딥 러닝과 HSV 를 활용한 신호등 검출 및 신호 분류 방법

Abstract

최근 자동차 업계에서는 자율주행자동차가 가장 큰 이슈로 자리잡고 있다. 자율주행자동차는 ADAS 시스템과 같은 센서들을 기반으로 자동차의 주변 환경에 대한 데이터를 수집하고, 수집한 데이터로 운전자가 자동차를 운행하는데 도움을 주거나 혹은 운전자 없이 스스로 목적지에 도착하는 시스템을 말한다. 본 논문은 자율주행자동차에서 사용되어지는 ADAS시스템, 즉 크루즈 컨트롤, 차선 이탈 경보, 사각지대 감지, 신호등 감지, 차량 후면 감지, 자동 정차등과 같은 시스템 중에서도 신호등 감지를 다룬다. 기존의 신호등 감지는 신호의 색상을 검출하는 기법이 주로 사용되어 졌지만 이미지 상에서 신호등의 사이즈가 작거나 햇빛의 조도에 따라 수시로 변하는 신호의 색상 범위를 검출할 수 없거나 앞에 있는 차량의 후미등을 신호등의 신호로 오인식 하는 등 여러가지 주변 환경에 따라 미인식 혹은 오인식이 발생하여 연구에 어려움을 겪고 있다.

본 논문은 상위와 같은 문제를 해결하기 위해 신호등 검출과 신호 분류 이렇게 두가지 방법론으로 나누어 접근하며 이것을 실행하는데 있어 딥 러닝의 CNN(Convolutional Neural Network)과 HSV 적용을 제안한다. 딥 러닝의 CNN을 사용하면 신호등의 위치를 정확하게 검출할 수 있어 앞에 있는 차량의 후미등이나 주변 건물의 창문, 페인팅 색상으로 인한 오인식을 줄일 수 있고 신호등의 위치를 알고 있는 상태에서 신호의 색상을 판별하기 때문에 햇빛의 조도에 따른 색상 범위를 추출하기에 좀더 유리해질 수 있다.

신호등 검출에 있어 딥 러닝의 CNN은 매우 중요한 역할을 한다. 딥 러닝의 CNN으로 신호등의 위치를 정확히 알고 있어야 HSV로 그 신호를 판단할 수 있기 때문이다. 본 논문에서는 CNN의 학습 방법에 대하여 열성 유전자를 이용한 학습 방법론을 제안하며 일반적으로 사용하는 Standard Neural Network 학습, Dropout 이론을 적용한 학습, 열성 유전자를 이용한 학습, 이렇게 3개의 학습 결과물을 산출 하여 비교 분석해 보았다.

CNN 학습 방법에 따른 오차율은 Dropout을 이용한 학습 결과의 오차율이 가장 큰 것으로 나타났으며, 열성 유전자 그 다음 일반 학습 순으로 오차율이 작아지는 것을 확인 할 수 있었다. Dropout의 오차율이 가장 큰 이유는 Dropout 이론 특성상 유닛을 제거하는 방법론을 사용하기 때문이다. 열성 유전자의 경우 유닛을 제거하는 방법이 아닌 열성 유전자를 그 자리에 삽입하는 방식 이므로 일반적인 학습 오차율과 크게 차이가 나지 않는다는 장점이 있다. CNN 학습 방법에 따른 정확도는 Dropout이 98.3%로 가장 정확하며 열성 유전자 98.04%, 일반 학습 방법이 97.68% 순으로 작아지는 것을 확인할 수 있었다. 열성 유전자의 경우 Dropout보다 평가율은 낮았지만 일반적인 학습 방법보다는 높았으며 Dropout 보다 오차율이 적다는 것을 실험을 통해 확인 하였다.