고급형 차트와 보조지표

마지막 업데이트: 2022년 4월 13일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기

Fig. 8
Filter mask for passenger and commercial vehicles

유니맥스 YH-08 : 다나와 가격비교

구매 주의사항 다나와는 각 고급형 차트와 보조지표 쇼핑몰에서 입력한 상품 정보의 중개자로서, 상품의 주문, 배송, 환불의 책임은 해당 쇼핑몰에 있습니다.
법적 고지 보기 > 구매 전 최종 상품정보는 반드시 쇼핑몰에서 확인하시기 바랍니다. 판매 가격이 다나와의 정보와 다를 경우
오류 신고를 해주세요. 빠른 고급형 차트와 보조지표 고급형 차트와 보조지표 배송 안내 주문 시간에 따라 당일 발송으로 빠르게 배송되는 상품입니다. 쇼핑몰마다 묶음배송 조건이나, 배송 대상 지역의 차이가 있을 수 있으므로 상세한 내용은 해당 쇼핑몰의 배송 서비스
안내에서 확인 바랍니다.

쇼핑몰 정보

상품 상세정보

유니맥스 YH-08

  • 판매점 : 29개
  • 등록월: 2013.10.

1번째 스탬프

* 이벤트에 응모하시려면 ‘응모하러 가기’
버튼을 눌러 응모페이지로 이동해주세요.

이벤트에 당첨되신 회원님의 개인정보는 이벤트 참여확인 및 본인확인, 경품 배송 이외의 목적으로 활용되지 않습니다. 개인정보 수집자 (㈜다나와) 및 제공받는자(다나와)는 개인 정보를 전달받는 시점으로부터 개인정보를 3개월 이내에 지체없이 파기합니다. 제세공과금 대상 경품 당첨일 경우, 개별 연락을 통해 신분증 사본을 요구할 수 있습니다.

[개인정보 수집자]
㈜다나와
1. 개인정보 수집범위
아이디, 성명, 휴대폰번호, 주소, E-mail 주소, 참여 일시, IP Address

2. 개인정보 수집 및 이용목적
이벤트 참여확인 및 본인 확인, 경품 제공

3. 개인정보 보유 및 이용기간
이용자의 개인정보는 3개월 동안 보유하며, 원칙적으로 개인정보의 수집 및 이용목적이 달성되면 지체 없이 파기함

[개인정보 제공받는 자]
㈜다나와
1. 개인정보 수집범위
아이디, 성명, 휴대폰번호, 주소, E-mail 주소

2. 개인정보 수집 및 이용목적
이벤트 참여확인 및 본인 확인, 경품 제공

3. 개인정보 보유 및 이용기간
이용자의 개인정보는 3개월 동안 보유하며, 원칙적으로 개인정보의 수집 및 이용목적이 달성되면 지체 없이 파기함

※ 잘못된 개인정보 입력 시 발생되는 불이익(연락불가, 당첨취소, 배송불가 등)은 책임지지 않습니다.
※ 개인정보 수집 및 제공에 대한 동의 철회는 개인정보 수집일로부터 3개월 이내에 요청이 가능합니다.
※ 약관동의 철회시 해당 이벤트의 당첨 대상에서 제외되며, 당첨자 선정 및 경품 배송 이후 철회 요청시에는 당첨 취소 및 경품을 반납하셔야 합니다.
※ 이벤트 개인정보 수집약관 동의 철회는 아이디와 함께 철회하고자 하는 이벤트를 기재하여 다나와 이벤트 담당자(event[email protected])에게 신청해 주십시오.

주소 (우) 07995 서울특별시 양천구 목동동로 233-1, 501 (목동, 드림타워) 대표이사: 안징현
사업자번호: 117-81-40065 통신판매업: 제2004-서울양천-00918호 부가통신사업: 제003081호사업자정보확인

콘텐츠의 명칭 상품콘텐츠(정보) 및 기사, 이벤트 정보 콘텐츠의 제작 및 표시 연월일 개별 표기된 제작일 또는 갱신일 콘텐츠의 제작자 (주)다나와
전화: 1688 - 2470 / 팩스: 1688-2451
서울특별시 양천구 목1동 923-14 드림타워 501호 콘텐츠의 이용조건 이용약관 및 서비스 안내 참조
(동의 없이 무단복제 및 가공을 금함)이용약관 보기

㈜다나와 홈페이지 내의 모든 콘텐츠는 『콘텐츠산업 진흥법』에 따라
제작일 또는 그 갱신일로부터 5년간 보호 됩니다.

