저조도 환경 탐지 능력 향상을 위한 전처리 기법 최적화 연구 = Optimization of Preprocessing Techniques for Enhancing Detection Capability in Low-Light Environments

국문 초록 (Abstract)

저조도 환경 탐지 능력 향상을 위한 전처리 기법 최적화 연구 저조도 환경에서 취득된 영상은 낮은 신호대잡음비, 저대비, 색 왜곡 등으로 인해 표준 조건에서 학습된 객체 탐지기의 성능을 눈에 띄게 저하시킨다. 이러한 한계를 완화하기 위해 감마 보정, 히스토그램 계열, Retinex 계열, 딥러닝 기반 저조도 향상 기법 등이 전 처리 단계에서 폭넓게 사용되고 있으나, 개별 기법을 단독으로 적용하는 수준을 넘어 조 합 구조와 적용 순서, 그리고 객체 특성별 민감성을 성능과 지연을 동시에 고려하여 체계 적으로 비교한 연구는 많지 않다. 본 논문은 저조도 환경에서 객체 탐지가 보다 안정적으로 이루어지기 위해, 전처리 기 법 조합과 연산 지연 사이의 관계를 정량적으로 비교하고 실시간 운용 가능성을 함께 검 토하는 것을 목적으로 한다. 이를 위해 감마 보정(Gamma), CLAHE, 단일 스케일 Retinex(SSR, σ=30), Zero-DCE++ 네 가지 전처리 모듈을 대상으로 1–3단 조합 41개 파 이프라인을 구성하고, ExDark 데이터셋과 COCO 사전학습 YOLOv8n 조합에서 클래스별 Positive-only AP(AP_pos)와 p99 연산 지연을 함께 평가하였다. ExDark 12개 객체 클래스는 단일 전처리 조합으로 일괄적으로 성능이 향상되기보다는, 형태적 윤곽에 대한 의존도와 세부 질감·배경 텍스처, 장면 조건에 따라 서로 다른 전처 리 구성이 요구되는 양상을 보였다. 사람(People), 자전거(Bicycle), 자동차(Car) 등 형태 적 윤곽이 비교적 뚜렷하게 드러나는 객체에서는 감마 보정과 Zero-DCE++를 중심으로 한 조도 보정 계열 전처리와 여기에 CLAHE를 결합한 2·3단 조합에서 Original 대비 AP_pos가 해상도 전반에서 수 %p에서 최대 약 10%p 안팎까지 증가하는 사례가 확인되 었으며, 특히 320×320 해상도에서는 여러 클래스에서 약 7～15%p 수준의 향상이 나타나 저해상도 운용에서 전처리 조합의 효과가 두드러지는 구간으로 나타났다. 한편 Dog, Cat 등 세부 질감과 배경 대비에 민감한 객체들은 CLAHE를 포함하는 조합에서 상대적으로 더 큰 이득을 보였고, Motorbike와 같이 형태와 질감 신호가 혼재된 복합형 객체는 해상 도에 따라 CLAHE 단독 또는 감마 보정–CLAHE 결합 조합이 상위권에 위치하는 특성 을 보였다. 반면 SSR(σ=30)을 포함한 조합은 다수의 설정에서 AP_pos 이득이 거의 관찰 되지 않는 동시에 p99 지연이 크게 증가하는 경향을 보여, 본 연구에서 고려한 조건에서 는 우선적으로 활용하기 어려운 전처리로 평가되었다. 본 논문에서 제시하는 해상도별·전처리 조합별 AP_pos와 p99 지연 특성은, 연산 예산 이 제한된 객체 탐지 시스템에서 해상도와 전처리 깊이를 함께 조정하면서 전처리 조합 을 설계·선택할 때 활용할 수 있는 근거를 제공한다. 또한 감마 보정–CLAHE– Zero-DCE++를 결합한 1·2·3단 전처리 파이프라인과 AP_pos–p99 기반 평가 체계는, 저 조도 객체 탐지에서 전처리를 하나의 고정된 해답이 아니라 객체 특성과 해상도, 연산 예 산에 따라 조정해야 하는 설계 요소로 다루기 위한 실용적인 틀을 제시하며, 향후 관련 연구와 실무 시스템 설계에서 전처리 조합을 비교·선정하고 성능을 검증하는 과정에 직 접 활용할 수 있는 평가 체계로 기대된다. 핵심어: 저조도 객체 탐지, 전처리 기법 조합, YOLOv8n, ExDark, AP_pos, p99 지연

