[논문]카메라 기반의 측후방 차량 검출 및 추적 방법

백승환; 김흥섭; 부광석

doi:10.7736/kspe.2014.31.3.233

카메라 기반의 측후방 차량 검출 및 추적 방법
A Method for Rear-side Vehicle Detection and Tracking with Vision System 원문보기

한국정밀공학회지 = Journal of the Korean Society for Precision Engineering, v.31 no.3, 2014년, pp.233 - 241

백승환 (인제대학교 기계공학과) , 김흥섭 (인제대학교 고안전차량핵심기술연구소) , 부광석 (인제대학교 고안전차량핵심기술연구소)

Abstract ▼ AI-Helper

This paper contributes to development of a new method for detecting rear-side vehicles and estimating the positions for blind spot region or providing the lane change information by using vision systems. Because the real image acquired during car driving has a lot of information including the target vehicle and background image as well as the noises such as lighting and shading, it is hard to extract only the target vehicle against the background image with satisfied robustness. In this paper, the target vehicle has been detected by repetitive image processing such as sobel and morphological operations and a Kalman filter has been also designed to cancel the background image and prevent the misreading of the target image. The proposed method can get faster image processing and more robustness rather than the previous researches. Various experiments were performed on the highway driving situations to evaluate the performance of the proposed algorithm.

주제어

AI 본문요약
AI-Helper

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

문제 정의

이러한 경우에도 검출 알고리즘은 차량을 빠르게 찾고 추적하거나 사라진 차량에 대한 판단을 내릴 수 있어야 한다. 본 연구에서는 앞서 언급한 주행 상황을 모두 재현해 실험하지 못하였지만, 유사한 실제 주행 상황에서의 검출 및 추적 능력을 평가하였다.
본 연구에서는 측후방 접근 차량의 검출 및 추적 방법에 대하여 제안하였다. 차량 판별 알고리즘을 위한 간단한 영상처리 과정이 적용되었고, 대상 차량의 검출은 영상처리가 완료된 결과를 이용하여 투영된 데이터를 사용하였다.
영상처리는 차량의 검출 알고리즘을 위한 기본적인 데이터를 제공하는 목적으로 구성된다. Fig.

제안 방법

1. 간단한 영상처리 알고리즘의 적용 후, 신호 기반의 검출 알고리즘으로 차량을 검출하였다.
2. 신호처리 기반의 추적 알고리즘을 칼만 필터에 적용하여 영상 기반의 추적 알고리즘보다 간단한 칼만 필터를 설계하였다.
3(b)는 재편성된 영상에서 가장자리를 검출한 이진영상을 보여준다. 가장자리 검출은 Sobel Mask 로 처리하였으며, 검출된 가장자리는 노이즈를 줄이기 위해 가늘게 처리하였다. 검출된 가장자리는 차량의 외곽선을 보여주며, 이 정보는 차량의 존재에 대한 기본적인 정보를 나타낸다.
Kyo¹는 영상에서 각 객체들의 가장자리 선분을 검출하고 분할된 선들의 무리를 정의하여 1차적으로 차량이 될 수 있는 후보를 만들었다. 그리고 대칭성과 그림자 부분을 이용하여 최종적으로 차량에 대한 판정을 내렸다. Hyunjoong Yu² 등은 영상에서 가장자리 선분을 추출해내고 수평방향의 선분들을 검출하여 1차로 차량의 후보를 판정하였다.
Hyunjoong Yu² 등은 영상에서 가장자리 선분을 추출해내고 수평방향의 선분들을 검출하여 1차로 차량의 후보를 판정하였다. 그리고 영상 히스토그램의 대칭성을 이용하여 차량의 위치와 외곽크기를 정의하였다. S.
따라서 본 연구에서는 차량의 정보가 나타날 수 있는 최소한의 영상처리를 수행한 후, 영상을 투영한 데이터를 기반으로 차량 검출 알고리즘을 구성하였다. 그리고 지속적인 대상 차량의 추적을 위해 칼만 필터를 이용하여 강인 추적 알고리즘을 구성하였다. 논문의 2장에서 시스템의 구성 및 검출 알고리즘에 대해 설명하고, 3장에서는 영상처리 과정을, 4장에서는 차량 검출 알고리즘에 대해서 설명하고, 5장에서는 검출된 차량의 추적 알고리즘에 대하여 기술하였다.
다음 단계에서의 차량의 위치를 예측하기 위해 칼만 필터를 설계하였다. 측후방 대상차량의 속도변화가 시스템의 영상 수집 빈도와 샘플링 시간에 대하여 매우 일정하기 때문에, 측후방 대상 차량의 위치는 식(9)와 같이 정의할 수 있다.
차량 외곽선 이외의 가장자리는 영상의 크기에 비해 많은 정보를 가지지 못하고, 이 정보는 노이즈로 간주될 수 있다. 더욱 많은 정보를 차량으로부터 추출하기 위하여, 검출된 가장자리의 내부를 채우는 방법으로 모폴로지 연산이 적용되었다. 모폴로지 연산은 침식(Erosion), 팽창(Dilation), 제거(Opening), 그리고 채움(Close)이 있으며, 본 연구에서는 차량의 외곽선을 추출한 영상에서 채움 연산을 두 번 적용하였다.
너무 많은 정보를 포함하고 있는 영상 자체에서 차량을 검출하고 추적하는 알고리즘을 구현하는 것은 매우 어려운 작업이다. 따라서 본 연구에서는 차량의 정보가 나타날 수 있는 최소한의 영상처리를 수행한 후, 영상을 투영한 데이터를 기반으로 차량 검출 알고리즘을 구성하였다. 그리고 지속적인 대상 차량의 추적을 위해 칼만 필터를 이용하여 강인 추적 알고리즘을 구성하였다.
더욱 많은 정보를 차량으로부터 추출하기 위하여, 검출된 가장자리의 내부를 채우는 방법으로 모폴로지 연산이 적용되었다. 모폴로지 연산은 침식(Erosion), 팽창(Dilation), 제거(Opening), 그리고 채움(Close)이 있으며, 본 연구에서는 차량의 외곽선을 추출한 영상에서 채움 연산을 두 번 적용하였다. 첫 번째 채움 연산은 수평방향으로 적용하였으며, 두 번째 채움 연산은 수직방향으로 적용하였다.
차량의 검출이 매 순간마다 완벽하지 못 할 수 있으므로, 검출된 차량을 추적할 수 있는 추적 알고리즘이 필요하다. 본 연구에서는 추적 알고리즘으로 칼만 필터를 적용하였으며, 시스템 모델을 단순화 하여 칼만 필터의 적용을 용이하게 구성하였다.
본 연구에서는 측후방 차량의 검출과 지속적인 추적에 대한 실험을 위해 고속도로 주행 상황을 고려하였다. 측후방 차량 검출 시스템을 탑재한 시험 차량은 고속도로의 저속 주행 차선인 2차선으로 주행하였고, 1차선에서 주행 중인 차량을 검출 대상 차량으로 선정하였다.
Christian Goerick⁷ 등은 가장자리가 추출된 영상의 히스토그램을 뉴런에 학습시켰다. 수평방향과 수직방향의 히스토그램 입력으로 설정하고, 차량의 위치를 출력으로 설계하였다. Kaychirou Inagaki⁸ 등은 반복적인 학습으로 차량의 위치를 Neural Network에 학습시켰다.
본 연구에서는 차량의 추적을 위해서 칼만 필터를 적용하였다. 연산 처리의 부하를 줄이고 프로세서로의 원활한 탑재를 위해, 칼만 필터 모델은 단순화하여 설계하였다. 최종적으로, 본 연구에서 제안하는 이 알고리즘은 검출 시스템 탑재 차량과 검출된 대상차량 사이의 상대거리 정보를 제공한다.
모폴로지 연산은 침식(Erosion), 팽창(Dilation), 제거(Opening), 그리고 채움(Close)이 있으며, 본 연구에서는 차량의 외곽선을 추출한 영상에서 채움 연산을 두 번 적용하였다. 첫 번째 채움 연산은 수평방향으로 적용하였으며, 두 번째 채움 연산은 수직방향으로 적용하였다. Fig.
연산 처리의 부하를 줄이고 프로세서로의 원활한 탑재를 위해, 칼만 필터 모델은 단순화하여 설계하였다. 최종적으로, 본 연구에서 제안하는 이 알고리즘은 검출 시스템 탑재 차량과 검출된 대상차량 사이의 상대거리 정보를 제공한다.
차량 판별 알고리즘을 위한 간단한 영상처리 과정이 적용되었고, 대상 차량의 검출은 영상처리가 완료된 결과를 이용하여 투영된 데이터를 사용하였다. 투영데이터의 분포는 차량의 검출과 상대거리 측정에 사용되었고, 지속적인 차량 추적을 위해 칼만 필터를 설계하여 구성하였다. 본 연구의 결론과 향후 연구 내용은 다음과 같다.
Kaychirou Inagaki⁸ 등은 반복적인 학습으로 차량의 위치를 Neural Network에 학습시켰다. 학습의 반복 횟수와 인식의 정도를 비교하였으며, Multi Layered 방식의 Neural Network의 학습 결과와도 비교하였다. 그러나 Neural Network은 학습된 환경과 차량에 대해서는 매우 정확한 검출 결과를 나타내지만, 차량의 형상, 위치 그리고 비전 시스템의 변화에 따라 전혀 다른 검출 결과를 보여주기도 한다.

