자율주행 차량이 신호등 정보를 정확하게 인식하는 것은 완전 자율주행 에 도달하기 위해서는 반드시 필요한 기능이다. 본 논문에서는 차량에 장 착된 카메라 영상으로부터 실시간으로 신호등을 인식하기 위한 기법을 제 안하고 있다. 국내의 신호등을 인식하기 위해서 다양한 교차로에서 주간 과 야간의 신호등 영상을 수집하여 신호등 인식 연구에 활용하였으며, 또 한 실시간으로 신호등 인식이 가능한 기계학습 기반 신호등 인식 기법과 딥러닝 기반의 신호등 인식 기법을 제안하고 있다. 신호등 인식 기법은 신호등 검출 단계와 신호등 인식 단계로 분류하여 연구를 수행하였다. 본 논문에서는 기계학습 기반의 신호등 인식을 위해서 HOG 특징량과 AdaBoost 기반의 ...
자율주행 차량이 신호등 정보를 정확하게 인식하는 것은 완전 자율주행 에 도달하기 위해서는 반드시 필요한 기능이다. 본 논문에서는 차량에 장 착된 카메라 영상으로부터 실시간으로 신호등을 인식하기 위한 기법을 제 안하고 있다. 국내의 신호등을 인식하기 위해서 다양한 교차로에서 주간 과 야간의 신호등 영상을 수집하여 신호등 인식 연구에 활용하였으며, 또 한 실시간으로 신호등 인식이 가능한 기계학습 기반 신호등 인식 기법과 딥러닝 기반의 신호등 인식 기법을 제안하고 있다. 신호등 인식 기법은 신호등 검출 단계와 신호등 인식 단계로 분류하여 연구를 수행하였다. 본 논문에서는 기계학습 기반의 신호등 인식을 위해서 HOG 특징량과 AdaBoost 기반의 Cascade 분류기를 이용하여 신호등 검출을 수행 하였 으며, 검출된 신호등 후보영역에서 HSV히스토그램을 이용해 신호 정보 를 인식하여 차량에 탑재 가능한 저 사양 하드웨어에서 실시간으로 신호 등 인식을 수행하였다. 제안된 검출 기법은 신호등을 포함한 신호등 박스를 검출 대상으로 하 고 있다. 신호등은 점등 패턴에 따라 색상이 동적으로 변화하는 속성이 있으며, HOG 특징량은 에지의 방향 정보를 이용하기 때문에 영상의 밝기 변화, 조명 변화 등에 덜 민감하고 물체의 윤곽선 정보를 이용하기 때문 에 신호등 박스와 같이 내부 패턴이 복잡하지 않으면서도 신호등 고유의 독특한 윤곽선 정보를 갖는 물체를 식별하는데 적합한 특징량이다. 따라 서 신호등 박스와 신호등의 윤곽선 정보가 뚜렷한 주간의 신호등 검출의 경우 좋은 성능을 보여 주었으나, 야간의 신호등과 같이 신호등의 후광효 과와 저 저도 영상으로 인해 신호등의 윤곽선 정보가 왜곡되고 손실되는 경우, 신호등 검출에 실패하는 횟수가 많아져 재현율이 낮아진다. AdaBoost 기반의 Cascade 분류기는 AdaBoost를 거절 Cascade로 사용 하여 전체 Cascade를 모두 통과 할 경우 신호등으로 검출하도록 하였다. 영상에서 검출하고자 하는 신호등이 드물게 나타나기 때문에 거절 Cascade를 사용해 연산 속도를 크게 줄여 실시간으로 신호등 검출을 수 행 할 수 있었다. 또한 딥러닝 기반의 신호등 인식을 위해서 딥러닝 검출 모델 중 가장 실시간성이 뛰어난 YOLOv3 tiny 모델을 이용하여 신호등 검출을 수행 하였으며, Inception v3 모델의 전이학습을 이용해 신호등 인식을 수행하 였다. 딥러닝 검출 모델은 영상에서 객체의 위치를 추정하기 위해 매우 높은 GPU 성능과 메모리를 요구하기 때문에 복잡도가 높은 모델을 차량 에 탑재 할 경우 실시간으로 신호등을 검출하는 것에 어려움이 생긴다. 제안된 YOLOv3 tiny 모델은 YOLOv3 모델 중 검출 성능은 떨어지나 가장 처리속도가 높은 모델이다. 기계학습 기반의 검출기와 비교하여 야 간의 신호등 검출에 높은 재현율을 보여 주었으나, 신호등 박스의 영역을 오검출한 횟수 또한 증가하여 정밀도가 낮아지는 문제가 있었다. 또한 검 출된 신호등 영역을 인식하기 위해 Inception v3 모델을 이용하였는데, Inception v3 모델은 인셉션 층을 이용해 컨볼루션 연산을 작은 형태로 쪼개어 병렬로 수행하여 정확도를 높이고 계산량을 줄인 모델이다. 때문 에 학습된 Inception v3 모델의 출력단을 수정하여 전이학습을 수행하였 으며 적은양의 신호등 학습 데이터를 이용하여 효과적으로 신호 정보를 분류하여 신호등의 실시간 인식이 가능하도록 하였다.
자율주행 차량이 신호등 정보를 정확하게 인식하는 것은 완전 자율주행 에 도달하기 위해서는 반드시 필요한 기능이다. 본 논문에서는 차량에 장 착된 카메라 영상으로부터 실시간으로 신호등을 인식하기 위한 기법을 제 안하고 있다. 국내의 신호등을 인식하기 위해서 다양한 교차로에서 주간 과 야간의 신호등 영상을 수집하여 신호등 인식 연구에 활용하였으며, 또 한 실시간으로 신호등 인식이 가능한 기계학습 기반 신호등 인식 기법과 딥러닝 기반의 신호등 인식 기법을 제안하고 있다. 신호등 인식 기법은 신호등 검출 단계와 신호등 인식 단계로 분류하여 연구를 수행하였다. 본 논문에서는 기계학습 기반의 신호등 인식을 위해서 HOG 특징량과 AdaBoost 기반의 Cascade 분류기를 이용하여 신호등 검출을 수행 하였 으며, 검출된 신호등 후보영역에서 HSV 히스토그램을 이용해 신호 정보 를 인식하여 차량에 탑재 가능한 저 사양 하드웨어에서 실시간으로 신호 등 인식을 수행하였다. 제안된 검출 기법은 신호등을 포함한 신호등 박스를 검출 대상으로 하 고 있다. 신호등은 점등 패턴에 따라 색상이 동적으로 변화하는 속성이 있으며, HOG 특징량은 에지의 방향 정보를 이용하기 때문에 영상의 밝기 변화, 조명 변화 등에 덜 민감하고 물체의 윤곽선 정보를 이용하기 때문 에 신호등 박스와 같이 내부 패턴이 복잡하지 않으면서도 신호등 고유의 독특한 윤곽선 정보를 갖는 물체를 식별하는데 적합한 특징량이다. 따라 서 신호등 박스와 신호등의 윤곽선 정보가 뚜렷한 주간의 신호등 검출의 경우 좋은 성능을 보여 주었으나, 야간의 신호등과 같이 신호등의 후광효 과와 저 저도 영상으로 인해 신호등의 윤곽선 정보가 왜곡되고 손실되는 경우, 신호등 검출에 실패하는 횟수가 많아져 재현율이 낮아진다. AdaBoost 기반의 Cascade 분류기는 AdaBoost를 거절 Cascade로 사용 하여 전체 Cascade를 모두 통과 할 경우 신호등으로 검출하도록 하였다. 영상에서 검출하고자 하는 신호등이 드물게 나타나기 때문에 거절 Cascade를 사용해 연산 속도를 크게 줄여 실시간으로 신호등 검출을 수 행 할 수 있었다. 또한 딥러닝 기반의 신호등 인식을 위해서 딥러닝 검출 모델 중 가장 실시간성이 뛰어난 YOLOv3 tiny 모델을 이용하여 신호등 검출을 수행 하였으며, Inception v3 모델의 전이학습을 이용해 신호등 인식을 수행하 였다. 딥러닝 검출 모델은 영상에서 객체의 위치를 추정하기 위해 매우 높은 GPU 성능과 메모리를 요구하기 때문에 복잡도가 높은 모델을 차량 에 탑재 할 경우 실시간으로 신호등을 검출하는 것에 어려움이 생긴다. 제안된 YOLOv3 tiny 모델은 YOLOv3 모델 중 검출 성능은 떨어지나 가장 처리속도가 높은 모델이다. 기계학습 기반의 검출기와 비교하여 야 간의 신호등 검출에 높은 재현율을 보여 주었으나, 신호등 박스의 영역을 오검출한 횟수 또한 증가하여 정밀도가 낮아지는 문제가 있었다. 또한 검 출된 신호등 영역을 인식하기 위해 Inception v3 모델을 이용하였는데, Inception v3 모델은 인셉션 층을 이용해 컨볼루션 연산을 작은 형태로 쪼개어 병렬로 수행하여 정확도를 높이고 계산량을 줄인 모델이다. 때문 에 학습된 Inception v3 모델의 출력단을 수정하여 전이학습을 수행하였 으며 적은양의 신호등 학습 데이터를 이용하여 효과적으로 신호 정보를 분류하여 신호등의 실시간 인식이 가능하도록 하였다.
