Ⅰ.서 론

1.개 요

자동차 기술의 발전으로 첨단 운전자 보조 시스템(ADAS: Advanced Driver Assistance System)에 대한 연구 가 활발히 진행되고 있다. 대표적인 응용으로 차선 이탈 경보, 전방 추돌 경보, 사용자의 운전 패턴 분석을 통한 졸음운전 감지 등이 있으며, 이를 위한 주요 기술로 차선 검출 방법에 대한 연구가 활발하게 이뤄지고 있다.

차선 검출하기 위한 다양한 알고리즘이 연구 중에 있으며, 그 중 차선의 특징을 이용하는 방법이 있다. 특 징 기반 방법은 차선에 대한 정의를 통해 차선을 검출 할 수 있으며, 정의는 흰색 및 노란색의 차선의 색상 (Cheng et al., 2008), 고속도로, 국도와 같이 도로 형태에 대한 규격 정보가 있으며, 이를 통해 차선 검출이 가 능하다(Jungwoo et al., 2012).

일반적인 차선 검출 방법은 획득한 컬러 영상을 흑백 영상으로 변환하여 경계선을 추출 후에 차선 검출을 수행한다. 그러나 간단한 알고리즘 이용한 검출은 도로 노면 페인트 노후화, 날씨, 그리고 밤에 조명에 따른 조도 변화와 같이 환경적인 요인으로 검출에 대한 낮은 신뢰성을 가지는 문제가 있다(Cheng, 2010). 이는 컬러 영상에서 적용되는 경계선 검출 방법들은 알고리즘의 복잡도 증가에 비해 성능 향상 효과가 적기 때문이다.

이러한 문제를 기존 연구에서는 모델링 기반 방법들이 제안되어 왔다. 제안 방법들은 차선의 직선 혹은 곡선 형태를 가지는 특징을 이용한 허프 변화(Kang et al., 1996), 차선 피팅(Wang et al., 2004) 방법, 등이 있 다. 그러나 모델링 기반의 방법은 차선 검출 시간이 오래 걸리는 단점이 있다.

본 논문에서는 환경적인 요인에 대응하며, 모델링 기반의 검출 시간의 효율을 위한 차선 검출 방법을 제 안한다. 환경적인 요인에 대응하는 차선 검출을 위해 전처리 과정에서 Gray-Scale Slicing(Lee and Lin, 2017) 방법을 이용하여, 차선을 강조한다. 그리고 모델링 기반 방법 중 허프 변환을 이용한 직선 검출 데이터 좌표 를 기반으로 ROI(Region Of Interest) 적용한 후 ROI 이미지에 이중 큐를 이용한 객체 분할을 적용하여 환경 적인 요인에 대응하는 차선 검출의 정확성을 높인다.

Ⅱ.차선 후보 검출

1.그레이 레벨 분할(Gray Scale Slicing)을 이용한 차선 강조

차선을 강조하는 방법은 영상을 gray-scale 영상으로 변환 후 그레이 레벨을 분할하여 강조한다. 그레이 레 벨 분할 정의 <Fig. 1>과 같이 그레이 레벨 분할은 특정 그레이 레벨 범위만을 하이라이트(Highlight)하는 것 이다.

그레이 레벨 분할 정의 <Fig. 1>에서 ①은 원하는 영역을 높은 값으로 줘서 밝게 만들어주고, 나머지 영역 은 어둡게 처리하는 방법이다. ②는 원하는 영역을 높은 값으로 줘서 밝게 만들고, 나머지 영역을 원래 그대 로 보존하는 방법이다. 본 논문은 ①의 그레이 레벨 분할 방법을 이용한다. 제안하는 그레이 레벨 분할을 이 용한 차선 강조는 변환된 gray-scale 영상에서 식 (1)과 같이 구한다.

그레이 레벨 분할 방법을 이용한 식 (1)은 그레이 레벨 값 g(x, y)에서 차선의 너비를 정의하는 x_q 만큼 이 전 그레이 레벨 값 g(x-x_q, y)과 다음 그레이 레벨 값 g(x+x_q, y)를 이용하여 너비 x_q에 해당하는 픽셀의 그레이 레벨 값을 구한다. 그리고 G 값이 0 이하는 0 값으로 255 이상은 255 값으로 정의한다. gray-scale 영상에 식 (1)을 적용하여 구하면 <Fig. 2>와 같이 변환된다.

<Fig. 2(a)>는 원본 영상이며, <Fig. 2(b)>는 gray-scale 변환 영상이다. <Fig. 2(b)>는 threshold 특정 값을 통 해 이진화 영상으로 변환할 때 threshold의 특정 값에 따라 성능이 좌우된다. 이러한 문제를 보완하기 위해 그레이 레벨 분할 방법을 적용하여 <Fig. 2(b)>와 같이 효율적으로 차선 강조할 수 있다. 또한 차선의 너비 값 x_q 이상의 근접 픽셀의 그레이 레벨 값이 비슷할 경우 식 (1)을 적용하면 0 값이 구해지기에 배경뿐만 아 니라 차선을 제외한 도로 노면과 같은 객체를 제거하는 장점이 있다.

2.허프 변환 알고리즘을 이용한 차선 검출.

허프 변환은 동일 직선상의 점들을 한 점으로 모은다. x, y 평면에서 a, b 평면(기울기-절편)으로 변환할 때 x, y 평면의 같은 직선상의 점들은 a, b 평면상의 한 점으로 모이는 것을 이용한다. 그러나 기울기-절편의 매 개 변수 표현 방법으로는 직선이 수직일 경우 기울기와 절편이 모두 무한대가 되어 구현상에 문제점이 있다. 이런 문제점 해결하기 위해 직선을 식 (2)과 같은 ρ,θ의 매개변수로 표현할 수 있다.

이 식은 한 직선을 원점으로부터의 거리와 각도로 나타낸 것이다. x, y 평면에서 동일 직선상의 점들은 식 (2) 를 이용하여 Hough 변환하면 ρ,θ 평면에서 한 점으로 모인다. ρ,θ 평면에서 많은 화소가 집중된 누적 셀 의 값을 조사한다. 누적 셀의 값을 이용하여 역변환하면 원하는 직선을 검출할 수 있다(Chen et al., 1996). 그 러나 단순히 직선으로만 특징 점들을 생성하는 영상에서 이상적 방법이지만 실세계 영상처럼 복잡한 배경이 나 환경적인 요인으로 인한 잡음에 의해 특징 점들이 왜곡되거나 많은 특징 점들을 생성하는 영상에서는 문 제를 갖고 있어 적당한 전처리를 거친다.

이러한 문제점은 <Fig. 3>과 같이 이진화 영상 변환 후 캐니 에지를 사용한 영상에서 나타나며, <Fig. 3(a)> 보다 <Fig. 3(b)>의 복잡도가 낮다. 이런 에지 영상을 바탕으로 허프 변환을 적용하면 <Fig. 4>와 같은 영상을 얻는다.

Ⅲ.이중 큐 기반의 객체 분할을 이용한 차선 검출

1.허프 변환으로 추출된 직선 성분의 좌표를 이용한 ROI 생성

허프 변환을 적용하여 추출한 직선은 차선으로 볼 수 있지만, 차선 외의 부분도 허프 변환으로 직선이 검 출된다. 따라서 추출 된 직선의 양쪽 끝 점을 이용하여 ROI를 생성한다. ROI 생성을 <Fig. 5(a)>와 같이 직선 의 양쪽 끝 점을 좌우로 그레이 레벨 분할 방법의 x_q 만큼의 좌표를 바탕으로 생성한다. 각 직선마다 생성된 ROI 생성 영상을 논리연산을 통해 <Fig. 5(b)>와 같이 이미지를 통합한다.

2.이중 큐를 이용한 객체 분할

차선의 대한 정보를 환경적 요인으로 왜곡되기 때문에 차선을 정확하게 검출할 수 없다. 따라서 생성 된 ROI 이미지에 이중 큐를 이용한 객체 분할하여 차선과 차선을 제외한 객체를 분리한다. 객체 분할은 지역적으 로 최소값 픽셀들을 찾아 서로 다른 레이블에 할당한다. 최소값을 찾아 레이블에 할당하는 것은 <Fig. 6(a)>과 같이 인접한 화소에 객체 번호(Label)를 붙여서 그룹 지어지는 개수와 시간을 단축하는 장점이 있다. 그리고 그 최소값을 객체 번호로 <Fig. 6(b)>와 같이 큐Ⅰ할당하여 저장한다. 레이블된 픽셀에 인접하면서 레이블 되지 않은 픽셀들을 찾아 그 좌표를 <Fig. 6(b)>의 큐Ⅱ에 추가한다. 즉. <Fig. 6(a)>와 같이 큐Ⅰ의 1번 레이블에는 3과 5가 인접하고, 이 두 값은 레이블 되지 않은 값으로 큐Ⅰ의 1번 레이블에 3과 5의 좌표를 큐Ⅱ에 저장한다. 그리고 큐Ⅱ에서 꺼낸 픽셀이 하나의 레이블에 인접하면 그 레이블을 할당하고, 아니면 할당하지 않는다. 그리 고 이 과정을 큐Ⅱ에 남은 픽셀이 존재하지 않을 때까지 반복한다.

<Fig. 6>은 이중 큐를 이용한 객체 분할 과정을 보여준다. 각 ROI 영역에 객체 분할 과정을 통해 차선 검 출의 신뢰성을 높일 수 있다. 이중 큐를 이용한 객체 분할은 <Fig. 7>과 같다.

Ⅳ.실 험

제안하는 도로 환경에 효율적인 새로운 차선 검출 방법은 C++ 언어로 구현하였으며, 인텔 I5-6500 CPU 3.20GHz과 4GB 메모리의 컴퓨터 환경에 실험하였습니다. 실험 영상은 전방 카메라의 고속도로 주행 영상이 며, 영상 사이즈는 640 X 480이다. 제안하는 방법의 성능을 평가하기 위해 전처리 과정에서 동일한 파라미터 값과 Yoo et al.(2015)의 차선 검출 방법을 비교한다. 기존 차선 검출 방법은 획득한 컬러 영상을 흑백 영상으 로 변환하여 경계선을 추출 후에 허프 변환을 사용하여 차선을 검출을 수행한다.

<Table 1>은 이진화 임계값(125)과 허프 변환에서 빈도수(Voting)는 80 설정값의 동일한 기준으로 실험한 다. 실험 영상 Case 1은 낮 시간 때의 도로를 통해 실험하였으며, Case 2는 안개 낀 도로, Case 3은 밝기가 어 두운 도로에서 실험하였다. 허프 변환으로 추출 된 직선과 차선의 비교한 <Table 2>와 같이 Case 1은 기존 95.2 % 와 제안된 방법 97.5% 신뢰도를 볼 수 있었으며, Case 2는 82.3%와 88.2%, Case 3은 0%와 83.7% 결 과를 나타낸다. <Table 1>의 Case 2와 같이 안개 낀 도로 영상은 흰색 픽셀이 많기 때문에서 기존 방법에서 는 차선의 정확도가 낮다. 반면에 제안한 방법인 그레이 레벨 분할 방법의 과정으로 <Table 1>의 Case 2와 같이 안개 낀 영상에서 차선 너비 x_q 값 이상 또는 이하 범위 부분을 검은색으로 처리하여 기존 방법 보다는 차선이 뚜렷하게 변환할 수 있기 때문에서 차선 검출의 정확도가 기존 방법보다는 높다. 그리고 Case 3의 기 존 방법의 정확도가 0%인 이유는 이진화 영상의 고정된 임계값 통해 변환했기 때문에 허프 변환 알고리즘 으로 직선을 추출이 안 되기 때문이다.

그러나 본 연구에서 그레이 레벨 분할과 허프 변환 알고리즘을 통한 차선 검출 방법은 <Fig. 8>과 같은 영 상에서 차선 검출 신뢰성이 낮다. 노을 그리고 자동차 조명처럼 카메라 수평으로 들어오는 <Fig. 8>과 같은 영상에서 빛으로 난반사로 차선이 아닌 객체를 차선으로 인지하거나, 차선과 일치하지 않는 결과를 보였다. 노을이 지는 <Fig. 8(a)>와 같이 가드레일과 같은 차선 너비 x_q 값가 비슷한 사물에 반사 되어 그레이 레벨이 높고 반면에 차선이 어두운 경우 제안하는 방법에서는 차선 보다 가드레일의 그레이 레벨을 높게 계산하기 때문에 차선 검출 시 가드레일을 차선으로 인식한다. 또한 <Fig. 8(b)>와 같은 영상에 제안된 방법을 적용할 경우 노이즈가 발생되는 결과를 얻었다.

Ⅴ.결 론

본 논문은 도로 환경에 효율적인 새로운 차선 검출 방법을 제안한다. 제안하는 방법은 환경적인 요인에 대응하기 위해 그레이 레벨 분할 방법을 이용하여 실세계 영상의 차선 너비 정보를 바탕으로 도로 노면 페 인트 노후화, 날씨, 그리고 밤에 조명에 따른 조도 변화와 같은 환경 속에서도 차선의 강조와 하늘, 산, 도로 노면 등 차선을 제외한 배경을 제거한다. 그리고 전처리 된 영상에 허프 변환을 사용하여 직선을 추출하고, 추출 된 각 직선의 양쪽 끝 점을 이용한 ROI 생성 좌표와 크기를 설정한다. 각 직선을 이용한 ROI 이미지를 논리 연산을 이용하여 통합하여 하나의 ROI 이미지를 생성한다. 생성 된 ROI 이미지는 이중 큐를 이용하여 근접 차선 화소를 집합하여 차선을 검출한다. 실험은 동일한 파라미터 값을 주어졌으며, 실험 영상은 밝기 가 밝은 낮의 시간 때, 밝기가 어두운 저녁 시간 때 , 그리고 안개 낀 날씨의 3가지 영상으로 실험한다. 성능 을 평가하기 위해 제안하는 방법과 Yoo et al.(2015)의 차선 검출 방법을 비교하였으며, 그 결과 낮 시간 때 영상은 기존 95.2 % 와 제안된 방법 97.5% 신뢰도를 볼 수 있었으며, 밝기가 어두운 도로 영상은 0%와 83.7%, 안개 낀 영상은 82.3%와 88.2% 정확도 볼 수 있었다. 그러나 차선 검출은 임계값에 따라 성능의 차이 가 크다. 본 연구처럼 고정 임계값 속에서 차선의 검출은 카메라의 수평 방향으로 들어오는 빛 때문에 정확 한 검출에 한계가 있다. 따라서 향후 연구로 가변 임계값을 적용한 차선 검출이 필요하다.