지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 최상일
- 발행연도
- 2017
- 저작권
- 단국대학교 논문은 저작권에 의해 보호받습니다.
이용수5
이 논문의 연구 히스토리 (4)
2017
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 자동차 산업계에서 최대 화두는 자율주행 자동차이다. 자율주행 자동차 구현을 위한 기술들 가운데 ‘첨단 운전자 보조 시스템(ADAS, Advanced Driver Assistance System)’은 운전자의 안전 운전을 지원하는 핵심기술로서 이에 대한 많은 연구가 활발하게 진행되고 있다. 차선 검출 알고리즘은 ADAS의 중요한 요소 기술로서 비전 센서를 이용한 차선 검출 기술은 센서의 부피가 작고 가격이 저렴하여 효용 가치가 높은 기술로 인식되고 있다.
비전 센서를 이용한 차선 검출 방법들에서는 차선 검출을 위한 특징 추출에 앞서 여러 가지 전처리 방법이 사용되고 있다. 비전 센서로 얻은 영상 정보는 노이즈뿐만 아니라 차선 검출에 불필요한 정보들을 포함하고 있다. 그러므로 영상 정보로부터 차선을 검출하기 위해서는 노이즈를 먼저 제거하고 차선 후보라 생각되는 영역들을 우선적으로 검출해야 한다. 차선 후보군을 검출하기 위해 기존에 사용되던 방법으로는 차선의 윤곽선을 뽑을 수 있는 에지 검출기(Edge Detector), 적응형 히스토그램(Adaptive Histogram) 방법, 모폴로지(Morphology) 방법 등이 있다. 기존의 방법들은 차선 이외에도 도로 영역에서의 자동차, 잔디, 나무, 도로 분리대 등에서 불필요한 차선 후보들이 차선으로 오검출(False Positive, FP)된다. 뿐만 아니라 육교 밑이나 그림자가 진 어두운 영역 내의 차선, 노란색의 중앙 차선, 흐릿한 차선 등의 영역에서는 차선 후보 자체를 추출하지 못하는 경우가 발생하기도 한다.
본 논문에서는 이와 같은 문제를 해결하기 위해 클러스터링에 의한 영상 분할과 적응형 히스토그램 방법, 그리고 HSV 컬러 모델을 이용한 효율적인 전처리 방법을 제안한다. 제안된 방법에서는 먼저 차선 검출에 용이하도록 역투영 변환을 통해 영상의 시점을 변경하여 불필요한 배경이 최소화되는 ROI(Region of Interest)를 생성한다. 변환된 영상에 대해 k-means 클러스터링(Clustering) 알고리즘을 이용하여 상대적으로 어두운 영역과 차선이 포함된 상대적으로 밝은 영역으로 영상을 분류함으로써 기존 방법에서 어두운 밝기의 차선을 검출하지 못하는 단점을 보완하였다. 그런 다음, 클러스터링에 의해 밝은 영역에 해당되는 부분에 대해 히스토그램을 생성하여 차선의 후보군을 걸러낸다. 마지막으로 차선 후보군에 대해 HSV(Hue, Saturation, Value) 컬러 공간을 이용하여 적색, 녹색 영역에 대한 컬러 임계값(Threshold)을 적용하여 이차적으로 FP 영역을 제거한다. 제안한 방법으로 전처리 단계를 수행한 결과 TP(True Positive) 영역은 최대한 유지되면서 FP 영역이 다수 제거되었으며, 기존의 전처리 방법이 검출하지 못한 경우(False Negative, FN)에 대해서도 차선 검출이 가능함을 확인하였다.
비전 센서를 이용한 차선 검출 방법들에서는 차선 검출을 위한 특징 추출에 앞서 여러 가지 전처리 방법이 사용되고 있다. 비전 센서로 얻은 영상 정보는 노이즈뿐만 아니라 차선 검출에 불필요한 정보들을 포함하고 있다. 그러므로 영상 정보로부터 차선을 검출하기 위해서는 노이즈를 먼저 제거하고 차선 후보라 생각되는 영역들을 우선적으로 검출해야 한다. 차선 후보군을 검출하기 위해 기존에 사용되던 방법으로는 차선의 윤곽선을 뽑을 수 있는 에지 검출기(Edge Detector), 적응형 히스토그램(Adaptive Histogram) 방법, 모폴로지(Morphology) 방법 등이 있다. 기존의 방법들은 차선 이외에도 도로 영역에서의 자동차, 잔디, 나무, 도로 분리대 등에서 불필요한 차선 후보들이 차선으로 오검출(False Positive, FP)된다. 뿐만 아니라 육교 밑이나 그림자가 진 어두운 영역 내의 차선, 노란색의 중앙 차선, 흐릿한 차선 등의 영역에서는 차선 후보 자체를 추출하지 못하는 경우가 발생하기도 한다.
본 논문에서는 이와 같은 문제를 해결하기 위해 클러스터링에 의한 영상 분할과 적응형 히스토그램 방법, 그리고 HSV 컬러 모델을 이용한 효율적인 전처리 방법을 제안한다. 제안된 방법에서는 먼저 차선 검출에 용이하도록 역투영 변환을 통해 영상의 시점을 변경하여 불필요한 배경이 최소화되는 ROI(Region of Interest)를 생성한다. 변환된 영상에 대해 k-means 클러스터링(Clustering) 알고리즘을 이용하여 상대적으로 어두운 영역과 차선이 포함된 상대적으로 밝은 영역으로 영상을 분류함으로써 기존 방법에서 어두운 밝기의 차선을 검출하지 못하는 단점을 보완하였다. 그런 다음, 클러스터링에 의해 밝은 영역에 해당되는 부분에 대해 히스토그램을 생성하여 차선의 후보군을 걸러낸다. 마지막으로 차선 후보군에 대해 HSV(Hue, Saturation, Value) 컬러 공간을 이용하여 적색, 녹색 영역에 대한 컬러 임계값(Threshold)을 적용하여 이차적으로 FP 영역을 제거한다. 제안한 방법으로 전처리 단계를 수행한 결과 TP(True Positive) 영역은 최대한 유지되면서 FP 영역이 다수 제거되었으며, 기존의 전처리 방법이 검출하지 못한 경우(False Negative, FN)에 대해서도 차선 검출이 가능함을 확인하였다.
목차
Ⅰ. 서론 1Ⅱ. 관련연구 31. 에지 검출기 32. 적응형 히스토그램 방법 113. 모폴로지 방법 14Ⅲ. 제안방법 181. 역투영 변환 192. 영상 클러스터링 및 히스토그램 분석 213. HSV 컬러 모델을 이용한 컬러 제거 28Ⅳ. 실험 및 결과 301. 실험 환경 및 데이터 셋 302. 차선 검출 결과 31Ⅴ. 결론 44참고문헌 45영문요약 47
최근 본 자료
댓글(0)
0