KR20180071552A - 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템 - Google Patents

카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템 Download PDF

Info

Publication number
KR20180071552A
KR20180071552A KR1020160174280A KR20160174280A KR20180071552A KR 20180071552 A KR20180071552 A KR 20180071552A KR 1020160174280 A KR1020160174280 A KR 1020160174280A KR 20160174280 A KR20160174280 A KR 20160174280A KR 20180071552 A KR20180071552 A KR 20180071552A
Authority
KR
South Korea
Prior art keywords
lane
top view
view image
value
fitting
Prior art date
Application number
KR1020160174280A
Other languages
English (en)
Other versions
KR101910256B1 (ko
Inventor
손행선
민경원
이선영
Original Assignee
전자부품연구원
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 전자부품연구원 filed Critical 전자부품연구원
Priority to KR1020160174280A priority Critical patent/KR101910256B1/ko
Publication of KR20180071552A publication Critical patent/KR20180071552A/ko
Application granted granted Critical
Publication of KR101910256B1 publication Critical patent/KR101910256B1/ko

Links

Images

Classifications

    • 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
    • G06K9/00798—
    • 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
    • B60W40/06—Road conditions
    • B60W40/072—Curvature of the road
    • G06K9/38—
    • G06K9/4609—
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

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

Abstract

카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 차선 검출 방법은 전방 영상을 탑뷰 영상으로 변환하는 단계; 탑뷰 영상을 필터링하는 단계; 필터링된 탑뷰 영상에서 차선 후보들을 추출하는 단계; 추출된 차선 후보들을 이용하여 곡선 차선 쌍을 모델링한 후 피팅하는 단계; 피팅된 곡선 차선 쌍으로부터 곡선 차선의 곡률을 추정하는 단계;를 포함한다.
이에 의해, 탑뷰에서 차선을 강조하는 필터링 기법을 통하여 차선 주변에 차량이나 도로 마커들이 존재하여도 이는 배제하고 차선만을 추출할 수 있게 된다.

Description

카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템{Lane Detection Method and System for Camera-based Road Curvature Estimation}
본 발명은 ADAS(Advanced Driver Assistance System : 차량용 운전자 지원 시스템) 관련 기술에 관한 것으로, 더욱 상세하게는 ADAS를 위한 차선 인식 시스템에 관한 것이다.
기존의 차선 인식 시스템의 경우 차선을 직선의 형태로 취급하고 검출하여 차선의 이탈 여부를 판단하여 왔다. 종래의 기술은 차선의 이탈 여부에만 관심이 있었으므로 근거리에 대한 차선의 모델링이 필요했던 바 직선으로 모델링을 하여도 문제가 없었다.
그러나 최근에는 지능형 자동차가 자율주행 자동차로 발전을 하면서 FCWS(Forward Collision Warning System : 전방 추돌 방지 시스템) 이나 ACCS(Adaptive Cruise Control System) 등과 융합하여 원거리에 대한 차선의 정보가 필요하게 되었으며, 이를 기반으로 한 차선의 곡률 정보가 필요하게 되었다.
이에, 차선 정보를 좀 더 정확히 추출하고, 원거리까지 차선을 곡선으로 모델링할 수 있는 방안의 모색이 요청된다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 탑뷰(Top View) 영상에서 차선만을 강조하기 위한 필터링 기법을 적용하여, 차선 주변에 차량이 존재하는 경우에도 차선을 잘 추출해 낼 수 있는 방법을 제공함에 있다.
또한, 본 발명의 다른 목적은, 탑뷰 영상에서 좌우 차선은 일정 간격으로 평행하다는 특성을 가지므로, 이를 이용하여 차선을 두 개의 평행한 곡선 쌍으로 모델링하여 검출의 정확도를 높일 수 있는 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 차선 검출 방법은 전방 영상을 탑뷰 영상으로 변환하는 단계; 탑뷰 영상을 필터링하는 단계; 필터링된 탑뷰 영상에서 차선 후보들을 추출하는 단계; 추출된 차선 후보들을 이용하여 곡선 차선 쌍을 모델링한 후 피팅하는 단계; 피팅된 곡선 차선 쌍으로부터 곡선 차선의 곡률을 추정하는 단계;를 포함한다.
피팅 단계는, 추출된 차선 후보들 중 두 개의 차선으로 이루어진 차선 쌍을 찾아 2차 방정식으로 모델링한 후 피팅할 수 있다.
필터링 단계는, 탑뷰 영상에서 도로 패치를 설정하는 단계; 도로 패치의 평균 픽셀 값으로부터 임계치를 생성하는 단계; 생성된 임계치와 비교 결과를 기초로, 탑뷰 영상의 픽셀들 중 해당 픽셀들을 특정 값으로 변환하는 단계;를 포함할 수 있다.
임계치 생성 단계는, 도로 패치의 평균 픽셀 값에 특정 가중치를 곱하여 임계치를 생성하고, 변환 단계는, 생성된 임계치 보다 픽셀 값이 작은 탑뷰 영상의 픽셀들을 특정 값으로 변환할 수 있다.
도로 패치는, 물체가 존재할 가능성이 가장 작은 영역일 수 있다.
필터링 단계는, 변환된 탑뷰 영상에 대해, x 방향으로는 제1 필터를 적용하고, y 방향으로는 제2 필터를 적용하는 단계;를 더 포함할 수 있다.
제1 필터는, HPF(High Pass Filter)이고, 제2 필터는, LPF(Low Pass Filter)일 수 있다.
본 발명에 따른 차선 검출 방법은 변환된 탑뷰 영상에서 차선 영역을 이진화하는 단계;를 더 포함할 수 있다.
이진화 단계는, 중심 값이 평균 값 보다 특정 상수값 이상 크면 차선으로 표현하고, 중심 값이 평균 값 보다 특정 상수값 이상 크지 않으면 도로로 표현할 수 있다.
한편, 본 발명의 다른 실시예에 따른 차선 검출 시스템은 전방 영상을 이용하여 탑뷰 영상을 생성하는 생성부; 탑뷰 영상을 필터링하는 필터링부; 필터링된 탑뷰 영상에서 차선 후보들을 추출하는 추출부; 추출된 차선 후보들을 이용하여 곡선 차선 쌍을 모델링한 후 피팅하는 피팅부; 피팅된 곡선 차선 쌍으로부터 곡선 차선의 곡률을 추정하는 추정부;를 포함한다.
한편, 본 발명의 다른 실시예에 따른 차선 검출 방법은 탑뷰 영상에서 차선 후보들을 추출하는 단계; 추출된 차선 후보들을 이용하여 곡선 차선 쌍을 모델링한 후 피팅하는 단계; 및 피팅된 곡선 차선 쌍으로부터 곡선 차선의 곡률을 추정하는 단계;를 포함할 수 있다.
한편, 본 발명의 다른 실시예에 따른 차선 검출 시스템은 탑뷰 영상에서 차선 후보들을 추출하는 추출부; 및 추출된 차선 후보들을 이용하여 곡선 차선 쌍을 모델링한 후 피팅하는 피팅부; 피팅된 곡선 차선 쌍으로부터 곡선 차선의 곡률을 추정하는 추정부;를 포함할 수 있다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 탑뷰에서 차선을 강조하는 필터링 기법을 통하여 차선 주변에 차량이나 도로 마커들이 존재하여도 이는 배제하고 차선만을 추출할 수 있게 된다.
또한, 차선이 있는 도로는 탑뷰 상에서 보면 두 개의 평행한 곡선의 형태를 가지는데, 본 발명의 실시예들에 따르면, 이를 한 번에 구해내어 좀 더 정확한 차선을 추출해 낼 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 차선 검출 시스템의 블럭도,
도 2에는 전방 카메라 영상,
도 3은, 도 2의 전방 카메라 영상을 탑뷰 영상으로 변환한 결과,
도 4는 도로 패치 P의 설정 예시,
도 5는 가우시안 필터 fx(x)를 예시한 도면,
도 6은 가우시안 필터 fy(y)를 예시한 도면,
도 7은 2D 가우시안 필터링 결과,
도 8은 이진화 결과,
도 9는 차선 ROI 추출 결과,
도 10은 곡선 차선 쌍 모델 생성/피팅 결과,
도 11은 곡선 차선 쌍을 원 입력 영상에 나타낸 결과, 그리고,
도 12는 본 발명의 다른 실시예에 따른 차선 검출 방법의 설명에 제공되는 흐름도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 차선 검출 시스템의 블럭도이다. 본 발명의 실시예에 따른 차선 검출 시스템은, 차선을 추출하고 추출한 차선의 곡률을 추정하기 위한 시스템이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 차선 검출 시스템은, 탑뷰(Top View) 생성부(110), 차선 필터링부(120), 차선 ROI 추출부(130), 차선 피팅부(140) 및 곡률 추정부(150)를 포함한다.
탑뷰 생성부(110)는 차량의 전방 카메라 영상을 도로의 위에서 아래를 내려다보는 영상으로 변환하여 탑뷰 영상를 생성한다.
전방 카메라 영상은 카메라로부터의 원근에 따라 차선의 폭이 다르게 나타나므로, 이를 탑뷰 영상으로 변환하여 사용하게 되면 원근에 의한 효과가 배제되어 차선 추정이 좀 더 용이하다.
도 2에는 전방 카메라 영상을 나타내었고, 도 3은 도 2의 전방 카메라 영상을 탑뷰 영상으로 변환한 결과를 나타내었다.
차선 필터링부(120)는 탑뷰 영상에서 차선을 좀 더 강조하기 위한 필터링을 수행한다.
도 3의 탑뷰 영상을 보면 도로상에 다른 차량이 존재할 경우, 탑뷰 영상에서는 실제 영역보다 더 큰 영역으로 다른 차량이 퍼져서 나타나게 되므로, 탑뷰 영상에서 다른 차량을 제외하고 차선 부분만을 강조하기 위한 필터링이 요구된다.
이를 위해, 먼저 도 4에 도시된 바와 같이, 탑뷰 영상에서 도로 패치 P를 설정한다. 이 부분은 도로상에서 물체가 존재할 가능성이 가장 희박한 영역, 이를 테면, 도 4에 나타난 바와 같이 차량의 바로 앞 영역으로 직사각형태의 도로 패치 P에 대해서 매 영상 프레임 평균 픽셀 값을 구한다.
도로 패치 P에서 구한 평균 픽셀 값에 특정 가중치(예를 들면, w=1.1)을 곱하여 임계 값(Threshold)을 만들고, 입력되는 탑뷰 영상 Ith에서 일괄적으로 입계 값을 빼고, 음수 값은 0으로 변환한다. 수학식으로 표현하면 다음과 같다.
Threshold = average(P) × w
Ith = max(I-Threshold, 0)
도로 패치 P는 물체가 존재할 가능성이 가장 희박한 영역, 즉 도로일 가능성이 가장 높은 영역이므로, 탑뷰 영상 Ith에 대해 위와 같은 처리를 하는 것은 탑뷰 영상 Ith에서 도로 영역을 0으로 만드는 전처리 작업이다.
본 발명의 실시예에서는 Ith에 대해 2D 가우시안 필터를 적용하는데, 탑뷰 영상 내 차선의 특성상 x 방향으로는 HPF(High Pass Filter)를 적용하고, y 방향으로는 LPF(Low Pass Filter) 필터를 적용하여야, 차선이 강하게 추출된다.
탑뷰 영상의 x 방향으로 적용할 HPF에 해당하는 가우시안 필터 fx(x)와 탑뷰 영상의 y 방향으로 적용할 LPF에 해당하는 가우시안 필터 fy(y)를 다음과 같이 구현할 수 있다.
Figure pat00001
여기서, σx의 값은 탑뷰 영상의 해상도에 따라 달라지는데, 탑뷰 영상의 해상도가 5cm에 해당한다면, σx의 값은 0.5 정도로 설정한다. 일반적으로 도로상 차선의 폭은 10cm~ 15cm이므로, σx의 값은 1~1.5의 값으로 설정한다.
σy의 값은 차선의 길이와 연관이 있으며, 일반적으로 도로상 차선의 길이는 30cm~ 50cm이므로, σy의 값은 6~10의 값으로 설정한다.
이에 따른, 가우시안 필터 fx(x)를 도 5에, 가우시안 필터 fy(y)를 도 6에, 각각 나타내었다.
Ith에 대한 2D 가우시안 필터링은, 아래와 같이 Ith에 대해서 fx(x)로 x축에 대해 1D-컨벌루션을 계산하고, fy(y)로 다시 y축에 대해 1D-컨벌루션을 수행하는 과정에 의한다.
I_fx = conv(Ith, fx);
I_fy = conv(I_fx, fy);
이후, 2D 가우시안 필터링된 탑뷰 영상에서 차선 영역에 대해서는 이진화를 수행한다. 이진화 방법은 Adaptive Threshold 방식에 따라 11x11 Box에 대하여 Average 값을 구하고, 중심값이 Average 값을 기준으로 특정 상수값 이상 크면, 차선으로 표현(True)하고, 그렇지 않으면 도로로 표현(False)한다. 이진화에 의해 차선이 아닌 도로 마커 등이 제거 된다.
도 7에는 2D 가우시안 필터링 결과를, 도 8에는 이진화 결과를, 각각 나타내었다.
차선 ROI 추출부(130)는 차선 영역에 대해 허프 변환을 통해 차선이 존재하는 관심 영역(ROI)를 설정한다.
허프 변환은 탑뷰 영상을 근거리와 원거리 영역 두 개로 나누어 독립적으로 허프 변환을 수행함으로써, 차선에 해당하는 직선을 찾는다. 차선이라면 두 영역(근거리, 원거리)에서 수행된 허프 변환의 결과가 한점에서 만나야 하며, 각도의 차이가 특정범위 이내에 존재한다는 조건으로 두 개의 차선 ROI을 추출한다. 도 9에 차선 ROI 추출 결과를 노란색으로 나타내었다.
차선 피팅부(140)는 차선 ROI 추출 결과를 이용하여 곡선 형태의 차선 쌍을 생성한다.
ROI 결과가 좌우 차선이 존재한다면, 차선 피팅부(140)에서는 두 개의 차선으로 이루어진 차선 쌍을 찾는다.
구체적으로, 탑뷰 영상에서 두 개의 곡선 차선 쌍은 같은 곡률에 평행하다는 특징을 가지고 있으므로, 차선 피팅부(140)는 이를 이용하여 차선 쌍 모델을 생성하고, 곡선 차선 쌍을 피팅 한다.
곡선 차선 쌍 모델은 2차 방정식으로 나타내며, 차선 쌍 피팅은 최소 자승법 혹은 RANSAC을 이용한다.
차선 피팅부(140)는 차선 ROI로 추출된 차선의 후보 집합 (X1, Y1)와 (X2, Y2)를 이용하여 두 개의 2차원 차선 쌍 모델을 아래와 같이 생성한 후, 최소 자승법 혹은 RANSAC에 의해 곡선 차선 쌍을 피팅한다.
X1 = aY1 2+b1Y1+c1
X2 = aY2 2+b2Y2+c2
최소 자승법은 차선 후보 집합들과 가장 적은 에러를 가지는 차선 쌍으로 피팅이 될 것이며, RANSAC의 경우는 차선 후보 집합에서 랜덤하게 5개의 점을 취하여 a, b1, c1, b2, c2를 구하고 inlier의 개수가 가장 많은 곡선 쌍으로 차선을 추정한다.
최소 자승법으로 피팅하기 위해서는, 아래와 같이 행렬식을 세우고, 미지수 A 행렬을 구해내어야 한다. Y-1은 Y의 Pseudo Inverse Matrix에 해당한다.
X=Y×A
Figure pat00002
Figure pat00003
도 10에는, 도 9의 차선 ROI 추출 결과로부터 곡선 차선 쌍 모델을 생성한 후 피팅한 결과를 나타내었다. 그리고, 도 10에 나타난 피팅된 곡선 차선 쌍을 원 영상으로 변환한 결과를 도 11에 나타내었다.
곡률 추정부(150)는 차선 피팅부(140)에 의해 생성/피팅 곡선 차선의 방정식을 이용하여, 차선의 곡률을 계산한다.
곡률 K는 다음의 수학식으로 표현할 수 있다.
Figure pat00004
또한, 차선은 다음의 2차원 방정식으로 모델링 된다.
x = ay2+by+c
위 식들로부터 K를 구하면 다음과 같다.
Figure pat00005
위 식을 통해 알 수 있는 바와 같이, 차선 쌍에서 K 값은 a 값에 의존하며, 차선 쌍의 두 개의 곡선 방정식에서 2차항의 계수는 a로 동일하게 모델링을 세웠기 때문에, 곡률 K는 차선 쌍에 대해 동일한 값으로 구할 수 있다.
도 12는 본 발명의 다른 실시예에 따른 차선 검출 방법의 설명에 제공되는 흐름도이다.
도 12에 도시된 바와 같이, 먼저, 탑뷰 생성부(110)가 차량의 전방 카메라 영상을 변환하여 탑뷰 영상를 생성한다(S210). 다음, 차선 필터링부(120)는 S210단계에서 생성된 탑뷰 영상을 필터링하여, 차선을 좀 더 강조한다(S220).
이후, 차선 ROI 추출부(130)는 S220단계에서 필터링된 탑뷰 영상으로부터 차선 후보 영역들을 차선 ROI들로 추출한다(S230). 그리고, 차선 피팅부(140)는 S230단계에서 추출된 차선 ROI들을 이용하여 곡선 형태의 차선 쌍을 생성하고 피팅한다(S240).
그러면, 곡률 추정부(150)는 S240단계에서 생성/피팅 곡선 차선 쌍의 방정식을 이용하여, 차선의 곡률을 계산한다(S250).
지금까지, 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템에 대해 바람직한 실시예를 들어 상세히 설명하였다.
본 발명의 실시예에 따른 차선 검출 방법 및 시스템은, 차선을 직선이 아닌 곡선 형태의 차선을 추정함으로써 도로의 곡률을 추정할 수 있도록 하기 위한 방법 및 시스템으로, ADAS와 같은 차량 시스템에 적용가능하다.
곡선 형태의 차선을 정확이 추정하기 위하여, 본 발명의 실시예에 따른 차선 검출 방법 및 시스템에서는 전방 영상을 그대로 사용하지 않고, 원근감이 배제된 탑뷰 영상을 사용한다.
또한, 본 발명의 실시예에 따른 차선 검출 방법 및 시스템은, 탑뷰 영상에서 다른 도로상의 물체를 제외하고 차선만을 원거리까지 추출하기 위하여 차선 최적 필터링을 수행한다.
아울러, 본 발명의 실시예에 따른 차선 검출 방법 및 시스템은, 탑뷰 영상에서 좌우의 차선은 곡선 형태로 평행하게 나타난다는 사실을 이용하여, 두 개의 평행한 곡선 쌍을 최소 자승법이나 RANSAC을 이용하여 한 번에 피팅하여 차선을 검출한다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110 : 탑뷰 생성부
120 : 차선 필터링부
130 : 차선 ROI 추출부
140 : 차선 피팅부
150 : 곡률 추정부

Claims (12)

  1. 전방 영상을 탑뷰 영상으로 변환하는 단계;
    탑뷰 영상을 필터링하는 단계;
    필터링된 탑뷰 영상에서 차선 후보들을 추출하는 단계;
    추출된 차선 후보들을 이용하여 곡선 차선 쌍을 모델링한 후 피팅하는 단계;
    피팅된 곡선 차선 쌍으로부터 곡선 차선의 곡률을 추정하는 단계;를 포함하는 것을 특징으로 하는 차선 검출 방법.
  2. 청구항 1에 있어서,
    피팅 단계는,
    추출된 차선 후보들 중 두 개의 차선으로 이루어진 차선 쌍을 찾아 2차 방정식으로 모델링한 후 피팅하는 것을 특징으로 하는 차선 검출 방법.
  3. 청구항 1에 있어서,
    필터링 단계는,
    탑뷰 영상에서 도로 패치를 설정하는 단계;
    도로 패치의 평균 픽셀 값으로부터 임계치를 생성하는 단계;
    생성된 임계치와 비교 결과를 기초로, 탑뷰 영상의 픽셀들 중 해당 픽셀들을 특정 값으로 변환하는 단계;를 포함하는 것을 특징으로 하는 차선 검출 방법.
  4. 청구항 3에 있어서,
    임계치 생성 단계는,
    도로 패치의 평균 픽셀 값에 특정 가중치를 곱하여 임계치를 생성하고,
    변환 단계는,
    생성된 임계치 보다 픽셀 값이 작은 탑뷰 영상의 픽셀들을 특정 값으로 변환하는 것을 특징으로 하는 차선 검출 방법.
  5. 청구항 3에 있어서,
    도로 패치는,
    물체가 존재할 가능성이 가장 작은 영역인 것을 특징으로 하는 차선 검출 방법.
  6. 청구항 3에 있어서,
    필터링 단계는,
    변환된 탑뷰 영상에 대해, x 방향으로는 제1 필터를 적용하고, y 방향으로는 제2 필터를 적용하는 단계;를 더 포함하는 것을 특징으로 하는 차선 검출 방법.
  7. 청구항 6에 있어서,
    제1 필터는, HPF(High Pass Filter)이고,
    제2 필터는, LPF(Low Pass Filter)인 것을 특징으로 하는 차선 검출 방법.
  8. 청구항 3에 있어서,
    변환된 탑뷰 영상에서 차선 영역을 이진화하는 단계;를 더 포함하는 것을 특징으로 하는 차선 검출 방법.
  9. 청구항 8에 있어서,
    이진화 단계는,
    중심 값이 평균 값 보다 특정 상수값 이상 크면 차선으로 표현하고, 중심 값이 평균 값 보다 특정 상수값 이상 크지 않으면 도로로 표현하는 것을 특징으로 하는 차선 검출 방법.
  10. 전방 영상을 이용하여 탑뷰 영상을 생성하는 생성부;
    탑뷰 영상을 필터링하는 필터링부;
    필터링된 탑뷰 영상에서 차선 후보들을 추출하는 추출부;
    추출된 차선 후보들을 이용하여 곡선 차선 쌍을 모델링한 후 피팅하는 피팅부;
    피팅된 곡선 차선 쌍으로부터 곡선 차선의 곡률을 추정하는 추정부;를 포함하는 것을 특징으로 하는 차선 검출 시스템.
  11. 탑뷰 영상에서 차선 후보들을 추출하는 단계;
    추출된 차선 후보들을 이용하여 곡선 차선 쌍을 모델링한 후 피팅하는 단계; 및
    피팅된 곡선 차선 쌍으로부터 곡선 차선의 곡률을 추정하는 단계;를 포함하는 것을 특징으로 하는 차선 검출 방법.
  12. 탑뷰 영상에서 차선 후보들을 추출하는 추출부; 및
    추출된 차선 후보들을 이용하여 곡선 차선 쌍을 모델링한 후 피팅하는 피팅부;
    피팅된 곡선 차선 쌍으로부터 곡선 차선의 곡률을 추정하는 추정부;를 포함하는 것을 특징으로 하는 차선 검출 시스템.
KR1020160174280A 2016-12-20 2016-12-20 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템 KR101910256B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160174280A KR101910256B1 (ko) 2016-12-20 2016-12-20 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160174280A KR101910256B1 (ko) 2016-12-20 2016-12-20 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20180071552A true KR20180071552A (ko) 2018-06-28
KR101910256B1 KR101910256B1 (ko) 2018-10-22

Family

ID=62780198

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160174280A KR101910256B1 (ko) 2016-12-20 2016-12-20 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR101910256B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200019283A (ko) * 2018-08-08 2020-02-24 주식회사 넥스트칩 차선 검출 방법 및 그 방법을 수행하는 전자 장치
KR102296520B1 (ko) * 2020-12-18 2021-09-01 주식회사 카비 단안 카메라를 이용한 경로추정에 의한 곡선차선 검출 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3956926B2 (ja) * 2003-09-24 2007-08-08 アイシン精機株式会社 路面走行レーン検出装置
CN103499350B (zh) * 2013-09-28 2016-01-27 长安大学 Gps盲区下融合多源信息的车辆高精度定位方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200019283A (ko) * 2018-08-08 2020-02-24 주식회사 넥스트칩 차선 검출 방법 및 그 방법을 수행하는 전자 장치
KR102296520B1 (ko) * 2020-12-18 2021-09-01 주식회사 카비 단안 카메라를 이용한 경로추정에 의한 곡선차선 검출 방법
US11562577B2 (en) 2020-12-18 2023-01-24 Carvi Inc. Method of detecting curved lane through path estimation using monocular vision camera

Also Published As

Publication number Publication date
KR101910256B1 (ko) 2018-10-22

Similar Documents

Publication Publication Date Title
JP6670071B2 (ja) 車両用画像認識システム、及び対応法
Wu et al. Lane-mark extraction for automobiles under complex conditions
EP2779025B1 (en) Method and system for detecting road edge
CN108280450B (zh) 一种基于车道线的高速公路路面检测方法
KR101609303B1 (ko) 카메라 캘리브레이션 방법 및 그 장치
US20180018528A1 (en) Detecting method and device of obstacles based on disparity map and automobile driving assistance system
Yuan et al. Robust lane detection for complicated road environment based on normal map
EP2725520A2 (en) Method and apparatus for detecting road
CN113370977B (zh) 一种基于视觉的智能车辆前向碰撞预警方法及系统
CN111209770A (zh) 一种车道线识别方法及装置
KR101176693B1 (ko) 거리센서를 이용한 차선인식 방법 및 그 시스템
JP6015257B2 (ja) 偏光画像による車両位置検知方法及びシステム
KR101067437B1 (ko) 차선검출방법 및 이를 이용한 차선이탈검출시스템
JP2016194925A (ja) 道路境界物の検出方法及び装置
KR101483742B1 (ko) 지능형 차량의 차선 검출방법
Li et al. A lane marking detection and tracking algorithm based on sub-regions
CN111178193A (zh) 一种车道线的检测方法、检测装置及计算机可读存储介质
Ozgunalp Robust lane‐detection algorithm based on improved symmetrical local threshold for feature extraction and inverse perspective mapping
CN105809673A (zh) 基于surf算法和合并最大相似区域的视频前景分割方法
CN113917487A (zh) 基于激光雷达的封闭道路路沿和可行驶区域检测方法
US20200193184A1 (en) Image processing device and image processing method
KR101910256B1 (ko) 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템
WO2019149213A1 (zh) 基于影像识别路锥的方法、装置、存储介质以及车辆
Chun-Zhao et al. Drivable road boundary detection for intelligent vehicles based on stereovision with plane-induced homography
Miron et al. Cross-comparison census for colour stereo matching applied to intelligent vehicle

Legal Events

Date Code Title Description
A201 Request for examination
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant