본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지

목차

1. 서론 10

1.1. 연구 배경 10

1.2. 논문의 개요 12

2. 관련 연구 14

2.1. 차선 검출 및 추적 방법 14

2.1.1. 기존의 차선 검출 및 추적 방법 14

2.1.2. Inverse Perspective Mapping (IPM) 15

2.1.3. RANdom SAmple Consensus (RANSAC) 17

2.1.4. Kalman Filter 18

2.2. 차량 검출 방법 19

2.2.1. 기존의 차량 검출 방법 19

2.2.2. Histogram of Oriented Gradients (HOG) 21

2.2.3. Support Vector Machine (SVM) 22

3. 주행 차선 내 전방 차량 검출 알고리즘 24

3.1. 제안하는 알고리즘의 개요 24

3.2. 전처리 25

3.3. 조감도 영상 생성 26

3.4. 주행차선 추적 27

3.4.1. 특징 추출 27

3.4.2. 차선 후보군 검출 29

3.4.3. 차선 모델 계산 32

3.4.4. 차선 추적 34

3.5. 전방 차량 검출 방법 36

3.5.1. 특징 추출 36

3.5.2. 차량 후보군 검출 44

3.5.3. 차량 후보군 검증 48

4. 실험 및 결과 분석 50

4.1. 실험 환경 및 데이터 50

4.2. 주행 차선 추적 결과 51

4.3. 전방 차량 검출 결과 56

5. 결론 및 향후과제 62

참고 문헌 64

Abstract 67

표목차

표 2.1. 기존의 차선 검출 및 추적 방법 비교표 14

표 2.2. RANSAC 알고리즘 18

표 2.3. 기존의 차량 검출 방법 비교표 19

표 4.1. 기존의 방법과 제안한 방법의 주행차선 추적 결과 (평균 오차) 55

표 4.2. 제안하는 방법의 데이터별 주행차선 내 차량 검출 결과 59

표 4.3. 기존의 방법과 제안한 방법의 주행차선 내 차량 검출 결과 59

그림목차

그림 2.1. 역투영 변환을 통하여 입력 영상을 조감도 영상으로 변환한 결과 16

그림 2.2. 영상 평면(I)과 실세계 평면(W)간의 관계 17

그림 2.3. 칼만 필터의 흐름도 19

그림 2.4. 입력 영상의 HOG 특징을 시각화한 결과 22

그림 2.5. SVM 분류 방법 23

그림 3.1. 주행차선 내 전방 차량 검출 알고리즘의 전체 흐름도 24

그림 3.2. 입력 영상에 가우시안 필터를 사용하여 노면의 잡음 감소 및 손상을 완화한 결과 26

그림 3.3. 역투영 변환을 사용하여 입력 영상을 조감도 영상으로 변환한 결과 27

그림 3.4. 조감도 영상 생성 및 차선 검출을 위한 관심영역 27

그림 3.5. 주간, 야간, 잡영이 존재하는 조감도 영상에서 차선의 특징을 추출한 결과 29

그림 3.6. 차선 유사도 함수에 사용되는 실제 차선의 형태학적 정보 30

그림 3.7. 차선 특징에서 차선 유사도 함수(V)가 제일 큰 주행차선 특징을 검출한 결과 31

그림 3.8. 주행차선 특징과 RANSAC을 사용하여 주행차선의 곡선 모델을 계산한 결과 32

그림 3.9. 차선 모델 보정 및 확장 작업을 수행하여 주행차선의 곡선 모델을 계산한 결과 33

그림 3.10. 주행차선 추적을 위한 관측 대상 35

그림 3.11. 칼만 필터를 이용하여 주행차선을 추적한 결과 35

그림 3.12. 예측된 주행차선 36

그림 3.13. 3 x 3 소벨 마스크 37

그림 3.14. 차량 영상의 소벨 미분 결과 37

그림 3.15. 야간 환경에서 차량 영상의 소벨 미분 결과 38

그림 3.16. 복잡한 환경에서 차량 영상의 소벨 미분 결과 38

그림 3.17. 입력 영상과 조감도 영상의 차량 하단에서 나타나는 그림자 종류 39

그림 3.18. 주간 환경에서 명도(V), 채도(S) 성분을 이용하여 차량의 하단 영역을 강조하는 영상(F)을 생성하고 가중치 영상(K)을 이용하여 차량의... 41

그림 3.19. 야간 환경에서 후미등 성분을 이용하여 추출된 특징(CLight)과 전조등에 의해 반사된 빛의 특징(CBack)을 이용하여 차량의 특징(C)을 추...[이미지참조] 43

그림 3.20. 주간과 야간 환경에서 추출된 차량의 특징 분포 44

그림 3.21. 주간과 야간 환경에서 차량의 하단 중심(XM, YM)을 검출한 결과[이미지참조] 45

그림 3.22. 주간과 야간 환경에서 차량의 후보군 영역 설정 조건 46

그림 3.23. 주간 환경에서 차량의 대략적 후보 영역(R)의 경계 성분 누적 히스토그램 분석을 통한 차량 후보군(R') 검출 결과 48

그림 3.24. 야간 환경에서 차량 후보군(R') 검출 결과 48

그림 3.25. SVM의 훈련에 사용되는 차량과 차량이 아닌 샘플 데이터 49

그림 3.26. 멀티 스케일 검출 윈도우를 사용하여 차량 후보군 내에서 HOG 특징을 추출하는 과정 49

그림 4.1. 주행차선 추적 및 주행차선 내 전방 차량 검출의 실험에 사용된 데이터(Seq1-6) 51

그림 4.2. 주간의 고속도로 환경에서 주행차선을 추적한 결과 52

그림 4.3. 야간의 고속도로 환경에서 주행차선을 추적한 결과 52

그림 4.4. 주간의 고속도로 환경에서 잡영이 존재하는 경우 주행차선을 추적한 결과 53

그림 4.5. 주간의 고속도로 환경에서 차선 사이에 도로표시가 존재하는 경우 주행차선을 추적한 결과 53

그림 4.6. 야간의 고속도로 환경에서 3초 동안 한쪽 차선의 정보가 차선 검출에 충분하지 않은 경우 주행차선 추적을 실패한 결과 54

그림 4.7. 각 데이터별 주행차선의 그라운드 트루스와 제안하는 방법으로 주행차선을 추적한 결과(검은색 화살표:차량의 진행 방향, 푸른색 점:운전자... 55

그림 4.8. 주간의 고속도로 환경에서 주행차선 내 전방 차량을 검출한 결과 56

그림 4.9. 야간의 고속도로 환경에서 주행차선 내 전방 차량을 검출한 결과 57

그림 4.10. 야간의 고속도로 환경에서 주행차선 내 차량의 특징이 일부분만 추출된 경우 전방 차량 검출을 실패한 결과 58

그림 4.11. 주간과 야간 환경에서 주행차선 내 전방 차량 검출의 성능 비교 60

그림 4.12. SVM의 학습에 사용되는 Positive 샘플 개수에 따른 차량 검출률 61

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기