[논문]도로 상의 자동차 탐지를 위한 카메라와 LIDAR 복합 시스템

황재필; 박성근; 김은태; 강형진

doi:10.5302/j.icros.2009.15.4.390

[국내논문] 도로 상의 자동차 탐지를 위한 카메라와 LIDAR 복합 시스템
Camera and LIDAR Combined System for On-Road Vehicle Detection 원문보기

제어·로봇·시스템학회 논문지 = Journal of institute of control, robotics and systems, v.15 no.4, 2009년, pp.390 - 395

황재필 (연세대학교 전기전자공학부) , 박성근 (연세대학교 전기전자공학부) , 김은태 (연세대학교 전기전자공학부) , 강형진 (주) 만도 중앙연구소)

Abstract ▼ AI-Helper

In this paper, we design an on-road vehicle detection system based on the combination of a camera and a LIDAR system. In the proposed system, the candidate area is selected from the LIDAR data using a grouping algorithm. Then, the selected candidate area is scanned by an SVM to find an actual vehicle. The morphological edged images are used as features in a camera. The principal components of the edged images called eigencar are employed to train the SVM. We conducted experiments to show that the on-road vehicle detection system developed in this paper demonstrates about 80% accuracy and runs with 20 scans per second on LIDAR and 10 frames per second on camera.

Keyword

AI 본문요약
AI-Helper

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

문제 정의

이 논문에서는 LIDAR와 카메라 시스템을 직렬로 구성하여 지면의 차량을 탐지하는 시스템을 제안한다. LIDAR를 이용하여 후보 영역을 검출하고, 카메라를 이용하여 후보 영역에서 자동차를 검출한다.
이 논문에서 우리는 LIDAR와 카메라를 융합한 자동차 탐지 시스템을 제안하였다. 본 시스템은 LIDAR를 이용하여 후보영역을 추출하고, 카메라로 취득한 영상데이터를 이용하여 자동차를 판별한다.

가설 설정

본 논문에서는 시스템의 단순화를 위하여 자동차는 상하 방향으로만 오차가 발생한다고 가정한다. LIDAR와 카메라가 동일하게 좌우방향이나 횡전 방향으로의 오류는 동일하게 반영이 되기 때문이다.

