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 연속적인 영상에서 나타나는 차량의 공통점을 추출하기 위해 SURF 알고리즘을 이용하여 전방에 존재하는 차량을 효과적으로 추적할 수 있는 알고리즘을 소개한다. 차량을 검출하기 위해서 차량의 외곽 수직 에지 성분을 추출하고 각 성분들에 대한 너비 정보를 이용하여 차량을 검출하고 연속적인 영상에서 SURF 알고리즘을 적용하여 이전에 검출되었던 차량의 위치를 추적하도록 한다.
제안 방법
- 자동차 사고를 예방하기 위한 가장 기본적인 방법으로 단일 카메라를 이용하여 전방의 차량을 효과적으로 검출하고 추적할 수 있는 알고리즘을 제안하였다. 검출을 위해서 수직 에지 특징이 뚜렷하게 나타나는 정보를 이용하였고 이에 대한 차량의 너비와 영상에서의 위치 정보에 대한 관계 테이블을 적용함으로써 빠르고 정확한 차량의 위치를 검출할 수 있었다. 하지만 단일 영상의 경우 배경에서 나타나는 유사 특징으로 인해 오 검출 및 미 검출되는 경우가 발생할 수 있기 때문에 이에 대한 보완을 위해 이전 프레임에서 검출된 차량 정보를 통해 SURF 알고리즘을 이용하여 이전 프레임과 현재 프레임에서 나타나는 특징 비교를 통해 동일한 차량을 검출하여 주변의 배경 변화에도 강인함을 보였다.
- 참고로, 그림 6(a)의 경우는 x, y, xy 방향에 대한 가우시안 2차 미분 필터를 보여주는 것이며, 그림 6(b)의 경우는 x, y, xy 방향의 근사화 된 사각필터를 보여준다. 그리고 스케일에 불변하는 특징을 얻기 위해 스케일링된 영상을 사용하지 않고 사각필터의 크기를 변화시켜 특징을 추출한다. 결과적으로 사각필터의 컨벌루션을 계산하는데 앞서 얻어진 적분 영상을 이용함으로써 사각 영역의 크기에 상관없이 빠르게 헤이시안 행렬식을 구성하고 특징 점을 찾아낸다.
- Mikolajczyk가 제안한 기울기 위치 방향 히스토그램은 SIFT를 확장한 알고리즘의 하나로 찾아진 특징 점을 중심으로 로그폴라 형태의 3개의 반경과 8개의 방향에 대해 총 17개의 세부영역을 나누고, 각 세부영역에서 16방향의 기울기 히스토그램을 통하여 총 272개의 표현자 벡터를 얻는다. 그리고 얻어진 고차원의 표현자 벡터를 주성분 분석 방법으로 128차원 표현자 벡터로 재구성한다. 마지막으로 SURF 표현자는 특징 점을 중심으로 4×4의 세부영역을 구성하고 각 세부영역에서 Haar 웨이블릿을 사용하여 2, 4, 8개의 특징을 구함에 따라 각각 32, 64, 128차원의 표현자 벡터를 구성한다.
- 가우시안 차분 검출기(Difference of Gaussian)는 LoG를 근사화하여 속도를 향상시킨 방법으로 스케일 공간에서 이웃하는 픽셀 중 극 값만 검출한다. 그리고 에지 특성과 명함 대비도를 고려하여 불필요한 성분을 제거함으로써 특징 점을 검출한다. 마지막으로 Bay가 제안한 고속 헤이시안 검출기는 적분영상[13]과 가우시안 2차 미분을 근사화 한 사각필터를 이용하여 수행시간을 획기적으로 단축하였다.
- 그리고 에지 특성과 명함 대비도를 고려하여 불필요한 성분을 제거함으로써 특징 점을 검출한다. 마지막으로 Bay가 제안한 고속 헤이시안 검출기는 적분영상[13]과 가우시안 2차 미분을 근사화 한 사각필터를 이용하여 수행시간을 획기적으로 단축하였다. 두 번째 단계로 흑백 영상의 정보를 이용하여 표현자를 구성하는 알고리즘에는 SIFT, GLOH[7], SURF를 들 수 있다.
- 마지막으로 SURF 표현자는 특징 점을 중심으로 4×4의 세부영역을 구성하고 각 세부영역에서 Haar 웨이블릿을 사용하여 2, 4, 8개의 특징을 구함에 따라 각각 32, 64, 128차원의 표현자 벡터를 구성한다.
