기 제2 차량에 탑재되지 않는 서버에 해당하는 경우, 상기 제1 차량에 대한 정보를 상기 관련 공공기관에서 관리하는 장치로 전송하는
    불법 차량을 단속하는 방법.
  21. 제16 항에 있어서,
    상기 제1 차량에 대한 정보는,
    상기 제1 차량이 촬영된 이미지 및 상기 제1 차량의 번호 중에서 적어도 하나를 포함하는
    불법 차량을 단속하는 방법.
  22. 불법차량 단속 프로그램이 저장된 메모리; 및
    상기 메모리를 제어하는 프로세서를 포함하고,
    상기 프로세서는, 상기 불법차량 단속 프로그램을 실행하여,
    제1 차량을 촬영한 이미지를 획득하고,
    상기 이미지를 분석한 결과에 기초하여, 상기 이미지에서 상기 제1 차량이 장애인 주차 구역에 주차했는지 여부를 판단하고,
    상기 판단의 결과에 기초하여, 상기 제1 차량의 불법 주정차 여부를 판단하고,
    상기 제1 차량이 상기 불법 주정차 차량에 해당하는 경우, 상기 제1 차량에 대한 정보를 전송하고,
    상기 프로세서는,
    지도 내 장애인 주차 구역에 대한 정보 및 상기 이미지가 촬영된 위치를 이용하여, 상기 제1 차량에서 상기 장애인 주차 구역으로 향하는 상대 방향을 결정하고,
    상기 이미지를 촬영한 카메라가 탑재된 제2 차량의 운행 방향과 상기 상대 방향을 이용하여, 상기 이미지 내에서 상기 장애인 주차 구역에 해당하는 부분을 결정하고,
    상기 장애인 주차 구역에 해당하는 부분에 상기 제1 차량이 검출되는 경우, 상기 제1 차량은 상기 장애인 주차 구역에 주차했다고 판단하는
    불법차량 단속 장치.
  23. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은,
    제16 항 및 제19 항 내지 제21 항 중 어느 한 항에 따른 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는
    컴퓨터 판독 가능한 기록매체.
  24. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    제16 항 및 제19 항 내지 제21 항 중 어느 한 항에 따른 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는
    컴퓨터 프로그램.
KR1020230084556A 2023-06-29 2023-06-29 불법 차량을 단속하는 방법 및 장치 KR102619100B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230084556A KR102619100B1 (ko) 2023-06-29 2023-06-29 불법 차량을 단속하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230084556A KR102619100B1 (ko) 2023-06-29 2023-06-29 불법 차량을 단속하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102619100B1 true KR102619100B1 (ko) 2023-12-27

Family

ID=89377716

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230084556A KR102619100B1 (ko) 2023-06-29 2023-06-29 불법 차량을 단속하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102619100B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200064873A (ko) * 2018-11-29 2020-06-08 주식회사 케이티앤씨 객체와 감지 카메라의 거리차를 이용한 속도 검출 방법
KR20200124972A (ko) * 2019-04-25 2020-11-04 한국전자통신연구원 도로 교통 위반 차량 단속 시스템 및 이를 이용한 도로 교통 위반 차량 단속 방법
KR20210120641A (ko) * 2020-03-27 2021-10-07 기창민 위험차량 실시간 추적 시스템 및 추적 방법
KR20230033160A (ko) * 2021-08-30 2023-03-08 한양대학교 에리카산학협력단 자율주행 차량의 보복 운전 제어 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200064873A (ko) * 2018-11-29 2020-06-08 주식회사 케이티앤씨 객체와 감지 카메라의 거리차를 이용한 속도 검출 방법
KR20200124972A (ko) * 2019-04-25 2020-11-04 한국전자통신연구원 도로 교통 위반 차량 단속 시스템 및 이를 이용한 도로 교통 위반 차량 단속 방법
KR20210120641A (ko) * 2020-03-27 2021-10-07 기창민 위험차량 실시간 추적 시스템 및 추적 방법
KR20230033160A (ko) * 2021-08-30 2023-03-08 한양대학교 에리카산학협력단 자율주행 차량의 보복 운전 제어 시스템

Similar Documents

Publication Publication Date Title
US20240046653A1 (en) Identifying suspicious entities using autonomous vehicles
CN109284674B (zh) 一种确定车道线的方法及装置
US11455808B2 (en) Method for the classification of parking spaces in a surrounding region of a vehicle with a neural network
KR101908611B1 (ko) 차량 주차관리 방법
KR20170124299A (ko) 가상 주차선 생성에 의한 주차 지원 장치 및 그 방법
WO2019106789A1 (ja) 処理装置及び処理方法
KR102282800B1 (ko) 라이다와 영상카메라를 이용한 멀티 표적 추적 방법
CN116420058A (zh) 替代自主车辆数据
CN108256554A (zh) 基于深度学习的车辆逆向停车判断方法、服务器及***
CN107909012B (zh) 一种基于视差图的实时车辆跟踪检测方法与装置
CN111923857B (zh) 车辆盲区检测处理方法、装置、车载终端和存储介质
CN113674523A (zh) 交通事故分析方法、装置及设备
CN113665570A (zh) 自动地感知行驶信号的方法、装置及运载工具
CN109427191A (zh) 一种行驶检测方法及装置
CN108156406A (zh) 行车记录仪的信息处理方法和装置
CN112633557A (zh) 一种基于大数据的道路安全预警方法、装置、电子设备及存储介质
CN106023338B (zh) 一种无人车车况检测方法及装置
CN111768630A (zh) 一种违章废图检测方法、装置及电子设备
KR102619100B1 (ko) 불법 차량을 단속하는 방법 및 장치
KR20200121652A (ko) 불법차량 통제 및 자율주행을 이용한 불법위치 자동이탈을 지원하는 협력형 차량 단속시스템 및 방법
KR20220138894A (ko) 노면표시 정보의 예측 및 인식방법 및 도로 유지관리 방법
JP6951782B2 (ja) 設置物認識システム及びそのプログラム
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN113593253A (zh) 车辆的闯红灯监测方法和装置
TR201812156A2 (tr) Plaka tanima si̇stemi̇ kamera görüntüleri̇ kullanilarak ön koltuk yolcu kapasi̇tesi̇ i̇hlal tespi̇t yöntemi̇

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant