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
- 논문에서는 카메라를 이용한 야간 차량 검출을 위해 다중-클래스 SVM을 이용하는 방안을 제안 하였다. 국부 밝기 평균 기반 thresholding과 라벨 링과정을 통해 얻어진 차량 램프 후보영역에 대해 기하학적 및 통계적 특징을 이용하는 다중-클래스 SVM 기반 야간 차량 검출 방식이다.
- 본 논문에서는 차량과 비차량에 해당하는 블로브를 다섯 가지 클래스로 세분화하여 정의하고 다중-클래스(multi-class) SVM 기법을 도입하여 분류함으로써 궁극적으로는 차량과 차량이 아닌 객체로 분류하는 효과적인 방법을 제안하고자 한다. 이를 위해, 전조등, 후미등, 가로등, 반사체, 간판을 포함한 기타 클래스로 구분하여 정의하고, 앞서 설명한 네 가지 다중-클래스 SVM 방식을 야간 차량 검출에 적합하도록 수정 보완하여 적용함으로써 검출 성능 측면에서 더 우수한 방법론을 찾고자 한다.
- 본 장에서는 야간 차량 검출 성능 향상을 위한 효율적인 다중-클래스 SVM 기법을 찾고자 한다. 이를 위해, 차량 램프와 비차량 광원에 해당하는 블로브를 다섯 가지 클래스, 즉 전조등, 후미등, 가로등, 반사체, 간판을 포함한 기타광원 클래스로 세분 화하고, OAA, OAO [9, 10], top-down 트리 구조 [9, 10]와 bottom-up 트리 구조[9]의 다중-클래스 SVM을 야간 차량검출에 적합하도록 수정 보완하여 적용한다.
제안 방법
- 가장 일반적으로 사용되는 SVM 기반 이진 (binary) 분류기법으로, 본 논문에서는 전조등과 후미등을 포지티브로 구성하고 이외의 광원(가로등, 도로반사체, 기타 광원)은 네거티브로 구성하여 하나의 SVM을 사용하여 분류한다.
- 추출된 블로브로 부터 각종 형태학적 특징, 기하학적 특징, 통계적 특징을 추출한다. 객체 인식에 자주 사용되는 histogram of oriented gradients (HOG), local binary pattern(LBP), Haar-like 특징 등을 사용 할 수도 있으나 본 논문에서는 시스템의 실시간성을 고려하여 기본적인 특징만을 사용한다. 이를 기반으로 해당 블로브가 차량 램프 인지 아닌지를 분류하게 되는데, 일반적으로 support vector machine(SVM) 분류기가 주로 사용되고 있으며[1, 3-7], AdaBoost [8]와 룰-기반(rule-based) 방법 [9]도 일부 사용되고 있다.
- 그림 2에서 제시한 시스템에 따라 야간 차량 인식 알고리즘을 구현하였으며 제III장에서 언급한 다섯 가지 방법의 SVM을 적용하여 실험을 진행하였다. 이때, 다중-클래스 SVM을 구성하는 SVM 분류기 각 각이 서로 다른 특징을 이용할 수도 있으나, 모든 내부 분류기가 동일하게 제II장 3절에서 제시한 일곱 가지 특징을 사용하는 것으로 구현하였다.
- 다섯 개의 OAA SVM 중 분류결과가 포지티브로 나타나는 OAA SVM의 결정 함수들을 비교한다. 비교 결과, 결정 함수가 최대인 OAA SVM을 선정 하여 포지티브 클래스를 최종 분류 결과로 선정한다.
- 입력된 후보 영역에 대해 10개의 분류기에서 가장 최대로 카운팅된 클래스로 판별하고 해당 클래스가 전조등 또는 후미등일 경우 차량(포지티브)으로 결정하도록 구성한다. 만약, 차량(전조등, 후미등)인 클래스와 비차량 광원(가로 등, 반사체, 기타 광원)인 클래스의 최대 카운팅 회수가 동일한 경우 리콜율을 고려하여 차량으로 인식하도록 하였다.
- 본 논문에서 적용한 야간 차량 검출 시스템은 그림 2에서 보는 바와 같이 일반적이고 기본적인네 개의 단계로만 구성하였고 페어링(pairing)이나 위치추적(tracking) 등의 후처리 단계는 고려하지 않기로 한다.
