KR102069843B1 - 차량 추적 장치 및 방법 - Google Patents

차량 추적 장치 및 방법 Download PDF

Info

Publication number
KR102069843B1
KR102069843B1 KR1020180103767A KR20180103767A KR102069843B1 KR 102069843 B1 KR102069843 B1 KR 102069843B1 KR 1020180103767 A KR1020180103767 A KR 1020180103767A KR 20180103767 A KR20180103767 A KR 20180103767A KR 102069843 B1 KR102069843 B1 KR 102069843B1
Authority
KR
South Korea
Prior art keywords
vehicle
ego
image frame
driving road
lanes
Prior art date
Application number
KR1020180103767A
Other languages
English (en)
Inventor
강석주
장정우
Original Assignee
서강대학교 산학협력단
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 서강대학교 산학협력단 filed Critical 서강대학교 산학협력단
Priority to KR1020180103767A priority Critical patent/KR102069843B1/ko
Application granted granted Critical
Publication of KR102069843B1 publication Critical patent/KR102069843B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • G06K9/00798—
    • G06K9/3233—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

차량 추적 장치로서, 주행도로 영상 프레임을 수집하고, 상기 주행도로 영상 프레임에 존재하는 복수의 직선 성분들을 이용하여 자아 차선(ego-lane)들을 결정하는 자아 차선 결정부, 상기 자아 차선들에 각각 대응하는 자아 차선 방정식들을 이용하여 상기 자아 차선들 사이에 존재하는 특정영역들을 결정하고, 상기 특정영역들의 에지 이미지에 대한 히스토그램을 이용하여 관심영역을 설정하는 관심영역 설정부, 상기 관심영역에 이미지 프로세싱을 수행하여 상기 관심영역에 존재하는 차량을 검출하는 차량 검출부, 그리고 상기 주행도로 영상 프레임에서 상기 차량이 검출된 영역에서의 에지 히스토그램을 생성하고, 상기 에지 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 차량 추적부를 포함한다.

Description

차량 추적 장치 및 방법{APPARATUS AMD METHOD FOR TRACKING VEHICLE}
본 발명은 차량 추적 장치 및 방법에 관한 것이다.
ADAS(Advanced Driving Assistance System)는 도로 상황을 실시간으로 점검하고 위협이 될 만한 상황들이 발생하는 경우 운전자에게 경고하여 운전자를 보호해주기 위한 기술로서, 최근에는 블랙박스 또는 스마트폰과 같은 임베디드 시스템(Embedded System)을 통해 차량 내에서 ADAS 기술을 이용하려는 시도가 늘어나고 있는 추세이다. 한편, 임베디드 시스템의 경우 데스크탑 컴퓨터보다 하드웨어 성능이 떨어지므로, 전방에 있는 차량을 감지하고 추적하기 위해 수행되는 하드웨어 연산량을 줄이는 것이 중요한 과제라 할 수 있다.
이러한 문제를 해결하기 위해 다양한 기술들이 사용되고 있으며, 구체적으로, 스테레오 카메라(Stereo Camera), 레이더(RADAR), 라이다(LiDAR) 또는 단안 카메라(Monocular Camera)를 이용하여 전방의 차량을 감지하는 기술들이 사용되고 있다.
스테레오 카메라를 이용한 기술은 단안 카메라 수준의 이미지 픽셀에 접근할 수 있을 뿐만 아니라 감지 대상과의 거리 정보까지 파악할 수 있는 장점이 있다. 그러나, 감지 대상과 거리가 멀어질수록 정밀도와 정확도가 떨어지는 단점이 존재한다. 또한, 레이더 또는 라이다와 같은 센서를 이용한 기술들은 전방에 있는 차량를 감지하기 쉬운 장점이 있으나, 여러 장애물이 혼재한 상황에서 차량과 기타 장애물을 정확히 분류하지 못하는 단점이 있다.
그러나, 단안 카메라를 이용하는 경우 전방에 위치한 차량의 움직임 정보를 얻을 수 있고, 육안으로 보는 것과 비슷한 수준으로 차량을 기타 장애물과 분리할 수 있다. 나아가, 저가격으로 보급될 수 있다는 점에서 차량 내 구현될 임베디드 시스템에서는 단안 카메라를 이용한 차량 감지 방법이 적합하다고 할 수 있다.
한편, 종래 기술은 단안 카메라를 이용하여 차량을 감지하는데 있어, 움직임 기반 방법(Motion-based method) 또는 특징 기반 방법(Features-based method)을 사용하였다. 움직임 기반 방법은 전방의 차량과 충돌하는 것을 예방하기 위해, 옵티컬 플로우(optical flow)를 수행하는데, 감지 대상 차량과 방향이 서로 반대이기 때문에 옵티컬 플로우들의 크기가 차량을 검출할 만큼 충분히 크다. 그러나, 후방의 차량과 충돌하는 것을 예방해야 하는 경우, 옵티컬 플로우의 크기가 충분히 크지 않아 차량과 기타 장애물을 분리시키는데 문제가 발생하게 되며, 특히 다양한 조건의 환경 속에서 이를 수행하는데 어려움이 많다.
특징 기반 방법의 경우, 수집한 도로 영상 내에서 슬라이딩 윈도우의 크기를 달리하며 분류기를 통해 차량 감지를 수행한다. 하지만, 차량이 존재할 수 있는 영역뿐만 아니라 영상 내 모든 영역을 탐색하고, 영상의 해상도가 높아질수록 연산량이 크게 증가하는 단점이 있다. 또한, 도로 영상의 IPM(Inverse Perspective Mapping) 이미지를 확보하여 IPM 이미지 내에서 차량을 감지하는 경우에도, 도로에 장애물이 존재하는 경우 차량과 기타 장애물을 구분하기 어려운 문제가 있다.
