본 논문은 영상 기반 전방 추돌 경고를 위한 전방 차량 움직임 추정 알고리즘을 제안한다. 사전에 취득된 영상에서 차도 영역이 관심 영역으로 지정되고 거리 참조표가 생성된다. 거리 참조표는 실험 차량 위치인 기준 화소에서 관심 영역 상 차량 위치인 임의 화소까지 수평과 수직 실제 거리를 보여주다. 제안된 알고리즘은 관심영역에서 차량들을 검출하고, 검출된 차량들에게 레이블을 지정하고, 거리 참조표를 이용해 그들의 거리 정보를 저장한다. 그리고 나서 제안된 알고리즘은 프레임간 거리 변화를 이용해 접근 거리, 측방 접근 속도, 전방 접근 속도 같은 차량 움직임들을 추정한다. 도로 주행 동영상들을 이용한 전방 차량 움직임 추정 실험에서 제안된 알고리즘은 차량 움직임들에 대해 각각 평균 98.7%, 95.9%, 94.3%를 유효하게 추정하고 있다.
본 논문은 영상 기반 전방 추돌 경고를 위한 전방 차량 움직임 추정 알고리즘을 제안한다. 사전에 취득된 영상에서 차도 영역이 관심 영역으로 지정되고 거리 참조표가 생성된다. 거리 참조표는 실험 차량 위치인 기준 화소에서 관심 영역 상 차량 위치인 임의 화소까지 수평과 수직 실제 거리를 보여주다. 제안된 알고리즘은 관심영역에서 차량들을 검출하고, 검출된 차량들에게 레이블을 지정하고, 거리 참조표를 이용해 그들의 거리 정보를 저장한다. 그리고 나서 제안된 알고리즘은 프레임간 거리 변화를 이용해 접근 거리, 측방 접근 속도, 전방 접근 속도 같은 차량 움직임들을 추정한다. 도로 주행 동영상들을 이용한 전방 차량 움직임 추정 실험에서 제안된 알고리즘은 차량 움직임들에 대해 각각 평균 98.7%, 95.9%, 94.3%를 유효하게 추정하고 있다.
This paper proposes a forward vehicle movement estimation algorithm for the image-based forward collision warning. The road region in the acquired image is designated as a region of interest (ROI) and a distance look up table (LUT) is made in advance. The distance LUT shows horizontal and vertical r...
This paper proposes a forward vehicle movement estimation algorithm for the image-based forward collision warning. The road region in the acquired image is designated as a region of interest (ROI) and a distance look up table (LUT) is made in advance. The distance LUT shows horizontal and vertical real distances from a reference pixel as a test vehicle position to any pixel as a position of a vehicle on the ROI. The proposed algorithm detects vehicles in the ROI, assigns labels to them, and saves their distance information using the distance LUT. And then the proposed algorithm estimates the vehicle movements such as approach distance, side-approaching and front-approaching velocities using distance changes between frames. In forward vehicle movement estimation test using road driving videos, the proposed algorithm makes the valid estimation of average 98.7%, 95.9%, 94.3% in the vehicle movements, respectively.
This paper proposes a forward vehicle movement estimation algorithm for the image-based forward collision warning. The road region in the acquired image is designated as a region of interest (ROI) and a distance look up table (LUT) is made in advance. The distance LUT shows horizontal and vertical real distances from a reference pixel as a test vehicle position to any pixel as a position of a vehicle on the ROI. The proposed algorithm detects vehicles in the ROI, assigns labels to them, and saves their distance information using the distance LUT. And then the proposed algorithm estimates the vehicle movements such as approach distance, side-approaching and front-approaching velocities using distance changes between frames. In forward vehicle movement estimation test using road driving videos, the proposed algorithm makes the valid estimation of average 98.7%, 95.9%, 94.3% in the vehicle movements, respectively.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문은 영상 기반 전방 추돌 경고를 고려해 차량 전방에 장착된 단일 카메라를 이용해 취득된 영상에서 움직이는 차량을 검출하고 검출된 차량의 움직임을 추정하는 알고리즘을 제안한다. 보다 정확한 정보를 얻기에 위해 카메라 렌즈에 의한 방사 왜곡과 카메라 자세에 의한 영상 기울어짐을 보정하고, 차량간 거리 계산을 쉽게 하기 위해 원근감이 제거된 top-view 영상에서 화소 위치에 따른 거리 참조표를 생성한다.
