KR20090074927A - 차량검출방법 - Google Patents

Abstract

본 발명에는 단안의 카메라로 촬영된 영상이 왜곡된 경우라고 하여도 정확히 차량을 검출하고, 노이즈의 영향을 최소화시킴으로써 차량 검출에러를 현저히 낮추는 차량검출방법이 개시된다.

본 발명의 구체적인 특징은 카메라 켈리브레이션 데이터를 이용하여 3차원공간상에서 임의의 거리를 카메라 영상의 픽셀값으로 환산하여 계산하는 단계; 단안 카메라를 이용하여 차량전방의 영상을 획득하는 단계; 상기 영상으로부터 에지정보를 획득하고, 상기 에지정보로부터 검출대상 차량의 좌우경계후보의 위치를 찾아내는 단계; 상기 영상의 밝기와 상기 에지정보로부터 상기 차량의 좌우경계후보들 중 대칭성의 척도가 큰 후보를 선택하는 단계; 상기 대칭성 큰 후보들에 대하여 기설정된 개수의 행을 묶어 대칭성을 추출하는 단계; 상기 대칭성 추출하는 단계에서 추출된 대칭성의 척도가 기설정된 값 이상일 때 차량으로 확정하는 단계를 포함하는 것이다.

차량검출, 캘리브레이션, 수평대칭성, 에지정보 누적

Description

차량검출방법{detection method of road vehicles}

도 1은 본 발명의 전체적인 구성을 나타내는 블록도이다.

도 2은 본 발명의 실시예의 실험차량 및 카메라 시스템에 대한 영상이다.

도 3 는 본 발명의 실시예서 차선표식과 횡단보도 표식이 노면상에 나타난 도로영상에 대해

일련의 에지처리과정을 적용한 결과를 보인 영상이다.

도 4은 도 3(e)와 (f)의 Gx" 와 Gx ^s 를 A ₀ , A ₁ , A ₂ , A ₃ 각각의 영역별로 누적한 결과와 이 누적으로부터 추출한 피크의 위치를 원영상위에 표시한 결과를 나타낸 것이다.

도 5는 본 발명의 실시예에서 차량경계후보의 노면과의 접촉위치 및 차량검출을 설명하는 영상이다.

도 6는 본 발명의 실시예에서 또 다른 영상에 대해 차량의 좌우경계후보 검출을 위한 일련의 처리과정을 보인 영상들이다.

도 7은 본 발명의 실시예에서 도 6의 영상에 대하여 차량 경계후보의 노면과의 접촉위치 및 차량검출을 설명하는 영상이다.

도 8은 발명의 실시예에서 또 다른 입력영상들에 대해 적용된 차량후보 검출 사례를 보인 영상이다.

본 발명은 주행중인 자 차량(ego vehicle) 내에 장착된 단안(monocular)의 카메라로 촬영된 영상으로부터 전방 또는 후방에서 주행 중인 차량을 검출하는 차량검출방법에 관한 것이다.

도로환경에서의 차량검출은 지능형 자동차의 사전 충돌예방, 정지/서행(stop and go)제어, 장애물 회피 및 차량간 안전거리유지 시스템 등에 적용될 수 있는 강인성과 신뢰성이 요구된다. 특히 레이다와 같은 능동센서와의 융합 없이 또한 복수의 카메라를 사용하지 않고, 단안의 영상만으로 이러한 시스템을 신뢰성 있게 동작시키고자 한다면 차량과 노면이 접하는 위치의 정확한 탐색이 필수적 요소이다.

단안비전을 이용한 차량검출 연구는 영상에 나타난 차량이 어떠한 전형적인 특성을 가지고 있는지를 알고 있다는 전제를 토대로 하는 지식기반 방식이 많다. 지식기반의 특성은 차량에 대한 가설(hypothesis)형성의 근거가 된다. 이 때 주로 고려되는 차량의 전면이나 후면의 외양 특성은 다음과 같은 것들이 있다. 1) 0BL(bow line)이라는 중심축을 기준으로 좌우 대칭이다. 2) 수평선 및 수직선들이 많다. 3) 번호판이 있다. 4) 전조등이나 후미등의 커버가 특정 칼라이다. 5)강체(rigid body)이다. 이러한 특성에 관련된 특징이 영상에 잘 드러나 있으면 영상처리를 통한 차량검출이 강인하게 이루어지지만, 잡음에 의한 차량외양특성의 손 상이 차량검출을 어렵게 한다. 검지대상인 차량은 물론이고 도로형태, 노면, 배경 등이 복잡하고, 조명원 위치의 변화뿐 아니라 시간대(time of day)와 날씨에 따른 조명의 빈번한 변화 등이 차량검출에 사용되는 카메라와 알고리즘에 부정적인 영향을 미친다. 또한 검출하려는 차량들의 카메라로부터 거리와 방향 역시 다르다. 이러한 요인에 의해 차량의 외양 특성이 입력되는 영상마다 일관되게 나타나지 않는다. 더구나 차량의 외양에 관련된 특성이 차량뿐 아니라 노면상의 각종 표식이나 배경의 구조물 등에서도 나타난다. 이러한 요인들은 차량검출에 있어서 에러를 유발시킨다.

본 발명은 이러한 문제점을 해결하기 위한 것으로, 본 발명의 목적은 단안의 카메라로 촬영된 영상이 왜곡된 경우라고 하여도 정확히 차량을 검출하고, 노이즈의 영향을 최소화시킴으로서 차량 검출에러를 현저히 낮추는 차량검출방법을 제공하기 위한 것이다.

상기 목적을 달성하기 위한 본 발명의 특징은 카메라 켈리브레이션 데이터를 이용하여 3차원공간상에서 임의의 거리를 카메라 영상의 픽셀값으로 환산하여 계산하는 단계; 단안 카메라를 이용하여 차량전방의 영상을 획득하는 단계; 상기 영상으로부터 에지정보를 획득하고, 상기 에지정보로부터 검출대상 차량의 좌우경계후보의 위치를 찾아내는 단계; 상기 영상의 밝기와 상기 에지정보로부터 상기 차량의 좌우경계휴보들 중 대칭성의 척도가 큰 후보를 선택하는 단계; 상기 대칭성 큰 후 보들에 대하여 기설정된 개수의 행을 묶어 대칭성을 추출하는 단계; 상기 대칭성 추출하는 단계에서 추출된 대칭성의 척도가 기설정된 값 이상일 때 차량으로 확정하는 단계를 포함하는 것이다.

