본 논문에서는 특징점 추적을 이용하여 끼어들기 위반차량을 검지할 수 있는 끼어들기 위반차량 검지 시스템을 제안한다. 제안된 끼어들기 위반차량 검지 시스템의 전체적인 알고리즘은 특징 추출, 추적대상 차량의 특징점 등록 및 추적, 끼어들기 위반차량 검지 등의 세 단계로 구성된다. 특징 추출 단계에서는 실시간 처리가 가능한 특징점 추출 알고리즘을 이용하여 입력 영상에서 특징점을 추출한다. 추출된 특징점들은 다시 추적대상 특징점을 선정하고 등록된 특징점을 정규화 된 교차 상관관계(normalized cross correlation:NCC)를 이용하여 추적한다. 마지막으로 추적된 특징점들의 정보를 이용하여 끼어들기 위반여부를 최종 검지한다. 제안한 시스템을 끼어들기 금지구간에서 취득한 영상을 사용하여 실험한 결과 정인식률 99.09%와 오류율 0.9%의 뛰어난 성능을 보였고 실시간처리가 가능한 초당 34.48프레임의 빠른 처리속도를 얻을 수 있었다.
본 논문에서는 특징점 추적을 이용하여 끼어들기 위반차량을 검지할 수 있는 끼어들기 위반차량 검지 시스템을 제안한다. 제안된 끼어들기 위반차량 검지 시스템의 전체적인 알고리즘은 특징 추출, 추적대상 차량의 특징점 등록 및 추적, 끼어들기 위반차량 검지 등의 세 단계로 구성된다. 특징 추출 단계에서는 실시간 처리가 가능한 특징점 추출 알고리즘을 이용하여 입력 영상에서 특징점을 추출한다. 추출된 특징점들은 다시 추적대상 특징점을 선정하고 등록된 특징점을 정규화 된 교차 상관관계(normalized cross correlation:NCC)를 이용하여 추적한다. 마지막으로 추적된 특징점들의 정보를 이용하여 끼어들기 위반여부를 최종 검지한다. 제안한 시스템을 끼어들기 금지구간에서 취득한 영상을 사용하여 실험한 결과 정인식률 99.09%와 오류율 0.9%의 뛰어난 성능을 보였고 실시간처리가 가능한 초당 34.48프레임의 빠른 처리속도를 얻을 수 있었다.
In this paper, we suggest a system of detecting a vehicle with lane violation, which can detect the vehicle with lane violation, by using the feature point tracking. The whole algorithm in the suggested system of detecting a vehicle with lane violation is composed of three stages such as feature ext...
In this paper, we suggest a system of detecting a vehicle with lane violation, which can detect the vehicle with lane violation, by using the feature point tracking. The whole algorithm in the suggested system of detecting a vehicle with lane violation is composed of three stages such as feature extraction, register and tracking in feature for the tracking-targeted vehicle, and detecting a vehicle with lane violation. In the stage of feature extraction, the feature is extracted from the inputted image by sing the feature-extraction algorithm available for the real-time processing. The extracted features are again selected the racking-targeted feature. The registered feature is tracked by using NCC(normalized cross correlation). Finally, whether or not lane violation is finally detected by using information on the tracked features. As a result of experimenting the suggested system by using the acquired image in the section with a ban on intervention, the excellent performance was shown with 99.09% for positive recognition ratio and 0.9% for error ratio. The fast processing speed could be obtained in 34.48 frames per second available for real-time processing.
In this paper, we suggest a system of detecting a vehicle with lane violation, which can detect the vehicle with lane violation, by using the feature point tracking. The whole algorithm in the suggested system of detecting a vehicle with lane violation is composed of three stages such as feature extraction, register and tracking in feature for the tracking-targeted vehicle, and detecting a vehicle with lane violation. In the stage of feature extraction, the feature is extracted from the inputted image by sing the feature-extraction algorithm available for the real-time processing. The extracted features are again selected the racking-targeted feature. The registered feature is tracked by using NCC(normalized cross correlation). Finally, whether or not lane violation is finally detected by using information on the tracked features. As a result of experimenting the suggested system by using the acquired image in the section with a ban on intervention, the excellent performance was shown with 99.09% for positive recognition ratio and 0.9% for error ratio. The fast processing speed could be obtained in 34.48 frames per second available for real-time processing.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 실시간 처리가 가능하도록 속도를 개선한 특징기반 추적 방식을 이용하여 끼어들기 위반차량을 빠르고 안정적으로 검지하는 시스템을 제안한다.
