2.1 이미지 전처리

차량 전방 카메라로 취득된 영상은 3차원 도로 환경이 2차원 영상 평면으로 투영되는 과정에서 원근 왜곡을 필연적으로 포함한다(Fig. 2). 특히 차선과 같이 평행한 선형 구조물은 원근 효과로 인해 소실점으로 수렴하는 기하학적 변형이 발생하며, 이는 차선 폭이나 내부 결함의 실제 면적을 정밀하게 산출하는 데 있어 주요 오차 요인으로 작용한다^{(Tuohy et al., 2010)}.

이러한 기하학적 왜곡을 보정하기 위해 본 연구에서는 IPM(Inverse Perspective Mapping) 기법을 적용하였다(Fig. 3). IPM은 카메라의 내⋅외부 파라미터(초점거리, 설치 높이, Pitch 및 Yaw 각도 등)를 기반으로 산출된 투영 행렬을 이용하여 원근 좌표계를 실제 도로 평면 좌표계로 재투영하는 기법이다^{(Bertozzi et al., 1998)}. 본 연구에서는 평면 기반 캘리브레이션 알고리즘을 활용하여 호모그래피 행렬을 산출하고 이를 최적화하였다. 이 과정에서 Table 1에 제시된 카메라 파라미터를 적용하여 직선 구간의 차선이 정사영(Top-view) 영상에서 기하학적으로 직선 형태를 유지하도록 왜곡을 최소화하는 수학적 보정을 수행하였다^{(Ueshiba and Tomita, 2003)}. 한편, IPM 변환은 카메라 파라미터 설정에 민감하게 반응하며, Pitch 각도나 설치 높이의 오차가 존재할 경우 차선이 비선형적으로 휘어지거나 공간 비율이 왜곡되는 현상이 발생할 수 있다. Fig. 4는 부정확한 파라미터 적용 시 나타나는 기하 왜곡 사례를 보여준다. 이는 IPM 기반 정량 분석에서 정확한 캘리브레이션의 중요성을 시사한다. 이를 통해 획득된 정사영 영상은 차선의 실제 형상의 기하학적 일관성을 확보하며, 이후 정량적 물리적 결함 분석을 위한 신뢰성 있는 기초 데이터로 활용된다.

다만 IPM 변환 과정에서 유효 화각(Field of View)을 벗어나는 영상 하단 양측 영역에는 비활성 공백이 발생하며, 이는 픽셀 단위 기반 분석 시 데이터 불연속성을 유발할 수 있다. 이에 본 연구에서는 유효 데이터가 존재하는 영역으로 분석 범위를 제한하는 관심 영역(ROI, Region of Interest) 설정 단계를 추가함으로써 불필요한 연산 부하를 줄이고 데이터의 연속성과 분석 안정성을 확보하였다.

Fig. 2. Original front-view road image captured by the vehicle-mounted camera

Fig. 3. IPM-corrected top-view image

Fig. 4. Distorted top-view image under inaccurate IPM calibration

2.2 AI 기반 노면표시 탐지

노면표시 상태 평가를 이미지 전체 영역에 대해 수행할 경우, 배경 노이즈로 인한 분석 정확도 저하와 함께 데이터 처리량 증가에 따른 계산 비효율 문제가 발생할 수 있다. 따라서 정밀한 상태 분석에 앞서 분석 대상 영역을 선별하는 AI 기반 객체 탐지 과정이 필수적으로 요구된다.

객체 탐지 기법은 일반적으로 Bounding Box 기반의 위치 추론 방식과 픽셀 단위 분할을 수행하는 세그멘테이션 방식으로 구분된다. 세그멘테이션 기법은 대상의 외곽 형상을 정밀하게 추출할 수 있다는 장점이 있으나, 대규모 학습데이터 구축 시 세밀한 픽셀 단위 라벨링이 요구되며 상대적으로 높은 계산 자원이 필요하다. 이에 따라 실시간 처리가 요구되는 차량 기반 환경에서는 계산 효율성에 대한 고려가 필요하다.

세그멘테이션 기반 접근의 적용 가능성을 검토한 결과, 충분한 해상도와 학습데이터가 확보될 경우 차선 외곽 및 일부 내부 손상에 대한 분할 성능 향상이 기대될 수 있다. 다만, 차선 내부의 미세 균열 및 국부적 박리와 같은 소규모 결함을 안정적으로 분할하기 위해서는 고해상도 영상과 정교한 픽셀 단위 주석 데이터가 요구된다. 이러한 특성은 데이터 구축 및 운용 측면에서 추가적인 자원 투입을 필요로 하며, 차량 기반 대규모 실무 적용 환경에서는 효율성 측면의 고려가 요구된다.

