자율주행 자동차에서 객체 탐지를 위한 RGMMK 알고리즘 기반의 개선된 ACF 탐지기

Abstract

스스로 주행을 하는 자동차인 자율주행 자동차(Autonomous Vehicle)는 기존의 하드웨어 중심의 형태뿐만 아니라 고성능 컴퓨터와 인공지능이 추가된 소프트웨어 중심의 형태로 상황을 판단하고 제어하는 자동차이다. 이러한 자율주행 자동차에는 Camera, RaDAR(Radio Detection And Ranging), LiDAR(Light Detection And Ranging) 그리고 V2X(Vehicle to Everything)를 통해 자율주행을 한다. 이와 더불어 자율주행 자동차에서 RaDAR는 초음파를 이용하여 주변 객체와의 거리를 측정하는데, 거리 정확도가 높지 않으며 그리고 LiDAR는 전파를 이용하여 객체와의 거리를 측정하는데, 검은색의 객체는 전파를 반사하지 않아, 검은색의 객체로부터는 거리를 측정 할 수 없는 단점이 있다. 그래서 Camera를 통한 객체정보를 파악해야 된다. 그렇지만 Camera를 통해 객체를 정확히 인지하였으나, 객체를 판단하는 알고리즘에서 오탐지(false positive)하여, 발생하는 사고를 방지하기 위해, ACF(Aggregated Channel Features) 탐지기를 통해 객체를 정확하게 탐지(true positive)가 필요하다. 그러나 ACF 탐지기는 모든 객체들의 특징을 계산하므로, 중요하지 않은 객체까지 계산을 하여 계산 효율이 낭비된다. 본 논문에서는 객체의 특징을 계산하는 시간을 단축하며 그리고 객체 탐지의 정확도를 향상시키기 위한 RGMMK(Retinex Gaussian Mixture Model with Knn) 알고리즘과 Max Pooling이 적용된 개선된 ACF 탐지기를 제안한다. 먼저 RGMMK 알고리즘은 가우시안 혼합 모델(Gaussian Mixture Model, GMM), Retinex 알고리즘, K-NN(K-Nearest Neighbor)으로 구성되어 있다. 가우시안 혼합 모델을 통해 선택 영역만을 계산하기 위해 선택된 슬라이딩 윈도우 기법을 적용하고, Retinex 알고리즘을 통해 역광 영역과 저조도 영역의 밝기를 중간 영역의 밝기로 변환하며 그리고 K-NN을 통해 효율적인 계산을 위해 밝기를 예측하여, 역광 영역과 저조도 영역의 밝기만을 변환한다. 또한 기존의 Fast Feature Pyramid에 Max Pooling을 추가하여, 객체의 탐지 정확도를 향상시키기 위해 프레임의 사이즈를 축소하여, 추가적으로 특징을 추출한다. 개선된 ACF 탐지기의 성능을 확인하기 위해 본 논문에서는 Ubuntu 16.04의 운영 체제에서 성능 평가를 진행했다. 성능 평가를 위해 평가 방법 1은 객체 탐지 시간에 따른 성능 비교, 평가 방법 2는 객체 탐지 개수에 따른 성능 비교 그리고 평가 방법 3은 객체 탐지 정확도에 따른 성능 비교를 했다. 평가 방법 1은 ACF 탐지기가 216ms에서 359ms 그리고 개선된 ACF 탐지기가 165ms에서 302ms로 소요된다. 평가 방법 2는 ACF 탐지기가 최소 3명에서 최대 5명을 탐지 했으며 그리고 개선된 ACF 탐지기는 최소 3명에서 최대 6명을 탐지했다. 마지막으로 평가 방법 3은 ACF 탐지기가 78.57% 그리고 개선된 ACF 탐지기가 82.96%를 나타냈다. 성능 비교를 통해 개선된 ACF 탐지기의 향상된 성능을 확인할 수 있었다.; An autonomous vehicle is a vehicle that judges and controls the situation in the form of a software-oriented form with high-performance computers and artificial intelligence, as well as existing hardware-oriented forms. These autonomous vehicles run autonomously through Camera, RaDAR, LiDAR and V2X. In addition, autonomous vehicle use RaDAR to measure the distance from nearby objects using ultrasonic waves, distance accuracy of radar is not high. LiDAR measure the distance from the object using radio waves. Because black objects do not reflect radio waves and can not be measured from black objects. It is necessary to grasp the object information through the Camera. However, in order to prevent accidents caused by false positives in the algorithm that judges the object by the camera. So, an ACF(Aggregated Channel Features) detector is used to detect the object correctly(true positive). Nevertheless, since the ACF detector computes the characteristics of all the objects, the computation efficiency is wasted by computing the non-critical objects. In this paper, we propose an Advanced ACF detector with RGMMK algorithm and Max Pooling to shorten the time to calculate object features with high object detection accuracy. First, the RGMMK algorithm consists of a GMM(Gaussian Mixture Model), a Retinex algorithm, and a K-NN(K-Nearest Neighbor). We apply the selected sliding window technique to calculate only the selection area through the GMM, convert the brightness of the backlight and low-light areas to the brightness of the middle area through the Retinex algorithm, and then use the K-NN to calculate the brightness Only the brightness of the backlight region and the low-illuminance region is predicted. In addition, Max Pooling is added to the existing Fast Feature Pyramid to reduce the size of the frame and to extract additional features to improve object detection accuracy. In order to verify the performance of the Advanced ACF detector, we compared the performance on the Ubuntu 16.04 operating system. For performance evaluation, evaluation method 1 compares performance according to object detection time, evaluation method 2 compares performance according to object detection number, and evaluation method 3 compares performance according to object detection accuracy. Evaluation method 1 requires the ACF detector of 216 ms to 359 ms, and the Advanced ACF detector of 165 ms to 302 ms. Evaluation method 2 detected the ACF detector from a minimum of three to a maximum of five, and the Advanced ACF detector detected at least three to six persons. Finally, in the evaluation method 3, the ACF detector is 78.57% and the Advanced ACF detector is 82.96%. Performance comparison showed improved performance of the Advanced ACF detector.