[논문]교통 신호등과 비전 센서의 위치 관계 분석을 통한 이미지에서 교통 신호등 검출 방법

최창환; 유국열; 박용완

doi:10.14372/iemek.2015.10.2.101

[국내논문] 교통 신호등과 비전 센서의 위치 관계 분석을 통한 이미지에서 교통 신호등 검출 방법
Traffic Light Detection Method in Image Using Geometric Analysis Between Traffic Light and Vision Sensor 원문보기

대한임베디드공학회논문지 = IEMEK Journal of embedded systems and applications, v.10 no.2, 2015년, pp.101 - 108

최창환 (Yeungnam University) , 유국열 (Yeungnam University) , 박용완 (Yeungnam University)

Abstract ▼ AI-Helper

In this paper, a robust traffic light detection method is proposed by using vision sensor and DGPS(Difference Global Positioning System). The conventional vision-based detection methods are very sensitive to illumination change, for instance, low visibility at night time or highly reflection by bright light. To solve these limitations in visual sensor, DGPS is incorporated to determine the location and shape of traffic lights which are available from traffic light database. Furthermore the geometric relationship between traffic light and vision sensor is used to locate the traffic light in the image by using DGPS information. The empirical results show that the proposed method improves by 51% in detection rate for night time with marginal improvement in daytime environment.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 위치 정보를 이용하여 주간 및 야간 환경에서 강인한 교통 신호등 영역 검출 방법을 제안한다. DGPS와 기구축된 DB를 이용하여 교통 신호등과 차량의 비전 센서 위치 관계를 분석하고, 비전 센서에서 획득한 이미지에 교통 신호등이 위치하는 영역을 결정 및 검출한다.
본 논문에서는 이런 야간 교통 신호등 인식 문제를 해결하기 위해, 비전 센서가 제공하는 정보외에 별도의 정보를 활용하여 인식률을 향상시키는 기법을 제안한다. 제안 기법에서는 DGPS 위치 정보를 바탕으로 교통 신호등의 위치 및 형태적 정보를 DB로 구성한다.
우리가 제안하는 방법은 차량과 신호등의 위치정보를 활용하여 주간 및 야간 환경에서 많은 연산처리량을 필요로 하는 영상 인식 기술 없이 비전 센서에서 획득된 이미지에 존재하는 신호등을 빠르게 검출하여 신호를 판별하는 것이 최종 목표이다.
실험 환경은 왕복 4차선 도로 환경을 기준으로 실험을 진행하였다. 우선 주간 환경에서의 성능을 확인하기 위하여 첫 번째 실험을 진행하였다.

