본 연구의 목적은 도로상에 설치된 CCTV에서 수집되는 영상정보를 이용하여 노면 상태를 판단하는 것이다. 이를 위해 먼저 야간의 젖은 노면을 검지하는 기술을 검증하였다. 지금까지 도로상의 젖음 정보를 추출하는 기술은 편광(polarization) 특성을 활용하는 것이다. 그러나 태양광이 없는 야간 도로상황에서는 편광특성을 활용할 수 없다. 이에 본 연구에서는 CCTV 야간 영상의 특징을 활용하여 마른 노면과 젖은 노면을 판별하는 방법을 제안한다. 노면의 젖음 여부를 판단하는 판별 방법론으로 웨이블릿(wavelet) 패킷 변환을 활용한 질감분석 방법론 및 영상의 명도분포 특성을 반영하기 위한 HSI 색상 모형 기반 명도(intensity) 히스토그램 활용 방법론을 적용하였다. 현장장비에서 취득한 총 200장의 샘플영상을 활용하여 영상을 분석, SVM (Support Vector Machine) 분류기 기반 판별 초평면을 구성한 후, 검지 기법을 검증하기 위한 현장테스트를 수행하였으며 유의한 결과를 얻을 수 있었다. 본 연구결과는 교통류의 안전성 향상을 위한 효율적인 야간 노면상태 수집에 활용될 수 있을 것이다.
본 연구의 목적은 도로상에 설치된 CCTV에서 수집되는 영상정보를 이용하여 노면 상태를 판단하는 것이다. 이를 위해 먼저 야간의 젖은 노면을 검지하는 기술을 검증하였다. 지금까지 도로상의 젖음 정보를 추출하는 기술은 편광(polarization) 특성을 활용하는 것이다. 그러나 태양광이 없는 야간 도로상황에서는 편광특성을 활용할 수 없다. 이에 본 연구에서는 CCTV 야간 영상의 특징을 활용하여 마른 노면과 젖은 노면을 판별하는 방법을 제안한다. 노면의 젖음 여부를 판단하는 판별 방법론으로 웨이블릿(wavelet) 패킷 변환을 활용한 질감분석 방법론 및 영상의 명도분포 특성을 반영하기 위한 HSI 색상 모형 기반 명도(intensity) 히스토그램 활용 방법론을 적용하였다. 현장장비에서 취득한 총 200장의 샘플영상을 활용하여 영상을 분석, SVM (Support Vector Machine) 분류기 기반 판별 초평면을 구성한 후, 검지 기법을 검증하기 위한 현장테스트를 수행하였으며 유의한 결과를 얻을 수 있었다. 본 연구결과는 교통류의 안전성 향상을 위한 효율적인 야간 노면상태 수집에 활용될 수 있을 것이다.
The objective of this paper is to determine the conditions of road surface by utilizing the images collected from closed-circuit television (CCTV) cameras installed on roadside. First, a technique was examined to detect wet surfaces at nighttime. From the literature reviews, it was revealed that ima...
The objective of this paper is to determine the conditions of road surface by utilizing the images collected from closed-circuit television (CCTV) cameras installed on roadside. First, a technique was examined to detect wet surfaces at nighttime. From the literature reviews, it was revealed that image processing using polarization is one of the preferred options. However, it is hard to use the polarization characteristics of road surface images at nighttime because of irregular or no light situations. In this study, we proposes a new discriminant for detecting wet and dry road surfaces using CCTV image data at night. To detect the road surface conditions with night vision, we applied the wavelet packet transform for analyzing road surface textures. Additionally, to apply the luminance feature of night CCTV images, we set the intensity histogram based on HSI(Hue Saturation Intensity) color model. With a set of 200 images taken from the field, we constructed a detection criteria hyperplane with SVM (Support Vector Machine). We conducted field tests to verify the detection ability of the wet road surfaces and obtained reliable results. The outcome of this study is also expected to be used for monitoring road surfaces to improve safety.
The objective of this paper is to determine the conditions of road surface by utilizing the images collected from closed-circuit television (CCTV) cameras installed on roadside. First, a technique was examined to detect wet surfaces at nighttime. From the literature reviews, it was revealed that image processing using polarization is one of the preferred options. However, it is hard to use the polarization characteristics of road surface images at nighttime because of irregular or no light situations. In this study, we proposes a new discriminant for detecting wet and dry road surfaces using CCTV image data at night. To detect the road surface conditions with night vision, we applied the wavelet packet transform for analyzing road surface textures. Additionally, to apply the luminance feature of night CCTV images, we set the intensity histogram based on HSI(Hue Saturation Intensity) color model. With a set of 200 images taken from the field, we constructed a detection criteria hyperplane with SVM (Support Vector Machine). We conducted field tests to verify the detection ability of the wet road surfaces and obtained reliable results. The outcome of this study is also expected to be used for monitoring road surfaces to improve safety.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 영상의 색상정보를 노면상태 판별에 반영하는 방법론을 분석에 추가한다. 색좌표의 표현 방법론은 여러 가지가 있으나, 본 연구에서는 영상의 밝기특성을 활용하기 위하여 HSI 색좌표 기반 판별 방법론을 검토한다.
본 연구에서는 영상처리를 활용한 야간 젖은 노면 판별 방법론을 구현하였다. 지금까지 영상처리를 활용한 노면상태 판별 기법에 대해서는 주간 영상에 대해서만 검토가 이뤄졌으나, 본 연구에서는 야간에 취득된 노면 영상을 활용하여 노면의 마름/젖음을 판별하기 위하여 영상의 명도(I) 분포 및 웨이블릿 패킷 변환을 활용한 방법론을 제안하였다.
따라서 SVM에서의 정규화는 동일한 클래스에 속하는 데이터 포인트의 특징값 차이는 작게 하고 서로 다른 클래스에 속하는 데이터 포인트의 특징값 차이는 크게 함으로서 SVM의 일반화 오류를 줄여주는 기능을 한다(Lee and Heo(2013)). 본 연구에서는 특징벡터의 정규화를 위하여, 상대적으로 수치가 큰 웨이블릿 계수에 대하여 임의의 가중치를 설정하여 스케일을 조정한다. 각 클래스 별 평균값을 고려하여, w1에 1/1000, w2-w8에 1/20의 가중치를 곱하여 SVM 모델링에 적용한다.
한국건설기술연구원 구내에 설치된 CCTV를 활용하여 주ㆍ야간별 마른노면/젖은노면 영상을 취득하였다. 본 연구에서는, ITS 교통정보센터에서 운영되는 기존 CCTV 구조를 활용하여 편광된 노면의 영상을 취득하기 위하여 특수한 방법을 고안하였다. 하나의 카메라로 복수의 편광상태를 취득하기 위하여, 렌즈 전면부에 편광필터회전모듈을 제작하여 부착하였다.
본 연구에서는, 야간 CCTV 영상을 활용한 젖은 노면 검지 방법론을 구현하기 위함을 목적으로 연구를 진행한다. 도로상에 설치된 CCTV를 활용, 주간 및 야간(적외선 투광기 관제) 조건에서 마른 노면 및 젖은 노면의 일반적인 특성을 육안으로 확인한 후, 이를 영상처리 기법을 통해 정량화시킨다.
본 연구에서는 영상의 색상정보를 노면상태 판별에 반영하는 방법론을 분석에 추가한다. 색좌표의 표현 방법론은 여러 가지가 있으나, 본 연구에서는 영상의 밝기특성을 활용하기 위하여 HSI 색좌표 기반 판별 방법론을 검토한다. HSI 색좌표는 영상을 색상(Hue), 채도(Saturation), 명도(Intensity)를 분할하여 표현하는 색좌표 모형으로서, HSI 칼라 모델은 사용자인 인간이 직관적으로 이해 가능한 영상 처리 알고리즘을 개발하기 위해 이상적인 도구로 영상에서 밝기 성분을 칼라 수반정보(색상과 채도)로부터 분리할 수 있다.
육안식별로 확인 가능한 영상의 특성을 정량화시키기 위해서, 본 연구에서는 다음과 같은 방법론의 적용을 검토한다.
이러한 연유로 영상처리를 활용한 노면상태 판별과 관련하여 다수의 선행연구가 있었으나, 실제 도로 현장에서 실용화된 사례를 찾아보기 어려웠다. 이에 본 연구에서는 야간에 도로 표면의 젖음 여부를 판별할 수 있는 새로운 판별방법론을 제시하고자 한다.
이에 본 연구에서는 야간에 편광특성을 활용하지 않고 젖은 노면을 판별할 수 있는 방법론을 개발한다. 적외선 투광기를 활용한 야간 CCTV 관제조건에서 취득한 영상을 활용, 마른노면 영상과 젖은노면 영상의 특징을 비교하고, 이를 영상처리기법을 활용하여 정량화시킨다.
