[논문]질감을 이용한 차량모델 인식 알고리즘

이효종

doi:10.3745/kipstb.2005.12b.3.257

질감을 이용한 차량모델 인식 알고리즘
Algorithm Based on Texture for the Recognition of Vehicles' Model 원문보기

정보처리학회논문지. The KIPS transactions. Part B. Part B, v.12B no.3 = no.99, 2005년, pp.257 - 264

초록
AI-Helper

사회가 발전하면서 자동차의 수요도 세계적으로 급증하고 있다. 교통제어나 차량에 연관된 범죄 둥을 해결하는데 자동차의 인식 기술이 중요하기 때문에 이에 관련된 번호판 인식이나 교통량 측정에 관한 연구는 오래 전부터 수행되어왔다. 본 논문에서는 주행차량의 제조회사와 차량 모델을 인식하는 방법을 제시하였다. 차종의 인식은 차량 전면부 영역의 질감을 이용하여 인식하였다. 번호판 상단의 라디에이터 영역에서 질감 특징자를 추출하여 신경망을 통한 차종별 학습을 시켜서 인식을 시도하였다. 제안 알고리즘에서 차종의 정인식은 $93.7\%$, 이종차량의 감별은 $99.7\%$로 양호하게 나타났다.

Abstract ▼ AI-Helper

The number of vehicles are rapidly increased as our society is developed. The vehicle recognition has been studied for a while because many people acknowledged it has critical functions to solve the problems of traffic control or vehicle-related crimes. In this paper a novel method is proposed to recognize vehicle models corresponding makers. Vehicles' models are recognized based on the texture parameters from segmented radiator region above a number plate. A three-layer neural network was built and trained with the texture features for recognition. The proposed method shows $93.7\%$ of recognition rate and $99.7\%$ of specificity for vehicles' model.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

첫째는 신경망 학습을 위해 풍부한 자료를 사용하는 방법이 우선 되어야 한다. 둘째는 차종별 고유 특성을 나타내는 질감 특성 자의 계산 방법을 개선하는 것이다. 현재는 일부 차종에 있어서 이종 간의 차량들도 비슷한 질감 특성 자의 값으로 표현되어서 오인식을 하게 된다.
그러나, 구체적인 제조회사별 모델의 인식은 시도되지 않았다. 본 논문에서는 차량 전면부의 질감 특징값들이 차종 식별을 위해 사용될 수 있음을 최초로 제안하였다.
본 논문에서는 한국에서 운행되는 차량의 구체적 모델을 인식하는 방법을 제안하였다. 차량의 라디에이터 그릴 부분이나 전조등의 형태들은 차량의 고유 모델을 결정하는 중요한 요소이다.

가설 설정

고정된 카메라에서 촬영되는 영상에서 변환되는 영역은 주행하고 있는 차량의 영역이라고 가정할 수 있다. 인접한 두 프레임 이미지의 차분 영상을 구하면 도로와 같이 정지된 부분의 화소값은 이론적으로 0이 되어야 하며, 움직이는 물체의 영역은 상대적으로 큰 절대값으로 표현된다.
없었다. 이와 같이 차량 영역이 제대로 되지 않은 경우는 0.25%로 미미하였기 때문에 최종 차종 인식 성능은 차량 영역검출의 결과에 의존하지 않는다고 가정하였다.

