교통안전시설물의 관리는 도로교통의 안전과 직결되는 문제이다. 운전자는 신호등, 표지판, 노면표시 등을 통해 운전에 필요한 정보 를 얻는다. 노후된 표지판과 노면표시는 운전자에게 잘못된 정보를 제공할 수 있으므로 주기적인 시설물의 관리가 필요하다. 본 연구 는 딥 러닝 기술을 활용해 운전자 시각의 영상 자료에서 교통안전표지를 자동으로 탐지하고자 하며, 교통안전표지의 공통된 색상 특 징을 기반으로 클래스를 그룹으로 묶어 데이터셋을 구축하는 방법을 제안한다. 객체탐지의 성능지표로 널리 활용되는 mAP를 사용해 클래스 묶음 여부에 따른 탐지 성능을 비교한 결과, 색상 기반 클래스 묶음을 적용한 모델의 탐지 성능이 비교군에 비해 약 36% 상승 함을 확인하였다.

한국 천일염 생산 지역의 인구는 빠르게 고령화되고 있어 생산 노동자가 줄고 있는 추세이다. 소금 포집 작업은 천일염 생산 과정에서 가장 많은 노동력을 필요로 한다. 기존의 포집 장치는 사람의 작동 및 운전이 필요하여 상당한 노동력이 필요해서, 천일염 무인 포집장치를 개발하여 생산 노동자의 노동력을 감소시키고자 한다. 천일염 포집장치는 색상 검출을 통해 소금의 포집 상황과 염전에서의 위치를 파악하도록 설계되었기 때문에, 포집장치의 색상 검출 성능이 중요한 요소이다. 그래서 색상 검출 성능 향상을 위해 이미지 처리 를 이용한 알고리즘을 연구하였다. 알고리즘은 입력 이미지를 크기 재조정, 회전 및 투시 변환을 이용하여 around-view 이미지를 생성하고, RoI를 설정하여 해당 영역만 HSV 색상 모델로 변환하고 논리곱 연산을 통해 색상 영역을 검출한다. 검출 된 색상영역은 형태학적 연산을 이용하여 검출 영역을 확장하고 노이즈를 제거하여 컨투어와 이미지 모멘트를 이용하여 검출영역의 면적을 계산하고 설정된 면적과 비 교하여 염판에서 포집장치의 위치 경우를 결정한다. 성능 평가는 알고리즘을 적용한 최종 검출 색상의 계산 면적과 알고리즘의 각 단계 의 검출 색상의 면적을 비교하여 평가하였다. 평가 결과 소금을 검출하는 흰색의 경우 최소 25%에서 최대 99% 이상, 빨간색의 경우 최소 44%에서 최대 68%, 파란색과 녹색은 평균적으로 각각 7%와 15% 검출면적 증가가 있어 색상 검출 성능이 향상되었음을 확인할 수 있었으 며, 이를 무인 천일염 포집장치의 무인작업 수행을 위한 위치 확인에 적용 가능할 것으로 사료된다.

This study has suggested an image analysis system based on the Deep Learning for CCTV pedestrian detection and tracing improvement and did experiments for objective verification by designing study model and evaluation model. The study suggestion is that if someone’s face did not be recognized in crime scene CCTV footage, the same pedestrian would be traced and found in other image data from other CCTV by using Color Intensity Classification method for clothes colors as body features and body fragmentation technique into 7 parts (2 arms, 2 legs, 1 body, 1 head, and 1 total). If one of other CCTV footage has recorded its face, the identity of the person would be secured. It is not only detection but also search from stored bulk storage to prevent accidents or cope with them in advance by cost reduction of manpower and a fast response. Therefore, CIC7P(Color Intensity Classification 7 Part Base Model) had been suggested by learning device such as Machine Learning or Deep Learning to improve accuracy and speed for pedestrian detection and tracing. In addition, the study has proved that it is an advanced technique in the area of pedestrian detection through experimental proof.

본 연구는 일련의 문자열들 중 하나의 표적을 탐지하는 데 자극 명암대비와 색상이 미치는 영향을 관찰하였다. 실험 1의 각 시행에서는 네 문자로 구성된 RSVP가 제시되고 각 RSVP 화면상의 문자들이 서로 다른 위치를 점유하였 다. RSVP 배열 내에서는 한 위치에 회색 표적 문자가, 나머지 위치에 세 방해자극들이 제시된 표적화면을 제외하고 나머지 RSVP 화면에서 네 흰색 방해자극 문자들이 상응하는 위치에 제시되었다. 고가시성 조건에서는 회색 배경화면 보다 표적 회색이 현저히 어두웠던 반면 저가시성 조건에서는 그 밝기 차이가 상대적으로 분명치 않았다. 참가자들은 사전에 지정된 표적들 중 각 시행에서 어느 것이 출현했는지를 가능한 빠르고 정확하게 탐지하도록 요구받았으며 그 결과 관찰된 탐지 수행은 고가시성 조건에서 더 정확했으며 신속했다. 실험 2에서는 고가시성 조건의 회색 표적을 고선명도 유채색 표적으로 대체한 것을 제외하고 실험 1과 동일한 RSVP 화면 및 과제가 사용되었다. 그 결과 참가자들 은 고가시성 조건의 표적을 더 정확히 탐지했으나 반응 속도에 있어서는 두 가시성 조건 간 차이가 없었다. 두 실험의 결과는 시각적 부담이 높은 상황일지라도 현저한 명암대비 및 색상이 부여될 경우 자극에 대한 지각이 촉진됨을 시사하 며 자극 색상에 비해 명암대비가 지각적 촉진에 더 중요한 역할을 수행할 가능성을 제안한다.

피부색 정보는 컬러 영상에 포함된 얼굴 영역 또는 피부색 영역을 검출하는데 있어 중요한 요소이다. 일반적으로 피부색 정보로부터 통계 피부색 모델을 이용하여 피부색 영역을 검출한다. 하지만 영상에 피부색에 해당하는 색이 포함되어 있는 컬러 영상에서는 일반적인 통계 피부색 모델만으로 정확한 피부색영역을 검출할 수 없다. 따라서 본 논문에서는 다른 피부색 부분이 포함되어 있는 다양한 컬러 영상에서피부색 영역만을 정확히 검출하기 위한 방법을 제안한다. 먼저 RGB, YCbCr, HSI 피부컬러 모델을 기반으로 각 모델을 이용한 피부색 검출율을 가중치로 사용하여 얼굴 후보 영역을 설정하였다. 또한 영상내의 피부색 영역이외의 부분을 제거하기 위하여 영상에서의 관심영역을 계산하여 얼굴 후보 영역과 관심영역을 동시에 만족하는 피부색을 찾음으로써 피부색을 배경으로 가지는 컬러영상에서 정확한 피부색검출을 수행하였다. 실험 결과 제안한 방법이 유사한 피부색을 포함한 영상에서 우수한 피부색 검출 성능을 보였다.