문제 정의

• 여 차량을 검출한다. 본 논문에서는 각각의 방법들을 우천 주행 영상에 적용하여 가장 적절한 차량 검출모델이 어떤 것인지 찾고자 한다.

가설 설정

• Y 값이 70이하인 영상은 비전 센서가 정확하게 차량을 구분 짓기 힘들다고 가정한다. 따라서 해당 영상은 차량이 어디쯤 있는지 관심영역(ROI, Region Of Interest)을 선별하기 위해 영상 내에 적색을 추출한다.
• 자동차 전용도로 혹은 고속도로에서는 신호등이 없으므로 입력 영상으로부터 계산된 밝기 값이 70이하라면 그때 적색을 2개 이상 내는 것은 자동차일 것이라는 가정을 했다. 또한 Y 값이 70이하라는 건 주행 환경이 어두워서 전방을 정확하게 인지 못하는 경우라고 가정하였고 해당 상황일 경우 운전자들은 전조등을 켜고 주행할거라 가정했다. 후미등은 전조등을 켜면 동시에 켜지는 불이므로 영상에서 적색을 찾는다는 것이 차량의 위치를 가늠할 수 있는 방법으로 가정했다.
• 관심영역을 추출하는 방법은 다음과 같다. 영상 내에서 적색이 같은 수평선상에 2군데 이상 검출되는 것을 차량의 후미등이라 가정하고 후미등 간격의 2배 만큼의 길이에 해당되는 영역을 관심영역으로 지정했다. 이 과정에서 차량의 후미등을 강조하기 위해 CLAHE를 적용하였다.
• 일단 빨간불이 있는 것을 차량이 있는지의 유무를 판단하는 지표로 선택한 이유는 다음과 같다. 자동차 전용도로 혹은 고속도로에서는 신호등이 없으므로 입력 영상으로부터 계산된 밝기 값이 70이하라면 그때 적색을 2개 이상 내는 것은 자동차일 것이라는 가정을 했다. 또한 Y 값이 70이하라는 건 주행 환경이 어두워서 전방을 정확하게 인지 못하는 경우라고 가정하였고 해당 상황일 경우 운전자들은 전조등을 켜고 주행할거라 가정했다.
• 또한 Y 값이 70이하라는 건 주행 환경이 어두워서 전방을 정확하게 인지 못하는 경우라고 가정하였고 해당 상황일 경우 운전자들은 전조등을 켜고 주행할거라 가정했다. 후미등은 전조등을 켜면 동시에 켜지는 불이므로 영상에서 적색을 찾는다는 것이 차량의 위치를 가늠할 수 있는 방법으로 가정했다.

제안 방법

• 그림 6는 본 논문에 적용된 Adaboost 알고리즘의 블록 다이어그램이다. 3개의 약한 분류기를 조합하여 차량을 판별하는 강한 분류기를 만들었다.
• Adaboost를 우천 상황에서 효과적으로 특징 추출과 차량을 검출을 하기 위해 2가지 형태의 학습 데이터셋을 구성했다. 먼저 차량 자체를 인식하기 위해 차량의 부분 이미지, 즉 좌측, 우측, 중앙과 원거리 차량영상을 각각 2,500장씩 총 10,000장을 준비했다.
• 해당 논문에서 우천 상황에 효과적으로 차량 검출을 위해 다음과 같이 제안한다. 먼저 영상의 RGB값을 추출하여 영상의 날씨 환경을 추측한 뒤 우천 상황인 경우 후미등을 이용하여 관심영역을 추출하고 미리 학습된 Adaboost를 사용하여 차량 검출을 실시한다. 다음 장에서는 보다 자세한 세부 알고리즘 설명을 하고자 한다.
• 그림 4와 같다. 먼저 카메라로부터 입력받은 영상을 RGB 색 공간에서 YCbCr 색 공간으로 변환하여 밝기를 측정한다. YCbCr 색 공간의 3가지 값은 Y는 휘도, Cb와 Cr은 색차 성분을 의미하고
• 이때 Y 값의 범위는 16에서 235정도였는데 대체적으로 70이하일 때 영상이 어둡거나 우천 상황이라 차량이 검출이 잘 되지 않는다고 정한다. 본 논문에서는 연산량을 줄이고자 영상 상단 절반 부분의 임의의 픽셀 10개의 RGB 평균을 사용하여 식 1에 대입한다. 해당 부분은 조도 센서를 이용하면 더 정확한 결과를 얻을 수 있다.
• 하지만 자체적인 학습 샘플을 이용하여 객체를 인식하므로 데이터에 의존적이라는 단점과 테스트 영상에 노이즈가 많아 물체 분간에 어려운 경우 그 성능이 낮게 나온다는 단점 등이 있다. 본 논문에서는 차량검출을 위해 Haar-like 특징, 적분영상, 계층 구조를 적용하여 약한 분류기(weak classifier)를 통해 반복적인 학습을 순차적으로 선택하고 조합하여 강한 분류기(strong classifier)를 만들었다. 그림 6는 본 논문에 적용된 Adaboost 알고리즘의 블록 다이어그램이다.
• Haar-like 특징은 물체의 경계선(Edge)과 형태 특징을 검출하기 위해 그림 7과 같은 필터를 적용하여 차량의 특징을 추출하였다. 총 13개의 Haar-like 필터를 사용하여 특징 추출을 하였다. 그림 7에 보이는 12개의 필터 외에 대각선을 추출하기 위한 필터도 사용하여 차량 특징을 검출했다.
• 또한 우천 상황에서 차량의 특징 추출을 효과적으로 하기위해 국내 고속도로 주행 영상을 위의 방법과 동일하게 각각 1,000장씩 4000장 준비했다. 총 14,000장의 학습 데이터를 Haar-like 필터를 통해 특징을 추출했다. Haar-like 특징은 물체의 경계선(Edge)과 형태 특징을 검출하기 위해 그림 7과 같은 필터를 적용하여 차량의 특징을 추출하였다.

