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
- 대표적인 예로는 안전거리미확보, 끼어들기, 교차로 꼬리 물기, 불법 유턴, 신호위반 등이 있다. 본 논문에서는 그 중 위반시 가장 치명적인 사고를 유발할 수 있는 불법 유턴 차량을 검지하는 알고리즘을 제안한다.
- 본 논문에서는 도로에서 불법 유턴하는 차량을 자동 검지는 알고리즘을 제안하였다. 불법 유턴 차량은 그 경로위에 수평방향의 움직임 벡터를 남긴다.
- 불법 유턴은 그림 1과 같이 상행 하행을 구분하는 중앙선을 넘어 U 자 형태로 상행선에서 하행선으로 또는 하행선에서 상행선으로 선회하는 행위를 말한다. 본 논문에서는 영상 내 옵티컬 플로우 벡터(Optical Flow Vector)를 구하고 이 벡터가 불법 유턴 경로 상에 나타난다면 불법 유턴 차량에 의해 생긴 벡터일 확률이 높을 것이라는 점을 착안하여 연구를 진행했다. 그림 1과 같이 차량이 빨간색 경로로 움직인다면 차량의 움직임 벡터는 대다수가 검은색 화살표 방향으로 나타날 것이다.
제안 방법
- 만일 알고리즘을 이미지 전 영역에 적용시킨다면 연산량이 기하급수적으로 증가하여 실시간 검출이 불가능하기 때문에 연산량 절감을 위하여 전처리과정으로 관심영역을 설정했다. HSV컬러모델을 통해 먼저 중앙선 주변을 관심영역으로 설정하고 그 영역내에서 움직이는 차량의 특징점을 찾고 그 특징점에 대해서만 움직임 벡터를 검출하였다. 검출된 움직임 벡터들 중 불법 유턴 경로위의 벡터들을 저장하고, 이 벡터들이 불법 유턴 차량에 의해 생긴 것인지 판단하기 위한 신뢰도를 계산했으며 신뢰도가 높은 벡터 집단이 불법 유턴 차량에 의해 생긴 벡터 집단임을 확인했다.
- . 따라서 도로 중앙 위에 고정된 카메라를 설치하고 불법 유턴 차량을 촬영 및 영상 처리(Image Processing)를 수행하여 차량의 움직임에 대해 분석하고, 불법 유턴의 움직임을 파악할 수 있는 알고리즘을 고안한다.
- 이를 인지하기 위해 먼저 코너점들을 검출하고, 이 코너점에 대해 희소 옵티컬 플로우(Sparse Optical Flow)알고리즘을 사용하여 실시간으로 불법 차량을 잡아 낼 수 있도록 하였다. 만일 알고리즘을 이미지 전 영역에 적용시킨다면 연산량이 기하급수적으로 증가하여 실시간 검출이 불가능하기 때문에 연산량 절감을 위하여 전처리과정으로 관심영역을 설정했다. HSV컬러모델을 통해 먼저 중앙선 주변을 관심영역으로 설정하고 그 영역내에서 움직이는 차량의 특징점을 찾고 그 특징점에 대해서만 움직임 벡터를 검출하였다.
- 본 논문에서 제안하는 불법 유턴 차량 검지 알고리즘의 성능을 평가는 Intel(R) Core(TM) i5-3470 CPU @ 3.20GHz 3.20GHz, 메모리 4GB의 하드웨어에서, MS Windows7 운영체제에서 Visual Studio 2010을 이용하여 수행했다.
- 반면 희소 옵티컬 플로우는 이미지 피라미드(pyramid) 기법을 이용하면 큰 움직임 추적이 가능하고 코너(corner)와 같은 특징점을 지정한 후 그 점들에 대해서만 추적을 하면 되기 때문에 연산량이 상대적으로 적어진다. 본 논문에서는 실시간 영상처리라는 제약 조건에 따라 희소 옵티컬 플로우를 사용하여 벡터를 추출한다.
- 본 단계에서는 차량의 코너 점들이 프레임간 어떤 움직임을 갖는지 파악하기 위해 옵티컬 플로우 벡터를 계산하고 추적한다.
- 본 절에서는 2장에서 검출한 벡터가 불법 유턴 차량에 의해 생긴 것인지 아닌지 판단하여 최종적으로 불법 유턴 차량을 검지한다. 그림 13은 단순히 픽셀 정보 유사성에 의해 검출된 벡터들이다.
- 불법 유턴 차량은 그림 1에서 볼 수 있듯이 중앙선을 반드시 침범한다. 이 점에 착안하여 중앙선 주위를 관심 영역(region of interest, ROI)으로 설정하기 위해 중앙선을 검출한다. 특정 객체의 검출을 위해 사용되는 여러 특징 중에서 컬러정보는 잡음이나 부분적인 가려짐에 강인하고 회전이나 크기 변화에도 덜 민감하며 계산속도가 빨라 객체 검출을 위한 매우 중요한 단서로 사용된다.
- 그림 8의 도로에 전봇대에 의해 생긴 그림자에 코너 검출이 된 것을 확인 수 있는데, 이 코너에 대해 옵티컬 플로우를 계산이 수행되면 수 프레임이 지나고 차량에 의해 생긴 그림자와 겹치는 순간 코너가 좌우로 움직인 것으로 판단되어 중앙선에 수직하게(불법 유턴 경로로) 움직인 벡터가 검출 되는 경우가 있다. 이러한 벡터들과 그림 12와 같이 진정 불법 유턴 차량에 의해 검출된 벡터들 간의 구분을 위해 신뢰도(reliability)를 측정한다.
- 불법 유턴 차량은 그 경로위에 수평방향의 움직임 벡터를 남긴다. 이를 인지하기 위해 먼저 코너점들을 검출하고, 이 코너점에 대해 희소 옵티컬 플로우(Sparse Optical Flow)알고리즘을 사용하여 실시간으로 불법 차량을 잡아 낼 수 있도록 하였다. 만일 알고리즘을 이미지 전 영역에 적용시킨다면 연산량이 기하급수적으로 증가하여 실시간 검출이 불가능하기 때문에 연산량 절감을 위하여 전처리과정으로 관심영역을 설정했다.
- 먼저 전처리 과정으로 영상에서 중앙선을 검출하고 이를 중심으로 주변에 관심영역을 설정하게 된다. 이후 관심영역내에 있는 차량의 특징점들을 찾고 그 점들에 대한 움직임 벡터를 계산하여 특징점들이 어디로 이동하는지 확인한다. 만약 불법 유턴경로로 벡터의 이동이 감지되면 그 신뢰성을 검증하여 불법유턴차량인지 아닌지 결정하게 된다.
- 신뢰도는 옵티컬 플로우 계산에 의해 저장된 점들의 무게중심(Center)을 구하는 과정이다. 한 점과 저장된 다른 한 점과의 거리(dist)를 계산하여 이 거리가 일정 크기(본 연구에서는 ROI영역의 폭 사용)보다 작다면 같은 집단이라고 보고 두 점 사이의 가운데를 새로운 무게중심점으로 설정하며 본 과정을 반복하면서 신뢰도(Reliability)를 증가 시킨다. 만약 두 점 사이의 거리가 관심영역의 폭보다 크다면 새로운 집단이라고 보고 다른 집단의 무게중심점으로 설정해야 한다.
대상 데이터
- 실험 데이터는 한국교통대 근처 도로에서 촬영한 영상으로, 640 * 480 해상도의 1분 25초(약 2500개의 프레임)길이를 가진 영상이다.
데이터처리
- 실험은 밀집 옵티컬 플로우 알고리즘인 Farneback 알고리즘과 희소 옵티컬 플로우 알고리즘인 Pyraimd Lucas-Kanade 알고리즘의 처리시간을 비교했다. Farneback 알고리즘은 이미지 전 영역에 대해 처리 할 경우 120ms에 가까운 처리 시간이 걸려 실시간 처리에 부적합함을 알 수 있었다.
이론/모형
- 2.4절에서 검출한 코너 포인트들에 대하여 Bouguet의 방식을 적용하여 옵티컬 플로우를 계산한다. 이 계산을 통해 그 코너 점들의 이동 상황을 감지하고 이때 이상 움직임이 검지되면(즉, 특정 방향과 일정 크기 이상의 벡터 조건을 만족하면) 추적 모드로 돌입한다.
- 또한 직선 허프 변환 자체가 삼각함수, 곱셈, 나눗셈 등과 같은 오버헤드가 큰 연산들의 반복적 수행이 필요하고, 변수 공간을 양자화하는 해상도와 검출 정확성 사이의 트레이드-오프(trade-off)를 고려해야하기 때문에 실시간 성능을 보장하기 어렵다는 단점이 있다.[6] 이러한 허프 변환의 단점을 보완한 진보된 확률적 허프 변환(PPHT, progressive probabilistic hough transform)[7]을 사용했다. 진보된 확률적 허프 변환은 기존의 직선의 방정식을 구하는 방법에서 모든 픽셀에 대해 투표(voting)을 하는 것이 아니라 일부 선택된 픽셀만 고려한다.
- 본 논문에서는 옵티컬 플로우 알고리즘의 평과 결과[11]중에 랭크(rank)가 높은 알고리즘인 피라미드 루카스-카나데(pyramid Lucas-Kanade, pyramid L-K) 알고리즘을 사용한다.
- 또한 윈도우 크기를 너무 크게 하면 연산량이 제곱수로 증가하고 정확도는 떨어지게 된다. 이러한 문제들을 해결하기 위해 Bouguet는 이미지 피라미드(pyramid)기법[12,13]을 사용하여 작은 윈도우로도 큰 움직임을 계산할 수 있도록 한 것이다.
성능/효과
- 2.2절에서 검출한 중앙선 주위를 관심 영역(region of interest, ROI)으로 설정하고 영상 처리 대상 영역을 축소하여 다음 단계에서 수행될 알고리즘들의 방대한 연산량 부담을 줄인다. 관심 영역의 설정 방법은 다음과 같다.
- [4] 중앙선은 노란색이기 때문에 R, G, B 성분을 이용한 RGB 컬러 모델은 중앙선 검출이 용이하지 않다. 반면 HSV 컬러모델은 색상(H) 정보로만 색상을 파악 할 수 있고 여기에 옅거나 진한 정도를 채도(S)로, 밝기 정도를 명도(V)로 값을 조정하기 때문에 인간의 색인지에 근접한 모델로 회색 도로 배경 속에서 노란색 중앙선을 검출하기에 적합하다.
- HSV컬러모델을 통해 먼저 중앙선 주변을 관심영역으로 설정하고 그 영역내에서 움직이는 차량의 특징점을 찾고 그 특징점에 대해서만 움직임 벡터를 검출하였다. 검출된 움직임 벡터들 중 불법 유턴 경로위의 벡터들을 저장하고, 이 벡터들이 불법 유턴 차량에 의해 생긴 것인지 판단하기 위한 신뢰도를 계산했으며 신뢰도가 높은 벡터 집단이 불법 유턴 차량에 의해 생긴 벡터 집단임을 확인했다. 최종적으로 알고리즘의 성능을 평가하기 위해 알고리즘별 처리시간을 계산했으며 본 논문에서 제안한 알고리즘이 효율적임을 증명하였다.
- 12ms)의 결과를 확인할 수 있다. 관심 영역을 설정했을 때는 6.43ms로 상대적으로 매우 빠른 처리 속도를 보였으며, 불법 유턴 경로로 움직이는 벡터를 선별하고 신뢰도계산 및 불법 유턴 차량 검지에 있어서도 오검지율이 없었다. 그림 16은 이미지 전 영역에서 적용한 결과(a)와 관심 영역을 설정하고 적용한 결과(b)를 나타낸다.
- (c)에서는 그림자 영역의 Flat한 성질 때문에 오차가 많이 난다. 따라서 밀집 옵티컬 플로우를 이용하여 불법 유턴 차량을 검지하는 것은 연산량, 성능 모든 측면에서 문제가 있음을 알 수 있었다.
- 본 논문에서 사용한 Pyraimd Lucas-Kanade 알고리즘은 이미지 전 지역에 대해 적용시켜도 꽤 좋은 성능(24.12ms)의 결과를 확인할 수 있다. 관심 영역을 설정했을 때는 6.
- 검출된 움직임 벡터들 중 불법 유턴 경로위의 벡터들을 저장하고, 이 벡터들이 불법 유턴 차량에 의해 생긴 것인지 판단하기 위한 신뢰도를 계산했으며 신뢰도가 높은 벡터 집단이 불법 유턴 차량에 의해 생긴 벡터 집단임을 확인했다. 최종적으로 알고리즘의 성능을 평가하기 위해 알고리즘별 처리시간을 계산했으며 본 논문에서 제안한 알고리즘이 효율적임을 증명하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.