초록 ▼

연구개요
본연구는 자동차환경에서 딥러닝기법을 이용한 시청각기반 운전자 및 주행상황인식기술개발을 수행한다. 이를 위해 첫째, 차량내 운전자의 상황인식을 위한 시청각 기반 데이터베이스를 구축과 딥러닝을 이용한 시청각기반 차량 전면 주행 상황인식 기술 개발하고자 한다. 둘째, 차량 전면 주행 상황인식을 위한 시청각 데이터베이스를 구축하고, 컴퓨터 시뮬레이션을 통한 성능분석 및 평가를 수행한다. 마지막으로, 상용화를 위한 운전자 및 주행상황인식을 위한 딥러닝 소프트웨어 최적화 및 구현과 자동차 실환경에서 성능 및 안전성 검증을 수행한

연구개요
본연구는 자동차환경에서 딥러닝기법을 이용한 시청각기반 운전자 및 주행상황인식기술개발을 수행한다. 이를 위해 첫째, 차량내 운전자의 상황인식을 위한 시청각 기반 데이터베이스를 구축과 딥러닝을 이용한 시청각기반 차량 전면 주행 상황인식 기술 개발하고자 한다. 둘째, 차량 전면 주행 상황인식을 위한 시청각 데이터베이스를 구축하고, 컴퓨터 시뮬레이션을 통한 성능분석 및 평가를 수행한다. 마지막으로, 상용화를 위한 운전자 및 주행상황인식을 위한 딥러닝 소프트웨어 최적화 및 구현과 자동차 실환경에서 성능 및 안전성 검증을 수행한다.

연구 목표대비 연구결과
연구목표대비 연구결과로써 1차년도에는 자동차 내부환경에서 딥러닝을 이용한 시청각기반 운전자 상황인식기술 개발을 위해 연속적인 영상기반 3차원 딥러닝에 의한 운전자의 감정상태 인식, 눈 개폐의 빈도수를 통한 운전자의 졸음판단분석, Faster R-CNN의 딥러닝기법에 의한 보행자 검출기술, 차량내부의 다채널 마이크로폰기반 음향신호의 음원추적기술을 개발하였다. 2차년도에는 딥 러닝을 이용한 시청각기반 차량 전면 주행 상황인식 기술개발을 위해 딥러닝 기법에 의한 실시간 보행자 검출기술을 개발하고, 차량 주행 상황인식을 위한 시청각 데이터베이스 구축을 위해 차량전면 카메라를 이용한 보행자 영상 데이터베이스와 다채널 마이크로폰을 이용한 주행관련 데이터베이스를 구축하였다. 3차년도에는 자동차 주행환경에서 딥러닝 모델들의 전이학습에 따른 보행자 분류의 성능비교를 수행하였다. 딥러닝 모델로써 잘 알려진 AlexNet, GoogLeNet, ResNet 모델을 이용하여 전이학습을 수행하였다. 딥러닝 모델들의 성능 비교를 위해 INRIA 데이터베이스와 자동차 운전환경에 구축된 CU 데이터베이스를 사용하였다. INRIA 학습용 데이터는 전이학습을 위해 사용하고, 성능검증은 INRIA 검증용 데이터와 CU 데이터를 사용하였다. 실험결과 전이학습에 근거한 ResNet의 성능이 AlexNet과 GoogLeNet보다 더 높은 분류율을 보임을 확인하였다.

연구개발결과의 중요성
연구개발결과의 중요성은 다음과 같다. 먼저, 차량내부의 경우에 사용하고자 하는 알고리즘은 일반적으로 딥 러닝분야에서 많이 알려진 CNN를 사용하였지만, 운전자의 감정상태를 반영하기 위해 한장의 스냅샷이 아닌 연속적인 영상을 가지고 감정상태를 인식하여 높은 인식률을 보였다. 이는 좀 더 자연스럽게 생성되는 얼굴의 감정상태의 변화를 연속적인 영상을 통해 처리하면 인식률을 향상시킬 수 있기 때문에 3차원형태의 CNN으로 확장하였다. 차량내부의 다채널 마이크로폰기반 음향신호의 음원추적을 수행하였으며, 음원추적기법으로 ESI기법을 사용하여 음향신호의 음원추적성능을 향상시켰다. 또한, 차량외부의 경우에 사용하고자 하는 알고리즘은 좀 더 복잡한 보행자 검출을 위해 최근 딥러닝모델들(AlexNet, GoogLeNet, ResNet)의 전이학습과 Faster RCNN을 이용하여 우수한 보행자 검출성능을 얻었다.

(출처 : 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구수행내용 및 연구결과 ... 4
• 2.1 1차년도 연구결과 ... 4
• 2.2 2차년도 연구결과 ... 6
• 2.3 3차년도 연구결과 ... 7
• 3. 연구개발결과의 중요성 ... 9
• 4. 참고문헌 ... 9
• 5. 연구성과 ... 10
• 끝페이지 ... 12