이동로봇의 안전한 엘리베이터 탑승을 위한 RGB-D 센서 기반의 엘리베이터 인식 및 위치추정

1. 서 론

자율주행 로봇의 기술이 발전함에 따라 이동로봇은 병원, 공항, 공장 등의 다양한 실내 공간에서 물건을 전달하거나 방 문객에게 길을 안내하는 다양한 용도로 활용되고 있다. 그러 나 대부분의 실내 공간은 다층임에도 불구하고 대부분의 이동 로봇은 엘리베이터를 이용하지 못하여 여러 층을 왕래하지 못 한다. 로봇이 엘리베이터를 통한 층간 이동이 가능하다면, 더 넓은 공간에서 다양한 작업을 수행할 수 있다.

로봇이 엘리베이터에 탑승하려면 로봇은 자율적으로 주행 하여 엘리베이터에 진입할 수 있는 대기 장소에 도착해야 한 다. 그러나 주행 중 누적된 오차로 인해 로봇의 도착 위치에 오 차가 존재하므로, 로봇이 엘리베이터에 탑승 시 장애물과 충 돌하거나 진입 경로가 생성되지 못하는 문제를 초래하게 된 다. 따라서 로봇이 안전하게 엘리베이터를 탑승하기 위해서는 엘리베이터와 로봇의 위치 관계를 정확히 추정하여야 한다.

카메라를 탑재한 이동로봇은 인공표식을 사용해 누적된 위 치오차에 대한 보정^[1,2]이 가능하지만, 인공표식은 설치 후 지 속적인 유지 및 보수가 필요하다는 문제점이 있다. 따라서 인 공표식을 사용하지 않고 레이저 센서^[3] 또는 스테레오 카메라 ^[4]의 정보만을 통해 엘리베이터를 인식하고 위치를 추정하는 방법들이 제안되었다. 일반적으로 레이저 센서는 높은 정확도 로 주변 환경에 대한 깊이 정보를 얻을 수 있다. 그러나 엘리베 이터 문과 같은 금속 표면에 대해서는 정확한 거리 정보를 얻 기 어려우므로^[5] 엘리베이터 환경에 적합하지 않다. 오히려 스 테레오 카메라를 사용하는 것이 영상정보 및 3차원 거리 정보 를 활용할 수 있으므로 물체를 인식하고 위치를 추정하는 데 적합하다. 그러나 스테레오 카메라의 좌우 영상 간의 변위지 도(disparity map)를 통해 엘리베이터를 인식하는 방법은 엘리 베이터 문과 같은 반사되는 표면에서 깊이 정보가 불완전하 며, 조명에 따라 성능에 차이가 발생한다는 단점이 있다.

본 연구에서는 로봇이 엘리베이터를 바라보도록 도착한 대 기 장소에서, 인공표식을 사용하지 않고 저가의 RGB-D 센서 만으로 엘리베이터의 위치를 추정하는 방법을 제안한다. 이전 에도 RGB-D 센서를 이용하여 엘리베이터 문의 중심을 추정 하는 방법^[6]이 제안되었으나, 이는 엘리베이터 좌우 벽면의 위 치를 찾고 이에 대한 가중치로 엘리베이터의 중심 위치를 추 정하였기 때문에 대략적인 엘리베이터의 위치 만을 추정할 수 있었다. 본 논문에서는 RGB-D 센서의 3차원 점군(point cloud) 을 이용하여 엘리베이터와 벽면 사이의 단차를 기준으로 엘리 베이터 문의 경계에 해당하는 점을 추출하여 정확한 엘리베이 터의 위치를 추정한다. 그러나 유사한 구조를 가진 물체를 엘 리베이터로 오인할 수 있으므로, 심층학습(deep learning)을 통 한 영상인식 기술을 이용하여 엘리베이터의 존재를 확인하는 기술이 수반된다. 이때 로봇의 위치추정 오차가 크면 영상에 서 엘리베이터가 중앙이 아닌 가장자리에 편향되거나 일부만 보여 정확히 엘리베이터로 인식하기 힘들다. 따라서 이러한 경우에는 [Fig. 1]과 같이 점군을 통해 엘리베이터의 중심으로 예상되는 위치를 찾고, 센서가 엘리베이터를 향하도록 로봇을 회전시킨 후에 다시 엘리베이터 인식과 위치추정을 시작한다.

