Home

차선 검출 시스템은 영상 센서부와 연산부, 제어부로 구성되며 소형화하여 그림 1과 같이 차량의 윈드실드 안쪽에 장착한다. 영상 센서의 경우 렌즈 손상을 막기 위해 차량 내부에 설치하며, 윈드실드와 렌즈 사이의 빛의 산란을 최소화할 수 있는 구조가 포함되어야 한다. 외부 광원에 의해 산란 된 빛의 형상이 영상 센서면에 맺히면서 검출을 방해 할 수 있다.

Fig. 1.  
Position of lane detector in vehicle

렌즈는 수평에서 지면 방향으로 5~10° 정도 아래로 향하게 설치하여 외부 광원으로부터 영향을 적게 받게 한다. 영상 센서의 화각을 그림 1에 도식화한다. 이때 센서로부터 취득한 이미지는 그림 2의 (b)와 같이 지평선이 영상 중앙보다 조금 위쪽에 위치하게 된다.

Fig. 2.  
Filter of previous lane detector, (a) Filter shape, (b) Input image, (c) Binarization image, (d) Tickness filtered Image[7]

그림 3은 기존의 차선 검출방법과 제안한 방법을 비교한 것이다. 그림 3(a)는 기존 차선검출기의 차선 검출과정을 설명한다[7]. 영상 센서를 통해 입력받은 영상을 가로, 세로 각각 1/2 크기로 축소하고, 차선과 관계없는 하늘 부분을 제외한 나머지 영역을 관심 영역으로 지정한다. 이후 관심영역의 영상 크기는 640×240이며, 이진화를 수행한 다음 영상 내에서 수평방향으로 그림 2(a)와 같은 패턴형태의 밝기 값을 가지는 두께필터를 이용하여 후보 차선을 찾아낸다. 찾아낸 후보 차선 정보로 허프 변환을 이용하여 직선을 검출한다[8]. 찾아낸 직선은 도로 환경에 따라 일관된 검출 성능을 보장할 수 없으므로 칼만 필터를 통해 안정화 한다[9]. 그러나 기존의 방법에서는 칼만 필터와 연산부의 CPU 부하율을 낮춰야 실시간 동작이 가능하다. 즉, 위와 같은 기존 방법의 문제점을 해결하기 위해 그림 3(b)와 같이 수정한 차선검출 방법을 제안한다.

Fig. 3.  
(a) Flowchart of 1st lane detector, (b) Flowchart of proposal lane detector

그림 3(b)에서 음영 처리된 블록은 기존의 방법대비 변경한 부분을 표시한다. 기존 검출기의 단순 필터와 이진화 기능은 블러 필터와 엣지 추출기로 대체한다. 이는 이전 연구의 전처리 필터의 형상이 차선의 두께에 민감하게 동작하므로 발생하는 노후화된 차선에 대해 검출률 감소 문제를 보완한다. 칼만필터로 구성된 차선 추적기는 영상 프레임 중 차선 정보가 갑자기 사라지지 않도록 현재 값을 유지하는 기능으로 대체하여 연산 부하를 낮추었다. 이는 실제 차량의 이동 특성에 따라 전방 카메라의 이미지에서 주행 차로가 갑자기 사라지거나 끊어지지 않기 때문이며, 3 프레임 동안 차선이 검출되지 않더라도 마지막에 검출된 차선 정보를 현재 차선정보로 대입시켜주는 기능을 한다.

그룹화 방식 차선 검출기의 작동 절차는, 입력받은 영상을 가로 세로 1/2 크기로 축소하고, 밝기 정보만 추출하여 그림 4의 데이터로 변환한다. 그리고 관심영역을 지정한 후, 관심영역을 제외한 데이터를 삭제하고 가우시안 블러필터를 적용해 노이즈를 제거한다. 이때 결과영상은 그림 5와 같다.

Fig. 4.  
Intensity of input video

Fig. 5.  
Result of Blur filter

이후 캐니 에지 검출(Canny Edge Detection)으로 그림 6의 데이터를 만들어 낸다[10]. 케니 에지 검출기는 openCV에서 제공하는 함수를 사용했고, 이중 임계값(Double Threshold)을 적용해 경계면 경사도 100이상, 200이하의 데이터에 대해서만 추출했다.

Fig. 6.  
Edge image

이후 허프 변환(Hough Transform)을 이용하여 연속된 점들을 직선으로 연결하여 그림 7의 직선들을 찾아낸다. 직선들을 위치와 각도를 유사도에 따라 그룹화하여 평균 위치를 구하면 그림 8의 굵게 표시된 선이 되며, 이들은 영상에 있는 실제 차선과 매우 근접함을 확인할 수 있다.

Fig. 7.  
Line detection result

Fig. 8.  
Grouping result

차선 검출기는 외부 환경에 민감하게 동작하므로 차량에서 녹화한 영상을 이용하여 동일한 입력으로 시험한다. 고속도로에서 취득한 2000 프레임의 영상 3종류에 대해 참 근거표(Ground-Truth Table)를 제작하고 각 검출기의 정확도와 검출 연산 시간을 측정하여 비교했다.

샘플영상은 각각 고속도로, 노후화된 고속도로, 터널 환경에서 취득했다. 그림 9의 파란선 내에 검출된 차선이 위치할 경우 검출 성공으로 분류한다. 연산 시간을 측정하기 위해 동일한 컴퓨터를 사용했고, 시험 컴퓨터의 사양은 Intel I7 7700HQ, DDR3 16Gbyte이다.

Fig. 9.  
Ground-truth region

모든 영상 샘플은 좌, 우 2개의 차선이 존재하기 때문에 2000 프레임에 대한 차선 표본의 총 개수는 4,000개이다. 각각 영상마다 1차 구현한 차선검출기와 제안한 방법에 대해 이진분류법으로 검출 상태를 구분하면 각각 표 1, 2와 같다.

검출율(Recall)과 정밀도(Precision), 정확도(Accuracy)를 계산하면 표 3과 같다. 보편적 의미의 정확도는 2.83% 향상되었음을 보인다. 시험실 환경에서 측정한 연산 시간은 표 4와 같고, 연산 속도가 3.96% 빨라짐을 보인다.