이에 본 연구에서는 정사 변환된 영상 환경에서 탐지 정확도와 처리 속도를 동시에 확보하기 위해 YOLOv8 모델을 채택하였다. YOLOv8은 기존 YOLO 계열 대비 탐지 성능(mAP)과 추론 속도가 크게 향상된 모델로, C2f(Cross Stage Partial Bottleneck with two convolutions) 모듈과 Task-aligned Predictor 구조를 통해 경계 박스 예측의 정밀도를 개선하였다. 이러한 구조적 특징은 차선과 같은 세장형 객체 탐지에 특히 적합하며, Anchor-free 방식을 적용함으로써 복잡한 도로 환경에서도 유연한 객체 국지화가 가능하다^{(Wu et al., 2024}).

2.3 물리적 결함 분석

YOLO 모델을 통해 탐지된 차선 영역은 사각형 형태의 Bounding Box로 정의되며, 해당 영역에는 실제 차선 도료뿐만 아니라 인접한 노면 포장 영역이 함께 포함된다(Fig. 5). 차선 내부의 정량적 결함률을 정확히 산출하기 위해서는 도료 영역과 포장 영역을 정밀하게 분리하는 과정이 필수적이다. 이를 위해 본 연구에서는 다단계 영상처리 기반의 정밀 분리 기법을 적용하였다.

먼저 Fig. 6과 같이 탐지된 차선 영역을 추출하고 차선 도료와 포장면 간의 대비를 극대화하기 위해 LAB 색공간 기반의 CLAHE를 적용하였으며, 이후 그레이스케일 변환과 적응형 이진화를 통해 도료 영역을 분리하였다. 또한 형태학적 연산을 통해 일정 크기 이하의 픽셀 집합을 노이즈로 제거함으로써 분석 데이터의 신뢰성을 확보하였다.

이후 정확한 차선 기하학적 영역을 정의하기 위해 Canny Edge 검출을 통해 윤곽선을 추출하고, Harris Corner 탐지를 수행하여 도료 영역의 특징점을 식별하였다. 검출된 코너점들 간의 유클리드 거리를 기반으로 차선의 최외곽 4개 정점을 선정하였으며, 포장과 도로 경계에서 발생하는 미세 외곽 노이즈를 완화하기 위하여 다양한 보정 비율에 대한 반복 실험을 수행하였다. 그 결과 가로 방향 10% 및 세로 방향 1%를 차선 중앙 방향으로 이동하는 것이 가장 안정적인 영역 추정 결과를 보였다. 이를 연결하여 다각형 형태의 실제 차선 영역을 정의하였다(Fig. 7). 정의된 차선 영역 내에서 이진화된 결함 픽셀과 도료 픽셀을 구분하였으며, 최종적인 물리적 결함률($R_{det}$)은 차선 영역 내 결함 픽셀 수($P_{det}$)와 전체 픽셀 수($P_{total}$)의 비율로 산출하였다(식 (1)).

이와 같은 분석 방식은 기존의 외곽선 기반 마모 평가를 넘어 차선 내부의 미세 균열 및 물리적 결손까지 정량적으로 분석할 수 있다는 장점을 지닌다. 또한 산출된 결과는 데이터 테이블 형태로 정리되어 Excel 모듈과 연동되며, 이를 통해 차선 품질에 대한 종합적인 평가 및 관리가 가능하다.

Fig. 5. Results of pavement marking detection using the YOLOv8 model

Fig. 6. Extracted bounding box region for pavement marking analysis

Fig. 7. Pavement marking deterioration region within the detected bounding box

3.1 분석 환경

본 연구의 성능 평가 및 알고리즘 구현을 위한 실험 환경은 Table 2과 같다. 연구에 사용된 영상 데이터는 실제 주행 환경에서 노면 상태를 안정적으로 취득할 수 있도록 차량 내부 전방에 장착된 카메라를 통해 수집하였다. 데이터 분석을 위한 연산 장치는 AMD Ryzen 7 5800X3D CPU와 DDR4 16GB RAM, 그리고 딥러닝 기반 객체 탐지 및 추론 속도를 확보하기 위해 RTX 3060 Ti GPU를 탑재한 워크스테이션을 사용하였다.

실험 구현을 위한 소프트웨어 환경은 Python 3.10 인터프리터를 기반으로 구축하였다. 딥러닝 모델의 학습 및 실시간 추론을 위해 Ultralytics 기반 YOLOv8 프레임워크를 적용하였으며, IPM 변환과 정밀 특징 추출 등 영상처리 알고리즘 구현에는 OpenCV 라이브러리를 활용하였다. 또한 데이터 전처리 및 분석 과정의 효율성을 높이기 위해 Scikit-learn 라이브러리를 사용하였다. 더불어 산출된 결함 분석 결과의 정합성을 검증하고 유지관리 활용성을 제고하기 위해 Microsoft Excel 기반의 자동 데이터 추출 및 정리 모듈을 연동하였다. 이를 통해 분석 결과의 시각화와 체계적인 데이터 관리가 가능하도록 구성하였다.

