KR20200095329A - 횡 필터 마스크를 이용하여 자율 주행 차량의 주행 경로를 계획하기 위해 차선 요소를 검출하는 방법 및 장치 - Google Patents

횡 필터 마스크를 이용하여 자율 주행 차량의 주행 경로를 계획하기 위해 차선 요소를 검출하는 방법 및 장치 Download PDF

Info

Publication number
KR20200095329A
KR20200095329A KR1020190147090A KR20190147090A KR20200095329A KR 20200095329 A KR20200095329 A KR 20200095329A KR 1020190147090 A KR1020190147090 A KR 1020190147090A KR 20190147090 A KR20190147090 A KR 20190147090A KR 20200095329 A KR20200095329 A KR 20200095329A
Authority
KR
South Korea
Prior art keywords
lane
candidate groups
row
coordinates
element candidate
Prior art date
Application number
KR1020190147090A
Other languages
English (en)
Other versions
KR102224778B1 (ko
Inventor
김계현
김용중
김인수
김학경
남운현
부석훈
성명철
여동훈
유우주
장태웅
정경중
제홍모
조호진
Original Assignee
주식회사 스트라드비젼
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 주식회사 스트라드비젼 filed Critical 주식회사 스트라드비젼
Publication of KR20200095329A publication Critical patent/KR20200095329A/ko
Application granted granted Critical
Publication of KR102224778B1 publication Critical patent/KR102224778B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06K9/00798—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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 by the use of local operators
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection

Abstract

횡 필터 마스크를 이용하여 자율 주행 차량의 주행 경로를 계획하기 위한, 입력 이미지 내의 차선의 픽셀을 포함하는 단위 영역인 차선 요소를 검출하는 방법에 있어서, CNN(Convolutional neural network)이 상기 입력 이미지를 이용하여 세그먼테이션 스코어 맵을 생성하면, 컴퓨팅 장치가 이를 획득하는 단계; 상기 컴퓨팅 장치가, 상기 CNN의 출력단에서 데이터 프로세싱을 수행하는 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵 및 상기 횡 필터 마스크를 이용하여 매그니튜드 맵(Magnitude map)을 생성하도록 하는 단계; 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 매그니튜드 맵의 값을 참조하여 상기 세그먼테이션 스코어 맵의 각 행 별 차선 요소 후보군 각각을 결정하도록 하는 단계; 및 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 예측 연산을 적용하도록 함으로써 각각의 상기 차선 요소를 검출하도록 하는 단계;를 포함 포함하는 것을 특징으로 하는 방법이 개시된다.

