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
- 본 논문에서 우리는 히스토그램과 에지를 이용한 졸음 방지 시스템을 제안하고, 실험을 통해 타당성을 보였다. 종래의 졸음 방지 시스템들의 졸음 감지방법은 눈썹, 입 등의 특징 영역 검출을 통해 감지함으로 인해 검출 방법 설계의 어려움이 있었다.
제안 방법
- 따라서 이를 보완하기 위하여 DDV값을 이용한 졸음 판단 후이를 보완하기 위하여 vertical edge를 이용한 눈 개폐 여부 판단 방법을 적용하였다. 그 방법은 original 눈 영상을 Sobel vertical 필터를 이용하여 vertical edge 영상을 획득하고 이를 이진화하여 검출되는 white pixel의 수를 이용하여 졸린 상태를 판단하게 된다.
- 이러한 방식은 더 강력한 인식알고리즘을 구현하기 위한 것으로 단계를 거듭할수록 전단 계보다 더 많은 수의 특징들을 만들어서 그룹화를 하게 된다. 본 논문에서는 얼굴은 2*244 크기의 윈도우를 35단계를 거듭하여 생성하였으며, 눈은 1*166 크기의 윈도우를 20 단계를 거듭하여 생성하였다[6, 7].
- 이러한 시스템들은 운전자의 상태를 측정하기 위하여 운전자에게 직접 부착하거나 주변에 설치하는 것이 일반적인 방법이며, 이때 이러한 것들로 인하 여운전자가 운전에 불편함을 느끼지 않아야 한다는 점이 가장 크게 고려되어야 할 부분이다[1-4, 7]. 본 논문에서는 카메라를 이용하여 운전자의 영상을 획득한 후 레티넥스 필터로 처리하여 조명의 영향을 최대한 제거한 후, 히스토그램과 에지를 이용하여 운전자의 현재 상태를 파악하는 졸음 감시 시스템을 제안한다.
- 곳에 설치하였다. 본 연구에서 개발한 시스템의 졸음 판정율을 알아보기 위하여 실험 대상 운전자 50명이 10시에서 15시 사이에 실행되었으며, 본 연구에서 개발한 시스템의 졸음 판정율을 알아보기 위하여 각 실험들은 10회의 반복실험 결과 얻어지는 DDV 값들의 평균을 최종적인 대상의 DDV 값으로 인식하여 졸음 상태를 판정하였다. 다음 그림 6과 7은 실험대상 운전자들의 전체적인 히스토그램 분포를 나타낸 것이다.
- 시스템을 검증하기 위한 실험은 모닝 차량에서 실행하였으며, 카메라는 운전자와 거리 70cm 정도를 유지하여 촬영하고 카메라의 위치는 운전자의 시야를 최대한 가리지 않는 곳에 설치하였다. 본 연구에서 개발한 시스템의 졸음 판정율을 알아보기 위하여 실험 대상 운전자 50명이 10시에서 15시 사이에 실행되었으며, 본 연구에서 개발한 시스템의 졸음 판정율을 알아보기 위하여 각 실험들은 10회의 반복실험 결과 얻어지는 DDV 값들의 평균을 최종적인 대상의 DDV 값으로 인식하여 졸음 상태를 판정하였다.
- 앞에서 얼굴 추적과 눈 영역을 얼굴에서 따로 추출한 후 전 처리 과정을 거쳐 입력 영상의 히스토그램을 얻었다. 이제구해진 히스토그램을 이용하여 졸음 여부를 판단하기 위해 Drowsiness Determined Value (DDV)값을 제안한다.
- 이렇게 인식된 얼굴영역은 눈 영역을 찾는 것뿐만 아니라 운전자의 안경 착용유무로 판단하기 위한 영역이 된다. 이렇게 인식된 영역만을 추출하여 레티넥스 필터를 이용한 전처리를 수행한다. 이렇게 처리된 이미지에서 히스토그램을 이용하여 계산된 값인 DDV를 이용하여 운전자의 졸음 상태를 파악하게 된다.
- 이렇게 인식된 영역만을 추출하여 레티넥스 필터를 이용한 전처리를 수행한다. 이렇게 처리된 이미지에서 히스토그램을 이용하여 계산된 값인 DDV를 이용하여 운전자의 졸음 상태를 파악하게 된다. 하지만 히스토그램은 반쯤감은 눈과 같이 애매한 상태일 때는 판단의 정확성이 많이 떨어지므로, 이를 보완하기 위하여 vertical edge image processing을 이용한 눈 개폐 여부 판단 방법을 추가하여, 최종적인 졸음판단을 하게 된다.