본 논문에서는 이 문제점을 보완하여 시스템의 속도를 향상시키기 위해 탐색창 내의 모든 픽셀들과의 상관관계를 비교하는 대신 현재 영상의 탐색창 내에서 추출된 특징점들만을 대상으로 상관관계를 구하여 특징점을 추적한다. 이전영상에서 존재했던 특징점은 현재영상에서도 존재하기 때문에 이 방법을 이용함으로서 추적 속도를 향상시키고 안정성은 그대로 유지시킬 수 있다.
본 논문에서는 특징점 추적을 이용하여 끼어들기 위반차량을 검지할 수 있는 끼어들기 위반차량 검지 시스템을 제안하였다. 특징점 추출을 위해 실시간처리가 가능한 고속 코너 검지 알고리즘을 적용하였고, 특징점 추적을 위하여 NCC 계수를 이용하였으며, 추적 속도 향상을 위해 탐색창 전체를 대상으로 검색하는 대신 탐색창 내에 존재하는 특징점들만을 대상으로 검색.
가설 설정
2b) 화소간 근사화를 이용하여 새로운 CRF을 계산하고 이 값이 주어진 임계값2(电보다 작은 경우 코너가 아니다.
추적한다. [1], 이 방식은 고속도로와 같은 연속류 도로에서는 잘 동작한다. 하지만 끼어들기 위반차량 검지등과 같이 교통체증이 심해서 공간적으로 분리되지 않고 다른 차량과 겹치는 상황이 발생하는 도로에서는 개별적인 차량을 효과적으로 분할 또는 추적하기 어렵다는 단점이 있다.
제안 방법
사용된다. [3], 따라서 본 논문에서도 차량의 코너점을 이용한 지역특징 기반 알고리즘을 적용하여 차량을 추적한다.
또한 교통체증이 심한 경우에도 최종 검지 영역에서는 개별차량이 서로 분리되어 차량을 분류하는 단계가 필요 없기 때문에 기존 방식에서 계산량을 많이 차지했던 차량별 분류 단계를 생략 하였다. 그 대신 위반차선점유율(%)을 산출하여 끼어들기 위반차량을 최종 검지하는 간단한 방법을 사용하여 처리시간을 단축한다.
그리고 위반차선 점유율의 임계값(/策을 50% 로 설정 하여 끼어들기 위반예상 차선을 50% 이상 점유한 상태로 끼어들기 위반을 한 차량만 최종 검지하였다.
먼저 고속 코너 검지 (fast comer detection) 알고리즘을 적용하여 특징점 추출 시간을 단축한다. 그리고 탐색창(search window) 내에 존재하는 특징점들만을 대상으로 검색하여 추적하는 새로운 추적 방법을 적용함으로써 추적 시간을 단축한다. 또한 교통체증이 심한 경우에도 최종 검지 영역에서는 개별차량이 서로 분리되어 차량을 분류하는 단계가 필요 없기 때문에 기존 방식에서 계산량을 많이 차지했던 차량별 분류 단계를 생략 하였다.
끼어들기 위반차량 최종 검지 방법은과같이 끼어들기 위반 위험상황 판단, 위반차량 검지 선에 차량 진입 여부 판단, 끼어들기 위반차선 점유율 산출 및 최종 검지 등의 세 단계로 구성된다.
추적하였다. 또한 끼어들기 위반차량 검지의 정확도를 높이기 위해 정상 주행 차선과 위반 예상 차선에 각각 독립적으로 특징점 등록 영역을 설정하여 위반차선 점유율을 산출한 후 이를 이용하여 끼어들기 위반 여부를 최종 판단하였다.
먼저 위반차량 검지영역 내에, 위반 예상 특징 점이 존재할 경우 끼어들기 위반 위험상황을 설정하고 위반차량 검지선에 차량이 진입했는지 여부를 판단한다. 이때 위반 예상 특징점은 2절 가.
반대로 정상 차량이면 끼어들기 위반 위험상황을 해제한 후 다음 프레임으로 진행한다. 여기서 끼어들기 위반 위험상황 해제 시 위반차량 검지영역 위에 존재하는 추적된 특징점들을 삭제하는 것도 포함된다.
본 논문에서 제안한 끼어들기 위반차량 검지 시스템을 끼어들기 위반차량이 많이 발생하는 오후 5시부터 오후 6시까지 한 시간 동안 일반도로의 끼어들기 금지 구간에서 취득한 동영상을 사용하여 실험하였다. 그리고 위반차선 점유율의 임계값(/策을 50% 로 설정 하여 끼어들기 위반예상 차선을 50% 이상 점유한 상태로 끼어들기 위반을 한 차량만 최종 검지하였다.