또한, 본 발명의 다른 특징은 자 차량에 설치된 카메라로부터 영상을 획득하는 단계; 상기 영상으로부터 에지정보를 산출하고, 상기 에지정보로부터 차량의 좌우경계일 것으로 기대되는 차량의 좌우경계후보인 열(column)의 위치를 탐색하는 단계; 상기 탐색된 열의 위치들이 노면과 접하는 행(row)의 위치를 탐색하는 단계; 노면과 접하는 위치가 검출된 좌우경계후보들을 대상으로 수평대칭성을 평가하여 차량을 검출하는 단계를 포함하는 것이다.

이하, 본 발명을 상세히 설명하기로 한다.

도 1은 본 발명의 전체적인 구성을 나타내기 위한 순서도이다.

본 발명은 카메라의 영상, 바람직하게는 전방주시용 CCD 카메라의 영상으로부터 에지정보의 단계적인 조합을 통해 잡음의 영향을 극복하면서 차량의 좌우경계일 것으로 기대되는 차량의 좌우경계 후보(candidate)인 열(column) 위치를 탐색하고(S1), 탐색된 열의 위치들이 노면과 접하는 행(row)의 위치를 탐색하고(S2), 노면과 접하는 위치가 검출된 좌우경계 후보들을 대상으로 수평대칭성을 평가하여 차량을 검출한다(S3).

입력영상내에 차량의 존재 여부를 모르기 때문에 수평대칭성 탐색시 영상의 전영역을 탐색해야 하는데 이때 너무 많은 시간이 소요되기 때문에 차량의 좌우경 계에 대한 후보위치를 찾아내고, 또한, 수평대칭성 평가에 대칭성척도를 활용하는데, 척도 계산시 사용하는 함수의 범위에 따라 결과의 차이가 크기 때문에 카메라 캘리브레이션 데이터를 이용하여 3 차원 공간상에서 임의의 거리가 영상의 각 행별로 몇 픽셀을 차지할지 미리 계산해 둠으로써 함수의 범위에 따른 결과차이가 없도록 한다.

이하, 차량의 좌우경계 후보위치 검출방법에 대하여 설명하기로 한다.

차량의 좌우경계 후보 위치는 수직경계선들 중 수평 대칭성 척도를 기반으로 선택되므로 이에 대하여 먼저 설명하기로 한다.

수평 대칭성척도

어떤 함수 f(x)의 우함수 f(x)e 와 기함수 f(x)o 는 다음의 수학식 1로 표현된다.

여기에서 d 는 함수 f(x)가 정의되는 구간이다. 함수에서 축대칭성이 나타나는 위치, x _s 를 찾으려면 x = i - x _s 를 이용하여 함수의 원점을 임의의 x _s 의 위치로 이동하면서 그 위치에서 축대칭성이 나타나는지 분석을 해야 한다. 이를 위해 먼저 수학식 1을 다음의 수학식 2로 변환한다.

여기에서 w 는 x _s 로 이동된 함수가 정의되는 구간이다. 본 발명에서는 x _s 에서 폭 w 에 대해 함수의 축대칭성이 얼마나 나타나는지의 평가는 다음의 수학식 3을 이용한다.

여기에서

이다. S(x_s ,w) 의 값이 1 에 가까우면 이 때 x _s 는 축대칭 위치로 볼 수 있다.

대칭성척도의 고려범위

차량폭은 수학식 2의 w 의 설정에 관련된다. 대칭성척도 계산에 차폭의 반영 을 위해 카메라 캘리브레이션을 수행하여 3 차원공간상에서의 1미터(M)가 영상의 각 행에서 몇 픽셀이 될지 미리 계산을 한다. 영상의 행 j 에서 공간상의 1M (Meter) 가 차지하는 픽셀수를 Pj 라 하자. 이렇게 1M를 기준으로 각 행별로 픽셀수를 계산해 놓으면 고려할 차폭은 이것의 몇 배를 취할 것인지에 따라 결정된다. 예를 들어 행 j 에서 고려하는 차폭이 1.9 M 라면 w =1.9 Pj 로 하고, 2.5 M 라면 w =2.5 Pj 로 한다는 것이다. 그러나 차량의 종류마다 차폭이 다르고, 더구나 입력 영상내에 차량의 존재여부도 모르며 차량의 존재를 안다고 해도 그 차량의 종류를 알 수 없으므로 특정의 차폭을 w 로 선택할 수는 없다. 본 발명에서는 차량의 좌우경계에 해당될 후보위치를 추출하고, 각 후보위치에 대해 자신과 짝을 이뤄 대칭성을 평가할 위치를 나머지 후보 가운데서 선택한다. 이 때 짝으로 선택되려면 현재 고려중인 후보위치와의 거리가 대한민국에서 가장 소형 차량의 폭(약 1.4M)과 가장 대형 차량의 폭(약 2.5M)의 범위내에 들어오면 된다. 이렇게 선택된 쌍의 중점을 수학식 2의 x _s 로 가정하고 수학식 3의 대칭성척도를 계산한다. 이에 대한 적용은 후술하기로 한다.

차량의 좌우경계에 해당될 위치 탐색에 부합되는 특징은 수직에지이다. 수평에지도 차량에 많이 나타나지만, 수직에지에 비해 잡음에 더 많은 영향을 받아 상대적으로 검출성이 떨어지고, 실제 차량과 노면이 접하는 위치에는 수평에지가 거의 나타나지 않으므로 수평에지는 차량과 비차량을 구별하는 변별력이 떨어진다. 문제는 영상 내에 수직에지성분을 가지고 있는 물체가 차량만 있는 것이 아니며, 차량 내에서도 수직에지성분이 잘 드러나는 곳이 좌우 경계만 있는 것이 아니다. 더구나 차량의 좌우경계에서조차 잡음요인에 의해 수직에지성분이 잘 드러나지 않기도 한다. 이러한 문제의 해결여부는 에지정보를 처리하는 방법에 따라 달라질 수 있다.

에지 처리

단계 1: 에지는 밝기 영상으로부터 소벨연산자를 이용하여 추출한다. 에지 정보는 수직성분 Gx(x, y) , 수평성분 Gy(x, y) , 각도

(x, y)로 구성하며

(x, y) 는 0 도에서 180 도의 범위를 갖도록 한다.

단계 2: 차량의 좌우경계를 찾고, 차량의 외양에 나타난 수평선들을 식별할 목적으로

(x, y)를 이용하여 Gx 와 Gy 가 특정 각도내에 있는 것들을 다음의 수학식 4에 의하여 선택한다.

