KR102596992B1 - 자율주행 기반 무허가 주정차 차량 단속 시스템 - Google Patents
자율주행 기반 무허가 주정차 차량 단속 시스템 Download PDFInfo
- Publication number
- KR102596992B1 KR102596992B1 KR1020210127331A KR20210127331A KR102596992B1 KR 102596992 B1 KR102596992 B1 KR 102596992B1 KR 1020210127331 A KR1020210127331 A KR 1020210127331A KR 20210127331 A KR20210127331 A KR 20210127331A KR 102596992 B1 KR102596992 B1 KR 102596992B1
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- parked
- image
- unmanned enforcement
- equation
- Prior art date
Links
- 239000000284 extract Substances 0.000 claims abstract description 15
- 239000008199 coating composition Substances 0.000 claims description 15
- 239000002270 dispersing agent Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000010954 inorganic particle Substances 0.000 claims description 7
- 239000003960 organic solvent Substances 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- -1 acrylic compound Chemical class 0.000 claims description 5
- 238000003702 image correction Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 23
- 239000011247 coating layer Substances 0.000 description 22
- 238000004891 communication Methods 0.000 description 19
- 238000000034 method Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 13
- ZWEHNKRNPOVVGH-UHFFFAOYSA-N 2-Butanone Chemical compound CCC(C)=O ZWEHNKRNPOVVGH-UHFFFAOYSA-N 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000011109 contamination Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- OWZREIFADZCYQD-NSHGMRRFSA-N deltamethrin Chemical compound CC1(C)[C@@H](C=C(Br)Br)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 OWZREIFADZCYQD-NSHGMRRFSA-N 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000003381 stabilizer Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 239000011242 organic-inorganic particle Substances 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 229920000728 polyester Polymers 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- BTZVKSVLFLRBRE-UHFFFAOYSA-N 2-methoxypropyl acetate Chemical compound COC(C)COC(C)=O BTZVKSVLFLRBRE-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229920001577 copolymer Polymers 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- LLHKCFNBLRBOGN-UHFFFAOYSA-N propylene glycol methyl ether acetate Chemical compound COCC(C)OC(C)=O LLHKCFNBLRBOGN-UHFFFAOYSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002940 repellent Effects 0.000 description 1
- 239000005871 repellent Substances 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000006097 ultraviolet radiation absorber Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004078 waterproofing Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G06Q50/30—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
자율주행 기반 무허가 주정차 차량 단속 시스템이 개시된다. 본 발명은 특정 구역을 자율주행하여 특정 조건에 부합하는 주정차 차량을 추출하는 무인 단속 차량 및 상기 무인 단속 차량으로부터 상기 주정차 차량에 대한 특징 정보를 수신하여, 상기 주정차 차량의 주정차 허가 여부에 대한 정보를 도출하는 서버를 포함하되, 상기 무인 단속 차량은 상기 주정차 차량의 번호판 이미지를 포함하는 이미지 데이터를 생성하기 위한 카메라 장치 및 상기 이미지 데이터에 포함된 상기 번호판 이미지로부터 상기 주정차 차량의 차량 번호를 추출하는 컴퓨팅 장치를 포함할 수 있다.
Description
본 발명은 자율주행 기반 무허가 주정차 차량 단속 시스템에 관한 것이다. 보다 상세하게는 무인 단속 차량이 특정 구역을 자율주행하면서 차량 번호를 인식하고 인식한 차량 번호에 기초하여 무허가 차량을 단속할 수 있는 시스템에 관한 것이다.
일반적으로 불법 주정차의 단속은 일정영역안에 들어오는 모든 차량을 촬영 및 전송함에 따라 비단속 대상의 차량들이 더 많이 촬영되어 시스템의 효율성이 저하되는 문제가 있었다.
또한 종래에는 주차장 주차면에 별도로 초음파, 루프, 피에죠 등의 센서를 설치하여 주차차량의 존재와 진ㆍ출입 위치를 검지하는 방법을 사용하였으나, 이는 각 주차면 별로 센서를 설치해야 하기 때문에 초기투자와 운영비, 유지보수비가 많이 들뿐더러 차량이 지정된 주차면에 정확히 주차하지 않을 경우 잘못 인식되는 경우가 자주 발생하였다.
또한 주차장 포장면을 굴착하여 주차면 별로 센서를 설치하기 때문에 관계기관의 요청이나 이용차량의 변화 등으로 주차면을 조정하거나 축소하거나 폐지할 경우에는 기존에 설치된 센서는 대부분 재사용이 불가능하여 폐기되므로 비용이 늘어나는 문제점이 있었다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
이에, 인공지능을 활용하여 무허가 주정차 차량을 단속할 수 있는 시스템의 필요성이 증가하고 있다.
본 발명의 목적은 자율주행하는 무인 단속 차량을 통하여 특정 조건의 차량 번호를 자동으로 추출하여 실시간으로 변화하는 상황에서의 무허가 차량을 단속하기 위한 것이다.
또한, 본 발명의 목적은 실시간으로 변경되는 무허가/허가 차량 리스트를 갱신하는 서버와 통신하여 무허가 차량을 단속하기 위한 것이다.
또한, 본 발명의 목적은 다양한 외부 환경에서 보다 선명한 이미지를 도출할 수 있는 무인 단속 차량을 통한 차량 번호 추출을 위한 것이다.
상술한 과제를 해결하기 위하여, 본 발명은, 특정 구역을 자율주행하여 특정 조건에 부합하는 주정차 차량을 추출하는 무인 단속 차량 및 상기 무인 단속 차량으로부터 상기 주정차 차량에 대한 특징 정보를 수신하여, 상기 주정차 차량의 주정차 허가 여부에 대한 정보를 도출하는 서버를 포함하되, 상기 무인 단속 차량은 상기 주정차 차량의 번호판 이미지를 포함하는 이미지 데이터를 생성하기 위한 카메라 장치 및 상기 이미지 데이터에 포함된 상기 번호판 이미지로부터 상기 주정차 차량의 차량 번호를 추출하는 컴퓨팅 장치를 포함할 수 있다.
또한, 상기 서버는 상기 차량 번호를 수신하고, 상기 차량 번호 및 기저장된 차량 번호 리스트에 기초하여 상기 주정차 차량의 주정차 허가 여부에 대한 정보를 도출할 수 있다.
또한, 상기 무인 단속 차량은 구동을 위한 전력 에너지를 저장하는 배터리부, 상기 무인 단속 차량의 구동을 제어하기 위한 구동 제어 장치 및 상기 무인 단속 차량의 주변 정보를 획득하기 위한 라이다 장치를 더 포함하고, 상기 컴퓨팅 장치는 상기 주변 정보를 비전 인식하여 지정된 경로를 따라 자율주행하도록 상기 배터리부 및 상기 구동 제어 장치를 제어할 수 있다.
또한, 상기 무인 단속 차량은 위치 데이터를 생성하기 위한 위치 데이터 생성 장치를 더 포함하되, 상기 컴퓨팅 장치는 상기 위치 데이터 및 상기 비전 인식 결과를 기초로 상기 무인 단속 차량의 현재 위치 정보를 연산할 수 있다.
또한, 상기 카메라 장치는, 광 이미지로부터 상기 영상 데이터를 생성하는 카메라 모듈을 포함하고, 상기 카메라 모듈은, 측벽에 관통홀을 포함하는 하우징, 상기 관통홀에 설치된 렌즈 및 상기 렌즈를 구동하는 구동부를 포함할 수 있다.