[Fig. 1]

Flowchart of the elevator recognition and position estimation process

본 연구의 기여는 다음과 같다. 1) 로봇으로부터 엘리베이 터까지의 위치를 추정하는 과정에서 인공표식과 같은 인위적 인 설치물이 불필요하다. 2) 저가의 RGB-D 센서 만으로 빠르 고 정확한 엘리베이터 인식과 위치추정을 수행할 수 있다. 3) 반사되는 재질을 포함하는 다양한 임의의 엘리베이터에도 적 용이 가능하다.

본 논문은 다음과 같이 구성된다. 2장에서는 영상 분류기를 통해 엘리베이터의 존재를 확인하는 방법을 설명한다. 3장에 서는 3차원 점군 정보를 활용하여 엘리베이터의 위치를 추정 하는 방법에 대해 설명한다. 4장에서는 엘리베이터 전방의 다 양한 센서의 위치와 방향에서 제안한 방법을 실험하고 검증한 결과를 서술한다. 5장에서는 결론을 도출한다.

2. 엘리베이터 존재 여부 판단

센서의 깊이 정보만으로는 엘리베이터가 아닌 유사한 구조 를 엘리베이터로 잘못 인식할 수 있다. 카메라와 레이저 센서 를 함께 사용하여 엘리베이터를 인식한 방법^[7]에서는 레이저 의 2차원 거리 정보를 통해 엘리베이터의 위치를 찾고 이를 카 메라 영상에서 추출한 엘리베이터 경계에 대한 직선과 위치를 비교하여 확인하였다. 그러나 영상에서의 직선 추출은 여전히 문과 같이 비슷한 구조를 엘리베이터로 혼동할 수 있다. 따라 서 본 논문에서는 인공신경망을 통해 카메라 영상 속 엘리베 이터의 존재를 확인한다. 이동로봇의 제한된 자원에서는 CPU 만으로도 연산시간이 짧은 알고리즘이 필요하므로, YOLO와 같은 물체 인식(object detection)이 아니라 Inception v3^[8]과 같 은 이미지 분류(image classification)를 사용한다.

2.1 Inception v3의 학습

본 연구에서는 앞서 언급하였듯이, [Table 1]과 같은 영상 분류기를 이용하여 엘리베이터의 존재를 확인하였다. Inception- ResNet v2^[9]가 Inception v3보다 정확도 측면에선 조금 더 좋지만, 연산시간은 2배가 필요하다. 반면에, AlexNet^[10]은 Inception v3 보다 인식속도는 조금 더 빠르지만 정확도는 약 3배 정도 저하 된다. 따라서 연산시간 대비 우수한 성능을 지닌 Inception v3 를 채택하였다. 또한, Inception v3의 마지막 층을 노드가 2개 인 전연결층(fully-connected layer)으로 수정하여 엘리베이터 와 그 외 물체에 대한 합이 1인 신뢰도 점수(score)를 도출하도 록 학습하였다. 학습에는 [Fig. 2]와 같이 하나의 엘리베이터만 존재하는 총 3,100장의 이미지를 수집하여 사용하였다.

[Table 1]

Performance of object recognition and classification algorithms

[Fig. 2]

Images corresponding to elevators and other objects

2.2 RGB 이미지의 전처리

영상 분류기에 RGB 영상 전체를 입력하면, 엘리베이터가 아닌 영상에 포함된 다른 물체에 집중할 수 있으므로 엘리베 이터 인식 성능이 저하된다. 따라서 영상 분류기의 엘리베이 터 인식 성능을 높이기 위해서는 [Fig. 3]과 같이 엘리베이터의 비중이 높은 일부 영역만을 잘라내어 영상 분류기에 입력할 필요가 있다. 영상분류기에 입력되는 RGB 영상의 일부 영역 은 가로는 엘리베이터의 폭(w_e)에 비례하여 결정되며, 세로는 센서의 기울기 정보(θ)에 따라 결정된다. [Fig. 3]의 회색 영역 은 원본 이미지이고, 녹색 영역은 영상의 최소 범위이며, 그리 고 붉은 영역은 사용 영역의 예시이다. 사용 영역을 정하는 3 가지 파라미터 ƒ_l, ƒ_r, h_t은 아래의 식과 같다.

