KR101977503B1 - 도로 성분의 분포에 기초하여 객체를 검출하는 방법 및 장치 - Google Patents

도로 성분의 분포에 기초하여 객체를 검출하는 방법 및 장치 Download PDF

Info

Publication number
KR101977503B1
KR101977503B1 KR1020170169250A KR20170169250A KR101977503B1 KR 101977503 B1 KR101977503 B1 KR 101977503B1 KR 1020170169250 A KR1020170169250 A KR 1020170169250A KR 20170169250 A KR20170169250 A KR 20170169250A KR 101977503 B1 KR101977503 B1 KR 101977503B1
Authority
KR
South Korea
Prior art keywords
road
distribution
components
parallax
value
Prior art date
Application number
KR1020170169250A
Other languages
English (en)
Inventor
이충희
Original Assignee
재단법인대구경북과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020170169250A priority Critical patent/KR101977503B1/ko
Application granted granted Critical
Publication of KR101977503B1 publication Critical patent/KR101977503B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/271—Image signal generators wherein the generated image signals comprise depth maps or disparity maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

일 실시예에 따른 객체를 검출하는 방법 및 장치는 입력 영상에 대응하는 시차 맵을 기초로 V-시차 맵을 생성하고, V-시차 맵으로부터 도로 정보를 추출하고, V-시차 맵 상의 도로 정보를 이용하여 도로 성분의 분포를 산출하며, 도로 성분의 분포를 기초로 입력 영상으로부터 보행자를 포함하는 객체를 검출한다.

Description

도로 성분의 분포에 기초하여 객체를 검출하는 방법 및 장치{METHOD AND APPARATUS OF DETECTING OBJECT BASED ON DISTRIBUTION OF ROAD COMPONENTS}
아래의 실시예들은 도로 성분의 분포에 기초하여 객체를 검출하는 방법 및 장치에 관한 것이다.
3차원 공간에서 객체를 검출 및 인식하는 것은 지능형 자동차 및 로봇 등의 자율 주행과 관련하여 매우 중요한 기술이다. 영상을 이용한 객체 검출에 있어서, 성능을 높이기 위하여 스테레오 비전이 사용될 수 있다. 스테레오 비전은 3차원 정보를 제공하는 시차 맵을 제공하기 때문에, 2차원 정보와 결합하면 인식 오류를 줄이고 속도를 향상시킬 수 있다. 예를 들어, 보행자와 같은 객체를 검출하는 데에 V(Vertical)-시차 맵이 이용될 수 있다.
하지만, 보행자는 이상적으로 도로 상에 수직으로 세워진 평면이 아니기 때문에, 실제 시차 맵을 이용하여 V-시차 맵을 생성하면 보행자는 곡선으로 나타나거나, 끊어진 선으로 표현되므로 검출 성능이 매우 저하된다.
일 실시예에 따르면, 시차 맵으로부터 도로 성분의 분포를 생성하고, 도로 성분의 분포 분석을 통해 객체를 검출함으로써 안정적으로 객체를 검출할 수 있다.
일 실시예에 따르면, 도로 성분의 분포에 대한 다양한 변화 형태를 분석함으로써 예를 들어, 객체의 존재 여부, 객체와의 거리, 객체의 폭, 객체의 위치, 객체의 개수, 및 객체의 분포 형태 등과 같은 다양한 정보를 획득할 수 있다.
일 실시예에 따르면, 도로 성분의 분포에 대한 다양한 변화 형태의 분석 결과를 이용하여 객체 검출, 객체 세그먼테이션, 및 다중 객체 검출 등을 수행할 수 있다.
일 측에 따르면, 객체를 검출하는 방법은 입력 영상에 대응하는 시차 맵을 기초로, V-시차맵 (Disparity Map)을 생성하는 단계; 상기 V-시차맵으로부터 도로 정보를 추출하는 단계; 상기 V-시차맵 상의 도로 정보를 이용하여 상기 도로 성분의 분포를 산출하는 단계; 및 상기 도로 성분의 분포를 기초로, 상기 입력 영상으로부터 보행자를 포함하는 객체를 검출하는 단계를 포함한다.
상기 도로 성분의 분포를 산출하는 단계는 상기 V-시차맵에서 상기 도로 정보에 해당하는 시차값을 추출하는 단계; 및 상기 도로 정보에 해당하는 시차값을 이용하여 상기 도로 성분의 분포를 산출하는 단계를 포함할 수 있다.
상기 도로 성분의 분포를 산출하는 단계는 상기 도로 정보를 상기 V-시차맵에 오버랩핑(overlapping)하는 단계; 상기 오버랩핑된 V-시차맵에서 상기 도로 정보의 위치를 기준으로 이웃 시차값의 범위를 설정 하는 단계; 상기 이웃 시차값의 범위 내에서 도로 성분에 해당하는 시차값을 추출하는 단계; 및 상기 도로 성분에 해당하는 시차값을 이용하여 상기 도로 성분의 분포를 산출하는 단계를 포함할 수 있다.
상기 도로 성분의 분포에서 수평 방향의 값은 상기 V-시차맵 상 도로 성분의 합에 대응될 수 있다.
상기 객체를 검출하는 단계는 상기 도로 성분의 분포가 변화하는지 여부에 기초하여, 상기 객체와 관련된 정보를 결정하는 단계; 및 상기 객체와 관련된 정보에 따라, 상기 객체를 검출하는 단계를 포함할 수 있다.
상기 객체와 관련된 정보는 상기 객체의 존재 여부, 상기 객체와의 거리, 상기 객체의 폭, 상기 객체의 위치, 상기 객체의 개수, 및 상기 객체의 분포 경향 중 적어도 하나를 포함할 수 있다.