본 발명은 자율주행하는 무인 단속 차량을 통하여 특정 조건의 차량 번호를 자동으로 추출하여 실시간으로 변화하는 상황에서의 무허가 차량을 단속하고, 실시간으로 변경되는 무허가/허가 차량 리스트를 갱신하는 서버와 통신하여 무허가 차량을 단속하는 효과를 가진다.
또한, 본 발명은 다양한 외부 환경에서 보다 선명한 이미지를 도출할 수 있는 무인 단속 차량을 통한 차량 번호 추출할 수 있다.
본 발명에 따라 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 따른 자율주행 기반 무허가 주정차 차량 단속 시스템을 나타낸 것이다.
도 2는 본 발병에 따른 특정 구역을 나타낸 것이다.
도 3은 본 발명에 따른 무인 단속 차량을 개략적으로 나타낸 것이다.
도 4는 본 발명에 따른 컴퓨팅 장치를 나타낸 것이다.
도 5는 본 발명에 따른 메모리의 기능적 구성을 나타낸 것이다.
도 6 및 도 7은 본 발명의 실시 예에 따른 비전 인식 모듈의 구성을 나타내는 도면이다.
도 8은 본 발명에 따른 카메라 장치에 포함된 카메라 모듈을 나타낸 도면이다.
도 9는 본 발명에 따른 이미지 보정 필터의 예시를 나타낸 도면이다.
도 10은 본 발명에 따른 CIE 1931 색좌표를 나타낸 도면이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
도 2는 본 발병에 따른 특정 구역을 나타낸 것이다.
도 3은 본 발명에 따른 무인 단속 차량을 개략적으로 나타낸 것이다.
도 4는 본 발명에 따른 컴퓨팅 장치를 나타낸 것이다.
도 5는 본 발명에 따른 메모리의 기능적 구성을 나타낸 것이다.
도 6 및 도 7은 본 발명의 실시 예에 따른 비전 인식 모듈의 구성을 나타내는 도면이다.
도 8은 본 발명에 따른 카메라 장치에 포함된 카메라 모듈을 나타낸 도면이다.
도 9는 본 발명에 따른 이미지 보정 필터의 예시를 나타낸 도면이다.
도 10은 본 발명에 따른 CIE 1931 색좌표를 나타낸 도면이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 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.
이하, 상술한 내용들을 바탕으로 본 명세서의 바람직한 일 실시예에 따른, 자율주행 기반 무허가 주정차 차량 단속 시스템에 관하여 상세히 설명하면 다음과 같다.
도 1은 본 발명에 따른 자율주행 기반 무허가 주정차 차량 단속 시스템을 나타낸 것이다.
도 1에 따르면, 본 발명에 따른 자율주행 기반 무허가 주정차 차량 단속 시스템은 무인 단속 차량(100) 및 서버(200)를 포함할 수 있다.
본 발명에 따른 무인 단속 차량(100)은 특정 구역을 자율주행하여 특정 조건에 부합하는 주정차 차량을 추출하는 차량일 수 있다. 일 예로, 본 발명에 따른 무인 단속 차량(100)은 아파트 내를 자율주행하여 아파트 주차 구역에 주정차된 차량을 촬영하고, 주정차된 차량에 대한 차량 번호를 추출할 수 있다. 이때, 특정 조건은 "아파트의 주차 구역에 주정차된 차량일 것"일 수 있다. 또한, 무인 단속 차량(100)은 일정 주기로 특정 구역을 자율주행 할 것이므로, 특정 조건은 "아파트의 주차 구역에 일정 주기 동안 주정차된 차량일 것"일 수 있다.
서버(200)는 무인 단속 차량(100)과 통신하는 구성일 수 있다. 서버(200)는 무인 단속 차량(100)으로부터 주정차 차량에 대한 특징 정보를 수신하고, 주정차 차량의 주정차 허가 여부에 대한 정보를 도출할 수 있다. 즉, 서버(200)는 차량 번호를 수신하고, 차량 번호 및 기저장된 차량 번호 리스트에 기초하여 주정차 차량의 주정차 허가 여부에 대한 정보를 도출할 수 있다.
도 2는 본 발병에 따른 특정 구역을 나타낸 것이다.
도 2에 따르면, 본 발명에 따른 무인 단속 차량(100)은 특정 구역을 따라 자율주행할 수 있다. 본 발명에 따른 무인 단속 차량(100)은 맵 데이터를 수신하여 저장하고, 저장된 맵 데이터에 기초하여 특정 구역을 자율주행할 수 있다. 또한, 무인 단속 차량(100)은 주차 구역 주변을 자율주행하여, 주차 구역에 주정차된 차량을 포함하는 이미지 데이터를 생성할 수 있다. 뿐만 아니라, 무인 단속 차량(100)은 주차 구역 외의 구역에 주정차된 차량을 포함하는 이미지 데이터를 생성할 수 있다.
또한, 본 발명에 따른 무인 단속 차량(100)은 지상 주차 구역을 자율주행하며 단속할 수 있을 뿐만 아니라, 지하 주차 구역까지 자율주행하며 단속할 수 있다.
본 발명에 따른 일 예시를 살펴보면 다음과 같다.
(제1 순찰) 무인 단속 차량은 아파트 내 주차 구역을 자율주행하며, 주차 구역 내에 주정차된 차량들의 특징 정보인 차량 번호판을 촬영할 수 있다. 차량 번호판은 무인 단속 차량에 포함된 카메라 장치에 의하여 촬영될 수 있다. 무인 단속 차량은 촬영된 차량 번호판에서 차량 번호를 인식하여 추출할 수 있다. 무인 단속 차량은 인식하여 추출한 차량 번호를 저장하고, 이를 서버에 전송할 수 있다.
(제2 순찰) 무인 단속 차량은 다음 주기에 동일한 주차 구역을 자율주행할 수 있다. 이때 무인 단속 차량은 주차 구역 내에 주정차된 차량들의 특징 정보인 차량 번호판을 촬영할 수 있다. 마찬가지로, 무인 단속 차량은 차량 번호판에서 차량 번호를 인식하여 추출할 수 있다. 무인 단속 차량은 인식하여 추출한 차량 번호를 저장하고, 이를 서버에 전송할 수 있다.
(서버 연산) 서버는 제1 순찰 시에 수신한 차량 번호 정보와 제2 순찰 시에 수신한 차량 번호 정보 중 동일찬 차량 번호 정보만을 분류할 수 있다. 서버는 분류된 차량 번호 정보와 미리 저장된 허가 차량 리스트 속 차량 번호를 대조할 수 있다. 서버는 허가 차량 리스트에 없는 차량 번호에 대하여, 무허가 차량의 차량 번호로 정의할 수 있다. 서버는 해당 무허가 차량 번호에 대한 정보를 관할 서버 또는 관리자 단말로 전송할 수 있다.
(자율 주행) 또한, 제1 순찰과 제2 순찰 시에, 무인 단속 차량은 맵 데이터 기반의 자율주행을 수행하며, 무인 단속 차량은 보행자 등을 인식하여 회피하거나 정지하는 등의 자율주행을 수행할 수 있다.
(추가 사항) 또한, 무인 단속 차량은 아파트 내 주차 구역을 자율주행한 후, 아파트 단지 내 지하 주차장에 진입하여 위와 동일한 과정을 수행할 수 있다. 지하 주차장에서는 GPS 등의 위치 데이터 생성이 어려울 수 있으므로, 무인 단속 차량은 맵 데이터 및 라이더/카메라에 의하여 인식된 이미지 데이터에 기반하여 자율주행할 수 있다.
도 3은 본 발명에 따른 무인 단속 차량을 개략적으로 나타낸 것이다.
도 3에 따르면, 본 발명에 따른 무인 단속 차량(100)은 카메라 장치(110), 컴퓨팅 장치(120), 배터리부(130), 배터리부(140), 라이다 장치(150), 위치 데이터 생성 장치(160), 파워 트레인(141), 브레이크 장치(142), 스티어링 장치(143)를 포함할 수 있다.
본 발명에 따른 카메라 장치(110)는 무인 단속 차량(100)의 주변을 촬영하는 것으로서, 무인 단속 차량(100)의 주변을 포함하는 이미지 데이터를 생성하는 구성일 수 있다. 즉, 카메라 장치(110)는 주정차 차량의 번호판 이미지를 포함하는 이미지 데이터를 생성할 수 있다. 본 발명에 따른 카메라 장치(110)는 카메라는, 무인 단속 차량(100)의 주변을 촬영하기 위해 차량에서 FOV(field of view) 확보가 가능한 위치에 장착될 수 있다.
본 발명에 따른 컴퓨팅 장치(120)는 이미지 데이터에 포함된 번호판 이미지로부터 주정차 차량의 차량 번호를 추출할 수 있다. 또한, 본 발명에 컴퓨팅 장치(120)는 무인 단속 차량(100)의 동작 또는 구동을 제어할 수 있다. 또한, 본 발명에 따른 컴퓨팅 장치(120)는 무인 단속 차량(100)의 자율주행 알고리즘을 수행하여, 무인 단속 차랑으로 하여금 다른 물체와 부H히지 않고 주행할 수 있도록 제어할 수 있다. 즉, 본 발명에 따른 컴퓨팅 장치(120)는 주변 정보를 비전 인식하여 지정된 경로를 따라 자율주행하도록 배터리부(130) 및 배터리부(140)를 제어할 수 있다.
본 발명에 따른 배터리부(130)는 무인 단속 차량(100)에 대한 전력을 공급하기 위한 것으로서, 니켈 카드뮴 전지, 니켈 수소 전지, 리튬 이온 전지, 리튬 이온 폴리머 전지 등으로 구성될 수 있다. 본 발명에 따른 배터리부(130)는 컴퓨팅 장치(120)의 제어를 통하여 무인 단속 차량(100)의 각 구성요소에 전력을 공급할 수 있다.
본 발명에 따른 구동 제어 장치(140)는 자율 주행에 따른 차량의 구동을 제어하기 위한 구성일 수 있다. 본 발명에 따른 구동 제어 장치(140)는 무인 단속 차량(100) 내 각종 차량 구동 장치를 전기적으로 제어하는 장치이다. 또한, 구동 제어 장치(140)는 적어도 하나의 전자적 제어 장치(예를 들면, 제어 ECU(Electronic Control Unit))를 포함할 수 있다. 구동 제어 장치(140)는, 컴퓨팅 장치(120)에서 수신되는 신호에 기초하여, 무인 단속 차량(100)의 구동을 제어할 수 있다. 예를 들면, 구동 제어 장치(140)는 컴퓨팅 장치(120)에서 수신되는 신호에 기초하여, 파워 트레인(141), 스티어링 장치(142) 및 브레이크 장치(143)를 제어할 수 있다. 이때, 파워트레인(141)은 배터리부(130)로부터 전력을 공급받아 동력을 생성하는 전기 모터를 포함할 수 있다.
본 발명에 따른 라이다 장치(150)는 무인 단속 차량(100)의 외부 객체로부터 반사되는 반사파에 기초하여, 객체와의 거리 정보를 포함하는 센싱 데이터를 획득한다. 예를 들어 라이다 장치(150)는 레이저 광을 외부 객체를 향하여 조사하고, 외부 객체로부터 반사되는 반사광을 수신한 것에 기초하여, 외부 객체에 대한 정보를 생성한다. 라이다 장치(150)는 임의의 평면상에서 등속으로 회전운동을 하면서, 일정 간격으로 객체에 대한 정보를 포함하는 포인트 클라우드를 생성할 수 있다. 임의의 평면은 무인 단속 차량(100)의 차체 상부와 평행한 평면, 예컨대 주행 경로와 평행한 평면일 수 있다. 포인트 클라우드는 동일한 시간 간격마다 생성될 수 있다.
본 발명에 따른 라이다 장치(150)는 TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식으로 구현될 수 있다. 라이다 장치(150)는, 구동식 또는 비구동식으로 구현될 수 있다. 구동식으로 구현되는 경우, 라이다 장치(150)는, 모터에 의해 회전되며, 주변의 타겟을 검출할 수 있다. 비구동식으로 구현되는 경우, 라이다는, 광 스티어링에 의해, 차량을 기준으로 소정 범위 내에 위치하는 오브젝트를 검출할 수 있다. 무인 단속 차량(100)은 복수의 비구동식 라이다를 포함할 수 있다. 라이다 장치(150)는 레이저 광 매개로, TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식에 기초하여, 타겟을 검출하고, 검출된 타겟의 위치, 검출된 타겟와의 거리 및 상대 속도를 검출할 수 있다. 라이다 장치(150)는 차량의 전방, 후방 또는 측방에 위치하는 타겟를 감지하기 위해 차량의 외부의 적절한 위치에 배치될 수 있다.
본 발명에 따른 위치 데이터 생성 장치(160)는 무인 단속 차량(100)의 위치 데이터를 생성할 수 있다. 위치 데이터 생성 장치(160)는 GPS(Global Positioning System) 및 DGPS(Differential Global Positioning System) 중 적어도 어느 하나를 포함할 수 있다. 위치 데이터 생성 장치(160)는, GPS 및 DGPS 중 적어도 어느 하나에서 생성되는 신호에 기초하여 무인 단속 차량(100)의 위치 데이터를 생성할 수 있다. 또한, 본 발명에 따른 컴퓨팅 장치(120)는 실시예에 따라, 라이다 장치(150) 및/또는 카메라 장치(110)에 기초하여 위치 데이터 생성 장치(160)에 의하여 생성된 위치 데이터를 보정할 수 있다.
도 4는 본 발명에 따른 컴퓨팅 장치를 나타낸 것이다.
도 4에 따르면, 본 발명에 따른 컴퓨팅 장치(120)는, 프로세서, 메모리 및 통신 모듈을 포함할 수 있다.
본 발명에 따른 프로세서(121)는 무인 단속 차량(100)의 구성들을 제어할 수 있다. 프로세서(121)는 메모리(122)에 저장된 명령어를 수행할 수 있다. 메모리(122)에 저장된 명령어는 다른 구성들을 제어하기 위한 명령어로서 미리 저장된 것일 수 있다.
프로세서(121)는, 연산을 수행하고 다른 장치를 제어할 수 있는 구성이다. 주로, 중앙 연산 장치(CPU), 어플리케이션 프로세서(AP), 그래픽스 처리 장치(GPU) 등을 의미할 수 있다. 또한, CPU, AP 또는 GPU는 그 내부에 하나 또는 그 이상의 코어들을 포함할 수 있으며, CPU, AP 또는 GPU는 작동 전압과 클락 신호를 이용하여 작동할 수 있다. 다만, CPU 또는 AP는 직렬 처리에 최적화된 몇 개의 코어로 구성된 반면, GPU는 병렬 처리용으로 설계된 수 천 개의 보다 소형이고 효율적인 코어로 구성될 수 있다.
