earticle

영어

This paper highlights the growing importance of traffic management and population monitoring as smart cities evolve, underscoring the necessity of real-time analysis using CCTV data. Traditional manual data collection methods face limitations in reliability and accuracy, prompting the adoption of intelligent CCTVs with object tracking algorithms. However, challenges such as ID switching and re-identification persist. To address these issues, this study evaluates the performance of DeepSORT combined with object detection models like YOLOv5, YOLOv7, and YOLOv8, using the MOT16 and MOT20 datasets and performance metrics such as MOTA and MOTP. The findings indicate that the combination of YOLOv8 and DeepSORT achieved the highest MOTA and MOTP scores, demonstrating excellent performance in complex urban environments. Specifically, YOLOv8 recorded a MOTA of 70.3 in the MOT16-03 sequence, outperforming YOLOv5 and YOLOv7, and maintained high accuracy and tracking consistency in the MOT20 dataset. These results suggest that the combination of YOLOv8 and DeepSORT is the most effective solution for object detection and tracking in urban CCTV settings, providing an optimal selection criterion for intelligent CCTV systems in smart cities.

한국어

본 연구는 스마트시티 발전에 따라 교통 관리와 인구 모니터링의 중요성이 커지면서 CCTV 데이터를 활용한 실시간 분석이 필수적이다. 기존의 수동 데이터 수집 방식은 신뢰성과 정확성에 한계가 있어, 객체 추적 알고리즘을 사용하는 지능 형 CCTV가 도입되었지만, 여전히 ID 변경과 재식별 문제를 겪고 있다. 이를 해결 하기 위해 DeepSORT 알고리즘과 YOLOv5, YOLOv7, YOLOv8 등의 객체 탐지 모델을 결합한 방안을 사용하여 MOT16 및 MOT20 데이터셋을 통해 각 모델의 성 능을 MOTA, MOTP 지표로 평가하였다. 연구 결과, YOLOv8과 DeepSORT의 조합이 복잡한 도시 환경에서 가장 높은 MOTA와 MOTP 점수를 기록하며 우수한 성능을 보였다. 특히, YOLOv8은 MOT16-03 시퀀스에서 70.3 MOTA를 기록하며 YOLOv5와 YOLOv7을 능가하였 고, MOT20 데이터셋에서도 높은 정확도와 추적 일관성을 유지하였다. 이러한 결과 는 YOLOv8과 DeepSORT의 조합이 도시 CCTV 환경에서 객체 탐지 및 추적에 가장 효과적임을 나타내며, 스마트시티의 지능형 CCTV 시스템에 대한 최적의 선 택 기준을 제공할 수 있다.