선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 LiDAR 원시자료로부터 도로관련 자료기반 구축을 위한 도로 포인트 추출을 위하여 정보량 추정의 척도로 사용되는 엔트로피 이론을 도입하여 LiDAR 자료의 표고정보에 대한 엔트로피를 계산함으로써 포인트들을 분류하여 그룹화하고 분류된 그룹들의 반사강도를 이용하여 도로로 예상되는 그룹을 추출하였으며, 법령에서 규정하고 있는 각종 도로 및 시설의 특징을 이용하여 도시지역 LiDAR 원시자료로부터 도로포인트를 자동적으로 추출하기 위한 방법을 제시하였으며 전체적인 흐름도는 그림 1과 같다.
- 따라서 본 연구에서는 해당지역 도로상의 반사강도를 파악하기 위하여 표본집단의 반사강도를 파악하는 방법을 수행하였다. 먼저 명백하게 도로를 나타내고 있는 포인트들을 표본집단으로 선정하고 표본집단의 반사강도에 대한 평균 및 표준편차를 이용하여 모든 포인트 그룹 중 반사강도 평균이 표본집단의 ±2σ 이내에 드는 그룹만을 검출하였다.
제안 방법
- 본 연구에서는 백터형식의 LiDAR 원시자료에 엔트로피를 이용한 경계검출 알고리즘을 적용하기 위하여 식 (1)을 이용했다. 그러나 그리드 형식의 이미지와는 달리 LiDAR 포인트들의 분포는 일정치 않으므로 식 (1)에서 확률값 pi의 계산을 위하여 임의의 LiDAR 포인트에 대하여 일정 반경의 버퍼를 수행하고 버퍼영역 내의 인접 포인트를 검색함으로써 확률값을 구하고 엔트로피를 계산하는 알고리즘을 제시하였다.
- 그림 2와 같이 버퍼의 크기를 가변적으로 설정하여 영역 내에 일정 갯수의 인접 포인트가 검색될 때까지 버퍼의 크기를 확장하였으며, 이미 포인트가 검색된 영역에서는 더 이상의 포인트를 검색하지 않도록 하였으며, 입력 포인트를 중심으로 8방향의 영역 구분하고 각 영역에서 최소 1개 포인트를 검색하도록 하였다.
- 따라서 본 연구에서는 표고값을 이용하여 경계포인트를 추출하고, 그림 3과 같은 방법으로 유사한 표고값을 갖는 포인트들을 그룹화하여 높은쪽과 낮은쪽을 분류하였다.
- 그러나, 단순히 표고값만을 근거로 포인트를 분류하는 경우 서로 멀리 떨어져 있는 포인트들도 같은 그룹으로 분류될 수 있기 때문에 본 연구에서는 포인트들간의 인접성을 추가로 고려하였다.
- 먼저 명백하게 도로를 나타내고 있는 포인트들을 표본집단으로 선정하고 표본집단의 반사강도에 대한 평균 및 표준편차를 이용하여 모든 포인트 그룹 중 반사강도 평균이 표본집단의 ±2σ 이내에 드는 그룹만을 검출하였다.
- 본 연구에서 분류된 포인트 그룹의 포인트 분포형태를 통하여 대상체의 모양 및 크기를 간접적으로 추정할 수 있다. 따라서, 특정 포인트 그룹을 구성하는 각 포인트들에 대하여 일정크기의 오차를 고려한 도로 폭에 해당하는 크기의 버퍼를 설정하여 버퍼영역내에 다른 그룹의 포인트가 포함되는지를 파악하고 해당 그룹의 포인트들만을 포함하고 있는 버퍼영역이 하나도 발견되지 않으면 오차 그룹으로 간주하도록 하였다.
- 또한 건물의 지붕에서 도로 포장 재료와 비슷한 반사강도를 갖는 경우가 발생할 수 있기 때문에 반사강도만으로는 건물과 도로가 혼재되어 발견될 수 있으므로 도로의 구조적인 특징을 이용하였다.
- 이러한 점을 감안하여 최저 평균표고를 갖는 그룹을 최적 도로 포인트 그룹으로 추출하였으며, 도로면 보다 낮은 표고 분포를 갖는 지하주차장 등에 의한 오류를 피하기 위하여 법에서 규정하고 있는 지하주차장의 특징을 이용하여 크기를 제한하였다.
- 그림 5는 최적 도로 포인트를 추출하는 방법을 나타낸 것이다. 선택된 최적 도로 포인트 그룹을 기준으로 주변 포인트 그룹의 평균 반사강도를 검색하여 최적 포인트 그룹과의 반사강도와의 차이가 표준편차보다 작은 포인트 그룹들을 도로 포인트 그룹으로 선정하는 과정을 수행함으로써 최종 도로 포인트 그룹들을 선정하였다.
- 따라서, 법에서 규정하고 있는 도로폭과 반사강도를 이용하여 최종적으로 LiDAR 자료로부터 도로포인트들을 추출하였다.
- 이러한 알고리즘을 통하여 각각의 개별적인 LiDAR 포인트에 대한 반사강도를 이용하는 선행연구들과는 달리 본 연구에서는 표고값을 기준으로 그룹으로 분류하고 분류된 포인트 그룹의 평균 반사강도를 이용하여 선행연구들에서 횡단보도 등과 같이 도로상에 존재하지만 도로와는 다른 반사 특성을 갖는 대상으로 인해 연속적이지 못한 도로를 추출하게 되는 문제점을 해결하였다.
- 또한, 그림 10 및 그림 11은 알고리즘에 의하여 LiDAR 자료를 표고값 및 각 포인트들간의 인접성을 기준으로 그룹화하여 분류한 결과로써 각각 엔트로피에 의하여 추출된 경계포인트를 분류한 결과 및 식별자가 할당된 경계 포인트들을 기준으로 전체 포인트를 분류한 결과이다. 이때 도로 기준 특성상 최대의 경사도를 감안하여 유사포인트 검색을 위한 임계값을 버퍼 반경의 16%로 적용 하여 구분하였다.
- 최초 검출된 최적 도로 포인트 그룹을 기준으로 도로 포인트로 예상되는 주변 도로포인트 그룹을 찾기 위하여 포인트 그룹간 평균경사가 8% 이내(평지에서의 국지도로에 대한 최대 종단구배 기준)이면서, 평균반사강도가 표본집단의 ±σ 이내인 그룹을 선택하여 도로로 예상되는 포인트 그룹들을 추출하는 과정을 그림 16과 같이 반복하여 확장함으로써 최종적으로 그림 17과 같은 예상 도로 포인트 그룹을 추출하였다.
- 먼저 도로포이트로 예상되는 최적의 도로 포인트 그룹을 선택하기 위하여 분류된 포인트 그룹 중 평균 반사강도값이 표본집단의 ±2σ 이내를 만족하면서, 지하주차장 출입구와 같이 도로면보다 낮은 표고값을 갖는 그룹을 제외한 가장 낮은 그룹을 검색하였다.
- 예상 도로 포인트들은 도로 규정에 속하지 않는 작은 도로를 포함하고 있기 때문에 규정상의 도로만을 추출해야 할 필요가 있었다. 따라서, 표 3으로부터 1차선 도로폭의 기준을 최소 3m로 하고, 오차율을 포함, 2차로 도로를 기준으로 7m를 넘는 지역만을 찾는 알고리즘을 구성하였다.
- 추출된 예상 도로 포인트 그룹을 구성하고 있는 임의의 포인트에서 버퍼의 크기를 증가시키면서 버퍼링을 수행하였으며, 버퍼지역내에 도로가 아닌 다른 포인트가 포함되기 직전까지의 최대의 버퍼크기를 구하여 그림 18과 같은 결과 값을 얻었다. 이 값들 중에서 직경이 7m 이상인 버퍼를 찾아 그 내부에 속하는 포인트만을 유효 도로 포인트로 인정하였으며, 최종적으로 그림 19와 같은 도로 포인트를 추출할 수 있었다.
- 1. LiDAR 자료의 반사강도와 3차원 정보에 대한 엔트로피 및 법령에서 규정하고 있는 각종 도로 및 시설의 특징을 이용하여 도심지역의 도로 포인트를 추출하는 알고리즘을 제시하였다.
대상 데이터
- 연구대상지역은 경상남도 마산시 일부 지역으로 그림7은 LIDAR 자료와 함께 취득된 대상지역 항공영상이다. 연구대상지역에는 도로와 유사한 색상의 지붕으로 구성된 다양한 형태의 건물들이 포함되어있으며 이 건물들은 단순히 도로의 레이저 반사강도에 의하여 도로를 분류하는 경우 도로로 잘못 분류될 가능성이 있다.
데이터처리
- 도로포인트의 추출 정확도를 분석하기 위하여 표 4와 같은 cross-matrix(Sithole and Vosselman, 2003)를 적용하였다. 결과 비교를 위한 기준자료는 축척 1:1,000 수치지도와 대상지역 Digital photo를 이용하여 수작업으로 도로 포인트를 추출하여 제작하였으며 표 5는 본 연구에서 제시된 알고리즘에 의해 수행된 도로추출결과의 정확도 비교 결과이다. 여기서 a는 도로로 잘 분류된 것, b는 도로이지만 비도로로 잘못 분류된 것, c는 비도로이지만 도로로 잘못 분류된것, 마지막으로 d는 비도로로 잘 분류된 것이다.
이론/모형
- 정보이론적 관점에서의 엔트로피는 Shannon에 의하여 정의되었으며(Shannon, 1948), Pun(1980)와 Kapur et al. (1985)는 Shannon의 엔트로피 이론을 식 (1)과 같은 방법으로 영상에서의 엔트로피를 정의하는데 사용하였다.
- 본 연구에서는 백터형식의 LiDAR 원시자료에 엔트로피를 이용한 경계검출 알고리즘을 적용하기 위하여 식 (1)을 이용했다. 그러나 그리드 형식의 이미지와는 달리 LiDAR 포인트들의 분포는 일정치 않으므로 식 (1)에서 확률값 pi의 계산을 위하여 임의의 LiDAR 포인트에 대하여 일정 반경의 버퍼를 수행하고 버퍼영역 내의 인접 포인트를 검색함으로써 확률값을 구하고 엔트로피를 계산하는 알고리즘을 제시하였다.
- 본 연구에서는 도로를 추출하기 위하여 도로의 반사강도를 이용하였다. LIDAR 시스템에서 표고정보와 함께 취득되는 레이저의 반사강도는 대상체에 반사되어 스캐너에 도달한 레이저 강도와 송신된 레이저 강도의 비율로써 주로 대상체의 반사도에 의해 결정되기 때문에 대상체의 종류를 규명하기 위한 중요한 정보로 이용할 수 있다(Jensen, 1989).
- 도로포인트의 추출 정확도를 분석하기 위하여 표 4와 같은 cross-matrix(Sithole and Vosselman, 2003)를 적용하였다. 결과 비교를 위한 기준자료는 축척 1:1,000 수치지도와 대상지역 Digital photo를 이용하여 수작업으로 도로 포인트를 추출하여 제작하였으며 표 5는 본 연구에서 제시된 알고리즘에 의해 수행된 도로추출결과의 정확도 비교 결과이다.
성능/효과
- 따라서, 대상지역의 반사강도를 먼저 분석할 필요에 따라 명백하게 도로로 파악되는 지역의 총 215개 표본집단을 선택하고 이들 포인트들에 대한 반사강도는 평균 14.48, 표준편차는 ±4.21로 파악되었다.
- 대상지역의 항공사진과 비교해본 결과 그림 13에서 보는 것처럼 차량의 경우는 도로 폭인 3m 보다 작으므로 각 포인트의 버퍼 내부에 다른 클래스의 포인트들이 포함되어 오차 그룹으로 분류되었으며 건물의 경우는 3m 안에 자신의 클래스들만이 속하는 버퍼가 존재하므로 오차 그룹으로 분류되지 않았고, 그림 14에서와 같이 도로변 가로수 및 건물의 벽면 포인트들도 오차 포인트로 검출 된 것을 알 수 있었다.
- 대상지역 LiDAR 반사강도는 99% 이상의 대부분이 100 이하로 나타났으며, 100 이상의 높은 반사강도는 차량 혹은 건물 등의 유리분에서 나타나는 것으로 파악되었다.
