A Geometry-Informed Computer Vision Method for Detecting and Examining Overtaking Vehicles From A Bicycle

기술 요약: 자전거 탑재형 카메라를 이용한 추월 차량 탐지 및 분석을 위한 기하학 기반 컴퓨터 비전 방법론

문제 정의
계측 장비를 갖춘 자전거 연구는 차량 통행 행동과 자전거 안전에 관한 중요한 현장 증거를 역사적으로 제공해 왔다. 그러나 중대한 방법론적 병목 현상이 존재한다: 연속적인 후방 영상에서 추월 이벤트를 추출하려면 수동으로 프레임 단위의 주석(annotation) 작업을 수행해야 한다는 점이다. 이 과정은 표본 크기를 제한하고, 자연주의적 자전거 안전 연구의 범위를 제약하며, 평가자 간 변동성을 유발한다. 기존의 컴퓨터 비전 접근 방식은 외형 기반 분류기에 의존하는 경우가 많아 도메인 변화(예: 조명, 카메라 움직임)에 취약하거나, 복잡한 캘리브레이션 및 동기화가 필요한 다중 센서 융합(LiDAR, 레이더)을 요구하여 확장 가능한 저비용 연구 배포에 부적합하다. 또한, 후방 영상에서 실제 추월 기동과 비추월 차량 궤적(마주 오는 교통량, 평행 차선, 감속 차량 등)의 배경을 구분하는 것은 표준 탐지 및 추적 알고리즘에 있어 여전히 도전 과제이다.

방법론
저자들은 명시적인 카메라 캘리브레이션이나 다중 센서 구성 없이 단일 자전거 탑재 카메라를 사용하여 추월 이벤트 탐지를 자동화하는 기하학 기반 컴퓨터 비전 파이프라인을 제안한다. 시스템은 세 단계의 순차적 과정을 통해 2D 비디오 시퀀스를 처리한다:

1. 차량 탐지: 시스템은 움직이는 자전거 영상에서 흔히 발생하는 스케일 변화와 부분적 폐쇄(occlusion)에 대한 강건성을 위해 트랜스포머 기반 탐지기인 RT-DETR(Real-Time Detection Transformer)을 채용한다. 이 모델은 COCO 데이터셋으로부터 4가지 차량 클래스(승용차, 오토바이, 버스, 트럭)를 식별한다. 추적 오류를 방지하기 위해 동일한 차량에 대한 중복 바운딩 박스를 제거하는 사전 추적 억제 단계가 구현된다.
2. 다중 객체 추적: ByteTrack을 활용하여 탐지된 객체들을 연속적인 궤적으로 연결한다. 저자들은 추월 시나리오에 맞게 ByteTrack의 파라미터를 조정하였는데, 구체적으로 배경 객체로부터 발생하는 허위 시작(false starts)을 줄이기 위해 추적 활성화 임계값을 높였고, 서로 다른 차량 간의 ID 전이를 방지하기 위해 손실된 추적 버퍼를 제한하였다. 또한 짧은 폐쇄 상황에서의 ID 파편화를 처리하기 위해 동일 프레임 내 중복 필터가 적용된다.
3. 기하학적 검증: 이것이 핵심적인 혁신이다. 3단계 검증 모듈은 원근 투영 원리에 기초하여 추적된 궤적을 필터링함으로써 완료된 추월 기동만을 식별한다:
   • 방위각 추세(Bearing Angle Trend): 시스템은 고정된 기준점(후방 좌측 카메라의 경우 좌측 하단 모서리)에 대한 차량의 방위각을 계산한다. 추월 차량은 반드시 단조 증가하는 각도(프레임 내에서 왼쪽에서 오른쪽으로 이동)를 보여야 한다. 각도 이력에 대한 선형 회귀 결과가 양(+)의 기울기를 보여야 하며, 감소하는 기울기(마주 오는 교통량을 나타냄)는 거부된다.
   • 겉보기 크기 성장(Apparent Size Growth): 시스템은 바운딩 박스 면적의 변화율을 모니터링한다. 유효한 추월 궤적은 차량이 접근함에 따라 양(+)의 성장을 보여야 하며, 이를 통해 정지된 물체나 멀어지는 차량을 필터링한다.
   • 공간적 확인(Spatial Confirmation): 추적은 차량의 바운딩 박스 우측 가장자리가 설정된 공간 임계값(후방 좌측 설정의 경우 프레임 너비의 55%로 설정)을 통과할 때만 추월 이벤트로 확정된다. 이는 차량이 추월을 구성하기 위해 프레임을 충분히 가로질러 이동했음을 보장한다.