프로세서(121)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(122)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
메모리(122)는 컴퓨팅 장치(120)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(122)는 컴퓨팅 장치(120)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 컴퓨팅 장치(120)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 서버(200) 또는 그 외 외부 서버(미도시)로부터 다운로드 될 수 있다. 또한 응용 프로그램은, 메모리(122)에 저장되고, 컴퓨팅 장치(120)에 설치되어, 프로세서(121)에 의하여 상기 컴퓨팅 장치(120)의 동작(또는 기능)을 수행하도록 구동될 수 있다.
메모리(122)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(122)는 인터넷(internet)상에서 저장 기능을 수행하는 웹 스토리지(web storage)를 포함할 수도 있다.
통신 모듈(123)은 컴퓨팅 장치(120)와 외부 장치 또는 서버(200)와 통신하기 위한 구성일 수 있다. 통신 모듈(123)의 경우, 안테나를 통해 기지국 또는 통신 기능을 포함하는 서버(200)와 정보의 송수신을 실행한다. 통신 모듈(123)은 변조부, 복조부, 신호 처리부 등을 포함할 수 있다.
무선 통신은, 통신사들이 기존에 설치해둔 통신 시설과 그 통신 시설의 주파수를 사용하는 무선 통신망을 사용한 통신을 말할 수 있다. 이때, 통신 모듈(123)은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 통신 시스템에 사용될 수 있으며, 뿐만 아니라, 통신 모듈(123)은 3GPP(3rd generation partnership project) LTE(long term evolution) 등에도 사용될 수 있다. 또한, 최근 상용화 중인 5G 통신 뿐만 아니라, 추후 상용화가 예정되어 있는 6G 등도 사용될 수 있다. 다만, 본 명세서는 이와 같은 무선 통신 방식에 구애됨이 없이 기설치된 통신망을 활용할 수 있다.
도 5는 본 발명에 따른 메모리의 기능적 구성을 나타낸 것이다.
도 5에 따르면, 본 발명에 따른 메모리(122)는, 맵 데이터 관리 모듈(1221), 위치 데이터 보정 모듈(1222), 비전 인식 모듈(1223) 및 자율주행 알고리즘 생성 모듈(1224)을 포함할 수 있다.
본 발명에 따른 맵 데이터 관리 모듈(1221)은 서버(도 1의 200, 이하 동일)로부터 맵 데이터를 주기적으로 갱신하고 이를 저장할 수 있다. 맵 데이터 관리 모듈(1221)은 특정 구역의 맵 데이터를 갱신하고 저장할 수 있다. 맵 데이터는 HD 맵으로서 고정밀 지도 데이터를 의미할 수 있다.
HD 맵 데이터는, 도로의 상세한 차선 단위의 토폴로지 정보, 각 차선의 연결 정보, 차량의 로컬라이제이션(localization)을 위한 특징 정보(예를 들면, 교통 표지판, Lane Marking/속성, Road furniture 등)를 포함할 수 있다. HD 맵 데이터는, 통신 모듈을 통해, 외부 서버(미도시)에서 수신된 데이터에 기초할 수 있다.
본 발명에 따른 위치 데이터 보정 모듈(1222)은 차량의 GPS 등 위치 데이터 생성 모듈에서 생성된 위치 데이터를 라이다 장치(도 3의 150, 이하 동일) 및/또는 카메라 장치(110)에서 생성된 이미지 데이터를 통하여 보정할 수 있다. 일 예로 특정 마커는 특정 구역에서의 미리 입력된 정확한 위치 정보를 포함할 수 있다. 따라서, 본 발명에 따른 위치 데이터 보정 모듈(1222)은 라이다 장치(150) 및/또는 카메라 장치(110)에서 생성된 이미지 데이터속 특정 마커를 인식하고, 특정 마커에 대응되는 정확한 위치 정보에 기초하여 위치 데이터를 보정할 수 있다.
본 발명에 따른 비전 인식 모듈(1223)은 라이다 장치(150) 및 카메라 장치(110)로부터 생성된 이미지 데이터를 융합하고, 융합된 이미지 데이터를 기초로 주변 상황을 인식하고 감지할 수 있다. 또한, 비전 인식 모듈(1223)은 종래 알려진 알고리즘을 통하여 주변 상황을 인식하고 감지할 수 있다.
본 발명에 따른 비전 인식 모듈(1223)은 심층신경망(Deep Neural Network)을 통하여 융합된 이미지 데이터를 학습할 수 있다.
본 발명의 심층신경망(Deep Neural Network)은, 하나 이상의 컴퓨터 내에 하나 이상의 레이어(Layer)를 구축하여 복수의 데이터를 바탕으로 판단을 수행하는 시스템 또는 네트워크를 의미한다. 예를 들어, 심층신경망은 컨볼루션 풀링 층(Convolutional Pooling Layer), 로컬 접속 층(a locallyconnectedlayer) 및 완전 연결 층(fully-connected layer)을 포함하는 층들의 세트로 구현될 수 있다. 일 예로, 심층신경망의 전체적인 구조는 컨볼루션 풀링 층에 로컬 접속 층이 이어지고, 로컬 접속 층에 완전 연결 층이 이러지는 형태인 나선형 신경망(즉, Convolutional Neural Network; CNN) 구조로 이루어질 수 있다. 또한 심층신경망은, 예를 들어, 각 레이어의 노드들에 자신을 가르키는 엣지(edge)가 포함됨에 따라 재귀적으로 연결되는 순환형 신경망(Recurrent Neural Network; RNN) 구조로 형성될 수도 있다. 심층신경망은 다양한 판단기준을 포함할 수 있고, 입력되는 영상 분석을 통해 새로운 판단기준을 추가할 수 있다. 다만, 본 발명의 실시예에 따른 심층신경망의 구조는 이에 한정되지 아니하고, 다양한 구조의 신경망으로 형성될 수 있다.
본 발명에 따른 비전 인식 모듈(1223)은 빅데이터를 통하여 미리 학습된 심층신경망을 기반으로, 상기 융합된 이미지 데이터를 학습하기 위한 모듈일 수 있다. 비전 인식 모듈(1223)은 미리 학습된 심층신경망을 기반으로, 이미지 데이터에 표시된 타겟의 유형을 학습하고 분류할 수 있다.
본 발명에 따른 비전 인식 모듈(1223)은 다양한 영상 처리 알고리즘을 이용하여, 타겟의 위치 정보, 타겟과의 거리 정보 또는 타겟과의 상대 속도 정보를 획득할 수 있다. 예를 들면, 비전 인식 모듈(1223)은 획득된 영상에서, 시간에 따른 타겟 크기의 변화를 기초로, 타겟과의 거리 정보 및 상대 속도 정보를 획득할 수 있다. 특히, 본 발명에 따른 비전 인식 모듈(1223)에서 사용되는 CNN 알고리즘은 본 발명 특유의 필터를 사용할 수 있고, 이는 상세히 후술된다.
본 발명에 따른 자율주행 알고리즘 생성 모듈(1224)은 비전 인식 모듈(1223)에서 처리된 데이터를 기초로, 무인 단속 차량(도 1 내지 도 3의 100, 이하 동일)이 전진, 후진 또는 정지할 지를 결정할 수 있다. 또한, 본 발명에 따른 자율주행 알고리즘 생성 모듈(1224)은 비전 인식 모듈(1223)에서 처리된 데이터를 기초로 무인 단속 차량(100)의 진행 방향(좌, 우)을 결정할 수 있다.
