KR20200065427A - 악천후에서의 도로 객체 검출을 위한 비 영상 합성 기법 - Google Patents

악천후에서의 도로 객체 검출을 위한 비 영상 합성 기법 Download PDF

Info

Publication number
KR20200065427A
KR20200065427A KR1020180151893A KR20180151893A KR20200065427A KR 20200065427 A KR20200065427 A KR 20200065427A KR 1020180151893 A KR1020180151893 A KR 1020180151893A KR 20180151893 A KR20180151893 A KR 20180151893A KR 20200065427 A KR20200065427 A KR 20200065427A
Authority
KR
South Korea
Prior art keywords
image
fog
depth information
rain
value
Prior art date
Application number
KR1020180151893A
Other languages
English (en)
Other versions
KR102126919B1 (ko
Inventor
송병철
정경민
최동윤
Original Assignee
인하대학교 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 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020180151893A priority Critical patent/KR102126919B1/ko
Publication of KR20200065427A publication Critical patent/KR20200065427A/ko
Application granted granted Critical
Publication of KR102126919B1 publication Critical patent/KR102126919B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/24—Fluid dynamics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

악천후에서의 도로 객체 검출을 위한 비 영상 합성 기법이 개시된다. 일 실시예에 따른 영상 합성 시스템에 의해 수행되는 영상 합성 방법은, 입력 영상으로부터 깊이 정보를 이용하여 안개를 생성하는 단계; 및 상기 깊이 정보를 이용하여 계산된 트랜스미션 값에 기초하여 상기 안개가 생성된 영상 정보에 빗줄기를 합성하는 단계를 포함할 수 있다.

