[논문]가중치 기반 클러스터링 기술을 이용한 도로표면 유형 분류 알고리즘

김형민; 송중석; 박종일

가중치 기반 클러스터링 기술을 이용한 도로표면 유형 분류 알고리즘
Road Surface Classification Using Weight-Based Clustering Algorithm 원문보기

김형민 (한양대학교 전자컴퓨터통신공학과) , 송중석 (한양대학교 컴퓨터소프트웨어학과) , 박종일 (한양대학교 컴퓨터소프트웨어학과)

최근 자동차 산업과 IT 기술의 융합이 활발해지면서 스마트카, 자율주행 자동차(무인 자동차)와 같은 지능형 자동차 개발이 활발히 진행되고 지능형 자동차의 비전 기반 기술개발도 활발히 진행되고 있다. 고속도로와 같이 포장된 도로나 자갈길과 같은 비포장 도로에서도 운전자의 승차감을 고려한 능동적 안전시스템과 안정적인 자율주행 자동차의 주행능력을 보장하는 기술들 중 도로 유형을 판단하는 것이 중요 요소 중 하나이다. 따라서 본 논문에서는 가중치 기반 클러스터링 기술을 이용하여 도로표면 유형을 분류하는 알고리즘을 제안한다. 아스팔트, 자갈길, 흙길, 눈길의 도로표면 영상 데이터를 히스토그램의 분포도와 최고점 위치, 에지 영상의 에지량, 채도성분을 이용하여 특징값을 추출하고 클러스터를 구성한다. 분류할 입력 도로표면 영상에 대해 특징값을 분석한 후 탐색범위 내 선택된 각 클러스터의 벡터와의 거리를 측정하여 가중치를 계산하고 가중치가 높은 클러스터를 분류하여 입력 영상에 대한 도로표면을 결정한다. 실험결과 제안하는 방법이 각 도로표면 영상의 특징값과 이를 이용한 가중치만을 이용하여 약 91.25%의 정확도로 도로의 표면을 분류해 내는 것을 볼 수 있었다.

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

문제 정의

본 논문에서는 도로표면 영상데이터의 특징값을 이용한 가중치로 도로표면의 유형을 분류하는 방법을 제안하였다. 도로표면 영상데이터의 특징값을 분석하기위해 추출된 특징값을 정규화 시킨 후 4차원 클러스터를 구성하였다.
예를 들어 차량이 지나가야할 노면을 실시간으로 인식하고 이를 ECU에 전달하여 서스펜션을 상황에 맞게 제어하면 반응속도를 향상 시킬 수 있다. 영상 센서를 통해 도로표면을 분석하는 방법에는 RGB 카메라를 이용하거나 스테레오 카메라와 레이저를 이용한 방법 등이 있으며[1-4] 본 논문에서는 카메라 센서를 통해 획득한 도로표면 영상의 특징값을 가중치로 계산하여 도로표면 영상을 분류하는 방법을 제안한다.

가설 설정

그림 2는 제안한 도로표면 유형분류 알고리즘의 전체 흐름도를 나타낸다. 그림 1과 같이 대표 도로표면을 아스팔트, 자갈길, 흙길, 눈길로 가정하고[5, 6] 각 도로표면 영상데이터에 대해 히스토그램의 분포도와 최고점 위치, 영상의 에지량, 채도 성분을 분석하여 각 특징을 갖는 그룹으로 구성한다. 분류할 도로표면 영상 데이터를 네 가지 특징으로 분석하여 이를 중심으로 탐색범위를 설정하고 탐색범위에 포함된 클러스터별 벡터와의 거리 가중치를 이용하여 네 그룹 중 가장 유사한 그룹을 선정하여 해당그룹으로 분류하는 방식이다.

제안 방법

도로표면 영상데이터의 특징값을 분석하기위해 추출된 특징값을 정규화 시킨 후 4차원 클러스터를 구성하였다. 각각의 특징을 반영하기위해 입력 도로표면 영상데이터 특징 벡터와 각 클러스터간 벡터와의 거리, 원점과의 거리, 선택된 클러스터별 벡터의 개수를 고려한 가중치를 계산하는 방법을 사용하였다. 알고리즘의 복잡도가 낮아 속도가 빠르고 구현이 용의하고 간단한 특징 분석만으로도 91.
본 논문에서는 도로표면 영상데이터의 특징값을 이용한 가중치로 도로표면의 유형을 분류하는 방법을 제안하였다. 도로표면 영상데이터의 특징값을 분석하기위해 추출된 특징값을 정규화 시킨 후 4차원 클러스터를 구성하였다. 각각의 특징을 반영하기위해 입력 도로표면 영상데이터 특징 벡터와 각 클러스터간 벡터와의 거리, 원점과의 거리, 선택된 클러스터별 벡터의 개수를 고려한 가중치를 계산하는 방법을 사용하였다.
그림 3. 도로표면 영상이미지의 에지 히스토그램과 에지량 분석.
1에서 생성된 4차원 공간에 배치된다. 배치된 위치를 중심으로 특정거리 만큼을 탐색 범위로 지정하여, 범위 내에 선택된 도로 표면 영상 벡터들과의 거리 가중치를 계산한다. 계산하는 방법은 아래 그림 6와 같다.
첫째. 컬러 도로표면 영상이미지에 대해 흑백 영상으로 변환 후에 에지 검출기를 이용하여 에지 영상을 추출한다. 에지 영상에 대한 히스토그램을 추출하고 식 1을 통해 에지량을 구한다.
둘째. 컬러 도로표면 영상이미지에 대해 흑백 영상으로 변환 후에 히스토그램을 추출하여 분포도를 분석한다. 그림 4와 같이 히스토그램을 수평방향으로 탐색하면서 변화량을 계산하여 분포도를 구한다.

대상 데이터

실험에 사용된 도로표면 영상데이터는 클러스터 구성을 위한 아스팔트, 자갈길, 흙길, 눈길 각 80장, 총 320장의 영상과 분류 실험을 위한 80장의 서로 다른 영상을 이용하였고, 인터넷을 통해 획득한 영상을 사용하였다.

성능/효과

도로표면 영상데이터를 분석한 결과 아스팔트와 눈길은 채도가 낮은 반면 흙길은 채도가 높았고 눈길은 히스토그램의 분포 변화가 다양하면서 심한편이고 자갈길은 히스토그램 누적량이 다소 높았다. 또한 자갈길은 에지량이 많으며 눈길은 밝은 화소가 많은 특징을 보였다.
도로표면 영상데이터를 분석한 결과 아스팔트와 눈길은 채도가 낮은 반면 흙길은 채도가 높았고 눈길은 히스토그램의 분포 변화가 다양하면서 심한편이고 자갈길은 히스토그램 누적량이 다소 높았다. 또한 자갈길은 에지량이 많으며 눈길은 밝은 화소가 많은 특징을 보였다.
각각의 특징을 반영하기위해 입력 도로표면 영상데이터 특징 벡터와 각 클러스터간 벡터와의 거리, 원점과의 거리, 선택된 클러스터별 벡터의 개수를 고려한 가중치를 계산하는 방법을 사용하였다. 알고리즘의 복잡도가 낮아 속도가 빠르고 구현이 용의하고 간단한 특징 분석만으로도 91.25%의 정확도로 도로표면 영상데이터를 분류해 내는 것을 확인할 수 있었다. 앞으로는 도로표면 영상 데이터베이스에 따라 정확도가 변하는 문제를 해결하기 위한 객관적인 데이터베이스 구축과 히스토그램의 문턱치 값을 능동적으로 계산하는 알고리즘에 대한 연구를 진행할 계획이다.
최종 가중치가 가장 큰 값을 가지는 클러스터가 입력된 도로표면 영상이미지와 가장 유사한 특징을 보인다고 판단하여 최종 도로표면을 결정한다.
자갈길 영상데이터는 90%로 자갈길로 분류하였으나 아스팔트, 눈길이 각각 5%로 분류되었다. 흙길 영상데이터는 95%로 분류되었으며 눈길은 85%로 분류되어 최종 도로표면 영상 데이터의 분류 정확도가 91.25% 인 것을 확인 할 수 있다.

후속연구

25%의 정확도로 도로표면 영상데이터를 분류해 내는 것을 확인할 수 있었다. 앞으로는 도로표면 영상 데이터베이스에 따라 정확도가 변하는 문제를 해결하기 위한 객관적인 데이터베이스 구축과 히스토그램의 문턱치 값을 능동적으로 계산하는 알고리즘에 대한 연구를 진행할 계획이다.

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

가중치 기반 클러스터링 기술을 이용한 도로표면 유형 분류 알고리즘
Road Surface Classification Using Weight-Based Clustering Algorithm 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

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

가중치 기반 클러스터링 기술을 이용한 도로표면 유형 분류 알고리즘 Road Surface Classification Using Weight-Based Clustering Algorithm 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

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

가중치 기반 클러스터링 기술을 이용한 도로표면 유형 분류 알고리즘
Road Surface Classification Using Weight-Based Clustering Algorithm 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper