Colin's Blog
[파이썬] 컴퓨터 비전에서의 자율 주행 차량 활용

자율 주행 차량

자율 주행 차량은 현대의 혁신적인 기술 중 하나로, 컴퓨터 비전 기술의 진보로 가능해진 것입니다. 컴퓨터 비전은 컴퓨터가 이미지나 동영상에서 객체를 인식하고 이해하는 기술을 말합니다. 이를 자율 주행 차량에 적용하면 차량이 주변 환경을 실시간으로 인식하고 조종할 수 있게 됩니다. 이번 포스트에서는 파이썬을 이용하여 컴퓨터 비전 기술을 자율 주행 차량에 활용하는 방법에 대해 알아보겠습니다.

차선 인식

자율 주행 차량의 가장 기본적인 기능 중 하나는 차선 인식입니다. 차선 인식은 도로의 차선을 식별하여 차량이 올바른 위치에 있을 수 있도록 도와줍니다. 파이썬의 OpenCV 라이브러리를 사용하여 차선 인식을 구현할 수 있습니다.

# 필요한 라이브러리 임포트
import cv2
import numpy as np

def lane_detection(image):
    # 이미지 전처리
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)
    edges = cv2.Canny(blurred_image, 50, 150)

    # 관심 영역 설정
    height, width = image.shape[:2]
    vertices = np.array([[(0, height), (width/2, 0), (width, height)]], dtype=np.int32)
    masked_edges = region_of_interest(edges, vertices)

    # 허프 변환을 이용한 선 감지
    lines = cv2.HoughLinesP(masked_edges, rho=1, theta=np.pi/180, threshold=50, minLineLength=100, maxLineGap=50)

    # 차선 그리기
    lane_image = np.zeros_like(image)
    draw_lanes(lane_image, lines)

    # 원본 이미지와 차선 이미지 합성
    result = cv2.addWeighted(image, 1, lane_image, 0.8, 0)

    return result

def region_of_interest(image, vertices):
    mask = np.zeros_like(image)
    cv2.fillPoly(mask, vertices, 255)
    masked_image = cv2.bitwise_and(image, mask)
    return masked_image

def draw_lanes(image, lines):
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv2.line(image, (x1, y1), (x2, y2), (0, 255, 0), thickness=10)

# 도로 영상 불러오기
road_image = cv2.imread('road.jpg')

# 차선 인식 결과 도시
detected_lanes = lane_detection(road_image)

# 결과 이미지 출력
cv2.imshow('Detected Lanes', detected_lanes)
cv2.waitKey(0)
cv2.destroyAllWindows()

위의 코드는 주어진 도로 이미지에서 차선을 인식하고 결과를 화면에 표시하는 예시입니다.

객체 인식

자율 주행 차량은 또한 주변의 객체를 인식하여 안전 운전에 필요한 조치를 취할 수 있어야 합니다. 파이썬의 이미지 처리 라이브러리인 TensorFlow와 Keras를 사용하여 객체 인식을 구현할 수 있습니다.

import cv2
import numpy as np
from keras.models import load_model

def object_detection(image):
    # 사전에 학습된 모델 불러오기
    model = load_model('object_detection_model.h5')

    # 이미지 전처리
    resized_image = cv2.resize(image, (224, 224))
    normalized_image = resized_image / 255.0
    batched_image = np.expand_dims(normalized_image, axis=0)

    # 객체 인식
    predictions = model.predict(batched_image)

    # 인식 결과 확인
    if predictions[0][0] > 0.5:
        label = 'car'
    else:
        label = 'not car'

    # 라벨 표시
    cv2.putText(image, label, (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

    return image

# 도로 영상 불러오기
road_image = cv2.imread('road.jpg')

# 객체 인식 결과 도시
detected_objects = object_detection(road_image)

# 결과 이미지 출력
cv2.imshow('Detected Objects', detected_objects)
cv2.waitKey(0)
cv2.destroyAllWindows()

위의 코드는 주어진 도로 이미지에서 자동차 객체를 인식하고 결과를 화면에 표시하는 예시입니다.

결론

컴퓨터 비전 기술은 자율 주행 차량에 활용될 수 있는 다양한 기능을 제공합니다. 차선 인식을 통해 차량이 올바른 위치에 있을 수 있고, 객체 인식을 통해 주변의 위험 요소를 식별할 수 있습니다. 파이썬과 관련 라이브러리를 활용하여 자율 주행 차량에 컴퓨터 비전 기술을 적용해보세요.

참고 문서:

© 2018 Colin. All rights reserved.