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
- 본 논문에서는 실제 도로 환경에서 위험 상황을 감지하고 안전 운행을 돕는 실시간 차선 및 차간 인식 방법을 제안한다. 먼저 차량 전방에 설치된 카메라를 활용하여 촬영한 도로영상으로부터 도로와 차량에 해당하는 관심 영역을 추출한다.
- 본 논문에서는 차량 전면에 설치된 카메라를 이용하여 촬영한 전방 도로 영상을 분석하기 위해 관심 영역을 설정하고 그레이 스케일, 소벨 연산, 이진화, 허프 변환 등의 전처리 과정을 거쳐 색상 성분의 임계치를 얻고 윤곽을 찾아내는 방법으로 차선 및 차량을 검출하는 보다 효율적인 알고리즘을 제안하였다. 제안한 차선 및 차량 검출 알고리즘을 구현하여 실제 도로상황에 적용하여 실험한 결과 차선 검출과 차량 검출에서 약 95% 정도의 인식률을 나타내어 안전 운전에 대응할 수 있는 것으로 입증되었다.
- 흐린 날씨, 야간 등 도로 상황이 좋지 않은 환경에서도 차량 및 차선검출에 대한 인식률이 향상되어야 하고, 카메라 영상 기반의 차선 및 차량 검출, 차건 거리 측정이 실용성을 갖추려면 거의 100%에 근접한 인식률이 필요하며 충분한 검증이 이루어져야 한다. 이러한 목표를 달성하기 위해 영상 처리 기법 및 제안한 검출 알고리즘에서 오류를 줄이기 위한 연구를 진행하고 있다.
제안 방법
- Intel® CoreTM i3 Processor의 노트북 컴퓨터에서 차선 및 차량 검출, 차선 이탈 및 차량 충돌 경보 실험을 실시하였고, 프로그램은 JAVA 및 Android SDK를 이용하여 구현하였다.
- 입력된 도로영상을 차선 및 차간 인식 알고리즘에 적용하기 위해서는 먼저 도로영상에 대해서 전처리가 선행되어야 한다. 관심영역(ROI : Region of Interest)을 설정하고, 그레이스케일, 소벨 연산 및 이진화를 사용하여 차선과 차량의 특징을 추출한다. 이후 전처리 영역을 바탕으로 허프 변환을 이용하여 영상 내 직선과 차량 성분을 검출하고, 검출된 직선성분을 분석하여 통계적으로 최대값 성분을 차선으로 인식한다.
- 추출한 관심 영역에 대해 전처리과정을 수행하고 허프 변환을 이용하여 직선 성분을 검출하고 확률 계산을 통하여 차선을 확정하여 필터링을 실시한다. 그리고 관심 영역에서 전방 차량의 그림자 임계값 분석을 통해 전방 차량 객체를 추출하고 전방 차량과의 거리를 계산한다. 제안한 차선 및 차간 인식 기술을 실제 도로상황에 적용하여 실험한 결과 95% 이상의 인식률을 나타내어 차량의 안전운전을 지원하는 시스템에 적용될 수 있도록 하였다.
- 그리고 실제 획득한 영상을 가지고 세션화를 수행하면 차선이 완전한 하나의 직선군으로 형성되어 있지 않음 알 수 있는데, 이러한 이유로 그림7에서처럼 호프공간에는 차선이 존재하는 좌표부근에 여러 개의 직선후보들이 나타나게 된다. 따라서 누적된 직전 후보들의 픽셀을 합산하여 그들 중 최대값을 검출하여 하나의 직선만을 대표값으로 그리게 하였다. 그림 7은 허프 변환 알고리즘을 적용한 결과 영상이다.
- 이후 전처리 영역을 바탕으로 허프 변환을 이용하여 영상 내 직선과 차량 성분을 검출하고, 검출된 직선성분을 분석하여 통계적으로 최대값 성분을 차선으로 인식한다. 또한, 전방 차량인식을 위해 관심영역에서 임계값이하이면 객체로 설정하고 차량 여부를 식별하여 차간 거리를 계산한다. 실시간으로 전방 차량에 대한 카메라 영상을 분석하여 차선과 차량을 인식하고 차건 거리를 계산하는 과정은 그림1과 같다.
- 본 논문에서는 실제 도로 환경에서 위험 상황을 감지하고 안전 운행을 돕는 실시간 차선 및 차간 인식 방법을 제안한다. 먼저 차량 전방에 설치된 카메라를 활용하여 촬영한 도로영상으로부터 도로와 차량에 해당하는 관심 영역을 추출한다. 추출한 관심 영역에 대해 전처리과정을 수행하고 허프 변환을 이용하여 직선 성분을 검출하고 확률 계산을 통하여 차선을 확정하여 필터링을 실시한다.