Description

악천후에서의 도로 객체 검출을 위한 비 영상 합성 기법{RAIN SYNTHESIS ALGORITHM FOR TRAINING ROAD OBJECT DETECTION SCHEMES UNDER A BAD WEATHER}
아래의 설명은 영상 합성 기술에 관한 것으로, 악천후에서의 도로 객체 검출을 위한 비 영상 합성 방법 및 시스템에 관한 것이다.
딥러닝을 이용한 차량이나 보행자와 같은 도로 객체 인식 기술은 이미 높은 수준의 성능을 보여주고 있다. 그러나 현재의 도로 객체 인식 기술에서 타겟이 주간의 맑은 환경에 한정되어 있어 악천후 환경에서는 본래의 성능을 나타내지 못한다. 악천후 환경에서는 안개나 눈, 비 등으로 인해 도로 객체가 영상에서 본 모습으로 보이지 않는데 반해, 도로 객체 검출을 위한 학습 데이터는 맑은 환경에서 획득한 도로 영상이 주를 이루기 때문이다. 그러므로 악천후 환경에서 도로 객체 검출 성능을 높이려면 악천후 환경에 대한 데이터를 이용하여 학습해야 한다. 그러나 도로 객체 검출을 위해 악천후 환경에서 획득한 데이터는 공인데이터 셋에서도 극히 일부이거나 전혀 존재하지 않는다. 따라서 악천후 환경에 대한 영상을 합성하여 학습 데이터로 이용하여 딥러닝 기반 알고리즘을 학습하면 검출 성능을 높일 수 있다.
실제 비 영상의 경우 수많은 빗방울로 인해 공기중의 빛이 산란되어 안개가 끼어 있는 것 같은 느낌을 준다. 또한 비 영상은 이러한 안개 위로 굵고 얇은 빗줄기가 무작위로 분포해 있기도 하다. 그러므로 학습을 위해 비 영상을 합성하려면 맑은 영상에 안개와 빗줄기를 모두 합성해야 한다.
종래에도 영상에 안개를 합성하는 사례가 있으나 자연 영상 데이터셋을 이용하므로 도로 영상의 특성을 반영하지 못하며, 데이터셋 중 일부는 스테레오 영상이기 때문에 활용이 제한적이다. 또한 대기의 난기류에 의해 발생하는 불균일한 안개를 생성하기 위해 랜덤 노이즈 모델링 기법인 Perlin noise를 사용하여 heterogeneous fog를 생성하는 기법이 있으나 그러나 실제 도로 영상에서는 영상의 depth에 기반하여 homogeneous하게 안개가 분포하기 때문에 이 기법이 사용되기 어렵다. 빗줄기 생성의 경우 일반적으로 Photoshop과 같은 그래픽 소프트웨어 툴을 이용하는 경우가 많으나 빗줄기 고유의 특성을 고려하지 않았기 때문에 실제 비 영상과는 다른 결과를 나타낸다.
본 발명은 악천후 환경에서 도로 객체 검출을 위한 학습 데이터로 활용하기 위한 도로 주행 영상에 비를 합성하는 방법 및 시스템을 제공할 수 있다.
영상 합성 시스템에 의해 수행되는 영상 합성 방법은, 입력 영상으로부터 깊이 정보를 이용하여 안개를 생성하는 단계; 및 상기 깊이 정보를 이용하여 계산된 트랜스미션 값에 기초하여 상기 안개가 생성된 영상 정보에 빗줄기를 합성하는 단계를 포함할 수 있다.
상기 안개를 생성하는 단계는, 상기 입력 영상을 Monodepth 추정 기법을 사용하여 깊이 정보를 추정하고, 상기 추정된 깊이 정보를 통하여 거리 표현이 반영된 트랜스미션(Transmission) 값을 계산하는 단계를 포함할 수 있다.
상기 안개를 생성하는 단계는, 상기 트랜스미션 값이 계산된 영상 정보에 상기 입력 영상을 가이드 영상으로 하는 가이드 필터를 적용하여 합성하고, 상기 깊이 정보에 따른 가우시안 필터링의 표준편차 값을 조절하여 합성된 영상에서 거리에 따른 안개의 선명도를 조절하는 단계를 포함하고, 상기 트랜스미션 값은 깊이 정보의 히스토그램 범위를 임의로 늘린 후의 결과이고, 상기 트랜스미션 값이 기 설정된 기준 이상으로 변하는 지점이 발생함에 따라 상기 지점에 안개가 생성될 수 있다.
상기 안개를 생성하는 단계는, 상기 추정된 깊이 정보를 연속된 프레임의 안개 합성에 이용할 경우 특정 프레임에서 발생하는 이상점을 제거하기 위하여 시간적 필터링을 통하여 상기 추정된 깊이 정보를 일정 프레임동안 평균을 계산하고, 상기 계산된 평균을 안개 합성을 위한 깊이 정보로 이용하는 단계를 포함할 수 있다.
상기 빗줄기를 합성하는 단계는, 상기 깊이 정보를 이용하여 계산된 트랜스미션(Transmission) 값이 기 설정된 값 이하일 경우, 상기 기 설정된 값 이하인 트랜스미션 값에 난수를 가산하여 빗방울이 튀는 효과를 생성하는 단계를 포함할 수 있다.
