[논문 리뷰] Non-flat Road Detection Based on A Local Descriptor.

Kangru Wang, Lei Qu외 3명|arXiv (Cornell University)|2016. 09. 27.

Advanced Vision and Imaging참고 문헌 10인용 수 6

한 줄 요약

이 논문은 지면 평면 특성을 강조하는 새로운 局소 디스크립터를 사용하여 디스패리티 텍스처 이미지를 생성하는 스테레오 비전 기반 지면 평면 검출 프레임워크를 제안한다. 이는 비평탄하거나 다중 지면 평면 환경에서 지면 영역을 효과적으로 구분할 수 있도록 한다. 본 방법은 이 텍스처 이미지에 컨볼루션 신경망을 적용하여 복잡한 지형에서 강력한 검출 성능을 달성한다.

ABSTRACT

The detection of road and free space remains challenging for non-flat plane, especially with the varying latitudinal and longitudinal slope or in the case of multi-ground plane. In this paper, we propose a framework of the ground plane detection with stereo vision. The main contribution of this paper is a newly proposed descriptor which is implemented in the disparity image to obtain a disparity texture image. The ground plane regions can be distinguished from their surroundings effectively in the disparity texture image. Because the descriptor is implemented in the local area of the image, it can address well the problem of non-flat plane. And we also present a complete framework to detect the ground plane regions base on the disparity texture image with convolutional neural network architecture.

연구 동기 및 목표

• 기울기가 다양하거나 다중 지면 평면 환경에서 지면 평면 검출의 과제를 해결한다.
• 복잡한 지형 조건에서 실패하는 전통적 방법의 한계를 극복한다.
• 디스패리티 이미지의 텍스처 표현을 향상시키기 위해 국소 디스크립터를 개발한다.
• 디스패리티 텍스처 이미지에서 지면 영역을 검출하기 위해 컨볼루션 신경망을 통합한다.
• 실제 주행 환경에서 강력한 지면 평면 검출을 위한 완전한 엔드 투 엔드 프레임워크를 제공한다.

제안 방법

• 디스패리티 이미지에 적용되는 새로운 국소 디스크립터를 제안하여 지면 평면 특성을 강조하는 디스패리티 텍스처 이미지를 생성한다.
• 국소 이미지 영역에 디스크립터를 적용하여 공간적 세부 정보를 유지하고 비평탄 표면에 적응한다.
• 디스패리티 텍스처 이미지를 컨볼루션 신경망의 입력으로 사용하여 지면 평면 영역의 의미적 세그멘테이션을 수행한다.
• 디스패리티 텍스처에서 분류 가능한 특징을 학습하도록 CNN을 훈련시켜 복잡한 장면에서의 검출 정확도를 향상시킨다.
• 스테레오 디스패리티 계산, 텍스처 생성, 딥러닝 기반 세그멘테이션을 통합한 완전한 파이프라인을 설계한다.
• 전체 평면 가정이 아닌 국소 텍스처 패턴에 의존함으로써 다양한 위도 및 경도 기울기 상황에서도 방법의 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 국소 디스크립터는 비평탄하거나 다중 지면 평면 환경에서 지면 평면 검출을 어떻게 향상시킬 수 있는가?
• RQ2 새로운 국소 디스크립터로부터 생성된 디스패리티 텍스처 이미지는 지면 영역의 구분 가능성을 어떻게 향상시킬 수 있는가?
• RQ3 디스패리티 텍스처 이미지에 훈련된 CNN 기반 접근법은 지면 평면 세그멘테이션에 얼마나 기여하는가?
• RQ4 기존의 평면 피팅 기법과 비교해 복잡한 지형이나 다양한 기울기 조건에서 제안된 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 국소 디스패리티 디스크립터는 지면 평면 영역의 시각적 구분을 향상시키는 디스패리티 텍스처 이미지를 성공적으로 생성한다.
• 디스패리티 텍스처 이미지 덕분에 비평탄하거나 다중 지면 상황에서도 지면 평면의 효과적인 세그멘테이션을 가능하게 한다.
• CNN 기반 프레임워크는 디스패리티 이미지의 텍스처 패턴을 학습함으로써 강력한 검출 성능을 달성한다.
• 지역적 텍스처 기반 분석에 기반함으로써 기울기가 다양할 경우 기존 방법보다 지면 평면 검출 성능이 뛰어나다.
• 국소 디스크립터와 딥러닝의 통합은 실세계 자율 주행을 위한 확장 가능하고 정확한 솔루션을 제공한다.