본 발명이 해결하고자 하는 과제는 수집한 도로 영상에서 자아 차선(ego-lane) 정보를 이용하여 차량이 존재하는 관심영역을 설정하고, 설정된 관심영역에 대해 이미지 프로세싱을 수행하여 관심영역 내 존재하는 차량을 검출하는 기술을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는 차량이 검출된 경우, 도로 영상의 휘도 정보에 따라 차량 추적 방법을 결정하고, 결정된 방법을 이용하여 검출된 차량을 지속적으로 추적하는 기술을 제공하는 것이다.
본 발명의 일 실시예에 따른 차량 추적 장치는 주행도로 영상 프레임을 수집하고, 상기 주행도로 영상 프레임에 존재하는 복수의 직선 성분들을 이용하여 자아 차선(ego-lane)들을 결정하는 자아 차선 결정부, 상기 자아 차선들에 각각 대응하는 자아 차선 방정식들을 이용하여 상기 자아 차선들 사이에 존재하는 특정영역들을 결정하고, 상기 특정영역들의 에지 이미지에 대한 히스토그램을 이용하여 관심영역을 설정하는 관심영역 설정부, 상기 관심영역에 이미지 프로세싱을 수행하여 상기 관심영역에 존재하는 차량을 검출하는 차량 검출부, 그리고 상기 주행도로 영상 프레임에서 상기 차량이 검출된 영역에서의 에지 히스토그램을 생성하고, 상기 에지 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 차량 추적부를 포함한다.
자아 차선 결정부는 상기 주행도로 영상 프레임의 에지(edge)를 추출하여 상기 주행도로 영상 프레임에 대한 에지 이미지를 생성하고, 상기 에지 이미지에서 상기 복수의 직선 성분들을 검출하고, 상기 복수의 직선 성분들 중에서 차선과 관련된 직선 성분들을 후보 자아 차선들로 결정하고, 상기 후보 자아 차선들에 대응하는 방정식들과 상기 자아 차선 방정식들을 비교하여 상기 후보 자아 차선들 중에서 상기 자아 차선들을 결정한다.
상기 관심영역 설정부는 상기 자아 차선 방정식들과의 상대적인 위치의 곱이 미리 설정된 값 이상인 영역들을 상기 특정영역들로 결정한다.
상기 차량 추적부는 상기 후속 주행도로 영상 프레임에서 상기 차량이 검출될 수 있는 영역에서의 후속 에지 히스토그램을 생성하고, 상기 에지 히스토그램과 상기 후속 에지 히스토그램의 유사도에 기초하여 상기 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정한다.
상기 차량 추적부는 상기 유사도가 임계 유사도 이상인 경우 상기 후속 주행도로 영상 프레임에서 상기 차량이 검출될 수 있는 영역을 상기 후속 주행도로 영상 프레임에서 상기 차량의 위치로 결정하고, 상기 유사도가 상기 임계 유사도 미만인 경우 상기 후속 주행도로 영상 프레임 중 상기 관심영역에 이미지 프로세싱을 수행하여 상기 차량을 검출한다.
본 발명의 일 실시예에 따른 차량 추적 장치가 자아 차량(ego-vehicle)의 전방에 위치한 차량을 추적하는 방법은 주행도로 영상 프레임을 수집하고, 상기 주행도로 영상 프레임에 존재하는 복수의 직선 성분들을 이용하여 자아 차선(ego-lane)들을 결정하는 단계, 상기 자아 차선들 사이에 존재하는 특정영역들을 결정하고, 상기 특정영역들의 에지 이미지에 대한 히스토그램을 이용하여 관심영역을 설정하는 단계, 상기 주행도로 영상 프레임을 구성하는 픽셀들의 기준 휘도값을 결정하는 단계, 상기 기준 휘도값이 임계 휘도값 이상인 경우, 상기 주행도로 영상 프레임 중 상기 관심영역에 이미지 프로세싱을 수행하여 상기 관심영역에 존재하는 차량을 검출하고, 상기 주행도로 영상 프레임에서 상기 차량이 검출된 영역에서의 에지 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 단계, 그리고 상기 기준 휘도값이 상기 임계 휘도값 미만인 경우, 상기 주행도로 영상 프레임 중 상기 관심영역을 구성하는 픽셀들의 Cr값의 히스토그램을 생성하고, 상기 Cr값의 히스토그램을 이용하여 상기 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 단계를 포함한다.
상기 기준 휘도값은 상기 주행도로 영상 프레임을 구성하는 픽셀들의 평균 휘도값이다.
상기 자아 차선들을 결정하는 단계는 상기 주행도로 영상 프레임의 에지(edge)를 추출하여 상기 주행도로 영상 프레임에 대한 에지 이미지를 생성하는 단계, 상기 에지 이미지에서 상기 복수의 직선 성분들을 검출하고, 상기 복수의 직선 성분들 중에서 차선과 관련된 직선 성분들을 후보 자아 차선들로 결정하는 단계, 그리고 상기 후보 자아 차선들에 대응하는 방정식들과 상기 자아 차선들에 대응하는 방정식들을 비교하여 상기 후보 자아 차선들 중에서 상기 자아 차선들을 결정하는 단계를 포함한다.
상기 자아 차선들 사이에 존재하는 특정영역들을 결정하는 단계는 상기 자아 차선들에 대응하는 방정식들과의 상대적인 위치의 곱이 미리 설정된 값 이상인 영역들을 상기 특정영역들로 결정한다.
상기 자아 차선들 사이에 존재하는 특정영역들을 결정하는 단계는 상기 자아 차선들에 대응하는 방정식들과의 상대적인 위치의 곱이 미리 설정된 값 이상인 영역들을 상기 특정영역들로 결정한다.