[Fig. 3]

Preprocessing of the RGB image

$\[ f_l\left(w_e\right)=-a_l{w}_e+b_l\hspace{0.17em}\hspace{0.17em}\text{where}\{\begin{array}{l}{a}_l=\frac{1}{4\left(w_{max}-w_{min}\right)}w\hfill \\ b_l=\frac{w_{max}}{4\left(w_{max}-w_{min}\right)}w\hfill \end{array} \]$

(1)

$\[ f_r\left(w_e\right)=a_r{w}_e+b_r\hspace{0.17em}\hspace{0.17em}\text{where}\{\begin{array}{l}{a}_r=\frac{1}{4\left(w_{max}-w_{min}\right)}w\hfill \\ b_r=\frac{3w_{max}-4w_{min}}{4\left(w_{max}-w_{min}\right)}w\hfill \end{array} \]$

(2)

$\[ h_t=\left(1-\theta /30\right)h\hspace{0.17em}\hspace{0.17em}\text{for}\hspace{0.17em}\hspace{0.17em}0\le \theta \le 15 \]$

(3)

여기서 w_min과 w_max는 각각 대상 엘리베이터의 최소폭과 최 대폭이며, 여기서는 각각 1.0 m, 3.0 m이다. 또한, w와 h는 각 각 원본 이미지의 가로와 세로 해상도이다. [Fig. 3]과 같이 x 방향으로는 ƒ_l부터 ƒ_r까지, y 방향으로는 0부터 h_t까지 해당 하는 영역을 잘라내어 사용한다.

3. 엘리베이터 위치추정

주행 시 누적된 로봇의 위치 오차를 고려하여 안전하게 엘리 베이터에 탑승하기 위해서는 현재 로봇 위치 기준의 지역적인 엘리베이터 위치를 재 추정해야 한다. 따라서 본 절에서는 RGB-D 센서의 깊이 정보인 3차원 점군 정보를 사용하여 엘리베 이터와 주변의 벽면 간에 단차를 특징으로 엘리베이터 문의 양 끝 점을 찾아 엘리베이터의 위치를 추정하는 알고리즘을 제안한다.

3.1 점군 정보 전처리

RGB-D 센서의 3차원 점군은 [Fig. 4]의 (a)와 같이 영상의 각 픽셀에 해당되는 센서좌표계 기준의 3차원 위치 정보를 나 타낸다. 예를 들어, QVGA 해상도의 카메라는 76,800개의 3차 원 점군 정보를 얻을 수 있다. 그러나 모든 점군 정보를 사용하 는 것은 과도한 연산량으로 인해 실시간 엘리베이터 위치추정 을 어렵게 하므로, 본 논문에서는 전체 점군에서 필요한 정보 만을 추출하여 실시간으로 사용 가능한 형태로 변환한다.

[Fig. 4]

(a) Sensor data of RGB-D camera and (b) preprocessing of 3D point cloud

3차원 점군에서 사용하고자 하는 엘리베이터와 벽면 사이 의 단차 구조는 점들의 높이 정보와는 연관이 없다. 따라서 3 차원 점군 정보는 바닥 평면에 투영하여 2차원으로 사용할 수 있다. 또한, 영상의 같은 열에 해당하는 점들은 유사한 2차원 점으로 투영되므로 [Fig. 4]의 (b)와 같이 하나의 2차원 점으로 대체할 수 있다. 결과적으로 전체 3차원 점군은 영상의 열 크 기만큼의 2차원 점들로 축소할 수 있으며, 여전히 엘리베이터 와 벽면 사이의 단차 구조는 유지됨으로 실시간으로 엘리베이 터의 위치를 추정하기에 적합하다.

3.2 엘리베이터 문과 주변 벽면 경계점 추출

대부분의 엘리베이터 문은 약 30 cm 이상 주변 벽면의 안쪽 에 위치한다. 따라서 엘리베이터 문과 양 벽면에 해당하는 평면 을 바닥면에 투영시키면 [Fig. 5]와 같이 단차만큼 떨어진 평행한 두 직선을 얻을 수 있다. 본 연구에서는 앞서 전처리한 2차원 점군 정보에 허프변환(Hough transform)^[11]을 적용하여 엘리베이터 문 과 벽면에 해당하는 평행한 두 직선(L_elevator, L_wall)을 추출한다. 이후에는 식 (4)를 통해 추출한 두 직선과 2차원 점들 간의 거리 를 기준으로 엘리베이터 문과 벽면에 해당하는 점군을 구분한다.

