선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 컴퓨터 비젼(computer vision)에서 다루는 것으로는 직선 혹은 곡선 성분 및 물체의 둘레 추출, 영역 분할(region segmentation), 물체 인식(object recognition), 분류(classifica- tion) 및 정합(matching), 시변 영상에서 움직이는 물체의 탐지 및 추적, 텍스트 또는 화상 분석 등을 들 수 있다. [1-3], 본 논문은 컴퓨터 비젼에서 영역 분할과 물체 인식에 관한 연구로, 실영상에서 교통 표지판 영역을 추출하고 인식하는 방법을 제안하고자 한다.
- 본 논문은 실영상으로부터 추출하고자 하는 특정 색상에 대해서 화소의 색상비를 이용함으로써 조명 상태나 날씨에 민감하지 않은 특징을 가진다. 만약 색상비에 의해 생성된 이진 영상에서 교통 표지판 후보 영역이 추출되지 않으면, 좀 더 넓은 범위의 색상비에 의한 후보 이진 영상을 이용한다.
- 본 논문은 운전자에게 보다 편안하고 안전한 운전을 가 능하게 하는 시스템 개발의 일환으로, 형태 정보와 에지 영 상을 이용한 교통 표지판 영역 추출 및 인식 방법을 제안 한다.
제안 방법
- 또한 빛이나 안개 등의 영향에 의해서 영역을 추출하지 못할 경우 히스토그램 평활화를 적용하여 재처리함으로써 영역 추출이 가능하다. 그리고 교통 표지판에 존재하는 최외각 에지 간의 거리 값이 XY축 방향에 대해서 대칭적이라는 점(XY축 대칭성)을 이용하여 후보 영역들로부터 정확한 교통 표지판 영역을 추출한다. 교통 표지판 인식은 추출된 영역에 대해서 수평-수직 투영, 모멘트, 동심 원형 패턴 및 8방향 광선과 에지와의 거리 및 교차수 등 다양한 변환과 외부 잡음에 강건한 형태 정보를 이용하며, 사전에 구축한 데이터베이스와의 연동에 의해 수행된다.
- 본 논문에서 제안하는 교통 표지판 영역의 추출 과정은 (그림 1)과 같다. 실영상으로부터 색상비를 이용하여 빨간색과 파란색에 해당하는 이진 영상을 생성한 후, connected component 알고리듬에 의해 분할된 각 영역에 대해서 형태 정보를 이용하여 정확한 교통 표지판 영역을 추출한다. 만 약 교통 표지판 영역을 추출하지 못할 경우, 좀 더 넓은 범 위의 색상비를 적용한 이진 영상에서 교통 표지판 영역을 추출한다.
- 색상, 채도, 명도의 세 가지 성분으로 구성된 HSI 색상 공간을 이용하면 밝기의 변화에 민감하지 않다는 장점을 가지나, RGB 색상 공간에서 HSI 색상 공간으로 변환하는 식이 비선형성을 가진다는 점과 계산 시간이 많이 소비되는 단점을 가진다. 본 논문은 RGB 색상 공간에서 HSI 색상 공간이 가지는 특성을 얻기 위해서 식 (1) 을 식 (2)와 같이 화소의 색상 성분들의 비를 이용하여 이진 영상으로 변환한다. 본 논문은 식 (2)를 이용하여 빨간색과 노란색, 파란색에 대해서 이진 영상을 생성하였다.
- 생성된 이진 영상에 대해서 connected component 알고리듬을 적용하여 영역을 분할한 후, 각 영역에 대해서 불림 (dilation) 연산을 수행한다. 불림 연산은 물체의 최외각 화소를 확장하여 짧은 거리의 끊어진 영역을 연결하는 기능을 수행한다.
- 본 논문은 이진 영상에 내재된 영역에 대해서 영역의 크기, 8방향 에지와의 교차 성, XY축 대칭성을 이용하여 교통 표지판 영역을 추출한다. XY축 대칭성은 현재 이용하고 있는 교통 표지판이 좌우 상하 방향으로 대칭적이라는 정보에 근거한 것으로, 이동, 크기 변환이나 빛이나 안개 등의 외부 환경에 따른 어느 정도의 영역 손실에도 영역을 강건하게 추출할 수 있다.
