Multi-Lane Detection in Highway and Urban Driving Environment

Abstract

지난 몇 십년간, 자동차 안전주행 관련 기술을 위한 다중차선인식 알고리즘의 중요도가 부각되어왔다. 본 논문에서는 고속 도로 및 시내 주행환경에서의 다중차선 인식 알고리즘에 대해 각각 제안을 한다. 이들 알고리즘은 기본적으로 자차가 주행하고 있는 주행차선 및 측면의 주행차선을 인지하는 것을 목표로 한다. 고속도로 주행환경에서의 다중차선 인식 알고리즘의 경우, 주행차선을 안정적으로 인식한 후 차선의 평행조건을 활용하여 주변차선의 관심영역을 발생하고 인식한다. 이 때, 각 차선들의 종류 및 색상을 추가적으로 인지한다. 한편, 시내 주행환경에서의 다중차선인식 알고리즘도 주행 및 주변차선을 기본적으로 인지하는데, 분기, 병합, 교차로 등 차선이 평행하지 않은 경우도 인식을 목표로 한다. 이러한 어려운 상황에서도 차선을 성공적으로 인지하기 위해, 그래픽 모델 중의 하나인 CRF(Conditional Random Field)를 도입하여 복잡한 상황에서의 차선도 인지를 가능하게 하였다. 자체 촬영 영상 및 Caltech 영상을 활용하여 고속도로 및 시내 주행상황에서 각 알고리즘이 성공적으로 동작한다는 것을 검증하였다.

Over the past few decades, the need has arisen for multi-lane detection algorithms for use in vehicle safety-related applications. In this thesis dissertation, we propose new multi-lane detection algorithms that work well in highway and urban driving situations. These algorithms detect four lane marks, including driving lane marks and adjacent lane marks. First, in the case of highway driving situations the algorithm first detects the two driving lane marks stably, and the algorithm generates ROIs for detecting multiple lanes based on the fact that all lanes are parallel with the same intervals. Additionally, the system recognizes types and colors of each lane. For the urban driving environments, on the other hands, the algorithm basically detects more than four lanes including driving lane marks and adjacent lane marks, and it also aims to detect non-parallel lanes such as are found at intersections, in splitting lanes, and in merging lanes. To detect multi-lane marks successfully in the absence of parallelism, we adopt Conditional Random Fields (CRFs), which are strong models for solving multiple association tasks. We show that CRFs are very effective tools for multi-lane detection because they find an optimal association of multiple lane marks in complex and challenging urban road situations. Through simulations, and by using video sequences and Caltech Lane Datasets with runtime rates of 30 fps, we verify that our algorithm successfully detects non-parallel lanes as well as parallel lanes appearing in highways and urban streets.