본 논문에서는 도로 주행에서 취득한 영상을 개선하는 방법을 제안한다. 일반적인 도로주행 영상은 다양한 조명 환경과 날씨 상태로 인하여 선명하지 못한 영상이 취득되기도 한다. 특히 역광이나 야간에는 품질이 좋은 선명한 영상을 얻기가 더욱 어려우며, 이는 비전기반 지능형 자동차 기술의 응용에 많은 어려움을 준다. 인간의 시각 인지방법은 여러 가지조명 조건을 고려하여 색을 지각한다. 하지만 기존의 영상 개선 방법들은 광원의 위치와 광도, 기하학적 관계를 고려하지 않기 때문에 완벽한 결과를 얻기가 어려우며, 오히려 영상의 질이 떨어지는 경우도 발생한다. 본 논문에서는 이러한 문제점을 해결하기 위해서 1) 주어진 입력 영상의 전처리 과정을 수행한 후, 2) 선명도를 추정하여 색채의 대비를 평가하고, 3) 과대 및 과소평가 결과를 전처리된 영상과 혼합하여 사람이 지각하는 색상과 같이 개선된 영상을 얻는 효과적인 방법을 제안한다. 본 논문에서 제안하는 방법은 시각적으로 개선된 결과를 보여줄 뿐만 아니라 비전기반 지능형 자동차 기술의 한 응용분야인 교통표지판 검출의 전처리 과정으로 적용되어 성능이 향상됨을 확인할 수 있었다.
본 논문에서는 도로 주행에서 취득한 영상을 개선하는 방법을 제안한다. 일반적인 도로주행 영상은 다양한 조명 환경과 날씨 상태로 인하여 선명하지 못한 영상이 취득되기도 한다. 특히 역광이나 야간에는 품질이 좋은 선명한 영상을 얻기가 더욱 어려우며, 이는 비전기반 지능형 자동차 기술의 응용에 많은 어려움을 준다. 인간의 시각 인지방법은 여러 가지조명 조건을 고려하여 색을 지각한다. 하지만 기존의 영상 개선 방법들은 광원의 위치와 광도, 기하학적 관계를 고려하지 않기 때문에 완벽한 결과를 얻기가 어려우며, 오히려 영상의 질이 떨어지는 경우도 발생한다. 본 논문에서는 이러한 문제점을 해결하기 위해서 1) 주어진 입력 영상의 전처리 과정을 수행한 후, 2) 선명도를 추정하여 색채의 대비를 평가하고, 3) 과대 및 과소평가 결과를 전처리된 영상과 혼합하여 사람이 지각하는 색상과 같이 개선된 영상을 얻는 효과적인 방법을 제안한다. 본 논문에서 제안하는 방법은 시각적으로 개선된 결과를 보여줄 뿐만 아니라 비전기반 지능형 자동차 기술의 한 응용분야인 교통표지판 검출의 전처리 과정으로 적용되어 성능이 향상됨을 확인할 수 있었다.
This paper presents an image enhancement method in real road traffic scenes. The images captured by the camera on the car cannot keep the color constancy as illumination or weather changes. In the real environment, these problems are more worse at back light conditions and at night that make more di...
This paper presents an image enhancement method in real road traffic scenes. The images captured by the camera on the car cannot keep the color constancy as illumination or weather changes. In the real environment, these problems are more worse at back light conditions and at night that make more difficult to the applications of the vision-based intelligent vehicles. Using the existing image enhancement methods without considering the position and intensity of the light source and their geometric relations the image quality can even be deteriorated. Thus, this paper presents a fast and effective method for image enhancement resembling human cognitive system which consists of 1) image preprocessing, 2) color-contrast evaluation, 3) alpha blending of over/under estimated image and preprocessed image. An input image is first preprocessed by gamma correction, and then enhanced by an Automatic Color Enhancement(ACE) method. Finally, the preprocessed image and the ACE image are blended to improve image visibility. The proposed method shows drastically enhanced results visually, and improves the performance in traffic sign detection of the vision based intelligent vehicle applications.
This paper presents an image enhancement method in real road traffic scenes. The images captured by the camera on the car cannot keep the color constancy as illumination or weather changes. In the real environment, these problems are more worse at back light conditions and at night that make more difficult to the applications of the vision-based intelligent vehicles. Using the existing image enhancement methods without considering the position and intensity of the light source and their geometric relations the image quality can even be deteriorated. Thus, this paper presents a fast and effective method for image enhancement resembling human cognitive system which consists of 1) image preprocessing, 2) color-contrast evaluation, 3) alpha blending of over/under estimated image and preprocessed image. An input image is first preprocessed by gamma correction, and then enhanced by an Automatic Color Enhancement(ACE) method. Finally, the preprocessed image and the ACE image are blended to improve image visibility. The proposed method shows drastically enhanced results visually, and improves the performance in traffic sign detection of the vision based intelligent vehicle applications.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
다양한 방법들을 비교 분석한 결과 Gatta가 제안한 ACE의 방법이[10] 비교적 우수하여 본 논문에서는 이를 바탕으로 다양한 조명환경에서도 안정적인 영상개선 결과를 만들 수 있는 방법을 제안한다.
후)따라서">따라서 본 논문에서는 손실된 영역을 이전 영상과 혼합을 통해 복원하는 방법을 제안한다.
본 논문은 다양한 조명 환경에서 취득한 도로 주행 영상을 개선하는 방법을 제안한다. 특히 역광이나 야간 주행과 같은 환경에서도 적용할 수 있는 실시간 도로
이러한 문제점을 해결하기 위해서 영상에서 각 픽셀 값이 과대평가되거나 과소 평가된 정도를 측정하여 원래 영상과 혼합하는 방법으로 문제점을 해결하고자 하였다.
제안 방법
">제안하였다[8]. MSRCR은 SSR을 다양한 가우시안 커널의 크기로 조합하여 색 정보가 소실되는 문제를 방지하는 색상 복구 방법을 추가하였다. Fattal은 영상의 세부 표현을 유지하면서 조명에 의한 변화량이 큰 부분의 대비를 줄여서 이미지를 다시
후)감마 조정에서">감마조정에서 발행할 수 있는 영상의 대비가 낮아지는 현상을 보완할 수 있기 때문이다. 다음 단계로서 감마조정의 전처리된 영상과 전처리 후 ACE를 적용한 영상에 대해서 각각 과대평가와 과소평가 정도를 측정한다. 과대평가와 과소평가된 정도를
후)색상 대비">색상대비 개선 방법이 역광이 포함된 영상에서는 바람직한 결과를 만들기 어렵기 때문이다. 따라서 본 논문에서는 전처리 단계로서 감마조정을 수행한다. 감마조정을 통해서 대비 정도를 조절할 수 있는데, 높은 감마에서는( α < 1 ) 대비가 커지고 표현하는 단계가 적어진다.
후)픽셀 단위로">픽셀단위로 평가하였다. 본 논문에서는 과다노출 보정을 위해서 D. Guo가 제안한 방법을[13] 수정하여 과대평가된 정도와 과소평가된 정도를 측정하는 방법을 제안한다. 우선 측정을 위하여 영상을 CIELAB 색 공간으로 변환한다.
후)본절에서는">본 절에서는 과대평가된 정도와 과소평가된 정도를 실시간으로 처리하기 위해서 픽셀단위로 평가하였다. 본 논문에서는
실험
실험환경 및 데이터
본 논문에서 제안하는 방법은 표 1의 환경에서 구현하여 실험하였다. 실험은 국외 기관에서 공개한 2개의 주행
후)영상 개선">영상개선 결과 및 처리시간
자동차의 도로주행에서 발생할 수 있는 다양한 조명환경을 대상으로 MSRCR [8], Gradient Domain HDR Compression[9], ACE[10]와 제안한 방법을 비교 실험하였다.
">시도한다. 영상을 적절하기 혼합하기 위하여 각 영상에서 과대 및 과소평가된 정도를 측정하여 상대적으로 선명하게 나온 영상에서 값을 더 많이 취해지도록 하였다.
">제안하였다[10]. 영상의 지역대비를 개선하기 위하여 인간의 시각 체계의 외측억제 (Lateral Inhibition) 속성을 모방한 연산을 수행한다.
제안하는 방법을 비전 기반의 지능형 자동차 기술에 적용하기 위해서는 처리 속도에 대한 고려가 중요하다. 제안하는 방법의 처리 속도를 측정하기 위하여 다양한 크기의 영상에서 속도를 측정하였다. 입력 영상을
후)조명환경에서">조명 환경에서 취득한 도로 주행 영상을 개선하는 방법을 제안한다. 특히 역광이나 야간 주행과 같은 환경에서도 적용할 수 있는 실시간 도로 영상개선 방법을 제안한다. 이를 위해서 2장에서는 기존의 연구를 소개하고 문제점을 분석한다.
대상 데이터
GTSDB 데이터베이스는[15] 독일에서 촬영하였으며 600장의 학습데이터와 300장 의 테스트데이터로 구성되어 있다. 본 실험에서는 Ground Truth가 제공되는 학습 데이터를 사용하였다.
후)영상 데이터를">영상데이터를 각각 사용하였다. Stereopolis 데이터베이스는[14] 프랑스 파리에서 자동차 위에 카메라를 부착하여 영상 크기를 1355 x 781로서 5m 간격으로 주행하면서 촬영하였다. 전체 847장의 이미지 중에서 176장의 원형표지판이 나타나며, 주간에 촬영한 데이터이지만 다양한 조명환경을 포함하지는 않는다.
국내 데이터는 수도권 지역의 자동차 전용도로에서 촬영하였으며, 영상 크기는 1280 x 672 이며 야간 주행영상을 포함한 원형표지판이 나타나는 45장의 이미지를 선별하여 실험에 사용하였다.
본 논문의 실험에서는 Lt1 = 80, Lt1 = 30을적용하였으며, (그림 6)은 과대평가된 정도 O와 과소평가된 정도 U를 영상으로 보여준다.
후)테스트 데이터로">테스트데이터로 구성되어 있다. 본 실험에서는 Ground Truth가 제공되는 학습 데이터를 사용하였다. 영상의 크기는 1360 x 800이며 표지판 앞에서 촬영한 영상이며, 그 중 566개가
본 논문에서 제안하는 방법은 표 1의 환경에서 구현하여 실험하였다. 실험은 국외 기관에서 공개한 2개의 주행 영상데이터와 국내에서 촬영한 주행 영상데이터를 각각 사용하였다. Stereopolis
본 실험에서는 Ground Truth가 제공되는 학습 데이터를 사용하였다. 영상의 크기는 1360 x 800이며 표지판 앞에서 촬영한 영상이며, 그 중 566개가 원형표지판이다. 역광이나
성능/효과
후)속도를">속도를 보여주고 있다. 제안하는 방법이 ACE 방법과 함께 다른 방법들보다 비교적 빠른 속도임을 확인할 수 있다.
후)확대한">확대한 이미지이다. 제안하는 방법이 다른 방법들에 비해 우수한 결과를 보여줌을 확인할 수 있으며, 특히 표지판 영역을 확대한 영상들에서 표지판 내부 기호나 테두리의 색 부분에서 확실하게 차이가 나는 것을 확인할 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
지능형 자동차는 무엇인가?
지능형 자동차란 다양한 기술의 융합으로 운전자에게 안전성 및 편의성을 획기
적으로 향상시킨 자동차를 말한다. 교통사고로 인한 인명 및 재산 손실을 줄이고,
대표적인 비전 기반 지능형 자동차 기술로 어떤 것이 있는가?