제안 방법

위치 정보의 획득을 위해서 사용된 장비는 OXFORD TECHNICAL SOLUTIONS의 RT3002 DGPS 모듈을 사용하였다. DB를 구성하여 처리한 장비는 산업용 임베디드 컴퓨터 ADLink MXC-6000을 사용하였으며, 신호등 DB는 GPS의 위도, 경도 값과 신호등의 높이, 신호 지향 방향으로 구성하였다.
기존의 이미지 처리 기반의 ROI 영역 결정 방법과는 달리 교통 신호등의 위치 정보를 DB로 구축하고 지능형 차량의 위치 정보와 실시간 위치 정보 비교를 통해 주변 교통 신호의 유무를 판단하게 된다. DB와의 정보 교환을 통해 교통 신호등의 존재가 파악되면 본 논문에서 제안하는 교통 신호등과 차량의 물리적인 위치 관계 모델을 통해 ROI 영역을 결정할 수 있다.
본 논문에서는 위치 정보를 이용하여 주간 및 야간 환경에서 강인한 교통 신호등 영역 검출 방법을 제안한다. DGPS와 기구축된 DB를 이용하여 교통 신호등과 차량의 비전 센서 위치 관계를 분석하고, 비전 센서에서 획득한 이미지에 교통 신호등이 위치하는 영역을 결정 및 검출한다. 제안한 방법은 야간 환경에서 발생할 수 있는 차량 후미등과 같은 검출 오류 요소들 및 가로등과 간판등의 주변 간섭 조명으로 인한 간섭에 강인한 성능을 보이고 있다.
제안 기법에서는 DGPS 위치 정보를 바탕으로 교통 신호등의 위치 및 형태적 정보를 DB로 구성한다. 기 구축된 DB 정보와 더불어 DGPS를 활용하여 주행 중인 지능형 차량의 현재 위치의 지속적인 탐색 및 비교를 통해 이미지 영역에서 교통 신호등이 위치하게 되는 후보 영역을 설정하는 방법을 제안한다.
다음은 조도에 의한 영향에 강인한 성능을 확인 하기 위하여 두 번째 실험을 진행하였다. 실험 조건은 야간 상황에서 왕복 4차선에서 왕복 8차선까지의 다양한 도로 환경을 바탕으로 실험을 진행하였다.
향후 연구로서 DGPS가 아닌 보급형 GPS를 활용하여 위치 오차를 고려한 교통 신호등 영역 검출 성능을 향상시킬 수 있는 방법과 다양한 주변 간섭 요소를 고려한 영역 검출 성능 향상 방법에 대한 연구가 진행되어야 한다. 더불어 본 논문의 실험은 저층 빌딩으로 이루어진 환경에서 진행 되었다. GPS는 고층 빌딩이 많은 도심 속에서의 오차가 발생하고 이에 대한 성능 분석이 필요하다.
다음은 조도에 의한 영향에 강인한 성능을 확인 하기 위하여 두 번째 실험을 진행하였다. 실험 조건은 야간 상황에서 왕복 4차선에서 왕복 8차선까지의 다양한 도로 환경을 바탕으로 실험을 진행하였다.
우리가 제안한 방법에 대한 검증을 위하여 교통신호등 위치 정보 DB를 구축해 놓고, 실 환경에서의 실험을 진행하였다. 지능형 차량에 장착된 DGPS를 이용하여 실시간으로 위치 정보를 획득하고, DB와 정보 비교를 통해 해당 지역의 교통 신호등 정보를 획득한다.
본 논문에서는 이런 야간 교통 신호등 인식 문제를 해결하기 위해, 비전 센서가 제공하는 정보외에 별도의 정보를 활용하여 인식률을 향상시키는 기법을 제안한다. 제안 기법에서는 DGPS 위치 정보를 바탕으로 교통 신호등의 위치 및 형태적 정보를 DB로 구성한다. 기 구축된 DB 정보와 더불어 DGPS를 활용하여 주행 중인 지능형 차량의 현재 위치의 지속적인 탐색 및 비교를 통해 이미지 영역에서 교통 신호등이 위치하게 되는 후보 영역을 설정하는 방법을 제안한다.
제안 방법과 교통 신호등 특징 기반 방법은 야간 환경에서 총 100회에 걸쳐 반복 실험을 진행하였다. 표 2의 결과와 같이 교통 신호등 특징 기반 방법은 30%에 미치지 못하는 신호등 인식 실험 결과를 보여주고 있다.
우리가 제안한 방법에 대한 검증을 위하여 교통신호등 위치 정보 DB를 구축해 놓고, 실 환경에서의 실험을 진행하였다. 지능형 차량에 장착된 DGPS를 이용하여 실시간으로 위치 정보를 획득하고, DB와 정보 비교를 통해 해당 지역의 교통 신호등 정보를 획득한다. 교통 신호등의 존재 유무가 판단되면 이미지에서 교통 신호등 영역 검출 기능이 활성화 된다.
표 1은 직선도로와 곡선도로에서 총 100회의 교통 신호등 검출 영역 결정을 시도 했을 때, 교통 신호등에 대한 영역 결정 성공률을 기록한 것이다. 총 100회 중에서 직선도로와 곡선도로의 비율을 동일 하게 진행하였다.