상기 객체와 관련된 정보를 결정하는 단계는 상기 도로 성분의 분포에서 수평 방향의 값이 변화하는지 여부에 기초하여, 상기 객체의 존재 여부를 결정하는 단계를 포함할 수 있다.
상기 객체와 관련된 정보를 결정하는 단계는 상기 도로 성분의 분포에서 수직 방향의 값의 변화가 종료되는 지점에 기초하여, 상기 객체의 위치를 결정하는 단계를 포함할 수 있다.
상기 객체와 관련된 정보를 결정하는 단계는 상기 도로 성분의 분포에서 수직 방향의 값의 변화가 시작되는 지점과 상기 수직 방향의 값의 변화가 종료되는 지점 간의 거리에 기초하여 상기 객체의 폭을 결정하는 단계를 포함할 수 있다.
상기 객체와 관련된 정보를 결정하는 단계는 상기 도로 성분의 분포에서 수평 방향의 값의 변화가 상기 입력 영상에서 객체의 폭보다 작거나 같은 경우, 상기 객체의 개수를 단수 개로 결정하는 단계; 및 상기 도로 성분의 분포에서 수평 방향의 값의 변화가 상기 입력 영상에서 객체의 폭보다 큰 경우, 상기 객체의 개수를 복수 개로 결정하는 단계를 포함할 수 있다.
상기 객체와 관련된 정보를 결정하는 단계는 상기 객체의 개수가 복수 개로 결정된 경우, 상기 도로 성분의 분포에서 수평 방향의 값의 변화의 분포 경향에 기초하여 객체들 간의 분포 경향을 결정하는 단계를 포함할 수 있다.
상기 객체를 검출하는 단계는 상기 도로 성분의 분포를 기초로 미리 학습된 분류기를 이용하여, 상기 입력 영상으로부터 보행자를 포함하는 객체를 검출하는 단계를 포함할 수 있다.
일 측에 따르면, 객체를 검출하는 장치는 입력 영상에 대응하는 시차 맵을 기초로, V-시차맵 (Disparity Map)을 생성하고, 상기 V-시차맵으로부터 도로 정보를 추출하고, 상기 V-시차맵 상의 도로 정보를 이용하여 상기 도로 성분의 분포를 산출하며, 상기 도로 성분의 분포를 기초로, 상기 입력 영상으로부터 보행자를 포함하는 객체를 검출하는 프로세서를 포함한다.
상기 프로세서는 상기 V-시차맵에서 상기 도로 정보에 해당하는 시차값을 추출하고, 상기 도로 정보에 해당하는 시차값을 이용하여 상기 도로 성분의 분포를 산출할 수 있다.
상기 프로세서는 상기 도로 정보를 상기 V-시차맵에 오버랩핑하고, 상기 오버랩핑된 V-시차맵에서 상기 도로 정보의 위치를 기준으로 이웃 시차값의 범위를 설정하고, 상기 이웃 시차값의 범위 내에서 도로 성분에 해당하는 시차값을 추출하며, 상기 도로 성분에 해당하는 시차값을 이용하여 상기 도로 성분의 분포를 산출할 수 있다.
상기 프로세서는 상기 도로 성분의 분포가 변화하는지 여부에 기초하여, 상기 객체와 관련된 정보를 결정하고, 상기 객체와 관련된 정보에 따라 상기 객체를 검출할 수 있다.
상기 프로세서는 상기 도로 성분의 분포에서 수평 방향의 값이 변화하는지 여부에 기초하여, 상기 객체의 존재 여부를 결정할 수 있다.
상기 프로세서는 상기 도로 성분의 분포에서 수직 방향의 값의 변화가 종료되는 지점에 기초하여, 상기 객체의 위치를 결정하고, 상기 도로 성분의 분포에서 수직 방향의 값의 변화가 시작되는 지점과 상기 수직 방향의 값의 변화가 종료되는 지점 간의 거리에 기초하여 상기 객체의 폭을 결정할 수 있다.
상기 프로세서는 상기 도로 성분의 분포에서 수평 방향의 값의 변화가 상기 입력 영상에서 객체의 폭보다 작거나 같은 경우, 상기 객체의 개수를 단수 개로 결정하고, 상기 도로 성분의 분포에서 수평 방향의 값의 변화가 상기 입력 영상에서 객체의 폭보다 큰 경우, 상기 객체의 개수를 복수 개로 결정할 수 있다.
일 측에 따르면, 도로 성분의 분포 형태 분석을 통해 안정적으로 객체를 검출할 수 있다.
일 측에 따르면, 도로 성분의 분포에 대한 다양한 변화 형태를 분석함으로써 예를 들어, 객체의 존재 여부, 객체와의 거리, 객체의 폭, 객체의 위치, 객체의 개수, 및 객체의 분포 등과 같이 객체와 관련된 다양한 정보를 획득할 수 있다.
일 측에 따르면, 도로 성분의 분포에 대한 다양한 변화 형태의 분석 결과를 객체 검출, 객체 세그먼테이션, 및 다중 객체 검출 등과 같은 다양한 분양에 활용할 수 있다.
도 1은 일 실시예에 따른 객체를 검출하는 방법을 나타낸 흐름도.
도 2는 일 실시예에 따른 V-시차 맵의 특성을 설명하기 위한 도면.
도 3은 일 실시예에 따른 V-시차 맵 상에 나타나는 도로 성분을 설명하기 위한 도면.
도 4는 일 실시예에 따라 도로 성분의 분포를 산출하는 방법을 나타낸 흐름도.
도 5는 일 실시예에 따라 도로 성분의 분포를 산출하는 과정을 설명하기 위한 도면.
도 6은 일 실시예에 따라 객체를 검출하는 방법을 나타낸 흐름도.