대상 데이터

본 연구에서는 측후방 접근 차량의 검출 및 추적 방법에 대하여 제안하였다. 차량 판별 알고리즘을 위한 간단한 영상처리 과정이 적용되었고, 대상 차량의 검출은 영상처리가 완료된 결과를 이용하여 투영된 데이터를 사용하였다. 투영데이터의 분포는 차량의 검출과 상대거리 측정에 사용되었고, 지속적인 차량 추적을 위해 칼만 필터를 설계하여 구성하였다.
2에는 본 연구에서 적용한 영상처리 과정을 나타내었다. 총 4단계의 영상처리 과정을 거치며, 영상처리 단계의 최종 결과는 이진 영상이다.
카메라로부터 수집된 컬러 영상은 흑백 영상으로 변환되고, 변환된 흑백 영상은 몇 가지의 간단한 영상처리 과정을 거친다. 최종적으로 처리된 영상은 이진 영상이며, 이진 영상은 X축과 Y축으로 투영된다. 투영된 정보는 차량을 검출하기 위한 데이터로 사용된다.
본 연구에서는 측후방 차량의 검출과 지속적인 추적에 대한 실험을 위해 고속도로 주행 상황을 고려하였다. 측후방 차량 검출 시스템을 탑재한 시험 차량은 고속도로의 저속 주행 차선인 2차선으로 주행하였고, 1차선에서 주행 중인 차량을 검출 대상 차량으로 선정하였다. 측후방 차량 감지 실험의 주 목적은 근접 차량의 검출과 지속적인 추적이다.
카메라로부터 수집된 640X480 크기의 영상은 측후방 차량의 존재 영역인 ROI(Region of Interest)로 재편성된다. 재편성된 영상은 그 크기가 원본에 비하여 줄어들며, 줄어든 영상을 흑백으로 변환하였다.

이론/모형

차량의 검출을 더욱 강인하게 유지하기 위해서는 차량 추적 알고리즘을 사용한다. 본 연구에서는 차량의 추적을 위해서 칼만 필터를 적용하였다. 연산 처리의 부하를 줄이고 프로세서로의 원활한 탑재를 위해, 칼만 필터 모델은 단순화하여 설계하였다.
검출 대상차량의 위치는 투영 정보의 폭과 무게중심으로 정의된다. 차량의 검출을 더욱 강인하게 유지하기 위해서는 차량 추적 알고리즘을 사용한다. 본 연구에서는 차량의 추적을 위해서 칼만 필터를 적용하였다.

