[논문]그림자를 이용한 원거리 차량 인식 및 추적

안영선; 곽성우

doi:10.13067/jkiecs.2019.14.1.251

그림자를 이용한 원거리 차량 인식 및 추적
Long Distance Vehicle Recognition and Tracking using Shadow 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.14 no.1, 2019년, pp.251 - 256

안영선 (대구경북과학기술원) , 곽성우 (계명대학교 전자공학과)

초록
AI-Helper

본 논문에서는 무인자율주행자동차를 레이싱 경기에 운용하기 위해 차량의 전면유리 중앙에 설치된 단안카메라를 사용하여 원거리에 있는 차량을 인식하고 추적하는 알고리즘을 제안한다. 차량은 하르(Haar) 특징을 사용하여 탐지하고, 차량바닥에 있는 그림자를 검출하여 차량의 크기와 위치를 판단한다. 인식된 차량의 주변을 ROI(: Region Of Interest)로 설정하여 다음 프레임들에서는 ROI 내부의 차량 그림자를 찾아 추적한다. 이를 통하여 차량의 위치, 상대속도와 이동방향을 예측한다. 실험결과는 100m이상의 거리에서 90%이상의 인식율로 차량을 인식하였다.

Abstract ▼ AI-Helper

This paper presents an algorithm for recognizing and tracking a vehicle at a distance using a monocular camera installed at the center of the windshield of a vehicle to operate an autonomous vehicle in a racing. The vehicle is detected using the Haar feature, and the size and position of the vehicle are determined by detecting the shadows at the bottom of the vehicle. The region around the recognized vehicle is determined as ROI (Region Of Interest) and the vehicle shadow within the ROI is found and tracked in the next frame. Then the position, relative speed and direction of the vehicle are predicted. Experimental results show that the vehicle is recognized with a recognition rate of over 90% at a distance of more than 100 meters.

주제어

표/그림 (8)

그림 그림 1. 알고리즘 구성 Fig. 1 Algorithm configuration
그림 그림 2. 차량 후보군 검출 Fig. 2 Detection of vehicle candidate
그림 그림 3. 그림자를 이용한 차량 검출 Fig. 3 Vehicle detection using shadow
그림 그림 4. 3D와 2D의 좌표관계 Fig 4. Relation of 3D and 2D coordinates
그림 그림 5. 그리드 맵 Fig. 5 Grid map
그림 그림 6. 차량 인지 및 추적 Fig. 6 Vehicle detection and tracking
그림 그림 7. 원거리 차량인지 결과 Fig. 7 Results of long distance vehicle recognition
표 표 1. 차량인지 실험결과 Table. 1 Vehicle recognition experiment results

AI 본문요약
AI-Helper

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

문제 정의

자동차 레이싱 경기에서는 전방에 주행하는 차량의 상대적인 속도와 거리를 인지하여 추월 가능 여부를 빠르게 판단해야 한다. 본 논문에서는 무인자율주행자동차간의 레이싱경기에서 차량에 설치된 단안카메라를 사용하여 LiDAR(: Light Detection And Ranging)[4]가 인식하기 어려운 먼 곳의 차량을 인지하는 방법을 제안한다. LiDAR는 인식거리가 비교적 짧기 때문에 전방에 있는 차량과 상대속도가 크면 근접거리에서의 차량인지로 인해 갑자기 정지하거나 회피해야 하므로 사고 위험의 가능성이 크다.
본 논문에서는 무인자율주행차량의 전면유리 중앙에 설치된 단안카메라를 사용하여 먼 곳에 있는 차량을 인식하고, 위치, 상대속도와 이동방향을 예측할 수 있는 알고리즘을 제안한다. 하르(Haar) 특징을 사용하여 차량 후보를 추출한 후, 후면의 그림자를 이용하여 차량을 인식하였다.
본 논문에서는 자율주행자동차를 레이싱 경기에 운용하기 위해 원거리 차량을 인식 하기 위한 방법을 제안하였다. 하르 특징을 사용하는 분류기로부터 차량 후보군을 추출하고 후면 바닥의 그림자를 이용하여 주행 경로의 전방 차량으로 인식하였다.
본 논문에서는 하르 특징으로 검출된 차량 후보군들 중에서 차량으로 최종적으로 판단하기 위해 차량 바닥에 생기는 그림자를 확인한다. 기존의 차량인식 알고리즘에는 차량의 후미등을 확인하여 판단하는 방법[9]을 사용하지만 먼 곳의 차량은 기존의 방법으로 판단하기 어렵다.