[Fig. 5]

Line extraction and 2D point separation

$\[ \begin{array}{l}{d}_{th}>\left|x_i\text{cos}\left({\theta }_j\right)+y_i\text{sin}\left({\theta }_j\right)-{\rho }_j\right|\\ \left(i=1,2,\cdots ,n\hspace{0.17em}\text{and}\hspace{0.17em}j=\text{elevator,}\hspace{0.17em}\text{wall}\right)\end{array} \]$

(4)

여기서 x_i, y_i는 i번째 열의 2차원 점(P_i)의 위치 정보이고, θ_j, ρ_j 는 앞서 추출한 엘리베이터 또는 벽에 해당하는 직선(L_j)의 허프 변환 변수이다([Fig. 5] 참조). d_th는 점 P_i가 해당 직선에 포함되 는지 판단할 수 있는 점과 직선 사이의 거리에 대한 임계치이다.

엘리베이터 점군의 양 끝점을 기준으로 대략적인 엘리베이터 와 벽면의 경계점을 찾을 수 있다. 그러나 금속 재질의 엘리베이 터에 해당하는 점은 벽면에 해당하는 점에 비해 신뢰도가 낮고, 센서의 방향에 따라 엘리베이터 문의 일부가 가려질 수 있다. 따 라서 본 연구에서는 [Fig. 6]의 방법 1과 같이 엘리베이터 점군의 양 끝점과 가장 근접한 좌우측 벽면 점을 경계점으로 추출한다. 그러나 한쪽 벽의 점군만이 추출 가능한 경우에는 방법 2, 3와 같 이 벽면 위의 경계점과 엘리베이터의 끝점을 조합하여 사용한다.

[Fig. 6]

Elevator edge point extraction according to various situations

3.3 엘리베이터 문의 위치와 진입 방향 선정

본 연구에서는 앞서 추정한 엘리베이터와 벽면의 경계점을 바탕으로 [Fig. 7]과 같이 엘리베이터의 위치(x_e, y_e)와 진입하 는 방향(θ_e)에 대한 최종 결과를 도출한다. 엘리베이터의 위치 는 좌우 경계점의 중심점으로 추정하였으며, 엘리베이터 탑승 시의 진입은 엘리베이터 또는 벽면에 해당하는 직선에 수직한 방향 θ_elevator와 같다.

[Fig. 7]

Results of the elevator position estimation

추정한 엘리베이터 문의 중심 위치와 방향은 정확도를 높 이기 위해서 일정 횟수 이상 반복 추정하고, 추정 결과를 종합 하여 최다 선출된 중심점과 방향을 최종 결과로 선정한다. 이 를 통해 로봇은 엘리베이터 탑승 시 최대한 좌우로 균일한 여 유공간을 확보할 수 있고, 엘리베이터 문에 수직하게 진입할 수 있다. 그러나 [Fig. 1]의 순서도와 같이 영상을 통한 엘리베 이터의 인식이 실패한 경우에는 식 (5)와 같이 센서가 엘리베 이터 중심을 바라보기 위한 회전각도(θ_r)을 계산하여 로봇을 회전시킨 후 위치를 재 추정한다.

$\[ {\theta }_r={\text{tan}}^{-1}\left(y_e/x_e\right) \]$

(5)

4. 실 험

본 절에서는 제안한 RGB-D 센서를 이용한 엘리베이터 인 식 및 위치추정 성능을 [Fig. 8]과 같이 엘리베이터 전방의 다 양한 위치와 방위에서 실험하여 검증하였다. 각 위치는 엘리 베이터 전방에서 센서의 감지거리와 시야각을 고려하였을 때 엘리베이터에 대한 충분한 센서 정보를 얻을 수 있는 범위 내의 지점들로 설정하였다. 실험 환경과 실험에 사용한 로봇의 구 성은 [Fig. 9]와 같으며, 구체적인 사양은 [Table 2]와 같다.

[Fig. 8]

Experimental conditions

[Fig. 9]

(a) Experimental setup and (b) experimental environment

[Table 2]

Specifications of experimental setup

4.1 엘리베이터 인식이 가능한 센서 방향 실험

영상 분류기를 통한 엘리베이터 인식은 다른 물체와의 혼 동으로 인한 엘리베이터 인식 성능의 저하를 막기 위해 RGB 영상 중앙의 일부만을 인식에 사용한다. 따라서 실질적으로 엘리베이터 인식에 사용되는 센서의 시야는 센서의 사양보다 좁으므로 엘리베이터 인식이 가능한 센서의 방향은 위치추정 이 가능한 범위보다 제한적이다.

