카메라 시야각 변화에 강건한 차선 인식 방법

국문 초록 (Abstract)

자율주행 차량의 안전한 주행을 위해 빠르고 정확한 차선 인식은 핵심 과제이다. 그러나 차량별 차고와 카메라 설치 각도의 차이로 종방향 시야각이 달라지면 입력 영상의 유효 시야 가 변동되며, 이에 따라 분포 이동이 발생하여 차선 인식 네트워크의 성능이 저하된다. 이러한 문제를 해결하기 위해 본 연구에서는 기존 네트워크에 오프셋 헤드와 얼라인먼트 블록을 결합 한 시야각 변화에 강건한 차선 인식 방법을 제안한다. 제안된 방법은 블록화되어 있어 사전학 습된 네트워크에 쉽게 통합될 수 있으며, 재학습 부담 없이 다양한 시야각 변화에서 분포 이동 의 영향을 효과적으로 줄일 수 있다. CULane 벤치마크에서 시야각 다양성을 반영해 구축한 확장 테스트셋으로 평가한 결과, 다양한 시야각 조건에서도 안정적인 정밀도를 보였고, 특히 50% 줄어든 시야각에서도 기존 F1 Score 25.19 대비 69.57로 약 2.8배의 성능 향상을 보였다. 이는 실제 배치 환경에서 시야 변동성에 대한 실용적 해법임을 시사한다.

다국어 초록 (Multilingual Abstract)

Fast and accurate lane detection is a crucial task for the safe operation of autonomous vehicles. However, differences in vehicle height and camera installation angles cause variations in the vertical viewpoint of input images, leading to a domain shift that degrades the accuracy of lane detection networks. This paper proposes a novel lane detection method that enhances robustness to viewpoint variations by integrating an offset head and alignment block into existing networks. The proposed approach was designed in a block-based manner, allowing it easy integration into pre-trained network without requiring full retraining, while effectively mitigating the impact of a domain shift under diverse camera viewpoints. Evaluations on the custom expanded testset constructed from the CULane benchmark with diverse view conditions showed stable precision, achieving an F1 Score of 69.57, which is approximately 2.8 times higher than the baseline score of 25.19, even when the portion of the image occupying the lane is reduced by 50%. These results highlight the practicality of the proposed method in real-world deployment environments with variable viewpoints.

목차 (Table of Contents)

• 요약
• ABSTRACT
• Ⅰ. 서론
• Ⅱ. 선행 연구 고찰
• 1. 차선 인식 네트워크
• 2. 데이터 증강
• 3. 탑뷰기반 차선 인식 네트워크
• Ⅲ. 본론
• 1. 베이스라인 네트워크
• 2. 제안된 차선 인식 방법
• 3. 오프셋 헤드
• 4. 얼라인먼트 블록
• Ⅳ. 실험
• 1. 테스트 데이터셋 생성
• 2. 차선 인식 방법 검증
• Ⅴ. 결론
• ACKNOWLEDGEMENTS
• REFERENCES