가설 설정

그림 3은 차량 후보군 내부의 그림자를 찾아 차량을 검출 한 것이다. 차량 아래쪽의 그림자의 가로 길이는 차량의 가로 크기와 같다고 가정하고 가로의 비율에 따라 차량의 영역을 그려 검출 결과를 표시(굵은 실선 빨간색 박스)하였다. 영상에서 초록색 박스는 차량 후보군을 나타내며 빨간색 박스는 최종적으로 차량으로 인식된 것이다.

제안 방법

실험결과 최초 인식 결과는 80m 정도이며 추적을 통해 100m 이상의 차량을 검출했다. 또한, 인식된 차량의 위치, 상대속도, 진행방향을 예측하여 원거리 차량의 정보를 자율주행자동차에 제공하도록 하였다. 본 논문에서 다루고 있는 원거리 차량인식 알고리즘은 일몰 전의 한정된 환경에서 동작하기 때문에 추후 야간 환경에 대응할 수 있도록 개선하여야한다.
본 논문에서 제안된 알고리즘은 그림 1과 같이 차량인지, ROI(: Region Of Interest)생성(creation)[6], 속도 및 방향 예측 순으로 진행된다. 차량인지는 하르 특징(Haar-like feature)에 기반한 하르 캐스케이드 (Haar-based cascade) 분류기를 사용하여 차량 후보를 검출하고, 이 영역에서 차량 바닥의 그림자를 확인하여 차량을 인식하도록 하였다.
실험 DB는 인제스피디움 레이싱 트랙에서 17회 취득했으며 주행차량과 50m∼120m 사이의 거리에 있는 차량을 검출하고 추적하여 전방의 차량과의 거리 및 거리변화에 따른 상대속도를 추정하여 자율주행을 실시했다.
제안된 알고리즘에서는 하르 특징을 활용하여 주행 중 저장한 영상데이터의 positive 이미지인 차량후면 영상을 약 1000장, negative 이미지를 약 1500장 준비하여 캐스케이드(cascade) 방식으로 분류기를 학습시켰다. 차량 후면 인식기를 위해 학습에 사용한 이미지는 자체적으로 취득한 DB에서 이미지를 크롭핑하여 positive 이미지를 생성했고, 차량 이외의 오브젝트를 negative 이미지로 사용했다.
제안된 알고리즘을 OpenCV Library를 활용하여 Core i5, 8G RAM 시스템 환경에서 720x150 사이즈의 이미지를 20fps 속도로 영상 처리하였다.
최종적으로 인지된 차량의 좌표를 다음 영상과의 시간과 좌표차이를 활용하여 전방에 인식된 차량의 상대속도 및 방향을 예측하였다. 제안된 알고리즘의 결과는 자율주행자동차의 통합 제어 시스템에 전달하며, 인식된 차량의 상태에 따라 최적경로를 만들어 차량을 제어한다.
3ms 주기로 이미지를 전송한다. 차량 위치의 중심점의 이동방향과 차량이 검출된 영역의 크기를 이용한 거리 정보를 기반으로 전방 차량의 상대속도 및 이동방향을 추정하였다.
제안된 알고리즘에서는 하르 특징을 활용하여 주행 중 저장한 영상데이터의 positive 이미지인 차량후면 영상을 약 1000장, negative 이미지를 약 1500장 준비하여 캐스케이드(cascade) 방식으로 분류기를 학습시켰다. 차량 후면 인식기를 위해 학습에 사용한 이미지는 자체적으로 취득한 DB에서 이미지를 크롭핑하여 positive 이미지를 생성했고, 차량 이외의 오브젝트를 negative 이미지로 사용했다.
차량의 상대속도와 이동방향은 영상의 전송속도 (fps)와 이미지에서 차량의 이동거리를 이용하여 계산하였다. 예를 들어 그림 6(a)는 분류기를 통해 검출된 차량의 영역에서 차량의 그림자를 인식하여 새로운 관심영역을 만들어 준 것이고, (b)는 그림자를 통한 관심영역에서 차량의 그림자를 추적한 결과(파란색)를 보여준다.
