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
- 이를 위해서 먼저 역투영 변환 영상을 그레이 이미지로 변환하는 과정이 필요하다. 본 논문에서는 노란색 차선이 일반적인 그레이 이미지에서 밝기 정보가 흰색에 비해 떨어지는 것을 보완하기 위해서 영상의 RGB 색상 정보 중 R채널과 G채널의 값을 3:2로 섞어 그레이 이미지로 변환하였다.
- 본 논문에서는 높은 정확성과 실시간성을 동시에 보장하는 곡선 차선인식 알고리즘을 제안하였다. 입력 영상의 조도 환경이 변하더라도 안정적으로 차선을 찾을 수 있도록가우시안 혼합모델 기법을 적용하였고 다양한 곡률의 차선을 검출이 실시간으로 가능한 알고리즘을 제안하였다.
- 본 논문에서는 실시간 검출률은 유지하면서 높은 곡률, 양쪽 점선 차선 등 다양한 곡률의 차선을 인식할 수 있는 차선 인식 알고리즘을 제안한다. 추가적으로 다양한 조도 변화 환경에서도 차선 인식 알고리즘의 강인성을 향상하기 위해 차선 영역의 확률적 분포를 사용하는 알고리즘을 제안한다.
가설 설정
- 2(b)와 같은 결과를 얻을 수 있었다. 본 논문에서는 도로가 평평하여 카메라의 위치나 각도가 변하지 않는다는 가정을 하였다.
제안 방법
- 미검출의 경우 그림 12(a)와 같이 한쪽차선이 검출 안 되는 경우가 있었고, 차선변경시 일시적으로 양쪽차선을 검출 못하는 문제가 있었다. 그러나 본 평가에서는 그림 12(a)와 같이 한쪽 차선만 검출이 가능한 경우, 도로의 너비정보 등을 사용하여 미검출된 가상 차선(pseudoline)을 추정하였다. 또한 그림 12(b)에서와 같이 소실점 부근에 흰색차량이 있는 경우 차선 이외의 성분을 잘못 검출하는 문제를 보였다.
- 그림 4. GMM을 통한 다양한 조도변화에서의 임계값 설정과 그에 따른 차선검출정도.
- 평가하는 것에 한계가 많다. 곡선 차선은 다양한 곡률을 갖는 차선이 존재하여 실제 도로의 곡률 정보가 없기에 수작업으로 알고리즘의 성능을 평가하였다. 평가에서 차선검출 실패를 다음과 같이 정의하였다.
- 차선 부분과 도로부분을 나누어 줄 수 있는 가우시안 혼합모델을 정해진 주기에 따라 한 번씩 사용하고 차선의 밝기 정보를 임계 값으로 사용함으로써 조도변화에 대응할 수 있도록 하였다. 곡선 차선을 더 높은 속도로 검출하기 위해 허프변환대신 템플릿 매칭을 통해 차선 성분으로 예상되는 데이터들을 모은 후, 이상점들의 존재여부에 상관없이 강력한 곡선 정합이 가능한 RANSAC 기법을 통하여 이상점의 영향을 최소화하는 방향으로 곡선을 정합시킨다. 마지막으로 검출된 곡선이 영상내의 차선을 모두 지나도록 확장을 시킴으로써 차선을 검출하게 된다.
- 그림 5. 도로영상의 가우시안 혼합모델 히스토그램 분석.
- 따라서 본 논문에서 제안하는 RANSAC 곡선 평가 방법은 그림 9에서와 같이 각각의 데이터에서 일정 거리 내 곡선이 존재하는 경우에만 그 데이터를 세는 방법을 택하여 곡선의 곡률에 상관없이 간단한 연산만으로도 평가가 정확하게 가능하도록 설계하였다.
- 그러나 기존 연구들과 같이 GMM 결과를 원본 영상에 적용할 마스크로 사용 될 경우 연산량이 증가하는 단점이 있다. 따라서 본 논문에서는 GMM을 차선을 검출하는 마스크로 사용하지 않고 주기적으로 차선의 밝기정보 즉, 차선 성분의 임계값만 받아 다음 프로세스인 템플릿 매칭에서 사용하도록 하여 전체 알고리즘 연산량에 주는 영향을 최소화 하도록 설계하였다.
- 곡선 차선을 더 높은 속도로 검출하기 위해 허프변환대신 템플릿 매칭을 통해 차선 성분으로 예상되는 데이터들을 모은 후, 이상점들의 존재여부에 상관없이 강력한 곡선 정합이 가능한 RANSAC 기법을 통하여 이상점의 영향을 최소화하는 방향으로 곡선을 정합시킨다. 마지막으로 검출된 곡선이 영상내의 차선을 모두 지나도록 확장을 시킴으로써 차선을 검출하게 된다. 본 알고리즘의 자세한 과정은 다음과 같다.
- 본 연구에서는 기준 영상의 4점(xl, x2, x3, x4)이 실제 도로환경을 나타내는 결과 영상의 4점(x, l, x'2, x'3, x, 4)처럼 일정 간격으로 배치된다는 사실을 통해 호모그래피 행렬을 추정할 수 있다(그림 2). 본 논문에서는 추정된 호모그래피 행렬을 통하여 역투영 변환을 적용하였다.
- 본 연구에서는 일부 검출된 곡선을 확장시키는 기존연구 [기의 후처리 과정을 적용하였다. 대부분의 미검출 차선들은 그럼 10(a)와 같이 차량 근처, 영상 하단 부분에 위치한 차선들이다.
- 앞서 설명한 GMM과 이를 구하기 위한 EM 알고리즘을 도로 영상에 적용함으로써 차선 성분을 확률적으로 분리하는 것이 가능하다. 이를 위해서 먼저 역투영 변환 영상을 그레이 이미지로 변환하는 과정이 필요하다.
- 곡선 차선인식 알고리즘을 제안하였다. 입력 영상의 조도 환경이 변하더라도 안정적으로 차선을 찾을 수 있도록가우시안 혼합모델 기법을 적용하였고 다양한 곡률의 차선을 검출이 실시간으로 가능한 알고리즘을 제안하였다. 제안된 알고리즘은 다양한 곡률의 차선을 인식함뿐만 아니라 멀리 있는 곡선차선까지 인식하여 차량의 진행방향 예측이 가능함을 나타내었다.
- 전처리 과정 이후 영상의 차선을 잇는 곡선을 정합하기 위해서는 차선 정보만 남기고 다른 정보는 제거하는 과정을 설계하였다. 기존연구의 경우 필터링/에지추출 및 군집화를 통해서 모든 수직 차선의 정보를 찾는 것([7, 11])과 달리 본 논문에서는 차선 기본 정보(밝기정보와 차선두께)를 사용하는 템플릿 매칭(template matching)을 적용하였다.
- 해당 영상은 2차선으로 된 다양한 환경의 고속도로(직진도로와 오른쪽 커브, 왼쪽 커브 차선변경, 소실점 부근 장애물, 도로 상의 이정표 등)주행으로 이루어져 있어 여러 상황에서 알고리즘의 성능을 평가하기 적합하였다. 직센곡선 도로로 나누어 알고리즘 성능을 평가 하였다. C/C++과 OpenCV< 활용하여 640x480 픽셀크기의 영상 4880장을 Intel i7 2.
- 우선 카메라에서 받은 영상의 도로영역만 관심 영역(ROI)으로 설정하여 전체적인 연산량을 줄이며 역투 영변 환 시켜 차선 이미지들을 평행선들로 변환 시킨다. 차선 부분과 도로부분을 나누어 줄 수 있는 가우시안 혼합모델을 정해진 주기에 따라 한 번씩 사용하고 차선의 밝기 정보를 임계 값으로 사용함으로써 조도변화에 대응할 수 있도록 하였다. 곡선 차선을 더 높은 속도로 검출하기 위해 허프변환대신 템플릿 매칭을 통해 차선 성분으로 예상되는 데이터들을 모은 후, 이상점들의 존재여부에 상관없이 강력한 곡선 정합이 가능한 RANSAC 기법을 통하여 이상점의 영향을 최소화하는 방향으로 곡선을 정합시킨다.
