지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 정동석
- 발행연도
- 2013
- 저작권
- 인하대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 웨이블릿 패킷 변환(Wavelet Packet Transform)과 SVM(Support Vector Machine)을 이용하여 노면 상태를 분류하는 방법을 제안한다. 본 연구는 기존의 사람이 직접 감시하거나 센서를 설치하는 방식에서 벗어나 영상 처리를 통해 자동적으로 노면 상태 변화를 파악하는 방식을 사용한다. 디지털 카메라를 통해 획득된 영상에 웨이블릿 패킷 변환을 이용하여 특징을 추출하고 해당 특징을 SVM 분류기를 통해 상태에 따라 분류한다.
노면 상태는 각각 마름, 젖음, 적설, 빙판 네 가지로 분류된다. 각 노면 상태는 서로 다른 편광 특성과 주파수 특성을 갖는다. 이런 특성을 통해 상태를 분류하기 위해 두 가지 방법이 사용된다. 첫 번째는 편광 성분을 사용하는 방법이다. 젖은 노면은 상대적으로 큰 수직편광성분을 갖기 때문에 편광 성분의 비율을 통해 해당 상태를 분류 할 수 있다. 두 번째는 웨이블릿 패킷 변환을 통해 각 상태의 주파수 특성을 분석하는 방법이다. 변환 후 생기는 웨이블릿 계수를 특징 벡터로 사용하여 노면 상태를 분류할 수 있다. 분류기로는 패턴 인식 분야에서 널리 쓰이는 SVM을 이용하며 SVM 훈련 과정을 위해 각 상태의 웨이블릿 계수를 추출하여 사용한다. 그리고 새로운 노면의 특징을 SVM 을 사용하여 각 상태로 분류한다.
본 연구의 결과를 기존 K-means를 바탕으로 하는 알고리즘 결과와 비교했다. K-means는 분류 구현이 비교적 쉽고 속도가 빠른 반면 분류 정확도는 SVM이 높다. 결과는 노면 상태에 관심 영역을 지정하여 비교하였으며 평균 87% 이상의 분류 정확도를 보였다.
노면 상태는 각각 마름, 젖음, 적설, 빙판 네 가지로 분류된다. 각 노면 상태는 서로 다른 편광 특성과 주파수 특성을 갖는다. 이런 특성을 통해 상태를 분류하기 위해 두 가지 방법이 사용된다. 첫 번째는 편광 성분을 사용하는 방법이다. 젖은 노면은 상대적으로 큰 수직편광성분을 갖기 때문에 편광 성분의 비율을 통해 해당 상태를 분류 할 수 있다. 두 번째는 웨이블릿 패킷 변환을 통해 각 상태의 주파수 특성을 분석하는 방법이다. 변환 후 생기는 웨이블릿 계수를 특징 벡터로 사용하여 노면 상태를 분류할 수 있다. 분류기로는 패턴 인식 분야에서 널리 쓰이는 SVM을 이용하며 SVM 훈련 과정을 위해 각 상태의 웨이블릿 계수를 추출하여 사용한다. 그리고 새로운 노면의 특징을 SVM 을 사용하여 각 상태로 분류한다.
본 연구의 결과를 기존 K-means를 바탕으로 하는 알고리즘 결과와 비교했다. K-means는 분류 구현이 비교적 쉽고 속도가 빠른 반면 분류 정확도는 SVM이 높다. 결과는 노면 상태에 관심 영역을 지정하여 비교하였으며 평균 87% 이상의 분류 정확도를 보였다.
목차
제 1 장 서론 1제 2 장 관련 연구 42.1 편광 42.1.1 편광의 특성 42.1.2 편광판 62.1.3. 수면에서 빛의 편광 72.2 웨이블릿 92.2.1 웨이블릿의 특성 92.2.2 2차원 웨이블릿 변환 102.2.3 웨이블릿 패킷 변환 122.2.4 웨이블릿의 종류 132.3 K-means 알고리즘 142.4 관련 질감 인식 알고리즘 152.4.1 웨이블릿 패킷 특징을 이용한 질감 인식 152.4.2 웨이블릿을 이용한 질감 분할 16제 3 장 노면상태감지 알고리즘 173.1 편광을 이용한 노면상태 분류 193.2 웨이블릿을 이용한 특징 벡터 검출 223.3 컬러 정보를 이용한 특징 벡터 243.3.1 컬러 모델 243.3.2 특징 벡터 263.4 그레이 정보를 이용한 특징 벡터 273.4.1 특징 벡터 273.5 SVM을 이용한 노면상태 분류 293.5.1 SVM(Support Vector Machine) 293.5.2 SVM 분류 과정 32제 4 장 실험 결과 344.1 영상 획득 과정 344.2 노면 상태 분류 실험 344.2.1 편광을 이용한 분류 354.2.2 SVM 분류기를 이용한 노면 상태 분류 374.3 제안된 알고리즘 성능 비교 분석 41제 5 장 결 론 43참고문헌 45
최근 본 자료
댓글(0)
0