성능/효과

3. 네 가지 경우의 실험을 통해 이 논문에서 제안하는 측후방 차량검출 시스템은 최대 20m의 상대거리 검출 능력을 가지는 것으로 정의할 수 있다.
4. 제안한 차량 감지 시스템은 연속적인 차량 감지 상황에서도 빠른 검출 능력을 보여준다.
5. 실험에 사용된 영상에서 측후방 차량의 검출과 추적에 대한 오인식율은 매우 낮았으나, 한정된 주행 환경에서의 실험환경이었으므로 오인식율을 수치화할 수 없었다. 추후 더 많은 주행 환경에서의 실험 영상을 확보하고 오인식율에 대한 수치적 정의를 내릴 것이다.
네 번째 실험으로, 본 연구에서 제안한 측후방 차량 검출 시스템의 신속한 검출 능력을 평가할 수 있다. 세 번째 실험에 검출된 차량에 이어서 곧 네 번째 차량이 나타나는데, Fig.
세 번째 실험 차량이 시스템 장착 차량을 통과한 후, 빠르게 네 번째 실험 차량이 검출되었다. 본 논문에서 제안한 차량 감지 시스템은 연속적인 차량 감지 상황에서도 빠른 검출 능력을 보여준다.
8(c)에 나타내었는데, 상대거리 20m이상에서, 검출된 측후방 차량이 점차로 접근하고 있음에도 불구하고, 측정된 상대거리는 감소하지 않는 경향이 있다. 본 연구에서 제안한 차량 감지 시스템은 20m이내의 거리를 안정적으로 감지 할 수 있음을 나타낸다. Fig.
이러한 빠른 검출 및 추적을 필요로 하는 경우에도 상대거리 20m이내에서 측정된 상대거리는 매우 안정적이다. 위 세가지의 실험을 통해 이 논문에서 제안하는 측후방 차량검출 시스템은 최대 20m의 상대거리 검출 능력을 가지는 것으로 정의할 수 있다.
10까지는 각각 네 가지 실험 결과를 나타낸다. 첫 번째 실험의 경우에, 후방 접근차량이 검출되는 시점으로부터 비전 시스템의 시야에서 사라지는 시점까지의 시간이 가장 긴 실험이며, 각 실험에서 검출 시간은 점차로 짧아져, 네번째 실험의 경우에는 가장 짧은 시간의 실험 결과를 제공한다.

