[논문]자율주행 로봇의 외부환경 이해를 위한 기하학적인 빌딩 분석

김대년; 찐황헌; 조강현

doi:10.5302/j.icros.2010.16.3.277

자율주행 로봇의 외부환경 이해를 위한 기하학적인 빌딩 분석
Geometrical Building Analysis for Outdoor Environment Understanding of Autonomous Navigation Robot 원문보기

제어·로봇·시스템학회 논문지 = Journal of institute of control, robotics and systems, v.16 no.3, 2010년, pp.277 - 285

김대년 (울산대학교 전기전자정보시스템공학부) , 찐황헌 (울산대학교 전기전자정보시스템공학부) , 조강현 (울산대학교 전기전자정보시스템공학부)

Abstract ▼ AI-Helper

This paper describes an approach to analyze geometrical information of building images for understanding outdoor environment of autonomous navigation robot. Line segments and color information are used to classily a building with the other objects such as sky, trees, and roads. The line segments and their two neighboring regions are extracted from detected edges in image. The model of line segment (MLS) consists of color information of neighbor regions. This model rules out the line segments of non-building face. A building face converges into dominant vanishing points (DVPs) which include one vertical point and one of five horizontal points in maximum. The intersection of vertical and horizontal lines creates a facet of building. The geometrical characteristics such as the center coordinates, area, aspect ratio and aligned coexistence are used for extracting the windows in the building facet. In experiments, 150 building faces and 1607 windows were detected from the database of outdoor environment. We found that this result shows 94.46% detection rate. These experimental images were all taken in Ulsan metropolitan city in Korea under difference of viewpoints, daytime, camera system and weather condition.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

시각 정보(영상)로부터 필요한 정보를 추출, 인식을 수행하려면 많은 계산량이 필요하다. 그러므로 지능형 로봇의 물체나 공간인식을 위해서는 강인성 확보와 더불어 실시간에 처리할 수 있는 기술에 대한 연구를 하고자 한다. 로봇이 외부환경을 주행할 때 더욱 많은 정보를 알기 위해서 빌딩의 현관을 검출하는 방법을 연구하고 있다.
로봇이 외부환경을 주행할 때 더욱 많은 정보를 알기 위해서 빌딩의 현관을 검출하는 방법을 연구하고 있다. 또한 사람 및 다양한 물체에 대한 인식, 분석 및 빠른 처리를 할 수 있는 기법에 대해서도 연구를 한다. 이것을 이동로봇에 적용해 정보의 DB (Data-Base)화를 이루어서 더욱 지능화된 로봇을 개발하고자 한다.
이것은 빌딩과 빌딩이 아닌 영상을 찾기 위한 기준이 된다. 본 논문에서 제안한 방법은 외부환경에서 로봇이 주행 중에 빌딩의 물체를 검출하고 빌딩의 속성을 분석하는 것이다. 빌딩의 한 면 또는 다중의 면으로 구성된 빌딩은 실제 외부환경에서 빌딩의 속성을 분석하는 좋은 정보를 제공한다.
최근에 지능형 로봇에 대한 관심이 증대됨에 따라 물체인식 기술에 대한 연구가 더욱 증가하고 있다. 본 연구는 외부환경에서 로봇이 주행하면서 얻는 영상에서 빌딩과 같은 중요한 물체를 검출하고 분석하는 방법을 설명한다[1, 2]. 빌딩은 로봇이 외부환경을 주행할 때 로봇의 위치를 찾기 위한 중요한 인공적인 지표(landm画k) 중의 하나이다.
본 연구는 외부환경에서 로봇이 주행할 때 빌딩과 같은 중요한 물체를 검출하고 분석하는 방법을 설명한다. 먼저 빌딩 면의 영역을 검출하기 위해 일정한 크기의 직선성분인 선분과 소실점의 수직선분과 수평선분을 이용한다.
다음은 강인하게 소실점을 추정하기 위해 MSAC (M- estimator sample consensus) 알고리즘을 이용한다[8]. 본 연구에서 MSAC의 이용은 이전에 찾은 선분의 특징으로 얻은 후보들이 소실점에서 얼마만큼 떨어져 있는가를 결정해서 동일한 방향에서 모이는 소실점을 결정한다. 결국 MSAC에 의해 얻은 소실점 V 의 강인한 추정법은 대부분 성공적으로 얻는다 修].
그러므로, 빌딩과 빌딩이 아닌 영상을 명백히 구별하기는 어렵다. 외부환경에서 로봇이 주행할 때 물체에 대한 가능한 많은 정보를 획득하는 것을 목표로 한다. 그래서, 로봇이 지면을 주행하고 카메라로부터 많이 떨어지거나 가까이에서 획득한 영상은 고려하지 않는다.
또한 사람 및 다양한 물체에 대한 인식, 분석 및 빠른 처리를 할 수 있는 기법에 대해서도 연구를 한다. 이것을 이동로봇에 적용해 정보의 DB (Data-Base)화를 이루어서 더욱 지능화된 로봇을 개발하고자 한다.