상기 Cr값의 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 단계는 상기 주행도로 영상 프레임 중 상기 관심영역에 대해 Cr 성분을 이용하여 이진화 이미지를 생성하는 단계, 상기 이진화 이미지를 이용하여 상기 Cr값의 히스토그램을 생성하는 단계, 그리고 상기 Cr값의 히스토그램을 이용하여 상기 주행도로 영상 프레임에서의 상기 차량의 위치와 상기 후속 주행도로 영상 프레임에서의 상기 차량의 위치를 비교하여 상기 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 단계를 포함한다.
본 발명에 따르면, 도로 영상 전체가 아닌 관심영역 내에서 차량 검출을 위한 이미지 프로세싱을 수행하는바, 차량 검출을 위한 연산량을 대폭 감소시킬 수 있고 검출 성능을 향상시킬 수 있다.
도 1은 한 실시예에 따른 차량 추적 장치를 설명하는 도면이다.
도 2는 차선검출부가 주행도로 영상 프레임에서 자아 차선들을 결정하는 예시적인 방법을 설명하는 도면이다.
도 3은 관심영역 설정부가 설정한 예시적인 관심영역을 도시한 도면이다.
도 4는 관심영역 설정부가 특정영역들을 이용하여 관심영역을 설정하는 방법을 도시한 도면이다.
도 5는 차량 검출부가 관심영역에 존재하는 차량을 검출하는 예시적인 방법을 설명하는 도면이다.
도 6은 차량 검출부가 생성한 이진화 이미지 및 이에 대한 히스토그램을 도시한 도면이다.
도 7은 차량 추적 장치가 자아 차량(ego-vehicle)의 전방에 위치한 차량을 추적하는 방법을 설명하는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 1은 한 실시예에 따른 차량 추적 장치를 설명하는 도면이고, 도 2는 차선검출부가 주행도로 영상 프레임에서 자아 차선들을 결정하는 예시적인 방법을 설명하는 도면이고, 도 3은 관심영역 설정부가 설정한 예시적인 관심영역을 도시한 도면이고, 도 4는 관심영역 설정부가 특정영역들을 이용하여 관심영역을 설정하는 방법을 도시한 도면이고, 도 5는 차량 검출부가 관심영역에 존재하는 차량을 검출하는 예시적인 방법을 설명하는 도면이고, 도 6은 차량 검출부가 생성한 이진화 이미지 및 이에 대한 히스토그램을 도시한 도면이다.
도 1을 참고하면, 차량 추적 장치(1000)는 자아 차선 결정부(100), 관심영역 설정부(200), 차량 검출부(300) 및 차량 추적부(400)를 포함한다.
자아 차선 결정부(100)는 주행도로 영상 프레임을 수집하고, 주행도로 영상 프레임에 존재하는 복수의 직선 성분들을 이용하여 자아 차선(ego-lane)들을 결정한다.
구체적으로, 자아 차선 결정부(100)는 자아 차량(ego-vehicle)의 일측에 설치된 카메라를 통해 촬영된 자아 차량의 전방 주행도로 영상 프레임을 수신한다.
자아 차선 결정부(100)는 수집한 주행도로 영상 프레임의 에지(edge)를 추출하여 주행도로 영상 프레임에 대한 에지 이미지를 생성한다. 즉, 자아 차선 결정부(100)는 수집한 주행도로 영상 프레임에 존재하는 자아 차선(ego-lane)들이 기타 장애물보다 강한 에지를 가지고 있다는 특징을 이용하여 에지 추출을 이용한 전처리 과정을 수행한다.
자아 차선 결정부(100)는 에지 이미지에서 복수의 직선 성분들을 검출하고, 복수의 직선 성분들 중에서 차선과 관련된 직선 성분들을 후보 자아 차선들로 결정한다.
예를 들면, 도 2를 참고하면, 자아 차선 결정부(100)는 수집한 주행도로 영상 프레임에 대해 이진 변환 및 캐니 에지 검출(Canny Edge Detection) 알고리즘을 적용하여 에지 이미지를 생성할 수 있다.
이후, 자아 차선 결정부(100)는 에지 이미지에 진보된 확률적 허프 변환(PPHT, Progressive Probabilistic Hough Transform) 알고리즘을 적용하여 복수의 직선 성분들을 검출하고, 복수의 직선 성분들 중에서 accumulator values가 기준값 이상인 직선들을 후보 자아 차선들로 결정할 수 있다. 예를 들면, 자아 차선 결정부(100)는 복수의 직선 성분들 중에서 차선에 대한 에지 이미지와 중첩도가 높아, θ-ρ공간에 있는 허프 변환 이미지 상에서 ρ의 누적도가 임계 누적도 이상인 직선 성분들을 후보 자아 차선들로 결정할 수 있다.
자아 차선 결정부(100)는 후보 자아 차선들에 대응하는 방정식들과 자아 차선들에 각각 대응하는 자아 차선 방정식들을 비교하여 후보 자아 차선들 중에서 자아 차선들을 결정한다.
Figure 112018086841101-pat00001
수학식 1에서, Ll은 자아 차선들 중 왼쪽 차선의 방정식이고, Sl은 왼쪽 차선의 방정식의 기울기이고, x1은 왼쪽 차선의 방정식의 x절편이고, y1은 왼쪽 차선의 방정식의 y절편이고, Lr은 자아 차선들 중 오른쪽 차선의 방정식이고, Lr은 오른쪽 차선의 방정식의 기울기이고, x3은 오른쪽 차선의 방정식의 x절편이고, y3은 오른쪽 차선의 방정식의 y절편이다.