- 본 실험에서는 속도에 대한 성능을 개선하기 위해 검색 이미지의 관심영역을 제한하는 방법과 이미지 크기를 축소하는 전처리 단계를 적용하였다. 속도 측정 결과를 통해 본 제안된 알고리즘이 저속으로 진행하는 차량에서의 실시간 처리 가능성을 알 수 있다.
- 수직 에지 영상에서 연속적으로 길게 이어져 있는 에지를 검출하여 크기 순으로 10개를 선정한다. 선정된 수직 에지 성분이 위치하는 하단 점 부분을 검출하고 미리 정의되어 있는 차량 너비 추정 테이블을 이용하여 해당 영역에서의 차량을 검출한다. 이때 추정 테이블은 영상에서의 위치에 대한 차량의 너비 정보에 대한 관계식으로 표현될 수 있다.
- 실제 차량에 적용하여 사용할 수 있는지에 대한 판단을 위해 계산 시간에 대한 측정을 진행하였다. 속도는 2.
- dx, dy 가 계산되면 부분영상을 4×4의 세부영역으로 나누고 각 영역에서 V (Σdx,Σdy, |Σdx|, |Σdy|)의 계산을 통해 4개의 특징벡터를 각각 만들어낸다. 여기서 지역적 특성을 갖는 특징벡터 4개를 사용하게 된 이유는 SURF 알고리즘을 2, 4, 8개의 특징벡터를 사용하여 대응점을 찾을 때 얻은 결과의 분석을 통하여 얻어졌다. 4개의 Haar 웨이블릿 특징 조합으로 구성된 특징벡터를 사용했을 때와 8개를 사용하였을 때 정확도 측면에서는 큰 차이를 보이지 않았고, 낮은 차원의 표현자를 구성하여 정합 시 비교속도를 높일 수 있기 때문이다.
- 차량의 추적에 SURF를 적용하기 위해 이전 프레임에서 검출된 차량의 이미지를 비교 템플릿으로 저장하고 현재 프레임의 영상 내에서 템플릿과 정합되는 위치를 검출함으로써 동일한 차량을 추적한다. 우선 Fast-Hessian 검출기를 이용하여 차량의 템플릿 이미지와 현재의 검색 프레임 이미지의 특징 점들을 구하고 SURF 서술자를 이용하여 관심 포인트에서의 방향과 크기를 구한다. 그림 8은 차량의 템플릿과 현재 검색 프레임에 대해 특징 점을 구하고 각점에서의 방향과 크기를 구한 결과를 보여준다.
- 이 결과는 연속적으로 입력되는 영상에 적용한 결과를 보여주는 것으로 차량이 시간의 변화에 따라 근접함에 있어서도 잘 검출되는 것을 알 수 있으며 연속적인 프레임을 통해 차량의 템플릿이 업데이트 되는 것을 알 수 있다. 이 과정에서 현재 프레임의 전체 영상을 대상으로 SURF 알고리즘을 적용하는 경우 연산량이 증가하기 때문에 이전 프레임에서 검출된 차량의 위치 정보를 이용하여 일정 영역만큼 확장된 영역을 관심영역으로 지정하였다.
- Wang [4]은 차량의 후면에 대한 특징들을 통해 고유벡터를 얻고 이를 훈련한 결과를 저장한다. 이러한 훈련 결과를 통해 차량과 비차량의 클래스에 대한 확률모델을 생성하고 베이지안 룰을 적용하여 새로 입력되는 이미지가 차량인지 아닌지를 판단하였다. 차량의 특징 분석을 위해서 차량의 후면을 특정 영역으로 나누고 각각의 영역에 대해 PCA(Principal Component Analysis)를 적용함으로써 차량의 여부를 판단하는 알고리즘을 제안하였다.
- 그림 8 은 이러한 처리에 대한 결과를 보여준다. 이렇게 찾아진 결과를 이용하여 현재 프레임에서의 새로운 차량의 위치를 분석하는데 이때 정확한 차량의 위치를 검출하기 위해 매칭된 차량의 영역을 새로운 검출 차량으로 인식한다. 그림 8(a)는 이전영상에서 추출된 차량의 템플릿에서의 특징점 추출 결과를 보여주며, 그림 8(b)는 현재 프레임에서의 특징점 추출 결과를 보여준다.
- 본 실험에서는 제안한 알고리즘의 성능을 평가하기 위해 차량의 앞면 상단 중앙에 단일 CCD 카메라를 장착하여 서울시내 및 외곽 고속도로에서 주행하면서 획득한 연속적인 영상을 이용하였다. 이렇게 획득한 도로 영상으로부터 1 프레임 단위로 각 1586 개의 정지영상을 연속적으로 추출하여 차량 검출 및 추적 기법을 적용하였으며 차량은 소형 및 중형 차량에 대해서만 적용하였다. 실험에 사용된 영상은 320 x 240크기를 가지는 그레이 영상을 사용하였으며 2.