It is important to recognize the traffic light information quickly and accurately for autonomous vehicles. In this dissertation, we propose a video based real-time traffic light recognition method. To recognize Koreas' traffic lights, the day and night traffic light videos were colle...
It is important to recognize the traffic light information quickly and accurately for autonomous vehicles. In this dissertation, we propose a video based real-time traffic light recognition method. To recognize Koreas' traffic lights, the day and night traffic light videos were collected at various intersections. After that, methods of the machine learning and deep learning were used for the traffic light recognition. The proposed method consists of detection phase and recognition phase. The detection phase of the machine learning based method uses HOG feature and AdaBoost-based cascade classifier. HOG feature uses the directional information of the edge. Accordingly, it is less sensitive of brightness change. It is also suitable to distinguish the simple contour as traffic light. Therefore, it shows good detection performance during the day. AdaBoost-based cascade classifier uses a rejection cascade consisting of 14 layers of classifiers. If at any layer the detection widow is not recognized as a traffic light, it is rejected and we move on to the next window. Therefore, detection speed is faster and real-time detection is possible. The recognition phase of the machine learning based method uses HSV histogram that was used to recognize the detected traffic lights. The detection phase of the deep learning based method uses YOLOv3 tiny model. YOLOv3 tiny model is the fastest among YOLOv3 models. It shows good detection performance rather than machine learning based method at night. However, misdetection increases, which reduces precision. The recognition phase of the deep learning based method used Inception v3 model, with weights pre-trained on ImageNet. Inception v3 model used inception layer to speed up processing. Therefore, recognition speed is faster and real-time recognition is possible. We modify its layer and then go through the transfer learning process. It can be effectively classified using the transfer learning with a small amount of the training data.
It is important to recognize the traffic light information quickly and accurately for autonomous vehicles. In this dissertation, we propose a video based real-time traffic light recognition method. To recognize Koreas' traffic lights, the day and night traffic light videos were collected at various intersections. After that, methods of the machine learning and deep learning were used for the traffic light recognition. The proposed method consists of detection phase and recognition phase. The detection phase of the machine learning based method uses HOG feature and AdaBoost-based cascade classifier. HOG feature uses the directional information of the edge. Accordingly, it is less sensitive of brightness change. It is also suitable to distinguish the simple contour as traffic light. Therefore, it shows good detection performance during the day. AdaBoost-based cascade classifier uses a rejection cascade consisting of 14 layers of classifiers. If at any layer the detection widow is not recognized as a traffic light, it is rejected and we move on to the next window. Therefore, detection speed is faster and real-time detection is possible. The recognition phase of the machine learning based method uses HSV histogram that was used to recognize the detected traffic lights. The detection phase of the deep learning based method uses YOLOv3 tiny model. YOLOv3 tiny model is the fastest among YOLOv3 models. It shows good detection performance rather than machine learning based method at night. However, misdetection increases, which reduces precision. The recognition phase of the deep learning based method used Inception v3 model, with weights pre-trained on ImageNet. Inception v3 model used inception layer to speed up processing. Therefore, recognition speed is faster and real-time recognition is possible. We modify its layer and then go through the transfer learning process. It can be effectively classified using the transfer learning with a small amount of the training data.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.