자아 차선 결정부(100)는 후보 자아 차선들 중에서 왼쪽 차선의 방정식과 대응하는 후보 자아 차선을 자아 차선들 중 왼쪽 자아 차선으로 결정하고, 오른쪽 차선의 방정식과 대응하는 후보 자아 차선을 자아 차선들 중 오른쪽 자아 차선으로 결정할 수 있다. 도 2에서 결정된 자아 차선들은 초록색 실선으로 표시되었다.
관심영역 설정부(200)는 자아 차선 방정식들을 이용하여 자아 차선들 사이에 존재하는 특정영역들을 결정하고, 특정영역들을 이용하여 관심영역을 설정한다.
구체적으로, 도 3을 참고하면, 관심영역 설정부(200)는 자아 차선 방정식들과의 상대적인 위치의 곱이 미리 설정된 값 이상인 영역들을 특정영역들로 결정한다.
Figure 112018086841101-pat00002
수학식 2에서, V(x, y)는 관심영역의 이미지 패치(image patch)이고, 구체적인 값은 E(x, y) 또는 0을 갖는다. Ll(x, y)*Lr(x, y)의 값이 0이상인 경우, V(x, y)는 E(x, y)의 값 즉, Ll(x, y)*Lr(x, y)의 값을 갖는다. 자아 차선들로 구분된 영역들 중에서 Ll(x, y)*Lr(x, y)의 값이 0 이상인 영역은 상부 영역인 4 영역과 하부 영역인 2 영역이므로 4 영역과 2 영역이 특정영역들로 결정된다. Ll(x, y) 및 Lr(x, y)를 구성하는 파라미터는 수학식 1에서 설명한 파라미터와 동일하다.
이를 통해, 관심영역 설정부(200)는 도 3에 도시된 바와 같이, 관심영역을 설정할 수 있다. 도 3에서, 자아 차선들은 초록색 실선으로 표시되었으며, 설정된 관심영역은 파란색 실선으로 표시되었다.
한편, 관심영역 설정부(200)가 수학식 2를 통해 관심영역을 설정하는 경우, 자아 차선들에 대응하는 에지도 함께 추출되는 문제가 발생할 수 있다. 특히, 에지 이미지 상의 도로 표면에 에지가 다수 검출되는 경우 관심영역의 설정에 오류가 발생할 수 있다.
따라서, 관심영역 설정부(200)는 자아 차선들에 대응하는 에지를 제거하기 위해, 자아 차선들의 픽셀과 인접한 펙셀들과의 거리들을 계산하고, 거리들을 임계 거리값과 비교하여 자아 차선들에 대응하는 에지를 제거하는 필터링 과정을 수행할 수 있다.
Figure 112018086841101-pat00003
수학식 3에서, Dl은 특정 좌표와 자아 차선들 중 왼쪽 차선의 방정식 사이의 거리이고, Dr은 특정 좌표와 자아 차선들 중 오른쪽 차선의 방정식 사이의 거리이고, Dthres는 임계 거리값이다. 즉, 관심영역 설정부(200)는 임의의 좌표의 픽셀에서 자아 차선들을 구성하는 픽셀까지의 거리가 임계 거리값 이하인 경우 관심영역의 이미지 패치(image patch) 값을 0으로 재수정하여 자아 차선들에 대응하는 에지를 제거할 수 있다. 한편, Dl(x, y) 및 Dr(x, y)를 구성하는 파라미터는 수학식 1에서 설명한 파라미터와 동일하다.
관심영역 설정부(200)는 특정영역들을 이용하여 관심영역을 설정한다.
구체적으로, 관심영역 설정부(200)는 특정영역들의 에지 이미지에 대한 히스토그램을 이용하여 관심영역을 설정한다.
도 4에 도시된 바와 같이, 관심영역 설정부(200)는 특징영역들에 대한 에지 이미지를 결정한다.
이후, 관심영역 설정부(200)는 에지 이미지에 대한 수직 히스토그램을 통해 관심영역의 상부 및 하부의 y 좌표들을 각각 결정한다. 전방 자동차가 차선 내에 존재한다는 가정하에 관심영역의 좌측과 우측에 대한 x 좌표들은 자아 차선의 방정식인 Ll(x, y) 및 Lr(x, y)을 통해 추정한다.
차량 검출부(300)는 관심영역에 이미지 프로세싱을 수행하여 관심영역에 존재하는 차량을 검출한다.
예를 들면, 도 5를 참고하면, 차량 검출부(300)는 주행도로 영상 프레임의 관심영역에 대해 Haar-like features based boosting cascade classifier 알고리즘을 이용하여 관심영역에 존재하는 차량을 검출할 수 있다. 이 경우, 차량 검출부(300)는 차량을 검출할 때까지 관심영역 상에서 미리 설정된 크기의 슬라이딩 윈도우(sliding window)를 변화시키면서 차량 검출을 수행하며, 슬라이딩 윈도우의 크기는 관심영역의 크기 이하로 설정될 수 있다.
차량 추적부(400)는 주행도로 영상 프레임에서 차량이 검출된 영역에서의 에지 히스토그램을 생성하고, 에지 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 차량의 위치를 결정한다.
구체적으로, 차량 추적부(400)는 후속 주행도로 영상 프레임을 수집하고, 후속 주행도로 영상 프레임에서 차량이 검출될 수 있는 영역에서의 후속 에지 히스토그램을 생성한다. 이후, 차량 추적부(400)는 에지 히스토그램과 후속 에지 히스토그램의 유사도에 기초하여 후속 주행도로 영상 프레임에서 차량의 위치를 결정한다.
