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 논문에서는 한 대의 카메라를 이용한 VSLAM 방법을 새롭게 제안한다. 제안된 방법은 빠르게 동작하는 특징점 추적기와 이진 기술자(binary descriptor)를 이용한 영상기반 회귀점 검출 방법을 포함한다.
- 본 논문에서는 실시간 VSLAM 방법을 제안하였이다. 하나의 통합된 이진 기술자의 이용으로 추가적인 계산 시간 없이 빠르게 회귀점 검출을 수행 할 수 있었다.
제안 방법
- 제안된 방법은 빠르게 동작하는 특징점 추적기와 이진 기술자(binary descriptor)를 이용한 영상기반 회귀점 검출 방법을 포함한다. 또한 수치-위상 지도표현법(metric-topological representation) 을 통하여 빠른 회귀점 최적화 방법을 제안한다.
- 에 의하여 제안되었다. 확장 칼만필터를 이용한 환경지도 및 자세추정을 수행하였다. 최대 약 100 여 개의 환경지도 내의 랜드마크를 다룰 수 있었다.
- SLAM 은 본래 점진적인 추정의 누적이기 때문에 이 누적을 극복하기에는 하나의 직렬화 된 좌표 표현법은 적합하지 않은 것이다. 따라서 본 논문에서는 유효한 상대좌표를 직접 최적화 하는 방법을 사용한다. 유사한 방법으로 Mei 등의 Continuous Relative Representation (CRR)(16)이 있으나, 키프레임을 기술하기 위한 원점 선택 기준이 존재하지 않고 임의적이다.
- 하지만 본 논문에서는 특징점 추적기는 이진 기술자(BRIEF)를 이용하고 이 때 사용된 이진 기술자를 이용하여 회귀점 역시 검출하는 방법을 제안 한다. 이에 따라 회귀점 검출 및 최적화를 포함한 VSLAM 을 실시간으로 수행할 수 있었다.
- 본 연구에서는 키포인트 추출을 위해서 다해상도 FAST 코너를 추출하였다. 다해상도 FAST 코너는 영상 피라미드 전체에서 특징점을 추출하는 것으로 넓은 영역에서의 특징점 추적기 성능을 높여준다.
- 본 논문에서의 자세 추정은 미리 작성된 3 차원 랜드마크로부터 구하는 것과, 이러한 정보가 존재 하지 않을 때 랜드마크를 초기화하기 위한 상대 자세를 계산하는 두 가지 방법이 있다. 자세한 내용은 아래와 같다.
- 장면인식은 영상내 특징점을 Vocabulary tree 에 질의하여 초기 대응 프레임 번호를 출력한다. 현재 키프레임의 회귀점 검출을 위한 vocabulary tree 의 질의 결과는 다시 기하학적 검증을 통하여 검증을 수행한다. 이렇게 검증된 결과는 그래프상의 간선으로 추가된다.
- 또한 회귀점 검출 이후 빠른 최적화를 위하여 metric-topological 표현법을 사용하였다. 제안된 알고리즘은 KITTI 데이터셋을 통하여 검증되었다.
- 본 논문에서는 한 대의 카메라를 이용한 VSLAM 방법을 새롭게 제안한다. 제안된 방법은 빠르게 동작하는 특징점 추적기와 이진 기술자(binary descriptor)를 이용한 영상기반 회귀점 검출 방법을 포함한다. 또한 수치-위상 지도표현법(metric-topological representation) 을 통하여 빠른 회귀점 최적화 방법을 제안한다.
대상 데이터
- 매 프레임마다 FAST 코너가 추출되고 이전 이미지로부터 일정 영역 내에 존재 하는 FAST 코너에 대해서 기술자 정합(descriptor matching)을 수행한다. 기술자 정합을 위하여 BRIEF 기술자(16)를 사용하였다. 그리고 특징점 추적을 위해 사용된 BRIEF 기술자는 또한 회귀점 검출에도 사용된다.
- 하지만 만약 계산 자원이 많지 않을 때에는 하나의 스케일에 대하여 FAST 코너를 사용해도 큰 무리는 없다. 영상은 7x4 의 격자로 나뉘어 FAST 코너를 추출하였다. 이는 영상 전역에 특징점을 분포함으로서 좀더 나은 자세 계산이 가능하기 때문이다.