- 차량 내부의 적절한 위치, 각도 및 초점을 맞추어 카메라가 탐재된 임베디드 보드를 설치하고 실시간으로 전방 도로 영상을 수집한다(그림 8 ⒜). 수집된 카메라 영상을 프레임 단위로 나누고 관심 영역을 설정하며(그림 8 ⒝), 관심 영역을 대상으로 전처리 과정을 수행한 후 그레이스케일에 의해 변환된 영상을 소벨 연산과 이진화를 거쳐서 나온 차선 에지의 픽셀을 대상으로 허프 변환을 실시하여 차선을 검출한다(그림 8⒞). 그리고 검출된 차선의 직선 성분을 분석하고 확률적 계산에 의하여 최대값을 갖는 직성 성분을 차선으로 결정한다(그림 8 ⒟).
- 관심영역(ROI : Region of Interest)을 설정하고, 그레이스케일, 소벨 연산 및 이진화를 사용하여 차선과 차량의 특징을 추출한다. 이후 전처리 영역을 바탕으로 허프 변환을 이용하여 영상 내 직선과 차량 성분을 검출하고, 검출된 직선성분을 분석하여 통계적으로 최대값 성분을 차선으로 인식한다. 또한, 전방 차량인식을 위해 관심영역에서 임계값이하이면 객체로 설정하고 차량 여부를 식별하여 차간 거리를 계산한다.
- 정확한 방향 값을 구하기위해 3 × 3 소벨 연산을수평과 수직방향에 대해 적용하였고, 각블록 내의픽셀들에 대해 x와 y 방향으로 각각의 벡터들의 평균값을 구하여 방향각을 계산하였다.
- 제안한 알고리즘의 실차 실험을 위해 자가용 차량의 전방에 카메라, GPS 및 초음파 센서를 부착하였다. 카메라를 통해 실시간으로 수집되는 전방 도로 영상에서 차선 및 차량의 특징을 추출하고, GPS와 초음파 센서는 각각 차량 주행 속도와 전방 차량과의 거리를 측정하는데 사용한다.
- 제안한 차선 및 차간 거리 인식 알고리즘을 구현하여 차량에 탑재한 후 주간과 야간의 좋은 조건, 흐린 날, 우천 시 등의 나쁜 조건의 실제 도로 상황에서 영상을 촬영하여 실험을 실시하였고, 실험 과정에서 미세한 오류와 부작용 등을 해결하였으며, 실험 결과는 표 3와 같이 나타났다.
- 차간 인식 알고리즘에 의해 차량을 인식하고, GPS(NMEA 0183) 수신기를 장착하여 차량 속도와 초음파 센서에 의한 근접 차량 거리를 검출하고, 측정한 실제 차선의 거리 값과 차간 거리 값을 종합적으로 판단하여 차선 이탈 및 추돌 위험 경고 신호(warning)를 사용자에게 알린다. 그림 10은 차선검출 알고리즘과 차간 인식 알고리즘을 이용하여 실제 도로 영상에서 차선 이탈 및 추돌 위험 경고를 사용자에게 알려주는 실험 화면이다.
- 차량 검출 실험은 카메라의 영상을 프레임 단위로 나누어 관심영역을 설정하고, 전처리 과정을 통하여 차량 성분을 추출하는 과정으로 실시하였다. 실험 영상에서 차량으로 판별해야 할 특징은 2,578개였으며, 제안한 차량 인식(추출) 알고리즘으로 추출한 결과 94.
- 차선 추출의 정확도를 높이고 처리 속도를 향상시키기 위하야 각각 왼쪽과 오른쪽 차선으로 관심영역을 설정하고 허프 변환에 의한 직선 알고리즘을 적용하였다. 차량 인식은 차량의 그림자 및 뒷바퀴의 어두운 색 성분이 임계값 이하이면, 이를 객체로 설정하여 차량 여부를 판단하였으며, y축 픽셀에 의한 거리 계산을 통해 차간 거리를 산출하였다.
- 차선 검출 실험은 카메라의 영상을 프레임 단위로 나누어 관심영역을 설정하고, 전처리 과정을 통하여 차선 성분을 추출하는 과정으로 실시하였다. 카메라 영상 2,370 프레임을 촬영하여 실험에 이용한 결과 실선은 95.
- 차선 및 차간 거리 인식은 입력영상 중 관심영역을 설정하여 전처리 과정을 거친 후 차선과 차량을 검출하고 차간 거리를 측정함으로써 차량의 안전운전을 지원하는 시스템에 적용될 수 있도록 하였다. 차선과 차량인식 과정은 다음과 같다.
