이미지 트래킹 기반 상용차용 차선 이탈 및 전방 추돌 경고 방법 Image Tracking Based Lane Departure Warning and Forward Collision Warning Methods for Commercial Automotive Vehicle원문보기
디지털 기기의 발달과 더불어 능동안전시스템 또한 비례적으로 발달됨에 따라 4.5 톤 이상 중대형상용차에도 능동안전시스템에 대한 요구가 대두되고 있다. 승용차량과 달리 중대형 상용차량 경우 카메라 장착 위치가 상대적으로 높아 차선 인식에 불리한 조건을 가지고 있다. 본 논문에서는 공간영역처리 기반 중 하나인 소벨 에지(Sobel Edge) 추출과 허프 변환(Hough Transform) 기법과 색 변환보정 기법으로 국내 도로 환경에 맞는 차선 인식에 대한 방법을 제시하고, 영상을 통한 전방의 차량을 인식하는 객체 인식 기법 중에 Haar-like 기법, Adaboost 기법, SVM 기법, Template Matching 기법 등을 적용 및 분석을 통하여 검출 오류를 줄이기 위한 전방 차량 인식 방법을 제안한다. 성능검증을 위해서 실차평가를 실시하였으며, 차선 인식에 대해 98% 이상의 높은 인식률을 얻었다.
디지털 기기의 발달과 더불어 능동안전시스템 또한 비례적으로 발달됨에 따라 4.5 톤 이상 중대형상용차에도 능동안전시스템에 대한 요구가 대두되고 있다. 승용차량과 달리 중대형 상용차량 경우 카메라 장착 위치가 상대적으로 높아 차선 인식에 불리한 조건을 가지고 있다. 본 논문에서는 공간영역처리 기반 중 하나인 소벨 에지(Sobel Edge) 추출과 허프 변환(Hough Transform) 기법과 색 변환보정 기법으로 국내 도로 환경에 맞는 차선 인식에 대한 방법을 제시하고, 영상을 통한 전방의 차량을 인식하는 객체 인식 기법 중에 Haar-like 기법, Adaboost 기법, SVM 기법, Template Matching 기법 등을 적용 및 분석을 통하여 검출 오류를 줄이기 위한 전방 차량 인식 방법을 제안한다. 성능검증을 위해서 실차평가를 실시하였으며, 차선 인식에 대해 98% 이상의 높은 인식률을 얻었다.
Active Safety system is requested on the market of the medium and heavy duty commercial vehicle over 4.5ton beside the market of passenger car with advancement of the digital equipment proportionally. Unlike the passenger car, the mounting position of camera in case of the medium and heavy duty comm...
Active Safety system is requested on the market of the medium and heavy duty commercial vehicle over 4.5ton beside the market of passenger car with advancement of the digital equipment proportionally. Unlike the passenger car, the mounting position of camera in case of the medium and heavy duty commercial vehicle is relatively high, it is disadvantaged conditions for lane recognition in contradiction to passenger car. In this work, we show the method of lane recognition through the Sobel edge, based on the spatial domain processing, Hough transform and color conversion correction. Also we suggest the low error method of front vehicles recognition in order to reduce the detection error through Haar-like, Adaboost, SVM and Template matching, etc., which are the object recognition methods by frontal camera vision. It is verified that the reliability over 98% on lane recognition is obtained through the vehicle test.
Active Safety system is requested on the market of the medium and heavy duty commercial vehicle over 4.5ton beside the market of passenger car with advancement of the digital equipment proportionally. Unlike the passenger car, the mounting position of camera in case of the medium and heavy duty commercial vehicle is relatively high, it is disadvantaged conditions for lane recognition in contradiction to passenger car. In this work, we show the method of lane recognition through the Sobel edge, based on the spatial domain processing, Hough transform and color conversion correction. Also we suggest the low error method of front vehicles recognition in order to reduce the detection error through Haar-like, Adaboost, SVM and Template matching, etc., which are the object recognition methods by frontal camera vision. It is verified that the reliability over 98% on lane recognition is obtained through the vehicle test.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 차선 이탈에 대한 경고와 전방추돌에 대한 경고를 위한 다양한 방법들을 적용하여 상용차를 위한 최적의 방법을 제안하였고, 실차 평가를 통해 성능을 입증하였다. 승용에 비해 상용차량의 경우 카메라 위치로 인하여 차선 및 전방 차량 인식에 불리한 조건을 가지고 있지만, 차선 인식의 경우 98%의 높은 인식률을 실차 시험을 통해서 얻었다.
본 논문에서는 카메라를 통해 입력된 영상의 소음을 제거하여 차선 인식에 대한 오류를 낮추어 운전자에게 차선 이탈에 대한 보다 정확하게 경고할 수 있는 방법을 제시하고, 국내 도로 여건과 상용차에 맞는 전방 차량 인식 방법에 대해서도 제안한다. 그리고, 본 논문에서 개발된 시스템을 장착하여 실차 시험을 실시하여 충분히 상용 가능한 결과를 얻었다.
제안 방법
(11) 학습 시간이 길고, 학습 데이터에 의존적인 단점이 있지만, 정확성과 빠른 속도의 장점 때문에 영상 처리 패턴 인식에 유리하다. Haar-like 의 인식된 특징을 Adaboost 에 구성된 분류기를 학습시켜 Cascaded classifier 를 생성하고 실제 입력되는 차량 후보 영상의 검출을 위해 학습 데이터를 생성한다. 또한 분류기에 여백을 최대화 하여 일반화 능력을 극대화하는 SVM 을 적용한다.
대표적인 객체 인식 기법으로는 Haar-like 기법, adaboost 기법, SVM(Support Vector Machine) 기법, Template Matching 기법 등이 활용된다. Haar-like 특징 마스크를 이용하여 입력된 영상이 차량인지 아닌지를 구분한다. Haar-like 의 경우 차량의 일부가 가려져도 지역적 특징을 검출하기 때문에 다른 특징들이 보완되어 차량을 구분하게 된다.
8 과 같이 시험 차량(6X2 Tractor)에 Test Unit을 장착하여 평가하였으며, Test Unit 은 단일 카메라와 Controller 가 내장된 일체형 Unit 으로 구성하였다. Test Unit 은 CAN 버스 라인을 통해 좌/우 신호 및 차량 속도를 입력 받고, 경고 신호를 출력하도록 구성하였다. 경고는 차량의 Meter Cluster 와 Speaker 를 통해 출력되어 운전자가 시각과 청각으로 경고를 인식하도록 시스템을 구성하였으나 시험차량에서는 Meter Cluster 를 통한 시각적 경고는 구현하지는 않았다.
그리고 인식된 차선 표식 위치를 중심으로 좌우로 확장하여 단위관심영역의 가로폭을 설정함으로 전체관심영역으로부터 단위관심영역을 분할한다. 각각의 단위관심영역의 좌측, 우측 직선 정보를 추출하고 Sobel 연산을 이용하여(5) 가로 기울기 영상과 기울기 크기영상을 구하여 영상 에지를 추출한다. Sobel 연산을 위한 마스크는 다음과 같다.
단위 관심 영역별로 최종 선별된 직선 정보를 이용하여 일정 간격으로 대표 점을 생성한 뒤 최소 자승법을 사용하여 차선 모델을 규정한다. 직선 성분에 대한 점 성분이라면 1 차식으로 근사하는 최소 자승법을 적용하고, 곡선 차선 표식에 대한 점 성분은 2 차식으로 근사하는 최소 자승법을 적용하여 차선 모델을 규정한다.
경고는 차량의 Meter Cluster 와 Speaker 를 통해 출력되어 운전자가 시각과 청각으로 경고를 인식하도록 시스템을 구성하였으나 시험차량에서는 Meter Cluster 를 통한 시각적 경고는 구현하지는 않았다. 대신 정확히 차선을 인식하고 있는지 여부에 대해 확인할 수 있도록 별도 모니터를 설치하여 운전상태에서 차선 인식에 대해 모니터링이 가능하도록 구성하였다.
이는 흑백변환에서 차선이 어둡게 보이기 때문에 차선인식률 저하의 주된 요인 중 하나이다. 따라서 보정 과정을 위해 Y Cb Cr 색 공간에서 Cb 색 성분을 이용하여 황색과 청색의 차선을 강조하였다. Fig.
시험에 필요한 여러 가지 조건이 있지만, 먼저 빛에 대한 영향 조건 즉 주행 방향에 대한 역광, 사광, 순광에 대한 영향도를 평가하였다. 또한 기상 조건에 대한 영향과 도로 조건에 대한 영향도 평가하였으며, 마지막으로 야간 주행 조건에 대한 영향을 추가적으로 평가를 실시하였다.
시험에 필요한 여러 가지 조건이 있지만, 먼저 빛에 대한 영향 조건 즉 주행 방향에 대한 역광, 사광, 순광에 대한 영향도를 평가하였다. 또한 기상 조건에 대한 영향과 도로 조건에 대한 영향도 평가하였으며, 마지막으로 야간 주행 조건에 대한 영향을 추가적으로 평가를 실시하였다.
대상 데이터
Fig. 8 과 같이 시험 차량(6X2 Tractor)에 Test Unit을 장착하여 평가하였으며, Test Unit 은 단일 카메라와 Controller 가 내장된 일체형 Unit 으로 구성하였다. Test Unit 은 CAN 버스 라인을 통해 좌/우 신호 및 차량 속도를 입력 받고, 경고 신호를 출력하도록 구성하였다.
데이터처리
제안된 전방 차선 인식 알고리즘의 성능을 검증하기 위하여, 상용 화물 트럭 실차 조건 상태에서 차선 인식에 대한 경보율을 기준으로 평가하였다.
이론/모형
단위 관심 영역별로 최종 선별된 직선 정보를 이용하여 일정 간격으로 대표 점을 생성한 뒤 최소 자승법을 사용하여 차선 모델을 규정한다. 직선 성분에 대한 점 성분이라면 1 차식으로 근사하는 최소 자승법을 적용하고, 곡선 차선 표식에 대한 점 성분은 2 차식으로 근사하는 최소 자승법을 적용하여 차선 모델을 규정한다. 그리고 차선 이탈에 대한 판정을 한다.
성능/효과
본 논문에서는 카메라를 통해 입력된 영상의 소음을 제거하여 차선 인식에 대한 오류를 낮추어 운전자에게 차선 이탈에 대한 보다 정확하게 경고할 수 있는 방법을 제시하고, 국내 도로 여건과 상용차에 맞는 전방 차량 인식 방법에 대해서도 제안한다. 그리고, 본 논문에서 개발된 시스템을 장착하여 실차 시험을 실시하여 충분히 상용 가능한 결과를 얻었다.
그런데 콘크리트 고속도로 조건에서는 우측에서 역광과 사광 조건에서 98% 인식률을 얻을 수 있었다. 기상 조건에서는 구름이 끼거나 흐린 날 인식률이 100% 결과를 보였으나, 야간에 주행에 대한 차선 인식의 경우 노면이 건조한 상태에서는 95%의 인식률을 얻을 수 있었고, 비가 온 뒤 노면이 젖은 상태에서는 50%의 낮은 인식률을 얻었다.
빛에 대한 조건에서는 도로 조건에 따라서 인식률에 약간 차이가 발생하였다. 아스팔트 고속도로에서는 거의 모든 조건에서 100% 인식률을 보였고, 다만 순광 시 우측 차선 인식에 대한 부분만 97%의 인식률을 보였다. 그런데 콘크리트 고속도로 조건에서는 우측에서 역광과 사광 조건에서 98% 인식률을 얻을 수 있었다.
후속연구
본 논문에서 제시된 방법을 통해서 상용차량에서도 능동안전시스템 초석을 마련하였으며, 상용차 운전자의 안전은 물론 상용차 주변 차량 및 보행자의 안전에 대해서도 기여를 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
4.5톤 이상 중대형상용차에 능동안전시스템에 대한 요구가 대두되고 있는 이유는?
디지털 기기의 발달과 더불어 능동안전시스템 또한 비례적으로 발달됨에 따라 4.5 톤 이상 중대형상용차에도 능동안전시스템에 대한 요구가 대두되고 있다.