도 6 및 도 7은 본 발명의 실시 예에 따른 비전 인식 모듈의 구성을 나타내는 도면이다.
도 6에 따르면, 카메라 장치(110)가 획득한 영상으로부터 비전 인식 모듈(도 5의 1223)에 포함되어 타겟을 검출하는 기능적 구성은 다음과 같을 수 있다. 본 발명에 따른 비전 인식 모듈(1223)은 제1 특징값 추출부, 관심 영역 추출부, RPN(Region Proposal Network), 제1 객체 분류부, 제1 보행자 위치 조정부, 제1 보행자 위치 변환기 및 객체 추적기를 포함하는 인공지능 학습 모델을 포함할 수 있다.
제1 특징값 추출부는 카메라가 획득한 이미지로부터 2D 컨볼루션(2D convolution) 연산을 수행하고, 이에 기초하여 특징점을 추출한다. 이를 위해서, 특징값 추출부는 수평 합병(horizontal merge), 수직 합병(vertical merge), 특이값 분해(Singular Vector Decomposition; SVD) 방식을 이용할 수 있다.
수평 합병(horizontal merge) 방식은 인셉션 네트워크(inception network)에서 동일 입력을 사용하는 각 브랜치(branch)의 컨볼루션 커널(convulution kernel)의 크기가 동일한 것에 기초하여, 하나의 함수 호출(function call)로 처리한다. 컨볼루션 커널은 1Х1, 3Х3, 5Х5 등의 사이즈를 갖는 커널 필터를 지칭한다. 본 발명의 실시 예는 공통의 입력을 갖고, 각 브랜치가 동일한 크기의 커널인 것에 기초하여, 각각의 컨볼루션 연산을 1개의 함수호출로 수행한다. 이에 따라, 컨볼루션 연산의 속도를 향상시킬 수 있다.
수직 합병(vertical merge)은 "convolution, batchNorm, 및 Relu 레이어"를 한 개의 레이어로 통합하여 연산함으로써, 함수 호출의 횟수를 줄일 수 있다. 또한, 본 발명의 실시 예에 따른 DNN은 BatchNorm parameter를 컨볼루션 가중치(convolution weight)에 통합한다. Batchnorm 은 입력을 정규화하는 연산이며, 학습된 평균과 표준편차 값을 사용할 수 있다. 본 발명의 실시 예는 Batchnorm 이전의 컨볼루션 필터에 batchnorm의 표준편차 값을 나눈 값으로 convolution 연산을 수행하고, 그 결과에 batchnorm의 평균값을 감산하는 연산을 수행한다.
특이값 분해(Singular Vector Decomposition; SVD) 방식은 크기가 큰 매트릭스 곱을 크기가 작은 매트릭스 곱으로 분해한다. 본 발명의 실시 예는 신경망 네트워크(neural network)의 완전 연결 레이어(Fully Connected Layer)를 사용한다. 이때, 매트릭스의 곱을 크기가 작은 매트릭스의 곱으로 분해하여, 큰 사이즈의 행렬의 곱셈 차원수를 낮추어 연산량을 줄이면서 결과 오차를 줄일 수 있다.
RPN은 제1 특징값 추출부의 출력값을 입력받아서, 객체가 존재하는 위치에 경계 박스(bounding box)의 대략적인 값을 출력한다. 즉, RPN은 카메라가 획득한 이미지 내에서 보행자의 대략적인 위치를 판단한다. 또한, RPN은 추가적인 컨볼루션 연산을 통해서 특징값을 찾을 수 있다.
관심영역 추출부는 카메라 장치(110)가 획득하는 이미지에서 객체가 위치한 영역의 특징값을 추출하고, 추출된 특징값을 멀티 레이어 신경망 네트워크(multi-layer neural network)에 입력한다. 특히, 관심영역 추출부는 제1 특징값 추출부 또는 RPN이 추출한 경계 박스 내의 객체에 대한 이미지를 학습할 수 있다.
관심영역 추출부는 완전 연결 레이어(Fully Connected Layer)를 이용할 수 있다.
제1 객체 분류부는 관심영역 추출부로부터의 출력값을 제공받아, 객체를 분류한다. 예를 들어, 제1 객체 분류기는 인식된 객체를 보행자, 자전거, 오토바이, 전동 스쿠터 등으로 분류할 수 있다.
제1 보행자 위치 조정부는 이미지에서 보행자의 위치를 세밀하게 조정할 수 있다. 즉, 제1 보행자 위치 조정부는 RPN이 획득한 보행자의 위치를 보다 정밀하게 판단할 수 있다.
제1 보행자 좌표 획득부는 이미지상에서의 보행자의 위치를 실제 3축 기반의 좌표로 변환한다. 보행자 좌표 획득부는 카메라 장치(110)의 캘리브레이션(calibration) 정보, 보행자의 경계 박스의 폭, 보행자의 경계 박스 중에서 어느 한 변의 좌표에 기초하여, 보행자의 3축 좌표를 획득할 수 있다.
객체 추적부는 제1 객체 분류부, 및 보행자 좌표 획득부가 학습한 것에 기초하여, 객체의 예상 경로를 판별한다.
도 7에 따르면, 라이다 장치(150)가 획득한 센싱 데이터에 기초하여 타겟을 보다 정밀하게 검출하는 구성은 제2 특징값 추출부, 제2 객체 분류부, 제2 보행자 위치 조정부, 및 제2 보행자 좌표 획득부를 포함한다.
제2 특징값 추출부는 라이다 장치(150)가 획득한 센싱 데이터를 입력받고, 특징값을 출력한다. 제2 객체 분류부는 제2 특징값 추출부의 출력값에 기초하여, 객체의 종류를 분류한다. 예를 들어, 제2 객체 분류기는 성인 보행자, 아동 보행자, 자전거, 오토바이, 전동 스쿠터 등으로 분류할 수 있다.
제2 보행자 위치 조정부는 특징점을 입력받아 객체들의 위치를 조정한다. 제2 보행자 위치 조정부는 객체들 중에서 보행자의 위치를 세밀하게 조정할 수 있다.
제2 보행자 좌표 획득부는 보행자의 3차원 위치 좌표 및 보행자의 방향을 획득할 수 있다. 보행자의 3차원 위치 좌표의 중심은 라이다 장치(150)의 센싱 범위 내에서 미리 설정될 수 있다.
보행자의 방향은 보행자의 정면, 즉 보행자의 진행 방향을 지칭한다. 보행자의 방향은 임의의 기준선으로부터 보행자의 정면 방향을 연장하는 직선 간의 수평각도 및 수직각도로 표시될 수 있다.
도 8은 본 발명에 따른 카메라 장치에 포함된 카메라 모듈을 나타낸 도면이다.
도 8에 따르면, 카메라 모듈(1320)은 광 이미지로부터 영상 이미지를 생성할 수 있다. 카메라 모듈(1320)은 측벽에 관통홀을 포함하는 하우징(1324), 관통홀에 설치된 렌즈(1321) 및 렌즈(1321)를 구동하는 구동부(1323)를 포함할 수 있다. 관통홀은 렌즈(1321)의 직경에 대응되는 크기로 형성될 수 있다. 렌즈(1321)는 관통홀에 삽입될 수 있다.
구동부(1323)는 렌즈(1321)를 전방 또는 후방으로 움직이도록 제어하는 구성일 수 있다. 렌즈(1321)와 구동부(1323)는 종래 알려진 방식으로 연결되고 렌즈(1321)는 종래 알려진 방식으로 구동부(1323)에 의하여 제어될 수 있다.