제안 방법

4.3절에서 설명한 바와 같이 입력층-은닉층-출력층의 구 조가 16x150x24인 3층 신경망 회로를 통하여 학습한 결과로 생성된 질감특성자별 차종의 가중치를 이용하여 차량의 인식 실험을 시도하였다. 인식 효율성을 측정하기 위하여 인식률(sensitivity)과 강 건률(specificity)을 식 (7) 과 같이 정의하였다.
차종 식별을 위한 차량의 특징으로는 질감 특성 자를 도입하였고, 질감으로써 차량의 고유한 특징을 가장 잘 나타낼 수 있는 관심 영역을 결정하였다. 그리고 관심 영역으로부터 GLCM을 이용하여 그 차량의 특징을 나타내는 질감 특징 값들을 계산하였고, 그 값들을 역전파 알고리즘을 적용한 신경 회로망에 입력시켜서 차량의 제조회사와 모델을 인식하였다.
동질성은 가중치가 주 대각 선으로부터 멀어질수록 감소한다면, 화소 쌍들의 콘트라스트가 작을 때 그 식의 값은 커지게 된다. 동질성은 가중치 들이 주 대각선으로부터 멀어질수록 지수 함수적으로 감소하도록 가중치를 설정하였다. 즉 콘트라스트 가중치의 역의 값으로 가중치를 설정하여 콘트라스트의 특성과 반대의 특성을 갖는다.
따라서 회전변환을 위하여 차량 영역 영상의 중앙을 회전 중심점으로 설정하였다. 만일 중앙점 R)의 좌표가 (xo, yo)라 고 한다면, 회전변환 후 구해지는 점 P2의 좌표는 식 (2) 와 같이 수정된다.
차량의 앞쪽 범퍼 및 번호판이 카메라의 아래쪽 시야에서 사라지기 전의 프레임 이미지가 일반적으로 선명한 번호판 영역을 보여주고 있다. 따라서, 영상의 하단에서부터 경험에 의하여 결정한 상한선 사이에 차량의 이미지가 들어오는 연속적인 두 개의 프레임 이미지를 선택하였다. 이 두 프레임 이미지의 차분 영상을 이용하여 차량 영역을 분할할 수 있으며 그림자 등의 잡음을 제거할 수 있다[4].
질감 특징을 구하기 위해 전조등의 일부와 라디에이터 그릴 부분을 포함한 번호판 바로 윗부분 영역으로 설정하였다. 번호판이 구해진 후 번호판의 중심 좌표를 구하고, 그 좌표를 관심 영역을 찾기에 적당한 좌표로 이동 시 킨 후에 전조등의 일부와 라디에이터 그릴 영역을 포함하도록 적당한 크기로 관심 영역을 추출하였다. (그림 5)는 질감 특징을 위해 추출된 관심 영역의 예를 보여주고 있다.
그러나 자동차의 윤곽선은 유사한 모델에서 변별력이 없어서, 이러한 방법으로는 구체적인 차량의 제조사와 모델을 인식하기에는 어려움이 있다. 본 논문에서는 차량의 모델 정보를 위한 특징값을 구하기 위해 자동차의 질감 특성을 사용하였다. 임의의 영상이 주기성이나 특정 방향성이 있다면 질감 에너지를 이용하여 구분 지을 수 있다.
따라서 차량의 기울기를 측정하기 위해서 차량의 기울기와 평행한 선분을 구성하는 점들을 선택해야 한다. 본 연구에서는 차분 이진 영상의 하부 점들 즉, 차량의 범퍼 부분의 일렬로 정렬된 화소들을 선택하였다.
도로 영상을 분석하여 차량의 흐름 및 교통의 혼잡도에 관한 연구도 활발히 수행되었다. 이들 연구의 목적은 기존에 수행된 루프탐지기법이나 센서의 사용을 피하고 영상처리기법을 이용하여 도로 영상에서 교통량의 측정과 도로 상황의 혼잡도의 계산에 활용하였다. Ikeda 등은[3] 실시간으로 도로 영상에서 배경영상을 차분 시켜서 차량 영역을 확보한 후에 이 진화를 시켜서 교통 차량의 양을 측정하였다.
잡음 이 많은 차분 영상은 다음에 수행하게 되는 프로젝션의 계산에서 잘못된 영역을 유도하게 되는 요인이 된다. 이러한 점을 고려하여 최대한 차량 영역의 정보를 잃지 않고 최적의 차량 영역만을 결정할 수 있도록 문턱치값을 설정하였다.
제안 알고리즘의 성능을 측정하기 위해서 도시 외곽에서 운행 중인 800여 대에 이르는 차량들의 영상을 획득하여 개 별 차종의 인식에 관한 실험을 하였다. 먼저 차량의 위치가 차선을 기준으로 유효범위 내에서 운행 중인 차량 415대를 선정하여 결과를 측정하였다.
차량의 윤곽선에 의한 구분과 달리, 차량 앞부분의 전조 등, 라디에이터 그릴 부분의 패턴은 각 차종마다 거의 고유한 외관을 가지고 있기 때문에, 다양한 질감 에너지를 내포하고 있다. 질감 특징을 구하기 위해 전조등의 일부와 라디에이터 그릴 부분을 포함한 번호판 바로 윗부분 영역으로 설정하였다. 번호판이 구해진 후 번호판의 중심 좌표를 구하고, 그 좌표를 관심 영역을 찾기에 적당한 좌표로 이동 시 킨 후에 전조등의 일부와 라디에이터 그릴 영역을 포함하도록 적당한 크기로 관심 영역을 추출하였다.
이와 같은 연구 결과와 기존에 수행된 번호판 인식의 연구나 색상 정보 등을 병행할 경우 주행 차량의 인 식율은 현저하게 향상될 수 있다. 차량 전면부 영역에서 GLCM (Gray Level Co-occurrence Matrix)을 사용하여질 감 특성을 추출하고[5], 이들 질감 특징값을 신경망을 통하여 훈련시킨 후 특정 차량을 인식하도록 하였다[6]. 제안 방법은 단순한 차량의 흐름이나 번호판을 인식하는 방법과 달리 구체적인 자동차 제조 회사와 그 회사의 특정 모델까지 인식할 수 있다는데 큰 의미가 있다.
차량 종류의 인식을 위하여 번호판 인식과 유사한 하나의 은닉층을 가지는 역전파 3층 신경회로망을 구성하여 학습을 시켰다. 입력층은 학습을 위한 데이터를 대입하는 부분으로, 본 논문에서는 차량 종류의 학습 및 식별을 위해 식 (3)-(6) 으로 정의된 질감 특징 자를 네 방향에서 계산하여 총 16개의 질감 특징값을 입력으로 사용하였다.
차종 식별을 위한 차량의 특징으로는 질감 특성 자를 도입하였고, 질감으로써 차량의 고유한 특징을 가장 잘 나타낼 수 있는 관심 영역을 결정하였다. 그리고 관심 영역으로부터 GLCM을 이용하여 그 차량의 특징을 나타내는 질감 특징 값들을 계산하였고, 그 값들을 역전파 알고리즘을 적용한 신경 회로망에 입력시켜서 차량의 제조회사와 모델을 인식하였다.

