$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 드론과 지상로봇 간의 협업을 위한 광학흐름 기반 마커 추적방법
Optical Flow-Based Marker Tracking Algorithm for Collaboration Between Drone and Ground Vehicle 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.7 no.3, 2018년, pp.107 - 112  

백종환 (한경대학교 전기전자제어공학과) ,  김상훈 (한경대학교 전기전자제어공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 드론과 지상 로봇 간 효과적인 협업을 위하여 광학 흐름 기술 기반의 특징점 추적 알고리즘을 제안하였다. 드론의 비행 중 빠른 움직임에 의하여 많은 문제점이 발생하여 지상물체를 성공적으로 인식하기 위해 직관적이면서도 식별자를 가지고 있는 마커를 사용했다. 특징점 추출이 우수한 FAST알고리즘과 움직임 감지가 우수한 루카스-카나데 광학흐름 알고리즘의 장점들을 혼합하여 기존 특징점-특징량 기반 객체 추적 방법보다 개선된 속도의 실험결과를 보여준다. 또한 제안한 마커의 검출방법에 적절한 이진화 방법을 제안하여 주어진 마커에서의 검출 정확도를 개선하였으며, 추적속도는 유사한 환경의 기존연구보다 40% 이상 개선됨을 확인하였다. 또한 비행드론의 경량화와 속도개선에 문제가 없도록 최소형 고성능의 임베디드 환경을 선택하였으며, 제한된 개발환경에서도 물체검출과 추적 등 복잡한 연산이 가능하도록 동작환경에 대하여 연구하였다. 향후에는 다른 환경에서 빠르게 움직이는 두 로봇 간의 협업의 정확도를 향상시키기 위해 지능적 비전기능에 대해 추가할 예정이다.