다양한 영상 이미지를 수득하기 위해서는 렌즈(1321)가 카메라 모듈(1320) 또는 하우징(1324)의 외부로 노출될 필요가 있다.
특히, 본 발명에 따른 카메라는 외부 영역을 직접 설치되어야 하므로 내오염성이 강한 렌즈가 필요하다. 따라서, 본 발명은 렌즈를 코팅하는 코팅층을 제안하여, 이러한 문제점을 해결하고자 하였다.
바람직하게 상기 렌즈(1321)는 그 표면에 하기의 화학식 1로 표시되는 아크릴계 화합물; 유기 용매, 무기 입자 및 분산제가 포함되는 코팅조성물로 코팅된 것일 수 있다.
[화학식 1]
상기 코팅조성물로 렌즈(1321)가 코팅된 경우 우수한 발수성 및 내오염성을 나타낼 수 있기 때문에 외부 환경에 설치된 렌즈(1321)가 오염 환경 및 염분에 장기간 노출되더라도, 깨끗하고 선명한 외부 영상을 수집할 수 있다.
상기 무기 입자는 실리카, 알루미나 및 이들의 혼합물로 이루어진 군으로부터 선택될 수 있다. 상기 무기 입자의 평균 직경은 70 내지 100㎛이지만, 상기 예시에 국한되지 않는다. 상기 무기 입자는 렌즈(1321) 표면에 코팅층(1322)으로 형성 후, 물리적인 강도를 향상시키고, 점도를 일정 범위로 유지시켜 성형성을 높일 수 있다.
상기 유기 용매는 메틸에틸케톤(MEK), 톨루엔 및 이들의 혼합으로 이루어진 군으로부터 선택되며, 바람직하게는 메틸에틸케톤을 사용할 수 있으나, 상기 예시에 국한되지 않는다.
상기 분산제로는 폴리에스테르 계열의 분산제를 사용할 수 있고, 구체적으로 2-메톡시프로필 아세테이트 및 1-메톡시-2-프로필 아세테이트의 공중합체로 이루어진 폴리에스테르 계열의 분산안정제로서 TEGO-Disperse 670 (제조사: EVONIK)을 사용할 수 있으나, 상기 예시에 국한되지 않고 통상의 기술자에게 자명한 분산제는 제한 없이 모두 사용 가능하다.
상기 코팅 조성물은 기타 첨가제로 안정화제를 추가로 포함할 수 있고, 상기 안정화제는 자외선 흡수제, 산화방지제 등을 포함할 수 있으나, 상기 예시에 국한되지 않고 제한 없이 사용 가능하다.
상기 코팅층(1322)을 형성하기 위한, 코팅 조성물은 보다 구체적으로 상기 화학식 1로 표시되는 아크릴계 화합물; 유기 용매, 무기 입자 및 분산제를 포함할 수 있다.
상기 코팅 조성물은 유기용매 100 중량부에 대하여, 상기 화학식 1로 표시되는 아크릴계 화합물 40 내지 60 중량부, 무기 입자 20 내지 40 중량부 및 분산제 5 내지 15 중량부를 포함할 수 있다. 상기 범위에 의하는 경우 각 구성 성분의 상호 작용에 의한 발수 효과가 임계적 의의가 있는 정도의 상승효과가 발현되며, 상기 범위를 벗어나는 경우 상승효과가 급격히 저하되거나 거의 없게 된다.
보다 바람직하게, 상기 코팅 조성물의 점도는 1500 내지 1800cP이며, 상기 점도가 1500cP 미만인 경우에는 렌즈(1321) 표면에 도포하면, 흘러내려 코팅층(1322)의 형성이 용이하지 않은 문제가 있고, 1800cP를 초과하는 경우에는 균일한 코팅층(1322)의 형성이 용이하지 않은 문제가 있다.
[제조예 1: 코팅층의 제조]
1. 코팅 조성물의 제조
메틸에틸케톤에 하기 화학식 1로 표시되는 아크릴계 화합물, 무기입자 및 분산제를 혼합하여, 코팅 조성물을 제조하였다:
[화학식 1]
상기 대전방지 조성물의 보다 구체적인 조성은 하기 표 1와 같다.
| TX1 | TX2 | TX3 | TX4 | TX5 | |
| 유기용매 | 100 | 100 | 100 | 100 | 100 |
| 아크릴계 화합물 | 30 | 40 | 50 | 60 | 70 |
| 무기입자 | 10 | 20 | 30 | 40 | 50 |
| 분산제 | 1 | 5 | 10 | 15 | 20 |
(단위 중량부)
2. 코팅층의 제조
렌즈(1321)의 일면에 상기 DX1 내지 DX5의 코팅 조성물을 도포 후, 경화시켜 코팅층(1322)을 형성하였다.
[실험예]
1. 표면 외관에 대한 평가
코팅 조성물의 점도 차이로 인해, 코팅층(1322)을 제조한 이후, 균일한 표면이 형성되었는지 여부에 대해 관능 평가를 진행하였다. 균일한 코팅층(1322)을 형성하였는지 여부에 대한 평가를 진행하였고, 하기와 같은 기준에 의해 평가를 진행하였다.
○: 균일한 코팅층 형성
×: 불균일한 코팅층의 형성
| TX1 | TX2 | TX3 | TX4 | TX5 | |
| 관능 평가 | Х | ○ | ○ | ○ | Х |
코팅층(1322)을 형성할 때, 일정 점도 미만인 경우에는 렌즈(1321)의 표면에서 흐름이 발생하여, 경화 공정 이후, 균일한 코팅층(1322)의 형성이 어려운 경우가 다수 발생하였다. 이에 따라, 생산 수율이 낮아지는 문제가 발생할 수 있다. 또한, 점도가 너무 높은 경우에도, 조성물의 균일 도포가 어려워 균일한 코팅층(1322)의 형성이 불가하였다.
2. 발수각의 측정
상기 렌즈(1321) 표면에 코팅층(1322)을 형성한 이후, 발수각을 측정한 결과는 하기 표 3과 같다.
| 전진 접촉각 (“) | 정지 접촉각 (“) | 후진 접촉각 (“) | |
| TX1 | 117.1±2.9 | 112.1±4.1 | < 10 |
| TX2 | 132.4±1.5 | 131.5±2.7 | 141.7±3.4 |
| TX3 | 138.9±3.0 | 138.9±2.7 | 139.8±3.7 |
| TX4 | 136.9±2.0 | 135.6±2.6 | 140.4±3.4 |
| TX5 | 116.9±0.7 | 115.4±3.0 | < 10 |
상기 표 3에 나타낸 바와 같이, TX1 내지 TX5의 코팅 조성물을 이용하여 코팅층(1322)을 형성한 이후, 접촉각을 측정한 결과를 확인하였다. TX1 및 TX5는 후진 접촉각이 10도 미만으로 측정되었다. 즉, 코팅 조성물을 제조하기 위한 최적의 범위를 벗어나게 되는 경우, 물방울이 피닝(Pinning)되는 현상이 발생하는 것을 확인하였다. 반면 TX2 내지 4에서는 피닝 현상이 발생하지 않음을 확인하여 우수한 방수 효과를 나타낼 수 있음을 확인하였다.