즉, 연속적인 주행도로 영상 프레임들 간에 에지 히스토그램은 유사할 것이므로, 차량 추적부(400)는 주행도로 영상 프레임의 에지 히스토그램과 후속 주행도로 영상 프레임의 에지 히스토그램을 관심영역을 기준으로 비교하여 차량의 위치를 예측한다.
Figure 112018086841101-pat00004
수학식 4에서, H1(y)는 후속 주행도로 영상 프레임에서 차량이 존재할 수 있는 위치의 에지 히스토그램이고, H2(y)는 주행도로 영상 프레임에서 차량이 존재한 위치의 에지 히스토그램이고, yn - k t1 및 yn - k t2는 k번째 주행도로 영상 프레임에서 차량이 존재하는 수직방향의 좌표들이다. 이 경우, y의 범위는
Figure 112018086841101-pat00005
이다.
한편, 주행도로 영상 프레임과 후속 주행도로 영상 프레임 사이에서 앞 차량과의 거리가 일정하지 않은 경우, H1(y)와 H2(y) 사이에서 차량이 위치하는 영역의 차이가 발생할 것이므로, 차량 추적을 정확히 수행할 수 없다. 따라서, 앞 차량과의 거리를 고려하는 변수 dy를 추가하여 H1(y)를 수학식 5와 같이 재설정할 수 있다.
Figure 112018086841101-pat00006
차량 추적부(400)는 차량 추적을 수행하기 위해 H1(y)과 H2(y) 사이의 유사도를 수학식 6을 이용하여 계산한다.
Figure 112018086841101-pat00007
수학식 6에서, Histcorrelation(H1, H2)는 H1(y)와 H2(y) 사이의 유사도이고, H1avg 및 H2avg는 각각 H1(y) 및 H2(y)의 평균값을 의미한다.
차량 추적부(400)는 에지 히스토그램 간의 유사도가 임계 유사도 이상인 경우 후속 주행도로 영상 프레임에서 차량이 검출될 수 있는 영역을 후속 주행도로 영상 프레임에서 차량의 위치로 결정한다.
다만, 에지 히스토그램 간의 유사도가 임계 유사도 미만인 경우, 차량 추적부(400)는 후속 주행도로 영상 프레임 중 관심영역에 이미지 프로세싱을 수행하여 차량을 재검출한다.
한편, 주행도로 영상 프레임의 평균 휘도값이 낮은 경우, 연속적인 주행도로 영상 프레임들 간에 에지 히스토그램은 유사하지 않으므로, 에지 히스토그램 기반의 차량 추적의 정확도가 떨어지는 문제가 있다. 따라서, 이 경우 차량 추적부(400)는 주행도로 영상 프레임 중 관심영역을 구성하는 픽셀들의 Cr값의 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 차량의 위치를 결정한다.
구체적으로, 주행도로 영상 프레임의 평균 휘도값이 125보다 작은 경우, 차량 추적부(400)는 주행도로 영상 프레임 중 관심영역을 구성하는 픽셀들의 Cr값의 히스토그램을 생성한다.
예를 들면, 도 6에서 도시된 바와 같이, 차량 추적부(400)는 주행도로 영상 프레임 중 관심영역에 대해 Cr 성분으로 오츠 이진화 기법(Otsu's thresholding method)을 수행하여 이진화 이미지를 생성할 수 있고, 이진화 이미지를 이용하여 수직 히스토그램(vertical histogram) 및 수평 히스토그램(horizontal histogram)을 포함하는 Cr값의 히스토그램을 생성할 수 있다.
차량 추적부(400)가 Cr 성분으로 오츠 이진화 기법을 사용하는 경우, 차량의 후미등 영역을 기준으로 이진화 이미지를 생성할 수 있는데, 차량의 후미등 영역은 붉은 계열인바 주행도로 영상 프레임 상에 노이즈가 존재하더라도 후미등 영역과 배경 영역을 정확히 구분할 수 있기 때문이다.
참고로, 오츠 이진화 기법은 영상의 히스토그램의 형태를 쌍봉형(binomial)이라고 가정하였을 때, 계곡점(valley)를 찾고, 계곡점을 임계값으로 설정하여 이진화하는 방법으로서, 임계값 T는 하기 수학식 7과 같이 구할 수 있다.
Figure 112018086841101-pat00008
수학식 7에서, T는 오츠 이진화 기법을 적용할 임계값이고, L은 주행도로 영상 프레임에서 픽셀이 가질 수 있는 최대 레벨이고, wb 및 wr은 각각 배경과 후미등 영역의 확률 분포이고, ub 및 ur은 각각 배경을 구성하는 픽셀들과 후미등 영역을 구성하는 픽셀들의 평균 레벨이다.
차량 추적부(400)는 Cr값의 히스토그램을 이용하여 주행도로 영상 프레임에서의 차량의 위치와 후속 주행도로 영상 프레임에서의 차량의 위치를 비교하여 후속 주행도로 영상 프레임에서 차량의 위치를 결정한다.
Figure 112018086841101-pat00009
수학식 8에서, V(t)는 후속 주행도로 영상 프레임에서의 차량의 위치이고, V(t-k)는 주행도로 영상 프레임에서의 차량의 위치이다. 만일 차량의 후미등 영역을 기준으로 이진화 이미지가 생성된 경우, V(t)는 후속 주행도로 영상 프레임에서의 후미등 영역이고, V(t-k)는 주행도로 영상 프레임에서의 후미등 영역이며, 후미등 영역을 기준으로 차량의 위치를 결정할 수 있다.
또한, G는 후속 주행도로 영상 프레임에서의 차량의 위치와 주행도로 영상 프레임에서의 차량의 위치 사이의 거리이고, 만일 G가 임계 차량 거리값 Gthres보다 작은 경우, 후속 주행도로 영상 프레임에서의 차량의 위치 V(t)를 차량의 위치로 결정하여 차량의 위치를 검출한다.
