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
- 하지만 지역적 정보만을 고려하는 경우 부분적으로 동일한 영역을 가지는 영상에서 분류 성능이 떨어진다는 문제점이 있다. 이러한 단점을 개선하기 위해 본 논문에서는 지역적인 특징과 함께 전역적인 특징도 고려 할 수 있도록 공간 피라미드 특징을 구성한다.
제안 방법
- 본 논문에서는 빠른 특징 추출을 위해, 8bit가 표현 가능한 256개의 패턴에 대해 최솟값을 조사하여, 사전에 총 35가지의 패턴을 lookup table을 정의 하였다. 따라서 새로운 이진 패턴이 입력되면 시프트 연산 없이 바로 lookup table을 참조하여 이진 패턴에 매칭 되는 10진수 값을 찾아내고 히스토그램의 해당 빈에 누적 한다.
- 따라서 숫자 영역의 인식률을 향상시키기 위해 먼저 히스토그램 평활화를 적용하여 ( 그림 2–c )와 같이 대비를 향상 시키고 ( 그림 2–c )와 같이 숫자 영역의 끊김, 번짐과 같은 왜곡 현상을 개선하기 위해 모폴로지 침식 연산을 적용하였다.
- 본 논문에서는 검출된 표지판 영상에서 다양한 크기와 위치를 가지는 속도 표지판 영역을 Hough Transform을 이용해 최대한 배경 영역을 제거하도록 하고, 히스토그램 평활화와 모폴로지 연산을 통해 영상의 화질을 향상시켰다. 이러한 전처리 과정을 적용하여 특징 추출 시 외부 환경의 영향을 최소화 하였다.
- 본 논문에서는 높은 인식 성능은 유지하면서 학습과 인식에 오랜 수행 시간이 필요한 CNN의 단점을 보완하기 위해, CNN 대신에 랜덤 포레스트(Random Forest) 분류기를 사용하였다. 먼저, ( 그림2–a )에서 볼 수 있듯이 영상내의 다양한 크기와 위치를 가지는 표지판 영역만을 검출하여 효과적으로 인식 과정을 수행하기 위해 Hough Transform[3] 알고리즘을 적용한다.
- 본 논문에서는 빠른 특징 추출을 위해, 8bit가 표현 가능한 256개의 패턴에 대해 최솟값을 조사하여, 사전에 총 35가지의 패턴을 lookup table을 정의 하였다. 따라서 새로운 이진 패턴이 입력되면 시프트 연산 없이 바로 lookup table을 참조하여 이진 패턴에 매칭 되는 10진수 값을 찾아내고 히스토그램의 해당 빈에 누적 한다.
- 또한 블록을 구성하는 픽셀의 개수에 따라 포함할 정보의 범위를 결정 할 수 있다. 본 논문에서는 속도 표지판의 인식을 위한 특징으로 MB-LBP를 사용함으로써 속도 표지판의 크기 변화에 적은 영향을 받는 특징 벡터의 추출이 가능하다.
- 본 논문에서는 전처리 과정과 공간피라미드를 이용한 MB-LBP로 추출한 특징으로 속도 표지판을 분류하기 위해 여러 이진 결정 트리의 앙상블 분류기인 랜덤 포레스트(Random forest) 분류기를 사용한다. 랜덤 포레스트 분류기는 높은 성능을 보이는 CNN 보다 적은 데이터로도 강건한 성능을 보이며, 훨씬 빠른 학습 시간과 분류시간을 가지는 강점이 있다.
- 본 논문에서는 검출된 표지판 영상에서 다양한 크기와 위치를 가지는 속도 표지판 영역을 Hough Transform을 이용해 최대한 배경 영역을 제거하도록 하고, 히스토그램 평활화와 모폴로지 연산을 통해 영상의 화질을 향상시켰다. 이러한 전처리 과정을 적용하여 특징 추출 시 외부 환경의 영향을 최소화 하였다.
- 본 논문에서 실험 데이터로 사용한 GTSRB 데이터 셋은 실제 환경에서 촬영된 영상으로 숫자-배경 영역의 대비가 낮거나 촬영 시의 외부 요인으로 인해 영상이 선명하지 않아 인식 성능이 떨어진다는 문제점을 가진다. 이를 개선하기 위해 Hough Transform을 적용하여 검출한 표지판 후보 영역에서 히스토그램 스트래칭과 모폴로지 연산을 적용하는 전처리 과정을 통해 영상의 주요 특징을 강조한다. 전처리 과정이 완료된 표지판 영상에서 MB-LBP(Multi-block Local Binary Patterns)[4]와 공간 피라미드를 적용하여 특징을 추출하고 추출된 특징을 비-속도표지판 클래스를 포함한 9개의 클래스로 학습된 랜덤 포레스트에 적용하여 속도표지판을 분류한다.
