An Effective Method of Head lamp and Tail Lamp Recognition for Night Time Vehicle Detection
World Academy of Science, Engineering and Technology 44 2010
1. Introduction
최근 차량은 다양한 조건에 따라 작동되는 램프들을 포함하고 있습니다. 헤드램프는 로우 빔과 하이 빔으로 구성되어 잇으며 로우 빔은 상대적으로 적은 빛을 가지며 다른 차량이 존재할 경우 앞을 비추는 용도로 사용합니다. 하이 빔은 좀더 밝은 빛을 낼 수 있으며 전방에 아무런 차량이 없을 때 사용합니다. 만약 전방에 다른 차량이 있을 경우 눈부심을 막기 위하여 헤드램프를 조절하는 연구들이 이루어졌습니다. 이러한 자동 헤드램프 조절(dimmer) 시스템은 다가오는 차량 뿐 아니라 따라가는 차량의 테일 램프 또한 인식할 수 있어야 합니다. 그 와중에 다른 광원이나 도로 표지판에 반사되는 빛, 길거리의 등불과 같은 것들로부터 구분할 수 있어야 합니다.
여기서는 밤에 효과적으로 차량을 구분하는 방법을 소개하고자 합니다. 이것은 다음의 단계를 거칩니다. 먼저 밝은 물체의 세그멘테이션을 하고, 그러한 밝은 물체를 그룹핑하며 다가오는 차량의 헤드라이트인지 따라가는 차량의 테일 라이트인지 구분합니다. 그리고 그룹핑된 물체가 실제로 차량인지 구분하여 출력합니다.
2. Spotlight Extraction
A. Spotlight detection
컴퓨터 비전에서 오츠(Otsu)의 방법은 히스토그램 기반의 스레스홀드를 자동적으로 찾아주는 방법입니다. 이것은 그레이 레벨에서 이루어지고 두개의 클래스로만 나누어져 있다는 가정에서 출발합니다. 그리고 이것은 여러 물체를 다룰 수 있는 멀티 오츠의 방법으로 확장됩니다. 여기서는 이를 이용하여 Near Infrared Red에서 획득한 이미지를 4 ~ 6개의 종류로 세그멘테이션 하였습니다. 다음 K-Means 방법을 사용하여 최대 종류의 수를 결정하였으며, 상위 2개의 클래스를 뺀 나머지 픽셀들은 제거하으며, 미디언 필터로 노이즈를 제거하였습니다. 다음 레이블링 알고리즘을 통하여 점 광원을 하나로 연결하였습니다.
B. Spotlight Tracking Method
먼저 연속된 여러 프레임들 중에서 시간적으로 매칭 과정을 수행합니다. 다음 점 광원의 이동 궤적을 분석합니다. 여기에 칼만 필터를 사용하였습니다.
3. Spatial Clustering Process
A. Spotlight Classifier Method
실제로 차량의 불빛인지 다른 반사된 무언가인지 구분하기 위하여 Support Vector Machine (SVM)을 사용하였습니다. 표시판의 반사는 대체로 차량보다 큰 움직임을 가지며 그 크기 또한 큽니다. 차선의 반사는 큰 각도를 가지는 특징이 있습니다. 반면 좌/우측 헤드램프, 테일램프의 각은 -5 ~ 5도 사이를 벗어나지 않습니다. 거리 또한 좌우가 0.9 ~ 1.5 m 사이에 존재합니다.
다음의 특징을 통하여 SVM을 학습시켰습니다.
- 광원의 영역
- 광원의 사각 영역
- 물체의 u, v 좌표
- 물체 중심까지의 거리
- 각 광원 중심의 거리
- 광원들의 각도
- 분류를 위한 입력 벡터
SVM을 통하여 분류도 가능하지만 멀리 있는 물체의 경우 SVM으로도 분류하기가 힘이 듭니다. 따라서 광원의 추적을 이용하여 보조하였습니다.
B. Vehicle Position Estimation
차량의 위치는 자기 차량과 헤드램프가 위치하는 세로 각도에 따라 결정됩니다. 이를 계산하기 위하여 Inverse Perspective Mapping (IPM) 변환을 사용하였습니다. 이것은 원은 효과를 제거하고, 각 픽셀을 다른 위치로 투영하여 새로운 2차원 픽셀 배열을 생성합니다.
계산이 간단하므로 수식은 생략하도록 하겠습니다.
4. Results
Da-vinci DSP 7437 보드에서 실험하였습니다. 640 * 480 해상도에 30 프레임으로 동작하는 이미지였습니다. 97%의 positive rate를 기록하였습니다.