주요 기여

1. 자동화된 탐지 파이프라인: 저자들은 RT-DETR, ByteTrack, 기하학적 검증을 결합한 3단계 시스템을 제시한다. 미시간주 앤아버의 도시 도로에서 수집된 315개의 수동 주석 처리된 실제 추월 이벤트를 통해 검증한 결과, 시스템은 **97.8%의 재현율(recall)과 제로(0)의 허위 양성(false positive)**을 달이트했다.
2. 통행 행동의 정량적 특성화: 자동화된 이벤트 격리를 통해, 초음파 센서 지면 진실(ground truth) 데이터를 바탕으로 96개 이벤트의 측면 통과 거리를 분석하였다. 분석 결과, 33.3%의 추월이 5피트(152.4cm) 미만에서 발생하였으며, 이는 기존의 현장 및 자기 보고 연구와 일치하는 비율이다.
3. 사전 경고 능력: 시스템은 차량 통과 전 평균 2.44초 전에 추월 의도를 식별하였다. 전체 이벤트의 **84.1%**가 인간의 반응 시간 임계치인 1.5초를 초과하였으며, 이는 능동형 자전거 경고 애플리케이션으로서의 실현 가능성을 입증한다.
4. 캘리브레이션이 필요 없는 거리 추정: 본 논문은 바운딩 박스의 기하학적 특징(특히 하단 가장치의 수직 위치와 겉보기 박스 면적)을 통해 명시적인 카메라 캘리브레이션 없이도 측면 통과 거리를 추정할 수 있음을 보여준다. 96개 이벤트에 대한 leave-one-out 교차 검증 하에서, 이 접근 방식은 **약 13~14cm의 평균 절대 오차(MAE)**를 달성하였으며, 이는 근접 추월과 일반 추월을 구분하기에 충분한 수준이다.

결과

• 성능: 시스템은 315개의 지면 진실 이벤트 중 308개를 성공적으로 탐지하였다. 누락된 7개의 탐지는 인접 차선 차량에 의한 폐쇄(57%) 또는 RT-DETR의 간헐적 탐지로 인한 충분한 추적 이력 확보 실패(43%)에 기인하였다.
• 타이밍: 사전 탐지 시간은 0.50초에서 6.30초 사이였으며, 중앙값은 2.40초였다.
• 거리 분석: 측정된 측면 여유 거리는 88.0cm에서 247.0cm 사이였으며, 평균은 169.0cm였다. 분포 분석을 통해 전형적인 도시 환경에서의 통행 행동이 권장 안전 마진 근처에서 작동하며, 상당 부분이 법적 최소치를 밑돌고 있음을 확인하였다.
• 거리 추정: 바운딩 박스 하단 가장치의 수직 위치가 측면 거리의 가장 지배적인 예측 변수였으며(스피어먼 상관계수 $\rho = -0.774$), 그 다음은 바운딩 박스 면적이었다($\rho = -0.567$).

의의 및 주장
본 논문은 이 연구가 계측 장비를 갖춘 자전거 연구의 주요 주석 생성 병목 현상을 해결한다고 주장한다. 소비자급 카메라 영상을 통해 이벤트 격리를 자동화함으로써, 본 시스템은 수동 노력의 비례적 증가 없이 훨씬 더 큰 규모의 데이터 수집 캠페인을 가능하게 한다. 저자들은 이벤트 검증을 기하학적 불변량(방위각 추세, 크기 성장)에 근거하게 함으로써, 도메인 변화에 취약한 외형 기반 학습이나 센서별 캘리브레이션에 의존하지 않는 강건한 탐지 방법을 제공한다고 강조한다.

통과 거리에 관한 연구 결과는 자전거 차선 표시만으로는 운전자의 준법적 행동을 신뢰성 있게 유도할 수 없다는 정량적, 지역 특화적 증거를 제공하며, 이는 단속 강화나 인프라 수정의 필요성을 뒷받침한다. 또한, 예비적인 거리 추정 능력은 값비싼 캘리브레이션 기반 거리 측정 장비 없이도 안전 범주화를 수행할 수 있는 확장 가능한 토대를 제공한다. 저자들은 현재 시스템이 특정 카메라 구성과 주간 조건에 국한되어 있으나, 대규모 데이터셋과 다양한 도시 환경 전반에 걸쳐 차량-자전거 상호작용 분석을 수행할 수 있는 확장 가능하고 모듈화된 기반을 제공한다고 결론짓는다.