본 실험에서는 [Fig. 8]의 각 센서 위치(1~9)에서 엘리베이터 인식이 가능한 센서 방향의 범위를 확인하였다. 엘리베이터 인 식의 성공은 영상 분류 결과 엘리베이터로 판단된 점수가 0.6 이상인 경우가 5회 이상 연속적으로 반복될 때를 기준으로 하 였다. 실험 결과 각 위치에서 엘리베이터 인식이 가능한 센서 방향의 범위는 [Table 3]과 같다. 엘리베이터 인식 범위는 각 위 치에서 센서가 엘리베이터 중심을 바라보는 방향을 기준으로 시계 또는 반시계 방향으로 회전 시에 엘리베이터 인식이 가능 한 최대 회전각을 나타낸다. [Fig. 10]은 센서 2의 위치에서 엘 리베이터 인식이 가능한 범위와 인식 결과를 예시로 보여준다.

[Table 3]

Elevator recognition range

[Fig. 10]

Elevator recognition results in each direction of the sensor

엘리베이터 인식이 가능한 방향의 범위는 학습 데이터에 따라 달라지므로 센서 위치에 따른 뚜렷한 경향성은 찾기 어 렵다. 다만, 센서가 엘리베이터를 바라보는 방위에서 약 20° 이상의 방위 오차가 있을 때에는 대부분의 엘리베이터 인식이 어렵고, 9° 이하에서는 항상 인식이 가능한 것을 확인하였다.

4.2 엘리베이터 위치추정 성능

본 논문에서 제안한 엘리베이터의 위치와 방위를 추정하는 알고리즘의 정확도를 검증하기 위해, 엘리베이터 전방의 다양 한 센서의 위치에서 엘리베이터의 위치 및 방위를 추정하고 오 차를 확인하였다. 각 위치에서 센서의 방향은 엘리베이터의 중 심을 향하여 엘리베이터 인식이 가능한 조건에서 실험하였다.

[Fig. 8]의 각 센서 위치에서 10회씩 반복하여 평균한 엘리 베이터 위치추정의 오차는 [Table 4]와 같다. 추정 결과, 센서 가 엘리베이터로부터 멀어질수록 실제 위치보다 가까운 곳에 추정되는(∆x < 0) 경향을 볼 수 있었다. 그러나 엘리베이터 탑 승 시 충돌에 결정적인 영향을 미치는 추정 오차는 ∆y와 ∆θ 이며, 이에 따라 로봇이 얼마나 엘리베이터 중앙으로 수직하 게 진입할 수 있는지 결정된다. 따라서 ∆x는 평균 오차 4.5 cm 로 최대 9 cm까지 오차가 있지만, ∆x와 ∆θ는 각각 평균 오차 1.4 cm와 1.0°로 로봇이 안전하게 엘리베이터에 탑승하기 충 분한 정확도의 추정이 가능함을 검증하였다.

[Table 4]

Elevator pose estimation error

엘리베이터 인식 및 위치추정 방법의 실시간성은 엘리베이 터 인식과 위치추정 알고리즘 각각의 1회 수행시간을 측정하 여 실험하였다. [Table 2]와 같은 사양에서 엘리베이터 인식 알 고리즘과 위치추정 알고리즘 각각 1회당 평균 210 ms 및 35 ms 이었다. 본 실험에서는 정확도를 위해 엘리베이터 인식은 5회, 위치추정은 20회 반복한 결과를 바탕으로 하였으므로 전체 알 고리즘 시작에서 종료까지 약 1초의 시간이 소요되었다.

4.3 엘리베이터 인식을 위한 센서 방향 보정 실험

로봇의 방위오차로 인해 엘리베이터 인식이 어려운 경우 점군을 기반으로 엘리베이터로 예상되는 위치를 추정하고, 이 를 기반으로 센서가 엘리베이터를 향하도록 회전시키는 방법 을 실험하였다. 앞선 엘리베이터 인식 실험 결과와 대기장소 에 도착한 로봇의 방위오차가 20° 내외라는 가정을 바탕으로, [Fig. 8]의 각 위치에서 시계 또는 반시계 방향으로 약 20°의 방 위오차로 실험을 수행하였다.

[Fig. 11]은 4번 위치에서 실험한 예이며, 각 위치별로 시계 및 반시계 방향으로 5회씩 실험하였을 때 보정 후 방위오차 ($$ {{\theta }^{\prime }}_r={20}^{\text{o}}-\left|{\theta }_r\right|$$)는 [Table 5]와 같다. 결과적으로, 모든 위치 에서 엘리베이터 인식이 가능한 9° 이내의 방위오차를 가지는 센서 방향으로 보정이 가능하였다. 또한, [Fig. 11]과 같이 보정 후에는 전과 비교하여 엘리베이터 좌우의 전반적인 점군 정보 를 얻을 수 있으므로, 위치추정 또한 더 정확한 결과를 얻을 수 있음을 예상할 수 있다.