단계 3: 선별된Gx' 와 Gy' 에 대해 "J. W. Lee, U.K. Yi and K. R. Baek, A cumulative distribution function of edge direction for road lane detection , IEICE E84-D, Vol 9, pp. 1206-1216, 2001"에 기재된 적응형 쓰레쉬홀딩(thresholding)과 " O. Faugeras, Three-dimensional computer vision - a geometric viewpoint, MIT Press, 1993."에 기재된 NLMS(Non-local maximum suppression)를 적용하여 에지의 크기가 매우 적거나 국부영역에서 최대가 아닌 픽 셀들은 제거한다. 일반적으로 차량경계는 배경과의 밝기의 대비에 의해 에지의 크기가 다른 부분에 비해 크다. 따라서 단순히 차량경계의 검출력을 높이려면 적당히 큰 쓰레쉬 홀딩 값을 택해 에지의 크기가 작은 픽셀을 제거할 수 있다. 그러나 본 발명서는 차량과 노면이 접하는 위치 검출을 차량의 좌우경계 검출을 통해서 실현하므로 차량경계 하단부의 픽셀들이 사라지면 차량과 노면이 접하는 위치를 정확히 검출할 수 없다. 그런데 문제는 그림자나 조명원의 위치에 따른 영향으로 영상에서 차량의 하단 경계부가 어두운 경향이 많다는 점이다. 이러한 상황에서 쓰레쉬 홀딩 값이 크면 차량경계 하단에 있는 수직에지는 사라질 가능성이 높다. 그렇다고 쓰레쉬 홀딩을 적용하지 않으면 노면의 반사성 때문에 생기는 많은 에지들이 차량경계 검출력을 떨어뜨린다. 이런 이유로 적응형 쓰레쉬홀딩법을 이용하여 최소의 쓰레쉬 홀딩 효과를 도모하고, NLMS 를 통해 국부영역에 대해 크기가 큰 에지를 살리고 크기가 적은 에지는 제거해서 차량경계 검출력을 높인다.

단계 4: 도로영상에서 차량경계와 관련 없는 부분에서 수직에지가 나타날 가능성이 큰 곳이 차선표식과 횡단보도 표식의 경계이다. 따라서 차선표식과 횡단보도 표식의 경계상에 있을 것으로 기대되는 픽셀들을 추출하여 제거함으로써 노면에 새겨진 표식들이 차량인식의 장애가 되는 현상을 막는다. 이 때 살아 남은 수직, 수평에지를 Gx" 와 Gy" 에 저장한다.

단계 5: "차량의 좌우경계는 노면으로부터 거의 수직이며 어느 정도의 높이

를 갖는다." 는 근거를 바탕으로 Gx" 로부터 차량의 경계에 있을 것으로 기대되는 수직에지를 다음과 같이 선별한다. 영상의 어떤 열 i 와 행 j 에서 Gx"(i, j) ≠ 0 이면, 행j의 위쪽으로 B = 0.5Pj 의 범위를 설정한다. 여기에서 Pj 는 앞에서 기술한 바와 같이 공간상에서의 1M 가 영상의 행 j 에서 픽셀수로 환산된 값이다. 그리고 i와 이 열의 좌우에 있는 i-1, i+1 이렇게 세 열에 대해 B 내에서 각 행별로 Gx" 가 0 이 아닌 픽셀들이 존재하는 행수를 세어 수량이 0.35B 이하이면

Gx ^s(i, j) = 0, 0.35B 를 초과하면

Gx ^s (i, j) = 1 로 표기한다. 처리영역 전체에 이 과정을 적용한 후 Gx ^s(x, y) =1 인 픽셀 주위에 Gx ^s가 1 인 픽셀이 없을 경우 잡음으로 간주하고 Gx ^s(x, y) = 0 으로 처리한다.

차량 좌우경계의 후보 검출

본 발명에서 차량의 탐색영역은 소실점 아래로 하지만, 이 탐색영역은 카

메라로부터 불과 수 미터에서 무한대까지의 넓은 범위이므로 탐색영역 전체를 한꺼번에 처리하는 것은 영상내에서 거리에 따른 차량크기의 상대적인 변화가 커서 효과적이지 못하다. 따라서 카메라 캘리브레이션 데이터를 이용하여 탐색영역을 카메라로부터의 거리에 따라 10M 이내구간, 10M 에서 20M터 구간, 20M 에서 40M 구간, 40M 이상구간 이렇게 네 영역으로 분할하고, 다단계 과정을 통해 처리된 에지정보를 이용하여 분할된 영역별로 차량의 좌우경계일 것으로 기대되는 위치검출을 진행한다. 분할된 각 영역은 카메라로부터 가까운 곳부터 영역 0, 영역 1, 영역 2, 영역 3 이라 하고 각각 A ₀ , A ₁ , A ₂ , A ₃ 라 기호화한다. 어떤 열에 Gx ^s = 1 인 픽셀 이 많다면 그 열은 차량의 좌우경계일 가능성이 크다는 의미이다. 이를 차량의 좌우경계검출에 활용하기 위해 다음의 수학식 5와 같이 분할된 영역별로 Gx ^s 의 누적 H A _k (i) 을 취한다.

여기에서 아래첨자 A _k 는 A ₀ , A ₁ , A ₂ , A ₃ 가운데 하나를 뜻한다. i 는 열, j 는 행을 나타내고, D _k 와 U _k 는 영역 A _k 의 하한과 상한의 행번호를 나타낸다. 차량의 좌우경계후보로 고려될 수 있는 위치는 다음의 수학식 6과 같이 H A _k (i) 의 피크의 위치를 선정함으로써 정해진다.

여기에서 δ 는 0 보다 큰 H A _k (i) 가 연속적으로 나타나는 국부적인 영역에 대한 HA _k (i)의 평균이다. 이 국부적인 영역 내에서 HA _k (i) 가 δ보다 크고 열 i를 포함한 주변 위치 내에서 다른 HA _k (i)보다 크거나 같으면 i는 피크의 위치가 된다. 이렇게 일차적 선별후 연속된 두 열인 i- 1과 i 가 동시에 ΩA _k 에 포함되어 있으면 i 를 ΩA _k 에서 제거한다.