Description

횡 필터 마스크를 이용하여 자율 주행 차량의 주행 경로를 계획하기 위해 차선 요소를 검출하는 방법 및 장치{METHOD AND DEVICE FOR DETECTING LANE ELEMENTS TO PLAN THE DRIVE PATH OF AUTONOMOUS VEHICLE BY USING A HORIZONTAL FILTER MASK, WHEREIN THE LANE ELEMENTS ARE UNIT REGIONS INCLUDING PIXELS OF LANES IN AN INPUT IMAGE}
본 발명은 자율 주행 차량에 사용하기 위한 방법 및 장치에 관한 것으로; 보다 상세하게는, 자율 주행 차량의 주행 경로를 계획하기 위한, 차선 요소를 검출하는 상기 방법 및 상기 장치에 관한 것이다.
딥 컨벌루션 뉴럴 네트워크(Deep Convolution Neural Network; Deep CNN)는 딥 러닝 분야에서 일어난 놀라운 발전의 핵심이다. CNN은 글자 인식 문제를 풀기 위해 90년대에 이미 사용되었지만, 현재처럼 널리 쓰이게 된 것은 최근의 연구 결과 덕분이다. 이러한 딥 CNN은 2012년 ImageNet 이미지 분류 시합에서 다른 경쟁자들을 이기고 우승을 차지했다. 그리고 나서 컨벌루션 뉴럴 네트워크는 머신 러닝(Machine Learning) 분야에서 매우 유용한 툴이 되었다.
한편, 이미지 세그먼테이션(Image Segmentation)은 입력 이미지, 예를 들어, 트레이닝 이미지 혹은 테스트 이미지를 입력으로 이용하여 라벨 이미지를 생성하는 방법이다. 최근 딥러닝(Deep learning) 기술이 각광을 받으면서 세그먼테이션에서도 딥러닝을 많이 사용하는 추세이다.
최근, 딥 CNN에 포스트 프로세싱(post-processing)이 많이 이용되고 있다. CNN은 자율 주행 모듈에서 많은 역할을 담당하는데, 그 중 하나는 입력 이미지에서 하나 이상의 차선을 검출하는 것이다. 차선을 검출함으로써, 차량이 진출할 수 있는 여유 공간이 검출되거나, 차량이 도로 중앙에서 잘 주행할 수 있도록 적절히 조절될 수 있다.
하지만, 딥 CNN으로부터의 결과만 이용되면, 차선 검출의 효과가 떨어지는 경우가 많다. 따라서, 딥 CNN으로부터 도출된 결과를 포스트 프로세싱하여 차선을 검출한다. 그런데, 각 픽셀이 상기 차선 내에 포함되는지 여부를 결정하여 차선을 검출하는 경우는 상기 차선 내의 포함된 적어도 하나의 단위 영역을 설정하여 차선을 검출하는 경우와 비교하였을 때 그 결과가 좋지 않다.
본 발명은 상술한 문제점을 해결하는 것을 목적으로 한다.
본 발명은 적어도 하나의 횡 필터 마스크를 이용하여, 적어도 하나의 입력 이미지 내의 차선의 픽셀을 포함하는 하나 이상의 단위 영역인 하나 이상의 차선 요소를 검출함으로써 하나 이상의 차선을 쉽게 검출 하는 것을 목적으로 한다.
또한, 본 발명은 상기 차선 요소를 더 쉽게 검출하기 위한 하나 이상의 예측 방법을 제공하는 것을 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양에 따르면, 적어도 하나의 횡 필터 마스크를 이용하여, 적어도 하나의 입력 이미지 내에 위치한 하나 이상의 차선의 픽셀을 포함하는 하나 이상의 단위 영역인 하나 이상의 차선 요소를 검출하는 방법에 있어서, (a) CNN(Convolutional neural network)이 상기 입력 이미지를 이용하여 적어도 하나의 세그먼테이션 스코어 맵을 생성하면, 컴퓨팅 장치가 이를 획득하는 단계; (b) 상기 컴퓨팅 장치가, 상기 CNN의 출력단에서 데이터 프로세싱을 수행하는 적어도 하나의 포스트 프로세싱(post-processing) 모듈로 하여금, (i) 상기 세그먼테이션 스코어 맵 및 (ii) 다수의 필터링 파라미터를 포함하는 상기 횡 필터 마스크를 이용하여, 적어도 하나의 매그니튜드 맵(Magnitude map)을 생성하도록 하는 단계; (c) 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 매그니튜드 맵의 값을 참조하여 상기 세그먼테이션 스코어 맵의 각 행 별 하나 이상의 차선 요소 후보군 각각을 결정하도록 하는 단계; 및 (d) 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 하나 이상의 예측 연산을 적용하도록 함으로써 각각의 상기 차선 요소를 검출하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법이 제공된다.
일 실시예에서, 상기 (b) 단계에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵의 값을 상기 횡 필터 마스크를 이용하여 변환함으로써, 상기 매그니튜드 맵을 생성하도록 한다.
일 실시예에서, m × n의 사이즈를 가지는 상기 세그먼테이션 스코어 맵 상의 제k 행 - k는 1 이상 n 이하인 정수임 - 내에 포함된 값의 좌표를 (x, k) - x는 1 이상 m 이하인 정수임 - 라 할 때, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 매그니튜드 맵 상의 (x, k)의 값을 산출하여 상기 세그먼테이션 스코어 맵과 같은 크기를 가진 상기 매그니튜드 맵을 생성하도록 하되, (i) x가 2 이상 m-1 이하인 경우, 상기 횡 필터 마스크에 포함된 [-1, 0, 1] 값을 상기 세그먼테이션 스코어 맵 상의 (x-1, k), (x, k) 및 (x+1, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합 각각을 상기 매그니튜드 맵 상의 (x, k)의 각각의 값으로 하고, (ii) x가 1인 경우, 상기 횡 필터 마스크에 포함된 [0, 1] 값을 각각 상기 세그먼테이션 스코어 맵 상의 (x, k) 및 (x+1, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합을 상기 매그니튜드 맵 상의 (x, k)의 값으로 하며, (iii) x가 m인 경우, 상기 횡 필터 마스크 내에 포함된 [-1, 0] 값을 상기 세그먼테이션 스코어 맵 상의 (x-1, k) 및 (x, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합을 상기 매그니튜드 맵 상의 (x, k)의 값으로 한다.
일 실시예에서, 상기 (c) 단계에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵의 상기 행 각각에 대응하는 상기 매그니튜드 맵에 포함된 값 각각의 절대값 및 부호를 참조하여, 각 상기 행 별 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 및 초기 우측 경계 좌표를 검출하도록 함으로써 각 상기 행 별 상기 차선 요소 후보군을 결정한다.
일 실시예에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 조정된 좌측 경계 좌표 및 각각의 조정된 우측 경계 좌표를 참조하여, 각 상기 행 별 확장 차선 요소 후보군 각각을 결정하도록 하되, 상기 각각의 조정된 좌측 경계 좌표가 각 상기 행 별 상기 차선 요소 후보군 각각의 중심으로부터 떨어진 거리가, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 각각의 상기 초기 좌측 경계 좌표까지의 거리의 소정의 배수에 해당되는 것으로 결정하고, 상기 각각의 조정된 우측 경계 좌표가 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 떨어진 거리가, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 각각의 상기 초기 우측 경계 좌표까지의 거리의 상기 소정의 배수에 해당되는 것으로 결정한다.
일 실시예에서, 상기 (c) 단계에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 각각의 상기 차선 요소 후보군을 결정하도록 하고, 상기 (d) 단계에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, (i) 상기 각 상기 행 별로 제1 임계값보다 큰 각각의 상기 차선 요소 후보군의 상기 세그먼테이션 스코어 맵 상의 값 중에서 가장 큰 값 각각의 좌표가, 각 상기 행 별 상기 차선 요소 후보군 각각의 기준 좌표로 결정되도록 하고, (ii) 각각의 상기 기준 좌표의 좌측으로, 제2 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 각각의 최종 좌측 경계 좌표로 결정되고, 각각의 상기 기준 좌표의 우측으로, 제3 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 각각의 최종 우측 경계 좌표로 결정되도록 하는, 상기 예측 연산이 수행된다.
일 실시예에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, (i) 상기 세그먼테이션 스코어 맵의 각 상기 행 별 상기 차선 요소 후보군 각각의 값 중 상기 제1 임계값보다 큰 값의 좌표를 각각의 기준 좌표 후보군으로 결정하도록 하고, (ii) 각각의 상기 기준 좌표 후보군의 값 중에서 각 값의 좌측 또는 우측에 위치한 값보다 작은 일부 값을 제거하는 프로세스를 반복함으로써 각각의 상기 기준 좌표 후보군의 값 중에서 가장 큰 값을 각각 검출하여, 상기 가장 큰 값 각각에 대응하는 각각의 좌표를 각 상기 행 별 상기 차선 후보군 각각의 상기 기준 좌표로서 결정하도록 한다.
일 실시예에서, 상기 (c) 단계에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 각각의 상기 차선 요소 후보군을 결정하도록 하고, 상기 (d) 단계에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, (i) 기설정된 차선 폭에 대한 정보를 참조하여, 상기 세그먼테이션 스코어 맵의 각 상기 행 별 각각의 샘플 폭이 결정되고, (ii) 각 상기 행 별 상기 차선 요소 후보군 각각의, 상기 세그먼테이션 스코어 맵 상의 값을 이용하여, 각각의 상기 샘플 폭에 대응하는 폭을 가지는 각각의 서브 그룹이 생성되며, (iii) 각각의 상기 서브 그룹 내에 포함되지 않은, 상기 세그먼테이션 스코어 맵 상의 값의 평균과 각각의 상기 서브 그룹 내에 포함된, 상기 세그먼테이션 스코어 맵 상의 값의 평균 간의 각각의 차이가 산출되어, 각 상기 행 별 각각의 대표 서브 그룹이 결정되고, (iv) 상기 대표 서브 그룹 각각의 좌측 부분 내에서, 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 최종 좌측 경계 좌표 각각으로서 결정되며, 상기 대표 서브 그룹 각각의 우측 부분 내에서, 상기 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 최종 우측 경계 좌표 각각으로서 결정되도록 하는, 상기 예측 연산이 수행된다.