본 논문은 차량 전방에 장착된 단일 카메라에 의해 취득된 영상에서 차량을 검출하고 검출된 차량의 움직임을 추정하는 알고리즘을 제안하였다. 차량 움직임 추정에 앞서 차량간 거리를 쉽게 계산하기 위해 거리 참조표를 생성하였다.
영상은 자연계 형상을 그대로 표현할수록 더 정확한 정보를 제공하나 필연적으로 왜곡을 수반한다. 왜곡 보정을 위해 본 논문에서는 렌즈에 의한 방사 왜곡과 카메라 자세에 의한 기울어짐을 보정하고 있다. 방사 왜곡은 렌즈에 의해 영상 가장자리에서 화소 위치가 왜곡되는 현상으로 체스판 형태의 캘리브레이션 패턴을 촬영하고 패턴의 코너점들을 이용해 왜곡 계수를 구한 후 행렬식을 이용해 보정한다[5,6].
제안 방법
영상기반 전방 추돌 경고에 적용이 고려되고 있는 제안된 알고리즘의 성능 평가 실험은 정확한 움직임 추정보다 전방 추돌 위험 요소를 검출할 수 있는지를 평가하였다.
본 논문은 영상 기반 전방 추돌 경고를 고려해 차량 전방에 장착된 단일 카메라를 이용해 취득된 영상에서 움직이는 차량을 검출하고 검출된 차량의 움직임을 추정하는 알고리즘을 제안한다. 보다 정확한 정보를 얻기에 위해 카메라 렌즈에 의한 방사 왜곡과 카메라 자세에 의한 영상 기울어짐을 보정하고, 차량간 거리 계산을 쉽게 하기 위해 원근감이 제거된 top-view 영상에서 화소 위치에 따른 거리 참조표를 생성한다. 제안된 전방 차량 움직임 추정 알고리즘은 HSV 색공간에서 차량 그림자를 이용해 차량 후보 객체들을 검출하고, 모폴로지와 레이블링 기법을 이용해 검출된 객체들에서 유효차량들을 검출하고, 거리 참조표를 이용해 이들의 거리 정보를 저장한다.
호모그래피 행렬은 그림1(a) 원근감이 있는 원 영상의 사다리꼴 검은 네 점들이 그림 1(b) 수평 수직 원근감이 제거된 영상의 사각형 검은 네 점들로 대응되도록 하는 변환 행렬이다. 본 논문에서 대응점들은 도로 영상의 차선에서 선택하여 그 결과 top-view 영상에서 주행 차로와 양옆 차로들이 근사적으로 수평 영역을 3등분하도록 하였다.
본 장에서는 실험 차량에 대한 전방 차량의 거리를 나타내는 화소간 거리를 계산하는 방법을 제안한다.
일반적으로 모폴로지[10]의 구조 요소(structuring element)는 정사각형 구조이지만 본 논문에서는 가로형 직사각형구조(15×3)와 세로형 직사각형 구조(3×15)를 사용한다.
차량 움직임 추정에 앞서 차량간 거리를 쉽게 계산하기 위해 거리 참조표를 생성하였다. 제안된 알고리즘은 관심 영역에서 차량의 그림자를 이용해 차량 후보 객체들을 검출하고, 모폴로지와 레이블링 기법을 이용해 객체들 중 유효 차량을 검출하고 거리 정보를 저장한다. 유효 차량들에 대해 프레임간 실험 차량에 대한 거리 변화를 계산해 근접 거리, 측방 접근 속도, 전방 접근 속도 같은 차량 움직임을 추정한다.
제안된 알고리즘의 성능 평가를 위해 외곽 도로의 다른 환경에서 취득된 주행 동영상들을 이용해 전방 차량 움직임 추정의 유효성 평가 실험을 수행한다.