(주)다나와는 상품판매와 직접적인 관련이 없으며, 모든 상거래의 책임은 구매자와 판매자에게 있습니다.
이에 대해 (주)다나와는 일체의 책임을 지지 않습니다.
본사에 등록된 모든 광고와 저작권 및 법적책임은 자료제공사 (또는 글쓴이)에게 있으므로 본사는 광고에 대한 책임을 지지 않습니다.

영리목적 (주)다나와에서는 본 웹사이트에 게시된 이메일 고급형 차트와 보조지표 주소가
전자우편 수집 프로그램이나 그 밖의 기술적 장치를 이용하여
무단으로 수집되는 것을 거부하며, 이를 위반시
정보통신망법에 의해 형사처벌됨을 유념하시기 바랍니다.

고급형 차트와 보조지표

[ Article ]
Transactions of The Korean Society of Automotive Engineers - Vol. 26, No. 3, pp. 368-377
Abbreviation: KSAE
ISSN: 1225-6382 (Print) 2234-0149 (Online)
Print publication date 01 May 2018
Received 28 Dec 2017 Revised 07 Feb 2018 Accepted 14 Feb 2018
DOI: https://doi.org/10.7467/KSAE.2018.26.3.368

  • Ministry of Science and ICT
  • R7117-16-0164

In this 고급형 차트와 보조지표 고급형 차트와 보조지표 paper, we proposed a method to detect and track vehicles efficiently under the AVM camera environment, which was characterized by a wide viewing angle and serious lens distortion. The algorithm was designed for the FVSA(Forward Vehicle Start Alarm) function, a newly required ADAS function. We created independent nearby and distant detectors to compensate for the massive appearance variation of a vehicle because of distance between the target vehicle and the camera. The proposed detectors were designed with Haar-Like Adaboost and tested against independent nearby and distant data. To reduce false positive among the candidates caught by the detector, a pre-generated mask was used in filtering. Next, the candidate vehicle was verified with nearby and distant classifiers. The classifier was a tested HOG(Histogram of Oriented Gradients) feature of SVM(Support Vector Machine). Tracking is then used to extract a particular car within a video, and if nearby and distant candidates were extracted at the same time, a correct candidate would be created by a Selection and Merge process through a calculated IOU value. To evaluate the performance of the proposed algorithm, we selected 20 test videos from 130 videos of actual road conditions, and extracted 1,640 frames.

자동차의 보급이 급증함에 따라 교통사고를 예방하고 사고가 발생하더라도 치명적인 상해를 경감하기 위한 노력이 요구되고 있다. 따라서 최근 자동차 기술은 단순히 차량자체의 성능을 높이는 것만 아니라 운전자 또는 보행자의 안전을 높이는 기능들이 발전되고 있다. IT 기술이 급격히 발전함에 따라 운전자의 편의를 제공하는 다양한 ADAS(Advanced Driver Assistance System) 관련 제품들도 빠르게 개발되고 있다.

현재 ADAS 시스템은 카메라, 라이더, 레이더, 초음파 등의 차량용 감지센서를 단독으로 활용하거나 여러 감지센서를 융합하여 LDWS(Lane Departure Warning System), FCWS(Forward Collision Warning System), BSD(Blind Spot Detection), FVSA(Front Vehicle Start Alarm) 등과 같은 운전자 편의 기능을 제공하고 있다. 이러한 기능들은 감지 성능을 고도화하기 위해 장착된 센서 들을 융합하여 개발되고 있다( Fig. 1 ).


Fig. 1
Conventional ADAS sensor system

이러한 구조는 하나의 통합된 모듈이 아니라 각각 하나의 모듈이 독립적으로 개별 운용되고 있기 때문에 설치비용이 매우 고가이므로 고급형 차량을 위주로 적용되고 있다. 한편, 중소형 차량을 위한 보급형 ADAS 기능들도 자동차 시장에서 요구되고 있다.

본 논문에서는 다양한 ADAS 기능을 하나의 카메라 시스템으로 개발하기 위한 AVM 카메라용 전방차량검출과 추적 방법에 대하여 설명하였다.

기존 VD(Vehicle Detection) 관련 연구는 여러 가지 방법으로 연구되고 있다. 1) 차량을 검출하는 방법에는 Adaboost 2 - 4) 를 이용한 방법, 그림자를 고급형 차트와 보조지표 이용한 방법, 5) 엣지를 이용한 방법, 6) 스틱셀 알고리즘을 사용한 방법 7) 등이 발표되었다. 하지만 기존의 방법들은 대부분 협각 렌즈를 장착한 전방감지 카메라 또는 스테레오 카메라 기반으로 알고리즘이 개발되어 렌즈 왜곡이 심한 광각 카메라에 직접 적용할 수 없다는 문제가 있다. 광각 렌즈 카메라를 이용한 객체검출도 여러 가지 연구가 발표되고 있다. 8 - 10) Optical Flow 방식을 사용한 방법 8) 은 차량 외 여러 물체를 검출 할 수 있는 장점이 있지만 물체가 멈춰 있거나 멀리 있는 물체는 검출이 어려운 단점이 있다. HSV 색상 공간에서 차량의 대칭성을 특징을 찾는 방식 9) 은 색상 공간에 단점인 밝기의 변화량에 매우 민감하다는 단점이 있다.

앞서 언급한 문제점들을 해결하기 위하여 본 논문은 왜곡이 심한 광각렌즈 카메라에서 효과적으로 전방차량을 검출하는 방법을 제안하였다. 제안된 전방 차량 검출 방법의 시스템 구성은 Fig. 2 와 같다. 시스템 구성에는 검출기, 필터, 검증기, 추적기, 원거리, 근거리 검출결과 통합 순으로 되어있다. 먼저 검출기는 차량의 후보들을 빠르게 검출하기 위해 상대적으로 가벼운 알고리즘인 Haar-Like 특징값과 Adaboost를 통하여 차량의 후보들을 검출하고 필터부분에서 카메라 캘리브레이션을 통해 오검출된 후보를 1차적으로 제거한다. 검증기를 통하여 차량인지 아닌지를 마지막으로 검증한 뒤 근거리 결과와 원거리 결과의 후보를 통합하는 단계를 거쳐 마지막으로 상대거리를 계산한다.


Fig. 2
Flow chart of proposed algorithm

본 논문의 구성은 다음과 같다. 2장에서는 고급형 차트와 보조지표 본 연구에서 제안한 광각렌즈에서 전방차량 탐색 방법에 대해서 자세히 설명을 하고, 3장에서는 제안한 기법의 성능 검증을 위해 구성한 평가용 DB와 평가 결과를 제시하였으며, 4장에서 결론을 맺는다.

제안하는 전방차량 탐색 방법은 Fig. 2 와 같다. 크게 차량 후보를 검출하는 검출단계, 차량 오검출을 줄이기 위한 차량 검증 단계, 추적 단계, 근거리 결과와 원거리 결과를 통합하여 하나의 검출 결과로 만드는 단계, 마지막으로 목표 차량과의 거리를 계산하는 단계, 총 5가지 단계로 이루어져 있다.

AVM 환경에서 전방 광각렌즈 카메라는 Fig. 2 와 같이 카메라가 차량 하단부에 설치되어 있기 때문에 Fig. 3 고급형 차트와 보조지표 과 같이 거리에 따라 차량의 형태가 매우 다르며, 원거리에서 근거리로 다가올수록 차량의 하단부만 보이게 된다.


Fig. 3 고급형 차트와 보조지표
Vehicle shape change by distance

이와 같은 문제점을 해결하기 위해 본 논문에서는 근거리 차량, 원거리 차량 각각 특징을 고급형 차트와 보조지표 다르게 학습시켜 각각의 검출기를 사용하였다. 검출기는 Haar-like 특징 기반의 Adaboost를 사용하여 학습하였다. 18) 근거리, 원거리 검출기의 학습 예는 다음과 같다( Fig. 4 ).


Fig. 4
Example of training data for detector

근거리 학습데이터는 차량이 근접하였을 때 주로 후미등까지만 보인다는 특징이 있기 때문에 차량너비 기준 5:3으로 학습하였다.

원거리 학습데이터는 차량 전체가 보일 수 있도록 차량 너비기준 1:1로 학습하였다.

근거리, 원거리 검출기를 영상 전체 영역에서 동시에 수행하면 하나의 검출기를 계산하는 것보다 수행 시간이 오래 걸린다는 단점이 있다. 또한 원거리 검출기가 차량이 가까워지면 찾지 못하는 단점도 있다. 따라서 원거리, 근거리 고급형 차트와 보조지표 검출기가 탐색 할 수 있는 영역과 탐색 할 수 없는 영역을 구별하여 원거리 검출기 검출영역, 근거리 검출영역을 나누어 검출을 하였다( Fig. 5 ).