수행한다. 본 논문에서는 선형 화소간 근사화를 사용한다.
x 240이다. 시스템의 속도 향상을 위해 입력 영상에서 검지영역 부분만을 이용하여 위반차량을 검지한다.<그림 8(b)>는 검지영역 영상을 나타내며 검지 영역 영상의 크기는 166X232이다.
영역기반 추적방식에서는 배경과의 차분방법을 이용하여 차량을 검지.추적한다.
위반 차량이 발생하면 위반차량 검지선에 진입한 끼어들기 위반차량을 최종검지하고 끼어들기 위반위험 상황을 해제한 후 다음 프레임으로 진행한다. 반대로 정상 차량이면 끼어들기 위반 위험상황을 해제한 후 다음 프레임으로 진행한다.
위반차량 검지선에 차량이 진입했을 경우 위반차선 점유율(乌)을 산출하여 끼어들기 위반 여부를 최종 판단하고 차량이 진입하지 않았을 경우 다음 프레임으로 진행한다.
하지만 끼어들기 위반차량 검지등과 같이 교통체증이 심해서 공간적으로 분리되지 않고 다른 차량과 겹치는 상황이 발생하는 도로에서는 개별적인 차량을 효과적으로 분할 또는 추적하기 어렵다는 단점이 있다. 윤곽선기반 추적방식에서는 윤곽선 모델에 기반을 두어 차량을 검지.추적 한다.
제안한 전체적인 끼어들기 위반차량 검지 시스템은과 같이 크게 특징점 추출, 추적대상 특징점 등록 및 추적, 위반차량 검지 등의 세 부분으로 구성된다.
제안하였다. 특징점 추출을 위해 실시간처리가 가능한 고속 코너 검지 알고리즘을 적용하였고, 특징점 추적을 위하여 NCC 계수를 이용하였으며, 추적 속도 향상을 위해 탐색창 전체를 대상으로 검색하는 대신 탐색창 내에 존재하는 특징점들만을 대상으로 검색.추적하였다.
대상 데이터
실험에 사용한 영상에서는 총 881대의 차량이 통과하였고 이 중 실제 끼어들기 위반차량은 총 143대였으며 정상 주행 차량은 738대였다. 본 논문에서 제안한 시스템은 위반차량 143대중 136대를 정상검지 하였고 정상 주행 차량 738대중 1 대를 위반차량으로 오검지하였다.
나타낸 것이다. 실험에 사용한 영상에서는 총 881대의 차량이 통과하였고 이 중 실제 끼어들기 위반차량은 총 143대였으며 정상 주행 차량은 738대였다. 본 논문에서 제안한 시스템은 위반차량 143대중 136대를 정상검지 하였고 정상 주행 차량 738대중 1 대를 위반차량으로 오검지하였다.
<그림 13>은 본 논문에서 제안한 탐색창 내에 존재하는 특징점들만을 대상으로 검색.추적하는 방법을 이용하지 않고 탐색창 내의 모든 픽셀들과의 상관관계를 비교하여 추적하는 기존의 특징기반 추적 방법을 이용한 위반차량 검지 결과를 프레임별로 나타낸 것이다.
이론/모형
MIC 알고리즘은 연산량을 줄이고 찾아진 코너의 질을 높이기 위해 멀티그리드 알고리즘을 사용하며 이는 다음 3단계로 구성된다.
먼저 고속 코너 검지 (fast comer detection) 알고리즘을 적용하여 특징점 추출 시간을 단축한다. 그리고 탐색창(search window) 내에 존재하는 특징점들만을 대상으로 검색하여 추적하는 새로운 추적 방법을 적용함으로써 추적 시간을 단축한다.
먼저 추적 대상 특징점 추출 단계에서는 특징 점 등록영역에서 MIC 알고리즘을 이용하여 특징점을 추출한다. 추적 대상 특징점의 개수가 많을 경우 한대의 차량에 필요 이상의 많은 특징점들이 등록되어 추적 속도가 느려지기 때문에 추적 대상 특징 점을 추출할 때는 MIC 알고리즘의 임계값(%, 电을 크게 설정하여 코너 성분이 강한 점만 추출함으로써 추적속도를 향상시킬 수 있다.
코너 검지(comer detection) 분야에서 현재까지는 Harris[6], Susan[7] 등이 대표적이며 본 논문에서는 이 두 알고리즘과 비교 했을 때 안정성과 정확도는 비슷한 반면 속도는 상대적으로 빠른 M. Trajkovic, M. Hedley가 제안한 MIC 알고리즘[8]을 사용하여 코너 점을 검출 한다.
