[논문]카메라 캘리브레이션을 위한 자동 타겟 인식

김의명; 권상일

doi:10.7848/ksgpc.2018.36.6.525

카메라 캘리브레이션을 위한 자동 타겟 인식
Automatic Target Recognition for Camera Calibration 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.36 no.6, 2018년, pp.525 - 534

김의명 (Dept. of Spatial Information Engineering, Namseoul University) , 권상일 (Dept. of GIS Engineering, Namseoul University)

초록
AI-Helper

카메라 캘리브레이션은 카메라의 초점거리, 주점위치, 렌즈왜곡 등의 매개변수를 결정하는 작업으로 이를 위해서 주로 체커보드를 촬영한 영상을 사용하고 있다. 체커보드 영상에서 타겟을 자동으로 인식할 때 기존의 연구는 사용자가 타겟인식을 위한 입력 매개변수를 잘 이해하고 있어야 하거나 영상에서 체커보드가 모두 나타나야 하는 한계점이 있었다. 이에 본 연구에서는 체커보드 중심부와 외곽부분에 각각 4개씩 8개의 블랍을 포함하는 직사각형을 이용하여 체커보드 영상의 일부만 촬영된 경우에도 자동으로 타겟점의 번호를 부여할 수 있고 별도의 입력 매개 변수 없이 자동으로 타겟을 인식하는 방법을 제안하였다. 본 연구에서 체커보드 타겟의 중심점을 자동으로 추출하기 위해서 흑백패턴의 왜곡, 경계선 변화빈도, 흑백픽셀의 비율의 3가지 조건을 이용하였다. 또한 체커보드의 방향성과 번호부여는 블랍을 이용하였다. 두 가지 타입의 체커보드에 대한 실험을 통해서 36장의 영상에 대해 1분 이내의 짧은 시간에 체커보드 타겟을 자동으로 인식할 수 있었다.

Abstract ▼ AI-Helper

Camera calibration is the process of determining the parameters such as the focal length of a camera, the position of a principal point, and lens distortions. For this purpose, images of checkerboard have been mainly used. When targets were automatically recognized in checkerboard image, the existing studies had limitations in that the user should have a good understanding of the input parameters for recognizing the target or that all checkerboard should appear in the image. In this study, a methodology for automatic target recognition was proposed. In this method, even if only a part of the checkerboard image was captured using rectangles including eight blobs, four each at the central portion and the outer portion of the checkerboard, the index of the target can be automatically assigned. In addition, there is no need for input parameters. In this study, three conditions were used to automatically extract the center point of the checkerboard target: the distortion of black and white pattern, the frequency of edge change, and the ratio of black and white pixels. Also, the direction and numbering of the checkerboard targets were made with blobs. Through experiments on two types of checkerboards, it was possible to automatically recognize checkerboard targets within a minute for 36 images.

주제어

표/그림 (32)

그림 Fig. 1. Chessboard target
그림 Fig. 2. Checkerboard target
그림 Fig. 3. Structure of blob
그림 Fig. 4. Methodology of target extraction
그림 Fig. 5. Circular search of pixel values based on extracted keypoint
그림 Fig. 6. Condition of the distortion of black and white pattern
그림 Fig. 7. Condition of the frequency of edge change
그림 Fig. 8. Condition of the ratio of black and white pixel
그림 Fig. 9. Procedure of identifying the number of blobs
그림 Fig. 10. Angle calculation of polygon
그림 Fig. 11. Determining the rectangle containing blob
그림 Fig. 12. Identifying the blob contained within rectangle
그림 Fig. 13. Mis-detected target
그림 Fig. 14. Target array in four edges
그림 Fig. 15. Angle calculation between targets
그림 Fig. 16. Deﬁne the direction of blobs
그림 Fig. 17. Comparison of line length using rectangle containing blob for direction determination
그림 Fig. 18. Labeling of targets
그림 Fig. 19. Sequential numbering of target points
그림 Fig. 20. Detection of rectangles containing blobs for projective transformation
그림 Fig. 21. Result of homography transformation
그림 Fig. 22. Location of the target from reference and template images
그림 Fig. 23. More than one keypoint
그림 Fig. 24. one keypoint
그림 Fig. 25. Canon EOS 800D
그림 Fig. 26. Two types of checkerboard
그림 Fig. 27. Captured images of checkerboard type A
그림 Fig. 28. Captured images of checkerboard type B
표 Table 1. Camera setting
표 Table 2. Detection rate of checkerboard targets
그림 Fig. 29. Area ratio of a checkerboard in the image(11%)
그림 Fig. 30. Area ratio of a checkerboard in the image(4%)

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 카메라 캘리브레이션을 위한 체커보드의 타겟을 자동으로 인식하기 방법을 제안한 것으로 다음과 같은 결론을 도출하였다.
본 연구에서는 Fig. 1과 같은 체스보드 뿐만 아니라 Fig. 2와 같은 변형된 패턴의 체커보드에도 타겟의 번호 인식에 적용 가능한 블랍을 이용하는 방법을 제안하였다. 블랍은 흑색 바탕에 흰색 원으로 구성하였으며 블랍의 식별을 돕기 위해서 백색 테두리 내에 블랍이 위치하도록 하였으며 백색 원의 개수에 따라 블랍의 번호가 정의되도록 하였다.
본 연구에서는 기존 연구의 블랍을 이용하는 방법은 수용하면서 체커보드 타겟을 인식할 때의 타겟과 유사한 패턴을 제거하지 못하는 단점을 보완하는 방법과 캘리브레이션을 위해서 많이 사용되는 체스보드(chessboard)에 블랍을 부착할 경우에도 타겟의 번호를 자동으로 부여할 수 있는 방법을 제안하는 것을 목적으로 하였다.

가설 설정

또한, Fig. 6 (b)와 같이 양 방향 모두 흑색과 백색의 범위에 들지 못할 수도 있다. 흑백 패턴을 갖는 타겟점을 대상으로 흑색과 백색이 아닌 픽셀 개수보다 한 방향은 흑색, 다른 방향은 백색으로 나타나는 픽셀의 개수가 많다면 이를 타겟으로 인식하였다.
본 연구에서 체커보드 타겟의 번호를 자동으로 부여하기 위해서 기준영상은 정방향으로 촬영하였다고 가정하였다. 기준영상은 체커보드를 촬영한 영상 혹은 체커보드 도안 모두 적용 가능하다.
추출된 특징점에서 Fig. 7과 같이 좌측과 우측 양방향으로 원을 그리면서 밝기값을 탐색하여 흑색에서 백색 또는 백색에서 흑색으로 변화되는 구간을 경계선(edge)으로 가정하고, 각 방향별로 한 번의 경계선 영역이 나타나는 경우에만 타겟이 있는 영역으로 인식하였다.

제안 방법

(2)와 같이 두 벡터의 내적과 외적을 이용하는 방법을 사용하였으며 θ로 계산된 도(°)단위를 이용하였다.
가로 및 세로 방향으로 인식해야 될 타겟의 개수가 정해지고 나면 다음으로 각각의 방향에서 오인식된 타겟을 제거해야 하며 이를 위해 가로 및 세로 방향으로 각도를 산출하여 임계값을 벗어나는 경우 제외하는 방법을 사용하였으며 본 연구에서 사용한 임계값은 ±1%를 기준으로 하였다.
가장자리 네 방향의 타겟 배열들을 추출하기 위해 5번 ~ 8번 블랍을 이용하여 타겟의 개수를 산정하였다. 이러한 과정에서도 타겟들 중 오인식된 타겟이 나타날 수 있는데 이는 네 방향에서 추출한 타겟들 간의 거리보다 평균±20% 이상 클 경우 이를 오인식된 타겟으로 제거하는 방법을 사용하였다.
각각 점선화살표(?)와 실선화살표(→)로 두 가지 선분의 길이를 비교하고 블랍을 포함하는 사각형의 꼭지점 좌표를 비교하여 방향성을 판별하였다.
추출된 특징점을 기준으로 일정 반경의 원을 구성하여 픽셀 밝기값의 최소, 최대값을 구한 후에 픽셀 밝기값을 정량화 한다. 그리고 흑백 픽셀 수, 색상 변화 빈도, 흑백 패턴의 왜곡의 3가지 조건을 고려하여 추출된 특징점의 좌표가 타겟점인지 판별한다.
기준영상을 제외한 템플릿영상에서 타겟의 번호부여는 Fig. 20과 같이 블랍이 존재하는 모든 사각형의 네 꼭지점 좌표와 기준영상에서 추출한 블랍이 존재하는 사각형의 네 꼭지점 좌표를 이용하여 호모그래피 변환 행렬을 계산하였다.
(1)을 통해서 정량화한 값을 이용하여 변화 횟수를 검사하였다. 내부 사각형의네 꼭지점에서 밝기값 변화 횟수가 3회인 꼭지점이 3개 이상 4개 이하이면 블랍을 포함하는 사각형으로 판별하였다.
동일한 행에서 타겟의 번호부여는 순차적으로 부여하고 다시 가까운 두 타겟점을 탐색하고, 마지막 열이라면 다음 행의 첫번째 타겟점을 다음 번호로 설정하였으며, 이러한 방식으로 기준영상에서 모든 타겟점에 대한 번호를 부여하였다.
블랍은 경계선 연산자를 이용하여 경계선을 추출한 후 경계선으로 구성된 다각형 중에서 꼭지점의 개수가 3개 이상이면서, 최소 각도가 -80°, 최대 각도가 0° 이내인 다각형을 Fig. 12와 같이 원으로 인식하는 방법을 이용하였다.
블랍은 체스보드와 체커보드 중심부를 기준으로 4개, 외곽 부를 기준으로 4개 부착하여 8개의 블랍을 이용하여 타겟인식을 할 수 있도록 하였다. 1~4번 블랍은 영상 내 체커보드의 방향성을 판별하는데 사용하였고, 5~8번 블랍은 체커보드의 오인식 타겟 제거 및 타겟 개수를 산출하는데 이용하였다.
2와 같은 변형된 패턴의 체커보드에도 타겟의 번호 인식에 적용 가능한 블랍을 이용하는 방법을 제안하였다. 블랍은 흑색 바탕에 흰색 원으로 구성하였으며 블랍의 식별을 돕기 위해서 백색 테두리 내에 블랍이 위치하도록 하였으며 백색 원의 개수에 따라 블랍의 번호가 정의되도록 하였다.
3과 같다. 블랍을 구성하고 있는 사각형의 가로 및 세로 크기는 체커보드 또는 체스보드 가로 및 세로 크기의 약 4%와 7%로 구성하였다. 흰색의 블랍은 흑색 사각형 내부에 위치하고 이를 둘러싸고 있는 백색 테두리가 존재한다.
사각형으로 판별된 내부에 있는 블랍을 식별하는 과정은 영상에 존재하는 모든 블랍을 우선 추출한 후 이것이 사각형 내에 있는지의 여부를 검사하였다. 블랍은 경계선 연산자를 이용하여 경계선을 추출한 후 경계선으로 구성된 다각형 중에서 꼭지점의 개수가 3개 이상이면서, 최소 각도가 -80°, 최대 각도가 0° 이내인 다각형을 Fig.
19와 같이 기준영상의 좌상단에서 부터 1번으로 시작하도록 설계하였다. 우선 1번에서 가까운 두 개의 타겟 점을 탐색한 후 영상의 y좌표값이 작은 타겟점을 다음 타겟점으로 설정하고, y좌표값이 큰 타겟점을 다음 행의 첫 번째 타겟점으로 설정하였다.
템플릿영상의 실제 타겟에서 특징점이 추출되지 않은 경우가 발생할 수 있다. 이때에는 변환된 타겟점에서 블랍 사각형의 크기에 비례하는 일정 크기의 반경을 이용하여 템플릿영상에서 특징점을 추출한 후 변환한 타겟점과 특징점과의 거리를 산출하여 최소 거리에 있는 특징점을 타겟으로 판단하였다. 이를 좀 더 상세히 설명하면, Fig.
카메라 캘리브레이션을 위해서 체커보드를 촬영한 여러 장의 영상을 사용하게 되는데 이 때 타겟의 번호를 자동으로 부여해야 한다. 이를 위해 본 연구에서는 정방향 영상(기준영상)을정하고 이를 대상이 되는 영상(템플릿영상)에 투영 변환하여 타겟에 번호를 초기 부여하는 방법을 사용하였다.
캘리브레이션을 위한 체커보드는 카메라로 어떻게 촬영하는 가에 따라 회전되어 촬영되거나 체커보드의 일부만 촬영될 수 있기 때문에 체커보드의 방향성을 식별하여 체커보드의 일부만 촬영하였더라도 체커보드가 어떻게 회전되었는지를 알 수 있도록 하였다. 이를 위해 체커보드의 중심영역에 있는 1~4번의 블랍을 이용하여 Fig. 16과 같이 A, B, C, D 타입의 방향성을 정의하였다.
이를 위해서 Fig. 11과 같이 내부 사각형의 네 꼭지점에 대해각 꼭지점의 바깥 방향으로 일정 길이만큼 이동하면서 밝기값의 변화 횟수를 검사하였다. 이 때 밝기값은 Eq.
타겟의 좌표값을 추출하고 나서 그 다음으로 타겟의 위치가 어디에서 추출된 것인지 알아야 한다. 이를 위해서 체커보드내에 있는 블랍의 개수를 인식하는 방법을 통해서 타겟의 위치에 대한 번호를 자동으로 부여하였다. Fig.
오인식된 타겟은 다양한 잡영에 의해 영향을 받은 결과이다. 인식해야 될 타겟의 개수 산출은 Fig. 14와 같이 체커보드의 가장자리 네 방향의 타겟 배열들을 추출하여 산출하였다.
카메라 캘리브레이션을 통해서 초점거리, 주점위치, 렌즈왜곡 등의 다양한 매개변수를 결정하기 위해서 체커보드를 다양한 각도에서 촬영한 여러 장의 영상을 이용하게 된다. 체커보드를 구성하고 있는 흑백 타겟의 번호는 타겟의 개수와 방향성을 이용하여 부여하였다.
체커보드를 촬영한 영상에서 중심영역에 있는 1~4번의 블랍 중에서 최소 2개 이상의 블랍이 나타난다면 방향성을 판별할 수 있도록 하였다. 방향성 판별은 Fig.
체커보드의 촬영을 멀리에서 수행하여도 원활하게 자동으로 타겟인식이 이루어지는지 확인하기 위하여 Fig. 29, Fig. 30 과 같이 촬영거리를 다양하게 하여 체커보드-B를 이용하여 실험을 수행하였다. Fig.
초기 블랍으로 인식된 다각형들 중에는 실제 블랍이 아닌 작은 먼지나 작은 점과 같은 것이 추출될 수 있기 때문에 모든 블랍의 평균면적을 구하여 추출된 초기 블랍의 면적이 평균면적의 70%보다 작은 경우는 잡영으로 판단하여 제거하였다. 그 후에 사각형 내에 존재하는 블랍의 개수에 따라 번호(ID)를 부여하였다.
특징점은 KLT(Kanade Lucas Tomasi) 특징점 검출 기법을 이용하여 최대 1500개의 특징점을 추출한다. 추출된 특징점을 기준으로 일정 반경의 원을 구성하여 픽셀 밝기값의 최소, 최대값을 구한 후에 픽셀 밝기값을 정량화 한다. 그리고 흑백 픽셀 수, 색상 변화 빈도, 흑백 패턴의 왜곡의 3가지 조건을 고려하여 추출된 특징점의 좌표가 타겟점인지 판별한다.
캘리브레이션을 위한 체커보드는 카메라로 어떻게 촬영하는 가에 따라 회전되어 촬영되거나 체커보드의 일부만 촬영될 수 있기 때문에 체커보드의 방향성을 식별하여 체커보드의 일부만 촬영하였더라도 체커보드가 어떻게 회전되었는지를 알 수 있도록 하였다. 이를 위해 체커보드의 중심영역에 있는 1~4번의 블랍을 이용하여 Fig.
기준영상은 체커보드를 촬영한 영상 혹은 체커보드 도안 모두 적용 가능하다. 타겟의 번호를 부여하기 위해 Fig. 18과 같이 기준영상에서 블랍과 타겟의 개수, 타겟의 좌표, 타겟의 번호를 부여하고 이를 템플릿영상에서 식별한 블랍을 이용하여 호모그래피(homography) 행렬을 생성하여 투영변환한 후 타겟의 번호를 부여하였다(Park et al., 2015).
흑백 패턴을 갖는 경계선의 교점을 타겟으로 인식하기 위해 추출된 특징점의 좌표에서 원을 그리면서 밝기값의 변화량을 고려하여 특징점을 타겟으로 추출하는 방법을 사용하였다. 추출된 모든 특징점에 대해 Fig.

대상 데이터

본 자동타겟인식 알고리즘을 수행하기 위하여 C++ 언어를 사용하였고, OpenCV 라이브러리를 사용하였다. 체커보드의 자동타겟인식을 수행하기 위해 체커보드를 촬영한 영상이 필요하다.
체커보드 타겟의 인식률에 대한 실험을 위해서 가로 및 세로 방향으로 각각 9장의 영상을 촬영하였으며 각각의 방향에 대해 기울기를 달리하여 2장씩 각 18장의 영상을 촬영하여 총 36장의 영상을 촬영하였으며 그 결과는 각각 Fig. 27과 Fig. 28과 같다.
체커보드-A와 체커보드-B에 대해 자동인식을 수행한 결과는 Table 2와 같다. 체커보드-A의 타겟의 개수는 63 개이고, 체커보드-B는 80개이다.
체커보드의 자동타겟인식을 수행하기 위해 체커보드를 촬영한 영상이 필요하다. 체커보드는 Fig. 25의 캐논(Canon EOS 800D) 디지털 카메라를 이용하여 촬영하였으며 카메라 설정값은 Table 1과같다.
체커보드와 체스보드는 카메라를 이용하여 촬영할 때 변형이 나타나지 않아야 하고 회전 및 이동이 편리해야 하기 때문에 포맥스(pomax) 재질로 제작하였으며, 두께는 19mm 크기로 제작하였다.

이론/모형

4에 나타낸 것과 같이 입력된 체커보드 영상에서 피라미드 영상을 만들고 특징점을 추출한 후 피라미드 레벨을 고려하여 특징점의 좌표를 추출한다. 특징점은 KLT(Kanade Lucas Tomasi) 특징점 검출 기법을 이용하여 최대 1500개의 특징점을 추출한다. 추출된 특징점을 기준으로 일정 반경의 원을 구성하여 픽셀 밝기값의 최소, 최대값을 구한 후에 픽셀 밝기값을 정량화 한다.