Abstract AI-Helper 아이콘AI-Helper

In this paper, optical flow based keypoint detection and tracking technique is proposed for the collaboration between flying drone with vision system and ground robots. There are many challenging problems in target detection research using moving vision system, so we combined the improved FAST algor...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 마커 검출 알고리즘은 ArUco 마커를 전처리하여 영상 분할을 이용해 외곽선 추출과 다각형 근사를 이용한 와핑 (Warping)을 이용한 방법으로 정적 영상에서의 성능을 연구 에서 보여주고 있다[12]. 그러나 동적 영상에서의 모션 블러 효과로 인하여 성능을 보장할 수 없기에 본 연구에서 제안하는 알고리즘을 이용하여 동적 영상에서도 마커 검출 성능의 안정성을 구현하고자 한다. 모션 블러 효과는 동적 영상에서 움직임으로 인해 출력 영상에 잔영이 남아 흐릿해지는 현상을 말한다.
  • 또한 제안한 마커의 검출방법에 적절한 이진화 방법을 제안하여 주어진 마커에서의 검출 정확도를 개선하였으며, 추적속도는 유사한 환경의 기존연구보다 40% 이상 개선됨을 확인하였다. 또한 비행드론의 경량화와 속도 개선에 문제가 없도록 최소형 고성능의 임베디드 환경을 선택하였으며, 제한된 개발환경에서도 물체검출과 추적 등 복잡한 연산이 가능하도록 동작환경에 대하여 연구하였다. 향후에는 다른 환경에서 빠르게 움직이는 두 로봇간의 협업의 정확도를 향상시키기 위해 지능적 비전기능에 대해 추가할 예정이다.
  • 본 논문에서는 드론과 지상 로봇 간 효과적인 협업을 위하여 광학 흐름 기술 기반의 특징점 추적 알고리즘을 제안하였다. 드론의 비행 중 빠른 움직임에도 불구하고 지상물체를 성공적으로 인식하기 위해서, 직관적이면서도 식별자를 가지고 있는 마커를 사용했으며, 연구방법으로는 기존의 특징점 추출이 우수한 FAST알고리즘과 모션 감지가 우수한 루카스 -카나데 광학흐름 알고리즘의 장점들을 혼합하여 기존의 특징점-특징량 기반 객체 추적 방법보다 개선된 속도의 실험결과를 보여준다.
  • 본 논문에서는 실제 환경에서 드론과 지상 로봇의 효과적인 협업을 위해, 광학 흐름 기반의 마커 특징점 추적 알고리즘을 제안하려 한다. 마커는 외곽선 및 내부 패턴 검출이 비교적 쉬운 이진 사각형 기준 마커(Fiducial Marker)를 사용하여 식별자 구분 및 인식 성능 개선에 중점을 두었으며 제안 하는 알고리즘을 이용하여 드론 기체의 움직임이 있는 동적 영상에서도 성능을 보장하고자 한다.
  • 본 연구는 기존의 방법[10]을 개선하여 모션 블러 효과에 강건한 광학 흐름 기반의 마커 특징점 추적 알고리즘을 보완책으로 제시한다. 기존 방법에서는 DAISY 특징량(descriptor) [11]과 FAST(Features from Accelerated Segment Test) 코너 검출법을 사용하는 Meanshift 추적 알고리즘을 사용하였다.
  • 비전 기반 로봇에 있어 마커 선정은 성능과 관계되어 있다. 본 연구에서는 증강 현실 시스템에서 사용되는 기준 마커인 ArUco 마커를 사용하여 인식 성능을 개선하려 한다. ArUco 마커만의 특징은 첫째, 마커 내부거리와 비트 천이 횟수를 고려한 마커 사전과의 간단 비교만으로 식별자를 구분할 수 있고 둘째, QR 코드에 있는 에러 검출 코드가 존재하며, 셋째, 마커 식별에 회전이 고려되어 있어 회전되어 있는 마커도 간단히 구별할 수 있다.
  • 저자는 QR 코드를 ‘랜드마크 코드’라고 지칭하여 자체 포함된 기하 정보를 로봇의 비전 시스템을 통하여 전역 지도에서의 이동 로봇 자기위치 추정 기술을 연구 하였다. 해당 연구는 이동 로봇의 위치 파악에 있어 QR 코드 QR Code의 경제성과 효율성을 의의를 둔 연구였다. 그러나 QR 코드를 인식하고 내부 정보를 검출하는 것에 있어서 로봇이 반드시 멈춰서 인식하는 시간이 필요하다는 점을 저자는 논문에서 언급하고 있다.

가설 설정

  • 셋째, 공간 일관성. 공간적으로 서로 인접하는 점들은 동일한 객체에 속할 것이며 같은 움직임을 가질 것이다. 이 세 가지 식을 기반으로 모션 벡터를 추출하고, 모션 벡터 방향으로 객체 윈도우를 이동하면 객체의 추적이 가능하다.
  • 셋째, 공간 일관성. 공간적으로 서로 인접하는 점들은 동일한 객체에 속할 것이며 같은 움직임을 가질 것이다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
객체 추적의 가장 일반적이고 고전적인 방법으로 무엇을 들 수 있는가? 추적은 이미지 시퀀스 내에서 매 프레임마다 관심 물체의 위치를 추정하는 것이다. 객체 추적의 가장 일반적이고 고전적인 방법으로 Meanshift 방법을 예로 들 수 있다. Meanshift 알고리즘은 데이터 분포의 분포 중심을 찾는 방법으로 이름 그대로 평균을 따라 이동한다는 의미를 가지고 있다.
인공 표식 기반 추적 알고리즘은 어떤 단점들이 있는가? 이로 인해 기존 연구에서는 협업을 위한 비전 응용 기술을 위하여 인공 표식 기반 추적 알고리즘을 제시하고 있다. 그러나 인공 표식의 내부 패턴이 복잡하여 실시간 처리가 어렵고 검출 속도가 느려 실제 환경에서 성능을 보장할 수 없었거나, 너무 단순하여 식별자 구분의 다양성이 없는 단점들이 있었다. 또한 기존 추적 방식들은 카메라의 위치가 고정되고 흔들림이 적은 영상과 같이 제한된 환경에서만 성능을 보장하였으나 Fig.
비전시스템 분야에서의 Meanshift 알고리즘은 무엇을 말하는가? Meanshift 알고리즘은 데이터 분포의 분포 중심을 찾는 방법으로 이름 그대로 평균을 따라 이동한다는 의미를 가지고 있다. 비전시스템 분야에서의 Meanshift 알고리즘은 추적하고자하는 대상 물체에 대한 색상 히스토그램과 입력 영상의 히스토그램을 비교해서 가장 유사한 히스토그램을 갖는 윈도우 영역을 찾는 것을 말한다. 알고리즘의 진행은 아래와 같이 이루어진다.
질의응답 정보가 도움이 되었나요?

참고문헌 (16)

  1. H. Oh et al., "Trends on policy and technology of S&T and ICT," in Korea Institute of Science and Technology Evaluation and Planning, No.66, pp.24-37, 2016. 

  2. F. Koohifar, A. Kumbhar and I. Guvenc, "Receding Horizon Multi-UAV Cooperative Tracking of Moving RF Source," in IEEE Communications Letters., Vol.21, No.6, pp.1433-1436, 2017. 

  3. K. A. Ghamry, Y. Dong, M. A. Kamel, and Y. Zhang, "Real-time autonomous take-off, tracking and landing of UAV on a moving UGV platform," in Control and Automation, 24th Mediterranean Conference (MED), pp.1236-1241, 2016. 

  4. T. Mcgee, Z. Kim, and X. Xiao, "Vision-based road-following using a small autonomous aircraft," in Proceedings of IEEE Conf. Aerospace, Montana, pp.3006-3015, 2004. 

  5. J. Beck et al., "Sensor Fusion Docking System of Drone and Ground Vehicles Using Image Object Detection," in Software and Data Engineering, KIPS Transactions, Vol.6, No.4, pp. 217-222, 2016. 

  6. B. Dzodzo, L. Han, X. Chen, H. Qian, and Y. Xu, "Realtime 2D code based localization for indoor robot navigation." in IEEE International Conference on Robotics and Biomimetics (ROBIO), Shenzhen, pp.486-492. 2013. 

  7. H. Kobayashi, "A personal localization system using selfcontained 2D barcode landmarks" IEEE 24th International Symposium on Industrial Electronics (ISIE), Buzios, pp.882-887. 2015. 

  8. S. Lee, "Embedded vision based SLAM for consumer robots," Ph. D. dissertation, Sungkyunkwan University, Seoul, Korea, 2012. 

  9. C. Harris and M. Stephens, "A combined corner and edge detector," in Alvey Vision Conference, Vol.15, No.50, pp. 10-5244. 1988. 

  10. N. Luo, Q Sun, Q. Chen, Z. Ji, and D. Xia. "A novel tracking algorithm via feature points matching," in PloS One, Vol.10, No.1, 2015. 

  11. E. Tola, V. Lepetit and P. Fua, "Daisy: An efficient dense descriptor applied to wide-baseline stereo," in IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.32, No.6, pp.815-830. 2010. 

  12. B. Okumura, M. Kanbara, and N. Yokoya, "Augmented reality based on estimation of defocusing and motion blurring from captured images," in Mixed and Augmented Reality (ISMAR), IEEE/ACM International Symposium, pp.219-225. 2006. 

  13. E. Rosten and T. Drummond, "Fusing points and lines for high performance tracking," in Tenth IEEE International Conference (ICCV), Vol.2, pp.1508-1515. 2005. 

  14. D. G. Lowe, "Distinctive image features from scale-invariant keypoints," in International Journal of Computer Vision, Vol. 60, No.2, pp.91-110. 2004. 

  15. E. Rosten and T. Drummond. "Machine learning for highspeed corner detection," in Computer Vision (ECCV), pp. 430-443, 2006. 

  16. B. D. Lucas and T. Kanade, "An iterative image registration technique with an application to stereo vision," pp.674-679, 1981. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

유발과제정보 저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로