3. 내오염성 평가
설비 외부에 상기 실시예에 따른 코팅층(1322)을 형성한 렌즈(1321)를 모형카메라에 부착하고, 4일 간 외부(실외) 환경에 노출되도록 하였다. 비교예(Con)로는 코팅층(1322)이 형성되지 않은 동일한 렌즈(1321)를 사용하였으며, 각 실시예에 모형카메라는 동일한 위치에 부착하였다.
그 뒤 실험 전후의 렌즈(1321)의 오염 및 부식 정도를 유관으로 평가하였고, 객관적인 비교를 위하여 코팅층(1322)이 형성되지 않은 비교예와 비교하여 그 결과를 1 내지 10의 지수로 평가하여 하기의 표 5에 나타내었다. 하기의 지수는 그 숫자가 낮을수록 내오염성이 우수한 것이다.
| Con | TX1 | TX2 | TX3 | TX4 | TX5 | |
| 내오염성 | 10 | 7 | 3 | 3 | 3 | 8 |
(단위: 지수)
상기 표 4를 참조하면, 렌즈(1321)에 코팅층(1322)을 형성하는 경우 외부 환경에 카메라를 설치하면서 렌즈(1321)가 외부로 노출되도록 하여도 높은 내오염성을 오랜 기간 분석하기 용이한 형태로 이미지 데이터를 수집할 수 있다는 점을 알 수 있다. 특히 TX2 내지 TX4에 의하는 경우 코팅층(1322)에 의한 내오염성이 매우 우수하다는 점을 확인할 수 있다.
도 9는 본 발명에 따른 이미지 보정 필터의 예시를 나타낸 도면이고, 도 10은 본 발명에 따른 CIE 1931 색좌표를 나타낸 도면이다.
도 9에 따르면, 필터의 종류와 기능이 나타나 있다. 즉, CNN 알고리즘은 복수의 레이어를 사용하는 학습 알고리즘일 수 있다. 또한, CNN 알고리즘은 이미지 분류 정확도를 최대화하는 필터를 자동으로 학습할 수 있으며, 합성곱 계층과 폴링 계층이라고 하는 새로운 층을 풀리 커넥티드 계층 이전에 추가함으로써 원본 이미지에 필터링 기법을 적용한 뒤에 필터링된 이미지에 대해 분류 연산을 수행할 수 있다. CNN 알고리즘은 합성곱 계층 (convolutional layer)과 풀링 계층 (pooling layer)이라고 하는 새로운 층을 fully-connected 계층 이전에 추가함으로써 원본 이미지에 필터링 기법을 적용한 뒤에 필터링된 이미에 대해 분류 연산이 수행되도록 구성될 수 있다.
이때, CNN 알고리즘을 사용한 이미지 필터에 대한 연산식은 아래의 수학식 1과 같다.
[수학식 1]
(단,
GIJ : 행렬로 표현된 필터링된 이미지의 i번째 행, j번째 열의 픽셀,
F : 필터,
X : 이미지,
FH : 필터의 높이 (행의 수),
FW : 필터의 너비 (열의 수)이다. )
바람직하게는, CNN 알고리즘을 사용한 이미지 필터에 대한 연산식은 아래의 수학식 2과 같다.
[수학식 2]
(단,
GIJ : 행렬로 표현된 필터링된 이미지의 i번째 행, j번째 열의 픽셀,
F' : 응용 필터
X : 이미지,
F'H : 응용 필터의 높이 (행의 수),
F'W : 응용 필터의 너비 (열의 수)이다.)
바람직하게는, F' 는 응용 필터로서 영상 데이터를 학습하고 인식하기 위하여, 상기 이미지 데이터에 적용되는 필터일 수 있다. 특히, 보행자 등의 경우 형태, 크기 및 위치의 차이를 기초로 유형에 따라 분류될 수 있으므로, 형태, 크기 및 위치를 효과적으로 인지하기 위한 응용 필터가 필요할 수 있다. 이러한 필요성을 충족하기 위하여 응용 필터 F' 는 아래의 수학식 3에 의하여 연산될 수 있다.
[수학식 3]
(단, F : 필터, : 계수, F' : 응용 필터)
이때, 각 F에 따른 필터는 도 9에 따른 엣지 인식 필터(Edge detection), 샤픈 필터(sharpen) 및 박스 블러 필터(Box blur) 중 어느 하나의 행렬일 수 있다.
바람직하게, 를 구하는 연산식은 아래의 수학식 4와 같다. 이때, 는 필터의 효율을 높이기 위하여 사용되는 하나의 변수로서 해석될 수 있으며, 그 단위는 무시될 수 있다.
[수학식 4]
단, 이미지 촬영에 사용된 카메라의 렌즈의 직경(지름)은 mm 단위이고, 렌즈의 f값은 조리개값(F number)일 수 있고, RGB 좌표 거리는 이미지 데이터 속에 나타난 단위 도트(dot)의 색상 정보를 RGB 좌표에 대입하고, 대입된 좌표와 원점(0, 0)과의 거리를 의미할 수 있다. 이때, RGB 좌표는 도 10에 따른 CIE 1931 색좌표일 수 있다. 따라서, 수학식 4의 RGB 좌표 최대 거리는 이미지 데이터 속에 나타난 단위 도트와 원점 사이의 거리 중 최대 거리를 의미할 수 있고, RGB 좌표 최소 거리는 이미지 데이터 속에 나타난 단위 도트와 원점 사이의 거리 중 최소 거리를 의미할 수 있다. 즉, 본 발명에 따른 수학식 4는 색상 간의 편차를 강조하는 를 활용한 응용 필터 F'를 통하여, 보다 정확하게 보행자 등 이미지 속 타겟을 인식할 수 있다.
[실험예]
본 발명에 따른 이미지 데이터에 대하여, 본 발명의 응용 필터 F'를 적용하는 경우에 생성된 보정된 이미지 데이터를 활용하여 보행자 등 타겟을 인식한 결과를 수치로서 나타내면 아래와 같을 수 있다.
정확한 통계를 위하여, 500개의 샘플 데이터를 활용하였고, 총 10명의 해당 기술분야 종사자에게 동일한 환경에서 이질감을 평가해달라고 의뢰하였다.
| 필터 적용 없음 | 필터 적용 | 필터 적용 | |
| 정확도 (%) | 89 | 94 | 99 |
상기 표 5는 전문가로부터 평가된 정확도에 대한 점수를 각 케이스별로 나타낸 것이다. 본 실험예는 500개의 샘플 데이터를 통하여 타겟을 정확하게 인식하였는지 여부를 통계적으로 측정한 것이다.
표 5에서 확인할 수 있는 것과 같이, 필터 적용 없는 경우, 타겟 이외의 요소가 인식될 확률이 존재하여 상대적으로 낮은 정확도로 평가되었다. 이에 비하여, 일반 CNN 필터 F를 적용한 경우 다소 정확도가 높았으나, 응용 필터 F'를 적용하는 경우의 정확도가 현저하게 향상되는 것이 확인된다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 모델링하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 모델링되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.
앞에서 설명된 본 발명의 어떤 실시 예들 또는 다른 실시 예들은 서로 배타적이거나 구별되는 것은 아니다. 앞서 설명된 본 발명의 어떤 실시 예들 또는 다른 실시 예들은 각각의 구성 또는 기능이 병용되거나 조합될 수 있다.
상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
100: 무인 단속 차량
200: 서버
200: 서버
Claims (5)
- 특정 구역을 자율주행하여 특정 조건에 부합하는 주정차 차량을 추출하는 무인 단속 차량; 및
상기 무인 단속 차량으로부터 상기 주정차 차량에 대한 특징 정보를 수신하여, 상기 주정차 차량의 주정차 허가 여부에 대한 정보를 도출하는 서버;를 포함하되,
상기 무인 단속 차량은,
상기 주정차 차량의 번호판 이미지를 포함하는 이미지 데이터를 생성하기 위한 카메라 장치; 및
상기 이미지 데이터에 포함된 상기 번호판 이미지로부터 상기 주정차 차량의 차량 번호를 추출하는 컴퓨팅 장치;를 포함하고
상기 서버는,
상기 차량 번호를 수신하고, 상기 차량 번호 및 기저장된 차량 번호 리스트에 기초하여 상기 주정차 차량의 주정차 허가 여부에 대한 정보를 도출하고,
상기 카메라 장치는,
광 이미지로부터 상기 이미지 데이터를 생성하는 카메라 모듈;을 포함하고,
상기 카메라 모듈은,
측벽에 관통홀을 포함하는 하우징;
상기 관통홀에 설치된 렌즈; 및
상기 렌즈를 구동하는 구동부;를 포함하고
상기 이미지 데이터는 하기의 식 2에 따른 이미지 보정 필터가 적용된 것이고,
상기 렌즈는 유기용매를 포함하고 상기 유기용매 100 중량부에 대하여, 하기의 화학식 1로 표시되는 아크릴계 화합물 40 내지 60 중량부, 무기 입자 20 내지 40 중량부 및 분산제 5 내지 15 중량부를 포함하는 코팅 조성물로 코팅된 것인
자율주행 기반 무허가 주정차 차량 단속 시스템.
[식 2]
(식 2에서, GIJ : 행렬로 표현된 필터링 된 이미지의 i번째 행, j번째 열의 픽셀, F' : 응용필터로서, 하기의 식3으로 연상됨, X : 이미지, F'H : 응용 필터의 높이 (행의 수), F'W : 응용 필터의 너비 (열의 수)이다.)
[식 3]
(식 3에서, F : 필터, : 계수로 하기의 식4로 연산됨, F' : 응용 필터)
[식 4]
[화학식 1]
- 삭제
- 제1항에 있어서,
상기 무인 단속 차량은,
구동을 위한 전력 에너지를 저장하는 배터리부;
상기 무인 단속 차량의 구동을 제어하기 위한 구동 제어 장치; 및
상기 무인 단속 차량의 주변 정보를 획득하기 위한 라이다 장치;를 더 포함하고,
상기 컴퓨팅 장치는,
상기 주변 정보를 비전 인식하여 지정된 경로를 따라 자율주행하도록 상기 배터리부 및 상기 구동 제어 장치를 제어하는 것인,
자율주행 기반 무허가 주정차 차량 단속 시스템.
- 제3항에 있어서,
상기 무인 단속 차량은,
위치 데이터를 생성하기 위한 위치 데이터 생성 장치;를 더 포함하되,
상기 컴퓨팅 장치는,
상기 위치 데이터 및 상기 비전 인식 결과를 기초로 상기 무인 단속 차량의 현재 위치 정보를 연산하는 것인,
자율주행 기반 무허가 주정차 차량 단속 시스템.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210127331A KR102596992B1 (ko) | 2021-09-27 | 2021-09-27 | 자율주행 기반 무허가 주정차 차량 단속 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210127331A KR102596992B1 (ko) | 2021-09-27 | 2021-09-27 | 자율주행 기반 무허가 주정차 차량 단속 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230044785A KR20230044785A (ko) | 2023-04-04 |
| KR102596992B1 true KR102596992B1 (ko) | 2023-11-01 |
Family
ID=85928479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210127331A KR102596992B1 (ko) | 2021-09-27 | 2021-09-27 | 자율주행 기반 무허가 주정차 차량 단속 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102596992B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102633444B1 (ko) * | 2023-11-24 | 2024-02-02 | (재)대구기계부품연구원 | Ai기반 주차구역 무인 감시 플랫폼 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021179035A1 (en) | 2020-03-10 | 2021-09-16 | Sensen Networks Group Pty Ltd | Systems and methods for image-based location determination and parking monitoring |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100682368B1 (ko) | 2005-06-09 | 2007-02-15 | 주식회사 다누시스 | 불법주정차 단속 관리시스템 및 그 방법 |
| KR100895846B1 (ko) * | 2007-08-30 | 2009-05-06 | 주식회사 넥스파시스템 | 주차정보제공및 불법주차와 불법차량의 무인단속시스템 |
| KR20140079947A (ko) * | 2012-12-20 | 2014-06-30 | 한국전자통신연구원 | 차량용 영상 녹화 장치 및 차량용 영상 녹화 방법 |
| KR20200121652A (ko) * | 2019-04-16 | 2020-10-26 | 현대모비스 주식회사 | 불법차량 통제 및 자율주행을 이용한 불법위치 자동이탈을 지원하는 협력형 차량 단속시스템 및 방법 |
-
2021
- 2021-09-27 KR KR1020210127331A patent/KR102596992B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021179035A1 (en) | 2020-03-10 | 2021-09-16 | Sensen Networks Group Pty Ltd | Systems and methods for image-based location determination and parking monitoring |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230044785A (ko) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bovcon et al. | Stereo obstacle detection for unmanned surface vehicles by IMU-assisted semantic segmentation | |
| CN110988912B (zh) | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 | |
| Ke et al. | Real-time bidirectional traffic flow parameter estimation from aerial videos | |
| CN108647646B (zh) | 基于低线束雷达的低矮障碍物的优化检测方法及装置 | |
| US10552982B2 (en) | Method for automatically establishing extrinsic parameters of a camera of a vehicle | |
| Shim et al. | An autonomous driving system for unknown environments using a unified map | |
| US11455806B2 (en) | System and method for free space estimation | |
| US9513108B2 (en) | Sensor system for determining distance information based on stereoscopic images | |
| CN111753797B (zh) | 一种基于视频分析的车辆测速方法 | |
| US20210341613A1 (en) | Sensor pod calibration | |
| CN115049700A (zh) | 一种目标检测方法及装置 | |
| CN113095154A (zh) | 基于毫米波雷达与单目相机的三维目标检测系统及方法 | |
| CN110992424B (zh) | 基于双目视觉的定位方法和系统 | |
| CN112172797B (zh) | 泊车控制方法、装置、设备和存储介质 | |
| KR102596992B1 (ko) | 자율주행 기반 무허가 주정차 차량 단속 시스템 | |
| CN110568861A (zh) | 一种人机运动障碍物监测方法、可读存储介质和无人机 | |
| Zhang et al. | Vehicle detection method for intelligent vehicle at night time based on video and laser information | |
| DE112021005607T5 (de) | Systeme und Verfahren für kamera-LiDAR-fusionierte Objektdetektion | |
| Gökçe et al. | Recognition of dynamic objects from UGVs using Interconnected Neuralnetwork-based Computer Vision system | |
| CN110727269B (zh) | 车辆控制方法及相关产品 | |
| CN112419345A (zh) | 基于回声状态网络的巡逻车高精度循迹方法 | |
| CN110864670A (zh) | 目标障碍物位置的获取方法和系统 | |
| Song et al. | A low false negative filter for detecting rare bird species from short video segments using a probable observation data set-based EKF method | |
| Cech et al. | Self-supervised learning of camera-based drivable surface roughness | |
| Xu et al. | [Retracted] Multiview Fusion 3D Target Information Perception Model in Nighttime Unmanned Intelligent Vehicles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |