선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 현재 연구 된 차량 인식 관련 알고리즘들을 분석하고 차량 인식 관련 기술에 대해 연구 학습 한 후 각 방법의 장단 점을 정리하고 주요 알고리즘을 채택하여 새로운 차량 인식 방법을 제안 하였다. 제안한 방법은 우선 입력 영상에서 차량이 나타날 수 있는 관심 영역을 설정하여 해당 영역에서만 연산을 수행함으로써 연산속도를 향상한다.
제안 방법
- 현재 가중치를 이용하여 정규화된 가중치를 얻는다. 가중치를 적용한 훈련 데이터에 약 분류기 알고리즘을 적용하여 작은 오류 율을 가진 가설을 생성한다. 가설에 의해 발생되는 오류 율을 계산한다.
- 기존의 Haar-like와 Adaboost, clustering 기법, 칼만 필터를 적용하여 기존의 Knowledge-based방법인 image entropy, 히스토그램 분석, 차량의 기하학적 특징을 이용한 방법에서 영상의 밝기, 날씨 등에 의해 일어나는 영상변화에 취약한 문제, motion based기반의 차량 검출 법인Optical flow의 카메라가 움직이는 경우 등속도로 운동하는 차량을 검출하기 어려운 문제, SIFT Matching의 연산이 복잡하여 속도가 느린 문제 등을 개선하였다.
- Haar-like기법은 도로에서 차량을 인식하기 위해서 인식 대상의 모델을 생성한다. 본 논문에서는 영상에 전처리 과정을 거쳐 추출된 특징들을 이용하는 특징 기반 기법을 이용한다. 특징 기반 기법은 영상의 밝기 값의 변화 량을 계산하고 변화 량이 심한 부분을 검출한다.
- 본 논문에서는 우선 입력 영상에서 차량이 나타날 수 있는 관심 영역을 설정하고 미리 학습된 검출기를 통한 Haar-like와 Adaboost 알고리즘으로 차량 후보 영역을 검출한다. 중복된 영역을 제거하기 위해 클러스터링 기법을 적용하고, 칼만 필터로 프레임 영상에서 차량을 추적 한 후, 다시 중복된 영역에 대해 클러스터링 기법을 적용하였다.
- 차량 영상 ROI영역(640*120) 에서 차량 인식. 상단에서 32pixel, 하단에서 88 pixel 떨어진 곳에 그려진 적색 라인을 기준으로, 라인아래에 있거나 라인에 걸치는 차량을 인식하여 기준 영상에서의 인식한 결과와 비교한다.
- 수평 엣지, 수직 엣지를 이용하여 차량 후보 영역을 교정하고 그림자로 차량 후보를 결정한 후 중복되는 영역을 클러스터링 한다. Feature matching을 통해 동일한 대응점을 찾기엔 많은 연산이 필요하므로 feature들을 clustering을 통해 제거한다.
- 인식 율을 표현하는 방법으로 0-1.0까지의 치수를 이용하여 인식이 된 정도를 표현하였다. 총 1444개의 프레임 이미지에 대해서 0-1/ 21-22/ 24-25/ 169-172,174 / 191-192/1186-1187프레임에서 미인식이 발생 했다.
- 본 논문에서는 현재 연구 된 차량 인식 관련 알고리즘들을 분석하고 차량 인식 관련 기술에 대해 연구 학습 한 후 각 방법의 장단 점을 정리하고 주요 알고리즘을 채택하여 새로운 차량 인식 방법을 제안 하였다. 제안한 방법은 우선 입력 영상에서 차량이 나타날 수 있는 관심 영역을 설정하여 해당 영역에서만 연산을 수행함으로써 연산속도를 향상한다. 다음 미리 학습된 검출기를 통한 Haar-like와 Adaboost 알고리즘으로 차량 후보 영역을 검출한다.
- 제안한 알고리즘은 입력 영상에서 차량이 나타날 수 있는 관심 영역을 설정하여 해당 영역에서만 연산을 수행함으로써 연산속도를 향상한다. 다음 미리 학습된 검출기를 통한 Haar-like와 Adaboost 알고리즘으로 차량 후보 영역을 검출한다.
- 다음 미리 학습된 검출기를 통한 Haar-like와 Adaboost 알고리즘으로 차량 후보 영역을 검출한다. 중복된 영역을 제거하기 위해 클러스 터링 기법을 적용하였고, 칼만 필터로 프레임 영상에서 차량을 추적하고, 다시 중복된 영역에 대해 클러스터링을 하여 차량을 인식하였다.
