본 연구는 자동차 전용 도로에서 차선 검출 방법과 검출된 차선 정보를 이용하여 경로를 추종(차선 유지)하는 방법에 대해 제시하였다. 우선 카메라의 입력영상을 그레이 이미지로 변환하였다. 이후 역투영 변환을 사용하여 영상의 원근감을 제거하고 LDA(Line Difference Accumulation) 방법을 사용하여 일정한 두께를 가진 차선의 정보를 강화하였다. 다음으로, 좌우 차선의 위치를 확인하기 위해 ...
본 연구는 자동차 전용 도로에서 차선 검출 방법과 검출된 차선 정보를 이용하여 경로를 추종(차선 유지)하는 방법에 대해 제시하였다. 우선 카메라의 입력영상을 그레이 이미지로 변환하였다. 이후 역투영 변환을 사용하여 영상의 원근감을 제거하고 LDA(Line Difference Accumulation) 방법을 사용하여 일정한 두께를 가진 차선의 정보를 강화하였다. 다음으로, 좌우 차선의 위치를 확인하기 위해 허프변환(Hough Transform)군집화(Clustering)를 하여 좌우 차선의 위치를 확인하였다. 또한, 차선 포인트 검출을 위해 템플릿 매칭 후에 분류된 차선 포인트를 RANSAC(Random Sample Consensus) 알고리즘을 사용하여 근사화(Line fitting)하였다. 상기 과정을 바탕으로, 차량의 속도에 따라서 목표점의 위치를 찾고 경로 추종에 사용하기 위해 좌표변환을 하였으며, 최종적으로 변환된 목표점을 이용하여 Pure Pursuit 방법에 적용 후 최종 조향각(Steering Angle)을 얻었다. 얻어진 조향각을 바탕으로 차선 유지 실험을 하였으며, 차량 OBDⅡ 에서 얻어진 조향각과 차선의 중심과 차량 중심과의 차이값(횡방향 거리 오차)을 측정하여 제시하였다. 그 결과, 기존의 차선 유지 및 경보 시스템이 차량 앞바퀴 혹은 차량 자체가 차선에 닿을 경우 경고와 함께 불연속적인 횡 방향 제어를 하는 방식과 달리, 제안하는 시스템은 차로 중앙 부근을 지속적이며, 안정적으로 유지할 수 있도록 해주고 자율주행 차량에서도 적용 가능함을 확인하였다.
본 연구는 자동차 전용 도로에서 차선 검출 방법과 검출된 차선 정보를 이용하여 경로를 추종(차선 유지)하는 방법에 대해 제시하였다. 우선 카메라의 입력영상을 그레이 이미지로 변환하였다. 이후 역투영 변환을 사용하여 영상의 원근감을 제거하고 LDA(Line Difference Accumulation) 방법을 사용하여 일정한 두께를 가진 차선의 정보를 강화하였다. 다음으로, 좌우 차선의 위치를 확인하기 위해 허프변환(Hough Transform) 군집화(Clustering)를 하여 좌우 차선의 위치를 확인하였다. 또한, 차선 포인트 검출을 위해 템플릿 매칭 후에 분류된 차선 포인트를 RANSAC(Random Sample Consensus) 알고리즘을 사용하여 근사화(Line fitting)하였다. 상기 과정을 바탕으로, 차량의 속도에 따라서 목표점의 위치를 찾고 경로 추종에 사용하기 위해 좌표변환을 하였으며, 최종적으로 변환된 목표점을 이용하여 Pure Pursuit 방법에 적용 후 최종 조향각(Steering Angle)을 얻었다. 얻어진 조향각을 바탕으로 차선 유지 실험을 하였으며, 차량 OBDⅡ 에서 얻어진 조향각과 차선의 중심과 차량 중심과의 차이값(횡방향 거리 오차)을 측정하여 제시하였다. 그 결과, 기존의 차선 유지 및 경보 시스템이 차량 앞바퀴 혹은 차량 자체가 차선에 닿을 경우 경고와 함께 불연속적인 횡 방향 제어를 하는 방식과 달리, 제안하는 시스템은 차로 중앙 부근을 지속적이며, 안정적으로 유지할 수 있도록 해주고 자율주행 차량에서도 적용 가능함을 확인하였다.
This study demonstrates how to detect lanes on automobile road and to track (keep the lanes) the lane using detected lane information. First, I converted the input image of the camera into a gray image. Then, by using the Inverse Perspective Mapping, the perspective of the image was removed and...
This study demonstrates how to detect lanes on automobile road and to track (keep the lanes) the lane using detected lane information. First, I converted the input image of the camera into a gray image. Then, by using the Inverse Perspective Mapping, the perspective of the image was removed and the information of the lane with the constant thickness was strengthened by using the LDA (Line Difference Accumulation) method. Next, the position of the left and right lanes was confirmed by hough transformation clustering to identify the position of the left and right lane. In addition, to detect lane points, the lane points classified after template matching were approximated using the RANSAC(Random Sample Consensus) algorithm. Based on the above procedure, coordinate transformation was performed to find the position of the target point according to the speed of the vehicle and to use it for tracking the path. Finally, the final steering angle was obtained by applying the Pursuit method using the converted target point. The lane keeping test was performed based on the obtained steering angle, and the steering angle obtained from the vehicle OBD II and the difference (lateral distance error) between the center of the lane and the center of the vehicle was measured and presented. As a result, unlike the existing lane keeping and warning system, where the front wheel of the vehicle or the vehicle itself touches the lane, the proposed system enables to keep the center of lane continuously and stably, and it is confirmed that it is applicable to autonomous vehicles.
This study demonstrates how to detect lanes on automobile road and to track (keep the lanes) the lane using detected lane information. First, I converted the input image of the camera into a gray image. Then, by using the Inverse Perspective Mapping, the perspective of the image was removed and the information of the lane with the constant thickness was strengthened by using the LDA (Line Difference Accumulation) method. Next, the position of the left and right lanes was confirmed by hough transformation clustering to identify the position of the left and right lane. In addition, to detect lane points, the lane points classified after template matching were approximated using the RANSAC(Random Sample Consensus) algorithm. Based on the above procedure, coordinate transformation was performed to find the position of the target point according to the speed of the vehicle and to use it for tracking the path. Finally, the final steering angle was obtained by applying the Pursuit method using the converted target point. The lane keeping test was performed based on the obtained steering angle, and the steering angle obtained from the vehicle OBD II and the difference (lateral distance error) between the center of the lane and the center of the vehicle was measured and presented. As a result, unlike the existing lane keeping and warning system, where the front wheel of the vehicle or the vehicle itself touches the lane, the proposed system enables to keep the center of lane continuously and stably, and it is confirmed that it is applicable to autonomous vehicles.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.