적외선 투광기를 활용한 야간 CCTV 관제조건에서 취득한 영상을 활용, 마른노면 영상과 젖은노면 영상의 특징을 비교하고, 이를 영상처리기법을 활용하여 정량화시킨다. 정량화된 판별모델을 CCTV 기반 현장장비에 적용하여 유효성을 검증하는 것을 목표로 한다.
본 연구에서는 영상처리를 활용한 야간 젖은 노면 판별 방법론을 구현하였다. 지금까지 영상처리를 활용한 노면상태 판별 기법에 대해서는 주간 영상에 대해서만 검토가 이뤄졌으나, 본 연구에서는 야간에 취득된 노면 영상을 활용하여 노면의 마름/젖음을 판별하기 위하여 영상의 명도(I) 분포 및 웨이블릿 패킷 변환을 활용한 방법론을 제안하였다. 육안으로 판별한 영상의 특징에 영상처리기법을 적용하여 정량화시켰으며, 확인된 특징을 SVM 판별 분류기 기반 초평면으로 정량화시켜 현장 장비에 적용한 결과 매우 우수한 검지 성능이 확인되어, CCTV 야간 관제 모드에서 해당 방법론의 적용이 가능할 것으로 판단된다.
제안 방법
(2007))의 방법론을 준용, 노면상태 별로 25장의 영상(좌수평우수직영상)에 대해 8×8 픽셀단위 웨이블릿 패킷 변환을 수행, 산출된 웨이블릿 계수를 산술평균하여 노면상태 별 대표 웨이블릿 계수의 경향을 비교한다.
(2003)에서 제시한 젖은 영역 판별론 기법을 수용하였으며, Arivazhagan. S., L. Ganesan(2003)에서 제시한 웨이블릿 계수의 주파수 특성을 활용하여 도로면의 질감을 마른 상태, 적설 상태, 결빙 상태로 분류하였다.
가중치에 의해 조정된 웨이블릿 계수 및 I성분 히스토그램을 활용, SVM 기법을 적용하여 총 18차원으로 구성한 야간 노면상태 판별 기준 초평면을 실시간 현장장비 취득 데이터를 통해 검증하였다. 한국건설기술연구원 구내도로에 설치된 CCTV 현장장비를 활용한 본 테스트는 2013년 11월 14일에 수행하였다.
각 영상은 육안에 의해 ‘마름’, ‘젖음’으로 구분된 이미지로서, 시스템에서 취득된 이미지 중 육안을 활용해 해당 노면 상태임이 분명하게 판별된 부분만을 선별하여 데이터베이스로 구축하였다.
노면상태별로 25장의 영상(좌수평 우수직 영상)을 선정, 총 100장의 영상에 대해 Ⅲ장에서 제시한 방법론에 따라 I성분의 분포도를 집계하여 표현한다. 집계 결과를 확인하면, 전체적인 명도 분포에 있어 주간에는 젖은노면 영상의 명도가 높은 반면, 야간에는 마른노면 영상의 명도가 높음을 확인할 수 있다.
따라서 두 개의 고유한 특성은 CCTV 야간 투광기 영상을 활용하여 마른노면과 젖은 노면을 분류하는데 활용할 수 있을 것으로 판단되어, SVM 모델링을 통해 야간 젖은노면과 마른노면을 판별하는 분류 초평면(hyperplane)을 생성, 현장장비에 적용한다.
해당 기능에 따라 편광상태의 변화에 따라 노면 밝기의 급격한 변화가 일어날 경우 이러한 밝기변화를 줄이기 위하여 조리개가 자동으로 조절된다. 따라서 편광상태에 따른 조리개 변화량을 최소화하기 위하여 한 영상에서 수직/수평영상을 동시에 취득할 수 있도록 하는 장치를 고안, 카메라 전면부에 부착한 후 테스트를 진행하였다.
본 연구에서는 HSI 색좌표계를 활용하여 화소별로 Intensity(I) 성분을 추출한다. 영상 전체에 대하여 추출한 I성분을 히스토그램(histogram)화하여, 이를 전역 특징벡터(global feature)로 활용한다.
본 연구에서는 각 노면 상태 영상을 SVM을 통해 DB영상을 학습시켜 각 노면 상태에 해당하는 모델을 만들어낸 후, 이 모델을 이용하여 실제 현장의 노면 상태를 분류한다. 이와 같은 과정을 정리하여 본 논문에서 사용된 알고리즘 흐름도를 정리하면 Figure 8과 같다.
K-means 클러스터링 기법은 클러스터링 이후 별도의 분류 기준을 적용하여 군집화된 결과값을 최종 분류결과로 매칭하여 야 하는 단점이 존재한다. 본 연구에서는 입력값에 대한 최종 판별결과가 확정되어 있고, 현장별로 다른 특성치(튜닝값)가 필요한 현장장비 운영 여건을 반영하여 교사학습(supervised learning) 방법론인 SVM(Support Vector Machine) 기법을 최종분류 단계에 적용, 영상의 I성분 히스토그램 특성과 웨이블릿 패킷변환을 통해 추출한 웨이블릿 계수를 SVM으로 분류하여 노면상태 판별 모형을 생성한다.
빙판노면은 눈에 비해 상대적으로 고주파 성분이 높으며, 마른노면은 빙판에 비하여 보다 많은 고주파성분이 존재한다. 웨이블릿 패킷 변환결과에 대해 K-means 클러스터링 알고리즘을 적용하여 4개의 클러스터로 분할한 후, 사전 정의된 노면상태별 중심점과 클러스터별 중심점과의 거리를 대응, 최종 노면상태를 판별한다.
현장에서 취득한 샘플영상 100세트(각 조건별 25세트, 총 200장)을 활용하여 영상처리 기반 판별 기준 모형을 정립한다. 이후 판별 기준 모형을 현장장비에 적용하여, 실제로 비가 내리는 환경에서 검증, 알고리즘의 유효성을 확인한다.
이에 본 연구에서는 야간에 편광특성을 활용하지 않고 젖은 노면을 판별할 수 있는 방법론을 개발한다. 적외선 투광기를 활용한 야간 CCTV 관제조건에서 취득한 영상을 활용, 마른노면 영상과 젖은노면 영상의 특징을 비교하고, 이를 영상처리기법을 활용하여 정량화시킨다. 정량화된 판별모델을 CCTV 기반 현장장비에 적용하여 유효성을 검증하는 것을 목표로 한다.
주/야간 환경에 있어 마른노면과 젖은노면의 웨이블릿 계수의 분포 및 경향성을 확인한다. 비교 방법론은 선행연구(Lim et al.
본 연구에서는, ITS 교통정보센터에서 운영되는 기존 CCTV 구조를 활용하여 편광된 노면의 영상을 취득하기 위하여 특수한 방법을 고안하였다. 하나의 카메라로 복수의 편광상태를 취득하기 위하여, 렌즈 전면부에 편광필터회전모듈을 제작하여 부착하였다. Yamada et al.
한편 본 연구에서는, CCTV 야간 관제에 범용적으로 활용되는 적외선 투광기를 부착하여 야간영상취득에 활용하였다. 적외선 투광기는 근적외선대역(700-900nm)의 파장을 피사체로 방출하여, 근적외선대역의 인식이 가능한 CCTV 카메라의 피사체 인식성능을 높여주는 효과를 가진다.
도로상에 설치된 CCTV를 활용, 주간 및 야간(적외선 투광기 관제) 조건에서 마른 노면 및 젖은 노면의 일반적인 특성을 육안으로 확인한 후, 이를 영상처리 기법을 통해 정량화시킨다. 현장에서 취득한 샘플영상 100세트(각 조건별 25세트, 총 200장)을 활용하여 영상처리 기반 판별 기준 모형을 정립한다. 이후 판별 기준 모형을 현장장비에 적용하여, 실제로 비가 내리는 환경에서 검증, 알고리즘의 유효성을 확인한다.
영상 수집을 위해 구성한 테스트베드 장비를 활용, 마른노면과 젖은 노면의 주ㆍ야간 영상을 취득한다. 현장장비를 활용하여 취득한 영상을 우선 육안으로 확인하고, 이를 정량화시키기 위한 방법론을 고안한다.
대상 데이터
각 영상은 육안에 의해 ‘마름’, ‘젖음’으로 구분된 이미지로서, 시스템에서 취득된 이미지 중 육안을 활용해 해당 노면 상태임이 분명하게 판별된 부분만을 선별하여 데이터베이스로 구축하였다. 각 4가지 노면상태별로 50장의 이미지(좌수직 우수평 영상 25장, 우수직 좌수평 영상 25장)을 수집하여, 분석에 활용된 영상의 숫자는 총 200장이다. 세부적인 분석 과정은 다음과 같다.