대상 데이터

그림 6은 우리가 제안한 방법의 적용을 위해 비전 센서에서 획득된 이미지를 나타낸 것이다. 각각 일반 교차로와 오르막 교차로에서 획득하였다.
본 실험에서는 BASLER 사의 acA750-30gc 비전 센서와 초점거리가 12mm인 렌즈를 사용하여 이미지를 획득하였다. 이미지 포맷은 VGA 규격을 따른다.
실험 환경은 왕복 4차선 도로 환경을 기준으로 실험을 진행하였다. 우선 주간 환경에서의 성능을 확인하기 위하여 첫 번째 실험을 진행하였다.
이미지 포맷은 VGA 규격을 따른다. 위치 정보의 획득을 위해서 사용된 장비는 OXFORD TECHNICAL SOLUTIONS의 RT3002 DGPS 모듈을 사용하였다. DB를 구성하여 처리한 장비는 산업용 임베디드 컴퓨터 ADLink MXC-6000을 사용하였으며, 신호등 DB는 GPS의 위도, 경도 값과 신호등의 높이, 신호 지향 방향으로 구성하였다.

성능/효과

위 결과에서 교통 신호등 특징 기반 방법과 도로환경 모델링 기반 방법, 제안 방법을 비교하였을 때, 직선도로에서의 성능은 큰 차이를 보이지 않았다. 하지만 곡선도로에서는 도로환경 모델링 기반 방법이 상대적으로 낮은 검출 성공률을 보여주었고 교통 신호등 특징 기반 방법과 제안 방법은 유사한 성능을 보여주고 있다.
획득된 이미지에 우리가 제안한 방법을 적용하여 얻은 결과는 그림 7과 같이 추출하게 된다. 제안된 방법을 통해 획득된 교통 신호등 검출 영역 이미지는 교통 신호등이 존재하는 원본 이미지보다 작은 영역만을 추출하게 되고, DGPS 위치 정보를 이용하여 영역 검출을 수행하여 신뢰성을 제공하게 된다.
DGPS와 기구축된 DB를 이용하여 교통 신호등과 차량의 비전 센서 위치 관계를 분석하고, 비전 센서에서 획득한 이미지에 교통 신호등이 위치하는 영역을 결정 및 검출한다. 제안한 방법은 야간 환경에서 발생할 수 있는 차량 후미등과 같은 검출 오류 요소들 및 가로등과 간판등의 주변 간섭 조명으로 인한 간섭에 강인한 성능을 보이고 있다.
제안 방법과 교통 신호등 특징 기반 방법은 야간 환경에서 총 100회에 걸쳐 반복 실험을 진행하였다. 표 2의 결과와 같이 교통 신호등 특징 기반 방법은 30%에 미치지 못하는 신호등 인식 실험 결과를 보여주고 있다. 이는 야간 환경에서 신호등의 형태와 색상을 영상 처리만으로 획득 및 판단하기 어렵기 때문에 저조한 인식률을 보여주고 있다.
위 결과에서 교통 신호등 특징 기반 방법과 도로환경 모델링 기반 방법, 제안 방법을 비교하였을 때, 직선도로에서의 성능은 큰 차이를 보이지 않았다. 하지만 곡선도로에서는 도로환경 모델링 기반 방법이 상대적으로 낮은 검출 성공률을 보여주었고 교통 신호등 특징 기반 방법과 제안 방법은 유사한 성능을 보여주고 있다. 이러한 차이가 나는 이유는 도로환경 모델링 기반 방법은 곡선도로의 곡률과 교통 신호등의 위치가 일치하지 않아 발생하는 오차가 상대적으로 많았다.