일 실시예에서, 상기 (c) 단계에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 상기 차선 요소 후보군의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 상기 차선 요소 후보군 각각을 결정하도록 하고, 상기 (d) 단계에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, 각 상기 행 별 각각의 상기 차선 요소 후보군의 편차 값의 합 각각이 가장 큰 각각의 최대 합 서브어레이(subarray)가 결정되며, 각각의 상기 최대 합 서브어레이 내 각각의 가장 좌측의 좌표 및 각각의 가장 우측의 좌표가 각각의 최종 좌측 경계 좌표 및 각각의 최종 우측 경계 좌표로서 결정되도록 하는, 상기 예측 연산이 수행된다.
일 실시예에서, 상기 (c) 단계에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 상기 차선 요소 후보군의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 상기 차선 요소 후보군 각각을 결정하도록 하고, 상기 (d) 단계에서, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵에 상기 예측 연산을 적용하여 각 상기 행 별 상기 차선 요소 후보군 각각의 최종 좌측 경계 좌표 각각 및 최종 우측 경계 좌표 각각을 검출하도록 하고, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 최종 좌측 경계 좌표 각각 및 상기 최종 우측 경계 좌표 각각을 참조하여, 각각의 상기 차선 요소를 생성한다.
본 발명의 다른 태양에 따르면, 적어도 하나의 횡 필터 마스크를 이용하여, 적어도 하나의 입력 이미지 내에 위치한 하나 이상의 차선의 픽셀을 포함하는 하나 이상의 단위 영역인 하나 이상의 차선 요소를 검출하는 컴퓨팅 장치에 있어서, 인스트럭션을 저장하는 적어도 하나의 메모리; 및 (I) CNN(Convolutional neural network)이 상기 입력 이미지를 이용하여 적어도 하나의 세그먼테이션 스코어 맵을 생성하면, 상기 CNN의 출력단에서 데이터 프로세싱을 수행하는 적어도 하나의 포스트 프로세싱 모듈로 하여금, (i) 상기 세그먼테이션 스코어 맵 및 (ii) 다수의 필터링 파라미터를 포함하는 상기 횡 필터 마스크를 이용하여, 적어도 하나의 매그니튜드 맵(Magnitude map)을 생성하도록 하는 프로세스, (II) 상기 포스트 프로세싱 모듈로 하여금, 상기 매그니튜드 맵의 값을 참조하여 상기 세그먼테이션 스코어 맵의 각 행 별 하나 이상의 차선 요소 후보군 각각을 결정하도록 하는 프로세스, 및 (III) 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 하나 이상의 예측 연산을 적용하도록 함으로써 각각의 상기 차선 요소를 검출하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 컴퓨팅 장치가 제공된다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵의 값을 상기 횡 필터 마스크를 이용하여 변환함으로써, 상기 매그니튜드 맵을 생성하도록 한다.
일 실시예에서, m × n의 사이즈를 가지는 상기 세그먼테이션 스코어 맵 상의 제k 행 - k는 1 이상 n 이하인 정수임 - 내에 포함된 값의 좌표를 (x, k) - x는 1 이상 m 이하인 정수임 - 라 할 때, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 매그니튜드 맵 상의 (x, k)의 값을 산출하여 상기 세그먼테이션 스코어 맵과 같은 크기를 가진 상기 매그니튜드 맵을 생성하도록 하되, (i) x가 2 이상 m-1 이하인 경우, 상기 횡 필터 마스크에 포함된 [-1, 0, 1] 값을 상기 세그먼테이션 스코어 맵 상의 (x-1, k), (x, k) 및 (x+1, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합 각각을 상기 매그니튜드 맵 상의 (x, k)의 각각의 값으로 하고, (ii) x가 1인 경우, 상기 횡 필터 마스크에 포함된 [0, 1] 값을 각각 상기 세그먼테이션 스코어 맵 상의 (x, k) 및 (x+1, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합을 상기 매그니튜드 맵 상의 (x, k)의 값으로 하며, (iii) x가 m인 경우, 상기 횡 필터 마스크 내에 포함된 [-1, 0] 값을 상기 세그먼테이션 스코어 맵 상의 (x-1, k) 및 (x, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합을 상기 매그니튜드 맵 상의 (x, k)의 값으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵의 상기 행 각각에 대응하는 상기 매그니튜드 맵에 포함된 값 각각의 절대값 및 부호를 참조하여, 각 상기 행 별 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 및 초기 우측 경계 좌표를 검출하도록 함으로써 각 상기 행 별 상기 차선 요소 후보군을 결정한다.
일 실시예에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 조정된 좌측 경계 좌표 및 각각의 조정된 우측 경계 좌표를 참조하여, 각 상기 행 별 확장 차선 요소 후보군 각각을 결정하도록 하되, 상기 각각의 조정된 좌측 경계 좌표가 각 상기 행 별 상기 차선 요소 후보군 각각의 중심으로부터 떨어진 거리가, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 각각의 상기 초기 좌측 경계 좌표까지의 거리의 소정의 배수에 해당되는 것으로 결정하고, 상기 각각의 조정된 우측 경계 좌표가 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 떨어진 거리가, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 각각의 상기 초기 우측 경계 좌표까지의 거리의 상기 소정의 배수에 해당되는 것으로 결정한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 각각의 상기 차선 요소 후보군을 결정하도록 하고, 상기 (III) 프로세스에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, (i) 상기 각 상기 행 별로 제1 임계값보다 큰 각각의 상기 차선 요소 후보군의 상기 세그먼테이션 스코어 맵 상의 값 중에서 가장 큰 값 각각의 좌표가, 각 상기 행 별 상기 차선 요소 후보군 각각의 기준 좌표로 결정되도록 하고, (ii) 각각의 상기 기준 좌표의 좌측으로, 제2 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 각각의 최종 좌측 경계 좌표로 결정되고, 각각의 상기 기준 좌표의 우측으로, 제3 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 각각의 최종 우측 경계 좌표로 결정되도록 하는, 상기 예측 연산이 수행된다.
일 실시예에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, (i) 상기 세그먼테이션 스코어 맵의 각 상기 행 별 상기 차선 요소 후보군 각각의 값 중 상기 제1 임계값보다 큰 값의 좌표를 각각의 기준 좌표 후보군으로 결정하도록 하고, (ii) 각각의 상기 기준 좌표 후보군의 값 중에서 각 값의 좌측 또는 우측에 위치한 값보다 작은 일부 값을 제거하는 프로세스를 반복함으로써 각각의 상기 기준 좌표 후보군의 값 중에서 가장 큰 값을 각각 검출하여, 상기 가장 큰 값 각각에 대응하는 각각의 좌표를 각 상기 행 별 상기 차선 후보군 각각의 상기 기준 좌표로서 결정하도록 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 각각의 상기 차선 요소 후보군을 결정하도록 하고, 상기 (III) 프로세스에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, (i) 기설정된 차선 폭에 대한 정보를 참조하여, 상기 세그먼테이션 스코어 맵의 각 상기 행 별 각각의 샘플 폭이 결정되고, (ii) 각 상기 행 별 상기 차선 요소 후보군 각각의, 상기 세그먼테이션 스코어 맵 상의 값을 이용하여, 각각의 상기 샘플 폭에 대응하는 폭을 가지는 각각의 서브 그룹이 생성되며, (iii) 각각의 상기 서브 그룹 내에 포함되지 않은, 상기 세그먼테이션 스코어 맵 상의 값의 평균과 각각의 상기 서브 그룹 내에 포함된, 상기 세그먼테이션 스코어 맵 상의 값의 평균 간의 각각의 차이가 산출되어, 각 상기 행 별 각각의 대표 서브 그룹이 결정되고, (iv) 상기 대표 서브 그룹 각각의 좌측 부분 내에서, 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 최종 좌측 경계 좌표 각각으로서 결정되며, 상기 대표 서브 그룹 각각의 우측 부분 내에서, 상기 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 최종 우측 경계 좌표 각각으로서 결정되도록 하는, 상기 예측 연산이 수행된다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 상기 차선 요소 후보군의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 상기 차선 요소 후보군 각각을 결정하도록 하고, 상기 (III) 프로세스에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, 각 상기 행 별 각각의 상기 차선 요소 후보군의 편차 값의 합 각각이 가장 큰 각각의 최대 합 서브어레이(subarray)가 결정되며, 각각의 상기 최대 합 서브어레이 내 각각의 가장 좌측의 좌표 및 각각의 가장 우측의 좌표가 각각의 최종 좌측 경계 좌표 및 각각의 최종 우측 경계 좌표로서 결정되도록 하는, 상기 예측 연산이 수행된다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 상기 차선 요소 후보군의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 상기 차선 요소 후보군 각각을 결정하도록 하고, 상기 (III) 프로세스에서, 상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵에 상기 예측 연산을 적용하여 각 상기 행 별 상기 차선 요소 후보군 각각의 최종 좌측 경계 좌표 각각 및 최종 우측 경계 좌표 각각을 검출하도록 하고, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 최종 좌측 경계 좌표 각각 및 상기 최종 우측 경계 좌표 각각을 참조하여, 각각의 상기 차선 요소를 생성한다.
