본 논문에서는 차선 검출 알고리즘에 병렬처리를 적용하여 성능을 개선하였다. 차선 검출은 지능형 보조 시스템으로써 자동차가 차선을 이탈하면 경보음 또는 핸들을 보정해줌으로써 운전자를 돕는 보조 시스템이다. 병렬 처리 알고리즘 중 데이터 레벨 병렬처리는 설계가 간단하지만 병목현상이 발생하는 문제가 있다. 제안하는 고속 데이터 레벨 병렬처리 알고리즘은 병목현상을 줄여 성능이 향상되었다. 실제 블랙박스 도로 영상을 도입하여 알고리즘을 측정한 결과 싱글 코어 경우 약 30 Frames/sec의 성능을 얻었다. 병렬처리를 적용한 결과로써 옥타코어 기준으로 데이터 레벨인 경우 약 100 Frames/sec의 성능을, 고속 데이터 레벨인 경우는 약 150 Frames/sec의 성능을 얻을 수 있다.
본 논문에서는 차선 검출 알고리즘에 병렬처리를 적용하여 성능을 개선하였다. 차선 검출은 지능형 보조 시스템으로써 자동차가 차선을 이탈하면 경보음 또는 핸들을 보정해줌으로써 운전자를 돕는 보조 시스템이다. 병렬 처리 알고리즘 중 데이터 레벨 병렬처리는 설계가 간단하지만 병목현상이 발생하는 문제가 있다. 제안하는 고속 데이터 레벨 병렬처리 알고리즘은 병목현상을 줄여 성능이 향상되었다. 실제 블랙박스 도로 영상을 도입하여 알고리즘을 측정한 결과 싱글 코어 경우 약 30 Frames/sec의 성능을 얻었다. 병렬처리를 적용한 결과로써 옥타코어 기준으로 데이터 레벨인 경우 약 100 Frames/sec의 성능을, 고속 데이터 레벨인 경우는 약 150 Frames/sec의 성능을 얻을 수 있다.
we improved the performance by parallelizing lane detection algorithms. Lane detection, as a intellectual assisting system, helps drivers make an alarm sound or revise the handle in response of lane departure. Four kinds of algorithms are implemented in order as following, Gaussian filtering algorit...
we improved the performance by parallelizing lane detection algorithms. Lane detection, as a intellectual assisting system, helps drivers make an alarm sound or revise the handle in response of lane departure. Four kinds of algorithms are implemented in order as following, Gaussian filtering algorithm so as to remove the interferences, gray conversion algorithm to simplify images, sobel edge detection algorithm to find out the regions of lanes, and hough transform algorithm to detect straight lines. Among parallelized methods, the data level parallelism algorithm is easy to design, yet still problem with the bottleneck. The high-speed data level parallelism is suggested to reduce this bottleneck, which resulted in noticeable performance improvement. In the result of applying actual road video of black-box on our parallel algorithm, the measurement, in the case of single-core, is approximately 30 Frames/sec. Furthermore, in the case of octa-core parallelism, the data level performance is approximately 100 Frames/sec and the highest performance comes close to 150 Frames/sec.
we improved the performance by parallelizing lane detection algorithms. Lane detection, as a intellectual assisting system, helps drivers make an alarm sound or revise the handle in response of lane departure. Four kinds of algorithms are implemented in order as following, Gaussian filtering algorithm so as to remove the interferences, gray conversion algorithm to simplify images, sobel edge detection algorithm to find out the regions of lanes, and hough transform algorithm to detect straight lines. Among parallelized methods, the data level parallelism algorithm is easy to design, yet still problem with the bottleneck. The high-speed data level parallelism is suggested to reduce this bottleneck, which resulted in noticeable performance improvement. In the result of applying actual road video of black-box on our parallel algorithm, the measurement, in the case of single-core, is approximately 30 Frames/sec. Furthermore, in the case of octa-core parallelism, the data level performance is approximately 100 Frames/sec and the highest performance comes close to 150 Frames/sec.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
필터가 많을수록 암묵적으로 동기화가 발생하므로 복잡한 시스템일수록 데이터 병렬화의 이득을 얻기 힘들다. 따라서 본 논문에서는 이러한 데이터 레벨 병렬화를 향상시킨 고속 데이터 레벨 알고리즘을 제안한다. 고속 데이터 레벨 알고리즘을 구현하는 방법은 데이터 레벨 병렬화의 각 필터들을 분해하여 하나의 기능으로 동작하도록 통합(Integrate)하여 병목현상을 감소시켰다.