제안된 알고리즘의 성능 평가를 위해 화소 위치에 따른 거리 계산의 유효성을 확인하고, 다양하게 취득된 표 1의 도로 주행 동영상들에서 전방 차량의 움직임 추정을 수행한다. 실험 동영상들은 2001년식 기아 옵티마의 전방 내부에 장착된 소니 액션캠 HDR-AZ1에 취득된 HD급 영상을 640×360 영상으로 변환되었다.
보다 정확한 정보를 얻기에 위해 카메라 렌즈에 의한 방사 왜곡과 카메라 자세에 의한 영상 기울어짐을 보정하고, 차량간 거리 계산을 쉽게 하기 위해 원근감이 제거된 top-view 영상에서 화소 위치에 따른 거리 참조표를 생성한다. 제안된 전방 차량 움직임 추정 알고리즘은 HSV 색공간에서 차량 그림자를 이용해 차량 후보 객체들을 검출하고, 모폴로지와 레이블링 기법을 이용해 검출된 객체들에서 유효차량들을 검출하고, 거리 참조표를 이용해 이들의 거리 정보를 저장한다. 검출된 차량들의 프레임간 거리 변화는 접근 거리, 측방과 전방 접근 속도같은 차량 움직임들을 추정할 수 있고, 이들은 전방 추돌 위험을 인지하는 중요한 정보가 될 것이다.
영상에서 화소간 거리 계산은 원근감이 제거된 top-view 영상에서 수행된다. 즉 원 영상의 기준 화소(실험 차량)와 임의 화소(전방 차량)의 위치를 top-view 영상으로 변환하여 거리를 계산한다. 그림 2는 거리 계산을 위한 영상간 대응 관계를 보여주고 있다.
본 논문은 차량 전방에 장착된 단일 카메라에 의해 취득된 영상에서 차량을 검출하고 검출된 차량의 움직임을 추정하는 알고리즘을 제안하였다. 차량 움직임 추정에 앞서 차량간 거리를 쉽게 계산하기 위해 거리 참조표를 생성하였다. 제안된 알고리즘은 관심 영역에서 차량의 그림자를 이용해 차량 후보 객체들을 검출하고, 모폴로지와 레이블링 기법을 이용해 객체들 중 유효 차량을 검출하고 거리 정보를 저장한다.
대상 데이터
실험 동영상들은 2001년식 기아 옵티마의 전방 내부에 장착된 소니 액션캠 HDR-AZ1에 취득된 HD급 영상을 640×360 영상으로 변환되었다.
성능/효과
N_O*는 사전에 조사된 동영상내 전방 추돌 위험 요소들이 발생한 횟수이고, N_W*는 제안된 알고리즘이 위험 상황을 감지한 횟수이다. 각 동영상에서 전방 추돌 위험 검출률이 각각 평균 97.0%, 97.5%, 96.5%, 95.2%, 98.1%이고, 전방 추돌 위험 종류에 따른 검출률은 각각 평균 98.8%, 95.8%, 94.4%이다. 근접 위험의 경우 비교적 가까운 거리에서 수행되므로 가장 우수한 검출 성능을 보여주고 있다.
제안된 알고리즘의 성능 평가는 도로 주행 동영상들에서 일정 조건을 만족하는 전방 추돌 위험들을 검출하는 것으로 수행되었다. 전방 추돌 위험인 근접 위험, 측방 접근 위험, 전방 접근 위험에 대한 검출률은 각각 평균 98.8%, 95.8%, 94.4%이다. 비교적 가까운 거리에서 수행된 근접 위험에서 가장 우수한 검출 성능을 보여주었고 실패한 위험 검출은 비교적 원거리에 있는 차량들에서 발생하고 있다.