본 발명은 횡 필터 마스크를 이용하여 입력 이미지 상의 차선 픽셀을 포함하는 단위 영역인 차선 요소를 검출함으로써 차선 검출이 더욱 용이하게 이루어지도록 하는 효과가 있다.
또한, 본 발명은 차선 요소를 더 용이하게 검출하기 위한 예측 방법을 제공하는 효과가 있다.
본 발명의 실시예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자(이하 "통상의 기술자")에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 적어도 하나의 횡 필터 마스크를 이용하여, 적어도 하나의 입력 이미지 내에 위치한 하나 이상의 차선의 픽셀을 포함하는 하나 이상의 단위 영역인 하나 이상의 차선 요소를 검출하는 컴퓨팅 장치의 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 상기 차선 요소를 검출하는 프로세스를 나타내는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 적어도 하나의 세그먼테이션 스코어 맵, 횡 필터 마스크 및 적어도 하나의 매그니튜드 맵을 나타낸 예시 도면이다.
도 4는 본 발명의 일 실시예에 따른 차선 요소 후보군을 나타낸 예시 도면이다.
도 5는 본 발명의 일 실시예에 따른 상기 차선 요소를 나타낸 예시 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, "포함하다"라는 단어 및 그것의 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다.
더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 발명에서 언급하는 각종 이미지는 포장 또는 비포장 도로 관련 이미지를 포함할 수 있으며, 이 경우 도로 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니며, 본 발명에서 언급하는 각종 이미지는 도로와 상관 없는 이미지(가령, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내와 관련된 이미지)일 수도 있으며, 이 경우, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 적어도 하나의 횡 필터 마스크를 이용하여, 적어도 하나의 입력 이미지 내에 위치한 하나 이상의 차선의 픽셀을 포함하는 하나 이상의 단위 영역인 하나 이상의 차선 요소를 검출하는 컴퓨팅 장치의 구성을 나타낸 도면이다.
도 1을 참조하면, 상기 컴퓨팅 장치(100)는 CNN(Convolutional neural network)(200) 및 포스트 프로세싱 모듈(300)을 포함할 수 있다.
상기 CNN(200) 및 상기 포스트 프로세싱 모듈(300)의 입출력 과정 및 연산 과정은 각각 통신부(110) 및 프로세서(120)에 의해 이루어질 수 있다. 다만 도 1에서는 상기 통신부(110) 및 상기 프로세서(120)의 구체적인 연결 관계를 생략하였다. 또한, 상기 학습 장치는 후술할 프로세스를 수행하기 위한 컴퓨터 판독 가능한 인스트럭션을 저장할 수 있는 메모리(115)를 더 포함할 수 있다. 일 예로, 프로세서, 메모리, 매체(medium) 등이 하나의 프로세서로 통합되어 기능할 수도 있다.
이상 본 발명의 상기 횡 필터 마스크를 이용하여, 상기 입력 이미지 내에 포함된 상기 차선의 상기 픽셀을 포함하는 상기 단위 영역인 상기 차선 요소를 검출하는 방법을 수행하는 상기 컴퓨팅 장치(100)의 구성을 설명한 바, 본 발명에 따른 상기 차선 요소를 검출하는 상기 방법에 대해 도 2를 참조하여 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 상기 차선 요소를 검출하는 프로세스를 나타내는 흐름도이다.
도 2를 참조하면, 상기 CNN(200)이 상기 입력 이미지로부터 적어도 하나의 세그먼테이션 스코어 맵이 생성하면, 상기 통신부(110)가 이를 획득할 수 있다(S01). 이 후, 상기 포스트 프로세싱 모듈(300)이 상기 세그먼테이션 스코어 맵 및 상기 횡 필터 마스크를 이용하여 적어도 하나의 매그니튜드 맵(magnitude map)을 생성할 수 있다(S02). 그 후, 상기 포스트 프로세싱 모듈(300)이 상기 매그니튜드 맵을 참조하여 상기 세그먼테이션 스코어 맵의 각 행 별 하나 이상의 차선 요소 후보군 각각을 결정할 수 있다(S03). 마지막으로, 상기 포스트 프로세싱 모듈은 각 상기 행 별 상기 차선 요소 후보군 각각에 하나 이상의 예측 연산을 적용함으로써 하나 이상의 차선 요소를 검출할 수 있다(S04).
도 2에서 도시된 본 발명의 일 실시예에 따른 상기 차선 요소를 검출하는 상기 방법을 알아본 바, 이를 더욱 구체적으로 설명하도록 한다.
먼저, 상기 CNN(200)이 상기 입력 이미지로부터 상기 세그먼테이션 스코어 맵을 생성하면, 상기 컴퓨팅 장치(100)가 이를 획득할 수 있다.
상기 세그먼테이션 스코어 맵은, 상기 CNN(200)에 의해 상기 입력 이미지에 적어도 하나의 컨벌루션 연산 및 적어도 하나의 디컨벌루션 연산이 가해짐으로써 생성될 수 있다.
그 후, 상기 컴퓨팅 장치(100)가, 상기 CNN(200)의 출력단에서 데이터 프로세싱을 수행하는 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵 및 다수의 필터링 파라미터를 포함하는 상기 횡 필터 마스크를 이용하여, 상기 매그니튜드 맵을 생성하도록 할 수 있다.
상기 횡 필터 마스크의 역할은, 상기 세그먼테이션 스코어 맵에 포함된 값들을 변환함으로써, 상기 변환된 값이 포함된 상기 매그니튜드 맵을 생성하는 것이다. 상기 횡 필터 마스크는 [-1, 0, 1]의 행렬의 형태일 수 있으나, 이에 한정되는 것은 아닐 것이다.
본 발명에 따른, [-1, 0, 1]의 형태의 상기 횡 필터 마스크를 이용하여 상기 매그니튜드 맵을 생성하는 프로세스를 살피기 위해 도 3을 참조하도록 한다.
도 3은 본 발명의 일 실시예에 따른 상기 세그먼테이션 스코어 맵, 상기 횡 필터 마스크 및 상기 매그니튜드 맵을 나타낸 예시 도면이다.
도 3을 참조하면, 상기 세그먼테이션 스코어 맵(310)의 값과 상기 매그니튜드 맵(330)의 값이 일대일 대응하는 것을 알 수 있다. 예를 들어, 상기 세그먼테이션 스코어 맵(310)상에서 점선사각형으로 표시된 값인 0.3558과 상기 매그니튜드 맵(330) 상에서 점선사각형으로 표시된 값인 0.994가 서로 대응하는 것을 알 수 있다. 또한, 상기 세그먼테이션 스코어 맵(310)에 상기 횡 필터 마스크(320)를 이용한 하나 이상의 연산을 적용하여 상기 매그니튜드 맵(330)이 생성됨을 알 수 있다.
상기 매그니튜드 맵의 값을 생성하는 프로세스를 설명하기 위해서, 상기 세그먼테이션 스코어 맵은 m × n의 사이즈를 가지고, 상기 세그먼테이션 스코어 맵 상의 제k 행 - k는 1 이상 n 이하인 정수임 - 내에 포함된 값의 좌표를 (x, k) - x는 1 이상 m 이하인 정수임 - 로 상정할 수 있을 것이다.
여기에서, (i) x가 2 이상 m-1 이하인 경우, 상기 횡 필터 마스크에 포함된 [-1, 0, 1] 값을 상기 세그먼테이션 스코어 맵 상의 (x-1, k), (x, k) 및 (x+1, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합 각각을 상기 매그니튜드 맵 상의 (x, k)의 각각의 값으로 한다. (ii) x가 1인 경우, 상기 횡 필터 마스크에 포함된 [0, 1] 값을 각각 상기 세그먼테이션 스코어 맵 상의 (x, k) 및 (x+1, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합을 상기 매그니튜드 맵 상의 (x, k)의 값으로 한다. (iii) x가 m인 경우, 상기 횡 필터 마스크 내에 포함된 [-1, 0] 값을 상기 세그먼테이션 스코어 맵 상의 (x-1, k) 및 (x, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합을 상기 매그니튜드 맵 상의 (x, k)의 값으로 한다.
이와 같은 프로세스를 수행하는 것은, 상기 차선의 경계를 예측하기 위함이다. 이상적인 경우, 상기 세그먼테이션 스코어 맵의 값은, 차선이 아닌 픽셀에서 0, 상기 차선의 상기 픽셀에서 1로 나타날 것이다. 이 때, 상기 횡 필터 마스크를 이용하여 상기 매그니튜드 맵의 값을 계산하면, 상기 차선의 좌측 경계에서는 (-1, 0, 1)·(0, 1, 1) = 1 로 계산될 것이고, 상기 차선의 우측 경계에서는 (-1, 0, 1)·(1, 1, 0) = -1 로 계산될 것이다. 상기 매그니튜드 맵의 값은, 상기 차선의 내부에서 (-1, 0, 1)·(1, 1, 1) = 0 으로 계산될 것이고, 상기 차선의 외부에서는 (-1, 0, 1)·(0, 0, 0) = 0 으로 계산될 것이다. 결국, 상기 매그니튜드 맵 상에서 절대값이 큰 값이 도출되는 경우, 이에 대응하는 픽셀이 상기 차선의 경계의 픽셀로 결정될 것이다. 또한 그 부호를 확인함으로써 좌측 경계인지 우측 경계인지도 확인할 수 있는 것이다.
도 3을 다시 참조하면, 상기 매그니튜드 맵(330) 상에서 점선사각형으로 표시된 값인 0.994는, 상기 설명한 바와 같이 (-1, 0, 1)·(1.77e-04, 0.3558, 0.9942) = 0.994 로 계산되었음을 알 수 있다. 이 때, 1에 근접한 상기 매그니튜드 맵의 값은 점선으로 표현되고 -1에 근접하는 상기 매그니튜드 맵의 값은 실선으로 표현된, 상기 매그니튜드 맵(330)을 시각화한 도면을 참조하여 상기 차선의 경계가 잘 검출된 것을 알 수 있다.
상술한 방식을 통해 상기 차선의 상기 예측된 경계를 나타내는 상기 매그니튜드 맵이 생성되면, 상기 컴퓨팅 장치(100)가, 상기 포스트 프로세싱 모듈(300)로 하여금 상기 매그니튜드 맵의 값을 참조하여 상기 세그먼테이션 스코어 맵의 각 상기 행 별 상기 차선 요소 후보군 각각을 결정하도록 할 수 있다.
이 때, 상기 컴퓨팅 장치(100)는 상기 포스트 프로세싱 모듈(300)로 하여금 상기 세그먼테이션 스코어 맵의 상기 행 각각에 대응하는 상기 매그니튜드 맵의 값 각각의 절대값 및 부호 각각을 참조하여, 각 상기 행 별 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 및 초기 우측 경계 좌표 각각을 검출하도록 함으로써, 각 상기 행 별 상기 차선 요소 후보군 각각을 결정한다.
도 3을 예로 들어 설명하면, 상기 매그니튜드 맵(330)의 가운데 행의 값은 1.76E-04, 0.3558, 0.994, 및 0.6441이다. 이러한 값은 차선의 좌측 경계에 대응하는 값이므로 양수로 표현되고, 상기 매그니튜드 맵(330) 상에서 1에 근접하는 가장 큰 값은 상기 좌측 경계와 가까운 픽셀에 대응한다. 우측 경계의 픽셀에 대응하는 값의 경우, 절대값은 이와 비슷하겠으나, 대신 그 값이 음수일 것이다.
