Data collection from highways: a geometric, class-agnostic approach to embedded vehicle counting

당신이 번잡한 고속도로에 서서 1분 동안 얼마나 많은 자동차가 지나가는지 세려고 노력하고 있다고 상상해 보십시오. 교통 공학의 세계에서 이 숫자를 아는 것은 도시의 심장 박동을 아는 것과 같습니다. 이는 계획가들이 어디에 새로운 도로를 건설할지 또는 교통 신호의 타이밍을 어떻게 조절할지를 결정하는 데 도움을 줍니다. 수십 년 동안 이를 수행하는 가장 똑똑한 방법은 "딥러닝" 컴퓨터를 사용하는 것이었습니다. 즉, "자동차", "버스", 또는 "트럭"과 같은 특정 형태를 인식하도록 훈련된 디지털 두뇌를 사용하는 것입니다. 이 시스템은 차량을 식별하고, 경로를 추적하며, 숫자를 세는 아주 관찰력이 뛰어난 보안 요원과 같습니다. 하지만 이 디지털 두뇌에는 큰 문제가 있습니다. 바로 자신이 배운 것만 알 수 있다는 점입니다. 만약 이상한 농기계, 떨어진 화물 더미, 또는 당나귀가 끄는 수레가 지나간다면, 컴퓨터는 그것들을 보도록 훈련받지 않았기 때문에 혼란에 빠질 수 있습니다. 게다가 이 스마트한 컴퓨터들은 전기를 많이 소모하며 실행을 위해 강력하고 비싼 하드웨어가 필요하기 때문에, 도로 옆 단순한 전봇대에 설치하기 어렵습니다.

이 논문은 훨씬 더 단순한 접근 방식을 탐구합니다. 즉, 물체가 무엇인지를 인식하려고 노력하는 대신, 단지 무언가가 움직이고 있다는 사실을 알아차리는 것입니다. 이 시스템은 도로를 거대한, 보이지 않는 '트립와이어(tripwire, 발을 헛디디면 울리는 장치)'처럼 취급합니다. 그림자나 움직이는 덩어리가 특정 선을 가로지르면, 그것을 차량으로 카운트합니다. 저자들은 이를 "클래스 불가지론적(class-agnostic)" 접근 방식이라고 부르는데, 이는 대상의 클래스나 유형에 상관하지 않고 오직 움직임에만 관심을 갖는다는 의미입니다. 이들이 다루는 핵심 질문은 이것입니다. 아주 작은 저렴한 컴퓨터(예: 라즈베리 파이)에서도 돌아갈 만큼 단순하면서도, 학습 데이터 없이 작동하고, 여전히 제 역할을 해낼 수 있는 카운팅 시스템을 만들 수 있을까? 그들은 때때로 가장 단순한 기하학적 기술이 복잡하고 에너지를 많이 소비하는 AI보다 더 나을 수 있으며, 특히 아직 보지 못한 것을 카운트해야 할 때 더욱 그렇다고 주장합니다.

보이지 않는 트립와이어: 정체를 모르는 상태에서 자동차 세기

이 논문의 저자들은 자동차를 세기 위한 고도의 기술적인 "스마트"한 방식에서 한 걸음 물러나기로 했습니다. 자동차를 인식하도록 배우는 디지털 두뇌를 만드는 대신, 그들은 다리 위에 서 있는 매우 단순하고 매우 빠른 경비원처럼 작동하는 시스템을 만들었습니다. 이 경비원은 지나가는 것이 자동차인지, 트럭인지, 아니면 거대한 로봇인지 신경 쓰지 않습니다. 그저 무언가가 특정 선을 가로질러 움직이는지만 신경 쓸 뿐입니다.

"보이지 않는 선"의 마법
당신이 떨어지는 물체를 잡아야 하는 비디오 게임을 하고 있다고 상상해 보십시오. 보통은 모든 물체를 먼저 식별하려고 할 것입니다. 하지만 이 논문은 더 단순한 기술을 제안합니다. 그냥 화면에 선을 하나 긋는 것입니다. 만약 무엇이든 그 선을 가로지르면, 버튼을 누릅니다. 현실 세계에서 이 "선"은 "가상 루프(virtual loop)"라고 불리는 소프트웨어 조각입니다. 이는 도로 아래 묻혀 있는 구식 금속 루프가 교통 신호를 작동시키는 것과 비슷하지만, 아스팔트에 묻히는 대신 카메라 화면 위에 그려집니다.

시스템은 세 가지 간단한 단계로 작동합니다:

1. 배경: 카메라는 빈 도로가 어떻게 생겼는지 학습합니다.
2. 차이: 현재의 사진을 빈 도로와 비교합니다. 만약 차이가 있다면(움직이는 자동차가 있다면), 이를 검은 화면 위의 흰색 "덩어리(blob)"로 강조합니다.
3. 카운트: 그 흰색 덩어리가 보이지 않는 선에 닿는지 확인합니다. 닿는다면, 하나로 카운트합니다.

여기서 천재적인 점은 시스템이 결코 "저것이 자동차인가?"라고 묻지 않는다는 것입니다. 그저 "무언가가 선을 가로질러 움직였는가?"라고 물을 뿐입니다. 이는 시스템이 자동차, 소, 또는 쓰레기 더미를 카운트할 때 그들이 무엇처럼 보이는지 배울 필요가 없음을 의미합니다.