도 7은 일 실시예에 따른 도로 성분의 분포가 다양하게 변화하는 상황에서 객체와 관련된 정보를 결정하는 방법을 설명하기 위한 도면.
도 8은 다른 실시예에 따른 객체를 검출하는 방법을 나타낸 흐름도.
도 9는 일 실시예에 따른 객체를 검출하는 장치의 블록도.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 객체를 검출하는 방법을 나타낸 흐름도이다. 도 1을 참조하면, 일 실시예에 따른 객체를 검출하는 장치(이하, '검출 장치')는 입력 영상에 대응하는 시차 맵을 기초로, V-시차 맵(Vertical Disparity Map)을 생성한다(110). 입력 영상은 예를 들어, 스테레오 영상일 수 있다. 시차 맵은 '깊이 맵(Depth map)'으로도 부를 수 있다. 시차 맵은 예를 들어, 도 2의 시차 맵(210)과 같이 표현될 수 있다. 검출 장치는 예를 들어, 좌, 우 2 개의 스테레오 카메라를 이용하여 도로를 촬영한 스테레오 영상에 포함된 객체의 시차 정보(시차 값)를 획득하고, 시차 정보, 스테레오 카메라 간의 거리(base line), 및 초점 거리(focal length)를 이용하여 거리 정보를 추출함으로써 시차 맵을 생성할 수 있다. 검출 장치는 스테레오 영상의 정합을 통해 출력되는 시차 맵으로부터 도로 정보를 추출하기 위한 V-시차 맵을 생성할 수 있다.
검출 장치는 시차 맵에서 수직 라인 별 시차 값의 분포를 파악하여 V-시차 맵을 생성할 수 있다. V-시차 맵은 시차 맵으로부터 획득한 시차값을 수평적으로 누적하여 히스토그램화 한 것으로서, 시차 값의 분포에 따른 도로의 특징 정보와 검출된 객체의 상태를 나타낼 수 있다. V-시차 맵에서 가로 축(수평 축)은 시차 값을 나타내고, 세로 축(수직 축)은 영상의 행을 나타낼 수 있다. V-시차 맵은 예를 들어, 도 2의 V-시차 맵(220, 230)과 같이 표현될 수 있다.
검출 장치는 V-시차 맵으로부터 도로 정보를 추출한다(120). 검출 장치는 V-시차 맵 상에서 예를 들어, 도 3의 310과 같이 대각선의 형태로 표현되는 도로 정보를 추출할 수 있다. 도로 정보는 도로의 특징 정보에 해당할 수 있다. 모든 장애 물체는 도로 위에 존재하기 때문에 도로의 특징 정보는 장애 물체의 유무(객체의 유무)를 판단하는 중요한 정보이다. 도로의 특징 정보는 주변 상황에 영향을 적게 받으며, V-시차 맵 상에서 특정 열에 장애 물체가 많이 존재하는 상황에서도 전체적인 특징을 잘 유지함으로 그 강건성이 높다. 특히, 도로의 특징 정보는 정확한 보행자 영역의 검출을 위해 사용되기 때문에, 도로의 특징 정보를 정밀하게 추정하는 것은 매우 중요하다.
V-시차 맵 상에서 도로의 정보는 예를 들어, 도 3의 310과 같이 대각선 형태로 표현될 수 있다. 검출 장치는 예를 들어, V-시차 맵의 열(column) 별 중간값(median value), V-시차 맵의 열 별 빈도값, 및 허프 변환(Hough transform)을 이용하여 V-시차 맵으로부터 도로 특징 정보인 대각선을 추출할 수 있다. 검출 장치가 열 별 중간값, 열 별 빈도값, 및 허프 변환 등을 이용하여 대각선을 추출하는 방법은 잘 알려져 있으므로 이에 대한 구체적인 설명은 생략한다.
V-시차 맵 상에서 보행자와 같이 도로 상에 존재하는 객체는 예를 들어, 도 3의 330과 같이 수직선 형태로 표현될 수 있다.
검출 장치는 V-시차 맵 상의 도로 정보를 이용하여 도로 성분의 분포를 산출한다(130). 검출 장치는 예를 들어, V-시차 맵에서 도로 정보에 해당하는 시차값을 추출하고, 도로 정보에 해당하는 시차값을 이용하여 도로 성분의 분포를 산출할 수 있다. 이때, 도로 성분의 분포에서 수평 방향의 값은 V-시차 맵 상 도로 성분의 시차 값의 합에 대응될 수 있다. 검출 장치가 도로 성분의 분포를 산출하는 방법은 아래의 도 4 내지 도 5를 참조하여 구체적으로 설명한다.
검출 장치는 도로 성분의 분포를 기초로, 입력 영상으로부터 보행자를 포함하는 객체를 검출한다(140). 검출 장치가 보행자로부터 객체를 검출하는 방법은 아래의 도 6을 참조하여 구체적으로 설명한다.
도 2는 일 실시예에 따른 V-시차 맵의 특성을 설명하기 위한 도면이다. 도 2를 참조하면, 시차 맵(210), 및 시차 맵(210)으로부터 생성되는 V-시차 맵들(220,230)이 도시된다.
일 실시예에 따른 검출 장치는 예를 들어, 영상의 크기가 M x N이고 객체(보행자)의 크기가 m x n인 시차 맵(210)으로부터 V-시차 맵(220, 230)을 생성할 수 있다.
이때, V-시차 맵(220, 230)에서 도로 성분은 대각선(221)의 형태로 나타나고, 객체는 수직선(223)의 형태로 나타날 수 있다. 여기서 V-시차 맵(220, 230)은 시차 맵(210)을 행별로 히스토그램화 한 것이기 때문에, V-시차 맵에서 객체에 해당하는 수직선(223)의 값은 객체의 수평 길이와 동일한 m값을 가질 수 있다. 또한, 도로에 해당하는 대각선(221)은 객체가 존재하는 영역과 객체가 존재하지 않는 영역으로 분류할 수 있다. 대각선(221)에서 객체가 존재하는 영역은 예를 들어, (M-m) 영역에 해당하고, 객체가 존재하지 않는 영역은 대각선(221)에서 (M-m) 영역을 제외한 나머지 영역일 수 있다.