영상 합성 시스템은, 입력 영상으로부터 깊이 정보를 이용하여 안개를 생성하는 안개 생성부; 및 상기 깊이 정보를 이용하여 계산된 전달량 값에 기초하여 상기 안개가 생성된 영상 정보에 빗줄기를 합성하는 빗줄기 합성부를 포함할 수 있다.
영상 합성 시스템은 맑은 환경 영상의 깊이 정보를 이용하여 안개의 트랜스미션 값을 추정 및 보정하고, 가우시안 필터링 및 시간적 필터링을 통해 실제 비 도로 영상의 안개를 표현할 수 있다.
영상 합성 시스템은 안개를 합성한 후 빗줄기를 생성하여 비 합성 영상을 생성함으로써 악천후에서의 도로 객체를 검출하기 위한 학습 데이터로 활용할 수 있다.
도 1은 일 실시예에 따른 영상 합성 시스템의 구성을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 영상 합성 시스템에서 입력 영상과 입력 영상의 깊이 정보를 보정한 영상을 나타낸 예이다.
도 3은 일 실시예에 따른 영상 합성 시스템에서 트랜스미션 결과를 나타낸 예이다.
도 4는 일 실시예에 따른 영상 합성 시스템에서 가이드 필터링의 전, 후의 안개 합성 결과를 비교하기 위한 예이다.
도 5는 일 실시예에 따른 영상 합성 시스템에서 가이드 필터링의 적용 과정을 나타낸 예이다.
도 6은 일 실시예에 따른 영상 합성 시스템에서 안개 효과를 적용한 결과를 비교기 위한 예이다.
도 7은 일 실시예에 따른 영상 합성 시스템에서 빗방울 튐 효과를 적용하기 전, 후의 결과를 나타낸 예이다.
도 8은 일 실시예에 따른 영상 합성 시스템에서 빗줄기를 생성하는 과정의 예이다.
도 9는 일 실시예에 따른 영상 합성 시스템에서 빗줄기 생성을 위한 설정값을 입력하는 예이다.
도 10은 일 실시예에 따른 영상 합성 시스템에서 입력 영상과 비 합성 결과를 나타낸 예이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
악천후 환경에서 딥러닝을 이용한 도로 객체 검출 기법은 안개나 비, 눈 등의 방해로 인해 객체(예를 들면, 도로)를 제대로 검출하지 못한다. 이는 학습 데이터에 악천후 환경의 데이터가 부족하기 때문인데, 실제로 학습할 수 있는 악천후 환경 데이터가 매우 부족하거나 거의 없는 실정이다. 이에 따라 실시예에서는 악천후 환경에서 도로 객체 검출을 위한 학습 데이터로 활용하기 위한 도로 주행 영상에 비를 합성하는 방법을 설명하기로 한다.
도 1은 일 실시예에 따른 영상 합성 시스템의 구성을 설명하기 위한 블록도이다.
영상 합성 시스템(100)은 도로 영상에 적합한 비 영상을 합성할 수 있다. 영상 합성 시스템(100)은 안개를 생성하는 안개 생성부(110)과 빗줄기를 합성하는 빗줄기 합성부(120)를 포함할 수 있다.
영상 합성 시스템에 영상이 입력됨을 수신할 수 있다. 이하, 영상 합성 시스템에 입력된 영상을 입력 영상이라고 기재하기로 한다. 이때, 입력 영상은 맑은 환경을 보이는 영상을 의미할 수 있다.
안개 생성부(110)는 안개 생성 과정에서 입력 영상의 깊이 정보를 이용하여 트랜스미션을 추정 및 보정할 수 있다. 안개 생성부(110)는 안개 생성 과정에서 입력 영상의 깊이 정보를 온전히 표현해 줄 새로운 트랜스미션 계산식을 제안하여 영상에서 먼 거리일수록 안개가 강하게 분포하도록 설정하고, 트랜스미션(transmission) 영상에 가이드 필터를 적용하여, 원 영상의 세부 정보를 활용하여 깊이의 변화가 큰 영역을 자연스럽게 조절할 수 있다. 안개 생성부(110)는 깊이 정보에 따른 가우시안 필터링을 통해 먼 거리의 도로 객체일수록 더욱 흐릿하게 하는 것과 같이 거리에 기반한 선명도를 조절하여 실제 안개 영상과 유사하게 조절할 수 있다. 또한, 안개 생성부(110)는 시간축 필터링을 통해 프레임 간에 간혹 생성되는 이상점을 제거한다.
구체적으로, 안개 생성부(110)에서 자연스러운 비 합성 영상을 합성하기 위하여 안개를 생성하는 방법을 설명하기로 한다. 안개 생성부(110)는 입력 영상의 깊이 정보를 이용하여 트랜스미션(transmission)을 계산할 수 있다. 안개 생성부(110)는 안개를 합성하는데 필요한 변수인 트랜스미션 값을 계산하는데 입력 영상의 깊이 정보를 이용할 수 있다. 입력 영상의 깊이 정보를 획득하기 위하여