후속연구

이전 단계에서의 측정된 차량의 좌표에 대하여 크게 벗어난 위치에서 현재 단계의 차량이 검출된다면, 검출된 현재 단계의 좌표는 잘 못 측정된 것으로 판단할 수 있다. 차량의 검출이 매 순간마다 완벽하지 못 할 수 있으므로, 검출된 차량을 추적할 수 있는 추적 알고리즘이 필요하다. 본 연구에서는 추적 알고리즘으로 칼만 필터를 적용하였으며, 시스템 모델을 단순화 하여 칼만 필터의 적용을 용이하게 구성하였다.
실험에 사용된 영상에서 측후방 차량의 검출과 추적에 대한 오인식율은 매우 낮았으나, 한정된 주행 환경에서의 실험환경이었으므로 오인식율을 수치화할 수 없었다. 추후 더 많은 주행 환경에서의 실험 영상을 확보하고 오인식율에 대한 수치적 정의를 내릴 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	측후방 차량 감지 시스템은 무엇을 사용하여 구성되는가?	차선 변경 시에 발생하는 측면 충돌 교통사고를 예방하기 위해서, 사이드 미러의 사각지대에 존재하는 차량을 감지하는 BSDS(Blind Spot Detection System)와 측후방에서 접근하는 차량의 정보를 이용하여 차선 변경을 보조하는 LCA(Lane Change Assist)가 상용화되고 있다. 이러한 측후방 차량 감지 시스템은 대표적으로 IR(Infrared) 센서, 초음파 센서, 레이더 센서, 혹은 비전 센서를 사용하여 구성된다.
	고속도로에서 차선 변경 시에 발생하는 측면충돌 교통사고의 원인은 무엇인가?	고속도로에서 차선 변경 시에 발생하는 측면충돌 교통사고는 측후방 차량의 접근을 운전자가 인지하지 못하거나 측후방 차량이 사각지대에 존재하여 보지 못하는 것이 원인이다. 또한, 측후방에서 접근하는 차량을 운전자가 인지하더라도, 접근하는 측후방 차량의 속도를 예측하지 못하는 원인도 있다. 반면, 능숙한 운전자는 사이드 미러를 통해 측후방의 차량을 인지하고, 그 차량의 접근 속도를 판단하여 차선 변경 여부를 결정한다.
	Neural Network 알고리즘을 이용한 차량검출 방법의 단점은 무엇인가?	학습의 반복 횟수와 인식의 정도를 비교하였으며, Multi Layered 방식의 Neural Network의 학습 결과와도 비교하였다. 그러나 Neural Network은 학습된 환경과 차량에 대해서는 매우 정확한 검출 결과를 나타내지만, 차량의 형상, 위치 그리고 비전 시스템의 변화에 따라 전혀 다른 검출 결과를 보여주기도 한다.

참고문헌 (10)

Kyo, S., Koga, T., Sakurai, K., and Okazaki, S., "A Robust Vehicle Detecting and Tracking System for Wet Weather Conditions using the IMAP-VISION Image Processing Board," Proc. IEEE ITS, pp. 423-428, 1999.
Kim, H. J. and Kim, H. S., "Techniques for Detecting Side-Rear Vehicles," http://210.101.116.28/W_fileskiss61/1u400271_pv.pdf (Accessed 20 Feb. 2014)
Denasi, S. and Quaglia, G., "Obstacle Detection using a Deformable Model of Vehicle", Proc. of IEEE IV, pp. 145-150, 2001.
Kruger, W., Enkelmann, W., and Rossle, S., "Realtime Estimation and Tracking of Optical Flow Vectors for Obstacle Detection," Proc. of Intelligent Vehicles '95 Symposium, pp. 304-309, 1995.
Hu, Z. and Uchimura, K., "Tracking Cycle: A New Concept for Simultaneously Tracking of Multiple Moving Objects in a Typical Traffic Scene," Proc. of IEEE 2000 Intelligent Vehicles Symposium, pp. 233-239, 2000.
Smith, S. M. and Brady, J. M., "ASSET-2: Real-Time Motion Segmentation and Shape Tracking," IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 17, No. 8, pp. 814-820, 1995.

상세보기
Goerick, C., Noll, D., and Werner, M., "Artificial Neural Networks in Real-Time Car Detection and Tracking Applications," Pattern Recognition Letters, Vol. 17, No. 4, pp. 335-343, 1996.

상세보기
Inagaki, K., Sato, S., and Umezaki, T., "A Recurrent Neural Network Approach to Rear Vehicle Detection Which Considered State Dependency," Journal of Systemics, Cybernetics and Informatics, Vol. 1, No. 4, pp. 72-77, 2003.
Choi, Y. W., Kim, K. D., Choi, J. W., and Lee, S. G., "Laser Image SLAM based on Image Matching for Navigation of a Mobile Robot," J. Korean Soc. Precis. Eng., Vol. 30, No. 2, pp. 177-184, 2013.

원문보기 상세보기
Kim, K. K., Kang, S. S., Kim, J. B., Lee, J. Y., and et al., "Object Recognition Method for Industrial Intelligent Robot," J. Korean Soc. Precis. Eng., Vol. 30, No. 9, pp. 901-908, 2013.

원문보기 상세보기

저자의 다른 논문 :

LOADING...

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