객체가 존재하지 않는 영역의 시차 값은 영상의 수평 크기인 M을 갖고, 객체가 존재하는 영역에서의 시차 값은 영상의 전체 크기에서 객체의 크기를 뺀 M-m값을 가질 수 있다.
V-시차 맵(230)에서 A 방향에 존재하는 모든 시차 값을 더하면 p+q인데, 여기서 p는 M-m이고, q는 m이기 때문에, p+q는 M이 될 수 있다. 이때, B 방향에 존재하는 모든 시차 값을 더한 결과를 r이라고 하면, r 역시 M이 될 수 있다. 즉, V-시차 맵(220, 230)은 시차 맵(210)을 행 별로 히스토그램화한 것이기 때문에 수평적으로 임의의 열의 값을 모두 더하면 영상의 수평 크기인 M이 될 수 있다.
도 3은 일 실시예에 따른 V-시차 맵 상에 나타나는 도로 성분을 설명하기 위한 도면이다. 도 3을 참조하면, V-시차 맵 상에서 도로 성분을 나타내는 대각선(310) 및 객체 성분을 나타내는 수직선(330)이 도시된다.
다양한 원인에 의해 객체 성분을 나타내는 수직선(330)이 변하더라도, 도로 성분을 나타내는 대각선은(310)은 그 변화가 안정적이다. 일 실시예에서는 객체 검출시 도로 성분에 해당하는 대각선(310)의 분포를 이용하여 객체를 검출함으로써 보다 안정적인 검출 결과를 얻을 수 있다.
도 4는 일 실시예에 따라 도로 성분의 분포를 산출하는 방법을 나타낸 흐름도이고, 도 5는 도 4의 도로 성분의 분포를 산출하는 과정을 설명하기 위한 도면이다.
도 4 및 도 5를 참조하면, 일 실시예에 따른 검출 장치는 시차 맵(510)으로부터 V-시차 맵(520)을 생성하고, V-시차 맵(520)으로부터 도로 정보(530)를 추출할 수 있다. 검출 장치는 추출한 도로 정보(530)를 이용하여, 실제 V-시차 맵에서 도로 정보에 해당하는 시차값만을 추출할 수 있다. 보다 구체적으로, 검출 장치는 추출한 도로 정보를 540과 같이 V-시차 맵에 오버랩핑할 수 있다(410).
검출 장치는 오버랩핑된 V-시차 맵에서 도로 정보의 위치(p)를 기준으로, 위치(p) 주변의 이웃 시차값의 범위를 설정할 수 있다(420). 이때, 이웃 시차값의 범위는 시차값의 오류 등에 의해 정해지며, 예를 들어, 3 x 3의 윈도우 크기로 설정될 수 있다. 이웃 시차값의 범위는 예를 들어, 540에서 위치(p) 주변에 점선의 사각형으로 표시된 범위에 해당할 수 있다.
검출 장치는 550과 같이 이웃 시차값의 범위 내에서 도로 성분에 해당하는 시차값을 추출할 수 있다(430).
검출 장치는 도로 성분에 해당하는 시차값을 이용하여 도로 성분의 분포(560)를 산출할 수 있다(440). 검출 장치는 최종 검출된 V-시차 맵 상의 도로 성분을 이용하여 도로 성분의 분포를 구할 수 있다. 도로 성분의 분포(560)에서 수직 방향은 영상의 세로축에 해당하고, 가로 방향은 시차 값에 해당할 수 있다. 가로 방향의 값은 V-시차 맵 상에서 도로 성분의 시차 값의 합이 될 수 있다. 따라서 도로 성분의 분포(560)에서 객체가 존재하지 않는 영역(B)은 시차 최대값인 M을 갖고, 객체가 존재하는 영역(A)는 M 보다 낮은 값(M-m)을 가질 수 있다. 즉 도로 성분의 분포(560)는 객체의 존재 여부에 따라서 변화하는 것을 알 수 있다.
도 6은 일 실시예에 따라 객체를 검출하는 방법을 나타낸 흐름도이다. 도 6을 참조하면, 일 실시예에 따른 검출 장치는 도로 성분의 분포가 변화하는지 여부에 기초하여, 객체와 관련된 정보를 결정할 수 있다(610). 객체와 관련된 정보는 예를 들어, 객체의 존재 여부, 객체와의 거리, 객체의 폭, 객체의 위치, 객체의 개수, 및 객체의 분포 경향 등을 포함할 수 있다. 검출 장치가 객체와 관련된 정보를 결정하는 방법은 도 7을 참조하여 구체적으로 설명한다.
검출 장치는 객체와 관련된 정보에 따라, 객체를 검출할 수 있다(620). 검출 장치는 예를 들어, 도로 성분의 분포를 기초로 미리 학습된 분류기를 이용하여, 입력 영상으로부터 보행자를 포함하는 객체를 검출할 수 있다.
도 7은 일 실시예에 따른 도로 성분의 분포가 다양하게 변화하는 상황에서 객체와 관련된 정보를 결정하는 방법을 설명하기 위한 도면이다. 도 7의 (a)를 참조하면, 보행자가 없이 도로 평면만이 존재하는 경우에 도로 성분의 분포가 도시된다. 도 7의 (b)를 참조하면, 한 명의 보행자가 존재하는 경우에 도로 성분의 분포가 도시된다. 도 7의 (c)를 참조하면, 두 명의 보행자들이 서로 나란히 인접해 있는 경우의 도로 성분의 분포가 도시된다. 도 7의 (d)를 참조하면, 두 명의 보행자들이 서로 앞 뒤로 떨어져 있는 경우의 도로 성분의 분포가 도시된다.