대상 데이터

• 먼저 차량 자체를 인식하기 위해 차량의 부분 이미지, 즉 좌측, 우측, 중앙과 원거리 차량영상을 각각 2,500장씩 총 10,000장을 준비했다. 또한 우천 상황에서 차량의 특징 추출을 효과적으로 하기위해 국내 고속도로 주행 영상을 위의 방법과 동일하게 각각 1,000장씩 4000장 준비했다. 총 14,000장의 학습 데이터를 Haar-like 필터를 통해 특징을 추출했다.
• 셋을 구성했다. 먼저 차량 자체를 인식하기 위해 차량의 부분 이미지, 즉 좌측, 우측, 중앙과 원거리 차량영상을 각각 2,500장씩 총 10,000장을 준비했다. 또한 우천 상황에서 차량의 특징 추출을 효과적으로 하기위해 국내 고속도로 주행 영상을 위의 방법과 동일하게 각각 1,000장씩 4000장 준비했다.
• 실험을 진행하기에 앞서 성능 테스트를 위해 블랙박스로 촬영된 고속도로 주행 영상 500장을 사용했다. 영상은 날씨가 좋은 상황 250장과 우천 상황과 같은 날씨가 좋지 않는 상황 250장씩 준비했다.
• . 영상은 날씨가 좋은 상황 250장과 우천 상황과 같은 날씨가 좋지 않는 상황 250장씩 준비했다. 본 논문에서 제안하는 Adaboost 알고리즘과 가우시안 혼합 모델, 옵티컬 플로우 방법의 검출 결과는 표 1과 같다.
• 차량을 분류하기 위해서 여러개의 분류기를 조합한 Adaboost를 사용했다. Adaboost는 현재 SVM(Support Vector Machine)^[10]과 같이 사전에 학습된 물체를 분류하는 대표적인 방법이다.

데이터처리

• 본 논문에서 제안하는 Adaboost 알고리즘과 가우시안 혼합 모델, 옵티컬 플로우 방법의 검출 결과는 표 1과 같다. 검출 결과를 분석하기 위해 정확률(Precision)과 재현율(recall)을 구했다. 정확률과 재현율을 구한 식은 식 2를 이용했다.

• 그림 7에 보이는 12개의 필터 외에 대각선을 추출하기 위한 필터도 사용하여 차량 특징을 검출했다. 다양한 Haar-like 필터를 통해 얻은 차량 특징을 Adaboost를 통해 학습했다.
• 위와 같은 과정을 거친 영상은 명암대비를 향상하기 위해 기존에는 적용되지 않았던 대비제한 히스토그램 평활화(CLAHE, Contrast-Limit Adaptive Histogram Equalization)^[9]를 적용하였고 최종적으로 학습기반으로 방법 중 자체적인 학습 샘플을 가지고 객체를 인식하는 방법인 Adaboost 알고리즘을 이용해 차량검출을 하였다.
• 차량을 검출하는 방법은 많은 방법이 존재하지만 그 중에서도 가우시안 혼합 모델(GMM, Gaussian Mixture Model)^[3], 옵티컬 플로우(Optical Flow)^[4]와 Adaboost(Adaptive boosting)^[5]과 같은 방법을 적용하여 차량을 검출한다. 본 논문에서는 각각의 방법들을 우천 주행 영상에 적용하여 가장 적절한 차량 검출모델이 어떤 것인지 찾고자 한다.

