우리나라에서 매년 발생하는 교통사고는 무려 20만 건. 지금 이 시간에도 고속도로에서는 셀 수 없이 사고가 일어나고 있다. 고속도로에서 한번 사고가 발생하면 사고가 났을 때 보험회사의 차량이 출동하기 전까지는 과실 비율을 바로 산정할 수 없다는 문제도 있다. 그 전까지 교통이 정체되는 혼란이 빚어지는 것이다. 만약 보험회사가 출동하는데 걸리는 시간인 5~10분보다 빠르게 오프라인에서 간단하게 과실을 확인할 수 있다면, 이로 인한 피해가 줄어들 것이라 생각했고 따라서 OpenCV를 이용해 블랙박스의 영상을 분석해보기로 하였다.
영상 분석을 하기 위해 영상을 프레임 단위로 분리하여 저장하였다
def frame(filename, portal): #(파일 경로, 저장 경로)
vid=cv2.VideoCapture(filename) #비디오 보기
count=0
while True:
yes, image=vid.read() #영상을 사진 단위로 받아오기
if not yes: #영상이 끝나면
break
count+=1
cv2.imwrite(portal+'/'+str(count)+'.png',image) #지정된 경로에 저장
if count==200:
breakCanny edge 알고리즘을 이용해 차선을 검출하였다
def doit(inf,newmap,frcount,ROI_range):
chaseon=[]
for i in range(1,frcount+1):
start_time=time.time()
image = cv2.imread(newmap+"/"+str(i)+'.png') # 이미지 읽기
height, width = image.shape[:2] # 이미지 높이, 너비
gray_img = grayscale(image) # 흑백이미지로 변환
blur_img = gaussian_blur(gray_img, 3) # Blur 효과
canny_img = canny(blur_img, 50, 160) # Canny edge 알고리즘
vertices = np.array([ROI_range], dtype=np.int32)
ROI_img = region_of_interest(canny_img, vertices)
line_arr = hough_lines(ROI_img, 1, 1 * np.pi/180, 30, 10, 20) # 허프 변환 #[x1, y1, x2, y2]
line_arr = np.squeeze(line_arr)
# 기울기 구하기
slope_degree = (np.arctan2(line_arr[:,1] - line_arr[:,3], line_arr[:,0] - line_arr[:,2]) * 180) / np.pi
# 수평 기울기 제한
line_arr = line_arr[np.abs(slope_degree)<160]
slope_degree = slope_degree[np.abs(slope_degree)<160]
# 수직 기울기 제한
line_arr = line_arr[np.abs(slope_degree)>95]
slope_degree = slope_degree[np.abs(slope_degree)>95]
# 필터링된 직선 버리기
L_lines, R_lines = line_arr[(slope_degree>0),:], line_arr[(slope_degree<0),:]
L_lines, R_lines = L_lines[:,None], R_lines[:,None]
for j in L_lines:
for k in j:
for l in k:
l=int(l)
for j in R_lines:
for k in j:
for l in k:
l=int(l)
temp1=[list(j) for j in L_lines]+[list(j) for j in R_lines]
rrealtemp=[]
temp2=[]
for j in temp1:
for k in j:
for l in k:
rrealtemp.append(int(l))
temp2.append(rrealtemp)
rrealtemp=[]
chaseon.append(temp2)
if i==1 or inf[0]//10*10%i==0:
k=(frcount-i)*(time.time()-start_time)/(i)
print(k,"초 정도 남았습니다")
return chaseon #3차차량 전방의 RGB 평균값이 급격하게 변하는 시점이 사고 시점이라 판단하였다. 전방에 차선에 접하는 사다리꼴 영역을 만들고, 그 영역 내의 RGB 평균값을 계산하였다.
def hoit(search_range,newmap,av,inf):
left_count=0
right_count=0
start=av[1] #처음 내 앞의 상
for i in range(1,inf[0]+1):
av=SAM_572(search_range,newmap,av,i)
if sub(av[i][0][0],start[0][0])+sub(av[i][0][1],start[0][1])+sub(av[i][0][2],start[0][2])>=40: #BGR 값의 변화
left_count+=1
if sub(av[i][1][0],start[1][0])+sub(av[i][1][1],start[1][1])+sub(av[i][1][2],start[1][2])>=40: #BGR값의 변화
right_count+=1
if sub(av[i][0][0],start[0][0])+sub(av[i][0][1],start[0][1])+sub(av[i][0][2],start[0][2])<40 and left_count!=0:
left_count=0
if sub(av[i][1][0],start[1][0])+sub(av[i][1][1],start[1][1])+sub(av[i][1][2],start[1][2])<40 and right_count!=0:
right_count=0
if left_count==5:
return ('left',i)
if right_count==5:
return ('right',i)
return ('no',0)def analcoc(chaseon):
count=0
for j in chaseon:
for i in j:
if i==[]:
continue
a=gradient(i)
if abs(a)>math.tan(1.48): #차선의 기울기가 85도를 넘어가면
count+=1
if count==5: #5프레임 이상 지속되면
return 'yes'
return 'no' #차선 변경이 없었다def judge(information,cs,direc): #cs(내 차량),direc(상대방 차량)=left or right or no
if '합류도로를 통해 합류 중' in information[2]:
return information+[501,70,30]
if '합류되어 사라지는 도로 주행중' in information[2]:
return information+[502,60,40]
if direc=='no' and '갓길 주행' in information[3]: #뒷차와 앞차의 차선이 같았고 갓길을 주행한 경우
return information+[506,0,100]
elif direc=='no':
return information+[507,0,100]
if cs=='no' and direc=='right':
return information+[503,80,20]
if cs=='no' and direc=='left':
return information+[504,70,30]사용자에게 결과를 글과 그래프로 시각화하여 보여준다
def show(information): #information=[영상_경로, 앞차인지_뒷차인지, 앞차_특징, 뒷차_특징, 앞차_추가_과중, 뒷차_추가_과중, 사건유형번호, 앞차_과실비율, 뒷차_과실비율]
front_fault=information[4]+information[7] #입력받은 앞, 뒷차의 특징을 바탕으로 최종 과실 비율 계산
rear_fault=information[5]+information[8]
if front_fault>=100:
front_fault=100
rear_fault=0
elif rear_fault>=100:
rear_fault=100
front_fault=0- 정현서 HyunSeo Jung, @BSS / hsjung02@Github
- 정상 Sang Jung, @BSS / withsang@Github