제안 방법

지면의 차량을 탐지하는 시스템을 제안한다. LIDAR를 이용하여 후보 영역을 검출하고, 카메라를 이용하여 후보 영역에서 자동차를 검출한다. 카메라는 선택된 작은 영역만을 탐색하기 때문에 이 방법은 실시간으로 적용이 가능하다.
LIDAR와 카메라가 동일하게 좌우방향이나 횡전 방향으로의 오류는 동일하게 반영이 되기 때문이다. LIDAR 상의 데이터와 카메라 이미지상의 연관 관계를 알아내기 위하여 우리는 카메라 칼리브레이션을 실시한다. 8개의 체스 판 이미지를 이용하여 카메라와 LUDAR사이의 관계를 파악한다.
이 논문에서 우리는 자동차 영상의 하반부의 에지 이미지를 특징 점으로 사용하여 자동차 인식을 한다. LTDAR에는상하 방향의 오류를 검출하지 못하기 때문에 영상처리 부에서는 판별과 상하 방향의 오류 수정을 같이 한다.
본 논문에서는 자동차 전체의 이미지 대신, 자동차 하단부의 에지 이미지를 사용한다. 영상의 에지를 추출하기 위하여모폴로지컬 필터링 의 두 가지 연산, 팽창연산과 침식 연산을 사용한다.
에지 이미지를 사용한다. 영상의 에지를 추출하기 위하여모폴로지컬 필터링 의 두 가지 연산, 팽창연산과 침식 연산을 사용한다. 팽창연산은 밝은 부분을 확장시키는 역할을 하며, 침식연산은 밝은 부분을 줄이고, 어두운 부분을 확장시킨다.
자동차의 경우 세단이든 SUV이든 하단부는 비슷한 모습을 보여준다. 때문에 본 논문에서는 하단부 이미지만 사용한다. 그 후, 이미지들은 32x16 사이즈로 정규화 시킨다.
두 번째로, 우리는 모폴로지컬 팽창연산과 침식연산을 이용하여 에지를 추출한다. 이는 밝기의 영향을 줄이고, 좀 더 강인한 외관 이미지를 사용하기 위해서이다.
고유자동차의 수와 판별 성능의 관계를 찾고, 적절한 고유자동차 수를 선택하기 위하여 우리는 여러 고유자동차의 수를 실험하였다. 본 테스트는 SVM light [15]를 기반으로 C++ 로 구현되었다.
상하로 움직이는 경우도 발생을 한다. 이를 고려하기 위하여 우리는 탐지 영역을 LIDAR를 이용하여 검출한 후보영역에서 위아래로 탐지영역을 확장하여 사용한다. 이 탐지영역을 각각 1차원 벡터로 변환하여 고유자동차를 이용하여 차원을 줄인 후, SVM을 이용하여 탐지한다.
이를 고려하기 위하여 우리는 탐지 영역을 LIDAR를 이용하여 검출한 후보영역에서 위아래로 탐지영역을 확장하여 사용한다. 이 탐지영역을 각각 1차원 벡터로 변환하여 고유자동차를 이용하여 차원을 줄인 후, SVM을 이용하여 탐지한다. 丿eU 를 탐색영역의 인덱스라고 설정하고, 七 는 특징 점 벡터이다.
시스템을 제안하였다. 본 시스템은 LIDAR를 이용하여 후보영역을 추출하고, 카메라로 취득한 영상데이터를 이용하여 자동차를 판별한다. 간단한 그룹화 알고리즘을 이용하여 레이더에서 온 데이터를 처리한 후, 고유자동차를 이용하여 영상 입력의 차원을 줄여서 SVM에 입력하여 결과를 찾아낸다.
본 시스템은 LIDAR를 이용하여 후보영역을 추출하고, 카메라로 취득한 영상데이터를 이용하여 자동차를 판별한다. 간단한 그룹화 알고리즘을 이용하여 레이더에서 온 데이터를 처리한 후, 고유자동차를 이용하여 영상 입력의 차원을 줄여서 SVM에 입력하여 결과를 찾아낸다. 이 방법은 간단하고 적용하기 쉬운 장점이 있다.
LIDAR 상의 데이터와 카메라 이미지상의 연관 관계를 알아내기 위하여 우리는 카메라 칼리브레이션을 실시한다. 8개의 체스 판 이미지를 이용하여 카메라와 LUDAR사이의 관계를 파악한다. 그림 2는 LLDAR 데이터와 카메라로 취득한 이미지의 관계를 보여준다.

대상 데이터

우선 사각형인 자동차 전체의 이미지를 10% 마진을 가지고 반으로 잘라내서 하단부 이미지를 만든다. 마진을 두는 것은 좀더 에지가 확실하게 나타나도록 하고 오차에 대한 강인성을 부여한다.
본 논문에서는 286개의 자동차 이미지와 300개의 비-자동차 이미지를 사용하여 자동차 판별 시스템을 학습하였다. SVM의 성능을 평가하기 위하여 37개의 자동차 이미지와 2000개의 도로에서 촬영한 동영상에서 얻어진 도로 이미지를 사용한다.
학습하였다. SVM의 성능을 평가하기 위하여 37개의 자동차 이미지와 2000개의 도로에서 촬영한 동영상에서 얻어진 도로 이미지를 사용한다.
이후, 인식률은 변화하지 않는다. 이런 이유로 본 논문에서는 24개의 고유자동차를 자동차 탐지에 사용한다.
이러한 결과는 물체가 너무 어둡거나 너무 멀리 있어서 에지 정보가 사사라 진 것 원인으로 파악된다. 실험에서는 50개의 이미지에서 344개의 오브젝트들이 처리하였으며 15fj?s로 처리가 가능하였다.