G x" 의 경우도 어떤 열에 Gx" 가 큰 픽셀들이 많이 존재한다면 그 열이 차량경계일 가능성이 크므로 이를 차량의 좌우경계검출에 활용하기 위해 다음의 수학식7과 같이 분할된 영역별로 Gx" 의 누적 F A _k (i) 을 취한다. 그리고 영역별 누적의 합을 취해 전체 영역에 대한 Gx" 의 누적 F(i) 를 구한다.

F(i)의 피크의 위치는 다음의 수학식 8과 같이 선정하여 집합 Γ를 구성한다.

여기에서 μ 는 0 보다 큰 F(i)들의 평균이다. ΩA _k 의 경우와 동일하게 연속된 두 열 i - 1과 i 가 동시에 Γ 에 포함되면 i 를 Γ 에서 제거한다.

이렇게 Gx" 와 Gx ^s의 누적을 취한 이유는 이 두 특징이 상호보완적인 역할 을 하기 때문이다. 어떤 열에 Gx" 가 큰 픽셀들이 많이 분포되어 있다면 그 열이 차량의 좌우경계일 가능성이 높다. 반면에 어떤 열은 실제 차량의 좌우경계임에도 환경적인 잡음요인에 의해 픽셀들의 Gx" 가 작을 수 있다. 그러나 Gx ^s 는 Gx" 의 크기가 아닌 Gx" 의 일관된 출현에 의해 값이 결정되므로 어떤 열의 픽셀들의 Gx" 가 작더라도 일관되게 나타나 있다면 Gx ^s 에 의해 그 열이 차량의 경계로 인정받을 수 있다. 따라서 Gx ^s = 1 인 픽셀들의 분포에 대한 분석을 통해 차량의 좌우경계를 검출하는 것은 의미가 있다.

수학식 6의 ΩA _k 의 요소들이 차량의 좌우경계일 가능성 평가는 다음과 같이

네 가지 지표를 설정하고 이 지표들의 값의 합을 구함으로써 이루어진다.

(1) 지표 1: 집합 ΩA ₀ , ΩA ₁ , ΩA ₂ 에 속한 요소들 각각에 대해서 자신이 속한영역 A _k 의 위 영역의 ΩA _{k +1} 의 요소들 가운데 자신과의 거리차가 3 픽셀 이내인 것이 존재하면 고려하고 있는 A _k 의 요소의 지표 1 의 값은 1, 존재하지 않으면 0 으로 한다. 예를 들어 ΩA ₀ 의 어떤 요소가 ΩA ₁ 의 어떤 요소와 위치차가 3 픽셀 이내이면 이 두 요소는 차량의 경계에서 추출됐을 가능성이 크다고 본 것이다.

(2) 지표 2: ΩA _k 에 속한 요소들 각각의 H A _k (i) 의 크기에 대한 순서를 정하고, 이 순서의 역수를 지표 2 의 값으로 한다. 그 이유는 어떤 요소 m 의 HA _k (m)가 다른 요소 n 의 H A _k (n) 보다 크다면 m 은 상대적으로 차량의 좌우경계에 일치할 가능성이 n 보다 크다 할 수 있기 때문이다.

(3) 지표 3: 수학식 8의 Γ의 요소들의 F(i)의 평균, μA 를 계산한다. 또한 Γ 의 요소들 각각의 FA ₃ (i), FA ₂ (i), FA ₁ (i), FA ₀ (i)가 F(i)에 기여한 순서를 조사해서 1, 2 위 영역을 찾는다. 그리고 ΩA _k 에 속한 요소들 각각에 대해서 Γ 의 어떤 요소와 위치상으로 가장 가까운지 찾는다. 이 세가지 결과를 토대로 지표3의 값을 정한다. 다음의 예를 통해 지표 3 의 설정에 대해 설명하기로 한다. ΩA _k 의 요소 p 가 Γ 의 요소 q 에 가장 가깝고, FA _k (q) 가 F(q)에 기여한 정도가 2 위라 하면 이때 기여순서의 역수인 0.5 가 요소 p 에 대한 지표 3 의 값이 된다. 만약 기여 순서가 3 위나 4 위였다면 요소 p 의 지표 3 의 값은 0 이다. 지표 3은 차량 좌우경계에 해당되는 열에 있는 픽셀들의 수직에지는 크기가 클 거라는 전제에서 설정한 것이다. 그러나 F(q)가 Γ의 다른 요소들의 F(i)보다 상대적으로 적을 수 있다. 그럼에도 FA _k (q)가 두 번째 이내로 F(q)에 기여를 했다 해서 p 의 지표 3 의 값을 1 또는 0.5 로 한다는 것은 공정치 못하다. 따라서 이 불공정성을 줄일 필요가 있다. 첫째, μA 와 F A _k (q) 의 비 FA _k (q)/μA 를 계산한다. 이를 영역 A _k 에서 열의 위치 p 의 기여율이라 하고, 이 기여율이 50%가 못 되면 위치 p 에 대한 지표 3 의 값을 50% 줄인다. 즉, 1 은 0.5 가 되고, 0.5 는 0.25 로 한다. 둘째, 이 기여율로 새로운 지표를 설정한다.

(4)지표 4: 기여율이 크다는 것은 고려하고 있는 위치가 차량의 좌우경계일 가능성이 높다는 의미이다. 따라서 지표 4 의 값은 바로 이 기여율로 하되, 지표 1, 지표 2, 지표 3 의 최대치가 1 이라는 점을 고려해서 지표 4 의 상한을 1.5 로 제한한다. ΩA ₃ , ΩA ₂ , ΩA ₁ , ΩA ₀ 에 속한 각 요소들 가운데 상기 네 개의 지표들의 합이 1 을 초과하는 요소를 차량의 좌우경계 후보로 선정한다. 이렇게 선정된 후보를 c _c (column candidate)라 한다. 그리고 선정된 후보경계가 노면과 접하는 행의 위치를 검출하고, 검출된 위치를 r _c (row candidate)라 한다. r _c 는 차량의 좌우경계 후보인 c _c 와 c _c 의 좌우에 있는 열에서 Gx ^s 의 분포 패턴을 분석하여 차량과 노면이 접하는 위치를 탐색함으로써 검출된다. 즉, 차량의 좌우경계 후보인 c _c 가 속한 영역 A _k 의 하단으로부터 시작해서 상단부 쪽으로 c _c , (c _c - 1), (c _c +1) 이렇게 세 열을 대상으로 Gx ^s = 1 인 픽셀이 연속적으로 나타나기 시작하는 행의 위치를 찾는다. 그러면 바로 이 행이 차량과 노면이 접할 것으로 기대되는 위치가 된다.

이하, 차량후보 검출방법에 대하여 설명하기로 한다.

차량의 좌우경계 후보들과 이 후보들이 노면과 접하는 위치가 차량 검출의 토대가 된다. 차량 후보의 검출은 분할된 영역별로 이루어지며 카메라로부터 가까운 영역부터 시작한다.

영역 A _k 에서 차량의 좌우경계 후보 c _c 및 c _c 가 노면과 접촉하는 위치 r _c 로 부터 c _c 가 차량의 경계인지 검증을 위해 다음과 같은 가정들을 설정하고 이들의 만족 여부를 확인한다.

(1) 가정 1: c _c 의 좌측 또는 우측으로 차량의 예상 폭 Pr _c ~ 2.6Pr _c 내에 c _c 와 쌍을 이뤄 수평대칭성을 만족하는 요소가 ΩA _k 내에 있을 것이다.

(2) 가정 2: c _c 의 좌측 또는 우측으로 차폭의 범위 내에 수평의 에지 성분인 Gy " 가 큰 픽셀들이 존재할 것이다.

(3) 가정 3: c _c 의 좌측 또는 우측으로 2Pr _c 내에 ΩA _k 의 요소들이 존재할 것이다.

이 가정의 근거는 차량의 전면이나 후면은 차량의 좌우경계뿐 아니라 다른 수직의 선분들도 나타나 있다는 점이다. 여기에서 범위를 2Pr _c 로 선택한 것은 차폭이 2M 이상인 승용차는 없다고 보았고, 승용차 이외의 트럭이나 버스도 2M 범위만 관찰해도 충분하다고 본 것이다. 관측범위를 너무 크게 설정하면 검출하려는 차량과 관계없는 정보가 개입될 수 있다.

(4) 가정 4: c _c 의 좌측 또는 우측으로 2Pr _c 내에 ΩA _k 의 요소들이 존재할 것이다. 이에 대한 근거는 차량은 노면으로부터 공간속으로 돌출되는 물체라는 점이다. 따라서 차량이 영상 내에 있다면 최소한 두 영역에 걸쳐 수직의 선분들이 존재할 것으로 간주한다. 영역 A _k 의 c _c 가 차량 좌우측의 어느 쪽 경계가 될지 판단 을 위해 크레디트 (credit)제를 도입한다. c _c 를 중심으로 좌측과 우측을 평가하여 더 양호한 측에 점수를 배점하는 방식이다. 앞에서 제시한 가정들에 대한 평가 후 합산된 크레디트에 의해 c _c 가 차량의 우측경계가 될지 좌측경계가 될지 결정된다. 가정 2, 가정 3, 가정 4 는 가정 1 의 결과에 따라 선택적으로 평가가 이루어진다.

(1) 가정 1 의 평가

c _c 의 좌측과 우측에 c _c 와 쌍을 이룰 요소들이 있는지 ΩA _k 로부터 찾는다. 좌우 어느 쪽도 쌍이 존재하지 않으면 c _c 에 대한 가정 1 은 성립되지 않은 것으로 간주한다. c _c 와 쌍을 이루는 요소를 c _c ' 라 하자. c _c 와 c _c ' 사이의 수평대칭성은 S(x _s ,w)의 계산에 의해 평가된다. S(x _s ,w)의 계산에 사용될 함수의 범위 w 는 c _c 와 c _c ' 사이로 정하고, x _s 는 c _c 와 c _c ' 의 중심위치로 한다. w 내에서 수직방향으로 영상 특징의 누적을 취할 범위 Br _c 를 다음의 수학식 9와 같이 복수의 행이 포함된 띠(belt)로 정한다.

여기에서 r _c 는 c _c 가 노면과 접한 행이며 Pr _c 는 3 차원 공간상의 1M 가 r _c 에서 픽셀수로 환산된 값이다. Br _c 를 70Cm 로 취한 이유는 승용차의 경우 대략 노면부터 범퍼까지의 높이가 70Cm 정도 되기 때문이다. 그리고 Br _c 를 Br _c /2 만큼 수직의 윗방향으로 이동시켜 새로운 띠, Br _c ' 을 하나 더 설정한다. 이렇게 두 개의 띠를 설정한 것은 대칭성평가에 있어서 잡음의 영향을 줄이려는 이유에서이다. w 와 Br _c 로 정해진 영역과 w 와 Brc' 로 정해진 영역에 대한 S(x _s ,w) 계산을 위해 다음의 수학식 10과 같이 f(x, y), Gx'(x, y), Gx'(x, y)+ G y'(x, y) 각각의 누적을 취한다.

여기에서 f (x, y)는 영상의 밝기이다. I(i), V(i), E(i), I'(i), V'(i), E'(i) 각각에 대해 S(x _s ,w) 를 계산하고 이 가운데 가장 큰 값이 c _c 와 c _c ' 가 이루는 쌍의 수평대칭성이 된다. 이와 같은 방법으로 좌우에 존재하는 c _c 의 모든 쌍에 대해 S(x _s ,w) 를 얻는다. 좌측의 가장 큰 S(x _s ,w) 를 S(x _s ,w) _L 라 하고, 우측의 가장 큰 S(x _s ,w)를 S(x _s , w) _R 라 하자. S(x _s ,w) _L , S(x _s , w) _R 모두 0 이하이면 가정 1 은 성립되지 않은 것으로 간주한다. 반면에 0 보다 큰 쪽은 크레디트 1 점이 부여되고, 0.5 이상이면 크레디트 1 점이 추가로 부여된다. 좌우 모두 크레디트를 받았을 경우 S(x _s ,w) _L 과 S(x _s , w) _R 을 비교해서 더 큰 쪽에 크레디트 1 점이 더 부여된다.

(2) 가정 2 의 평가

c _c 의 좌측과 우측의 Gy" 의 분포를 조사함으로써 평가가 이루어진다. 단, 가정 1 의 평가결과에 따라 가정 2 의 평가기준이 달라진다.

a)가정 1 에서 c _c 의 짝으로 c _c ' 이 결정되었을 경우

a-1) c _c ' 이 c _c 의 우측에 있을 때 c _c 의 좌측에 c _L = c _c - ( c _c ' - c _c ) 라는 위치를 정하고, 수직으로는 r _c 를 하한으로 하고, r _c - 1.5Pr _c 를 상한으로 하는 영역을 설정한 후 Gy" 의 분포를 다음의 수학식 11과 같이 조사한다.