- 먼저 도로포이트로 예상되는 최적의 도로 포인트 그룹을 선택하기 위하여 분류된 포인트 그룹 중 평균 반사강도값이 표본집단의 ±2σ 이내를 만족하면서, 지하주차장 출입구와 같이 도로면보다 낮은 표고값을 갖는 그룹을 제외한 가장 낮은 그룹을 검색하였다. 지하주차장 출입구는 주차장법 시행 규칙에 따라 최대 구배 17%, 길이 10m, 폭 6m을 기준으로 약 100m2으로 제한하였으며, 연구에서 사용된 LiDAR 자료의 점밀도가 3points/임을 감안하여 300개 이상의 포인트를 갖는 클래스만을 검출하여 그림 15와 같은 결과를 얻었다.
- 2. LiDAR 자료의 표고값을 기준으로 포인트를 그룹화하고 분류된 포인트 그룹의 평균 반사강도를 이용하는 기법을 제시함으로써, 도로의 노면상태에 관계없이 도로 포인트를 추출하였으며, 버퍼링을 통한 오차포인트 검출 기법을 제시함으로써 도로상의 차량 등에 의한 오류발생요소를 제거할 수 있었다.
- 3. 도로로 추출된 포인트들과 수치지도를 중첩하여 결과를 비교하였으며 주차장 지역을 제외하는 경우 total error가 0.83%으로 매우 좋은 결과를 나타내었다.
- 추가적으로 본 연구에서 제시하고 있는 알고리즘은 많은 연산과정을 포함하고 있어 수행시간이 다소 오래 걸리며, 도로와 유사한 표고 및 반사강도 특성을 갖는 주차장 지역을 도로로 잘못 분류하는 문제점을 보이고 있다. 그러나, 알고 리즘 수행시간은 병렬처리 기법 등을 통하여 개선이 가능할 것으로 보이며, 오분류되는 주차장 지역은 도로의 구조적 특징 및 도로의 연계성부분을 고려함으로써 정확한 분류가 가능할 것으로 판단된다.
- 추출된 예상 도로 포인트 그룹을 구성하고 있는 임의의 포인트에서 버퍼의 크기를 증가시키면서 버퍼링을 수행하였으며, 버퍼지역내에 도로가 아닌 다른 포인트가 포함되기 직전까지의 최대의 버퍼크기를 구하여 그림 18과 같은 결과 값을 얻었다. 이 값들 중에서 직경이 7m 이상인 버퍼를 찾아 그 내부에 속하는 포인트만을 유효 도로 포인트로 인정하였으며, 최종적으로 그림 19와 같은 도로 포인트를 추출할 수 있었다.
후속연구
- 추가적으로 본 연구에서 제시하고 있는 알고리즘은 많은 연산과정을 포함하고 있어 수행시간이 다소 오래 걸리며, 도로와 유사한 표고 및 반사강도 특성을 갖는 주차장 지역을 도로로 잘못 분류하는 문제점을 보이고 있다. 그러나, 알고 리즘 수행시간은 병렬처리 기법 등을 통하여 개선이 가능할 것으로 보이며, 오분류되는 주차장 지역은 도로의 구조적 특징 및 도로의 연계성부분을 고려함으로써 정확한 분류가 가능할 것으로 판단된다. 또한 본 연구에서 고려되지 않은 콘크리트 도로 등의 일반적인 아스팔트 도로와 반사강도의 차이가 있는 지역은 대상지역의 반사강도 표본을 추출하는 방법을 통하여 도로지역으로 분류가 가능할 것으로 판단된다.
- 그러나, 알고 리즘 수행시간은 병렬처리 기법 등을 통하여 개선이 가능할 것으로 보이며, 오분류되는 주차장 지역은 도로의 구조적 특징 및 도로의 연계성부분을 고려함으로써 정확한 분류가 가능할 것으로 판단된다. 또한 본 연구에서 고려되지 않은 콘크리트 도로 등의 일반적인 아스팔트 도로와 반사강도의 차이가 있는 지역은 대상지역의 반사강도 표본을 추출하는 방법을 통하여 도로지역으로 분류가 가능할 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.