$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

딥러닝 기반의 의미론적 영상 분할을 이용한 주행 보조 시스템

Driving Assist System using Semantic Segmentation based on Deep Learning

초록

기존의 차선 검출 방법들은 곡률과 날씨 변화가 큰 도로 환경에서 검출률이 낮다. 확률적 허프 변환을 이용한 방법은 에지와 직선의 각도를 이용해서 차선을 검출함으로 곡선과 악천후일 때 검출률이 낮다. 슬라이딩 윈도우 방법은 윈도우로 이미지를 분할해서 검출하기 때문에 곡선 형태의 차선도 검출하지만 어파인 변환을 사용하기 때문에 도로의 경사율에 영향을 받는다. 본 논문에서는 다양한 외부 환경에서도 차선을 강인하게 검출하고 장애물을 회피하기 위한 딥러닝 기반의 주행 보조 시스템을 제안한다. VGG-16기반의 SegNet으로 입력 영상을 의미론적으로 분할해서 차선을 검출한다. 검출한 차선과의 이격거리를 계산하고 안전범위를 산출해서 차량이 차선의 중앙을 주행하도록 제어한다. 또한, 전방의 미확인 물체와 충돌이 예상되면 운전자에게 경보를 주고 Adaptive-MPC로 차량을 제어해서 충돌을 회피하는 알고리즘도 제안한다. CARLA로 시뮬레이션한 결과 제안한 알고리즘은 곡률이 큰 차선과 다양한 환경에서도 강인하게 차선을 검출하고 전방의 안전범위를 계산하여 충돌을 회피하는 것을 볼 수 있다.

Abstract

Conventional lane detection algorithms have problems in that the detection rate is lowered in road environments having a large change in curvature and illumination. The probabilistic Hough transform method has low lane detection rate since it exploits edges and restrictive angles. On the other hand, the method using a sliding window can detect a curved lane as the lane is detected by dividing the image into windows. However, the detection rate of this method is affected by road slopes because it uses affine transformation. In order to detect lanes robustly and avoid obstacles, we propose driving assist system using semantic segmentation based on deep learning. The architecture for segmentation is SegNet based on VGG-16. The semantic image segmentation feature can be used to calculate safety space and predict collisions so that we control a vehicle using adaptive-MPC to avoid objects and keep lanes. Simulation results with CARLA show that the proposed algorithm detects lanes robustly and avoids unknown obstacles in front of vehicle.

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

문제 정의
  • 본 논문에서는 이러한 단점을 해결하기 위해서 VGG-16기반의 SegNet을 이용한 의미론적 영상 분할 방법으로 차선을 검출할 것을 제안한다.

    본 논문에서는 이러한 단점을 해결하기 위해서 VGG-16기반의 SegNet을 이용한 의미론적 영상 분할 방법으로 차선을 검출할 것을 제안한다. 차선을 검출 후에는 차량과 차선간의 이격거리를 계산 해서 중앙을 주행하도록 제어한다.

  • 이러한 문제점들을 해결하기 위해 본 논문에서는 HDR 전처리와 VGG-16기반에 SegNet을 이용한 차선 검출 알고리즘을 제안한다.

    기존의 차선 검출 알고리즘은 곡률 변화가 큰 차선이나 조도가 변하는 상황, 차선의 마모, 악천후 등 다양한 도로 환경에서 차선 검출률이 낮아지는 문제점들이 있다. 이러한 문제점들을 해결하기 위해 본 논문에서는 HDR 전처리와 VGG-16기반에 SegNet을 이용한 차선 검출 알고리즘을 제안한다. 더 나아가 의미론적 영상 분할의 특징을 이용해서 안전 범위를 계산하고 충돌 경보를 예측한다.

본문요약 정보가 도움이 되었나요?

질의응답 

키워드에 따른 질의응답 제공
핵심어 질문 논문에서 추출한 답변
슬라이딩 윈도우(Sliding Window)
슬라이딩 윈도우(Sliding Window)는 무엇인가?
허용 각도 범위로 발생되는 단점을 극복하기 위해서 제안된 알고리즘

그러나 이러한 방법은 허용한 각도 범위 외의 차선을 검출하는데 어려움이 있다. 두 번째 방법인 슬라이딩 윈도우(Sliding Window)는 허용 각도 범위로 발생되는 단점을 극복하기 위해서 제안된 알고리즘이다. 앞서 설명한 허프 변환 방법과 다른 점은 어파인(Affine) 변환을 통해서 입력 이미지를 Bird’s-eye view 형태로 변환한 후 슬라이딩 윈도우로 차선을 검출한다는 것이다.