본 논문에서 제안된 알고리즘은 그림 1과 같이 차량인지, ROI(: Region Of Interest)생성(creation)[6], 속도 및 방향 예측 순으로 진행된다. 차량인지는 하르 특징(Haar-like feature)에 기반한 하르 캐스케이드 (Haar-based cascade) 분류기를 사용하여 차량 후보를 검출하고, 이 영역에서 차량 바닥의 그림자를 확인하여 차량을 인식하도록 하였다. 인식된 차량을 추적 하기 위한 ROI 생성은 검출된 차량의 그림자의 중심 좌표와 크기를 이용하여 차량을 포함하는 최적의 영역을 만들어 차량을 추종할 수 있게 하는 과정이다.
인식된 차량을 추적 하기 위한 ROI 생성은 검출된 차량의 그림자의 중심 좌표와 크기를 이용하여 차량을 포함하는 최적의 영역을 만들어 차량을 추종할 수 있게 하는 과정이다. 최종적으로 인지된 차량의 좌표를 다음 영상과의 시간과 좌표차이를 활용하여 전방에 인식된 차량의 상대속도 및 방향을 예측하였다. 제안된 알고리즘의 결과는 자율주행자동차의 통합 제어 시스템에 전달하며, 인식된 차량의 상태에 따라 최적경로를 만들어 차량을 제어한다.
인지된 차량의 월드좌표 위치는 이미지 픽셀좌표와 월드좌표간의 캘리브레이션(calibration)을 통해 그림자의 중심점을 차량의 위치로 좌표를 변환한다. 카메라가 설치된 차량의 틸팅(tilting)과 인지된 차량과 고저차를 감안하여 오차를 최소화 하도록 차량 위치를 예측하였다. 차량의 틸팅은 내부 관성(IMU) 센서를 통해 측정되며, 차량 간의 고저차는 미리 취득된 도로의 정밀 맵을 이용하여 현재 차량이 있는 위치와 전방 도로에 있는 차량의 고저차를 계산한다.
본 논문에서는 자율주행자동차를 레이싱 경기에 운용하기 위해 원거리 차량을 인식 하기 위한 방법을 제안하였다. 하르 특징을 사용하는 분류기로부터 차량 후보군을 추출하고 후면 바닥의 그림자를 이용하여 주행 경로의 전방 차량으로 인식하였다. 실험결과 최초 인식 결과는 80m 정도이며 추적을 통해 100m 이상의 차량을 검출했다.
본 논문에서는 무인자율주행차량의 전면유리 중앙에 설치된 단안카메라를 사용하여 먼 곳에 있는 차량을 인식하고, 위치, 상대속도와 이동방향을 예측할 수 있는 알고리즘을 제안한다. 하르(Haar) 특징을 사용하여 차량 후보를 추출한 후, 후면의 그림자를 이용하여 차량을 인식하였다. 실험결과는 제시된 알고리듬이 먼 곳의 차량을 빠른 시간에 인식할 수 있음을 보여준다.

대상 데이터

표 1은 제안된 알고리즘으로 인제스피디움 레이싱 트랙에서 17회 실험동안 차량을 인식한 영상 프레임 수와 차량을 인식한 최대 거리, 인식율을 나타낸 것이다. 실험 데이터는 전방에 두 대 이상의 차량이 진행하고 있고 실험차량이 그 뒤를 따라가는 영상으로 구성되어 있다. 제안한 알고리즘은 평균 90% 이상의 인식률을 보였으며 100m이상의 원거리에 있는 차량을 인식하며 추적했다.
실험에 사용된 카메라는 30fps로 동작하며 33.3ms 주기로 이미지를 전송한다. 차량 위치의 중심점의 이동방향과 차량이 검출된 영역의 크기를 이용한 거리 정보를 기반으로 전방 차량의 상대속도 및 이동방향을 추정하였다.