앞에서 제시한 방법론에 대한 검증을 위하여, 현장장비에서 2013년 10월에 취득된 영상을 활용한다. 각 영상은 육안에 의해 ‘마름’, ‘젖음’으로 구분된 이미지로서, 시스템에서 취득된 이미지 중 육안을 활용해 해당 노면 상태임이 분명하게 판별된 부분만을 선별하여 데이터베이스로 구축하였다.
영상 수집을 위해 구성한 테스트베드 장비를 활용, 마른노면과 젖은 노면의 주ㆍ야간 영상을 취득한다. 현장장비를 활용하여 취득한 영상을 우선 육안으로 확인하고, 이를 정량화시키기 위한 방법론을 고안한다.
가중치에 의해 조정된 웨이블릿 계수 및 I성분 히스토그램을 활용, SVM 기법을 적용하여 총 18차원으로 구성한 야간 노면상태 판별 기준 초평면을 실시간 현장장비 취득 데이터를 통해 검증하였다. 한국건설기술연구원 구내도로에 설치된 CCTV 현장장비를 활용한 본 테스트는 2013년 11월 14일에 수행하였다. 당일 일몰시간은 오후 5시 22분이었으며, 날씨는 11월 14일 오후 7시경부터 비가 내리기 시작하였으며, 인근 기상대(고양시 능곡기상대) 관측 자료로는 11월 14일 오후 8시부터 강수가 기록되었다.
한국건설기술연구원 구내에 설치된 CCTV를 활용하여 주ㆍ야간별 마른노면/젖은노면 영상을 취득하였다. 본 연구에서는, ITS 교통정보센터에서 운영되는 기존 CCTV 구조를 활용하여 편광된 노면의 영상을 취득하기 위하여 특수한 방법을 고안하였다.
이론/모형
수면 반사의 광학적 특성을 이용하여 Yamada et al.(2003)에서 제시한 젖은 영역 판별론 기법을 수용하였으며, Arivazhagan. S.
(2007))의 방법론을 준용하여, 영상을 8×8 픽셀 단위의 패치로 분할한 후 각각의 패치에 대하여 웨이블릿 패킷 변환을 적용하여 질감특성을 반영한 판별과정을 구성한다.
이 중에서 본 연구에서는 RBF 커널함수를 적용하였다. RBF 커널함수는 노면 데이터를 지수 함수적 공간으로 사상(寫像)하게 되므로 구분하기 어려웠던 특징 데이터를 좀 더 쉽게 처리하고 구분할 수 있게 해 준다.
성능/효과
Figure 1에서 (a)는 수직편광 필터를 통과한 영상이고, (b)는 수평편광 필터를 통과한 영상으로서 밝기차이를 확인할 수 있다. (c)는 (a)영상과 (b)영상을 비교하여 생성한 영상으로서, 젖은 노면 부분의 차이가 크게 나타나(밝게 표현) 빛의 편광 특성을 활용한 젖은 노면 판정이 가능함을 알 수 있다.
웨이블릿 패킷 변환을 통해 도출된 웨이블릿 계수를 활용하였을 때, 야간 젖은노면은 마른노면에 비해 전반적인 계수값이 작으나 특히 w1(DC성분)값이 작음을 확인할 수 있다. HSI 색상모델을 활용, I(명도) 성분에 대해 히스토그램을 생성하여 분석한 결과 야간의 마른노면과 젖은노면간에는 명도특성에서의 뚜렷한 차이점이 나타난다.
(2007))의 방법론을 준용, 노면상태 별로 25장의 영상(좌수평우수직영상)에 대해 8×8 픽셀단위 웨이블릿 패킷 변환을 수행, 산출된 웨이블릿 계수를 산술평균하여 노면상태 별 대표 웨이블릿 계수의 경향을 비교한다. 검토 결과, 야간에는 젖은노면의 DC성분(w1)이 주간보다 낮아지는 반면, 마른노면의 w1은 높아짐을 확인할 수 있다. 이는 육안 기반 판별결과에서 상대적으로 야간 젖은노면이 야간 마른노면에 비해 어둡게 나타난다는 점과 일치한다.
