• 대한임베디드공학회논문지
• /
• 제3권3호
• /
• pp.143-150
• /
• 2008

In this paper, we investigate a real-time environment recognition system based on stereo vision for moving object. This system consists of stereo matching, obstacle detection and distance estimation. In stereo matching part, depth maps can be obtained real road images captured adjustable baseline stereo vision system using belief propagation(BP) algorithm. In detection part, various obstacles are detected using only depth map in case of both v-disparity and column detection method under the real road environment. Finally in estimation part, asymmetric parabola fitting with NCC method improves estimation of obstacle detection. This stereo vision system can be applied to many applications such as unmanned vehicle and robot.

• International Journal of Internet, Broadcasting and Communication
• /
• 제13권1호
• /
• pp.210-218
• /
• 2021

CNN (Convolutional Neural Network), a type of deep learning algorithm, is a type of artificial neural network used to analyze visual images. In deep learning, it is classified as a deep neural network and is most commonly used for visual image analysis. Accordingly, an AI autonomous driving model was constructed through real-time image processing, and a crosswalk image of a road was used as an obstacle. In this paper, we proposed a low-cost model that can actually implement autonomous driving based on the CNN model. The most well-known deep neural network technique for autonomous driving is investigated and an end-to-end model is applied. In particular, it was shown that training and self-driving on a simulated road is possible through a practical approach to realizing lane detection and keeping.

• 디지털콘텐츠학회 논문지
• /
• 제18권6호
• /
• pp.1041-1047
• /
• 2017

도로의 상태를 관측하는 많은 방법의 하나로 무인항공기 영상이 사용된다. 무인항공기 영상 파일이 너무 크고, 불필요한 정보가 많을 때, 특징적 정보를 압축한 텍스처 추출 기법이 사용된다. 특히 무인항공기 영상을 이용한 3차원 시뮬레이션에서 많은 양의 데이터가 입력되기 때문에 텍스처 추출이 중요하다. 본 논문에서는 교량의 고해상 영상을 얻기 위하여 무인항공기 영상으로부터 텍스처 추출 방법을 제시한다. 제안된 방법은 3단계로 이루어진다. 첫째, 브이월드 데이터베이스에서 3차원 교량 모델을 취득한다. 둘째, 기하보정 정보를 가진 무인항공기 영상에서 텍스처를 추출한다. 셋째, 개별 영상에서 추출된 텍스처를 융합한다. 본 연구 결과는 브이월드 텍스처를 고해상 영상으로 갱신하는 데 사용될 수 있다.

• 대한원격탐사학회지
• /
• 제38권6_4호
• /
• pp.1911-1923
• /
• 2022

The availability of high-resolution satellite images provides precise information without direct observation of the research target. Korea Multi-Purpose Satellite (KOMPSAT), also known as the Arirang satellite, has been developed and utilized for earth observation. The machine learning model was continuously proven as a good classifier in classifying remotely sensed images. This study aimed to compare the performance of the support vector machine (SVM) model in classifying the land cover of the Delaware River port area on high and medium-resolution images. Three optical images, which are KOMPSAT-2, KOMPSAT-3A, and Sentinel-2B, were classified into six land cover classes, including water, road, vegetation, building, vacant, and shadow. The KOMPSAT images are provided by Korea Aerospace Research Institute (KARI), and the Sentinel-2B image was provided by the European Space Agency (ESA). The training samples were manually digitized for each land cover class and considered the reference image. The predicted images were compared to the actual data to obtain the accuracy assessment using a confusion matrix analysis. In addition, the time-consuming training and classifying were recorded to evaluate the model performance. The results showed that the KOMPSAT-3A image has the highest overall accuracy and followed by KOMPSAT-2 and Sentinel-2B results. On the contrary, the model took a long time to classify the higher-resolution image compared to the lower resolution. For that reason, we can conclude that the SVM model performed better in the higher resolution image with the consequence of the longer time-consuming training and classifying data. Thus, this finding might provide consideration for related researchers when selecting satellite imagery for effective and accurate image classification.