Figure pat00001
이 제안한 Monodepth 추정 기법을 사용할 수 있다. 이러한 Monodepth 추정 기법을 사용하여 추정된 깊이 정보는 도 2와 같다. Monodepth 추정 기법을 이용하여 추정된 입력 영상의 깊이 정보는 약 0.1부터 약 0.9까지의 범위에 분포될 수 있으며, 이러한 깊이 정보를 수학식 1에 적용하여 트랜스미션 값을 계산할 수 있다.
수학식 1:
Figure pat00002
안개 입자에 의한 빛의 산란은 거리가 멀수록 강하게 나타나기 때문에 물체와 카메라 사이의 거리가 증가할수록 강해진다. 트랜스미션 값은 수학식 1과 같이 거리가 증가할수록 가중치가 줄어들도록 모델링할 수 있다. 여기서,
Figure pat00003
는 scattering coefficient, d(x)는 scene depth를 의미한다. 깊이 정보를 이용하여 트랜스미션 값을 획득하고, 적절한 atmospheric light 값을 설정하면 안개가 없는 영상을 이용하여 안개낀 영상을 획득할 수 있다.
그러나, exponential 함수의 특성 상 산란 계수를 적절히 조절하여도 트랜스미션의 범위가 좁아 거리 표현이 잘 되지 않는다. 이에 따라, 거리 표현을 온전히 하기 위하여 추정된 깊이 정보 값을 전체 범위인 [0, 1]로 확장하고, 전체 범위로 확장된 깊이 정보 값을 반전시킨다. 그 후, 반전된 깊이 정보를 수학식 1에 적용함에 따라 획득된 값(결과)를 다시 반전시킨다. 수학식 2는 거리 표현을 강조한 새로운 트랜스미션 td(x) 계산식을 나타낸다.
수학식 2:
Figure pat00004
d'(x)는 범위가 확장된 scene depth 값,
Figure pat00005
는 새로운 scattering coefficient를 의미한다.
Figure pat00006
값에 따라 안개 정도가 결정될 수 있다. 예를 들면,
Figure pat00007
값을 20으로 설정하여 트랜스미션 값이 고르게 분포될 수 있다.
도 3은 일 실시예에 따른 영상 합성 시스템에서 트랜스미션 결과를 나타낸 예이다. 기존의 수학식 1을 통해 계산된 트랜스미션 영상인 도 3(a)는 가까운 거리에서만 깊이 정보를 나타내고, 범위가 매우 좁은데 반해, 도 3(b)는 수학식 2를 이용하여 계산된 트랜스미션 영상인 깊이 정보를 나타내고, 범위가 넓은 먼 거리까지 충분히 표현됨을 확인할 수 있다.
안개 생성부(110)는 가이드 필터를 이용하여 트랜스미션을 보정할 수 있다. 안개 생성부(110)는 계산된 트랜스미션 값을 안개 모델링 식(수학식 3)에 적용하여 안개 합성 영상을 생성할 수 있다. 실제 비가 오는 도로 환경에서 촬영된 영상은 떨어지는 수많은 빗방울들이 빛을 산란시켜 마치 안개가 끼어 있는 듯한 느낌을 준다. Koschmieder's law model을 이용하여 안개를 모델링할 수 있다. RGB color channel에 대하여 수학식 3과 같이 모델링될 수 있다.
수학식 3:
Figure pat00008
여기서, x는 픽셀의 위치, c는 RGB color channel index, IC(x)는 안개 영상의 각 RGB 채널의 픽셀 값, Jc(x)는 안개가 없는 영상의 각 RGB 채널의 픽셀 값, AC는 RGB channel의 값을 갖는 atmospheric light 값, t(x)는 빛의 산란을 의미하는 트랜스미션 값을 의미한다. 실시예에서는 도로 영상의 높은 밝기값을 가지는 하늘 영역이 많은 점을 고려하여 AC값을 가장 높은 값인 [1, 1, 1]로 설정할 수 있다.
생성된 트랜스미션 값은 깊이 정보의 히스토그램 범위를 임의로 변화시킨 결과(예를 들면, 늘린 후의 결과)이기 때문에 트랜스미션 값이 급격이 변하는 지점이 발생할 수 있다. 급격히 변하는 지점의 트랜스미션 값들을 안개 모델 식(수학식 3)에 적용하면 도 4(a)와 같이 상기 지점들이 층이 지는 것을 확인할 수 있다.