- (그림 2)(a)는 X축 방향으로 대칭성을 비교한 것으로, 영역의 중심으로부터 좌우 X축 방향으로 가장 멀리 떨어져 있는 에지 LP와 RP를 찾 아서 중심과 LP, 중심과 RP간의 거리를 n개의 구간으로 나눈다. A 영역과 B 영역에 대해서 기준축으로부터 상위 방향으로 가장 멀리 떨어져 있는 에지와의 거리값을 계산 한 후, 같은 색인값을 가지는 거리값에 대해서 유클리디언 디스턴스를 이용하여 비교한다. 그리고 C 영역과 D 영역은 후보 영역의 너비를 冲개의 구간으로 나눈 뒤에 기준축으로 부터 하위 방향으로 가장 멀리 떨어져 있는 에지와의 거리 (aldi, ardi)를 계산한 후, 거리를 비교한다.
- A 영역과 B 영역에 대해서 기준축으로부터 상위 방향으로 가장 멀리 떨어져 있는 에지와의 거리값을 계산 한 후, 같은 색인값을 가지는 거리값에 대해서 유클리디언 디스턴스를 이용하여 비교한다. 그리고 C 영역과 D 영역은 후보 영역의 너비를 冲개의 구간으로 나눈 뒤에 기준축으로 부터 하위 방향으로 가장 멀리 떨어져 있는 에지와의 거리 (aldi, ardi)를 계산한 후, 거리를 비교한다. 유클리디언 디스 턴스에 의해 측정된 값이 작을수록 X축 방향으로 대칭성을 가지는 것으로, 0.
- (그림 2)(b)는 Y축 방향으로 대칭성을 비교 한 것으로, 영역의 중심으로부터 상하 Y축 방향으로 가장 멀리 떨어져 있는 에지 TP와 BP를 찾아서 TP와 LP의 거 리를 n개의 구간으로 나눈다. 그리고 A 영역과 B 영역에 대해서 X축 좌우 방향으로 가장 멀리 있는 에지와의 거리 (bldi, brdi)를 계산한 후, 같은 인덱스를 가지는 거리값에 대해서 비교한다.
- 추출한 교통 표지판 영역에 대한 인식 과정은 (그림 3)과 같다. 먼저, 빠른 인식을 위해 추출한 영역을 주요 색상(빨 간색, 파란색에 따라 분류하고, 선형보간 방식을 이용하여 크기 정규화를 수행한다. 크기가 정규화된 영역에 대해서 히스토그램 스트레칭을 이용하여 대비를 향상한 후, Sobel 연산자를 이용하여 에지 영상을 생성한다.
- 먼저, 빠른 인식을 위해 추출한 영역을 주요 색상(빨 간색, 파란색에 따라 분류하고, 선형보간 방식을 이용하여 크기 정규화를 수행한다. 크기가 정규화된 영역에 대해서 히스토그램 스트레칭을 이용하여 대비를 향상한 후, Sobel 연산자를 이용하여 에지 영상을 생성한다. 본 논문에서는 에지 영상을 기반으로 형태 정보인 수평-수직 투영, 모멘트, 동심 원형 패턴 및 8방향 광선과 에지와의 교차수 및 거리를 추출한 후, 데이터베이스와의 연동에 의해 인식을 수행한다.
- 크기가 정규화된 영역에 대해서 히스토그램 스트레칭을 이용하여 대비를 향상한 후, Sobel 연산자를 이용하여 에지 영상을 생성한다. 본 논문에서는 에지 영상을 기반으로 형태 정보인 수평-수직 투영, 모멘트, 동심 원형 패턴 및 8방향 광선과 에지와의 교차수 및 거리를 추출한 후, 데이터베이스와의 연동에 의해 인식을 수행한다. 이러한 형태 정보는 간단한 처리에 의해 추출되며, 다양한 변환에도 강건한 인식이 가능하다.
- 모멘트는 영역의 모양정보를 추출하기 위한 특징으로, 패 턴인식 분야에서 물체를 기술하는데 있어 우수한 특성을 가지몌1-3], 본 논문에서는 에지 영상에 대한 반전 영상을 생성하여 적용한다.
- (그림 5)(a)는 +자형 교차로 표지판에 대해서 원형 패턴을 적용하여 처리하는 과정을 보여준다. 그리고 여러 개의 원형 패턴을 적용하였을 때 중심으로부터 가장 가까운 에지와의 교차점과 가장 먼 에지와의 교차점간의 거리 값을 특징으로 이용한다.
- 실영상으로부터 추출한 교통 표지판 영역의 특징들과 사 전에 저장한 데이터베이스 내 영상들의 특징들을 대상으로 유클리디언 디스턴스를 이용하여 유사성을 비교하고, 가장 유사한 영상을 교통 표지판 영상으로 인식한다.
- 이진 영상을 생성하기 위해 실험에서 사용한 색상비의 임계치는 빨간색의 경우 빨간색에 비해서 녹색과 파란색이 0.6 이하의 비율로 설정하였으며, 파란색의 경우 빨간색에 비해서 녹색과 파란색이 1.5 이상, 녹색에 비해서 파란색이 1.5 이상의 비율로 설정하였다. 만약 위의 임계값으로 영역 이 추출되지 않으면, 빨간색의 경우 0.
- 5 이상의 비율로 설정하였다. 만약 위의 임계값으로 영역 이 추출되지 않으면, 빨간색의 경우 0.8 이하, 파란색의 경우 1.3 이상으로 설정하여 생성한 이진 영상을 적용하였다. 그리고 실영상으로부터 추출한 교통 표지판 영역은 128X 128의 크기로 정규화하였으며, 영역 추출 시에 사용한 XY 축 대칭성과 인식에서 사용한 수평-수직 투영과 원형 패턴 은 정규화된 너비와 높이에 따라 10개의 주사선과 원형 패턴을 이용하였다.
- 3 이상으로 설정하여 생성한 이진 영상을 적용하였다. 그리고 실영상으로부터 추출한 교통 표지판 영역은 128X 128의 크기로 정규화하였으며, 영역 추출 시에 사용한 XY 축 대칭성과 인식에서 사용한 수평-수직 투영과 원형 패턴 은 정규화된 너비와 높이에 따라 10개의 주사선과 원형 패턴을 이용하였다. 유사도 측정 시에 이용하는 수평-수직 투 영, 모멘트, 원형 패턴, 8 방향 에지와의 교차수 및 거리 정 보에 대한 가중치는 각각 0.
- Akatsuka와 Imai[6]는 빨간색과 파란색 유형의 원 형 교통 표지판에 대해서 원형 정합(template matching) 방법에 의해 영역을 추출하였으나, 크기 변화에 따른 처리가 불가능하였다. Kehtamavaz와 Griswold®]^ 입력 영상으로 부터 생성한 빨간색 색상 정보만을 가지는 영상에 대해서 에지 (edge)를 추출한 후, 허프 변환(hough transform) 알고 리듬을 적용하였다. Aoyagi와 Asakura[12]는 라플라시안 필터(laplacian filter)를 이용하여 추출한 에지에 대해서 원 형태의 패턴에 대한 유전자 정보와 패턴 매칭(pattern matching), 그리고 신경망을 적용하여 영역을 추출 및 인식하였다.
대상 데이터
- 본 논문에서 제안하는 시스템은 Pentium 1.4Ghz의 Window 2000 환경에서 자바 언어로 구현하였으며, 교통 표지 판은 주의, 규제, 지시 표시를 대상으로 하였다. 실험영상은 다양한 환경하에 Sony DSC-F505V 디지털 카메라를 이용하여 획득한 100개의 실영상을 이용하였다.
- 4Ghz의 Window 2000 환경에서 자바 언어로 구현하였으며, 교통 표지 판은 주의, 규제, 지시 표시를 대상으로 하였다. 실험영상은 다양한 환경하에 Sony DSC-F505V 디지털 카메라를 이용하여 획득한 100개의 실영상을 이용하였다.