• 지적과 국토정보
• /
• 제51권1호
• /
• pp.53-65
• /
• 2021

국내·외적으로 수행되고 있는 다양한 C-ITS 관련 도로 인프라 구축 사업들은 다양한 센서 기술들을 융합적으로 활용하고 있으며, 도로 인프라의 효율성과 신뢰성을 높이기 위해 센서 관련 기술 향상에 많은 노력을 하고 있다. 최근에는 인공지능 기술의 발전으로 영상정보를 수집하는 CCTV의 역할은 더욱 중요해지고 있다. CCTV는 현재 도로 상태 및 상황, 보안 등의 이유로 많은 양이 구축되어 운영되고 있으나, 단순한 영상 모니터링에 주로 활용되고 있어 자율주행 측면에서 센서들에 비해 활용도가 부족한 실정이다. 본 연구에서는 기구축된 CCTV영상에서 이동체(차량·사람 등)들을 식별·추적하고, 이들의 정보를 다양한 환경에서 활용할 수 있도록 분석·제공하는 방안을 제안한다. 이를 위해 Yolov4와 Deep sort 알고리즘을 활용한 이동체 식별·추적과 Kafka 기반의 실시간 다중 사용자 지원 서버 구축, 영상과 공간 좌표계 간의 변환 행렬 정의, 그리고 정밀도로지도, 항공맵 등을 활용한 맵기반 이동체 시각화를 진행하였으며, 유용성을 확인하기 위한 위치 정합도 평가를 수행하였다. 제안된 방안을 통해 CCTV가 단순한 모니터링 역할을 넘어 도로 인프라 측면에서 도로 상황을 실시간으로 분석하여 관련 정보를 제공할 수 있는 중요한 센서로써의 역할을 할 수 있음을 확인하였다.

• 한국멀티미디어학회논문지
• /
• 제8권10호
• /
• pp.1369-1382
• /
• 2005

도로 영상에서 차량 영역을 분할하는 차량 영역 분할(vehicle segmentation) 문제는 지능형 교통 시스템을 비롯한 다양한 응용 분야들에서 중요하게 사용되는 기본 연산(fundamental operation)이다. 본 연구에서는 야외의 도로 상에 설치된 CCD카메라에서 촬영된 정지 영상으로부터 차량 영역을 찾아내는 효율적인 방법을 제안한다 제안하는 방법은 입력되는 영상들을 격자 단위로 분할하여 각 격자에서의 에지 검출 결과를 대표하는 특징값(feature value)들을 통계적으로 분석한 후, 이를 바탕으로 최적해를 구한다. 전처리 과정에서는 다양한 외부 환경에서 촬영한 배경 영상들에 대해서 각 격자에서의 특징값들을 통계 처리한다. 입력된 차량 영상에서는 각 격자의 특징값이 배경 영상의 대응되는 격자에서의 특징값과 통계적으로 얼마나 오차를 보이냐에 따라, 배경 영역인지 차량 영역인지를 판단한다. 격자 별로 차량 영역에 해당하는 지를 판정한 뒤, 이 결과에 동적 프로그래밍(dynamic Programming) 기법을 이용하여 차량을 포함하는 최적의 직사각형 영역을 찾아낸다. 본 논문에서 제안하는 방법은 통계 처리와 전역 탐색 기법을 사용하므로 휴리스틱에 주로 의존하는 기존 연구들에 비해 좀더 체계적이다. 또한, 배경 영상에 대한 통계 처리는 흐리거나 맑은 등의 날씨 변화 및 바람이나 진동에 의한 카메라의 흔들림과 같은 다양한 외부 요인들이 가져올 수 있는 노이즈나 오차에 대해서도 높은 신뢰성을 보여준다. 제안하는 방법을 구현한 프로토타입 시스템은 $1280\times960$ 크기의 차량 영상들을 장당 평균 0.150초의 수행 시간에 처리하였으며, 총 270장의 다양한 노이즈를 가지는 차량 영상들에 대해 $97.03\%$의 성공률을 보였다.

• 한국산학기술학회논문지
• /
• 제18권8호
• /
• pp.355-360
• /
• 2017

최근 자율주행 자동차 기술의 발전으로 정밀도로지도에 대한 중요성이 증가하고 있다. 정밀도로지도는 차선 정보, 규제 안전 정보, 각종 도로 시설물 등이 표현된 디지털 지도로 MMS(Mobile Mapping System) 기반으로 시험 제작되어 왔지만 이 방법은 고가의 도입비용으로 크게 활성화되지 못하고 있다. 하지만 무인항공기의 경우 적용 분야가 지속적으로 늘어나고 있으며, 이에 대한 연구도 다양한 분야에서 이루어지고 있다. 본 연구에서는 고해상도 무인항공기 영상의 처리를 통해 자율주행에 필요한 차선, 시설물 등의 정보를 추출하고자 하였다. 자율주행 자동차 시험도로를 연구대상지로 선정하고, 무인항공기를 이용하여 고해상도 정사영상을 제작하였다. 기존의 수치지형도와 정밀도로지도의 속성비교를 통해 정밀도로지도 제작을 위한 차선, 중앙분리대, 제어기 등의 추출 항목을 선정하였다. 또한 영상분류를 통해 차선, 중앙분리대, 제어기 등 정밀도로지도 구축을 위한 데이터를 효과적으로 추출함으로써 고해상도 정사영상의 활용성을 제시하였다. 추가적인 실험과 검증을 통해 무인항공기 영상의 이용 분야를 확대할 수 있을 것이며, 구축된 데이터를 자동차 제작사 및 관련 민 관 기관, 벤처 기업 등에 제공한다면 국내 자율주행차 기술 발전에 기여할 것이다.