안개 생성부(110)는 이러한 부자연스러운 안개층을 제거하기 위하여 도 5와 같이 계산된 트랜스미션 값에 입력 영상을 가이드 영상으로 하는 가이드 필터(Guided filter)를 적용할 수 있다. 보정된 트랜스미션을 이용한 안개 합성 결과는 도 4(b)와 같이 입력 영상의 특징들을 포함하고 있으며, 그로 인하여 부자연스러운 부분이 자연스럽게 표현될 수 있다. 보정된 트랜스미션을 이용하여 안개를 합성할 경우, 실제 비 영상과는 달리, 영상의 도로 객체가 여전히 선명하여 안개가 있는 듯한 느낌을 주지 못한다.
안개 생성부(110)는 지역 적응적 가우시안 필터링을 적용할 수 있다. 안개 생성부(110)는 실제 비 영상의 거리 흐릿함을 표현하기 위하여 수학식 4와 같은 가우시안 마스크를 이용하여 기 설정된 크기(예를 들면, 3x3의 크기)로 가우시안 필터링을 수행할 수 있다.
수학식 4:
Figure pat00009
이때, G(x)는 가우시안 마스크를 나타내며, 일반적인 가우시안 마스크와 달리 표준편차 값을 깊이 정보로 대체하였다. 도 6은 자연스러운 안개 효과를 적용한 결과를 비교하기 위한 예이다. 도 6(a)는 가우시안 필터 적용 전의 안개 합성 영상이고, 도 6(b)는 가우시안 필터 적용 후의 안개 합성 영상이다. 도 6에서 영상의 깊이 값에 따라 가우시안 필터의 표준편차 값을 조절하여 가까운 거리의 차량은 거의 변화가 없고, 먼 거리의 차량일수록 더욱 흐려짐을 확인할 수 있다.
안개 생성부(110)는 시간적 필터링을 적용할 수 있다. 안개 생성부(110)에서 사용한 Monodepth 기법은 매 프레임마다 영상의 깊이 정보를 추정할 수 있다. 입력 영상이 비디오 시퀀스인 경우에도 시간 정보를 활용하지 않고 매 프레임마다 깊이 정보를 추정하기 때문에, 추정된 깊이 정보는 특정 프레임(제 N 프레임(N은 자연수))을 기준으로 앞(이전) 프레임(제N-1 프레임) 및 뒤(이후) 프레임(제 N+1프레임)과는 매우 다른 이상점이 발생할 수 있다. 그러므로 추정된 깊이 정보를 연속된 프레임의 안개 합성에 이용하면 안개 합성 결과도 특정 프레임에서 이상점이 나타나게 된다. 안개 생성부(110)는 이상점을 제거하기 위하여 수학식 5와 같이 깊이 정보를 일정 프레임동안 평균을 도출하고, 도출된 평균을 안개 합성을 위한 깊이 정보로 활용할 수 있다.
수학식 5:
Figure pat00010
t i '는 i 번째 프레임에서의 보정된 트랜스미션을 나타내며, W는 시간적 필터링 사이즈, Tj는 j번째 프레임에서의 시간적 필터링 결과값을 나타낸다. 가장 자연스러운 결과를 나타낸 값, 예를 들면, 시간적 필터링 사이즈를 15로 설정할 수 있다. 이때, 시간적 필터링 사이즈의 크기를 기 설정된 크기 이상으로(매우 크게) 설정하는 경우, 실제 비 영상과는 달리 안개가 정적으로 형성되어 더욱 부자연스러운 결과를 가져올 수 있다.
빗줄기 합성부(120)는 영상(예를 들면, 안개가 생성된 영상)에 빗방울 튐 효과를 적용할 수 있다. 빗줄기 합성부(120)는 가까운 거리의 픽셀 값에 일정 범위의 난수를 더해주어 빗방울 튐 효과를 추가할 수 있다. 다시 말해서, 빗줄기 합성부(120)는 특정 값 이하의 트랜스미션 값에 난수를 가산하여 빗방울 튐 효과를 나타낼 수 있다. 빗방울 합성부(120)는 Unity3D 프로그램을 통해 안개 및 빗방울 튐 효과를 적용한 영상에 빗줄기를 생성할 수 있다.
구체적으로, 실제 비 영상의 경우 빗줄기 영향으로 안개 도로 영상과 유사하게 영상에 안개가 존재하지만, 빗줄기로 인하여 안개 도로 영상과는 다른 부분이 존재하게 된다. 실제 비 영상에서는 빗줄기가 도로 표면이나 차량 표면에 떨어지며 빗방울이 튀는 현상이 나타나는데, 빗줄기가 매우 많으므로 프레임 변화에 따라 마치 노이즈가 무작위로 생성되는 것 같은 느낌을 준다. 빗줄기 합성부(120)는 트랜스미션 값을 수학식 6과 같이 안개를 생성하는 과정에서 트랜스미션 값이 기 설정된 값 이하인 위치의 픽셀 값에 범위가
Figure pat00011
이 되도록 난수를 생성하여 가산함으로써 최종 트랜스미션 값(전달량) Tj'(x)를 생성할 수 있다.
수학식 6:
Figure pat00012
이때, n은 -1, m은 1이고, r은 무작위로 생성된 [0, 1] 범위의 난수를 의미한다. 도 7(a)는 빗방울 튐 효과 적용 전의 영상이고, 도 7(b)는 빗방울 튐 효과 적용 후의 결과 영상을 나타낸 예이다. 도 7의 확대된 영역과 같이 도로 영역이나 가까운 차량의 표면이 불균일하게 표현되는 느낌을 주어 연속된 프레임의 영상에서 실제 빗줄기가 튀는 느낌을 줄 수 있다.
빗줄기 합성부(120)는 영상에 안개를 생성한 뒤, 빗줄기를 합성함에 있어서, 3차원 공간을 제어하여 애니메이션이나 게임, 특수 효과 제작에 많이 쓰이는 'Unity3D' 라는 상용 프로그램을 사용할 수 있다. 이때, 'Unity3D' 프로그램에 한정되는 것은 아니며, 'Unity3D' 이외에도 유사한 또는 동일한 기능이 제공되는 다양한 프로그램을 사용할 수 있다.
빗줄기 합성부(120)는 안개가 합성된 영상(이하, 안개 합성 영상'이라고 기재)을 3차원 공간에 위치시키고, 안개 합성 영상이 놓인 3차원 공간 위쪽에 빗줄기를 만들어 내는 두 개의 평면을 생성할 수 있다. 이때, 각각의 평면은 직사각형을 형상을 띄고 있으며, 두 평면 중 하나의 평면은 중간 거리부터 먼 거리의 얇고 많은 빗줄기를 생성하기 위해 큰 직사각형이고, 다른 하나의 평면은 가까운 거리의 굵고 양이 많지 않은 빗줄기를 생성하기 위해 가로의 길이는 같지만 세로 길이가 짧은 직사각형이다.
도 8을 참고하면, Unity3D를 이용하여 빗줄기를 생성하는 과정을 캡쳐한 예이다. 빗줄기 합성부(120)는 빗줄기를 생성하기 위해 각각의 평면에 빗방울 개체를 추가할 수 있다. 예를 들면, 중심에서부터 가장자리로 갈수록 투명해지는 원형 개체를 빗방울 개체로 설정할 수 있다. 이때, 빗방울 개체와 관련된 설정 정보를 입력하여 빗방울 개체가 생성될 수 있다.
빗줄기 합성부(120)는 빗줄기를 생성하는 설정값, 예를 들면, 평면의 유형, 평면의 빗방울 방출량, 빗방울의 최소 크기 및 최대 크기, 빗방울의 최소 에너지 및 최대 에너지, 빗방울 방출 속도, 빗방울의 위치에 따른 색상 등에 기초하여 빗줄기를 생성할 수 있다. 예를 들면, 중간 거리부터 먼 거리 빗줄기의 경우 넓은 평면에 빗줄기가 가득 존재하므로 빗방울의 방출량이 매우 높게 설정될 수 있다. 도 9를 참고하면, Unity3D 프로그램을 이용하여 빗줄기를 생성하는 설정값을 설정하는 유저 인터페이스를 나타낸 것이다. 예를 들면, Unity3D 프로그램을 이용하여 기 설정된 굵기 이하(얇은)의 빗줄기를 생성하는 주요 설정값을 입력할 수 있다.
빗줄기 합성부(120)는 빗줄기가 눈에 뚜렷하게 보이지 않고 아주 얇게 나타나므로 빗방울의 최대 크기를 제한할 수 있다. 예를 들면, 빗줄기 합성부(120)는 가까운 거리의 굵은 빗줄기는 아주 좁은 평면에서 생성되며 실제 비 영상에서도 많지 않은 양이므로, 빗방울 방출량을 아주 적게 설정할 수 있다. 또는, 빗줄기 합성부(120)는 빗줄기가 눈에 잘 보이므로 최대 크기를 조금 더 키워 주고, 방출 속도를 높여 빗줄기가 더 길게 늘어나도록 한다.
도 10을 참고하면, 도 10(a)는 맑은 환경의 입력 영상과 도 10(b)는 비 합성 결과의 영상을 나타낸 예이다.
일 실시예에 따른 영상 합성 시스템은 악천후 환경에서도 도로 객체를 검출하기 위한 학습 데이터인 비 도로 영상 합성 방법을 통하여 비가 없는 영상에 대한 영상처리를 수행하여 실제로 비가 오는 환경과 유사한 영상을 합성할 수 있다. 영상 합성 시스템은 악천후 환경에서의 부족한 데이터셋을 확보함으로써 딥러닝 기반의 알고리즘 성능을 향상시킬 수 있다. 또한, 비가 없는 원본 영상 대비 비 합성 영상을 이용하여 도로 객체 검출 정확도를 높일 수 있다.
도 11을 참고하면, 실제 비 도로 영상을 촬영한 영상에 대하여 모델 1과 모델 2의 객체 검출 성능을 비교한 것이다. 예를 들면, 비 합성 영상을 테스트 데이터로 이용하여 객체 검출 성능을 비교할 수 있다. 모델 1은 비 합성을 하지 않은 원본 영상을 이용하여 학습한 모델이고, 모델 2는 비 합성을 진행한 영상을 이용하여 학습한 모델이다. 이와 같이, 비 합성 영상을 이용하여 객체(예를 들면, 차량) 검출의 정확도가 원본 영상을 이용하여 객체를 검출한 것보다 더 높은 것을 확인할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (6)

  1. 영상 합성 시스템에 의해 수행되는 영상 합성 방법에 있어서,
    입력 영상으로부터 깊이 정보를 이용하여 안개를 생성하는 단계; 및
    상기 깊이 정보를 이용하여 계산된 트랜스미션 값에 기초하여 상기 안개가 생성된 영상 정보에 빗줄기를 합성하는 단계
    를 포함하는 영상 합성 방법.
  2. 제1항에 있어서,
    상기 안개를 생성하는 단계는,
    상기 입력 영상을 Monodepth 추정 기법을 사용하여 깊이 정보를 추정하고, 상기 추정된 깊이 정보를 통하여 거리 표현이 반영된 트랜스미션(Transmission) 값을 계산하는 단계
    를 포함하는 영상 합성 방법.
  3. 제2항에 있어서,
    상기 안개를 생성하는 단계는,
    상기 트랜스미션 값이 계산된 영상 정보에 상기 입력 영상을 가이드 영상으로 하는 가이드 필터를 적용하여 합성하고, 상기 깊이 정보에 따른 가우시안 필터링의 표준편차 값을 조절하여 합성된 영상에서 거리에 따른 안개의 선명도를 조절하는 단계
    를 포함하고,
    상기 트랜스미션 값은 깊이 정보의 히스토그램 범위를 임의로 늘린 후의 결과이고, 상기 트랜스미션 값이 기 설정된 기준 이상으로 변하는 지점이 발생함에 따라 상기 지점에 안개가 생성되는
    영상 합성 방법.
  4. 제3항에 있어서,
    상기 안개를 생성하는 단계는,
    상기 추정된 깊이 정보를 연속된 프레임의 안개 합성에 이용할 경우 특정 프레임에서 발생하는 이상점을 제거하기 위하여 시간적 필터링을 통하여 상기 추정된 깊이 정보를 일정 프레임동안 평균을 계산하고, 상기 계산된 평균을 안개 합성을 위한 깊이 정보로 이용하는 단계
    를 포함하는 영상 합성 방법.
  5. 제1항에 있어서,
    상기 빗줄기를 합성하는 단계는,
    상기 깊이 정보를 이용하여 계산된 트랜스미션(Transmission) 값이 기 설정된 값 이하일 경우, 상기 기 설정된 값 이하인 트랜스미션 값에 난수를 가산하여 빗방울이 튀는 효과를 생성하는 단계
    를 포함하는 영상 합성 방법.
  6. 영상 합성 시스템에 있어서,
    입력 영상으로부터 깊이 정보를 이용하여 안개를 생성하는 안개 생성부; 및
    상기 깊이 정보를 이용하여 계산된 전달량 값에 기초하여 상기 안개가 생성된 영상 정보에 빗줄기를 합성하는 빗줄기 합성부
    를 포함하는 영상 합성 시스템.
KR1020180151893A 2018-11-30 2018-11-30 악천후에서의 도로 객체 검출을 위한 비 영상 합성 기법 KR102126919B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180151893A KR102126919B1 (ko) 2018-11-30 2018-11-30 악천후에서의 도로 객체 검출을 위한 비 영상 합성 기법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180151893A KR102126919B1 (ko) 2018-11-30 2018-11-30 악천후에서의 도로 객체 검출을 위한 비 영상 합성 기법