- 본 논문에서 제안한 다중-클래스 SVM의 유효성을 검증하기 위해서 실제 야간주행 환경에서 촬영된 비디오를 사용하여 학습과 분류 테스트를 진행 하였다. 학습 데이터의 구성은 다섯 가지 클래스로 구분하여 구성하였으며, 적용하는 SVM 방식에 맞게 포지티브와 네거티브 클래스로 다시 구분하여 학습하였다.
- 다중 분류에 적용되던 기법으로 여러 개의 OAO SVM을 사용하여 분류하는 방식으로 분류기의 수는 클래스 수가 N 개일 때, N(N-1)/2개이다. 본 논문에서는 다섯 가지 클래스인 전조등, 후미등, 가로등, 반사체, 기타 광원으로 각각 1:1 분류하는 열 개의 OAO SVM으로 구성된다. 입력된 후보 영역에 대해 10개의 분류기에서 가장 최대로 카운팅된 클래스로 판별하고 해당 클래스가 전조등 또는 후미등일 경우 차량(포지티브)으로 결정하도록 구성한다.
- 다중-클래스 OAA SVM은 클래스 수가 N 개일 때 분류기의 수는 N개이다. 본 연구의 목적에 맞게 다섯 개의 OAA SVM 분류기로 구성한다.
- 학습 데이터의 구성은 다섯 가지 클래스로 구분하여 구성하였으며, 적용하는 SVM 방식에 맞게 포지티브와 네거티브 클래스로 다시 구분하여 학습하였다. 이때 모든 분류기에서 포지티브와 네거티브 학습데이터의 양은 임의로 선택하여 각 각 500개와 1000개로 1:2 비율로 조정하였다. 또한, ground truth는 100 프레임(frame)의 영상으로 구성하여 실험하였다.
- 그림 2에서 제시한 시스템에 따라 야간 차량 인식 알고리즘을 구현하였으며 제III장에서 언급한 다섯 가지 방법의 SVM을 적용하여 실험을 진행하였다. 이때, 다중-클래스 SVM을 구성하는 SVM 분류기 각 각이 서로 다른 특징을 이용할 수도 있으나, 모든 내부 분류기가 동일하게 제II장 3절에서 제시한 일곱 가지 특징을 사용하는 것으로 구현하였다.
- 본 논문에서는 차량과 비차량에 해당하는 블로브를 다섯 가지 클래스로 세분화하여 정의하고 다중-클래스(multi-class) SVM 기법을 도입하여 분류함으로써 궁극적으로는 차량과 차량이 아닌 객체로 분류하는 효과적인 방법을 제안하고자 한다. 이를 위해, 전조등, 후미등, 가로등, 반사체, 간판을 포함한 기타 클래스로 구분하여 정의하고, 앞서 설명한 네 가지 다중-클래스 SVM 방식을 야간 차량 검출에 적합하도록 수정 보완하여 적용함으로써 검출 성능 측면에서 더 우수한 방법론을 찾고자 한다. 이때, 지능형 전조등 제어 시스템의 성공적인 구현을 위해 수식 (14)의 차량 검출의 정확도 (accuracy)뿐만 아니라 수식 (16)의 리콜율(recall) 측면에서의 검출 성능을 함께 고려한다.
- 본 장에서는 야간 차량 검출 성능 향상을 위한 효율적인 다중-클래스 SVM 기법을 찾고자 한다. 이를 위해, 차량 램프와 비차량 광원에 해당하는 블로브를 다섯 가지 클래스, 즉 전조등, 후미등, 가로등, 반사체, 간판을 포함한 기타광원 클래스로 세분 화하고, OAA, OAO [9, 10], top-down 트리 구조 [9, 10]와 bottom-up 트리 구조[9]의 다중-클래스 SVM을 야간 차량검출에 적합하도록 수정 보완하여 적용한다. 이진-클래스 SVM과 네 가지 다중-클래스 SVM 기법은 다음과 같다.