• 한국측량학회지
• /
• 제39권3호
• /
• pp.133-139
• /
• 2021

현재 정밀도로지도 구축 공정은 수작업의 비율이 높아 구축 시간과 비용의 한계가 따른다. 인공지능을 이용하여 정밀도로지도 제작을 자동화하기 위한 연구가 활발하게 진행되고 있으나 정밀도로지도 제작을 위한 학습데이터의 구축 또한 수동으로 이루어지고 있어 학습데이터를 자동으로 구축할 필요성이 있다. 이에 본 연구에서는 모바일매핑시스템으로 취득한 포인트 클라우드를 이용하여 영상으로 변환한 후, 임계치를 이용한 영상 재분류와 중첩 분석 등을 통해 도로 노면표시 영역을 추출하고 추출한 영역의 다각형 유형 분류를 통해 정밀도로지도 제작을 위한 딥러닝 학습데이터를 자동으로 구축하는 방법론을 제안하였다. 제안한 방법론을 통해 구축한 2,764개의 차선 데이터를 딥러닝 기반의 PointNet 모델에 학습한 결과 학습 정확도는 99.977%로 나타났으며, 학습된 모델을 이용하여 3가지 색상 유형의 차선을 예측한 결과 정확도는 99.566%로 나타났다. 따라서, 본 연구에서 제안한 방법론으로 정밀도로지도 구축을 위한 학습데이터를 효율적으로 제작할 수 있는 것을 알 수 있었으며, 도로 노면표시의 정밀도로지도 제작과정 또한 자동화할 수 있을 것으로 사료된다.

• 융합신호처리학회논문지
• /
• 제22권4호
• /
• pp.149-155
• /
• 2021

본 연구에서는 전동 이동기기를 이용하는 교통약자의 이동을 제한하는 노면 불량 요소를 딥러닝을 이용해 자동 검출하는 불량 노면객체 인식모델을 개발하고자 한다. 이를 위하여 부산시 관내 5개 지역에서 실제 전동 이동 보조 장치가 이동할 것으로 예상되는 보행로, 주행로를 대상으로 하여 노면 정보를 수집하였으며 이때 도로 정보 수집은 데이터 수집을 보다 용이하게 하기 위하여 소형 차량을 이용하였다. 데이터는 노면과 주변을 그 주변을 구성하는 객체로 구분하여 영상을 수집하였다. 수집된 데이터로부터 교통약자의 이동을 저해하는 정도에 따라 분류하여 보도블록의 파손등급 검출과 같은 일련의 인식 항목을 정의하였고, YOLOv5 딥러닝 알고리즘을 해당 데이터에 적용하여 실시간으로 객체를 인식하는 불량노면 객체 인식 딥러닝 모델을 구현하였다. 연구의 최종단계에서 실제 주행을 통해 객체 단위로 분리 수집된 영상 데이터의 가공, 정제 및 어노테이션 과정을 수행한 후 모델 학습과 검증을 거쳐 불량노면객체를 자동으로 검출하는 딥러닝 모델의 성능 검증 과정을 진행하였다.

• 로봇학회논문지
• /
• 제5권4호
• /
• pp.339-348
• /
• 2010

One of the requirements for autonomous vehicles on off-road is to move stably in unstructured environments. Such capacity of autonomous vehicles is one of the most important abilities in consideration of mobility. So, many researchers use contact and/or non-contact methods to determine a terrain whether the vehicle can move on or not. In this paper we introduce an algorithm to classify terrains using visual information(one of the non-contacting methods). As a pre-processing, a contrast enhancement technique is introduced to improve classification of terrain. Also, for conducting classification algorithm, training images are grouped according to materials of the surface, and then Bayesian classification are applied to new images to determine membership to each group. In addition to the classification, we can build Traversability map specified by friction coefficients on which autonomous vehicles can decide to go or not. Experiments are made with Load-Cell to determine real friction coefficients of various terrains.