거리영상과 딥러닝을 활용한 물리적 보행환경과 인지적 보행환경 평가 (Comparison of Physical and Perceived Walking Environment using Street View Images and Deep Learning Technology)

서지정보

· 발행기관 : 한국지도학회
· 수록지 정보 : 한국지도학회지 / 24권 / 3호 / 45 ~ 60페이지
· 저자명 : 최재연, 김소망, 노승민, 강영옥

초록

보행 활동은 도시의 교통 및 환경 문제, 주민의 건강, 지역 커뮤니티 활성화 등에 중요한 역할을 하는 것으로 평가되고 있다. 보행의 중요성이 인지되면서 세계각국에서는 보행을 장려하는 도시건조환경을 만들기 위해 다양한 노력을 기울이고 있으며, 이는 우리나라에서도 법제도적으로 나타나고 있다. 보행환경을 관리하고 개선하기 위해서는 물리적인 보행환경을 가로 단위 상세수준에서 평가하고, 시민들의 보행환경에 대한 인지가 어떤지를 아는 것이 필요하다. 기존에 이러한 연구들은 대부분 설문조사나 일부지역에 한 해 현장조사를 수행하는 방법이 주를 이루었다. 본 연구에서는 거리영상과 딥러닝 기술을 활용하여 가로단위 상세수준에서의 물리적 보행환경과 인지적 보행환경을 평가하고, 이를 비교하고자 한다. 물리적 보행환경 평가를 위해 평가지표를 선정하고, 평가지표별로 거리영상의 시멘틱 세그먼테이션 기법을 활용하거나 표고 자료, PoI자료를 크롤링한 후 관련 데이터를 구축하고 평가점수를 도출하였다. 인지적 보행환경 평가를 위해 거리영상에 대한 인지를 예측할 수 있도록 훈련데이타 셋을 구축하고, RSS-Swin모델을 훈련시켜 보행환경 인지점수를 예측할 수 있도록 하였다. 물리적 보행환경과 인지적 보행환경 지도를 구축하고, 각각의 특성과 차이를 분석하고, 이를 통해 보행환경 개선안을 도출할 수 있었다. 본 연구는 물리적 보행환경과 인지적 보행환경의 시각화하고 차이를 분석하여 개선안을 도출하였다는 점에 연구의 의의가 있으며, 기술적인 측면에서는 거리영상과 딥러닝 기술을 활용하여 도시의 가로단위에서 보행환경을 상세하게 평가할 수 있는 방법론을 체계화하였다는 점에 의의가 있다.

영어초록

Walking activity is recognized as playing a crucial role in addressing urban transportation and environmental issues, enhancing public health, and revitalizing local communities. As the importance of walking gains recognition, various countries have undertaken diverse initiatives to promote pedestrian-friendly urban environments, and similar efforts are reflected in legislative and institutional frameworks in South Korea. Effective management and improvement of pedestrian environments require detailed assessments of physical walking environments at the street level, as well as an understanding of citizens' perceptions of these environments. Existing studies in this area have predominantly relied on surveys or field investigations limited to specific regions. This study aims to evaluate and compare physical and perceived pedestrian environments at the street level using street view images and deep learning technologies. For the assessment of physical pedestrian environments, evaluation indicators were selected, and data were constructed through semantic segmentation of street view images, elevation data analysis, and crawling of Points of Interest (POI) data. These data were then used to derive evaluation scores. To assess perceived pedestrian environments, a training dataset was constructed to predict perceptions from street view images, and the RSS-SWIN model was trained to estimate pedestrian environment perception scores. Comprehensive maps of physical and perceived pedestrian environments were created, and their characteristics and differences were analyzed. Based on this analysis, improvement strategies for pedestrian environments were proposed. This study is significant in its visualization and comparative analysis of physical and perceived pedestrian environments, leading to the proposal of improvement strategies. From a technical perspective, it contributes to the field by systematizing a methodology for detailed street-level pedestrian environment assessment using street view images and deep learning technologies.

참고자료

· 없음