목차 (Table of Contents)

• 목 차 i
• 표 목 차 v
• 그 림 목 차 vi
• 국 문 초 록vii
• 제 1 장 서 론 1
• 1.1 연구 배경 1
• 1.2 저조도 객체 탐지 연구 동향2
• 1.3 선행 연구의 한계 및 본 연구의 위치 3
• 1.4 연구 목적 및 범위4
• 제 2 장 이론적 배경 6
• 2.1 저조도 영상의 열화 특성6
• 2.2 전통적 전처리 기법 6
• 2.2.1 감마 보정(Gamma Correction) 7
• 2.2.2 히스토그램 평활화와 CLAHE7
• 2.3. Retinex 계열 기법 9
• 2.3.1 MSRCR (Multi-Scale Retinex with Color Restoration)9
• 2.3.2 Single-Scale Retinex(SSR) 10
• 2.4. 학습 기반 저조도 향상 기법: Zero-DCE 계열10
• 2.4.1 Zero-DCE11
• 2.4.2 Zero-DCE++ 11
• 제 3 장 연구 방법13
• 3.1 연구 개요 및 변수 설정13
• 3.2 전처리 모듈 및 파라미터 16
• 3.2.1 감마 보정(Gamma, G)17
• 3.2.2 CLAHE(Contrast Limited Adaptive Histogram Equalization, C) 17
• 3.2.3 Single-Scale Retinex(SSR, S)18
• 3.2.4 Zero-DCE++(Z)19
• 3.3 전처리 파이프라인 구성19
• 3.3.1 1단계: 41개 전처리 조합 탐색(512×512)19
• 3.3.2 2단계: G–C–Z 16개 조합 및 다중 해상도 정밀 분석20
• 3.4 ExDark 데이터셋 및 평가 집합 구성 22
• 3.5 탐지기 설정 및 입력 해상도 23
• 3.5.1 YOLOv8n 설정 23
• 3.5.2 입력 해상도 설정(512×512, 320×320, 192×192)25
• 3.6 평가 지표26
• 3.6.1 Positive-only AP(AP_pos)26
• 3.6.2 compute-only p99 지연 시간 27
• 3.7 실험 환경 및 구현 세부 사항28
• 3.7.1 실험 환경 28
• 3.7.2 실험 방법 및 프로세스 28
• 제 4 장 실험 결과 및 논의 30
• 4.1 평가 지표와 시각화 방법30
• 4.1.1 AP_pos 정의 30
• 4.1.2 AP_pos 해석 기준 31
• 4.1.3 연산 지연(p99 latency) 측정 및 지연 구간 정의32
• 4.1.4 GT, TP, FP, FN 및 시각화 규칙32
• 4.2 1차 실험 결과: 512×512 해상도에서 전처리 조합별 클래스별 AP_pos 33
• 4.2.1 실루엣 중심 대형 객체 (People, Table, Motorbike) 35
• 4.2.2 텍스처·배경 복합 객체(Dog, Cat, Cup, Chair, Bottle)38
• 4.2.3 512×512 해상도 1·2·3단 전처리 조합 효과40
• 4.2.4 512×512 해상도에서의 전처리 조합 지연 특성 42
• 4.2.5 MSRCR 기반 전처리의 지연 특성 43
• 4.2.6 SSR 기반 조합의 종합 평가와 2단계 후보 축소 44
• 4.3 320×320 해상도에서의 AP_pos 결과45
• 4.3.1 클래스별 향상 개관 46
• 4.3.2 전처리 조합 패턴 47
• 4.4 192×192 해상도에서의 AP_pos 결과47
• 4.4.1 클래스별 향상 개관 48
• 4.4.2 전처리 조합 패턴 49
• 4.5 해상도별 지연 특성(192×192, 320×320) 49
• 4.5.1 192×192 해상도에서의 지연 특성 50
• 4.5.2 320×320 해상도에서의 지연 특성 51
• 4.5.3 192×192와 320×320의 지연 비교 및 종합 논의 52
• 4.6 전역 대비·국소 대비·조합 순서의 영향 53
• 4.6.1 512×512 해상도에서의 패턴 53
• 4.6.2 320×320 및 192×192 해상도에서의 패턴55
• 제 5장 결론 60
• 5.1 연구 결과 60
• 5.2 연구의 의의 및 향후 연구 방향63
• 5.2.1 연구의 의의 63
• 5.2.2 향후 연구 방향 64
• 참고문헌65
• ABSTRACT 68
• 감사의 글 70