- 이를 위해서 이전 20개의 프레임에서 검출된 차량의 위치 및 크기 정보를 누적시키고 해당 영역에서 일정한 프레임 이상 검출된 위치를 검사하여 일정 횟수 이상으로 출현한 것을 유효한 차량의 정보로 인정한다.
- 자동차 사고를 예방하기 위한 가장 기본적인 방법으로 단일 카메라를 이용하여 전방의 차량을 효과적으로 검출하고 추적할 수 있는 알고리즘을 제안하였다. 검출을 위해서 수직 에지 특징이 뚜렷하게 나타나는 정보를 이용하였고 이에 대한 차량의 너비와 영상에서의 위치 정보에 대한 관계 테이블을 적용함으로써 빠르고 정확한 차량의 위치를 검출할 수 있었다.
- 본 논문에서는 연속적인 영상에서 나타나는 차량의 공통점을 추출하기 위해 SURF 알고리즘을 이용하여 전방에 존재하는 차량을 효과적으로 추적할 수 있는 알고리즘을 소개한다. 차량을 검출하기 위해서 차량의 외곽 수직 에지 성분을 추출하고 각 성분들에 대한 너비 정보를 이용하여 차량을 검출하고 연속적인 영상에서 SURF 알고리즘을 적용하여 이전에 검출되었던 차량의 위치를 추적하도록 한다. 이는 차량의 검출과 동시에 동일한 차량여부를 판단함으로써 관심 차량을 추적할 수 있기 때문에 관심 차량의 움직임을 판단할 수 있고 차량의 움직임을 예측하거나 변화에 대한 위험성 판단을 위해 유용하게 사용될 수 있다.
- 앞에서 설명한 것과 같이 SURF알고리즘은 다양한 기하학적 변환과 광학적인 변환에 대해 강건한 특징점을 추출하고 기술자를 생성해서 정합을 하는 방식으로 특정 영상 내에 존재하는 물체를 검출한다. 차량의 추적에 SURF를 적용하기 위해 이전 프레임에서 검출된 차량의 이미지를 비교 템플릿으로 저장하고 현재 프레임의 영상 내에서 템플릿과 정합되는 위치를 검출함으로써 동일한 차량을 추적한다. 우선 Fast-Hessian 검출기를 이용하여 차량의 템플릿 이미지와 현재의 검색 프레임 이미지의 특징 점들을 구하고 SURF 서술자를 이용하여 관심 포인트에서의 방향과 크기를 구한다.
- 이러한 훈련 결과를 통해 차량과 비차량의 클래스에 대한 확률모델을 생성하고 베이지안 룰을 적용하여 새로 입력되는 이미지가 차량인지 아닌지를 판단하였다. 차량의 특징 분석을 위해서 차량의 후면을 특정 영역으로 나누고 각각의 영역에 대해 PCA(Principal Component Analysis)를 적용함으로써 차량의 여부를 판단하는 알고리즘을 제안하였다. 하지만 이러한 알고리즘은 연산량이 많아 실시간성이 보장되지 않으며 검출결과가 훈련되는 데이터의 형태에 영향을 받기 때문에 다양한 환경에서 입력되는데 이터에 적용할 수 없다는 단점이 있다.
- 이렇게 갱신된 차량의 템플릿은 다음 프레임에서 반복적으로 차량의 위치를 검출하기 위해 사용된다. 추가적으로 동일 차량을 빠르게 비교하기 위해서 이전에 검출된 차량의 위치정보에 대해서 일정한 비율로 확대한 영역을 관심영역으로 두어 실시간 처리가 가능하도록 한다. 검출된 동일 차량의 정보를 이용하여 최종적으로 차량의 움직임을 판단할 수 있으며 이러한 이동 정보를 통해 관심 차량에 대한 위험성 여부를 판단할 수 있다.
- 특징 점 및 서술자를 통해 얻어진 결과를 이용하여 현재 프레임에 존재하는 이전 차량 정보를 검출한다. 그림 8 은 이러한 처리에 대한 결과를 보여준다.
- 표현자를 구성하기에 앞서 첫 단계로 회전에 불변하는 특성을 갖게 하기 위해 찾아진 특징점에 대해 방향 정규화를 수행한다. 방향 정규화에는 주방향을 찾기 위해 특징점을 중심으로 특징점이 찾아진 스케일공간의 스케일정보 ‘s’를 참조하여 6s반경 내의 픽셀들에 대하여 가로방향 Haar 웨이블릿 특징 (dx)과, 세로방향 Haar웨이블릿 특징(dy)을 계산한다.
대상 데이터
- 본 실험에서는 제안한 알고리즘의 성능을 평가하기 위해 차량의 앞면 상단 중앙에 단일 CCD 카메라를 장착하여 서울시내 및 외곽 고속도로에서 주행하면서 획득한 연속적인 영상을 이용하였다. 이렇게 획득한 도로 영상으로부터 1 프레임 단위로 각 1586 개의 정지영상을 연속적으로 추출하여 차량 검출 및 추적 기법을 적용하였으며 차량은 소형 및 중형 차량에 대해서만 적용하였다.
- 차량 양쪽의 외곽 부분에 해당하는 위치에서 수직 에지 성분이 가장 강하게 나타나기 때문에 이러한 위치들을 관심 대상으로 지정할 수 있다. 수직 에지 영상에서 연속적으로 길게 이어져 있는 에지를 검출하여 크기 순으로 10개를 선정한다. 선정된 수직 에지 성분이 위치하는 하단 점 부분을 검출하고 미리 정의되어 있는 차량 너비 추정 테이블을 이용하여 해당 영역에서의 차량을 검출한다.
- 이렇게 획득한 도로 영상으로부터 1 프레임 단위로 각 1586 개의 정지영상을 연속적으로 추출하여 차량 검출 및 추적 기법을 적용하였으며 차량은 소형 및 중형 차량에 대해서만 적용하였다. 실험에 사용된 영상은 320 x 240크기를 가지는 그레이 영상을 사용하였으며 2.67 GHz i5 CPU 기반의 PC에서 개발되어 평가하였다.
이론/모형
- 표 1 은 BDF 알고리즘을 이용한 차량 검출 방식과 Adaboost 방식을 이용한 차량 검출 알고리즘을 제안한 알고리즘을 이용한 차량 검출 방식의 검출 율과 비교한 결과를 보여준다. Adaboost를 이용한 차량 검출의 경우 기존 논문에서의 검출 결과를 참조하였다. 영상은 실제 도로 주행을 하면서 획득한 영상을 통해 1586 개의 연속적인 프레임에 적용한 결과를 보여준다.
- 따라서 환경 변화에 강인한 특징 점을 찾고, 다른 특징 점과 구분할 수 있는 표현자가 필요하다. 제안하는 확장 SURF 알고리즘에서 특징 점은 고속 헤이시안 검출기[9]를 사용하여 추출한다. 고속 헤이시안 검출기는 적분영상과 근사화 된 헤이 시안 검출기[11]에 기반을 둔다.
- 지역적 특성을 표현할 특징벡터를 계산하기 위해 Haar 웨이블릿 특징의 조합을 사용한다. 특징벡터를 계산하기에 앞서 회전 불변 특성과 스케일 불변 특성을 고려하기 위해 특징점의 주방향과 스케일 정보 ‘s’를 이용하여 특징점을 중심으로 가로, 세로 20s 범위를 참조하고, 20×20(pixels)의 정규화 된 부분영상을 구성한다.
성능/효과
- 그림 11은 BDF를 이용한 차량 검출 결과 (a) 와 Adaboost 를 이용한 차량 검출 결과 (b), 그리고 제안한 방법을 통한 결과 (c) 를 비교하여 보여준다. BDF의 경우 다양한 크기의 차량을 검출해야 하기 때문에 비교적 정확한 위치를 추출할 수 없다는 단점이 있는 반면 제안한 알고리즘의 경우 정확한 차량의 외곽 위치를 추출할 수 있다는 점을 비교를 통해 알 수 있다.
- 그리고 스케일에 불변하는 특징을 얻기 위해 스케일링된 영상을 사용하지 않고 사각필터의 크기를 변화시켜 특징을 추출한다. 결과적으로 사각필터의 컨벌루션을 계산하는데 앞서 얻어진 적분 영상을 이용함으로써 사각 영역의 크기에 상관없이 빠르게 헤이시안 행렬식을 구성하고 특징 점을 찾아낸다.
- 07558 초의 시간을 보임으로서 초당 약 13 프레임의 속도를 보여주었다. 따라서 각 부분별 결과에 대한 전체 알고리즘의 속도 결과는 프레임당 0.083 초, 즉 초당 약 12 프레임을 처리할 수 있는 결과를 보여주었다.
