[논문 리뷰] Traffic Sign Timely Visual Recognizability Evaluation Based on 3D Measurable Point Clouds

Shanxin Zhang, Cheng Wang외 4명|arXiv (Cornell University)|2017. 10. 10.

Remote Sensing and LiDAR Applications참고 문헌 1인용 수 4

한 줄 요약

이 논문은 모바일 레이저 스캐닝에서 유한한 3차원 점군을 사용하여 실시간 주행 조건에서 교통 표지의 시인 가능성을 정량적으로 평가하는 교통 표지 시인 가능성 평가 모델(TSTVREM)을 제안한다. 가시성 및 시인 가능성 분야를 교통 빅데이터와 통합함으로써, 다양한 차선과 주행 속도에서의 표지 시인 가능성에 대한 효율적이고 대규모 평가를 가능하게 하며, 최대 13100만 개의 점을 포함하는 데이터셋에서도 실시간 성능을 달성한다.

ABSTRACT

The timely provision of traffic sign information to drivers is essential for the drivers to respond, to ensure safe driving, and to avoid traffic accidents in a timely manner. We proposed a timely visual recognizability quantitative evaluation method for traffic signs in large-scale transportation environments. To achieve this goal, we first address the concept of a visibility field to reflect the visible distribution of three-dimensional (3D) space and construct a traffic sign Visibility Evaluation Model (VEM) to measure the traffic sign visibility for a given viewpoint. Then, based on the VEM, we proposed the concept of the Visual Recognizability Field (VRF) to reflect the visual recognizability distribution in 3D space and established a Visual Recognizability Evaluation Model (VREM) to measure a traffic sign visual recognizability for a given viewpoint. Next, we proposed a Traffic Sign Timely Visual Recognizability Evaluation Model (TSTVREM) by combining VREM, the actual maximum continuous visual recognizable distance, and traffic big data to measure a traffic sign visual recognizability in different lanes. Finally, we presented an automatic algorithm to implement the TSTVREM model through traffic sign and road marking detection and classification, traffic sign environment point cloud segmentation, viewpoints calculation, and TSTVREM model realization. The performance of our method for traffic sign timely visual recognizability evaluation is tested on three road point clouds acquired by a mobile laser scanning system (RIEGL VMX-450) according to Road Traffic Signs and Markings (GB 5768-1999 in China), showing that our method is feasible and efficient.

연구 동기 및 목표

• 동적이고 대규모 교통 환경에서 교통 표지의 시인 가능성을 정량적으로 평가할 수 있는 방법의 부족을 해결하기 위해.
• 객관적이고 데이터 기반의 평가를 통해 운전자의 시각적 인식 시기를 보장함으로써 운전 안전성을 향상시키기 위해.
• 인간의 시각 인지 원리를 3차원 점군 데이터와 교통 빅데이터와 융합하여 정확한 시인 가능성 모델링을 수행하기 위해.
• 다양한 차선에서 실시간으로 교통 표지 시인 가능성을 평가할 수 있는 자동화되고 확장 가능한 파이프라인을 개발하기 위해.

제안 방법

• 주어진 시점에서의 표지 시인 가능성을 계산하기 위해 3차원 가시성 분야 기반의 가시성 평가 모델(VEM)을 도입한다.
• 망막 영상과 기하학적 시야각(GFOV)에 기반하여 시인 가능성을 정량화하기 위해 시각적 인지 가능성 분야(VRF)와 시각적 인지 가능성 평가 모델(VREM)을 제안한다.
• VREM을 실제 최대 연속 시각적 인지 거리와 교통 빅데이터와 결합하여 다차선별 평가를 위한 TSTVREM 모델을 구축한다.
• 교통 표지 및 도로 표지 검출/분류, 도로 윤곽선 沿한 점군 분할, 시점 계산을 위한 자동 알고리즘을 개발한다.
• 모바일 레이저 스캐닝(MLS) 데이터(RIEGL VMX-450)를 활용하여 도로 환경의 측정 가능한 3차원 점군을 추출한다.
• 오른쪽 도로 윤곽선 기반 분할을 통해 계산 부담을 감소시켜 대규모 데이터셋에서도 빠른 처리를 가능하게 한다.

실험 결과

연구 질문

• RQ1 측정 가능한 점군을 사용하여 3차원 공간에서 교통 표지의 시각적 인지 가능성을 어떻게 정량적으로 평가할 수 있는가?
• RQ2 실생활 교통 환경에서 운전자의 시점에서 교통 표지의 즉각적인 인지 가능성을 영향을 미치는 요소는 무엇인가?
• RQ3 차량 속도와 운전 행동에 관한 교통 빅데이터는 3차원 시각적 인지 가능성 모델에 어떻게 통합될 수 있는가?
• RQ4 MLS 점군의 자동 처리가 실시간으로 대규모 교통 표지 시인 가능성 평가를 얼마나 지원할 수 있는가?
• RQ5 제안된 모델은 교통 신호등과 같은 다른 교통 장치로도 확장 가능한가?

주요 결과

• 4400만 점을 포함하는 도로 세그먼트(WPR sec2)에서 총 평가 시간이 81.339초로 나타나 대규모 배포에 있어 계산 효율성이 뛰어나다.
• 교통 표지 검출 및 분류가 가장 짧은 시간(15.25초)이 소요되었고, 도로 표지 검출 및 분류가 더 오래 걸렸다.
• TSTVREM 모델의 시간 복잡도는 표지 수에 따라 증가하지만, 도로 윤곽선 기반 분할을 통한 데이터 감소로 인해 여전히 효율적이다.
• 실제 차량 속도 데이터를 활용하여 교통 빅데이터에서 다양한 차선에서의 인지 가능성을 성공적으로 평가하였다.
• 점군 내 평면 특징으로서의 검출을 통해 교통 신호등과 같은 다른 교통 장치로의 확장이 가능하다.
• 스마트 시티 응용 분야에서 교통 표지의 인벤토리, 유지보수 및 안전 평가를 위한 실현 가능하고 효율적인 솔루션을 제공한다.