여기에서

이며, 아래첨자 L 과 R 은 각각 좌측과 우측을 뜻한다. n _L (j) 와 n _R (j)를 가지고 다음의 수학식 12와 같이 네 가지의 요소를 계산한다.

여기에서

이때

이면 가정 2 의 평가에서 우측이 크레디트 1 점을 부여 받지만, Q _R < Q _L 이고 N _R < N _L 이면 좌측이 크레디트 1 점을 부여 받는다.

a-2) c _c ' 이 c _c 의 좌측에 있을 때 c _c 의 우측에 c _R = c _c + ( c _c ' - c _c )라는 위치를 정하고, 다음의 수학식 13과 같이 Gy" 의 분포를 조사한다.

n _L (j) 와 n _R (j)를 이용하여 수학식 12의 네 가지의 요소를 계산한다. 이때

이면 가정 2 의 평가에서 좌측이 크레디트 1 점을 부여 받지만,

이면 우측이 크레디트 1 점을 부여 받는다.

b)가정 1 이 성립되지 않았을 경우 c _c 의 좌.우측으로 각각 c _L = c _c - 1.6Pr _c 과 c _R = c _c + 1.6Pr _c 를 선정한 후 Gy" 의 분포를 다음의 수학식 14와 같이 조사한다.

여기에서 q(i, j)는 수학식 11의 규정을 따른다. n _L (j) 와 n _R (j)를 이용하여 수학식 12의 네 가지의 요소를 계산해서 Q _R > Q _L 이고 N _R > N _L 이면 우측에 크레디트 1점을 부여하고, Q _R < Q _L 이고 N _R < N _L 이면 좌측에 크레디트 1 점을 부여한다. 이 외의 상황에서는 가정 2 는 만족되지 않은 것으로 간주한다.

(3) 가정 3 의 평가

가정 1 이 성립되지 않았을 경우 평가가 이루어진다. c _c 의 좌.우측 각각 2P _rc 범위내에 존재하는 ΩA _k 의 요소들의 수량을 파악하고, ΩA _k 의 요소들이 더 많이 존재하는 쪽이 크레디트 1 점을 부여 받는다.

(4) 가정 4 의 평가

가정 1 이 성립되지 않았을 경우 가정 4 의 평가도 이루어진다. c _c 의 좌우측 각각 2Pr _c 범위내에 존재하는ΩA _{k +1} 의 요소들의 수량을 파악하고, ΩA _{k +1} 의 요소들이 더 많이 존재하는 쪽이 크레디트 1 점을 부여 받는다.

차량 후보 검출은 c _c 가 크레디트 점수를 받지 못한 경우와 c _c 가 크레디트 점수를 받은 경우로 나누어 행해진다. 전자의 경우는 차량이 영상의 좌우 가장자리에서 일부만 보일 때 나타날 수 있다. c _c 가 영상의 좌우 가장자리로부터 Pr _c 이내에 있고, 이 범위내에 ΩA _k 의 요소가 있다면 c _c 는 일부만 보이는 차량의 경계라는 판정을 한다. 후자의 경우에 있어서 c _c 의 크레디트가 2 점 이상일 때 차량후보를 검출하는데, 가정 1 이 성립된 경우 c _c 와 c _c ' 는 차량의 좌우경계로 선택되고, rc 에 차량이 위치한다고 판단한다. 하지만 가정1 이 성립되지 않은 경우: 1) c _c 의 우측의 크레디트가 높으면 c _c 를 차량의 좌측경계로 하고, r _c 에 차량이 위치한다고 판단하며, 2) 좌측의 크레디트가 높으면 c _c 를 차량의 우측경계로 하고, r _c 에 차량이 위치한다고 판단한다.

실시예

실시예에 사용된 영상은 도 2에 도시된 실험차량과 전방을 주시하도록 이 차량에 장착된 카메라시스템을 이용하여 촬영하였다. 영상의 크기는 320×240(열수 ×행수)이다.

도 3에서 도 3(b)와 도 3(e)는 둘 다 수직에지를 나타낸 것이지만 전자는 노면에 새겨진 표식의 경계에 있는 픽셀을 제거하지 않은 것이고, 후자는 "J.W. Lee and U.K. Yi, A Lane-Departure Identification based on LBPE, Hough Transform, and Linear Regression, CVIU, Vol. 99, pp. 359-383, 2005."에 제시된 방법에 의해 도 3(d)에 보인 바와 같이 노면에 새겨진 표식의 경계에 있을 것으로 기대되는 픽셀을 추출해서 이들을 제거한 후의 수직에지를 표시한것이다. 도 3(c)를 도 3(a)와 비교해 보면 차량이 있는 곳에 수평에지가 존재한다는 것을 알 수 있지만, 그렇다고 이곳에 수평에지가 가장 많이 분포되어 있지 않다는 것도 알 수 있다. 도 3(f)는 Gx ^s 를 표시한 것인데 이는 도 3(e)의 Gx" 를 처리해서 얻은 것이다.

도 4는 도 3(e)와 (f)의 Gx" 와 Gx ^s 를 A ₀ , A ₁ , A ₂ , A ₃ 각각의 영역별로 누적한 결과와 이 누적으로부터 추출한 피크의 위치를 원영상위에 표시한 결과를 나 타낸 것으로 도 4(a)의 첫 분포는 F(i)이고, 두 번째 분포는 F _A3 (i), 세 번째 분포는 F _A2 (i), 네 번째 분포는 F _A1 (i), 다섯 번째 분포는 F _A0 (i)이다. 도 4(c)는 수학식 8의 Γ 에 속한 요소들을 원영상에 수직의 선분으로 나타낸 것이다. 도 4(c)와 (d)에 표시된 수평선분은 분할된 영역의 경계이다. 도 4(b)의 첫 분포는 H _A3 (i) , 두 번째 분포는 H _A2 (i), 세 번째 분포는 H _A1 (i), 네 번째 분포는 H _A0 (i) 이며, 도 3(d)의 각 영역의 하한선에 작은 원이나 사각형으로 표시된 위치가 해당 영역의 ΩAk 의 요소이다. 여기에서 사각형으로 표시된 열은 윗 영역에 자신과 가까운 열이 피크로 선정되어 있음을 의미하며, 원으로 표시된 열은 윗 영역에 자신과 가까운 열이 피크로 선정되어 있지 않음을 뜻한다.