그러나 데이터 레벨 병렬화는 설계가 간단하지만 처리하는 일이 많을수록 병목현상이 발생하는 단점이 있다. 본 논문에서는 데이터 레벨 병렬화의 단점을 최소화하여 향상된 고속데이터 레벨 병렬화 기법을 제안하였다.
본 논문에서는 차선검출 시 멀티코어 플랫폼을 이용하여 병렬화 알고리즘을 제안하고 구현하였다. 또한 데이터 레벨 병렬처리 기법의 단점인 필터링 단계별 동기화로 인한 병목현상을 줄인 고속 데이터 레벨 알고리즘을 제안하였다.
제안 방법
차선 검출에서 가우시안 필터, 회색 조 변환, 외곽선 검출은 데이터 레벨 병렬 기법이 효율적이며 허프 변환은 쓰레드 병렬 기법이 효율적이다. 따라서 데이터 레벨로 병렬화가 가능한 3개의 필터를 2단계, 3단계로 나누어 측정하였다. 표 1은 차선검출에 필요한 2개 필터를 데이터 병렬화 알고리즘을 사용하여 측정한 표다.
병목현상은 필터가 많아질수록 더욱 많이 발생하며 영상처리의경우 대부분이 다중필터를 사용하므로 병목현상의 영향이 더 커진다. 따라서 본 논문에서는 제안하는 고속 데이터 레벨 알고리즘과 기존의 데이터 레벨 알고리즘과 비교 실험하고 측정하였다. 차선 검출에서 가우시안 필터, 회색 조 변환, 외곽선 검출은 데이터 레벨 병렬 기법이 효율적이며 허프 변환은 쓰레드 병렬 기법이 효율적이다.
예를 들면 임베디드 플랫폼에 오픈소스를 지원하지 않는다면 다시 새로 구현해야 하기 때문이다. 따라서 본 논문에서는 차선검출 소프트웨어 이식성을 높이기 위해 오픈 소스를 사용하지 않고 C 코드로 직접 코딩하였다.
본 논문에서는 차선검출 시 멀티코어 플랫폼을 이용하여 병렬화 알고리즘을 제안하고 구현하였다. 또한 데이터 레벨 병렬처리 기법의 단점인 필터링 단계별 동기화로 인한 병목현상을 줄인 고속 데이터 레벨 알고리즘을 제안하였다. 데이터 레벨 병렬 처리 실험결과 싱글 코어보다 멀티코어가 처리 시간이 효율적으로 나타났다.
본 논문에서 제안하는 알고리즘과 성능을 비교하기 위해 차선검출 소프트웨어를 데이터 레벨 병렬 처리로 구현하였다. 각 코어는 그림 8과 같이 픽셀 영역을 독립적으로 처리하게 된다.
본 논문에서는 OpenMP를 사용하여 차선 검출 병렬화를 검증하였다. OpenMP 라이브러리를 사용하는 이유는 pThread 기반의 경우 태스크 병렬화에 주력하는 반면 OpenMP는 데이터 병렬화를 염두에 두고 있어 기존의 작성된 프로그램을 거의 수정하지 않고 구현할 수 있기 때문에 이식성이 높아진다[6].
즉, 결합한 기능들을 병렬처리를 수행한다. 그림 9는 데이터 레벨 알고리즘 블록도이고 그림 10은 제안하는 고속 데이터 레벨 알고리즘의 블록도이다.
대상 데이터
본 논문에서는 표본화된 3x3 가우시안 마스크를 사용하였다. 마스크의 특징은 행렬 총합을 역수를 취해 마스크에 곱하면 그 합이 1이 된다.