유효 차량들에 대해 프레임간 실험 차량에 대한 거리 변화를 계산해 근접 거리, 측방 접근 속도, 전방 접근 속도 같은 차량 움직임을 추정한다. 제안된 알고리즘의 성능 평가는 도로 주행 동영상들에서 일정 조건을 만족하는 전방 추돌 위험들을 검출하는 것으로 수행되었다. 전방 추돌 위험인 근접 위험, 측방 접근 위험, 전방 접근 위험에 대한 검출률은 각각 평균 98.
질의응답
핵심어
질문
논문에서 추출한 답변
전방 추돌 경고 시스템은 무엇인가?
이들은 다양한 종류의 센서들을 이용해 운전자가 인식할 정보들을 취득하고 판단하여 운전자의 운전을 도와주거나 자율 주행을 수행한다. 자동차가 주행하는 동안 전방 차량과 추돌을 감지하고 경고하는 전방 추돌 경고 시스템은 보다 안전한 주행을 위한 기본적인 기능이다[3,4]. 전방 추돌 감지를 위해서는 전방 차량의 움직임을 추정하는 것은 필수적이다.
전방 추돌 감지를 위해서는 무엇이 필수적인가?
자동차가 주행하는 동안 전방 차량과 추돌을 감지하고 경고하는 전방 추돌 경고 시스템은 보다 안전한 주행을 위한 기본적인 기능이다[3,4]. 전방 추돌 감지를 위해서는 전방 차량의 움직임을 추정하는 것은 필수적이다.
스마트 자동차는 무엇을 수행하는가?
IT 기술이 급격하게 발전하고 있는 오늘날 자동차 산업에서 가장 큰 관심사는 운전자 보조 시스템(advanced driver assistance system ADAS)을 갖는 스마트 자동차(smart car)나 무인 자율 주행 자동차(self driving car)의 개발일 것이다[1-4]. 이들은 다양한 종류의 센서들을 이용해 운전자가 인식할 정보들을 취득하고 판단하여 운전자의 운전을 도와주거나 자율 주행을 수행한다. 자동차가 주행하는 동안 전방 차량과 추돌을 감지하고 경고하는 전방 추돌 경고 시스템은 보다 안전한 주행을 위한 기본적인 기능이다[3,4].
참고문헌 (10)
T. Jiang, S. Petrovic, U. Ayyer, A. Tolani and S. Husain, "Self-Driving Cars: Disruptive or Incremental?," Applied Innovation Review, UC Berkeley, no 1. pp. 3-22, Jun. 2015.
Autonomous_car [Internet]. Available : https://en.wikipedia.org/wiki/Autonomous_car.
M. Zhao, "Advanced Driver Assistant System," Technical White Paper, Intel, 2015 [Internet]. Available : http://www.intel.com/content/dam/www/public/us/en/documents/white-papers/advanced-driver-assistant-system-paper.pdf.
K. D. Kusano, and H. C. Gabler, "Safety benefits of forward collision warning, brake assist, and autonomous braking systems in rear-end collisions," IEEE Transactions on Intelligent Transportation Systems, vol. 13, no. 4 pp. 1546-1555, Dec. 2012.
D. G. Bailey, "A new approach to lens distortion correction," in Proceedings of Image and Vision Computing, Auckland, pp. 59-64, 2002.
Y. H. Yu and S. W. Jang, "Design and Implementation of 4-sided Monitoring System Providing Bird's Eye View in Car PC Environment,"Journal of The Korea Institute of Information and Communication Engineering, vol. 16, no. 1, pp.153-159, Aug. 2012.
H. G. Jung, and J. K. Suhr, "Lane Detection-based Camera Pose Estimation," Transaction of the Korean Society of Automotive Engineers, vol. 23, no. 5, pp. 463-470, Sep. 2015.
H. D. Park and J. S. Oh, "Lane Departure Detection Using a Partial Top-view Image,"Journal of The Korea Institute of Information and Communication Engineering, vol. 20, no. 10, pp.1553-1559, Aug. 2017.
A. Mukhtar, L. Xia, and T. B. Tang, "Vehicle detection techniques for collision avoidance systems: A review," IEEE Transactions on Intelligent Transportation Systems vol. 16, no. 5, pp. 2318-2338, Oct. 2015.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.