만일 G가 임계 차량 거리값 Gthres보다 큰 경우, 후미등 정보로 차량 추적이 불가능하다고 판단하여 차량 검출을 실시한다.
도 7은 차량 추적 장치가 자아 차량(ego-vehicle)의 전방에 위치한 차량을 추적하는 방법을 설명하는 도면이다.
도 7에서, 도 1 내지 도 6과 동일한 내용은 그 자세한 설명을 생략한다.
도 7을 참고하면, 차량 추적 장치(1000)는 주행도로 영상 프레임을 수집하고(S100), 주행도로 영상 프레임에 존재하는 복수의 직선 성분들을 이용하여 주행도로 영상 프레임 상에서 자아 차선(ego-lane)들을 결정한다(S110).
구체적으로, 차량 추적 장치(1000)는 주행도로 영상 프레임의 에지(edge)를 추출하여 주행도로 영상 프레임에 대한 에지 이미지를 생성하고, 에지 이미지에서 복수의 직선 성분들을 검출하고, 복수의 직선 성분들 중에서 차선과 관련된 직선 성분들을 후보 자아 차선들로 결정하고, 후보 자아 차선들에 대응하는 방정식들과 자아 차선들에 대응하는 방정식들을 비교하여 후보 자아 차선들 중에서 자아 차선들을 결정한다.
차량 추적 장치(1000)는 자아 차선들 사이에 존재하는 특정영역들을 결정하고(S120), 특정영역들을 이용하여 관심영역을 설정한다(S130).
구체적으로, 차량 추적 장치(1000)는 자아 차선들에 대응하는 방정식들과의 상대적인 위치의 곱이 미리 설정된 값 이상인 영역들을 특정영역들로 결정하고, 특정영역들의 에지 이미지에 대한 히스토그램을 이용하여 관심영역을 설정한다.
차량 추적 장치(1000)는 주행도로 영상 프레임을 구성하는 픽셀들의 기준 휘도값을 결정한다(S140). 이 경우, 기준 휘도값은 주행도로 영상 프레임을 구성하는 픽셀들의 평균 휘도값일 수 있다.
차량 추적 장치(1000)는 기준 휘도값과 임계 휘도값을 비교한다(S150).
만일 기준 휘도값이 임계 휘도값 이상인 경우, 차량 추적 장치(1000)는 주행도로 영상 프레임 중 관심영역에 이미지 프로세싱을 수행하여 관심영역에 존재하는 차량을 검출한다(S160).
이후, 차량 추적 장치(1000)는 주행도로 영상 프레임에서 차량이 검출된 영역에서의 에지 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 차량의 위치를 결정한다.
구체적으로, 차량 추적 장치(1000)는 주행도로 영상 프레임에서 차량이 검출된 영역에서의 에지 히스토그램을 생성하고(S161), 후속 주행도로 영상 프레임에서 차량이 검출될 수 있는 영역에서의 후속 에지 히스토그램을 생성한다(S163).
차량 추적 장치(1000)는 에지 히스토그램과 후속 에지 히스토그램의 유사도를 결정하고(S165), 유사도를 임계 유사도와 비교한다(S167).
만일 유사도가 임계 유사도 이상인 경우, 차량 추적 장치(1000)는 후속 주행도로 영상 프레임에서 차량이 검출될 수 있는 영역을 후속 주행도로 영상 프레임에서 차량의 위치로 결정한다(S168).
만일 유사도가 임계 유사도 미만인 경우, 차량 추적 장치(1000)는 후속 주행도로 영상 프레임 중 관심영역에 이미지 프로세싱을 수행하여 차량을 검출한다(S169).
만일 기준 휘도값이 임계 휘도값 미만인 경우, 차량 추적 장치(1000)는 주행도로 영상 프레임 중 관심영역을 구성하는 픽셀들의 Cr값의 히스토그램을 생성하고, Cr값의 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 차량의 위치를 결정한다.
구체적으로, 차량 추적 장치(1000)는 주행도로 영상 프레임 중 관심영역에 대해 Cr 성분을 이용하여 이진화 이미지를 생성하고(S170), 이진화 이미지를 이용하여 Cr값의 히스토그램을 생성한다(S171).
차량 추적 장치(1000)는 Cr값의 히스토그램을 이용하여 주행도로 영상 프레임에서의 차량의 위치와 후속 주행도로 영상 프레임에서의 차량의 위치를 비교하여 후속 주행도로 영상 프레임에서 차량의 위치를 결정한다(S173).
본 발명에 따르면, 도로 영상 전체가 아닌 관심영역 내에서 차량 검출을 위한 이미지 프로세싱을 수행하는바, 차량 검출을 위한 연산량을 대폭 감소시킬 수 있고 검출 성능을 향상시킬 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (11)

  1. 차량 추적 장치로서,
    주행도로 영상 프레임을 수집하고, 상기 주행도로 영상 프레임에 존재하는 복수의 직선 성분들을 이용하여 자아 차선(ego-lane)들을 결정하는 자아 차선 결정부,
    상기 자아 차선들에 각각 대응하는 자아 차선 방정식들을 이용하여 상기 자아 차선들 사이에 존재하는 특정영역들을 결정하고, 상기 특정영역들의 에지 이미지에 대한 히스토그램을 이용하여 관심영역을 설정하는 관심영역 설정부,
    상기 관심영역에 이미지 프로세싱을 수행하여 상기 관심영역에 존재하는 차량을 검출하는 차량 검출부, 그리고
    상기 주행도로 영상 프레임에서 상기 차량이 검출된 영역에서의 에지 히스토그램을 생성하고, 상기 에지 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 차량 추적부
    를 포함하고,
    상기 관심영역 설정부는
    상기 자아 차선 방정식들과의 상대적인 위치의 곱이 미리 설정된 값 이상인 영역들을 상기 특정영역들로 결정하는, 차량 추적 장치.