- 수 있다. 차선 성분의 밝기 정보들이 다른 성분들의 밝기에 비해서 높은 편이므로 이러한 성질을 바탕으로 본 논문에서는 도로 영상을 차선, 도로, 그리고 그 밖의 성분으로 분류하고, 이미지의 밝기 분포에 대하여 클래스 개수가 3 개인 GMM을 구한다. 그 결과는 그림 6(b), (c), (d)와 같다.
- 추가적으로 다양한 조도 변화 환경에서도 차선 인식 알고리즘의 강인성을 향상하기 위해 차선 영역의 확률적 분포를 사용하는 알고리즘을 제안한다. 차선 엣지 검출 시 사용되는 히스토그램 임계 값을 고정 값이 아닌 차선 영역의 확률적 분포로 계산된 변수 임계 값을 사용하여 차선 인식의 강인성을 향상하도록 한다.
대상 데이터
- 본 논문에서 제안하는 알고리즘의 성능 실험은 도로 주행 블랙박스 영상을 사용하여 진행하였다. 해당 영상은 2차선으로 된 다양한 환경의 고속도로(직진도로와 오른쪽 커브, 왼쪽 커브 차선변경, 소실점 부근 장애물, 도로 상의 이정표 등)주행으로 이루어져 있어 여러 상황에서 알고리즘의 성능을 평가하기 적합하였다.
이론/모형
- 설계하였다. 기존연구의 경우 필터링/에지추출 및 군집화를 통해서 모든 수직 차선의 정보를 찾는 것([7, 11])과 달리 본 논문에서는 차선 기본 정보(밝기정보와 차선두께)를 사용하는 템플릿 매칭(template matching)을 적용하였다. 본연구에서의 역투영 변환 영상에서 차선은 보통 3 pixel 이기에 그림 7과 같이 2x5 pixel 크기의 커널을 만들었다.
- Case 2와 Case 3의 경우에는 고정 임계값을 올림에 따라서 차선정보가 사라지는데 그 시점은 조도환경에 따라서 달라지기 때문어】, 하나의 고정된 임계값으로 모든 상황을 대처하기에는 어려움이 있다. 따라서 본 논문에서는 절대적 차선 밝기 값에 관계없이 차선, 도로 및 그 밖의 성분(자동차, 장애물)의 상대적인 밝기 차이를 이용하여 확률적으로 차선 성분만을 분리해 낼 수 있는 가우시안 혼합모델(Gaussian Mixture Model, GMM)을 적용하였다[9]. 그림 3의 입력 영상을 GMN1 을 통해서 차선 검출을 하면 그림 4와 같이 각각의 조도 상황에 맞는 임계값을 얻을 수 있다.
- 있다. 따라서 본 논문에서는 차선 외 정보인 이상 점들의 영향을 최소화하기 위해 RANSAC (RANdom SAmple Consensus)기법을 사용하여 3 차 Bezier 곡선 정합을 하였다[12].
- 입력 영상에는 도로와 차선 정보 외에도 다양한 정보가 담겨있기 때문에 불필요한 부분은 제거하고 필요한 정보는 강조하여 보다 강인한 차선 검출이 가능하도록 할 수 있다. 본 논문에서는 전처리 과정으로 원근효과를 없애 실제 도로처럼 평행한 차선을 만드는 역투영 변환[8], 입력 영상의 RGB 값을 적절하게 사용하여 흰색과 노란색 차선이 모두 뚜렷하게 나오게 흐卜는 이진영상, 그리고 밝기 변화에 따라 차선 성분만을 확률적으로 분리해내는 가우시안 혼합모델(GMM) [9] 을사용하였다.