도 7의 (a)와 같이 도로 평면만 존재할 경우 그 값은 M으로 일정하지만, 도 7의 (b)와 같이 보행자가 한 명 존재할 경우, 해당 위치에서 도로 성분의 분포 변화가 발생할 수 있다. 검출 장치는 이와 같이 도로 성분의 분포에서 수평 방향의 값이 변화하는지 여부에 기초하여, 객체의 존재 여부를 결정할 수 있다. 도로 성분의 분포에서 수평 방향의 값은 시차 값에 해당할 수 있다. 검출 장치는 도로 성분의 분포에서 수직 방향의 값의 변화가 종료되는 지점에 기초하여, 객체의 위치를 결정할 수 있다.
도 7의 (b)에 도시된 도로 성분의 분포에서 수직 방향으로의 변화의 마지막 부분(v1)은 가장 가까이 있는 보행자와의 거리를 나타낼 수 있다. 보행자와의 거리는 지능형 자동차의 긴급 제동 시에 활용될 수 있다. 검출 장치는 예를 들어, 도로 성분의 분포에서 수직 방향의 값의 변화가 시작되는 지점과 수직 방향의 값의 변화가 종료되는 지점 간의 거리에 기초하여 객체의 폭(수평 크기)을 결정할 수 있다.
도 7의 (c)에 도시된 도로 성분의 분포를 살펴보면, 특정 구간에서 수평 방향의 값(시차 값)이 급격하게 낮아지는 것을 볼 수 있다. 이때, m1은 영상에서 보행자의 폭(수평 크기)를 나타낼 수 있다. 보행자의 폭(수평 크기)는 아래의 [수학식 1]을 통해 구할 수 있다.
Figure 112017123052173-pat00001
여기서 X2 - X1은 실제 보행자의 폭(수평 크기)를 나타내고, b는 스테레오 카메라 간의 간격인 베이스라인을 나타낸다. d는 시차값을 나타내고,
Figure 112017123052173-pat00002
는 스테레오 카메라와 도로 평면 간의 각도를 나타낸다.
검출 장치는 도로 성분의 분포에서 수평 방향의 값의 변화가 입력 영상에서 객체의 폭보다 작거나 같은 경우, 객체의 개수를 단수 개로 결정할 수 있다. 또한, 검출 장치는 도로 성분의 분포에서 수평 방향의 값의 변화가 입력 영상에서 객체의 폭보다 큰 경우, 객체의 개수를 복수 개로 결정할 수 있다.
도 7의 (c)에서, 예를 들어, 실제 보행자의 수평 크기인 X2 - X1를 0.5m(일반적인 실제 보행자 폭)로 지정하면 m1을 구할 수 있다. 검출 장치는 m1보다 큰 폭(예를 들어, M-m1-m1)으로 도로 성분의 분포 변화가 발생하면, 이를 통해 다수의 보행자가 존재함을 파악할 수 있다. 다수의 보행자의 존재 여부는 예를 들어, 객체 검출 후의 세그먼테이션(segmentation) 시에 활용될 수 있다.
일반적으로 객체 검출 후, 추가적이고 세밀한 분리를 위하여 모든 객체들의 검출 영역에 대해 세그먼테이션 과정을 거치는데, 이러한 과정에서 많은 시간이 소요될 수 있다. 따라서 m1보다 큰 폭으로 발생하는 도로 성분의 분포 변화를 통해 다수의 보행자의 존재 여부를 알고 있으면, 필요한 영역에 대해서만 세그먼테이션을 수행하면 되므로 속도를 향상시킬 수 있다.
도 7의 (d)에 도시된 도로 성분의 분포를 살펴보면, 도 7의 (c)에 도시된 도로 성분의 분포와 달리 다양한 변화를 나타냄을 볼 수 있다. 검출 장치는 도로 성분의 분포의 수평 방향의 값이 M으로부터 M-m1, M-m2, M-m1-m2로 다양하게 변화하는 것으로서부터 단일 객체가 아닌 다중 객체가 다소 흩어져 있음, 즉 서로 이격되어 있음을 파악할 수 있다.
객체의 개수가 복수 개로 결정된 경우, 검출 장치는 도로 성분의 분포에서 수평 방향의 값의 변화의 분포 경향에 기초하여 객체들 간의 분포 경향을 결정할 수 있다. 검출 장치는 도로 성분의 분포 변화가 예를 들어, 도 7의 (c)와 같이 큰 폭으로의 한 번에 밀집되어 나타나는지, 또는 도 7의 (d)와 같이 이산하여 나타나는지에 따라, 객체들이 서로 인접되어 있는지 또는 이격되어 있는지와 같은 객체들 간의 분포 경향을 결정할 수 있다.
도 8은 다른 실시예에 따른 객체를 검출하는 방법을 나타낸 흐름도이다. 도 8을 참조하면, 일 실시예에 따른 검출 장치는 입력 영상에 대응하는 시차 맵을 획득하고(805), 시차 맵을 기초로 V-시차 맵을 생성할 수 있다(810).
검출 장치는 V-시차 맵으로부터 도로 정보를 추출하고(815), V-시차 맵 상의 도로 정보에 기초하여 V-시차 맵 상의 도로 성분을 추출할 수 있다(820). 실시예에 따라서, 검출 장치는 단계(810)에서 생성된 V-시차 맵으로부터 바로 V-시차 맵 상의 도로 성분을 추출할 수도 있다.
검출 장치는 추출한 도로 성분을 이용하여 도로 성분의 분포를 생성(또는 산출)하고(825), 도로 성분의 분포를 기초로, 입력 영상으로부터 보행자에 대한 정보를 검출할 수 있다(830).