성능/효과

이론적으로 지면의 높이는 0으로 가정하기 때문에 수평 위치 y 는 0으로 설정되고, 수식 (1)을 이용하여 LIDAR의 측정값과 영상이미지를 대응시킬 수 있다. 실험 결과 영상에 대응되었을 때 오차는 좌우로 5% 이내였으며, 이는 클레시파이어 내에서 처리할 수 있는 범위 내이다.
이 방법은 간단하고 적용하기 쉬운 장점이 있다. 실험 결과 약 80% 의 성능을 보였고, 15fps의 속도로 실행이 가능하였다. 차후, 특징 점 추출 방법과 클래시파이어 선택에 주로 연구하여 더 향상된 시스템을 개발할 예정이다.

후속연구

실험 결과 약 80% 의 성능을 보였고, 15fps의 속도로 실행이 가능하였다. 차후, 특징 점 추출 방법과 클래시파이어 선택에 주로 연구하여 더 향상된 시스템을 개발할 예정이다.

참고문헌 (16)

M. Bertozzi, A. Broggi, G Conte, and A. Fascioli, 'Obstacle and lane detection on ARGO,' IEEE Intelligent Transportation Systems Conf., pp.1010-1015, 1997
B. Ulmer, 'Vita-An Autonomous Road Vehicle (ARY) for collision avoidance in traffic,' Proc. IEEE Intelligent Vehicles Symp., pp. 36-41,1992
D. Bishop, 'Vehicle-Highway Automation Activities in the United States,' International AHS Workshop. US Dept. of Transportation, 1997
C. Thorpe and T. Kanade, 'Vision and navigation for the carnegie mellon navlab,' Proc. DARPA Image Understanding Workshop,1985
C. Thorpe, M. Hebert, T. Kanade, and S. Shafer, 'Vision and navigation for the carnegie-mellon navlab,' IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 10, no. 3, pp. 362-373, 1988

상세보기
C. Thorpe, J. D. Carlson, D. Duggins, J. Gowdy, R MacLachlan, C. Mertz, A. Suppe, and C. Wan, 'Safe robot driving in cluttered environments,' Proc. 11th Int'l Symp. Robotics Research, 2003
M. Walton, 'Robots filil to complete grand challenge,' CNN News, Mar. 2004
P. Pascal, 'Stereovision based vehicle classification using support vector machines,' MIT master diploma paper, 2004
Z. Sun, G Bebis, and R Miller, 'On-road vehicle detection using Gabor Filters and support vector machines,' IEEE Proceding DSP 2002, vol. 2, pp. 1019-1022
N. Paragios and R Deriche, 'Geodesic active contours and level sets for the detection and tracking of moving objects' IEEE Trans-PAMI, vol. 22, pp. 266-280, 2000

상세보기
S. Beucher and M. Bilodeau, 'Road segmentation and obstacle detection by a fust watershed transformation,' Proc. Int. Veh. Symp, pp. 296-301, 1994
A. Guacgetti, M. Carnpani, and V. Torre, 'The use of optical flow for road navigation' IEEE Trans. Robitics and Automation, vol. 14, no. 1, pp 34-48,1998

상세보기
Z. Zomotor and U. Franke, 'Sensor fusion for improved vision based lane recognition and objecttracking with range-finders,' IEEE Conf. on Int. Trans. Sys. pp. 595-600, Nov. 1997
R O. Duda, P. E . Hart, and D. G Stork, Pattern classification 2nd Edition, Wiley & Sons, Inc., Canada, 2001
'SVM_light,' http://www.cs.comell.edu/PeopIe/tj/svrn_light/
D. A. Forsyth and J. Ponce Computer Vision: a Modem Approach, Prentice Hall, 2002

저자의 다른 논문 :

LOADING...

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