이 때, 상기 포스트 프로세싱 모듈(300)은, 상기 매그니튜드 맵의 값의 절대값을 차례대로 참조하여 행 별 최대값을 결정한다. 도 3의 상기 매그니튜드 맵(330)에서 0.994는 상기 행 별 최대값 중 하나이다. 상기 행 별 최대값은 상기 차선 요소 후보군의 상기 초기 좌측 경계 좌표 및 상기 초기 우측 경계 좌표에 대응하고, 그 부호에 따라 상기 초기 좌측 경계 좌표에 대응하는지 상기 초기 우측 경계 좌표에 대응하는지가 결정된다. 상기 매그니튜드 맵의 상기 행 별 최대값이 양수인 경우, 이 행 별 최대값은 상기 초기 좌측 경계 좌표에 대응하고, 상기 매그니튜드 맵의 상기 행 별 최대값이 음수인 경우, 이 행 별 최대값은 상기 초기 우측 경계 좌표에 대응한다. 도 3에서, 0.994에 대응하는 상기 세그먼테이션 스코어 맵(310)상의 위치가 상기 초기 좌측 경계 좌표 중 하나가 될 것이다. 이와 같이 각각의 상기 좌측 경계 좌표와 각각의 상기 우측 경계 좌표를 검출함으로써 각 상기 행 별 차선 요소 후보군 각각이 결정될 수 있는 것이다.
한편, 상기 컴퓨팅 장치(100)가 상기 포스트 프로세싱 모듈(300)로 하여금, 각각의 조정된 좌측 경계 좌표 및 각각의 조정된 우측 경계 좌표를 참조하여, 각 상기 행 별 확장 차선 요소 후보군 각각을 결정하도록 하되, 상기 각각의 조정된 좌측 경계 좌표가 각 상기 행 별 상기 차선 요소 후보군 각각의 중심으로부터 떨어진 거리가, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 각각의 상기 초기 좌측 경계 좌표까지의 거리의 소정의 배수에 해당되는 것으로 결정하고, 상기 각각의 조정된 우측 경계 좌표가 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 떨어진 거리가, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 각각의 상기 초기 우측 경계 좌표까지의 거리의 상기 소정의 배수에 해당되는 것으로 결정한다. 도 4는 이와 같은 확장 차선 요소 후보군의 예시이다.
도 4를 참조하면, 실제 차선의 영역보다 더 넓게 상기 확장 차선 요소 후보군이 결정된 것을 알 수 있다. 상기 확장 차선 요소 후보군을 결정함으로써, 이후 후술되는 프로세스를 통해 더욱 정확하게 상기 차선 요소가 검출될 수 있다.
상기 차선 요소 후보군이 결정되면, 상기 컴퓨팅 장치(100)가 상기 포스트 프로세싱 모듈(300)로 하여금 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 함으로써 각각의 상기 차선 요소를 검출할 수 있다.
상기 예측 연산의 경우 여러 방법이 적용될 수 있다. 본문에서는 예시적으로 세 가지 방법이 제시될 것인데, 물론 이에 한정되는 것은 아니다.
먼저, 상기 컴퓨팅 장치(100)가, 상기 포스트 프로세싱 모듈(300)로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, (i) 상기 각 상기 행 별로 제1 임계값보다 큰 각각의 상기 차선 요소 후보군의 상기 세그먼테이션 스코어 맵 상의 값 중에서 가장 큰 값 각각의 좌표가, 각 상기 행 별 상기 차선 요소 후보군 각각의 기준 좌표로 결정되도록 하고, (ii) 각각의 상기 기준 좌표의 좌측으로, 제2 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 각각의 최종 좌측 경계 좌표로 결정되고, 각각의 상기 기준 좌표의 우측으로, 제3 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 각각의 최종 우측 경계 좌표로 결정되도록 하는, 상기 예측 연산이 수행된다. 상기 제2 임계값과 상기 제3 임계값은 동일할 수 있으나, 이에 한정되는 것은 아니다.
기본적으로 상기 세그먼테이션 스코어 맵 상의 상기 값 각각은 그에 대응하는 픽셀이 상기 차선의 픽셀 중 하나일 각각의 확률을 나타낸다. 그러므로, 큰 확률 값에 대응하는 좌표를 참조하여 상기 차선이 더욱 정확하게 검출될 수 있을 것으로 예상된다.
다만, 상기 세그먼테이션 스코어 맵 상의 값이 가질 수 있는 최대 값이 1인 바, 각 상기 행 별 각각의 상기 차선 요소 후보군의 값 중에서 가장 크기가 큰 값에 대응하는 좌표가 여러 개일 수 있다. 이 때, 각각의 상기 차선 요소 후보군의 가장 가운데에 위치하는 각각의 좌표가 각각의 상기 기준 좌표로서 검출될 것이다.
각각의 상기 차선 요소 후보군의 각각의 상기 기준 좌표를 검출하기 위해 가장 큰 값을 찾는 방법은 여러 가지가 있다. 상기 가장 큰 값을 찾는 예시적인 방법을 이하 설명하도록 한다.
상기 컴퓨팅 장치(100)가, 상기 포스트 프로세싱 모듈(300)로 하여금, 상기 세그먼테이션 스코어 맵의 각 상기 행 별 상기 차선 요소 후보군 각각의 값 중 상기 제1 임계값보다 큰 값의 좌표를 각각의 기준 좌표 후보군으로 결정하도록 한다. 그 후, 상기 컴퓨팅 장치(100)가, 상기 포스트 프로세싱 모듈(300)로 하여금, 각각의 상기 기준 좌표 후보군의 값 중에서 각 값의 좌측 또는 우측에 위치한 값보다 작은 일부 값을 제거하는 프로세스를 반복함으로써 각각의 상기 기준 좌표 후보군의 값 중에서 가장 큰 값을 각각 검출하여, 상기 가장 큰 값 각각에 대응하는 각각의 좌표를 각 상기 행 별 상기 차선 후보군 각각의 상기 기준 좌표로서 결정하도록 한다.
다음으로, 상기 예측 연산의 다른 예를 이하 설명하도록 한다. 상기 컴퓨팅 장치(100)가, 상기 포스트 프로세싱 모듈(300)로 하여금, 기설정된 차선 폭에 대한 정보를 참조하여, 상기 세그먼테이션 스코어 맵의 각 상기 행 별 각각의 샘플 폭을 결정하도록 한다. 그리고, 각 상기 행 별 상기 차선 요소 후보군 각각의, 상기 세그먼테이션 스코어 맵 상의 값을 이용하여, 각각의 상기 샘플 폭에 대응하는 폭을 가지는 각각의 서브 그룹이 생성되며, 각각의 상기 서브 그룹 내에 포함되지 않은, 상기 세그먼테이션 스코어 맵 상의 값의 평균과 각각의 상기 서브 그룹 내에 포함된, 상기 세그먼테이션 스코어 맵 상의 값의 평균 간의 각각의 차이가 산출되어, 각 상기 행 별 각각의 대표 서브 그룹이 결정된다. 또한, 상기 대표 서브 그룹 각각의 좌측 부분 내에서, 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 상기 최종 좌측 경계 좌표 각각으로서 결정되며, 상기 대표 서브 그룹 각각의 우측 부분 내에서, 상기 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 상기 최종 우측 경계 좌표 각각으로서 결정된다.
각각의 상기 서브 그룹 내에 포함되지 않은, 상기 세그먼테이션 스코어 맵 상의 값의 평균과 각각의 상기 서브 그룹 내에 포함된, 상기 세그먼테이션 스코어 맵 상의 값의 평균 간의 각각의 차이가 가장 큰 그룹이 각각의 상기 대표 서브 그룹으로서 결정된다. 그러므로, 상기 차선은, 상기 차선에 대응하는 1에 근접한 값을, 상기 차선에 대응하지 않는 0에 근접한 값으로부터 구분하여, 더 정확히 검출될 수 있다. 이와 유사한 방식으로, 상기 대표 서브 그룹 내에 포함된 값의 분산이 가장 작도록 상기 대표 서브 그룹을 결정하고, 이로써 상기 차선의 픽셀을 상기 차선이 아닌 픽셀과 구분하여, 상기 차선이 검출될 수 있다.
다음으로, 상기 예측 연산의 또 다른 예를 이하 설명하도록 한다. 상기 컴퓨팅 장치(100)가, 상기 포스트 프로세싱 모듈(300)로 하여금 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, 각 상기 행 별 각각의 상기 차선 요소 후보군의 편차 값의 합 각각이 가장 큰 각각의 최대 합 서브어레이(subarray)가 결정되며, 각각의 상기 최대 합 서브어레이 내 각각의 가장 좌측의 좌표 및 각각의 가장 우측의 좌표가 각각의 상기 최종 좌측 경계 좌표 및 각각의 상기 최종 우측 경계 좌표로서 결정되도록 하는, 상기 예측 연산이 수행된다.
즉, 각각의 상기 차선 요소 후보군의 각각의 상기 편차 값은 각 상기 행 별 상기 차선 요소 후보군 각각의 값에서 상기 차선 요소 후보군 각각에 포함된 값의 평균을 각각 뺀 값이며, 각각의 상기 최대 합 서브어레이는 각각의 상기 차선 요소 후보군의 각각의 상기 편차 값을 참조하여 결정된다. 각각의 상기 평균은, 상기 차선에 대응하는 값과 상기 차선에 대응하지 않는 값의 중간값으로 산출될 것이므로, 각각의 상기 편차는 양수이다. 그러므로, 상기 차선의 픽셀은 각각의 상기 최대 합 서브어레이에 의해 그룹핑(grouping)될 수 있다.
상기 최대 합 서브어레이는 카데인 알고리즘(Kadane's algorithm)을 이용하여 결정될 수 있지만, 이에 한정되는 것은 아니다.
상기와 같은 방식을 통해 상기 예측 연산을 적용하여, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 최종 좌측 경계 좌표 각각 및 상기 최종 우측 경계 좌표 각각이 검출됨으로써, 각각의 상기 차선 요소가 생성될 수 있다. 상기 차선 요소가 무엇인지 설명하기 위해 도 5를 참조하도록 한다.
도 5는 본 발명의 일 실시예에 따른 상기 차선 요소를 나타낸 예시 도면이다.
도 5를 참조하면, 상기 차선 요소는 상기 입력 이미지 내의 상기 차선의 픽셀을 포함하는 단위 영역임을 알 수 있다. 더 구체적으로, 각각의 상기 차선 요소는 입력 이미지를 X축 방향으로 절단하였을 때, 절단된 상기 차선의 픽셀을 포함하는 각각의 상기 단위 영역임을 알 수 있다.
각각의 상기 차선 요소는 이의 중심 좌표, 우측 및 좌측 경계 좌표, 너비 등에 대한 정보를 포함한다. 각각의 상기 차선 요소의 중심 좌표, 우측 및 좌측 경계 좌표, 너비 등의 정보는 상기 최종 좌측 경계 좌표 각각 및 상기 최종 우측 경계 좌표 각각을 참조하여 생성될 수 있으므로, 상술한 본 발명의 방식에 따라 차선 요소가 검출될 수 있는 것이다.
각 상기 행 별 각각의 상기 차선 요소가 검출될 때, 이를 그룹핑하고 트레이싱(tracing)함으로써 더 정확하게 상기 차선이 검출될 수 있다.
본 발명에 따라 차선을 검출함으로써, 주행 경로가 자율 주행 차량에 최적화 될 수 있다.
본 발명 기술분야의 통상의 기술자에게 이해될 수 있는 바로서, 위에서 설명된 이미지, 예컨대 원본 이미지, 원본 레이블 및 추가 레이블과 같은 이미지 데이터의 송수신이 학습 장치 및 테스트 장치의 통신부들에 의하여 이루어질 수 있으며, 특징 맵과 연산을 수행하기 위한 데이터가 학습 장치 및 테스트 장치의 프로세서(및/또는 메모리)에 의하여 보유/유지될 수 있고, 컨벌루션 연산, 디컨벌루션 연산, 로스 값 연산 과정이 주로 학습 장치 및 테스트 장치의 프로세서에 의하여 수행될 수 있으나, 본 발명이 이에 한정되지는 않을 것이다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (20)

