[논문]스마트카를 위한 차선변경 인식시스템

이웅진; 양정하; 곽노준

doi:10.5302/j.icros.2015.14.0048

스마트카를 위한 차선변경 인식시스템
A Lane Change Recognition System for Smart Cars 원문보기

제어·로봇·시스템학회 논문지 = Journal of institute of control, robotics and systems, v.21 no.1, 2015년, pp.46 - 51

이웅진 (서울대학교 융합과학부) , 양정하 (이지위드) , 곽노준 (서울대학교 융합과학부)

Abstract ▼ AI-Helper

In this paper, we propose a vision-based method to recognize lane changes of an autonomous vehicle. The proposed method is based on six states of driving situations defined by the positional relationship between a vehicle and its nearest lane detected. With the combinations of these states, the lane change is detected. The proposed method yields 98% recognition accuracy of lane change even in poor situations with partially invisible lanes.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 차선 인식 알고리즘에 대해 설명하고 인식한 차선을 이용해 차량이 차선을 변경하였을 때를 인식하는 시스템에 대하여 소개하였다. 차선의 평행한 특징을 이용하기 위해 IPM 영상을 사용하였고 차선 에지의 크기와 방향 등 차선의 정보를 이용해 차선이외의 불필요한 에지 정보를 제거함으로써 차선 인식의 정확도를 높였다.
이제 가까운 미래에 완전한 자율주행 자동차의 모습은 하나의 하선을 유지하면서 달리는 제한적인 시스템에서 벗어나, 차선을 변경하며 능동적으로 주행을 하고 또한 이를 이용해 도로위에서의 정확한 자신의 위치를 기반으로 경로를 생성하며 주행 경로를 판단 할 것이다. 차선인식 본 논문에서는 이러란 미래 지향적인 모습을 위한 강인한 차선 인식 시스템과 차선 변경을 인식하는 알고리즘을 설명하고자 한다.

제안 방법

이를 위해서 차량과 가장 가까운 차선을 최인접차선으로 정의한다. 또한 차량과 최인접차선과의 거리와 각도 정보를 이용해 차량의 상태를 6가지로 구분하고 이 6가지 상태의 변화를 이용해 차선 변경을 인식한다.
차량 전면에 부착된 카메라로부터 얻어지는 영상에서 평행한 두 차선은 소실점에서 서로 만난다. 역원근변환의 결과로 얻어지는 영상에서 차선은 서로 평행하게 보이므로 이를 이용해 차선을 검출하고자 한다.
이 논문에서는 차량에 장착된 고정되어 있는 카메라로부터 입력된 영상을 Inverse Perspective Mapping (IPM)으로 시점을 변환한다. 또한 차선 검출에 불필요한 에지정보를 제거하기 위해 차선만의 고유한 특징을 이용해 차선을 추출한다.
차선변경은 차량과 가장 가까운 차선을 최인접차선으로 정의하였고 차량과 차선이 이루는 방향을 이용해 차량의 진행방향을 인식하였다. 이는 기존의 차선 변경 인식의 휴리스틱한 방법에서 벗어나 정의된 6가지 차량의 상태 변화의 조합을 이용해 변경을 인식을 수행하였다. 높은 성능의 차선 변경 인식은 현재 변경하고자 하는 차선에 대한 높은 인식률이 필요하다.
차선을 변경하는 시나리오에서 최인접차선을 이용한 차량의 상태를 사용하여 차선변경을 인식한다. 차량의 주행시나리오를 차량의 상태로 표현하면 다음과 같이 표현할 수 있다.

대상 데이터

실험을 위하여 충청북도 청원군 오창읍 시가지 주행영상을 사용하였다. 실험 영상은 1920×1080, 30FPS (Frame Per Second)의 영상을 획득하였고, 주행시간은 43분 9초이다. 파인드라이브사의 블랙박스를 이용하여 영상을 획득 하였다.
실험을 위하여 충청북도 청원군 오창읍 시가지 주행영상을 사용하였다. 실험 영상은 1920×1080, 30FPS (Frame Per Second)의 영상을 획득하였고, 주행시간은 43분 9초이다.
이 논문에서는 192x144영상으로 실험을 하였고, 수식(3)의 threshold는 0.15, Margin1은 0.3, Margin2는 0.2, 그리고 차선의 폭은 5±2Pixel로 정하여 실험을 하였다. 그 결과 그림 4에서 차선의 제외한 나머지 에지 성분들이 적절히 제거 된 것을 확인할 수 있다.
실험 영상은 1920×1080, 30FPS (Frame Per Second)의 영상을 획득하였고, 주행시간은 43분 9초이다. 파인드라이브사의 블랙박스를 이용하여 영상을 획득 하였다.

성능/효과

이는 기존의 차선 변경 인식의 휴리스틱한 방법에서 벗어나 정의된 6가지 차량의 상태 변화의 조합을 이용해 변경을 인식을 수행하였다. 높은 성능의 차선 변경 인식은 현재 변경하고자 하는 차선에 대한 높은 인식률이 필요하다. 실제 도로에서 획득한 데이터는 주변 구조물이나 그림자, 측방에서 주행하는 자동차와 횡단보도 등 차선인식의 성능에 영향을 주는 요인들이 많지만 본 논문에서 사용된 알고리즘은 이와 같은 외부적 요인에 영향을 적게 받는다.
차선의 평행한 특징을 이용하기 위해 IPM 영상을 사용하였고 차선 에지의 크기와 방향 등 차선의 정보를 이용해 차선이외의 불필요한 에지 정보를 제거함으로써 차선 인식의 정확도를 높였다. 차선변경은 차량과 가장 가까운 차선을 최인접차선으로 정의하였고 차량과 차선이 이루는 방향을 이용해 차량의 진행방향을 인식하였다. 이는 기존의 차선 변경 인식의 휴리스틱한 방법에서 벗어나 정의된 6가지 차량의 상태 변화의 조합을 이용해 변경을 인식을 수행하였다.
본 논문에서는 차선 인식 알고리즘에 대해 설명하고 인식한 차선을 이용해 차량이 차선을 변경하였을 때를 인식하는 시스템에 대하여 소개하였다. 차선의 평행한 특징을 이용하기 위해 IPM 영상을 사용하였고 차선 에지의 크기와 방향 등 차선의 정보를 이용해 차선이외의 불필요한 에지 정보를 제거함으로써 차선 인식의 정확도를 높였다. 차선변경은 차량과 가장 가까운 차선을 최인접차선으로 정의하였고 차량과 차선이 이루는 방향을 이용해 차량의 진행방향을 인식하였다.

후속연구

실제 도로에서 획득한 데이터는 주변 구조물이나 그림자, 측방에서 주행하는 자동차와 횡단보도 등 차선인식의 성능에 영향을 주는 요인들이 많지만 본 논문에서 사용된 알고리즘은 이와 같은 외부적 요인에 영향을 적게 받는다. 그럼에도 불구하고 화살표와 같이 도로상에 차선의 같은 폭을 가지는 페인트 문양에서 차선의 오인식이 있고 향후 이러한 문제들에 대한 보완에 대한 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	카메라를 이용한 영상처리기술을 기반으로 차선을 인식하는 주행보조시스템에는 무엇이 있는가?	또한 우리나라에서도 기업과 국가에서 무인자율주행 자동차 대회를 주최하는 등 지능형 자동차 분야에 대한 연구에 많은 투자를 하고 있다. 현재 양산되어 있는 지능형 자동차 관련기술들 가운데 카메라를 이용한 영상처리기술을 기반으로 차선을 인식하는 주행보조시스템(ADAS) [1,2]으로는 LKAS와 LDWS가 대표적이다. 이 시스템들은 차선을 이탈하지 않도록 운전대를 직접적, 간접적인 방법으로 운전자를 도와주는 역할을 하는 시스템이다.
	LKAS와 LDWS는 어떤 역할을 하는 시스템인가?	현재 양산되어 있는 지능형 자동차 관련기술들 가운데 카메라를 이용한 영상처리기술을 기반으로 차선을 인식하는 주행보조시스템(ADAS) [1,2]으로는 LKAS와 LDWS가 대표적이다. 이 시스템들은 차선을 이탈하지 않도록 운전대를 직접적, 간접적인 방법으로 운전자를 도와주는 역할을 하는 시스템이다. 이제 가까운 미래에 완전한 자율주행 자동차의 모습은 하나의 하선을 유지하면서 달리는 제한적인 시스템에서 벗어나, 차선을 변경하며 능동적으로 주행을 하고 또한 이를 이용해 도로위에서의 정확한 자신의 위치를 기반으로 경로를 생성하며 주행 경로를 판단 할 것이다.
	완전한 자율주행 자동차의 모습은 무엇인가?	이 시스템들은 차선을 이탈하지 않도록 운전대를 직접적, 간접적인 방법으로 운전자를 도와주는 역할을 하는 시스템이다. 이제 가까운 미래에 완전한 자율주행 자동차의 모습은 하나의 하선을 유지하면서 달리는 제한적인 시스템에서 벗어나, 차선을 변경하며 능동적으로 주행을 하고 또한 이를 이용해 도로위에서의 정확한 자신의 위치를 기반으로 경로를 생성하며 주행 경로를 판단 할 것이다. 차선인식 본 논문에서는 이러란 미래 지향적인 모습을 위한 강인한 차선 인식 시스템과 차선 변경을 인식하는 알고리즘을 설명하고자 한다.

참고문헌 (8)

Y. C. Liu, K. Y. Lin, and Y. S. Chen, "Bird's-eye view vision system for vehicle surrounding monitoring" Proceeding Conference Robot Vision, pp. 207-218, Feb. 2008.
M. Xie, H. Chen, X. F. Zhang, X. Guo, and Z. P. Yu, "Development of navigation system for autonomous vehicle to meet the DARPA urban grand challenge," IEEE Intelligent Transportation Systems Conference, pp. 767-772, Sep. 2007.
E. D. Dickmanns and B. D. Mysliwetz, "Recursive 3-D road and relative ego-state recognition," IEEE Trans. Pattern Anal. Mach. Intell., vol. 14, no. 2, pp. 199-213, Feb. 1992.

상세보기
H. Kim, Y. Hwang, Y. Kim, D. Lee, and J. Lee, "A real time lane detection algorithm using LRF for autonomous navigation of a mobile robot," Journal of Institute of Control, Robotics, and Systems (in Korean), vol. 19, no. 11, pp. 1029-1035, Nov. 2013.

원문보기 상세보기
M. A. Fishler and R. C. Bolles, "Random sample consenus: a paradigm for model fitting with apphcatlons to image analysis and automated cartography," Communication of the ACM, vol. 24, Jun. 1981.
J. W. Lee and U. K. Yi, "A lane-departure identification based on linear regression and symmetry of lane-related parameters," Journal of Control, Automation and Systems Engineering (in Korea), vol. 11, no. 5, May 2005.
B. C. Kwon, D. W. Sin, and K. S. Park, "A study on a lane detection usiong robust edge detection for the road condition changes," 26th ICROS Annual Conference (in Korea), pp. 366-370, May 2005.
S.-Y. Chen and J.-W. Hsieh, "Edge-based lane change detection and its application to suspicious driving behavior analysis," International Conference Intelligent Information Hiding and Multimedia Signal Processing, pp. 415-418, Nov. 2007.

저자의 다른 논문 :

LOADING...

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