- 차선 추출의 정확도를 높이고 처리 속도를 향상시키기 위하야 각각 왼쪽과 오른쪽 차선으로 관심영역을 설정하고 허프 변환에 의한 직선 알고리즘을 적용하였다. 차량 인식은 차량의 그림자 및 뒷바퀴의 어두운 색 성분이 임계값 이하이면, 이를 객체로 설정하여 차량 여부를 판단하였으며, y축 픽셀에 의한 거리 계산을 통해 차간 거리를 산출하였다.
- 먼저 차량 전방에 설치된 카메라를 활용하여 촬영한 도로영상으로부터 도로와 차량에 해당하는 관심 영역을 추출한다. 추출한 관심 영역에 대해 전처리과정을 수행하고 허프 변환을 이용하여 직선 성분을 검출하고 확률 계산을 통하여 차선을 확정하여 필터링을 실시한다. 그리고 관심 영역에서 전방 차량의 그림자 임계값 분석을 통해 전방 차량 객체를 추출하고 전방 차량과의 거리를 계산한다.
- 카메라가 탐재된 임베디드 보드를 설치하여 실시간으로 전방 도로영상을 수집하고, 수집된 카메라 영상을 프레임 단위로 나누어 관심영역을 설정한다(그림 9 ⒜). 관심영역을 대상으로 전처리 과정을 수행하여 생성된 전방영상에서 차량의 그림자, 뒷바퀴 또는 후미등의 색상 성분을 분석하여, 차량의 그림자와 양쪽 뒷바퀴 모두 어두운색 성분을 가지는 특징 중 임계치 이하를 객체로 설정한다(그림 9 ⒝).
- 제안한 알고리즘의 실차 실험을 위해 자가용 차량의 전방에 카메라, GPS 및 초음파 센서를 부착하였다. 카메라를 통해 실시간으로 수집되는 전방 도로 영상에서 차선 및 차량의 특징을 추출하고, GPS와 초음파 센서는 각각 차량 주행 속도와 전방 차량과의 거리를 측정하는데 사용한다. Intel® Core 카메라를 통해 얻어진 영상에서 차선을 검출하기 위해 여러 에지 추출 연산중에서 대각선 방향으로 강인성을 보이는 소벨 연산을 이용하여 에지를 검출하였다[6,15]. 에지를검출하는방법으로는편미분연산자계산에의한검출방법으로영상에서의기울기를구하는방법과마스크를 이용하는 방법이 있으나 여기서는 2차 미분에 해당하는 마스크 행렬을 이용하여 에지를 검출한다[6].
- 차선 인식을 통하여 운전자의 의도하지 않은 차선 이탈을 감지하여 경고음을 제공한다. 카메라를 통해 입력되는 전방 도로 영상에서 차선을 검출하고 주행 방향과 차선의 위치를 분석하여 차선 이탈 여부를 판단한다. 이 알고리즘을 적용 하여 차선을 검출한 결과는 그림 8과 같다.
대상 데이터
- 3333px;">TM i3 Processor의 노트북 컴퓨터에서 차선 및 차량 검출, 차선 이탈 및 차량 충돌 경보 실험을 실시하였고, 프로그램은 JAVA 및 Android SDK를 이용하여 구현하였다. 도로가 넓고 한산하여 빠른 주행속도에서 실험이 가능한 교차로와 직선도로를 포함한 지역, 차량의 이동과 지체 구간이 자주 있는 교차로, 급커브, 고가도로, 공사 중인 도로, 신호등을 포함한 지역을 선택하여 이루어졌고, 한 프레임 당 평균 2～3대의 차량이 출현하였으며, 20～70㎞/h 정도의 속도로 주행하였다.
- 이 알고리즘을 적용 하여 차선을 검출한 결과는 그림 8과 같다. 차량 내부의 적절한 위치, 각도 및 초점을 맞추어 카메라가 탐재된 임베디드 보드를 설치하고 실시간으로 전방 도로 영상을 수집한다(그림 8 ⒜). 수집된 카메라 영상을 프레임 단위로 나누고 관심 영역을 설정하며(그림 8 ⒝), 관심 영역을 대상으로 전처리 과정을 수행한 후 그레이스케일에 의해 변환된 영상을 소벨 연산과 이진화를 거쳐서 나온 차선 에지의 픽셀을 대상으로 허프 변환을 실시하여 차선을 검출한다(그림 8⒞).
데이터처리
- 또한, 차선 검출과 차량 검출에 대한 기존 연구결과와 비교한 결과를 표 4에 정리하였다. 기존 연구결과는 참고문헌에 기술된 차선 검출과 차량 검출의 비율을 이용하였으며, 허프 변환을 적용하여 차선을 검출하였고, Haar-like 특징을 이용하여 차량을 검출하였다. 실험 환경이 다소 차이가 있지만, 제안한 방법이 관련연구에서 조사한 기존의 연구 결과보다 정확성이 높은 것으로 확인되었다.