- 또한 프레임간의 연속성을 고려하지 않기 때문에 동일한 차량인지 여부를 판단할 수 없다. 반면 제안한 알고리즘의 경우는 BDF를 이용한 방식 보다 정확한 차량의 하단 면을 검출하여 거리를 측정할 수 있음을 알 수 있으며 연속되는 프레임에서의 동일한 차량을 검출할 수 있기 때문에 관심 차량에 대한 위치의 변화를 획득할 수 있다.
- 95 %의 검출을 보여주었다. 반면, 제안한 알고리즘의 경우는 1586 개의 프레임 중 1453개의 프레임에서 정상적으로 검출되었고 133 개의 프레임에서 오류를 발생하여 91.62 %의 검출율을 보여준다. 오류가 발생한 경우는 차량의 위치에서 10 % 이상 벗어나서 검출되거나 검출되지 않은 경우로 지정하였다.
- 본 실험에서는 속도에 대한 성능을 개선하기 위해 검색 이미지의 관심영역을 제한하는 방법과 이미지 크기를 축소하는 전처리 단계를 적용하였다. 속도 측정 결과를 통해 본 제안된 알고리즘이 저속으로 진행하는 차량에서의 실시간 처리 가능성을 알 수 있다.
- 그림10 은 제안한 알고리즘에서 검출된 이전 프레임의 차량 템플릿을 저장하고 이를 통해 다음 프레임에서의 동일한 특징을 가지는 차량을 검출함으로써 차량의 위치와 크기를 계속적으로 추적해 나가는 과정을 보여주고 있다. 이 결과는 연속적으로 입력되는 영상에 적용한 결과를 보여주는 것으로 차량이 시간의 변화에 따라 근접함에 있어서도 잘 검출되는 것을 알 수 있으며 연속적인 프레임을 통해 차량의 템플릿이 업데이트 되는 것을 알 수 있다. 이 과정에서 현재 프레임의 전체 영상을 대상으로 SURF 알고리즘을 적용하는 경우 연산량이 증가하기 때문에 이전 프레임에서 검출된 차량의 위치 정보를 이용하여 일정 영역만큼 확장된 영역을 관심영역으로 지정하였다.
- 표 1에서 알 수 있듯이 BDF 를 이용한 경우는 1586 개의 프레임에서 1322 개의 프레임에서 차량을 검출하였고 294 개의 오류가 발생하여 검출율이 83.35 % 이며, Adaboost 알고리즘의 경우 1586 개의 프레임 중 1379 개의 정상을 보여줌으로써 86.95 %의 검출을 보여주었다. 반면, 제안한 알고리즘의 경우는 1586 개의 프레임 중 1453개의 프레임에서 정상적으로 검출되었고 133 개의 프레임에서 오류를 발생하여 91.
- 표 2를 통해 알 수 있듯이 차량 검출 부분에 있어서는 프레임당 0.00742 초의 시간을 보임으로서 초당 약 134 프레임의 처리 성능을 보여주었으며, 추적 분분에 있어서는 프레임당 0.07558 초의 시간을 보임으로서 초당 약 13 프레임의 속도를 보여주었다. 따라서 각 부분별 결과에 대한 전체 알고리즘의 속도 결과는 프레임당 0.
- 검출을 위해서 수직 에지 특징이 뚜렷하게 나타나는 정보를 이용하였고 이에 대한 차량의 너비와 영상에서의 위치 정보에 대한 관계 테이블을 적용함으로써 빠르고 정확한 차량의 위치를 검출할 수 있었다. 하지만 단일 영상의 경우 배경에서 나타나는 유사 특징으로 인해 오 검출 및 미 검출되는 경우가 발생할 수 있기 때문에 이에 대한 보완을 위해 이전 프레임에서 검출된 차량 정보를 통해 SURF 알고리즘을 이용하여 이전 프레임과 현재 프레임에서 나타나는 특징 비교를 통해 동일한 차량을 검출하여 주변의 배경 변화에도 강인함을 보였다. 앞으로의 연구에서는, 안개 낀 날씨, 비 오는 날씨와 같은 악조건의 환경에서도 강인한 차량 특징 추출 기법에 대한 연구가 필요하다.
후속연구
- 하지만 단일 영상의 경우 배경에서 나타나는 유사 특징으로 인해 오 검출 및 미 검출되는 경우가 발생할 수 있기 때문에 이에 대한 보완을 위해 이전 프레임에서 검출된 차량 정보를 통해 SURF 알고리즘을 이용하여 이전 프레임과 현재 프레임에서 나타나는 특징 비교를 통해 동일한 차량을 검출하여 주변의 배경 변화에도 강인함을 보였다. 앞으로의 연구에서는, 안개 낀 날씨, 비 오는 날씨와 같은 악조건의 환경에서도 강인한 차량 특징 추출 기법에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.