도 5(a)는 차량경계후보가 노면과 접한 위치를 검출한 예를 보인 것으로 수평방향으로 까맣게 짧게 표시된 부분이 바로 검출된 차량경계 후보 c _c 가 노면과 접촉한 위치 r _c 이다. 영역 A ₀ 와 A ₁ 에는 추출된 차량경계 후보가 없다. A ₂ 에서는 ①, ②, ③으로 표기된 위치의 세 군데에서 차량의 좌우경계후보가 검출되었고, A ₃ 에서는 두 군데에서 검출되었다. A ₂ 의 ①의 위치는 횡단보도표식의 경계에 있는 픽셀을 추출해서 제거하였지만 완벽하게 제거되지 않고 남아 있는 픽셀로 인해서 생긴 에러(false positive)이다. A ₃ 의 두 군데의 차량의 좌우경계후보는 A ₂ 의 ②, ③의 위치와 일치한다. 도 5(b)는 도 4(a)의 차량의 좌우경계후보와 이들의 노면과의 접촉위치를 가지고 앞에서 기술된 네 가지 가정의 평가결과 얻어진 차량의 후보를 표시한 것이다. A ₂ 의 ①, ②의 후보위치는 정확하게 차량의 좌우경계와 일치하지만 이들의 노면접촉 위치의 차이로 인한 차량후보 검출결과의 차이가 파생되었으나, 이 문제는 앞에서의 가정 1 의 평가결과를 이용하여 극복할 것이다.

도 6은 도 6(a)에 보인 또 다른 영상에 대해 실시된 차량의 좌우경계후보 검출을 위한 일련의 처리과정을 보인 사례이다. 이 사례가 도 4의 사례와 다른 점은 입력영상의 소실점 이하에 여러 대의 차량과 나무, 건물, 보행자 등이 보인다는 것이다. 도 6(g)와 (h)에서 볼 수 있듯이 차량뿐 아니라 나무, 건물, 보행자 등에서도 누적의 피크가 발생한다. 그 이유는 이러한 장애물들의 경계에서도 에지처리과정에서 끝까지 살아남는 수직의 에지성분이 존재하기 때문이다.

도 7은 도 6의 결과를 토대로 이루어진 차량검출 예로서, 도 7(a)는 차량경계 후보와 이 후보들의 노면접촉위치를 나타낸 것이고, 도 7(b)는 차량후보 검출 결과이다. 도 7(b)를 통해 알 수 있는 것은 나무와 나무 사이가 본 발명에서 고려하는 차량의 폭 범위내에 있고, 또 이들 사이에 Gy' 이 존재하면 차량으로 오인식되는 현상을 막기 어렵다는 점이다. 영상처리에 의해 이 문제를 해결할 수 있는 방법가운데는 본 발명에서 제안하는 알고리즘에 차선정보추출 알고리즘을 통합하는 방법이 있을 수 있다.

도 8은 또 다른 입력영상들에 대해 적용된 차량후보 검출 사례를 보인 것이다. 도 8(a)는 소실점 이하의 처리영역내에 4 대의 차량이 보인 경우이다. 중앙에 보이는 장애물이 실제 차량이 아니지만 제안된 알고리즘에서 이를 차량과 분간하기 는 어렵다. 하지만 이 장애물이 비록 차량이 아니더라도 자차량의 입장에서는 검지해야 할 매우 중요한 장애물이다. 도 8(a)의 우측의 차량후보 검출결과에서 보인 바와 같이 차량검출은 성공적으로 이루어졌다. 도 8(b)는 자차량에 매우 근접되어 있으면서 차량의 후미 전체가 영상에 보이지 않는 차량이 존재하는 사례를 보인 것이다. 대상 차량의 좌우경계후보가 쌍으로 존재하지는 않았지만, 앞에서의 설명한 가정 2, 가정 3, 가정 4의 평가에 의해서 검출이 이루어진 것이다.

본 발명의 목적과 구성에 따르면 차량의 외양구조가 가지고 있는 축대칭성과 수직/수평의 선분이 많다는 특성에 대한 증거를 입력 영상에서 인지하는 것이다. 차량의 외양구조에 관련된 특성의 증거를 성공적으로 인지하기 위해 첫째, 수직성분의 에지를 단계적으로 처리하였다. 단계적인 에지정보처리는 차량의 좌우경계 후보위치와 이러한 후보위치가 노면과 접하는 위치를 신뢰성있게 추출할 수 있는 토대가 되었다. 둘째, 좌우경계 후보위치가 노면과 접하는 위치에 카메라캘리브레이션 정보를 조합해서 차량의 크기나 타입, 그리고 카메라로부터 거리에 상관없이 수평대칭성을 검출할 수 있는 로직을 제안하였다. 셋째, 크레디트제는 차량이 자차량의 측방에 위치하여 영상에 국부적으로 보임으로써 수평대칭성이 만족되지 않더라도 차량검출을 가능케 하는 기초가 되었다. 제안된 알고리즘이 단안의 흑백영상으로부터 차량검출을 성공적으로 수행할 수 있음을 실시례를 통하여 알 수 있다.

Claims (7)

1. 메라 켈리브레이션 데이터를 이용하여 3차원공간상에서 임의의 거리를 카메라 영상의 픽셀값으로 환산하여 계산하는 단계;

   단안 카메라를 이용하여 차량전방의 영상을 획득하는 단계;

   상기 영상으로부터 에지정보를 획득하고, 상기 에지정보로부터 검출대상 차량의 좌우경계후보의 위치를 찾아내는 단계;

   상기 영상의 밝기와 상기 에지정보로부터 상기 차량의 좌우경계후보들 중 대칭성의 척도가 큰 후보를 선택하는 단계;

   상기 대칭성 큰 후보들에 대하여 기설정된 개수의 행을 묶어 대칭성을 추출하는 단계;

   상기 대칭성 추출하는 단계에서 추출된 대칭성의 척도가 기설정된 값 이상일 때 차량으로 확정하는 단계를 포함하는 것을 특징으로 하는 차량검출방법.
2. 자 차량에 설치된 카메라로부터 영상을 획득하는 단계;

   상기 영상으로부터 에지정보를 산출하고, 상기 에지정보로부터 차량의 좌우경계일 것으로 기대되는 차량의 좌우경계후보인 열(column)의 위치를 탐색하는 단계;

   상기 탐색된 열의 위치들이 노면과 접하는 행(row)의 위치를 탐색하는 단계;

   노면과 접하는 위치가 검출된 좌우경계후보들을 대상으로 수평대칭성을 평가 하여 차량을 검출하는 단계를 포함하는 것을 특징으로 하는 차량검출방법.
3. 청구항 2에서, 상기 차량의 좌우경계후보인 열의 위치를 탐색하는 단계는 다음의 단계 1 내지 단계 5로 이루어지는 에지처리단계를 포함하는 것을 특징으로 하는 차량검출방법.

