• IEMEK Journal of Embedded Systems and Applications
• /
• v.12 no.2
• /
• pp.113-120
• /
• 2017

In this paper, we present a night-time vehicle detection method using CNN (Convolutional Neural Network) classification. The camera based night-time vehicle detection plays an important role on various advanced driver assistance systems (ADAS) such as automatic head-lamp control system. The method consists mainly of thresholding, labeling and classification steps. The classification step is implemented by existing CIFAR-10 model CNN. Through the simulations tested on real road video, we show that CNN classification is a good alternative for night-time vehicle detection.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2016.06a
• /
• pp.194-197
• /
• 2016

자동차 산업이 발전하면서 안정적인 주행과 운전자의 편의성을 위한 지능형운전자보조시스템인 ADAS (Advanced Driver Assistance System)가 이슈가 되고 있다. 차선인식의 결과에 따라 차선이탈 경고시스템의 성능이 달라지기 때문에 차선인식은 ADAS에서 매우 중요한 핵심적인 기술이라 할 수 있다. 이에 본 논문에서는 그림자 영역과 같이 밝기의 분포가 균일하지 않는 환경에서 강인하게 동작하는 차선인식 알고리즘을 제안하였다, 지역적인 밝기 특징을 고려하여 차선에 해당하는 특징점을 추출하며, 추출된 특징점 가운데 이상치(outlier)를 제거하기 위해 RANSAC (RANdom SAmple Consensus) 알고리즘을 이용하여 차선을 검출한다. 또한 RANSAC 알고리즘에서 신뢰도가 높은 차선이 검출되면 그 주위에 특징점을 추출하기 위한 관심영역을 설정함으로써 안정적인 차선 검출이 가능하도록 하였다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2016.06a
• /
• pp.361-363
• /
• 2016

현재 차량 내 운전자에게 편의성과 안전성을 제공하는 시스템이 활발히 개발 중이고 향후 ADAS(Advanced Driver Assistance System)와 스마트 자동차에서 영상 정보를 이용한 물체 추적과 분석은 매우 중요한 부분을 차지하고 있다. 영상에서 얻을 수 있는 정보 중 현재 도로의 이정표 정보는 중요한 분석 정보로 사용된다. 하지만 국내 도로표지판 검출 연구의 경우 유럽과 북미와 비교하여 연구 개발이 활발히 진행되고 있지 않다. 국내의 경우 도로 이정표에서 영문자뿐만 아니라 한글 문자 정보까지 포함하고 있어 검출이 쉽지 않다. 또한 비교적 밝고 잡음이 적은 검출하기 좋은 환경에서는 검출이 잘 되지만 명암이 뚜렷하지 않고 잡음이 많은 환경에서는 도로 이정표 문자 검출이 어렵다. 이에 본 논문에서는 CLAHE(Contrast-Limited Adaptive Histogram Equalization) 방법을 적용하여 영상이 어둡고 잡음이 많은 환경에서 국내 도로 이정표의 문자 정보를 얻는다. 실험 결과, 기존 방법에 비해 문자 영역 검출 성능이 향상되었다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2016.06a
• /
• pp.99-102
• /
• 2016

교통표지판 검출 및 인식은 차량의 자율주행 및 ADAS (Advanced Driver Assistance System)의 필수적인 요소이다. 교통표지판의 각종 표식을 인식하기 위해서는 먼저 교통표지판 영역을 검출해야 하며, 이 작업은 통상적으로 교통표지판에 포함된 빨간색을 추출하는 컬러 필터링을 통해 이루어진다. 하지만 차량 영상에 나타나는 색상 성분은 태양광의 방향이나 날씨 등에 상당한 영향을 받으며 이러한 조도 환경은 차량이 주행하게 되면 시간적으로도 수시로 변화한다. 더군다나 사용하는 카메라의 내부적인 특성에 따라서도 색상 성분의 분포가 달라지기 때문에 컬러 필터링을 위한 임계값은 고정값을 사용하기 보다는 적응적으로 변화시킬 필요가 있다. 본 논문에서는 다양한 조도 환경과 다양한 카메라 종류에 따라서 영상 내 교통표지판의 빨간색 성분의 분포를 분석하고 이를 바탕으로 임계값을 가변적으로 설정하는 방법을 제안한다. 그리고 모의실험을 통해 제안 방법을 적용하면 고정된 임계값을 사용한 방법보다 조도변화에 강인하게 교통표지판 영역을 검출할 수 있음을 확인하였다.