성능/효과
데이터 레벨 병렬 처리 실험결과 싱글 코어보다 멀티코어가 처리 시간이 효율적으로 나타났다. 그러나 데이터 레벨 알고리즘은 병목현상이 있어 N개의 프로세서를 사용해도 N배의 성능을 얻기는 어렵지만 제안하는 알고리즘의 실험결과 기존의 데이터 레벨보다 평균적으로 빠른 성능을 얻게 되었다. 또한, 시스템의 복잡도가 높을수록 병목현상이 기존 알고리즘보다 많이 제거되기 때문에 고속 데이터 레벨 알고리즘이 더 높은 성능을 얻을 수 있었다.
또한 데이터 레벨 병렬처리 기법의 단점인 필터링 단계별 동기화로 인한 병목현상을 줄인 고속 데이터 레벨 알고리즘을 제안하였다. 데이터 레벨 병렬 처리 실험결과 싱글 코어보다 멀티코어가 처리 시간이 효율적으로 나타났다. 그러나 데이터 레벨 알고리즘은 병목현상이 있어 N개의 프로세서를 사용해도 N배의 성능을 얻기는 어렵지만 제안하는 알고리즘의 실험결과 기존의 데이터 레벨보다 평균적으로 빠른 성능을 얻게 되었다.
필터의 단계가 많을수록 고속 데이터 레벨 알고리즘의 전체적인 성능 효과가 좋게 나타났다. 따라서 이미지를 처리하는데 복잡한 필터를 빠르게 병렬처리하기 위해 데이터 레벨에서 병목현상을 제거해 고속 데이터 레벨을 사용하면 성능이 우수함을 실험을 통해 증명하였다.
그러나 데이터 레벨 알고리즘은 병목현상이 있어 N개의 프로세서를 사용해도 N배의 성능을 얻기는 어렵지만 제안하는 알고리즘의 실험결과 기존의 데이터 레벨보다 평균적으로 빠른 성능을 얻게 되었다. 또한, 시스템의 복잡도가 높을수록 병목현상이 기존 알고리즘보다 많이 제거되기 때문에 고속 데이터 레벨 알고리즘이 더 높은 성능을 얻을 수 있었다. 본 차선 검출 시스템에 실제 블랙박스 도로 영상을 도입하여 측정한 결과 영상 입출력, 메모리 할당 및 해제, 관심영역 설정 등에 의한 전처리 과정을 제외하면 싱글 코어 경우 약 30 Frames/sec의 성능을 얻었다.
또한, 시스템의 복잡도가 높을수록 병목현상이 기존 알고리즘보다 많이 제거되기 때문에 고속 데이터 레벨 알고리즘이 더 높은 성능을 얻을 수 있었다. 본 차선 검출 시스템에 실제 블랙박스 도로 영상을 도입하여 측정한 결과 영상 입출력, 메모리 할당 및 해제, 관심영역 설정 등에 의한 전처리 과정을 제외하면 싱글 코어 경우 약 30 Frames/sec의 성능을 얻었다. 표 3에서는 데이터 레벨 알고리즘을 사용 하였고, 싱글코어와 옥타코어를 비교하면 약 3.
따라서 본 논문에서는 제안하는 고속 데이터 레벨 알고리즘과 기존의 데이터 레벨 알고리즘과 비교 실험하고 측정하였다. 차선 검출에서 가우시안 필터, 회색 조 변환, 외곽선 검출은 데이터 레벨 병렬 기법이 효율적이며 허프 변환은 쓰레드 병렬 기법이 효율적이다. 따라서 데이터 레벨로 병렬화가 가능한 3개의 필터를 2단계, 3단계로 나누어 측정하였다.