   단계 1: 상기 밝기 영상에 소벨(sobel) 연산을 수행하여 에지의 수직성분 Gx(x, y), 수평성분 Gy(x, y), 각도성분α(x, y)을 산출한다.

   단계 2: 다음의 수학식 15에 의하여 결정되는 특정 각도 내의 Gx', Gy'를 선택한다.

   단계 3: 선택된 Gx', Gy' 중 에지의 크기가 기 설정된 값 a 보다 작은 픽셀들과 Gx', Gy'의 빈도수가 평균 이상인 국부영역에서 최대가 아닌 픽셀들을 버린다.

   단계 4: 상기 단계 3에서 존속되는 수직에지 및 수평에지 중 도로의 차선 표식과 횡단보도 표식의 경계상에 있는 픽셀들을 제거한 수직에지, 수평에지 Gx", Gy"를 선택한다.

   단계 5: 영상의 임의의 열 i 와 행 j 에서 Gx"(i, j) ≠ 0 이면, 행j의 위쪽으로 B = 0.5Pj(Pj 는 공간상에서의 1M 가 영상의 행 j 에서 픽셀수로 환산된 값이다)의 범위를 설정하고, i와 상기 i 의 좌우에 있는 i-1, i + 1 세 열에 대해 B 내에서 각 행별로 Gx" 가 0 이 아닌 픽셀들이 존재하는 행수를 세어 수량이 0.35B 이하이면

   

   Gx ^s(i, j) = 0, 0.35B 를 초과하면

   

   Gx ^s (i, j) = 1 로 표기하여 처리영역 전체에 이 과정을 적용한 후 Gx ^s(x, y) =1 인 픽셀 주위에 Gx ^s가 1 인 픽셀이 없을 경우 잡음으로 간주하고 Gx ^s(x, y) = 0 으로 처리한다.

   
4. 청구항 3에서, 탐색영역을 상기 카메라로부터의 거리에 따라 복수의 영역으로 분할하고, 분할된 영역에 대하여 다음의 수학식 16, 17에 의하여 결정되는 피크위치 Ω_Ak와 다음의 수학식 18, 19에 의하여 Γ를 구하는 단계, 두 열 i- 1과 i 가 동시에 ΩA _k 에 포함되어 있으면 i 를 ΩA _k 에서 제거하고, 연속된 두 열 i - 1과 i 가 동시에 Γ 에 포함되면 i 를 Γ 에서 제거하는 단계를 더 포함하는 것을 특징으로 하는 차량검출방법.

   

   여기에서 아래첨자 A _k 는 A ₀ , A ₁ , A ₂ ,… ,An 가운데 하나를 뜻한다. i 는 열, j 는 행을 나타내고, D _k 와 U _k 는 영역 A _k 의 하한과 상한의 행번호를 나타낸다.

   

   여기에서 δ 는 0 보다 큰 H A _k (i) 가 연속적으로 나타나는 국부적인 영역에 대한 HA _k (i)의 평균이다.

   

   

   여기에서 μ 는 0 보다 큰 F(i)들의 평균이다.
5. 청구항 4에서, 다음의 4가지 지표들의 값의 합이 1 을 초과하는 요소를 차량 의 좌우경계 후보(c _c (column candidate))로 선정하는 것을 특징으로 하는 차량검출방법.

   (1) 지표 1: 자신이 속한영역 A _k 의 위 영역의 ΩA _{k +1} 의 요소들 가운데 자신과의 거리차가 3 픽셀 이내인 것이 존재하면 고려하고 있는 A _k 의 요소의 지표 1 의 값은 1, 존재하지 않으면 0 으로 한다.

   (2) 지표 2: ΩA _k 에 속한 요소들 각각의 H A _k (i) 의 크기에 대한 순서를 정하고, 이 순서의 역수를 지표 2 의 값으로 한다.

   (3) 지표 3: 수학식 8의 Γ의 요소들의 F(i)의 평균, μA 를 계산한다. 또한 Γ 의 요소들 각각의 FA ₃ (i), FA ₂ (i), FA ₁ (i), FA ₀ (i)가 F(i)에 기여한 순서를 조사해서 1, 2 위 영역을 찾는다. 그리고 ΩA _k 에 속한 요소들 각각에 대해서 Γ 의 어떤 요소와 위치상으로 가장 가까운지 찾는다. ΩA _k 의 요소 p 가 Γ 의 요소 q 에 가장 가깝고, FA _k (q) 가 F(q)에 기여한 기여순서가 1, 2위이면 기여순서의 역수가 요소 p 의 지표 3 의 값이 되고, 기여 순서가 3 위나 4 위였다면 요소 p 의 지표 3 의 값은 0 이다. 만일 μA 와 F A _k (q) 의 비 FA _k (q)/μA ( 영역 A _k 에서 열의 위치 p 의 기여율이라 한다)를 계산하고, 상기 기여율이 50%가 미만이면 위치 p 에 대한 지표 3 의 값을 50% 줄인다.

   (4)지표 4: 상기 기여율이 지표 4의 값이며, 상한선은 1.5이다.
6. 청구항 5에서, 상기 차량의 좌우경계 후보인 c _c 가 속한 영역 A _k 의 하단으로부터 시작해서 상단부 쪽으로 세열 c _c , (c _c - 1), (c _c +1) 을 대상으로 Gx ^s = 1 인 픽셀이 연속적으로 나타나기 시작하는 행의 위치를 상기 차량과 노면이 접하는 행의 위치 r _c (row candidate)로 결정하는 것을 특징으로 하는 차량검출방법.
7. 청구항 2 내지 6 중 어느 한 항에 있어서, 상기 차량을 검출하는 단계는

   상기 영상의 밝기와 상기 에지정보로부터 상기 차량의 좌우경계휴보들 중 대칭성의 척도가 큰 후보를 선택하는 단계;

   상기 대칭성 큰 후보들에 대하여 기설정된 개수의 행을 묶어 대칭성을 추출하는 단계;

   상기 대칭성 추출하는 단계에서 추출된 대칭성의 척도가 기설정된 값 이상일 때 차량으로 확정하는 단계를 포함하는 것을 특징으로 하는 차량검출방법.

Images