자동차 산업에서 능동안전시스템의 한계점은?
하지 않는 현상에 대해 운전자에게 경고를 해 줌으로써 안전 운전에 도움을 줄 수 있는 능동안전시스템 기술의 적용이 활발히 연구되고 있다. 이러한 능동안전시스템은 지난 10 년 이상 학계에서 관심이 많았지만, 고가의 센서에 의존하는 기술적/경제적 한계에 의해 상용화에 접근하지 못하였으나, 최근 디지털 카메라 기술의 발달로 인하여 능동안전 시스템의 상용화가 가능하게 되었다.(2,3)
승용차량과 비교한 중대형 상용차량의 특징은?
5 톤 이상 중대형상용차에도 능동안전시스템에 대한 요구가 대두되고 있다. 승용차량과 달리 중대형 상용차량 경우 카메라 장착 위치가 상대적으로 높아 차선 인식에 불리한 조건을 가지고 있다. 본 논문에서는 공간영역처리 기반 중 하나인 소벨 에지(Sobel Edge) 추출과 허프 변환(Hough Transform) 기법과 색 변환보정 기법으로 국내 도로 환경에 맞는 차선 인식에 대한 방법을 제시하고, 영상을 통한 전방의 차량을 인식하는 객체 인식 기법 중에 Haar-like 기법, Adaboost 기법, SVM 기법, Template Matching 기법 등을 적용 및 분석을 통하여 검출 오류를 줄이기 위한 전방 차량 인식 방법을 제안한다.
참고문헌 (13)
Ki, S. D., 2011, "An Analysis on the Effects of the Driver Distraction on the Car Accidents," Insurance and Financial Research, Vol. 22, pp. 3-32.
Lee, Y. H., 2010, "A Method of Mono Camera based Lane Detection," KSAE Vol.10 pp.1810-1815.
Kim, K. I., 2011, "A Method of Establishing Database for Lane Detection and Vehicle Detection," KSAE Vol.11 pp.1378-1382.
Jeon, D. H., Kim, M. K., Joo, S. H., Kang, H. J. and Shon, S. R., 2007, "Study on Image Improvement for a Nighttime Vehicle Recognition," KSAE Vol.11 pp.1378-1382 Vol.4, pp.1923-1927.
Gae, W. S., Yang, L., Zjang, X. and Liu, H., 2011, "An Improved Sobel Edge Detection," IEEE Vol.10, pp. 67-71.
Lee, J. R., Bae, K. R. and Moon, B. G., 2013, "A Hardware Architecture of Hough Transform Using an Improved Voting Scheme," KICS, Vol.38A, No.9, pp 773-781.
Femandes, L. A. and Oliveira, M. M., 2008, " Real Time Line Detection Through an Improved Hough Transform Voting Scheme," Pattern Recognition, Vol. 41, pp. 299 - 314.
Raphael, E., Kiefer, R., Reisman, P. and Hayon, G., 2011, "Development of a Camera -Based Forward Collision Alert System," SAE, Vol. 1, pp. 579-593.
Jung, B.W., Park, K. Y. and Hwang, S. Y., 2013, "A Fast and Efficient Haar-Like Feature Selection Algorithm for Object Detection," KICS, Vol. 6, pp. 486-489.
Erez, D. and Ofer, M., 2004, "Forward Collision Warning with a Single Camera," IEEE Intelligent Vehicles Symposium, Vol.7, pp. 37-41.
Baek, Y. M., Kim, J. G. and Kim, W. Y., 2013, "An Improved AdaBoost Algorithm by Clustering Samples," JBE, Vol. 18, pp. 643-646.
Heisele, B., Ho, P. and Poggio, T., 2001, "Face Recognition with Support Vector Machines: Global Versus Component-based Approach," In Proc. IEEE International Conference on Computer Vision. Vol. 2, pp. 68-694.
Han, S. J., Han, Y. J. and Han, H. S., 2010, "Lane and Curvature Detection Algorithm Based on the Curve Template Matching Method Using Top View Image," IEEK, Vol.42, pp. 97-106.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.