3.2 노면표시 데이터

본 연구에서는 공공 데이터 플랫폼 AI-Hub에서 제공하는 “고해상도 도로노면 이미지 데이터” 2,000장을 활용하였다. 전체 데이터는 학습, 검증, 테스트 세트로 각각 7:2:1 비율로 분할하였으며, 사전 학습된 가중치를 기반으로 전이 학습을 수행하였다. 세부 학습 파라미터는 Table 3에 정리하였다. 모델의 과적합을 방지하고 학습 효율을 향상시키기 위해 조기 종료(Early Stopping) 기법을 적용하였으며, 검증 손실이 일정 에포크(epoch) 동안 개선되지 않을 경우 학습을 자동으로 종료하도록 설정하였다. 또한 YOLO 모델을 통해 탐지된 차선 바운딩 박스 좌표를 사전에 정의된 ROI 범위 내로 필터링함으로써 유효 분석 영역 외에서 발생하는 오탐을 제거하고, 연산 부하를 최소화하여 분석의 정밀도를 향상시켰다.

3.3 탐지 성능 평가

객체 탐지 성능 평가는 Confusion Matrix 기반의 지표를 활용하였으며, 본 연구에서는 차선 영역 검출 성능을 종합적으로 판단하기 위해 mAP(mean Average Precision)를 핵심 평가 지표로 설정하였다.

성능 평가 결과, 본 연구에서 적용한 YOLOv8 모델은 약 90.3%의 mAP를 기록하였다. 테스트 데이터에는 일반도로 및 고속도로 구간, 아스팔트 및 콘크리트 포장 등 배경 요소가 상이한 도로 환경이 포함되어 있으며, 이러한 조건에서 산출된 mAP는 다양한 실제 도로 환경에서도 차선 영역을 안정적으로 검출할 수 있음을 시사한다. 이는 이후 단계에서 수행되는 물리적 결함 분석을 위한 차선 영역 추출 성능으로 활용 가능함을 확인한 결과이다.

3.4 결함률 분석 성능 평가

3.4.1 소규모 테스트베드 구축

제안한 물리적 결함 분석 알고리즘의 정밀도를 정량적으로 검증하기 위해 Fig. 8과 같이 소규모 테스트베드를 구축하였다. 실험 결과의 신뢰성과 반복 가능성을 확보하기 위해, 노면 상태가 양호하고 물리적 결함이 존재하지 않는 신규 도색 구간을 대상지로 선정하였다. 해당 구간은 외부 환경 요인에 의한 자연 마모가 발생하지 않은 상태로, 인위적으로 생성한 결함의 영향만을 독립적으로 평가할 수 있다는 장점이 있다.

선정된 구간에 대해 차선의 실제 길이와 폭을 정밀 실측하여 기준 차선 면적($A_{total}$)을 산출한 후, 실제 도로 환경에서 빈번하게 관찰되는 균열 및 박리 형태를 모사하여 인위적인 물리적 결함을 생성하였다(Fig. 9). 각 결함에 대해서는 실제 면적($A_{det}$)을 개별적으로 측정하여 기록하였으며, 이를 바탕으로 차선 전체 면적 대비 실제 물리적 결함률($R_{GT}$)을 산출하였다(식 (2)). 이후 단일 결함뿐만 아니라 복합 결함 상황을 고려하기 위해 다양한 결함 유형과 면적 비율을 조합하여 차선에 적용함으로써, 알고리즘의 범용성과 강건성을 평가할 수 있도록 실험 조건을 구성하였다.

(2)

$R_{GT}(\%) = \frac{A_{det}}{A_{total}} \times 100$

인위적으로 제작된 물리적 결함이 적용된 대상 구간에 대해 전방 카메라가 장착된 도로 조사 차량을 이용하여 동일 노선을 반복 주행하며 영상 데이터를 취득하였다. 이 과정에서 차량 주행 속도와 촬영 각도의 변화를 최소화하여 촬영 조건을 최대한 동일하게 유지하였으며, 취득된 영상 데이터는 제안 알고리즘의 성능 검증을 위한 물리적 결함률의 데이터로 활용하였다.

Fig. 8. Overview of the constructed small-scale testbed

Fig. 9. Examples of artificially generated deterioration

Fig. 10. Experimental setup and testbed driving experiment

3.4.2 결함률 분석 성능 비교

구축된 소규모 테스트베드 주행 영상을 대상으로 제안한 물리적 결함 분석 알고리즘을 적용하고, 알고리즘을 통해 산출된 결함률과 실제 실측된 결함 면적을 기반으로 계산된 물리적 결함률을 비교하여 분석 정확도를 평가하였다(Fig. 10). 정확도는 실제 결함률 대비 알고리즘 분석 결과의 일치 정도를 기준으로 산정하였다.