• 이를 통해 알 수 있는 점은 CLAHE를 통해 실제 차량을 차량으로 인식하는 성능이 향상될 수 있다는 것을 알게 되었다. 기존에 영상 전처리 과정을 하지 않고 Adaboost를 통해 차량분류를 하는 것보다 CLAHE와 같은 영상 전처리를 한 뒤 차량 분류 작업을 한 것이 재현율 향상에 도움이 되는 것을 확인할 수 있었다.
• 차량이 주행하면서 다른 차량을 검출하는데 미검출율이 높다는 것은 해당 검출 방법이 운전자의 도로 상황에는 적합하지 않다고 판단할 수 있다. 따라서 GMM, 옵티컬 플로우와 Adaboost 중에서는 Adaboost 알고리즘이 주행 차량의 차량 검출 방법으로 적합함을 알 수 있었다.
• 본 실험을 통해, 차량 검출에 있어 관심 영역 지정할 때 CLAHE를 적용하여 후미등 검출 성능이 향상되는 것과 이를 통해 Adaboost을 이용한 분류 작업에서 차량 검출의 재현율이 향상되는 것을 확인할 수 있다. 해당 논문을 통해 말하고자 하는 것은 주행 차량에 적용되는 차량 검출 알고리즘은 운전자의 안전에 대한 신뢰성을 보장하기 위해 운전 환경이 우천 상황과 같이 어떠한 환경이라도 강인한 검출율을 보여줘야 된다는 점이다.
• 앞에서 다룬 차량 검출 알고리즘은 현재까지도 사용되는 강력한 알고리즘이지만 우천 상황과 같은 악조건에서는 검출성능이 저하된 것을 확인할 수 있다. 따라서 본 논문에서는 다음과 같은 방법을 통해 차량 검출을 하고자 한다.
• 하지만 재현율은 전체적으로 향상되었다. 이를 통해 알 수 있는 점은 CLAHE를 통해 실제 차량을 차량으로 인식하는 성능이 향상될 수 있다는 것을 알게 되었다. 기존에 영상 전처리 과정을 하지 않고 Adaboost를 통해 차량분류를 하는 것보다 CLAHE와 같은 영상 전처리를 한 뒤 차량 분류 작업을 한 것이 재현율 향상에 도움이 되는 것을 확인할 수 있었다.
• 4% 향상되는 결과를 얻었다. 재현율의 경우 CLAHE를 적용한 경우가 그렇지 않은 경우보다 약 13% 향상되는 것을 확인할 수 있었다.
• 에 표기했다. 정확률은 CLAHE를 적용하기 전과 후의 차이가 약 2.4% 향상되는 결과를 얻었다. 재현율의 경우 CLAHE를 적용한 경우가 그렇지 않은 경우보다 약 13% 향상되는 것을 확인할 수 있었다.
• 표 1의 결과를 보면 Adaboost 알고리즘과 그 외의 검출기의 미검출율 차이가 많이 나는 것을 확인할 수 있다. 차량이 주행하면서 다른 차량을 검출하는데 미검출율이 높다는 것은 해당 검출 방법이 운전자의 도로 상황에는 적합하지 않다고 판단할 수 있다.
• 법의 차량 검출 결과는 표 3과 같다. 표 3의 결과를 통해 알 수 있는 것은 주행 차량의 차량 검출은 가우시안 혼합 모델과 옵티컬 플로우 방법보다 학습기반 모델인 Adaboost 검출 알고리즘의 검출 성능이 더 좋은 점과 CLAHE를 적용한 Adaboost는 우천 상황과 같은 차량 검출이 힘든 환경에서도 다른 알고리즘에 비해 성능이 우수함을 보여준다.
• 표 3의 내용에서 CLAHE를 적용한 경우에 Adaboost를 제외한 다른 방법에서 정확률이 약간 저하되었고 재현율이 향상되었다. CLAHE 과정에서 영상에 변형이 생겨 차량이 아닌 것까지 검출한 것이 정확률 저하에 영향을 준 것으로 사료된다.