- 프레임간의 특징점 추적을 위해서, 현재 프레임에 서의 특징점은 이전 키프레임 특징점 좌표로 부터 WxW 크기의 창 내에 존재할 경우 정합을 수행한다. 이를 위하여 256-비트의 BRIEF 기술자가 이용되었다. 이 방법은 불필요한 BRIEF 기술자 계산을 방지한다.
- KITTI 데이터셋은 22 가지의 서로다른 데이터셋을 제공한다. 22 가지중 11 가지는 참조해(ground truth)를 제공하고 나머지는 평가용으로 서버에 결과를 전송하면 비교결과를 알려준다.
- 22 가지중 11 가지는 참조해(ground truth)를 제공하고 나머지는 평가용으로 서버에 결과를 전송하면 비교결과를 알려준다. 영상은 1241x376 크기를 가진은 흑백 영상이다. 촬영 당시의 속도는 0~90km/h 이다.
이론/모형
- Nister 등은 2004 년 초기의 monocular VO 시스템을 제안하였다.(6) 이 방법은 RANSAC 기반의 3D-to-2D 자세추정 기법을 사용하였다. RANSAC 내에서의 계산량을 줄이기 위하여 5-pts 상대 자세 추정기법을 이용하였으며 이는 후에도 널리 사용되었다.
- (6) 이 방법은 RANSAC 기반의 3D-to-2D 자세추정 기법을 사용하였다. RANSAC 내에서의 계산량을 줄이기 위하여 5-pts 상대 자세 추정기법을 이용하였으며 이는 후에도 널리 사용되었다.(3)
- 본 연구에서는 키포인트 추출을 위해서 FAST 코너(20)를 이용하였다. 매 프레임마다 FAST 코너가 추출되고 이전 이미지로부터 일정 영역 내에 존재 하는 FAST 코너에 대해서 기술자 정합(descriptor matching)을 수행한다.
- 그리고 특징점 추적을 위해 사용된 BRIEF 기술자는 또한 회귀점 검출에도 사용된다. 회귀점 검출을 위하여 binary visual words 방법을 사용하였다. (17) 이진 기술자는 추출 및 정합에 필요한 연산이 간단하여 회귀점 검출 역시 실시간으로 수행되었다.
- (4) 자세 계산 : 만약 충분한 수의 특징점이 추적되고 있다면 3-pts 알고리즘(26)을 이용하여 현재 프레임의 자세를 계산한다.
- 회귀점 검출 후 정합을 위한 대응점을 찾는데 있어 추가 계산을 방지하기 위하여 Direct Index를 사용하였다. (17) Direct index 는 Vocabulary tree 의 Leaf node 가 추출된 영상에서의 특징점 번호를 기록해 놓은 것으로서 Vocabulary tree 의 질의 자체가 일종의 정합 기능까지 수행하는 것이다.
- 본 논문에서는 metric-topological 표현법을 사용 하였다.(27) 이 표현법에서는 프레임간의 상대 자세 값은 간선으로 간주한다.
- 본 논문에서는 제안된 알고리즘을 KITTI 데이터셋(1)에 평가하였다. 실험은 2.
- 촬영 당시의 속도는 0~90km/h 이다. 비선형 최적화는 Ceres-solver(28)를 활용하였으며, 해당 최적화 소프트웨어는 멀티 스레딩 기법을 사용하였다.
- 하나의 통합된 이진 기술자의 이용으로 추가적인 계산 시간 없이 빠르게 회귀점 검출을 수행 할 수 있었다. 또한 회귀점 검출 이후 빠른 최적화를 위하여 metric-topological 표현법을 사용하였다. 제안된 알고리즘은 KITTI 데이터셋을 통하여 검증되었다.
성능/효과
- 본 논문에서는 실시간 VSLAM 방법을 제안하였이다. 하나의 통합된 이진 기술자의 이용으로 추가적인 계산 시간 없이 빠르게 회귀점 검출을 수행 할 수 있었다. 또한 회귀점 검출 이후 빠른 최적화를 위하여 metric-topological 표현법을 사용하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.