- 본 논문에서는 우선 입력 영상에서 차량이 나타날 수 있는 관심 영역을 설정하고 미리 학습된 검출기를 통한 Haar-like와 Adaboost 알고리즘으로 차량 후보 영역을 검출한다. 중복된 영역을 제거하기 위해 클러스터링 기법을 적용하고, 칼만 필터로 프레임 영상에서 차량을 추적 한 후, 다시 중복된 영역에 대해 클러스터링 기법을 적용하였다.
- 다음 미리 학습된 검출기를 통한 Haar-like와 Adaboost 알고리즘으로 차량 후보 영역을 검출한다. 중복된 영역을 제거하기 위해 클러스터링 기법을 적용하였고, 칼만 필터로 프레임 영상에서 차량을 추적 하고, 다시 중복된 영역에 대해 클러스터링 기법을 적용하였다.
대상 데이터
- 네 번째 영상은 추적+신뢰도를 비교하였고 기준영상은 세 번째 영상으로 하였다. 차량 영상 ROI영역(640*120) 에서 차량 인식.
- 두 번째 영상에서는 총 1281장 이미지 중 존재하는 차량 3698대중 인식한 차량은 3569대였고 미 인식된 차량이 129대였다. 오인식은 0대, 차량 총 인식 율은 97.
- 세 번째 영상에서는 총 1157장 이미지 중 존재하는 차량이 3415대, 인식한 차량이 3273대, 미 인식한 차량이 142대였고 오인식은 13번 발생했으며 차량 총 인식 율은 95.79%, 정확도는 99.69%였다.
이론/모형
- Haar-like와 Adaboost 기법으로 차량후보를 추출하고 차량특징기반의 차량후보를 검출한다.
- 제안한 알고리즘은 입력 영상에서 차량이 나타날 수 있는 관심 영역을 설정하여 해당 영역에서만 연산을 수행함으로써 연산속도를 향상한다. 다음 미리 학습된 검출기를 통한 Haar-like와 Adaboost 알고리즘으로 차량 후보 영역을 검출한다. 중복된 영역을 제거하기 위해 클러스 터링 기법을 적용하였고, 칼만 필터로 프레임 영상에서 차량을 추적하고, 다시 중복된 영역에 대해 클러스터링을 하여 차량을 인식하였다.
- 그러나 많은 차량이 고속으로 주행할 경우 일시적으로 대상을 측정하지 못하는 경우가 발생한다. 대상 차량에 대한 추적을 위해 칼만 필터(Kalman filter)를 사용한다. 칼만 필터는 대상 시스템의 확률적인 모델과 측정값을 이용하여 시스템의 상태변수를 찾아내는 최적 추정기법이다.
- 실시간으로 차량을 검출하기 위해 간단하고 효율적인 Adaboost 알고리즘을 Haar-like와 결합한다. Adaboost 알고리즘은 차량의 훈련단계에서 얻은 모델 링 된 데이터와 파라 미터들을 이용하여 물체를 판별한다.
성능/효과
- 제안한 알고리즘을 차량에 정착한 카메라에 적용한 결과 높은 차량인식률을 유지하는 전제하에 실시간 검출이 가능함을 보여 주었다. 향후 검출 성능을 높이기 위한 연구가 지속적으로 이루어져야할 것이다.
- 주행 중 촬영된 동영상 데이터에서 모든 프레임에 대한 이미지 정보를 추출하고, 총 1444장 이미지 중에서 차량이 존재하는1358개 프레임에 대해서 평가한 결과, 총3021대 차량에서 2997대의 차량을 인식했고 24대의 차량을 인식하지 못했다. 이에 근거해 계산한 결과 총 차량 인식 율은 98.
- 총 1176장 이미지 중 존재하는 차량은 총 3453대, 인식한 차량은 3194대, 미 인식된 차량은 259대, 오인식 58번, 차량 총 인식률 92.17%, 정확도 98.61%였다.
후속연구
- 향후 검출 성능을 높이기 위한 연구가 지속적으로 이루어져야할 것이다. 특징추출방법에 대해서는 다른 특징 벡터의 고려와 셀 및 블록의 크기에 따른 변화에 대한 연구가 추가적으로 이루어져할 것이다.
- 제안한 알고리즘을 차량에 정착한 카메라에 적용한 결과 높은 차량인식률을 유지하는 전제하에 실시간 검출이 가능함을 보여 주었다. 향후 검출 성능을 높이기 위한 연구가 지속적으로 이루어져야할 것이다. 특징추출방법에 대해서는 다른 특징 벡터의 고려와 셀 및 블록의 크기에 따른 변화에 대한 연구가 추가적으로 이루어져할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.