제안 방법

물체를 검출하고 분석하는 방법을 설명한다. 먼저 빌딩 면의 영역을 검출하기 위해 일정한 크기의 직선성분인 선분과 소실점의 수직선분과 수평선분을 이용한다. 선분은 에지 추출을 통해 일정길이 이상의 직선성분을 구하고, 공간상에서 일정한 거리 이하로 떨어진 에지를 추출한다.
이런 빌딩면의 영역을 찾기 위해 에지, 선분, 소실점의 특징을 이용한다. 먼저, 입력 영상에서 캐니(Canny) 에지 검출기를 이용하여 선분을 검출한다[2, 13]. 빌딩에서 나타나는 선분은 주로 긴 직선성분의 에지가 존재한다.
이런 빌딩과 같은 인공물의 영역을 검출하기 위한 특징은 서로 다른 명암도를 가지는 영역간의 경계인 에지, 인공물에서 많이 나타나는 직선성분인 선분, 주요 요소 성분, 물체에 내재하는 평행직선의 소실점을 이용한다. 물체의 속성에 맞는 다중 특징으로 빌딩면의 영역을 검출한다. 그림 6은 분할된 영역을 이용하여 빌딩의 주요 요소 성분인 창문과 벽면을 찾는다.
이 모델은 RGB등 다른 모델과 다르게 유사한 색이 서로 가까이 위치하는 장점이 있다. 벽면에 대응하는 화소의 색상 (Hue) 정보를 32개의 빈(bin)으로 양자화하고 색상 히스토그램을 계산하기 위해 사용한다. 색상 히스토그램은 그림 5(a), (b)에서 빌딩면의 경계선 내부의 화소를 고려한다.
화소의 큰 그룹은 그림 5(c)와 같이 벽면으로 선택한다. 벽면의 화소 정보는 세 개의 구성요소 hx, 儿와 h3 에 대한 36개의 빈 히스토그램으로 사용한다. 払, H₂ 의 계산에 의해 代 h, 각각 10개의 빈 히스토그램을 얻는다.
이들은 위치, 색상, 기하학 등의 특성을 비교하는 것에 의해 빌딩의 벽면, 지붕, 문과 같은 빌딩의 특징을 찾는다. 본 연구는 먼저 에지 추출을 통해 일정길이 이상의 직선성분을 구한다[13]. 이 정보를 이용하여 공간상에서 일정한 거리 이하로 떨어진 에지를 추출하여 선분을 찾는다.
캠퍼스와 같은 외부환경에서 로봇이 주행할 때 장애물의 회피와 물체인식이 중요한 문제로서 본 연구는 다중 특징을 이용하여 빌딩면의 영역을 분할하고 기하학적인 빌딩의 속성을 분석한다. 분할된 빌딩면의 영역을 이용하여 빌딩면에서 나타나는 주요한 요소성분인 창문과 벽면을 찾고 창문을 검출해서 빌딩의 크기와 높이를 추정하기 위해 가로와 세로에 대한 최대개수의 창문을 찾는다. 로봇이 외부환경을 주행할 때 빌딩에 대해 더욱 상세한 정보를 안다면 다중 영상에서 빌딩에 대한 정보나 실시간 영상 복원을 하기 위해 더욱 중요한 정보가 된다.
수직선분과 수평선분의 교차점을 찾아 빌딩면을 그물(mesh)로 얻는다. 빌딩면에서 각 그물은 이웃해 있는 그물의 색상값의 평균을 비교하여 벽면과 창문의 영역을 구별한다. 후보 창문의 가로와 세로의 최대수로서 빌딩의 크기와 높이를 추정한다.
빌딩을 검출하기 위해 수직과 수평 선분의 소실점을 찾아서 교차하는 부분을 찾아서 빌딩의 그물을 얻는다. 빌딩의 벽면을 구하기 위해 두 이웃해 있는 평행사변형(그물)의 유사한 색상을 합병해서 구한다. 벽면을 구할 때 색상 정보를 HSI (Hue, saturation, intensity) 색상모델을 사용한다.
본 연구는 먼저 에지 추출을 통해 일정길이 이상의 직선성분을 구한다[13]. 이 정보를 이용하여 공간상에서 일정한 거리 이하로 떨어진 에지를 추출하여 선분을 찾는다. 선분은 이웃영역의 색상정보에 의해 만들고 빌딩의 면이 아닌 패턴의 선분을 제외한다.
또한 빌딩에서 높이를 추정할 수 있는 기하학적인 속성의 관계와 표 2의 결과처럼 창문의 개수를 찾는다. 캠퍼스와 같은 외부환경에서 로봇이 주행할 때 장애물의 회피와 물체인식이 중요한 문제로서 본 연구는 다중 특징을 이용하여 빌딩면의 영역을 분할하고 기하학적인 빌딩의 속성을 분석한다. 분할된 빌딩면의 영역을 이용하여 빌딩면에서 나타나는 주요한 요소성분인 창문과 벽면을 찾고 창문을 검출해서 빌딩의 크기와 높이를 추정하기 위해 가로와 세로에 대한 최대개수의 창문을 찾는다.
대부분 빌딩의 벽과 창문은 두드러지는 차이를 가지는 색상을 띠고 있다. 확인을 위해 빌딩면의 영역을 나타내는 기하학적인 정보와 벽면의 색상 히스토그램으로 시각적 속성을 사용한다. 빌딩에서 벽면은 주로 비슷한 색상정보를 가진다.

