| Popis: |
In this paper we propose a system for vehicle detection and tracking which has the ability to learn on-line appearance changes of vehicles being tracked. The proposed system uses feature-based tracking method to estimate rapidly and robustly the motion of the newly detected vehicles between consecutive frames. Simultaneously, the system trains an online vehicle detector for the tracked vehicles. If the tracker fails, it is re-initialized by the detection of the online vehicle detector. An improved vehicle appearance model update rule is presented to increase a tracking performance and a speed of the proposed system. Performance of the proposed system is evaluated on the dataset acquired on various driving environment. In particular, the experimental results proved that the performance of the vehicle tracking is significantly improved under bad conditions such as entering a tunnel and passing rain. First Author : 서강대학교 전자공학과 Man Machine Interface 연구실, guilsungho@hanmail.net, 정회원 ° Corresponding Author : 서강대학교 전자공학과, gkim@sogang.ac.kr, 정회원 논문번호:KICS2013-12-523, 접수일자:2013년 12월 3일, 심사일자 : 2013년 12월 12일, 최종논문접수일자 : 2013년 12월 16일 I. 서 론 해마다 교통사고로 인한 사망자 수는 사망 원인 통 계에서 큰 비중을 차지한다. 운전자 및 보행자의 안전 에 대한 사회적 요구가 증대됨에 따라, 자동차 안전 관련 기술도 더욱 발전되고 있다. 대표적으로 능동 안 전 시스템(active safety systems)과 첨단 운전자 보조 시스템(advanced driver assistance systems)이 있다. 이러한 시스템은 센서로부터 주변 환경에 대한 정보 를 수집하고, 이를 바탕으로 사고 방지를 위한 다양한 기능을 제공한다. 그 중 운전자 보조를 위한 비전 기 반의 차량 검출은 지난 이십년간 널리 연구되어온 주 한국통신학회논문지(J-KICS) '14-01 Vol.39A No.01 2 그림 1. 제안하는 시스템의 블록도 Fig. 1. The block diagram of the proposed system. 제이다. 초기의 접근법은 실시간 동작보다는 높은 검출 성능을 목표로 하였다. 이후 AdaBoost를 이용한 실시간 물체 검출 방법이 제안되면서, 많은 연구들 이 이를 차량 검출에 적용하였다. 최근에는 차량 검출 및 추적의 성능을 강건하게 하기위해 카메라뿐만 아 니라 레이더(radar), 라이다(lidar)와 같은 다양한 센서 를 융합해 사용하는 추세이다. 하지만 비전 기반의 차 량 검출은 여전히 많은 장점을 가지고 있다. 먼저 영 상 해석을 통한 형태 분석은 주변 환경에 대해 많은 정보를 제공한다 . 또한 비전 센서를 이용한 시스템 은 비용이 저렴하고 구축이 쉬우며, 설계 방법에 따라 시야의 방향과 각, 거리를 다양하게 선택할 수 있다. 비전 기반 시스템은 위와 같이 다양한 장점을 가진 반면, 조명과 기상 상태에 민감하며 영상 데이터는 연 산비용이 많이 드는 단점이 있다 . 비전 센서 자체의 한계 외에도 주행 중 차량 자세 변화에 따른 외형 변 화는 차량 검출 및 추적을 어렵게 만드는 요인이다. 따라서 최근의 비전 기반 연구는 다양한 주행환경에 의한 차량의 외형 변화를 온라인으로 학습하여 차량 검출 및 추적의 성능을 강건하게 만드는 방향으로 이 루어지고 있다. 이와 관련된 연구에는 분류기 온라인 훈련 , 차량의 외형 모델링 및 모델 업데이트, 둘을 모두 사용한 방법 등이 있다. Chang 등은 차량 검출에 AdaBoost 기반 온라인 부스팅(boosting) 알고리즘을 사용하였다. 이 방법은 분류기 오프라인 훈련과 마찬가지로 계산 복잡도가 높다. 또한 하나의 분류기를 훈련시키기 때문에 차량 의 수가 많고 종류가 다양한 경우에는 차량 검출 성능 이 낮다. Mei 등 은 최소화( minimization)를 통한 추적 방법을 제안하고, 이를 차량 추적 및 분류 문제에 적용하였다. 추적차량은 템플릿(target and trivial template)의 희소성 표현(sparse representation) 으로 모델링되며, 템플릿 업데이트를 통해 추적차량의 외형 변화를 학습한다. 이 방법은 기존의 다른 추적 방법에 비해 부분적인 가려짐(partial occlusions)에 강 건하지만, 연산 복잡도가 상당히 높기 때문에 실시간 시스템에 적용하기에는 제약이 따른다. Caraffi 등 은 TLD (tracking-learning-detection) 추적기와 오프라인 훈련된 차량 검출기를 결합한 차량 검출 및 추적 시스 템을 제안하였다. Kalal 등 이 제안한 TLD 추적기는 일시적으로 타겟을 놓친 경우 검출기에 의한 추적기 재초기화 메커니즘을 갖고 있다. 이를 위해 준교사 학 습(semi-supervised learning) 방법에 속하는 P-N 학 습 을 이용하여 온라인으로 검출기를 훈련시킨다. TLD 추적기는 기존의 여러 추적기와 비교하였을 때 타겟의 외형 변화가 심한 경우에도 강건한 성능을 나 타내는 것을 증명하였다. 본 논문에서는 차량의 외형 변화에 대한 온라인 학 습 능력과 실시간 동작을 고려한 차량 검출 및 추적 시스템을 제안한다. 특히 다양한 주행환경에도 차량을 강건하게 추적하기 위해 차량의 외형 모델과 온라인 차량 검출기를 도입한다. 제안하는 시스템은 TLD 알 고리즘의 학습 프레임워크 차용 관점에서 Caraffi 등 [4] 의 방법과 유사하지만, 차량의 외형 모델 업데이트 방 법을 개선하여 온라인 차량 검출기의 검출 성능을 높 이고, 처리시간을 단축시킨 점에서 차별화된다. |