  1. 적어도 하나의 횡 필터 마스크를 이용하여, 적어도 하나의 입력 이미지 내에 위치한 하나 이상의 차선의 픽셀을 포함하는 하나 이상의 단위 영역인 하나 이상의 차선 요소를 검출하는 방법에 있어서,
    (a) CNN(Convolutional neural network)이 상기 입력 이미지를 이용하여 적어도 하나의 세그먼테이션 스코어 맵을 생성하면, 컴퓨팅 장치가 이를 획득하는 단계;
    (b) 상기 컴퓨팅 장치가, 상기 CNN의 출력단에서 데이터 프로세싱을 수행하는 적어도 하나의 포스트 프로세싱(post-processing) 모듈로 하여금, (i) 상기 세그먼테이션 스코어 맵 및 (ii) 다수의 필터링 파라미터를 포함하는 상기 횡 필터 마스크를 이용하여, 적어도 하나의 매그니튜드 맵(Magnitude map)을 생성하도록 하는 단계;
    (c) 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 매그니튜드 맵의 값을 참조하여 상기 세그먼테이션 스코어 맵의 각 행 별 하나 이상의 차선 요소 후보군 각각을 결정하도록 하는 단계; 및
    (d) 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 하나 이상의 예측 연산을 적용하도록 함으로써 각각의 상기 차선 요소를 검출하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  2. 제 1항에 있어서,
    상기 (b) 단계에서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵의 값을 상기 횡 필터 마스크를 이용하여 변환함으로써, 상기 매그니튜드 맵을 생성하도록 하는 것을 특징으로 하는 방법.
  3. 제 2항에 있어서,
    m × n의 사이즈를 가지는 상기 세그먼테이션 스코어 맵 상의 제k 행 - k는 1 이상 n 이하인 정수임 - 내에 포함된 값의 좌표를 (x, k) - x는 1 이상 m 이하인 정수임 - 라 할 때, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 매그니튜드 맵 상의 (x, k)의 값을 산출하여 상기 세그먼테이션 스코어 맵과 같은 크기를 가진 상기 매그니튜드 맵을 생성하도록 하되,
    (i) x가 2 이상 m-1 이하인 경우, 상기 횡 필터 마스크에 포함된 [-1, 0, 1] 값을 상기 세그먼테이션 스코어 맵 상의 (x-1, k), (x, k) 및 (x+1, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합 각각을 상기 매그니튜드 맵 상의 (x, k)의 각각의 값으로 하고,
    (ii) x가 1인 경우, 상기 횡 필터 마스크에 포함된 [0, 1] 값을 각각 상기 세그먼테이션 스코어 맵 상의 (x, k) 및 (x+1, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합을 상기 매그니튜드 맵 상의 (x, k)의 값으로 하며,
    (iii) x가 m인 경우, 상기 횡 필터 마스크 내에 포함된 [-1, 0] 값을 상기 세그먼테이션 스코어 맵 상의 (x-1, k) 및 (x, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합을 상기 매그니튜드 맵 상의 (x, k)의 값으로 하는 것을 특징으로 하는 방법.
  4. 제 1항에 있어서,
    상기 (c) 단계에서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵의 상기 행 각각에 대응하는 상기 매그니튜드 맵에 포함된 값 각각의 절대값 및 부호를 참조하여, 각 상기 행 별 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 및 초기 우측 경계 좌표를 검출하도록 함으로써 각 상기 행 별 상기 차선 요소 후보군을 결정하는 것을 특징으로 하는 방법.
  5. 제 4항에 있어서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 조정된 좌측 경계 좌표 및 각각의 조정된 우측 경계 좌표를 참조하여, 각 상기 행 별 확장 차선 요소 후보군 각각을 결정하도록 하되, 상기 각각의 조정된 좌측 경계 좌표가 각 상기 행 별 상기 차선 요소 후보군 각각의 중심으로부터 떨어진 거리가, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 각각의 상기 초기 좌측 경계 좌표까지의 거리의 소정의 배수에 해당되는 것으로 결정하고, 상기 각각의 조정된 우측 경계 좌표가 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 떨어진 거리가, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 각각의 상기 초기 우측 경계 좌표까지의 거리의 상기 소정의 배수에 해당되는 것으로 결정하는 것을 특징으로 하는 방법.
  6. 제 1항에 있어서,
    상기 (c) 단계에서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 각각의 상기 차선 요소 후보군을 결정하도록 하고,
    상기 (d) 단계에서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, (i) 상기 각 상기 행 별로 제1 임계값보다 큰 각각의 상기 차선 요소 후보군의 상기 세그먼테이션 스코어 맵 상의 값 중에서 가장 큰 값 각각의 좌표가, 각 상기 행 별 상기 차선 요소 후보군 각각의 기준 좌표로 결정되도록 하고, (ii) 각각의 상기 기준 좌표의 좌측으로, 제2 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 각각의 최종 좌측 경계 좌표로 결정되고, 각각의 상기 기준 좌표의 우측으로, 제3 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 각각의 최종 우측 경계 좌표로 결정되도록 하는, 상기 예측 연산이 수행되는 것을 특징으로 하는 방법.
  7. 제 6항에 있어서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, (i) 상기 세그먼테이션 스코어 맵의 각 상기 행 별 상기 차선 요소 후보군 각각의 값 중 상기 제1 임계값보다 큰 값의 좌표를 각각의 기준 좌표 후보군으로 결정하도록 하고, (ii) 각각의 상기 기준 좌표 후보군의 값 중에서 각 값의 좌측 또는 우측에 위치한 값보다 작은 일부 값을 제거하는 프로세스를 반복함으로써 각각의 상기 기준 좌표 후보군의 값 중에서 가장 큰 값을 각각 검출하여, 상기 가장 큰 값 각각에 대응하는 각각의 좌표를 각 상기 행 별 상기 차선 후보군 각각의 상기 기준 좌표로서 결정하도록 하는 것을 특징으로 하는 방법.
  8. 제 1항에 있어서,
    상기 (c) 단계에서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 각각의 상기 차선 요소 후보군을 결정하도록 하고,
    상기 (d) 단계에서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, (i) 기설정된 차선 폭에 대한 정보를 참조하여, 상기 세그먼테이션 스코어 맵의 각 상기 행 별 각각의 샘플 폭이 결정되고, (ii) 각 상기 행 별 상기 차선 요소 후보군 각각의, 상기 세그먼테이션 스코어 맵 상의 값을 이용하여, 각각의 상기 샘플 폭에 대응하는 폭을 가지는 각각의 서브 그룹이 생성되며, (iii) 각각의 상기 서브 그룹 내에 포함되지 않은, 상기 세그먼테이션 스코어 맵 상의 값의 평균과 각각의 상기 서브 그룹 내에 포함된, 상기 세그먼테이션 스코어 맵 상의 값의 평균 간의 각각의 차이가 산출되어, 각 상기 행 별 각각의 대표 서브 그룹이 결정되고, (iv) 상기 대표 서브 그룹 각각의 좌측 부분 내에서, 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 최종 좌측 경계 좌표 각각으로서 결정되며, 상기 대표 서브 그룹 각각의 우측 부분 내에서, 상기 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 최종 우측 경계 좌표 각각으로서 결정되도록 하는, 상기 예측 연산이 수행되는 것을 특징으로 하는 방법.
  9. 제 1항에 있어서,
    상기 (c) 단계에서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 상기 차선 요소 후보군의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 상기 차선 요소 후보군 각각을 결정하도록 하고,
    상기 (d) 단계에서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, 각 상기 행 별 각각의 상기 차선 요소 후보군의 편차 값의 합 각각이 가장 큰 각각의 최대 합 서브어레이(subarray)가 결정되며, 각각의 상기 최대 합 서브어레이 내 각각의 가장 좌측의 좌표 및 각각의 가장 우측의 좌표가 각각의 최종 좌측 경계 좌표 및 각각의 최종 우측 경계 좌표로서 결정되도록 하는, 상기 예측 연산이 수행되는 것을 특징으로 하는 방법.
  10. 제 1항에 있어서,
    상기 (c) 단계에서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 상기 차선 요소 후보군의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 상기 차선 요소 후보군 각각을 결정하도록 하고,
    상기 (d) 단계에서,
    상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵에 상기 예측 연산을 적용하여 각 상기 행 별 상기 차선 요소 후보군 각각의 최종 좌측 경계 좌표 각각 및 최종 우측 경계 좌표 각각을 검출하도록 하고, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 최종 좌측 경계 좌표 각각 및 상기 최종 우측 경계 좌표 각각을 참조하여, 각각의 상기 차선 요소를 생성하는 것을 특징으로 하는 방법.
  11. 적어도 하나의 횡 필터 마스크를 이용하여, 적어도 하나의 입력 이미지 내에 위치한 하나 이상의 차선의 픽셀을 포함하는 하나 이상의 단위 영역인 하나 이상의 차선 요소를 검출하는 컴퓨팅 장치에 있어서,
    인스트럭션을 저장하는 적어도 하나의 메모리; 및
    (I) CNN(Convolutional neural network)이 상기 입력 이미지를 이용하여 적어도 하나의 세그먼테이션 스코어 맵을 생성하면, 상기 CNN의 출력단에서 데이터 프로세싱을 수행하는 적어도 하나의 포스트 프로세싱 모듈로 하여금, (i) 상기 세그먼테이션 스코어 맵 및 (ii) 다수의 필터링 파라미터를 포함하는 상기 횡 필터 마스크를 이용하여, 적어도 하나의 매그니튜드 맵(Magnitude map)을 생성하도록 하는 프로세스, (II) 상기 포스트 프로세싱 모듈로 하여금, 상기 매그니튜드 맵의 값을 참조하여 상기 세그먼테이션 스코어 맵의 각 행 별 하나 이상의 차선 요소 후보군 각각을 결정하도록 하는 프로세스, 및 (III) 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 하나 이상의 예측 연산을 적용하도록 함으로써 각각의 상기 차선 요소를 검출하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 컴퓨팅 장치.
  12. 제 11항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵의 값을 상기 횡 필터 마스크를 이용하여 변환함으로써, 상기 매그니튜드 맵을 생성하도록 하는 것을 특징으로 하는 컴퓨팅 장치.
  13. 제 12항에 있어서,
    m × n의 사이즈를 가지는 상기 세그먼테이션 스코어 맵 상의 제k 행 - k는 1 이상 n 이하인 정수임 - 내에 포함된 값의 좌표를 (x, k) - x는 1 이상 m 이하인 정수임 - 라 할 때, 상기 컴퓨팅 장치가, 상기 포스트 프로세싱 모듈로 하여금, 상기 매그니튜드 맵 상의 (x, k)의 값을 산출하여 상기 세그먼테이션 스코어 맵과 같은 크기를 가진 상기 매그니튜드 맵을 생성하도록 하되,
    (i) x가 2 이상 m-1 이하인 경우, 상기 횡 필터 마스크에 포함된 [-1, 0, 1] 값을 상기 세그먼테이션 스코어 맵 상의 (x-1, k), (x, k) 및 (x+1, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합 각각을 상기 매그니튜드 맵 상의 (x, k)의 각각의 값으로 하고,
    (ii) x가 1인 경우, 상기 횡 필터 마스크에 포함된 [0, 1] 값을 각각 상기 세그먼테이션 스코어 맵 상의 (x, k) 및 (x+1, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합을 상기 매그니튜드 맵 상의 (x, k)의 값으로 하며,
    (iii) x가 m인 경우, 상기 횡 필터 마스크 내에 포함된 [-1, 0] 값을 상기 세그먼테이션 스코어 맵 상의 (x-1, k) 및 (x, k)의 값에 각각 곱하여 생성된 각각의 요소별 곱셈 결과의 요소의 합을 상기 매그니튜드 맵 상의 (x, k)의 값으로 하는 것을 특징으로 하는 컴퓨팅 장치.
  14. 제 11항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵의 상기 행 각각에 대응하는 상기 매그니튜드 맵에 포함된 값 각각의 절대값 및 부호를 참조하여, 각 상기 행 별 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 및 초기 우측 경계 좌표를 검출하도록 함으로써 각 상기 행 별 상기 차선 요소 후보군을 결정하는 것을 특징으로 하는 컴퓨팅 장치.
  15. 제 14항에 있어서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 조정된 좌측 경계 좌표 및 각각의 조정된 우측 경계 좌표를 참조하여, 각 상기 행 별 확장 차선 요소 후보군 각각을 결정하도록 하되, 상기 각각의 조정된 좌측 경계 좌표가 각 상기 행 별 상기 차선 요소 후보군 각각의 중심으로부터 떨어진 거리가, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 각각의 상기 초기 좌측 경계 좌표까지의 거리의 소정의 배수에 해당되는 것으로 결정하고, 상기 각각의 조정된 우측 경계 좌표가 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 떨어진 거리가, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 중심으로부터 각각의 상기 초기 우측 경계 좌표까지의 거리의 상기 소정의 배수에 해당되는 것으로 결정하는 것을 특징으로 하는 컴퓨팅 장치.
  16. 제 11항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 각각의 상기 차선 요소 후보군을 결정하도록 하고,
    상기 (III) 프로세스에서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, (i) 상기 각 상기 행 별로 제1 임계값보다 큰 각각의 상기 차선 요소 후보군의 상기 세그먼테이션 스코어 맵 상의 값 중에서 가장 큰 값 각각의 좌표가, 각 상기 행 별 상기 차선 요소 후보군 각각의 기준 좌표로 결정되도록 하고, (ii) 각각의 상기 기준 좌표의 좌측으로, 제2 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 각각의 최종 좌측 경계 좌표로 결정되고, 각각의 상기 기준 좌표의 우측으로, 제3 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 각각의 최종 우측 경계 좌표로 결정되도록 하는, 상기 예측 연산이 수행되는 것을 특징으로 하는 컴퓨팅 장치.
  17. 제 16항에 있어서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, (i) 상기 세그먼테이션 스코어 맵의 각 상기 행 별 상기 차선 요소 후보군 각각의 값 중 상기 제1 임계값보다 큰 값의 좌표를 각각의 기준 좌표 후보군으로 결정하도록 하고, (ii) 각각의 상기 기준 좌표 후보군의 값 중에서 각 값의 좌측 또는 우측에 위치한 값보다 작은 일부 값을 제거하는 프로세스를 반복함으로써 각각의 상기 기준 좌표 후보군의 값 중에서 가장 큰 값을 각각 검출하여, 상기 가장 큰 값 각각에 대응하는 각각의 좌표를 각 상기 행 별 상기 차선 후보군 각각의 상기 기준 좌표로서 결정하도록 하는 것을 특징으로 하는 컴퓨팅 장치.
  18. 제 11항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 상기 차선 요소 후보군 각각의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 각각의 상기 차선 요소 후보군을 결정하도록 하고,
    상기 (III) 프로세스에서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, (i) 기설정된 차선 폭에 대한 정보를 참조하여, 상기 세그먼테이션 스코어 맵의 각 상기 행 별 각각의 샘플 폭이 결정되고, (ii) 각 상기 행 별 상기 차선 요소 후보군 각각의, 상기 세그먼테이션 스코어 맵 상의 값을 이용하여, 각각의 상기 샘플 폭에 대응하는 폭을 가지는 각각의 서브 그룹이 생성되며, (iii) 각각의 상기 서브 그룹 내에 포함되지 않은, 상기 세그먼테이션 스코어 맵 상의 값의 평균과 각각의 상기 서브 그룹 내에 포함된, 상기 세그먼테이션 스코어 맵 상의 값의 평균 간의 각각의 차이가 산출되어, 각 상기 행 별 각각의 대표 서브 그룹이 결정되고, (iv) 상기 대표 서브 그룹 각각의 좌측 부분 내에서, 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 최종 좌측 경계 좌표 각각으로서 결정되며, 상기 대표 서브 그룹 각각의 우측 부분 내에서, 상기 임계값에 소정 범위 내로 근접하는 값 각각의 좌표가 최종 우측 경계 좌표 각각으로서 결정되도록 하는, 상기 예측 연산이 수행되는 것을 특징으로 하는 컴퓨팅 장치.
  19. 제 11항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 상기 차선 요소 후보군의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 상기 차선 요소 후보군 각각을 결정하도록 하고,
    상기 (III) 프로세스에서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각 상기 행 별 상기 차선 요소 후보군 각각에 상기 예측 연산을 적용하도록 하되, 각 상기 행 별 각각의 상기 차선 요소 후보군의 편차 값의 합 각각이 가장 큰 각각의 최대 합 서브어레이(subarray)가 결정되며, 각각의 상기 최대 합 서브어레이 내 각각의 가장 좌측의 좌표 및 각각의 가장 우측의 좌표가 각각의 최종 좌측 경계 좌표 및 각각의 최종 우측 경계 좌표로서 결정되도록 하는, 상기 예측 연산이 수행되는 것을 특징으로 하는 컴퓨팅 장치.
  20. 제 11항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 각각의 상기 차선 요소 후보군의 초기 좌측 경계 좌표 각각 및 초기 우측 경계 좌표 각각을 검출함으로써 각 상기 행 별 상기 차선 요소 후보군 각각을 결정하도록 하고,
    상기 (III) 프로세스에서,
    상기 프로세서가, 상기 포스트 프로세싱 모듈로 하여금, 상기 세그먼테이션 스코어 맵에 상기 예측 연산을 적용하여 각 상기 행 별 상기 차선 요소 후보군 각각의 최종 좌측 경계 좌표 각각 및 최종 우측 경계 좌표 각각을 검출하도록 하고, 각 상기 행 별 상기 차선 요소 후보군 각각의 상기 최종 좌측 경계 좌표 각각 및 상기 최종 우측 경계 좌표 각각을 참조하여, 각각의 상기 차선 요소를 생성하는 것을 특징으로 하는 컴퓨팅 장치.
KR1020190147090A 2019-01-31 2019-11-15 횡 필터 마스크를 이용하여 자율 주행 차량의 주행 경로를 계획하기 위해 차선 요소를 검출하는 방법 및 장치 KR102224778B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/263,123 2019-01-31
US16/263,123 US10373004B1 (en) 2019-01-31 2019-01-31 Method and device for detecting lane elements to plan the drive path of autonomous vehicle by using a horizontal filter mask, wherein the lane elements are unit regions including pixels of lanes in an input image