대상 데이터

그림 6(g)의 세 번째 영상은 특수한 경우의 빌딩이다. 1층과 3층으로 이루어진 빌딩을 획득한 영상이다.
실험에 사용된 영상의 크기는 800x600 이고 실험 환경은 Pentium IV 2.6GHz IBM PC에서 실시하였다. 빌딩을 분석하는 시스템의 전체 수행시간은 5.
Ⅵ 실험

실험에서 사용한 영상은 울산광역시의 외부환경에서 시점 (viewpoint), 주간(daytime), 카메라 시스템 및 날씨의 차이를 두고 획득한 영상을 실험한다. 로봇이 캠퍼스와 같은 주변 환경을 주행하는 상황에서 획득한 빌딩의 영상으로 물체검출을 위해 다중의 특징을 이용하고 그러한 대상물체의 지식을 활용한다.
표 3은 빌딩의 창문을 검출한 결과를 나타낸 것이다. 창문을 검출하는 실험에서 150개의 빌딩에서 1607개의 창문을 사용한다. 그 중 1544개가 창문의 후보로 검출되고 실제 창문을 창문으로 검출된 경우(true positive)는 1521개가 검줄되고 실제 창문이 아닌데 창문으로 찾아지는 경우(fhlse positive)는 23개이다.

데이터처리

에지를 검출하기 위해 캐니(Canny) 검출기를 이용한다. 캐니 에지 검출기는 가우시안 마스크(Gaussian mask)로 영상을 회선하여 각각의 결과 화소에서 기울기와 방향을 계산한다. 각 화소의 기울기 방향을 따라 2차 미분을 계산하여 0의 값의 위치를 찾아 에지의 점으로 분류한다.

이론/모형

다음은 강인하게 소실점을 추정하기 위해 MSAC (M- estimator sample consensus) 알고리즘을 이용한다[8]. 본 연구에서 MSAC의 이용은 이전에 찾은 선분의 특징으로 얻은 후보들이 소실점에서 얼마만큼 떨어져 있는가를 결정해서 동일한 방향에서 모이는 소실점을 결정한다.
빌딩의 벽면을 구하기 위해 두 이웃해 있는 평행사변형(그물)의 유사한 색상을 합병해서 구한다. 벽면을 구할 때 색상 정보를 HSI (Hue, saturation, intensity) 색상모델을 사용한다. HSI 색상 모델은 인간이 색을 인지하는 방식과 유사한 색상 모델이다.
선분을 검출하기 위한 첫 번째 단계는 영상에서 에지를 검출한다. 에지를 검출하기 위해 캐니(Canny) 검출기를 이용한다. 캐니 에지 검출기는 가우시안 마스크(Gaussian mask)로 영상을 회선하여 각각의 결과 화소에서 기울기와 방향을 계산한다.

성능/효과

개선된 결과에서 실제 창문을 창문으로 검출된 경우(true positive)는 1537개가 검줄되고 실제 창문이 아닌데 창문으로 찾아지는 경우倒se positive)는 21개이다. 또한 실제 창문인데 창문을 찾지 못하는 경우 (閒se neg丽ve) 는 전부 68개의 창문이다.
그림 2(a, d)의 원 영상은 빌딩이 존재하지 않는 영상이고 그림 2의 세, 네 번째 열의 영상은 빌딩인 영상에서 영역의 선분을 제거한 결과를 나타낸다. 빌딩이 아닌 영역이 평균적으로 75 %의 분할과 빌딩의 영역 영상에서 50 %가 분할되어 제거되는 결과를 얻는다. 빌딩이 아닌 곳에 위치해 있는 선분은 거의 제거되고 빌딩에 위치하는 선분은 대부분 남아있다.

참고문헌 (19)

A. Bosch, X. Munoz, and J. Freixenet, "Segmentation and description of natural outdoor scenes," Journal of Image and Vision Computing, vol.25, pp.727-740, 2007.

상세보기
D.-N. Kim, H.-H. Trinh, and K.-H. Jo, "Objects segmentation using multiple features for robot navigation on outdoor environment," International Journal of Information Acquisition, vol.6, no.2, pp.99-108, 2009.

상세보기
N. Comelis, B. Leibe, K. Comelis, and Luc Van Goo, "3D urban scene modeling integrating recognition and reconstruction," International Joumal of Computer Vision, vol. 78, pp.121-141, 2008.

상세보기
L. Garcin, X. Descombes, H. L. Men, and J. Zerubia, "Building detection by markov object processes," Proc. of IEEE Int'l Conf. on ICIP, vol.2,pp. 565-568, 2001.
N.J.C. Groeneweg, B. de Groot, A.H.R. Halma, B.R. Quiroga, M. Tromp, and F. C. A. Groen, "A fast offline building recognition application on a mobile telephone," Proc. of IEEE Int'l Conf. on ACIVS, pp. 1122-1132, 2006.
Q. Iqbal and J. K. Aggarwall, "Applying perceptual grouping to content-based image retrieval: building images," Proc. of IEEE Int'l Conf. on CVPR, pp.42-48, 1999.
Q. Iqbal and J. K. Aggarwall, "Image retrieval via isotropic and anisotropic mappings," Proc. of IEEE Int'l Conf. on CVPR, pp. 42-48, 1999.
P. H. S. Torr and A. Zizzerman, "MLESAC: A new robust estimator with application to estimating image geometry," Journal of Computer Vision and Image Understanding, vol.78, pp. 138-156, 2000.

상세보기
P. J. Rousseeuw and A. M. Leroy, Robust Regression and Outlier Detection, Wiley InterScience, 2003.
A. Criminisi, "Single-view metrology: Algorithms and applications," Lecture Notesin Computer Science, vol.2449, pp. 224-239, 2002.

상세보기
R. Madhavan and T. Hong, "Robust detection and recognition of buildings in urban environments from LADAR Data," Proc. of IEEE Int'l Conf. on AIPR, pp.39-44, 2004.
D. Robertson and R. Cipolla, "An image-based system for urban navigation," Proc. of IEEE. Int'l Conf. on BMVC, 2004.
H.-H. Trinh and K.-H. Jo, "Image-based structural analysis of building using line segments and their geometrical vanishing points," Proc. of Int'l Joint Conf. on SICE-ICASE, pp. 566-571, 2006.
T. Tuytelaars, T. Goedem, and L. Van Gool, "Fast wide baseline matching with constrained camera position," Proc. of IEEE. Int'l Conf. on CVPR, pp.24-29, 2004.
Q. Yanyun, Z. Nanning, L. Cuihua, and Y. Zejian, "Salient building detection in natural image using SVM," Proc. of IEEE Int'l Conf. on vehicular Electronics and Sofety, pp. 126-130, 2005.
W. Zhang and J. Kosecka, "Hierarchical building recognition," Journal of Image and Vision Computing, vol. 25, pp. 704-716, 2007.

상세보기
S. Pu and G. Vosselman, "Automatic extraction of building features from terrestrial laser scanning," Int'l Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. 36, part 5, 2006.
S. Pu and G. Vosselman, "Extracting windows from terrestrial laser scanning," Int'l Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. 36, part 3/W/52, Espoo, Finland, pp. 320-325, 2007.
H.-H. Trinh, D.-N. Kim and K.-H. Jo, "Geometrical characteristics based window extraction for building surface," Lecture Notes in Computer Science, vol. 5754, pp. 585-594, 2009.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증