실험 결과, 제안된 알고리즘은 실제 결함 면적 대비 평균 86.4%의 분석 정확도를 나타냈다. 한편, Table 4에는 테스트베드 구간에서의 대표적인 물리적 결함 분석 결과를 예시로 제시하였다. 이는 Harris Corner 기반의 차선 영역 보정 기법과 픽셀 단위 밀도 분석 방법이 차선 외곽 경계뿐만 아니라 내부에 발생한 미세 균열 및 박리 현상까지 효과적으로 반영하고 있음을 의미한다(Fig. 11∼14). 특히, 단순한 차선 폭 감소나 외곽선 마모에 국한된 기존 분석 방식과 비교할 때, 차선 내부의 물리적 결손을 정량적으로 평가할 수 있다는 점에서 의미 있는 결과라 할 수 있다.

또한 본 기법은 기존 재귀반사도 측정 방식과 병행하여 활용될 수 있으며, 영상 기반 분석을 통해 차선 표면의 물리적 손상 상태에 대한 추가 정보를 제공할 수 있다. 이는 정밀 계측을 대체하기 위한 수단이 아니라, 최근 자율주행 및 ADAS 기술의 발전과 함께 영상 정보 기반 인식의 중요성이 확대되는 환경에서 유지관리 의사결정 과정에서 참고 가능한 보조 지표로 기능할 수 있다는 점에서 실무적 의의를 가진다. 나아가 기존 재귀반사도 정보와 연계될 경우, 종합적인 차세대 차선정보관리시스템 구축에 기여할 수 있을 것으로 판단된다.

한편, 적용 과정에서 다음과 같은 한계가 관찰되었다. 일부 구간에서는 차량 주행 중 발생하는 진동에 따른 영상의 모션 블러 현상과 영상 촬영 장비의 미세한 기울어짐에 따라 영상의 품질이 저하되어 차선 형상이 왜곡되었으며, 이로 인해 직선 기반 다각형 근사 과정에서 인접 포장 영역이 일부 포함되는 오차가 발생하였다. 또한, 인위적으로 물리적 결함을 생성하고 차선 면적을 실측하는 과정에서 측량 오차가 일부 존재할 가능성이 있다.

본 연구는 주로 주간 및 양호한 기상 조건에서 취득된 데이터를 기반으로 수행되었으므로, 야간, 우천, 안개 및 저조도 환경과 같은 다양한 실제 도로 환경에서의 적용 가능성에 대해서는 추가적인 검증이 필요하다. 특히 저조도 환경에서는 영상 노이즈 증가와 명암 대비 저하로 인해 결함 영역 추정 정확도가 감소할 가능성이 있으며, 우천 환경에서는 노면 반사 및 수막 현상으로 인해 차선 경계 인식 성능 저하될 수 있다.

또한 본 연구의 실험은 직선 구간의 차선을 중심으로 수행되었으며, 곡선 구간이나 분기 구간과 같이 복잡한 기하 형상을 갖는 노면표시에 대한 적용 가능성은 충분히 검증되지 않았다. Bounding Box 기반 객체 탐지 및 직선 기반 다각형 근사 방식은 곡률이 큰 차선 또는 형상이 불규칙한 구간에서 영역 추정 정확도가 저하될 가능성이 존재한다.

아울러 평균 86.4%의 결함률 분석 정확도에 대해, 결함 유형별 오차 특성에 대한 세부 분석은 충분히 수행되지 못하였다. 향후 연구에서는 균열형, 박리형, 복합 결함 등 유형별 오차 발생 경향을 체계적으로 분석함으로써 알고리즘의 취약 구간을 보다 명확히 규명할 필요가 있다.

이러한 한계는 향후 영상 안정화 기법의 도입, 차선 경계의 곡률 특성을 고려한 영역 모델링 방식의 적용, 그리고 다양한 환경 조건에서의 추가 실험을 통해 개선 가능할 것으로 판단된다.

Table 4. Representative results of deterioration analysis on the testbed

Case	Ground-Truth deterioration area [$cm^2$]	Ground-Truth pavement marking area [$cm^2$]	Ground-Truth deterioration rate [%]	Estimated deterioration rate [%]	Accuracy [%]
1	150	6460	2.32	2.25	96.98
2	250	6460	3.87	4.17	92.25
3	750	6120	12.25	12.03	98.2

Fig. 11. Result of cropping the detected bounding box region

Fig. 12. Result of applying Harris corner detection

Fig. 13. Result of extracting the outermost points

Fig. 14. Result of pavement marking deterioration analysis