Earticle

도로교통법 시행규칙과 단체표준에서 정하고 있는 8가지 색상에 대해 건조 시와 습윤 시의 최소재귀반사성능 기준 확보를 위한 현장실험을 실시하였으며, 백색 건조 시에는 260.8(mcd/ ㎡·lux), 습윤 시에는 154.6(mcd/㎡·lux)으로 결과가 산출되었다. 황색의 경우는 건조 시 백색의 반사성능 대비 황색, 가호1호에서는 67%, 가호2호에서는 63% 수준이다. 습윤 시는 각각 79%와 59% 수준으로 나타났다. 청색의 경우에는 백색대비 가호1호에서는 64% 수준이며, 가호2호에 서는 72%이다. 습윤 시는 각각 63%와 72% 수준으로 나타났다. 습윤 시의 반사성능 변화 폭이 건조 시보다 높으며, 유리알이 없는 경우도 이전의 결과와 비슷하게 나타났다. 신규색상이 적 색, 주황색, 분홍색, 연한 녹색, 녹색의 경우에도 백색 대비 50% 이상의 기준값을 가지는 것으 로 분석되었으며 이를 토대로 도로교통법 시행규칙에 노면표시 색상에 따른 최소반사성능 기 준 마련의 토대가 될 것으로 판단된다.

Eight colors prescribed by the Enforcement Rules of the Road Traffic Act and the group standard were tested to secure the minimum recursive reflectance performance standards when drying and wetting. The results were calculated to be 260.8 (mcd/㎡·lux) when drying white and 154.6 (mcd/ ㎡·lux) when wet. Yellow was 67% compared to the white reflective performance when drying. Wet poetry was 79 % and 59 %, respectively. In the case of blue, it was 64% in the case of white versus 72% in the case of white. Wet poetry was 63 % and 72 %, respectively. The range of changes in reflective performance during wetting was higher than when drying, and the absence of glass grains was similar to the previous results. The new colors also have a standard value of more than 50% compared to the white color in red, orange, pink, light green, and green. Based on this, it was estimated that the minimum reflective performance criteria according to the color of the road markings would form the basis for the enforcement rules of the Road Traffic Act.

대상인식 기술을 실제 환경에 적용하기 위해서는 조명 보상 기술 개발이 필수적이다. 본 논문은 조명의 방향 변화로 인한 영상의 변화를 보상하는 방법으로써 레티넥스 모델과 조명-반사율 모델에 주목하고, 이를 다양한 방법으로 구현하고 그 성능을 비교함으로써 효과적인 조명 보상방법을 제시하였다. 본 논문에서는 레티넥스 모델을 단일 스케일 레티넥스, 다중 스케일 레티넥스와 이를 신경망으로 재구성한 레티넥스 신경망, 다중 스케일 레티넥스 신경망으로 구현하였다. 조명 반사율 모델은 조명 영상을 이산코사인변환, 웨이블릿변환을 통한 저주파 필터링과 가우시안 블러로 구한 후, 이를 이용하여 반사율 영상을 계산하여 조명 보상을 수행하도록 하였다. 구현된 조명 보상을 9가지 조명 방향 변화가 존재하는 얼굴 영상에 대해 조명 보상을 수행하여, 그 성능을 측정하고 비교하였으며, 더불어 주성분분석 계수를 이용하여 그 성능을 측정하였다. 실험 결과 조명-반사율 모델이 보다 좋은 성능을 보였으며, 주성분분석 계수를 추출한 경우 전반적인 성능향상을 얻을 수 있었다.

To apply object recognition techniques to real environment, illumination compensation method should be developed. As effective illumination compensation model, we focused our attention on Retinex model and illumination-Reflectance model, implemented them, and experimented on their performance. We implemented Retinex model with Single Scale Retinex, Multi-Scale Retinex, and Retinex Neural Network and Multi-Scale Retinex Neural Network, neural network model of Retinex model. Also, we implemented illumination-Reflectance model with reflectance image calculation by calculating an illumination image by low frequency filtering in frequency domain of Discrete Cosine Transform and Wavelet Transform, and Gaussian blurring. We compare their illumination compensation performance to facial images under nine illumination directions. We also compare their performance after post processing using Principal Component Analysis(PCA). As a result, illumination Reflectance model showed better performance and their overall performance was improved when illumination compensated images were post processed by PCA.