Publications (2)

Publication Number Publication Date
KR20200095329A true KR20200095329A (ko) 2020-08-10
KR102224778B1 KR102224778B1 (ko) 2021-03-08

Family

ID=67477497

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190147090A KR102224778B1 (ko) 2019-01-31 2019-11-15 횡 필터 마스크를 이용하여 자율 주행 차량의 주행 경로를 계획하기 위해 차선 요소를 검출하는 방법 및 장치

Country Status (5)

Country Link
US (1) US10373004B1 (ko)
EP (1) EP3690706A1 (ko)
JP (1) JP6856852B2 (ko)
KR (1) KR102224778B1 (ko)
CN (1) CN111507154B (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648527B (zh) * 2019-08-20 2021-05-11 浙江工业大学 一种基于深度学习模型的交通速度预测方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8194927B2 (en) * 2008-07-18 2012-06-05 GM Global Technology Operations LLC Road-lane marker detection using light-based sensing technology
KR101225626B1 (ko) * 2010-07-19 2013-01-24 포항공과대학교 산학협력단 차선 인식 시스템 및 방법
TWI438729B (zh) * 2011-11-16 2014-05-21 Ind Tech Res Inst 車道偏移警示方法及系統
DE102012111010A1 (de) * 2012-11-15 2014-06-12 Eads Deutschland Gmbh Verfahren und Vorrichtung zur bildgestützten Landebahnlokalisierung
US10410096B2 (en) * 2015-07-09 2019-09-10 Qualcomm Incorporated Context-based priors for object detection in images
CN105260699B (zh) * 2015-09-10 2018-06-26 百度在线网络技术（北京）有限公司 一种车道线数据的处理方法及装置
US9965719B2 (en) * 2015-11-04 2018-05-08 Nec Corporation Subcategory-aware convolutional neural networks for object detection
US10859395B2 (en) * 2016-12-30 2020-12-08 DeepMap Inc. Lane line creation for high definition maps for autonomous vehicles
CN108268866B (zh) * 2016-12-30 2020-07-10 纵目科技（上海）股份有限公司 一种车辆检测方法和系统
US10373002B2 (en) * 2017-03-31 2019-08-06 Here Global B.V. Method, apparatus, and system for a parametric representation of lane lines
US10209089B2 (en) * 2017-04-03 2019-02-19 Robert Bosch Gmbh Automated image labeling for vehicles based on maps
US10474908B2 (en) * 2017-07-06 2019-11-12 GM Global Technology Operations LLC Unified deep convolutional neural net for free-space estimation, object detection and object pose estimation
US9947103B1 (en) * 2017-10-03 2018-04-17 StradVision, Inc. Learning method and learning device for improving image segmentation and testing method and testing device using the same
US10229346B1 (en) * 2018-09-04 2019-03-12 StradVision, Inc. Learning method, learning device for detecting object using edge image and testing method, testing device using the same
US10223614B1 (en) * 2018-09-04 2019-03-05 StradVision, Inc. Learning method, learning device for detecting lane through classification of lane candidate pixels and testing method, testing device using the same

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Ye Y-Y et al, 'Lane detection method based on lane structural analysis and CNNs', IET Intell. Transp. Syst., 2018, Vol.12 Iss.6, pp.513~520 *

Also Published As

Publication number Publication date
KR102224778B1 (ko) 2021-03-08
JP2020126609A (ja) 2020-08-20
CN111507154B (zh) 2023-10-17
EP3690706A1 (en) 2020-08-05
JP6856852B2 (ja) 2021-04-14
CN111507154A (zh) 2020-08-07
US10373004B1 (en) 2019-08-06

Similar Documents

Publication Publication Date Title
EP3686779B1 (en) Method and device for attention-based lane detection without post-processing by using lane mask and testing method and testing device using the same
KR20200027427A (ko) 차선 후보 픽셀의 분류를 통해 차선을 검출하는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR20200094652A (ko) 자동 주차 시스템을 제공하기 위해 결정 지점 간의 관계 및 결정 지점에 대한 리그레션 결과를 이용하여 주차 공간을 검출하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
EP3690707B1 (en) Post-processing method and device for detecting lanes to plan drive path of autonomous vehicle by using segmentation score map and clustering map
KR102241595B1 (ko) 에지 로스를 이용하여 보행자 이벤트, 자동차 이벤트, 폴링 이벤트, 폴른 이벤트를 포함한 이벤트를 검출하는데 있어 이용되는 세그먼테이션 성능 향상을 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
EP3686782A1 (en) Learning method and learning device for object detector using target object estimating network and target object merging network, and testing method and testing device using the same
KR20200091317A (ko) 자율 주행 자동차의 레벨 4를 충족시키기 위해 영역의 클래스에 따라 모드를 전환하여 그리드 셀 별로 가중 컨벌루션 필터를 이용한 감시용 이미지 세그멘테이션 방법 및 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
CN111462193B (zh) 用于多摄像机或环绕视图监控的对象检测方法及装置
CN109163730B (zh) 一种自动驾驶用高精度地图数据网格化的管理方法及装置
KR102314524B1 (ko) 자율 주행 상황에서 장애물 검출을 위한 cnn 학습용 이미지 데이터 세트의 생성 방법 및 컴퓨팅 장치
KR20200091318A (ko) 자율주행 자동차의 레벨 4를 충족시키기 위해 요구되는 hd 맵 업데이트에 이용될 적어도 하나의 어댑티브 로스 가중치 맵을 이용한 어텐션 드리븐 이미지 세그먼테이션 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
KR20200092839A (ko) 라플라시안 피라미드 네트워크를 이용하여 자율 주행 자동차 레벨 4 및 레벨 5를 만족시키기 위해 요구되는 도로 장애물 검출에 있어서의 세그먼테이션 성능 향상을 위한 학습 방법 및 학습 장치 및 이를 이용한 테스팅 방법 및 테스팅 장치
KR20200027889A (ko) CNN(Convolutional Neural Network)을 사용하여 차선을 검출하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR20200092841A (ko) 위험 요소 검출에 사용될 학습용 이미지 데이터 세트 생성 방법 및 컴퓨팅 장치 그리고 이용한 학습 방법 및 학습 장치
KR20200091323A (ko) 핵심성과지표와 같은 사용자 요구 사항에 적합한 타겟 객체 예측 네트워크를 이용한, cnn 기반의 변동에 강인한 객체 검출기를 학습하는 방법 및 학습 장치, 및 이를 이용한 테스팅 방법 및 테스팅 장치
KR20200091783A (ko) 모바일 장치 또는 소형 네트워크에 적용 가능한 하드웨어를 최적화하는데 사용될 수 있는 roi를 풀링하기 위하여, 마스킹 파라미터를 이용하는 방법 및 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR20200091781A (ko) 자율주행 자동차의 레벨 4를 충족시키기 위해 필요한 hd 지도와의 콜라보레이션을 지원하는 임베딩 로스 및 소프트맥스 로스를 이용하여 적어도 하나의 차선을 가지는 이미지를 세그멘테이션하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102224778B1 (ko) 횡 필터 마스크를 이용하여 자율 주행 차량의 주행 경로를 계획하기 위해 차선 요소를 검출하는 방법 및 장치
KR102325025B1 (ko) 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치
KR102313605B1 (ko) 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치
KR102326278B1 (ko) 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치
CN117789148A (zh) 车道线检测方法、系统、设备及存储介质
Guan Terrain Classification and Navigability Analysis in Unstructured Outdoor Environments
CN115082867A (zh) 用于对象检测的方法和系统

Legal Events

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