실시예에 따라서, 검출 장치는 예를 들어, 오프라인을 통해 인공 지능의 학습을 통해 보행자에 대한 정보를 검출할 수도 있다. 검출 장치는 예를 들어, 도로 성분의 분포를 기초로 미리 학습된 분류기를 이용하여 보행자에 대한 정보를 검출할 수 있다. 분류기에는 예를 들어, 서포트 벡터 머신(Support Vector Machine; SVM), 딥 러닝(Deep learning), 랜덤 포레스트(Random Forest) 등이 이용될 수 있다.
검출 장치는 학습 정보(840)로서 다양하고 많은 보행자 상황에서 추출된 도로 성분의 분포를 추출한 후, 이를 인공 지능의 분류기의 학습 데이터로 활용할 수 있다. 학습 완료 후 생성된 도로 성분 분포 기반의 학습 모델(845)을 이용하면, 검출 장치는 보행자 정보를 보다 효과적으로 검출할 수 있다.
검출 장치는 예를 들어, 도 7의 (b)에서 전술한 최근접 거리(v1)를 이용하여 객체를 검출할 수도 있고(850), 도로 성분의 분포값의 크기를 이용하여 객체 세그먼테이션을 수행할 수도 있다(855). 또한, 검출 장치는 도로 성분 분포 ㄱ밧의 변화를 이용한 다중 객체 검출을 수행할 수도 있다(860).
도 9는 일 실시예에 따른 객체를 검출하는 장치의 블록도이다. 도 9를 참조하면, 일 실시예에 따른 객체를 추출하는 장치(이하, '검출 장치')(900)는 프로세서(910)를 포함한다. 검출 장치(900)는 통신 인터페이스(930) 및 메모리(950)를 더 포함할 수 있다. 프로세서(910), 메모리(950) 및 통신 인터페이스(930)는 통신 버스(905)를 통해 서로 통신할 수 있다. 검출 장치(900)는 예를 들어, 학습 영상으로부터 객체를 검출하는 분류기(classifier)를 포함할 수 있다. 검출 장치(900)는 예를 들어, 무인 자동차, 로봇, 감시 카메라, 및/또는 의료 분야의 다양한 장치들의 임베디드 시스템(embedded system)에 적용될 수 있다.
프로세서(910)는 입력 영상에 대응하는 시차 맵을 기초로, V-시차 맵을 생성한다. 프로세서(910)는 V-시차 맵으로부터 도로 정보를 추출한다. 프로세서(910)는 V-시차 맵 상의 도로 정보를 이용하여 도로 성분의 분포를 산출한다. 프로세서(910)는 도로 성분의 분포를 기초로, 입력 영상으로부터 보행자를 포함하는 객체를 검출한다.
프로세서(910)는 V-시차 맵에서 도로 정보에 해당하는 시차값을 추출하고, 도로 정보에 해당하는 시차값을 이용하여 도로 성분의 분포를 산출할 수 있다.
프로세서(910)는 도로 정보를 V-시차 맵에 오버랩핑하고, 오버랩핑된 V-시차 맵에서 도로 정보의 위치를 기준으로 이웃 시차값의 범위를 설정할 수 있다. 프로세서(910)는 이웃 시차값의 범위 내에서 도로 성분에 해당하는 시차값을 추출하고, 도로 성분에 해당하는 시차값을 이용하여 도로 성분의 분포를 산출할 수 있다.
프로세서(910)는 도로 성분의 분포가 변화하는지 여부에 기초하여, 객체와 관련된 정보를 결정할 수 있다. 프로세서(910)는 객체와 관련된 정보에 따라 객체를 검출할 수 있다. 프로세서(910)는 도로 성분의 분포에서 수직 방향의 값이 변화하는지 여부에 기초하여, 객체의 존재 여부를 결정할 수 있다.
프로세서(910)는 도로 성분의 분포에서 수직 방향의 값의 변화가 종료되는 지점에 기초하여, 객체의 위치를 결정할 수 있다. 또한, 프로세서(910)는 도로 성분의 분포에서 수직 방향의 값의 변화가 시작되는 지점과 수직 방향의 값의 변화가 종료되는 지점 간의 거리에 기초하여 객체의 폭을 결정할 수 있다.
프로세서(910)는 이 밖에도, 도 1 내지 도 8를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 프로세서(910)는 프로그램을 실행하고, 검출 장치(900)를 제어할 수 있다. 프로세서(910)에 의하여 실행되는 프로그램 코드는 메모리(950)에 저장될 수 있다.
통신 인터페이스(930)는 검출 장치(900)의 외부로부터 입력 영상을 수신할 수 있다. 또한, 통신 인터페이스(930)는 프로세서(910)에 의해 결정된 객체와 관련된 정보(예를 들어, 객체의 존재 여부, 객체와의 거리, 객체의 위치, 객체의 개수, 및 객체의 분포 경향 등) 및 프로세서(910)가 검출한 객체에 대한 정보 등을 검출 장치(900)의 외부로 전달할 수도 있다.
