[논문]신경회로망 기반의 주야간 안개 감지 알고리즘

강충헌; 김경환

doi:10.7840/kics.2017.42.3.673

신경회로망 기반의 주야간 안개 감지 알고리즘
Image-Based Fog Detection Algorithm Using a Neural Network 원문보기

한국통신학회논문지 = The Journal of Korean Institute of Communications and Information Sciences, v.42 no.3, 2017년, pp.673 - 676

강충헌 (Department of Electronic Engineering, Sogang University) , 김경환 (Department of Electronic Engineering, Sogang University)

초록
AI-Helper

본 논문에서는 조명조건에 영향을 받지 않는 주야간 안개 감지 알고리즘을 제안한다. 주간과 야간 환경에서 안개 특징의 정의와 추출 방법들에 대해 각각 설명한다. 제안된 특징들을 입력으로 사용하는 신경회로망을 중심으로 안개 감지 알고리즘을 소개한다. 본 논문에서 제안하는 알고리즘의 성능은 다양한 환경에서 촬영된 주야간 영상들에 대하여 수행된 실험을 통해 확인하였으며 평균 재현율은 97.5%로 측정되었다.

Abstract ▼ AI-Helper

In this paper, we propose a day and night fog detection algorithm that is not affected by lighting conditions. First, we present the definitions and the extraction methods of fog features in daytime and nighttime environments, respectively. We then propose the fog detection algorithm using a neural network from the fog features. A set of experiments has been conducted with images taken at various environments, and the average recall of the proposed algorithm is 97.5%.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 논문에서는 다양한 장소에서 안개를 감지하는 주야간 안개 감지 알고리즘을 제안한다. 먼저, 입력 영상에서 주간, 야간 안개 특징들을 추출한다.
본 논문에서는 조명조건에 영향을 받지 않는 안개 특징을 추출하는 방법을 제안하였고, 실험을 통해 제안한 안개 특징이 유의미한 특징임을 확인하였다. 그리고 본 논문에서 제안하는 안개 감지 알고리즘이 다른 알고리즘과 비교했을 때, 다양한 장소에서 주야간 안개를 감지할 수 있는 강점을 갖고 있음을 확인하였다.
본 절에서는 제안하는 야간 안개 특징이 안개 감지 알고리즘의 성능에 끼치는 영향을 보기 위한 실험을 수행하였다. 또한, 다양한 장소에서 촬영한 주간 영상 200장, 야간 영상 200장을 테스트 영상으로 사용하여, 본 논문에서 제안하는 방법과 Choi^[2] 등이 제안한 방법, C.

제안 방법

야간 안개 영상은 주간 안개 영상과는 달리, 조명조건에 영향을 많이 받기 때문에 안개층에 의한 빛 퍼짐 정도를 이용해서 안개 특징을 추출한다. 따라서 입력 영상을 고유 영상(intrinsic image)과 안개 층 영상(fog-layer image)으로 분리하고, 안개층 영상에 대해서 안개 특징 추출을 진행한다.
본 절에서는 제안하는 야간 안개 특징이 안개 감지 알고리즘의 성능에 끼치는 영향을 보기 위한 실험을 수행하였다. 또한, 다양한 장소에서 촬영한 주간 영상 200장, 야간 영상 200장을 테스트 영상으로 사용하여, 본 논문에서 제안하는 방법과 Choi^[2] 등이 제안한 방법, C. Liu^[7] 등이 제안한 방법을 비교하여 성능을 평가하였다.
본 절에서는 입력 영상에 대해 안개/비안개 영상으로 분류하기 위해서 이진 분류 문제로 접근한다. 이를 위해 주야간 안개 특징들을 이용하여 신경회로망을 학습시킨다.
야간 영상은 조명조건에 예민하게 반응하기 때문에 조명에 영향을 받지 않는 야간 안개 특징을 추출하였다. 이에 따라, 야간 안개 특징이 알고리즘 성능 향상에 끼치는 영향을 보기 위해 야간 안개 특징의 사용 유무에 따른 테스트 에러(J_test)를 비교하였다.
본 절에서는 입력 영상에 대해 안개/비안개 영상으로 분류하기 위해서 이진 분류 문제로 접근한다. 이를 위해 주야간 안개 특징들을 이용하여 신경회로망을 학습시킨다. 신경회로망은 입력 층, 은닉 층(2단), 출력 층으로 구성되고, 식(11)에서의 비용함수 J(θ)를 최소로 만드는 θ를 학습한다.
야간 영상은 조명조건에 예민하게 반응하기 때문에 조명에 영향을 받지 않는 야간 안개 특징을 추출하였다. 이에 따라, 야간 안개 특징이 알고리즘 성능 향상에 끼치는 영향을 보기 위해 야간 안개 특징의 사용 유무에 따른 테스트 에러(J_test)를 비교하였다. 그 결과, 야간 안개 특징을 추가로 도입했을 때, 테스트 에러가 약 0.
야간 안개 특징 추출 방법은 야간 안개 영상에서 안개 층에 의해 빛 퍼짐 정도가 심해지는 특징을 이용한다. 이후 추출된 안개 특징들로부터 신경회로망을 학습시키고, 주야간 안개 감지 알고리즘을 개발한다. 그림 1은 제안하는 알고리즘의 구성을 보여준다.

대상 데이터

학습은 서로 다른 장소에서 촬영된 안개/비안개 영상 120장으로 진행한다. 또한, 과적합(overfitting) 문제를 해결하기 위해 dropout^[5]을 이용해서 각 은닉 층의 노드들을 0.

이론/모형

본 논문에서 다루는 주간 안개 특징 추출은 Choi^[2] 등이 제안한 방법에서 사용된 안개 특징들을 활용한다. 다음 식(1)-(5)을 통해 영상의 sharpness(σ)와 coefficient of variance of sharpness(ζ), 각 색상별 Michelson contrast(MC), 영상의 entropy(IE)를 구하고, 총 6개의 주간 안개 특징으로 사용한다.
입력 영상 I로부터 고유 영상 L₁과 안개 층 영상 L₂로 분리하기 위해, Y. Li[4] 등이 제안한 영상 분리 방법을 활용한다. 안개 층 영상이 고유 영상보다 더 완만(smooth)하다는 특징을 이용해서 수직, 수평방향의 1차 미분 필터(f₁ = [=-1, 1], f₂ = [=-1, 1]^T)와 2차 라플라시안 필터(f₃ = #)로 식(7)을 만족하는 L₁과 L₂를 구하여 영상을 분리한다.
먼저, 입력 영상에서 주간, 야간 안개 특징들을 추출한다. 주간 안개 특징 추출은 Choi^[2] 등이 제안한 방법에서 사용된 안개 특징들을 활용한다. 야간 안개 특징 추출 방법은 야간 안개 영상에서 안개 층에 의해 빛 퍼짐 정도가 심해지는 특징을 이용한다.

성능/효과

본 논문에서는 조명조건에 영향을 받지 않는 안개 특징을 추출하는 방법을 제안하였고, 실험을 통해 제안한 안개 특징이 유의미한 특징임을 확인하였다. 그리고 본 논문에서 제안하는 안개 감지 알고리즘이 다른 알고리즘과 비교했을 때, 다양한 장소에서 주야간 안개를 감지할 수 있는 강점을 갖고 있음을 확인하였다.
하지만 야간 안개 영상은 광원이 없는 영역에서 영상 정보를 획득하지 못하기 때문에 Choi[2] 등이 제안한 방법은 안개 특징을 추출할 수 없는 영역이 생기고, recall 성능이 낮게 나온다. 반면 본 논문에서 제안하는 방법은 야간 안개 특징 추출 방법을 도입하였기 때문에 주야간 모두 고르게 동작하는 것을 표 1에서 확인할 수 있다.

참고문헌 (7)

S. Son, T. Kim, Y. Jeon, and Y. Baek, "Smart camera technology to support high speed video processing in vehicular network," J. KICS, vol. 40, no. 01, pp. 152-164, Jan. 2015.

원문보기 상세보기
L. K. Choi, J. You, and A. C. Bovik, "Referenceless perceptual fog density prediction model," in IS&T/SPIE Electronic Imaging, pp. 90140H-90140H-12, 2014.
R. Gallen, A. Cord, N. Hautiere, E. Dumont, and D. Aubert, "Nighttime visibility analysis and estimation method in the presence of dense fog," IEEE Trans. Intell. Transp. Syst., vol. 16, pp. 310-320, 2015.

상세보기
Y. Li and M. S. Brown, "Single image layer separation using relative smoothness," in Proc. IEEE Conf. Comput. Vision and Pattern Recognition, pp. 2752-2759, 2014.
N. Srivastava, G. E. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, "Dropout: a simple way to prevent neural networks from overfitting," J. Machine Learning Res., vol. 15, pp. 1929-1958, 2014.
J. Bergstra and Y. Bengio, "Random search for hyper-parameter optimization," J. Machine Learning Res., vol. 13, pp. 281-305, 2012.
C. Liu, X. Lu, S. Ji, and W. Geng, "A fog level detection method based on image HSV color histogram," in Int. Conf. PIC, pp. 373-377, 2014.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증