• Journal of Auto-vehicle Safety Association
• /
• v.4 no.1
• /
• pp.27-32
• /
• 2012

Recently, in order to reduce traffic accident related fatalities, increasing number of studies are conducted regarding the vehicle safety enhancement devices. But very few studies about test procedures and requirements for vehicle safety systems are being carried out. Since BSD, as one of the most important safety features, is installed on a new vehicle, its performance test method has to be evaluated. Independent factors irrelevant to the device types including collision position, vehicle speed and closing speed are used to calculate test distance away from the current vehicle. Effect of roadway geometry as radius of curvature is introduced to propose possible misjudgement of following vehicle as adjacent one. The study results would be utilized to enhance the test procedure of BSD performance.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2015.07a
• /
• pp.513-515
• /
• 2015

최근 지능형 차량과 ADAS(Advanced Driver Assistance System) 개발에 있어 차량 영상을 이용한 도로 정보 분석이 중요한 화두로 떠오르고 있다. 다양한 도로 정보 중에서 도로표지판 검출 및 판단은 차량 운행 환경을 파악할 수 있는 중요한 과정이 될 수 있다. 이에 본 논문에서는 차량 영상에서의 색상 정보를 이용하여 표지판의 후보 영역을 추출(Candidate Generation)하고, 후보 영상에 대한 HOG(Histogram of Gradient) 특징 분석을 통해 도로표지판 여부와 그 종류를 판단(Object Classification)하는 알고리즘을 구현하였다. 또한 구현 알고리즘은 실시간 처리가 가능한 속도를 보여주어 지능형 차량 또는 ADAS에서의 실제 적용이 가능하도록 하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2015.10a
• /
• pp.1365-1368
• /
• 2015

컴퓨터 비전 분야의 활용영역과 시장성이 증대하면서 가장 많이 사용되는 객체인식 및 탐지 기술과 관련된 연구는 꾸준히 진행되고 있다. 최근에는 ADAS(Advanced Driver Assistance Systems)와 특징적인 객체를 인식 추적할 수 있는 지능형 감시시스템에서의 가장 핵심적인 기술로 자리 잡고 있다. 본 연구에서는 보행자 탐지에 사용하는 특징들 중에서 조명변화에 강건한 HOG와 Cascade-Adaboost를 기반으로 보행자 탐지 모델을 후보영역을 검출하고 검출된 영역에서 컬러정보를 추출하여 의사결정 트리에 적용시켜 최종 보행자를 탐지하는 시스템을 제안한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.11a
• /
• pp.845-847
• /
• 2022

교통사고의 원인 중 90%는 졸음운전과 같은 운전자의 부주의 때문에 발생하고 있다. 정부에서도 사고로 인한 인명피해 심각성을 인지하고 2019년부터 전방충돌방지 시스템과 차선이탈 경고 장치 등 ADAS(Advanced Driver Assistance Systems)를 의무적으로 적용하도록 규제를 강화하는 추세이다. 충돌사고를 예방하기 위해 본 논문에서는 영상처리를 기반으로 하여 객체 검출, 차간거리 측정, 후미등 검출, 차선 검출 기능을 적용하여 위험한 상황을 감지하고 운전자에게 경고 알림을 제공하는 System을 개발한다. 더 나아가 다양한 모빌리티 서비스에 이를 활용할 수 있는 방안을 제공한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.11a
• /
• pp.940-942
• /
• 2023

교통사고 통계에 따르면 비보호 구역 내 도로에서 발생하는 교통사고 발생률이 일반 도로보다 30% 높은 수준임이 밝혀졌다. 기존 첨단 운전자 지원 시스템(ADAS: Advanced Driver Assistance Systems)은 다양한 사고 시나리오가 존재하는 비보호 구역에 적용하기에는 한계가 있다. 본 논문은 이러한 문제에 대응하기 위해 기존 ADAS 기능을 확장하여 예측과 판단이 어려운 비보호 구역에서 AI 분석을 통해 운전자에게 주행 가능 여부를 시각적으로 제공하는 시스템을 개발하고자 한다. 이 시스템은 운전자에게 경고와 지원을 제공함으로써 비보호 구역 내 교통사고를 예방할 수 있다.

• Journal of the Semiconductor & Display Technology
• /
• v.22 no.3
• /
• pp.161-165
• /
• 2023

One of the difficult works in an autonomous driving system is detecting road lanes or objects in the road boundaries. Detecting and tracking a vehicle is able to play an important role on providing important information in the framework of advanced driver assistance systems such as identifying road traffic conditions and crime situations. This paper proposes a vehicle detection scheme based on deep learning to classify and tracking vehicles in a complex and diverse environment. We use the modified YOLO as the object detector and polynomial regression as object tracker in the driving video. With the experimental results, using YOLO model as deep learning model, it is possible to quickly and accurately perform robust vehicle tracking in various environments, compared to the traditional method.