Publications (2)

Publication Number Publication Date
KR20200065427A true KR20200065427A (ko) 2020-06-09
KR102126919B1 KR102126919B1 (ko) 2020-06-25

Family

ID=71082640

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180151893A KR102126919B1 (ko) 2018-11-30 2018-11-30 악천후에서의 도로 객체 검출을 위한 비 영상 합성 기법

Country Status (1)

Country Link
KR (1) KR102126919B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986109A (zh) * 2020-08-13 2020-11-24 湖北富瑞尔科技有限公司 一种基于全卷积网络的遥感影像去雾方法
KR20220032409A (ko) * 2020-09-07 2022-03-15 (주)지앤티솔루션 가상의 기상 상태 증강을 통해 객체 검지 모델을 학습 및 활용하는 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08248868A (ja) * 1995-03-07 1996-09-27 Hitachi Denshi Ltd 自然現象表現方法
KR101788660B1 (ko) * 2016-08-12 2017-10-20 포항공과대학교 산학협력단 단일 영상 내의 안개 제거 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08248868A (ja) * 1995-03-07 1996-09-27 Hitachi Denshi Ltd 自然現象表現方法
KR101788660B1 (ko) * 2016-08-12 2017-10-20 포항공과대학교 산학협력단 단일 영상 내의 안개 제거 장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Kyeong Min Jeong ET AL:"Image Synthesis Algorithm for Road Object Detection in Rainy Weather", IEIE Transactions on Smart Processing & Computing, Vol.7 No.5, 2018.10, pp.342-349(2018.10.31.) 1부.* *
정경민 외 1명,"안개낀 도로 영상 합성 기법", 대한전자공학회 학술대회 2017년도 대한전자공학회 정기총회 및 추계학술대회, 24-25, Nov. 2017(2017.11.24.) 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986109A (zh) * 2020-08-13 2020-11-24 湖北富瑞尔科技有限公司 一种基于全卷积网络的遥感影像去雾方法
KR20220032409A (ko) * 2020-09-07 2022-03-15 (주)지앤티솔루션 가상의 기상 상태 증강을 통해 객체 검지 모델을 학습 및 활용하는 장치 및 방법

Also Published As

Publication number Publication date
KR102126919B1 (ko) 2020-06-25

Similar Documents

Publication Publication Date Title
Tarel et al. Vision enhancement in homogeneous and heterogeneous fog
US11386528B2 (en) Denoising filter
US8824821B2 (en) Method and apparatus for performing user inspired visual effects rendering on an image
Tripathi et al. Single image fog removal using anisotropic diffusion
JP4541786B2 (ja) ぼかしを発生させる方法およびぼかし発生装置
EP1550984A2 (en) Integrating particle rendering and three-dimensional geometry rendering
TW201308252A (zh) 深度測量之品質提升
KR102126919B1 (ko) 악천후에서의 도로 객체 검출을 위한 비 영상 합성 기법
US11869172B2 (en) Kernel reshaping-powered splatting-based efficient image space lens blur
US20210158098A1 (en) A method and a system training a model to perform semantic segmentation on foggy images
WO2020020445A1 (en) A method and a system for processing images to obtain foggy images
KR101998027B1 (ko) 악천후에서의 도로 객체 검출 기법 학습을 위한 안개 및 비 영상 합성 기법 및 시스템
KR102250254B1 (ko) 영상 처리 방법 및 장치
KR101028699B1 (ko) 회화적 렌더링 장치 및 방법
Nentwig et al. Concerning the applicability of computer graphics for the evaluation of image processing algorithms
KR102558739B1 (ko) 3d 렌더링 방법 및 장치
Jeong et al. Image synthesis algorithm for road object detection in rainy weather
CN104168402A (zh) 一种视频帧图像去雾方法及装置
KR101468433B1 (ko) 결합된 색상 채널 변환 맵을 이용한 다이나믹 레인지 확장 장치 및 방법
US20220230384A1 (en) System and method for simulating light-in-flight
CN113034675A (zh) 一种场景模型构建方法、智能终端及计算机可读存储介质
Hautière et al. Free Space Detection for Autonomous Navigation in Daytime Foggy Weather.
Sangeetha et al. Performance analysis of exemplar based image inpainting algorithms for natural scene image completion
JP2004054635A (ja) 画像処理装置およびその方法
CN116189144A (zh) 车载相机视野受阻区域增强检测方法、装置以及电子设备

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right