최근 스마트폰 보급과 측위 기술의 향상으로 보행자용 내비게이션 서비스(Pedestrian Navigation Service, PNS)에 대한 관심이 높아지고 있으며, 보행자의 이동 특성과 길 찾기 성공률 측면에서 보행자에게 길안내를 하는데 랜드마크를 이용하는 것이 효율적이다. 이에 PNS를 위하여 랜드마크를 추출하려는 연구들이 진행되어 왔다. 그러나 이들 선행연구는 랜드마크를 추출할 때 건물들 간의 차이만을 고려하고, PNS가 구동되는 화면 속 지도에 대한 사용자의 시각적 주의를 고려하지 않았다는 한계를 가지고 있다. 본 연구는 건물의 속성을 지역적 변수와 전역적 변수로 정의함으로써 이와 같은 문제를 개선하고자 한다. 지역적 변수는 건물들 간의 차이를 나타내고 전역적 변수는 건물이 가지는 고유한 특성을 나타냄으로써 건물의 현출성과 시각적 주의 정도를 반영한다. 또한, 네트워크 보로노이 다이어그램을 이용하여 네트워크의 연결성을 고려하고 랜드마크 후보군 추출 시 발생하는 중첩 현상을 해결한다. PNS를 위한 랜드마크를 추출하기 위하여 선행 연구를 바탕을 건물 속성정보를 정의하였다. 다음으로, 보행자를 위한 선택점을 선정하고, 해당 선택점 별로 랜드마크 후보군을 추출하였다. 이들 랜드마크 후보군에 대해서 정의된 건물 속성정보를 산출하고, 주성분 분석을 이용하여 랜드마크를 추출하였다. 제안된 기법을 서울특별시 관악구 일부 지역을 대상으로 적용하여 랜드마크를 추출하고, 네이버와 다음 지도 서비스의 레이블과 길찾기 시 표출되는 랜드마크와 비교하여 정확도를 평가하였다. 그 결과, 네이버와 다음 레이블 219개 중에서 60.3%에 해당하는 132개가 제안된 방법으로 랜드마크로 추출되었으며, 네이버와 다음 지도 서비스에는 없지만 선택점에서 추가로 추출된 228개의 랜드마크는 지역적 수준에서 길 찾기 시 방향 전환을 결정하는데 도움이 될 수 있음을 확인하였다.
최근 스마트폰 보급과 측위 기술의 향상으로 보행자용 내비게이션 서비스(Pedestrian Navigation Service, PNS)에 대한 관심이 높아지고 있으며, 보행자의 이동 특성과 길 찾기 성공률 측면에서 보행자에게 길안내를 하는데 랜드마크를 이용하는 것이 효율적이다. 이에 PNS를 위하여 랜드마크를 추출하려는 연구들이 진행되어 왔다. 그러나 이들 선행연구는 랜드마크를 추출할 때 건물들 간의 차이만을 고려하고, PNS가 구동되는 화면 속 지도에 대한 사용자의 시각적 주의를 고려하지 않았다는 한계를 가지고 있다. 본 연구는 건물의 속성을 지역적 변수와 전역적 변수로 정의함으로써 이와 같은 문제를 개선하고자 한다. 지역적 변수는 건물들 간의 차이를 나타내고 전역적 변수는 건물이 가지는 고유한 특성을 나타냄으로써 건물의 현출성과 시각적 주의 정도를 반영한다. 또한, 네트워크 보로노이 다이어그램을 이용하여 네트워크의 연결성을 고려하고 랜드마크 후보군 추출 시 발생하는 중첩 현상을 해결한다. PNS를 위한 랜드마크를 추출하기 위하여 선행 연구를 바탕을 건물 속성정보를 정의하였다. 다음으로, 보행자를 위한 선택점을 선정하고, 해당 선택점 별로 랜드마크 후보군을 추출하였다. 이들 랜드마크 후보군에 대해서 정의된 건물 속성정보를 산출하고, 주성분 분석을 이용하여 랜드마크를 추출하였다. 제안된 기법을 서울특별시 관악구 일부 지역을 대상으로 적용하여 랜드마크를 추출하고, 네이버와 다음 지도 서비스의 레이블과 길찾기 시 표출되는 랜드마크와 비교하여 정확도를 평가하였다. 그 결과, 네이버와 다음 레이블 219개 중에서 60.3%에 해당하는 132개가 제안된 방법으로 랜드마크로 추출되었으며, 네이버와 다음 지도 서비스에는 없지만 선택점에서 추가로 추출된 228개의 랜드마크는 지역적 수준에서 길 찾기 시 방향 전환을 결정하는데 도움이 될 수 있음을 확인하였다.
Recently, interest in Pedestrian Navigation Service (PNS) is being increased due to the diffusion of smart phone and the improvement of location determination technology and it is efficient to use landmarks in route guidance for pedestrians due to the characteristics of pedestrians' movement and suc...
Recently, interest in Pedestrian Navigation Service (PNS) is being increased due to the diffusion of smart phone and the improvement of location determination technology and it is efficient to use landmarks in route guidance for pedestrians due to the characteristics of pedestrians' movement and success rate of path finding. Accordingly, researches on extracting landmarks have been progressed. However, preceding researches have a limit that they only considered the difference between buildings and did not consider visual attention of maps in display of PNS. This study improves this problem by defining building attributes as local variable and global variable. Local variables reflect the saliency of buildings by representing the difference between buildings and global variables reflects the visual attention by representing the inherent characteristics of buildings. Also, this study considers the connectivity of network and solves the overlapping problem of landmark candidate groups by network voronoi diagram. To extract landmarks, we defined building attribute data based on preceding researches. Next, we selected a choice point for pedestrians in pedestrian network data, and determined landmark candidate groups at each choice point. Building attribute data were calculated in the extracted landmark candidate groups and finally landmarks were extracted by principal component analysis. We applied the proposed method to a part of Gwanak-gu, Seoul and this study evaluated the extracted landmarks by making a comparison with labels and landmarks used by portal sites such as the NAVER and the DAUM. In conclusion, 132 landmarks (60.3%) among 219 landmarks of the NAVER and the DAUM were extracted by the proposed method and we confirmed that 228 landmarks which there are not labels or landmarks in the NAVER and the DAUM were helpful to determine a change of direction in path finding of local level.
Recently, interest in Pedestrian Navigation Service (PNS) is being increased due to the diffusion of smart phone and the improvement of location determination technology and it is efficient to use landmarks in route guidance for pedestrians due to the characteristics of pedestrians' movement and success rate of path finding. Accordingly, researches on extracting landmarks have been progressed. However, preceding researches have a limit that they only considered the difference between buildings and did not consider visual attention of maps in display of PNS. This study improves this problem by defining building attributes as local variable and global variable. Local variables reflect the saliency of buildings by representing the difference between buildings and global variables reflects the visual attention by representing the inherent characteristics of buildings. Also, this study considers the connectivity of network and solves the overlapping problem of landmark candidate groups by network voronoi diagram. To extract landmarks, we defined building attribute data based on preceding researches. Next, we selected a choice point for pedestrians in pedestrian network data, and determined landmark candidate groups at each choice point. Building attribute data were calculated in the extracted landmark candidate groups and finally landmarks were extracted by principal component analysis. We applied the proposed method to a part of Gwanak-gu, Seoul and this study evaluated the extracted landmarks by making a comparison with labels and landmarks used by portal sites such as the NAVER and the DAUM. In conclusion, 132 landmarks (60.3%) among 219 landmarks of the NAVER and the DAUM were extracted by the proposed method and we confirmed that 228 landmarks which there are not labels or landmarks in the NAVER and the DAUM were helpful to determine a change of direction in path finding of local level.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 길안내에 쓰일 랜드마크는 실세계에서 눈에 띄고 기억할만한 객체여야 할 뿐만 아니라 기기 화면 속 지도에서도 보행자가 전체 경로 및 공간을 이해하는 데 도움을 줄 수 있어야 한다. 따라서 본 연구에서는 보행자가 전체 경로가 나타나는 화면 속 전체 경로 및 공간에 대해 이해를 도울 수 있는 랜드마크를 추출하고자 한다. 이를 위하여 Fig.
본 연구는 PNS에서 랜드마크를 이용하여 길안내하기 위한 기초연구로써 기 구축된 공간정보를 이용하여 랜드마크를 추출하였다. 랜드마크를 추출하기 위한 프로세스는 건물 속성정보 정의, 보행자를 위한 선택점 선정, 랜드마크 후보군 추출, 속성 변수의 차원축소, 결과 분석 및 랜드마크 추출의 단계로 이루어진다.
가설 설정
그런데 보행자용 도로망의 특성 상 Fig. 2(a)와 같이 2차선 이상의 대로의 교차로에서는 인도에 링크가 생성되어 사거리에서 링크가 교차하지 않는다. 이러한 경우는 대로의 사거리 교차점에 도로 폭과 양쪽의 인도 폭을 3 m로 가정하여 합한 길이로 버퍼(Buffer) 연산하여 생성된 사거리 폴리곤과 보행자용 도로망을 중첩하여 2개 이상의 링크가 연결된 노드를 선택점으로 추출한다(Fig.
이때, 지상면적은 건물 폴리곤의 넓이로, 모서리의 수는 건물 폴리곤의 결절점(vertex)의 수로 계산한다. 건물의 높이는 그 정확한 수치가 제공되지 않아 한 층의 높이를 3 m로 가정하고 지상층수 필드(GRO_FLO_CO)와 곱하여 산출할 수 있다. 건물의 길이, 너비, 방향은 건물 폴리곤에 최소경계 사각형을 만든 후, 각각 장축, 단축, 장축의 방위각으로 계산된다.
이를 위해 본 연구와 포털 사이트의 경로 탐색 결과가 같은 경로 중 E그룹에 해당하는 랜드마크가 포함된 20개에 대해서, 본 연구의 랜드마크와 포털 사이트가 길안내에 이용하는 랜드마크를 시각적으로 비교하였다. 본 연구의 랜드마크는 경로에 위치한 선택점에서 추출된 랜드마크를 나타내며, 포털 사이트는 POI를 이용하여 길안내를 하므로 해당 POI가 위치한 건물을 랜드마크로 가정하였다. 실험지역 내에서 대로와 이면도로 주변을 대상으로 20개의 경로를 임의로 추출하여 정성적으로 평가하였다.
시각적 속성(건물 정면 면적, 모양, 색깔, 가시성), 의미론적 속성(문화·역사적 중요성, 간판), 구조적 속성(인접한 도로 네트워크의 연결성, 건물의 이동방해성)으로 건물의 속성을 정의하고 랜드마크가 인접한 건물들과의 차이에 따라 결정된다는 가정 하에 각각의 속성들이 주변 건물의 평균과 통계적으로 유의미하게 다른지 검정하였다.
제안 방법
Elias (2003)의 연구를 바탕으로 본 연구에서는 건물의 속성을 기하학적 속성과 의미론적 속성으로 구분한다. 지상면적, 높이, 길이, 너비, 방향, 모서리의 수를 건물의 기하학적 속성으로, 건물에 해당하는 POI (Point Of Interest) 수와 같은 용도 건물을 의미론적 속성으로 정의한다.
건물의 길이, 너비, 방향은 건물 폴리곤에 최소경계 사각형을 만든 후, 각각 장축, 단축, 장축의 방위각으로 계산된다. 건물별 POI의 개수는 차량용 내비게이션 서비스에서 이용되는 A사에서 구축한 POI를 이용하여, Kim et al. (2009)이 제안한 매칭 프로세스 중에서 건물 폴리곤과 POI 간의 위치오차를 고려하여 Equal, Overlay, Proximity 매칭을 통해 도출한다. 마지막으로 랜드마크 후보군 내 같은 용도 건물의 수는 건물용도 필드(BDTYP_CD)를 이용하여 계량화한다.
Elias(2003)는 건물의 속성을 이용하여 공간 데이터베이스로부터 랜드마크를 자동으로 추출하는 방법을 제안하였다. 건물의 속성을 건물용도, 크기, 높이, 인접한 주변건물 수, 방향, 도로와의 거리 등으로 정의하고 데이터 마이닝기법인 ID3와 cobweb을 이용하여 주변건물과 크게 다른 속성을 가진 랜드마크를 추출하였다. Rho et al.
(2011)은 행정안전부에서 배포하는 도로명주소기본도를 이용해 실제로 랜드마크를 추출하였다. 건물의 속성을 주변의 상황에 영향을 받지 않는 절대적 기준과 주변 상황에 따라 달라지는 상대적 기준으로 정의하고, 절대적 기준은 가중선형조합으로 상대적 기준은 마할라노비스 거리로 차원을 축소시켜 k-means 군집화 기법을 적용한 후, 아웃라이어를 랜드마크로 추출하였다.
다음으로 보행자를 위한 선택점은 보행자가 방향 전환을 하게 되는 노드로, ‘3개 이상의 링크와 만나는 노드’와 ‘교차로 근처에서 2개 이상의 링크와 만나는 노드’를 선택점으로 선정하였다. 다음으로, 랜드마크 후보군을 추출하기 위해 ISOVIST 폴리곤과 NVD를 이용하였다. 기존에 이용되던 ISOVIST 폴리곤과 함께 네트워크를 분할하는 NVD를 이용함으로써 네트워크의 연결성을 고려할 수 있었으며, ISOVIST만을 이용했을 때 발생하는 한계를 극복할 수 있었다.
선행연구를 바탕으로 실세계에서 주변 건물들과의 차이를 나타내는 현출성과 전자기기 화면 속에서의 시각적 주의를 고려할 수 있도록 기하학적 건물 속성정보와 의미론적 건물 속성정보를 정의하고, 이를 다시 지역적 변수와 전역적 변수로 구분하였다. 지역적 변수는 후보군 내의 다른 건물과의 차이를 나타내는 변수이며, 전역적 변수는 건물 고유의 특성을 나타내는 변수이다.
실험지역 경계의 모서리 효과로 인해 건물의 형태가 완전하지 못하거나 후보군이 제대로 생성되지 않은 곳에서 추출되어 신뢰성이 떨어지는 랜드마크 24개를 제외하고, 462개의 랜드마크에 대하여 대해서 정확도 평가를 진행하였다.
본 연구의 랜드마크는 경로에 위치한 선택점에서 추출된 랜드마크를 나타내며, 포털 사이트는 POI를 이용하여 길안내를 하므로 해당 POI가 위치한 건물을 랜드마크로 가정하였다. 실험지역 내에서 대로와 이면도로 주변을 대상으로 20개의 경로를 임의로 추출하여 정성적으로 평가하였다. 그 결과, 19개의 경로에서는 네이버나 다음보다 방향이 바뀌는 선택점에서 의미있는 랜드마크가 추출되었다.
기존에 이용되던 ISOVIST 폴리곤과 함께 네트워크를 분할하는 NVD를 이용함으로써 네트워크의 연결성을 고려할 수 있었으며, ISOVIST만을 이용했을 때 발생하는 한계를 극복할 수 있었다. 앞서 정의된 건물 속성정보를 도로명주소기본도 건물 레이어에서 산출하였으며, 이렇게 산출된 지역적 변수와 전역적 변수를 모두 고려하여 랜드마크를 추출하기 위해 각각의 변수들을 대표할 수 있는 새로운 변수를 추출하고자 PCA를 적용하였다. 지역적 변수와 전역적 변수를 나타내는 PC를 활용하여 랜드마크를 추출하였다.
10)는 본 연구가 모든 선택점에서 한 개씩 랜드마크를 추출하였기 때문에 전역적 수준에서는 중요하지 않으나 지역적 수준에서 중요한 랜드마크로 추출된 경우로 판단된다. 이를 살펴보기 위하여, 랜드마크를 이용한 길안내 측면에서의 평가를 위해 상세 경로 안내에서 이용될 본 연구의 랜드마크와 네이버, 다음이 제공하는 랜드마크를 정성적으로 비교하였다.
따라서 본 연구에서는 보행자가 전체 경로가 나타나는 화면 속 전체 경로 및 공간에 대해 이해를 도울 수 있는 랜드마크를 추출하고자 한다. 이를 위하여 Fig. 1과 같이 선행연구를 바탕으로 건물 속성정보를 정의하고, 보행자용 도로망에서 보행자를 위한 선택점을 선정하고, 보행자가 이동하면서 정보를 취득할 수 있는 가시권을 분석하여 각 선택점 별로 랜드마크 후보군을 추출한다. 추출된 랜드마크 후보군에 대해서 정의된 건물 속성정보 산출하고 주성분 분석을 통하여 전역적 및 지역적 랜드마크를 추출한다.
이를 위해 본 연구와 포털 사이트의 경로 탐색 결과가 같은 경로 중 E그룹에 해당하는 랜드마크가 포함된 20개에 대해서, 본 연구의 랜드마크와 포털 사이트가 길안내에 이용하는 랜드마크를 시각적으로 비교하였다. 본 연구의 랜드마크는 경로에 위치한 선택점에서 추출된 랜드마크를 나타내며, 포털 사이트는 POI를 이용하여 길안내를 하므로 해당 POI가 위치한 건물을 랜드마크로 가정하였다.
PCA를 이용하여 가중치나 파라미터의 입력을 요하지 않음으로써 사용자의 개입을 최소화할 수 있다. 이에 계산된 건물 속성 변수에 PCA를 적용하여 얻어진 PC를 해석함으로써 PC를 새로운 변수로 랜드마크를 추출한다.
전체 경로 및 공간에 대한 전역적 수준에서의 정보 전달 측면에서 본 연구의 랜드마크에 대한 평가는 국내에서 보행자를 위한 길찾기 서비스를 제공하는 네이버와 다음 지도 레이블과의 비교를 통해 이루어진다. 여기서 네이버와 다음 지도에서 공통적으로 레이블이 나타나는 건물은 전역적 수준에서 랜드마크로서 가치가 큰 건물이라 판단하고 제안된 기법으로 추출된 랜드마크와 비교한 결과는 Table 4와 같다.
앞서 정의된 건물 속성정보를 도로명주소기본도 건물 레이어에서 산출하였으며, 이렇게 산출된 지역적 변수와 전역적 변수를 모두 고려하여 랜드마크를 추출하기 위해 각각의 변수들을 대표할 수 있는 새로운 변수를 추출하고자 PCA를 적용하였다. 지역적 변수와 전역적 변수를 나타내는 PC를 활용하여 랜드마크를 추출하였다.
1과 같이 선행연구를 바탕으로 건물 속성정보를 정의하고, 보행자용 도로망에서 보행자를 위한 선택점을 선정하고, 보행자가 이동하면서 정보를 취득할 수 있는 가시권을 분석하여 각 선택점 별로 랜드마크 후보군을 추출한다. 추출된 랜드마크 후보군에 대해서 정의된 건물 속성정보 산출하고 주성분 분석을 통하여 전역적 및 지역적 랜드마크를 추출한다.
대상 데이터
5(a)와 같이 횡단보도, 육교, 지하도인 링크를 제거하고, Fig. 5(b)와 같이 3개의 링크가 만나는 노드와 사거리 대로에서 2개의 링크가 만나는 노드 총 528의 선택점을 추출하였다.
각 선택점별 가시영역에 해당하는 폴리곤과 도로명주소기본도 건물 레이어를 중첩시켜 전체 4,342개 건물 중 3,607개 건물이 각 선택점별 랜드마크 후보군으로 추출되었다. 이때, Fig.
8(b)). 동일한 랜드마크 후보군 내에서 1사분면에 속하는 건물이 없는 경우 PC1과 PC2의 합이 가장 큰 건물을 해당 선택점의 랜드마크로 추출하여 총 486개가 최종 추출되었다(Fig. 9).
본 연구의 실험 지역은 도심지인 서울특별시 관악구의 일부 지역(약 1.2 km × 1.1 km)으로, 주택과 아파트 단지, 상업 시설 등이 있어 건물 특성이나 도로 폭이 다양하다.
1 km)으로, 주택과 아파트 단지, 상업 시설 등이 있어 건물 특성이나 도로 폭이 다양하다. 실험 자료는 2014년 6월에 배포된 도로명주소기본도 건물 레이어와 국토지리정보원에서 구축한 보행자용 도로망도로, 전체의 건물 개수는 4,342개이다(Fig. 4).
본 연구를 제외하고 네이버와 다음에서 레이블이 나타난 경우 A그룹, 본 연구, 네이버, 다음에서 모두 레이블이 나타난 경우 B그룹, 본 연구와 네이버에서만 레이블이 나타난 경우 C그룹, 본 연구와 다음에서만 레이블이 나타난 경우 D그룹, 본 연구에서만 나타난 경우 E그룹으로 나누어진다. 실험 지역에서 네이버와 다음이 모두 레이블을 표현하는 건물, 즉 전역적 수준에서 랜드마크로서 가치가 큰 건물 219개(A+B) 중에서 본 연구의 알고리듬으로 추출해낸 랜드마크는 132개(60.3%)이다. 그러나 A그룹의 경우 전역적 수준에서 중요한 랜드마크임에도 본 연구에서 추출되지 않은 경우로 각 선택점에서 한 개의 랜드마크를 추출하기 때문에 후보군 내에서 가장 랜드마크적 성향을 가지는 건물 외에 다른 건물들은 랜드마크로 추출되지 않았다.
데이터처리
이렇게 추출된 랜드마크 후보군 2,607개의 건물에 대해서 건물 속성 변수를 산출하여, 이들을 입력변수로 SPSS Statistics 20으로 PCA 분석을 수행하였다. Table 2와 같이 4개의 PC가 도출되었다.
제안한 기법을 관악구 일부 지역에 적용하였으며, 실험 결과를 네이버와 다음의 지도 레이블, 경로 탐색 결과에서 이용되는 랜드마크와 비교하여 평가하였다. 그 결과, 네이버와 다음 지도 레이블 219개 중에서 60.
이론/모형
각 선택점으로부터 ISOVIST를 정의하기 위해 본 연구는 Ray Tracing 접근법을 이용한다. 이 방법은 컴퓨터 비전(Vision)분야에서 많이 이용되는 방법으로 한 지점에서 쏘는 빛을 가상의 선으로 가정하면 이 선들의 합을 면적으로 정의할 수 있다는 점을 이용한다(Chun et al.
랜드마크 후보군 추출을 위하여 각 선택점에서 ISOVIST 알고리즘을 적용하여 가시거리에 해당하는 폴리곤(ISOVIST 폴리곤)을 생성하고, 각 선택점을 생성점으로 하여 보행자용 도로망도의 링크에 NVD 알고리즘을 적용한다. NVD는 선형으로 생성되므로 이들 선형에 서울특별시 2009년 보도현황 자료를 바탕으로 보도의 폭을 보수적으로 고려하여 12 m의 버퍼 연산을 수행한다.
(2011)은 선택 점 주변에서 ISOVIST 알고리즘을 이용하여 관측 가능한 건물을 랜드마크 후보군으로 추출하였다. 본 연구에서도 선택점에서 랜드마크가 가시권 안에 있어야 한다는 가정하에 ISOVIST 알고리즘을 이용한다.
실세계에서의 현출성과 가상환경에서의 시각적 주의를 모두 고려하여 랜드마크를 추출하기 위하여 지역적 변수와 전역적 변수에 차원 축소 방법인 주성분 분석(Principal Component Analysis, PCA)을 적용한다. PCA를 적용함으로써 변수들 간에 상관성(correlation)을 제거할 수 있다.
보행자가 한 선택점에서 서서 건물을 바라보는 것이 아니고, 길을 따라 이동하면서 건물들을 바라보게 되므로 보행자용 도로망의 연결성을 고려할 필요가 있다. 이에 본 연구는 Okabe et al. (2008)이 제안한 Network Voronoi Diagram (NVD)을 이용한다. NVD는 보로노이 다이어그램에서 임의의 점 x와 생성점(generator) Pi간의 거리를 유클리디안 거리(Euclidean distance)가 아닌 네트워크 상의 거리를 이용하여, 보행자의 가시거리와 보행자용 도로망의 연결성을 고려한 랜드마크 후보군이 추출한다.
성능/효과
실험지역 내에서 대로와 이면도로 주변을 대상으로 20개의 경로를 임의로 추출하여 정성적으로 평가하였다. 그 결과, 19개의 경로에서는 네이버나 다음보다 방향이 바뀌는 선택점에서 의미있는 랜드마크가 추출되었다. Fig.
제안한 기법을 관악구 일부 지역에 적용하였으며, 실험 결과를 네이버와 다음의 지도 레이블, 경로 탐색 결과에서 이용되는 랜드마크와 비교하여 평가하였다. 그 결과, 네이버와 다음 지도 레이블 219개 중에서 60.3%에 해당하는 132개가 제안된 방법으로 랜드마크로 추출되었으며, 네이버와 다음 지도 서비스에는 없지만 선택점에서 추가로 추출된 228개의 랜드마크는 지역적 수준에서 길 찾기 시 방향 전환을 결정하는데 도움이 될 수 있음을 확인하였다. 이를 통하여 모든 지역에서 랜드마크를 추출하고, 현출성과 시각적 주의를 고려한 랜드마크를 추출함으로써 보행자가 전체 경로 및 공간에 대해 이해하는 데 기여할 수 있음을 알 수 있었다.
다음으로, 랜드마크 후보군을 추출하기 위해 ISOVIST 폴리곤과 NVD를 이용하였다. 기존에 이용되던 ISOVIST 폴리곤과 함께 네트워크를 분할하는 NVD를 이용함으로써 네트워크의 연결성을 고려할 수 있었으며, ISOVIST만을 이용했을 때 발생하는 한계를 극복할 수 있었다. 앞서 정의된 건물 속성정보를 도로명주소기본도 건물 레이어에서 산출하였으며, 이렇게 산출된 지역적 변수와 전역적 변수를 모두 고려하여 랜드마크를 추출하기 위해 각각의 변수들을 대표할 수 있는 새로운 변수를 추출하고자 PCA를 적용하였다.
11(b) and 11(c)와 같이 네이버와 다음에서는 방향이 바뀌는 선택점임에도 랜드마크가 제공되지 않았다. 이를 바탕으로 E 그룹으로 제안된 방법으로 추출된 랜드마크가 지역적 수준에서 중요한 랜드마크로 추출된 경우임을 확인할 수 있었다.
3%에 해당하는 132개가 제안된 방법으로 랜드마크로 추출되었으며, 네이버와 다음 지도 서비스에는 없지만 선택점에서 추가로 추출된 228개의 랜드마크는 지역적 수준에서 길 찾기 시 방향 전환을 결정하는데 도움이 될 수 있음을 확인하였다. 이를 통하여 모든 지역에서 랜드마크를 추출하고, 현출성과 시각적 주의를 고려한 랜드마크를 추출함으로써 보행자가 전체 경로 및 공간에 대해 이해하는 데 기여할 수 있음을 알 수 있었다.
후속연구
그러나 본 연구에서 추출된 일부 랜드마크는 선택점으로부터 멀리 떨어진 곳에서도 추출되어 보행자가 선택점에 도달한 이후에야 랜드마크가 시야에 들어올 수 있어 보행자가 방향 전환을 하는데 적절한 안내를 하지 못할 수 있다는 문제가 있으므로 향후 연구를 통해 해결해야 할 것이다.
이러한 모서리 효과로 인해 NVD 실험 결과에서 경계에 있는 일부 네트워크의 NVD가 생성되지 않았다. 전체 네트워크 중 극히 일부분이어서 본 연구에서는 NVD 결과를 그대로 이용하나 후보군 설정과 랜드마크 추출 결과가 왜곡될 수 있으므로 이를 해결하기 위한 향후 연구가 필요할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
내비게이션 서비스를 위한 요소 기술들에는 무엇이 있는가?
내비게이션 서비스를 위한 요소 기술들에는 전자지도 데이터베이스, 맵 매칭 기술, 사용자 인터페이스 기술, 위치 항법 기술, 경로 탐색 기술, 경로 안내 기술, 무선 통신 기술 등이 있다(Zhao, 1997). PNS를 제공하는 데에는 이들 요소 기술 중 경로 안내에 대한 고려가 필요하다.
PNS를 위하여 랜드마크를 추출하려는 연구가 많아진 이유는 무엇인가?
최근 스마트폰 보급과 측위 기술의 향상으로 보행자용 내비게이션 서비스(Pedestrian Navigation Service, PNS)에 대한 관심이 높아지고 있으며, 보행자의 이동 특성과 길 찾기 성공률 측면에서 보행자에게 길안내를 하는데 랜드마크를 이용하는 것이 효율적이다. 이에 PNS를 위하여 랜드마크를 추출하려는 연구들이 진행되어 왔다.
상용화된 PNS 사례로는 무엇이 있는가?
최근 인터넷과 스마트폰의 발달로 다양한 공간정보서비스가 제공되고 GPS, 무선 통신을 이용한 상세한 수준의 위치기반서비스(Location-based service)가 가능해짐에 따라 보행자용 내비게이션 서비스(Pedestrian Navigation Service, PNS)에 대한 관심 또한 높아지고 있다. 해외에서 상용화된 PNS 사례로는 구글의 도보 길찾기 서비스, Garmin cityXplorer™ 등이 있으며, 국내에서는 네이버와 다음 포털 사이트가 제공하는 도보 길찾기 서비스 등이 있다.
참고문헌 (17)
Benedikt, M. L. (1979). "To take hold of space: Isovists and isovist fields." Environment and Planning B, Pion Limited, Vol. 6, No. 1, pp. 47-65.
Caduff, D. and Timpf, S. (2008). "On the assessment of landmark salience for human navigation." Cognitive processing, Int. Quarterly of Cognitive Science, Vol. 9, No. 4, pp. 249-267.
Chun, B., Guldmann, J.-M. and Seo, W. (2011). "Impacts of multidimensional Isovist on commercial real estate values in CBD area using GIS." Seoul Studies, The Seoul Institute, Vol. 12, No. 3, pp. 17-32 (in Korean).
Davis, L. S. and Benedikt, M. L. (1979). "Computational models of space: Isovists and isovist fields." Computer Graphics and Image Processing, Elsevier, Vol. 11, No. 1, pp. 49-72.
Denis, M., Pazzaglia, F., Cornoldi, C. and Bertolo, L. (1999). "Spatial discourse and navigation: An analysis of route directions in the city of Venice." Appl. Cognit. Psychol., Applied Cognitive Psychology, Vol. 13, No. 2, pp. 145-174.
Elias, B. (2003). "Extracting landmarks with data mining methods." Proc. of Int. Conf. of COSIT 2003, Springer, Kartause Ittingen, Switzerland, pp. 375-389.
Fang, Z., Li, Q., Zhang, X. and Shaw, S. L. (2012). "A GIS data model for landmark-based pedestrian navigation." Int. J. of Geographical Information Science, Taylor & Francis, Vol. 26, No. 5, pp. 817-838.
Hile, H., Vedantham, R., Cuellar, G., Liu, A., Gelfand, N., Grzeszczuk, R. and Borriello, G. (2008). "Landmark-based pedestrian navigation from collections of geotagged photos." Proc. of the 7th Int. Conf. on Mobile and Ubiquitous Multimedia, ACM, Umea, Sweden, pp. 145-152.
Kim, J. O., Huh, Y., Lee, W. H. and Yu, K. Y. (2009). "Matching method of digital map and POI for geospatial web platform." Journal of The Korea Society For Geospatial Information System, KOGSIS, Vol. 17, No. 4, pp. 23-29 (in Korean).
Lovelace, K. L., Hegarty, M. and Montello, D. R. (1999). "Elements of good route directions in familiar and unfamiliar environments." Proc. of Int. Conf. of COSIT'99, Springer, Stade, Germany, pp. 65-82.
Michon, P. E. and Denis, M. (2001). "When and why are visual landmarks used in giving directions?" Proc. of Int. Conf. of COSIT 2001, Springer, Morro Bay, CA, USA, pp. 292-305.
Okabe, A., Satoh, T., Furuta, T., Suzuki, A. and Okano, K. (2008). "Generalized network Voronoi diagrams: Concepts, computational methods, and applications." Int. Journal of Geographical Information Science, Taylor & Francis, Vol. 22, No. 9, pp. 965-994.
Raubal, M. and Winter, S. (2002). "Enriching wayfinding instructions with local landmarks." Proc. of the Second Int. Conf. GIScience 2002, Springer, Boulder, CO, USA, pp. 243-259.
Rho, G., Kim, J. and Yu, K. (2011). "Extraction of landmarks for pedestrian navigation system." The Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, KSGPC, Vol. 29, No. 4, pp. 413-420 (in Korean).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.