대상 데이터

도로 영상은 Sony TRV900(6mm) 디지털 비디오 캠코더를 사용하여 수집하였다. 초점은 일반적으로 도로상의 카메라들이 고정되어 있음을 감안하여, 캠코더 역시 삼각대에 고정하여 수동으로 촬영하였다.
제안 알고리즘의 성능을 측정하기 위해서 도시 외곽에서 운행 중인 800여 대에 이르는 차량들의 영상을 획득하여 개 별 차종의 인식에 관한 실험을 하였다. 먼저 차량의 위치가 차선을 기준으로 유효범위 내에서 운행 중인 차량 415대를 선정하여 결과를 측정하였다. 제조회사별 차종의 인식은 24종의 실험 영상의 경우 약 94%의 양호한 인식률을 나타내었다.
그러나, 질감은 크게 세 가지, 즉 밝기의 대조, 규칙성 및 통계적 특성으로 측정될 수 있다. 본 연구에서는 계산량을 최소화하면서 차량의 모델들을 변 별 하는 특성이 높은 있는 콘트라스트, 동질성, 엔트로피, 그리고 모멘텀, 4종의 질감 특징을 질감 서술자로 선정하였으며 식 (3)-(6) 에 정의하였다.
실험에 사용한 데이터는 시내 외곽에서 실제 이동하는 차 량들을 주간에 촬영하였다. 도로 바닥으로부터 카메라 렌즈까지의 높이는 대략 6m를 유지하였다.
촬영 각도는 수평 위치에서 지면을 향하여 약 10도 정도 기울인 상태로 설정하였다. 촬영 대상 차량은 소형 승용차, 중형 승합차뿐만 아니라 트럭도 포함하였다. 먼저 획득된 영상 중에서 차선을 지키지 않았거나 5톤 이상의 대형 트럭과 같이 화면 전체를 차지하는 차량과 같은 불량 영상의 차량은 제외하였다.
영상의 획득이 양호하게 되었어도 동일 차종의 영상의 수가 8대 미만인 차량은 신경망 학습에서 충분한 학습이 이루어지지 않아서 실험에서 제외하였다. 최종적으로 24종의 차량에 대한 415개의 영상이 실험에 적용되었다.
입력으로 사용되는 16개의 질감 특징값들은 화소 거리 d를 1로 설정한 경우의 GLCM으로부터 구해진 값들이다. 최종적으로 실험에 사용한 차량의 종류는 24종을 선별하였기 때문에 출력층의 노드 수를 24로 설정하였다.

이론/모형

이러한 영상은 번호판 인식에서도 치명적일 수 있으며, 질감 특징값에 변화를 줄 수가 있다. 따라서 차량의 기울어진 정도를 Hough 변환[14]을 이용하여 구하고, 회전변환을 통해 기울어진 정도만큼 반대 방향으로 회전 시켜 보정할 수 있다. Hough 변환을 통해 영상 내의 점들이 형성하는 직선의 방정식을 구할 수 있으므로, 차량의 기울기와 평행한 선분을 찾아내면 차량의 기울기 또한 알아낼 수 있다.
번호판의 문자와 차종을 인식하기 위한 신경 회로망 학습은 IBM 슈퍼컴퓨터 IBM RS/6000 SP 9076-制을 사용하였다. 학습이 종료된 후 차종의 인식 실험은 Pentium 4(1.

