초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

최근의 차량의 자율주행에 대한 사회적인 필요성이 가중되어지고 있다. 차량이 자율주행을 하기 위해 요구되는 이미지 내에서 차량의 인식과, 차선, 신호등, 교통 표지판 등의 인식이 필요하다. 실질적으로 이전에 사용하던 많은 방법들 또한 성능적으로 뛰어나지만 여러 가지 사물의 분류에 있어서 최근 가장 급부상하고 있는 머신러닝의 한부분인 딥러닝으로서의 Convolutional Neural Network을 이용하여 차량을 검출하는 시도를 해보고자 한다. 또한 CNN의 특성이 이미지의 분류에 적합한 형태이므로 차량과 일반사물을 함께 인식시켜서 그 분류성능을 강화시킨다. 이러한 기술의 발전에 따라 각 차종의 인식과 차량의 타입을 알아낼 수 있게되면 톨게이트의 차종에 따른 금액의 ...

최근의 차량의 자율주행에 대한 사회적인 필요성이 가중되어지고 있다. 차량이 자율주행을 하기 위해 요구되는 이미지 내에서 차량의 인식과, 차선, 신호등, 교통 표지판 등의 인식이 필요하다. 실질적으로 이전에 사용하던 많은 방법들 또한 성능적으로 뛰어나지만 여러 가지 사물의 분류에 있어서 최근 가장 급부상하고 있는 머신러닝의 한부분인 딥러닝으로서의 Convolutional Neural Network을 이용하여 차량을 검출하는 시도를 해보고자 한다. 또한 CNN의 특성이 이미지의 분류에 적합한 형태이므로 차량과 일반사물을 함께 인식시켜서 그 분류성능을 강화시킨다. 이러한 기술의 발전에 따라 각 차종의 인식과 차량의 타입을 알아낼 수 있게되면 톨게이트의 차종에 따른 금액의 과금이 다른 업무를 전산화시의 업무적 효율성이 높아지게 되며 또한 공장 내의 생산품에 대해서도 수치가 아닌 시각으로 확인이 필요한 업무의 자동화가 가능하며 사람의 얼굴인식과 인식 후에 권한 부여 등으로 활용성이 높은 기술이라고 볼 수 있다.
본 연구에서는 그러한 업무의 초기적인 형태에서 차량의 전면과 후면을 신경망에게 학습시키고 가능성 검증하기 위하여 각각의 이미지 Dataset을 준비하고 그 이미지들의 학습방법과 횟수, 초기값 등을 측정하여 CNN의 사용이 유용한 방법임을 알아보고자 한다.
실험 결과로 전체 700개의 학습이미지에서 200개의 차량샘플 중 9개의 인식 오류가 발생하였고 이러한 결과는 차량에 대해서 95.55%의 높은 인식률을 기록하였다. 오류로 인식되는 이미지 또한 전체의 교육개수가 부족한 원인으로 파악되어지며 CNN을 이용한 차량의 인식은 매우 효과적으로 보여진다.

주제어