후속연구

향후 연구로서 DGPS가 아닌 보급형 GPS를 활용하여 위치 오차를 고려한 교통 신호등 영역 검출 성능을 향상시킬 수 있는 방법과 다양한 주변 간섭 요소를 고려한 영역 검출 성능 향상 방법에 대한 연구가 진행되어야 한다. 더불어 본 논문의 실험은 저층 빌딩으로 이루어진 환경에서 진행 되었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	지능형 차량과의 물리적 위치 관계를 유도하기 위해서 필요한 정보로 무엇이 필요한가?	교통신호의 위치와 형태에 대한 정보를 획득하기 위해서 DB에 교통신호에 대한 기준 정보가 구성되어야 한다. 지능형 차량과의 물리적 위치 관계를 유도하기 위해서 필요한 정보로는 위도와 경도에 대한 위치 좌표정보, 차량의 진행 방향과 비교를 위한 교통 신호등의 신호 지시방향, 교통 신호등의 형태에 대한 정보가 필요 하다.
	기존의 지능형 차량에서 교통 신호등 인식 기법은 어떤 단계로 구성 되어 있는가?	기존의 비전 기반 연구들은 일반적으로 세 가지 단계로 구성되어 있다. 첫 번째 단계는 비전 센서에서 획득한 이미지에서 교통신호를 검출하기 위한 후보 영역을 설정 및 전처리 과정을 수행한다. 두 번째 단계에서는 설정된 후보 영역에서 특징 추출 (feature extraction) 및 인식 (recognition) 과정을 거쳐서 교통 신호의 색상과 형태를 추출한다. 마지막 단계에서는 추출된 신호의 종류를 기반으로 신호가 가지는 의미를 판단한다.
	색상 기반의 영상 인식의 특징은 무엇인가?	일반적으로 색상 기반의 영상 인식은 환경 변화에 민감한 특성을 가지고 있다. 특히 실외 환경에서 색상기반 인식은 주야간에 따른 밝기 변화 (illumination change)와 주변 조명으로 인한 색상의 왜곡 등의 문제점으로 인해 높은 정확도의 객체인식 및 판단은 매우 어려운 문제이다.

참고문헌 (12)

S. Thrun, M. Montemerlo, H. Dahlkamp, D. Stavens, A. Aron, J. Diebel, "Stanley: the robot that won the DARPA grand challenge," Journal of Field Robotics, Vol. 23, No. 9, pp. 661-692, 2006.

상세보기
R.D. Charette, F. Nashashibi, "Real time visual traffic lights recognition based spot light detection and adaptive traffic lights templates," Proceesings of IEEE Symposium on Intelligent Vehicles, pp. 358-363, 2009.
Z. Cai, T. Li, M. Gu, "Real-time recognition system of traffic light in urban environment," Proceedings of IEEE Symposium on Computational Intelligence for Security and Defence Applications, pp. 1-6, 2012.
M. Omachi, S. Omachi, "Detection of traffic light using structural information," Proceedings of IEEE International Conference on Signal Processing, pp. 809-812, 2010.
H.K. Kim, J.H. Park, H.Y. Jung, "Vision based traffic light detection and recognition methods for daytime LED traffic light," IEMEK J. Embed. Sys. Appl., Vol. 9, No. 3, pp. 145-150, 2014 (In Korean).

원문보기 상세보기
M. Omachi. S. Omachi. "Traffic light detection with color and edge information," Proceedings of IEEE International Conference on Computer Science and Information Technology, pp. 284-287, 2009.
R. Biswas, A. Khan, M.Z. Alom, M. Khan, "Night mode prohibitory traffic signs detection," Proceedings of IEEE International Conference on Informatics, Electronics & Vision, pp. 1-5, 2013.
J.M Mossi, A. Albiol, V.N. Ornedo, "Real-time traffic analysis at night-time," Proceedings of IEEE International Conference on Image Processing, pp. 2941-2944, 2011.
T.-P. Sung, H.-M. Tsai, "Real-time traffic light recognition on mobile devices with geometry-based filtering," Proceedings of International Conference on Distributed Smart Cameras, pp. 1-7, 2013.
N. Fairfield, C. Urmson, "Traffic light mapping and detection," Proceedings of IEEE International Conference on Robotics and Automation, pp. 5421-5426, 2011.
J. Levinson, J. Askeland, J. Dolson, S. Thrun, "Traffic light mapping, localization, and state detection for autonomous vehicles," Proceedings of IEEE International Conference on Robotics and Automation, pp. 5784-5791, 2011.
G. Yang, G. Lee, "The detection of signals for auto navigation," Proceedings of Institute of Electronics Engineers of Korea Fall Conference, pp. 1456-1459, 1996 (In Korean).

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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