  2. 제1항에서,
    상기 자아 차선 결정부는
    상기 주행도로 영상 프레임의 에지(edge)를 추출하여 상기 주행도로 영상 프레임에 대한 에지 이미지를 생성하고, 상기 에지 이미지에서 상기 복수의 직선 성분들을 검출하고, 상기 복수의 직선 성분들 중에서 차선과 관련된 직선 성분들을 후보 자아 차선들로 결정하고, 상기 후보 자아 차선들에 대응하는 방정식들과 상기 자아 차선 방정식들을 비교하여 상기 후보 자아 차선들 중에서 상기 자아 차선들을 결정하는 차량 추적 장치.
  3. 삭제
  4. 제1항에서,
    상기 차량 추적부는
    상기 후속 주행도로 영상 프레임에서 상기 차량이 검출될 수 있는 영역에서의 후속 에지 히스토그램을 생성하고, 상기 에지 히스토그램과 상기 후속 에지 히스토그램의 유사도에 기초하여 상기 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 차량 추적 장치.
  5. 제4항에서,
    상기 차량 추적부는
    상기 유사도가 임계 유사도 이상인 경우 상기 후속 주행도로 영상 프레임에서 상기 차량이 검출될 수 있는 영역을 상기 후속 주행도로 영상 프레임에서 상기 차량의 위치로 결정하고, 상기 유사도가 상기 임계 유사도 미만인 경우 상기 후속 주행도로 영상 프레임 중 상기 관심영역에 이미지 프로세싱을 수행하여 상기 차량을 검출하는 차량 추적 장치.
  6. 차량 추적 장치가 자아 차량(ego-vehicle)의 전방에 위치한 차량을 추적하는 방법으로서,
    주행도로 영상 프레임을 수집하고, 상기 주행도로 영상 프레임에 존재하는 복수의 직선 성분들을 이용하여 자아 차선(ego-lane)들을 결정하는 단계,
    상기 자아 차선들 사이에 존재하는 특정영역들을 결정하고, 상기 특정영역들의 에지 이미지에 대한 히스토그램을 이용하여 관심영역을 설정하는 단계,
    상기 주행도로 영상 프레임을 구성하는 픽셀들의 기준 휘도값을 결정하는 단계,
    상기 기준 휘도값이 임계 휘도값 이상인 경우, 상기 주행도로 영상 프레임 중 상기 관심영역에 이미지 프로세싱을 수행하여 상기 관심영역에 존재하는 차량을 검출하고, 상기 주행도로 영상 프레임에서 상기 차량이 검출된 영역에서의 에지 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 단계, 그리고
    상기 기준 휘도값이 상기 임계 휘도값 미만인 경우, 상기 주행도로 영상 프레임 중 상기 관심영역을 구성하는 픽셀들의 Cr값의 히스토그램을 생성하고, 상기 Cr값의 히스토그램을 이용하여 상기 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 단계
    를 포함하는 차량 추적 방법.
  7. 제6항에서,
    상기 기준 휘도값은 상기 주행도로 영상 프레임을 구성하는 픽셀들의 평균 휘도값인 차량 추적 방법.
  8. 제6항에서,
    상기 자아 차선들을 결정하는 단계는
    상기 주행도로 영상 프레임의 에지(edge)를 추출하여 상기 주행도로 영상 프레임에 대한 에지 이미지를 생성하는 단계,
    상기 에지 이미지에서 상기 복수의 직선 성분들을 검출하고, 상기 복수의 직선 성분들 중에서 차선과 관련된 직선 성분들을 후보 자아 차선들로 결정하는 단계, 그리고
    상기 후보 자아 차선들에 대응하는 방정식들과 상기 자아 차선들에 대응하는 방정식들을 비교하여 상기 후보 자아 차선들 중에서 상기 자아 차선들을 결정하는 단계
    를 포함하는 차량 추적 방법.
  9. 제6항에서,
    상기 자아 차선들 사이에 존재하는 특정영역들을 결정하는 단계는
    상기 자아 차선들에 대응하는 방정식들과의 상대적인 위치의 곱이 미리 설정된 값 이상인 영역들을 상기 특정영역들로 결정하는 차량 추적 방법.
  10. 제6항에서,
    상기 에지 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 단계는
    상기 후속 주행도로 영상 프레임에서 상기 차량이 검출될 수 있는 영역에서의 후속 에지 히스토그램을 생성하는 단계, 그리고
    상기 에지 히스토그램과 상기 후속 에지 히스토그램의 유사도에 기초하여 상기 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 단계
    를 포함하는 차량 추적 방법.
  11. 제6항에서,
    상기 Cr값의 히스토그램을 이용하여 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 단계는
    상기 주행도로 영상 프레임 중 상기 관심영역에 대해 Cr 성분을 이용하여 이진화 이미지를 생성하는 단계,
    상기 이진화 이미지를 이용하여 상기 Cr값의 히스토그램을 생성하는 단계, 그리고
    상기 Cr값의 히스토그램을 이용하여 상기 주행도로 영상 프레임에서의 상기 차량의 위치와 상기 후속 주행도로 영상 프레임에서의 상기 차량의 위치를 비교하여 상기 후속 주행도로 영상 프레임에서 상기 차량의 위치를 결정하는 단계
    를 포함하는 차량 추적 방법.