성능/효과

넷째, 일반적으로 사용되는 체스보드 형태의 타겟이 아닌 변형된 형태의 체커보드도 자동으로 타겟을 인식할 수 있는 것을 알 수 있었다.
다섯째, 디지털 카메라를 이용하여 촬영한 실험을 통해서 체커보드가 영상내에서 11%이상 나타나는 경우 1분 이내의 짧은 자료처리 시간을 통해서 모든 타겟을 자동으로 인식할 수 있는 것을 알 수 있었다. 체커보드를 멀리서 촬영하였을 경우에는 자동으로 타겟의 번호를 부여하기 위해서 사용하고 있는 블랍의 크기가 매우 작아 블랍을 정상적으로 인식하지 못하는 경우가 발생하기 때문에 체커보드의 타겟이 영상에서 약 11% 이상 나타낼 수 있도록 촬영을 하거나 체커보드를 크게 제작할 필요가 있다는 것을 알 수 있었다.
둘째, 타겟을 촬영한 영상에 대해서 타겟점의 번호는 체커보드 중심부분에 4개 그리고 바깥부분에 4개로 구성된 8개의 블랍을 이용하여 자동으로 부여할 수 있었다. 이를 통해서 8개의 블랍을 부착하면 체스보드 타겟에 대해서도 자동으로 번호를 부여할 수 있는 것을 알 수 있었다.
체커보드 타겟의 인식과 관련된 국내외 사례분석을 통해서 타겟의 추출을 위한 속도를 높이기 위해서는 특징점(keypoint) 추출기법을 이용하고 번호를 자동으로 부여하기 위해서는 블랍(blob)을 이용할 수 있다는 것을 알 수 있었다. 또한, 체커보드 영상에서 타겟 일부분이 보이지 않거나, 체커보드의 기울기가 비교적 큰 경우에는 블랍을 이용하여 템플릿 영상의 타겟을 인식하는 것이 수월한 것을 알 수 있었다.
셋째, 여러 장을 촬영한 체커보드 영상간의 관계는 기준영상과 템플릿영상에서 인식한 블랍을 이용한 호모그래피 행렬을 이용하여 설정할 수 있었으며 이를 통해, 템플릿영상의 일부만 촬영된 경우에도 타겟점의 번호를 자동으로 부여할 수 있었다.
30은 체커보드의 면적이 영상 에서 차지하는 비율이 약4%인 것으로 체커보드의 블랍을 인식하지 못하여 정상적인 타겟인식이 이루어지지 않았다. 실험을 통해서 자동타겟인식을 위해서는 체커보드의 타겟이 영상 에서 약 11% 정도는 나타낼 수 있도록 촬영이 이루어져야 하는 것을 알 수 있었다.
둘째, 타겟을 촬영한 영상에 대해서 타겟점의 번호는 체커보드 중심부분에 4개 그리고 바깥부분에 4개로 구성된 8개의 블랍을 이용하여 자동으로 부여할 수 있었다. 이를 통해서 8개의 블랍을 부착하면 체스보드 타겟에 대해서도 자동으로 번호를 부여할 수 있는 것을 알 수 있었다.
첫째, 흑백패턴의 왜곡, 경계선 변화빈도, 흑백픽셀의 비율에 대한 3가지 조건을 이용하여 두 가지 타입의 체커보드 타겟점의 좌표를 자동으로 추출할 수 있었다.
체커보드 타겟의 인식과 관련된 국내외 사례분석을 통해서 타겟의 추출을 위한 속도를 높이기 위해서는 특징점(keypoint) 추출기법을 이용하고 번호를 자동으로 부여하기 위해서는 블랍(blob)을 이용할 수 있다는 것을 알 수 있었다. 또한, 체커보드 영상에서 타겟 일부분이 보이지 않거나, 체커보드의 기울기가 비교적 큰 경우에는 블랍을 이용하여 템플릿 영상의 타겟을 인식하는 것이 수월한 것을 알 수 있었다.
다섯째, 디지털 카메라를 이용하여 촬영한 실험을 통해서 체커보드가 영상내에서 11%이상 나타나는 경우 1분 이내의 짧은 자료처리 시간을 통해서 모든 타겟을 자동으로 인식할 수 있는 것을 알 수 있었다. 체커보드를 멀리서 촬영하였을 경우에는 자동으로 타겟의 번호를 부여하기 위해서 사용하고 있는 블랍의 크기가 매우 작아 블랍을 정상적으로 인식하지 못하는 경우가 발생하기 때문에 체커보드의 타겟이 영상에서 약 11% 이상 나타낼 수 있도록 촬영을 하거나 체커보드를 크게 제작할 필요가 있다는 것을 알 수 있었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	카메라 캘리브레이션은 무엇인가?	카메라 캘리브레이션은 카메라의 초점거리, 주점위치, 렌즈왜곡 등의 매개변수를 결정하는 작업으로 이를 위해서 주로 체커보드를 촬영한 영상을 사용하고 있다. 체커보드 영상에서 타겟을 자동으로 인식할 때 기존의 연구는 사용자가 타겟인식을 위한 입력 매개변수를 잘 이해하고 있어야 하거나 영상에서 체커보드가 모두 나타나야 하는 한계점이 있었다.
	체커보드를 촬영한 영상에서 생기는 한계점은 무엇인가?	카메라 캘리브레이션은 카메라의 초점거리, 주점위치, 렌즈왜곡 등의 매개변수를 결정하는 작업으로 이를 위해서 주로 체커보드를 촬영한 영상을 사용하고 있다. 체커보드 영상에서 타겟을 자동으로 인식할 때 기존의 연구는 사용자가 타겟인식을 위한 입력 매개변수를 잘 이해하고 있어야 하거나 영상에서 체커보드가 모두 나타나야 하는 한계점이 있었다. 이에 본 연구에서는 체커보드 중심부와 외곽부분에 각각 4개씩 8개의 블랍을 포함하는 직사각형을 이용하여 체커보드 영상의 일부만 촬영된 경우에도 자동으로 타겟점의 번호를 부여할 수 있고 별도의 입력 매개 변수 없이 자동으로 타겟을 인식하는 방법을 제안하였다.
	체커보드와 체스보드는 무엇때문에 포맥스 재질로 제작하였는가?	체커보드와 체스보드는 카메라를 이용하여 촬영할 때 변형이 나타나지 않아야 하고 회전 및 이동이 편리해야 하기 때문에 포맥스(pomax) 재질로 제작하였으며, 두께는 19mm 크기로 제작하였다.

저자의 다른 논문 :

LOADING...

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