- 이를 개선하기 위해 Hough Transform을 적용하여 검출한 표지판 후보 영역에서 히스토그램 스트래칭과 모폴로지 연산을 적용하는 전처리 과정을 통해 영상의 주요 특징을 강조한다. 전처리 과정이 완료된 표지판 영상에서 MB-LBP(Multi-block Local Binary Patterns)[4]와 공간 피라미드를 적용하여 특징을 추출하고 추출된 특징을 비-속도표지판 클래스를 포함한 9개의 클래스로 학습된 랜덤 포레스트에 적용하여 속도표지판을 분류한다.
- 랜덤포레스트 분류기에 8개의 속도 표지판과 1개의 비-속도표지판 클래스를 추가하여 총 15743개의 영상으로 구성된 9개의 클래스를 학습에 사용한다. 학습에 사용된 모든 영상은 2장에서 설명한 전처리를 적용하였으며 앞서 설명한 특징 추출 방식으로 생성된 특징을 입력 벡터로 랜덤 포레스트를 학습한다. 최종적으로 분류기는 모든 트리를 거친 데이터의 확률 분포를 종합하여 가장 높은 클래스로 분류 한다.
대상 데이터
- 본 논문에서 사용된 속도 표지판은 1)20, 2)30, 3) 50, 4)60, 5)70 6)80, 7)100, 8)120km/h의 8개의 속도 표지판을 사용하였으며 각 클래스는 200-2300개의 영상을 포함 한다. 또한 속도 표지판과 비-속도 표지판의 구분에 대한 성능을 평가하기 위해 비-속도 표지판 영상 2,452장을 사용하였다. 실험은 3.
- 랜덤포레스트 분류기에 8개의 속도 표지판과 1개의 비-속도표지판 클래스를 추가하여 총 15743개의 영상으로 구성된 9개의 클래스를 학습에 사용한다. 학습에 사용된 모든 영상은 2장에서 설명한 전처리를 적용하였으며 앞서 설명한 특징 추출 방식으로 생성된 특징을 입력 벡터로 랜덤 포레스트를 학습한다.
- de/) 는 International Joint Conference on Neural Networks (IJCNN) 2011에서 사용 된 공개된 교통 표지판 데이터베이스로, 속도 표지판을 포함하여 5만장 이상의 다양한 교통 표지판을 포함하고 있으며 이중 교통 표지판 클래스는 40가지 종류되 구성되어 있다. 본 논문에서 사용된 속도 표지판은 1)20, 2)30, 3) 50, 4)60, 5)70 6)80, 7)100, 8)120km/h의 8개의 속도 표지판을 사용하였으며 각 클래스는 200-2300개의 영상을 포함 한다. 또한 속도 표지판과 비-속도 표지판의 구분에 대한 성능을 평가하기 위해 비-속도 표지판 영상 2,452장을 사용하였다.
- 본 논문에서는 실험을 위한 데이터 셋으로 GTSRB 데이터 셋을 사용하였다. GTSRB (http://benchmark.
- 또한 속도 표지판과 비-속도 표지판의 구분에 대한 성능을 평가하기 위해 비-속도 표지판 영상 2,452장을 사용하였다. 실험은 3.6Ghz i7프로세서, 16Gb 메모리 , Geforce GTX 760가 설치된 PC를 기반으로 수행되었다.
데이터처리
- 제안한 방법의 성능을 평가하기 위해 GTSRB에서 발표된 상위 알고리즘 4가지[1][2][8][9]와 제안된 알고리즘 그리고 사람과 비교하였다. 표 1의 결과는 기존에 발표된 논문들과의 precision을 비교한 것으로 표에서 보는 것과 같이 제안하는 방법이 CNN기반의 방법에 비해 약 1~1%의 성능이 떨어지는 것을 알 수 있다.
이론/모형
- 먼저, ( 그림2–a )에서 볼 수 있듯이 영상내의 다양한 크기와 위치를 가지는 표지판 영역만을 검출하여 효과적으로 인식 과정을 수행하기 위해 Hough Transform[3] 알고리즘을 적용한다.
- 본 논문에서는 속도 표지판과 비-속도 표지판을 구분하고 배경 영역을 제외한 표지판 영역만을 얻기 위해 Hough Transform을 적용한다. ( 그림 2–b )는 입력 영상 ( 그림 2–a )에 대해 Hough Transform을 적용하여 주요 정보를 가진 영역만을 검출한 결과를 보여주고 있다.
- 하지만 MB-LBP는 패턴 생성 시 하나의 방향만을 고려하여 영상의 회전에 대해 취약하다는 문제점이 있다. 본 논문에서는 이러한 MB-LBP의 단점을 보완하고 회전에 보다 강건한 특징을 검출하기 위해 Yin 등[6]의 알고리즘을 적용하였다.
성능/효과
- 모폴로지 침식 적용 결과 ( 그림 2–d )와 같이 숫자 영역은 더 굵게 강조되고 동시에 경계면은 부드럽게 영상이 개선되는 효과를 얻을 수 있었다.
- 실험을 통해 본 논문에서 제안 하는 알고리즘이 빠른 시간 안에 우수한 인식성능을 보여 줌을 알 수 있었다. 향후, 성능이 떨어지는 일부 속도 표지판 클래스에 대해 좀 더 많은 데이터를 추가하고 알고리즘을 개선하여 CNN기반 방법보다 향상된 성능을 낼 수 있도록 연구를 지속하고자 한다.
- 제안하는 방법에 의해 MB-LBP는 회전에 강건할 뿐만 아니라 시프트 연산을 적용하지 않음으로 연산량을 줄이고 256차원에서 35차원으로 특징 차원을 줄일 수 있는 효과가 있다.
- 제안한 방법의 성능을 평가하기 위해 GTSRB에서 발표된 상위 알고리즘 4가지[1][2][8][9]와 제안된 알고리즘 그리고 사람과 비교하였다. 표 1의 결과는 기존에 발표된 논문들과의 precision을 비교한 것으로 표에서 보는 것과 같이 제안하는 방법이 CNN기반의 방법에 비해 약 1~1%의 성능이 떨어지는 것을 알 수 있다. 하지만, 기존의 방법은 연산량이 많은 CNN을 사용했음으로 1장을 분류하기 위해 평균 2~3초가 소요된 반면, 제안하는 알고리즘에서는 0.
- 표 1의 결과는 기존에 발표된 논문들과의 precision을 비교한 것으로 표에서 보는 것과 같이 제안하는 방법이 CNN기반의 방법에 비해 약 1~1%의 성능이 떨어지는 것을 알 수 있다. 하지만, 기존의 방법은 연산량이 많은 CNN을 사용했음으로 1장을 분류하기 위해 평균 2~3초가 소요된 반면, 제안하는 알고리즘에서는 0.0008초가 소요되어 실시간 처리에 보다 적합함을 알 수 있다.
후속연구
- 먼저, ( 그림2–a )에서 볼 수 있듯이 영상내의 다양한 크기와 위치를 가지는 표지판 영역만을 검출하여 효과적으로 인식 과정을 수행하기 위해 Hough Transform[3] 알고리즘을 적용한다. 본 논문에서 실험 데이터로 사용한 GTSRB 데이터 셋은 실제 환경에서 촬영된 영상으로 숫자-배경 영역의 대비가 낮거나 촬영 시의 외부 요인으로 인해 영상이 선명하지 않아 인식 성능이 떨어진다는 문제점을 가진다. 이를 개선하기 위해 Hough Transform을 적용하여 검출한 표지판 후보 영역에서 히스토그램 스트래칭과 모폴로지 연산을 적용하는 전처리 과정을 통해 영상의 주요 특징을 강조한다.
- 지능형 자동차 시스템에 대한 연구가 활발함 따라, 지능형 자동차의 핵심기술인 ADAS(Advanced Driver Assistance Systems) 연구 또한 관심을 받고 있다. 특히, 카메라를 이용한 표지판 인식 시스템은 내비게이션에서 제공하지 않는 동적인 환경에서의 속도 및 도로 정보를 실시간으로 제공할 수 있으므로 운전자의 안전 운전을 지원하기 위해 선행적으로 연구되어야 할 분야이다. 표지판은 기본적으로 ( 그림1–a )에서 보는 바와 같이 붉은색이나 파란색 등 원색의 색상을 포함하도록 설계 되어 있다.
- 실험을 통해 본 논문에서 제안 하는 알고리즘이 빠른 시간 안에 우수한 인식성능을 보여 줌을 알 수 있었다. 향후, 성능이 떨어지는 일부 속도 표지판 클래스에 대해 좀 더 많은 데이터를 추가하고 알고리즘을 개선하여 CNN기반 방법보다 향상된 성능을 낼 수 있도록 연구를 지속하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.