본 차선 검출 시스템에 실제 블랙박스 도로 영상을 도입하여 측정한 결과 영상 입출력, 메모리 할당 및 해제, 관심영역 설정 등에 의한 전처리 과정을 제외하면 싱글 코어 경우 약 30 Frames/sec의 성능을 얻었다. 표 3에서는 데이터 레벨 알고리즘을 사용 하였고, 싱글코어와 옥타코어를 비교하면 약 3.3배의 빠른 성능을 보였으며 병렬 처리 프로그래밍을 적용한 결과 약 100 Frames/sec의 성능을 얻었고 실험 결과 데이터와 근사한 수치를 얻을 수 있었다. 표 4에서 제안하는 고속 데이터 레벨 알고리즘 경우에는 싱글코어와 옥타코어를 비교하면 약 5배의 빠른 성능을 보였으며 약 150 Frames/sec의 우수한 성능을 얻게 되었고 마찬가지로 실험 데이터와 근사한 수치를 얻을 수 있었다.
3배의 빠른 성능을 보였으며 병렬 처리 프로그래밍을 적용한 결과 약 100 Frames/sec의 성능을 얻었고 실험 결과 데이터와 근사한 수치를 얻을 수 있었다. 표 4에서 제안하는 고속 데이터 레벨 알고리즘 경우에는 싱글코어와 옥타코어를 비교하면 약 5배의 빠른 성능을 보였으며 약 150 Frames/sec의 우수한 성능을 얻게 되었고 마찬가지로 실험 데이터와 근사한 수치를 얻을 수 있었다.
표 3과 표 4 데이터를 비교하면 프레임 처리 2000개를 기준으로 쿼드코어인 경우 약 3초가 빠르고 옥타코어인 경우는 약 2초가 빠르게 나타났다. 필터의 단계가 많을수록 고속 데이터 레벨 알고리즘의 전체적인 성능 효과가 좋게 나타났다. 따라서 이미지를 처리하는데 복잡한 필터를 빠르게 병렬처리하기 위해 데이터 레벨에서 병목현상을 제거해 고속 데이터 레벨을 사용하면 성능이 우수함을 실험을 통해 증명하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
데이터 레벨 병렬처리의 장/단점은 무엇인가?
차선 검출은 지능형 보조 시스템으로써 자동차가 차선을 이탈하면 경보음 또는 핸들을 보정해줌으로써 운전자를 돕는 보조 시스템이다. 병렬 처리 알고리즘 중 데이터 레벨 병렬처리는 설계가 간단하지만 병목현상이 발생하는 문제가 있다. 제안하는 고속 데이터 레벨 병렬처리 알고리즘은 병목현상을 줄여 성능이 향상되었다.
ADAS의 기술에는 무엇이 있는가?
ADAS(Advanced Driver Assistance System)는 운전자를 돕는 지능형 운전자 보조 시스템이다. ADAS의 기술 중에는 차선 이탈 경보, 전방 추돌 경보, 앞차 출발 알림, 하이 빔 제어, 교통 표지판 인식, 교통 신호등 인식 , 보행자 인식, 차선 유지 제어 등 다양한 기술을 지원함으로써 스마트카의 실용화를 가능하게 한다. 특히 차선 검출은 운전자가 차선을 무의식적으로 넘고 있다고 판단되면 핸들을 조정하여 차로를 벗어나지 않도록 제어함으로써 운전자의 생명을 보호한다.
가우시안 필터는 언제 가장 유용한 필터인가?
가우시안 필터는 영상의 잡음을 제거할 때 사용한다. 동작이 빠른 편은 아니지만 스무딩시 가장 유용한 필터이다. 스무딩 필터는 주변 색상을 흐릿하게 하여 노이즈를 제거한다.
참고문헌 (7)
K. W. Lee, "A study on the improvement for analyzing the dna fragmentation using histogram," M.S. theses, Sangji University, Aug. 2012.
G. R. Choi, J. H. lee, "Edge detection of sonogram using sobel operator" Journal of the Korean Society of Radiology, vol. 2, no. 2, pp. 17-21, June 2008.
J. R. Lee, K. R. Bae, B. I. Moon, "A hardware architecture for real-time line detection based on improved hough transform voting scheme" The Korean Institute of Communications and Information Sciences Winter conference, p. 88-89, 2013.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.