이론/모형
- 두 구성은 완전히 다른 형식이 아니라 식 ⑴의 공식으로 상호변환이 가능하다. 영상처리 시에는 NTSC(National Television Standards Committee)에서 제시한 YIQ 방식에 기초하여 그레이 스케일로 변환한다. 즉, 위의 행렬식으로 계산해보면 밝기 Y는 0.
- 컴퓨터 비전 및 영상처리 분야에서 허프 변환은 영상에 존재하는 다항식으로 모델링 가능한 물체를 찾아내는 방법으로 흐릿한 영상에도 좋은 결과를 얻어내며 잡음에 강인한 특성을 갖는다. 이와 같은 허프 변환을 이용하여 직선을 찾아내는 방식을 활용한 차선 인식 알고리즘은 차선 검출 연구에서 보편적으로 사용되는 방법이며[3,4,9,10], 본 논문에서도 사용하였다. 허프 변환을 이용한 차선검출은 다른 방법들에 비해 간단하지만, 픽셀도메인에 존재하는 직선상의 각 픽셀에 대해 파라미터 평면에 각각의 궤적을 그리는 과정으로 인하여 픽셀 수가 증가하면 처리시간이 증가한다는 단점이 있다.
- 차선을 검출하기 위하여 영상 좌표에서의 직선의 방정식을 파라미터 공간으로 변환하여 직선을 찾는 알고리즘은 허프 변환 알고리즘을 이용하여 차선을 검출한다[6].
성능/효과
- 7%의 높은 인식률을 보였다. 그리고 GPS를 이용하여 측정한 차량의 주행 속도, 초음파 센서를 이용하여 감지한 차량의 근접 정도 및 차량 검출 결과를 이용하여 표 2의 차량 충돌 위험 경보 조건에 따라 경고음 발생 여부에 대한 실험을 실시한 결과 경고음이 정상적으로 발생되었다.
- 차량 검출 실험은 카메라의 영상을 프레임 단위로 나누어 관심영역을 설정하고, 전처리 과정을 통하여 차량 성분을 추출하는 과정으로 실시하였다. 실험 영상에서 차량으로 판별해야 할 특징은 2,578개였으며, 제안한 차량 인식(추출) 알고리즘으로 추출한 결과 94.7%의 높은 인식률을 보였다. 그리고 GPS를 이용하여 측정한 차량의 주행 속도, 초음파 센서를 이용하여 감지한 차량의 근접 정도 및 차량 검출 결과를 이용하여 표 2의 차량 충돌 위험 경보 조건에 따라 경고음 발생 여부에 대한 실험을 실시한 결과 경고음이 정상적으로 발생되었다.
- 기존 연구결과는 참고문헌에 기술된 차선 검출과 차량 검출의 비율을 이용하였으며, 허프 변환을 적용하여 차선을 검출하였고, Haar-like 특징을 이용하여 차량을 검출하였다. 실험 환경이 다소 차이가 있지만, 제안한 방법이 관련연구에서 조사한 기존의 연구 결과보다 정확성이 높은 것으로 확인되었다.
- 그리고 관심 영역에서 전방 차량의 그림자 임계값 분석을 통해 전방 차량 객체를 추출하고 전방 차량과의 거리를 계산한다. 제안한 차선 및 차간 인식 기술을 실제 도로상황에 적용하여 실험한 결과 95% 이상의 인식률을 나타내어 차량의 안전운전을 지원하는 시스템에 적용될 수 있도록 하였다.
- 본 논문에서는 차량 전면에 설치된 카메라를 이용하여 촬영한 전방 도로 영상을 분석하기 위해 관심 영역을 설정하고 그레이 스케일, 소벨 연산, 이진화, 허프 변환 등의 전처리 과정을 거쳐 색상 성분의 임계치를 얻고 윤곽을 찾아내는 방법으로 차선 및 차량을 검출하는 보다 효율적인 알고리즘을 제안하였다. 제안한 차선 및 차량 검출 알고리즘을 구현하여 실제 도로상황에 적용하여 실험한 결과 차선 검출과 차량 검출에서 약 95% 정도의 인식률을 나타내어 안전 운전에 대응할 수 있는 것으로 입증되었다.
- 차선 검출 실험은 카메라의 영상을 프레임 단위로 나누어 관심영역을 설정하고, 전처리 과정을 통하여 차선 성분을 추출하는 과정으로 실시하였다. 카메라 영상 2,370 프레임을 촬영하여 실험에 이용한 결과 실선은 95.3%, 점선은 95.1%의 인식률을 보이며, 강건하게 차선을 인식하는 것으로 판단되었다. 그리고 표 1의 차선 이탈 경보 조건에 따라 검출된 차선을 이탈하였을 때 경고음이 울리는지 여부에 대한 실험을 실시한 결과 경고음이 정상적으로 발생되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.