성능/효과

먼저 차량의 위치가 차선을 기준으로 유효범위 내에서 운행 중인 차량 415대를 선정하여 결과를 측정하였다. 제조회사별 차종의 인식은 24종의 실험 영상의 경우 약 94%의 양호한 인식률을 나타내었다. 일부 차량의 경우 획득 영상의 수가 부족하여 충분한 학습이 이루어지지 않았기 때문에 제안 알고리즘의 인식률 이 충분한 데이터를 확보한 경우에는 더 향상될 수 있을 것으로 예상된다.

후속연구

제조회사별 차종의 인식은 24종의 실험 영상의 경우 약 94%의 양호한 인식률을 나타내었다. 일부 차량의 경우 획득 영상의 수가 부족하여 충분한 학습이 이루어지지 않았기 때문에 제안 알고리즘의 인식률 이 충분한 데이터를 확보한 경우에는 더 향상될 수 있을 것으로 예상된다.

참고문헌 (16)

Wu Wei, Yuzhi Li, Mingjun Wang, and Zhongxiang Huang, 'Research on number-plate recognition based on neural networks', Proceedings of the 2001 IEEE Signal Processing Society Workshop on Neural Networks for Signal Processing XI, pp.529-538, 2001
R.Parisi, E.D.Di Claudio, G.Lucarelli and G.Orlandi 'Car Plate Recognition by Neural Networks and Image Processing' Proceedings of the IEEE International Symposium on Circuits and Systems, Vol.3, pp.195-198, 1998
Toru Ikeda, Shinish Ohnaka, and Masanori Mizoguchi, 'Traffic measurement with a roadside vision system-individual tracking of overlapped vehicles', Proceedings of International Conference on Pattern Recognition, Vol.3, pp. 859-864, 1996
K. Nishiyama, K. Kato, T. Hinenoya, and T. Negishi, 'Image processing system for traffic measurement', Proceedings on the Industrial Electronics, Control and Instrumentation
J. R. Parker 'Algorithms for Image Processing and Computer Vision' Wiley Computer Publishing, 1998
Rchard O. Duda, Peter E. Hart, David G. Stork 'Pattern Classification' Wiley Interscience
Kohtaro Ohba and Katsushi Ikeuchi, 'Detectability, Uniqueness, and Reliability of Eigen Windows for Stable Verification of Partially Occluded Objects', IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.19, No.9, pp.1043-1048, 1997

상세보기
H. Murase and S. Nayar, 'Visual Learning and Recognition of 3D Objects from Appearance', International Journal of Computer Vision, Vol.14, pp.5-24, 1995

상세보기
Masataka Kagesawa, Shinichi Ueno, Katsushi Ikeuchi,and Hiroshi Kashiwagi, 'Local-Feature Based Vehicle Recognition Infra-Red Images Using Parallel Vision Board', Proceedings of the IEEE International Conference on Intelligent Robots and systems, pp.1828-1833, 1999
Kyoung-Mi Lee and W. Nick Street, 'Automatic Image Segmentation and Classification Using On-line shape Learning', Proceedings of the IEEE Workshop on Applications of Computer Vision, pp.64-70, 2000
A. Schanz, C. Knoeppel, and B. Michaelis, 'Robust Vehicle Detection at large Distance Using Low Resolution Cameras', Proceedings of the IEEE Intelligent Vehicles Symposium, pp. 267-272, 2000
Wei Wu, Zhang QiSen, and Wang Mingjun, 'A Method of Vehicle classification Using Models and Neural Networks', Proceedings of the IEEE Conference on Vehicular Technology Conference, Vol.4, pp.3022-3026, 2001
Xia Limin, 'Vehicle Shape Recovery and Recognition Using Generic Models', Proceedings of the 4th World Congress on Intelligent control and Automation, pp.1055-1059, 2002
Wang Shaolin and Zheng Xiaosong, 'Hough Transform: It's Application to the Linearly Moving Point Targets Detection', Proceedings of the IEEE International Symposium on Speech, Image Processing and Neural Networks, pp.795-797, 1994
R.Parisi, E.D.Di Claudio, G.Lucarelli and G.Orlandi 'Car Plate Recognition by Neural Networks and Image Processing' Proceedings of the IEEE International Symposium on Circuits and Systems, Vol.3, pp.195-198, 1998
I, Pitas, 'Digital Image Processing Algorithms and Applications', Wiley Inter-Science, 2000

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증