비디오 기반 교통 신호등 인식 기법에 관한 연구 = Video-Baqsed Traffic Light Recognition
저자
발행사항
천안 : 한국기술교육대학교 일반대학원, 2020
학위논문사항
학위논문(박사)-- 한국기술교육대학교 일반대학원 : 컴퓨터공학과 컴퓨터공학전공 2020. 2
발행연도
2020
작성언어
한국어
주제어
발행국(도시)
충청남도
형태사항
135 ; 26 cm
일반주기명
지도교수: 최영규
UCI식별코드
I804:44013-200000332633
소장기관
자율주행 차량이 신호등 정보를 정확하게 인식하는 것은 완전 자율주행
에 도달하기 위해서는 반드시 필요한 기능이다. 본 논문에서는 차량에 장
착된 카메라 영상으로부터 실시간으로 신호등을 인식하기 위한 기법을 제
안하고 있다. 국내의 신호등을 인식하기 위해서 다양한 교차로에서 주간
과 야간의 신호등 영상을 수집하여 신호등 인식 연구에 활용하였으며, 또
한 실시간으로 신호등 인식이 가능한 기계학습 기반 신호등 인식 기법과
딥러닝 기반의 신호등 인식 기법을 제안하고 있다. 신호등 인식 기법은
신호등 검출 단계와 신호등 인식 단계로 분류하여 연구를 수행하였다.
본 논문에서는 기계학습 기반의 신호등 인식을 위해서 HOG 특징량과
AdaBoost 기반의 Cascade 분류기를 이용하여 신호등 검출을 수행 하였
으며, 검출된 신호등 후보영역에서 HSV 히스토그램을 이용해 신호 정보
를 인식하여 차량에 탑재 가능한 저 사양 하드웨어에서 실시간으로 신호
등 인식을 수행하였다.
제안된 검출 기법은 신호등을 포함한 신호등 박스를 검출 대상으로 하
고 있다. 신호등은 점등 패턴에 따라 색상이 동적으로 변화하는 속성이
있으며, HOG 특징량은 에지의 방향 정보를 이용하기 때문에 영상의 밝기
변화, 조명 변화 등에 덜 민감하고 물체의 윤곽선 정보를 이용하기 때문
에 신호등 박스와 같이 내부 패턴이 복잡하지 않으면서도 신호등 고유의
독특한 윤곽선 정보를 갖는 물체를 식별하는데 적합한 특징량이다. 따라
서 신호등 박스와 신호등의 윤곽선 정보가 뚜렷한 주간의 신호등 검출의 경우
좋은 성능을 보여 주었으나, 야간의 신호등과 같이 신호등의 후광효
과와 저 저도 영상으로 인해 신호등의 윤곽선 정보가 왜곡되고 손실되는
경우, 신호등 검출에 실패하는 횟수가 많아져 재현율이 낮아진다.
AdaBoost 기반의 Cascade 분류기는 AdaBoost를 거절 Cascade로 사용
하여 전체 Cascade를 모두 통과 할 경우 신호등으로 검출하도록 하였다.
영상에서 검출하고자 하는 신호등이 드물게 나타나기 때문에 거절
Cascade를 사용해 연산 속도를 크게 줄여 실시간으로 신호등 검출을 수
행 할 수 있었다.
또한 딥러닝 기반의 신호등 인식을 위해서 딥러닝 검출 모델 중 가장
실시간성이 뛰어난 YOLOv3 tiny 모델을 이용하여 신호등 검출을 수행
하였으며, Inception v3 모델의 전이학습을 이용해 신호등 인식을 수행하
였다. 딥러닝 검출 모델은 영상에서 객체의 위치를 추정하기 위해 매우
높은 GPU 성능과 메모리를 요구하기 때문에 복잡도가 높은 모델을 차량
에 탑재 할 경우 실시간으로 신호등을 검출하는 것에 어려움이 생긴다.
제안된 YOLOv3 tiny 모델은 YOLOv3 모델 중 검출 성능은 떨어지나
가장 처리속도가 높은 모델이다. 기계학습 기반의 검출기와 비교하여 야
간의 신호등 검출에 높은 재현율을 보여 주었으나, 신호등 박스의 영역을
오검출한 횟수 또한 증가하여 정밀도가 낮아지는 문제가 있었다. 또한 검
출된 신호등 영역을 인식하기 위해 Inception v3 모델을 이용하였는데,
Inception v3 모델은 인셉션 층을 이용해 컨볼루션 연산을 작은 형태로
쪼개어 병렬로 수행하여 정확도를 높이고 계산량을 줄인 모델이다. 때문
에 학습된 Inception v3 모델의 출력단을 수정하여 전이학습을 수행하였
으며 적은양의 신호등 학습 데이터를 이용하여 효과적으로 신호 정보를
분류하여 신호등의 실시간 인식이 가능하도록 하였다.
It is important to recognize the traffic light information quickly and
accurately for autonomous vehicles. In this dissertation, we propose a
video based real-time traffic light recognition method.
To recognize Koreas' traffic lights, the day and night traffic light
videos were collected at various intersections. After that, methods of
the machine learning and deep learning were used for the traffic light
recognition. The proposed method consists of detection phase and
recognition phase.
The detection phase of the machine learning based method uses
HOG feature and AdaBoost-based cascade classifier. HOG feature uses
the directional information of the edge. Accordingly, it is less sensitive
of brightness change. It is also suitable to distinguish the simple
contour as traffic light. Therefore, it shows good detection performance
during the day.
AdaBoost-based cascade classifier uses a rejection cascade consisting
of 14 layers of classifiers. If at any layer the detection widow is not recognized
as a traffic light, it is rejected and we move on to the next
window. Therefore, detection speed is faster and real-time detection is
possible.
The recognition phase of the machine learning based method uses
HSV histogram that was used to recognize the detected traffic lights.
The detection phase of the deep learning based method uses
YOLOv3 tiny model. YOLOv3 tiny model is the fastest among
YOLOv3 models. It shows good detection performance rather than
machine learning based method at night. However, misdetection
increases, which reduces precision.
The recognition phase of the deep learning based method used
Inception v3 model, with weights pre-trained on ImageNet. Inception
v3 model used inception layer to speed up processing. Therefore,
recognition speed is faster and real-time recognition is possible. We
modify its layer and then go through the transfer learning process. It
can be effectively classified using the transfer learning with a small
amount of the training data.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)