Ⅰ. 서 론

1. 연구의 배경

최근 도로교통 분야에서 화두가 되고 있는 이슈 중 하나가 ‘도로 안전’ 분야로, 사고 발생을 사전에 예방하는 “안전사고 사전 대책 방안 수립”은 매우 중요한 사안으로 여겨진다. 이는 운전자 본인의 부 주의 및 안전 운전 의식 부족 등 개인의 역량에 기 인하는 경우도 있지만, 도로관리 주체(정부 및 공공 등)의 악천후 시 사전 도로 정보제공 미흡으로 인한 경우도 있어 이와 관련된 다양한 연구의 필요성 또 한 대두되고 있다. 예를 들어 우천 및 안개 등으로 젖은 노면이 발생할 경우 도로의 상태에 대해 사전 에 도로관리 주체의 제설작업 수행 및 VMS(도로전 광표지)를 통한 대국민 정보 제공 대응체계 등을 마 련한다면 이는 교통안전을 도모하고 국도 이용 효 율을 극대화 시킬 수 있는 방안이라 할 수 있다.

<표 1>은 2007년부터 2011년의 기상상태별 사고 건수 및 사망자 수에 대한 통계 데이터로 해가 갈 수록 사고 발생건수는 줄어들고 있지 않으며, 특히 사고 발생건수 대비 사망자 수는 비나 눈의 경우 경우가 맑은 날씨의 평균에 비해 약 2~3% 이상 많 은 것으로 집계되었다. 이는 기상 이변 시 도로의 노면상태에 대한 사전정보 입수가 가능하다면, 평 시와 비교하여 주행속도를 감소함에 따른 도로안전 사고, 특히 사망발생의 위험률을 낮추는데 많은 도 움이 될 것이라 여겨진다.

또한 젖은 노면에 때한 정보와 더불어, 도로의 결빙 및 적설 등 노면 상태에 대한 정보를 사전에 제공하여 준다면, 스노우 타이어 및 체인 장착 등 다양한 준비를 함에 따라 겨울철 사고율을 상당 수 준 감소시킬 수 있을 것이라 판단된다.

아울러 특정 지역의 노면 정보, 즉 고정식으로 설치·운영 중인 CCTV(Closed Circuit Television, 이 하 CCTV)를 통한 노면정보 수집만으로는 운전자들 의 다양한 요청 정보(Information Needs)를 충족 시 켜주기에는 상당히 미흡함에 따라 원하는 지역으로 이동 후 실시간으로 도로 표면 상태의 영상 정보를 데이터화하여 수집 및 제공, 처리하는 시스템 개발 은 도로 안전 분야에서 중요한 사안이라 여겨진다.

2. 연구의 목적 및 방법

이에 본 연구에서는 고정식이 아닌, 관심 지역 으로 이동하여 노면의 상태 정보를 영상으로 수집 및 분석하여 운전자가 필요로 하는 정보를 충족시 킬 수 있는 알고리즘을 개발하였다. 우선, 영상수 집부(카메라)를 통해 영상데이터를 수집 및 가공하 는 과정에서 수집된 영상데이터의 처리는 빛의 편 광특성(수평/수직 편광 계수 도출) 및 웨이블릿 영 상 처리 알고리즘에 의해 노면의 특성별 분류로 분석하였다. 이 때 수집된 영상 데이터의 처리를 기존의 단일 차원(Dimension) 데이터 분류알고리즘 과 달리, 다차원 분류가 가능한 SVM(Support Vector Machine) 기법으로 분류하여 편광계수 및 웨이블릿계수 등 다차원의 팩터(Factor)를 충분히 분류·분석할 수 있도록 하였다.

현장에서 자료 수집 및 실험을 통해 정확도에 대한 평가를 하여 향후 실제 도로상에서 활용 가 능여부를 검토하였다. 도로의 노면상태는 마른노 면(Dry), 젖은노면(Wet), 적설노면(Snow), 결빙노면 (Ice) 등 4가지 상태의 조건별로 분류, 이에 대한 노면상태를 판별 후 현장테스트 및 검증하였다.

Ⅱ. 선행연구 검토

기존의 영상수집 카메라 기반 노면 상태 판별 알고리즘은 빛의 편광특성을 활용하여 영상자료 수집 및 분석·판별하는 방법에 대해 많은 연구가 이루어지고 있다.