- 그림 9. 제안된 RANSAC 곡선 평가 방법.
성능/효과
- 직센곡선 도로로 나누어 알고리즘 성능을 평가 하였다. C/C++과 OpenCV< 활용하여 640x480 픽셀크기의 영상 4880장을 Intel i7 2.5 GHz 프로세서를 사용하여 진행한 결과 표 1과 같이 평균 50笛의 92.95%의 검출률이 확인되었다.
- 제안된 알고리즘은 다양한 곡률의 차선을 인식함뿐만 아니라 멀리 있는 곡선차선까지 인식하여 차량의 진행방향 예측이 가능함을 나타내었다. 낮 시간대 고속도로 주행의 실험 결과 약 92.95%의 높은 검출률과 평균 50也s의 빠른 연산속도를 보였다.
- 정확도로 가능함을 보였다. 또한 도로의 앞부분에 있는 차선까지 검출함으로써 차량의 예상 진행방향을 예측할 수 있음을 보였다.
- 점들 사이의 관계를 나타낸 것이다. 본 연구에서는 기준 영상의 4점(xl, x2, x3, x4)이 실제 도로환경을 나타내는 결과 영상의 4점(x, l, x'2, x'3, x, 4)처럼 일정 간격으로 배치된다는 사실을 통해 호모그래피 행렬을 추정할 수 있다(그림 2). 본 논문에서는 추정된 호모그래피 행렬을 통하여 역투영 변환을 적용하였다.
- 이 기준에 따라 평가 결과는 그림 11처럼 직선 차선과 곡선 차선 및 다양한 도로 환경에서도 차선 검출이 약 93% 의 정확도로 가능함을 보였다. 또한 도로의 앞부분에 있는 차선까지 검출함으로써 차량의 예상 진행방향을 예측할 수 있음을 보였다.
- 통해 곡선 검출의 연산을 줄인 연구가 있다[5]. 이는 제한속도에 따른 도로구조의 곡률정보를 이용하여 곡선 차선 후보를 생성하고 입력 영상과의 비교를 통하여 최대 보팅 (voting)값을 가지는 곡선모델을 찾는 것으로, 다양한 환경에서 정확하게 곡선차선을 검출하였다. 그러나 이상 점들이 있는 경우 정확한 검출이 어려울 수 있다.
- 입력 영상의 조도 환경이 변하더라도 안정적으로 차선을 찾을 수 있도록가우시안 혼합모델 기법을 적용하였고 다양한 곡률의 차선을 검출이 실시간으로 가능한 알고리즘을 제안하였다. 제안된 알고리즘은 다양한 곡률의 차선을 인식함뿐만 아니라 멀리 있는 곡선차선까지 인식하여 차량의 진행방향 예측이 가능함을 나타내었다. 낮 시간대 고속도로 주행의 실험 결과 약 92.
후속연구
- 본 알고리즘은 소실점 부근에 흰색차량이 있는 경우, 도로의 기울기가 크게 변하는 경우, 아주 큰 곡률의 커브인 경우 불안정한 한계점을 보였다. 추후 연구에서는 다양한 도로 환경에서의 성능 검증과 도로에 이정표가 존재하는 경우에도 강인하게 차선을 검출하는 방법이 연구되어야 한다.
- 알고리즘을 제안한다. 추가적으로 다양한 조도 변화 환경에서도 차선 인식 알고리즘의 강인성을 향상하기 위해 차선 영역의 확률적 분포를 사용하는 알고리즘을 제안한다. 차선 엣지 검출 시 사용되는 히스토그램 임계 값을 고정 값이 아닌 차선 영역의 확률적 분포로 계산된 변수 임계 값을 사용하여 차선 인식의 강인성을 향상하도록 한다.
- 불안정한 한계점을 보였다. 추후 연구에서는 다양한 도로 환경에서의 성능 검증과 도로에 이정표가 존재하는 경우에도 강인하게 차선을 검출하는 방법이 연구되어야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.