Fig. 5
3 kinds of detector regions by distance

원거리 기준은 원거리 검출기가 큰차(상용차) 작은차(승용차) 모두를 검출할 수 있는 범위이며 근거리 기준은 원거리 검출기 1:1 비율로 위치를 찾기 때문에 상용차가 가까이 있을시 화면을 벗어나 검출하지 못하게 되는 시작 지점이다. 최소거리는 근거리 검출기가 가까이 있는 상용차를 검출하지 못하게 되는 시작 지점이다.

검출기를 통과한 후보들은 Fig. 6 과 같이 매우 많은 후보들을 검출하게 된다. 2.2 장에서는 2가지 필터를 이용하여 오검출된 후보들을 제거하는 방법에 대하여 설명한다.


Fig. 6
False detection vehicle

차량은 고급형 차트와 보조지표 거리가 멀어질수록 카메라 화면에서 보이는 너비가 줄어들게 된다. 따라서 해당 위치에 존재할 수 없는 크기의 후보가 나오면 제거하는 필터와 FVSA 시스템에서는 주행차선 밖에 존재하는 차량이 중요하지 않기 때문에 도로 영역 밖으로 벗어나면 제거하는 필터를 사용한다.

이러한 2가지 필터를 사용하기 위해서는 실제 3차원 공간의 크기를 영상상의 좌표로 표현을 할 수 있어야 하는데 이를 고급형 차트와 보조지표 위해 카메라 캘리브레이션이 필요하다. 우선 카메라의 왜곡정보와 내부 변수를 구해야 한다. 이를 위해 일정 패턴이 들어간 평면을 다양한 위치와 각도에서 촬영된 여러 영상을 활용하여 추정한다. 11)

카메라가 설치되어 있는 위치 및 각도를 구하기 위한 외부 변수를 구해야 한다. 외부 변수를 구하는 방법은 지표면에 일정 패턴이 들어간 평면을 촬영하여 계산 할 수 있다. 12 , 13)

왜곡 정보, 내부 변수, 외부 변수를 구한 뒤 월드 좌표에서 차량의 위치에 따른 카메라 상의 크기와 도로의 폭을 알기 위해서는 2가지 단계를 거친다( Fig. 7 ).


Fig. 7
Coordinate transformation flow chart

[Step 1] 실제 좌표계에서 이상적인 영상 좌표계로 변환 단계이다. 여기서 카메라 캘리브레이션에서 구한 외부변수를 사용한다.

[Step 2] 이상적인 영상 좌표계에서 왜곡 계수를 적용하여 광각렌즈 상에서의 이미지 좌표계로 변환하는 단계이다.

위의 2단계를 거치게 되면 차량이 월드 좌표에서 일정 위치에 있을 때 카메라에서 나타나는 픽셀 너비를 계산할 수 있으며, 도로 영역 또한 계산이 가능하다( Fig. 8 ).


Fig. 8
Filter mask for passenger and commercial vehicles

Fig. 8 에서는 승용차 마스크와 상용차 마스크를 시각적으로 표현하였다. (x, y)는 영상 좌표를 나타내며 차량후보의 바닥 가운데 위치가 (x, y) 상에 위치하였을 때 승용차 너비(S_W), 상용차 너비(L_W)를 미리 계산하였다. 파란색에서 빨간색으로 갈수록 차량의 너비가 넓은 영역이다. 승용차 마스크는 승용차 중에 상대적으로 작은 차량을 선택하여 너비가 1.6 m인 차량을 선택하였으며, 상용차 마스크는 상용차 중 상대적으로 큰 차량을 선택하여 너비가 2.5 m인 차량 기준으로 생성하였다. 이렇게 작은 승용차와 큰 상용차 두 가지 마스크를 생성하면 카메라 입력 영상의 위치에 따른 모든 차량의 크기를 미리 알 수 있기 때문에 2.2.1절에 거리별 필터에서 사용된다. 도로 영역은 우리나라 고속도로 너비 3.5 m를 기준으로 생성하였다.

차량이 특정위치에 나올 수 없는 크기가 나오는 경우를 제거하기 위해 사용한다. 미리 만들어진 승용차 마스크와 상용차 마스크를 사용하여 오검출 된 후보를 제거한다. 제거하는 방법은 다음과 같다.


0 개 댓글

답장을 남겨주세요