4.8 차선 탐지(Lane Detection)

4.8 차선 탐지(Lane Detection)

1. 정의

차선 탐지(Lane Detection)는 도로의 차선 표시(Lane Marking)를 인식하여 차선의 위치, 형태, 유형을 추정하는 과업이다. 차선 정보는 차량의 횡방향 위치 기준을 제공하며, 차선 유지 보조, 차선 변경 판단, 경로 계획 등에 필수적이다.

2. 차선 탐지의 출력 형태

차선 탐지의 출력은 다음과 같은 형태로 표현된다.

  • 픽셀 단위 분할: 각 픽셀이 차선에 해당하는지 여부를 분류하는 이진 분할 방식이다.
  • 매개변수 곡선: 차선을 다항식, 스플라인, 또는 베지에 곡선 등의 매개변수 곡선으로 표현한다.
  • 앵커 기반 표현: 사전 정의된 앵커 위치에서 차선까지의 오프셋을 예측하는 방식이다.
  • 키포인트 기반 표현: 차선 위의 일련의 키포인트(Key Point)를 예측하고 이를 연결하여 차선을 형성한다.

3. 주요 알고리즘

SCNN(Spatial CNN) (Pan et al., 2018): 합성곱 특징 맵에서 행 또는 열 방향으로 메시지를 전파하여 공간적으로 긴 구조인 차선의 연속성을 학습한다.

LaneNet (Neven et al., 2018): 의미론적 분할과 인스턴스 임베딩(Instance Embedding)을 결합하여 개별 차선 인스턴스를 구분한다.

PolyLaneNet (Tabelini et al., 2021): 차선을 다항식 함수로 모델링하여 앵커 기반 검출을 수행한다. 후처리 없이 직접 다항식 계수를 예측한다.

CLRNet (Zheng et al., 2022): 앵커를 점진적으로 정제(Refine)하는 계단식(Cascade) 구조로 차선을 검출한다.

4. 기술적 과제

  • 차선 표시 불명확: 마모, 오염, 강설에 의해 차선 표시가 불명확한 경우의 검출이 어렵다.
  • 구조화되지 않은 도로: 차선 표시가 없는 비구조화 도로에서의 주행 가능 영역 추정이 필요하다.
  • 복잡한 교차로: 교차로 내부의 차선 구조가 복잡하고 차선 표시가 불연속적인 경우의 처리가 과제이다.
  • 3D 차선 검출: 2D 영상 평면이 아닌 3D 공간에서의 차선 위치와 높이 정보를 추정하는 연구가 진행되고 있다.

5. 참고 문헌

  • Pan, X., Shi, J., Luo, P., Wang, X., & Tang, X. (2018). Spatial as deep: Spatial CNN for traffic scene understanding. Proceedings of the AAAI Conference on Artificial Intelligence, 32(1), 7276–7283.
  • Zheng, T., Huang, Y., Liu, Y., Tang, W., Yang, Z., Cai, D., & He, X. (2022). CLRNet: Cross layer refinement network for lane detection. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 898–907.

v1.0