[Fig. 11]

Elevator recognition and pose estimation before and after sensor orientation correction

[Table 5]

Sensor orientation after correction

5. 결 론

본 논문에서는 로봇이 엘리베이터 앞에 도착한 이후, RGB-D 센서를 이용하여 엘리베이터를 인식하고 센서 좌표계 기준의 엘리베이터의 위치와 진입 방향을 추정하는 방법을 제 안하였다. 엘리베이터 전방에서 센서를 다양한 위치와 방위에 서 실험하여 제안한 방법에 대한 정확도와 실효성을 조사하였 으며, 다음과 같은 결론을 도출하였다.

1. 센서로 엘리베이터를 감지할 수 있는 위치에 20° 이내의 방 위오차 내로 도착할 수 있는 주행 기술을 갖춘 이동로봇은, 엘리베이터에 안전하게 탑승할 수 있는 센서 좌표계 기준 의 엘리베이터의 위치와 진입 방향 추정이 가능하다.
2. 엘리베이터의 위치추정은 엘리베이터 문과 주변 벽면과 깊이 차이를 기반으로 실제 위치와 5 cm 내외의 거리 오차 로 위치추정이 가능하며, 유사한 구조의 대부분의 엘리베 이터에 대해 적용이 가능하다.
3. 영상을 기반으로 전방의 엘리베이터를 인식 및 확인하므 로 엘리베이터와 비슷한 다른 구조에서 잘못 추정하는 경 우를 방지할 수 있다.

추후에는 RGB-D 센서 기반의 이동로봇 주행 기술과 엘리 베이터 문의 개폐 인식 기술을 추가하고, 실제 환경에 적용할 수 있도록 사람이나 물건 등의 정적, 동적 장애물에도 대응할 수 있는 엘리베이터 위치 추정과 로봇 제어 방법에 대한 연구 를 수행하고자 한다.

Acknowledgments

This work was supported by IITP grant funded by the Korea Government MSIT (No. 2018-0-00622).

References

• A. A. Abdulla, H. Liu, N. Stoll, and K. Thurow, “Multi-floor navigation method for mobile robot transportation based on StarGazer sensors in life science automation,” 2015 IEEE International Instrumentation and Measurement Technology Conference, Pisa, Italy, pp. 428-433, 2015. [https://doi.org/10.1109/I2MTC.2015.7151306]
• S. W. Ma, “Localization using Fiducial Markers and Elevator Door,” M.S thesis, Inha University, Incheon, 2012.
• J.-G. Kang, S.-Y. An, W.-S. Choi, and S.-Y. Oh, “Recognition and Path Planning Strategy for Autonomous Navigation in the Elevator Environment,” International Journal of Control, Automation and Systems, vol. 8, no. 4, pp. 808-821, 2010. [https://doi.org/10.1007/s12555-010-0413-3]
• J.Y. Baek and M.C. Lee, “A study on detecting elevator entrance door using stereo vision in multi floor environment,” 2009 ICCAS-SICE, Fukuoka, Japan pp. 1370-1373, 2009.
• W. Boehler, M. B. Vicent, and A. Marbs, “Investigating laser scanner accuracy,” CIPA XIXth Int. Symposium, vol. 34, pp. 696-701, 2003.
• D. H. Lee, “RGB-D Sensor based Elevator Recognition and Getting on and off an Elevator for Safe,” M.S thesis, Korea University, Seoul, 2018.
• S.-W. Ma, X. Cui, H.-H. Lee, H.-R. Kim, J.-H. Lee, and H.-I. Kim “Robust Elevator Door Recognition using LRF and Camera,” Journal of Institute of Control, Robotics and Systems, vol. 18, no. 6, 2012. [https://doi.org/10.5302/J.ICROS.2012.18.6.601]
• C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the Inception Architecture for Computer Vision,” 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, pp. 2818-2826, 2016. [https://doi.org/10.1109/CVPR.2016.308]
• C. Szegedy, S. Ioffe, V. Vanhoucke, and A. Alemi, “Inception-v4, inception-resnet and the impact of residual connections on learning,” arXiv:1602.07261, 2016.
• A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” Communications of the ACM, May, 2017. [https://doi.org/10.1145/3065386]
• R. O. Duda and P. E. Hart, “Use of the Hough transform to detect lines and curves in pictures,” Communications of the ACM, January, 1972.