[논문]차량 전면 영상을 이용한 고속 차량 모델 인식 알고리즘

정도욱; 김효연; 최형일

차량 전면 영상을 이용한 고속 차량 모델 인식 알고리즘
Fast Car Model Recognition Algorithm using Frontal Vehicle Image 원문보기

정도욱 (숭실대학교 글로벌미디어학과) , 김효연 (숭실대학교 글로벌미디어학과) , 최형일 (숭실대학교 글로벌미디어학과)

과속차량 단속카메라에 촬영된 차량 전면 영상은 차량번호를 인식하여 과속차량에 과금하는 용도로 사용되나 범죄 용의자 차량을 추적하기 위한 용도로도 사용되어진다. 본 연구에서는 국소특징점의 정합을 이용하여 차량 모델을 찾는 방법을 넘어서 실시간으로 차량 모델을 찾기 위한 알고리즘을 제안한다. 입력된 영상에 대하여 차량의 모델을 특징지을 수 있는 헤드라이트를 포함한 차량의 그릴 영역을 관심영역으로 제한하고 관심영역에서 추출된 특징점들을 모델 특징벡터 데이터베이스의 자료와 비교하는 방법 을 사용하였다. 입력 영상의 크기 변화와 조명 변화에 강인한 SURF 국소특징점을 이용한 매칭 방법은 차량 모델을 찾는데 적합하나 선형적으로 탐색하는데 시간이 오래걸린다. 따라서 블러를 사용하여 차량 이미지에서 추출되는 특징점들의 수를 매칭이 가능한 수준으로 낮추는 방법으로 모델 자료로부터 탐색에 필요한 시간을 단축시켰다. 또한 모델 자료를 구조화하여 탐색시간을 줄이는 방법들을 비교하여 LSH 를 사용한 결과 차량 모델을 탐색하는데 필요한 시간이 단축됨을 보였다.

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

문제 정의

본 논문에서는 차량 전면이미지의 SURF 국소특징점을 통한 디스크립터의 매칭엔 소모되는 시간을 줄이기 위하여 특징점의 수를 제한하고 구조화 하는 방법에 대하여 연구하였다.
차량 전면 이미지로부터 차량의 모델을 인식하기 위한 방법을 제안했다. 필드에서 시간에 따라서 새로운 차량 모델을 적용해야 하는 문제로 학습기반 분류기를 사용하는 방법은 배재하였다.

제안 방법

차량 전면 쿼리영상을 DB와 매칭하는데 필요한 시간을 줄이기 위하여 DB를 구성하는 디스크립터의 양을 줄이는 방법을 사용하였다. SURF 특징은 영상내에 Blob을 찾아낸 것으로 가우시안 스무딩을 수행하면 찾아낸 Blob의 크기는 커지고 탐색된 수는 감소된다.
차량 전면영상이 포함된 쿼리 이미지로부터 차량의 모델을 알아내기 위하여 차량 전면 이미지에 대한 모델들을 수집하고, [그림 1] 과 같이 가우시안 스무딩을 통하여 추출되는 SURF 특징점들의 수를 감소하여 각 이미지들의 디스크립터 DB를 생성한다.
쿼리 이미지를 모델 디스크립터 DB와 매칭한 결과를 얻기 위하여 쿼리 이미지도 모델 디스크립터를 얻는 방법과 같이 SURF 특징을 추출한다. 추출된 쿼리 이미지의 디스크립터를 DB와 매칭하는 과정에서 속도를 개선하기 위하여 LSH와 kd-tree를 비교했다.

대상 데이터

차량 모델 인식을 위하여 차량의 국소특징점 디스크립터 DB를 생성한다. 국소특징점으로 SIFT, SURF, FAST특징점들이 연구되어 왔으며 차량 모델 인식 알고리즘은 SIFT 보다 상대적으로 빠른 SURF 특징점을 바탕으로 연구했다[5].

데이터처리

쿼리 이미지를 모델 디스크립터 DB와 매칭한 결과를 얻기 위하여 쿼리 이미지도 모델 디스크립터를 얻는 방법과 같이 SURF 특징을 추출한다. 추출된 쿼리 이미지의 디스크립터를 DB와 매칭하는 과정에서 속도를 개선하기 위하여 LSH와 kd-tree를 비교했다.

성능/효과

3 이하에서 매칭되는 특징점의 양이 늘어나는 결과를 보였는데 이는 특징점의 Blob이 커지고 가우시안 필터에 의하여 잡음이 제거된 결과로 예측되었다. 또한 33종 차량에 대한 데이터의 실험에서 임계값을 감소했을 때 가우시안 필터에 의하여 매칭점이 늘어나는 상황에서 인식률이 높아짐을 확인하였다.
LSH(loclaity sensitive hashing) 은 다차원 데이터에 대하여 n차원으로 줄이고 클러스터링하여 검색속도를 빠르게 할 수 있다. 모델 디스크립터 DB에 대하여 LSH를 적용하지 않고 쿼리이미지와 매칭하였을 때 평균 4142.9ms가 소요되었으며 LSH를 적용하였을 때 317.1ms의 시간이 소요되었다.
실제 소렌토, 렉서스, 아우디 등 33종의 차량 모델에 대하여 수집된 모델 이미지로 디스크립터 DB 생성작업을 수행한 결과 3 × 3 필터 적용시 특징점량이 평균 974.2에서 3 × 3 적용시 772.4로 변화였음을 확인했다.
실험에서는 평균적으로 임계값 θ1 = 0.3 이하에서 매칭되는 특징점의 양이 늘어나는 결과를 보였는데 이는 특징점의 Blob이 커지고 가우시안 필터에 의하여 잡음이 제거된 결과로 예측되었다.
필드에서 시간에 따라서 새로운 차량 모델을 적용해야 하는 문제로 학습기반 분류기를 사용하는 방법은 배재하였다. 특정점에 의한 매칭방법으로 선형탐색에 소요되는 수행시간을 감소시킬 수 있음을 보였으며, 그 방법으로 가우시안 필터를 사용하고 LSH 가 kd-tree 보다 효율적임을 확인했다.

후속연구

또한, 쿼리이미지에 대하여 LPL(licence plate location)을 검출하여 ROI로 특징점 추출영역을 한정하면 추가적인 속도개선을 얻을 수 있을 것이라 예상한다.

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

차량 전면 영상을 이용한 고속 차량 모델 인식 알고리즘
Fast Car Model Recognition Algorithm using Frontal Vehicle Image 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

차량 전면 영상을 이용한 고속 차량 모델 인식 알고리즘 Fast Car Model Recognition Algorithm using Frontal Vehicle Image 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

차량 전면 영상을 이용한 고속 차량 모델 인식 알고리즘
Fast Car Model Recognition Algorithm using Frontal Vehicle Image 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper