Detection and Classification of Traffic Wand Signals Using YOLOv3 and C3D

Abstract

자동 운전 시스템을 구현하는 것은 운전을 위해 운전자가 필요하지 않는 것을 의미한다. 교통 사고, 신호등 결함, 도로 공사 현장과 같은 비정형적 상황에서 교통 흐름은 교통 경찰 혹은 안전 요원의 경광봉 신호에 의해 통제된다. 따라서 자동 운전 시스템을 구현하기 위해서는 경광봉 신호의 의미를 파악해야 한다. 본 연구에서는 C3D 모델을 이용하여 안전요원에 의해 수행되는 경광봉 신호를 분류하였다. 본 네트워크는 제스처 검출과 분류로 구성된다. 우선 제스처 검출은 경광봉 신호가 나에게 지시되는지 또는 나에게 지시되지 않는지를 구별하는 부분이며 YOLOv3를 이용하여 구현하였다. 나에게 지시되는 신호가 검출되었다면 C3D 모델을 이용하여 직진, 정지, 좌회전, 우회전, 무의미로 분류한다. 본 연구에서 배경을 제외한 안전요원의 영역을 입력 이미지로 사용했을 때 32 배치 사이즈에서 평균 분류 정확도 86%를 달성했다. 이 결과는 배경을 포함한 전체 이미지를 입력으로 사용하였을 때의 정확도 54%에 비해 높은 정확도이다.|Implementing automated driving system implies that the driver is not required to drive as long as the features are engaged. For some situation such as road accident, faulty traffic light signals or passing the construction site, traffic police officer or safety foreman will control the road by giving the signal manually using wand traffic signal. Therefore, automated driving system need a feature that can figure out the meaning of signal. This research proposed a network to classify the wand signal given by foreman using C3D model. The network consists of gesture detection and gesture classification. Gesture detection is used to distinguish whether signal given by police is directed to me (gesture) or not directed to me (no gesture) using YOLOv3. After that, frames that got detected as gesture will be classified using C3D to 5 classes, they are go straight, stop, turn left, turn right, and no sign. In this research, classification using ROI as input image achieved 86% in average accuracy with 32 number of batch size. This result has better performance compared to 54% classification accuracy with full image as input image.