첨단 운전자 보조 시스템(ADAS; Advanced Driver Assistance System)은 자동차에 카메라, 레이더, 라이다 등을 장착하여 주행 중 외부환경을 감지, 운전자에게 주변차량의 접근이나 교통신호 변화 등을 알려주는 시스템을 의미한다. 그 중에서도 카메라를 이용한 상황인지 기술은 인간의 시각적 인지방식과 유사한 형태로 구성할 수 있어 기존 도로 및 신호 시스템을 수정하지 않고도 빠르게 도입할 수 있다는 특징을 가진다. 이러한 이유로 ...
첨단 운전자 보조 시스템(ADAS; Advanced Driver Assistance System)은 자동차에 카메라, 레이더, 라이다 등을 장착하여 주행 중 외부환경을 감지, 운전자에게 주변차량의 접근이나 교통신호 변화 등을 알려주는 시스템을 의미한다. 그 중에서도 카메라를 이용한 상황인지 기술은 인간의 시각적 인지방식과 유사한 형태로 구성할 수 있어 기존 도로 및 신호 시스템을 수정하지 않고도 빠르게 도입할 수 있다는 특징을 가진다. 이러한 이유로 컴퓨터비전을 이용한 주행상황인지 기술은 상용화를 위한 연구개발이 매우 활발하게 진행되고 있다. 특히 컴퓨터비전 기반 주행상황 인지기술 중 신호등 검출 및 인식은 입력영상의 크기 대비 객체가 차지하고 있는 비중이 매우 작아 인식 성능이 가장 낮은 분야 중 하나이다. 본 논문에서는 신호등 검출 및 인식 방법론을 제안한다. 본 논문에서 제안하는 신호등 검출 및 인식 방법은 다음과 같은 장점을 가진다. 첫 번째, 신호등 램프의 평균 색상값을 이용한 후보영역 검출을 통해 작은 크기의 신호등 검출에 용이하다. 두 번째, 본 논문에서 제안하는 신호등 박스 검증방법을 통해 후미등과 보행자 신호등 혹은 표지판과 같이 주행에 필요한 신호와 관련 없는 객체들을 구분해낼 수 있다. 세 번째, CPU연산을 최소화하고 GPGPU연산을 최대한 활용한 알고리즘을 통해 실시간 주행환경에 적합한 속도로 검출 및 인식 연산을 수행할 수 있다. 마지막으로, 입력영상에서 각 신호등을 인식하는 것뿐만 아니라 최종적으로 운전자에게 필요한 최종신호 상태를 판별하는 방법을 제안하여 실제 주행상황에 바로 적용할 수 있는 알고리즘을 구현하였다. 제안하는 방법은 LaRA TLD Benchmark 데이터셋과 자체적으로 선정한 국내 데이터셋을 대상으로 실험하였다. 특히, 공개 데이터셋에서는 본 알고리즘을 기존에 발표된 알고리즘들과 비교하여, 더 빠르고 우수한 성능이 나온다는 것을 입증하였다.
첨단 운전자 보조 시스템(ADAS; Advanced Driver Assistance System)은 자동차에 카메라, 레이더, 라이다 등을 장착하여 주행 중 외부환경을 감지, 운전자에게 주변차량의 접근이나 교통신호 변화 등을 알려주는 시스템을 의미한다. 그 중에서도 카메라를 이용한 상황인지 기술은 인간의 시각적 인지방식과 유사한 형태로 구성할 수 있어 기존 도로 및 신호 시스템을 수정하지 않고도 빠르게 도입할 수 있다는 특징을 가진다. 이러한 이유로 컴퓨터비전을 이용한 주행상황인지 기술은 상용화를 위한 연구개발이 매우 활발하게 진행되고 있다. 특히 컴퓨터비전 기반 주행상황 인지기술 중 신호등 검출 및 인식은 입력영상의 크기 대비 객체가 차지하고 있는 비중이 매우 작아 인식 성능이 가장 낮은 분야 중 하나이다. 본 논문에서는 신호등 검출 및 인식 방법론을 제안한다. 본 논문에서 제안하는 신호등 검출 및 인식 방법은 다음과 같은 장점을 가진다. 첫 번째, 신호등 램프의 평균 색상값을 이용한 후보영역 검출을 통해 작은 크기의 신호등 검출에 용이하다. 두 번째, 본 논문에서 제안하는 신호등 박스 검증방법을 통해 후미등과 보행자 신호등 혹은 표지판과 같이 주행에 필요한 신호와 관련 없는 객체들을 구분해낼 수 있다. 세 번째, CPU연산을 최소화하고 GPGPU연산을 최대한 활용한 알고리즘을 통해 실시간 주행환경에 적합한 속도로 검출 및 인식 연산을 수행할 수 있다. 마지막으로, 입력영상에서 각 신호등을 인식하는 것뿐만 아니라 최종적으로 운전자에게 필요한 최종신호 상태를 판별하는 방법을 제안하여 실제 주행상황에 바로 적용할 수 있는 알고리즘을 구현하였다. 제안하는 방법은 LaRA TLD Benchmark 데이터셋과 자체적으로 선정한 국내 데이터셋을 대상으로 실험하였다. 특히, 공개 데이터셋에서는 본 알고리즘을 기존에 발표된 알고리즘들과 비교하여, 더 빠르고 우수한 성능이 나온다는 것을 입증하였다.
Recently, algorithms for traffic light detection and related tasks have become significantly developed with ADAS. This paper proposes the method for detecting traffic lights based on pure vision approaches beyond real-time processing on GPGPU. We propose three effective traffic light detection and r...
Recently, algorithms for traffic light detection and related tasks have become significantly developed with ADAS. This paper proposes the method for detecting traffic lights based on pure vision approaches beyond real-time processing on GPGPU. We propose three effective traffic light detection and recognition skills: poll point based color segmentation, rectangular verification and convolutional neural network based recognition. The execution time for traffic light detection is measured 81.3fps on 640x480 resolution. Accuracy of our method achieves 96.68% in F1-measure on LARA benchmark dataset and 97.48% in F1-measure on Korean road dataset. The proposed method outperforms other approaches using a simple detection and verification scheme.
Recently, algorithms for traffic light detection and related tasks have become significantly developed with ADAS. This paper proposes the method for detecting traffic lights based on pure vision approaches beyond real-time processing on GPGPU. We propose three effective traffic light detection and recognition skills: poll point based color segmentation, rectangular verification and convolutional neural network based recognition. The execution time for traffic light detection is measured 81.3fps on 640x480 resolution. Accuracy of our method achieves 96.68% in F1-measure on LARA benchmark dataset and 97.48% in F1-measure on Korean road dataset. The proposed method outperforms other approaches using a simple detection and verification scheme.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.