도심환경에서의 Deep Belief Network 기반 야간 차량 검출
Night-time Vehicle Detection Based on Deep Belief Network in Urban Environment
- 주제(키워드) 컴퓨터 비젼 , 딥 러닝 , 야간 차량 검출 , 그룹화 , computer vision , deep learning , night-time vehicle detection , grouping
- 발행기관 서강대학교 일반대학원
- 지도교수 김경환
- 발행년도 2016
- 학위수여년월 2016. 8
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000060030
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
본 논문에서는 차량에 장착된 카메라로 얻은 야간의 도심 운행 영상에서 후미등의 특징을 근거로 검출한 red light blob(RLB)들의 그룹화와 deep belief network(DBN) 기반 그룹 쌍 맺음을 통한 차량 검출 방법을 제안한다. 기존의 야간 차량 검출 연구들은 주로 후미등 후보들을 추출하고 두 후미등 후보의 모 양 및 위치 유사성을 비교하여 차량의 후미등 쌍을 검출한 후 차량을 검출한다. 하지만 도심환경에서는 도로 주변의 많은 불빛으로 인한 복잡한 주변 환경때 문에 두 후미등의 모양 및 위치 유사성만을 이용하여 차량을 검출하는것은 한 계가 있다. 또한 차량의 브레이크 등이나 방향 지시등의 동작으로 인한 후미등 후보들의 분리 또는 병합되는 변형을 고려하지 않는다면 후미등을 지속적으로 추적하지 못해 검출률을 떨어뜨리게 된다. 제안하는 방법에서는 먼저 후미등의 색 특징을 이용하여 RLB들을 검출하 고 브레이크등이나 방향 지시등의 동작으로 인해 변화하는 RLB 상태를 다루기 위해 그룹 추적 체계를 도입하였다. RLB들의 위치를 기반으로 현재 프레임에서 서로 가까운 RLB들을 같은 그 룹으로 구성한다. 그룹을 구성하는 RLB들의 위치 및 모양 정보를 이용하여 그룹의 상태를 갱신하고 칼만 필터를 이용해 그룹 상태를 추적함으로써 분리 및 병합되는 RLB 상태에도 지속적인 추적이 가능한 그룹 운영 방법을 제안하 였다. 그룹들이 구성되면 그룹 쌍 맺음을 진행하기 위해 두 그룹의 모양 및 위치 비율을 특징으로 추출하여 신경회로망을 통해 두 그룹의 유사도를 계산하였다. 또한 그룹 사이의 영역 분포가 실제 차량의 영역 분포와 유사한지 판단하도록 DBN을 적용함으로써 그룹 쌍 맺음에 추가적인 근거를 제시하였다. DBN을 통 해 얻은 차량 외형 유사도와 두 그룹의 모양 및 위치 유사도를 기반으로 그룹 쌍 맺음을 진행하여 차량의 후미등 쌍을 검출함으로써 복잡한 도심 환경에서도 강건한 차량 검출이 가능함을 보였다.
more초록/요약
In this thesis we propose a method for night-time vehicle detection by using grouping of red light blobs(RLBs) and group pairing based on a deep belief network(DBN) in video sequence taken by a moving camera in urban environment at night-time. Most of existing night-time vehicle detection methods use a tail-light pair as the primary cue for detecting vehicles. However, tail-lights only night-time vehicle detection has limits in urban environment due to complex road and ambient lighting conditions, and driving conditions. The proposed method introduces group tracking system to handle RLB states which can be changed due to split and merge. First, we construct new RLB groups at current frame based on position of previous constructed groups. The group state is then estimated based on position and shape of group members and is updated by using Kalman filter for robust tracking. After the RLB grouping, region between two groups was used as input of DBN to increase the reliability of the group pairing. Groups are paired based on appearance similarity of vehicle obtained through the DBN and group similarity. The DBN provied the information that the region between the two groups is how close to regions between a pair of tail-lights in vechiles. Performance of the proposed system is evaluated on the dataset acquired from various night-time driving environments.
more