이는 육안 기반 판별결과에서 상대적으로 야간 젖은노면이 야간 마른노면에 비해 어둡게 나타난다는 점과 일치한다. 기타 고주파 영역에서 질감특성의 결과값은 주간에는 마른노면과 젖은 노면이 유사한 수치로 나타나는 반면, 야간에는 젖은 노면이 마른 노면보다 전체적으로 작게(약 85%) 나타나는 경향을 가진다.
샘플영상을 활용한 영상처리 분석 결과, 육안을 바탕으로 가정하였던 방법론이 야간의 젖은노면을 판단함에 있어 유효함을 확인할 수 있다. 웨이블릿 패킷 변환을 통해 도출된 웨이블릿 계수를 활용하였을 때, 야간 젖은노면은 마른노면에 비해 전반적인 계수값이 작으나 특히 w1(DC성분)값이 작음을 확인할 수 있다.
샘플영상을 활용한 영상처리 분석 결과, 육안을 바탕으로 가정하였던 방법론이 야간의 젖은노면을 판단함에 있어 유효함을 확인할 수 있다. 웨이블릿 패킷 변환을 통해 도출된 웨이블릿 계수를 활용하였을 때, 야간 젖은노면은 마른노면에 비해 전반적인 계수값이 작으나 특히 w1(DC성분)값이 작음을 확인할 수 있다. HSI 색상모델을 활용, I(명도) 성분에 대해 히스토그램을 생성하여 분석한 결과 야간의 마른노면과 젖은노면간에는 명도특성에서의 뚜렷한 차이점이 나타난다.
지금까지 영상처리를 활용한 노면상태 판별 기법에 대해서는 주간 영상에 대해서만 검토가 이뤄졌으나, 본 연구에서는 야간에 취득된 노면 영상을 활용하여 노면의 마름/젖음을 판별하기 위하여 영상의 명도(I) 분포 및 웨이블릿 패킷 변환을 활용한 방법론을 제안하였다. 육안으로 판별한 영상의 특징에 영상처리기법을 적용하여 정량화시켰으며, 확인된 특징을 SVM 판별 분류기 기반 초평면으로 정량화시켜 현장 장비에 적용한 결과 매우 우수한 검지 성능이 확인되어, CCTV 야간 관제 모드에서 해당 방법론의 적용이 가능할 것으로 판단된다.
노면상태별로 25장의 영상(좌수평 우수직 영상)을 선정, 총 100장의 영상에 대해 Ⅲ장에서 제시한 방법론에 따라 I성분의 분포도를 집계하여 표현한다. 집계 결과를 확인하면, 전체적인 명도 분포에 있어 주간에는 젖은노면 영상의 명도가 높은 반면, 야간에는 마른노면 영상의 명도가 높음을 확인할 수 있다. 특히 야간에는 마른노면과 젖은노면의 명도차이가 크게 나타남을 확인할 수 있는데, 마른노면을 구성하는 픽셀의 I성분은 5번과 6번 bin(I＝0.
(2009)는 이러한 편광 특성을 활용하여 젖은 영역을 판별하고, 조도(graininess) 분석을 통해 적설 영역을 판별하는 기술을 구현하였다. 차량에 스테레오카메라 기반의 카메라 장치를 부착하여 노면의 젖음을 판단하였으며, 적설 영역에 대해서도 유의미한 판단이 가능함을 실증하였다.
테스트 결과, 야간 젖은노면 검지를 위해 도입한 신규 알고리즘의 정확도가 매우 뛰어남을 확인할 수 있다. 2013년 11월 14일 테스트 결과를 시간순으로 배열한 Figure 13의 오른쪽 ‘image processing results’에서, 회색영역이 마른노면, 청색부분이 젖은노면을 나타내며 부분으로서, 육안 관측결과 (왼쪽 ‘현장장비 촬영영상’)와 비교하였을 때 높은 정확도를 나타냄을 확인할 수 있다.
후속연구
본 연구에서는 특성별 가중치 조정에 있어 ‘모든 특성이 동일한 가중치를 가진다’라는 전제하에 정규화를 수행하였으나, 실제 영상처리 단계에서는 다른 특성에 비해 설명력이 더 높은 변수가 존재할 가능성이 있으므로, 이에 대한 검토가 필요하다.
본 연구의 향후 연구 과제로서 다음과 같은 항목을 제시한다. 첫째, 야간 컬러 관제상황에서의 젖은 노면 판별 방법론 개발이 필요하다. 현재 개발된 방법론은 야간 흑백 관제(투광기 기반) CCTV에서 활용 가능한 방법론으로서, 야간 컬러 관제(가로등 기반) CCTV에서 적용하기 위해서는 추가적인 방법론 검증이 필요할 것으로 판단된다.
첫째, 야간 컬러 관제상황에서의 젖은 노면 판별 방법론 개발이 필요하다. 현재 개발된 방법론은 야간 흑백 관제(투광기 기반) CCTV에서 활용 가능한 방법론으로서, 야간 컬러 관제(가로등 기반) CCTV에서 적용하기 위해서는 추가적인 방법론 검증이 필요할 것으로 판단된다. 둘째, 동절기에 존재 가능한 다른 상태의 노면(적설, 결빙노면)에 대한 확장이 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
HSI 색좌표란?
색좌표의 표현 방법론은 여러 가지가 있으나, 본 연구에서는 영상의 밝기특성을 활용하기 위하여 HSI 색좌표 기반 판별 방법론을 검토한다. HSI 색좌표는 영상을 색상(Hue), 채도(Saturation), 명도(Intensity)를 분할하여 표현하는 색좌표 모형으로서, HSI 칼라 모델은 사용자인 인간이 직관적으로 이해 가능한 영상 처리 알고리즘을 개발하기 위해 이상적인 도구로 영상에서 밝기 성분을 칼라 수반정보(색상과 채도)로부터 분리할 수 있다.
K-means 클러스터링 기법의 단점은?
노면상태의 최종 분류 단계에서 선행연구에서는 K-means 클러스터링 알고리즘을 활용하였으나. K-means 클러스터링 기법은 클러스터링 이후 별도의 분류 기준을 적용하여 군집화된 결과값을 최종 분류결과로 매칭하여 야 하는 단점이 존재한다. 본 연구에서는 입력값에 대한 최종 판별결과가 확정되어 있고, 현장별로 다른 특성치(튜닝값)가 필요한 현장장비 운영 여건을 반영하여 교사학습(supervised learning) 방법론인 SVM(Support Vector Machine) 기법을 최종분류 단계에 적용, 영상의 I성분 히스토그램 특성과 웨이블릿 패킷변환을 통해 추출한 웨이블릿 계수를 SVM으로 분류하여 노면상태 판별 모형을 생성한다.
본 연구에서 육안식별로 확인 가능한 영상의 특성을 정량화하기 위해 어떠한 방법론의 적용을 검토하였는가?
① 야간에는 편광계수(수직편광영상과 수평편광영상의 영상 밝기의 비율)을 사용하지 않음
② 야간에는 웨이블릿 변환을 바탕으로 한 질감분석 방법론을 마른노면/젖은 노면을 판정하기 위한 기준으로 활용함
③ 야간 마른노면 영상과 젖은 노면 영상을 비교하였을 때, 노면영상의 밝기가 어두워지는 특성이 있어 영상의 밝기 정보를 판별 기준으로 활용
참고문헌 (7)
Andrey J., Olley R. (1990), Relationships Between Weather and Road Safety: Past and Future Research Directions, Climatological Bulletin, 24(3).
Arivazhagan S., Ganesan L. (2003), Texture Classification Using Wavelet Transform, Pattern Recognition Letters 24, 1513-1521.
Han T. H., Ryu S. K. (2008) The Recognition and Segmentation of the Road Surface State using Wavelet Image Processing, Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, 22(4), 26-34.
Jokela M., Kutila M., Le L. (2009), Road Condition Monitoring System Based on a Stereo Camera, Intelligent Computer Communication and Processing, IEEE 5th International Conference on, IEEE, Cluj-Napoca, Romania, 423-428.
Lee S. J., Heo G. Y. (2013), Supervised Rank Normalization for Support Vector Machines, Journal of The Korea Society of Computer and Information, 18(11), 31-38.
Lim S. H., Ryu S. K., Yoon Y. H. (2007) Image Recognition of Road Surface Conditions Using Polarization and Wavelet Transform, Journal of the Korans Society of Civil Engineers, 27(4D), 471-477.
Yamada M., Oshima T., Ueda K., Horiba I., Yamamoto S. (2003), A Study of the Road Surface Condition Detection Technique for Deployment on a Vehicle, JSAE REVIEW, 24, 183-188.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.