earticle

영어

The Lane Departure Warning System (LDWS), a core function of Advanced Driver Assistance Systems (ADAS), prevents accidents by detecting unintended lane departures. Traditional methods based on edge detection or Hough transform are limited to illumination changes, lane fading, and complex roads. This study proposes integrating deep learning–based lane segmentation with Inverse Perspective Mapping (IPM) to improve LDWS performance. A SegNet and U-Net segmentation model was trained using the CamVid dataset, and the outputs were converted into top-view images, which were then evaluated with a ResNet18 classification model. The results show that U-Net achieved a higher level of segmentation accuracy, and IPM significantly improved classification accuracy. The combination of segmentation ROI and IPM yielded the best F1-score, confirming the effectiveness of the proposed approach for enhancing LDWS accuracy and robustness.

한국어

차선이탈경고시스템(LDWS)은 첨단운전자지원시스템(ADAS)의 핵심 기능으로, 비의도적 차선 이탈을 탐지하여 사고를 예방한다. 그러나 기존의 에지 검출이나 허프 변환 기반 기법은 조명 변화, 차선 마모, 복잡한 도로 조건에서 한계가 있다. 본 연구는 딥러닝 기반 차선 세그멘테이션과 역원근 투영(IPM) 변환을 통합하여 LDWS 성능을 개선하는 방법을 제안한다. CamVid 데이터셋을 활용해 SegNet과 U-Net을 학습시켰으며, 결과를 탑뷰 영상으로 변환한 뒤 ResNet18 분류기를 통해 전처리 시나리오를 비교하였다. 실험 결과, U-Net이 SegNet보다 우수한 세그멘테이션 성능을 보였고, IPM 적용 시 분류 정확도가 크게 향상되었다. 특히 세그멘테이션 ROI와 IPM을 결합했을 때 최고 F1-score를 달성하여 균형 잡힌 검출 성능을 입증하였다. 따라서 제안 방법은 LDWS의 정확도와 강 인성을 향상시키는 효과적인 접근임을 확인하였다.