KR1020180103767A 2018-08-31 2018-08-31 차량 추적 장치 및 방법 KR102069843B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180103767A KR102069843B1 (ko) 2018-08-31 2018-08-31 차량 추적 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180103767A KR102069843B1 (ko) 2018-08-31 2018-08-31 차량 추적 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102069843B1 true KR102069843B1 (ko) 2020-01-23

Family

ID=69368857

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180103767A KR102069843B1 (ko) 2018-08-31 2018-08-31 차량 추적 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102069843B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313041A (zh) * 2021-06-08 2021-08-27 安徽工程大学 基于信息融合的前方车辆识别方法及系统
CN113313738A (zh) * 2021-07-15 2021-08-27 武汉卓目科技有限公司 基于eco与伺服联动的无人机目标跟踪方法及装置
KR102480011B1 (ko) 2022-03-11 2022-12-20 김익균 차량 블랙박스와 ｇｐｓ를 이용한 스마트 불법 감시 방지 시스템
KR102505353B1 (ko) 2022-03-11 2023-02-28 김익균 스마트폰 연동 기능을 이용한 스마트 불법 감시 방지 시스템
KR20230039865A (ko) * 2021-09-14 2023-03-22 (주) 하나텍시스템 관제용 카메라를 활용한 주야간 주행 검지시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007235950A (ja) * 2006-02-28 2007-09-13 Alpine Electronics Inc 車両位置検出方法及び装置
JP2013057992A (ja) * 2011-09-07 2013-03-28 Clarion Co Ltd 車間距離算出装置およびそれを用いた車両制御システム
KR20140062334A (ko) * 2012-11-14 2014-05-23 재단법인대구경북과학기술원 장애물 검출 장치 및 방법
JP2014146326A (ja) * 2013-01-25 2014-08-14 Ricoh Co Ltd 多車線の検出方法と検出システム
KR20160133386A (ko) * 2016-07-27 2016-11-22 주식회사 엠브레인 차량용 블랙박스 후방카메라를 이용한 측후방 충돌방지 시스템의 충돌방지방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007235950A (ja) * 2006-02-28 2007-09-13 Alpine Electronics Inc 車両位置検出方法及び装置
JP2013057992A (ja) * 2011-09-07 2013-03-28 Clarion Co Ltd 車間距離算出装置およびそれを用いた車両制御システム
KR20140062334A (ko) * 2012-11-14 2014-05-23 재단법인대구경북과학기술원 장애물 검출 장치 및 방법
JP2014146326A (ja) * 2013-01-25 2014-08-14 Ricoh Co Ltd 多車線の検出方法と検出システム
KR20160133386A (ko) * 2016-07-27 2016-11-22 주식회사 엠브레인 차량용 블랙박스 후방카메라를 이용한 측후방 충돌방지 시스템의 충돌방지방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313041A (zh) * 2021-06-08 2021-08-27 安徽工程大学 基于信息融合的前方车辆识别方法及系统
CN113313738A (zh) * 2021-07-15 2021-08-27 武汉卓目科技有限公司 基于eco与伺服联动的无人机目标跟踪方法及装置
CN113313738B (zh) * 2021-07-15 2021-10-01 武汉卓目科技有限公司 基于eco与伺服联动的无人机目标跟踪方法及装置
KR20230039865A (ko) * 2021-09-14 2023-03-22 (주) 하나텍시스템 관제용 카메라를 활용한 주야간 주행 검지시스템
KR102646288B1 (ko) * 2021-09-14 2024-03-12 (주) 하나텍시스템 관제용 카메라를 활용한 주야간 주행 검지시스템
KR102480011B1 (ko) 2022-03-11 2022-12-20 김익균 차량 블랙박스와 ｇｐｓ를 이용한 스마트 불법 감시 방지 시스템
KR102505353B1 (ko) 2022-03-11 2023-02-28 김익균 스마트폰 연동 기능을 이용한 스마트 불법 감시 방지 시스템

Similar Documents

Publication Publication Date Title
KR102069843B1 (ko) 차량 추적 장치 및 방법
Marzougui et al. A lane tracking method based on progressive probabilistic Hough transform
Rezaei et al. Robust vehicle detection and distance estimation under challenging lighting conditions
Wu et al. Lane-mark extraction for automobiles under complex conditions
CN110210363B (zh) 一种基于车载图像的目标车辆压线检测方法
US8902053B2 (en) Method and system for lane departure warning
Kosaka et al. Vision-based nighttime vehicle detection using CenSurE and SVM
US20170032676A1 (en) System for detecting pedestrians by fusing color and depth information
KR101176693B1 (ko) 거리센서를 이용한 차선인식 방법 및 그 시스템
KR100975749B1 (ko) 단일 차선을 이용한 차선 인식 및 차량의 차선 이탈 검출 방법
JP2008242571A (ja) 物体検出装置
WO2016059643A1 (en) System and method for pedestrian detection
Ponsa et al. On-board image-based vehicle detection and tracking
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
Santos et al. Learning to segment roads for traffic analysis in urban images
WO2019149213A1 (zh) 基于影像识别路锥的方法、装置、存储介质以及车辆
Gupta et al. Robust lane detection using multiple features
Lu A lane detection, tracking and recognition system for smart vehicles
Chen et al. Salient video cube guided nighttime vehicle braking event detection
Kodeeswari et al. Lane line detection in real time based on morphological operations for driver assistance system
KR20180071552A (ko) 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템
KR102045026B1 (ko) 차선 인식 장치 및 방법
KR101429271B1 (ko) 표적 추적방법 및 이를 이용한 표적 추적장치
Yadav et al. Real time vehicle detection for rear and forward collision warning systems
KR20140076043A (ko) 보행자 후보 검출장치 및 검출방법

Legal Events

Date Code Title Description
GRNT Written decision to grant