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
- 그림과 같이 GPS-INS 측위의 경로 오차가 발생 할 경우 카메라 시스템에서 검출한 노면 표시 정보와 EDM과의 매칭을 통해 자차의 위치를 보정하게 된다. 따라서, 카메라 시스템이 노면 표시를 오인식할 경우 전체 시스템의 성능을 심각하게 저해하기 때문에, 제안 시스템은 노면 표시의 오인식을 최소화하는 것을 목표로 하였다.
- 본 논문에서는 Fig. 15와 같이 국내 노면 표시 중 테스트 주행 중 상대적으로 출현이 빈번하여 분류기 학습을 위해 충분한 수의 샘플을 취득할 수 있었던 9종의 노면 표시를 인식하였다.12)
- 본 논문에서는 센서 융합 기반 정밀 측위를 위한 영상 기반 노면 표시 검출 방법에 대해 설명하였다. 제안하는 시스템은 오인식 최소화 및 실시간 처리 가능한 수준의 영상처리 알고리즘 개발에 주안점을 두었다.
- 9,10) 하지만 모든 노면 표시가 규격과 정확히 일치하도록 페인팅되어 있지 않을 뿐만 아니라, 노면의 오염, 역광에 의한 노면 반사나 그림자 등에 의해 생성된 후보의 다양성이 크다. 이에, 본 논문에서는 다양한 조건에서 노면 표시 샘플을 취득하고 이들을 활용 하여 분류기를 학습하는 기계 학습(machine learning) 방법을 도입하여 생성된 노면 표시 후보의 다양성 문제를 대응하였다.
- 8의 템플릿을 사용하였으며, 템플릿이 양인 부분의 폭 W는 차로 폭을 표현하는 것으로 거리에 따른 차로 표시의 폭의 변화를 고려하여 영상의 높이 좌표(y)에 따라 적응적으로 설정하였다. 이와 같은 단순한 1차원 템플릿을 사용함으로써 영상 처리에 있어 일반적으로 가장 많은 연산량을 필요로 하는 전처리 과정, 즉, 특징 추출 단계의 연산량을 최소화하여 시스템의 실시간성을 확보하고자 하였다. 특히 사용된 템플릿은 integral image7)를 활용하여 연산이 가능한 형태로, 이를 활용하여 연산량을 획기적으로 축소할 수 있었으며, 그 효과는 실험 부분에서 제시하였다.
- 이와 함께, 고속으로 주행하는 차량에서의 정밀 측정을 달성하기 위하여 실시간 처리 가능한 수준의 영상 처리 알고리즘 개발에 주안점을 두었다.
가설 설정
- 따라서 본 논문에서는 차로 표시 인식을 근거리 영역만을 대응하는 문제로 한정하였다. 이에 Fig. 3과 같이 근거리 영역(약 20m 이내)의 차로 표시 검출 ROI를 설정하고 이 영역 내의 차로 표시를 직선으로 가정하여 차로 표시 검출을 수행하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.