성능/효과
- <표 1>은 주의, 규제, 지시 표지판에 해당하는 실영상을 대상으로 교통 표지판 영역 추출과 영역 인식에서의 처리 시간을 보여준다. 영역 추출에 해당하는 처리시간은 영역을 추출하기 이전까지의 모든 처리과정을 포함한 시간으로 평균 3873.33msec을 보였으며, connected component 알고리 듬을 이용한 분할 과정에서 가장 많은 시간을 소모하였다. 영역 인식에 해당하는 처리시간은 추출된 영역에 대해서 형태 정보의 추출과 데이터베이스와의 유사도 측정에 소모 된 시간으로, 평균 649msec를 보였다.
- 33msec을 보였으며, connected component 알고리 듬을 이용한 분할 과정에서 가장 많은 시간을 소모하였다. 영역 인식에 해당하는 처리시간은 추출된 영역에 대해서 형태 정보의 추출과 데이터베이스와의 유사도 측정에 소모 된 시간으로, 평균 649msec를 보였다.
- <표 2>는 실영상에서의 주의, 규제, 시 표지판에 해당하는 120개의 교통 표지판 영역에 대해서 추출과 인식의 정확률을 보여준다. 평균 40개의 교통 표지판 영역에 대해서 38.66개의 영역을 추출하여 평균 96.66%의 성공적인 정 확률을 보였다. 인식에서는 데이터베이스와의 유사도 측정 에서 가장 유사한 값으로 평균 31.
- 66%의 성공적인 정 확률을 보였다. 인식에서는 데이터베이스와의 유사도 측정 에서 가장 유사한 값으로 평균 31.66개의 영역을 인식하여 평균 79.16%의 정확률을 보였다. 본 논문에서는 표준적인 형태의 교통 표지판 102개에 대한 정보만을 데이터베이스 에 저장하여 이용하였기 때문에 실영상에서의 교통 표지판 과 다소 틀린 부분이 있을 수 있다.
- 그리고 실영상에 존재하는 교통 표지판 영역이 너무 작은 경우 선형 보간법만으로는 영역의 확대가 제대로 이루어지지 않고 많은 정보의 손실 을 유발하였기에 다소 낮은 정확률을 보였다. 이러한 이유 로 추출한 교통 표지판 영역에 대해서 측정한 유사도가 5 위 이내에 포함되는지 실험한 결과 평균 38.33개의 영역을 인식하였으며, 평균 95.83%의 정확률을 보여 본 논문에서 정의한 형태 정보들이 유용함을 확인할 수 있었다.
- <표 3>은 교통 표지판 영역 추출 및 인식에 대해서 기존의 방법들과 제안한 방법의 정확률을 보여준다. 본 논문 이 제안한 방법의 영역 인식은 5위 이내의 정확률을 이용 하였으며, 영역 추출 및 인식에 대해서 기존의 방법들보다 높은 정확률을 보였다. Aoyagi의 방법에 따른 영역 인식에 대한 정확률은 추출한 영역을 세 종류(속도를 나타내는 표지판, 그 외의 표지판, 표지판이 아닌 것)로 분류하는 것에 대한 수치로써, 다소 높은 정확률을 보였다.
후속연구
- 또한 자동 주행 시스템(automatic driving system)의 개발에서도 교통 표지판, 자동차, 보행자, 도로, 빌딩 등과 같은 도로 여건의 이해는 매우 어려운 작업이다. 특히, 교통 표지판 인식 시스템은 도로 구조의 보전과 안전하고 원활한 교통 소통을 위하여 운전자에게 목적지까지의 방향, 거리 등의 지점 및 경로 안내 등 다양한 정보 제공을 위해서 필수적으로 해결해야 할 연구 과제이다.
- 본 논문에서 제안하는 교통 표지판 영역 추출 및 인식은 향후 자동 주행 시스템의 보급에 따라 확대 보급될 것이며, 영역 추출 및 인식 기술의 축적, 지리 정보 시스템, 차량 교통 정보 단말기 개발에 적용 등 많은 응용 분야에서 활용 가능하다.
- 향후 과제로는 회전에 불변하는 형태 정보의 정의와 추 출한 교통 표지판 영역이 너무 작은 경우 선형보간법에 의한 크기 정규화만으로는 정확한 교통 표지판 정보를 추 출할 수 없으므로 효과적인 확대 및 축소 알고리듬에 대한 연구가 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.