The Journal of the Korea Contents Association (한국콘텐츠학회논문지)

The Korea Contents Association (한국콘텐츠학회)
권호 표지
DOI QR코드

DOI QR Code

Method for Road Vanishing Point Detection Using DNN and Hog Feature

DNN과 HoG Feature를 이용한 도로 소실점 검출 방법

  • Received : 2018.11.05
  • Accepted : 2018.11.22
  • Published : 2019.01.28
Download PDF
⟨ Previous Next ⟩

Abstract

A vanishing point is a point on an image to which parallel lines projected from a real space gather. A vanishing point in a road space provides important spatial information. It is possible to improve the position of an extracted lane or generate a depth map image using a vanishing point in the road space. In this paper, we propose a method of detecting vanishing points on images taken from a vehicle's point of view using Deep Neural Network (DNN) and Histogram of Oriented Gradient (HoG). The proposed algorithm is divided into a HoG feature extraction step, in which the edge direction is extracted by dividing an image into blocks, a DNN learning step, and a test step. In the learning stage, learning is performed using 2,300 road images taken from a vehicle's point of views. In the test phase, the efficiency of the proposed algorithm using the Normalized Euclidean Distance (NormDist) method is measured.

소실점이란 실제 공간의 평행한 선들이 영상 내에 투영되면서 한곳에 모이는 점으로, 도로 공간에서의 소실점은 매우 중요한 공간정보이다. 도로 공간에서의 소실점을 이용해 추출된 차선의 위치를 개선하거나, 깊이지도 영상을 생성할 수 있다. 본 논문에서는 자동차의 시점을 기준으로 도로를 촬영한 영상을 Deep Neural Network(DNN)과 Histogram of Oriented Gradient(HoG) Feature를 이용한 소실점 검출 방법을 제안한다. 제안하는 알고리즘에서는 영상을 블록별로 나눠서 주요 에지 방향을 추출하는 HoG Feature 추출 단계와 DNN 학습 단계, 그리고 Test 단계로 나뉜다. 학습단계에서는 자동차 시점으로 기준으로 도로 영상 2300장으로 학습을 진행한다. 그리고 Test 단계에서는 Normalized Euclidean Distance(NormDist) 방법을 사용하여 제안하는 알고리즘의 효율성을 측정한다.

Keywords

CCTHCV_2019_v19n1_125_f0001.png 이미지

그림 1. 원 영상(a)과 원 영상을 8x8 블록으로 나눈 후 18개의 에지 방향으로 분할한 HoG 영상(b)

CCTHCV_2019_v19n1_125_f0002.png 이미지

그림 2. Network Architecture

CCTHCV_2019_v19n1_125_f0003.png 이미지

그림 3. 한 장의 영상에 대해 예측된 소실점의 예시. 파란 원은 Ground Truth를 나타내고 주황 원은예측된 소실점

CCTHCV_2019_v19n1_125_f0004.png 이미지

그림 4. 영상에 대해 예측된 소실점의 예시. 파란 원은 Ground Truth를 나타내고 주황 원은예측된 소실점

CCTHCV_2019_v19n1_125_f0005.png 이미지

그림 5. 영상에 대해 예측된 소실점의 예시. 파란 원은 Ground Truth를 나타내고 주황 원은 예측된 소실점, 첫 번째 열은 고속도로, 두 번째 열은 도시 영상이다.

CCTHCV_2019_v19n1_125_f0006.png 이미지

그림 6. Test Data Set에 대한 NormDist Error 11-bins Histogram

표 1. 알고리즘 순서

CCTHCV_2019_v19n1_125_t0001.png 이미지

표 2. Test Data Set에 대한 NormDist Error

CCTHCV_2019_v19n1_125_t0002.png 이미지

References

  1. C. Rasmussen, "Grouping dominant orientations for ill-structured road following," in Proc. of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Vol.1, pp.I-470-I-477, 2004.
  2. K. Hui, J. Y. Audibert, and J. Ponce, "Vanishing point detection for road detection," in IEEE Conference on Computer Vision and Pattern Recognition, pp.96-103, 2009.
  3. S. Battiatoa, A. Caprab, S. Curtib, and M. La Casciac, "3D Stereoscopic Image Pairs by Depth-Map Generation," Proceedings of the 3D Data Processing, Visualization, and Transmission, 2nd International Symposium, pp.124-131, 2004.
  4. R. Itu, D. Borza, and R. Danescu, "Automatic extrinsic camera parameters calibration using Convolutional Neural Networks," In: 2017 IEEE 13th International Conference on Intelligent Computer Communication and Processing (ICCP 2017), pp.273-278, 2017.
  5. 최지원, 김창익, "Histogram of Gradient를 이 한실시간 소실점 검출," 전자공학회논문지-SP, 제48권, 제2호, pp.96-101, 2011.
  6. N. Dalal and B. Triggs, "Histograms of oriented gradients for human detection," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Vol.1, pp.886-893, 2005.
  7. OpenStreetCam, online: https://www.openstreetcam.org/, 2018.