메모리(950)는 입력 영상, 시차 맵, 및 V-시차 맵을 저장할 수 있다. 또한, 메모리(950)는 프로세서(910)가 산출한 도로 성분의 분포, 객체와 관련된 정보 등을 저장할 수 있다. 또한, 메모리(950)는 상술한 프로세서(910)에서의 처리 과정에서 생성되는 다양한 정보들을 저장할 수 있다. 이 밖에도, 메모리(950)는 각종 데이터와 프로그램 등을 저장할 수 있다. 메모리(950)는 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(950)는 하드 디스크 등과 같은 대용량 저장 매체를 구비하여 각종 데이터를 저장할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
900: 검출 장치
905: 통신 버스
910: 프로세서
930: 통신 인터페이스
950: 메모리

Claims (20)

  1. 입력 영상에 대응하는 시차 맵을 기초로, V-시차맵(Disparity Map)을 생성하는 단계;
    상기 V-시차맵으로부터 도로 정보를 추출하는 단계;
    상기 V-시차맵 상의 도로 정보를 이용하여 상기 도로 성분의 분포를 산출하는 단계; 및
    상기 도로 성분의 분포를 기초로, 상기 입력 영상으로부터 보행자를 포함하는 객체를 검출하는 단계
    를 포함하고,
    상기 객체를 검출하는 단계는
    상기 도로 성분의 분포가 변화하는지 여부에 기초하여, 상기 객체와 관련된 정보를 결정하는 단계; 및
    상기 객체와 관련된 정보에 따라, 상기 객체를 검출하는 단계
    를 포함하는, 객체를 검출하는 방법.
  2. 제1항에 있어서,
    상기 도로 성분의 분포를 산출하는 단계는
    상기 V-시차맵에서 상기 도로 정보에 해당하는 시차값을 추출하는 단계; 및
    상기 도로 정보에 해당하는 시차값을 이용하여 상기 도로 성분의 분포를 산출하는 단계
    를 포함하는, 객체를 검출하는 방법.
  3. 제1항에 있어서,
    상기 도로 성분의 분포를 산출하는 단계는
    상기 도로 정보를 상기 V-시차맵에 오버랩핑(overlapping)하는 단계;
    상기 오버랩핑된 V-시차맵에서 상기 도로 정보의 위치를 기준으로 이웃 시차값의 범위를 설정하는 단계;
    상기 이웃 시차값의 범위 내에서 도로 성분에 해당하는 시차값을 추출하는 단계; 및
    상기 도로 성분에 해당하는 시차값을 이용하여 상기 도로 성분의 분포를 산출하는 단계
    를 포함하는, 객체를 검출하는 방법.
  4. 제1항에 있어서,
    상기 도로 성분의 분포에서 수평 방향의 값은
    상기 V-시차맵 상 도로 성분의 합에 대응되는, 객체를 검출하는 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 객체와 관련된 정보는
    상기 객체의 존재 여부, 상기 객체와의 거리, 상기 객체의 폭, 상기 객체의 위치, 상기 객체의 개수, 및 상기 객체의 분포 경향 중 적어도 하나를 포함하는, 객체를 검출하는 방법.
  7. 제1항에 있어서,
    상기 객체와 관련된 정보를 결정하는 단계는
    상기 도로 성분의 분포에서 수평 방향의 값이 변화하는지 여부에 기초하여, 상기 객체의 존재 여부를 결정하는 단계
    를 포함하는, 객체를 검출하는 방법.
  8. 제1항에 있어서,
    상기 객체와 관련된 정보를 결정하는 단계는
    상기 도로 성분의 분포에서 수직 방향의 값의 변화가 종료되는 지점에 기초하여, 상기 객체의 위치를 결정하는 단계
    를 포함하는, 객체를 검출하는 방법.
  9. 제1항에 있어서,
    상기 객체와 관련된 정보를 결정하는 단계는
    상기 도로 성분의 분포에서 수직 방향의 값의 변화가 시작되는 지점과 상기 수직 방향의 값의 변화가 종료되는 지점 간의 거리에 기초하여 상기 객체의 폭을 결정하는 단계
    를 포함하는, 객체를 검출하는 방법.
  10. 제1항에 있어서,
    상기 객체와 관련된 정보를 결정하는 단계는
    상기 도로 성분의 분포에서 수평 방향의 값의 변화가 상기 입력 영상에서 객체의 폭보다 작거나 같은 경우, 상기 객체의 개수를 단수 개로 결정하는 단계; 및
    상기 도로 성분의 분포에서 수평 방향의 값의 변화가 상기 입력 영상에서 객체의 폭보다 큰 경우, 상기 객체의 개수를 복수 개로 결정하는 단계
    를 포함하는, 객체를 검출하는 방법.
  11. 제10항에 있어서,
    상기 객체와 관련된 정보를 결정하는 단계는
    상기 객체의 개수가 복수 개로 결정된 경우, 상기 도로 성분의 분포에서 수평 방향의 값의 변화의 분포 경향에 기초하여 객체들 간의 분포 경향을 결정하는 단계
    를 포함하는, 객체를 검출하는 방법.
  12. 제1항에 있어서,
    상기 객체를 검출하는 단계는
    상기 도로 성분의 분포를 기초로 미리 학습된 분류기를 이용하여, 상기 입력 영상으로부터 보행자를 포함하는 객체를 검출하는 단계
    를 포함하는, 객체를 검출하는 방법.
  13. 하드웨어와 결합되어 제1항 내지 제4항, 제6항 내지 제12항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  14. 입력 영상에 대응하는 시차 맵을 기초로, V-시차맵(Disparity Map)을 생성하고, 상기 V-시차맵으로부터 도로 정보를 추출하고, 상기 V-시차맵 상의 도로 정보를 이용하여 상기 도로 성분의 분포를 산출하며, 상기 도로 성분의 분포를 기초로, 상기 입력 영상으로부터 보행자를 포함하는 객체를 검출하는 프로세서
    를 포함하고,
    상기 프로세서는
    상기 도로 성분의 분포가 변화하는지 여부에 기초하여, 상기 객체와 관련된 정보를 결정하고, 상기 객체와 관련된 정보에 따라 상기 객체를 검출하는, 객체를 검출하는 장치.
  15. 제14항에 있어서,
    상기 프로세서는
    상기 V-시차맵에서 상기 도로 정보에 해당하는 시차값을 추출하고, 상기 도로 정보에 해당하는 시차값을 이용하여 상기 도로 성분의 분포를 산출하는, 객체를 검출하는 장치.