대표적인 비전 기반 지능형 자동차 기술로는 교통표지판 인식시스템(TSR: Traffic
Sign Recognition)과 차선이탈 경보시스템(LDWS: Lane Departure Warning System) 등이 있으며 이에 대한 연구가 활발하게 진행되고 있다. 그러나 이 시스템들은 영상의
기존 비전 기반 지능형 자동차 기술들의 약점은 무엇인가?
Sign Recognition)과 차선이탈 경보시스템(LDWS: Lane Departure Warning System) 등이 있으며 이에 대한 연구가 활발하게 진행되고 있다. 그러나 이 시스템들은 영상의
조명이나 날씨에 따라 성능이 크게 좌우되며, 특히 도로 주행에서 자주 발생하는
역광이나 야간 환경에서 안정적인 성능을 얻기가 어렵다. 비전 기반의 지능형 자
참고문헌 (17)
김승규, 임광용, 최영우, 변혜란, "색상과 모양 특징을 이용한 실시간 교통 표지판 검출", 한국정보과학회 2012 가을 학술발표논문집, 39(2)(B), pp.198-200, 2012.
A. Broggi, P, Cerri, P. Medici, P. P. Porta, and G. Ghisio, "Real Time Road Signs Recognition", in Proceedings of the IEEE Symposium on Intelligent Vehicles, 2007, pp. 981-986.
C. keller, C. Sprunk, C. Bahlmann, J. Giebel, and G. baratoff, "Real-time recognition of u.s. speed sign", in Proceedings of the IEEE Symposium on Intelligent Vehicles, 2008, pp.518-523.
E. Land and McCann, J, "Lightness and Retinex theory", Journal of the Optical Society of America, vol.61, no.1, pp.1-11, 1971.
E. Land, "An alternative technique for the computation of the designator in the Retinex theory of color vision", Proceedings of the National Academy Science of the United State of America, sci. 83, pp.3078-3080, 1986.
R. Ramamoorthi and P. Hanrahan, "A signal-processing framework for inverse rendering", ACM SIGGRAPH 2001, pp.117-128.
D. Jobson, Z. Rahman, and G. Woodell, "Properties and performance of a center/surround Retinex", IEEE Transactions on Image Processing, vol. 6, no. 3, pp. 451-462, 1997.
D. Jobson, Z. Rahman, and G. Woodell, "A multiscale Retinex for bridging the gap between color images and the human observation of scenes. IEEE Transactions on Image Processing, vol. 6, no. 7, pp.965-976, 1997.
C. Gatta, A. Rizzi, D. Marini, "ACE: An automatic color equalization algorithm", Proceedings of the First European Conference on Color in Graphics Image and Vision, 2002.
M. Bertalmio, V. Caselles, E. Provenzi and A. Rizzi, "Perceptual Color Correction Through Variational Techniques," IEEE Transactions on Image Processing, vol. 16, no. 4, pp.1058-1072, 2007.
D. Guo, Y. Cheng, S. Zhuo, and T. Sim, "Correcting Over-Exposure in Photographs", IEEE International Conference on Computer Vision and Pattern Recognition, pp. 515-521, 2010.
R. Belaroussi, P. Foucher, J. -P. Tarel, "Road Sign Detection in Images: A Case Study", International Conference on Pattern Recognition, pp.484-488, 2010.
S. Houben, J. Stalkamp, J. Salmen, M. Schlipsing, and C. Igel, "Detection of Traffic Signs in Real-World Images: The German Traffic Sign Detection Benchmark", IEEE International Joint Conference on Neural Networks, 2013
N. Barnes, A. Zelinsky, and L. Fletcher, "Real-time speed sign detection using the radial symmetry detector", IEEE Transactions on Intelligent Transportation Systems, vol. 9, no. 2, pp.322-332, 2008.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.