성능/효과
끼어들기 금지구간에서 교통체증이 심한 시간대에 취득한 영상을 사용한 실험결과에서 제안된 시스템은 정인식률 99.09%와 오류율 0.9%의 뛰어난 성능을 보였고 실시간처리가 가능한 초당 34.48프레임의 빠른 처리속도를 얻을 수 있었다.
또한 CPU 2.13GHz에서 프레임당 처리시간은 평균 0.029초가 소요되어 처리 가능 속도는 초당 34.48 프레임으로 실시간 처리에 적용하기에 전혀 문제가 없음을 확인하였다.
강인한 특징을 가지고 있다. 또한 자동차의 운행 특성 및 카메라와 차량의 기하학적 위치에 의해 차량이 검지 카메라와 가까워지면 영상에서 반드시 차량 객체가 개별적으로 분리되는 특징을 이용하여 위반차량의 최종 검지시기를 결정하였기 때문에 영상 검지 시스템의 또 다른 문제점인 폐색(occlusion)에도 강인한 결과를 나타냈다.
실험 결과 제안한 시스템은에서 보인 바와 같이 정인식률 99.09%와 오류율 0.9%의 뛰어난 성능을 보였다.
<그림 13>과<그림 J0>은 동일한 차량을 대상으로 검지한 결과이다. 이 두 결과에서 보는 바와 같이 기존의 방법과 제안한 방법의 추적 결과에는 크게 차이가 없었다. 하지만 기존 추적 방법은 프레임당 처리시간이 평균 1.
제안한 시스템에서 추적대상 특징점 추적에 사용한 상관계수는 정규화된 교차 상관관계 (normalized cross correlation : NCQ 이며 크기가 2nX2n인 두 개의 영상 乌과 %의 NCC 계수는와 같이 정의 된다.
특히 제안한 시스템은 그림자(shadow), 기상 조건 (weather conditions)등에 둔감한 차량의 코너점을 특징으로 사용하였기 때문에 현재까지의 영상 검지 시스템의 문제점으로 지적되어온 그림자, 기상 조건 등에 강인한 특징을 가지고 있다. 또한 자동차의 운행 특성 및 카메라와 차량의 기하학적 위치에 의해 차량이 검지 카메라와 가까워지면 영상에서 반드시 차량 객체가 개별적으로 분리되는 특징을 이용하여 위반차량의 최종 검지시기를 결정하였기 때문에 영상 검지 시스템의 또 다른 문제점인 폐색(occlusion)에도 강인한 결과를 나타냈다.
이전영상에서 존재했던 특징점은 현재영상에서도 존재하기 때문에 이 방법을 이용함으로서 추적 속도를 향상시키고 안정성은 그대로 유지시킬 수 있다. 특히 탐색창 내에서 특징점을 추출할 때 MIC 알고리즘의 임계값(4, 写)을 작게 설정하면 이전 영상에서 추출된 특징점이 현재 영상에서도 추출될 확률이 더 높아지기 때문에 추적의 안정성을 향상 시킬 수 있다. 제안한 시스템에서 추적대상 특징점 추적에 사용한 상관계수는 정규화된 교차 상관관계 (normalized cross correlation : NCQ 이며 크기가 2nX2n인 두 개의 영상 乌과 %의 NCC 계수는<수식 5>와 같이 정의 된다.
이 두 결과에서 보는 바와 같이 기존의 방법과 제안한 방법의 추적 결과에는 크게 차이가 없었다. 하지만 기존 추적 방법은 프레임당 처리시간이 평균 1.34초 소요되어 실시간처리가 불가능한 초당 0.75프레임의 속도를 보였다.
참고문헌 (8)
S. Gupte, O. Masoud, R. F. K. Martin, and N. P. Papanikolopoulos, "Detection and classification of vehicles," IEEE Trans. Intelligent Transportation System, vol. 3, no. 1, pp. 37-47, Mar. 2002.
D. Koller, K. Daniilidis, and H. Nagel, "Model-based object tracking in monocular image sequences of road traffic scenes," Int. J. Computer Vision, vol. 10, no. 3, pp. 257-281, June 1993.
B. Coifman, D. Beymer, P. McLauchlan, and J. ？Malik, "A real-time computer vision system for vehicle tracking and traffic surveillance," Transportation Research Part C: Emerging Technologies, vol. 6, no. 4, pp. 271-288, Aug. 1998.
R. Polana and R. Nelson. "Low level recognition of human motion," Proc. IEEE Workshop Motion of Non-Rigid and Articulated Objects, pp. 77-82, Nov. 1994.
T. J. Fan, G. Medioni, and R. Nevatia, "Recognizing 3-D objects using surface descriptions," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 11, no. 11, pp. 1140-1157, Nov. 1989.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.