- 이렇게 단일 레티넥스 알고리즘을 적용하게 되면 가로축의 입력영상의 픽셀값이 세로축의 값으로 변환되며 이는 영상의 다이나믹레인지(Dynamic Range)를 압축하는 결과를 가져오며, 영상의 입력영상의 암부영역의 분포가결과 영상에서 커지게 되므로 암부영역의 대비를 높이는 결과를 가져온다. 이와 같은 단일 레티넥스 이론을 전처리에 적용하여 입력이미지의 조명의 영향을 제거하였다. 그림 1 과 2는 각 상태에서 추적된 눈 이미지와 변환 결과이다.
- 이제구해진 히스토그램을 이용하여 졸음 여부를 판단하기 위해 Drowsiness Determined Value (DDV)값을 제안한다. 제안하는 DDV값은 전체 이미지의 구성 성분 중 졸음 판정 영역으로 설정한 명암도를 가지는 픽셀의 백분율을 나타내는 것으로눈 영상의 변화에 따라 변하게 되고, 졸음 판정을 하는데 유용한 데이터로 사용된다.
대상 데이터
- 이제구해진 히스토그램을 이용하여 졸음 여부를 판단하기 위해 Drowsiness Determined Value (DDV)값을 제안한다. 제안하는 DDV값은 전체 이미지의 구성 성분 중 졸음 판정 영역으로 설정한 명암도를 가지는 픽셀의 백분율을 나타내는 것으로눈 영상의 변화에 따라 변하게 되고, 졸음 판정을 하는데 유용한 데이터로 사용된다. 또한 졸음 판정을 위하여 아래식 (3)과 같은 단순 계산만을 이용하기 때문에 기존의 여러 가지 방법보다 처리과정이 간단하다는 장점이 있다.
이론/모형
- 안경의 유무판단은 1차 미분을 이용한 방법 중 하나인 로버츠 마스크를 이용한 에지 추출 방법을 사용하였다. 로버츠 마스크는 그림 3과 같은 수직과 수평 마스크를 이용하여 에지를 추출하는 기법으로 일반적으로 많이 사용되는 소 벨 마스크나 프리윗 마스크보다 처리속도가 빠르다는 점과 주변에 관계없이 경계가 확실한 에지를 추출할 수 있다는 장점이 있다.
- 카메라를 통하여 얻어지는 영상에서 얼굴과 눈에 해당하는 영역을 설정하기 위하여 Haar-like 특징과 adaboost 알고리즘을 이용하여 얼굴 및 눈 영역을 인식한다. 이렇게 인식된 얼굴영역은 눈 영역을 찾는 것뿐만 아니라 운전자의 안경 착용유무로 판단하기 위한 영역이 된다.
성능/효과
- 하지만 안경을 쓴 경우 히스토그램이 아닌 vertical edge를 이용하여 판정하며, 그 결과는 그림 10과 11에 나타난 것과 같이 거의 졸음 상태를 인식을 할 수 있었다. 따라서 최종적인 졸음 판정률은 약 99%를 나타내었다.
- 실제로 졸음운전으로 인한 교통사고는 총 3219건이 발생하였으며, 이는 하루 평균 약 7건의 졸음운전으로 인한 교통사고가 발생하는 것을 나타낸다. 또한 사고피해의 심각성을 나타내는 치사<(교통사고 100건당 사망자 수)을 보더라도 졸음운전 사고는 5.0로 전체 교통사고 치사율 2.4보다 두 배 이상 높은 것으로 나타났으며, 고속도로에서의 경우는 17.9로 7.5배나 높은 것으로 나타났다. 이와 같이 졸음이 운전에 치명적인 영향을 미치는 이유는 느린 반응속도, 정확한 상황 판단력의 부족 등을 유발하기 때문이다.
후속연구
- 따라서 히스토그램을 이용한 졸음 방지 시스템은 영상 처리 시간이 많이 들지 않으면서도 처리 결과에 대한 만족을 얻을 수 있는 대안으로서, 충분히 가치와 유용성이 크다고 판단된다. 다만, 아직 안경 착용자에 대한 문제들을 간단한 방법으로 구현은 하였지만, 사용된 필터의 문제 및 보다 효율적인 방안을 후속 연구를 통해, 더욱 체계적인 방법과 조명 환경에 의한 영향의 최소화방안 등을 계속 집중적으로 연구해나갈 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.