도로 위의 두 가지 규칙
연구진은 이 카운팅을 정확하게 만들기 위해 두 가지 서로 다른 방법을 테스트했습니다.

• 규칙 #1: 속도 추측. 첫 번째 방법은 모든 자동차가 대략 비슷한 속도로 움직인다고 가정합니다. 그들은 비디오의 한 프레임 동안 자동차가 이동할 것으로 예상되는 거리에 맞춰 보이지 않는 선의 너비를 설정합니다. 만약 자동차가 예상보다 느리게 달리면, 선에 두 프레임 동안 머물 수 있고, 시스템은 실수로 이를 두 번 카운트할 수도 있습니다. 수학적 계산에 따르면 이 방법은 자동차가 정상 속도로 달릴 때 약 **86%**의 정확도를 보일 것입니다. 좋은 추측이지만 완벽하지는 않습니다.
• 규칙 #2: 자기 조정 지도. 두 번째 방법은 더 똑똑합니다. 움직이는 자동차의 덩어리를 관찰하여 스스로 차선을 파악합니다. 그런 다음 각 차선에 대해 별도의 보이지 않는 선을 그립니다. 자동차가 차선의 선 안으로 들어오면, 시스템은 그 자동차가 선을 완전히 벗어날 때까지 기다렸다가 카운트합니다. 이를 통해 "중복 카운트" 실수를 방지합니다. 이 방법은 보너스 기능도 제공합니다: 자동차가 선을 통과하는 데 걸리는 시간을 측정함으로써, 시스템은 자동차의 속도를 추측할 수 있습니다.

실제 환경 테스트: 작은 컴퓨터, 큰 결과
팀은 이러한 아이디어들을 라즈베리 파이와 같은 싱글 보드 컴퓨터(SBC)라는 작고 저렴한 컴퓨터에서 테스트했습니다. 이것들은 신용카드 크기이며 비용도 매우 저렴하지만, 성능이 뛰어나지는 않습니다.

그들은 이 단순한 "트립와이어" 방식과 모든 자동차의 경로를 추적하려고 시도하는 더 복잡한 방식(마치 비디오 게임 캐릭터처럼)을 비교했습니다. 결과는 놀라웠습니다:

• 표준 데스크톱 컴퓨터에서, 복잡한 추적 방식은 느리고 자주 혼란에 빠졌습니다.
• 작은 라즈베리 파이에서, 복잡한 방식은 처참하게 실패하여 자동차의 **37.5%**만을 제대로 카운트했습니다. 너무 느려서 비디오 품질을 너무 낮춰야 했고, 그 결과 자동차를 볼 수 없게 되었습니다.
• 그러나 단순한 "트립와이어" 방식은 실시간보다 빠르게 작동했으며, 자동차의 **91%**를 정확하게 카운트했습니다.

함정: "해상도 무릎"과 "프레임 레이트 바닥"
논문은 또한 디지털 카메라의 물리 법칙과 같은 몇 가지 한계를 발견했습니다.

• 해상도 무릎 (The Resolution Knee): 만약 비디오 화면이 너무 작으면(가로 약 200 픽셀 미만), 시스템이 작동을 멈춥니다. 움직이는 자동차들이 너무 작아져서 컴퓨터가 노이즈와 구분할 수 없게 됩니다. 하지만 화면이 충분히 커지고 나면, 더 크게 만든다고 해서 큰 도움이 되지 않으며 오히려 컴퓨터 자원만 낭비하게 됩니다.
• 프레임 레이트 바닥 (The Frame Rate Floor): 만약 카메라가 초당 사진을 너무 적게 찍으면(초당 5 프레임 미만), 자동차가 보이지 않는 선을 "점프"하여 건너뛰게 됩니다. 자동차가 너무 빨리 움직여서 첫 번째 사진에서는 선의 한쪽에 있었는데 두 번째 사진에서는 이미 반대편으로 넘어가 버려, 중간에 선에 닿은 적이 없는 상황을 상상해 보십시오. 시스템은 이를 완전히 놓치게 됩니다. 카메라가 사진을 충분히 빠르게 찍지 못한다면, 어떤 스마트한 소프트웨어도 이를 해결할 수 없습니다.

이것이 왜 중요한가
저자들은 "스마트"한 AI 탐지기가 돈과 전력이 많을 때는 훌륭하지만, 항상 적절한 도구는 아니라고 결론짓습니다. 만약 당신이 특이한 물체(예: 농기계)를 카운트해야 하거나, 컴퓨터를 훈련시킬 데이터가 없거나, 혹은 작은 태양광 배터리로 작동하는 센서가 필요하다면, 이 단순한 기하학적 방법이 승자입니다. 이것은 모든 상황에서 가장 정확해지는 것에 관한 것이 아닙니다. 어디서나 제 역할을 할 수 있도록 신뢰할 수 있고, 저렴하며, 어디서든 실행 가능하게 만드는 것에 관한 것입니다.

결국, 이 논문은 때때로 복잡한 문제를 해결하는 가장 좋은 방법이 더 똑똑한 뇌를 만드는 것이 아니라, 더 단순하고 정직한 함정을 만드는 것임을 보여줍니다.