확률적 허프 변환
확률적 허프 변환을 이용했을 때의 특징은 무엇인가?
에지와 직선의 각도를 이용해서 차선을 검출함으로 곡선과 악천후일 때 검출률이 낮다.

기존의 차선 검출 방법들은 곡률과 날씨 변화가 큰 도로 환경에서 검출률이 낮다. 확률적 허프 변환을 이용한 방법은 에지와 직선의 각도를 이용해서 차선을 검출함으로 곡선과 악천후일 때 검출률이 낮다. 슬라이딩 윈도우 방법은 윈도우로 이미지를 분할해서 검출하기 때문에 곡선 형태의 차선도 검출하지만 어파인 변환을 사용하기 때문에 도로의 경사율에 영향을 받는다.

전처리 과정
차선 인식 검출방법을 사용하기 전에 이루어지는 전처리 과정은 어떻게 이루어지나?
통상적으로 입력되는 이미지는 왜곡과 노이즈(Noise)를 가지고 있기 때문에 왜곡 보정과 가우시안(Gaussian) 필터를 이용해서 제거한다. 이후 연산 수행 시간을 줄이기 위해서 관심영역(ROI : Region Of Interest)을 설정한다. 관심영역 을 설정한 후에는 에지(Edge)와 색공간을 이용한 검출 결과를 서로 교집합 하여 차선의 인식률을 높인다

일반적으로 이러한 검출 방법을 사용하기전 에 인식률을 높이기 위해서 다음과 같은 전처리 과정을 수행한다. 통상적으로 입력되는 이미지는 왜곡과 노이즈(Noise)를 가지고 있기 때문에 왜곡 보정과 가우시안(Gaussian) 필터를 이용해서 제거한다. 이후 연산 수행 시간을 줄이기 위해서 관심영역(ROI : Region Of Interest)을 설정한다. 관심영역 을 설정한 후에는 에지(Edge)와 색공간을 이용한 검출 결과를 서로 교집합 하여 차선의 인식률을 높인다. 이러한 전처리 과정 후에 허프 변환을 사용해서 직교 좌표계의 표현을 극 좌표계 형식으로 나타내준다.

질의응답 정보가 도움이 되었나요?

참고문헌 (7)

  1. 1. Peijiang Chen, Junhao Jiang, "Algorithm Design of Lane Departure Warning System Based on Image Processing," 2018 2nd IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference, pp.2497-2501, 2018. DOI: 10.1109/IMCEC.2018.8469505 
  2. 2. Bubly Barua, Shuva Biswas, Kaushik Deb, "An Efficient Method of Lane Detection and Tracking for Highway Safety," 1st International Conference on Advances in Science, Engineering and Robotics Technology, 2019. DOI: 10.1109/ICASERT.2019.8934664 
  3. 3. Le-Anh Tran, My-Ha Le, "Robust U-Net-based Road Lane Markings Detection for Autonomous Driving," 2019 International Conference on System Science and Engineering, pp.62-66, 2019. DOI: 10.1109/ICSSE.2019.8823532 
  4. 4. Junlan Chen, Ke Wang, Huanhuan Bao, Tao Chen, "A Design of Cooperative Overtaking Based on Complex Lane Detection and Collision Risk Estimation," IEEE Access, vol.7, pp.87951-87959, 2019. DOI: 10.1109/ACCESS.2019.2922113 
  5. 5. Jannik Fritsch, Tobias Kuhnl, Franz Kummert, "Monocular Road Terrain Detection by Combining Visual and Spatial Information," Transactions on Intelligent Transportation Systems, Vol.15, No.4, pp.1586-1596, 2014. sDOI: 10.1109/TITS.2014.2303899 
  6. 6. Liya kolmanovsky, Calos Guardiola, Luigi Glielmo, Automotive model predictive control models methods and applications, Springer, 2010. DOI: 10.1007/978-1-84996-071-7 
  7. 7. "CARLA Simulator," http://carla.org/ 

문의하기 

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

Q&A 등록

원문보기

원문 PDF 다운로드

  • ScienceON :
  • KCI :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

DOI 인용 스타일

"" 핵심어 질의응답