1. 국내 선행연구 고찰

임성한 외(2007)의 연구에서는 일반 디지털 카 메라를 이용하여 낮 시간대에 아스팔트 도로 표면 에 대한 화상을 확보하고 편광계수 및 웨이블릿 변환, k-means clustering 기법으로 도로 표면을 분 류하는 알고리즘을 제안하였다. 영상 취득장치를 통해 얻은 영상으로부터 각 픽셀에 대해 수직 편 광 성분에 대한 수평 편광 성분의 비율을 계산하 여 편광 계수를 얻어 편광계수가 1.3 이상인 부분 은 젖은 땅으로 분류하였고 젖은 땅을 제외한 나 머지 부분에 대해서는 3차 웨이블릿 패킷 변환을 통해 시간 주파수 분석을 수행하였다. 대부분의 성 분이 DC(Direct Current)에 집중되어 있다는 성질을 이용하여 쌓인 눈 영역을 분류하였고 추출된 영상 템플릿을 이용하여 마른땅과 빙판의 표준적인 주 파수 특성을 구하여 최종적으로 마른땅과 빙판을 구분해 보았다. 그러나 차로의 경우 상황에 따라 쌓인 눈, 젖은 땅, 마른 땅과 거의 유사한 편광 및 주파수 특성을 지녀 오인식하는 연구의 한계점을 도출하며 편광계수 및 주파수 분석을 동시에 이용 하는 방안을 제시하였다.

김두규 외(2010)는 로봇의 이동성 향상을 위한 지면 마찰계수의 사전 추정 방법론을 개발하였다. 이동로봇 전면부(로봇의 눈)으로부터 취득되는 영 상 정보에서 물질 조성비로 표현되는 정보를 추출, 마찰계수를 추정하는 방법론을 제안하였다. Textron을 활용하여 질감을 판단한 후 질감의 유사 도 판별을 통해 지형 영상을 부분적으로 병합하여 Segment를 생성한다. 총 6가지 물질(하늘, 흙, 작은 자갈, 자갈, 나무, 아스팔트)를 활용하여 영상을 학 습하고, 영상을 통해 물질 조성비를 계산한 후 베 이지안 분류기를 활용하여 새로운 영상정보의 물 질 조성비를 생성, 마찰계수를 추정하였다. 추정된 마찰계수에 대한 평가는 로드셀(Load cell)을 활용 하여 직접 측정한 마찰계수와 비교하였고 테스트 결과 마찰계수 추정 오차율이 4.1%로 기존 사전 추정방법(지형정보를 활용한 미끄럼 추정방법)의 20% 대비 개선효과가 나타남을 확인하였다.

또한 SVM 분류기법과 관련한 연구들도 다양하 게 수행되고 있다. 강신문 외(2009)는 SVM 모델링 에서 특성 선택과 매개변수 최적화를 동시에 하는 방안을 제안하였다. 이 방안에는 유전자 알고리즘 이 특성 선택에 사용되었고, GS 방법이 매개 변수 최적화 하는 방법으로 선정 하였다. 그러나, 매개변 수가 고정된 SVM방법에 비해 속도가 느려 이 단점 을 극복하기 위해 향후 특성선택 뿐만 아니라 매개 변수 최적화 방법에도 GA를 적용하도록 하였다.

최영진(2004)은 단일 SVM으로 다중 클래스의 패턴인식을 한계를 극복하는 연구로, 새로운 클래 사 추가 시 재학습 과정을 거쳐야 하는 다중 클래 스의 한계점을 극복하기 위해 다중 클래스를 이진 클래스로 변형 후, 기존의 SVM 기법에 적용하였 다. 따라서 여러개의 SVM을 생성할 필요가 없고 추가적인 확장이 필요치 않다고 제안하였다. 즉, 고정된 수의 가지는 환경 뿐 아니라 클래스의 추 가 및 삭제가 많을 경우도 활용 가능하다라고 정 의하였고 단일 SVM으로도 분류의 한계점 극복을 주장하였다.

2. 국외 선행연구 고찰

스웨덴의 Pär Ekström 외(2008)는 스웨덴 도로관 리청(Swedish Road Administration)과 VTI가 주도하 여 IVSS(Intelligent Vehicle Safety Systems)라는 연 구 프로젝트를 진행하였다. IVSS 프로젝트에서, 차 량의 거동을 활용한 노면 상태 판정방법론을 개발 하였다. SRIS(Slippery Road Information System)으로 명명된 해당 시스템은 차량의 거동과 관련된 시스 템(ESP, ABS) 및 외부 환경과 관련된 시스템(외기 온도 측정시스템, 와이퍼 가동 시스템)에서 생성된 정보를 인근 기상정보 관측지점의 기상관측데이터 와 결합, 도로의 상태를 총 5단계(미끄럼 없음, 강 우, 차가운 노면 상 강우, 결빙, 서리에 의한 결빙) 로 분리하는 기술을 개발하였다. 2007년과 2008년 사이 총 100대의 프로브 카를 활용하여 예테보리 (Gothenburg) 및 스톡홀롬(Stockholm) 주변 도로에 서 테스트를 진행하였으며, 테스트 결과 시스템의 상용화 가능성이 높은 것으로 나타났다. 핀란드의 Maria Jokela 외(2009)는 스테레오카메라(Stereo Camera)를 활용하여 달리는 차량에서 노면 상태를 실시간으로 판별하는 시스템에 대한 연구를 진행 하였다. 고가의 레이저 기반 이동식 노면정보 검지 센서를 대체하기 위하여, 빛의 편광 특성 및 조도 (Graininess) 분석을 활용한 스테레오영상 기반 차 량 탑재형 시스템을 개발, 노면감시 목적으로서의 활용 가능성을 확인하였다. IcOR 스테레오카메라 (640*480)에 노면 상태 판별 알고리즘을 적용, 레 이저 기반의 고가 기존 장비(Vaisala DSC111)와 비 교 평가를 진행하였으며 그 결과 결빙 영역감지에 서 90% 이상의 정확도가 확인되었다.

Ⅲ. SVM(Support Vector Machine) 기법 선정

신경망을 포함한 기존의 분류 알고리즘들은 “오 류율”을 최소화 하려는 목적으로 대부분 설계 되 어 활용되었다. SVM(Support Vector Machine, 이하 SVM)은 더 나아가 두 분류 사이에 존재하는 여백 (margin)을 최대화하여 일반화 하는 능력을 극대화 함으로 최근 다양한 분야에서 활용되고 있는 분류 알고리즘으로 선형, 비선형으로 구분되어지며 본 연구에서는 각 노면상태 영상을 SVM을 통해 Training 후, 분류할 노면의 상태를 SVM으로 분류, 비선형 SVM(RBF커널) 사용하여 판별한다.

1. 선형 SVM

선형 SVM은 이진 분류를 위한 결정 초평면을 식 (1)과 같이 표현할 수 있다. 이 때, x는 샘플을 나타내는 특징 벡터로서x = (x₁, ⋯, x_d)^T로 나타 낼 수 있다. w 와 b 는 결정 초평면을 정의하는 매 개 변수이다.

d(x)는 전체 특징 공간을 두 영역으로 분할하며 한 쪽 영역에 속하는 점 x는 d(x) > 0이고, 다른 쪽에 있는 점은 d(x) < 0 이다. 하나의 초평면을 표 현하는 식은 여러 개가 있는데 식 (1)에 0이 아닌 임의의 상수 c를 곱하여도 같은 초평면을 나타낸다. w는 초평면의 법선 벡터로서 초평면의 방향을 나 타내고 b는 위치를 나타낸다. 그림 1에서 임의의 점 x와 초평면까지의 거리는 식 (2)와 같다.

직선으로부터 가장 가까운 샘플들을 서포트 벡 터라고 부른다. 이는 여백의 크기를 좌우하는 중요 한 역할을 한다. 앞에서 초평면의 특성에 따르면 w 와 b에 적절한 상수 c를 곱해도 같은 초평면을 나 타낸다. 이 특성에 따라 서포트 벡터 x에 대하여 | d ( x ) | = 1 이 되도록 적당한 c를 곱한다면 여백은 식 (3)와 같이 쓸 수 있다.

훈련집합을 ,

X = { ( x 1 , t 1 ) , ( x 2 , t 2 ) , ⋯ ( x N ,t N ) } 라고 표시 할 때, N은 훈련 집합에 있는 샘플의 개수이다. t_i 는 부류를 표시하는데 x_i가 ω₁ 에 속하면 t_i = 1이 고 ω₂ 에 속하면 t₂ = -1이다. 모든 샘플을 옳게 분류한다는 조건 하에 최대 여백을 갖는 결정 초평 면을 찾으면 되는데 이를 조건부 최적화 문제로 쓸 수 있다. 조건부 최적화 문제는 식 (4) 조건하에 2 ‖ w ‖ 를 최대화 하는 것과 같이 나타낼 수 있으 며 등호가 성립하는 샘플이 서포트 벡터이다.

식 (4)를 수학적으로 해결하기 위해 라그랑제 승수를 도입한다. 라그랑제 함수로 표현한 조건부 최적화 문제는 KKT 조건을 이용하여 풀 수 있다.

2. 비선형 SVM

실제 알고리즘을 적용할 때, 선형 분류기만으로 는 높은 성능을 얻기 매우 힘들다. 그래서 비선형 SVM을 사용하게 되는데 원래 특징 공간에서는 선 형 분리가 가능하지 않아 이 공간을 더 높은 차원 의 새로운 공간으로 매핑하여 선형 분리 가능하게 만들 수 있다.

비선형 SVM의 분류과정은 다음과 같다. 상기 그 림 3에서 2차원의 원공간을 3차원으로 매핑하여 특 징을 분류하였으며 이때 매핑을 위하여 커널 함수 를 사용한다. 커널 함수는 두 개의 벡터를 매개 변 수로 취하며K(x,y)형태를 갖는다. SVM 커널 함 수의 성질은 L 공간 상의 두 벡터 x와 y를 매개 변 수로 갖는 커널 함수 K(x,y)가 있을 때, K(x,y) = Φ(x) ⋅ Φ(y)를 만족하는 매핑 함수 Φ(⋅) 가 존재해야 한다. 즉 커널 함수의 값과 H 공 간 상으로 매핑된 두 점Φ (x)와 Φ (y)의 내적이 같 아야 한다. 비선형 SVM의 대표적인 커널 함수는 다음의 식 (5) ~ (7)이며, 본 연구에서는 노면정보 특징벡터가 비선형분포이고 gamma(γ) 조절을 통해 최적의 커널 함수를 찾기가 용이하기 때문에 “(5) RBF(Radial Basis Function) 커널”을 적용하였다.

참고로 gamma ( γ ) = − 1 2 a 2 로, 특징간 거리에 얼 마만큼의 가중치를 주는 커널을 적용할지 결정하 며, 파라미터 C는 슬랙변수, 소프트마진에 관련되 어 오분류 허용 범위 한계치 설정에 관련되어 있다.

Ⅳ. 알고리즘 개발 방법론

영상처리 방법론 중 ‘편광영상을 응용한 질감분 석’방법론을 적용하였다. 빛은 전기장 및 자기장이 수직을 유지하며 진행 방향의 횡으로 진동을 하면 서 전파 된다. 어느 한 쪽의 방향으로 진행하는 빛 이 있으면, 전기장이 진동하는 방향(편광 방향)은 진행 방향에 대해 수직인 평면 위에 특정 방향과 관계 없이 아무 방향으로 진행할 수 있어 수직 및 수평 두가지 성분으로 분리 할 수 있다. 따라서 단 일 영상수집부(카메라) 기반 장비와는 달리, 모바일 센싱의 특성 상 수직편광/수평편광영상 취득에 있 어 시차(Delay) 발생의 최소화를 위해 동시에 2개의 동기화된 편광영상을 수집할 수 있는‘스테레오카메 라’ 기반 영상취득 모듈을 활용하였다. 또한 웨이블 릿 변환은 다양한 데이터 함수나 연산자를 다른 주 파수 요소들로 분할하는 기술 및 과정으로, 본 연구 에서는 편광 특성 및 웨이블릿 패킷변환을 활용한 질감분석을 적용하였으며, 알고리즘 개발 과정은 그림 4와 같다.

1. 노면의 상태 분류 기준 설정

우선 입력 영상에 대해, 편광 계수를 추출하도 록 한다. 수직 편광 영상 및 수평 편광의 편광계수 는 다음과 같이 산정한다.

편광계수 F는 1에서 무한대 값을 가지며, 편광 특성이 나타나지 않는 마른 노면이나 적설 노면의 경우 1에 근접한 값이 나타나고, 젖은 노면의 경우 1.5 이상의 값이 표출된다.

또한 반사 영역 분류를 위하여 특정한 문턱치 (Threshold) γ를 정하여 γ보다 편광 계수가 작은 영역은 반사가 없는 영역, γ보다 편광 계수가 큰 영역은 상당한 반사가 있는 영역으로 분류할 수 있 다. 수집된 영상의 분석 결과 1.2~1.5 사이의 값이 가장 적정한 값으로 분석되었고, 이에 1.3을 선정하 여 적용 하였다. 이러한 편광계수를 비교하여 젖은 상태를 구분해 낸 후, 웨이블릿 특성으로 분류하여 마른 노면, 젖은 노면, 적설 노면, 결빙 노면 등 상 태를 구분한다.

그 후, 화상의 주파수 분해만을 수행하는 ‘2차원 푸리에 변환’보다는 데이터가 이산화 되었을 때, 공 간-주파수 국소를 유지할 수 있는 웨이블릿 질감분 석법(Wavelet Texture Analysis, WTA)을 활용하여 분 류하였다. (편광 특성 및 웨이블릿 변환의 자세한 설명은 참고문헌 3 참고)

이 과정을 통해 전환된 데이터들을 SVM 기법을 이용하여 4개의 분류기준(마른노면, 젖은노면, 적설 노면, 결빙노면)에 맞춰 분류하였다. SVM 기법의 파라미터인 gamma(γ) 와 C를 각 0.1, 0.5, 1.0, 5.0, 10.0으로 변경하여 실험하는 Grid Search를 사용하였 는데, 이는 2개의 hyper parameter 일 때 성능 향상을 위해 2개의 변수집합의 Cross-product를 구해 최적 파라미터를 찾는 방안이며, 부족한 DB를 보완하기 위해 교차 검증(Cross Validation)을 사용하였다.

영상수집부는 스테레오 카메라에서 수직편광필터 통과영상과 수평편광필터 통과영상을 일정 간격마 다 획득 저장한다. [그림 6]은 각 편광 필터를 통과 한 영상과 사용자가 설정한 관심영역을 보여준다.

2. 영상수집부 구성 방법

스테레오카메라는 본래 거리측정 목적으로 영상 처리분야에 널리 활용되는 장비이나, 본 연구에서 는 2개의 동기화된 영상을 동시에 취득할 수 있다’ 라는 장비의 특성을 활용하고자 그림 7과 같이 스 테레오카메라를 채택/장착 하였다.

다음 [그림 8]은 영상수집부 모듈의 설치 조건을 나타낸 그림으로, 가장 정확한 감시가 이루어지는 부분은 시공 위치 전방 약 5.5m이며 렌즈의 화각을 고려하였을 때 차량 전방 약 10m 지점까지 감시가 가능함을 확인할 수 있다.

스테레오카메라의 사양은 다음과 같다.

영상을 획득할 때, 카메라의 설치 각도가 중요한 데, 이는 편광필터를 통과할 때 브루스터 각 (Brewster’s Angle)에 최대한 근접한 상태로 영상 을 획득해야 하기 때문이다. 즉, 빛이 굴절률이 다른 두 매질 사이를 지날 때, 보통 그 경계면에 서 반사가 일어난다. 하지만, 어떤 편광상태의 빛 이 특정한 입사각으로 입사되면 경계면에서 반사 되지 않는데, 이 특정한 입사각이 브루스터 각 이 다. 이 각도에서는 편광된 빛의 전기장이 입사되 는 평면과 나란하기 때문에 반사되지 않는다. 이 편광상태의 빛은 p-편광(p-polarized) 상태라고 하 는데, 입사되는 평면과 평행(parallel)하기 때문에 붙여진 이름이다. 빛이 입사된 평면과 수직한 상 태로 편광되어 있다면 s-편광(s-polarized) 상태라고 한다. 따라서 무편광 상태의 빛이 브루스터각으로 입사되면, 반사된 빛은 항상 s-편광 상태가 된다.

이러한 설치각도를 고려, 설치한 후 검지하고자 하는 노면의 관심영역(Region of Interest)에 해당하 는 부분에 대하여 스테레오 영상의 대응점을 구한 다.

3. 영상 정합

영상 정합은 같은 장면이나 물체에 대한 두 개 이상의 영상들의 위치 관계를 대응 시켜주는 과정 으로, 다중영상을 이용한 융합 시스템에서 핵심적 인 부분을 차지한다. 영상 정합의 대상이 되는 영상 들은 단일 영상 수집부를 이용하여 시차를 두고 획 득한 영상들, 서로 다른 시점에서 획득한 영상들, 그리고 서로 다른 여러 개의 영상수집부로부터 획 득한 영상들에 이르기 까지 매우 다양하다.

본 연구의 영상은 매우 섬세한 픽셀들의 정합이 아니므로 영상처리 방법론에서 일반적으로 활용되 는 ‘해리스코너 검출기(Harris corner detector)’를 선 택, 적용하였다. 해리스코너 컴출기(Harris corner detector)는 기본적으로 영상 내 객체에 작은 윈도우 (창틀)를 씌우고 상하좌우로 움직이며 윈도우 내의 화소(픽셀)값의 변화를 분석하여 코너점을 찾는 방 식으로 구현된다. 코너 포인트에 윈도우가 위치할 경우 윈도우가 상하좌우로 어느 방향으로 움직여도 그 안에 있는 값의 변화가 크게 나타날 것이라고 예상할 수 있어, 이런 측면을 활용하여 영상 정합을 수행하도록 하였다. 행렬 H의 고유값을 직접 구하 는 방법 대신 코너 응답 함수(Corner response function)을 새롭게 정의하여 이 값을 코너 포인트를 찾는 척도로 사용한다. 코너 응답 함수는 다음의 그 림 및 식과 같다.

Ⅴ. 현장 실험 및 평가

1. 1차 현장 테스트

프로브 카에 설치 후 1차 현장테스트를 수행하였 다. 1차 테스트에서는 차량이 달리는 환경에서 마 른 노면과 젖은 노면이 명확히 구분되는가에 대한 테스트를 수행하였고, 프로브카의 속도를 최대 50km/h까지 높여가며 테스트를 수행하였다.

테스트 결과, 주행 환경에서도 편광의 차이에 의한 젖은 노면 검지 알고리즘은 원활히 수행됨을 확인하였다. 다만 주행속도가 빨라짐에 따라 영상 의 번짐(Blur)현상이 커지고, 수집 주기(1초)의 한계 로 젖은 노면 재현구간에서 영상을 수집하지 못하 여 노면상태를 검지하지 못하는 사례가 발생하였다 ([그림 12] 참조). 주행속도에 따른 관심영역 상 편 광계수의 변화는 미미한 것으로 나타나, 장비의 검 지 성능은 카메라의 셔터스피드 성능에 좌우됨을 확인할 수 있었다.

테스트 여건 상, 정지 상태에 대해서만 테스트를 진행하였다. 테스트의 목적은 영상처리 알고리즘 중 웨이블릿 변환을 활용한 마른/적설/결빙 노면 판 별 알고리즘의 판별력을 확인하기 위함이며 육안으 로 적설 및 결빙이 확인된 노면에 대하여 시스템을 활용한 영상처리를 수행하여 결과를 비교하였다. [그림 13]의 상단사진은 육안으로 적설 노면임을 확 인할 수 있는 노면에 대하여 영상처리를 수행한 결 과이다. 일부 픽셀 단위로 젖은 영역이 검지됨을 확 인할 수 있었는데, 이는 부분적인 융설 또는 스테레 오 영상의 정합 과정에서 발생한 오류로 판단된다.

[그림 13]의 하단 사진은 육안으로 결빙 노면임 을 확인할 수 있는 노면에 대하여 영상처리를 수행 한 결과이다. 결빙의 흔적이 뚜렷한 ROI 좌측 하단 부의 상당부분이 결빙 영역으로 판별되었으며, 햇 빛에 의하여 융해된 부분은 젖은 영역으로 판별됨 을 확인할 수 있었다. 테스트 결과 시스템의 활용도 가 높은 것으로 판단, 다양한 노면 조건이 존재하는 동절기 도로 상 주행 환경에 대해 시스템 검증 수 행 계획을 수립하였다.

2.. 2차 현장 테스트(실 도로) 및 검토

적설 및 결빙 노면이 존재하는 동절기 조건의 실 도로에 대한 2차 현장 테스트는 이면 도로에서 수 행하였으며, 도로 환경 및 차량의 안전을 고려하여 최고 운행속도는 30km/h로 제한하였다. 약 200여개 의 영상 샘플 중 양호한 영상으로 해당 조건별 25 개씩, 총 100개의 샘플로 분석 및 검토하였으며, 테 스트 결과 결빙 96%, 마른 88%, 젖음 84%로 매우 양호하였으며, 적설 72% 등의 검지율을 나타냈다. 결과는 다음의 표 5와 같다.

상기 결과를 확인하였을 때, 적설(Snow)의 경우 백색으로 인식하여 반사광에 의해 오분류 한 것으 로 판단된다.

Ⅵ. 결론 및 향후 연구 방향

본 연구에서는 카메라(Stereo camera)의 영상 정 보를 수집하여, 편광계수 및 웨이블릿 변환(Wavelet transform) 등을 통해 기존의 단일 차원 분류알고리 즘과 달리 다차원 분석이 가능한 SVM 분류기법을 활용하여 노면상태 판별 알고리즘을 개발 및 평가 하였으며, 결과를 요약하면 다음과 같다.

첫째, 스테레오카메라 기반 영상수집부에서 취득 한 영상정보를 1)편광계수, 2)밝기성분, 3)주파수성 분 등에 대하여 SVM 기법을 이용, 4가지 노면 상 태(마른, 젖은, 적설, 결빙)의 패턴

을 매칭하여 분류하였으며, 이를 실 도로 환경에 서 다양한 조건으로 테스트 한 결과 수직 수평 편 광에 따른 편광계수를 통해 4가지 조건에 대한 노 면상태를 구별할 수 있었으나 샘플(Sample) 수가 총 100개로 한계가 있다. 이는 본 연구의 특성 상, 결 빙 및 적설 등 겨울철 기상 상황에 따라 영상자료 수집이 가능한 바,

실험의 제약조건에 의함으로 향후 11월~차기년 도 2월 동절기 영상자료 취득 후 보다 세분화 및 다양한 조건으로 자료 수집 및 분류 할 예정이다.

둘째, 이처럼 인식 성공률이 적설 노면의 검지율 향상을 위한 방안으로 편광계수 문턱치(Threshold) 를 1에서 1.2~1.5가 적합함을 알 수 있었고, 또한 영 상처리 과정에서의 보다 정확한 Phase분석이 필요 할 것으로 보인다. 영상 획득 시 날씨나 주위 밝기 에 따른 카메라 Gain을 자동 설정으로 주기적으로 동기화 시키지 않으면 편광계수 값의 변화가 크게 나타나며, 햇빛을 등지고 촬영했을 경우와 마주보 고 촬영했을 경우 45도 각도의 경우 각각 편광계수 의 값이 변동이 생긴다. 적설 노면의 경우 마른 노 면 및 젖은 노면의 반사율과 유사함에 따라 오분류 로 판단되어 향후 이에 대한 추가 분석 및 개선이 필요하다 여겨진다. 또한, 향후 편광계수 분석 및 웨이블릿 분석 외 RGB 분석 등도 추가하여 보다 다각적인 방면의 영상처리 분석 알고리즘 개발이 필요하다 여겨진다.

셋째, SVM 기법의 비선형기법을 적용, 분류하였 으나 특징벡터가 선형인지 비선형인지 여부가 불분 명하여 본 연구에서는 최적화된 대안을 찾는 중이 므로, 향후 선형기법과 비교 후 최적의 기법 도입이 필요할 것으로 여겨진다.아울러, 기존의 단일 차원 의 분류 알고리즘이 아닌 다차원 분류기인 SVM을 적용해 한 차원 더 진보된 본 연구를 통해, 분류차 원만이 아닌 향후 대국민 정보제공 서비스에도 기 여 할 수 있도록 통신 프로토콜 및 시스템 개발도 연구되어 원활한 도로관리 및 운영을 할 수 있는 토대 마련이 되어야한다 여겨진다.