• 본 인공지능 학습 데이터셋 구축은 고속도로 CCTV 영상 내 차량 속도와 교통량을 자동으로 측정하는 AI기반 영상VDS 개발에 활용을 목표로 함

• 고속도로 교통량 자동 측정 기술, 교통흐름 분석 및 기존 교통 정보 수집 체계 계선

• 고속도로 CCTV 영상 내 차량 속도와 교통량을 자동으로 측정하는 AI기술 개발을 위한 인공지능 학습 데이터 구축을 위해 전국 50개 지점의 고속도로 영상 데이터를 수집하고 50만장의 이미지 데이터를 정제하여 가공(어노테이션)을 수행함
   

• 데이터 규모 : 총 505시간 동영상 및 학습 데이터 50만 장 이미지 
• 학습 데이터 형태
  ① Bounding Box (Detection) 이미지 : 30만 장
  ② Segmentation 이미지 : 20만 장
• 차종분류 : car, truck 및 bus 3종 (car는 suv, van, 픽업트럭을 포함한 가정에서 운용 가능한 승용차량을 모두 포함)
• 가공형태별 세부사항
   

  구축 내용 및 제공 데이터량 표

  가공형태			Bounding Box	Polygon
  이미지 수			30만장	20만장
  CCTV 수			50개 지점
  첨두 구간 비율			14.77%
  시간대 분포	동틈(06:00~08:59)		9.67%	9%
  	주간(09:00~17:00)		67.99%	68.45%
  	야간(17:01~06:00)		22.34%	22.55%
  차로 분포		단방향 2차선	7.14%	7.98%
  		단방향 5차선	17.75%	15.43%
  		왕복 2차선(총4차선)	46.27%	47.56%
  		왕복 3차선(총6차선)	22.81%	23.66%
  		왕복 5차선(총10차선)	6.03%	5.37%
  도로 형태 분포		일반	60.25%	59.32%
  		교량	34.62%	34.91%
  		터널	5.13%	5.77%
  날씨 분포		맑음	79.36%	87.66%
  		비	12.63%	7.45%
  		안개	4.5%	2.36%
  		눈	3.17%	2.19%
  		식별불가(터널내부)	0.34%	0.34%

• 영상기반 교통흐름분석을 위한 도로객체 검출/분할용 학습데이터는 국외 도로환경에서 제작된 일부 데이터만 존재하며, 국내 도로환경의 데이터는 전무하여 정확한 교통흐름 분석(속도 및 교통량) 기술개발이 불가능
• 특히, 영상기반 속도추정을 위한 GT데이터는 존재하지 않음
• AI 교통 서비스를 위한 AI 모델이 대규모 영상 데이터를 필요로 함에 따라, 교통안전 AI 경쟁력 강화를 위해서는 본 사업을 통해 실수요 기반의 AI 데이터 구축 필요
• 또한, 국내의 경우, 데이터셋 부족할 뿐만 아니라, 국내 수요처(한국도로공사, 지자체, AI 서비스 기업)가 필요로 하는 AI 데이터의 부족으로 AI 데이터구축 사업을 통한 경쟁력 강화가 절실

• 1. Bounding Box 어노테이션 포맷
   

  Bounding Box 어노테이션 포맷 표

  항 목	설 명	xml에 입력된 어노테이션 데이터 예시
  <name>	이미지 가공 작업의 이름, 메타데이터가 적용된 동영상 파일 이름과 같음	<name>Suwon_CH01_20200720_1700_MON_9m_NH_highway_TW5_ sunny_FHD</name>
  <label>	객체(Class)정보 정의	<labels> <label><name>car</name></label> <label><name>truck</name></label> <label><name>bus</name></label> </labels>
  <image>	가공 대상인 원천 이미지 데이터 파일명 및 해상도 등의 정보 정의	...(중략)... <image id="0" name="Suwon_CH01_20200720_1700_MON_9m_NH_highway_TW5_ sunny_FHD_001.png" width="1080" height="1920" ...(중략)...
  <box>	이미지 위에 가공된 바운딩박스 객체의 정보, 라벨 정보와 box의 좌측 상단, 우측하단 좌표 정보를 포함	...(중략)... <box label="car" occluded="0" xtl="507.64" ytl="747.49" xbr="582.19" ybr="798.56" z_oreder="3"></box> ...(중략)...

• 2. Polygon Segmentation 어노테이션 포맷
   

  Polygon Segmentation 어노테이션 포맷 표

  항 목	설 명	xml에 입력된 어노테이션 데이터 예시
  <name>	이미지 가공 작업의 이름, 메타데이터가 적용된 동영상 파일 이름과 같음	<name>Suwon_CH01_20200721_1500_TUE_9m_NH_highway_TW5_ sunny_FHD</name>
  <label>	객체(Class)정보 정의	<labels> <label><name>car</name></label> <label><name>truck</name></label> <label><name>bus</name></label> </labels>
  <image>	가공 대상인 원천 이미지 데이터 파일명 및 해상도 등의 정보 정의	...(중략)... <image id="0" name="Suwon_CH01_20200721_1500_TUE_9m_NH_highway_TW5_ sunny_FHD_001.png" width="1080" height="1920" ...(중략)...
  <polygon>	이미지 위에 가공된 바운딩박스 객체의 정보, 라벨 정보와 polygon 다각형을 구성하는 다수의 점 좌표 정보들을 포함	...(중략)... <polygon label="car" occluded="0" points="68.25,669.14; 71.65,666.36;76.59,665.75;81.23,665.44; 86.17,665.13;89.57,665.13;89.57,668.22;92.35,670.07; ...(중략)...68.25,669.14" z_order="35"></polygon> ...(중략)...

• 3. 1분단위 영상 메타데이터 정보(json 포맷)

수행기관(주관) : 라온피플

수행기관(참여)