  16. 제14항에 있어서,
    상기 프로세서는
    상기 도로 정보를 상기 V-시차맵에 오버랩핑하고, 상기 오버랩핑된 V-시차맵에서 상기 도로 정보의 위치를 기준으로 이웃 시차값의 범위를 설정하고, 상기 이웃 시차값의 범위 내에서 도로 성분에 해당하는 시차값을 추출하며, 상기 도로 성분에 해당하는 시차값을 이용하여 상기 도로 성분의 분포를 산출하는, 객체를 검출하는 장치.
  17. 삭제
  18. 제14항에 있어서,
    상기 프로세서는
    상기 도로 성분의 분포에서 수평 방향의 값이 변화하는지 여부에 기초하여, 상기 객체의 존재 여부를 결정하는, 객체를 검출하는 장치.
  19. 제14항에 있어서,
    상기 프로세서는
    상기 도로 성분의 분포에서 수직 방향의 값의 변화가 종료되는 지점에 기초하여, 상기 객체의 위치를 결정하고, 상기 도로 성분의 분포에서 수직 방향의 값의 변화가 시작되는 지점과 상기 수직 방향의 값의 변화가 종료되는 지점 간의 거리에 기초하여 상기 객체의 폭을 결정하는, 객체를 검출하는 장치.
  20. 제14항에 있어서,
    상기 프로세서는
    상기 도로 성분의 분포에서 수평 방향의 값의 변화가 상기 입력 영상에서 객체의 폭보다 작거나 같은 경우, 상기 객체의 개수를 단수 개로 결정하고, 상기 도로 성분의 분포에서 수평 방향의 값의 변화가 상기 입력 영상에서 객체의 폭보다 큰 경우, 상기 객체의 개수를 복수 개로 결정하는, 객체를 검출하는 장치.
KR1020170169250A 2017-12-11 2017-12-11 도로 성분의 분포에 기초하여 객체를 검출하는 방법 및 장치 KR101977503B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170169250A KR101977503B1 (ko) 2017-12-11 2017-12-11 도로 성분의 분포에 기초하여 객체를 검출하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170169250A KR101977503B1 (ko) 2017-12-11 2017-12-11 도로 성분의 분포에 기초하여 객체를 검출하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101977503B1 true KR101977503B1 (ko) 2019-08-28

Family

ID=67775223

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170169250A KR101977503B1 (ko) 2017-12-11 2017-12-11 도로 성분의 분포에 기초하여 객체를 검출하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101977503B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130053980A (ko) * 2011-11-16 2013-05-24 재단법인대구경북과학기술원 영상 데이터 융합 기반의 장애물체 검출 방법 및 장치
KR101501531B1 (ko) * 2013-10-10 2015-03-11 재단법인대구경북과학기술원 스테레오 비전 기반 보행자 검출 시스템 및 그 방법
KR20170079373A (ko) * 2015-12-30 2017-07-10 재단법인대구경북과학기술원 도로 상의 객체를 검출하기 위한 장치 및 그 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130053980A (ko) * 2011-11-16 2013-05-24 재단법인대구경북과학기술원 영상 데이터 융합 기반의 장애물체 검출 방법 및 장치
KR101501531B1 (ko) * 2013-10-10 2015-03-11 재단법인대구경북과학기술원 스테레오 비전 기반 보행자 검출 시스템 및 그 방법
KR20170079373A (ko) * 2015-12-30 2017-07-10 재단법인대구경북과학기술원 도로 상의 객체를 검출하기 위한 장치 및 그 방법

Similar Documents

Publication Publication Date Title
KR102696652B1 (ko) 스테레오 매칭 방법 및 영상 처리 장치
KR102628654B1 (ko) 차선을 표시하는 방법 및 장치
US10782399B2 (en) Object detecting method and apparatus using light detection and ranging (LIDAR) sensor and radar sensor
KR102421855B1 (ko) 주행 차로를 식별하는 방법 및 장치
CN108116410B (zh) 用于控制车辆的速度的方法和设备
US20230014725A1 (en) Map generation device, map generation method, and map generation ocmputer program
US20190371052A1 (en) Inferring locations of 3d objects in a spatial environment
US20190370606A1 (en) Virtually boosted training
KR20200021626A (ko) 객체 검출 모델 트레이닝 장치 및 방법
KR20190112378A (ko) 영상 분할 방법, 영상 분할 장치, 및 영상 분할을 위한 학습 방법
KR102519666B1 (ko) 이미지 변환 장치 및 방법
KR20190026116A (ko) 객체 인식 방법 및 장치
KR102073162B1 (ko) 딥러닝 기반의 소형 물체 검출 기법
KR102677513B1 (ko) 소실점 검출을 위한 학습 방법, 소실점 검출 방법 및 장치
KR20190030474A (ko) 신뢰도에 기초하여 깊이 맵을 산출하는 방법 및 장치
CN107491065B (zh) 利用障碍物的地面边界信息检测物体的侧面的方法和装置
KR20200045696A (ko) 주행 정보를 결정하는 방법 및 장치
Liu et al. Vehicle detection and ranging using two different focal length cameras
KR20210061069A (ko) 3차원 객체를 표시하는 방법 및 장치
WO2021199584A1 (en) Detecting debris in a vehicle path
Karkera et al. Autonomous bot using machine learning and computer vision
KR20180060736A (ko) 스테레오 매칭 방법 및 장치
US20220171975A1 (en) Method for Determining a Semantic Free Space
KR101977503B1 (ko) 도로 성분의 분포에 기초하여 객체를 검출하는 방법 및 장치
Saleem et al. Improved stixel estimation based on transitivity analysis in disparity space