Journal of IKEEE (전기전자학회논문지)

Institute of Korean Electrical and Electronics Engineers (한국전기전자학회)
권호 표지
DOI QR코드

DOI QR Code

Rear-Approaching Vehicle Detection Research using Region of Interesting based on Faster R-CNN

Faster R-CNN 기반의 관심영역 유사도를 이용한 후방 접근차량 검출 연구

  • Lee, Yeung-Hak (Dept. of Computer Engineering, Andong National University) ;
  • Kim, Joong-Soo (Dept. of Computer Engineering, Andong National University) ;
  • Shim, Jae-Chnag (Dept. of Computer Engineering, Andong National University)
  • Received : 2019.03.13
  • Accepted : 2019.03.22
  • Published : 2019.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, we propose a new algorithm to detect rear-approaching vehicle using the frame similarity of ROI(Region of Interest) based on deep learning algorithm for use in agricultural machinery systems. Since the vehicle detection system for agricultural machinery needs to detect only a vehicle approaching from the rear. we use Faster R-CNN model that shows excellent accuracy rate in deep learning for vehicle detection. And we proposed an algorithm that uses the frame similarity for ROI using constrained conditions. Experimental results show that the proposed method has a detection rate of 99.9% and reduced the false positive values.

본 논문에서는 농업 기계 시스템에서 사용하기 위한 딥러닝 알고리즘 기반의 프레임 내의 관심 영역 유사성을 이용한 새로운 후방 접근 차량 검출 알고리즘을 제안한다. 농업 기계 시스템은 후방에서 접근하는 차량만 검출해야 한다. 지나가는 자동차가 검출되면 혼란을 야기할 수 있다. 논문에서는 차량 검출을 위해 딥러닝에서 뛰어난 검출률을 나타내는 Faster R-CNN 모델을 사용하였다. 딥러닝은 뒤에서 접근하는 차량뿐만 아니라 지나가는 차량도 검출하므로 긍정오류 차량을 배제해야 한다. 본 논문에서 이를 해결하기 위해 검출된 프레임에서 관심 영역에 대한 유사성과 평균 에러를 피라미드 형태로 이용하여 접근하는 자동차만 검출하는 알고리즘을 제안하였다. 실험을 통하여 제안된 방법이 평균 98.8%의 높은 검출률을 나타내었다.

Keywords

JGGJB@_2019_v23n1_235_f0001.png 이미지

Fig. 1. The architecture of proposed algorithm. 그림 1. 제안된 알고리즘 구조도

JGGJB@_2019_v23n1_235_f0002.png 이미지

Fig. 2. The Architecture of Faster R-CNN. 그림 2. Faster R-CNN 구조도

JGGJB@_2019_v23n1_235_f0003.png 이미지

Fig. 3. Example of Labeling area for dataset image. 그림 3. 영상 데이터의 라벨링 영역 예

JGGJB@_2019_v23n1_235_f0004.png 이미지

Fig. 4. Example of the frame sequences of test videos. 그림 4. 테스트 비디오의 연속 프레임 예

JGGJB@_2019_v23n1_235_f0005.png 이미지

Fig. 5. The frame sequence result of the Faster R-CNN, (a) the result of true positive, (b) the result of false positive. 그림 5. Faster R-CNN의 연속 프레임 결과 (a) true positive 결과, (b) false positive 결과

JGGJB@_2019_v23n1_235_f0006.png 이미지

Fig. 6. The result of adapted proposal algorithm using video files, (a) good result, (b) bad result. 그림 6. 제안된 알고리즘이 적용된 비디오 파일 실험 결과, (a) 좋은 검출 결과, (b) 나쁜 검출 결과

Table 1. Faster R-CNN results for video images (Frames). 표 1. Faster R-CNN video 테스트 결과

JGGJB@_2019_v23n1_235_t0001.png 이미지

Table 2. Proposed algorithm results for video images (Frames). 표 2. 제안된 알고리즘을 적용한 video 테스트 결과

JGGJB@_2019_v23n1_235_t0002.png 이미지

References

  1. C. Chen, "Rear Approaching Vehicle Detection with Microphone," Bachelor's Thesis, Halmstad University, 2013.
  2. V. K. Ananthanarayanan, "Audio Based Detection of Rear Approaching Vehicle on a Bicycle," Graduate School Thesis, Rutgers University, 2012.
  3. C. T. Chen and Y. S. Chen, "Real-time approaching vehicle detection in blind-spot area," 12th Internal IEEE Conference on intelligent Transportation Systems, 2009. DOI: 10.1109/ITSC.2009.5309876
  4. H. W. Kang, J. W. Baek, and Y. S. Jeong, "Real-Time Side-Rear Vehicle Detection Algorithm for Blind Spot Warning Systems," KIISE Transactions on Computing Practice, vol. 23, no. 7, pp. 408-416, 2018. DOI: 10.4271/2012-01-0293
  5. J. Dobahue, R. Girshick, T. Darrell, and J. Malik, "Rich feature hierarchies for accurate object detection and semantic segmentation," IEEE Internal Conference on Computer Vision and Pattern Recognition, pp. 580-587, 2014.
  6. Ross Girshick, "Faster-RCNN," IEEE International Conference on Computer Vision, pp. 1440-1448, 2015. DOI: 10.1109/ICCV.2015.169
  7. S. Ren, K. He, R. Gisshick, and J. Sun, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks," IEEE Transaction on Pattern Analysis and Machine Intelligence, vol. 38, no. 6, pp. 1137-1149, 2017. DOI: 10.1109/TPAMI.2016.2577031
  8. F. Quanfu, B. Lisa, and S. Hohn, "A Closer Look at Faster R-CNN for Vehicle Detection," 2016 Intelligent Vehicle Symposium, pp. 124-129, 2016. DOI: 10.1109/IVS.2016.7535375
  9. S. C. Hsu, C. L. Huang, and C. H. Chuang, "Vehicle Detection using simplified Fast R-CNN," International Workshop on Advanced Image Technology, 2018. DOI: 10.1109/IWAIT.2018.8369767
  10. H. S. Kim and J. S. Park, "intensity-based efficient Video Quality Assessment for Variable bitrate Streaming," Korean Institute of Next Generation Computing, vol. 11, no. 5, pp. 63-71, 2015.