이론/모형

다음 영상에서는 이전에 생성된 ROI 내부에서 비슷한 크기의 그림자를 찾아 차량을 추적한다. 그림자는 픽셀의 밝기가 매우 낮기 때문에 주행하는 도로의 바닥 밝기의 약 50%를 임계값으로 하여 영상을 이진화하고 레이블링 기법[10]을 통해 ROI내부의 그림자를 추출한다. 먼 거리의 차량은 분류기가 계속해서 후보군을 검출하기 어렵기 때문에 차량을 지속적으로 추적하여 연속된 인지결과를 갖고 있어야 한다.

성능/효과

하르 특징을 사용하는 분류기로부터 차량 후보군을 추출하고 후면 바닥의 그림자를 이용하여 주행 경로의 전방 차량으로 인식하였다. 실험결과 최초 인식 결과는 80m 정도이며 추적을 통해 100m 이상의 차량을 검출했다. 또한, 인식된 차량의 위치, 상대속도, 진행방향을 예측하여 원거리 차량의 정보를 자율주행자동차에 제공하도록 하였다.
하르(Haar) 특징을 사용하여 차량 후보를 추출한 후, 후면의 그림자를 이용하여 차량을 인식하였다. 실험결과는 제시된 알고리듬이 먼 곳의 차량을 빠른 시간에 인식할 수 있음을 보여준다.
실험 데이터는 전방에 두 대 이상의 차량이 진행하고 있고 실험차량이 그 뒤를 따라가는 영상으로 구성되어 있다. 제안한 알고리즘은 평균 90% 이상의 인식률을 보였으며 100m이상의 원거리에 있는 차량을 인식하며 추적했다.

후속연구

또한, 인식된 차량의 위치, 상대속도, 진행방향을 예측하여 원거리 차량의 정보를 자율주행자동차에 제공하도록 하였다. 본 논문에서 다루고 있는 원거리 차량인식 알고리즘은 일몰 전의 한정된 환경에서 동작하기 때문에 추후 야간 환경에 대응할 수 있도록 개선하여야한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	비전 센서의 장점은 무엇인가?	현재 개발된 자율주행 자동차에는 값비싼 센서가 장착되어 주행환경을 인식한다. 그 중에서 비전 센서는 상대적으로 저렴하고 여러 가지 정보를 동시에 얻을 수 있다는 장점이 있다[2]. 여러 정보에 대한 인식 및 판단 과정에서 많은 처리량이 필요하지만 최근 고속 컴퓨터의 개발로 이 문제는 점차 해결되고 있다[3].
	빠른 속도로 자율주행하기 위해서는 먼 곳의 차량을 미리 인지하는 것이 매우 중요한 이유는 무엇인가?	본 논문에서는 무인자율주행자동차간의 레이싱경기에서 차량에 설치된 단안카메라를 사용하여 LiDAR(: Light Detection And Ranging)[4]가 인식하기 어려운 먼 곳의 차량을 인지하는 방법을 제안한다. LiDAR는 인식거리가 비교적 짧기 때문에 전방에 있는 차량과 상대속도가 크면 근접거리에서의 차량인지로 인해 갑자기 정지하거나 회피해야 하므로 사고 위험의 가능성이 크다. 따라서 빠른 속도로 자율주행하기 위해서는 먼 곳의 차량을 미리 인지하는 것이 매우 중요하다[5].
	자율주행 기술은 언제 어디서 처음 연구를 시작하였는가?	최근 전 세계 자동차 관련 업체들은 무인 자율주행 자동차를 상용화하기 위해 모든 역량을 집중하고 있다. 자율주행 기술은 1990년 미국 방위고등연구계획국 (DARPA : Defence Advanced Research Projects Agency)이 군사적 목적으로 운용하기 위해 지상 차량에 대해서 처음 연구를 시작하였다[1]. 현재 개발된 자율주행 자동차에는 값비싼 센서가 장착되어 주행환경을 인식한다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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