- 국부 밝기 평균 기반 thresholding과 라벨 링과정을 통해 얻어진 차량 램프 후보영역에 대해 기하학적 및 통계적 특징을 이용하는 다중-클래스 SVM 기반 야간 차량 검출 방식이다. 이를 위해, 차량 램프와 비차량 광원에 해당하는 블로브를 다섯 가지 클래스로 세분화하여 정의하고, 네 가지 다중-클래스 SVM(OAA, OAO, top-down SVM, bottom-up SVM)이 궁극적으로는 차량과 비차량으로 분류하기에 적합하도록 개발하였다. 실제 야간 주행 비디오를 이용한 시뮬레이션을 통해 top-down 트리 구조 SVM 가 bottom-up 트리 구조 SVM 방식이 야간 차량 검출 시스템에 보다 우수한 검출 성능을 나타냄을 보였다.
- 야간 차량 검출 기법은 주로 후보 추출 단계, 분류 단계, 페어링(pairing)과 시간적(temporal) 특징 분석 등의 후처리 단계 등으로 구성된다. 입력 영상으로부터 전조등과 후미등의 밝기 정보를 기준으로 이진화하고 라벨링(labeling) 함으로써 차량 램프로 추측되는 블로브(blob)를 차량 후보 영역으로 분리 추출한다. 하지만 그림 1에서 보는 바와 같이 가로등, 신호등, 교통표지판과 도로에 반사된 불빛인 반사체(reflector) 또한 차량 램프와 유사한 밝기 정보를 나타내기 때문에 이들 비차량 불빛들도 차량 후보 영역으로 추출되게 된다.
- 전조등과 후미등의 특징을 추출하기 위해서 YCbCr영상을 기반으로 영상의 밝기 정보 Y와 색차 정보인 Cr을 기반으로 총 일곱 가지의 기하학적 통계적 특징을 추출한다. 거리에 따라 변하는 차량 램프의 크기 변화를 고려할 수 있도록 기하학적 특징은 정규화(normalization)하여 사용한다.
- 차량검출 성능 측정을 위한 척도로는 다음과 같은 차량 검출의 정확도(accuracy), 프레시전율 (precision)과 리콜율(recall)을 사용하였다.
- 하지만 그림 1에서 보는 바와 같이 가로등, 신호등, 교통표지판과 도로에 반사된 불빛인 반사체(reflector) 또한 차량 램프와 유사한 밝기 정보를 나타내기 때문에 이들 비차량 불빛들도 차량 후보 영역으로 추출되게 된다. 추출된 블로브로 부터 각종 형태학적 특징, 기하학적 특징, 통계적 특징을 추출한다. 객체 인식에 자주 사용되는 histogram of oriented gradients (HOG), local binary pattern(LBP), Haar-like 특징 등을 사용 할 수도 있으나 본 논문에서는 시스템의 실시간성을 고려하여 기본적인 특징만을 사용한다.
- 본 논문에서 제안한 다중-클래스 SVM의 유효성을 검증하기 위해서 실제 야간주행 환경에서 촬영된 비디오를 사용하여 학습과 분류 테스트를 진행 하였다. 학습 데이터의 구성은 다섯 가지 클래스로 구분하여 구성하였으며, 적용하는 SVM 방식에 맞게 포지티브와 네거티브 클래스로 다시 구분하여 학습하였다. 이때 모든 분류기에서 포지티브와 네거티브 학습데이터의 양은 임의로 선택하여 각 각 500개와 1000개로 1:2 비율로 조정하였다.
대상 데이터
- 이때 모든 분류기에서 포지티브와 네거티브 학습데이터의 양은 임의로 선택하여 각 각 500개와 1000개로 1:2 비율로 조정하였다. 또한, ground truth는 100 프레임(frame)의 영상으로 구성하여 실험하였다.
이론/모형
- 이러한 과정을 통해 차량 램프 후보 영역이 독립된 블로브 형태로 추출된다. 이때, thresholding 방법으로는 [14]에서 제안한 국부 밝기 평균값을 이용한 기법(local mean based thresholding)을 사용한다, 추출된 차량 램프 후보 영역에 대해 기하학적 및 통계적 특징을 추출 하는 특징 추출 단계, 추출된 특징을 기준으로 차량및 비차량을 분류하는 다중-클래스 SVM 기반 분류기 단계로 구성된다. 본 장에서는 thresholding 단계, 라벨링 단계 및 특징 추출 단계에 대해 간략히 설명하고 다중-클래스 SVM 기반 분류기에 대한 설명은 다음 장에서 한다.
성능/효과
- 이는 실제 네거티브(비차량 램프) 가 포지티브(차량 램프)로 분류되는 false positive (FP)가 상대적으로 크게 증가되기 때문으로 분석된다. 리콜율 측면에서는 다섯 가지 방식 모두 95% 이상으로 나타나 우수한 것으로 나타났다. 정확도와는 반대로 OAA와 OAO SVM이 상대적으로 높은 것으로 나타났으나 앞서 설명한바와 같이 false positive(FP)가 상대적으로 크게 증가되어 실제 적용이 힘들 정도이다.
- 시스템 복잡도 측면에서는 제안한 다중-클래스 SVM이 이진-클래스 SVM에 비해 다소 복잡하다. 분류과정에서는 결정함수 연산 자체가 많지 않아 시스템 복잡도는 크게 증가하지 않지만, 학습과정은 사용된 SVM의 개수만큼의 배수로 연산량이 크게 증가하게 된다.
- 이를 위해, 차량 램프와 비차량 광원에 해당하는 블로브를 다섯 가지 클래스로 세분화하여 정의하고, 네 가지 다중-클래스 SVM(OAA, OAO, top-down SVM, bottom-up SVM)이 궁극적으로는 차량과 비차량으로 분류하기에 적합하도록 개발하였다. 실제 야간 주행 비디오를 이용한 시뮬레이션을 통해 top-down 트리 구조 SVM 가 bottom-up 트리 구조 SVM 방식이 야간 차량 검출 시스템에 보다 우수한 검출 성능을 나타냄을 보였다.
- 이진-클래스 SVM(binary라고 표기됨)과 네 가지 다중 -클래스 SVM (OAA, OAO, top-down SVM, bottom-up SVM)을 적용 시켰을 경우 야간 차량 램프 검출 성능을 표 1에 나타내었다. 전체적인 검출 성능을 나타낸다고 할 수 있는 정확도 측면에서 보면 top-down과 bottom-up과 같은 트리 구조 방식의 다중-클래스 SVM 방식이 가장 우수한 성능을 나타내었고, 기존의 이진-클래스 SVM 대비약 3.7%와 3%의 성능향상을 보였다. 하지만 OAA와 OAO SVM을 적용한 경우에는 이진-클래스 SVM 경우보다 오히려 정확도가 낮게 나타났으며, 특히 OAA SVM의 경우에는 정확도가 크게 떨어짐을 알 수 있었다.
- 7%와 3%의 성능향상을 보였다. 하지만 OAA와 OAO SVM을 적용한 경우에는 이진-클래스 SVM 경우보다 오히려 정확도가 낮게 나타났으며, 특히 OAA SVM의 경우에는 정확도가 크게 떨어짐을 알 수 있었다. 이는 실제 네거티브(비차량 램프) 가 포지티브(차량 램프)로 분류되는 false positive (FP)가 상대적으로 크게 증가되기 때문으로 분석된다.
후속연구
- 지금까지 야간 차량 검출에 사용된 대다수의 SVM 또한 이러한 이진-클래스(binary-class) SVM이 사용되었다.만약 전조등과 후미등의 형태학적, 기하학적, 통계적 특징 분포가 유사하다고 하면 이러한 이진-분류 SVM을 이용하여 효율적인 차량 검출이 가능할 것이다. 하지만 전조등과 후미등의 특징 분포가 상이할 뿐만 아니라 가로등, 반사체, 간판 등과 같은 차량이 아닌 블로브들의 특징 분포 또한 상이하기 때문에 이들을 크게 두 가지 클래스(포지티브(차량) 과 네거티브(비차량))로 정의하여 분류하는 것은 분류 성능이 저하되는 주요 요인이 될 수 있다.
- 프레 시 전율 측면에서 는 top-down과 bottom-up 방식이 상대적으로 우수한 결과를 나타내고 있지만, 절대적인 기준으로는 다소 부족한 성능을 나타내고 있어 향후 FP를 줄이는 방향으로 연구가 계속 진행되어야 될 것으로 분석 된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.